CN115019476B - 一种基于多源信息融合的滑坡时空信息监测预警方法 - Google Patents
一种基于多源信息融合的滑坡时空信息监测预警方法 Download PDFInfo
- Publication number
- CN115019476B CN115019476B CN202210647606.9A CN202210647606A CN115019476B CN 115019476 B CN115019476 B CN 115019476B CN 202210647606 A CN202210647606 A CN 202210647606A CN 115019476 B CN115019476 B CN 115019476B
- Authority
- CN
- China
- Prior art keywords
- landslide
- space
- information
- model
- early warning
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Emergency Management (AREA)
- Molecular Biology (AREA)
- Geology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及地质灾害技术领域,具体公开了一种基于多源信息融合的滑坡时空信息监测预警方法,包括以下步骤:选取滑坡监测区域的多个滑坡敏感性特征,利用机器学习的方法构建滑坡空间敏感性评价模型;获取滑坡监测区域的多种滑坡时间序列信息,并对采集到的多种滑坡时间信息序列进行估计融合得到滑坡时间模型;采用T‑S模糊神经网络将滑坡空间敏感性评价模型中的滑坡空间信息以及滑坡时间模型中的滑坡时间信息进行融合,获得滑坡安全等级预警评价模型;根据滑坡安全等级预警评价模型实现滑坡预警。本发明中将滑坡空间敏感性评价模型以及滑坡时间模型进行融合,生成综合的滑坡安全等级预警评价模型,实现高精度滑坡预警。
Description
技术领域
本发明涉及地质灾害技术领域,具体为一种基于多源信息融合的滑坡时空信息监测预警方法。
背景技术
山体滑坡有着非常复杂的发生机制,它是由地形地貌、地质结构、地震、降雨以及其他非确定性因素共同造成的,研究山体滑坡的空间敏感性是有效应对山体滑坡防范与治理的第一步。综合对比国内众多学者的研究可以看出,国外学者最先开始将机器学习方法应用到滑坡敏感性评价之中,收集研究区域的各类数据,对数据进行深入的挖掘,构造更有价值的特征,从而搭建滑坡敏感性模型,通过模型评估来解释滑坡敏感性。在国内,许多学者也逐步开始应用机器学习方法来进行研究,但大多仍然结合传统分析方法对滑坡敏感性进行分析,总体上分为基于专家经验、基于物理模型、基于观念驱动以及基于数学统计的传统定性、定量分析方法。传统分析方法在滑坡敏感性分析研究的过程中总会存在经验性过强、结果不够准确、可实施性不强等许多局限。
其次,对于滑坡时间信息监测,滑坡监控技术正朝着自动化、精准化、分布式无线监控等方向发展。经过多年的发展,将传感器技术、网络通信技术、Web技术、GIS技术等相结合,广泛应用于地质监控,滑坡监控技术往往在已经或者即将发生滑坡的同时,相关数据才会有警报;现有滑坡监控预警技术尚只能对一个或者某几个因素(如降雨量、湿度)进行相关性预测,预警的综合性和精度都较差。
发明内容
本发明的目的在于提供一种基于多源信息融合的滑坡时空信息监测预警方法,通过建立滑坡空间敏感性评价模型以及滑坡时间模型,并将滑坡空间敏感性评价模型以及滑坡时间模型进行信息融合,生成综合的滑坡安全等级预警评价模型,实现高精度滑坡预警。
本发明提供了一种基于多源信息融合的滑坡时空信息监测预警方法,包括以下步骤:
选取滑坡监测区域的多个滑坡敏感性特征,利用机器学习的方法构建滑坡空间敏感性评价模型;
获取滑坡监测区域的多种滑坡时间序列信息,并对采集到的多种滑坡时间信息序列进行估计融合得到滑坡时间模型;
采用T-S模糊神经网络将滑坡空间敏感性评价模型中的空间信息以及滑坡时间模型中的时间信息进行融合,获得滑坡安全等级预警评价模型;
根据滑坡安全等级预警评价模型实现滑坡预警。
进一步地,所述选取滑坡监测区域的多个滑坡敏感性特征,包括以下步骤:
搜集滑坡监测区域的滑坡空间数据信息;
对所述滑坡空间数据信息进行预处理,对所述滑坡空间数据信息的预处理包括数据清洗以及数据重分类;
提取所述滑坡空间数据信息中的滑坡敏感性特征,并对提取到的滑坡敏感性特征进行选取,根据所述滑坡敏感性特征的方差膨胀系数VIF以及信息增益IG进行选取;
对选取到的滑坡敏感性特征所形成的滑坡空间数据信息集利用SMOTE算法进行过采样处理,经过过采样处理后的滑坡敏感性特征数据集构成滑坡敏感性特征数据集。
进一步地,所述机器学习的方法包括XGBoost算法模型、CatBoost算法模型和浅层神经网络模型;
所述利用机器学习的方法构建滑坡空间敏感性评价模型,包括以下步骤:
根据XGBoost算法模型的特点对所述滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间XGBoost算法模型;
根据CatBoost算法模型的特点对所述滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间CatBoost算法模型;
根据浅层神经网络模型的特点对所述滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间浅层神经网络模型;
对所述滑坡空间XGBoost算法模型、所述滑坡空间CatBoost算法模型、所述滑坡空间浅层神经网络模型进行加权平均并利用两层的Stacking集成方法进行模型集成,形成滑坡空间敏感性评价模型。
进一步地,在所述两层的Stacking集成方法中的第二层中采用贝叶斯分类算法,实现集成后的滑坡空间敏感性评价模型的效果评估以及生成滑坡空间敏感性分析地图。
进一步地,所述获取滑坡监测区域的多种滑坡时间序列信息的方法,包括在滑坡监测区域部署多个传感器节点,多个传感器节点用于采集滑坡监测区域的时间序列信息。
进一步地,多个所述传感器节点中的传感器包括雨量计传感器、环境温湿度传感器、土壤温湿度传感器、风速传感器。
进一步地,所述对采集到的多种滑坡时间序列信息进行估计融合得到滑坡时间模型,包括以下步骤:
采用基于狄克逊准则的极差比法对多个所述传感器节点采集到的数据信息分别进行预处理,用于剔除采集到的数据信息中的异常值;
对经过预处理的时间序列信息利用卡尔曼滤波方法进行估计、融合得到滑坡时间模型。
进一步地,根据所述滑坡时间模型挖掘和估计滑坡监测区域发生滑坡风险的数据特征,所述发生滑坡风险的数据特征包括滑坡产生的倾角、滑坡产生的位移。
进一步地,所述采用基于狄克逊准则的极差比法对多个所述传感器节点采集到的数据信息分别进行预处理,包括以下步骤:
将一组传感器采集到的数据{X1,X2,...,Xi,...,Xn}进行从小到大排列,得到:
X1≤X2≤...≤Xi≤...≤Xn (1)
分别计算n个样本的第一极差比γ及第二极差比γ′;
其中第一极差比γ的计算公式:
其中第二极差比γ′的计算公式:
确定临界值D(α,n);
当γ>γ′,γ>D(α,n),则判断X1为传感器采集到的粗大误差值,剔除X1;
当γ<γ′,γ<D(α,n),则判断Xn为传感器采集到的粗大值,剔除Xn。
进一步地,所述获得滑坡安全等级预警评价模型,包括:
利用T-S模糊神经网络算法将所述滑坡空间敏感性评价模型中的滑坡空间信息以及所述滑坡时间模型中的滑坡时间信息进行融合,并确定滑坡危险评价指标参数;
根据所述滑坡危险评价指标参数生成滑坡安全等级预警评价模型。
与现有技术相比,本发明的有益效果:
本发明中通过建立滑坡空间敏感性评价模型以及滑坡时间模型,并将滑坡空间敏感性评价模型中的滑坡空间信息以及滑坡时间模型中的滑坡时间信息进行融合,生成综合的滑坡安全等级预警评价模型,实现高精度滑坡预警。本发明中的滑坡时空信息监测预警方法能更综合的反映监测区域的滑坡风险程度,有效提升滑坡的预警精度,早治理,早干预,降低地质灾害对人民群众造成的损失。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明提出的一种基于多源信息融合的滑坡时空信息监测预警方法的整体流程图;
图2是本发明提出的一种基于多源信息融合的滑坡时空信息监测预警方法的构建滑坡空间敏感性评价模型的流程图;
图3是本发明提出的一种基于多源信息融合的滑坡时空信息监测预警方法的具体流程图;
图4是本发明提出的一种基于多源信息融合的滑坡时空信息监测预警方法中在构建滑坡时间模型时,倾角传感器获取的原始倾角数据;
图5是本发明提出的一种基于多源信息融合的滑坡时空信息监测预警方法中在构建滑坡时间模型时,经数据预处理后的倾角数据曲线。
具体实施方式
下面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、完整的描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例
如图1-3所示,一种基于多源信息融合的滑坡时空信息监测预警方法,包括以下步骤:
步骤1:选取滑坡监测区域的多个滑坡敏感性特征,利用机器学习的方法构建滑坡空间敏感性评价模型。
步骤1.1:选取滑坡监测区域的多个滑坡敏感性特征,包括以下步骤:
步骤1.1.1:搜集滑坡监测区域的滑坡空间数据信息;
步骤1.1.2:对滑坡空间数据信息进行预处理,对滑坡空间数据信息的预处理包括数据清洗以及数据重分类;
步骤1.1.3:提取所述滑坡空间数据信息中的滑坡敏感性特征,并对提取到的滑坡敏感性特征进行选取,根据所述滑坡敏感性特征的方差膨胀系数VIF以及信息增益IG进行选取。
步骤1.1.4:对选取到的滑坡敏感性特征所形成的滑坡空间数据信息集利用SMOTE算法进行过采样处理,经过过采样处理后的滑坡敏感性特征数据集构成滑坡敏感性特征数据集。通过利用SMOTE算法对滑坡空间数据信息集进行过采样处理,解决滑坡空间数据信息集不平衡问题。
步骤1.2:利用机器学习的方法构建滑坡空间敏感性评价模型,其中机器学习的方法包括XGBoost算法模型、CatBoost算法模型和浅层神经网络模型,具体包括以下步骤:
步骤1.2.1:根据XGBoost算法模型的特点对滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间XGBoost算法模型;
步骤1.2.2根据CatBoost算法模型的特点对滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间CatBoost算法模型;
步骤1.2.3根据浅层神经网络模型的特点对滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间浅层神经网络模型;
步骤1.2.4对滑坡空间XGBoost算法模型、滑坡空间CatBoost算法模型、滑坡空间浅层神经网络模型进行加权平均并利用两层的Stacking集成方法进行模型集成,形成滑坡空间敏感性评价模型。
其中在两层的Stacking集成方法中的第二层中采用贝叶斯分类算法,实现集成后的滑坡空间敏感性评价模型的效果评估以及生成滑坡空间敏感性分析地图。
步骤2:获取滑坡监测区域的多种滑坡时间序列信息,并对采集到的多种滑坡时间信息序列进行估计融合得到滑坡时间模型,具体包括以下步骤:
步骤2.1:获取滑坡监测区域的多种时间序列信息的方法,包括在滑坡监测区域部署多个传感器节点,多个传感器节点用于采集滑坡监测区域的时间序列信息。多个传感器节点中的传感器包括雨量计传感器、环境温湿度传感器、土壤温湿度传感器、风速传感器等。
步骤2.2:对采集到的多种时间序列信息进行估计融合得到滑坡时间模型,包括以下步骤:
步骤2.2.1:采用基于狄克逊准则的极差比法对多个传感器节点采集到的数据信息分别进行预处理,用于剔除采集到的数据信息中的异常值,具体包括以下步骤:
将一组传感器采集到的数据{X1,X2,...,Xi,...,Xn}进行从小到大排列,得到:
X1≤X2≤...≤Xi≤...≤Xn (1)
分别计算n个样本的第一极差比γ及第二极差比γ′;
其中第一极差比γ的计算公式:
其中第二极差比γ′的计算公式:
确定临界值D(α,n);
当γ>γ′,γ>D(α,n),则判断X1为传感器采集到的粗大误差值,剔除X1;
当γ<γ′,γ<D(α,n),则判断Xn为传感器采集到的粗大值,剔除Xn
步骤2.3:对经过预处理的时间序列信息利用卡尔曼滤波方法进行估计融合得到滑坡时间模型。
因滑坡监控区域较大,传感器节点的数据信息传输易受到干扰等因素,出现传感器节点采集数据出现较大波动且易丢失现象。
为了提升滑坡监控中传感器的可靠性与融合结果精度,对时间序列逆袭进行数据预处理和卡尔曼滤波估计融合。
根据滑坡时间模型挖掘和估计滑坡监测区域发生滑坡风险的数据特征,发生滑坡风险的数据特征包括滑坡产生的倾角、滑坡产生的位移。
步骤3:采用T-S模糊神经网络将滑坡空间敏感性评价模型中的滑坡空间信息以及滑坡时间模型中的滑坡时间信息进行融合,获得滑坡安全等级预警评价模型,具体包括:
利用T-S模糊神经网络算法将所述滑坡空间敏感性评价模型中的滑坡空间信息以及所述滑坡时间模型中的滑坡时间信息进行融合,并确定滑坡危险评价指标参数;
根据所述滑坡危险评价指标参数生成滑坡安全等级预警评价模型。
步骤5:根据滑坡安全等级预警评价模型实现滑坡预警。
根据滑坡安全等级预警评价模型进行滑坡预警,使得滑坡预警结果更加稳定、可靠和科学。
下面结合具体实施例作具体实施方式的详细说明。
1、对滑坡空间数据信息进行预处理,对部分类别特征进行标签编码。
在所选滑坡特征中,不同的滑坡特征有着不同的数据来源,且所属的数据类型也有所不同。因此在使用所选的滑坡特征之前需要对部分类别的滑坡特征进行标签编码(label encode),同时为保持数据的一致性和增强模型鲁棒性,对连续特征分桶并进行标签编码,具体编码方式下表1所示。
表1.滑坡特征编码情况
2、对大方县滑坡数据集样本进行处理,对连续特征进行重分类,对类别特征进行标签编码,部分数据如表2所示,滑坡敏感性(稳定性)的编码“0”表示稳定,“1”表示不稳定。
表2.数据样本表
3采用过滤式方法对滑坡特征进行筛选,即两种统计检验方法:方差膨胀系数VIF和信息增益IG。滑坡特征的VIF和IG指数如下表3所示。
表3.滑坡特征的方差膨胀系数VIF和信息增益IG
序号 | 特征 | 方差膨胀系数VIF | 信息增益IG |
1 | 高程 | 1.648 | 0.101 |
2 | 坡度 | 1.920 | 0.052 |
3 | 坡向 | 1.031 | 0.004 |
4 | 年降雨量 | 1.718 | 0.130 |
5 | 剖面曲率 | 1.256 | 0.028 |
6 | 距水系距离 | 1.314 | 0.012 |
7 | NDVI | 1.537 | 0.003 |
8 | 距道路距离 | 1.371 | 0.006 |
9 | 岩层深度 | 2.109 | 0.002 |
10 | 距断层距离 | 1.441 | 0.018 |
11 | 地层岩性 | 1.314 | 0.096 |
12 | 岩石密度 | 1.344 | 0.008 |
13 | 人类活动强度 | 1.212 | 0.056 |
14 | 地表起伏度 | 1.325 | 0.018 |
15 | 土地利用类型 | 1.119 | 0.097 |
4、对采集到的多种时间序列信息进行估计融合得到滑坡时间模型。
在滑坡监控环境下,滑坡监控区域部署较多的滑坡倾角传感器节点,因而采集倾角数据量大,各簇点或集中器进行处理地数据量较大,同时受滑坡复杂环境干扰、传感器节点传输质量、采样精度、数据丢失的影响,在数据采集前必须预处理,防止采集的滑坡监控数据出现异常,导致算法运算时间偏长或直接影响最后融合结果的真实性。
设计采用基于狄克逊准则(DixonCriterion)预处理方法,用于剔除数据异常值,该方法优点可剔除多个异常值、计算流程相对简洁。其中采样极差比法在狄克逊准则最为常用,假设一组传感器采集数据为{X1,X2,...,Xi,...,Xn},采集的数据根据从小到大排列X1≤X2≤...≤Xi≤...≤Xn,样本量的不同极差比γ分别如下表4所示。表4为不同样本量情况下的第一极差比γ及第二极差比γ′的计算方法。
表4.样本量不同极差比γ
当显著性水平α不同时,利用样本量个数n,对应到下表5的临界值D(α,n)。假设γ>γ′,γ>D(α,n),则判断X1为粗大误差值,剔除X1;假设γ<γ′,γ<D(α,n),则判断Xn为采集到的粗大值,通过软件剔除Xn。
表5.临界值D(α,n)
该方法运用实地部署具有显著性优势,不仅可以剔除异常数据值,减少数据波动,传输有效值,降低无线传感器网络数据传输量。一定程度上能够降低网络能耗,提高网络存活周期。如图4为利用倾角传感器采集到的倾角数据,图为5经过数据预处理后的倾角数据曲线,对比图4和图5可以看出经数据预处理后,实现了将倾角数据中的异常数据的剔除,减少了倾角数据的波动。
5、滑坡安全等级划分。
下表6为各种滑坡特征的安全等级数据。
表6.滑坡安全等级划分
6、利用滑坡实测数据输入T-S模糊神经网络,获得的滑坡监控安全等级预测图,共计24个预测数据,监控安全等级为5(危险级)。下表7为改进的T-S模糊神经网络对滑坡监控安全等级综合评价结果。
表7.改进的T-S模糊神经网络对滑坡监控安全等级综合评价结果
序号 | 输出值 | 安全等级 | 序号 | 输出值 | 安全等级 |
1 | 2.42 | Ⅱ | 13 | 2.45 | Ⅱ |
2 | 2.29 | Ⅱ | 14 | 1.85 | Ⅱ |
3 | 2.37 | Ⅱ | 15 | 1.68 | Ⅱ |
4 | 2.40 | Ⅱ | 16 | 2.12 | Ⅱ |
5 | 2.48 | Ⅱ | 17 | 2.58 | Ⅲ |
6 | 2.09 | Ⅱ | 18 | 1.74 | Ⅱ |
7 | 1.56 | Ⅱ | 19 | 2.04 | Ⅱ |
8 | 2.14 | Ⅱ | 20 | 1.92 | Ⅱ |
9 | 3.12 | Ⅲ | 21 | 1.69 | Ⅱ |
10 | 1.68 | Ⅱ | 22 | 2.02 | Ⅱ |
11 | 2.03 | Ⅱ | 23 | 1.82 | Ⅱ |
12 | 2.40 | Ⅱ | 24 | 2.28 | Ⅱ |
综上所述,改进的T-S模糊神经网络算法能有效的预测滑坡监控安全等级,是一种适用性较强的评价模型。对于滑坡监控有一定的理论意义和实践意义。
最后说明的是:以上公开的仅为本发明的一个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于,包括以下步骤:
选取滑坡监测区域的多个滑坡敏感性特征,利用机器学习的方法构建滑坡空间敏感性评价模型;
获取滑坡监测区域的多种滑坡时间序列信息,并对采集到的多种滑坡时间信息序列进行估计融合得到滑坡时间模型;
采用T-S模糊神经网络将滑坡空间敏感性评价模型中的滑坡空间信息以及滑坡时间模型中的滑坡时间信息进行融合,获得滑坡安全等级预警评价模型;
根据滑坡安全等级预警评价模型实现滑坡预警;
其中,所述机器学习的方法包括XGBoost算法模型、CatBoost算法模型和浅层神经网络模型;
所述利用机器学习的方法构建滑坡空间敏感性评价模型,包括以下步骤:
根据XGBoost算法模型的特点对所述滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间XGBoost算法模型;
根据CatBoost算法模型的特点对所述滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间CatBoost算法模型;
根据浅层神经网络模型的特点对所述滑坡敏感性特征数据集中的数据进行处理,并根据处理后的滑坡敏感性特征数据集中的数据建立滑坡空间浅层神经网络模型;
对所述滑坡空间XGBoost算法模型、所述滑坡空间CatBoost算法模型、所述滑坡空间浅层神经网络模型进行加权平均并利用两层的Stacking集成方法进行模型集成,形成滑坡空间敏感性评价模型。
2.根据权利要求1所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:所述选取滑坡监测区域的多个滑坡敏感性特征,包括以下步骤:
搜集滑坡监测区域的滑坡空间数据信息;
对所述滑坡空间数据信息进行预处理,对所述滑坡空间数据信息的预处理包括数据清洗以及数据重分类;
提取所述滑坡空间数据信息中的滑坡敏感性特征,并对提取到的滑坡敏感性特征进行选取,根据所述滑坡敏感性特征的方差膨胀系数VIF以及信息增益IG进行选取;
对选取到的滑坡敏感性特征所形成的滑坡空间数据信息集利用SMOTE算法进行过采样处理,经过过采样处理后的滑坡敏感性特征数据集构成滑坡敏感性特征数据集。
3.根据权利要求1所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:在所述两层的Stacking集成方法中的第二层中采用贝叶斯分类算法,实现集成后的滑坡空间敏感性评价模型的效果评估以及生成滑坡空间敏感性分析地图。
4.根据权利要求1所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:所述获取滑坡监测区域的多种滑坡时间序列信息的方法,包括在滑坡监测区域部署多个传感器节点,多个传感器节点用于采集滑坡监测区域的时间序列信息。
5.根据权利要求4所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:多个所述传感器节点中的传感器包括雨量计传感器、环境温湿度传感器、土壤温湿度传感器、风速传感器。
6.根据权利要求4所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:所述对采集到的多种滑坡时间序列信息进行估计融合得到滑坡时间模型,包括以下步骤:
采用基于狄克逊准则的极差比法对多个所述传感器节点采集到的数据信息分别进行预处理,用于剔除采集到的数据信息中的异常值;
对经过预处理的时间序列信息利用卡尔曼滤波方法进行估计、融合得到滑坡时间模型。
7.根据权利要求6所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:根据所述滑坡时间模型挖掘和估计滑坡监测区域发生滑坡风险的数据特征,所述发生滑坡风险的数据特征包括滑坡产生的倾角、滑坡产生的位移。
8.根据权利要求6所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:所述采用基于狄克逊准则的极差比法对多个所述传感器节点采集到的数据信息分别进行预处理,包括以下步骤:
将一组传感器采集到的数据{X1,X2,...,Xi,...,Xn}进行从小到大排列,得到:
X1≤X2≤...≤Xi≤...≤Xn (1)
分别计算n个样本的第一极差比γ及第二极差比γ';
其中第一极差比γ的计算公式:
其中第二极差比γ'的计算公式:
确定临界值D(α,n);
当γ>γ',γ>D(α,n),则判断X1为传感器采集到的粗大误差值,剔除X1;
当γ<γ′,γ<D(α,n),则判断Xn为传感器采集到的粗大值,剔除Xn。
9.根据权利要求1所述的一种基于多源信息融合的滑坡时空信息监测预警方法,其特征在于:所述获得滑坡安全等级预警评价模型,包括:
利用T-S模糊神经网络算法将所述滑坡空间敏感性评价模型中的滑坡空间信息以及所述滑坡时间模型中的滑坡时间信息进行融合,并确定滑坡危险评价指标参数;
根据所述滑坡危险评价指标参数生成滑坡安全等级预警评价模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647606.9A CN115019476B (zh) | 2022-06-09 | 2022-06-09 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210647606.9A CN115019476B (zh) | 2022-06-09 | 2022-06-09 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019476A CN115019476A (zh) | 2022-09-06 |
CN115019476B true CN115019476B (zh) | 2023-10-10 |
Family
ID=83073622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210647606.9A Active CN115019476B (zh) | 2022-06-09 | 2022-06-09 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019476B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638767B (zh) * | 2022-11-07 | 2023-10-03 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 地面沉降监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711530A (zh) * | 2018-11-15 | 2019-05-03 | 深圳大学 | 一种滑坡预测方法及*** |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN111667187A (zh) * | 2020-06-10 | 2020-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
CN114218858A (zh) * | 2021-12-13 | 2022-03-22 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种滑坡位移预测方法 |
CN114595629A (zh) * | 2022-03-01 | 2022-06-07 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
-
2022
- 2022-06-09 CN CN202210647606.9A patent/CN115019476B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711530A (zh) * | 2018-11-15 | 2019-05-03 | 深圳大学 | 一种滑坡预测方法及*** |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN111667187A (zh) * | 2020-06-10 | 2020-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
CN114218858A (zh) * | 2021-12-13 | 2022-03-22 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种滑坡位移预测方法 |
CN114595629A (zh) * | 2022-03-01 | 2022-06-07 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
Non-Patent Citations (2)
Title |
---|
多源数据融合的滑坡监测预警评估;王霄等;现代电子技术;第第45卷卷(第第10期期);124-130 * |
王智伟.基于BP神经网络的滑坡监测多源异构数据融合算法研究.地质力学学报.2020,第26卷(第4期),1-8. * |
Also Published As
Publication number | Publication date |
---|---|
CN115019476A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN111144651A (zh) | 一种地质灾害的预测方法、装置及设备 | |
CN113283802B (zh) | 一种复杂艰险山区滑坡危险性评估方法 | |
CN113642849B (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
CN107341586A (zh) | 一种基于降雨的地质灾害发生频率的计算方法 | |
CN114201922A (zh) | 基于InSAR技术的动态滑坡敏感性预测方法及*** | |
CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及*** | |
CN109992635B (zh) | 一种震后泥石流早期识别方法 | |
CN114595629A (zh) | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 | |
CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及*** | |
CN113591700A (zh) | 一种潜在滑坡堵江预测方法 | |
CN113779880B (zh) | 一种基于超前钻探数据的隧道围岩二维质量评价方法 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
Castro-Franco et al. | Prediction of soil properties at farm scale using a model-based soil sampling scheme and random forest | |
CN115359629B (zh) | 一种基于序贯评估法的区域滑坡灾害预警方法 | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
Fang et al. | Landslide susceptibility prediction based on positive unlabeled learning coupled with adaptive sampling | |
Huang et al. | Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory | |
CN116699612A (zh) | 融合InSAR形变量与降雨量的滑坡危险性评价方法 | |
CN116882731A (zh) | 一种基于斜坡单元的地质灾害危险性评估方法及*** | |
Woldegebriel et al. | Evaluation of groundwater potential zone using remote sensing and geographical information system: in Kaffa zone, South Western Ethiopia | |
CN116384627A (zh) | 一种基于机器学习的地质灾害评价方法 | |
CN116070762A (zh) | 耦合Smoteenn和Tabtransformer的滑坡易发性预测方法及*** |
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 |