CN113779888B - 地面沉降危险性评估方法、装置、设备及存储介质 - Google Patents

地面沉降危险性评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113779888B
CN113779888B CN202111113802.XA CN202111113802A CN113779888B CN 113779888 B CN113779888 B CN 113779888B CN 202111113802 A CN202111113802 A CN 202111113802A CN 113779888 B CN113779888 B CN 113779888B
Authority
CN
China
Prior art keywords
ground subsidence
evaluation
ground
data
area
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
CN202111113802.XA
Other languages
English (en)
Other versions
CN113779888A (zh
Inventor
郭芬芬
来向华
胡涛骏
韩富江
肖晶晶
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.)
Second Institute of Oceanography MNR
Original Assignee
Second Institute of Oceanography MNR
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 Second Institute of Oceanography MNR filed Critical Second Institute of Oceanography MNR
Priority to CN202111113802.XA priority Critical patent/CN113779888B/zh
Publication of CN113779888A publication Critical patent/CN113779888A/zh
Application granted granted Critical
Publication of CN113779888B publication Critical patent/CN113779888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，公开了一种地面沉降危险性评估方法、装置、设备及存储介质。本发明实现了对海岸带地面沉降的自动化且客观高效的危险性评估。该方法包括：获取目标区域的影响因素数据和地面沉降数据，并构建具有海岸带区域特征的多个评估指标，以及对应的多级别样本区；对各所述评估指标进行一致性分析，并将得到的评估指标编码和所述多级别样本区进行空间连接；从所述评估指标编码选取局部评估指标编码构建样本集；分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，并采用预置精度评价方法从各所述地面沉降危险评估模型中选取最优评估模型；将所述评估指标编码输入所述最优评估模型进行评估，得到地面沉降危险性评估信息。

Description

地面沉降危险性评估方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种地面沉降危险性评估方法、装置、设备及存储介质。
背景技术
近年来，在海平面上升的大背景下，加上大规模的城市建设、填海造陆、地下水和资源开采等剧烈人为作用下，海岸带地面沉降范围和沉降速率都呈现扩大的趋势。对于一些沿海人口稠密的地区，地面沉降是分布最为广泛的缓变性地质灾害，由于地面沉降对其表面附属物及地下埋藏物造成直接和潜在威胁，并且在发生初期不易察觉，具有隐蔽性，一旦致灾则波及面积很大，难以治理，导致其时刻威胁着灾害地区的人类生命财产安全和生态环境安全。对此开展地面沉降危险性评价，有助于从宏观层面把握地质灾害形势，可以有效管理地面沉降风险，减小损失造成的影响，对灾害预报防治的非工程性措施具有重要意义。
目前，许多地区开展了地面沉降的长期性的持续检测，并对沉降机理和放置措施等开展了大量的研究，但在海岸带地面沉降风险的研究方面相对较少。此外目前对地面沉降危险性的评价方法，主要还是采用专家打分模型、模糊评判模型、层次分析法等方法来分析地面沉降灾害的危险性的评估，但是这些方法存在主观性较强、准确性无法保证，其准确程度受参与专家经验的限制，即目前对于海岸带地面沉降缺乏一个客观高效的地面沉降危险性评估的方法。
发明内容
本发明的主要目的在于解决目前对于海岸带地面沉降缺乏一个客观高效的地面沉降危险性评估方法的问题。
本发明第一方面提供了一种地面沉降危险性评估方法，包括：获取目标区域的影响因素数据和地面沉降数据，并采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用所述地面沉降数据构建所述目标区域对应的多级别样本区；对各所述评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果；根据所述空间连接结果，从所述评估指标编码选取局部评估指标编码构建样本集；根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息。
可选的，在本发明第一方面的第一种实现方式中，所述采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标包括：对所述目标区域的影响因素数据进行致灾因素分析，得到所述目标区域对应的致灾因子指标，以及对所述目标区域的地面沉降数据进行孕灾因素分析，得到所述目标区域对应的孕灾环境指标；将所述致灾因子指标和所述孕灾环境指标与预置的度量比较原则进行相关性比较，并将相关性较高的致灾因子指标和孕灾环境指标并作为具有海岸带区域特征的多个评估指标。
可选的，在本发明第一方面的第二种实现方式中，所述采用所述地面沉降数据构建所述目标区域对应的多级别样本区包括：根据所述地面沉降数据，确定所述目标区域中的地面沉降区和非地面沉降区，并将所述非地面沉降区对应的地面沉降数据作为非地面沉降样本区，以及将所述地面沉降区对应的地面沉降数据作为地面沉降样本区；采用所述非地面沉降样本区和所述地面沉降样本区进行地面沉降的量化指标统计分级，并根据量化指标统计分级的结果对所述地面沉降样本区进行风险等级划分，得到所述目标区域对应的多级别样本区。
可选的，在本发明第一方面的第三种实现方式中，所述对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果包括：在所述多级别样本区中随机选取预置数量的多个样本点，并将各所述样本点与对应的评估指标编码进行空间连接；从所述评估指标编码中提取与各所述样本点空间连接的评估指标编码并作为空间连接结果。
可选的，在本发明第一方面的第四种实现方式中，所述样本集包括训练集，所述根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型包括：将所述训练集分别输入预置模型集合中不同类型的预训练模型中进行训练，得到各所述预训练模型对应的模型参数；采用预置交叉验证方法对各所述预训练模型对应的模型参数进行参数寻优处理，得到各所述预训练模型对应的地面沉降危险性评估模型。
可选的，在本发明第一方面的第五种实现方式中，所述样本集还包括测试集，所述采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型包括：将所述测试集分别输入各所述地面沉降危险性评估模型进行地面沉降危险性的评估测试，并根据评估测试的结果，绘制各所述地面沉降危险性评估模型对应的评估精度曲线；计算各所述评估精度曲线的曲线下面积，并比较各所述曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型。
可选的，在本发明第一方面的第六种实现方式中，在所述将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息之后，还包括：根据所述地面沉降危险性评估信息，绘制所述目标区域对应的地面沉降危险性分区图，并提取所述地面沉降危险性评估信息的多个危险等级的地面沉降区域的评级指标；利用预置的随机森林算法和特征选择算法对各所述评级指标进行重要性分析，并采用重要性分析结果生成所述目标区域的地面沉降危险性的关键影响因素。
本发明第二方面提供了一种地面沉降危险性评估装置，包括：构建模块，用于获取目标区域的影响因素数据和地面沉降数据，并采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用所述地面沉降数据构建所述目标区域对应的多级别样本区；连接模块，用于对各所述评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果；选取模块，用于根据所述空间连接结果，从所述评估指标编码选取局部评估指标编码构建样本集；训练模块，用于根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；评估模块，用于将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息。
可选的，在本发明第二方面的第一种实现方式中，所述构建模块包括：指标分析单元，用于对所述目标区域的影响因素数据进行致灾因素分析，得到所述目标区域对应的致灾因子指标，以及对所述目标区域的地面沉降数据进行孕灾因素分析，得到所述目标区域对应的孕灾环境指标；指标提取单元，用于将所述致灾因子指标和所述孕灾环境指标与预置的度量比较原则进行相关性比较，并将相关性较高的致灾因子指标和孕灾环境指标并作为具有海岸带区域特征的多个评估指标。
可选的，在本发明第二方面的第二种实现方式中，所述构建模块还包括：比较单元，用于根据所述地面沉降数据，确定所述目标区域中的地面沉降区和非地面沉降区，并将所述非地面沉降区对应的地面沉降数据作为非地面沉降样本区，以及将所述地面沉降区对应的地面沉降数据作为地面沉降样本区；划分单元，用于采用所述非地面沉降样本区和所述地面沉降样本区进行地面沉降的量化指标统计分级，并根据量化指标统计分级的结果对所述地面沉降样本区进行风险等级划分，得到所述目标区域对应的多级别样本区。
可选的，在本发明第二方面的第三种实现方式中，所述连接模块包括：样本选取单元，用于在所述多级别样本区中随机选取预置数量的多个样本点，并将各所述样本点与对应的评估指标编码进行空间连接；空间连接单元，用于从所述评估指标编码中提取与各所述样本点空间连接的评估指标编码并作为空间连接结果。
可选的，在本发明第二方面的第四种实现方式中，所述训练模块包括：参数计算单元，用于将所述训练集分别输入预置模型集合中不同类型的预训练模型中进行训练，得到各所述预训练模型对应的模型参数；
交叉验证单元，用于采用预置交叉验证方法对各所述预训练模型对应的模型参数进行参数寻优处理，得到各所述预训练模型对应的地面沉降危险性评估模型。
可选的，在本发明第二方面的第五种实现方式中，所述训练模块还包括：曲线绘制单元，用于将所述测试集分别输入各所述地面沉降危险性评估模型进行地面沉降危险性的评估测试，并根据评估测试的结果，绘制各所述地面沉降危险性评估模型对应的评估精度曲线；面积比较单元，用于计算各所述评估精度曲线的曲线下面积，并比较各所述曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型。
可选的，在本发明第二方面的第六种实现方式中，所述评估模块还包括：根据所述地面沉降危险性评估信息，绘制所述目标区域对应的地面沉降危险性分区图，并提取所述地面沉降危险性评估信息的多个危险等级的地面沉降区域的评级指标；利用预置的随机森林算法和特征选择算法对各所述评级指标进行重要性分析，并采用重要性分析结果生成所述目标区域的地面沉降危险性的关键影响因素。
本发明第三方面提供了一种地面沉降危险性评估设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述地面沉降危险性评估设备执行上述的地面沉降危险性评估方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的地面沉降危险性评估方法。
本发明提供的技术方案中，通过获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；进而对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；从而对多级别样本区和评估指标编码进行空间连接，并根据随机空间连接的结果，从评估指标编码选取局部评估指标编码构建样本集。相比于现有技术，本申请通过对大量多源数据和地面沉降数据的处理可以得到与目标区域地面沉降相关性更高的评估指标；进而通过编码进行空间连接，在进行随机取样后得到样本集，通过利用空间连接的方式将构建多级别样本区和评估指标进行连接，从而实现对样本区的分级处理和相关样本的采集，得到一个更加科学合理的分级样本。
根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；进而将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。相比于现有技术，通过对不同类型的预训练模型进行交叉验证并进行精度评价从而得到最优评估模型，有利于从不同算法的模型中选取得到对地面沉降评估更加高效、科学的危险性评估模型，从而将目标区域的评估指标编码输入该模型后能得到更加准确、有实际参考应用价值的地面沉降危险性评估信息。
附图说明
图1为本发明实施例中地面沉降危险性评估方法的第一个实施例示意图；
图2为本发明实施例中地面沉降危险性评估方法的第二个实施例示意图；
图3为本发明实施例中地面沉降危险性评估方法的第三个实施例示意图；
图4为本发明实施例中地面沉降危险性评估方法的第四个实施例示意图；
图5为本发明实施例中地面沉降危险性评估方法的第五个实施例示意图；
图6为本发明实施例中地面沉降危险性评估装置的一个实施例示意图；
图7为本发明实施例中地面沉降危险性评估装置的另一个实施例示意图；
图8为本发明实施例中地面沉降危险性评估设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种地面沉降危险性评估方法、装置、设备及存储介质，本发明涉及人工智能领域，公开了一种地面沉降危险性评估方法、装置、设备及存储介质。该方法包括：获取目标区域的影响因素数据和地面沉降数据，并构建具有海岸带区域特征的多个评估指标，以及对应的多级别样本区；对各所述评估指标进行一致性分析，并将得到的评估指标编码和所述多级别样本区进行空间连接；从所述评估指标编码选取局部评估指标编码构建样本集；分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；将所述评估指标编码输入所述最优评估模型进行评估，得到地面沉降危险性评估信息。本发明实现了对海岸带地面沉降的自动化且客观高效的危险性评估。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中地面沉降危险性评估方法的第一个实施例包括：
101、获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；
可以理解的是，本发明的执行主体可以为地面沉降危险性评估装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本实施例中，这里的影响因素数据，指的是目标区域地面沉降分布规律受到的自然和人为两方面影响的相关数据，其中人为影响因素的主要包括地下水、地热、油气、矿产开采和大规模工程建设，自然影响非因素主要包括构造环境、第四纪地层特征、泻湖区泥潭氧化、隔水层越流、沼泽地自然沉降、吹填层的自然沉等；；这里的地面沉降数据，指的是相关地面沉降研究和检测数据，主要从从地质、地形、水文和气象四个方面研究和监测的相关地面沉降数据；评估指标，指的是当前对地面沉降危险性评估的相关评估指标数据集；通过获取目标区域的影响因素数据和地面沉降数据，并采用目标区域多源数据和地面沉降数据构建得到具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区。
在实际应用中，通过对采用爬虫方式对相关地面沉降网页数据进行爬取的资料，及其对目标区域相关研究资料和数据库资料的获取，进而对这些获取的相关地面沉降数据，获取目标区域有关地面沉降事件有关的地面沉降资料的多源数据和目标区域有关地面沉降研究、检测相关资料的地面沉降数据，进而对目标区域的多源数据进行致灾因子指标的分析，及其对目标区域的地面沉降数据进行孕灾环境的分析，通过选取数据中有关海岸带地面沉降的指标，通过统计分析并结合指标的可度量、可比较等原则，提取与地面沉降相关性高的因素，得到目标区域海岸带地面沉降危险性多个评估指标，并采用目标区域的地面沉降数据，这里以预设的基岩区作为“非地面沉降样本区”参考样本区，统计分析目标区域地面沉降幅度、地面沉降速率等指标特征，通过比较地面沉降幅度和地面沉降速率的大小，以基岩区为基准划分进行相应风险等级划分，得到目标区域对应的多级别样本区。
102、对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；
本实施例中，这里的一致性分析，指的是基于地理信息技术，对相关评估指标数据进行电子化处理、数据配准、坐标转换、几何校正和格式转换等数据处理，实现评估指标数据的数学基础、空间范围和数据格式的一致性；这里的多类别属性的评估指标，指的是由于相关研究资料对地面沉降危险性的评估采用的评价方式不同，如使用数字、英语字母、罗马字母等，以致进行相关数据的整理分析得到的是多类别属性的评估指标，而这些多类别属性评估指标数据由于缺乏统一的度量标准，不便于后续的分析和运算；这里的空间连接，指的是基于地理信息技术，采用arcgis中的空间链接工具，使用空间关系作为连接键来连接不同数据表的信息，是不同数据表的数据建立相应的空间连接关系；通过对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行相应的空间连接，得到空间连接结果。
在实际应用中，根据处理所得多个评估指标数据，基于地理信息技术，采用预置数据一致性分析方法对各评估指标进行分析，将不同类型属性的评估指标数据转换相同数据格式的数据，进而在各等级的样本区中随机提取预置数量的样本点，进而基于地理信息技术，通过将处理所得的多级别样本区和评估指标编码进行相应空间连接处理，将不同级别样本区和相应的评级指标编码形成相应的对应连接关系，得到空间连接结果。
103、根据空间连接结果，从评估指标编码选取局部评估指标编码构建样本集；
本实施例中，系根据空间连接结果，从评级指标编码中选取局部评估指标编码来构建样本集。
在实际应用中，根据空间连接结果，提取对应点位上各项评估指标数据，形成样本数据集，并以预置比例如4:1 的比例随机划分为训练集和测试集。
104、根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；
本实施例中，这里的预置模型集合，指的是基于机器学习算法，采用所需训练的BPNN（BP神经网络算法）、RF（随机森林算法）和AdaBoost（自适应提升算法）等机器学习算法进行构建相应危险性评估模型集合；这里的精度评价方法，指的是利用受试者工作特征曲线（ROC）来绘制不同模型的ROC曲线，进行计算相应模型的AUC（ROC曲线下与坐标轴围成的面积），进行比较个模型对应的AUC的大小，将最大的作为所需结果；根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型。
在实际应用中，将划分所得的样本集中训练集按比例进行划分，将大部分训练集分别输入预置模型集合中不同类型的预训练模型之中进行模型预测，得到各模型对应的指标参数数据，进而利用剩余训练集对所得的指标参数数据进行交叉验证训练，从而实现模型参数寻优并得到多个地面沉降危险性评估模型；进而对各地面沉降危险性评估模型采用精度评价方法，进行利用测试集对各地面沉降危险性评估模型进行对比比较的ROC曲线下面积，将面积最大的地面沉降危险性评估模型作为最优评估模型。
105、将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。
本实施例中，这里评估信息，指的是目标区域的各风险等级的地面沉降的空间分布、影响因素等信息；根据处理所得最优评估模型，将目标区域的评估指标编码输入至该模型中进行地面沉降危险性的评估，从而得到目标区域对应的地面沉降危险性评估信息。
本发明实施例中，通过获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；进而对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；从而对多级别样本区和评估指标编码进行空间连接，并根据随机空间连接的结果，从评估指标编码选取局部评估指标编码构建样本集。相比于现有技术，本申请通过对大量多源数据和地面沉降数据的处理可以得到与目标区域地面沉降相关性更高的评估指标；进而通过编码进行空间连接，在进行随机取样后得到样本集，通过利用空间连接的方式将构建多级别样本区和评估指标进行连接，从而实现对样本区的分级处理和相关样本的采集，得到一个更加科学合理的分级样本。
根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；进而将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。相比于现有技术，通过对不同类型的预训练模型进行交叉验证并进行精度评价从而得到最优评估模型，有利于从不同算法的模型中选取得到对地面沉降评估更加高效、科学的危险性评估模型，从而将目标区域的评估指标编码输入该模型后能得到更加准确、有实际参考应用价值的地面沉降危险性评估信息。
请参阅图2，本发明实施例中地面沉降危险性评估方法的第二个实施例包括：
201、对目标区域的影响因素数据进行致灾因素分析，得到目标区域对应的致灾因子指标，以及对目标区域的地面沉降数据进行孕灾因素分析，得到目标区域对应的孕灾环境指标；
本实施例中，这里的致灾因素分析，指的是通过预设的致灾因子的指标数据，对相关文献资料数据获取其他途径获取的数据进行遍历，从而得到所需的指标数据；这里的自然环境因素分析法孕灾因素分析，指的是从地质、地形、水文和气象四个方面选取与地面沉降有关的孕灾环境指标；通过对目标区域的影响因素数据进行致灾因素分析，得到目标区域对应的致灾因子指标，以及对目标区域的地面沉降数据进行孕灾因素分析，得到目标区域对应的孕灾环境指标。
在实际应用中，通过对目标区域的影响因素数据进行致灾因素分析，提取其中关于自然和人为因素相关的地面沉降的致灾指标因子，从而得到目标区域的致灾因子指标，以及通过对目标区域的地面沉降数据进行孕灾因素分析，从地质、地形、水文和气象四个方面对目标区域的地面沉降数据进行相关孕灾环境指标的选取，从而得到目标区域的孕灾环境指标。
202、将致灾因子指标和孕灾环境指标与预置的度量比较原则进行相关性比较，并将相关性较高的致灾因子指标和孕灾环境指标并作为具有海岸带区域特征的多个评估指标；
本实施例中，这里的度量比较原则，指的是对评估指标数据进行可度量性和数据的可比较性原则出发进行的数据处理原则；将致灾因子指标和孕灾环境指标与预置的度量比较原则进行相关性比较，并将相关性较高的致灾因子指标和孕灾环境指标并作为具有海岸带区域特征的多个评估指标。
在实际应用中，根据处理所得的目标区域的致灾因子指标和孕灾环境指标，采用度量比较原则，对指标数据进行可度量性处理和可比较性的数据处理，通过处理所得的指标数据，利用收集的相关地面沉降的相关指标数据，将处理所得的指标数据与已知数据库的指标数据进行相关性的比较，提取其中与地面沉降相关性较高的评估指标，从而得到与地面沉降相关性较高的海岸带区域特征的多个评估指标。
203、根据地面沉降数据，确定目标区域中的地面沉降区和非地面沉降区，并将非地面沉降区对应的地面沉降数据作为非地面沉降样本区，以及将地面沉降区对应的地面沉降数据作为地面沉降样本区；
本实施例中，根据地面沉降数据，以预设的基岩区作为“非地面沉降样本区”参考样本区，统计分析目标区域地面沉降幅度、地面沉降速率等指标特征，通过比较地面沉降幅度和地面沉降速率的大小，确定目标区域中的地面沉降区和非地面沉降区，并将非地面沉降区对应的地面沉降数据作为非地面沉降样本区，以及将地面沉降区对应的地面沉降数据作为地面沉降样本区。
204、采用非地面沉降样本区和地面沉降样本区进行地面沉降的量化指标统计分级，并根据量化指标统计分级的结果对地面沉降样本区进行风险等级划分，得到目标区域对应的多级别样本区；
本实施例中，通过对非地面沉降样本区和地面沉降样本区数据进行地面沉降的量化指标统计分级，从而得到多个地面沉降量化指标特征，并根据各地面沉降量化指标特征作为参考，对地面沉降样本区进行风险等级划分，从而得到目标区域对应的多级别样本区。
205、对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；
206、根据空间连接结果，从评估指标编码选取局部评估指标编码构建样本集；
207、根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；
208、将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。
本发明实施例中，通过对目标区域的影响因素数据进行致灾因素分析，得到目标区域对应的致灾因子指标，以及对目标区域的地面沉降数据进行孕灾因素分析，得到目标区域对应的孕灾环境指标；进而根据目标区域的致灾因子指标和孕灾环境指标，利用度量比较原则进行相关性比较，并提取得到与低沉相关性较高的海岸带区域特征的多个评价指标，以及采用地面沉降数据构建目标区域对应的多级别样本区。相比于现有技术，本申请通过对目标区域的多源数据和地面沉降数据进行处理，得到致灾因子指标和孕灾环境指标，从而对两类指标进行选取得到所需的多个评价指标，实现了对目标区域相关地带特殊性指标数据的提取的同时，通过度量比较原则提取得到地面沉降相关性较高的指标，使得得到的指标更加符合目标区域地面沉降的评估，最后进行模型处理的结果更加具有实际评估意义和参考意义。
请参阅图3，本发明实施例中地面沉降危险性评估方法的第三个实施例包括：
301、获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；
302、在多级别样本区中随机选取预置数量的多个样本点，并将各样本点与对应的评估指标编码进行空间连接；
本实施例中，这里的空间连接，指的是基于地理信息技术提供的数据，这些数据以地理空间为基础，采用地理模型分析方法，实时提供多种空间和动态的地理信息，是一种为地理研究和地理决策服务的计算机技术，其基本功能是将表格型数据转换为地理图形显示，实现对显示结果浏览、操作和分析，进而对不同数据局之间进行连接，建立一定的空间对应关系；通过对各评估指标进行一致性分析，得到多个类别属性的评估指标编码；进而基于地理信息技术，将各级别样本区对应样本点利用多个评价指标进行对应指标要素的空间连接。
在实际应用中，基于地理信息技术，以各级别样本区对应样本点的地理空间信息和多个评价指标，利用相对应的地理指标要素进行空间连接处理，将各级别样本区与相应的评价指标建立相应空间连接关系。
303、从评估指标编码中提取与各样本点空间连接的评估指标编码并作为空间连接结果；
本实施例中，根据处理所得空间连接关系，从评估指标编码中提取与各样本点空间连接的评估指标编码，并将其作为空间连接结果。
304、根据空间连接结果，从评估指标编码选取局部评估指标编码构建样本集；
305、根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；
306、将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。
本发明实施例中，在多级别样本区中随机选取预置数量的多个样本点，并将各样本点与对应的评估指标编码进行空间连接；从评估指标编码中提取与各样本点空间连接的评估指标编码并作为空间连接结果。相比于现有技术，本申请对各级别样本区进行样本点的一定数据的随机选取后，采用选取结果对各级别样本区的样本点和多个评价指标进行空间连接，实现对不同级别的样本区和评价指标的对应关系，为后续的地面沉降危险等级的评估做数据分级处理基础，并且有利于实现对地面沉降危险性的分级评估建立科学的数据评估。
请参阅图4，本发明实施例中地面沉降危险性评估方法的第四个实施例包括：
401、获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；
402、对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；
403、根据空间连接结果，从评估指标编码选取局部评估指标编码构建样本集；
404、将训练集分别输入预置模型集合中不同类型的预训练模型中进行训练，得到各预训练模型对应的模型参数；
本实施例中，这里的参数值，指的是相关模型进行评估时，将相关评估指标编码和参数值进行关系的计算后，从而实现对不同样本区的评估；先将训练集按照预置比例进行划分，然后将处理得到的样本集中的比例较大的训练集样本点分别输入预置模型集合中不同类型的预训练模型中进行参数计算，根据模型对应的机器学习算法中的计算公式实现对参数的计算，从而得到不同类型的预训练模型对应参数值。
405、采用预置交叉验证方法对各预训练模型对应的模型参数进行参数寻优处理，得到各预训练模型对应的地面沉降危险性评估模型；
本实施例中，这里的交叉验证，指的是通过在给定的模型样本中，拿出大部分样本作为训练集进行建模型，留小部分样本训练集用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和；采用预置交叉验证方法对各预训练模型对应的模型参数进行参数寻优处理，得到各预训练模型对应的地面沉降危险性评估模型。
在实际应用中，通过将样本集中小比例的训练集样本分别输入预置模型集合中不同类型的预训练模型中，根据不同机器学***方加和，从而实现对相应参数的交叉训练，得到对应参数最优的多个地面沉降危险性评估模型。
406、将测试集分别输入各地面沉降危险性评估模型进行地面沉降危险性的评估测试，并根据评估测试的结果，绘制各地面沉降危险性评估模型对应的评估精度曲线；
本实施例中，将测试集输入进相对应参数寻优后的多个地面沉降危险性评估模型，绘制对应的精度工作特征曲线，从而得到各地面沉降危险性评估模型对应的特征曲线。
407、计算各评估精度曲线的曲线下面积，并比较各曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型；
本实施例中，通过计算各评估精度曲线的曲线下面积，并比较各曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型。
在实际应用中，先通过绘制处理所得各地面沉降危险性评估模型的精度工作特征曲线，进而根据该精度特征曲线，通过曲线与相应横坐标的面积关系，利用求导求出各地面沉降危险性评估模型曲线的面积的平均值；进而根据求得的各模型对应的面积大小进行比较，将面积最大的模型作为地面沉降危险性评估的最优评估模型。
408、将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。
本发明实施例中，将训练集分别输入预置模型集合中不同类型的预训练模型中进行训练，得到各预训练模型对应的模型参数，进而采用预置交叉验证方法对各预训练模型对应的模型参数进行参数寻优处理，得到各预训练模型对应的地面沉降危险性评估模型；将测试集分别输入各地面沉降危险性评估模型进行地面沉降危险性的评估测试，并根据评估测试的结果，绘制各地面沉降危险性评估模型对应的评估精度曲线；计算各评估精度曲线的曲线下面积，并比较各曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型。相比于现有技术，本申请通过对不同机器学习算法的模型进行参数寻优计算，进行利用受试者工作曲线计算相应模型的曲线下面积，通过比较得到最优评估模型。实现了对不同算法模型的寻优处理，有利于得到的参数计算更加合理，得到一个最佳和更加准确的模型，对比寻找到一个更加科学和评估有效的模型。
请参阅图5，本发明实施例中地面沉降危险性评估方法的第五个实施例包括：
501、获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；
502、对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；
503、根据空间连接结果，从评估指标编码选取局部评估指标编码构建样本集；
504、根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；
505、将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息；
506、根据地面沉降危险性评估信息，绘制目标区域对应的地面沉降危险性分区图，并提取地面沉降危险性评估信息的多个危险等级的地面沉降区域的评级指标；
本实施例中，根据目标区域对应的地面沉降危险性评估信息，利用地理信息相关技术绘制目标区域对应的地面沉降危险性分布图，并对地面沉降危险性评估图进行评价指标的提取，得到多个危险等级的地面沉降区域的评级指标。
507、利用预置的随机森林算法和特征选择算法对各评级指标进行重要性分析，并采用重要性分析结果生成目标区域的地面沉降危险性的关键影响因素。
本实施例中，这里的随机森林算法，指的是通过建立多个决策树的分类器，进而通过多个决策树划分选取来进行决策；这里的特征选择算法，也称特征子集选择，或属性选择，指的是指从全部特征中选取一个特征子集，使得最后所得数据更加符合需要；利用预置的随机森林算法和特征选择算法对各评级指标进行重要性分析，并采用重要性分析结果生成目标区域的地面沉降危险性的关键影响因素。
在实际应用中，根据最优评估模型处理所得的目标区域分区划分数据，利用相关地理技术和绘图技术绘制目标区域对应的地面沉降危险性评价图，并对地面沉降危险性评估图进行评价指标的提取，得到多个危险等级的地面沉降区域的评级指标；进而利用随机森林算法的平局基尼减少值和特征选择算法对各评级指标数据重要性分析并进行重要性值的排序，从而得到将超过预置重要性值的评价指标作为目标区域地面沉降的关键因素。
本发明实施例中，根据地面沉降危险性评估信息，绘制目标区域对应的地面沉降危险性分区图，并提取地面沉降危险性评估信息的多个危险等级的地面沉降区域的评级指标；利用预置的随机森林算法和特征选择算法对各评级指标进行重要性分析，并采用重要性分析结果生成目标区域的地面沉降危险性的关键影响因素。相比于现有技术，通过对处理所得的目标区域的地面沉降危险性评估信息，将其与已知的地面沉降危险性分布图进行一致性分析，并利用预置的算法进行重要性分析并排序，进而得到目标区域地面沉降的关键因素；本申请能实现对模型处理所得数据进行进一步的分析，通过与已知的危险的分布图进行对比，利用统计学的思想将重要性的较大的因素进行标注，从而能实现对相关危险性地区更加准确的评估，进而有对应性发出相应的警告，进一步的提高本申请的实用性。
上面对本发明实施例中地面沉降危险性评估方法进行了描述，下面对本发明实施例中地面沉降危险性评估装置进行描述，请参阅图6，本发明实施例中地面沉降危险性评估装置一个实施例包括：
构建模块601，用于获取目标区域的影响因素数据和地面沉降数据，并采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用所述地面沉降数据构建所述目标区域对应的多级别样本区；
连接模块602，用于对各所述评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果；
选取模块603，用于根据所述空间连接结果，从所述评估指标编码选取局部评估指标编码构建样本集；
训练模块604，用于根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；
评估模块605，用于将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息。
本发明实施例中，通过获取目标区域的影响因素数据和地面沉降数据，并采用影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用地面沉降数据构建目标区域对应的多级别样本区；进而对各评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对多级别样本区和评估指标编码进行空间连接，得到空间连接结果；从而对多级别样本区和评估指标编码进行空间连接，并根据随机空间连接的结果，从评估指标编码选取局部评估指标编码构建样本集。相比于现有技术，本申请通过对大量多源数据和地面沉降数据的处理可以得到与目标区域地面沉降相关性更高的评估指标；进而通过编码进行空间连接，在进行随机取样后得到样本集，通过利用空间连接的方式将构建多级别样本区和评估指标进行连接，从而实现对样本区的分级处理和相关样本的采集，得到一个更加科学合理的分级样本。
根据样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各地面沉降危险性评估模型中选取最优评估模型；进而将评估指标编码输入最优评估模型进行地面沉降危险性评估，得到目标区域对应的地面沉降危险性评估信息。相比于现有技术，通过对不同类型的预训练模型进行交叉验证并进行精度评价从而得到最优评估模型，有利于从不同算法的模型中选取得到对地面沉降评估更加高效、科学的危险性评估模型，从而将目标区域的评估指标编码输入该模型后能得到更加准确、有实际参考应用价值的地面沉降危险性评估信息。
请参阅图7，本发明实施例中地面沉降危险性评估装置的另一个实施例包括：
构建模块601，用于获取目标区域的影响因素数据和地面沉降数据，并采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用所述地面沉降数据构建所述目标区域对应的多级别样本区；
连接模块602，用于对各所述评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果；
选取模块603，用于根据所述空间连接结果，从所述评估指标编码选取局部评估指标编码构建样本集；
训练模块604，用于根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；
评估模块605，用于将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息。
具体的，所述构建模块601包括：
指标分析单元6011，用于对所述目标区域的影响因素数据进行致灾因素分析，得到所述目标区域对应的致灾因子指标，以及对所述目标区域的地面沉降数据进行孕灾因素分析，得到所述目标区域对应的孕灾环境指标；
指标提取单元6012，用于将所述致灾因子指标和所述孕灾环境指标与预置的度量比较原则进行相关性比较，并将相关性较高的致灾因子指标和孕灾环境指标并作为具有海岸带区域特征的多个评估指标。
具体的，所述构建模块601还包括：
比较单元6013，用于根据所述地面沉降数据，确定所述目标区域中的地面沉降区和非地面沉降区，并将所述非地面沉降区对应的地面沉降数据作为非地面沉降样本区，以及将所述地面沉降区对应的地面沉降数据作为地面沉降样本区；
划分单元6014，用于采用所述非地面沉降样本区和所述地面沉降样本区进行地面沉降的量化指标统计分级，并根据量化指标统计分级的结果对所述地面沉降样本区进行风险等级划分，得到所述目标区域对应的多级别样本区。
具体的，所述选取模块602包括：
样本选取单元6021，用于在所述多级别样本区中随机选取预置数量的多个样本点，并将各所述样本点与对应的评估指标编码进行空间连接；
空间连接单元6022，用于从所述评估指标编码中提取与各所述样本点空间连接的评估指标编码并作为空间连接结果。
具体的，所述训练模块604包括：
参数计算单元6041，用于将所述训练集分别输入预置模型集合中不同类型的预训练模型中进行训练，得到各所述预训练模型对应的模型参数；
交叉验证单元6042，用于采用预置交叉验证方法对各所述预训练模型对应的模型参数进行参数寻优处理，得到各所述预训练模型对应的地面沉降危险性评估模型。
具体的，所述训练模块604还包括：
曲线绘制单元6043，用于将所述测试集分别输入各所述地面沉降危险性评估模型进行地面沉降危险性的评估测试，并根据评估测试的结果，绘制各所述地面沉降危险性评估模型对应的评估精度曲线；
面积比较单元6044，用于计算各所述评估精度曲线的曲线下面积，并比较各所述曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型。
具体的，所述评估模块605还包括：
根据所述地面沉降危险性评估信息，绘制所述目标区域对应的地面沉降危险性分区图，并提取所述地面沉降危险性评估信息的多个危险等级的地面沉降区域的评级指标；利用预置的随机森林算法和特征选择算法对各所述评级指标进行重要性分析，并采用重要性分析结果生成所述目标区域的地面沉降危险性的关键影响因素。
本发明实施例中，通过构建目标区域的地面沉降危险性评价指标，进而对评价指标进行规范化的处理，形成目标区域的评价指标编码；并随机提取训练集和测试集构成样本集；进而利用样本集对不同机器学习算法模型进行训练，并用ROC曲线确定最优评估模型；进而将目标区域的评价指标输入至最优评估模型中得到标区域对应的地面沉降危险性评估信息，将其与现有的地面沉降危险性分布图进行对比分析，得到影响目标区域地面沉降的关键因子。相比于现有技术，本申请通过构建目标区域评价指标来训练模型，并对多个模型进行寻优处理，能得到一个评估目标区域更加准确的模型，并且通过模型处理结果和现有的地面沉降危险性分布图进行对比性分析，能准确为目标区域的重要影响因素作出总结，进而发出相应的警告，实现更好的降低地面沉降带来的影响。
上面图6和图7从模块化功能实体的角度对本发明实施例中的地面沉降危险性评估装置进行详细描述，下面从硬件处理的角度对本发明实施例中地面沉降危险性评估设备进行详细描述。
图8是本发明实施例提供的一种地面沉降危险性评估设备的结构示意图，该地面沉降危险性评估设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）810（例如，一个或一个以上处理器）和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830（例如一个或一个以上海量存储设备）。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对地面沉降危险性评估设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在地面沉降危险性评估设备800上执行存储介质830中的一系列指令操作。
地面沉降危险性评估设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的地面沉降危险性评估设备结构并不构成对地面沉降危险性评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种地面沉降危险性评估设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述地面沉降危险性评估方法的步骤。本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述地面沉降危险性评估方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本申请可用于众多通用或专用的计算机环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器、基于微处理器的、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种地面沉降危险性评估方法，其特征在于，所述地面沉降危险性评估方法包括：
获取目标区域的影响因素数据和地面沉降数据，并采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用所述地面沉降数据构建所述目标区域对应的多级别样本区；
对各所述评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果；
根据所述空间连接结果，从所述评估指标编码选取局部评估指标编码构建样本集；
根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；
将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息。
2.根据权利要求1所述的地面沉降危险性评估方法，其特征在于，所述采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标包括：
对所述目标区域的影响因素数据进行致灾因素分析，得到所述目标区域对应的致灾因子指标，以及对所述目标区域的地面沉降数据进行孕灾因素分析，得到所述目标区域对应的孕灾环境指标；
将所述致灾因子指标和所述孕灾环境指标与预置的度量比较原则进行相关性比较，并将相关性较高的致灾因子指标和孕灾环境指标并作为具有海岸带区域特征的多个评估指标。
3.根据权利要求1所述的地面沉降危险性评估方法，其特征在于，所述采用所述地面沉降数据构建所述目标区域对应的多级别样本区包括：
根据所述地面沉降数据，确定所述目标区域中的地面沉降区和非地面沉降区，并将所述非地面沉降区对应的地面沉降数据作为非地面沉降样本区，以及将所述地面沉降区对应的地面沉降数据作为地面沉降样本区；
采用所述非地面沉降样本区和所述地面沉降样本区进行地面沉降的量化指标统计分级，并根据量化指标统计分级的结果对所述地面沉降样本区进行风险等级划分，得到所述目标区域对应的多级别样本区。
4.根据权利要求1所述的地面沉降危险性评估方法，其特征在于，所述样本集包括训练集，所述根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型包括：
将所述训练集分别输入预置模型集合中不同类型的预训练模型中进行训练，得到各所述预训练模型对应的模型参数；
采用预置交叉验证方法对各所述预训练模型对应的模型参数进行参数寻优处理，得到各所述预训练模型对应的地面沉降危险性评估模型。
5.根据权利要求1所述的地面沉降危险性评估方法，其特征在于，所述样本集还包括测试集，所述采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型包括：
将所述测试集分别输入各所述地面沉降危险性评估模型进行地面沉降危险性的评估测试，并根据评估测试的结果，绘制各所述地面沉降危险性评估模型对应的评估精度曲线；
计算各所述评估精度曲线的曲线下面积，并比较各所述曲线下面积的大小，以及将最大曲线下面积对应的地面沉降危险性评估模型作为最优评估模型。
6.根据权利要求1所述的地面沉降危险性评估方法，其特征在于，在所述将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息之后，还包括：
根据所述地面沉降危险性评估信息，绘制所述目标区域对应的地面沉降危险性分区图，并提取所述地面沉降危险性评估信息的多个危险等级的地面沉降区域的评级指标；
利用预置的随机森林算法和特征选择算法对各所述评级指标进行重要性分析，并采用重要性分析结果生成所述目标区域的地面沉降危险性的关键影响因素。
7.一种地面沉降危险性评估装置，其特征在于，所述地面沉降危险性评估装置包括：
构建模块，用于获取目标区域的影响因素数据和地面沉降数据，并采用所述影响因素数据和地面沉降数据构建具有海岸带区域特征的多个评估指标，以及采用所述地面沉降数据构建所述目标区域对应的多级别样本区；
连接模块，用于对各所述评估指标进行一致性分析，得到多个类别属性的评估指标编码，并对所述多级别样本区和所述评估指标编码进行空间连接，得到空间连接结果；
选取模块，用于根据所述空间连接结果，从所述评估指标编码选取局部评估指标编码构建样本集；
训练模块，用于根据所述样本集，分别对预置模型集合中不同类型的预训练模型进行交叉验证训练，得到多个地面沉降危险性评估模型，并采用预置精度评价方法从各所述地面沉降危险性评估模型中选取最优评估模型；
评估模块，用于将所述评估指标编码输入所述最优评估模型进行地面沉降危险性评估，得到所述目标区域对应的地面沉降危险性评估信息。
8.一种地面沉降危险性评估设备，其特征在于，所述地面沉降危险性评估设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述地面沉降危险性评估设备执行如权利要求1-6中任一项所述的地面沉降危险性评估方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述地面沉降危险性评估方法的步骤。
CN202111113802.XA 2021-09-23 2021-09-23 地面沉降危险性评估方法、装置、设备及存储介质 Active CN113779888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111113802.XA CN113779888B (zh) 2021-09-23 2021-09-23 地面沉降危险性评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111113802.XA CN113779888B (zh) 2021-09-23 2021-09-23 地面沉降危险性评估方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113779888A CN113779888A (zh) 2021-12-10
CN113779888B true CN113779888B (zh) 2023-12-22

Family

ID=78852853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111113802.XA Active CN113779888B (zh) 2021-09-23 2021-09-23 地面沉降危险性评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113779888B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481793A (zh) * 2022-09-09 2022-12-16 北京中地华安科技股份有限公司 一种基于人工智能的地质灾害治理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582386A (zh) * 2020-05-11 2020-08-25 四川师范大学 一种基于随机森林的地质灾害多灾种综合风险评价方法
CN112070129A (zh) * 2020-08-24 2020-12-11 首都师范大学 地面沉降风险识别方法、装置以及***
CN112883646A (zh) * 2021-02-20 2021-06-01 首都师范大学 联合机器学习和土力学模型的建筑沉降量提取方法、***及装置
CN113283802A (zh) * 2021-06-17 2021-08-20 北京交通大学 一种复杂艰险山区滑坡危险性评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582386A (zh) * 2020-05-11 2020-08-25 四川师范大学 一种基于随机森林的地质灾害多灾种综合风险评价方法
CN112070129A (zh) * 2020-08-24 2020-12-11 首都师范大学 地面沉降风险识别方法、装置以及***
CN112883646A (zh) * 2021-02-20 2021-06-01 首都师范大学 联合机器学习和土力学模型的建筑沉降量提取方法、***及装置
CN113283802A (zh) * 2021-06-17 2021-08-20 北京交通大学 一种复杂艰险山区滑坡危险性评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于maxEnt模型的哈尼梯田核心区滑坡易发性评价;赵冬梅;角媛梅;邱应美;刘澄静;徐秋娥;张娟;;水土保持研究(第04期);396-403+411 *
江苏盐城地面沉降风险评价;顾晟彦;姚维军;徐明钻;王丹;;中国地质灾害与防治学报(第01期);40-47 *
海底电缆管道廊道规划初步构想;黄潘阳;来向华;胡涛骏;张文龙;张蒙蒙;胡恒;;海洋开发与管理(第03期);10-13 *
苏锡常地区地面沉降风险评价管理模型研究初探;于军;武健强;;江苏地质(第02期);43-47 *
钢支撑代替混凝土支撑可行性分析;汪磊;;科技致富向导(第11期);194-195 *

Also Published As

Publication number Publication date
CN113779888A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
WO2020125668A1 (zh) 一种应用随钻参数来自动识别围岩级别的方法和***
CN107943880B (zh) 一种基于层次分析法的地质灾害易发性改进评估方法
CN103487832B (zh) 一种三维地震信号中的有监督波形分类方法
CN108595414B (zh) 基于源汇空间变量推理的土壤重金属企业污染源识别方法
CN116108758B (zh) 滑坡易发性评价方法
CN116975576B (zh) 基于关键信息统计的山区公路地质灾害危险性评价方法
Kazemi et al. Mineral processing plant site selection using integrated fuzzy cognitive map and fuzzy analytical hierarchy process approach: A case study of gilsonite mines in Iran
Michéli et al. Testing the pedometric evaluation of taxonomic units on soil taxonomy—A step in advancing towards a universal soil classification system
Virro et al. Random forest-based modeling of stream nutrients at national level in a data-scarce region
Jiang et al. Quantitative evaluation of mining geo-environmental quality in Northeast China: comprehensive index method and support vector machine models
CN111738843A (zh) 一种使用流水数据的量化风险评价***和方法
CN113779888B (zh) 地面沉降危险性评估方法、装置、设备及存储介质
Recal et al. Comparison of machine learning methods in predicting binary and multi-class occupational accident severity
CN114298436A (zh) 一种基于Bagging策略的滑坡易发性评价方法
CN107608938B (zh) 基于增强回归树算法的面向二值分类的因子筛选方法
CN117540303A (zh) 基于交叉半监督机器学习算法的滑坡易发性评估方法及***
Wu et al. Identifying the essential influencing factors of landslide susceptibility models based on hybrid-optimized machine learning with different grid resolutions: a case of Sino-Pakistani Karakorum Highway
CN109409748B (zh) 一种耕地质量评价指标关联性的检核方法及***
Armstrong et al. The application of data mining techniques to characterize agricultural soil profiles.
CN111026790A (zh) 一种基于数据挖掘的结构安全评估及预报方法
CN116699612A (zh) 融合InSAR形变量与降雨量的滑坡危险性评价方法
CN107908834B (zh) 隐伏矿体的三维定位成矿预测方法以及***
CN116363502A (zh) 融合多源地理大数据的采矿地多维信息获取方法及装置
JP3674707B1 (ja) 防災事業計画支援システムとその方法
CN114360735A (zh) 传染病时空聚集性探测分析方法、***及电子设备

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