CN106844948B - 滑坡预测方法和装置 - Google Patents

滑坡预测方法和装置 Download PDF

Info

Publication number
CN106844948B
CN106844948B CN201710039029.4A CN201710039029A CN106844948B CN 106844948 B CN106844948 B CN 106844948B CN 201710039029 A CN201710039029 A CN 201710039029A CN 106844948 B CN106844948 B CN 106844948B
Authority
CN
China
Prior art keywords
layer
grid
layers
data
landslide
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
Application number
CN201710039029.4A
Other languages
English (en)
Other versions
CN106844948A (zh
Inventor
袁宏永
武海丽
苏国锋
李志鹏
陈涛
***
黄全义
孙占辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Chen'an Science And Technology Co Ltd
Tsinghua University
Original Assignee
Beijing Chen'an Science And Technology Co Ltd
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Chen'an Science And Technology Co Ltd, Tsinghua University filed Critical Beijing Chen'an Science And Technology Co Ltd
Priority to CN201710039029.4A priority Critical patent/CN106844948B/zh
Publication of CN106844948A publication Critical patent/CN106844948A/zh
Application granted granted Critical
Publication of CN106844948B publication Critical patent/CN106844948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及滑坡预测方法和装置，所述滑坡预测方法用于具有多个地理空间数据层的地理信息***中，该方法包括：从预定的分析区域的多个地理空间数据层中选取m个数据层，其中，所述m为大于等于2的自然数，针对所选取的m个数据层中的每个数据层，分别按照该数据层各栅格的属性数据值的大小进行排序，按照每一层的排序结果的顺序，分别以第一～第m预定栅格数对每一层的所有栅格进行等分，分别形成第一～第m多边形单元组，计算所述第一～第m多边形单元组中的每个栅格的模糊隶属值，根据每个栅格的第一～第m层的模糊隶属值，利用模糊代数和模型，求出所述预定的分析区域的每个栅格的滑坡发生可能性值。

Description

滑坡预测方法和装置
技术领域
本发明涉及灾害预测领域，尤其是涉及滑坡预测方法和装置。
背景技术
滑坡是岩石、碎石或土的块体沿斜坡移动的一种现象，它是显著改变地球地表景观的自然地质过程。当其影响到人类活动时，则会成为灾害。在过去的十几年里，地理信息***(GIS)技术在滑坡预测中得到越来越多的应用。利用地理信息***的滑坡预测通常基于以下的前提来进行：第一，在研究区域内，可以用GIS的空间数据来对历史上已经发生滑坡的特征以及专家知识进行描述，其中，专家知识通常包括：专家对滑坡变形迹象特征、变形迹象名称、变形部位、变形活动阶段；滑坡自然诱因、地貌因素、物理因素、人为因素、滑坡发生主导因素、复活诱发因素、目前稳定状、今后变化趋势；滑坡监测、防治建议等的分析知识；第二，过去和现在是了解将来的钥匙，即将到来的滑坡可能发生在那些曾经引起滑坡的地质、地貌和水文环境中。由此，学者们提出了很多定量的滑坡预测模型，常见的有：布尔逻辑模型(Boolean logic model)、二值证据模型(binary evidence model)、多类别图层指数叠加模型(index overlay with multi-class maps)、模糊逻辑模型(fuzzy logicmodel)、贝叶松模型(Bayesian model)、回归模型(regression model)、证据权重模型(weight of evidence)、确定性因子模型(certainty factor model)等等。
发明内容
本发明提供一种能够应用于地区土地利用规划管理及应急管理中的滑坡预测方法和装置。
根据本发明的实施方式的一个方面，提供一种滑坡预测方法，用于具有多个地理空间数据层的地理信息***，该方法包括：从预定的分析区域的多个地理空间数据层中选取m个数据层，将所述m个数据层作为第一～第m层，其中，所述m为大于等于2的自然数；针对所述第一～第m层中的第k层，按照所述第k层的每个栅格的属性数据值的大小进行排序；按照所述第k层的排序结果的顺序，以第k预定栅格数对所述第k层的所有栅格进行等分，形成第k多边形单元组；针对所述第k层，计算所述第k多边形单元组中的每个栅格的模糊隶属值，其中，k为大于等于1且小于等于m的自然数，由此分别获得每个栅格的所述第一～第m层的模糊隶属值；以及根据每个栅格的所述第一～第m层的模糊隶属值，利用模糊代数和模型，求出所述预定的分析区域的每个栅格的滑坡发生可能性值。
根据本发明的实施方式的一个方面，提供滑坡预测装置，用于具有多个地理空间数据层的地理信息***，该装置包括：选取模块，所述选取模块被配置为从预定的分析区域的多个地理空间数据层中选取m个数据层，将所述m个数据层作为第一～第m层，其中，所述m为大于等于2的自然数；排序模块，所述排序模块被配置为针对所述第一～第m层中的第k层，按照所述第k层的每个栅格的属性数据值的大小进行排序；等分模块，所述等分模块被配置为按照所述排序模块所排序的所述第k层的排序结果的顺序，以第k预定栅格数对所述第k层的所有栅格进行等分，形成第k多边形单元组；隶属值计算模块，所述隶属值计算模块被配置为针对所述第k层，计算所述第k多边形单元组中的每个栅格的模糊隶属值，其中，k为大于等于1且小于等于m的自然数，由此分别获得每个栅格的所述第一～第m层的模糊隶属值；以及预测模块，所述预测模块被配置为根据每个栅格的所述第一～第m层的模糊隶属值，利用模糊代数和模型，求出所述预定的分析区域的每个栅格的滑坡发生可能性值。
根据本发明的实施方式，通过选取多个地理空间数据层中的部分数据层来求出滑坡发生可能性值，因此，能够适用于已有数据不全的情况，或者来不及获取全面数据等的紧急情况。另外，通过对每一层的数据按照该数据层的属性数据值的大小进行排序并按照排序顺序以预定的栅格数对该数据层的所有栅格进行等分，所形成的同一层的每个多边形单元所包含的栅格数相同，因此，统计结果更加合理，能够更准确地预测滑坡发生可能性。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是示出本发明的第一实施方式所涉及的滑坡预测方法的流程图；
图2是示出本发明的第二实施方式所涉及的滑坡预测装置的基本构成的功能模块图；
图3是示出本发明的滑坡预测方法和装置被应用的地理信息***的结构示意图。
具体实施方式
在本领域中，存在如下相关技术：利用历史滑坡数据、基岩地质图、地表地质图、斜坡类型图、土地利用图、地形坡度分类图、海拔高程分类图、居民点分布分类图、水系分布分带图、道路分布分带图以及地貌类型图等地理空间数据，以模糊伽马模型、模糊代数积模型、模糊代数和模型以及模糊最小模型这4个定量滑坡预测模型为例，探讨滑坡预测模型的预测率在对比、评价和选择不同模型方面的作用。
在该相关技术中，对地形坡度分类图进行多边形单元分类时，采用10度间隔分类的方法，对海拔高程分类图进行多边形单元分类时，采用250m间隔分类的方法。即，按照地形坡度、海拔高程等的具体数据值进行等间隔划分。
本发明的发明人经过研究发现，在如上所述的那样按照影响因素的具体数据值进行等间隔划分的情况下，各多边形单元所覆盖的栅格数量不同，有可能有数量级的悬殊。例如，地形坡度为0度到10度之间的栅格的数量比较多，而地形坡度为80度到90度之间的栅格的数量较少，而栅格的数量较多，所覆盖的空间区域面积大，因面积较大，在此区域内发生的历史滑坡的次数也多，由此预判出此区域将来发生滑坡的可能性也大；栅格的数量较少的多边形区域，所覆盖的空间区域面积小，在该区域内发生历史滑坡的次数也少，由此预判出此区域将来发生滑坡的可能性也小。所以，在按照地形坡度的数据值以等间隔的方式进行多边形单元分类时，由于每个多边形单元内栅格的数量不同，从而干扰对于该地形坡度因素对滑坡发生可能性的影响的统计结果。在对其他图层进行多边形单元分类的分类方法中，也均存在类似的问题。
另外，上述的相关技术等是为了科学研究而非为了实际应用，其中，不仅需要历史滑坡数据，还同时需要基岩地质图、地表地质图、斜坡类型图、土地利用图、地形坡度分类图、海拔高程分类图、居民点分布分类图、水系分布分带图、道路分布分带图以及地貌类型图等多个地理空间数据层。由此看出，需要的数据较多，这在滑坡预测的实际应用过程中难以实现。尤其是，在已经发生暴雨等而有可能随时发生滑坡灾害、需要尽快疏散可能受害的群众等的危急情况下，难以马上获取上述的全部的地理空间数据。
本发明的发明人经过研究发现，只要有基岩地质数据层、地表地质数据层、斜坡类型数据层、土地利用类型数据层、地形坡度数据层、海拔高程数据层、居民点分布数据层、水系分布数据层、道路分布数据层、地貌类型数据层、滑坡类型分布数据层等地理空间数据层中的两种以上的数据层以及历史滑坡数据，就能够获得满足应急决策等的实际应用的预测结果。
从而，本发明的发明人提出了如下的滑坡预测方法，用于具有多个地理空间数据层的地理信息***，该方法包括以下的步骤：
从预定的分析区域的多个地理空间数据层中选取m个数据层，将所述m个数据层作为第一～第m层，其中，m为大于等于2的自然数；
针对所述第一～第m层中的第k层，按照该第k层的每个栅格的属性数据值的大小进行排序；
按照所述第k层的排序结果的顺序，以第k预定栅格数对所述第k层的所有栅格进行等分，形成第k多边形单元组；
针对所述第k层，计算所述第k多边形单元组中的每个栅格的模糊隶属值，其中，k为大于等于1且小于等于m的自然数，由此分别获得每个栅格的所述第一～第m层的模糊隶属值；以及
根据每个栅格的所述第一～第m层的模糊隶属值，利用模糊代数和模型，求出所述预定的分析区域的每个栅格的滑坡发生可能性值。
然而，对于本领域技术人员来说显而易见的是，本发明可以在不需要某些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更清楚的理解。本发明不限于下面所提出的任何具体配置和方法，而是在不脱离本发明的精神的前提下覆盖了相关部件和步骤的任何修改、替换和改进。
<第一实施方式>
图1是示出本发明的第一实施方式所涉及的滑坡预测方法的流程图。以下，参照图1，对滑坡预测方法的具体步骤进行详细说明。该滑坡预测方法用于具有多个地理空间数据层的地理信息***中。
在S101步骤中，从预定的分析区域的多个地理空间数据层选取m个数据层，并将该m个数据层分别作为第一～第m层。其中，m为大于等于2且小于等于多个地理空间数据层的个数的自然数。其中，所述预定的分析区域是指作为滑坡预测对象的地理区域。针对该预定的分析区域，存在多个地理空间数据层。这些多个地理空间数据层中的一部分或全部可以用以进行滑坡预测。地理信息***的所述多个地理空间数据层可以包含基岩地质数据层、地表地质数据层、斜坡类型数据层、土地利用类型数据层、地形坡度数据层、海拔高程数据层、居民点分布数据层、水系分布数据层、道路分布数据层、地貌类型数据层、滑坡类型分布数据层等地理空间数据层之中的大于等于两个的数据层。在本实施方式中，由于可以使用多个地理空间数据层中的部分数据层来进行滑坡发生可能性的预测，因此，能够适用于已有数据不全的情况，或者来不及获取全面数据等的紧急情况。
在S102步骤中，针对在S101步骤中选取的m个数据层中的每一层(即，第一～第m层)，分别按照该数据层各栅格的属性数据值的大小对该数据层中的栅格进行排序。也就是说，分别针对第一～第m层中的第k层(k为大于等于1且小于等于m的自然数)，按照第k层各栅格的属性数据值的大小对该第k层中的栅格进行排序。以这样的方式，分别对第一～第m层中的每一层进行处理。其中，属性数据值是表示各栅格的属性的数据值，例如，地形坡度值、海拔高程值等。所述排序可以由小到大进行，也可以由大到小进行。对属性数据值的排序方法可以采用任意的已知方法，在此不特别限定。
在S103步骤中，按照S102步骤中的所述第一～第m层的排序结果的顺序，分别以第一～第m预定栅格数对所述第一～第m层的所有栅格进行等分，分别形成第一～第m多边形单元组。
也就是说，按照第k层(k为大于等于1且小于等于m的自然数)的数据值的排序结果的顺序，以第k预定栅格数对第k层的所有栅格进行等分，从而形成第k多边形单元组。第k层的多边形单元组(第k多边形单元组)包含多个相同大小(包含的栅格数相同)的第ki多边形单元，其中，ki表示第k层的多边形单元组(第k多边形单元组)中的第i个多边形单元。即，第k多边形单元组中的每个第ki多边形单元均包含第k预定栅格数nk的栅格。若预定的分析区域的栅格总数为n时，i为大于等于1且小于等于n/nk的自然数。以这样的方式，分别对第一～第m层中的每一层进行处理。
其中，第一～第m预定栅格数(n1～nm)可以相同也可以不同，可以根据分析区域的大小、数据量的大小、需要的精度等来决定。分析区域的每一层的所有栅格分别被预定栅格数等分之后，被划分的每一份的栅格形成该层的多边形单元。由于第一～第m预定栅格数可以不同，因此，第一～第m多边形单元组的大小也可以不同。
通过对每一层的数据按照该数据层各栅格的属性数据值的大小进行排序并按照顺序以预定的栅格数对该数据层的所有栅格进行等分，所形成的同一层的每个多边形单元(例如，第k1多边形单元～第kn/nk多边形单元)所包含的栅格数相同，同一层的每个多边形单元所覆盖的面积也相同，因此，统计结果更加合理，能够更准确地分析出该地理空间属性对滑坡发生可能性的影响。
在S104步骤中，针对第一～第m层中的每一层，计算第一～第m多边形单元组中的每个栅格的模糊隶属值。也就是说，针对第一～第m层中的第k层，计算第k多边形单元组中的每个栅格的模糊隶属值。以这样的方式，分别对第一～第m层中的每一层进行处理。由此，获得每个栅格的第一～第m层的模糊隶属值。
例如，计算第k层的多边形单元组(第k多边形单元组)中的每个第ki多边形单元的模糊隶属值，将其作为属于该第ki多边形单元的每个栅格的模糊隶属值，从而获得针对每个栅格的第一～第m层的模糊隶属值。
模糊逻辑(Fuzzy Logic)是一种使用隶属度代替布尔真值的逻辑。与经典的二值逻辑不同，它并不使用截然不同的二值来表达所有命题，而是使用隶属度来表达，更适合描述实际问题中陈述的不精确性。模糊逻辑专门用于解决各个类之间的边界不明确时的情况。与明确集合不同，模糊逻辑不是在类内还是在类外的问题；模糊逻辑用于定义现象是集合(或类)的成员的可能性有多大。
隶属度函数是指：若对论域(研究的范围)U中的任一元素x，都有一个数A(x)∈[0，1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度。当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近1，表示x属于A的可能性越高；A(x)越接近0，表示x属于A的可能性越低。用取值于区间[0，1]的隶属函数A(x)表征x属于A的可能性高低。
模糊化过程是将原始输入值变换为0到1的范围内的隶属值的过程。
例如，在第一层数据为地形坡度数据、且针对第一多边形单元组求出模糊隶属值时，根据地形坡度值成为影响滑坡发生因素集合的成员的可能性，将每个坡度值变换为一个介于0和1之间的值。值1表示完全确定值在集合中，0表示完全确定值不在集合中，其他所有值表示某种可能性等级，较高的值表示较大的隶属可能性。
某一层(例如，第k层)的多边形单元组(第k多边形单元组)中的每个多边形单元(即，每个第ki多边形单元)的模糊隶属值可以基于该数据层(第k层)与历史滑坡数据层的叠加分析来求出。具体来说，可以通过如下方式求出：将历史滑坡数据层与该数据层(第k层)进行叠加分析，统计在每个多边形单元(例如，第ki多边形单元)中发生滑坡的栅格数的比例值，将该比例值作为该多边形单元(第ki多边形单元)的模糊隶属值。
通过对每个多边形单元求出模糊隶属值，可以获得属于该多边形单元中的每个栅格的模糊隶属值。具体来说，可以将该多边形单元(例如，第ki多边形单元)的模糊隶属值直接作为属于该多边形单元(例如，第ki多边形单元)的每个栅格的模糊隶属值。通过求出每一层的所有多边形单元的模糊隶属值，可以获得每一层的所有栅格的模糊隶属值。换言之，也可以获得针对每个栅格(同一位置的栅格)的第一～第m层的模糊隶属值。
在S105步骤中，根据每个栅格的第一～第m层的模糊隶属值，利用模糊代数和模型，求出预定的分析区域的每个栅格的滑坡发生可能性值。
可以将针对每个栅格的不同图层(不同因素)的模糊隶属值，按基于模糊逻辑理论的模糊代数和模型的公式进行计算。
模糊代数和模型：
Figure BDA0001213933930000081
在上述模型中，μsk为第k层的模糊隶属值，其域值为(0，1)，μs为模型的输出值(即，s栅格的滑坡发生可能性值)，其域值为(0，1)，根据每个栅格的输出值μs可以形成一个数值型图层。μs的数值越大，表示该栅格所对应的区域产生滑坡的可能性越大。
第k层的模糊隶属值是指第k层的各栅格的模糊隶属值。s表示各栅格。本发明的第一实施方式所涉及的滑坡预测方法还可以包括：将每个栅格的滑坡发生可能性值进行显示的S106步骤。
具体来说，在GIS中，不仅可以直接以数值的方式显示每个栅格的产生滑坡可能性值μs，也可以用不同颜色来表示不同的输出值。例如，浅色区域表示滑坡发生可能性大的值，即，表示危险级别高；暗色区域表示滑坡发生可能性小的值，即，表示危险级别低。换言之，色调越浅的区域发生滑坡的可能性越大，色调越深的区域发生滑坡的可能性越小。
<实施例1>
为了更加详细说明滑坡预测方法的具体流程，在实施例1中，以m为5、在多个地理空间数据层中选择了地形坡度数据层、海拔高程数据层、水系分布数据层、道路分布数据层、居民点分布数据层这五个数据层的情况为例，进行说明。
此时，例如，在S101步骤中，从预定的分析区域的多个地理空间数据层中选取第一层的地形坡度数据、第二层的海拔高程数据、第三层的水系分布数据、第四层的道路分布数据、第五层的居民点分布数据。
在S102步骤中，对第一层(即，该第一层中的所有栅格)，按照地形坡度值的大小进行排序；对第二层，按照海拔高程值的大小进行排序；对第三层，按照距水系距离值的大小进行排序；对第四层，按照距道路距离值的大小进行排序；对第五层，按照距居民点距离值的大小进行排序。
其中，按照距水系距离值的大小进行排序是指：按照每个栅格距离该栅格最近水系的距离值的大小进行排序。按照距道路距离值的大小进行排序是指：按照每个栅格距离该栅格最近道路的距离值的大小进行排序。按照距居民点距离值的大小进行排序是指：按照每个栅格距离该栅格最近居民点的距离值的大小进行排序。
在S103步骤中，以第一预定栅格数n1对分析区域的地形坡度数据层的所有栅格进行等分，形成第一多边形单元组，即地形坡度多边形单元组；以第二预定栅格数n2对分析区域的海拔高程数据层的所有栅格进行等分，形成第二多边形单元组，即海拔高程多边形单元组；以第三预定栅格数n3对分析区域的水系分布数据层的所有栅格进行等分，形成第三多边形单元组，即距水系距离多边形单元组；以第四预定栅格数n4对分析区域的道路分布数据层的所有栅格进行等分，形成第四多边形单元组，即距道路距离多边形单元组；以第五预定栅格数n5对分析区域的居民点分布数据层的所有栅格进行等分，形成第五多边形单元组，即距居民点距离多边形单元组。其中，n1、n2、n3、n4、n5可以相同也可以不同。例如，可以采用n1＝n3＝n4＝n5＝10，n2＝100，其值可以根据数据量和所需精度等进行设定，在此不进行特别限定。
在S104步骤中，针对地形坡度多边形单元组，将历史滑坡数据层与地形坡度数据层进行叠加分析，统计在地形坡度多边形单元组中的每个地形坡度多边形单元中发生滑坡的栅格数的比例值，将该比例值作为该地形坡度多边形单元的模糊隶属值μs1，即，地形坡度模糊隶属值μs1，从而属于该多边形单元的所有栅格的地形坡度模糊隶属值均为μs1；针对海拔高程多边形单元组，将历史滑坡数据层与海拔高程数据层进行叠加分析，统计在海拔高程多边形单元组中的每个海拔高程多边形单元中发生滑坡的栅格数的比例值，将该比例值作为该海拔高多边形单元的模糊隶属值μs2，即，海拔高程模糊隶属值μs2，从而属于该多边形单元的所有栅格的海拔高程模糊隶属值均为μs2；针对距水系距离多边形单元组，将历史滑坡数据层与距水系距离数据层进行叠加分析，统计在距水系距离多边形单元组中每个距水系距离多边形单元中发生滑坡的栅格数的比例值，将该比例值作为该距水系距离多边形单元的模糊隶属值μs3，即，距水系距离模糊隶属值μs3，从而属于该多边形单元的所有栅格的距水系距离模糊隶属值均为μs3；针对距道路距离多边形单元组，将历史滑坡数据层与距道路距离数据层进行叠加分析，统计在距道路距离多边形单元组中的每个距道路距离多边形单元中发生滑坡的栅格数的比例值，将该比例值作为该距道路距离多边形单元的模糊隶属值μs4，即，距道路距离模糊隶属值μs4，从而属于该多边形单元的所有栅格的距道路距离模糊隶属值均为μs4；针对距居民点距离多边形单元组，将历史滑坡数据层与距居民点距离数据层进行叠加分析，统计在距居民点距离多边形单元组中的每个距居民点距离多边形单元中发生滑坡的栅格数的比例值，将该比例值作为该距居民点距离多边形单元的模糊隶属值μs5，即，距居民点距离模糊隶属值μs5，从而属于该多边形单元的所有栅格的距居民点距离模糊隶属值均为μs5。
在S105步骤中，根据每个栅格的地形坡度模糊隶属值μs1、海拔高程模糊隶属值μs2、水系分布模糊隶属值μs3、道路分布模糊隶属值μs4、居民点分布模糊隶属值μs5，利用以下的公式求出每个栅格的滑坡发生可能性值。
Figure BDA0001213933930000101
在以上的第一实施方式或实施例1中，虽然举例示出了对第一～第m层，分别进行了S102步骤、S103步骤、S104步骤的处理，但是也可以针对第一～第m层中的第k层进行S102步骤～S104步骤的处理，k取1～m，重复S102步骤～S104步骤的处理。
<第二实施方式>
图2是示出本发明的第二实施方式所涉及的滑坡预测装置的基本构成的功能模块图。以下，参照图2对滑坡预测装置10的具体构成进行详细说明。滑坡预测装置10可以用于具有多个地理空间数据层的地理信息***20。滑坡预测装置10可以以安装在地理信息***中的软件程序的形式来实现。
滑坡预测装置10可以包括选取模块11、排序模块12、等分模块13、隶属值计算模块14、预测模块15。滑坡预测装置10的选取模块11、排序模块12、等分模块13、隶属值计算模块14、预测模块15中的一部分或全部也可以由FPGA等硬件的形式来实现。
选取模块11被配置为从针对预定的分析区域的多个地理空间数据层中选取m个数据层，将m个数据层作为第一～第m层，其中，m为大于等于2的自然数。
排序模块12被配置为针对选取模块11所选取的m个数据层中的第一～第m层，分别按照该数据层各栅格的属性数据值的大小进行排序。也就是说，排序模块12被配置为针对第一～第m层中的第k层，按照第k层的每个栅格的属性数据值的大小进行排序。k为大于等于1且小于等于m的自然数。对第一～第m层中的每一层，进行相同的处理。
等分模块13被配置为按照排序模块12对第一～第m层中的每一层的排序结果的顺序，分别以第一～第m预定栅格数对每一层的所有栅格进行等分，分别形成第一～第m多边形单元组。也就是说，等分模块13被配置为按照第k层的排序结果的顺序，以第k预定栅格数对第k层的所有栅格进行等分，形成第k多边形单元组。对第一～第m层中的每一层，进行相同的处理。
隶属值计算模块14被配置为计算第一～第m多边形单元组中的每个栅格的模糊隶属值。也就是说，隶属值计算模块14被配置为针对所述第k层，计算所述第k多边形单元组中的每个栅格的模糊隶属值。对第一～第m层中的每一层，进行相同的处理。由此，获得每个栅格的第一～第m层的模糊隶属值。
预测模块15被配置为根据每个栅格的第一～第m层的模糊隶属值，利用模糊代数和模型，求出预定的分析区域的每个栅格的滑坡发生可能性值。
图3是示出本发明的滑坡预测方法和装置被应用的地理信息***的结构示意图。
地理信息***通常包括一个处理器405，处理器405是一块超大规模的集成电路，是一台计算机的运算核心和控制核心。它的功能主要是解释计算机指令以及处理计算机软件中的数据。处理器405主要包括运算器和高速缓冲存储器406及实现它们之间联系的数据、控制及状态的总线。
地理信息***通常还包括存储器，计算机中的存储器按用途可分为主存储器(内存)，例如，ROM(Read Only Memory image，只读存储器)403、RAM(Random Access Memory，随机存取存储器)404和辅助存储器(外存)402。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，光盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为便携式或者固定存储单元。该存储单元可以具有与前面所述的终端中的存储器类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元包括计算机可读代码，即可以由诸如之类的处理器读取的代码，这些代码当由服务器上运行搜索引擎程序时，导致该服务器执行上面所描述的方法中的各个步骤。本发明的实施方式中的多个地理空间数据层也可以存储在该存储器中。这些数据层也可以存储在外部的服务器中，并通过通信来下载到该地理信息***中。
进一步地，地理信息***还包括至少一个输入装置401用于用户与该***之间的相互作用，输入装置401可以为键盘、鼠标、图像捕捉元件，重力传感器，声音接收元件，触摸屏等；地理信息***还包括至少一个输出装置408，输出装置408可以是图像投影单元，屏幕(或触摸屏)，喇叭，蜂鸣器，闪光灯，振动输出元件等；地理信息***还可以包括一个以有线或无线方式进行数据通信的通信接口407。地理信息***还包括连接各组成结构的总线409。
说明书和权利要求书中的“第一”、“第二”等仅用于对术语进行区别，而并不表示其顺序。
权利要求书中的单词“包括”不排除存在未列在权利要求中的元件或步骤。在包含了若干元件的权利要求中，其中多个元件可以是通过同一个硬件来具体实现。
以上，虽然结合附图描述了本发明的具体实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变形，这样的修改和变形均落入由所述权利要求所限定的范围之内。

Claims (8)

1.一种滑坡预测方法，用于具有多个地理空间数据层的地理信息***，该方法包括：
从预定的分析区域的多个地理空间数据层中选取m个数据层，将所述m个数据层作为第一～第m层，其中，所述m为大于等于2的自然数；
针对所述第一～第m层中的第k层，按照所述第k层的每个栅格的属性数据值的大小，对栅格进行排序；
按照所述第k层的排序结果的顺序，以第k预定栅格数对所述第k层的所有栅格进行等分，形成第k多边形单元组；
针对所述第k层，将第k多边形单元组的每个多边形单元的模糊隶属值作为该多边形单元中的每个栅格的模糊隶属值，其中，k为大于等于1且小于等于m的自然数，由此分别获得每个栅格的所述第一～第m层的模糊隶属值；以及
根据每个栅格的所述第一～第m层的模糊隶属值，利用模糊代数和模型，求出所述预定的分析区域的每个栅格的滑坡发生可能性值。
2.如权利要求1所述的滑坡预测方法，其中，
所述多个地理空间数据层包括基岩地质数据层、地表地质数据层、斜坡类型数据层、土地利用类型数据层、地形坡度数据层、海拔高程数据层、居民点分布数据层、水系分布数据层、道路分布数据层、地貌类型数据层、滑坡类型分布数据层之中的大于等于两个的任意的数据层。
3.如权利要求1或2所述的滑坡预测方法，其中，
将第k多边形单元组的每个多边形单元的模糊隶属值作为所述多边形单元中的每个栅格的模糊隶属值包括：
将针对所述预定的分析区域的历史滑坡数据层与所述第k层进行叠加分析，分别统计在所述第k多边形单元组的第ki多边形单元中发生滑坡的栅格数的比例值，将所述比例值作为所述第ki多边形单元的模糊隶属值，其中，若所述预定的分析区域的栅格总数为n、所述第k预定栅格数为nk，则i为大于等于1且小于等于n/nk的自然数；以及
将所述第ki多边形单元的模糊隶属值作为属于所述第ki多边形单元的每个栅格的模糊隶属值。
4.如权利要求1或2所述的滑坡预测方法，还包括：
将每个栅格的滑坡发生可能性值进行显示。
5.一种滑坡预测装置，用于具有多个地理空间数据层的地理信息***，该装置包括：
选取模块，所述选取模块被配置为从预定的分析区域的多个地理空间数据层中选取m个数据层，将所述m个数据层作为第一～第m层，其中，所述m为大于等于2的自然数；
排序模块，所述排序模块被配置为针对所述第一～第m层中的第k层，按照所述第k层的每个栅格的属性数据值的大小，对栅格进行排序；
等分模块，所述等分模块被配置为按照所述排序模块所排序的所述第k层的排序结果的顺序，以第k预定栅格数对所述第k层的所有栅格进行等分，形成第k多边形单元组；
隶属值计算模块，所述隶属值计算模块被配置为针对所述第k层，将第k多边形单元组的每个多边形单元的模糊隶属值作为该多边形单元中的每个栅格的模糊隶属值，其中，k为大于等于1且小于等于m的自然数，由此分别获得每个栅格的所述第一～第m层的模糊隶属值；以及
预测模块，所述预测模块被配置为根据每个栅格的所述第一～第m层的模糊隶属值，利用模糊代数和模型，求出所述预定的分析区域的每个栅格的滑坡发生可能性值。
6.如权利要求5所述的滑坡预测装置，其中，
所述多个地理空间数据层包括基岩地质数据层、地表地质数据层、斜坡类型数据层、土地利用类型数据层、地形坡度数据层、海拔高程数据层、居民点分布数据层、水系分布数据层、道路分布数据层、地貌类型数据层、滑坡类型分布数据层之中的大于等于两个的任意的数据层。
7.如权利要求5或6所述的滑坡预测装置，其中，
所述隶属值计算模块被配置为：
将针对所述预定的分析区域的历史滑坡数据层与所述第k层进行叠加分析，分别统计在所述第k多边形单元组的第ki多边形单元中发生滑坡的栅格数的比例值，将所述比例值作为所述第ki多边形单元的模糊隶属值，其中，若所述预定的分析区域的栅格总数为n、所述第k预定栅格数为nk，则i为大于等于1且小于等于n/nk的自然数；以及
将所述第ki多边形单元的模糊隶属值作为属于所述第ki多边形单元的每个栅格的模糊隶属值。
8.如权利要求5或6所述的滑坡预测装置，
还包括：显示模块，
所述显示模块将每个栅格的滑坡发生可能性值进行显示。
CN201710039029.4A 2017-01-19 2017-01-19 滑坡预测方法和装置 Active CN106844948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710039029.4A CN106844948B (zh) 2017-01-19 2017-01-19 滑坡预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710039029.4A CN106844948B (zh) 2017-01-19 2017-01-19 滑坡预测方法和装置

Publications (2)

Publication Number Publication Date
CN106844948A CN106844948A (zh) 2017-06-13
CN106844948B true CN106844948B (zh) 2020-03-10

Family

ID=59124490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710039029.4A Active CN106844948B (zh) 2017-01-19 2017-01-19 滑坡预测方法和装置

Country Status (1)

Country Link
CN (1) CN106844948B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108287940B (zh) * 2017-12-22 2020-02-18 北京农业信息技术研究中心 样点布设的方法、装置、电子设备和存储介质
CN108363886A (zh) * 2018-03-08 2018-08-03 杭州鲁尔物联科技有限公司 基于深度学习的变形预测方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GIS的滑坡预测模型的预测率及其作用;喻根等;《岩石力学与工程学报》;20070228;第286—289页 *

Also Published As

Publication number Publication date
CN106844948A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
Hong et al. Landslide susceptibility assessment at the Wuning area, China: A comparison between multi-criteria decision making, bivariate statistical and machine learning methods
Jaafari et al. Wildfire spatial pattern analysis in the Zagros Mountains, Iran: A comparative study of decision tree based classifiers
Pham et al. A novel ensemble classifier of rotation forest and Naïve Bayer for landslide susceptibility assessment at the Luc Yen district, Yen Bai Province (Viet Nam) using GIS
Cao et al. Multi-geohazards susceptibility mapping based on machine learning—a case study in Jiuzhaigou, China
Grekousis et al. Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area
Al-Sharif et al. A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS
Firozjaei et al. A geographical direction-based approach for capturing the local variation of urban expansion in the application of CA-Markov model
Musa et al. A review of geospatial-based urban growth models and modelling initiatives
Jebur et al. Optimization of landslide conditioning factors using very high-resolution airborne laser scanning (LiDAR) data at catchment scale
Pourghasemi et al. Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances
Akgun A comparison of landslide susceptibility maps produced by logistic regression, multi-criteria decision, and likelihood ratio methods: a case study at İzmir, Turkey
Fois et al. A practical method to speed up the discovery of unknown populations using Species Distribution Models
Häring et al. Spatial disaggregation of complex soil map units: a decision-tree based approach in Bavarian forest soils
Pradhan et al. Landslide hazard and risk analyses at a landslide prone catchment area using statistical based geospatial model
Feng et al. Modeling dynamic urban growth using cellular automata and particle swarm optimization rules
Mitra et al. Assessment of the performance of GIS-based analytical hierarchical process (AHP) approach for flood modelling in Uttar Dinajpur district of West Bengal, India
Calvello et al. Landslide zoning over large areas from a sample inventory by means of scale-dependent terrain units
Wang et al. Modeling spatially non-stationary land use/cover change in the lower Connecticut River Basin by combining geographically weighted logistic regression and the CA-Markov model
Basu et al. Application of geographically weighted principal component analysis and fuzzy approach for unsupervised landslide susceptibility mapping on Gish River Basin, India
Ranjbar et al. A GIS-based approach for earthquake loss estimation based on the immediate extraction of damaged buildings
Chalkias et al. Landslide susceptibility, Peloponnese peninsula in south Greece
Yao et al. Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China
Saha et al. Integrating multilayer perceptron neural nets with hybrid ensemble classifiers for deforestation probability assessment in Eastern India
Liang et al. Modeling urban growth in the middle basin of the Heihe River, northwest China
Imtiaz et al. Landslide susceptibility mapping: improvements in variable weights estimation through machine learning algorithms—a case study of upper Indus River Basin, Pakistan

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