CN111797571B - 滑坡易发性评价方法、装置、设备和存储介质 - Google Patents
滑坡易发性评价方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111797571B CN111797571B CN202010633734.9A CN202010633734A CN111797571B CN 111797571 B CN111797571 B CN 111797571B CN 202010633734 A CN202010633734 A CN 202010633734A CN 111797571 B CN111797571 B CN 111797571B
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- influence factor
- historical
- training
- 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
- 238000011156 evaluation Methods 0.000 title description 11
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000009466 transformation Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 9
- 238000012876 topography Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 206010013883 Dwarfism Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种滑坡易发性预测方法、装置、设备和存储介质。所述方法包括:获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果;将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练。以实现快速基于整个滑坡区域中的多个影响因子对滑坡易发性进行预测的效果。
Description
技术领域
本发明实施例涉及深度学习技术,尤其涉及一种滑坡易发性评价方法、装置、设备和存储介质。
背景技术
山体滑坡是最常见的灾难性自然灾害之一,造成滑坡的影响因素有很多,如何利用这些影响因素来进行滑坡易发性预测是预防和减少滑坡灾害的关键。
目前,利用神经网络模型对滑坡易发性进行预测是主要的方法,在利用是神经网络模型对滑坡易发性进行预测时,输入神经网络模型中的多是滑坡相关数据,这就需要获取到滑坡数据,现在滑坡数据都是从历史滑坡报告等文件资料中获取,获取滑坡数据后,从滑坡数据中提取影响因子,将影响因子整理成结构化的数据,然后将结构化的数据输入神经网络模型中,这样数据整理的工作量较大,并且没有考虑区域之间的空间信息;在另一方面,也有不对滑坡数据进行整理,直接将获取的滑坡图像输入神经网络模型中,进行对滑坡易发性进行预测的,但这种方式,只能提取单一位置的单一影响因素的图像,然后将该图像输入神经网络模型中,对滑坡易发性进行预测。
发明内容
本发明实施例提供一种滑坡易发性评价方法、装置、设备和存储介质,以实现快速基于整个滑坡区域中的多个影响因子对滑坡易发性进行预测的效果。
第一方面,本发明实施例提供了一种滑坡易发性预测方法,该方法包括:
获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果;
将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练。
第二方面,本发明实施例还提供了一种滑坡易发性预测装置,该装置包括:
待预设滑坡数据获取模块,获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果;
概率预测模块,用于将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储装置,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实施例中任一所述的滑坡易发性预测方法。
第四方面,本发明实施例还提供了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本发明实施例中任一所述的滑坡易发性预测方法。
本发明实施例的技术方案,通过获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,以便根据具有分级结果的至少一个影响因子图层,基于滑坡易发性模型,确定该预测滑坡区域发生滑坡的概率,这样不需对影响因子数据进行整理,还可以对整个待预测滑坡区域进行滑坡易发性预测,提高了整个待预测滑坡区域进行滑坡易发性预测的效率。将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,这样可提前知道个滑坡位点是否会发生滑坡,实现了快速基于整个待预测滑坡区域中的多个影响因子对滑坡易发性进行预测的效果,同时,可根据预测结果,采取相应的预防措施,保障人民生命财产安全。
附图说明
图1是本发明实施例一中的滑坡易发性预测方法的流程图;
图2是本发明实施例一中的影响因子图层示意图;
图3是本发明实施例二中的滑坡易发性预测方法的流程图;
图4是本发明实施例二中的滑坡位置信息示意图;
图5是本发明实施例三中的滑坡易发性预测方法的流程图;
图6是本发明实施例四中的滑坡易发性预测装置的结构示意图;
图7是本发明实施例五中的一种设备的结构示意图。
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为本发明实施例一提供的滑坡易发性预测方法的流程图,本实施例可适用于基于一个区域内的多个影响因子对该区域内的滑坡易发性进行预测的情况,该方法可以由滑坡易发性装置来执行,该滑坡易发性装置可以由软件和/或硬件来实现,该滑坡易发性装置可以配置在计算设备上,具体包括如下步骤:
S110、获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果。
示例性的,待预测滑坡区域可以是包括需要进行预测滑坡易发性的至少一个滑坡位点的区域,该待预测滑坡区域面积大于滑坡位点的区域面积,本实施例中,通过基于滑坡位点所在区域的滑坡数据对滑坡位点进行预测,不局限于滑坡位点的滑坡数据,以提高滑坡预测的准确性。滑坡数据可以是待预测滑坡区域发生滑坡的滑坡数据,例如可以是:滑坡时间和滑坡位置信息,还可以是滑坡发生的规模,比如,大型滑坡、小型滑坡等。
影响因子图层可以是造成滑坡发生的影响因子的图层。这里的影响因子可以为高程相关因子和环境相关因子。其中,高程相关因子可以包括:高程、坡度、坡向、平面曲率,坡面曲率等;环境相关因子可以包括:与断层距离、与河流距离、与道路距离、岩性、土壤湿度、降雨量、土地利用情况、植被覆盖指数等。
参考图2所示的影响因子图层示意图,该影响因子图层表示的是一个区域在任意一天的影响因子图层,例如,可以是天津市东丽区这个区域在2020年4月26日这一天的影响因子图层。
其中,图2中的a图为不具有分级结果的影响因子图层,图2中a图和b图中的A点表示一个滑坡位点,每个图层代表当天滑坡位点的一个影响因子,例如,最上面的图层可以代表降雨量这个影响因子,第二个图层(从上向下数)可以代表植被覆盖指数这个影响因子,依次类推,每一个图层代表一个影响因子。该图层右边的数字代表同一滑坡位点(例如A滑坡位点)在该图层所代表的影响因子的取值,例如,以滑坡位点为A,最上面的图层代表降雨量这个影响因子,第二个图层(从上向下数)代表植被覆盖指数这个影响因子为例,最上面的数字“5”可以代表滑坡位点A的降雨量为5mm,第二个数字“0.7”(从上往下数)可以代表滑坡位点A的植被覆盖指数为0.7,以此类推,每一个数值代表该影响因子的取值。
图2中的b图为具有分级结果的影响因子图层,图2中的b图,每个图层代表当天滑坡位点的一个影响因子,例如,最上面的图层可以代表降雨量这个影响因子,第二个图层(从上向下数)可以代表植被覆盖指数这个影响因子,依次类推,每一个图层代表一个影响因子。该图层右边的数字代表同一滑坡位点(例如A滑坡位点)在该图层所代表的影响因子的取值的分级结果,例如,以滑坡位点为A,最上面的图层代表降雨量这个影响因子,其降雨量为8mm;第二个图层(从上向下数)代表植被覆盖指数这个影响因子为例,植被覆盖指数为0.25。假如,降雨量在0-5mm为一等级,降雨量在6-10mm为二等级,降雨量在11-15mm为三等级,超过15mm为四等级。植被覆盖指数在0-0.1为一等级,植被覆盖指数在0.11-0.2为二等级,植被覆盖指数在0.21-0.3为三等级,植被覆盖指数在0.3以上为四等级。最上面的数字“2”可以代表滑坡位点A的降雨量为第二等级,第二个数字“3”(从上往下数)代表滑坡位点A的植被覆盖指数为第三等级,以此类推,每一个数值代表该影响因子的取值的分级结果。
影响因子的分级结果可以是将影响因子根据其预设分级规则,对其进行分级所产生的结果。
对影响因子进行分级,可以分为如下三种情况,对影响因子进行分级:
1)对于有明确的理论研究的影响因子,例如,高程、坡度、坡向等,可以按照相应的理论依据,进行分级。
例如,对于高程这个影响因子来讲,可以根据中国地貌制图规范,按照高程800m以下的区域划分为低海拔区,高程每增加500m划分一个等级,高程3500m以上为高海拔区进行划分。
对于坡度这个影响因子来讲,根据坡度理论算法和坡度分类体系,将坡度分为平坡(0-6°)、缓坡(6°-15°)、斜坡(15°-25°)、陡坡(25°-35°)、急陡坡(35°以上)总共五级。
对于坡向这个影响因子来讲,根据坡向定义,将平坡定义为-1类,其他八个坡向以0°作为正方向,按照顺时针方向进行旋转,以45°范围进行划分,分为:北坡(0-22.5°,337.5°-360°)、东北坡(22.5°-67.5°)、东坡(67.5°-112.5°)、东南坡(112.5°-157.5°)、南坡(157.5°-202.5°)、西南坡(202.5°-247.5°)、西坡(247.5°-292.5°)、西北坡(292.5°-337.5°);
对于地形起伏度这个影响因子来讲,根据中国地貌图地形起伏度划分标准,将地形起伏度划分为微起伏(小于20m)、小起伏(20m-70m)、中起伏(70m-200m)、山地起伏(200m-500m)、高山起伏(大于500m)总共五级。
2)对于没有明确的理论研究的影响因子,如平面曲率、剖面曲率、地形位置指数、水流强度指数、地形湿度指数、地形粗糙度、与湖泊距离、与河流距离、与断层距离、与铁路距离、与公路距离等影响因子。可以采用自然间断点分级法(Jenks)进行分级,其中,间断点个数可以根据对研究区域滑坡的先验知识以及专家经验给定。
3)对于原先就有分级结果的影响因子,如地质岩性、土地利用、地形地貌、土壤类型等,则根据影响因子中的类别个数,对影响因子级别重新编码,例如地质岩性中原先的影响因子分级为:第四系(10)、侏罗系(13)、三叠系(21)、二叠系(17)、志留系(39),可以重新编码为:第四系(1)、侏罗系(2)、三叠系(3)、二叠系(4)、志留系(5)。
获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,以便根据具有分级结果的至少一个影响因子图层,基于滑坡易发性模型,确定该预测滑坡区域发生滑坡的概率,现有技术中,通常都是获取滑坡位点的滑坡数据后,从滑坡数据中提取影响因子,将影响因子整理成结构化的数据,然后将结构化的数据输入神经网络模型中,这样数据整理的工作量较大。或者是,不对滑坡数据进行整理,直接将获取的滑坡图像输入神经网络模型中,对滑坡易发性进行预测的,但这种方式,只能提取单一位置的单一影响因素的图像。而本发明实施例中提取的是整个待预测滑坡区域的至少一个影响因子图层,这样不需对影响因子数据进行整理,还可以对整个待预测滑坡区域进行滑坡易发性预测,提高了整个待预测滑坡区域进行滑坡易发性预测的效率。
需要说明的是,这里的影响因子还可以是根据高程相关因子和环境相关因子,衍生出的衍生因子,例如,可以是从高程因子中获取衍生因子,主要为四种水文指数,包括地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数。
其具体计算公式如下:
水流强度指数:SPI=As×tanβ
沉积运输指数:
地形粗糙度指数:
地形湿度指数:
其中AS为单位长度等高线上地表水所经过的上游区域面积,其单位为m2/m,该值可根据汇流累积量面积与上游水流长度值计算得到;β为地形坡度。DTMmax 2和DTMmin 2是数字地面模型(DTM)中九个矩形窗口中的最大值和最小值。
S120、将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练。
示例性的,滑坡易发性预测模型可以是对滑坡易发性进行预测的模型,例如可以是全卷积神经网络(Fully Convolutional Networks,FCN)、U-net神经网络、二维卷积神经网络(CNN-2d)、特征金字塔网络(Feature Pyramid Networks,FPN)。该滑坡易发性预测模型是基于历史滑坡数据训练得到的。这里的历史滑坡数据可以是之前发生了滑坡的滑坡数据,历史滑坡数据可以是从滑坡野外勘察报告、典型滑坡监测报告等多种文件资料中获取的。
将获取的至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,即可得到待预测滑坡区域中各滑坡位点发生滑坡的概率,这样可提前知道各滑坡位点是否会发生滑坡,实现了快速基于整个待预测滑坡区域中的多个影响因子对滑坡易发性进行预测的效果,同时,可根据预测结果,采取相应的预防措施,保障人民生命财产安全。
本发明实施例的技术方案,通过获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,以便根据具有分级结果的至少一个影响因子图层,基于滑坡易发性模型,确定该预测滑坡区域发生滑坡的概率,这样不需对影响因子数据进行整理,还可以对整个待预测滑坡区域进行滑坡易发性预测,提高了整个待预测滑坡区域进行滑坡易发性预测的效率。将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,这样可提前知道各滑坡位点是否会发生滑坡,实现了快速基于整个待预测滑坡区域中的多个影响因子对滑坡易发性进行预测的效果,同时,可根据预测结果,采取相应的预防措施,保障人民生命财产安全。
实施例二
图3为本发明实施例二提供的滑坡易发性预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,在所述获取待预测滑坡区域的滑坡数据的至少一个影响因子图层之前,所述方法还包括:基于所述至少一个历史滑坡数据,确定各历史滑坡数据的至少一个影响因子图层,以及各所述历史滑坡数据中的滑坡位置信息;基于所述至少一个影响因子图层,确定神经网络模型的训练样本;基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练。
如图3所示,本发明实施例的方法具体包括如下步骤:
S210、基于所述至少一个历史滑坡数据,确定各历史滑坡数据的至少一个影响因子图层,以及各所述历史滑坡数据中的滑坡位置信息。
示例性的,这里的历史滑坡数据可以但不限于包括,滑坡时间和滑坡位置信息,这里的滑坡时间可以是滑坡发生的时间,例如,在2008年4月21日B滑坡位点发生了滑坡,则滑坡时间为2008年4月21日,滑坡位置信息即为滑坡位点B的位置信息,例如可以是滑坡位点B的经纬度信息。
可选的,基于所述至少一个历史滑坡数据,确定各历史滑坡数据的至少一个影响因子图层,具体可以是:基于所述历史滑坡数据中的所述滑坡时间和滑坡位置信息,在各影响因子数据库中确定与所述历史滑坡数据相对应的至少一组影响因子数据;基于与所述历史滑坡数据相对应的各组影响因子数据,确定与所述历史滑坡数据相对应的至少一个影响因子图层。
示例性的,基于历史滑坡数据中的滑坡时间和滑坡位置信息,在影响因子数据库中得到与历史滑坡数据对应的至少一组影响因子数据。具体的,可以是在影响因子数据库中存储有与历史滑坡数据对应的至少一组影响因子数据(例如,图2中的a图),例如,用户想要知道2016年7月15日这天,天津市东丽区发生滑坡的各滑坡位点的影响因子数据,则将2016年7月15日,以及天津市东丽区这天发生滑坡的各滑坡位点的位置信息输入到数据库中,数据库则会自动生成与输入的历史滑坡数据对应的至少一组影响因子数据,例如,数据库会自动生成,天津市东丽区在2016年7月15日这天发生滑坡的各滑坡位点的影响因子,比如,降雨量、植被覆盖指数、坡度等。
根据获得的与历史滑坡数据对应的各组影响因子数据,可以在数据库中自动生成与历史滑坡数据对应的至少一个影响因子图层(例如,图2中的b图)。也就是说,将历史滑坡数据中的滑坡时间和滑坡位置信息输入到数据库中,则数据库中自动生成图2中的b图所示的与历史滑坡数据对应的至少一个影响因子图层。这样可根据历史滑坡数据,直接得到与历史滑坡数据对应的至少一个影响因子图层,避免了对历史滑坡数据进行整理,节省了时间。
可选的,所述基于与所述历史滑坡数据相对应的各组影响因子数据,确定与所述历史滑坡数据相对应的至少一个影响因子图层,具体的可以是:基于当前影响因子的预设分级规则,对所述当前影响因子的影响因子数据进行分级,确定所述影响因子数据的分级结果;基于所述分级结果,确定所述当前影响因子图层。
示例性的,当前影响因子可以是当前影响历史滑坡数据中任一滑坡位点的影响因子,例如,影响天津市东丽区在2016年7月15日这天发生滑坡的A滑坡位点的影响因子,比如可以是降雨量。预设分级规则可以是预先设置的对影响因子进行分级的规则,例如,可参考本发明实施例一中列举的对影响因子进行分级的三种情况。当前影响因子图层可以是当前影响因子的图层信息。
以当前影响因子为降雨量为例,降雨量为8mm,对降雨量预先设置了分级规则,其分级规则为:降雨量在0-5mm为一等级,降雨量在6-10mm为二等级,降雨量在11-15mm为三等级,超过15mm为四等级。则根据该预设分级规则,当前影响因子的分级结果为二等级,根据该分级结果,则可生成图2中的b图所示的具有分级结果的当前影响因子图层。这样以便后续根据具有分级结果的影响因子图层,训练滑坡易发性预测模型。
S220、基于所述至少一个影响因子图层,确定所述滑坡易发性预测模型的训练样本。
示例性的,可以将至少一个影响因子图层作为滑坡易发性预测模型的训练样本,这样滑坡易发性预测模型可以基于一个区域内的至少一个影响因子对滑坡易发性进行预测。
S230、基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练。
示例性的,参考图4所述的滑坡位置信息示意图,在该图中,可以显示出任一天发生滑坡的位置信息。可以将滑坡位置信息作为验证集,来验证将训练样本输入滑坡易发性预测模型后,输出的各滑坡位点发送滑坡的概率,通过训练样本和滑坡位置信息,对滑坡易发性预测模型进行迭代训练,对滑坡易发性预测模型进行评估,得到可对滑坡易发性进行准确预测的训练完成的滑坡易发性预测模型,以供后续对待预测区域进行滑坡易发性预测。
需要说明的是,由于图4中的a图是原始滑坡位置信息的示意图,即为直接从历史滑坡数据中得到的滑坡位置信息。图4中的b图为对原始滑坡位置信息进行缓冲后的示意图,即为对图4中a图进行缓冲后的滑坡位置信息。由于发生滑坡的天数中,发生滑坡的情况比较少,这样滑坡位置信息在该区域中标注出来就比较小(如图4中的a图),这样在滑坡易发性预测模型中,可能就会因为目标太小,而无法被滑坡易发性预测模型识别出来,这样就无法对滑坡易发性预测模型进行训练。因此,在图4中a图的基础上,确定一个缓冲距离,从而构造出相应的缓冲区,这里缓冲距离可以是300m,600m,1000m,2000m等,这样滑坡位置信息在该区域中就比较大,易被滑坡易发性预测模型识别出来,图4中的b图为以1000m的缓冲距离构造了缓冲区。
可选的,所述基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练,具体的可以是:将所述训练样本输入所述滑坡易发性预测模型中,根据所述滑坡易发性预测模型中输出的各滑坡位点发生滑坡的概率,确定基于所述训练样本的训练位置信息;基于所述训练位置信息和所述滑坡位置信息,对所述滑坡易发性预测模型进行训练;对所述滑坡易发性预测模型进行迭代训练,当所述滑坡易发性预测模型的损失函数小于预设阈值时,确定所述滑坡易发性预测模型训练完成,其中,所述损失函数为所述训练位置信息和所述滑坡位置信息进行比对拟合得到的函数。
示例性的,训练位置信息可以是将训练样本输入滑坡易发性预测模型中,根据输出的各滑坡位点发生滑坡的概率,而得到的与训练样本对应的发生滑坡的位置信息。预设阈值可以是预先设置的滑坡易发性预测模型的损失函数小于该值时,即当训练位置信息和滑坡位置信息进行比对时,训练位置信息和滑坡位置信息的拟合函数小于该值时,则证明训练位置信息与滑坡位置信息匹配的函数。
对滑坡易发性预测模型进行训练时,将训练样本输入到滑坡易发性预测模型中,滑坡易发性预测模型会输出训练样本所对应的各滑坡位点发生滑坡的概率,根据该输出结果,可以确定与训练样本对应的训练位置信息,例如,可以是,将输出的训练样本所对应的各滑坡位点发生滑坡的概率,其概率值超过50%的,即认为该滑坡位点会发生滑坡,则在该区域的地图中将该滑坡位点标注出来,这样将各发生滑坡的滑坡位点均标注出来,即可形成与训练样本对应的训练位置信息。该训练位置信息与输入滑坡易发性预测模型的滑坡位置信息相似,即训练位置信息为一与图4类似的,都是在历史滑坡数据所对应的滑坡区域地图中标注出发生滑坡的滑坡位点的图。
根据得到的训练位置信息,将训练位置信息和滑坡位置信息对滑坡易发性预测模型进行训练,在对滑坡易发性预测模型进行训练之前,首先要构造网络(例如U-net,FCN等),接着给定网络参数如:迭代轮数、学***均像素精度MPA与F1分数作为评价指标。
可以理解的是,在判断滑坡易发性预测模型的损失函数时,可以是将训练位置信息和滑坡位置信息进行比对拟合,得到损失函数,这里可以是当训练位置信息和滑坡位置信息的拟合值达到拟合阈值时,则此时可确定滑坡易发性预测模型的损失函数小于预设阈值,例如,拟合阈值为70%,当训练位置信息和滑坡位置信息的拟合值达到70%以上时,此时确定滑坡易发性预测模型的损失函数小于预设阈值,则证明该滑坡易发性预测模型训练完成,可利用训练完成的滑坡易发性预测模型对待预测区域的各滑坡位点是否发生滑坡进行预测。
这样通过提取影响因子图层中的信息,将影响因子图层作为训练样本,可得到训练完成的精确度高的滑坡易发性预测模型,这样通过基于图像分割的滑坡易发性模型,能够很好的挖掘各影响因子中空间位置的关联性,有效提高预测精准度。
S240、获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果。
S250、将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练。
本发明实施例的技术方案,通过基于所述至少一个历史滑坡数据,确定各历史滑坡数据的至少一个影响因子图层,以及各所述历史滑坡数据中的滑坡位置信息,这样可根据历史滑坡数据,直接得到与历史滑坡数据对应的至少一个影响因子图层和滑坡位置信息,避免了对历史滑坡数据进行整理,节省了时间。将至少一个影响因子图层作为滑坡易发性预测模型的训练样本,基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练,这样通过提取影响因子图层中的信息,将影响因子图层作为训练样本,可得到训练完成的精确度高的滑坡易发性预测模型,这样通过基于图像分割的滑坡易发性模型,能够很好的挖掘各影响因子中空间位置的关联性,有效提高预测精准度。
实施例三
图5为本发明实施例三提供的滑坡易发性预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,在基于所述至少一个历史滑坡数据之后,所述方法还包括:对所述至少一个历史滑坡数据进行增强处理,得到目标历史滑坡数据;其中,所述增强处理的方式包括:尺度变换、缩放变换、翻转变换、平移变换、仿射变换、噪声扰动和黑块遮挡中的至少一种。以及,对所述至少一个历史滑坡数据进行预处理;其中,所述预处理包括如下至少一项:将所述至少一个历史滑坡数据转换至同一坐标系下、对所述至少一个历史滑坡数据进行校正和对所述至少一个历史滑坡数据的数据格式进行统一。
如图3所示,本发明实施例的方法具体包括如下步骤:
S310、基于所述至少一个历史滑坡数据,对所述至少一个历史滑坡数据进行预处理。
示例性的,预处理可以是对至少一个历史滑坡数据进行预先处理。可选的,所述预处理包括如下至少一项:将所述至少一个历史滑坡数据转换至同一坐标系下、对所述至少一个历史滑坡数据进行校正和对所述至少一个历史滑坡数据的数据格式进行统一。
将至少一个历史滑坡数据转换至同一坐标系下可以是:由于历史滑坡数据从不同的来源获取,其中,历史滑坡数据中可能会有栅格数据和矢量数据,因此可能存在着数据坐标***并不统一的问题,这将会导致历史滑坡数据无法进行叠加与后续分析,影响滑坡易发性预测模型的训练,从而造成滑坡易发性预测模型预测精度低的问题。因此需将所有栅格数据与矢量数据赋予同一坐标系,使坐标系得到统一。在统一坐标系时,可根据坐标***转化参数的难以情况,选择合适的坐标系,例如可以将西安80坐标系作为标准坐标系。
对至少一个历史滑坡数据进行校正可以是:由于历史滑坡数据来源的不同,存在历史滑坡数据的命名错误与位置偏移等问题。因此需要将所有栅格数据与矢量数据进行数据的校正、配准与拼接,从而消除历史滑坡数据的命名错误与位置偏移等问题造成的数据错误,保证多源历史滑坡数据中同一空间位置中的位置点具有同名一致性,保证后续滑坡易发性预测模型训练与预测的准确性。
对至少一个历史滑坡数据的数据格式进行统一可以是:由于滑坡易发性预测模型采用的数据是栅格类型的数据。因此,需要将矢量数据转化为栅格数据,同时对已有的栅格数据进行栅格位置和栅格大小的统一。具体地,采用的方法可以是,确定栅格的大小(可以是50x50m或者30x30m等),将所有栅格数据通过重采样的方式转化到先前确定的栅格大小,从而得到空间位置对应、栅格大小统一的各种图层数据。
针对历史滑坡数据,由于其来源多样,因此通过上述预处理过程实现了将不同形式、不同格式的历史滑坡数据,以及不同时空分辨率与不同空间坐标系的历史滑坡数据整合到一个统一的框架中,为后续滑坡易发性预测模型的训练与预测提供良好基础。
S320、对所述至少一个历史滑坡数据进行增强处理,得到目标历史滑坡数据。
示例性的,这里的增强处理可以是将历史滑坡数据进行扩充处理。目标历史滑坡数据可以是对历史滑坡数据进行增强后形成的数据。
由于发生滑坡的天数有限,即样本较少,因此通过数据增强的方式扩充历史滑坡数据。具体地,数据增强处理的方式包括:尺度变换,缩放变换,翻转变换,平移变换,仿射变换,噪声扰动,黑块遮挡等。这样就将少量的历史滑坡数据扩充了,形成大量的历史滑坡数据,增大了样本数量,这样可更好对滑坡易发性预测模型进行训练。
需要说明的是,在对历史滑坡数据进行增强后,利用增强后的历史滑坡数据构建训练样本,将训练样本输入滑坡易发性预测模型前,可先对训练样本进行归一化处理,这样不用计算大的数据,节省硬件计算时间。
具体归一化处理,可以采用如下公式:
其中,为对数据增强后得到的训练样本进行归一化得到的训练样本,xmin和xmax分别为每个图层的最大值和最小值,x为对历史滑坡数据增强处理后的目标历史滑坡数据所对应的影响因子图层。
S330、确定各目标历史滑坡数据的至少一个影响因子图层,以及各所述目标历史滑坡数据中的滑坡位置信息。
S340、基于所述至少一个影响因子图层,确定所述滑坡易发性预测模型的训练样本。
S350、基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练。
S360、获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果。
S370、将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个目标历史滑坡数据进行训练。
本发明实施例的技术方案,通过基于所述至少一个历史滑坡数据,对所述至少一个历史滑坡数据进行预处理,实现了将不同形式、不同格式的历史滑坡数据,以及不同时空分辨率与不同空间坐标系的历史滑坡数据整合到一个统一的框架中,为后续滑坡易发性预测模型的训练与预测提供良好基础。对所述至少一个历史滑坡数据进行增强处理,得到目标历史滑坡数据,这样就将少量的历史滑坡数据扩充了,形成大量的历史滑坡数据,增大了样本数量,这样可更好对滑坡易发性预测模型进行训练。
实施例四
图6为本发明实施例四提供的滑坡易发性预测装置的结构示意图,如图6所示,该装置包括:待预设滑坡数据获取模块31和概率预测模块32。
其中,待预设滑坡数据获取模块31,获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果;
概率预测模块32,用于将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练。
在上述实施例的技术方案的基础上,该装置还包括:
信息确定模块,用于基于所述至少一个历史滑坡数据,确定各历史滑坡数据的至少一个影响因子图层,以及各所述历史滑坡数据中的滑坡位置信息;
训练样本确定模块,用于基于所述至少一个影响因子图层,确定所述滑坡易发性预测模型的训练样本;
模型训练模块,用于基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练。
在上述实施例的技术方案的基础上,该装置还包括:
数据增强处理模块,用于对所述至少一个历史滑坡数据进行增强处理,得到目标历史滑坡数据,其中,所述增强处理的方式包括:尺度变换、缩放变换、翻转变换、平移变换、仿射变换、噪声扰动和黑块遮挡中的至少一种。
在上述实施例的技术方案的基础上,该装置还包括:
数据预处理模块,用于对所述至少一个目标历史滑坡数据进行预处理,其中,所述预处理包括如下至少一项:将所述至少一个历史滑坡数据转换至同一坐标系下、对所述至少一个历史滑坡数据进行校正和对所述至少一个历史滑坡数据的数据格式进行统一。
可选的,所述历史滑坡数据包括:滑坡时间和滑坡位置信息。
在上述实施例的技术方案的基础上,信息确定模块包括:
影响因子数据确定单元,用于基于所述历史滑坡数据中的所述滑坡时间和滑坡位置信息,在各影响因子数据库中确定与所述历史滑坡数据相对应的至少一组影响因子数据;
影响因子图层确定单元,用于基于与所述历史滑坡数据相对应的各组影响因子数据,确定与所述历史滑坡数据相对应的至少一个影响因子图层。
在上述实施例的技术方案的基础上,影响因子图层确定单元包括:
分级结果确定子单元,用于基于当前影响因子的预设分级规则,对所述当前影响因子的影响因子数据进行分级,确定所述影响因子数据的分级结果;
影响因子图层确定子单元,用于基于所述分级结果,确定所述当前影响因子图层。
在上述实施例的技术方案的基础上,模型训练模块包括:
训练位置信息确定单元,用于将所述训练样本输入所述滑坡易发性预测模型中,根据所述滑坡易发性预测模型中输出的各滑坡位点发生滑坡的概率,确定基于所述训练样本的训练位置信息;
模型训练单元,用于基于所述训练位置信息和所述滑坡位置信息,对所述滑坡易发性预测模型进行训练;
模型训练确定完成单元,用于对所述滑坡易发性预测模型进行迭代训练,当所述训练位置信息和所述滑坡位置信息的拟合值达到拟合阈值时,确定所述滑坡易发性预测模型训练完成。
本发明实施例所提供的滑坡易发性预测装置可执行本发明任意实施例所提供的滑坡易发性预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种设备的结构示意图,如图7所示,该设备包括处理器70、存储器71、输入装置72和输出装置73;设备中处理器70的数量可以是一个或多个,图7中以一个处理器70为例;设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器71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滑坡易发性预测方法对应的程序指令/模块(例如,待预设滑坡数据获取模块31和概率预测模块32)。处理器70通过运行存储在存储器71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,即实现上述的滑坡易发性预测方法。
存储器71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71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71可进一步包括相对于处理器70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。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72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73可包括显示屏等显示设备。
实施例六
本发明实施例六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滑坡易发性预测方法。
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滑坡易发性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,上述滑坡易发性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 (8)
1.一种滑坡易发性预测方法,其特征在于,包括:
获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果;
将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练;
基于所述至少一个历史滑坡数据,确定各所述历史滑坡数据的所述至少一个影响因子图层,以及各所述历史滑坡数据中的滑坡位置信息;
基于所述至少一个影响因子图层,确定所述滑坡易发性预测模型的训练样本;
基于所述训练样本和所述滑坡位置信息,对所述滑坡易发性预测模型进行训练;
所述历史滑坡数据包括:滑坡时间和所述滑坡位置信息;
所述基于所述至少一个历史滑坡数据,确定各所述历史滑坡数据的所述至少一个影响因子图层,包括:
基于所述历史滑坡数据中的所述滑坡时间和所述滑坡位置信息,在各影响因子数据库中确定与所述历史滑坡数据相对应的至少一组影响因子数据;
基于与所述历史滑坡数据相对应的各组所述影响因子数据,确定与所述历史滑坡数据相对应的所述至少一个影响因子图层;
其中,所述待预测滑坡区域是需要进行预测滑坡易发性的至少一个所述滑坡位点的区域。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述至少一个历史滑坡数据之后,所述方法还包括:
对所述至少一个历史滑坡数据进行增强处理,得到目标历史滑坡数据;
其中,所述增强处理的方式包括:尺度变换、缩放变换、翻转变换、平移变换、仿射变换、噪声扰动和黑块遮挡中的至少一种。
3.根据权利要求1所述的方法,其特征在于,在基于所述至少一个历史滑坡数据之后,所述方法还包括:
对所述至少一个历史滑坡数据进行预处理;
其中,所述预处理包括如下至少一项:将所述至少一个历史滑坡数据转换至同一坐标系下、对所述至少一个历史滑坡数据进行校正和对所述至少一个历史滑坡数据的数据格式进行统一。
4.根据权利要求1所述的方法,其特征在于,所述基于与所述历史滑坡数据相对应的各组影响因子数据,确定与所述历史滑坡数据相对应的至少一个影响因子图层,包括:
基于当前影响因子的预设分级规则,对所述当前影响因子的影响因子数据进行分级,确定所述影响因子数据的分级结果;
基于所述分级结果,确定所述当前影响因子图层。
5.根据权利要求1所述的方法,其特征在于,所述基于所述训练样本和所述滑坡位置信息,对滑坡易发性预测模型进行训练,包括:
将所述训练样本输入所述滑坡易发性预测模型中,根据所述滑坡易发性预测模型中输出的各滑坡位点发生滑坡的概率,确定基于所述训练样本的训练位置信息;
基于所述训练位置信息和所述滑坡位置信息,对所述滑坡易发性预测模型进行训练;
对所述滑坡易发性预测模型进行迭代训练,当所述滑坡易发性预测模型的损失函数小于预设阈值时,确定所述滑坡易发性预测模型训练完成,其中,所述损失函数为所述训练位置信息和所述滑坡位置信息进行比对拟合得到的函数。
6.一种滑坡易发性预测装置,其特征在于,包括:
待预设滑坡数据获取模块,获取待预测滑坡区域的滑坡数据的至少一个影响因子图层,其中,每一个所述影响因子图层中包括所述待预测滑坡区域对应影响因子的分级结果;
概率预测模块,用于将所述至少一个影响因子图层输入训练完成的滑坡易发性预测模型中,得到所述待预测滑坡区域中各滑坡位点发生滑坡的概率,其中,所述滑坡易发性预测模型基于至少一个历史滑坡数据进行训练;
信息确定模块,用于基于所述至少一个历史滑坡数据,确定各所述历史滑坡数据的所述至少一个影响因子图层,以及各所述历史滑坡数据中的滑坡位置信息;
训练样本确定模块,用于基于所述至少一个影响因子图层,确定所述滑坡易发性预测模型的训练样本;
模型训练模块,用于基于所述训练样本和所述滑坡位置信息,对所述滑坡易发性预测模型进行训练;
所述历史滑坡数据包括:滑坡时间和所述滑坡位置信息;
所述信息确定模块包括:
影响因子数据确定单元,用于基于所述历史滑坡数据中的所述滑坡时间和所述滑坡位置信息,在各影响因子数据库中确定与所述历史滑坡数据相对应的至少一组影响因子数据;
影响因子图层确定单元,用于基于与所述历史滑坡数据相对应的各组所述影响因子数据,确定与所述历史滑坡数据相对应的所述至少一个影响因子图层;
其中,所述待预测滑坡区域是需要进行预测滑坡易发性的至少一个所述滑坡位点的区域。
7.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,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1-5中任一所述的滑坡易发性预测方法。
8.一种包含计算机可执行指令的存储介质,其特征在于,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如权利要求1-5中任一所述的滑坡易发性预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633734.9A CN111797571B (zh) | 2020-07-02 | 2020-07-02 | 滑坡易发性评价方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633734.9A CN111797571B (zh) | 2020-07-02 | 2020-07-02 | 滑坡易发性评价方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797571A CN111797571A (zh) | 2020-10-20 |
CN111797571B true CN111797571B (zh) | 2024-05-28 |
Family
ID=72811155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633734.9A Active CN111797571B (zh) | 2020-07-02 | 2020-07-02 | 滑坡易发性评价方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797571B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065455B (zh) * | 2021-03-30 | 2021-09-17 | 中国水利水电科学研究院 | 一种基于深度学习的滑坡风险巡检方法及*** |
CN113343563B (zh) * | 2021-05-27 | 2022-05-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及*** |
CN116205522B (zh) * | 2023-01-31 | 2023-10-20 | 中国测绘科学研究院 | 一种多维cnn耦合的滑坡易发性评价方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830385A (zh) * | 2018-07-10 | 2018-11-16 | 北京京东金融科技控股有限公司 | 深度学习模型训练方法和装置及计算机可读存储介质 |
CN111275129A (zh) * | 2020-02-17 | 2020-06-12 | 平安科技(深圳)有限公司 | 一种图像数据的增广策略选取方法及*** |
-
2020
- 2020-07-02 CN CN202010633734.9A patent/CN111797571B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830385A (zh) * | 2018-07-10 | 2018-11-16 | 北京京东金融科技控股有限公司 | 深度学习模型训练方法和装置及计算机可读存储介质 |
CN111275129A (zh) * | 2020-02-17 | 2020-06-12 | 平安科技(深圳)有限公司 | 一种图像数据的增广策略选取方法及*** |
Non-Patent Citations (2)
Title |
---|
刘睿等.基于GIS与随机森林的巫山县滑坡易发性区划.《重庆师范大学学报(自然科学版)》.2020,第37卷(第3期),86-96. * |
基于GIS与随机森林的巫山县滑坡易发性区划;刘睿等;《重庆师范大学学报(自然科学版)》;第37卷(第3期);86-96 * |
Also Published As
Publication number | Publication date |
---|---|
CN111797571A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797571B (zh) | 滑坡易发性评价方法、装置、设备和存储介质 | |
Zhong et al. | Landslide mapping with remote sensing: challenges and opportunities | |
Amini Parsa et al. | Spatio-temporal analysis of land use/land cover pattern changes in Arasbaran Biosphere Reserve: Iran | |
US9942440B2 (en) | Image-based field boundary detection and identification | |
Shahabi et al. | Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran | |
Arabameri et al. | Applying different scenarios for landslide spatial modeling using computational intelligence methods | |
KR20220000898A (ko) | 다인자를 기반으로 한 해안선 변화 식별방법 | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN112800915A (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN110569797B (zh) | 地球静止轨道卫星影像山火检测方法、***及其存储介质 | |
CN112200362A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Shakya et al. | Statistical quantification of texture visual features for pattern recognition by analyzing pre-and post-multispectral Landsat satellite imagery | |
CN116028499B (zh) | 检测信息生成方法、电子设备和计算机可读介质 | |
US20240242289A1 (en) | Spatial simulation method for assessment of direct economic losses of typhoon flood based on remote sensing | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN116665040A (zh) | 基于注意力机制的多尺度输入输出的建筑物变化检测方法 | |
Tran et al. | Improving hydrologic modeling using cloud-free modis flood maps | |
Qasimi et al. | Landslide susceptibility mapping in Badakhshan province, Afghanistan: a comparative study of machine learning algorithms | |
Rahaman et al. | Effects of label noise on performance of remote sensing and deep learning-based water body segmentation models | |
CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Dong et al. | A cloud detection method for GaoFen-6 wide field of view imagery based on the spectrum and variance of superpixels | |
Drzewiecki | Thorough statistical comparison of machine learning regression models and their ensembles for sub-pixel imperviousness and imperviousness change mapping | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
Zhou et al. | Superpixel-based time-series reconstruction for optical images incorporating SAR data using autoencoder networks | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 |
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 |