CN117312812A - 滑坡易发性评价模型建立方法、装置、设备及存储介质 - Google Patents

滑坡易发性评价模型建立方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117312812A
CN117312812A CN202311119563.8A CN202311119563A CN117312812A CN 117312812 A CN117312812 A CN 117312812A CN 202311119563 A CN202311119563 A CN 202311119563A CN 117312812 A CN117312812 A CN 117312812A
Authority
CN
China
Prior art keywords
landslide
evaluation model
model
susceptibility
susceptibility evaluation
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
Application number
CN202311119563.8A
Other languages
English (en)
Inventor
蒙绍强
石振明
郑鸿超
吴彬
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202311119563.8A priority Critical patent/CN117312812A/zh
Publication of CN117312812A publication Critical patent/CN117312812A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本申请提供了滑坡易发性评价模型建立方法、装置、设备及存储介质，根据滑坡数据自动确定滑坡条件因素，避免人为特征提取导致的提取不充分或选择不合理，提高评价准确性。因为无需依赖领域专家知识，减少主观因素的干扰，增强了方法的普适性和通用性。并且通过建立滑坡易发性评价模型，将地理空间信息输入滑坡易发性评价模型即可得到滑坡易发性评价，简化评价过程，提高评价的效率和实用性，并提高滑坡实时预警能力。

Description

滑坡易发性评价模型建立方法、装置、设备及存储介质
技术领域
本申请涉及地质灾害预测技术领域，尤其涉及滑坡易发性评价模型建立方法、装置、设备及存储介质。
背景技术
相关技术中，滑坡易发性评价方法主要依赖于工程地质勘察和经验公式，进行评价的过程较为繁琐。并且，需要进行人为特征提取，这涉及到领域专家的经验和主观判断，容易导致特征提取不充分或选择不合理，从而限制了模型对滑坡成因和风险因素的全面理解。
发明内容
有鉴于此，本申请的目的在于提出滑坡易发性评价模型建立方法、装置、设备及存储介质。
基于上述目的，本申请提供了一种滑坡易发性评价模型建立方法，包括：
获取滑坡数据集；
根据滑坡数据集确定滑坡条件因素；
根据滑坡条件因素建立初始滑坡易发性评价模型；其中，初始滑坡易发性评价模型基于深度学习建立，包括每个滑坡条件因素对应的模型参数；
将至少部分滑坡数据集作为训练集输入初始滑坡易发性评价模型，以使初始滑坡易发性评价模型根据训练集对模型参数进行调整，得到滑坡易发性评价模型。
可选的，根据滑坡数据集确定滑坡条件因素，包括：
根据滑坡数据集确定若干预选滑坡条件因素；
计算每个预选滑坡条件因素的信息增益比；
根据信息增益比的大小确定至少一个预选滑坡条件因素为滑坡条件因素。
可选的，模型参数包括每个滑坡条件因素的频率比与滑坡易发性程度之间的对应关系。
可选的，初始滑坡易发性评价模型基于深度信念网络和鲸鱼优化算法建立。
可选的，滑坡数据集包括滑坡历史数据、滑坡易发性评价数据、遥感数据和地理信息***数据。
可选的，在得到滑坡易发性评价模型后，方法还包括：
获取地理空间信息；
将地理空间信息输入滑坡易发性评价模型，得到模型输出；
根据模型输出，生成滑坡易发性地图。
可选的，在得到滑坡易发性评价模型后，方法还包括：
通过接受者操作特征曲线对滑坡易发性评价模型进行性能评估。
本申请还提供了一种滑坡易发性评价模型建立装置，包括：
滑坡数据集获取模块，被配置为获取滑坡数据集；
滑坡条件因素确定模块，被配置为根据滑坡数据集确定滑坡条件因素；
初始滑坡易发性评价模型建立模块，被配置为根据滑坡条件因素建立初始滑坡易发性评价模型；其中，初始滑坡易发性评价模型基于深度学习建立，包括每个滑坡条件因素对应的模型参数；
模型训练模块，被配置为将至少部分滑坡数据集作为训练集输入初始滑坡易发性评价模型，以使初始滑坡易发性评价模型根据训练集对模型参数进行调整，得到滑坡易发性评价模型。
本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法。
本申请还提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行上述方法。
从上面所述可以看出，本申请提供的滑坡易发性评价模型建立方法、装置、设备及存储介质，根据滑坡数据自动确定滑坡条件因素，避免人为特征提取导致的提取不充分或选择不合理，提高评价准确性。因为无需依赖领域专家知识，减少主观因素的干扰，增强了方法的普适性和通用性。并且通过建立滑坡易发性评价模型，将地理空间信息输入滑坡易发性评价模型即可得到滑坡易发性评价，简化评价过程，提高评价的效率和实用性，并提高滑坡实时预警能力。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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为本申请实施例的滑坡易发性评价模型建立方法的流程示意图。
图2为本申请实施例的深度置信网络的训练过程示意图。
图3为本申请实施例的鲸鱼优化算法的数学模型示意图。
图4为本申请实施例的滑坡易发性评价模型建立装置的结构示意图。
图5为本申请实施例的电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
滑坡是一种常见的自然灾害，给人类的生命和财产安全带来了严重威胁。在过去的几十年里，关于滑坡易发性评价的研究取得了显著进展。传统的滑坡易发性评价方法主要基于工程地质勘察和经验公式，这些方法在实践中通常能够提供一定程度的准确性。然而，随着遥感技术、地理信息***(GIS)以及人工智能技术的快速发展，深度学习技术逐渐成为滑坡易发性评价领域的研究热点。
深度学习技术利用多层神经网络进行信息处理和学习，其在图像识别、自然语言处理等领域取得了令人瞩目的成果。在滑坡易发性评价中，深度学习技术通过从大量的地质、地形、气象等数据中学习特征，并自动提取隐藏在数据中的模式和规律，从而为滑坡的发生和发展提供更准确的预测和评估。目前，虽然已经有一些深度学习方法用于滑坡易发性评价，但在实际应用中仍存在许多挑战，例如特征选择和模型训练局部最优等问题。
相关技术中，滑坡易发性评价方法主要依赖于工程地质勘察和经验公式，进行评价的过程较为繁琐。并且，需要进行人为特征提取，这涉及到领域专家的经验和主观判断，容易导致特征提取不充分或选择不合理，从而限制了模型对滑坡成因和风险因素的全面理解。
基于相关技术上述的缺陷，本申请实施例提供了滑坡易发性评价模型建立方法、装置、设备及存储介质。
本申请提供的滑坡易发性评价模型建立方法、装置、设备及存储介质，根据滑坡数据自动确定滑坡条件因素，避免人为特征提取导致的提取不充分或选择不合理，提高评价准确性。因为无需依赖领域专家知识，减少主观因素的干扰，增强了方法的普适性和通用性。并且通过建立滑坡易发性评价模型，将地理空间信息输入滑坡易发性评价模型即可得到滑坡易发性评价，简化评价过程，提高评价的效率和实用性，并提高滑坡实时预警能力。
图1示出了本申请实施例的滑坡易发性评价模型建立方法的流程。
参考图1，本申请提供了一种滑坡易发性评价模型建立方法，包括：
S1、获取滑坡数据集。
在本实施例中，滑坡数据集包括用于建立滑坡易发性评价模型的若干滑坡数据。在一些实施例中，滑坡数据可以包括滑坡现场照片和滑坡区域在滑坡前的地理数据。
作为一个可选的实施例，滑坡数据集包括滑坡历史数据、滑坡易发性评价数据、遥感数据和地理信息***数据中的至少一种。
在本实施例中，通过滑坡历史数据和滑坡易发性评价数据获取过去的滑坡灾害特征，并通过滑坡历史数据或滑坡易发性评价数据的对应区域的遥感数据和地理信息***数据得到该区域的准确地理信息，这些准确地理信息中可能含有过去未考虑到的微小的地貌特征和细节，在滑坡易发性评价模型中考虑这些微小的地貌特征和细节，能够提高评价结果的准确性。
在一些实施例中，遥感数据和地理信息***数据通过遥感技术与GIS获得。遥感技术和地理信息***(GIS)的发展为滑坡易发性评价提供了新的途径。遥感技术可以通过卫星、航空等手段获取地球表面的高分辨率影像，这些影像包含了丰富的地理信息。结合GIS，可以对地理信息进行管理、分析和展示。在滑坡易发性评价中，遥感与GIS技术可以被用于：
地形分析：利用数字高程模型(DEM)和地形指数等技术，分析地形参数对滑坡易发性的影响。
植被监测：通过遥感影像的分类和变化检测，了解植被覆盖情况，探讨植被对滑坡的稳定性影响。
土壤水分监测：通过遥感影像和气象数据，研究土壤水分对滑坡的影响。
隐患区域划定：利用遥感数据和GIS技术，识别潜在滑坡隐患区域，提供初步预警信息。
S2、根据滑坡数据集确定滑坡条件因素。
在本实施例中，根据滑坡数据确定可以引发滑坡灾害的滑坡条件因素，以寻找滑坡条件因素与滑坡灾害之间的潜在相关性。
作为一个可选的实施例，步骤S2可以包括：
根据滑坡数据集确定若干预选滑坡条件因素。
在本实施例中，根据滑坡数据，在深入了解研究区域内滑坡成因机制和空间分析的基础上，构建滑坡灾害指标体系，从地形地貌、水文条件、地质属性和气候条件等领域选择相关因素。
在一些实施例中，预选滑坡条件因素可以包括高程，坡度，坡向，曲率，平面曲率，剖面曲率，地面起伏度，地表粗糙度，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离等因素。
计算每个预选滑坡条件因素的信息增益比。
在本实施例中，通过计算信息增益比，评估每个预选滑坡条件因素影响是否产生滑坡灾害的重要性，从而能够选出较易导致滑坡灾害的预选条件因素。
根据信息增益比的大小确定至少一个预选滑坡条件因素为滑坡条件因素。
在本实施例中，可以从所有预选滑坡条件因素中去除信息增益比过小的部分预选滑坡条件因素，得到滑坡条件因素，也可以选取信息增益比较大的一定数量的预选滑坡条件因素作为滑坡条件因素，对于确定滑坡条件因素的依据，本申请实施例不作限定。
在一些实施例中，滑坡条件因素可以包括坡度，坡向，曲率，平面曲率，剖面曲率，地形湿度指数TWI，归一化植被指数NDVI，降雨量，岩性，距道路的距离，距河流的距离，距断层的距离。
S3、根据滑坡条件因素建立初始滑坡易发性评价模型。其中，初始滑坡易发性评价模型基于深度学习建立，包括每个滑坡条件因素对应的模型参数。
在本实施例中，建立与滑坡条件因素相关的初始滑坡易发性评价模型，使初始滑坡易发性评价模型包括对应每个滑坡条件因素的多个模型参数，通过后续优化这些模型参数，即可得到更为准确的滑坡易发性评价模型。
作为一个可选的实施例，模型参数包括每个滑坡条件因素的频率比与滑坡易发性程度之间的对应关系。
在本实施例中，频率比为在滑坡数据图像中，每个滑坡条件因素密度百分比与滑坡发生像素百分比之间的比值，可以体现滑坡条件因素的密度与滑坡发生规模之间的关系。滑坡易发性程度为滑坡灾害产生难易度的评价，分为多个区间，例如，在一些实施例中，滑坡易发性程度可以包括较低易发、低易发、中等易发、高易发和极高易发。通过滑坡易发性评价模型能够得到频率比与滑坡易发性程度之间的对应关系，根据该对应关系即可根据频率比评价滑坡易发性程度。
作为一个可选的实施例，初始滑坡易发性评价模型基于深度信念网络和鲸鱼优化算法建立。
深度信念网络具有快速推理和编码网络的高阶结构的能力。深度信念网络使用一个分层结构，与几个限制玻尔兹曼机，通过贪婪层学习算法，一次一层。最后，随机梯度下降允许用户根据有监督的训练标准对整个网络进行微调。基于限制玻尔兹曼机的无监督预训练步骤只使用未标记的数据来初始化网络。网络初始化是下一个监督微调步骤的一个很好的起点，并显著降低了陷入局部最优的风险。深度信念网络能够提高模型在高维数据上的泛化能力，增强对复杂非线性关系的建模能力。
深度置信网络的训练是通过从网络底部到顶部提取特征，将数据分为不同类别。深度置信网络的训练过程包括预训练和微调两个步骤，如图2所示。在预训练阶段，网络中的限制玻尔兹曼机以无监督的方式逐层学习。这种方法旨在为每个限制玻尔兹曼机层获得最佳的特征表示。随后，在微调阶段，使用反向传播网络以反向方式微调从下到上的认知权重和从上到下的生成权重。这一过程旨在通过优化两个方向的权重来获得更好的生成模型。通过限制玻尔兹曼机中的预训练和微调相结合，可以提取有意义的特征并优化生成模型，从而有效地将数据分类为不同类别。
鲸鱼优化算法是一种模仿座头鲸狩猎行为的优化算法。座头鲸有一种特殊的捕猎方法，称为气泡网捕食策，它们可以在水面附近捕捉一群小鱼，捕食过程数学模型如图3所示，公式如下：
X(t+1)＝*(t)+Peblcos(2)
其中，X(t+1)为t+1时刻时鲸鱼的位置向量，X*(t)为t时刻前最好的鲸鱼位置向量，DP＝|X*(t)-(t)|表示鲸鱼与猎物之间的距离，b为常数，用于定义螺线的形状，l是(-1，1)中的随机数。
鲸鱼优化算法通过全局搜索调整模型参数，避免陷入局部最优解，同时减少对领域专家知识的依赖，提高方法的通用性。模型的训练和测试过程充分利用滑坡条件因素和历史数据，以获得更准确的评价结果。
S4、将至少部分滑坡数据集作为训练集输入初始滑坡易发性评价模型，以使初始滑坡易发性评价模型根据训练集对模型参数进行调整，得到滑坡易发性评价模型。
在本实施例中，可以对滑坡数据集的数据进行分割，得到训练集和测试集，训练集用于对初始滑坡易发性评价模型进行训练，得到模型参数调整后的滑坡易发性评价模型。而测试集用于对得到的滑坡易发性评价模型进行测试，评估滑坡易发性评价模型的模型性能。通过深度学习对初始滑坡易发性评价模型进行训练，调整模型参数，并在结果收敛后，得到滑坡易发性评价模型。
在一些实施例中，随机选择滑坡数据集中的70％滑坡数据作为训练集，其余30％滑坡数据作为测试集，对于训练集与测试集的占比，本申请实施例不作限定。
作为一个可选的实施例，在步骤S4后，方法还包括：
获取地理空间信息。
将地理空间信息输入滑坡易发性评价模型，得到模型输出。
根据模型输出，生成滑坡易发性地图。
在本实施例中，可以通过遥感技术得到待评价区域的地理空间信息，将该地理空间信息输入滑坡易发性评价模型后，即可得到模型输出的滑坡易发性评价。并且，为了能够直观地展示滑坡易发性程度，根据各位置的滑坡易发性程度，在地图中采用不同的绘制方式绘制各区域，例如，可以采用不同的颜色进行绘制，得到滑坡易发性地图。
作为一个可选的实施例，在步骤S4后，方法还包括：
通过接受者操作特征(ROC)曲线对滑坡易发性评价模型进行性能评估。
在本实施例中，通过测试集对滑坡易发性评价模型进行性能评估，ROC曲线能够评估模型的性能，ROC曲线越陡，模型的性能越好。
在一些实施例中，还可以通过一系列评估指标对滑坡易发性评价模型进行评估，例如准确度、灵敏度、特异性、F1-测量、Jaccard、马修斯相关系数和均方根误差等评估指标，这些评估指标均可评估滑坡易发性评价模型的性能。
图4示出了本申请实施例的滑坡易发性评价模型建立装置的结构。
参考图4，本申请还提供了一种滑坡易发性评价模型建立装置，包括：
滑坡数据集获取模块，被配置为获取滑坡数据集。其中，滑坡数据集包括滑坡历史数据、滑坡易发性评价数据、遥感数据和地理信息***数据。
滑坡条件因素确定模块，被配置为根据滑坡数据集确定滑坡条件因素；还被配置为根据滑坡数据集确定若干预选滑坡条件因素；计算每个预选滑坡条件因素的信息增益比；根据信息增益比的大小确定至少一个预选滑坡条件因素为滑坡条件因素。
初始滑坡易发性评价模型建立模块，被配置为根据滑坡条件因素建立初始滑坡易发性评价模型；其中，初始滑坡易发性评价模型基于深度学习建立，包括每个滑坡条件因素对应的模型参数。模型参数包括每个滑坡条件因素的频率比与滑坡易发性程度之间的对应关系，初始滑坡易发性评价模型基于深度信念网络和鲸鱼优化算法建立。
模型训练模块，被配置为将至少部分滑坡数据集作为训练集输入初始滑坡易发性评价模型，以使初始滑坡易发性评价模型根据训练集对模型参数进行调整，得到滑坡易发性评价模型。
作为一个可选的实施例，还包括滑坡易发性地图生成模块，被配置为获取地理空间信息；将地理空间信息输入滑坡易发性评价模型，得到模型输出；根据模型输出，生成滑坡易发性地图。
作为一个可选的实施例，还包括性能评估模块，被配置为通过接受者操作特征曲线对滑坡易发性评价模型进行性能评估。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可由处理器执行的计算机程序，处理器执行程序时实现上述任意一实施例所述的滑坡易发性评价模型建立方法。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该电子设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在服务器中(图中未示出)，也可以外接于服务器以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本服务器与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在服务器的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述电子设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该电子设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述电子设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的滑坡易发性评价模型建立方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的滑坡易发性评价模型建立方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的滑坡易发性评价模型建立方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种滑坡易发性评价模型建立方法，其特征在于，包括：
获取滑坡数据集；
根据所述滑坡数据集确定滑坡条件因素；
根据所述滑坡条件因素建立初始滑坡易发性评价模型；其中，所述初始滑坡易发性评价模型基于深度学习建立，包括每个所述滑坡条件因素对应的模型参数；
将至少部分所述滑坡数据集作为训练集输入所述初始滑坡易发性评价模型，以使所述初始滑坡易发性评价模型根据所述训练集对所述模型参数进行调整，得到滑坡易发性评价模型。
2.根据权利要求1所述的滑坡易发性评价模型建立方法，其特征在于，所述根据所述滑坡数据集确定滑坡条件因素，包括：
根据所述滑坡数据集确定若干预选滑坡条件因素；
计算每个所述预选滑坡条件因素的信息增益比；
根据所述信息增益比的大小确定至少一个所述预选滑坡条件因素为所述滑坡条件因素。
3.根据权利要求1所述的滑坡易发性评价模型建立方法，其特征在于，所述模型参数包括每个所述滑坡条件因素的频率比与滑坡易发性程度之间的对应关系。
4.根据权利要求1所述的滑坡易发性评价模型建立方法，其特征在于，所述初始滑坡易发性评价模型基于深度信念网络和鲸鱼优化算法建立。
5.根据权利要求1所述的滑坡易发性评价模型建立方法，其特征在于，所述滑坡数据集包括滑坡历史数据、滑坡易发性评价数据、遥感数据和地理信息***数据中的至少一种。
6.根据权利要求1所述的滑坡易发性评价模型建立方法，其特征在于，在所述得到滑坡易发性评价模型后，所述方法还包括：
获取地理空间信息；
将所述地理空间信息输入所述滑坡易发性评价模型，得到模型输出；
根据所述模型输出，生成滑坡易发性地图。
7.根据权利要求1所述的滑坡易发性评价模型建立方法，其特征在于，在所述得到滑坡易发性评价模型后，所述方法还包括：
通过接受者操作特征曲线对所述滑坡易发性评价模型进行性能评估。
8.一种滑坡易发性评价模型建立装置，其特征在于，包括：
滑坡数据集获取模块，被配置为获取滑坡数据集；
滑坡条件因素确定模块，被配置为根据所述滑坡数据集确定滑坡条件因素；
初始滑坡易发性评价模型建立模块，被配置为根据所述滑坡条件因素建立初始滑坡易发性评价模型；其中，所述初始滑坡易发性评价模型基于深度学习建立，包括每个所述滑坡条件因素对应的模型参数；
模型训练模块，被配置为将至少部分所述滑坡数据集作为训练集输入所述初始滑坡易发性评价模型，以使所述初始滑坡易发性评价模型根据所述训练集对所述模型参数进行调整，得到滑坡易发性评价模型。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如权利要求1至7中任意一项所述的方法。
CN202311119563.8A 2023-08-31 2023-08-31 滑坡易发性评价模型建立方法、装置、设备及存储介质 Pending CN117312812A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311119563.8A CN117312812A (zh) 2023-08-31 2023-08-31 滑坡易发性评价模型建立方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311119563.8A CN117312812A (zh) 2023-08-31 2023-08-31 滑坡易发性评价模型建立方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117312812A true CN117312812A (zh) 2023-12-29

Family

ID=89254340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311119563.8A Pending CN117312812A (zh) 2023-08-31 2023-08-31 滑坡易发性评价模型建立方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117312812A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633139A (zh) * 2024-01-23 2024-03-01 云南省气象台 基于气象数据的滑坡预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117633139A (zh) * 2024-01-23 2024-03-01 云南省气象台 基于气象数据的滑坡预测方法、装置、设备及存储介质
CN117633139B (zh) * 2024-01-23 2024-03-22 云南省气象台 基于气象数据的滑坡预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Saito et al. Comparison of landslide susceptibility based on a decision-tree model and actual landslide occurrence: the Akaishi Mountains, Japan
CN111144651A (zh) 一种地质灾害的预测方法、装置及设备
Alkhasawneh et al. Modeling and testing landslide hazard using decision tree
CN110533631A (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
Wan A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map
Liu et al. An object-based conceptual framework and computational method for representing and analyzing coastal morphological changes
Wan Entropy-based particle swarm optimization with clustering analysis on landslide susceptibility mapping
Zhao et al. Using the rotation and random forest models of ensemble learning to predict landslide susceptibility
Lu et al. An integrated method of selecting environmental covariates for predictive soil depth mapping
CN109541172A (zh) 土壤属性值的计算方法及装置
CN117312812A (zh) 滑坡易发性评价模型建立方法、装置、设备及存储介质
KR102496876B1 (ko) 산불 위험 계절 예보 장치 및 방법
Chang et al. Explore training self-organizing map methods for clustering high-dimensional flood inundation maps
CN117078111B (zh) 一种二氧化碳封存量评估方法和***
Berhan et al. Drought prediction system for improved climate change mitigation
Li et al. Collapse susceptibility assessment using a support vector machine compared with back-propagation and radial basis function neural networks
Huang et al. Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory
Li et al. Model parameter evaluation and improvement for real-time flood inundation mapping using HAND model: Iowa case study
CarvalhoJunior et al. Digital soilscape mapping of tropical hillslope areas by neural networks
CN115311574B (zh) 一种建筑物监测方法、设备及介质
Ho et al. Fuzzy-based spatial modeling approach to predict island karst distribution: a conceptual model
CN109784209A (zh) 利用高分辨率遥感影像的高寒山区积雪提取方法
Yu Quality assessment in point feature generalization with pattern preserved
Lin et al. Slope unit-based genetic landform mapping on Tibetan plateau-a terrain unit-based framework for large spatial scale landform classification
JP7512090B2 (ja) 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置

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