CN117037421A - 降雨型滑坡隐患群气象风险预警方法、设备及存储介质 - Google Patents
降雨型滑坡隐患群气象风险预警方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117037421A CN117037421A CN202310713516.XA CN202310713516A CN117037421A CN 117037421 A CN117037421 A CN 117037421A CN 202310713516 A CN202310713516 A CN 202310713516A CN 117037421 A CN117037421 A CN 117037421A
- Authority
- CN
- China
- Prior art keywords
- landslide
- rainfall
- data
- early warning
- hidden danger
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000006073 displacement reaction Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000000846 Bartlett's test Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Emergency Management (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geology (AREA)
- Algebra (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种降雨型滑坡隐患群气象风险预警方法、设备及存储介质，所述方法包括如下步骤：初始数据采集及评价单元划分；变量处理；预测变量多重共线性检验；预测变量分析相关性检验；计算预测变量相对权重；预测模型建模；模型性能验证；降雨‑位移预警阈值优化；滑坡隐患点短临气象风险预警及模型更新。本发明能通过分析已有隐患点的监测数据，在考虑影响因子相对权重的基础上，建立静态因子滑坡地形参数、动态因子降雨与响应变量位移的非线性相关关系，优化不同风险预警等级下位移‑降雨综合预警阈值，从而实现针对降雨型滑坡隐患群的一体化动态气象风险预警。
Description
技术领域
本发明涉及边坡工程领域，尤其涉及一种降雨型滑坡隐患群气象风险预警方法、设备及存储介质。
背景技术
作为一种常见的自然灾害，滑坡在世界范围内都曾造成过重大的人员伤亡和经济损失。降雨是诱发滑坡的重要因素之一。进一步完善地质灾害气象风险评价理论体系及关键技术，解决地质灾害隐患“何时发生”，成为目前亟需解决的重要问题。
目前，集成了雨量计、裂缝计、全球导航卫星系统、高清视频探头、微震仪、声波仪的综合预警系统已广泛应用于地质灾害监测预警预报，取得了良好的效果。不同监测技术手段的发展也十分迅速，如：光纤布拉格光栅监测可以对岩土体应力进行实时监测，识别微米级的变形；对地合成孔径雷达技术能够识别毫米级的位移，可用于滑坡临滑预警。然而，受限于高昂的设备费用，面对数量庞大灾害隐患，多手段、高精度监测带来的经济代价显然难以承受。以巴中市为例，风险普查表明该市目前存在2173处地质灾害隐患，但该市预警系统只能针对重点灾害(104处滑坡)，基于传统雨量计、地表位移和裂缝扩展，采用同一的半经验半定量降雨、位移阈值开展监测，存在以下弊端：①不同类型滑坡动态演化规律存在空间差异性，其临界失稳条件也有所不同，对不同隐患采用同一降雨阈值无法发布准确的预警结果；②基于降雨阈值和基于位移阈值发布的风险预警等级可能会不一致，即发布预警的标准不统一；③每个隐患的监测系统相互独立，不利于短临极端降雨下针对所有隐患快速发布气象风险预警；④只能针对已有监测设备的隐患处(104处)进行预警，难以针对其余无监测隐患处发布对应的风险，因此存在漏报的可能。目前，基于机器学习模型的区域滑坡易发性和滑坡气象风险评估得到了广泛的应用。滑坡易发性评估建立在一个基本假设之上，即造成灾害的影响因素在未来同样可能导致相同灾害发生，其建模机理可以概括为通过对已发生灾害的影响因子进行非线性分析，预测目前未发生灾害地区在相同因素作用下发生灾害的可能性。而区域滑坡气象风险评估通常是在易发性分析的基础上考虑动态降雨的变化。显然，面对实际防灾减灾工作中，上述当前隐患点监测预警系统以及现有基于机器学习的风险预警模型并不适用。
发明内容
针对现有技术的缺陷，本发明提供了一种针对降雨型滑坡隐患群一体化短临气象风险预警方法、设备及存储介质。其能通过分析已有滑坡隐患点的监测数据，在考虑影响因子相对权重的基础上，建立静态因子滑坡地质参数(如：坡度、岩性、面积等)、动态因子降雨与响应变量位移的非线性相关关系，优化不同风险预警等级下位移-降雨综合预警阈值，从而实现针对降雨型滑坡隐患群的一体化动态气象风险预警。其对解决目前实际防灾减灾工作中现有监测预警系统的不足，降低人员经济成本，提高风险预警范围及可靠性具有重要意义。
为实现上述发明的目的，本发明采用如下技术方案：
一种降雨型滑坡隐患群气象风险预警方法，包括如下步骤：
S10、初始数据采集及评价单元划分：采集滑坡隐患所处边坡的基础形态特征参数；采集各滑坡隐患点位移监测数据及降雨监测数据；进行滑坡单元划分，获得滑坡的最终评价单元，并获取滑坡最终评价单元形态数据；确定存在监测设备滑坡隐患点的滑坡单元，提取滑坡地质参数；
S20、变量处理：对所述步骤10中得到的初始数据进行初步处理，将降雨和滑坡地质参数归纳为预测变量，再将位移设置为响应变量，并将预测变量中的降雨和滑坡地质参数分别划分为动态因子和静态因子；
S30、预测变量多重共线性检验：对不同的预测变量进行共线性检验，检测预测变量之间是否存在高度相关问题，如果存在则需要删除其中一个变量，直到所有预测变量不存在高度线性相关性；
S40、预测变量分析相关性检验：对预测变量进行相关性检验包括所有预测变量的相关性检验和预测变量之间的相关性检验，重复步骤S30和步骤S40进行预测变量筛选，直到所有预测变量满足相关性检验要求，从而可以进行预测变量相对权重计算；
S50、计算预测变量相对权重，预测变量相对权重计算公式如下：
式中：wi为各预测变量因子xi对应的相对权重；aij(i∈1,2…,n；j∈1,2…,k)代表预测变量因子载荷；λj(j∈1,2…,k)为公因子Pi(j∈1,2…,k)对所有的xi(i∈1,2…,n)的贡献度；为预测变量因子载荷矩阵；/>各公因子的相对权重；S60、预测模型建模：将每个预测变量划分为连续型变量或离散型变量，分别使用平滑函数拟合非线性关系，基于预测变量的相对权重，将响应变量和所有预测变量的平滑函数组合构建预测模型；
S70、模型性能验证：评价预测模型对观测数据的拟合程度，并评估预测模型对无监测滑坡隐患点的预测能力；
S80、降雨-位移预警阈值优化：将验证过的预测模型用于所有监测滑坡隐患点和无监测滑坡隐患点，通过拟设不同强度的降雨预测对应滑坡隐患点位移，结合当地防灾减灾规范确定不同的风险等级下的位移阈值，反推对应的降雨阈值；
S90、滑坡隐患点短临气象风险预警及模型更新：将降雨预测数据纳入到预测模型，预测模型通过滑坡地质参数、位移监测数据和降雨预测数据监测有监测滑坡隐患点的风险，通过滑坡地质参数和降雨预测数据监测无监测滑坡隐患点的风险，实现得到各个滑坡隐患点对应的风险等级，预测模型也随降雨后的真实降雨和位移监测数据的增长不断更新。
在其中一实施例中，在所述步骤S10中，基于研究区数字高程数据，进行滑坡单元划分。
在其中一实施例中，使用地理信息系统根据以下步骤将数字高程模型划分为滑坡单元：
导入地形数据；
使用地理信息系统计算滑坡隐患点的坡度和坡向；
定义滑坡单元的大小和形状；
使用地理信息系统模块将地形数据划分为滑坡单元。
在其中一实施例中，所述步骤S30具体包括如下步骤：
计算预测变量估计值和标准误差；
计算每个预测变量的决定系数，进而得到方差膨胀因子值；
检查方差膨胀因子值，若有两个预测变量的方差膨胀因子值大于预测变量筛选的阈值，仅保留一个，重复操作，直到所有预测变量不存在高度线性相关性。
在其中一实施例中，所述步骤S60中，通过有监测滑坡隐患点的地质参数、降雨预测数据和位移监测数据，拟合出非参数回归预测模型；在步骤S70中，使用决定系、均方根误差和平均绝对误差三个拟合优度指标评价非参数回归预测模型对观测数据的拟合程度，并使用机器学习将非参数回归预测模型划分70％数据进行训练，30％数据进行验证，以评价预测模型结果。
在其中一实施例中，在步骤S90中，预测模型用于无监测滑坡隐患点的气象风险预测具体包括如下步骤：
保存训练好的预测模型；
导入无监测隐患点待预测数据，待预测数据包括设为静态因子的滑坡地质参数；
输入降雨数据；
将滑坡地质参数和降雨数据导入非参数回归预测模型，根据预测位移值发布气象风险预警。
在其中一实施例中，所述步骤S90具体包括如下步骤：
将降雨预测数据纳入预测模型，得到各个有监测滑坡隐患点和各个无监测隐患点对应的风险等级，并发布各个滑坡隐患点的风险等级；
待降雨事件结束后，通过采集真实降雨和位移监测数据更新预测模型的建模数据；
使用更新后的预测模型预测下次降雨事件的风险，实现动态风险预警。
在其中一实施例中，在所述步骤S60中，预测模型的计算公式如下：
y＝β0+w1f1(x1)+w2f2(x2)+L+wifi(xi)+ε(i∈1…k)；
式中，y代表响应变量，wi为各预测因子xi对应的相对权重，f为非线性光滑函数链接函数。
一种计算机设备，包括存储器以及处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的方法。
本发明所述的降雨型滑坡隐患群气象风险预警方法、设备及存储介质。
与现有技术相比，本发明具有如下有益效果：
①综合考虑各影响因子(预测因子)的相对权重；
②通过基于动态因子降雨、静态因子滑坡地质参数与响应变量位移建立的预测模型，解决了降雨预警阈值与位移预警阈值不统一的问题，实现了降雨-位移综合阈值优化；
③建立的预测模型可以通过静态因子滑坡地质参数的监测及气象部发布的预测降雨数据，在不增加经济成本的基础上，实现对未设置监测设备的滑坡隐患点的短临气象风险预警；
④预测模型可随降雨和位移的监测数据的增长不断更新，实现滑坡隐患群一体化动态风险预警，该方法可以解决当前地方政府开展滑坡隐患风险预警工作中实际遇到的困难，其预测结果可以优化已有的预警系统，具有重要的防灾减灾意义。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明一实施例所述的降雨型滑坡隐患群气象风险预警方法的流程图；
图2为图1中步骤S30的具体流程图；
图3为图1中步骤S50的具体流程图；
图4为图1中步骤S90的具体流程图。
具体实施方式
以下所述仅为本发明的较佳实施例，并不因此而限定本发明的保护范围。
请参阅图1，为本发明实施例所述的一种降雨型滑坡隐患群气象风险预警方法，具体包括如下步骤：
S10、初始数据采集及评价单元划分：采集滑坡隐患所处边坡的基础形态特征参数；采集各滑坡隐患点位移监测数据及降雨监测数据；进行滑坡单元划分，获得滑坡最终评价单元，并获取滑坡最终评价单元形态数据；确定存在监测设备滑坡隐患点的滑坡单元，提取滑坡地质参数。
具体的，评价单元划分是指将研究区依据具有相似地质地貌和滑坡形态特征的一定范围，划分成独立的评价单元，从而采用统一的评价系统对每个单元进行危险性分析评价。在分析评价中需要采集的初始数据有：1)滑坡隐患点影响范围的基础形态特征参数数据；2)各滑坡隐患点位移监测数据及降雨监测数据；3)通过对滑坡所在斜坡单元划分，获得的滑坡最终评价单元形态数据；4)滑坡隐患点存在监测设备的滑坡单元的滑坡地质参数数据；
进一步的，通过无人机航空测绘和现场调查采集滑坡隐患点的影响范围的基础形态特征参数，基础形态特征参数包括面积、长度、宽度等，将基础形态特征参数以矢量数据的形势在地理信息系统中编录，并进行空间地理位置校正，同时采集各滑坡的响应变量位移的监测数据及动态因子降雨的监测数据，并进行筛选，以获取有效降雨-位移数据。
优选的，基于数字高程模型，进行滑坡单元划分。
进一步的，使用地理信息系统根据以下步骤将数字高程模型划分为滑坡单元：
①导入地形数据；
②使用地理信息系统工具计算坡度和坡向；
③定义滑坡单元的大小和形状，在对地形数据网格化过程中，将其划分为标准大小的单元，单元大小和形状自行定义，单元较小更有助于确定滑坡单元边界，但也会导致后续计算量过大。每个单元可以包含平均高程、坡向、坡度和其他属性值。
④使用地理信息系统将地形数据划分为滑坡单元。即通过比较相邻单元的坡度和坡向，当坡度和坡向存在不连续和转折，即可定义为滑坡单元边界。
将划分好的滑坡单元与三维地图软件进行影像对比及实地验证。需要说明的是，划分好的滑坡单元要与滑坡隐患点相对应，要准备有监测隐患点的滑坡单元。
通过空间叠加分析，确定存在滑坡隐患点的滑坡单元，再提取滑坡地质参数。滑坡地质参数包括平均坡角、平均坡向、主要岩性、平均曲率、平均地形湿度指数、平均径流强度指数、滑坡单元面积、滑坡单元最大高差、滑坡面积在滑坡单元中占比、滑坡类型以及土地使用类型等。其中，平均曲率包括平面曲率和剖面曲率；使用地理信息系统工具，通过分区统计提取滑坡单元的平均坡角、平均坡向、平均曲率、平均地形湿度指数、平均径流强度指数，并将这些参数使用数字高程模型数据计算得到；通过统计功能获取滑坡单元面积、滑坡单元最大高差、滑坡面积在滑坡单元中占比、滑坡类型、主要岩性、土地使用类型参数。
S20、变量处理：对所述步骤10中得到的初始数据进行初步处理，将降雨和滑坡地质参数归纳为预测变量，再将位移设置为响应变量，并将预测变量中的降雨和滑坡地质参数分别划分为动态因子和静态因子。
具体的，使用移动平均法对步骤S10中所获取的滑坡隐患点的基础形态参数、位移监测数据和降雨监测数据进行初步处理，并将初步处理后的位移监测数据储存在对应的滑坡单元。使用无量归一化处理步骤S10中所获取的滑坡地质参数。将降雨和位移归纳为预测变量。
其中，简单移动平均法公式如下：
其中，代表时间t处的预测变量xi简单移动平均值；xi(t)代表时间t处预测变量xi的数据；n代表移动平均窗口长度。
无量归一化公式如下：
其中，xi代表预测变量xi归一化后数据；代表移动平均法后预测变量xi的数据；代表移动平均法后预测变量xi的最大值；/>代表移动平均法后预测变量xi的最小值。
建立有监测隐患点数据库，设置为建模数据，将预测变量的降雨和位移分别划分为动态因子和静态因子，并设置位移为响应变量，如表1所示，表1为巴中市灾害隐患点的建模数据示意表。需要说明的是，建模数据中样本编号1包含某个滑坡检测设备在不同时间获取的有效数据，值为示意数据。
表1建模数据示意表
进一步，建立无监测隐患点数据库，设置为预测数据，并统计静态因子，如表2所示，表2为巴中市灾害滑坡隐患点的预测数据示意表。需要说明的是，预测数据中不同样本编号对应不同滑坡隐患点，位移数据为预测模型待预测结果。
表2预测数据示意表
S30、预测变量多重共线性：对不同的预测变量进行共线性检验，检测预测变量之间是否存在高度相关问题，如果存在则需要删除其中一个变量，直到所有预测变量不存在高度线性相关性。
具体的，对不同的预测变量进行方差膨胀因子多重共线性检验，若预测变量未通过方差膨胀因子多重共线性检验，则表明预测变量存在较强的线性相关，会导致预测模型的不准确性，因此需要只保留两个具有较强共线性预测变量中的一个，反复操作直到所有预测变量不存在高度线性相关性。方差膨胀因子值越大，表示预测变量共线性越强。
进一步的，如图2所示，步骤S30的具体操作如下：
S31、计算预测变量估计值和标准误差；
将每个预测变量进行一元线性回归，以该预测变量为因变量，所有其他预测变量为自变量，公式如下：
其中，代表预测变量xi的估计值；bijxj代表预测变量xj(j∈1,2…,m；j≠i)对预测变量xi的贡献值；/>代表预测变量xi的均值；SEi代表预测变量xi的标准误差；
S32、计算每个预测变量的决定系数，进而得到方差膨胀因子值；方差膨胀因子表示预测变量之间的相关性及单个预测自变量对整个预测模型的影响能力，通过检测方差膨胀因子，可以判断预测模型中是否存在多重共线性，进而选择删除不符合条件的预测变量提高预测模型的预测精度和质量。
具体的，计算单个预测变量方差膨胀因子公式如下：
其中，SSTi为预测变量xi的总平方和；RSSi为预测变量xi的残差平方和；为预测变量xi相对应的决定系数；VIFi为预测变量xi的方差膨胀因子。
S33、检查方差膨胀因子值，若有两个预测变量的方差膨胀因子值大于预测变量筛选的阈值，仅保留一个，重复操作，直到所有预测变量不存在高度线性相关性。
在本实施例中，将VIF≥10设置为预测变量筛选的阈值。
S40、预测变量分析相关性检验：对预测变量进行相关性检验包括所有预测变量的相关性检验和预测变量之间的相关性检验，重复步骤S30和步骤S40进行预测变量筛选，直到所有预测变量满足相关性检验要求，从而可以进行预测变量相对权重计算。
具体的，相关系检验包括KMO相关系检验和Bartlett相关性检验。
其中，KMO相关性检验计算公式如下：
ρij＝cov(i,j)/(SEi·SEj) (10)；
其中，cov(i,j)代表预测变量i和j的协方差；ρij代表预测变量i和j的相关系数；ρip和ρpj分别代表变量i和变量j与变量p之间的相关系数；δij(p)代表控制第p个变量之后预测变量i和j之间的偏相关系数，该计算公式采用递归分解的方法计算变量i和j的偏相关系数δij。
Bartlett检验计算公式如下：
Det＝|R| (14)；
K＝-1(n-1-(2m+5)/6)*ln(Det) (15)；
其中；R代表预测变量的相关系数矩阵；Det代表相关矩阵的行列式；K代表Bartlett检验的统计量，该统计量服从自由度为m(m-1)/2的卡方分布。
优选的，在本实施例中，取Bartlett相关系检验的显著性指标值为0.05，若Bartlett相关性检验的显著性指标值小于0.05，则表明预测变量之间差异显著，不符合Bartlett相关性检验的0假设，KMO相关性检验取值范围为[0,1]，取阈值为0.6，KMO相关性检验值超过0.6表明预测变量数据之间存在强相关性，两者检验都满足说明预测变量适用于相对权重计算。
S50、计算预测变量相对权重。
具体的，如图3所示，步骤S50具体包括如下步骤：
S51、预测变量通过预测变量分析相关性检验后，对初始数据进行标准化；
S52、计算预测变量数据相关系数矩阵及对应的特征值和特征向量；
S53、计算因子载荷矩阵和公共因子方差矩阵，并利用方差最大化旋转因子载荷矩阵，结合各公共因子的相对权重，得到原始预测变量的相对权重。
预测变量相对权重具体计算如下：
假设n个预测变量x1,x2,…,xn可由k(k≤n)个公共因子P1,P2,…,Pk表示，如下式所示：
xi＝Ai1P1+Ai2P2+L+AikPk+ε(i∈1L n) (16)；
其中，系数Aij(i∈1,2…,n；j∈1,2…,k)代表因子载荷，ε为只与预测变量xi相关的特殊因子，与公共因子Pj相互独立。
所述公共因子Pj(j∈1,2…,k)对所有的预测变量xi(i∈1,2…,n)的贡献度λj如下式所示：
各预测变量xi对应的相对权重wi可由因子载荷矩阵乘以各公共因子的相对权重得到，计算公式如下：
这样便可根据公式(18)计算预测变量的相对权重，示意结果如表3所示。需要说明的是，表3中数据为示意值。
表3因子载荷矩阵和权重表
S60、预测模型建模：将每个预测变量划分为连续型变量或离散型变量，分别使用平滑函数拟合非线性关系，基于预测变量的相对权重，将响应变量和所有预测变量的平滑函数组合构建预测模型。
具体的，预测模型是一种非参数回归模型，它通过对每个自变量引入非线性平滑函数来构建多项式，可以处理非线性、非正态、高维等复杂的数据关系。预测模型的计算公式表示如下：
y＝β0+w1f1(x1)+w2f2(x2)+L+wifi(xi)+ε(i∈1…k) (19)；
其中，y代表响应变量，wi为步骤S50获得各预测变量xi对应的相对权重，f为非线性光滑函数链接函数，常用有包括样条函数、核函数、局部加权回归函数等。
具体的，通过有监测滑坡隐患点的地质参数、降雨预测数据和位移监测数据，拟合出非参数回归预测模型。
优选的，步骤S60遵循以下步骤进行建模：
①在python工作台安装进行非参数回归分析的库文件；
②使用该库文件生成非参数回归预测模型，并指定初始权重，设置最大迭代次数。
S70、模型性能验证：评价预测模型对观测数据的拟合程度，并评估预测模型的预测能力。
具体的，使用决定系数R2、均方根误差RMSE和平均绝对误差MAE三个拟合优度指标评价模型对观测数据的拟合程度，计算公式如下：
R2＝1-RSS/SST (22)；
其中，SST代表非参数回归预测模型的总平方和；RSS代表非参数回归模型的残差平方和；yi代表响应变量的实际值；代表响应变量的预测值；t代表响应变量个数；/>代表响应变量实际值的平均值。
其中，R2的值越大表示模型对观测数据的解释能力越好，取0.5为参考值，RMSE和MAE的值越小表示模型性能越好。
评价完非参数回归预测模型对观测数据的拟合程度后，使用机器学习将非参数回归预测模型划分70％数据进行训练，30％数据进行验证，以评价预测模型结果。
S80、降雨-位移预警阈值优化：将验证过的预测模型用于所有监测滑坡隐患点和无监测滑坡隐患点，通过拟设不同强度的降雨预测对应滑坡位移，结合当地防灾减灾规范确定不同的风险等级下的位移阈值，反推对应的降雨阈值，实现降雨及位移风险评估阈值的统一。
S90、滑坡隐患点短临气象风险预警及模型更新：将降雨预测数据纳入到预测模型，预测模型通过滑坡地质参数、位移监测数据和降雨预测数据监测有监测滑坡隐患点的风险，通过滑坡地质参数和降雨预测数据监测无监测滑坡隐患点的风险，实现得到各个滑坡隐患点对应的风险等级，预测模型也随降雨后的真实降雨和位移监测数据的增长不断更新。
具体的，如图4所示，步骤S90具体包括如下步骤：
S91、将降雨预测数据纳入预测模型，得到各个有监测滑坡隐患点和各个无监测滑坡隐患点对应的风险等级，并发布各个滑坡隐患点的风险等级；
S92、待降雨事件结束后，通过采集真实降雨和位移监测数据更新预测模型的建模数据；
S93、使用更新后的预测模型预测下次降雨事件的风险，实现动态风险预警。
在步骤S90中，预测模型用于无监测滑坡隐患点的气象风险预测具体包括如下步骤：
①保存训练好的预测模型；
②导入无监测隐患待预测数据，待预测数据包括设为静态因子的滑坡地质参数；
③输入降雨数据；
④将滑坡地质参数和降雨数据导入非参数回归预测模型，根据预测位移值发布气象风险预警。
使用预测模型预测对应位移值，根据位移值发布气象风险预警。
与现有技术相比，本发明的预测模型对降雨型滑坡隐患群一体化短临气象风险预警方法具有如下有益效果：
①综合考虑各影响因子(预测因子)的相对权重；
②通过基于动态因子降雨、静态因子滑坡地质参数与响应变量位移建立的预测模型，解决了降雨预警阈值与位移预警阈值不统一的问题，实现了降雨-位移综合阈值优化；
③建立的预测模型可以通过静态因子滑坡地质参数的监测及预测降雨数据，在不增加经济成本的基础上，实现对未设置监测设备的滑坡隐患点的短临气象风险预警；
④预测模型可随降雨和位移的监测数据的增长不断更新，实现滑坡隐患群一体化动态风险预警，其预测结果可以优化已有的预警系统，具有重要的防灾减灾意义。
本发明还公开了一种计算机设备，包括存储器以及处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述的方法。
本发明还公开一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时执行如上所述的方法。
由于本申请实施例提供的存储介质，为实施本申请实施例的方法所采用的存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的存储介质都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、光盘、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和方框流程图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。将这些流程编为计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种降雨型滑坡隐患群气象风险预警方法，其特征在于，包括如下步骤：
S10、初始数据采集及评价单元划分：采集滑坡隐患所处边坡的基础形态特征参数；采集各滑坡隐患点位移监测数据及降雨监测数据；进行滑坡单元划分，获得滑坡的最终评价单元，并获取滑坡最终评价单元形态数据；确定存在监测设备滑坡隐患点的滑坡单元，提取滑坡地质参数；
S20、变量处理：对所述步骤10中得到的初始数据进行初步处理，将降雨和滑坡地质参数归纳为预测变量，再将位移设置为响应变量，并将预测变量中的降雨和滑坡地质参数分别划分为动态因子和静态因子；
S30、预测变量多重共线性检验：对不同的预测变量进行共线性检验，检测预测变量之间是否存在高度相关问题，如果存在则需要删除其中一个变量，直到所有预测变量不存在高度线性相关性；
S40、预测变量分析相关性检验：对预测变量进行相关性检验包括所有预测变量的相关性检验和预测变量之间的相关性检验，重复步骤S30和步骤S40进行预测变量筛选，直到所有预测变量满足相关性检验要求，从而可以进行预测变量相对权重计算；
S50、计算预测变量相对权重，预测变量相对权重计算公式如下：
式中：wi为各预测变量因子xi对应的相对权重；aij(i∈1,2…,n；j∈1,2…,k)代表预测变量因子载荷；λj(j∈1,2…,k)为公因子Pi(j∈1,2…,k)对所有的xi(i∈1,2…,n)的贡献度；为预测变量因子载荷矩阵；/>各公因子的相对权重；
S60、预测模型建模：将每个预测变量划分为连续型变量或离散型变量，分别使用平滑函数拟合非线性关系，基于预测变量的相对权重，将响应变量和所有预测变量的平滑函数组合构建预测模型；
S70、模型性能验证：评价预测模型对观测数据的拟合程度，并评估预测模型对无监测滑坡隐患点的预测能力；
S80、降雨-位移预警阈值优化：将验证过的预测模型用于所有监测滑坡隐患点和无监测滑坡隐患点，通过拟设不同强度的降雨预测对应滑坡隐患点位移，结合当地防灾减灾规范确定不同的风险等级下的位移阈值，反推对应的降雨阈值；
S90、滑坡隐患点短临气象风险预警及模型更新：将降雨预测数据纳入到预测模型，预测模型通过滑坡地质参数、位移监测数据和降雨预测数据监测有监测滑坡隐患点的风险，通过滑坡地质参数和降雨预测数据监测无监测滑坡隐患点的风险，实现得到各个滑坡隐患点对应的风险等级，预测模型也随降雨后的真实降雨和位移监测数据的增长不断更新。
2.根据权利要求1所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，在所述步骤S10中，基于研究区数字高程数据，进行滑坡单元划分。
3.根据权利要求2所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，使用地理信息系统根据以下步骤将数字高程模型划分为滑坡单元：
导入地形数据；
使用地理信息系统计算滑坡隐患点的坡度和坡向；
定义滑坡单元的大小和形状；
使用地理信息系统模块将地形数据划分为滑坡单元。
4.根据权利要求1所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，所述步骤S30具体包括如下步骤：
计算预测变量估计值和标准误差；
计算每个预测变量的决定系数，进而得到方差膨胀因子值；
检查方差膨胀因子值，若有两个预测变量的方差膨胀因子值大于预测变量筛选的阈值，仅保留一个，重复操作，直到所有预测变量不存在高度线性相关性。
5.根据权利要求1所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，所述步骤S60中，通过有监测滑坡隐患点的地质参数、降雨预测数据和位移监测数据，拟合出非参数回归预测模型；在步骤S70中，使用决定系数、均方根误差和平均绝对误差三个拟合优度指标评价非参数回归预测模型对观测数据的拟合程度，并使用机器学习将非参数回归预测模型划分70％数据进行训练，30％数据进行验证，以评价预测模型结果。
6.根据权利要求5所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，在步骤S90中，预测模型用于无监测滑坡隐患点的气象风险预测具体包括如下步骤：
保存训练好的预测模型；
导入无监测隐患点待预测数据，待预测数据包括设为静态因子的滑坡地质参数；
输入降雨数据；
将滑坡地质参数和降雨数据导入非参数回归预测模型，根据预测位移值发布气象风险预警。
7.根据权利要求1所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，所述步骤S90具体包括如下步骤：
将降雨预测数据纳入预测模型，得到各个有监测滑坡隐患点和各个无监测隐患点对应的风险等级，并发布各个滑坡隐患点的风险等级；
待降雨事件结束后，通过采集真实降雨和位移监测数据更新预测模型的建模数据；
使用更新后的预测模型预测下次降雨事件的风险，实现动态风险预警。
8.根据权利要求1所述的降雨型滑坡隐患群气象风险预警方法，其特征在于，在所述步骤S60中，预测模型的计算公式如下：
y＝β0+w1f1(x1)+w2f2(x2)+L+wifi(xi)+ε(i∈1…k)；
式中，y代表响应变量，wi为各预测因子xi对应的相对权重，f为非线性光滑函数链接函数。
9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时执行如权利要求1-8任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310713516.XA CN117037421A (zh) | 2023-06-15 | 2023-06-15 | 降雨型滑坡隐患群气象风险预警方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310713516.XA CN117037421A (zh) | 2023-06-15 | 2023-06-15 | 降雨型滑坡隐患群气象风险预警方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037421A true CN117037421A (zh) | 2023-11-10 |
Family
ID=88626923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310713516.XA Pending CN117037421A (zh) | 2023-06-15 | 2023-06-15 | 降雨型滑坡隐患群气象风险预警方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037421A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765708A (zh) * | 2024-02-22 | 2024-03-26 | 城云科技（中国）有限公司 | 一种基于地图影像分析技术的边坡失稳预测方法及装置 |
-
2023
- 2023-06-15 CN CN202310713516.XA patent/CN117037421A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765708A (zh) * | 2024-02-22 | 2024-03-26 | 城云科技（中国）有限公司 | 一种基于地图影像分析技术的边坡失稳预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rossetto et al. | Guidelines for the empirical vulnerability assessment | |
| CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| Pontius et al. | Components of information for multiple resolution comparison between maps that share a real variable | |
| US20070022065A1 (en) | Clustering apparatus, clustering method and program | |
| CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
| CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
| Darestani et al. | Effects of adjacent spans and correlated failure events on system-level hurricane reliability of power distribution lines | |
| CN116596321B (zh) | 基于神经网络的建筑风险监测与评估方法和系统 | |
| CN117037421A (zh) | 降雨型滑坡隐患群气象风险预警方法、设备及存储介质 | |
| Tak et al. | System‐Level Seismic Risk Assessment of Bridge Transportation Networks Employing Probabilistic Seismic Hazard Analysis | |
| CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
| Shastry et al. | Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations | |
| Palacios-Rodríguez et al. | Generalized Pareto processes for simulating space-time extreme events: an application to precipitation reanalyses | |
| CN118196642A (zh) | 一种地震区滑坡的识别与易发性评价方法 | |
| Rota et al. | Comparison of PSH results with historical macroseismic observations at different scales. Part 1: methodology | |
| US20190228482A1 (en) | Procedure and system for the optimization of the excavation process of an underground work, for the minimization of the risks induced on interfered works | |
| Olmedo et al. | Validation of soft maps produced by a land use cover change model | |
| CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
| CN115270598A (zh) | 一种易发性建模的非滑坡样本选取方法及计算机设备 | |
| CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
| CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
| Gaitan et al. | Opportunities for multivariate analysis of open spatial datasets to characterize urban flooding risks | |
| CN116050120B (zh) | 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质 | |
| Le et al. | Calibration of a surrogate dispersion model applied to the Fukushima nuclear disaster | |
| CN117688784B (zh) | 基于等效摩擦系数和趋势分析的滑坡威胁范围成图方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |