CN117172561B - 基于智能模型算法的地质灾害风险隐患预测方法及系统 - Google Patents
基于智能模型算法的地质灾害风险隐患预测方法及系统 Download PDFInfo
- Publication number
- CN117172561B CN117172561B CN202311451508.9A CN202311451508A CN117172561B CN 117172561 B CN117172561 B CN 117172561B CN 202311451508 A CN202311451508 A CN 202311451508A CN 117172561 B CN117172561 B CN 117172561B
- Authority
- CN
- China
- Prior art keywords
- geological
- data
- target
- hidden danger
- characterization
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 262
- 238000001514 detection method Methods 0.000 claims abstract description 235
- 238000012512 characterization method Methods 0.000 claims abstract description 206
- 238000000605 extraction Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims description 36
- 238000013508 migration Methods 0.000 claims description 22
- 230000005012 migration Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 9
- 239000011435 rock Substances 0.000 description 26
- 239000002689 soil Substances 0.000 description 15
- 230000015572 biosynthetic process Effects 0.000 description 14
- 239000003673 groundwater Substances 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请实施例提供一种基于智能模型算法的地质灾害风险隐患预测方法及系统,通过获取待进行地质灾害风险隐患预测的地质采集数据,并通过深度特征提取,生成每个地质检测源数据的地质检测表征向量,根据地质检测表征向量,对每个地质检测源数据进行特征关联性估计,生成特征关联性估计结果,有助于揭示数据之间的内在关联,进一步提升地质灾害风险预测的准确性。之后在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据,确定风险隐患节点,从而根据风险隐患节点,进行地质灾害风险隐患预测,有助于实现精确、高效的地质灾害风险评估,从而为防范地质灾害提供重要依据。
Description
技术领域
本申请涉及智能模型算法技术领域,具体而言,涉及一种基于智能模型算法的地质灾害风险隐患预测方法及系统。
背景技术
地质灾害是自然界中常见的灾难类型,如滑坡、泥石流、地震等,对人类生活和经济发展造成了严重威胁。因此,对地质灾害进行准确预测,以便提前采取防范措施,显得尤为重要。
传统的地质灾害风险评估方法主要依赖于人工收集和分析地质采集数据,如但这种方法效率低下,且容易受到人为因素的影响,结果准确性有待提高。近年来,随着大数据和人工智能技术的发展,一些新的地质灾害风险评估方法开始应用于实践。这些方法通常利用机器学习或深度学习模型对大量地质采集数据进行处理和分析,从而实现更准确、高效的地质灾害风险预测。
然而,目前的方法在处理复杂地质采集数据时,往往忽视了数据间的内在关联性,导致预测结果可能存在偏差。此外,如果地质采集数据中包含特征关联节点,即一些与地质灾害风险密切相关的特征,现有方法往往无法有效利用这些节点进行数据拆解和处理,从而影响了地质灾害风险预测的精度和效率。
因此,需要一种新的地质灾害风险预测方法,能够充分挖掘地质采集数据中的内在关联性,并有效利用特征关联节点进行数据处理,以实现更准确、高效的地质灾害风险预测。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于智能模型算法的地质灾害风险隐患预测方法及系统。
第一方面,本申请提供一种基于智能模型算法的地质灾害风险隐患预测方法,应用于地质灾害监测系统,所述方法包括:
获取待进行地质灾害风险隐患预测的地质采集数据,所述地质采集数据包括对所述地质采集数据进行分离生成的多个地质检测源数据;
对所述地质采集数据的每个地质检测源数据进行深度特征提取,生成每个地质检测源数据的地质检测表征向量;
依据所述地质采集数据中的各个地质检测源数据的地质检测表征向量,对每个地质检测源数据进行特征关联性估计,生成每个地质检测源数据的特征关联性估计结果;所述特征关联性估计结果表征相应地质检测源数据中特征关联节点的存在状态;每个地质检测源数据的特征关联性估计结果是依据每个地质检测源数据的地质检测表征向量与其联动地质检测源数据的地质检测表征向量进行特征关联性估计输出的;
如果基于所述地质采集数据中的各个地质检测源数据的特征关联性估计结果确定所述地质采集数据包含特征关联节点,则基于所述特征关联节点对所述地质采集数据进行拆解,生成多个拆解地质采集数据;
在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据;
确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点;任意一个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点包括:其匹配的地质灾害风险隐患数据上的前置隐患节点和其匹配的地质灾害风险隐患数据上的后置隐患节点;
依据每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点,对每个拆解地质采集数据进行地质灾害风险隐患预测。
在第一方面的一种可能的实施方式中,所述多个拆解地质采集数据中的任意一个拆解地质采集数据被配置于目标拆解地质采集数据,所述地质灾害风险隐患数据库中的任意一个地质灾害风险隐患数据被配置于目标地质灾害风险隐患数据;
在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据的步骤,包括:
获取所述目标拆解地质采集数据的表征知识向量集;所述目标拆解地质采集数据的表征知识向量集包括所述目标拆解地质采集数据中的各个地质检测源数据的地质检测表征向量;
获取所述目标地质灾害风险隐患数据的表征知识向量集;所述目标地质灾害风险隐患数据的表征知识向量集包括所述目标地质灾害风险隐患数据中的各个地质检测源数据的地质检测表征向量;
在所述目标拆解地质采集数据的表征知识向量集与所述目标地质灾害风险隐患数据的表征知识向量集之间进行游走匹配;
如果所述目标地质灾害风险隐患数据的表征知识向量集中存在与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集,则确定所述目标地质灾害风险隐患数据是所述目标拆解地质采集数据匹配的地质灾害风险隐患数据。
在第一方面的一种可能的实施方式中,所述在所述目标拆解地质采集数据的表征知识向量集与所述目标地质灾害风险隐患数据的表征知识向量集之间进行游走匹配,包括:
当游走节点在所述目标地质灾害风险隐患数据的表征知识向量集中游走到当前游走特征区域时,获取所述游走节点在所述当前游走特征区域所包含的游走表征知识向量子集;所述游走节点在所述目标地质灾害风险隐患数据的表征知识向量集中以一个地质检测表征向量的单位作为游走单位进行游走,所述游走节点的节点单位与所述目标拆解地质采集数据的特征单位相同;
如果所述游走表征知识向量子集与所述目标拆解地质采集数据的表征知识向量集之间的特征距离小于设定距离,则确定所述游走表征知识向量子集是所述目标地质灾害风险隐患数据的表征知识向量集中与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集;
在所述目标地质灾害风险隐患数据的表征知识向量集中接着对所述游走节点进行游走以进行之后的游走匹配,直到所述游走节点游走到所述目标地质灾害风险隐患数据的终末特征数据节点;
如果所述游走表征知识向量子集与所述目标拆解地质采集数据的表征知识向量集之间的特征距离不小于设定距离,则在所述目标地质灾害风险隐患数据的表征知识向量集中接着对所述游走节点进行游走以进行之后的游走匹配,直到所述游走节点游走到所述目标地质灾害风险隐患数据的终末特征数据节点。
在第一方面的一种可能的实施方式中,每个拆解地质采集数据和所述地质灾害风险隐患数据库中的每个地质灾害风险隐患数据均依据目标统计特征段进行地质检测源数据的划分;所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中,与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集被配置于目标表征知识向量子集;确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点的步骤,包括:
获取所述目标表征知识向量子集中的第一地质检测表征向量,在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的第一隐患映射区,所述第一地质检测表征向量是所述目标表征知识向量子集中存在地质灾害前置效应的地质检测表征向量;
获取所述目标表征知识向量子集中的第二地质检测表征向量,在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的第二隐患映射区,所述第二地质检测表征向量是所述目标表征知识向量子集存在地质灾害后置效应的地质检测表征向量;
将所述第一隐患映射区与所述目标统计特征段的融合特征,输出为所述目标拆解地质采集数据在其匹配的地质灾害风险隐患数据上的前置隐患节点;
将所述第二隐患映射区与所述目标统计特征段的融合特征,输出为所述目标拆解地质采集数据在其匹配的地质灾害风险隐患数据上的后置隐患节点。
在第一方面的一种可能的实施方式中,所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中,存在与所述目标拆解地质采集数据的表征知识向量集关联的多个表征知识向量子集;
确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点的步骤,包括:
在多个关联的表征知识向量子集中,确定与所述目标拆解地质采集数据的表征知识向量集之间的特征距离最小的候选表征知识向量子集; 基于所述候选表征知识向量子集在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的隐患映射向量,确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。
在第一方面的一种可能的实施方式中,所述目标拆解地质采集数据的表征知识向量集是由深度特征提取模型对所述目标拆解地质采集数据进行深度特征提取得到的;
所述深度特征提取模型通过以下步骤训练:
获取第一模板训练数据,所述第一模板训练数据包括多个模板地质采集数据,每个模板地质采集数据包括多个拆解地质采集数据;
从所述第一模板训练数据中获取第x个模板地质采集数据中的第y个拆解地质采集数据和第z个拆解地质采集数据;
从所述第一模板训练数据中获取第q个模板地质采集数据中的第w个拆解地质采集数据;x、q、y、z和w均为正整数,且x不等于q、y不等于z;
依据所述深度特征提取模型对所述第y个拆解地质采集数据进行深度特征提取,生成所述第y个拆解地质采集数据的表征知识向量集;以及,依据所述深度特征提取模型对所述第z个拆解地质采集数据进行深度特征提取,生成所述第z个拆解地质采集数据的表征知识向量集;
依据所述深度特征提取模型对所述第w个拆解地质采集数据进行深度特征提取,生成所述第w个拆解地质采集数据的表征知识向量集;
基于所述第z个拆解地质采集数据的表征知识向量集与所述第y个拆解地质采集数据的表征知识向量集之间的第一特征距离,以及所述第z个拆解地质采集数据的表征知识向量集与所述第w个拆解地质采集数据的表征知识向量集之间的第二特征距离,计算所述深度特征提取模型的模型学习误差信息;
依据最小化所述深度特征提取模型的模型学习误差信息中所述第一特征距离,并最大化所述深度特征提取模型的模型学习误差信息中所述第二特征距离的方向,优化所述深度特征提取模型的模型权重信息,以对所述深度特征提取模型进行参数更新。
在第一方面的一种可能的实施方式中,所述方法还包括:
如果基于所述地质采集数据中的各个地质检测源数据的特征关联性估计结果确定所述地质采集数据不包含特征关联节点,则在地质灾害风险隐患数据库中搜索所述地质采集数据匹配的地质灾害风险隐患数据;
确定所述地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。
在第一方面的一种可能的实施方式中,特征关联性估计是由估计模型中的估计模型执行的,所述估计模型包括多个特征关联估计分支,一个特征关联估计分支用于对所述地质采集数据中的一个地质检测源数据进行特征关联性估计;所述地质采集数据中的任意一个地质检测源数据被配置于目标地质检测源数据,所述估计模型中的目标特征关联估计分支用于对所述目标地质检测源数据进行特征关联性估计;所述目标地质检测源数据的联动地质检测源数据的地质检测表征向量存储到所述目标特征关联估计分支的前向特征关联估计分支的属性特征中,所述前向特征关联估计分支的属性特征和所述前向特征关联估计分支的预测结果数据被加载到所述目标特征关联估计分支中;
调用所述目标特征关联估计分支依据所述目标地质检测源数据的地质检测表征向量与所述目标地质检测源数据的联动地质检测源数据的地质检测表征向量,对所述目标地质检测源数据进行特征关联性估计的步骤,包括:
基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述前向特征关联估计分支的属性特征进行知识学习压缩,确定所述前向特征关联估计分支的属性特征中需存储的第一属性特征;
基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述目标特征关联估计分支进行上下文感知,确定所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量中需加载到所述目标特征关联估计分支的属性特征的第二属性特征;
对所述第一属性特征和所述第二属性特征进行集成,生成所述目标特征关联估计分支的属性特征;
基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述目标特征关联估计分支的属性特征进行全连接输出,生成所述目标地质检测源数据的特征关联性估计结果。
在第一方面的一种可能的实施方式中,深度特征提取是由估计模型中的深度特征提取模型执行的,特征关联性估计是由所述估计模型中的估计模型执行的;所述估计模型通过以下步骤训练:
从第二模板训练数据中获取目标模板地质采集数据;所述第二模板训练数据包括多个模板地质采集数据,每个模板地质采集数据包括对相应模板地质采集数据进行分离生成的多个模板地质检测源数据,所述第二模板训练数据还包括每个模板地质采集数据中的各个模板地质检测源数据的特征关联性标注数据;所述目标模板地质采集数据为所述第二模板训练数据中的任意一个模板地质采集数据;
依据所述深度特征提取模型对所述目标模板地质采集数据中的每个模板地质检测源数据进行深度特征提取,生成每个模板地质检测源数据的地质检测表征向量;
依据所述估计模型依据所述目标模板地质采集数据中的各个模板地质检测源数据的地质检测表征向量,对每个模板地质检测源数据进行特征关联性估计,生成每个模板地质检测源数据的特征关联性估计结果;
基于所述目标模板地质采集数据中的各个模板地质检测源数据的特征关联性估计结果与特征关联性标注数据,对所述估计模型进行参数更新;
其中,所述第二模板训练数据的获取方式,包括:
获取第一基础地质采集数据和第二基础地质采集数据;
从所述第一基础地质采集数据中解析第一地质检测源数据,从所述第二基础地质采集数据中解析第二地质检测源数据;
对所述第一地质检测源数据和所述第二地质检测源数据进行特征关联性配置,生成所述第二模板训练数据中的一个模板地质采集数据;或者,对所述第一地质检测源数据和所述第二地质检测源数据进行特征关联性配置后,解析包含特征关联节点的地质检测源数据,生成所述第二模板训练数据中的一个模板地质采集数据;
生成所述模板地质采集数据中的各个模板地质检测源数据的特征关联性标注数据。
第二方面,本申请实施例还提供一种地质灾害监测系统,所述地质灾害监测系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于智能模型算法的地质灾害风险隐患预测方法。
采用以上任意方面的技术方案,通过对地质采集数据进行深度特征提取和特征关联性估计,以及基于特征关联节点的地质采集数据拆解,有效地进行了地质灾害风险隐患预测。首先获取待进行地质灾害风险隐患预测的地质采集数据,然后,通过深度特征提取,生成每个地质检测源数据的地质检测表征向量,根据地质检测表征向量,对每个地质检测源数据进行特征关联性估计,生成特征关联性估计结果,有助于揭示数据之间的内在关联,进一步提升地质灾害风险预测的准确性。如果确定地质采集数据包含特征关联节点,则基于这些特征关联节点进行地质采集数据拆解,生成多个拆解地质采集数据。然后,在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据,确定风险隐患节点,包括前置隐患节点和后置隐患节点。最后,根据每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点,进行地质灾害风险隐患预测,有助于实现精确、高效的地质灾害风险评估,从而为防范地质灾害提供重要依据。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于智能模型算法的地质灾害风险隐患预测方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于智能模型算法的地质灾害风险隐患预测方法的地质灾害监测系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种基于智能模型算法的地质灾害风险隐患预测方法,包括以下步骤。
步骤S110,获取待进行地质灾害风险隐患预测的地质采集数据。
本实施例中,所述地质采集数据包括对所述地质采集数据进行分离生成的多个地质检测源数据。例如,可以采集某个地质调查区域的岩石样本数据、土壤样本数据、地质构造测量数据、气候数据和地下水位数据等等,这些岩石样本数据、土壤样本数据、地质构造测量数据、气候数据和地下水位数据可以被整理为多个独立的地质检测源数据。也即,每个地质检测源数据代表一种特定类型的地质信息。
步骤S120,对所述地质采集数据的每个地质检测源数据进行深度特征提取,生成每个地质检测源数据的地质检测表征向量。
例如,可以利用机器学习算法和深度学习模型,分别针对每个地质检测源数据进行特征提取。示例性的,对于每一个地质检测源数据,深度特征提取的过程就是用深度学习方法来识别并提取这些源数据中的关键信息,然后将这些关键信息转化为一系列能够表征这个源数据的向量。这些向量通常会包含多个维度,以反映源数据的各种属性或特性。
具体而言:
1. 岩石样本数据:可能会从岩石样本数据中提取出诸如岩石的密度、硬度、颜色、矿物成分等多种属性。通过深度学习模型,可以将这些属性转化为一组数值,形成一个多维度的特征向量。
2. 土壤样本数据:同样地,可以从土壤样本数据中提取出土壤的湿度、有机物含量、粒度分布等特性,然后通过深度学习模型将这些特性转化为另一个多维度的特征向量。
3. 地质构造测量数据:对于地质构造测量数据,可能关注的属性包括地层厚度、倾斜角度、断裂频率等。这些属性也可以通过深度学习模型被转化为一个多维度的特征向量。
4. 气候数据:例如,可能会收集到温度、湿度、降雨量等气候信息。这些数据也可以经过深度学习模型处理,生成对应的特征向量。
5. 地下水位数据:对于地下水位数据,可能关注的属性有地下水的深度、流速、含盐量等。这些也可以通过深度学习模型转化为一个多维度的特征向量。
总的来说,每个地质检测源数据都会通过深度学习模型生成一组独特的特征向量,这些向量能够充分反映出原始数据的关键信息,并为后续的风险预测提供依据。
步骤S130,依据所述地质采集数据中的各个地质检测源数据的地质检测表征向量,对每个地质检测源数据进行特征关联性估计,生成每个地质检测源数据的特征关联性估计结果。
本实施例中,所述特征关联性估计结果表征相应地质检测源数据中特征关联节点的存在状态。每个地质检测源数据的特征关联性估计结果是依据每个地质检测源数据的地质检测表征向量与其联动地质检测源数据的地质检测表征向量进行特征关联性估计输出的。
例如,通过特征关联性估计可以试图发现不同地质检测源数据中的相关性或者关联性。如果两个地质检测源数据的地质检测表征向量在某些维度上有相似的模式或趋势,那么就可以认为这两个源数据之间存在一定的关联性。
以下是几个可能的例子:
1. 岩石样本数据和地质构造测量数据:例如,发现硬度较高的岩石样本(岩石样本数据的一个特征)常常出现在断裂频率较高的地区(地质构造测量数据的一个特征)。这就说明这两个地质检测源数据之间存在关联。
2. 土壤样本数据和气候数据:另一个例子可能是,发现土壤湿度(土壤样本数据的一个特征)与降雨量(气候数据的一个特征)有很强的正相关性。这也说明了这两个地质检测源数据之间的关联。
3. 地质构造测量数据和地下水位数据:还可能发现,地层厚度(地质构造测量数据的一个特征)与地下水深度(地下水位数据的一个特征)存在某种关联性。
以上这些关联性就是说的特征关联节点,在得到了这些关联性之后,可以利用这些关联性来进一步理解地质灾害风险,并做出更准确的预测。
步骤S140,如果基于所述地质采集数据中的各个地质检测源数据的特征关联性估计结果确定所述地质采集数据包含特征关联节点,则基于所述特征关联节点对所述地质采集数据进行拆解,生成多个拆解地质采集数据。
例如,如果找到了这样的特征关联节点,那么可以根据这些特征关联节点将原始地质采集数据进行拆解,形成多个拆解地质采集数据。
例如,特征关联节点是指两个或更多地质检测源数据之间存在的相关性。如果确定了这样的特征关联节点,那么就可以根据这些节点来对原始的地质采集数据进行拆解。
具体来说,拆解过程是将整个地质采集数据集分割成一系列子集,每个子集都包含有某种特征关联节点的信息。这样做的目的是让能够更深入地研究和理解这些特征关联节点,以及它们如何影响地质灾害风险。
例如,假设在前面的特征关联性估计中发现,硬度较高的岩石样本常常出现在断裂频率较高的地区,土壤湿度与降雨量有很强的正相关性,地层厚度与地下水深度存在某种关联性。
然后,可以根据这三个特征关联节点,将整个地质采集数据集拆解为三个子集:
1. 子集一:包含所有硬度较高的岩石样本和断裂频率较高的地区的数据;
2. 子集二:包含所有土壤湿度和降雨量的数据;
3. 子集三:包含所有地层厚度和地下水深度的数据。
每个子集都对应一个特定的特征关联节点,通过研究这些子集,可以更好地理解这些特征关联节点如何影响地质灾害风险,并据此做出更准确的预测。
步骤S150,在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据。
例如,在地质灾害风险隐患数据库中,存储了大量的历史地质灾害事件以及相关的地质检测源数据。这些数据可以用来帮助理解特定类型的地质状态与特定类型的地质灾害之间的关联。
根据前面拆解得到的子集,会分别在数据库中搜索匹配的地质灾害风险隐患数据。这个过程就像是在寻找哪些类型的地质状态最有可能导致哪些类型的地质灾害。
例如:
1. 对于第一个子集(包含所有硬度较高的岩石样本和断裂频率较高的地区的数据),可能会在数据库中找到一种模式,即这类地区往往会发生地震。因此,可以认为这个子集匹配到了地震灾害的风险隐患数据。
2. 对于第二个子集(包含所有土壤湿度和降雨量的数据),可能发现,当土壤湿度和降雨量都超过某个阈值时,该地区就有可能发生滑坡。因此,这个子集匹配到了滑坡灾害的风险隐患数据。
3. 对于第三个子集(包含所有地层厚度和地下水深度的数据),可能发现,如果地层厚度低且地下水深度高,那么就有可能出现地面塌陷的情况。因此,这个子集匹配到了地面塌陷灾害的风险隐患数据。
以上这些匹配过程就是在利用历史数据来预测未来可能会发生的地质灾害。通过这种方式,可以更好地理解并预测地质灾害风险。
步骤S160,确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。
本实施例中,任意一个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点包括:其匹配的地质灾害风险隐患数据上的前置隐患节点和其匹配的地质灾害风险隐患数据上的后置隐患节点。
例如,前置隐患节点和后置隐患节点是指在地质灾害发生过程中的先后因素。前置隐患节点通常指的是可能导致地质灾害发生的条件或诱因,而后置隐患节点则指的是地质灾害发生后可能引发的进一步问题或者影响。
以第一个子集(包含所有硬度较高的岩石样本和断裂频率较高的地区的数据)为例:
其匹配的地质灾害风险隐患数据是地震。在这个场景下:
前置隐患节点可能包括:地壳断裂、板块运动等,这些都是可能引发地震的条件或诱因。
后置隐患节点可能包括:建筑物损坏、道路破裂、通讯中断等,这些都是地震发生后可能引发的进一步问题或者影响。
通过分析前置和后置隐患节点,可以更好地理解和预测地质灾害的全过程,并据此采取必要的预防和应对措施。
步骤S170,依据每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点,对每个拆解地质采集数据进行地质灾害风险隐患预测。
例如,地质灾害风险隐患预测就是基于在前面步骤中获得的信息,预测未来可能发生的地质灾害。可以分别针对每个拆解地质采集数据进行这样的预测。
例如,对于第一个子集(包含所有硬度较高的岩石样本和断裂频率较高的地区的数据):
1. 首先找到了其匹配的地质灾害风险隐患数据:地震。
2. 然后,确定了地震的前置隐患节点(比如地壳断裂、板块运动等)和后置隐患节点(比如建筑物损坏、道路破裂、通讯中断等)。
3. 基于这些信息,就可以预测,如果在硬度较高的岩石和断裂频率较高的地区,出现了前置隐患节点(如地壳开始断裂或者板块开始运动),那么就有可能会发生地震。而一旦地震真的发生,就有可能会引发后置隐患节点(如建筑物损坏、道路破裂、通讯中断等)。
这样,就完成了对这个拆解地质采集数据的地质灾害风险隐患预测。可以用同样的方法,对其它的拆解地质采集数据进行相应的预测。
基于以上步骤,通过对地质采集数据进行深度特征提取和特征关联性估计,以及基于特征关联节点的地质采集数据拆解,有效地进行了地质灾害风险隐患预测。首先获取待进行地质灾害风险隐患预测的地质采集数据,然后,通过深度特征提取,生成每个地质检测源数据的地质检测表征向量,根据地质检测表征向量,对每个地质检测源数据进行特征关联性估计,生成特征关联性估计结果,有助于揭示数据之间的内在关联,进一步提升地质灾害风险预测的准确性。如果确定地质采集数据包含特征关联节点,则基于这些特征关联节点进行地质采集数据拆解,生成多个拆解地质采集数据。然后,在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据,确定风险隐患节点,包括前置隐患节点和后置隐患节点。最后,根据每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点,进行地质灾害风险隐患预测,有助于实现精确、高效的地质灾害风险评估,从而为防范地质灾害提供重要依据。
在一种可能的实施方式中,所述多个拆解地质采集数据中的任意一个拆解地质采集数据被配置于目标拆解地质采集数据,所述地质灾害风险隐患数据库中的任意一个地质灾害风险隐患数据被配置于目标地质灾害风险隐患数据。
步骤S150可以包括:
步骤S151,获取所述目标拆解地质采集数据的表征知识向量集。
本实施例中,所述目标拆解地质采集数据的表征知识向量集包括所述目标拆解地质采集数据中的各个地质检测源数据的地质检测表征向量。
例如,仍旧以前述示例为例,选择第一个子集(包含所有硬度较高的岩石样本和断裂频率较高的地区的数据)作为目标拆解地质采集数据。这个数据的表征知识向量集就是之前提取出来的岩石硬度和地壳断裂频率等特征向量。
步骤S152,获取所述目标地质灾害风险隐患数据的表征知识向量集。所述目标地质灾害风险隐患数据的表征知识向量集包括所述目标地质灾害风险隐患数据中的各个地质检测源数据的地质检测表征向量。
然后,在地质灾害风险隐患数据库中选择一条记录,比如关于地震的记录,作为目标地质灾害风险隐患数据,这个数据的表征知识向量集就是地震相关的各种特征向量,比如地壳断裂、板块运动等。
步骤S153,在所述目标拆解地质采集数据的表征知识向量集与所述目标地质灾害风险隐患数据的表征知识向量集之间进行游走匹配。
这一步是在比较目标拆解地质采集数据和目标地质灾害风险隐患数据的特征向量,观测它们之间是否有相似性或者关联性。如果存在相似或者关联,就说明这两个数据之间有一定的匹配度。
步骤S154,如果所述目标地质灾害风险隐患数据的表征知识向量集中存在与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集,则确定所述目标地质灾害风险隐患数据是所述目标拆解地质采集数据匹配的地质灾害风险隐患数据。
比如,在比较过程中发现,目标地质灾害风险隐患数据(地震)的表征知识向量集中的地壳断裂、板块运动等特征向量与目标拆解地质采集数据的岩石硬度和地壳断裂频率等特征向量高度关联,那么就可以确定,地震是这个目标拆解地质采集数据的匹配的地质灾害风险隐患数据。
在一种可能的实施方式中,步骤S153可以包括:
步骤S1531,当游走节点在所述目标地质灾害风险隐患数据的表征知识向量集中游走到当前游走特征区域时,获取所述游走节点在所述当前游走特征区域所包含的游走表征知识向量子集。
所述游走节点在所述目标地质灾害风险隐患数据的表征知识向量集中以一个地质检测表征向量的单位作为游走单位进行游走,所述游走节点的节点单位与所述目标拆解地质采集数据的特征单位相同。
例如,在地震的表征知识向量集(如地壳断裂、板块运动等)中选择一个开始进行游走。当游走到"地壳断裂"这个特征区域时,获取了这个游走节点所包含的表征知识向量子集。
步骤S1532,如果所述游走表征知识向量子集与所述目标拆解地质采集数据的表征知识向量集之间的特征距离小于设定距离,则确定所述游走表征知识向量子集是所述目标地质灾害风险隐患数据的表征知识向量集中与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集。
例如,比较"地壳断裂"这个游走表征知识向量子集与目标拆解地质采集数据(硬度较高的岩石和断裂频率较高的地区)的表征知识向量集之间的特征距离。如果这个特征距离小于设定距离,那么就确定这个游走表征知识向量子集与目标拆解地质采集数据有关联。
步骤S1533,在所述目标地质灾害风险隐患数据的表征知识向量集中接着对所述游走节点进行游走以进行之后的游走匹配,直到所述游走节点游走到所述目标地质灾害风险隐患数据的终末特征数据节点。
步骤S1534,如果所述游走表征知识向量子集与所述目标拆解地质采集数据的表征知识向量集之间的特征距离不小于设定距离,则在所述目标地质灾害风险隐患数据的表征知识向量集中接着对所述游走节点进行游走以进行之后的游走匹配,直到所述游走节点游走到所述目标地质灾害风险隐患数据的终末特征数据节点。
例如,无论是否找到关联的表征知识向量子集,都会继续在地震的表征知识向量集中进行游走,直到游走到最后一个特征,比如板块运动。
以上步骤描述了一个完整的游走匹配过程。通过这种方式,可以找到与目标拆解地质采集数据相关的表征知识向量子集,并据此确定可能的地质灾害风险隐患。
在一种可能的实施方式中,每个拆解地质采集数据和所述地质灾害风险隐患数据库中的每个地质灾害风险隐患数据均依据目标统计特征段进行地质检测源数据的划分。所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中,与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集被配置于目标表征知识向量子集。
步骤S160可以包括:
步骤S161,获取所述目标表征知识向量子集中的第一地质检测表征向量,在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的第一隐患映射区。
本实施例中,所述第一地质检测表征向量是所述目标表征知识向量子集中存在地质灾害前置效应的地质检测表征向量。
例如,在游走匹配过程中获取的目标表征知识向量子集中,可以选择地壳断裂这个特征作为第一地质检测表征向量,因为它是地震的一个前置条件。
步骤S162,获取所述目标表征知识向量子集中的第二地质检测表征向量,在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的第二隐患映射区。
本实施例中,所述第二地质检测表征向量是所述目标表征知识向量子集存在地质灾害后置效应的地质检测表征向量。
例如,在游走匹配过程中获取的目标表征知识向量子集中,选择建筑物损坏这个特征作为第二地质检测表征向量,因为它是地震发生后可能出现的后果。
步骤S163,将所述第一隐患映射区与所述目标统计特征段的融合特征,输出为所述目标拆解地质采集数据在其匹配的地质灾害风险隐患数据上的前置隐患节点。
例如,可以将地壳断裂这个特征与目标拆解地质采集数据(硬度较高的岩石和断裂频率较高的地区)的统计特征进行融合,然后输出为地震的前置隐患节点。
步骤S164,将所述第二隐患映射区与所述目标统计特征段的融合特征,输出为所述目标拆解地质采集数据在其匹配的地质灾害风险隐患数据上的后置隐患节点。
例如,可以将建筑物损坏这个特征与目标拆解地质采集数据(硬度较高的岩石和断裂频率较高的地区)的统计特征进行融合,然后输出为地震的后置隐患节点。
在一种可能的实施方式中,所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中,存在与所述目标拆解地质采集数据的表征知识向量集关联的多个表征知识向量子集。
步骤S160还可以包括:
步骤S165,在多个关联的表征知识向量子集中,确定与所述目标拆解地质采集数据的表征知识向量集之间的特征距离最小的候选表征知识向量子集。
步骤S166,基于所述候选表征知识向量子集在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的隐患映射向量,确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。
例如,在游走匹配过程中可能获取到多个与目标拆解地质采集数据(硬度较高的岩石和断裂频率较高的地区)相关的表征知识向量子集,比如包含"地壳断裂"、"板块运动"等的子集,也可能包含"建筑物损坏"、"道路破裂"等的子集。会计算每个子集与目标拆解地质采集数据的特征距离,然后选择距离最小的那个作为候选表征知识向量子集。在此基础上,选择了包含"地壳断裂"、"板块运动"等特征的子集作为候选表征知识向量子集。然后,基于这个子集在地震的表征知识向量集中的隐患映射向量(如地壳断裂映射到地震发生,建筑物损坏映射到地震后可能的影响),确定硬度较高的岩石和断裂频率较高的地区在地震这个灾害风险隐患下的前置隐患节点和后置隐患节点。
在一种可能的实施方式中,所述目标拆解地质采集数据的表征知识向量集是由深度特征提取模型对所述目标拆解地质采集数据进行深度特征提取得到的。
所述深度特征提取模型通过以下步骤训练:
步骤S101,获取第一模板训练数据,所述第一模板训练数据包括多个模板地质采集数据,每个模板地质采集数据包括多个拆解地质采集数据。
步骤S102,从所述第一模板训练数据中获取第x个模板地质采集数据中的第y个拆解地质采集数据和第z个拆解地质采集数据。
步骤S103,从所述第一模板训练数据中获取第q个模板地质采集数据中的第w个拆解地质采集数据。x、q、y、z和w均为正整数,且x不等于q、y不等于z。
步骤S104,依据所述深度特征提取模型对所述第y个拆解地质采集数据进行深度特征提取,生成所述第y个拆解地质采集数据的表征知识向量集。以及,依据所述深度特征提取模型对所述第z个拆解地质采集数据进行深度特征提取,生成所述第z个拆解地质采集数据的表征知识向量集。
步骤S105,依据所述深度特征提取模型对所述第w个拆解地质采集数据进行深度特征提取,生成所述第w个拆解地质采集数据的表征知识向量集。
步骤S106,基于所述第z个拆解地质采集数据的表征知识向量集与所述第y个拆解地质采集数据的表征知识向量集之间的第一特征距离,以及所述第z个拆解地质采集数据的表征知识向量集与所述第w个拆解地质采集数据的表征知识向量集之间的第二特征距离,计算所述深度特征提取模型的模型学习误差信息。
步骤S107,依据最小化所述深度特征提取模型的模型学习误差信息中所述第一特征距离,并最大化所述深度特征提取模型的模型学习误差信息中所述第二特征距离的方向,优化所述深度特征提取模型的模型权重信息,以对所述深度特征提取模型进行参数更新。
基于以上步骤,可以便于从地质采集数据中提取出深层次的、对地质灾害风险评估有用的特征。也即,通过获取第一模板训练数据并选择具体的拆解地质采集数据,这一过程使得模型能够接触到多样化的训练数据,例如岩石硬度、土壤湿度等,这有助于提升模型的泛化能力。通过深度特征提取,生成每个拆解地质采集数据的表征知识向量集。这一步骤能够将原始的地质采集数据转换为一种新的表示形式(即向量),并尽可能保留原始数据中的重要信息。这样不仅可以简化后续处理过程,也有利于揭示数据之间的内在关联。通过比较同一模板地质采集数据(如岩石样本数据)中不同拆解地质采集数据(如岩石硬度和矿物含量)的特征向量之间的距离,以及不同模板地质采集数据(如岩石样本数据和土壤样本数据)中拆解地质采集数据(如岩石硬度和土壤湿度)的特征向量之间的距离。这一步骤有助于评估模型当前的性能。通过优化深度特征提取模型的权重信息,以最小化第一特征距离并最大化第二特征距离,实现对模型的参数更新。这种优化策略可以推动模型在学习过程中,更加关注那些对于地质灾害风险评估有重要影响的特征,从而进一步提升模型的预测精度。
总体来说,这个深度特征提取模型的训练方法,旨在构建一个能够准确、高效地从复杂地质采集数据中提取关键信息的工具,以便更好地进行地质灾害风险评估。
在一种可能的实施方式中,如果基于所述地质采集数据中的各个地质检测源数据的特征关联性估计结果确定所述地质采集数据不包含特征关联节点,则在地质灾害风险隐患数据库中搜索所述地质采集数据匹配的地质灾害风险隐患数据,并确定所述地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。例如,在地质采集数据(包括岩石样本数据、土壤样本数据、地质构造测量数据等)中,如果没有发现任何明显的特征关联节点,即这些数据间没有显著的相关性,可能暗示着不存在直接的地质灾害风险。但为了更全面地评估风险,可以在地质灾害风险隐患数据库中搜索这些地质采集数据匹配的地质灾害风险隐患数据。这个数据库存储了大量的历史地质灾害数据,每一份数据都记录了发生灾害时的各种地质检测源数据。例如,通过搜索发现,地质采集数据与数据库中一次历史的滑坡事件的数据相匹配。在那次滑坡事件中,地质构造测量数据显示地层倾斜角度超过了某个临界值,这被认为是滑坡发生的一个重要指标。因此,确定地层倾斜角度为地质采集数据的风险隐患节点,即可能存在滑坡的风险。这个过程提供了一种当地质采集数据中无法直接找到风险指标时,利用历史灾害数据来评估风险的方法。
在一种可能的实施方式中,特征关联性估计是由估计模型中的估计模型执行的,所述估计模型包括多个特征关联估计分支,一个特征关联估计分支用于对所述地质采集数据中的一个地质检测源数据进行特征关联性估计。所述地质采集数据中的任意一个地质检测源数据被配置于目标地质检测源数据,所述估计模型中的目标特征关联估计分支用于对所述目标地质检测源数据进行特征关联性估计。所述目标地质检测源数据的联动地质检测源数据的地质检测表征向量存储到所述目标特征关联估计分支的前向特征关联估计分支的属性特征中,所述前向特征关联估计分支的属性特征和所述前向特征关联估计分支的预测结果数据被加载到所述目标特征关联估计分支中。
调用所述目标特征关联估计分支依据所述目标地质检测源数据的地质检测表征向量与所述目标地质检测源数据的联动地质检测源数据的地质检测表征向量,对所述目标地质检测源数据进行特征关联性估计的步骤,包括:
1、基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述前向特征关联估计分支的属性特征进行知识学习压缩,确定所述前向特征关联估计分支的属性特征中需存储的第一属性特征。
2、基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述目标特征关联估计分支进行上下文感知,确定所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量中需加载到所述目标特征关联估计分支的属性特征的第二属性特征。
4、对所述第一属性特征和所述第二属性特征进行集成,生成所述目标特征关联估计分支的属性特征。
4、基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述目标特征关联估计分支的属性特征进行全连接输出,生成所述目标地质检测源数据的特征关联性估计结果。
基于以上步骤,将目标地质检测源数据的联动地质检测源数据的地质检测表征向量存储到前向特征关联估计分支的属性特征中,这样可以将相关的信息整合在一起,提升了模型对于数据内在关联的捕捉能力。通过知识学习压缩和上下文感知,模型能够自动筛选出重要的属性特征,并将其集成在一起。这一过程有助于简化模型的复杂度,同时也保证了模型的预测精度。基于前向特征关联估计分支的预测结果数据和目标地质检测源数据的地质检测表征向量,对目标特征关联估计分支的属性特征进行全连接输出,生成目标地质检测源数据的特征关联性估计结果。这个结果不仅可以揭示出目标地质检测源数据与其他因素之间的关联程度,也能为后续的地质灾害风险评估提供重要依据。由此,能够有效地处理复杂的地质采集数据,并从中提取出有用的信息,以提高地质灾害风险评估的准确性和效率。
在一种可能的实施方式中,深度特征提取是由估计模型中的深度特征提取模型执行的,特征关联性估计是由所述估计模型中的估计模型执行的。所述估计模型通过以下步骤训练:
1、从第二模板训练数据中获取目标模板地质采集数据。所述第二模板训练数据包括多个模板地质采集数据,每个模板地质采集数据包括对相应模板地质采集数据进行分离生成的多个模板地质检测源数据,所述第二模板训练数据还包括每个模板地质采集数据中的各个模板地质检测源数据的特征关联性标注数据。所述目标模板地质采集数据为所述第二模板训练数据中的任意一个模板地质采集数据。
2、依据所述深度特征提取模型对所述目标模板地质采集数据中的每个模板地质检测源数据进行深度特征提取,生成每个模板地质检测源数据的地质检测表征向量。
3、依据所述估计模型依据所述目标模板地质采集数据中的各个模板地质检测源数据的地质检测表征向量,对每个模板地质检测源数据进行特征关联性估计,生成每个模板地质检测源数据的特征关联性估计结果。
4、基于所述目标模板地质采集数据中的各个模板地质检测源数据的特征关联性估计结果与特征关联性标注数据,对所述估计模型进行参数更新。
其中,所述第二模板训练数据的获取方式,包括:
获取第一基础地质采集数据和第二基础地质采集数据。
从所述第一基础地质采集数据中解析第一地质检测源数据,从所述第二基础地质采集数据中解析第二地质检测源数据。
对所述第一地质检测源数据和所述第二地质检测源数据进行特征关联性配置,生成所述第二模板训练数据中的一个模板地质采集数据。或者,对所述第一地质检测源数据和所述第二地质检测源数据进行特征关联性配置后,解析包含特征关联节点的地质检测源数据,生成所述第二模板训练数据中的一个模板地质采集数据。
生成所述模板地质采集数据中的各个模板地质检测源数据的特征关联性标注数据。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的地质灾害监测系统100。
对于一个实施例,图2示出了地质灾害监测系统100,该地质灾害监测系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,地质灾害监测系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,地质灾害监测系统100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为地质灾害监测系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为地质灾害监测系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为地质灾害监测系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为地质灾害监测系统100提供接口以依据多个网络通信,地质灾害监测系统100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中,地质灾害监测系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,地质灾害监测系统100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,地质灾害监测系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,应用于地质灾害监测系统,所述方法包括:
获取待进行地质灾害风险隐患预测的地质采集数据,所述地质采集数据包括对所述地质采集数据进行分离生成的多个地质检测源数据;
对所述地质采集数据的每个地质检测源数据进行深度特征提取,生成每个地质检测源数据的地质检测表征向量;
依据所述地质采集数据中的各个地质检测源数据的地质检测表征向量,对每个地质检测源数据进行特征关联性估计,生成每个地质检测源数据的特征关联性估计结果;所述特征关联性估计结果表征相应地质检测源数据中特征关联节点的存在状态;每个地质检测源数据的特征关联性估计结果是依据每个地质检测源数据的地质检测表征向量与其联动地质检测源数据的地质检测表征向量进行特征关联性估计输出的;
如果基于所述地质采集数据中的各个地质检测源数据的特征关联性估计结果确定所述地质采集数据包含特征关联节点,则基于所述特征关联节点对所述地质采集数据进行拆解,生成多个拆解地质采集数据;
在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据;
确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点;任意一个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点包括:其匹配的地质灾害风险隐患数据上的前置隐患节点和其匹配的地质灾害风险隐患数据上的后置隐患节点;
依据每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点,对每个拆解地质采集数据进行地质灾害风险隐患预测。
2.根据权利要求1所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,所述多个拆解地质采集数据中的任意一个拆解地质采集数据被配置于目标拆解地质采集数据,所述地质灾害风险隐患数据库中的任意一个地质灾害风险隐患数据被配置于目标地质灾害风险隐患数据;
在地质灾害风险隐患数据库中搜索每个拆解地质采集数据匹配的地质灾害风险隐患数据的步骤,包括:
获取所述目标拆解地质采集数据的表征知识向量集;所述目标拆解地质采集数据的表征知识向量集包括所述目标拆解地质采集数据中的各个地质检测源数据的地质检测表征向量;
获取所述目标地质灾害风险隐患数据的表征知识向量集;所述目标地质灾害风险隐患数据的表征知识向量集包括所述目标地质灾害风险隐患数据中的各个地质检测源数据的地质检测表征向量;
在所述目标拆解地质采集数据的表征知识向量集与所述目标地质灾害风险隐患数据的表征知识向量集之间进行游走匹配;
如果所述目标地质灾害风险隐患数据的表征知识向量集中存在与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集,则确定所述目标地质灾害风险隐患数据是所述目标拆解地质采集数据匹配的地质灾害风险隐患数据。
3.根据权利要求2所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,所述在所述目标拆解地质采集数据的表征知识向量集与所述目标地质灾害风险隐患数据的表征知识向量集之间进行游走匹配,包括:
当游走节点在所述目标地质灾害风险隐患数据的表征知识向量集中游走到当前游走特征区域时,获取所述游走节点在所述当前游走特征区域所包含的游走表征知识向量子集;所述游走节点在所述目标地质灾害风险隐患数据的表征知识向量集中以一个地质检测表征向量的单位作为游走单位进行游走,所述游走节点的节点单位与所述目标拆解地质采集数据的特征单位相同;
如果所述游走表征知识向量子集与所述目标拆解地质采集数据的表征知识向量集之间的特征距离小于设定距离,则确定所述游走表征知识向量子集是所述目标地质灾害风险隐患数据的表征知识向量集中与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集;
在所述目标地质灾害风险隐患数据的表征知识向量集中接着对所述游走节点进行游走以进行之后的游走匹配,直到所述游走节点游走到所述目标地质灾害风险隐患数据的终末特征数据节点;
如果所述游走表征知识向量子集与所述目标拆解地质采集数据的表征知识向量集之间的特征距离不小于设定距离,则在所述目标地质灾害风险隐患数据的表征知识向量集中接着对所述游走节点进行游走以进行之后的游走匹配,直到所述游走节点游走到所述目标地质灾害风险隐患数据的终末特征数据节点。
4.根据权利要求2所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,每个拆解地质采集数据和所述地质灾害风险隐患数据库中的每个地质灾害风险隐患数据均依据目标统计特征段进行地质检测源数据的划分;所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中,与所述目标拆解地质采集数据的表征知识向量集关联的表征知识向量子集被配置于目标表征知识向量子集;确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点的步骤,包括:
获取所述目标表征知识向量子集中的第一地质检测表征向量,在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的第一隐患映射区,所述第一地质检测表征向量是所述目标表征知识向量子集中存在地质灾害前置效应的地质检测表征向量;
获取所述目标表征知识向量子集中的第二地质检测表征向量,在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的第二隐患映射区,所述第二地质检测表征向量是所述目标表征知识向量子集存在地质灾害后置效应的地质检测表征向量;
将所述第一隐患映射区与所述目标统计特征段的融合特征,输出为所述目标拆解地质采集数据在其匹配的地质灾害风险隐患数据上的前置隐患节点;
将所述第二隐患映射区与所述目标统计特征段的融合特征,输出为所述目标拆解地质采集数据在其匹配的地质灾害风险隐患数据上的后置隐患节点。
5.根据权利要求2所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中,存在与所述目标拆解地质采集数据的表征知识向量集关联的多个表征知识向量子集;
确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点的步骤,包括:
在多个关联的表征知识向量子集中,确定与所述目标拆解地质采集数据的表征知识向量集之间的特征距离最小的候选表征知识向量子集; 基于所述候选表征知识向量子集在所述目标拆解地质采集数据匹配的地质灾害风险隐患数据的表征知识向量集中的隐患映射向量,确定每个拆解地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。
6.根据权利要求2所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,所述目标拆解地质采集数据的表征知识向量集是由深度特征提取模型对所述目标拆解地质采集数据进行深度特征提取得到的;
所述深度特征提取模型通过以下步骤训练:
获取第一模板训练数据,所述第一模板训练数据包括多个模板地质采集数据,每个模板地质采集数据包括多个拆解地质采集数据;
从所述第一模板训练数据中获取第x个模板地质采集数据中的第y个拆解地质采集数据和第z个拆解地质采集数据;
从所述第一模板训练数据中获取第q个模板地质采集数据中的第w个拆解地质采集数据;x、q、y、z和w均为正整数,且x不等于q、y不等于z;
依据所述深度特征提取模型对所述第y个拆解地质采集数据进行深度特征提取,生成所述第y个拆解地质采集数据的表征知识向量集;以及,依据所述深度特征提取模型对所述第z个拆解地质采集数据进行深度特征提取,生成所述第z个拆解地质采集数据的表征知识向量集;
依据所述深度特征提取模型对所述第w个拆解地质采集数据进行深度特征提取,生成所述第w个拆解地质采集数据的表征知识向量集;
基于所述第z个拆解地质采集数据的表征知识向量集与所述第y个拆解地质采集数据的表征知识向量集之间的第一特征距离,以及所述第z个拆解地质采集数据的表征知识向量集与所述第w个拆解地质采集数据的表征知识向量集之间的第二特征距离,计算所述深度特征提取模型的模型学习误差信息;
依据最小化所述深度特征提取模型的模型学习误差信息中所述第一特征距离,并最大化所述深度特征提取模型的模型学习误差信息中所述第二特征距离的方向,优化所述深度特征提取模型的模型权重信息,以对所述深度特征提取模型进行参数更新。
7.根据权利要求1所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,所述方法还包括:
如果基于所述地质采集数据中的各个地质检测源数据的特征关联性估计结果确定所述地质采集数据不包含特征关联节点,则在地质灾害风险隐患数据库中搜索所述地质采集数据匹配的地质灾害风险隐患数据;
确定所述地质采集数据在其匹配的地质灾害风险隐患数据上的风险隐患节点。
8.根据权利要求1所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,特征关联性估计是由估计模型中的估计模型执行的,所述估计模型包括多个特征关联估计分支,一个特征关联估计分支用于对所述地质采集数据中的一个地质检测源数据进行特征关联性估计;所述地质采集数据中的任意一个地质检测源数据被配置于目标地质检测源数据,所述估计模型中的目标特征关联估计分支用于对所述目标地质检测源数据进行特征关联性估计;所述目标地质检测源数据的联动地质检测源数据的地质检测表征向量存储到所述目标特征关联估计分支的前向特征关联估计分支的属性特征中,所述前向特征关联估计分支的属性特征和所述前向特征关联估计分支的预测结果数据被加载到所述目标特征关联估计分支中;
调用所述目标特征关联估计分支依据所述目标地质检测源数据的地质检测表征向量与所述目标地质检测源数据的联动地质检测源数据的地质检测表征向量,对所述目标地质检测源数据进行特征关联性估计的步骤,包括:
基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述前向特征关联估计分支的属性特征进行知识学习压缩,确定所述前向特征关联估计分支的属性特征中需存储的第一属性特征;
基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述目标特征关联估计分支进行上下文感知,确定所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量中需加载到所述目标特征关联估计分支的属性特征的第二属性特征;
对所述第一属性特征和所述第二属性特征进行集成,生成所述目标特征关联估计分支的属性特征;
基于所述前向特征关联估计分支的预测结果数据和所述目标地质检测源数据的地质检测表征向量,对所述目标特征关联估计分支的属性特征进行全连接输出,生成所述目标地质检测源数据的特征关联性估计结果。
9.根据权利要求1所述的基于智能模型算法的地质灾害风险隐患预测方法,其特征在于,深度特征提取是由估计模型中的深度特征提取模型执行的,特征关联性估计是由所述估计模型中的估计模型执行的;所述估计模型通过以下步骤训练:
从第二模板训练数据中获取目标模板地质采集数据;所述第二模板训练数据包括多个模板地质采集数据,每个模板地质采集数据包括对相应模板地质采集数据进行分离生成的多个模板地质检测源数据,所述第二模板训练数据还包括每个模板地质采集数据中的各个模板地质检测源数据的特征关联性标注数据;所述目标模板地质采集数据为所述第二模板训练数据中的任意一个模板地质采集数据;
依据所述深度特征提取模型对所述目标模板地质采集数据中的每个模板地质检测源数据进行深度特征提取,生成每个模板地质检测源数据的地质检测表征向量;
依据所述估计模型依据所述目标模板地质采集数据中的各个模板地质检测源数据的地质检测表征向量,对每个模板地质检测源数据进行特征关联性估计,生成每个模板地质检测源数据的特征关联性估计结果;
基于所述目标模板地质采集数据中的各个模板地质检测源数据的特征关联性估计结果与特征关联性标注数据,对所述估计模型进行参数更新;
其中,所述第二模板训练数据的获取方式,包括:
获取第一基础地质采集数据和第二基础地质采集数据;
从所述第一基础地质采集数据中解析第一地质检测源数据,从所述第二基础地质采集数据中解析第二地质检测源数据;
对所述第一地质检测源数据和所述第二地质检测源数据进行特征关联性配置,生成所述第二模板训练数据中的一个模板地质采集数据;或者,对所述第一地质检测源数据和所述第二地质检测源数据进行特征关联性配置后,解析包含特征关联节点的地质检测源数据,生成所述第二模板训练数据中的一个模板地质采集数据;
生成所述模板地质采集数据中的各个模板地质检测源数据的特征关联性标注数据。
10.一种地质灾害监测系统,其特征在于,所述地质灾害监测系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于智能模型算法的地质灾害风险隐患预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451508.9A CN117172561B (zh) | 2023-11-03 | 2023-11-03 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451508.9A CN117172561B (zh) | 2023-11-03 | 2023-11-03 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172561A CN117172561A (zh) | 2023-12-05 |
CN117172561B true CN117172561B (zh) | 2024-01-02 |
Family
ID=88941678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451508.9A Active CN117172561B (zh) | 2023-11-03 | 2023-11-03 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172561B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070366A (zh) * | 2020-08-19 | 2020-12-11 | 核工业湖州工程勘察院有限公司 | 一种多源监测数据关联分析的区域滑坡风险定量测算方法 |
CN113256019A (zh) * | 2021-06-15 | 2021-08-13 | 浙江中海达空间信息技术有限公司 | 一种基于无监督表征学习的地质灾害隐患敏感性预测方法 |
CN114240190A (zh) * | 2021-12-21 | 2022-03-25 | 杭州鲁尔物联科技有限公司 | 垦殖区特征提取方法、装置、计算机设备及存储介质 |
CN114565313A (zh) * | 2022-03-08 | 2022-05-31 | 中国地质科学院岩溶地质研究所 | 一种地质灾害隐患判识以及分析评估方法及系统 |
CN116665035A (zh) * | 2023-01-31 | 2023-08-29 | 西安交通大学 | 一种地质灾害隐患风险的精细化识别与核查方法 |
CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
CN116911158A (zh) * | 2023-05-31 | 2023-10-20 | 北京东方通网信科技有限公司 | 一种基于大数据的自然灾害监测预警系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11971515B2 (en) * | 2021-06-25 | 2024-04-30 | Landmark Graphics Corporation | Deep learning model with dilation module for fault characterization |
-
2023
- 2023-11-03 CN CN202311451508.9A patent/CN117172561B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070366A (zh) * | 2020-08-19 | 2020-12-11 | 核工业湖州工程勘察院有限公司 | 一种多源监测数据关联分析的区域滑坡风险定量测算方法 |
CN113256019A (zh) * | 2021-06-15 | 2021-08-13 | 浙江中海达空间信息技术有限公司 | 一种基于无监督表征学习的地质灾害隐患敏感性预测方法 |
CN114240190A (zh) * | 2021-12-21 | 2022-03-25 | 杭州鲁尔物联科技有限公司 | 垦殖区特征提取方法、装置、计算机设备及存储介质 |
CN114565313A (zh) * | 2022-03-08 | 2022-05-31 | 中国地质科学院岩溶地质研究所 | 一种地质灾害隐患判识以及分析评估方法及系统 |
CN116665035A (zh) * | 2023-01-31 | 2023-08-29 | 西安交通大学 | 一种地质灾害隐患风险的精细化识别与核查方法 |
CN116911158A (zh) * | 2023-05-31 | 2023-10-20 | 北京东方通网信科技有限公司 | 一种基于大数据的自然灾害监测预警系统 |
CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117172561A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Application of deep learning algorithms in geotechnical engineering: a short critical review | |
WO2019129060A1 (zh) | 自动生成机器学习样本的特征的方法及系统 | |
Demir et al. | An investigation of feature selection methods for soil liquefaction prediction based on tree-based ensemble algorithms using AdaBoost, gradient boosting, and XGBoost | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
WO2016130542A1 (en) | Code relatives detection | |
CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
CN117172561B (zh) | 基于智能模型算法的地质灾害风险隐患预测方法及系统 | |
Liu et al. | A software framework for classification models of geographical data | |
US20220404515A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
US20230141334A1 (en) | Systems and methods of modeling geological facies for well development | |
CN114402233A (zh) | 正演沉积模型的自动校准 | |
CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
US20220252527A1 (en) | Deriving evidence for an indeterminate artifact or natural object in an encompassing medium using multi-node differential event analysis. | |
WO2023105255A1 (en) | Basin-wise concentration prediction | |
CN118071129A (zh) | 增强的地质服务表征 | |
EP3861381B1 (en) | Data structure for fast invasion percolation modeling software | |
CN112053741A (zh) | 荧光酶抑制剂筛选模型构建方法及荧光酶抑制剂筛选方法 | |
Gillespie | The poweRlaw package: Examples | |
Dadhich | Overview of Artificial Intelligence (AI) and Machine Learning (ML) in Seismology | |
Cai et al. | Modifying the Tailored Clustering Enabled Regionalization (TCER) framework for outlier site detection and inference efficiency | |
CN116090662B (zh) | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 | |
US20220291408A1 (en) | System and method for quantitative quality assessment of seismic surfaces | |
CN117421386B (zh) | 基于gis的空间数据处理方法及系统 | |
CN116226623B (zh) | 基于SegNet分段模型的标志层划分方法、装置和计算机设备 | |
US20220253577A1 (en) | System and method for implementing machine learning for 3d geo-modeling of petroleum reservoirs |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |