CN117612339B - 基于铁塔大数据的地质灾害监测方法及系统 - Google Patents
基于铁塔大数据的地质灾害监测方法及系统 Download PDFInfo
- Publication number
- CN117612339B CN117612339B CN202311487784.0A CN202311487784A CN117612339B CN 117612339 B CN117612339 B CN 117612339B CN 202311487784 A CN202311487784 A CN 202311487784A CN 117612339 B CN117612339 B CN 117612339B
- Authority
- CN
- China
- Prior art keywords
- iron tower
- disaster
- abnormal
- data
- monitoring
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 638
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 319
- 238000012544 monitoring process Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 134
- 238000012800 visualization Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000004382 visual function Effects 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于铁塔大数据的地质灾害监测方法及系统,涉及地质灾害监测技术领域。该方法包括:交互铁塔系统,提取铁塔网络;根据铁塔网络的经纬位置信息进行铁塔网络与GIS系统的坐标配准;使用配准后的铁塔网络,基于铁塔监测装置,对铁塔监测信息进行持续采集,获取铁塔监测信息集;基于数据融合技术原理,对GIS环境信息和铁塔监测信息集进行数据融合,得到数据融合结果;交互历史地质灾害数据,包括山体滑坡、山洪、泥石流等灾害,构建灾害预测模型,并基于数据融合结果进行灾害走向或发展趋势的预测或预警。本发明解决了现有技术中难以对危险区进行有效监测、监测数据不准确的技术问题,达到了提高监测的准确性和实时性的技术效果。
Description
技术领域
本发明涉及地质灾害监测技术领域,具体涉及基于铁塔大数据的地质灾害监测方法及系统。
背景技术
地质灾害监测主要是基于地质学、地球物理学、地理信息系统等学科的原理和方法,利用各种传感器、监测仪器和数据处理技术对地质灾害进行实时监测的技术。然而,由于现有监测覆盖面不足,地质灾害发生的不确定性和不可预测性,导致现有技术存在难以对危险区进行有效监测、监测数据不准确的技术问题。
发明内容
本申请提供了基于铁塔大数据的地质灾害监测方法及系统,用于针对解决现有技术中难以对危险区进行有效监测、监测数据不准确的技术问题。
鉴于上述问题,本申请提供了基于铁塔大数据的地质灾害监测方法及系统
本申请的第一个方面,提供了基于铁塔大数据的地质灾害监测方法,所述方法包括:
交互铁塔管理系统,获取目标区域的铁塔位置坐标;
连接GIS系统,基于所述铁塔位置坐标在所述GIS系统显示界面进行铁塔标识,生成铁塔可视化空间;
在预设时间节点下,基于多个监测装置进行铁塔监测数据采集,生成监测数据集合,其中所述铁塔监测数据包括铁塔倾角数据、铁塔振动数据、铁塔网络状态;
根据标准铁塔运行参数对所述监测数据集合进行异常识别,得到多个异常铁塔监测数据;
基于所述多个异常铁塔监测数据进行灾害类型预测,获得预测灾害类型;
获取多个预设时间节点下的多个监测数据集合,并在所述铁塔可视化空间内,基于所述多个监测数据集合进行灾害走向预测,生成灾害预测路径;
基于所述预测灾害类型和所述灾害预测路径生成预期救援方案,并根据所述预期救援方案进行受灾区域救援。
本申请的第二个方面,提供了基于铁塔大数据的地质灾害监测系统,所述系统包括:
位置坐标获取模块,所述位置坐标获取模块用于交互铁塔管理系统,获取目标区域的铁塔位置坐标;
可视化空间生成模块,所述可视化空间生成模块用于连接GIS系统,基于所述铁塔位置坐标在所述GIS系统显示界面进行铁塔标识,生成铁塔可视化空间;
监测数据获取模块,所述监测数据获取模块用于在预设时间节点下,基于多个监测装置进行铁塔监测数据采集,生成监测数据集合,其中所述铁塔监测数据包括铁塔倾角数据、铁塔振动数据、铁塔网络状态;
数据异常识别模块,所述数据异常识别模块用于根据标准铁塔运行参数对所述监测数据集合进行异常识别,得到多个异常铁塔监测数据;
灾害类型预测模块,所述灾害类型预测模块基于所述多个异常铁塔监测数据进行灾害类型预测,获得预测灾害类型;
灾害走向预测模块,所述灾害走向预测模块用于获取多个预设时间节点下的多个监测数据集合,并在所述铁塔可视化空间内,基于所述多个监测数据集合进行灾害走向预测,生成灾害预测路径;
救援方案生成模块,所述救援方案生成模块基于所述预测灾害类型和所述灾害预测路径生成预期救援方案,并根据所述预期救援方案进行受灾区域救援。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过交互铁塔系统,提取铁塔网络;根据铁塔网络的经纬位置信息进行铁塔网络与GIS系统的坐标配准;使用配准后的铁塔网络,基于铁塔监测装置,对铁塔倾角、铁塔振动、铁塔在线情况等监测信息进行持续采集,获取铁塔监测信息集;基于数据融合技术原理,对GIS环境信息和铁塔监测信息集进行数据融合,得到数据融合结果;交互历史地质灾害数据,包括山体滑坡、山洪、泥石流等灾害,构建灾害预测组件,并基于数据融合结果进行灾害走向或发展趋势的预测或预警,达到了提高监测的准确性和实时性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于铁塔大数据的地质灾害监测方法流程示意图;
图2为本申请实施例提供的基于铁塔大数据的地质灾害监测方法中生成预期救援方案的流程示意图;
图3为本申请实施例提供的基于铁塔大数据的地质灾害监测方法中进行灾害类型预测的流程示意图;
图4为本申请实施例提供的基于铁塔大数据的地质灾害监测方法中进行灾害走向预测的流程示意图;
图5为本申请实施例提供的基于铁塔大数据的地质灾害监测系统结构示意图。
附图标记说明:位置坐标获取模块11,可视化空间生成模块12,监测数据获取模块13,数据异常识别模块14灾害类型预测模块15,灾害走向预测模块16,救援方案生成模块17。
具体实施方式
本申请通过提供了基于铁塔大数据的地质灾害监测方法,用于针对解决现有技术中监测覆盖面不足,地质灾害发生的不确定性和不可预测性,导致现有技术存在难以对危险区进行有效监测、监测数据不准确的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了基于铁塔大数据的地质灾害监测方法,所述方法包括:
步骤S100:交互铁塔管理系统,获取目标区域的铁塔位置坐标;
在本申请实施例中,所述铁塔管理系统是一种对铁塔设施进行全面管理和监控的系统,是储存了铁塔位置坐标的铁塔网络的系统。通过地质灾害监测系统与铁塔管理系统进行交互,可以得到铁塔网络,从而从中获取目标区域的铁塔位置坐标。
步骤S200:连接GIS系统,基于所述铁塔位置坐标在所述GIS系统显示界面进行铁塔标识,生成铁塔可视化空间;
在本申请实施例中,GIS系统即地理信息系统,是一种十分重要的空间信息系统。通过将所述铁塔位置坐标与GIS系统连接,将所述铁塔位置坐标通过GIS系统的导入功能导入到GIS系统中,其次,在GIS系统的显示界面上,根据需要选择合适的标识样式对铁塔进行标识,根据导入的铁塔位置坐标,将铁塔标识放置到与之相对应的位置,以此来表示铁塔位置。最后根据GIS系统的可视化功能,对铁塔周围空间环境进行分析和评估,生成铁塔可视化空间。最后根据需要,定期更新和维护铁塔位置坐标和标识样式,以保证GIS系统显示的准确性和实时性。
其中,在将铁塔标识放到对应位置时,可以通过放大、缩小、旋转等操作来调整视图和观察角度,以便更好地显示铁塔的位置和状态。在对铁塔周围空间进行分析和评估时,示例性地,计算铁塔与其他建筑物之间的距离、分析铁塔周围的交通情况等。
步骤S300:在预设时间节点下,基于多个监测装置进行铁塔监测数据采集,生成监测数据集合,其中所述铁塔监测数据包括铁塔倾角数据、铁塔振动数据、铁塔网络状态;
在本申请实施例中,通过预设一个时间节点,通过多个监测装置进行铁塔监测数据的采集,得到包括铁塔倾角数据、铁塔振动数据、铁塔网络状态在内的多种数据,将采集到的数据传输到铁塔管理中心生成监测数据集合。
具体地,铁塔倾角数据可以通过安装在铁塔上的倾角传感器进行采集,用于监测铁塔的倾斜程度和稳定性。铁塔振动数据可以通过安装在铁塔上的振动传感器进行采集,用于监测铁塔的振动情况,包括振幅、频率等参数。铁塔网络状态可以通过安装在铁塔上的网络监测设备及逆行采集,用于监测铁塔网络的连通性和通信质量。
步骤S400:根据标准铁塔运行参数对所述监测数据集合进行异常识别,得到多个异常铁塔监测数据;
在本申请实施例中,所述标准铁塔运行参数为铁塔处于无灾害状态下的标准倾角、标准振动、网络在线不卡顿等。通过将标准铁塔运行参数与监测数据集合进行异常识别,得到多个异常铁塔监测数据。
示例性地,通过阈值比较法进行异常识别,首先确定标准铁塔运行参数的阈值,所述阈值为根据历史数据以及专家意见制定的相对应的标准铁塔运行参数阈值,通过将所述监测数据集合与标准铁塔运行参数阈值进行比较,当监测数据超出阈值范围,则数据为异常的,输出为异常铁塔监测数据。
步骤S500:基于所述多个异常铁塔监测数据进行灾害类型预测,获得预测灾害类型;
在本申请实施例中,由于不同灾害类型所产生的异常铁塔监测数据不同,通过对异常铁塔监测数据的分析,进行预测灾害类型。
具体地,通过主成分分析法对异常铁塔监测数据进行降维处理,对数据的协方差矩阵机型特征分解,找出数据中的主要特征,从中提取出与灾害类型相关的特征信息。这些特征可能包括与灾害发生密切相关的频率、幅度、持续时间等参数。通过将获得的数据与发生不同灾害时的特征进行比对,最后输出预测灾害的类型。发生不同灾害时的特征为通过专家测试或现有资料确认的特征。例如,当发生泥石流和地震时,致使铁塔发生的倾斜程度和灾害持续时间有很大不同,通过比对这些特征,最后预测灾害类型。
步骤S600:获取多个预设时间节点下的多个监测数据集合,并在所述铁塔可视化空间内,基于所述多个监测数据集合进行灾害走向预测,生成灾害预测路径;
在本申请实施例中,为了获取多个预设时间节点下的多个监测数据集合,在铁塔监测系统中设置多个预设时间节点,该节点可以是固定间隔或根据铁塔运行状态设定。在获取到多个监测数据集合后,在所述铁塔可视化空间内,使用这些监测数据集合进行灾害预测走向,可通过时间序列分析来进行预测,生成灾害预测路径。
具体地,通过对收集到的铁塔监测数据集合进行预处理,确保数据的准确性,将预处理后的铁塔监测数据划分为训练集和测试集,训练集用于训练时间序列模型,测试集用于评估模型的预测性能,通常采用交叉验证的方法进行数据划分,以得到更准确的模型评估结果。使用训练集构建LSTM模型,使用测试集对训练好的LSTM模型进行评估,通过比较模型预测结果和测试集的实际效果,评估模型的预测性能。最后通过对LSTM模型多次输入测试集进行优化,通过优化后的LSTM模型对铁塔监测数据集合进行灾害走向预测,生成灾害预测路径。
步骤S700:基于所述预测灾害类型和所述灾害预测路径生成预期救援方案,并根据所述预期救援方案进行受灾区域救援。
在本申请实施例中,根据预测的灾害类型,确定所需的救援力量和专业队伍,例如消防救援、医疗救援、工程救援等。同时,结合灾害预测路径,分析受灾区域的地形、交通状况、建筑物结构等信息,制定相应的救援路线和方案。
进一步的,如图2所示,本申请实施例提供的方法中的步骤S700还包括:
获取当前时间节点下的监测数据集合,并在所述监测数据集合中提取离线铁塔数据,得到多个离线铁塔数据;
将所述多个离线铁塔数据在所述铁塔可视化空间内进行标识,并根据标识结果计算获得目标区域的受灾覆盖率、平均离线率、铁塔受损数量;
根据所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行目标区域的灾害综合风险评估,得到灾害综合风险等级;
基于所述预测灾害类型、所述灾害预测路径、所述灾害综合风险等级生成预期救援方案。
在本申请实施例中,首先通过获取当前节点下监测装置对铁塔监测的数据,汇总得到当前节点下的监测数据集合。根据铁塔的工作状态对监测数据集合进行分类,提取出离线铁塔数据。其中,铁塔的分类分为在线和离线两种,在线铁塔表示其正常工作,可以接收和发送信号,而离线铁塔表示其存在故障,无法正常工作。
在铁塔可视化空间内,根据离线铁塔数据的地理位置信息,将数据点标识在相应的位置上。根据标识结果,统计目标区域内受灾覆盖率。受灾覆盖率可以通过计算受灾面积与总面积的比例得到,受灾区域覆盖率指地区内所有产生的乡镇告警占整体地市的占比,体现该地市受灾波及的范围情况。平均离线率可以通过统计离线铁塔数量与总铁塔数量的比例来得到,离线铁塔数量可以通过对标识结果进行技术得到。根据标识结果,统计目标区域内铁塔受损的数量,可以通过对离线铁塔数据进行分类和识别,找出受损的铁塔,并计算其数量。
灾害综合风险等级的影响因子为受灾覆盖率、平均离线率、铁塔受损数量,当这些影响因子的数值越大,目标区域的灾害综合风险等级就越高。在对综合风险等级进行评估时,不同影响因子所占的权重不同,通过加权计算后确定灾害风险等级。灾害风险等级可分为黑红橙黄四种颜色,风险等级依次降低。通过所述预测灾害类型、所述灾害预测路径、所述灾害综合风险等级生成预期救援方案。
示例性地,通过构建卷积神经网络模型,输入灾害类型、灾害程度、灾害影响范围等特征进行训练,再根据实际需求和专家意见对结果进行优化,得到训练好的预期救援方案生成模型,将受灾覆盖率、平均离线率、铁塔受损数量输入到训练好的模型当中,生成预期救援方案。
进一步的,可以引用之前的步骤,根据所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行目标区域的灾害综合风险评估,得到灾害综合风险等级,还包括:
构建铁塔综合离线率计算函数:
S=w1D+w2E+w3F;
其中,S为目标区域的铁塔综合离线率,w1、w2、w3分别为受灾覆盖率、平均离线率、铁塔受损数量的权重系数,D为目标区域的受灾覆盖率,E为目标区域的平均离线率,F为目标区域的铁塔受损数量;
根据所述铁塔综合离线率计算函数对所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行计算,输出第一铁塔综合离线率;
将所述第一铁塔综合离线率输入预设离线率-风险等级对照表进行匹配,输出所述灾害综合风险等级。
在本申请实施例中,通过构建铁塔综合离线率计算函数,代入所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行公式计算,得到第一铁塔综合离线率。其中w1为0.2,w2为0.6,w3为0.2。通过计算出的第一铁塔综合离线率和预设的离线率-风险等级对照表进行匹配,输出灾害综合风险等级。其中预设的离线率-风险等级对照表的对照关系为当离线率60%以上,风险等级为黑色,离线率40%-60%,危险等级为红色,离线率20%-40%,危险等级为橙色,离线率10%-20%,危险等级为黄色。
进一步的,如图3所示,本申请实施例提供的方法中的步骤S500还包括:
基于所述多个异常铁塔监测数据得到多个异常铁塔位置坐标;
将所述多个异常铁塔位置坐标在所述铁塔可视化空间内进行标识,并根据标识结果进行位置分布特征分析,生成异常分布特征;
提取所述多个异常铁塔监测数据中的多个异常倾角数据、多个异常振动数据,并对所述多个异常倾角数据和所述多个异常振动数据进行均值计算,得到异常均值倾角和异常均值振动数据,所述异常均值振动数据包括异常均值振动频率和异常均值振动幅度;
基于所述异常分布特征、所述异常均值倾角和所述异常均值振动数据进行灾害类型预测,获得预测灾害类型。
在本申请实施例中,通过对所述异常铁塔监测数据及逆行解析处理,从中提取出多个异常铁塔位置坐标,即异常铁塔坐标的经纬度。将多个所述异常铁塔位置坐标输入到可视化空间内,通过符号标记或其他方式在可视化空间对异常铁塔进行标识。通过对可视化空间中的异常铁塔位置进行统计和分析,可以提取出异常分布的特征。这些特征包括异常铁塔的密度、集中度、分布趋势等。
接下来,从异常铁塔监测数据中,筛选出与异常倾角和异常振动相关的数据,提取出与倾角和振动相关的特征。将筛选出的异常倾角数据和异常振动数据进行分类,可以根据数据的性质或类型进行分类,例如根据倾角数据的范围、振动数据的频率等。对分类后的异常倾角数据和异常振动数据进行均值计算。这可以使用统计学中的平均数或加权平均数等方法,以得到每个类别或整体数据的异常均值倾角和异常均值振动数据。最后根据异常分布特征、异常均值倾角和异常均值振动数据与历史中的各个灾害发生时的异常分布特征、异常均值倾角和异常均值振动数据进行比对,预测灾害类型。
进一步的,可以引用之前的步骤,根据所述基于所述异常分布特征、所述异常均值倾角和所述异常均值振动数据进行灾害类型预测,还包括:
基于大数据技术进行信息检索,获取多个历史灾害案例;
在所述多个历史灾害案例中提取多个历史灾害数据,其中所述历史灾害数据包括历史铁塔分布特征、历史铁塔均值倾角、历史均值振动数据和历史灾害类型;
以所述多个历史灾害数据作为训练数据,对基于BP神经网络构建的灾害预测模型进行监督训练,获得符合预期指标的灾害预测模型;
将所述异常分布特征、所述异常均值倾角和所述异常均值振动数据输入所述灾害预测模型进行灾害类型预测,输出预测灾害类型。
在本申请实施例中,确定与灾害相关的关键词,例如地震、红薯、泥石流等,再通过大数据技术进行信息检索,获取多个历史灾害案例。从历史灾害案例中筛选出与铁塔相关的数据,这些数据包括铁塔的位置信息、铁塔的倾斜角度、铁塔的振动数据以及对应的灾害类型等。对于每个灾害案例,从历史数据中提取出所需要的信息,例如,可以提取历史铁塔的分布特征,如铁塔的位置、密度等,历史铁塔均值倾角,及铁塔在灾害发生时的平均倾斜角度,历史振动数据,即铁塔在灾害发生时的平均振动幅度和频率等,以及历史灾害类型,即灾害的类型和发生时间等。
对提取的历史灾害数据进行整理和清洗,包括去除重复数据、填补缺失值、标准化数据等。确保数据的准确性和一致性对于后续的数据分析和模型训练十分重要。根据历史灾害类型对历史灾害数据进行分类,有助于将不同类型的历史灾害数据分别用于训练不同的灾害预测模型,有助于提高模型的预测准确性。
使用BP神经网络算法构建灾害预测类型,使用提取和整理后的历史灾害类型对BP神经网络模型进行训练,选择监督学习的方式进行训练,即根据历史灾害类型进行模型训练。在训练过程中,对模型进行评估,以了解模型的性能和泛化能力。可以使用一些评估指标,如准确率等来衡量模型的预测效果。根据评估结果,对模型进行调整和优化。包括改变网络结构、调整学习率等步骤,提高模型的性能和泛化能力。
在完成模型训练后,使用该模型对输入的异常分布特征、异常均值倾角和异常均值振动数据进行灾害预测,输出预测灾害类型。
进一步的,如图4所示,本申请实施例提供的方法中的步骤S600还包括:
基于所述多个监测数据集合获得多个异常铁塔位置集合;
在所述铁塔可视化空间内,按照预设时间节点的先后顺序依次对所述多个异常铁塔位置集合进行可视化展示,生成铁塔受损图像序列;
根据所述铁塔受损图像序列进行灾害路径描述,生成灾害传播路径;
基于所述灾害传播路径进行灾害走向预测,生成灾害预测路径,其中所述灾害预测路径包括多个预测时间节点下的多个预测路径段。
在本申请实施例中,通过分析多个监测数据集合,使用异常监测方法识别出异常铁塔的位置,并将这些位置数据整理成集合。接下来将异常铁塔位置集合在铁塔可视化空间内进行可视化展示,根据时间顺序,将不同时间节点的异常铁塔位置展示出来,按照时间顺序将异常铁塔位置从前往后依次排列,生成铁塔受损图像序列。根据铁塔受损图像序列对灾害路径的描述和可视化,通过分析铁塔受损情况和空间变化,生成灾害传播的路径。
在进行灾害走向预测时,使用回归分析方法基于历史灾害数据和相关因素数据,建立回归模型,以预测未来灾害的可能走向。使用回归分析方法对历史灾害数据进行拟合,建立灾害发生与各种因素之间的回归模型。这个模型可以反映出灾害发生与各种因素之间的相关关系和因果关系。在建立模型的过程中,可以选择不同的变量和模型类型,如线性回归、逻辑回归、时间序列回归等,以适应不同的数据特点和预测需求。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过交互铁塔系统,提取铁塔网络;根据铁塔网络的经纬位置信息进行铁塔网络与GIS系统的坐标配准;使用配准后的铁塔网络,基于铁塔监测装置,对铁塔监测信息进行持续采集,获取铁塔监测信息集;基于数据融合技术原理,对GIS环境信息和铁塔监测信息集进行数据融合,得到数据融合结果;交互历史地质灾害数据,包括山体滑坡、山洪、泥石流等灾害,构建灾害预测模型,并基于数据融合结果进行灾害走向或发展趋势的预测或预警。达到了提高监测的准确性和实时性的技术效果。
实施例二
基于与前述实施例中基于铁塔大数据的地质灾害监测方法相同的发明构思,如图5所示,本申请提供了基于铁塔大数据的地质灾害监测系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
位置坐标获取模块11,所述位置坐标获取模块11用于交互铁塔管理系统,获取目标区域的铁塔位置坐标;
可视化空间生成模块12,所述可视化空间生成模块12用于连接GIS系统,基于所述铁塔位置坐标在所述GIS系统显示界面进行铁塔标识,生成铁塔可视化空间;
监测数据获取模块13,所述监测数据获取模块13用于在预设时间节点下,基于多个监测装置进行铁塔监测数据采集,生成监测数据集合,其中所述铁塔监测数据包括铁塔倾角数据、铁塔振动数据、铁塔网络状态;
数据异常识别模块14,所述数据异常识别模块14用于根据标准铁塔运行参数对所述监测数据集合进行异常识别,得到多个异常铁塔监测数据;
灾害类型预测模块15,所述灾害类型预测模块15基于所述多个异常铁塔监测数据进行灾害类型预测,获得预测灾害类型;
灾害走向预测模块16,所述灾害走向预测模块16用于获取多个预设时间节点下的多个监测数据集合,并在所述铁塔可视化空间内,基于所述多个监测数据集合进行灾害走向预测,生成灾害预测路径;
救援方案生成模块17,所述救援方案生成模块17基于所述预测灾害类型和所述灾害预测路径生成预期救援方案,并根据所述预期救援方案进行受灾区域救援。
进一步的,所述系统还包括:
离线数据提取模块,所述离线数据提取模块用于获取当前时间节点下的监测数据集合,并在所述监测数据集合中提取离线铁塔数据,得到多个离线铁塔数据;
数据标识模块,所述数据标识模块用于将所述多个离线铁塔数据在所述铁塔可视化空间内进行标识,并根据标识结果计算获得目标区域的受灾覆盖率、平均离线率、铁塔受损数量;
风险评估模块,所述风险评估模块根据所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行目标区域的灾害综合风险评估,得到灾害综合风险等级;
救援方案生成模块,所述救援方案生成模块基于所述预测灾害类型、所述灾害预测路径、所述灾害综合风险等级生成预期救援方案。
进一步的,所述系统还包括:
构建铁塔综合离线率计算函数:
S=w1D+w2E+w3F;
其中,S为目标区域的铁塔综合离线率,w1、w2、w3分别为受灾覆盖率、平均离线率、铁塔受损数量的权重系数,D为目标区域的受灾覆盖率,E为目标区域的平均离线率,F为目标区域的铁塔受损数量;
根据所述铁塔综合离线率计算函数对所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行计算,输出第一铁塔综合离线率;
将所述第一铁塔综合离线率输入预设离线率-风险等级对照表进行匹配,输出所述灾害综合风险等级。
进一步的,灾害类型预测模块15,用于执行以下方法:
基于所述多个异常铁塔监测数据得到多个异常铁塔位置坐标;
将所述多个异常铁塔位置坐标在所述铁塔可视化空间内进行标识,并根据标识结果进行位置分布特征分析,生成异常分布特征;
提取所述多个异常铁塔监测数据中的多个异常倾角数据、多个异常振动数据,并对所述多个异常倾角数据和所述多个异常振动数据进行均值计算,得到异常均值倾角和异常均值振动数据,所述异常均值振动数据包括异常均值振动频率和异常均值振动幅度;
基于所述异常分布特征、所述异常均值倾角和所述异常均值振动数据进行灾害类型预测,获得预测灾害类型。
进一步的,所述系统还包括:
基于大数据技术进行信息检索,获取多个历史灾害案例;
在所述多个历史灾害案例中提取多个历史灾害数据,其中所述历史灾害数据包括历史铁塔分布特征、历史铁塔均值倾角、历史均值振动数据和历史灾害类型;
以所述多个历史灾害数据作为训练数据,对基于BP神经网络构建的灾害预测模型进行监督训练,获得符合预期指标的灾害预测模型;
将所述异常分布特征、所述异常均值倾角和所述异常均值振动数据输入所述灾害预测模型进行灾害类型预测,输出预测灾害类型。
进一步的,救援方案生成模块17,用于执行以下方法:
基于所述多个监测数据集合获得多个异常铁塔位置集合;
在所述铁塔可视化空间内,按照预设时间节点的先后顺序依次对所述多个异常铁塔位置集合进行可视化展示,生成铁塔受损图像序列;
根据所述铁塔受损图像序列进行灾害路径描述,生成灾害传播路径;
基于所述灾害传播路径进行灾害走向预测,生成灾害预测路径,其中所述灾害预测路径包括多个预测时间节点下的多个预测路径段。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (5)
1.基于铁塔大数据的地质灾害监测方法,其特征在于,所述方法包括:
交互铁塔管理系统,获取目标区域的铁塔位置坐标;
连接GIS系统,基于所述铁塔位置坐标在所述GIS系统显示界面进行铁塔标识,生成铁塔可视化空间;
在预设时间节点下,基于多个监测装置进行铁塔监测数据采集,生成监测数据集合,其中所述铁塔监测数据包括铁塔倾角数据、铁塔振动数据、铁塔网络状态;
根据标准铁塔运行参数对所述监测数据集合进行异常识别,得到多个异常铁塔监测数据;
基于所述多个异常铁塔监测数据进行灾害类型预测,获得预测灾害类型;
获取多个预设时间节点下的多个监测数据集合,并在所述铁塔可视化空间内,基于所述多个监测数据集合进行灾害走向预测,生成灾害预测路径;
基于所述预测灾害类型和所述灾害预测路径生成预期救援方案,并根据所述预期救援方案进行受灾区域救援;
其中,所述基于所述多个异常铁塔监测数据进行灾害类型预测,还包括:
基于所述多个异常铁塔监测数据得到多个异常铁塔位置坐标;
将所述多个异常铁塔位置坐标在所述铁塔可视化空间内进行标识,并根据标识结果进行位置分布特征分析,生成异常分布特征;
提取所述多个异常铁塔监测数据中的多个异常倾角数据、多个异常振动数据,并对所述多个异常倾角数据和所述多个异常振动数据进行均值计算,得到异常均值倾角和异常均值振动数据,所述异常均值振动数据包括异常均值振动频率和异常均值振动幅度;
基于所述异常分布特征、所述异常均值倾角和所述异常均值振动数据进行灾害类型预测,获得预测灾害类型;
其中,所述基于所述多个监测数据集合进行灾害走向预测,还包括:
基于所述多个监测数据集合获得多个异常铁塔位置集合;
在所述铁塔可视化空间内,按照预设时间节点的先后顺序依次对所述多个异常铁塔位置集合进行可视化展示,生成铁塔受损图像序列;
根据所述铁塔受损图像序列进行灾害路径描述,生成灾害传播路径;
基于所述灾害传播路径进行灾害走向预测,生成灾害预测路径,其中所述灾害预测路径包括多个预测时间节点下的多个预测路径段。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取当前时间节点下的监测数据集合,并在所述监测数据集合中提取离线铁塔数据,得到多个离线铁塔数据;
将所述多个离线铁塔数据在所述铁塔可视化空间内进行标识,并根据标识结果计算获得目标区域的受灾覆盖率、平均离线率、铁塔受损数量;
根据所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行目标区域的灾害综合风险评估,得到灾害综合风险等级;
基于所述预测灾害类型、所述灾害预测路径、所述灾害综合风险等级生成预期救援方案。
3.如权利要求2所述的方法,其特征在于,所述根据所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行目标区域的灾害综合风险评估,得到灾害综合风险等级,还包括:
构建铁塔综合离线率计算函数:
;
其中,为目标区域的铁塔综合离线率,/>、/>、/>分别为受灾覆盖率、平均离线率、铁塔受损数量的权重系数,/>为目标区域的受灾覆盖率,/>为目标区域的平均离线率,F为目标区域的铁塔受损数量;
根据所述铁塔综合离线率计算函数对所述受灾覆盖率、所述平均离线率、所述铁塔受损数量进行计算,输出第一铁塔综合离线率;
将所述第一铁塔综合离线率输入预设离线率-风险等级对照表进行匹配,输出所述灾害综合风险等级。
4.如权利要求1所述的方法,其特征在于,所述基于所述异常分布特征、所述异常均值倾角和所述异常均值振动数据进行灾害类型预测,还包括:
基于大数据技术进行信息检索,获取多个历史灾害案例;
在所述多个历史灾害案例中提取多个历史灾害数据,其中所述历史灾害数据包括历史铁塔分布特征、历史铁塔均值倾角、历史均值振动数据和历史灾害类型;
以所述多个历史灾害数据作为训练数据,对基于BP神经网络构建的灾害预测模型进行监督训练,获得符合预期指标的灾害预测模型;
将所述异常分布特征、所述异常均值倾角和所述异常均值振动数据输入所述灾害预测模型进行灾害类型预测,输出预测灾害类型。
5.基于铁塔大数据的地质灾害监测系统,其特征在于,所述系统包括:
位置坐标获取模块,所述位置坐标获取模块用于交互铁塔管理系统,获取目标区域的铁塔位置坐标;
可视化空间生成模块,所述可视化空间生成模块用于连接GIS系统,基于所述铁塔位置坐标在所述GIS系统显示界面进行铁塔标识,生成铁塔可视化空间;
监测数据获取模块,所述监测数据获取模块用于在预设时间节点下,基于多个监测装置进行铁塔监测数据采集,生成监测数据集合,其中所述铁塔监测数据包括铁塔倾角数据、铁塔振动数据、铁塔网络状态;
数据异常识别模块,所述数据异常识别模块用于根据标准铁塔运行参数对所述监测数据集合进行异常识别,得到多个异常铁塔监测数据;
灾害类型预测模块,所述灾害类型预测模块基于所述多个异常铁塔监测数据进行灾害类型预测,获得预测灾害类型;
灾害走向预测模块,所述灾害走向预测模块用于获取多个预设时间节点下的多个监测数据集合,并在所述铁塔可视化空间内,基于所述多个监测数据集合进行灾害走向预测,生成灾害预测路径;
救援方案生成模块,所述救援方案生成模块基于所述预测灾害类型和所述灾害预测路径生成预期救援方案,并根据所述预期救援方案进行受灾区域救援;
灾害类型预测模块还用于执行以下方法:
基于所述多个异常铁塔监测数据得到多个异常铁塔位置坐标;
将所述多个异常铁塔位置坐标在所述铁塔可视化空间内进行标识,并根据标识结果进行位置分布特征分析,生成异常分布特征;
提取所述多个异常铁塔监测数据中的多个异常倾角数据、多个异常振动数据,并对所述多个异常倾角数据和所述多个异常振动数据进行均值计算,得到异常均值倾角和异常均值振动数据,所述异常均值振动数据包括异常均值振动频率和异常均值振动幅度;
基于所述异常分布特征、所述异常均值倾角和所述异常均值振动数据进行灾害类型预测,获得预测灾害类型;
救援方案生成模块还用于执行以下方法:
基于所述多个监测数据集合获得多个异常铁塔位置集合;
在所述铁塔可视化空间内,按照预设时间节点的先后顺序依次对所述多个异常铁塔位置集合进行可视化展示,生成铁塔受损图像序列;
根据所述铁塔受损图像序列进行灾害路径描述,生成灾害传播路径;
基于所述灾害传播路径进行灾害走向预测,生成灾害预测路径,其中所述灾害预测路径包括多个预测时间节点下的多个预测路径段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311487784.0A CN117612339B (zh) | 2023-11-09 | 2023-11-09 | 基于铁塔大数据的地质灾害监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311487784.0A CN117612339B (zh) | 2023-11-09 | 2023-11-09 | 基于铁塔大数据的地质灾害监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117612339A CN117612339A (zh) | 2024-02-27 |
CN117612339B true CN117612339B (zh) | 2024-06-04 |
Family
ID=89952594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311487784.0A Active CN117612339B (zh) | 2023-11-09 | 2023-11-09 | 基于铁塔大数据的地质灾害监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612339B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447123A (zh) * | 2018-03-27 | 2018-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路走廊地质灾害勘测方法和系统 |
CN111880210A (zh) * | 2020-08-05 | 2020-11-03 | 中国南方电网有限责任公司 | 输电线路的地灾监测处理方法和装置、预警系统和设备 |
CN113344297A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种泥石流灾害的预测方法、系统、终端和存储介质 |
CN114239379A (zh) * | 2021-11-12 | 2022-03-25 | 云南电网有限责任公司昆明供电局 | 一种基于形变检测的输电线路地质灾害分析方法及系统 |
CN117010555A (zh) * | 2023-07-04 | 2023-11-07 | 国网湖南省电力有限公司 | 用于预测输电线路灾害事件风险的方法、装置及处理器 |
-
2023
- 2023-11-09 CN CN202311487784.0A patent/CN117612339B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447123A (zh) * | 2018-03-27 | 2018-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路走廊地质灾害勘测方法和系统 |
CN111880210A (zh) * | 2020-08-05 | 2020-11-03 | 中国南方电网有限责任公司 | 输电线路的地灾监测处理方法和装置、预警系统和设备 |
CN113344297A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种泥石流灾害的预测方法、系统、终端和存储介质 |
CN114239379A (zh) * | 2021-11-12 | 2022-03-25 | 云南电网有限责任公司昆明供电局 | 一种基于形变检测的输电线路地质灾害分析方法及系统 |
CN117010555A (zh) * | 2023-07-04 | 2023-11-07 | 国网湖南省电力有限公司 | 用于预测输电线路灾害事件风险的方法、装置及处理器 |
Non-Patent Citations (1)
Title |
---|
结合MIDAS仿真和BP神...的输电杆塔基础滑坡风险评估;谢从珍;《科学技术与工程》;20230630;第23卷(第16期);第6923-6929页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117612339A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yariyan et al. | Earthquake risk assessment using an integrated Fuzzy Analytic Hierarchy Process with Artificial Neural Networks based on GIS: A case study of Sanandaj in Iran | |
CN102044094B (zh) | 线路巡检管理系统及方法 | |
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 | |
CN111047099A (zh) | 一种区域性山洪风险预测方法及系统 | |
CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
US7894926B2 (en) | Global predictive monitoring system for a manufacturing facility | |
KR100982447B1 (ko) | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
KR20150131801A (ko) | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 | |
CN114511429A (zh) | 地质灾害危险等级评估方法及装置 | |
CN116204842A (zh) | 一种电气设备的异常监测方法及系统 | |
CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
CN117408173B (zh) | 一种基于机器学习的水文流量整编智能模型构建方法 | |
CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及系统 | |
CN117893016A (zh) | 尾矿库溃坝灾情风险快速评估方法及系统 | |
CN117612339B (zh) | 基于铁塔大数据的地质灾害监测方法及系统 | |
CN116644954B (zh) | 抽蓄工程施工安全风险智能化决策方法 | |
CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
Pandey et al. | Geomatics approach for assessment of respiratory disease mapping | |
CN115222196B (zh) | 一种山区道路网脆弱性评估与驱动力探测方法 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN114997666A (zh) | 一种区域泥石流易发性评估方法 |
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 | ||
GR01 | Patent grant |