CN117933578A - 一种泥石流的安全隐患评估方法及系统 - Google Patents
一种泥石流的安全隐患评估方法及系统 Download PDFInfo
- Publication number
- CN117933578A CN117933578A CN202410332070.0A CN202410332070A CN117933578A CN 117933578 A CN117933578 A CN 117933578A CN 202410332070 A CN202410332070 A CN 202410332070A CN 117933578 A CN117933578 A CN 117933578A
- Authority
- CN
- China
- Prior art keywords
- data
- debris flow
- range
- safety hazard
- analysis
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims description 238
- 239000011435 rock Substances 0.000 claims description 56
- 230000028161 membrane depolarization Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种泥石流的安全隐患评估方法及系统，结合第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，得到第一分类结果，通过该第一泥石流安全隐患数据将第一范围泥石流安全隐患数据与第二范围泥石流安全隐患数据区分出来，确定第二泥石流安全隐患数据，结合第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，第二泥石流安全隐患数据的范围是小于第一泥石流安全隐患数据的范围，结合第一分类结果确定第一范围泥石流安全隐患数据的定位数据，结合定位数据对第一分类结果和第二分类结果进行拼接处理，得到目标分类结果，对目标分类结果进行评估，得到评估结果，这样一来，能够给保障评估结果精确性和可靠性。
Description
技术领域
本申请涉及安全隐患评估技术领域，具体而言，涉及一种泥石流的安全隐患评估方法及系统。
背景技术
泥石流流动的全过程一般只有几个小时，短的只有几分钟，是一种广泛分布于世界各国一些具有特殊地形、地貌状况地区的自然灾害。这是山区沟谷或山地坡面上，由暴雨、冰雪融化等水源激发的、含有大量泥沙石块的介于挟沙水流和滑坡之间的土、水、气混合流。泥石流大多伴随山区洪水而发生。它与一般洪水的区别是洪流中含有足够数量的泥沙石等固体碎屑物，其体积含量最少为15%，最高可达80%左右，因此比洪水更具有破坏力。
因此，需要对每个隐患点进行进行评估，以确定该隐患点风险情况，如何对泥石流的风险进行评估是现目前难以解决的一个技术问题。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种泥石流的安全隐患评估方法及系统。
第一方面，提供一种泥石流的安全隐患评估方法，包括：
获得待处理泥石流安全隐患数据，所述待处理泥石流安全隐患数据中包括第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据，所述第一范围泥石流安全隐患数据的风险等级高于所述第二范围泥石流安全隐患数据的风险等级；
确定第一泥石流安全隐患数据，结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果；
确定第二泥石流安全隐患数据，结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围；
结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果；
对所述目标分类结果进行评估，得到评估结果。
在本申请中，所述确定第一泥石流安全隐患数据包括：
当所述待处理泥石流安全隐患数据为实时泥石流安全隐患数据时，对所述待处理泥石流安全隐患数据进行分析处理，得到分析结果；
结合所述分析结果，确定最大分析值、最小分析值和每一个分析值对应的泥石流数据分桶数目；
结合所述最大分析值和所述最小分析值确定若干个目标分析范围；
结合所述每一个分析值对应的泥石流数据分桶数目确定每一个目标分析范围对应的泥石流数据分桶全部数量；
结合所述每一个目标分析范围对应的泥石流数据分桶全部数量确定第一泥石流安全隐患数据。
可以理解的是，通过精确地确定若干个目标分析范围，从而能够可靠地确定出确定第一泥石流安全隐患数据。
在本申请中，所述结合所述最大分析值和所述最小分析值确定若干个目标分析范围，包括：
获得用于划分分析范围的片段约束边界；
从所述最大分析值至所述最小分析值依照所述片段约束边界划分出若干个分析范围；
将所述分析范围确定为所述目标分析范围；
或者，依照事先设定范围区间从所述若干个分析范围中筛选出若干个目标分析范围。
可以理解的是，通过最大分析值和最小分析值的约束边界，能够精确地确定出若干个目标分析范围。
在本申请中，所述结合所述每一个目标分析范围对应的泥石流数据分桶全部数量确定第一泥石流安全隐患数据，包括：
将所述每一个目标分析范围依照范围最大分析值从大到小进行分布，得到分布后的每一个目标分析范围；
结合所述分布后的每一个目标分析范围，确定第a+1个目标分析范围对应的泥石流数据分桶全部数量与第a个目标分析范围对应的泥石流数据分桶全部数量的第a比较值；
当所述第a比较值大于事先设定的比较值指定值，将所述第a个目标分析范围对应的范围最小分析值确定为第一泥石流安全隐患数据，其中a为1到（X-1）之间的整数，X为目标分析范围全部数量。
可以理解的是，通过所述每一个目标分析范围对应的泥石流数据分桶全部数量时，改善了每一个目标分析范围不确定的问题，从而能够准确地确定第一泥石流安全隐患数据。
在本申请中，所述确定第二泥石流安全隐患数据包括：
从所述最小分析值至所述最大分析值依次将每一个分析值确定为待定指定值；
确定每一个待定指定值对应的若干个主要泥石流数据分桶和若干个次要泥石流数据分桶；
基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值确定每一个待定指定值对应的函数处理结果；
将最大函数处理结果对应的待定指定值确定为第二泥石流安全隐患数据。
可以理解的是，通过精确地确定若干个主要泥石流数据分桶和若干个次要泥石流数据分桶，从而能够可靠地确定出确定第二泥石流安全隐患数据。
在本申请中，所述基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值确定每一个待定指定值对应的函数处理结果，包括：
基于主要泥石流数据分桶全部数量和次要泥石流数据分桶全部数量确定主要特征占比和次要特征占比，结合所述每一个主要泥石流数据分桶对应的分析值和所述主要泥石流数据分桶全部数量确定主要分析去极化值；
结合所述每一个次要泥石流数据分桶对应的分析值和所述次要泥石流数据分桶全部数量确定次要分析去极化值；
确定所述分析结果的泥石流安全隐患数据分析去极化值；
结合所述泥石流安全隐患数据去极化值、所述主要特征占比、所述次要特征占比、所述主要分析去极化值和所述次要分析去极化值确定所述待定指定值对应的函数处理结果。
可以理解的是，基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值时，改善了主要分析去极化值不准确的问题，从而能够精确地确定每一个待定指定值对应的函数处理结果。
在本申请中，所述结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，包括：
对所述第一分类结果进行清洗处理，得到清洗后的分类结果；
获得所述清洗后的分类结果中的隐患集合；
结合所述隐患集合整合出所述第一范围泥石流安全隐患数据对应的范围系数；
结合所述范围系数和所述隐患集合确定所述第一范围泥石流安全隐患数据的定位数据。
可以理解的是，结合所述第一分类结果时，改善了分类结清洗不准确的问题，从而能够准确地确定所述第一范围泥石流安全隐患数据的定位数据。
在本申请中，所述结合所述范围系数和所述隐患集合确定所述第一范围泥石流安全隐患数据的定位数据，包括：
获得所述第一范围泥石流安全隐患数据对应的数据规模数据；
结合所述范围系数、所述隐患集合和所述数据规模数据生成二值化参考泥石流安全隐患数据，其中所述二值化参考泥石流安全隐患数据中所述第一范围泥石流安全隐患数据内的泥石流数据分桶为第一节点，所述第一范围泥石流安全隐患数据之外的泥石流数据分桶为第二节点；
结合所述二值化参考泥石流安全隐患数据确定所述第一范围泥石流安全隐患数据内每一个泥石流数据分桶的注意力层面数据；
将所述每一个泥石流数据分桶的注意力层面数据确定为所述第一范围泥石流安全隐患数据的定位数据。
可以理解的是，结合所述范围系数和所述隐患集合时，改善了泥石流数据分桶为第二节点不准确的问题，从而能够精确地确定所述第一范围泥石流安全隐患数据的定位数据。
在本申请中，所述结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果包括：
获得所述第二分类结果中第b个泥石流数据分桶的注意力层面数据，其中，b＝1，2，…，Y，Y为所述第二分类结果的泥石流数据分桶全部数量；
当结合所述第b个泥石流数据分桶的注意力层面数据和所述二值化参考泥石流安全隐患数据确定所述第b个泥石流数据分桶位于所述第一范围泥石流安全隐患数据内时，获得所述第b个泥石流数据分桶在所述第一分类结果中的第一描述值；
将所述第二分类结果中的第b个泥石流数据分桶的描述值转换为所述第一描述值；
当确定所述第b个泥石流数据分桶位于所述第一范围泥石流安全隐患数据之外时，保持所述第b个泥石流数据分桶的描述值不变，将处理后的第二分类结果确定为目标分类结果。
可以理解的是，结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理时，改善了描述值不准确的问题，从而能够精确地得到目标分类结果。
在本申请中，当所述待处理泥石流安全隐患数据中包括待处理标签时，所述对所述目标分类结果进行评估，得到评估结果，包括：
对所述目标分类结果进行标签定位处理，得到所述标签的定位数据；
结合所述标签的定位数据从所述目标分类结果中获得标签泥石流安全隐患数据；
利用事先设定的人工智能评估线程对所述标签泥石流安全隐患数据进行评估，得到评估结果。
可以理解的是，所述待处理泥石流安全隐患数据中包括待处理标签时，所述对所述目标分类结果进行评估时，改善了定位数据不准确的问题，从而能够精确地得到评估结果。
第二方面，提供一种泥石流的安全隐患评估系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
本申请实施例所提供的一种泥石流的安全隐患评估方法及系统，在获得到包括第一范围泥石流安全隐患数据的待处理泥石流安全隐患数据之后，首先确定第一泥石流安全隐患数据，并结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果，通过该第一泥石流安全隐患数据将第一范围泥石流安全隐患数据与第二范围泥石流安全隐患数据区分出来，然后再确定第二泥石流安全隐患数据，并结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围，之后结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，并结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果，之后再对所述目标分类结果进行评估，得到评估结果，由于待处理泥石流安全隐患数据中包括第一范围泥石流安全隐患数据，如果仅利用较低的第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，那么第一范围泥石流安全隐患数据均会二值化为第一节点，从而导致第一范围泥石流安全隐患数据中的数据丢失，因此在本公开实施例中，优先利用较高的第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，从而区分出待处理泥石流安全隐患数据中的第一范围泥石流安全隐患数据，并且还能够保留第一范围泥石流安全隐患数据中的节点，然后再利用较低的第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，以对除第一范围泥石流安全隐患数据之外的其他范围进行分类处理（此时第一范围泥石流安全隐患数据会均二值化为第一节点），最后将第一分类结果和第二分类结果基于第一范围泥石流安全隐患数据的定位数据进行拼接处理，得到目标分类结果，使得目标分类结果中包括第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的节点信息，保证目标分类结果的完整性，进而利用目标分类结果进行泥石流安全隐患数据评估，能够提高评估精确性和可靠性。
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使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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种泥石流的安全隐患评估方法的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种泥石流的安全隐患评估方法，该方法可以包括以下步骤S201-步骤S205所描述的技术方案。
步骤S201，获得待处理泥石流安全隐患数据。
其中，待处理泥石流安全隐患数据可以通过降水量以及土壤松散等因素进行综合判定确定出来的，待处理泥石流安全隐患数据中包括第一范围泥石流安全隐患数据（可以理解为在xxx区域的泥石流隐患数据）。在本公开实施例中，待处理泥石流安全隐患数据可以为实时泥石流安全隐患数据，也可以是分析结果。
示例性的，在本申请中泥石流是指由于降水（暴雨、冰川、积雪融化水）在沟谷或山坡上产生的一种挟带大量泥砂、石块和巨砾等固体物质的特殊洪流。其汇水、汇砂过程十分复杂，是各种自然和（或）人为因素综合作用的产物。针对上述内容要进行综合性的预判断，以确定大致的泥石流隐患情况。详细的，泥石流隐患情况可以分为不存在安全隐患、存在安全隐患（存在安全隐患具体可以分为低安全隐患、中安全隐患以及高安全隐患）。
步骤S202，确定第一泥石流安全隐患数据，结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果。
示例性的，泥石流安全隐患数据可以理解为将待处理泥石流安全隐患数据进行分类，不同的种类指代不同的情况，比如种类可以分为1和2，1表示存在安全隐患，2表示不存在安全隐患，其中，1又可以包括低风险、中风险以及高风险等情况。
在该步骤中，确定出的第一泥石流安全隐患数据，是能够将待处理泥石流安全隐患数据中的第一范围泥石流安全隐患数据与第二范围泥石流安全隐患数据的分析指定值。在确定第一泥石流安全隐患数据时，可以首先对待处理泥石流安全隐患数据进行分析处理，得到分析结果，然后统计出每一个分析值对应的泥石流数据分桶数目，然后从每一个分析值中的最高分析值到最低分析值划分出若干个分析范围，并从中筛选出若干个目标分析范围，利用相邻目标分析范围的全部数量目的比较值确定出第一泥石流安全隐患数据。
在基于第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理时，是将待处理泥石流安全隐患数据对应的分析结果中，分析值大于该第一泥石流安全隐患数据的泥石流数据分桶的分析值设置为第一事先设定值，将分析值低于或者等于该第一泥石流安全隐患数据的泥石流数据分桶的分析值设置为第二事先设定值。第一事先设定值和第二事先设定值不同，且第一事先设定值和第二事先设定值的比较值大于一定的分析指定值。
步骤S203，确定第二泥石流安全隐患数据，结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围。
其中，第二泥石流安全隐患数据的范围精确是高于第一泥石流安全隐患数据的范围精度。
该步骤在实现，可以将待处理泥石流安全隐患数据对应的分析结果中的最小分析值到最大分析值之间的每一个分析值确定为待定指定值，然后确定主要和次要的函数处理结果，并将最大函数处理结果对应的待定指定值确定为第二泥石流安全隐患数据。
在基于第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理时，与步骤S202基于第一泥石流安全隐患数据进行分类处理的过程是类似的，将待处理泥石流安全隐患数据对应的分析结果中，分析值大于该第二泥石流安全隐患数据的泥石流数据分桶的分析值设置为第一事先设定值，将分析值低于或者等于该第二泥石流安全隐患数据的泥石流数据分桶的分析值设置为第二事先设定值。
步骤S204，结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果。
示例性的，拼接可以理解为融合以及整合等。
该步骤在实现时，首先基于第二分类结果确定出隐患集合的注意力层面数据，然后利用隐患集合进行图形整合，得到能够表征第一范围泥石流安全隐患数据形状的范围系数，利用该范围系数和隐患集合可以生成二值化参考泥石流安全隐患数据，其中所述二值化参考泥石流安全隐患数据中所述第一范围泥石流安全隐患数据内的泥石流数据分桶为第一节点，所述第一范围泥石流安全隐患数据之外的泥石流数据分桶为第二节点。然后以二值化参考泥石流安全隐患数据确定为参考，确定某一泥石流数据分桶处于第一范围泥石流安全隐患数据时，将第二分类结果中该泥石流数据分桶的描述值转换为该泥石流数据分桶在第一分类结果中的描述值，在遍历完第二分类结果中每一个泥石流数据分桶后，得到目标分类结果。
其中，泥石流数据分桶可以理解为泥石流数据节点，比如，在图像中可以理解为像素。
步骤S205，对所述目标分类结果进行评估，得到评估结果。
其中，评估结果可以评判该区域发生泥石流的可能性，这样一来，能够精确地确定出该区域的安全隐患。
示例性的，评估结果可以表征该区域的发生泥石流的风险情况，通过该评估结果能够提前进行防护降低经济损失，让人员提前进行疏散，将人员伤亡尽可能降低到0。
当待处理泥石流安全隐患数据中包括待处理标签时，该步骤在实现时，可以首先基于目标分类结果进行标签定位，从而确定出标签的定位数据，然后基于标签的定位数据确定出标签泥石流安全隐患数据，最后利用事先设定的人工智能评估线程对标签泥石流安全隐患数据进行解码，从而得到评估结果，该评估结果中可以包括评估码对应的用户标识信息。其中，在本申请中的人工智能评估线程涵盖神经网络、遗传算法、深度学习、强化学习、机器学习以及集成学习的功能，能够针对所述标签泥石流安全隐患数据中的各种滑坡因素进行分析。因此，本申请中的人工智能评估线程具有以下线程的功能：前馈神经网络（Feedforward Neural Networks，FNN），卷积神经网络（Convolutional Neural Networks，CNN），循环神经网络（Recurrent Neural Networks，RNN），支持向量机（Support VectorMachines，SVM），K均值聚类（K-Means Clustering）以及层次聚类（HierarchicalClustering）等，本申请人吸取了如上模型的优点，并加以改进得到适用于属于本领域的人工智能线程。
当待处理泥石流安全隐患数据为不包括待处理标签的其他泥石流安全隐患数据时，该步骤在实现时，可以基于目标分类结果确定出待处理泥石流安全隐患数据中所包括待处理事项的约束数据，然后基于约束数据进行评估，得到评估结果。
在本公开实施例提供的泥石流的安全隐患评估方法中，在获得到包括第一范围泥石流安全隐患数据的待处理泥石流安全隐患数据之后，首先确定第一泥石流安全隐患数据，并结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果，通过该第一泥石流安全隐患数据将第一范围泥石流安全隐患数据与第二范围泥石流安全隐患数据区分出来，然后再确定第二泥石流安全隐患数据，并结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围，由于待处理泥石流安全隐患数据中包括风险等级较高的第一范围泥石流安全隐患数据，如果仅利用较低的第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，那么第一范围泥石流安全隐患数据均会二值化为第一节点，从而导致第一范围泥石流安全隐患数据中的数据丢失，因此在本公开实施例中，优先利用较高的第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，从而区分出待处理泥石流安全隐患数据中的第一范围泥石流安全隐患数据，并且还能够保留第一范围泥石流安全隐患数据中的节点，然后再利用较低的第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，以对除第一范围泥石流安全隐患数据之外的其他范围进行分类处理（此时第一范围泥石流安全隐患数据会均二值化为第一节点），最后将第一分类结果和第二分类结果基于第一范围泥石流安全隐患数据的定位数据进行拼接处理，得到目标分类结果，使得目标分类结果中包括第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的节点信息，保证目标分类结果的完整性，进而利用目标分类结果进行泥石流安全隐患数据评估，能够提高评估效率。
在一种可能实施的实施例中，上述步骤S202“确定第一泥石流安全隐患数据”，可以通过下述的步骤S2021至S2025实现，以下对每一个步骤进行说明。
步骤S2021，当所述待处理泥石流安全隐患数据为实时泥石流安全隐患数据时，对所述待处理泥石流安全隐患数据进行分析处理，得到分析结果。
步骤S2022，结合所述分析结果，确定最大分析值、最小分析值和每一个分析值对应的泥石流数据分桶数目。
在得到待处理泥石流安全隐患数据的分析结果后，遍历该分析结果的每一个泥石流数据分桶，确定出最大分析值、最小分析值和每一个分析值对应的泥石流数据分桶数目。
在一种可能实施的实施例中，还可以基于每一个分析值对应的泥石流数据分桶数目生成分析直方图，通过分析直方图能够直观地了解不同分析值对应的泥石流数据分桶数目的差异。
步骤S2023，结合所述最大分析值和所述最小分析值确定若干个目标分析范围。
在实际应用过程中，可以首先获得用于划分分析范围的片段约束边界，然后从所述最大分析值至所述最小分析值依照所述片段约束边界划分出若干个分析范围，此时有至少二值化方式确定目标分析范围：一是直接划分得到的若干个分析范围均确定为所述目标分析范围；二是依照事先设定范围区间从所述若干个分析范围中筛选出若干个目标分析范围。
步骤S2024，结合所述每一个分析值对应的泥石流数据分桶数目确定每一个目标分析范围对应的泥石流数据分桶全部数量。
该步骤在实现时，将每一个目标分析范围中包括的分析值对应的泥石流数据分桶数目求和即得到了每一个目标分析范围对应的泥石流数据分桶全部数量。
步骤S2025，结合所述每一个目标分析范围对应的泥石流数据分桶全部数量确定第一泥石流安全隐患数据。
在一种可能实施的实施例中，该步骤可以通过下述步骤S251至步骤S253实现，以下对每一个步骤进行说明。
步骤S251，将所述每一个目标分析范围依照范围最大分析值从大到小进行分布，得到分布后的每一个目标分析范围。
这里，每个目标分析范围对应一个范围最大分析值和一个范围最小分析值，将每一个目标分析范围依照范围分析最大值从小到大进行分布，也即将每一个目标分析范围依照从亮到暗的顺序进行分布，得到分布后的每一个目标分析范围。
步骤S252，结合所述分布后的每一个目标分析范围，确定第a+1个目标分析范围对应的泥石流数据分桶全部数量与第a个目标分析范围对应的泥石流数据分桶全部数量的第a比较值。
其中，其中a为1到（X-1）之间的整数，X为目标分析范围全部数量。在该步骤中，是计算相邻的两个目标分析范围对应的泥石流数据分桶全部数量的比较值，在实现时，是将第a+1个目标分析范围的泥石流数据分桶全部数量减去第a个目标分析范围对应的泥石流数据分桶全部数量，得到第a比较值。
步骤S253，确定第a比较值是否大于事先设定的比较值指定值。
其中，由于本公开实施例中的待处理泥石流安全隐患数据中，包括风险等级明显高于待处理泥石流安全隐患数据的大部分范围的第一范围泥石流安全隐患数据，那么当相邻两个目标分析范围对应的泥石流数据分桶全部数量的比较值大于事先设定的比较值指定值时，说明达到了第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的区分分析值，此时进入步骤S254；当第a比较值低于或者等于该比较值指定值时，说明还未达到第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的区分分析值，此时进入步骤S255。
步骤S254，将所述第a个目标分析范围对应的范围最小分析值确定为第一泥石流安全隐患数据。
这里，当确定相邻两个目标分析范围的泥石流数据分桶全部数量的比较值达到比较值指定值时，说明达到了第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的区分分析值，那么在该第一泥石流安全隐患数据时，是将第a个目标分析范围对应的范围最小分析值确定为第一泥石流安全隐患数据，也就是说，当相邻两个目标分析范围中前一个目标分析范围对应的最小分析值确定为第一泥石流安全隐患数据。
步骤S255，将a置为a+1，进入步骤S252。
在确定用于区分第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的第一泥石流安全隐患数据时，通过上述步骤S2021至步骤S2025，首先对待处理泥石流安全隐患数据进行分析处理，得到分析结果，然后再统计出分析结果中每一个分析值对应的泥石流数据分桶数目，并利用分析结果的最大分析值和最小分析值确定出若干个目标分析空间，进而基于相邻目标分析范围的泥石流数据分桶全部数量的比较值，确定出第一泥石流安全隐患数据。由于第一范围泥石流安全隐患数据的去极化风险等级是明显高于第二范围泥石流安全隐患数据的去极化风险等级的，因此在本公开实施例中是从最大分析值开始向前进行泥石流数据分桶全部数量的统计，当确定出现相邻目标分析范围的泥石流数据分桶全部数量的比较值大于事先设定的比较值指定值时，说明在该相邻两个目标分析范围内的泥石流数据分桶全部数量发生了突变，此时认为达到了区分第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的区分分析值，从而保证确定出的第一泥石流安全隐患数据能够准确实现对第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的二值化区分。
在一种可能实施的实施例中，上述步骤S203中的“确定第二泥石流安全隐患数据”可以通过下述步骤S2031至步骤S2034实现，以下对每一个步骤进行说明。
步骤S2031，从所述最小分析值至所述最大分析值依次将每一个分析值确定为待定指定值。
步骤S2032，确定每一个待定指定值对应的若干个主要泥石流数据分桶和若干个次要泥石流数据分桶。
在本公开实施例中，将分析值低于该待定指定值的泥石流数据分桶确定为次要泥石流数据分桶，将分析值大于或者等于该待定指定值的泥石流数据分桶确定为主要泥石流数据分桶。
步骤S2033，基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值确定每一个待定指定值对应的函数处理结果。
该步骤在实现时，首先计算在每一个待定指定值下次要特征占比和主要特征占比，并且计算出次要分析去极化值和主要分析去极化值，再利用方差计算公式计算出每一个待定指定值对应的主要与次要的函数处理结果。
步骤S2034，将最大函数处理结果对应的待定指定值确定为第二泥石流安全隐患数据。
由于方差是分析分布均匀性的一种度量，次要和主要之间的函数处理结果越大,说明构成泥石流安全隐患数据的两部分的差别越大，因此在该步骤中，将最大函数处理结果对应的待定指定值确定为第二泥石流安全隐患数据，能够保证利用该第二泥石流安全隐患数据最大限度地区分出主要部分和次要部分。
在一种可能实施的实施例中，上述步骤S2033“基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值确定每一个待定指定值对应的函数处理结果”可以通过下述的步骤S331至步骤S335实现，以下对每一个步骤进行说明。
步骤S331，基于主要泥石流数据分桶全部数量和次要泥石流数据分桶全部数量确定主要特征占比和次要特征占比。
该步骤在实现时，首先获得分析结果的泥石流安全隐患数据泥石流数据分桶全部数量，然后将主要泥石流数据分桶全部数量除以泥石流安全隐患数据泥石流数据分桶全部数量得到主要特征占比，将次要泥石流数据分桶全部数量除以泥石流安全隐患数据泥石流数据分桶全部数量得到次要特征占比。因此，主要特征占比与次要特征占比均为大于0低于1的实数，且主要特征占比与次要特征占比的和为1。
步骤S332，结合所述每一个主要泥石流数据分桶对应的分析值和所述主要泥石流数据分桶全部数量确定主要分析去极化值。
这里，将每一个主要泥石流数据分桶对应的分析值求和，得到主要总分析值，然后将主要总分析值除以主要泥石流数据分桶全部数量，得到主要分析去极化值。
步骤S333，结合所述每一个次要泥石流数据分桶对应的分析值和所述次要泥石流数据分桶全部数量确定次要分析去极化值。
这里，将每一个次要泥石流数据分桶对应的分析值求和，得到次要总分析值，然后将次要总分析值除以次要泥石流数据分桶全部数量，得到次要分析去极化值。
步骤S334，确定所述分析结果的泥石流安全隐患数据分析去极化值。
该步骤在实现时，将每一个泥石流数据分桶的分析值求和，得到泥石流安全隐患数据总分析值，再将泥石流安全隐患数据总分析值除以泥石流安全隐患数据泥石流数据分桶全部数量，就得到了泥石流安全隐患数据分析去极化值。
步骤S335，结合所述泥石流安全隐患数据分析去极化值、所述主要特征占比、所述次要特征占比、所述主要分析去极化值和所述次要分析去极化值确定所述待定指定值对应的函数处理结果。
在步骤S331至步骤S335所在的实施例中，首先确定出主要特征占比和次要特征占比，然后确定主要分析去极化值和次要分析去极化值，进而再利用方差公式确定每一个待定指定值对应的函数处理结果，从而为确定第二泥石流安全隐患数据提供数据基础。
在一种可能实施的实施例中，上述步骤S204“结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果”可以通过步骤S2041至步骤S2049实现。
步骤S2041，对所述第一分类结果进行清洗处理，得到清洗后的分类结果。
虽然通过第一泥石流安全隐患数据能够将待处理泥石流安全隐患数据中第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据进行区分，但是由于第二泥石流安全隐患数据时通过划分目标分析范围来确定出来的，如果目标分析范围的片段约束边界较大，会降低第一泥石流安全隐患数据的准确度，从而导致通过第一泥石流安全隐患数据进行分类处理得到的第一分类结果中存在干扰因素，因此需要对第一分类结果进行清洗处理，以清洗掉第一分类结果中的干扰因素。该步骤在实现，可以对第一分类结果进行中值清洗，得到清洗后的分类结果，也可以对第一分类结果进行均值清洗，得到清洗后的分类结果。
步骤S2042，获得所述清洗后的分类结果中的隐患集合。
在实际实现过程中，为了提高遍历效率，还可以每区间事先设定行数或列数来获得清洗后的分类结果中的隐患集合。
步骤S2043，结合所述隐患集合整合出所述第一范围泥石流安全隐患数据对应的范围系数。
步骤S2044，结合所述范围系数和所述隐患集合确定所述第一范围泥石流安全隐患数据的定位数据。
由于通过第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理得到的第一分类结果中，第一范围泥石流安全隐患数据的边缘一般是残缺不全的，因此在确定出范围系数之后，可以基于范围系数绘制出具有完整边缘的二值化参考泥石流安全隐患数据。在本公开实施例中，第一范围泥石流安全隐患数据的定位数据可以为第一范围泥石流安全隐患数据中每一个泥石流数据分桶的注意力层面数据，因此，在确定出二值化参考泥石流安全隐患数据中每一个第一节点的注意力层面数据也即得到了第一范围泥石流安全隐患数据的定位数据。
步骤S2045，获得所述第二分类结果中第b个泥石流数据分桶的注意力层面数据。
其中，b＝1，2，…，Y，Y为所述第二分类结果的泥石流数据分桶全部数量。
步骤S2046，基于第b个泥石流数据分桶的注意力层面数据和二值化参考泥石流安全隐患数据确定第b个泥石流数据分桶是否位于第一范围泥石流安全隐患数据内。
该步骤在实现时，可以基于第b个泥石流数据分桶的注意力层面数据，获得该第b个泥石流数据分桶在二值化参考泥石流安全隐患数据中的分析值，如果第b个泥石流数据分桶在二值化参考泥石流安全隐患数据中的分析值表征第b个泥石流数据分桶在二值化参考泥石流安全隐患数据中为第一节点时，说明第b个泥石流数据分桶在第一范围泥石流安全隐患数据内，此时进入步骤S2047；如果第b个泥石流数据分桶在二值化参考泥石流安全隐患数据中的分析值表征第b个泥石流数据分桶在二值化参考泥石流安全隐患数据中为第二节点时，说明第b个泥石流数据分桶在第一范围泥石流安全隐患数据外，此时进入步骤S2049。
步骤S2047，获得所述第b个泥石流数据分桶在所述第一分类结果中的第一描述值。
在实现时，可以基于第b泥石流数据分桶的注意力层面数据，获得第b个泥石流数据分桶在第一分类结果中的第一描述值。
步骤S2048，将所述第二分类结果中的第b个泥石流数据分桶的描述值转换为所述第一描述值。
步骤S2049，保持所述第b个泥石流数据分桶的描述值不变。
步骤S20410，将处理后的第二分类结果确定为目标分类结果。
在本公开实施例中，由于第二分类结果是基于第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理得到的，因此对于风险等级较高的第一范围泥石流安全隐患数据来说，在第二分类结果中会二值化为第一节点，那么会造成第一范围泥石流安全隐患数据中数据丢失，而第一分类结果是基于高于第二泥石流安全隐患数据的第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理得到的，因此在第一分类结果中保留了第一范围泥石流安全隐患数据的节点部分，但是第二范围泥石流安全隐患数据大部分均会被二值化为第二节点，因此在将第一分类结果和第二分类结果进行拼接处理时，将第二分类结果中位于第一范围泥石流安全隐患数据对应位置的泥石流数据分桶的描述值转换为第一分类结果中对应的泥石流数据分桶，如此能够使得目标分类结果中既包括高亮的第一范围泥石流安全隐患数据中的节点信息，还包括非高亮范围中的节点信息。
在一种可能实施的实施例中，上述步骤S2044“结合所述范围系数和所述隐患集合确定所述第一范围泥石流安全隐患数据的定位数据”，可以通过下述的步骤S441至步骤S444实现，以下对每一个步骤进行说明。
步骤S441，获得所述第一范围泥石流安全隐患数据对应的数据规模数据。
在本公开实施例中，第一范围泥石流安全隐患数据对应的数据规模数据可以是预先设置好的，也可以是根据第一范围泥石流安全隐患数据的长度和/或宽度确定出来的。例如，可以是将第一范围泥石流安全隐患数据的长度乘以事先设定系数得到第一范围泥石流安全隐患数据对应的数据规模数据。
步骤S442，结合所述范围系数、所述隐患集合和所述数据规模数据生成二值化参考泥石流安全隐患数据。
将范围系数、隐患集合和数据规模数据确定为该函数的输出，输出为二值化参考泥石流安全隐患数据。在该二值化参考泥石流安全隐患数据中所述第一范围泥石流安全隐患数据内的泥石流数据分桶为第一节点，所述第一范围泥石流安全隐患数据之外的泥石流数据分桶为第二节点。
步骤S443，结合所述二值化参考泥石流安全隐患数据确定所述第一范围泥石流安全隐患数据内每一个泥石流数据分桶的注意力层面数据。
这里，可以通过遍历二值化参考泥石流安全隐患数据中的每一个泥石流数据分桶，得到二值化参考泥石流安全隐患数据中的白色泥石流数据分桶，由于二值化参考泥石流安全隐患数据中的白色泥石流数据分桶即为第一范围泥石流安全隐患数据内的泥石流数据分桶，因此将二值化参考泥石流安全隐患数据中白色泥石流数据分桶的注意力层面数据确定为第一范围泥石流安全隐患数据内每一个泥石流数据分桶的注意力层面数据。
步骤S444，将所述每一个泥石流数据分桶的注意力层面数据确定为所述第一范围泥石流安全隐患数据的定位数据。
通过上述步骤S441至步骤S444，能够基于第一分类结果中的隐患集合、第一范围泥石流安全隐患数据的范围系数和数据规模数据生成包括该范围系数对应的完整的第一范围泥石流安全隐患数据的二值化参考泥石流安全隐患数据，进而能够基于二值化参考泥石流安全隐患数据确定出第一范围泥石流安全隐患数据的定位数据，为后续进行第一分类结果和第二分类结果的拼接处理提供参考数据。
在上述基础上，提供了一种泥石流的安全隐患评估装置，所述装置包括：
数据获得模块，用于获得待处理泥石流安全隐患数据，所述待处理泥石流安全隐患数据中包括第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据，所述第一范围泥石流安全隐患数据的风险等级高于所述第二范围泥石流安全隐患数据的风险等级；
第一数据确定模块，用于确定第一泥石流安全隐患数据，结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果；
第二数据确定模块，用于确定第二泥石流安全隐患数据，结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围；
结果分类模块，用于结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果；
结果评估模块，用于对所述目标分类结果进行评估，得到评估结果。
在上述基础上，示出了一种泥石流的安全隐患评估系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
综上，基于上述方案，在获得到包括第一范围泥石流安全隐患数据的待处理泥石流安全隐患数据之后，首先确定第一泥石流安全隐患数据，并结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果，通过该第一泥石流安全隐患数据将第一范围泥石流安全隐患数据与第二范围泥石流安全隐患数据区分出来，然后再确定第二泥石流安全隐患数据，并结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围，之后结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，并结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果，之后再对所述目标分类结果进行评估，得到评估结果，由于待处理泥石流安全隐患数据中包括第一范围泥石流安全隐患数据，如果仅利用较低的第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，那么第一范围泥石流安全隐患数据均会二值化为第一节点，从而导致第一范围泥石流安全隐患数据中的数据丢失，因此在本公开实施例中，优先利用较高的第一泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，从而区分出待处理泥石流安全隐患数据中的第一范围泥石流安全隐患数据，并且还能够保留第一范围泥石流安全隐患数据中的节点，然后再利用较低的第二泥石流安全隐患数据对待处理泥石流安全隐患数据进行分类处理，以对除第一范围泥石流安全隐患数据之外的其他范围进行分类处理（此时第一范围泥石流安全隐患数据会均二值化为第一节点），最后将第一分类结果和第二分类结果基于第一范围泥石流安全隐患数据的定位数据进行拼接处理，得到目标分类结果，使得目标分类结果中包括第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据的节点信息，保证目标分类结果的完整性，进而利用目标分类结果进行泥石流安全隐患数据评估，能够提高评估精确性和可靠性。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
Claims (10)
1.一种泥石流的安全隐患评估方法，其特征在于，所述方法包括：
获得待处理泥石流安全隐患数据，所述待处理泥石流安全隐患数据中包括第一范围泥石流安全隐患数据和第二范围泥石流安全隐患数据，所述第一范围泥石流安全隐患数据的风险等级高于所述第二范围泥石流安全隐患数据的风险等级；
确定第一泥石流安全隐患数据，结合所述第一泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第一分类结果；
确定第二泥石流安全隐患数据，结合所述第二泥石流安全隐患数据对所述待处理泥石流安全隐患数据进行分类处理，得到第二分类结果，所述第二泥石流安全隐患数据的范围是小于所述第一泥石流安全隐患数据的范围；
结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果；
对所述目标分类结果进行评估，得到评估结果。
2.根据权利要求1中所述的方法，其特征在于，所述确定第一泥石流安全隐患数据包括：
当所述待处理泥石流安全隐患数据为实时泥石流安全隐患数据时，对所述待处理泥石流安全隐患数据进行分析处理，得到分析结果；
结合所述分析结果，确定最大分析值、最小分析值和每一个分析值对应的泥石流数据分桶数目；
结合所述最大分析值和所述最小分析值确定若干个目标分析范围；
结合所述每一个分析值对应的泥石流数据分桶数目确定每一个目标分析范围对应的泥石流数据分桶全部数量；
结合所述每一个目标分析范围对应的泥石流数据分桶全部数量确定第一泥石流安全隐患数据。
3.根据权利要求2中所述的方法，其特征在于，所述结合所述最大分析值和所述最小分析值确定若干个目标分析范围，包括：
获得用于划分分析范围的片段约束边界；
从所述最大分析值至所述最小分析值依照所述片段约束边界划分出若干个分析范围；
将所述分析范围确定为所述目标分析范围；
或者，依照事先设定范围区间从所述若干个分析范围中筛选出若干个目标分析范围。
4.根据权利要求2中所述的方法，其特征在于，所述结合所述每一个目标分析范围对应的泥石流数据分桶全部数量确定第一泥石流安全隐患数据，包括：
将所述每一个目标分析范围依照范围最大分析值从大到小进行分布，得到分布后的每一个目标分析范围；
结合所述分布后的每一个目标分析范围，确定第a+1个目标分析范围对应的泥石流数据分桶全部数量与第a个目标分析范围对应的泥石流数据分桶全部数量的第a比较值；
当所述第a比较值大于事先设定的比较值指定值，将所述第a个目标分析范围对应的范围最小分析值确定为第一泥石流安全隐患数据，其中a为1到（X-1）之间的整数，X为目标分析范围全部数量。
5.根据权利要求2中所述的方法，其特征在于，所述确定第二泥石流安全隐患数据包括：
从所述最小分析值至所述最大分析值依次将每一个分析值确定为待定指定值；
确定每一个待定指定值对应的若干个主要泥石流数据分桶和若干个次要泥石流数据分桶；
基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值确定每一个待定指定值对应的函数处理结果；
将最大函数处理结果对应的待定指定值确定为第二泥石流安全隐患数据。
6.根据权利要求5中所述的方法，其特征在于，所述基于每一个主要泥石流数据分桶对应的分析值和每一个次要泥石流数据分桶对应的分析值确定每一个待定指定值对应的函数处理结果，包括：
基于主要泥石流数据分桶全部数量和次要泥石流数据分桶全部数量确定主要特征占比和次要特征占比，结合所述每一个主要泥石流数据分桶对应的分析值和所述主要泥石流数据分桶全部数量确定主要分析去极化值；
结合所述每一个次要泥石流数据分桶对应的分析值和所述次要泥石流数据分桶全部数量确定次要分析去极化值；
确定所述分析结果的泥石流安全隐患数据分析去极化值；
结合所述泥石流安全隐患数据去极化值、所述主要特征占比、所述次要特征占比、所述主要分析去极化值和所述次要分析去极化值确定所述待定指定值对应的函数处理结果。
7.根据权利要求1中所述的方法，其特征在于，所述结合所述第一分类结果确定所述第一范围泥石流安全隐患数据的定位数据，包括：
对所述第一分类结果进行清洗处理，得到清洗后的分类结果；
获得所述清洗后的分类结果中的隐患集合；
结合所述隐患集合整合出所述第一范围泥石流安全隐患数据对应的范围系数；
结合所述范围系数和所述隐患集合确定所述第一范围泥石流安全隐患数据的定位数据。
8.根据权利要求7中所述的方法，其特征在于，所述结合所述范围系数和所述隐患集合确定所述第一范围泥石流安全隐患数据的定位数据，包括：
获得所述第一范围泥石流安全隐患数据对应的数据规模数据；
结合所述范围系数、所述隐患集合和所述数据规模数据生成二值化参考泥石流安全隐患数据，其中所述二值化参考泥石流安全隐患数据中所述第一范围泥石流安全隐患数据内的泥石流数据分桶为第一节点，所述第一范围泥石流安全隐患数据之外的泥石流数据分桶为第二节点；
结合所述二值化参考泥石流安全隐患数据确定所述第一范围泥石流安全隐患数据内每一个泥石流数据分桶的注意力层面数据；
将所述每一个泥石流数据分桶的注意力层面数据确定为所述第一范围泥石流安全隐患数据的定位数据。
9.根据权利要求8中所述的方法，其特征在于，所述结合所述定位数据对所述第一分类结果和第二分类结果进行拼接处理，得到目标分类结果包括：
获得所述第二分类结果中第b个泥石流数据分桶的注意力层面数据，其中，b＝1，2，…，Y，Y为所述第二分类结果的泥石流数据分桶全部数量；
当结合所述第b个泥石流数据分桶的注意力层面数据和所述二值化参考泥石流安全隐患数据确定所述第b个泥石流数据分桶位于所述第一范围泥石流安全隐患数据内时，获得所述第b个泥石流数据分桶在所述第一分类结果中的第一描述值；
将所述第二分类结果中的第b个泥石流数据分桶的描述值转换为所述第一描述值；
当确定所述第b个泥石流数据分桶位于所述第一范围泥石流安全隐患数据之外时，保持所述第b个泥石流数据分桶的描述值不变，将处理后的第二分类结果确定为目标分类结果；
其中，当所述待处理泥石流安全隐患数据中包括待处理标签时，所述对所述目标分类结果进行评估，得到评估结果，包括：
对所述目标分类结果进行标签定位处理，得到所述标签的定位数据；
结合所述标签的定位数据从所述目标分类结果中获得标签泥石流安全隐患数据；
利用事先设定的人工智能评估线程对所述标签泥石流安全隐患数据进行评估，得到评估结果。
10.一种泥石流的安全隐患评估系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410332070.0A CN117933578B (zh) | 2024-03-22 | 2024-03-22 | 一种泥石流的安全隐患评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410332070.0A CN117933578B (zh) | 2024-03-22 | 2024-03-22 | 一种泥石流的安全隐患评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117933578A true CN117933578A (zh) | 2024-04-26 |
| CN117933578B CN117933578B (zh) | 2024-06-07 |
Family
ID=90751149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410332070.0A Active CN117933578B (zh) | 2024-03-22 | 2024-03-22 | 一种泥石流的安全隐患评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933578B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118171087A (zh) * | 2024-05-14 | 2024-06-11 | 四川省华地建设工程有限责任公司 | 一种适用于较陡沟谷型泥石流沟的监测方法及系统 |
| CN118194056A (zh) * | 2024-05-15 | 2024-06-14 | 四川省华地建设工程有限责任公司 | 一种坡面型泥石流监测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101567262B1 (ko) * | 2014-12-05 | 2015-11-09 | 연세대학교 산학협력단 | 기후 변화를 고려한 산사태 및 토석류 발생 예측 방법 및 시스템 |
| KR101762809B1 (ko) * | 2016-01-21 | 2017-07-28 | 전주비전대학교산학협력단 | 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법 |
| KR101894495B1 (ko) * | 2017-08-17 | 2018-09-04 | 서울대학교산학협력단 | 토석류 재해 예보 시스템 및 방법 |
| CN112330150A (zh) * | 2020-11-05 | 2021-02-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 大区域泥石流灾害可发性的早期判识方法 |
| CN114926067A (zh) * | 2022-05-31 | 2022-08-19 | 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) | 一种基于信息量模型的层次分析地质灾害风险评价方法 |
| CN115375182A (zh) * | 2022-09-15 | 2022-11-22 | 河南理工大学 | 基于多源遥感数据的泥石流灾害危险性评价方法 |
| CN117390555A (zh) * | 2023-10-27 | 2024-01-12 | 电子科技大学 | 一种实现泥石流灾害风险多维分类预测方法 |
| CN117689213A (zh) * | 2024-01-31 | 2024-03-12 | 四川省华地建设工程有限责任公司 | 基于人工智能的泥石流风险评估方法及系统 |
-
2024
- 2024-03-22 CN CN202410332070.0A patent/CN117933578B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101567262B1 (ko) * | 2014-12-05 | 2015-11-09 | 연세대학교 산학협력단 | 기후 변화를 고려한 산사태 및 토석류 발생 예측 방법 및 시스템 |
| KR101762809B1 (ko) * | 2016-01-21 | 2017-07-28 | 전주비전대학교산학협력단 | 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법 |
| KR101894495B1 (ko) * | 2017-08-17 | 2018-09-04 | 서울대학교산학협력단 | 토석류 재해 예보 시스템 및 방법 |
| CN112330150A (zh) * | 2020-11-05 | 2021-02-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 大区域泥石流灾害可发性的早期判识方法 |
| CN114926067A (zh) * | 2022-05-31 | 2022-08-19 | 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) | 一种基于信息量模型的层次分析地质灾害风险评价方法 |
| CN115375182A (zh) * | 2022-09-15 | 2022-11-22 | 河南理工大学 | 基于多源遥感数据的泥石流灾害危险性评价方法 |
| CN117390555A (zh) * | 2023-10-27 | 2024-01-12 | 电子科技大学 | 一种实现泥石流灾害风险多维分类预测方法 |
| CN117689213A (zh) * | 2024-01-31 | 2024-03-12 | 四川省华地建设工程有限责任公司 | 基于人工智能的泥石流风险评估方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| BAOFENG DI等: "Assessing Susceptibility of Debris Flow in Southwest China Using Gradient Boosting Machine", 《SCIENTIFIC REPORTS》, vol. 9, 29 August 2019 (2019-08-29), pages 12532 * |
| KIM GIHONG: "A Model for Evaluation of Debris Flow Risk in a Watershed", 《JOURNAL OF THE KOREAN SOCIETY OF HAZARD MITIGATION》, vol. 12, no. 4, 31 December 2012 (2012-12-31), pages 67 - 76 * |
| 刘希林: "区域泥石流风险评价研究", 《自然灾害学报》, vol. 9, no. 1, 29 February 2000 (2000-02-29), pages 54 - 61 * |
| 唐川 等: "基于GIS技术的泥石流风险评价研究", 《地理科学》, vol. 22, no. 3, 30 June 2002 (2002-06-30), pages 300 - 304 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118171087A (zh) * | 2024-05-14 | 2024-06-11 | 四川省华地建设工程有限责任公司 | 一种适用于较陡沟谷型泥石流沟的监测方法及系统 |
| CN118194056A (zh) * | 2024-05-15 | 2024-06-14 | 四川省华地建设工程有限责任公司 | 一种坡面型泥石流监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117933578B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117933578B (zh) | 一种泥石流的安全隐患评估方法及系统 | |
| Samanta et al. | Flood susceptibility analysis through remote sensing, GIS and frequency ratio model | |
| Wu et al. | Efficient delineation of nested depression hierarchy in digital elevation models for hydrological analysis using level‐set method | |
| US10096154B2 (en) | Localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high resolution topographical data | |
| Bell et al. | Quantifying regional trends in large live tree and snag availability in support of forest management | |
| Connolly et al. | Detecting peatland drains with object based image analysis and Geoeye-1 imagery | |
| Iban et al. | Snow avalanche susceptibility mapping using novel tree-based machine learning algorithms (XGBoost, NGBoost, and LightGBM) with eXplainable Artificial Intelligence (XAI) approach | |
| Korzeniowska et al. | Regional snow-avalanche detection using object-based image analysis of near-infrared aerial imagery | |
| Ahmad et al. | Evaluation and mapping of predicted future land use changes using hybrid models in a coastal area | |
| Ghaffarian et al. | Automated quantification of floating wood pieces in rivers from video monitoring: a new software tool and validation | |
| Sykes et al. | Automated Avalanche Terrain Exposure Scale (ATES) mapping–local validation and optimization in western Canada | |
| Pandey et al. | A grey relational model for soil erosion vulnerability assessment in subwatershed of lesser Himalayan region | |
| Liang et al. | Exploring the potential relationship between the occurrence of debris flow and landslides | |
| Pinna et al. | Assessing the potential for restoring Mediterranean coastal dunes under pressure from tourism | |
| Ayana et al. | Land use change analysis using remote sensing and Markov modeling in Fincha watershed, Ethiopia | |
| Santos et al. | Coastal evolution and future projections in Conde County, Brazil: A multi-decadal assessment via remote sensing and sea-level rise scenarios | |
| Xie et al. | Discovering interesting subpaths with statistical significance from spatiotemporal datasets | |
| KR102600103B1 (ko) | 인공지능 기반 스마트 도시 침수 예측 및 대응 시스템 | |
| Halabisky et al. | The Wetland Intrinsic Potential tool: Mapping wetland intrinsic potential through machine learning of multi-scale remote sensing proxies of wetland indicators | |
| Lahay et al. | Spatiotemporal mapping of inundation area at Lake Limboto in Gorontalo, Indonesia, using cloud computing technology | |
| Morel et al. | Statistical modeling of sediment supply in torrent catchments of the northern French Alps | |
| Duvillier et al. | Development and evaluation of a method to identify potential release areas of snow avalanches based on watershed delineation | |
| Duvillier et al. | Development and validation using ground truth of a method to identify potential release areas of snow avalanches based on watershed delineation | |
| Stewart et al. | Disturbance capture and attribution through the integration of Landsat and IRS-1C imagery | |
| CN118351659B (zh) | 基于gps定位与无线传感器网络的管道堵塞预警方法及系统 |
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 |