CN114511429A - 地质灾害危险等级评估方法及装置 - Google Patents
地质灾害危险等级评估方法及装置 Download PDFInfo
- Publication number
- CN114511429A CN114511429A CN202210106081.8A CN202210106081A CN114511429A CN 114511429 A CN114511429 A CN 114511429A CN 202210106081 A CN202210106081 A CN 202210106081A CN 114511429 A CN114511429 A CN 114511429A
- Authority
- CN
- China
- Prior art keywords
- target
- evaluation
- preset
- area
- monitoring data
- 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 description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 466
- 238000012544 monitoring process Methods 0.000 claims abstract description 189
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000011161 development Methods 0.000 claims description 46
- 238000000546 chi-square test Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012502 risk assessment Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 108010023321 Factor VII Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种地质灾害危险等级评估方法及装置,该方法根据预设的筛选规则,从评估区域库中确定目标评估区域;根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子;基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备;边缘计算设备用于计算和存储灾害类型和目标评价因子对应的监测数据;根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型;将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。该方式结合联邦学习框架,并参照现行评估标准进行评估,使评估结果更有权威性。
Description
技术领域
本发明涉及地质灾害危险等级评估技术领域,尤其是涉及一种地质灾害危险等级评估方法及装置。
背景技术
地质灾害危险性评估是对影响滑坡灾害发生发展的地质环境因素开展***分析,根据灾害可能发生的危险性等级进行区划,进而划分轻重缓急区别对待,已成为主动有效预防和减轻滑坡灾害损失的重要手段之一,地质灾害评估方法大致可分为启发式方法、确定性方法、统计分析方法和人工智能方法。
但是上述确定性方法、统计分析方法和人工智能方法通常需要大量完整、可靠的灾害发生的历史数据和相关的环境条件调查数据来生产可靠的结果,受限于现有技术手段和理论基础,现有技术通常采用启发式方法来选取一定的区域进行地质灾害危险性评估作为最终的危险性评估结果,一般主要依靠专家个人的经验知识,导致不同专家评估出的结果不具有可比性,这就导致在数据和评估规则的选择上具有很大的主观性,权威性不足,用户认可度不够。
发明内容
本发明的目的在于提供一种地质灾害危险等级评估方法及装置,以解决权威性不足,用户认可度不够的问题。
第一方面,本发明提供了一种地质灾害危险等级评估方法,该方法应用于电子设备,电子设备中存储有评估区域库,评估区域库中包含有多个待评估区域,以及每个待评估区域对应的区域描述信息;该方法包括:根据预设的筛选规则,从评估区域库中确定目标评估区域;根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子;基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备;边缘计算设备用于计算和存储灾害类型和目标评价因子对应的监测数据;根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型;将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。
在可选的实施例中,上述根据预设的筛选规则,从评估区域库中确定目标评估区域的步骤,包括:对评估区域库所包含的每个待评估区域进行评估,得到每个待评估区域对应的第一评分结果;将每个待评估区域对应的第一评分结果与第一预设评分阈值进行比较;将第一评分结果高于第一预设评分阈值对应的待评估区域,确定为目标评估区域。
在可选的实施例中,上述第一评分结果包含有多个第一子结果;将每个待评估区域对应的第一评分结果与第一预设评分阈值进行比较;将第一评分结果高于第一预设评分阈值对应的待评估区域,确定为目标评估区域的步骤,包括:根据每个第一评分结果对应的多个第一子结果,确定当前第一评分结果的肯德尔和谐系数;针对每个肯德尔和谐系数,执行下述步骤:将每个第一评分结果对应的肯德尔和谐系数与第一预设评分阈值进行比较;确定高于第一预设评分阈值的肯德尔和谐系数的卡方检验结果;确定卡方检验结果高于第一预设检验阈值对应的目标肯德尔和谐系数;将卡方检验结果为最大值对应的待评估区域,确定为目标评估区域。
在可选的实施例中,上述目标评估区域的区域描述信息包括上述目标评估区域所属的多种预设灾害类型和多种预设评价因子;根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子的步骤,包括:将区域描述信息中包含的多种预设灾害类型,确定为目标评估区域对应的灾害类型;对目标评估区域所属的多种预设评价因子进行评估,得到每个预设评价因子对应的第二评分结果;针对每个预设评价因子对应的第二评分结果,执行下述步骤:将每个预设评价因子对应的第二评分结果与第二预设评分阈值进行比较;将第二评分结果高于第二预设评分阈值对应的预设评价因子,确定为目标评价因子。
在可选的实施例中,上述第二评分结果包含有多个第二子结果;第二子结果用于指示当前预设评价因子与危险等级的影响相关等级;将每个预设评价因子对应的第二评分结果与第二预设评分阈值进行比较;将第二评分结果高于第二预设评分阈值对应的预设评价因子,确定为目标评价因子的步骤包括:基于第二评分结果对应的多个第二子结果,确定当前预设评价因子的加权均值;将加权均值大于第二阈值对应的预设评价因子,确定为目标评价因子。
在可选的实施例中,上述基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备的步骤,包括:基于目标评估区域对应的灾害类型的种类数量和灾害类型的种类对应的已建监测***种类数量,确定边缘计算设备的需求数量;基于目标评估区域的位置和边缘计算设备的需求数量,确定目标评估区域的边缘计算设备及其部署位置。
在可选的实施例中,上述电子设备存储有危险等级数据库,危险等级数据库中包含有监测数据对应的危险等级指标;目标评价因子有多个,目标评价因子包括发育程度评价因子、危害程度评价因子和诱发因素评价因子;上述训练数据集通过下述方式确定:将每个目标评价因子的监测数据与预设的监测数据阈值进行比较;确定大于预设的监测数据阈值的目标监测数据;根据目标监测数据和危险等级数据库,得到目标监测数据指示的第一决定数值;基于每个目标评价因子的发育程度评价因子和当前发育程度评价因子对应的目标监测数据,得到发育程度评价因子对应的发育程度目标变量;基于每个目标评价因子的危害程度评价因子和当前危害程度评价因子对应的目标监测数据,得到危害程度评价因子对应的危害程度目标变量;根据发育程度目标变量和危害程度目标变量,以及存储的危险等级数据库,得到发育程度目标变量和危害程度目标变量分别对应的第二决定数值;根据第二决定数值和存储的危险等级数据库,确定目标评价因子对应的标签值;标签值用于指示目标评价因子的危险等级;基于目标评价因子、目标监测数据、发育程度目标变量和危害程度目标变量,以及第一决定数值、第二决定数值和标签值,得到预设的训练数据集。
在可选的实施例中,上述目标评估区域的区域描述信息包括上述目标评估区域所属的多种预设灾害类型和多种预设评价因子;上述预设评价因子有多个,电子设备中存储有监测数据来源特征表,监测数据来源特征表中包括每个预设评价因子对应的监测数据的获取方式和获取频率;目标监测数据通过下述步骤确定:根据监测数据来源特征表和每个目标评价因子,确定当前目标评价因子对应的监测数据;针对每个目标评价因子对应的监测数据执行下述步骤:判断当前监测数据的数值是否小于预设的第一监测数据阈值;如果是,则删除当前监测数据;如果否,判断当前监测数据的数值是否大于预设的第二监测数据阈值;如果是,则将当前监测数据的数值替换为当前目标评价因子对应的监测数据的均值,并将当前监测数据确定为目标监测数据;如果否,则直接将当前监测数据确定为目标监测数据。
在可选的实施例中,上述电子设备中存储有预设的数据安全协调规则,数据安全协调规则用于指示监测数据的加密或解密方式;根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型的步骤,包括:根据预设的训练数据集,建立联邦学习框架;根据目标评价因子、预设的训练数据集和预设的数据安全协调规则,确定模型的训练方式;基于模型的训练方式、边缘计算设备和联邦学习框架,进行模型训练,以更新模型的参数;根据更新的模型的参数,得到地质灾害危险等级评估模型。
第二方面,本发明提供了一种地质灾害危险等级评估装置,该装置应用于电子设备以及上述方法,该电子设备中存储有评估区域库,评估区域库中包含有多个待评估区域,以及每个待评估区域对应的区域描述信息;该装置包括:区域确定模块,用于根据预设的筛选规则,从评估区域库中确定目标评估区域;信息确定模块,用于根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子;计算设备确定模块,用于基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备;边缘计算设备用于训练评估模型;模型确定模块,用于根据评价因子、预设的训练数据集和边缘计算设备,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型;评估结果确定模块,用于将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。
本发明实施例带来了以下有益效果:
本发明提供了一种地质灾害危险等级评估方法及装置,先从多种评估区域中选择最终用于评估的目标评估区域,再从目标评估区域的多种评价因子中选择最终用于评估的目标评价因子,之后根据目标评价因子和目标评估区域对应的灾害类型种类获取监测数据,之后将获取的监测数据进行处理得到训练数据集后,建立联邦学习框架,由边缘计算设备参与进行模型训练,不只依据专家的经验进行评估得出评估结果,还结合有联邦学习技术,并且根据现行的评估标准作为参考依据,解决目前技术评估结果权威性不足,用户认可度不够的问题。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种地质灾害危险等级评估方法的流程图;
图2为本发明实施例提供的另一种地质灾害危险等级评估方法的流程图;
图3为本发明实施例提供的另一种地质灾害危险等级评估方法的流程图;
图4为本发明实施例提供的一种地质灾害危险等级评估装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
地质灾害危险性评估是对影响滑坡灾害发生发展的地质环境因素开展***分析,根据灾害可能发生的危险性等级进行区划,进而划分轻重缓急区别对待,已成为主动有效预防和减轻滑坡灾害损失的重要手段之一,地质灾害评估方法大致可分为确定性方法、统计分析方法、人工智能方法和启发式方法。确定性评估方法基于各类地质灾害物理模型进行灾害评估。统计分析方法可以根据过去已发生地质灾害的分布信息和主要的环境条件信息来评估分析当前待评估区域发生地质灾害的可能性及危险程度。人工智能评估方法主要是基于机器学习算法构建待评估区域的地质灾害预警模型。启发式方法主要由灾害评估专家综合分析来确定灾害危险性。
然而确定性评估方法理论上需要建立与待评估区域环境一致的物理模型,受限于现有技术手段和理论基础,建立完全一致的物理模型是不可能的;统计分析评估方法需要大量完整、可靠的灾害发生的历史数据和相关的环境条件调查数据来生产可靠的结果。地质灾害受多种因素的影响,如地形、地质、水文条件等,在实际操作中获取大量完整、可靠的数据往往也是不现实的。由于地质结构复杂,灾害影响因子间可能存在明显的相关性,或是筛选因子的控制因素与影响因素不足,有可能导致模型准确度降低,导致人工智能评估方法的评价因子选取分析困难。另外,由于现有***建设、管理单位不同,传感器选择、部署没有标准等问题,导致全面、稳定获取样本数据存在较大困难,利用机器学习算法对待评估区地质灾害危险性进行分类或回归分析需要大量样本数据,因此无法通过人工智能评估方法准确得出评估结果。
启发式评估方法一般主要依靠专家个人的经验知识,由于确定性方法、统计分析方法和人工智能方法通常需要大量完整、可靠的灾害发生的历史数据和相关的环境条件调查数据来生产可靠的结果,受限于现有技术手段和理论基础,现有技术通常采用启发式方法来选取一定的区域进行地质灾害危险性评估作为最终的危险性评估结果,一般主要依靠专家个人的经验知识,导致不同专家评估出的结果不具有可比性,这就导致在数据和评估规则的选择上具有很大的主观性,权威性不足,用户认可度不够。
基于上述问题,本发明实施例提供了一种地质灾害危险等级评估方法及装置,该技术可以应用在地质灾害危险等级评估的场景中。为便于对本实施例进行理解,首先对本发明实施例所公开的一种地质灾害危险等级评估方法进行详细介绍;该方法应用于电子设备,电子设备中存储有评估区域库,评估区域库中包含有多个待评估区域,以及每个待评估区域对应的区域描述信息;如图1所示,该方法包括如下步骤:
步骤S102,根据预设的筛选规则,从评估区域库中确定目标评估区域。
具体地,上述评估区域库中包含的待评估区域为通常进行地质灾害危险等级评估时会参考的评估区域,如山路、裂谷、桥梁等多种常见评估或不常见评估的评估区域。在具体实现时,需要从上述评估区域库中选择出最终用于评估的目标评估区域,进一步地,上述目标评估区域通过多个专家评估确定,其中,一部分专家用于提出评估区域的划定方案,另一部分专家用于对上述划定方案进行评估,根据评估结果来确定目标评估方案。
步骤S104,根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子。
具体地,确定上述目标评估区域后,该目标评估区域中包含有多种相应的灾害类型,以及每种灾害类型对应的多种评价因子,在具体实现时,还需从上述多种评价因子中选择出最终用于评估的目标评价因子,进一步地,上述目标评价因子通过多个评估确定,该多个专家分别对上述预设评价因子进行评估,根据该评估结果确定目标评价因子。
步骤S106,基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备;边缘计算设备用于计算和存储灾害类型和目标评价因子对应的监测数据。
具体地,上述边缘计算设备为具备计算、存储、通信、安全防护等功能的硬件和软件集成***,其主要功能时实现本地模型训练与更新;当确定最终用于评估的目标评估区域,以及该目标评估区域的灾害类型种类和用于评估的评价因子后,会根据该评估区域中的灾害类型种类数量,确定上述边缘计算设备数量。
步骤S108,根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型。
当确定上述用于评估的评价因子,以及上述边缘计算设备的数量之后,会通过传感器或已建监测***对目标评估区域进行数据监测,以得到上述目标评价因子对应的监测数据,之后根据现行的《GB/T 40112-2021地质灾害危险性评估规范》将上述监测数据进行归一化、标准化和离散化处理,以确定预设的训练数据集。上述预设的训练数据集以处理后的监测数据作为模型训练样本,根据联邦学习框架进行训练,并且上述边缘计算设备参与模型训练过程,最终得到地质灾害危险等级评估模型。联邦学习的概念与原理为:存在若干参与方与协作方共同执行联邦学习任务,参与方(即数据拥有方)通过预置好的联邦学习算法,生成类似于梯度的中间数据,交由协调方进行进一步的处理,随后返还给各参与方,为下一轮的训练做准备。
步骤S110,将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。
本发明实施例提供的一种地质灾害危险等级评估方法,先从多种评估区域中选择最终用于评估的目标评估区域,再从目标评估区域的多种评价因子中选择最终用于评估的目标评价因子,之后根据目标评价因子和目标评估区域对应的灾害类型种类获取监测数据,之后将获取的监测数据进行处理得到训练数据集后,建立联邦学习框架,由边缘计算设备参与进行模型训练,不只通过专家评估得出评估结果,还结合有联邦学习技术,并且根据现行的评估标准作为参考依据,解决目前技术评估结果权威性不足,用户认可度不够的问题。
针对于上述实施例,本发明还提供了另一种地质灾害危险等级评估方法,该方法在上述地质灾害危险等级评估方法的基础上实现,该方法重点描述根据预设的筛选规则,从评估区域库中确定目标评估区域的具体过程(通过下述步骤S202-步骤S206实现),以及根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子的具体过程(通过下述步骤S208-步骤S214实现),如图2所示,该方法包括:
步骤S202,对评估区域库所包含的每个待评估区域进行评估,得到每个待评估区域对应的第一评分结果。
上述电子设备中存储有多个待选区域确定对象,在具体实现时,根据存储的多个待选区域确定对象组建评估区域确定组,上述评估区域确定组中包含有多个第一对象,上述第一对象可以是具备待评估区市级或以上“地质灾害防治工作技术专家库”在任资格的专家;另外,将该评估区域确定组分为方案组和评分组,其中,方案组的第一对象的个数为N,且3≤N≤7;评分组的第一对象的个数为M,且10≤M≤20。
之后,方案组的每个第一对象均根据待评估区自然环境、人口社会等资料,基于评估区域库提出关于待评估区域的划定方案,该划定方案用于确定进行地质灾害危险等级评估的评估区域;之后由评分组的每个第一对象分别对上述N个方案进行评分,以得到每个待评估区域对应的第一子结果;其中,上述第一子结果遵循下述规则:同一第一对象对每个待评估区域的第一字结果均不相同,且上述第一字结果的评分值C为整数,且1≤C≤N,分值越高代表对该方案越认同,其中,该N的数值与上述方案组的第一对象的个数N一致,表示通过比较评分值C的大小,可以对N个方案进行排序。
步骤S204,将每个待评估区域对应的第一评分结果与第一预设评分阈值进行比较。
步骤S206,将第一评分结果高于第一预设评分阈值对应的待评估区域,确定为目标评估区域。
在具体实现时,根据每个第一评分结果对应的多个第一子结果,确定当前第一评分结果的肯德尔和谐系数。
肯德尔和谐系数是计算多个等级变量相关程度的一种相关量,适用于数据资料是多列相关的等级资料,即可是k个评分者评N个对象,也可以是同一个人先后k次评N个对象。通过求得肯德尔和谐系数,可以较为客观地选择好的作品或好的评分者。在具体实现时,分析评分组中第一对象的第一字结果,并按如下公式计算每个待评估区域(即上述划定方案)对应的第一评分结果的肯德尔和谐系数:
步骤20,将每个第一评分结果对应的肯德尔和谐系数与第一预设评分阈值进行比较。
步骤21,确定高于第一预设评分阈值的肯德尔和谐系数的卡方检验结果。
具体地,上述第一预设评分阈值为0.85,当上述肯德尔和谐系数W<0.85时,则重新组织评分组的M个第一对象进行评分并再次进行判断,如3次仍不达标,则组织方案组的N个第一对象重新提出上述划定方案;当上述肯德尔和谐系数W>0.85时,则针对当前肯德尔和谐系数进行卡方检验,得到当前肯德尔和谐系数对应的卡方检验结果。
卡方检验用于统计样本的实际观测值与理论推断值之间的偏离程度,实际观测值与理论推断值之间的偏离程度就决定卡方检验的值的大小,是用途非常广的一种假设检验方法,它在分类资料统计推断中的应用,包括两个率或两个构成比比较的卡方检验,多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。上述卡方检验的公式为:x2=M(P-1)W,其中,自由度df=P-1,即当前肯德尔和谐系数采用适合性检验方式,约束条件只有一个。
步骤22,确定卡方检验结果高于第一预设检验阈值对应的目标肯德尔和谐系数。
步骤23,将卡方检验结果为最大值对应的待评估区域,确定为目标评估区域。
当上述卡方检验结果达到置信度95%时,表示上述肯德尔和谐系数W达到显著性水平,则选择卡方检验结果为最大值的肯德尔和谐系数对应的划定方案(即上述待评估区域),确定为目标评估区域;否则,重新组织评分组的M个第一对象进行评分并进行上述判断,如果3次仍不达标,则组织方案组的N个第一对象重新提出上述划定方案。
当确定目标评估区域后,则能得到上述目标评估区域的区域描述信息,其中,上述目标评估区域的区域描述信息包括目标评估区域所属的多种预设灾害类型和多种预设评价因子。
上述预设评价因子包括稳定因子和动态因子两部分。上述稳定因子指上述目标评估区域的范围确定后,参考指标固定或变化缓慢的评价因子,此类评价因子只需一次性获取或定期更新即可满足危险性评估要求。
上述动态因子是指指标数据受自然为人为因素影响,变化较快,需要利用传感器等技术手段进行实时监测或快速更新的影响因子。其中,上述区域描述信息中各种类型地质灾害的动态因子指标项、指标获取方法及更新频率,通过下述表1确定:
表1
步骤S208,将上述区域描述信息中包含的多种预设灾害类型,确定为目标评估区域对应的灾害类型。
步骤S210,对上述目标评估区域所属的多种预设评价因子进行评估,得到每个预设评价因子对应的第二评分结果。
在具体实现时,上述电子设备中还存储有多个评价因子确定对象,根据存储的多个评价因子确定对象组建评价因子确定组,上述评价因子确定组中包含有多个第二对象,上述第二对象可以是具备待评估区市级或以上“地质灾害防治工作技术专家库”在任资格的专家,上述评价因子确定组中的第二对象个数为A个,且15≤A≤30。
A个第二对象根据上述目标评估区域的范围内的灾害类型的数量和分布情况,结合上述目标评估区域的范围的地质、气象、水文等历史资料,对上述目标评估区域中的多种预设评价因子进行相关性评分,设第二对象j对第i个上述预设评价因子与上述目标评估区域的地质灾害危险等级影响的相关性评分记为xij(i=1,2,...,B;j=1,2,...,A),则得到上述每个预设评价因子对应的第二评分结果,该第二评分结果包含有多个第二子结果,上述第二子结果用于指示当前预设评价因子与上述危险等级的影响相关等级。
针对每个预设评价因子对应的第二评分结果,执行下述步骤:
步骤S212,将每个预设评价因子对应的第二评分结果与第二预设评分阈值进行比较。
步骤S214,将上述第二评分结果高于第二预设评分阈值对应的预设评价因子,确定为目标评价因子。
具体地,上述目标评价因子通过下述步骤30-31确定:
步骤30,基于第二评分结果对应的多个第二子结果,确定当前预设评价因子的加权均值。
当得到上述第二评分结果后,将每个预设评价因子的第二评分结果的多个第二子结果转化为等级数(即排序值),设第二对象j对第i个上述预设评价因子的第二子结果的排序值记为yij,其中,1≤yij≤B,计算第二对象j和全体第二对象的秩相关等级系数ρj,上述秩相关等级系数通过下述公式计算:
其中,ykj表示上述第二对象j对第k个上述预设评价因子的第二子结果的排序值。
秩相关等级系数(Coefficient of Rank Correlation),又称等级相关系数,是将两要素的样本值按数据的大小顺序排列位次,以各要素样本值的位次代替实际数据而求得的一种统计量。它是反映等级相关程度的统计分析指标。
当得到上述秩相关等级系数ρj后,设ρj>0的第二对象人数为S,在此S位第二对象中,记第二对象r对第i个预设评价因子的评分为zir(i=1,2,…,B;r=1,2,…,S),第二对象r和全体第二对象的秩相关等级系数ρr为通过上述秩相关等级系数的公式得到的计算值,计算上述预设评价因子i由S个第二对象评分的加权均值,上述加权均值通过下述步骤计算:
步骤31,将加权均值大于第二阈值对应的预设评价因子,确定为目标评价因子。
得到上述移除加权均值Ei后,移除上述加权均值Ei显著低于平均数值对应的预设评价因子,上述平均数值根据实际使用情况选择,上述加权均值Ei显著低于平均数值的具体数据即为上述第二阈值;之后选择其余预设评价因子作为上述目标评估区域的目标评价因子,该目标评价因子即为地质灾害危险等级评估指标。
步骤S216,基于目标评估区域对应的灾害类型的种类数量和灾害类型的种类对应的已建监测***种类数量,确定边缘计算设备的需求数量。
具体地,当得到上述目标评估区域对应的多种灾害类型时,根据上述灾害类型的种类数量K得到上述灾害类型的种类对应的已建监测***种类数量U,根据上述灾害类型的种类数量K和已建监测***种类数量N确定上述边缘计算设备的部署数量Q,即:当U=0时,则Q=K;当U≠0,且上述已建监测***对应的上述灾害类型的种类数量为D时,则Q=K+U-D。
步骤S218,基于目标评估区域的位置和边缘计算设备的需求数量,确定目标评估区域的边缘计算设备及其部署位置。
当确定上述边缘计算设备的需求数量Q后,根据上述目标评估区域的位置,以及上述边缘计算设备的需求数量Q部署上述边缘计算设备,且上述边缘计算设备遵循就近部署原则,即部署于上述目标评估区域现场或上述已建监测***机房。
步骤S220,根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型。
具体地,上述预设的训练数据集通过下述步骤40-47确定:
步骤40,将每个目标评价因子的监测数据与预设的监测数据阈值进行比较。
步骤41,确定大于预设的监测数据阈值的目标监测数据。
具体地,上述电子设备存储有危险等级数据库,危险等级数据库中包含有上述多个预设评价因子的监测数据对应的危险等级指标;具体地,上述危险等级数据库为《GB/T40112-2021地质灾害危险性评估规范》。在具体实现时,上述电子设备中存储有监测数据来源特征表,具体内容参考上述区域描述信息中稳定因子部分的描述内容和动态因子的表1,在此不做赘述,上述监测数据来源特征表中包括每个预设评价因子对应的监测数据的获取方式和获取频率;上述目标监测数据通过下述步骤50-53确定:
步骤50,根据监测数据来源特征表和每个目标评价因子,确定当前目标评价因子对应的监测数据。
根据监测数据来源特征表中对应的监测数据的获取方式和获取频率获取上述目标评价因子对应的监测数据,另外,上述获取的监测数据根据上述目标评价因子分类。
在一些可选的实施例中,还根据上述目标评估区域的灾害类型的种类和对应的目标评价因子,以及上述已建监测***种类数量U和上述边缘计算设备的需求数量Q,判断上述已建监测***的种类和数量是否能够满足得到上述所需监测数据,当上述已建监测***所部署监测传感器种类和数量不足以满足需求时,根据上述目标评估区域的灾害类型的种类以及对应的目标评价因子进行补充建设。
针对每个目标评价因子对应的监测数据执行下述步骤:
步骤51,判断当前监测数据的数值是否小于预设的第一监测数据阈值。
步骤52,如果是,则删除当前监测数据;如果否,判断当前监测数据的数值是否大于预设的第二监测数据阈值。
步骤53,如果是,则将当前监测数据的数值替换为当前目标评价因子对应的监测数据的均值,并将当前监测数据确定为目标监测数据;如果否,则直接将当前监测数据确定为目标监测数据。
具体地,当得到上述目标评价因子对应的监测数据后,判断该监测数据是否为空值数据(如比例较小),当该监测数据为空值数据时,则直接将该监测数据删除,上述是否为空值数据即为上述第一监测数据阈值,上述空值数据的具体数值根据实际使用情况选择;如果该监测数据不为空值数据,则判断该监测数据是否比例较大,如果该监测数据比例较大,则采用均值替代法补全该数据,之后将上述未被删除的监测数据及采用均值替代法补全的监测数据确定为上述目标监测数据。上述用于判断该监测数据是否比例较大的具体数值即为上述第二监测数据阈值,上述第二监测数据阈值的具体数值根据实际使用情况选择。
步骤42,根据目标监测数据和危险等级数据库,得到目标监测数据指示的第一决定数值。
具体地,当得到上述目标监测数据后,根据上述灾害类型的种类对上述目标评价因子的监测数据进行区分,并分别进行编号,用灾害隐患点号来区分不同的上述目标评价因子的监测数据。之后根据上述危险等级数据库将上述目标评价因子的目标监测数据进行归一化、标准化和离散化处理,以得到上述第一决定数值;上述第一决定数值通过下述表2确定:
表2
上述表2中赋值的相应数值则为上述第一决定数值。
步骤43,基于每个目标评价因子的发育程度评价因子和当前发育程度评价因子对应的目标监测数据,得到发育程度评价因子对应的发育程度目标变量。
步骤44,基于每个目标评价因子的危害程度评价因子和当前危害程度评价因子对应的目标监测数据,得到危害程度评价因子对应的危害程度目标变量。
步骤45,根据发育程度目标变量和危害程度目标变量,以及存储的危险等级数据库,得到发育程度目标变量和危害程度目标变量分别对应的第二决定数值。
具体地,上述目标评价因子包括发育程度评价因子、危害程度评价因子和诱发因素评价因子,当得到上述目标监测数据后,能够得到上述目标评价因子对应的发育程度目标变量和危害程度目标变量,具体地,记发育程度目标变量为F,危害程度目标变量为G;之后根据上述危险等级数据库将上述目标评价因子对应的发育程度目标变量和危害程度目标变量进行归一化、标准化和离散化处理,以得到上述第二决定数值;当根据监测数据判定上述发育程度目标变量F为强发育时,确定上述发育程度目标变量F的第二决定数值为3;当根据监测数据判定上述发育程度目标变量F为中等发育时,确定上述发育程度目标变量F的第二决定数值为2;当根据监测数据判定上述发育程度目标变量F为弱发育时,确定上述发育程度目标变量F的第二决定数值为1。当根据监测数据判定上述危害程度目标变量G为强发育时,确定上述危害程度目标变量G的第二决定数值为3;当根据监测数据判定上述危害程度目标变量G为中等发育时,确定上述危害程度目标变量G的第二决定数值为2;当根据监测数据判定上述危害程度目标变量G为弱发育时,确定上述危害程度目标变量G的第二决定数值为1。其中,上述判定发育程度标准以上述发育程度目标变量F或上述危害程度目标变量G的数值变化大小确定。
步骤46,根据第二决定数值和存储的危险等级数据库,确定目标评价因子对应的标签值;标签值用于指示目标评价因子的危险等级。
上述标签值指的是地质灾害危险性判定结果,记为标签值C,在具体实现时,根据上述第二决定数值以及上述危险等级数据库来确定上述标签值C的值。
具体地,当上述发育程度目标变量F的第二决定数值为3,上述危害程度目标变量G的第二决定数值为3时,上述标签值C为3;当上述发育程度目标变量F的第二决定数值为3,上述危害程度目标变量G的第二决定数值为2时,上述标签值C为3;当上述发育程度目标变量F的第二决定数值为3,上述危害程度目标变量G的第二决定数值为1时,上述标签值C为2;当上述发育程度目标变量F的第二决定数值为2,上述危害程度目标变量G的第二决定数值为3时,上述标签值C为3;当上述发育程度目标变量F的第二决定数值为2,上述危害程度目标变量G的第二决定数值为2时,上述标签值C为2;当上述发育程度目标变量F的第二决定数值为2,上述危害程度目标变量G的第二决定数值为1时,上述标签值C为1;当上述发育程度目标变量F的第二决定数值为1,上述危害程度目标变量G的第二决定数值为3时,上述标签值C为2;当上述发育程度目标变量F的第二决定数值为1,上述危害程度目标变量G的第二决定数值为2时,上述标签值C为2;当上述发育程度目标变量F的第二决定数值为1,上述危害程度目标变量G的第二决定数值为1时,上述标签值C为1。
其中,当上述标签值C的取值为3时,表示上述目标评价因子对应的地质灾害危险性判定结果意义为危险性大;当上述标签值C的取值为2时,表示上述目标评价因子对应的地质灾害危险性判定结果意义为危险性中等;当上述标签值C的取值为1时,表示上述目标评价因子对应的地质灾害危险性判定结果意义为危险性小。
步骤47,基于目标评价因子、目标监测数据、发育程度目标变量和危害程度目标变量,以及第一决定数值、第二决定数值和标签值,得到预设的训练数据集。
具体地,记上述发育程度评价因子的上述监测数据为{Xi},上述危害程度评价因子的上述监测数据为{Yj},上述诱发因素评价因子的上述监测数据为{Zk},则上述目标评估区域的目标评价因子为{Xi,Yj,Zk},其中,上述发育程度目标变量F由上述发育程度评价因子的监测数据{Xi}确定,上述危害程度目标变量G由上述危害程度评价因子的监测数据{Yj}确定。根据通过上述存储的上述危险等级数据库得到的上述第一决定数值、第二决定数值和标签值,得到预设的训练数据集。
其中,上述目标评估区域的地质灾害危险等级可以由上述发育程度评价因子和上述危害程度评价因子进行初步判定,另外,上述发育程度评价因子和上述危害程度评价因子主要对应预设的评价因子中的稳定因子。
步骤S222,将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。
本发明实施例提供的另一种地质灾害危险等级评估方法,通过组建评估区域确定组,并将该评估区域确定组分为方案组和评分组,通过方案组提出目标评估区域的划定方案,由评分组对上述划定方案进行评估,之后判断上述评分组的评分结果是否满足第一评分阈值,以确定最终的目标评估区域,是否满足第一评分阈值的标准通过计算评分结果的肯德尔和谐系数和卡方检验结果后得到,具备工程可执行性;通过组建评价因子确定组对上述目标评估区域中的多种预设评价因子进行评估,判断上述每种评价因子的第二评分结果是否满足第二预设评分阈值来确定最终用于评估的目标评价因子,第二评分结果是否满足第二预设评分阈值通过计算评价因子确定组中各第二对象的秩相关等级系数和评价因子加权均值后确定,将上述目标评价因子的选择进行量化处理,具备工程可执行性。
此外,本发明实施例中设计的边缘计算设备数量根据灾害类型的种类和已建监测***的数量确定,只对未建设监测***的灾害类型种类部署边缘计算设备,高效利用已建监测***的监测数据的基础上,还能避免重复建设和资源浪费。
本发明实施例还根据目标评价因子和目标评估区域对应的灾害类型种类获取监测数据,之后将获取的监测数据根据危险等级数据库转换为危险等级(即上述第一决定数值、第二决定数值和标签值),将上述目标评价因子的监测数据进行量化,在现行国家标准《GB/T 40112-2021地质灾害危险性评估规范》的基础上进行技术创新,得到了工程化、可执行的地质灾害危险性评估模型构建方法;当进行模型训练时只需根据相应危险等级计算即可,便于计算及后续处理,也能避免计算造成的网络延迟和计算浪费问题。
针对于上述实施例,本发明还提供了另一种地质灾害危险等级评估方法,该方法在上述地质灾害危险等级评估方法的基础上实现,该方法重点描述上述根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型的具体过程(通过下述步骤S308-步骤S314实现),如图3所示,该方法包括:
步骤S302,根据预设的筛选规则,从评估区域库中确定目标评估区域。
步骤S304,根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子。
步骤S306,基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备。
步骤S308,根据预设的训练数据集,建立联邦学习框架。
当得到上述预设的训练数据集后,根据上述监测数据的来源特征,建立联邦学习框架。具体地,本实施例中上述联邦学习框架采用纵向联邦学习框架。
步骤S310,根据目标评价因子、预设的训练数据集和预设的数据安全协调规则,确定模型的训练方式。
步骤S312,基于模型的训练方式、边缘计算设备和联邦学习框架,进行模型训练,以更新模型的参数。
步骤S314,根据更新的模型的参数,得到地质灾害危险等级评估模型。
具体地,上述纵向联邦学习框架的层次架构包括:数据预处理层、样本对齐层、联邦学习层、数据应用层。本实施例中包含两个参与方,其中一个参与方为云计算中心,其作为主参与方提供上述监测数据和上述标签值,并在训练过程中扮演协作方角色,参与对上述监测数据中的敏感数据的加解密和协调训练过程,上述监测数据的敏感数据根据实际使用需求确定。另一个参与方为上述Q个边缘计算设备,其作为从参与方,只提供加密的监测数据,仅为数据提供方,其数据来源根据上述方法确定,来源于各类传感器实时监测数据和上述已建监测***的历史数据。
上述电子设备中存储有预设的数据安全协调规则,数据安全协调规则用于指示监测数据的加密或解密方式。在具体实现时,上述数据预处理层指对上述监测数据进行集成(即上述用灾害隐患点号来区分上述监测数据)、清洗(即上述当前监测数据的数值小于预设的第一监测数据阈值,删除该监测数据)、转化(即根据上述危险等级数据库确定上述第一决定数值、第二决定数值和标签值),并构建得到上述预设的训练数据集和验证上述训练数据集。
样本对齐层指在上述各参与方建模前,根据上述存储的数据安全协调规则使用加密ID匹配技术对上述监测数据进行加密,保障上述监测数据的安全和隐私,另外,还对齐各参与方的共有监测数据,可以采用如RSA非对称加密算法等加密算法实现。
上述联邦学习层指通过加密参数交换方式进行模型训练,为保证隐私,应引入可信协作方利用隐私保护技术(如同态加密)对上述样本监测数据加解密并协调训练过程。其步骤一般可概况为:协作方生成密钥对,并将公钥发送给对各参与方,各参与方对样本数据进行加密处理;各参与方以加密的参数交换方式计算中间结果,中间结果被用来计算梯度和损失值;各参与方将计算加密的梯度和损失值并上传给协作方;协作方利用私钥将梯度和损失值解密,并将这些梯度信息回传给各参与方,各参与方根据这些梯度信息更新当前的模型的参数。
上述数据应用层指经联邦学习层训练后,各参与方更新本地训练模型的参数,将预测结果进行输出,即得到上述目标评估区域的评估结果。
步骤S316,将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。
本发明实施例提供的另一种地质灾害危险等级评估方法,采用纵向联邦学习框架,其特点在于各参与方之间的监测数据的样本空间有较大重叠,而特征空间不同,即所使用的监测数据所属范围有较大重叠(目标评价因子以及灾害类型可能相同),而其具体内容根据相应的目标评价因子以及灾害类型确定,便于计算得出各个监测数据具有相关性时的评估结果。本发明实施例中还设计有用于指示监测数据的加密或解密方式的数据安全协调规则,在模型训练时,既能保证监测数据的使用,也能保证上述监测数据的数据安全。
基于上述***实施例,本发明实施例还提供了一种地质灾害危险等级评估装置,该装置应用于电子设备,该电子设备中存储有评估区域库,评估区域库中包含有多个待评估区域,以及每个待评估区域对应的区域描述信息;如图4所示,该装置包括:
区域确定模块401,用于根据预设的筛选规则,从评估区域库中确定目标评估区域。
信息确定模块402,用于根据目标评估区域的区域描述信息,确定目标评估区域对应的灾害类型和目标评价因子。
计算设备确定模块403,用于基于目标评估区域对应的灾害类型和目标评价因子,确定目标评估区域的边缘计算设备;边缘计算设备用于计算和存储灾害类型和目标评价因子对应的监测数据。
模型确定模块404,用于根据目标评价因子、预设的训练数据集和边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型。
评估结果确定模块405,用于将目标评估区域输入到地质灾害危险等级评估模型,输出目标评估区域的评估结果。
本发明实施例提供的一种地质灾害危险等级评估装置,先从多种评估区域中选择最终用于评估的目标评估区域,再从目标评估区域的多种评价因子中选择最终用于评估的目标评价因子,之后根据目标评价因子和目标评估区域对应的灾害类型种类获取监测数据,之后将获取的监测数据进行处理得到训练数据集后,建立联邦学习框架,由边缘计算设备参与进行模型训练,不只通过专家评估得出评估结果,还结合有联邦学习技术,并且根据现行的评估标准作为参考依据,解决目前技术评估结果权威性不足,用户认可度不够的问题。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种地质灾害危险等级评估方法,其特征在于,所述方法应用于电子设备,所述电子设备中存储有评估区域库,所述评估区域库中包含有多个待评估区域,以及每个所述待评估区域对应的区域描述信息;所述方法包括:
根据预设的筛选规则,从所述评估区域库中确定目标评估区域;
根据所述目标评估区域的区域描述信息,确定所述目标评估区域对应的灾害类型和目标评价因子;
基于所述目标评估区域对应的灾害类型和目标评价因子,确定所述目标评估区域的边缘计算设备;所述边缘计算设备用于计算和存储所述灾害类型和所述目标评价因子对应的监测数据;
根据所述目标评价因子、预设的训练数据集和所述边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型;
将所述目标评估区域输入到所述地质灾害危险等级评估模型,输出所述目标评估区域的评估结果。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的筛选规则,从所述评估区域库中确定目标评估区域的步骤,包括:
对所述评估区域库所包含的每个所述待评估区域进行评估,得到每个所述待评估区域对应的第一评分结果;
将每个所述待评估区域对应的第一评分结果与第一预设评分阈值进行比较;
将所述第一评分结果高于所述第一预设评分阈值对应的所述待评估区域,确定为所述目标评估区域。
3.根据权利要求2所述的方法,其特征在于,所述第一评分结果包含有多个第一子结果;
所述将每个所述待评估区域对应的第一评分结果与第一预设评分阈值进行比较;
将所述第一评分结果高于所述第一预设评分阈值对应的所述待评估区域,确定为所述目标评估区域的步骤,包括:
根据每个所述第一评分结果对应的多个第一子结果,确定当前所述第一评分结果的肯德尔和谐系数;
针对每个所述肯德尔和谐系数,执行下述步骤:
将每个所述第一评分结果对应的所述肯德尔和谐系数与第一预设评分阈值进行比较;
确定高于所述第一预设评分阈值的所述肯德尔和谐系数的卡方检验结果;
确定所述卡方检验结果高于第一预设检验阈值对应的目标肯德尔和谐系数;
将所述卡方检验结果为最大值对应的所述待评估区域,确定为所述目标评估区域。
4.根据权利要求1所述的方法,其特征在于,所述目标评估区域的区域描述信息包括所述目标评估区域所属的多种预设灾害类型和多种预设评价因子;
所述根据所述目标评估区域的区域描述信息,确定所述目标评估区域对应的灾害类型和目标评价因子的步骤,包括:
将所述区域描述信息中包含的多种预设灾害类型,确定为所述目标评估区域对应的灾害类型;
对所述目标评估区域所属的多种预设评价因子进行评估,得到每个所述预设评价因子对应的第二评分结果;
针对每个所述预设评价因子对应的第二评分结果,执行下述步骤:
将每个所述预设评价因子对应的第二评分结果与第二预设评分阈值进行比较;
将所述第二评分结果高于所述第二预设评分阈值对应的所述预设评价因子,确定为所述目标评价因子。
5.根据权利要求4所述的方法,其特征在于,所述第二评分结果包含有多个第二子结果;所述第二子结果用于指示当前所述预设评价因子与所述危险等级的影响相关等级;
所述将每个所述预设评价因子对应的第二评分结果与第二预设评分阈值进行比较;
将所述第二评分结果高于所述第二预设评分阈值对应的所述预设评价因子,确定为所述目标评价因子的步骤包括:
基于所述第二评分结果对应的多个第二子结果,确定当前所述预设评价因子的加权均值;
将所述加权均值大于第二阈值对应的所述预设评价因子,确定为所述目标评价因子。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标评估区域对应的灾害类型和目标评价因子,确定所述目标评估区域的边缘计算设备的步骤,包括:
基于所述目标评估区域对应的灾害类型的种类数量和所述灾害类型的种类对应的已建监测***种类数量,确定所述边缘计算设备的需求数量;
基于所述目标评估区域的位置和所述边缘计算设备的需求数量,确定所述目标评估区域的边缘计算设备及其部署位置。
7.根据权利要求1所述的方法,其特征在于,所述电子设备存储有危险等级数据库,所述危险等级数据库中包含有所述监测数据对应的危险等级指标;所述目标评价因子有多个,所述目标评价因子包括发育程度评价因子、危害程度评价因子和诱发因素评价因子;
所述训练数据集通过下述方式确定:
将每个所述目标评价因子的监测数据与预设的监测数据阈值进行比较;
确定大于所述预设的监测数据阈值的目标监测数据;
根据所述目标监测数据和所述危险等级数据库,得到所述目标监测数据指示的第一决定数值;
基于每个所述目标评价因子的发育程度评价因子和当前所述发育程度评价因子对应的所述目标监测数据,得到所述发育程度评价因子对应的发育程度目标变量;
基于每个所述目标评价因子的危害程度评价因子和当前所述危害程度评价因子对应的所述目标监测数据,得到所述危害程度评价因子对应的危害程度目标变量;
根据所述发育程度目标变量和所述危害程度目标变量,以及存储的所述危险等级数据库,得到所述发育程度目标变量和所述危害程度目标变量分别对应的第二决定数值;
根据所述第二决定数值和存储的所述危险等级数据库,确定所述目标评价因子对应的标签值;所述标签值用于指示所述目标评价因子的危险等级;
基于所述目标评价因子、所述目标监测数据、所述发育程度目标变量和所述危害程度目标变量,以及所述第一决定数值、第二决定数值和所述标签值,得到所述预设的训练数据集。
8.根据权利要求7所述的方法,其特征在于,所述目标评估区域的区域描述信息包括所述目标评估区域所属的多种预设灾害类型和多种预设评价因子;所述预设评价因子有多个,所述电子设备中存储有监测数据来源特征表,所述监测数据来源特征表中包括每个所述预设评价因子对应的所述监测数据的获取方式和获取频率;所述目标监测数据通过下述步骤确定:
根据所述监测数据来源特征表和每个所述目标评价因子,确定当前所述目标评价因子对应的监测数据;
针对每个所述目标评价因子对应的监测数据执行下述步骤:
判断当前所述监测数据的数值是否小于所述预设的第一监测数据阈值;
如果是,则删除当前所述监测数据;如果否,判断当前所述监测数据的数值是否大于所述预设的第二监测数据阈值;
如果是,则将当前所述监测数据的数值替换为当前所述目标评价因子对应的监测数据的均值,并将当前所述监测数据确定为目标监测数据;
如果否,则直接将当前所述监测数据确定为目标监测数据。
9.根据权利要求1所述的方法,其特征在于,所述电子设备中存储有预设的数据安全协调规则,所述数据安全协调规则用于指示所述监测数据的加密或解密方式;
所述根据所述目标评价因子、预设的训练数据集和所述边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型的步骤,包括:
根据所述预设的训练数据集,建立联邦学习框架;
根据所述目标评价因子、所述预设的训练数据集和预设的数据安全协调规则,确定模型的训练方式;
基于所述模型的训练方式、所述边缘计算设备和所述联邦学习框架,进行模型训练,以更新所述模型的参数;
根据更新的所述模型的参数,得到所述地质灾害危险等级评估模型。
10.一种地质灾害危险等级评估装置,所述装置应用于电子设备以及上述权利要求1-9任一项所述的方法,所述电子设备中存储有评估区域库,所述评估区域库中包含有多个待评估区域,以及每个所述待评估区域对应的区域描述信息;其特征在于,所述装置包括:
区域确定模块,用于根据预设的筛选规则,从所述评估区域库中确定目标评估区域;
信息确定模块,用于根据所述目标评估区域的区域描述信息,确定所述目标评估区域对应的灾害类型和目标评价因子;
计算设备确定模块,用于基于所述目标评估区域对应的灾害类型和目标评价因子,确定所述目标评估区域的边缘计算设备;所述边缘计算设备用于计算和存储所述灾害类型和所述目标评价因子对应的监测数据;
模型确定模块,用于根据所述目标评价因子、预设的训练数据集和所述边缘计算设备及其监测数据,建立联邦学习框架并进行模型训练,得到地质灾害危险等级评估模型;
评估结果确定模块,用于将所述目标评估区域输入到所述地质灾害危险等级评估模型,输出所述目标评估区域的评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106081.8A CN114511429A (zh) | 2022-01-28 | 2022-01-28 | 地质灾害危险等级评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106081.8A CN114511429A (zh) | 2022-01-28 | 2022-01-28 | 地质灾害危险等级评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511429A true CN114511429A (zh) | 2022-05-17 |
Family
ID=81551296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106081.8A Pending CN114511429A (zh) | 2022-01-28 | 2022-01-28 | 地质灾害危险等级评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511429A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114840348A (zh) * | 2022-07-01 | 2022-08-02 | 石家庄学院 | 一种用于计算机的资源等级确定方法及*** |
CN116341901A (zh) * | 2023-03-07 | 2023-06-27 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
CN117933577A (zh) * | 2024-03-21 | 2024-04-26 | 四川省华地建设工程有限责任公司 | 一种高位山体滑坡灾害的评估方法及*** |
-
2022
- 2022-01-28 CN CN202210106081.8A patent/CN114511429A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114840348A (zh) * | 2022-07-01 | 2022-08-02 | 石家庄学院 | 一种用于计算机的资源等级确定方法及*** |
CN116341901A (zh) * | 2023-03-07 | 2023-06-27 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
CN116341901B (zh) * | 2023-03-07 | 2023-09-12 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
CN117933577A (zh) * | 2024-03-21 | 2024-04-26 | 四川省华地建设工程有限责任公司 | 一种高位山体滑坡灾害的评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghosh et al. | Urban ecological security assessment and forecasting using integrated DEMATEL-ANP and CA-Markov models: A case study on Kolkata Metropolitan Area, India | |
Tang et al. | Assessment of flood susceptible areas using spatially explicit, probabilistic multi-criteria decision analysis | |
CN114511429A (zh) | 地质灾害危险等级评估方法及装置 | |
Ye et al. | Research on quantitative assessment of climate change risk at an urban scale: Review of recent progress and outlook of future direction | |
Inkoom et al. | Prediction of the crack condition of highway pavements using machine learning models | |
Chen et al. | Towards an integrated approach to natural hazards risk assessment using GIS: with reference to bushfires | |
Thompson et al. | Uncertainty and risk in wildland fire management: a review | |
CN110417721A (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
Gul et al. | An artificial neural network-based earthquake casualty estimation model for Istanbul city | |
CN113947215A (zh) | 联邦学习管理方法、装置、计算机设备及存储介质 | |
Husin et al. | Implementing fuzzy TOPSIS on project risk variable ranking | |
CN116861446A (zh) | 一种数据安全的评估方法及*** | |
CN111310139A (zh) | 行为数据识别方法、装置及存储介质 | |
JP2016029560A (ja) | 介入行為を評価する決定支援システム、方法、及び非一時的な記憶媒体 | |
CN113112032A (zh) | 基于联邦学习的航班延误预测***及方法 | |
Hui | Construction of information security risk assessment model in smart city | |
Fuentes-Santos et al. | Testing similarity between first-order intensities of spatial point processes. A comparative study | |
CN117612339A (zh) | 基于铁塔大数据的地质灾害监测方法及*** | |
CN116189010B (zh) | 一种基于卫星图谱的矿山生态识别预警方法及*** | |
CN116976681A (zh) | 一种基于大数据的高速公路机电设施智能运维决策*** | |
Elwakil et al. | Construction knowledge discovery system using fuzzy approach | |
CN116703148A (zh) | 基于云计算的矿山企业风险画像方法 | |
CN114039837B (zh) | 告警数据处理方法、装置、***、设备和存储介质 | |
CN116110210A (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
Brown et al. | Multi-objective optimization for bridge retrofit to address earthquake hazards |
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 |