CN111429471A - 一种地质灾害信息管理***及方法 - Google Patents
一种地质灾害信息管理***及方法 Download PDFInfo
- Publication number
- CN111429471A CN111429471A CN202010215157.1A CN202010215157A CN111429471A CN 111429471 A CN111429471 A CN 111429471A CN 202010215157 A CN202010215157 A CN 202010215157A CN 111429471 A CN111429471 A CN 111429471A
- Authority
- CN
- China
- Prior art keywords
- information
- geological
- module
- disaster
- geological disaster
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 18
- 230000002087 whitening effect Effects 0.000 claims description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 8
- 239000011707 mineral Substances 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007596 consolidation process Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 241000282414 Homo sapiens Species 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于地质灾害信息管理技术领域,公开了一种地质灾害信息管理***及方法,所述地质灾害信息管理***包括:地质信息采集模块、图像特征提取模块、中央控制模块、特征信息分析模块、信息编辑模块、信息更新模块、信息发布模块、地质灾害预报模块、数据存储模块、终端模块、显示模块。本发明通过灾害预报模块采用RBF神经网络进行预报模型的建立,能够计算出当前条件下对应的地质灾害发生概率,对做出预报决策提供了更加准确的依据,改善了传统地质监测***只能采集数据而不能进行分析的缺陷;加入自学习功能,纠正由于初始阈值设置与实际不符所带来的预报不准确的问题,提高了地质灾害预报的准确性。
Description
技术领域
本发明属于地质灾害信息管理技术领域,尤其涉及一种地质灾害信息管理***及方法。
背景技术
地质灾害是指在地球的发展演化过程中,由各种地质作用形成的灾害性地质事件。地质灾害在时间和空间上的分布变化规律,既受制于自然环境,又与人类活动有关,往往是人类与自然界相互作用的结果。地灾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。在地球内动力、外动力或人为地质动力作用下,地球发生异常能量释放、物质运动、岩土体变形位移以及环境异常变化等,危害人类生命财产、生活与经济活动或破坏人类赖以生存与发展的资源、环境的现象或过程。不良地质现象通常叫做地质灾害,是指自然地质作用和人类活动造成的恶化地质环境,降低了环境质量,直接或间接危害人类安全,并给社会和经济建设造成损失的地质事件。地质灾害是指,在自然或者人为因素的作用下形成的,对人类生命财产、环境造成破坏和损失的地质作用(现象)。如崩塌、滑坡、泥石流、地裂缝、地面沉降、地面塌陷、岩爆、坑道突水、突泥、突瓦斯、煤层自燃、黄土湿陷、岩土膨胀、砂土液化,土地冻融、水土流失、土地沙漠化及沼泽化、土壤盐碱化,以及地震、火山、地热害等。然而,现有地质灾害信息管理***对地质图信息提取需要花费大量的时间、精力;同时,对灾害预报误差大。
综上所述,现有技术存在的问题及缺陷是:现有地质灾害信息管理***对地质图信息提取需要花费大量的时间、精力;同时,对灾害预报误差大。
发明内容
针对现有技术存在的问题,本发明提供了一种地质灾害信息管理***及方法。
本发明是这样实现的,一种地质灾害信息管理方法,所述地质灾害信息管理方法包括以下步骤:
步骤一,通过地质监测设备采集地质图像信息;通过特征提取程序对采集的地质图像信息的特征进行提取:(1)通过特征提取程序提取地质图像的面要素信息,并对经过预处理的地质图依次进行边界白色化处理、颜色分割、连通体构建、小色斑消除和边界处白色区域修复;
(2)提取线要素信息,包括提取区域边界线信息和提取非区域边界线信息;
(3)提取点要素信息,是对经过预处理的地质图依次进行的生成矿点模板、匹配图像、定位矿点;
(4)三种方法是对经过预处理的地质图分别同时进行的方法。
步骤二,通过中央处理器控制信息分析程序对提取的地质图像的特征信息进行分析:(I)获取待分析地质图像的特征信息,根据特征信息获取待分析图像的编码特征信息及处理节点;
(II)根据所述编码特征信息获取所述地质图像的处理路径,所述处理路径中包括至少一个处理节点;
(III)基于所述地质图像的处理路径利用信息分析程序进行特征分析,得到待分析地质图像特征信息的分析结果。
步骤三,通过编辑程序对地质信息及分析结果进行编辑;通过更新程序对地质信息进行更新;通过发布程序发布地质灾害信息。
步骤四,通过预报程序利用地质灾害预报模型对地质灾害信息进行预报:1)通过预报程序建立基于神经网络和多参数信息融合的地质灾害预报模型;
2)建立地质灾害发生概率与地质灾害等级之间的关系;
3)利用多参数地质灾害监测***进行数据采集,将采集到的数据输入步骤1)和步骤2)中,实现地质灾害的预报。
步骤五,通过云数据库服务器存储采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息。
步骤六,通过云数据库服务器将地质灾害信息数据发送至移动终端,并进行管理***的远程操控。
步骤七,通过显示器显示采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息的实时数据。
进一步,步骤一中,所述边界白色化处理,具体为:
对地质图进行边缘查找;对边界图像进行一次粗化处理;将原图像与边界图像相减,从而在原图中,将边界处全部进行白色化处理。
进一步,步骤二中,所述步骤(II)的根据所述编码特征信息获取所述地质图像的处理路径,包括:
根据编码特征信息与处理节点的对应关系,确定所述编码特征信息对应的至少一个目标处理节点;
根据所述至少一个目标处理节点的处理顺序生成所述地质图像的处理路径。
进一步,所述处理路径包括所述处理节点的相关信息,所述处理节点的相关信息包括处理节点的客户端标识、处理节点的提供方信息、处理时间中至少一种。
进一步,步骤四中,所述步骤1)的通过预报程序建立基于神经网络和多参数信息融合的地质灾害预报模型的过程为:
(a)训练数据整理及阈值的设置;
(b)基于径向基神经网络的预报模型的建立;
其中,预报模型分为输入层、隐含层和输出层,其输入为多参数和对应的地质灾害发生概率,通过给定的输入层、输出层数据计算出隐含层中的权值参数,从而得到输入与输出之间的如下关系式:
a{1}=radbas(netprod(dist(net,IW{1,1},p),net,b{1}));
其中,a为输出地质灾害发生概率,p为输入训练数据,求得net;
(c)将步骤(b)得到的关系式带入调用MATLAB函数库中的训练模型公式,得到如下地质灾害预报模型:
net=newrb(p1,a1);
其中,net为得到的地质灾害预报模型,a1为输出当前地质灾害发生概率,p1为输入实时采集数据。
进一步,步骤(a)中,所述训练数据整理及阈值的设置,包括:
分别统计发生过地质灾害地区的泥石流因子、滑坡因子与危害程度的关系,并将各参数因子作为训练数据,随后选择相应参数测量传感器的最大量程,并将0~最大量程之间安装训练数据的点数划分等级,确定各参数与地质灾害发生概率的初始关系分布,将成灾机率分为0~5%、5~20%、20~40%和40~90%四个范围,从而确定各参数的阈值。
进一步,步骤四中,所述步骤2)的建立地质灾害发生概率与地质灾害等级之间的关系,包括:
依据地质灾害突然发生灾情造成的损失状况、成灾机率和极易产生的危害程度,将地质灾害等级分为四级:特别严重突发灾情为四级,地质灾害发生概率为40~90%,为红色预警,严重性突发灾情为三级,地质灾害发生概率为20~40%,为橙色预警,大型突发灾情为二级,地质灾害发生概率为5~20%,为黄色预警,通常性突发灾情为一级,地质灾害发生概率为0~5%,为蓝色预警。
本发明的另一目的在于提供一种应用所述的地质灾害信息管理方法的地质灾害信息管理***,所述地质灾害信息管理***包括:
地质信息采集模块、图像特征提取模块、中央控制模块、特征信息分析模块、信息编辑模块、信息更新模块、信息发布模块、地质灾害预报模块、数据存储模块、终端模块、显示模块。
地质信息采集模块,与中央控制模块连接,用于通过地质监测设备采集地质图像信息;
图像特征提取模块,与中央控制模块连接,用于通过特征提取程序对采集的地质图像信息的特征进行提取;
中央控制模块,与地质信息采集模块、图像特征提取模块、特征信息分析模块、信息编辑模块、信息更新模块、信息发布模块、地质灾害预报模块、数据存储模块、终端模块、显示模块连接,用于通过中央处理器控制各个模块正常工作;
特征信息分析模块,与中央控制模块连接,用于通过信息分析程序对提取的地质图像的特征信息进行分析;
信息编辑模块,与中央控制模块连接,用于通过编辑程序对地质信息及分析结果进行编辑;
信息更新模块,与中央控制模块连接,用于通过更新程序对地质信息进行更新;
信息发布模块,与中央控制模块连接,用于通过发布程序发布地质灾害信息;
地质灾害预报模块,与中央控制模块连接,用于通过预报程序利用地质灾害预报模型对地质灾害信息进行预报;
数据存储模块,与中央控制模块连接,用于通过云数据库服务器存储采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息;
终端模块,与中央控制模块连接,用于通过云数据库服务器将地质灾害信息数据发送至移动终端,并进行管理***的远程操控;
显示模块,与中央控制模块连接,用于通过显示器显示采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息的实时数据。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的地质灾害信息管理方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的地质灾害信息管理方法。
本发明的优点及积极效果为:本发明通过信息提取模块解决现有地质图信息提取的难点问题,即以半结构化的标准地质图为研究对象,以地质图信息提取为目的,结合图例信息,提取出地质图中所蕴含的与矿产有关的主要信息,如地层、岩浆岩、断层、矿点等信息,构建专题信息图层,形成一套半结构化数据(图像)转换为结构数据的技术;大大提高信息提取速度;同时,通过灾害预报模块采用RBF神经网络进行预报模型的建立,能够计算出当前条件下对应的地质灾害发生概率,并能够根据发生概率,推算出地质灾害等级,从而可以采取对应等级的措施来预防和减少灾害的发生;充分考虑影响崩塌滑坡、泥石流地质灾害的多个因素,对做出预报决策提供了更加准确的依据,改善了传统地质监测***只能采集数据而不能进行分析的缺陷;加入自学习功能,纠正由于初始阈值设置与实际不符所带来的预报不准确的问题,提高了地质灾害预报的准确性。
附图说明
图1是本发明实施例提供的地质灾害信息管理方法流程图。
图2是本发明实施例提供的地质灾害信息管理***结构框图;
图中:1、地质信息采集模块;2、图像特征提取模块;3、中央控制模块;4、特征信息分析模块;5、信息编辑模块;6、信息更新模块;7、信息发布模块;8、地质灾害预报模块;9、数据存储模块;10、终端模块;11、显示模块。
图3是本发明实施例提供的通过特征提取程序对采集的地质图像信息的特征进行提取的方法流程图。
图4是本发明实施例提供的通过中央处理器控制信息分析程序对提取的地质图像的特征信息进行分析的方法流程图。
图5是本发明实施例提供的通过预报程序利用地质灾害预报模型对地质灾害信息进行预报的方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的地质灾害信息管理方法包括以下步骤:
S101,通过地质监测设备采集地质图像信息;通过特征提取程序对采集的地质图像信息的特征进行提取。
S102,通过中央处理器控制各个模块正常工作;通过信息分析程序对提取的地质图像的特征信息进行分析。
S103,通过编辑程序对地质信息及分析结果进行编辑;通过更新程序对地质信息进行更新。
S104,通过发布程序发布地质灾害信息;通过预报程序利用地质灾害预报模型对地质灾害信息进行预报。
S105,通过云数据库服务器存储采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息。
S106,通过云数据库服务器将地质灾害信息数据发送至移动终端,并进行管理***的远程操控。
S107,通过显示器显示采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息的实时数据。
如图2所示,本发明实施例提供的地质灾害信息管理***包括:地质信息采集模块1、图像特征提取模块2、中央控制模块3、特征信息分析模块4、信息编辑模块5、信息更新模块6、信息发布模块7、地质灾害预报模块8、数据存储模块9、终端模块10、显示模块11。
地质信息采集模块1,与中央控制模块3连接,用于通过地质监测设备采集地质图像信息;
图像特征提取模块2,与中央控制模块3连接,用于通过特征提取程序对采集的地质图像信息的特征进行提取;
中央控制模块3,与地质信息采集模块1、图像特征提取模块2、特征信息分析模块4、信息编辑模块5、信息更新模块6、信息发布模块7、地质灾害预报模块8、数据存储模块9、终端模块10、显示模块11连接,用于通过中央处理器控制各个模块正常工作;
特征信息分析模块4,与中央控制模块3连接,用于通过信息分析程序对提取的地质图像的特征信息进行分析;
信息编辑模块5,与中央控制模块3连接,用于通过编辑程序对地质信息及分析结果进行编辑;
信息更新模块6,与中央控制模块3连接,用于通过更新程序对地质信息进行更新;
信息发布模块7,与中央控制模块3连接,用于通过发布程序发布地质灾害信息;
地质灾害预报模块8,与中央控制模块3连接,用于通过预报程序利用地质灾害预报模型对地质灾害信息进行预报;
数据存储模块9,与中央控制模块3连接,用于通过云数据库服务器存储采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息;
终端模块10,与中央控制模块3连接,用于通过云数据库服务器将地质灾害信息数据发送至移动终端,并进行管理***的远程操控;
显示模块11,与中央控制模块3连接,用于通过显示器显示采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息的实时数据。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的地质灾害信息管理方法如图1所示,作为优选实施例,如图3所示,本发明实施例提供的通过特征提取程序对采集的地质图像信息的特征进行提取的方法包括:
S201,通过特征提取程序提取地质图像的面要素信息,并对经过预处理的地质图依次进行边界白色化处理、颜色分割、连通体构建、小色斑消除和边界处白色区域修复。
S202,提取线要素信息,包括提取区域边界线信息和提取非区域边界线信息。
S203,提取点要素信息,是对经过预处理的地质图依次进行的生成矿点模板、匹配图像、定位矿点。
S204,三种方法是对经过预处理的地质图分别同时进行的方法。
本发明实施例提供的边界白色化处理,具体为:对地质图进行边缘查找;对边界图像进行一次粗化处理;将原图像与边界图像相减,从而在原图中,将边界处全部进行白色化处理。
实施例2
本发明实施例提供的地质灾害信息管理方法如图1所示,作为优选实施例,如图4所示,本发明实施例提供的通过中央处理器控制信息分析程序对提取的地质图像的特征信息进行分析的方法包括:
S301,获取待分析地质图像的特征信息,根据特征信息获取待分析图像的编码特征信息及处理节点。
S302,根据所述编码特征信息获取所述地质图像的处理路径,所述处理路径中包括至少一个处理节点。
S303,基于所述地质图像的处理路径利用信息分析程序进行特征分析,得到待分析地质图像特征信息的分析结果。
本发明实施例提供的步骤S302的根据所述编码特征信息获取所述地质图像的处理路径,包括:
根据编码特征信息与处理节点的对应关系,确定所述编码特征信息对应的至少一个目标处理节点;
根据所述至少一个目标处理节点的处理顺序生成所述地质图像的处理路径。
本发明实施例提供的处理路径包括所述处理节点的相关信息,所述处理节点的相关信息包括处理节点的客户端标识、处理节点的提供方信息、处理时间中至少一种。
实施例3
本发明实施例提供的地质灾害信息管理方法如图1所示,作为优选实施例,如图5所示,本发明实施例提供的通过预报程序利用地质灾害预报模型对地质灾害信息进行预报的方法包括:
S401,通过预报程序建立基于神经网络和多参数信息融合的地质灾害预报模型。
S402,建立地质灾害发生概率与地质灾害等级之间的关系。
S403,利用多参数地质灾害监测***进行数据采集,将采集到的数据输入S401和S402中,实现地质灾害的预报。
本发明实施例提供的步骤S401的通过预报程序建立基于神经网络和多参数信息融合的地质灾害预报模型的过程为:
(a)训练数据整理及阈值的设置;
(b)基于径向基神经网络的预报模型的建立;
其中,预报模型分为输入层、隐含层和输出层,其输入为多参数和对应的地质灾害发生概率,通过给定的输入层、输出层数据计算出隐含层中的权值参数,从而得到输入与输出之间的如下关系式:
a{1}=radbas(netprod(dist(net,IW{1,1},p),net,b{1}));
其中,a为输出地质灾害发生概率,p为输入训练数据,求得net;
(c)将步骤(b)得到的关系式带入调用MATLAB函数库中的训练模型公式,得到如下地质灾害预报模型:
net=newrb(p1,a1);
其中,net为得到的地质灾害预报模型,a1为输出当前地质灾害发生概率,p1为输入实时采集数据。
本发明实施例提供的步骤(a)中,所述训练数据整理及阈值的设置,包括:
分别统计发生过地质灾害地区的泥石流因子、滑坡因子与危害程度的关系,并将各参数因子作为训练数据,随后选择相应参数测量传感器的最大量程,并将0~最大量程之间安装训练数据的点数划分等级,确定各参数与地质灾害发生概率的初始关系分布,将成灾机率分为0~5%、5~20%、20~40%和40~90%四个范围,从而确定各参数的阈值。
本发明实施例提供的步骤S402的建立地质灾害发生概率与地质灾害等级之间的关系,包括:
依据地质灾害突然发生灾情造成的损失状况、成灾机率和极易产生的危害程度,将地质灾害等级分为四级:特别严重突发灾情为四级,地质灾害发生概率为40~90%,为红色预警,严重性突发灾情为三级,地质灾害发生概率为20~40%,为橙色预警,大型突发灾情为二级,地质灾害发生概率为5~20%,为黄色预警,通常性突发灾情为一级,地质灾害发生概率为0~5%,为蓝色预警。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种地质灾害信息管理方法,其特征在于,所述地质灾害信息管理方法包括以下步骤:
步骤一,通过地质监测设备采集地质图像信息;通过特征提取程序对采集的地质图像信息的特征进行提取:(1)通过特征提取程序提取地质图像的面要素信息,并对经过预处理的地质图依次进行边界白色化处理、颜色分割、连通体构建、小色斑消除和边界处白色区域修复;
(2)提取线要素信息,包括提取区域边界线信息和提取非区域边界线信息;
(3)提取点要素信息,是对经过预处理的地质图依次进行的生成矿点模板、匹配图像、定位矿点;
(4)三种方法是对经过预处理的地质图分别同时进行的方法;
步骤二,通过中央处理器控制信息分析程序对提取的地质图像的特征信息进行分析:(I)获取待分析地质图像的特征信息,根据特征信息获取待分析图像的编码特征信息及处理节点;
(II)根据所述编码特征信息获取所述地质图像的处理路径,所述处理路径中包括至少一个处理节点;
(III)基于所述地质图像的处理路径利用信息分析程序进行特征分析,得到待分析地质图像特征信息的分析结果;
步骤三,通过编辑程序对地质信息及分析结果进行编辑;通过更新程序对地质信息进行更新;通过发布程序发布地质灾害信息;
步骤四,通过预报程序利用地质灾害预报模型对地质灾害信息进行预报:1)通过预报程序建立基于神经网络和多参数信息融合的地质灾害预报模型;
2)建立地质灾害发生概率与地质灾害等级之间的关系;
3)利用多参数地质灾害监测***进行数据采集,将采集到的数据输入步骤1)和步骤2)中,实现地质灾害的预报;
步骤五,通过云数据库服务器存储采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息;
步骤六,通过云数据库服务器将地质灾害信息数据发送至移动终端,并进行管理***的远程操控;
步骤七,通过显示器显示采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息的实时数据。
2.如权利要求1所述的地质灾害信息管理方法,其特征在于,步骤一中,所述边界白色化处理,具体为:
对地质图进行边缘查找;对边界图像进行一次粗化处理;将原图像与边界图像相减,从而在原图中,将边界处全部进行白色化处理。
3.如权利要求1所述的地质灾害信息管理方法,其特征在于,步骤二中,所述步骤(II)的根据所述编码特征信息获取所述地质图像的处理路径,包括:
根据编码特征信息与处理节点的对应关系,确定所述编码特征信息对应的至少一个目标处理节点;
根据所述至少一个目标处理节点的处理顺序生成所述地质图像的处理路径。
4.如权利要求3所述的地质灾害信息管理方法,其特征在于,所述处理路径包括所述处理节点的相关信息,所述处理节点的相关信息包括处理节点的客户端标识、处理节点的提供方信息、处理时间中至少一种。
5.如权利要求1所述的地质灾害信息管理方法,其特征在于,步骤四中,所述步骤1)的通过预报程序建立基于神经网络和多参数信息融合的地质灾害预报模型的过程为:
(a)训练数据整理及阈值的设置;
(b)基于径向基神经网络的预报模型的建立;
其中,预报模型分为输入层、隐含层和输出层,其输入为多参数和对应的地质灾害发生概率,通过给定的输入层、输出层数据计算出隐含层中的权值参数,从而得到输入与输出之间的如下关系式:
a{1}=radbas(netprod(dist(net,IW{1,1},p),net,b{1}));
其中,a为输出地质灾害发生概率,p为输入训练数据,求得net;
(c)将步骤(b)得到的关系式带入调用MATLAB函数库中的训练模型公式,得到如下地质灾害预报模型:
net=newrb(p1,a1);
其中,net为得到的地质灾害预报模型,a1为输出当前地质灾害发生概率,p1为输入实时采集数据。
6.如权利要求5所述的地质灾害信息管理方法,其特征在于,步骤(a)中,所述训练数据整理及阈值的设置,包括:
分别统计发生过地质灾害地区的泥石流因子、滑坡因子与危害程度的关系,并将各参数因子作为训练数据,随后选择相应参数测量传感器的最大量程,并将0~最大量程之间安装训练数据的点数划分等级,确定各参数与地质灾害发生概率的初始关系分布,将成灾机率分为0~5%、5~20%、20~40%和40~90%四个范围,从而确定各参数的阈值。
7.如权利要求1所述的地质灾害信息管理方法,其特征在于,步骤四中,所述步骤2)的建立地质灾害发生概率与地质灾害等级之间的关系,包括:
依据地质灾害突然发生灾情造成的损失状况、成灾机率和极易产生的危害程度,将地质灾害等级分为四级:特别严重突发灾情为四级,地质灾害发生概率为40~90%,为红色预警,严重性突发灾情为三级,地质灾害发生概率为20~40%,为橙色预警,大型突发灾情为二级,地质灾害发生概率为5~20%,为黄色预警,通常性突发灾情为一级,地质灾害发生概率为0~5%,为蓝色预警。
8.一种应用如权利要求1~7任意一项所述的地质灾害信息管理方法的地质灾害信息管理***,其特征在于,所述地质灾害信息管理***包括:
地质信息采集模块,与中央控制模块连接,用于通过地质监测设备采集地质图像信息;
图像特征提取模块,与中央控制模块连接,用于通过特征提取程序对采集的地质图像信息的特征进行提取;
中央控制模块,与地质信息采集模块、图像特征提取模块、特征信息分析模块、信息编辑模块、信息更新模块、信息发布模块、地质灾害预报模块、数据存储模块、终端模块、显示模块连接,用于通过中央处理器控制各个模块正常工作;
特征信息分析模块,与中央控制模块连接,用于通过信息分析程序对提取的地质图像的特征信息进行分析;
信息编辑模块,与中央控制模块连接,用于通过编辑程序对地质信息及分析结果进行编辑;
信息更新模块,与中央控制模块连接,用于通过更新程序对地质信息进行更新;
信息发布模块,与中央控制模块连接,用于通过发布程序发布地质灾害信息;
地质灾害预报模块,与中央控制模块连接,用于通过预报程序利用地质灾害预报模型对地质灾害信息进行预报;
数据存储模块,与中央控制模块连接,用于通过云数据库服务器存储采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息;
终端模块,与中央控制模块连接,用于通过云数据库服务器将地质灾害信息数据发送至移动终端,并进行管理***的远程操控;
显示模块,与中央控制模块连接,用于通过显示器显示采集的地质信息、提取信息、分析结果、更新信息、发布信息及预报信息的实时数据。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~7任意一项所述的地质灾害信息管理方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~7任意一项所述的地质灾害信息管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215157.1A CN111429471A (zh) | 2020-03-24 | 2020-03-24 | 一种地质灾害信息管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215157.1A CN111429471A (zh) | 2020-03-24 | 2020-03-24 | 一种地质灾害信息管理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429471A true CN111429471A (zh) | 2020-07-17 |
Family
ID=71549404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010215157.1A Pending CN111429471A (zh) | 2020-03-24 | 2020-03-24 | 一种地质灾害信息管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429471A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738439A (zh) * | 2020-07-21 | 2020-10-02 | 电子科技大学 | 一种支持在线学习的人工智能处理方法及处理器 |
CN112464726A (zh) * | 2020-10-30 | 2021-03-09 | 长威信息科技发展股份有限公司 | 一种基于卫星遥感大数据的防灾减灾预警*** |
CN113178082A (zh) * | 2021-04-14 | 2021-07-27 | 河北锐驰交通工程咨询有限公司 | 高速公路安全风险智能识别方法及*** |
CN114063063A (zh) * | 2021-09-09 | 2022-02-18 | 浙江浙能天然气运行有限公司 | 基于合成孔径雷达和点状传感器的地质灾害监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN106128035A (zh) * | 2016-06-30 | 2016-11-16 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN109214474A (zh) * | 2017-06-30 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 基于信息编码的行为分析、信息编码风险分析方法和装置 |
CN110264672A (zh) * | 2019-06-25 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 一种地质灾害的预警*** |
-
2020
- 2020-03-24 CN CN202010215157.1A patent/CN111429471A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106128035A (zh) * | 2016-06-30 | 2016-11-16 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN109214474A (zh) * | 2017-06-30 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 基于信息编码的行为分析、信息编码风险分析方法和装置 |
CN110264672A (zh) * | 2019-06-25 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 一种地质灾害的预警*** |
Non-Patent Citations (1)
Title |
---|
陶志刚 等: "滑坡监测多源***云服务平台架构及工程应用", 《岩石力学与工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738439A (zh) * | 2020-07-21 | 2020-10-02 | 电子科技大学 | 一种支持在线学习的人工智能处理方法及处理器 |
CN111738439B (zh) * | 2020-07-21 | 2020-12-29 | 电子科技大学 | 一种支持在线学习的人工智能处理方法及处理器 |
CN112464726A (zh) * | 2020-10-30 | 2021-03-09 | 长威信息科技发展股份有限公司 | 一种基于卫星遥感大数据的防灾减灾预警*** |
CN113178082A (zh) * | 2021-04-14 | 2021-07-27 | 河北锐驰交通工程咨询有限公司 | 高速公路安全风险智能识别方法及*** |
CN114063063A (zh) * | 2021-09-09 | 2022-02-18 | 浙江浙能天然气运行有限公司 | 基于合成孔径雷达和点状传感器的地质灾害监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | BIM, machine learning and computer vision techniques in underground construction: Current status and future perspectives | |
CN111429471A (zh) | 一种地质灾害信息管理***及方法 | |
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
CN107829452B (zh) | 一种融合多传感器及地基sar的深基坑施工监测预警技术 | |
CN113611085B (zh) | 岩土工程中地质灾害的监测预警方法及*** | |
CN110858334A (zh) | 道路安全评估方法、装置及道路安全预警*** | |
CN103491351A (zh) | 违章建筑物的智能视频监控方法 | |
CN109615118A (zh) | 基于大数据地质灾害防治信息化服务集成控制***及方法 | |
CN111241611B (zh) | 一种辅助基坑实施的方法 | |
CN110927821A (zh) | 一种基于bim+gis的隧道施工超前地质预报信息*** | |
CN116486025A (zh) | 一种基于大数据云计算技术的城市地质数据处理平台 | |
Horspool et al. | ShakeMapNZ: Informing post‐event decision making | |
CN114565313A (zh) | 一种地质灾害隐患判识以及分析评估方法及*** | |
Pradhan et al. | Optimized rule sets for automatic landslide characteristic detection in a highly vegetated forests | |
CN116994156A (zh) | 一种滑坡隐患综合遥感识别方法、***、设备及介质 | |
Xiao et al. | Safety monitoring of expressway construction based on multisource data fusion | |
Wen et al. | Hybrid optimized RF model of seismic resilience of buildings in mountainous region based on hyperparameter tuning and SMOTE | |
Jin et al. | A Comprehensive Evaluation of Resilience in Abandoned Open-Pit Mine Slopes Based on a Two-Dimensional Cloud Model with Combination Weighting | |
CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
CN112802307B (zh) | 一种用于地质勘察的地质监测预警方法及*** | |
CN112668477A (zh) | 一种高危地区特征检测识别方法及智能识别*** | |
Firoozi et al. | Application of machine learning in geotechnical engineering for risk assessment | |
Li et al. | Study on road damage assessment based on RS and GIS | |
Zhan et al. | Research and practice on disaster prevention planning in villages based on planning support system overview: Potential public policies on spatial planning for sustainable urban forms a Case Study | |
Huang et al. | [Retracted] Slope Shape and Edge Intelligent Recognition Technology Based on Deep Neural Sensing Network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |