CN111144651A

CN111144651A - 一种地质灾害的预测方法、装置及设备

Info

Publication number: CN111144651A
Application number: CN201911367924.4A
Authority: CN
Inventors: 沈小珍; 董梅; 胡辉; 宋杰
Original assignee: Hangzhou Ruhr Technology Co Ltd
Current assignee: Hangzhou Ruhr Technology Co Ltd
Priority date: 2019-12-26
Filing date: 2019-12-26
Publication date: 2020-05-12

Abstract

本发明公开了一种地质灾害的预测方法、装置及设备，该预测方法包括：获取监测区域的监测数据，其中，监测数据包括用于描述地质灾害的空间数据及属性信息；对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集；基于所述特征子集建立的人工智能模型以确定所述监测区域的地质灾害的预测发生概率。本发明实施例的技术方案，通过获取监测数据，并对数据进行预处理和特征工程，提取与地质灾害相关的特征子集，对不平衡数据进行上下采样，再基于人工智能模型确定地质灾害的发生概率，实现了实时监测和自动预测了灾害发生的概率，提高了预测的全面性和准确度。

Description

一种地质灾害的预测方法、装置及设备

技术领域

本发明实施例涉及地理信息处理技术和人工智能学习领域，尤其涉及一种地质灾害的预测方法、装置及设备。

背景技术

中国是一个地质灾害多发的国家，崩塌、滑坡、泥石流灾害几乎遍布全国各省山地丘陵区，每年还会出现几万至十几万处新的灾害点。每年地质灾害死亡人数近千人，直接经济损失80-100亿元，因中断交通、摧毁生产生活设施所带来的间接损失更是难以估计。

近年来，对滑坡进行物理及数据驱动而构造预测模型，加上及时采取有效的监测预测措施，已经对多处重大滑坡灾害作出了比较成功的预警，但成功预警率却并不理想，主要问题在于滑坡隐患点的排查和识别成功率。由于地质灾害监测范围大、隐患点隐蔽性强、形成条件复杂、影响因素多、测量精度与实时性不稳定，其排查识别工作还普遍存在“漏查”、“多查”现象。

发明内容

本发明提供了一种地质灾害的预测方法、装置及设备，以实现地质灾害的实时、全面监测和对灾害发生概率的预测。

第一方面，本发明实施例提供了一种地质灾害的预测方法，该方法包括：

获取监测区域的监测数据，其中，监测数据包括空间数据及用于描述地质灾害的属性信息；

对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集；

基于人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率。

第二方面，本发明实施例还提供了一种地质灾害的预测装置，该装置包括：

监测数据获取模块，用于基于3S技术，获取监测区域的监测数据，其中，3S包括遥感***、地理信息***和全球卫星定位***，监测区域包括目标地区，监测数据包括空间数据及用于描述地质灾害的属性信息；

特征子集确定模块，用于对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集；

概率预测模块，用于基于人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率。

第三方面，本发明实施例还提供了一种地质灾害预测设备，该设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的地质灾害的预测方法。

本发明实施例的技术方案，通过获取监测区域的空间数据和属性信息，从多个维度获取数据，用于分析的数据全面、实时性强；通过对数据进行预处理和特征工程，对监测数据进行筛选，以确定对地质灾害最具有预测力度的特征子集，结合人工智能模型确定监测区域灾害发生的概率，实现了地质灾害的实时监测和主动预测，通过确定灾害发生的概率，科学、全面的分析了监测区域的地质灾害隐患，预测精度高，为灾害的有效预防打下了基础，通过根据预测概率进行相关防治工作，大大减小了地质灾害造成的损失。

附图说明

图1是本发明实施例一中的一种地质灾害的预测方法的流程图；

图2是本发明实施例二中的一种地质灾害的预测方法的流程图；

图3是本发明实施例三中的一种地质灾害的预测装置的结构示意图；

图4是本发明实施例四中的一种地质灾害预测设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种地质灾害的预测方法的流程图，本实施例可适用于对地质灾害预测的情况，该方法可以由地质灾害的预测装置或***来执行，该装置可以通过软件和硬件的方式实现，如图1所示，该方法具体包括如下步骤：

步骤110、获取监测区域的监测数据。

其中，监测数据包括空间数据及用于描述地质灾害的属性信息。具体的，监测数据可以是以.nc，.tif结尾的文件格式；空间数据包括各个属性信息的空间位置信息，包括经度、维度、分辨率和投影坐标；属性信息包括土体变形、降雨信息、土壤湿度、高程、地貌、地层岩性、地质构造、土壤质地、植被覆被指数、道路和距离河流的距离等。监测区域可以是地质灾害的易发地区或设定区域，可以包括一个或多个目标区域或监测点。地质灾害包括滑坡、崩塌、水土流失、盐碱化、地面沉降、地震、泥石流等，指的是以地质动力活动或地质环境异常变化为主要成因的自然灾害。

具体的，属性信息的获取可以是，从相关部门以及文献调研中确定可以用于描述地质灾害易发性的因子。以滑坡为例，可以从国土部门、国家气象信息中心、地方地质勘查局以及文献调研中确定可以用来评价滑坡易发性的因子，作为备选数据。进一步，可以根据监测区域的地区特性，如发生时段、人文活动以及历史灾害分布从备选属性信息中确定该地区的地质灾害的属性信息。

具体的，可以基于3S技术获取监测区域的监测数据。3S技术是由遥感***(Remotesensing，RS)、地理信息***(Geography information systems，GIS)和全球卫星定位***(Global positioning systems，GPS)三种技术构成。

可选的，获取监测区域的监测数据，包括：基于遥感***和全球卫星定位***获取所述监测区域的空间数据和属性信息；基于地理信息***转换并叠加所述空间数据和属性信息。

具体的，RS技术主要从大尺度范围对监测区域进行监测，以获取空间数据，具体的，可以根据RS技术识别地表植被信息；GPS技术负责监测地区的位移信息，如土体变形等属性信息；GIS技术将空间数据和属性信息进行链接或对应，并以可视化的形式进行展示，如对监测区域的空间数据按照选定显示比例以及投影坐标进行显示，并将各个监测点的属性信息与该点的坐标信息叠加或对应起来，为后续将各空间数据和属性信息叠加为空间图层做准备。

步骤120、对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集。

其中，预处理包括异常值去除、缺失值填充和数据清洗等操作，以提高数据的完整性和精度，从而提高数据处理的效率。空间数据和特征子集统称为灾害数据。

示例性的，灾害数据各变量经过二值化和独热编码，最后叠加到空间图层上。如有4个分类0、1、2、3，将分类0编码成[1,0,0,0]，第一个分量的值为1，其他为0，表示为对象属于第一个分类的概率为1，属于其他分类的概率为0。最终完成的栅格图层每层为198*212＝41976个栅格。经去除部分区域的栅格，如海河部分的栅格，对余下区域栅格进行插值填充后得到32498个有效栅格，其中灾害相关的栅格为112个。

特征工程可以是通过相关性分析、基于惩罚项和基于树模型等方法进行特征筛选，经归一化、离散化、因子化以及去除共线性后，按变量预测力选出最具代表性的特征子集。

可选的，对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集，包括：对所述空间数据和属性信息进行预处理；基于预设算法对预处理后的空间数据和属性信息进行特征筛选，以确定地质灾害的特征子集。

其中，预设算法包括相关性分析、基于惩罚项和基于树模型特征选择法等。

具体的，特征工程主要用于对特征子集进行特征提取和特征筛选。分别对以下特征子集进行特征提取：1)动态因子降雨信息：提取出最近两个月、一个月、15天、7天、5天、3天、1天的降雨量、降雨强度和累积降雨量的均值、方差、中位数、最大日降雨量，一阶差分的均值、方差，共126个特征。2)动态因子土壤湿度：提取出最近两个月、一个月、15天、7天、5天、3天、1天的土壤湿度(0-5cm和10-40cm)的均值、方差、累积值，一阶差分的均值、方差，共70个特征。当然还可以包括其他动态因子，如土体变形。3)静态因子高程：提取出坡度，坡向，剖面曲率和平面曲率四个特征：通过计算地面与水平面之间的夹角计算得出坡度；通过ArcGIS将高程数据转化为坡向；通过计算坡度的坡度得出剖面曲率；通过计算坡向的坡度来得到平面曲率。其他静态因子包括地貌，土质(砂土，黏土，粉砂土)和植被覆盖率等。总共提取了207个特征组成特征矩阵。

当特征越多，其相互存在相关性的可能就越大。如特征间不存在相关则无需进行特征工程。特征工程即是从多元变量中选取对因变量影响最大的。对类别型特征做二进制编码或独热编码离散化后，可以进行特征筛选。

例如，相关性分析法是根据各个特征的相关程度对特征进行筛选，剔除强相关的特征项以去除共线性，保证系数的稳定性。构造出特征矩阵后做标准化以保证各特征处于同一量纲。

基于惩罚项特征选择法则是给模型增加正则项来控制偏差。例如逻辑回归模型L1惩罚项是一阶范式，通过增加了绝对值，模型结果会给出比较稀疏的参数比例，将计算出来的系数按绝对值大小进行排序，天然具备了特征选择的特性。

基于树模型的特征选择法是通过非线性模型的特征重要度大小来选择特征。例如随机森林模型通过比较模型有无该特征而对树的不纯度的影响来计算重要度，重要度越高则特征越重要。基于树模型的特征选择法相对比较稳定。

步骤130、基于人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率。

其中，人工智能模型可以是基于任意算法设计的人工智能算法模型，以特征子集作为模型的输入，进行地质灾害发生概率的预测。人工智能模型可以采用多分类逻辑回归(Multinomial Logistics Regression,MLR)、随机森林(Random Forest，RF)、极端随机树(Extremely Randomized Trees，ERT)、孤立森林(Isolation Forest,IF)、One Class-SVM(OC-SVM，单类支持向量机)、LOF(Local Outlier Factor，局部异常因子算法)、支持向量机(Support Vector Machine,SVM)、最近邻分类(K-Nearest Neighbor，KNN)、K均值分类(K-means)、XGBoost、LightGBM(LGB)、最大熵模型(Maximum Entropy Model,MaxEnt)、极限学习机(Extreme Learning Machine,ELM)和深度置信网络(Deep Belief Networks，DBN)等多种人工智能算法中的一种或多种的结合。

进一步地，可以基于各个算法的不同特点和优缺点选取最佳的模型或组合。

具体的，在上述步骤获取了监测区域的空间数据和特征子集之后，在尝试各人工智能模型之前还需设置模型的标签，即对灾害数据设置标签，以进行初步聚类分析。原因在于灾害数据在空间数据上的显示会呈现为若干个经纬度上的灾害栅格，可将灾害区域对应的灾害数据的标签设置为1，而剩余的大片区域为非灾害区域，可将其标签设置为0。模型的最终分类等级可分为极高、高、中等、低易发性分区四级地质灾害监测预警级别，其中标签0中包含着除了极高以外的高、中等、低三个等级的预警级别，若从中随机选取则难免会选中高、中等两个级别对应的数据，极大地影响模型分类的精度。标签0对应的应是易发性最低一级对应的栅格，因此采用聚类算法对数据进行分级，只从低易发性分区内选择非灾害栅格单元，将其对应的标签设置为0，最终带入各人工智能模型进行模型选择。

具体的，聚类分析模型以清理好的特征矩阵为输入，其中，特征矩阵包括标签列，将标签列去除后对特征矩阵进行标准化，并将2019年7月和8月的历史数据按7：3的比例分为训练集和验证集，当然也可以是其他比例，如8:2等，以2019年6月的历史数据作为测试集。最终将聚类后的簇采用t-SNE算法进行降维和可视化，其优于线性PCA算法之处在于它是基于在邻域图上随机游走的概率分布来找到数据内结构的非线性算法，能解释特征之间的复杂多项式关系。将聚类后的簇与原始数据进行对比，基于各因子所对应的信息及栅格所对应的地理位置判断出最低一级的簇，标签为0，带入模型再次进行模型选择和调参。

进一步地，可以获取该监测区域的历史滑坡信息，通过比较历史滑坡信息以及预测概率修改人工智能模型的参数。

实施例二

图2为本发明实施例二提供的一种地质灾害的预测方法的流程图，本实施例是对上一实施例的进一步细化和补充，本发明实施例所提供的地质灾害的预测方法还包括：根据所述监测数据及所述预测发生概率绘制所述监测区域的地质灾害分布图。

如图2所示，该方法包括如下步骤：

步骤210、获取监测区域的空间数据和属性信息。

步骤220、对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集。

步骤230、通过选择至少两个人工智能模型进行训练、测试和评估，将评估结果最优的模型确定为最终的人工智能模型。

示例性的，基于对上述7种模型(MLR、RF、KNN、K-Means、SVM、XGB、LGB)分别进行6种上下采样算法进行采样，采样算法分别为SMOTE(Synthetic Minority Over-samplingTechnique，合成少数类别的过采样技术)、SMOTE+Tomek、SMOTE+ENN、NCL(NeighborhoodCleaning Rule，邻里清洗规则)、NearMiss_v3、NearMiss_v2。采用之后采用K折交叉验证和网格搜索进行模型调参，并进行异常检验，其中，异常检验算法包括IF(Isolation Forest，孤立森林算法)、OC-SVM(One-Class Support Vector Machine，单类支持向量机算法)和LOF(Local Outlier Factor，局部异常因子算法)，之后通过基于TPOT的自动化机器学习模型进行选择和调参，最终基于计算量和召回率确定最终的人工智能模型，如可以是多分类逻辑回归和LGB两个模型。

示例性的，以滑坡为例，原始数据为矩阵X，其中，X＝[X⁽¹⁾,X⁽²⁾,…X⁽ⁿ⁾]，X⁽¹⁾表示高程数据，X^(c)，c＝2,…,n，则表示滑坡监测数据，Y为输出，其中，Y＝[Y₁,Y₂,…,Y_m]^T，分为k类，y∈{0,1,...,k-1}表示输出Y的分类或标签。其中，每种分类对应的概率分别为[φ₁,φ₂,…,φ_k]，所有概率之和为1。

对原始数据X进行特征提取，得到特征矩阵

将特征矩阵

作为模型的输入矩阵，其中，

c＝2,…,n₁表示原始监测数据，c＝n₁+1,…,n′，表示提取特征后增加的特征因子。

模型拟合函数的输出结果是每一种分类对应的概率所组成的向量，每一种分类y对应的概率p为：

其中，i＝1,…,k，w是训练得到的模型的权重参数，e为自然对数函数的底数。当属于某个分类y的概率最大时，就可以判定为该分类。

具体的，多分类逻辑回归模型以清理好的特征矩阵

为输入，以重新划分的滑坡列为标签，将数据进行6种上下采样(SMOTE，SMOTETomek，SMOTEENN，NCR，NearMiss_v3，NearMiss_v2)，并对其分别进行三折交叉验证和网格搜索，以f1_score为scoring，n_jobs＝-1以6个CPU核数并行跑，最终遍历得到最优参数组合如下：正则化参数penalty＝L2；正则化系数λ的倒数C＝50，超参数C越小，损失函数会越小，模型对损失函数的惩罚越重，正则化的效力则越强。

多分类逻辑回归模型，由广义线性模型推导得出，运用梯度下降法以求解参数，最终将数据进行分类，其优点在于运行速度快，计算量小，且基于距离的模型其解释性强，能将各个特征对输出的影响以参数形式做量化的解释。

示例性的，LightGB是基于决策树算法的一种分布式梯度提升框架。从RF到GBDT到XGB到LGB，其优势在于速度更快，准确率更高。它使用的是histogram算法，占用的内存更低，数据分隔的复杂度也更低。在决策树生长策略上，相比较XGBoost采用的level-wise生长，LGB采用了leaf-wise生长策略，每次从当前所有叶子中找到***增益最大的一个叶子***，并不断循环，省去了对同一层***增益较低叶子的搜索和***，节省了没必要的计算开销。虽然会生长出比较深的决策树而产生过拟合，但可增加了一个最大深度的限制，在保证高效率的同时防止过拟合。

具体的，可以选择历史数据作为测试集进行测试，以确定模型是否合格。

对于模型的评估，需要根据模型所采用的算法确定评估算法。因本项目数据符合分类模型，一般采用K-折叠交叉验证，通过得到的混淆矩阵计算精确率、召回率和准确率而得到各模型自身的评价估值，评估值越接近1则精准率越高。因滑坡数据具有0/1不平衡特性，即区域内发生滑坡的概率相比较不发生滑坡的概率是极小的，精确率是指预测的滑坡/非滑坡中真实发生滑坡/非滑坡的概率，而非滑坡不管预测精确率高低都会占总栅格的90％以上，即预测精确率因数据本身的非平衡性而失去判断性；召回率则是指真实发生的滑坡中被正确预测出的概率，能更有效的展示小概率事件的准确性；kappa值则是基于混淆矩阵计算得出的可进行一致性校验且可衡量分类精度的系数，故召回率和kappa值将作为评估本模型的标准。另外，灵敏度曲线(Receiver Operating Characteristic，ROC)也可用来评价模型的优劣，并通过曲线下面积(Area Under Characteristic，AUC)来评估模型，AUC越大，则预测准确概率越高，可以通过选择最佳阈值确定模型是否有效或合格，一般AUC值高于0.75则表示模型预测有效。基于以上各算法的不同特点，与各种评估方法相结合，最终选取最佳模型或组合，以确保模型的解释性，有效性及准确性。其中LGB与NearMiss下采样的组合得到了9719个测试非滑坡中正确预测出6769个非滑坡，35个测试滑坡中正确预测出26个，召回率非滑坡达到0.7，滑坡达到了0.74，模型得分为0.72；多分类逻辑回归与SMOTE的组合得到了10686个测试非滑坡中正确预测出8783个非滑坡，39个测试滑坡中正确预测出31个，召回率非滑坡达到0.82，滑坡达到0.79，模型得分为0.81。

步骤240、基于合成孔径雷达干涉测量技术获取所述监测地区的位移信息。

其中，合成孔径雷达干涉测量技术(Synthetic Aperture RadarInterferometry，InSAR)是一种应用于测绘和遥感的雷达技术。使用卫星或飞机搭载的合成孔径雷达***获取高分辨率地面反射复数影像，每一分辨元的影像信息中不仅含有灰度信息，而且还包含干涉所需的相位信号，可以测量数日或数年间厘米级的地表位移。

步骤250、根据所述位移信息判断所述监测地区的地质灾害的发生概率，记为校准发生概率。

具体的，地质灾害的发生与地表的位移直接存在直接联系，因此，可以根据位移信息确定地质灾害的发生概率。还可以通过预先建立该地质灾害的位移信息与发生概率的对应关系，根据该对应关系确定地质灾害的发生概率。

示例性的，以滑坡这种地质灾害为例，对某一监测区域或目标区域的INSAR位移相对于初值进行累积或做差值或计算速率，并对计算值进行量纲化，与四级滑坡概率做分别对应。

步骤260、通过对比所述校准发生概率与所述预测发生概率验证所述最终的人工智能模型是否符合需求。

进一步地，可以设置一个误差范围，当预测发生概率与校准发生概率的误差处于误差范围时，确定该人工智能模型符合需求；反之则不符合。

步骤270、若符合，则基于所述最终的人工智能模型及所述特征子集确定所述监测地区的地质灾害的预测发生概率。

相应的，若不符合，则修改最终的人工智能模型的参数，以使修改后的人工智能模型的预测发生概率与校准发生概率的比对结果(步骤260)符合预期。或者返回步骤230重新选择其他模型进行测试和评估。

步骤280、根据所述监测数据及所述预测发生概率绘制所述监测区域的地质灾害分布图。

具体的，可以根据以地图形式显示所示监测区域，并根据所述空间数据在相应位置标注该区域的地质灾害的预测发生概率。可以根据预测发生概率所属的范围对该区域进行颜色标注。

可选的，当预测发生概率大于设定阈值时，还可以发布监测预警。

具体的，还可以根据发生概率确定预警等级，根据所述预警等级进行预警。

具体的，可以结合自然资源部、地质调查局、中国气象局对地质灾害预报等级的定义，参照有关区域地质灾害易发性等级的划分经验，根据滑坡变形破坏的紧急程度、危害大小、涉及范围、变形阶段以及发生概率等将滑坡监测预警级别分为极高、高、中等、低四级，并以红、橙、黄、蓝作为相应预警颜色标注地质灾害分布图的相应区域。进一步地，可以根据自然断点法、标准差法和等距分割法进行不同预警区域的划分。

进一步地，还可以通过分析不同等级内滑坡的动态变化特征，揭示其在不同的环境因素作用条件下的变形发展趋势，并持续累积监测数据进行算法模型的动态更新，以提升制图的预测精度。

本发明实施例的技术方案，通过获取多个人工智能模型，并通过对模型的测试和采用相应算法进行评估，初步确定模型的性能，再结合合成孔径雷达干涉测量技术复核模型是否合格，有效保证了所获取的模型的解释性、有效性及准确性；根据模型计算的发生概率进行灾害易发性制图，提高了监测数据的可读性和直观性，并持续积累监测数据进行算法模型的动态更新，以提升制图的预测精度，将对滑坡灾害的研究化被动监测和处理为主动预测和预防。

实施例三

图3是本发明实施例三提供的一种地质灾害的预测装置的示意图，如图3所示，该装置包括：监测数据获取模块310、特征子集确定模块320和概率预测模块330。

其中，监测数据获取模块310，用于基于3S技术，获取监测区域的监测数据，其中，3S包括遥感***、地理信息***和全球卫星定位***，监测区域包括目标地区，监测数据包括空间数据及用于描述地质灾害的属性信息；特征子集确定模块320，用于对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集；概率预测模块330，用于基于人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率。

可选的，监测数据获取模块310，具体用于：基于遥感***和全球卫星定位***获取所述监测区域的空间数据和属性信息；基于地理信息***链接所述空间数据和属性信息。

可选的，特征子集确定模块320，包括：

预处理单元，用于对所述空间数据和属性信息进行预处理；特征子集确定单元，用于基于预设算法对预处理后的空间数据和属性信息进行特征筛选，以确定地质灾害的特征子集。

可选的，特征子集确定单元，具体用于：

基于相关性分析、基于惩罚项和基于树模型特征选择法中的至少一种算法对预处理后的空间数据和属性信息进行特征筛选，以确定地质灾害的特征子集。

可选的，概率预测模块330，包括：

最终模型确定单元，用于通过选择至少两个人工智能模型进行训练、测试和评估，将评估结果最优的模型确定为最终的人工智能模型；概率预测单元，用于基于所述最终的人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率。

可选的，地质灾害的预测装置还包括最终模型评估模块，用于：

在将评估结果最优的模型确定为最终的人工智能模型之后，基于合成孔径雷达干涉测量技术获取所述监测地区的位移信息；根据所述位移信息判断所述监测区域的地质灾害的发生概率，记为校准发生概率；通过对比所述校准发生概率与所述预测发生概率验证所述最终的人工智能模型是否符合需求。

可选的，地质灾害的预测装置还包括分布图绘制模块，用于：

根据所述监测数据及所述预测发生概率绘制所述监测区域的地质灾害分布图。

本发明实施例所提供的地质灾害的预测装置可执行本发明任意实施例所提供的地质灾害的预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种地质灾害预测设备的结构示意图，如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的地质灾害的预测方法对应的程序指令/模块(例如，地质灾害的预测装置中的监测数据获取模块310、特征子集确定模块320和概率预测模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的地质灾害的预测方法。

存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。

实施例五

发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种地质灾害的预测方法，该方法包括：

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的地质灾害的预测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述地质灾害的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种地质灾害的预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述属性信息包括土体变形、降雨信息、土壤湿度、人类活动、高程、坡度、地貌、地层岩性、地质构造、土壤质地、地表覆被指数、植被类型、道路和距离河流的距离中的至少一个。

3.根据权利要求1所述的方法，其特征在于，所述获取监测区域的监测数据，包括：

基于遥感***和全球卫星定位***获取所述监测区域的空间数据和属性信息；

基于地理信息***转换并叠加所述空间数据和属性信息。

4.根据权利要求1所述的方法，其特征在于，对所述空间数据和属性信息进行预处理及特征工程，以确定地质灾害的特征子集，包括：

对所述空间数据和属性信息进行预处理；

基于预设算法对预处理后的空间数据和属性信息进行特征筛选，以确定地质灾害的特征子集。

5.根据权利要求4所述的方法，其特征在于，所述预设算法包括相关性分析法、基于惩罚项和基于树模型的特征选择法中的至少一种。

6.根据权利要求1所述的方法，其特征在于，基于人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率，包括：

通过选择至少两个人工智能模型进行训练、测试和评估，将评估结果最优的模型确定为最终的人工智能模型；

基于所述最终的人工智能模型及所述特征子集确定所述监测区域的地质灾害的预测发生概率。

7.根据权利要求6所述的方法，其特征在于，在将评估结果最优的模型确定为最终的人工智能模型之后，还包括：

基于合成孔径雷达干涉测量技术获取所述监测地区的位移信息；

根据所述位移信息判断所述监测区域的地质灾害的发生概率，记为校准发生概率；

通过对比所述校准发生概率与所述预测发生概率验证所述最终的人工智能模型是否符合需求。

8.根据权利要求1所述的方法，其特征在于，还包括：

9.一种地质灾害的预测装置，其特征在于，包括：

10.一种地质灾害的预测设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的地质灾害的预测方法。