CN117493832A - 滑坡灾害曲线识别方法、***、存储介质及计算机 - Google Patents
滑坡灾害曲线识别方法、***、存储介质及计算机 Download PDFInfo
- Publication number
- CN117493832A CN117493832A CN202311839835.1A CN202311839835A CN117493832A CN 117493832 A CN117493832 A CN 117493832A CN 202311839835 A CN202311839835 A CN 202311839835A CN 117493832 A CN117493832 A CN 117493832A
- Authority
- CN
- China
- Prior art keywords
- data
- inclination angle
- displacement
- combined
- landslide
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000006073 displacement reaction Methods 0.000 claims abstract description 83
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000013075 data extraction Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种滑坡灾害曲线识别方法、***、存储介质及计算机,该方法包括:实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。本发明根据短时间内的数据波动来判断位移的整体趋势,减弱环境变化对真实数据的影响,进一步提高***的误告警率。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种滑坡灾害曲线识别方法、***、存储介质及计算机。
背景技术
随着科技的飞速发展和人们生活水平的提高,自然灾害的风险也备受关注,其所产生的影响也最为深远。
山体滑坡灾害是自然灾害中对人类影响和危害较为严重的一种,目前针对山体滑坡是采用多个传感器***与灾害预警***进行结合,通过灾害预警***对山体滑坡灾害的所有传感器数据进行监测来达到预警效果,然而,传感器所获取的数据量较为庞大,从而使得灾害预警***对于数据的处理要求极为苛刻,并且灾害预警***在对传感器数据进行监测需要的数据量也较大,针对数据量较小的传感器数据往往达不到精度,从而使得预警效果不够理想。
发明内容
基于此,本发明的目的是提供一种滑坡灾害曲线识别方法、***、存储介质及计算机,以至少解决上述技术中的不足。
本发明提出一种滑坡灾害曲线识别方法,包括:
实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;
基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;
获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;
将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。
进一步的,实时获取目标山体的当前数据的步骤包括:
分别利用倾角设备和加速度设备对所述目标山体进行倾角数据检测以及加速度数据检测,并实时采集所述倾角设备和所述加速度设备的设备端接收数据;
基于倾角数据的数据标识和所述加速度数据的数据标识对所述设备端接收数据进行分类,以得到所述目标山体的倾角数据和位移数据。
进一步的,基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据的步骤包括:
获取所述倾角数据和所述位移数据的整个时间轴,并基于所述时间轴构建时间分组规则;
基于所述时间分组规则对所述倾角数据和所述位移数据进行数据分组,以得到多组组合数据。
进一步的,获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值的步骤包括:
获取历史滑坡实例数据,并对所述历史滑坡实例数据中的倾角数据和位移数据进行数据提取,以得到对应的区间数据;
将所述区间数据进行前向差分得到倾角差分数据和位移差分数据,并利用正态分布函数对所述倾角差分数据和所述位移差分数据进行拟合,以得到第一数值和第二数值;
根据皮尔逊相关性算法计算所述第一数值和所述第二数值的相关性,并利用所述相关性对所述第一数值和所述第二数值进行加权求和,以得到对应的组合数据阈值。
进一步的,将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果的步骤包括:
判断所述组合数据中各倾角数据和位移数据是否为同正数据或同负数据,若所述组合数据中各倾角数据和位移数据为同正数据或同负数据,则计算出所述组合数据的倾角数据均值和位移数据均值;
将所述倾角数据均值和所述位移数据均值进行加权求和,并将加权求和结果与所述组合数据阈值进行对比,根据对比结果输出对应的识别结果。
本发明还提出一种滑坡灾害曲线识别***,包括:
数据获取模块,用于实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;
数据预处理模块,用于基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;
数据提取模块,用于获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;
数据对比模块,用于将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。
进一步的,所述数据获取模块包括:
数据检测单元,用于分别利用倾角设备和加速度设备对所述目标山体进行倾角数据检测以及加速度数据检测,并实时采集所述倾角设备和所述加速度设备的设备端接收数据;
数据分类单元,用于基于倾角数据的数据标识和所述加速度数据的数据标识对所述设备端接收数据进行分类,以得到所述目标山体的倾角数据和位移数据。
进一步的,所述数据预处理模块包括:
规则构建单元,用于获取所述倾角数据和所述位移数据的整个时间轴,并基于所述时间轴构建时间分组规则;
数据分组单元,用于基于所述时间分组规则对所述倾角数据和所述位移数据进行数据分组,以得到多组组合数据。
进一步的,所述数据提取模块包括:
数据提取单元,用于获取历史滑坡实例数据,并对所述历史滑坡实例数据中的倾角数据和位移数据进行数据提取,以得到对应的区间数据;
数据拟合单元,用于将所述区间数据进行前向差分得到倾角差分数据和位移差分数据,并利用正态分布函数对所述倾角差分数据和所述位移差分数据进行拟合,以得到第一数值和第二数值;
阈值计算单元,用于根据皮尔逊相关性算法计算所述第一数值和所述第二数值的相关性,并利用所述相关性对所述第一数值和所述第二数值进行加权求和,以得到对应的组合数据阈值。
进一步的,所述数据对比模块包括:
数据判断单元,用于判断所述组合数据中各倾角数据和位移数据是否为同正数据或同负数据,若所述组合数据中各倾角数据和位移数据为同正数据或同负数据,则计算出所述组合数据的倾角数据均值和位移数据均值;
数据对比单元,用于将所述倾角数据均值和所述位移数据均值进行加权求和,并将加权求和结果与所述组合数据阈值进行对比,根据对比结果输出对应的识别结果。
本发明还提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的滑坡灾害曲线识别方法。
本发明还提出一种计算机,包括存储器、处理器以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计算机程序时实现上述的滑坡灾害曲线识别方法。
本发明当中的滑坡灾害曲线识别方法、***、存储介质及计算机,通过实时获取目标山体的当前数据,并对当前数据进行数据预处理得到组合数据,利用历史滑坡实例数据进行数据提取得到对应的数据阈值,根据数据阈值和组合数据进行对比,判断每组数据的整体趋势,组内数据整体趋势一致后和倾角数据进行加权均值计算,对阈值进行对比来判断是否会出现滑坡,提高数据的准确性,减少***的误告警率,根据短时间内的数据波动来判断位移的整体趋势,减弱环境变化对真实数据的影响,进一步提高***的误告警率。
附图说明
图1为本发明第一实施例中的滑坡灾害曲线识别方法的流程图;
图2为图1中步骤S101的详细流程图;
图3为图1中步骤S102的详细流程图;
图4为图1中步骤S103的详细流程图;
图5为图1中步骤S104的详细流程图;
图6为本发明第二实施例中的滑坡灾害曲线识别***的结构框图;
图7为本发明第三实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的滑坡灾害曲线识别方法,所述方法具体包括步骤S101至S104:
S101,实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;
进一步的,请参阅图2,所述步骤S101具体包括步骤S1011~S1012:
S1011,分别利用倾角设备和加速度设备对所述目标山体进行倾角数据检测以及加速度数据检测,并实时采集所述倾角设备和所述加速度设备的设备端接收数据;
S1012,基于倾角数据的数据标识和所述加速度数据的数据标识对所述设备端接收数据进行分类,以得到所述目标山体的倾角数据和位移数据。
在具体实施时,利用倾角设备和加速度设备对山体目标山体进行倾角数据检测以及加速度数据检测,在本实施例中,倾角设备选用倾角仪,加速度设备选用加速度计,其中,倾角仪和加速度计分别具备倾角数据监测模块和位移数据监测模块,利用倾角数据和加速度数据的数据标识对倾角数据监测模块和位移数据监测模块所采集到的数据进行分类,从而得到该目标山体的倾角数据和位移数据。
S102,基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;
进一步的,请参阅图3,所述步骤S102具体包括步骤S1021~S1022:
S1021,获取所述倾角数据和所述位移数据的整个时间轴,并基于所述时间轴构建时间分组规则;
S1022,基于所述时间分组规则对所述倾角数据和所述位移数据进行数据分组,以得到多组组合数据。
在具体实施是,获取倾角数据和位移数据的整个时间轴,并将整个时间轴拆分为若干小时,在本实施例中,将倾角数据和位移数据按照5小时内的数据为一组进行拆分,从而得到多组组合数据。
可以理解的,通过时间分组规则进行拆分,使得每个时间分组中均含有一组数据,从而提高数据处理的精度。
S103,获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;
进一步的,请参阅图4,所述步骤S103具体包括步骤S1031~S1033:
S1031,获取历史滑坡实例数据,并对所述历史滑坡实例数据中的倾角数据和位移数据进行数据提取,以得到对应的区间数据;
S1032,将所述区间数据进行前向差分得到倾角差分数据和位移差分数据,并利用正态分布函数对所述倾角差分数据和所述位移差分数据进行拟合,以得到第一数值和第二数值;
S1033,根据皮尔逊相关性算法计算所述第一数值和所述第二数值的相关性,并利用所述相关性对所述第一数值和所述第二数值进行加权求和,以得到对应的组合数据阈值。
在具体实施时,获取往年出现山体滑坡的实例的历史滑坡实例数据,将其对应的倾角和位移变化从滑动开始到出现滑坡的数据区间进行提取,从而得到对应的区间数据,对该区间数据进行前向差分以得到对应的倾角差分数据和位移差分数据;
进一步的,利用正态分布函数对所述倾角差分数据和所述位移差分数据进行拟合,得到第一数值(μ1值)和第二数值(μ2值),根据皮尔逊相关性计算两者的相关性对μ1值和μ2值进行加权求和,得到组合数据阈值。
S104,将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。
进一步的,请参阅图5,所述步骤S104具体包括步骤S1041~S1042:
S1041,判断所述组合数据中各倾角数据和位移数据是否为同正数据或同负数据,若所述组合数据中各倾角数据和位移数据为同正数据或同负数据,则计算出所述组合数据的倾角数据均值和位移数据均值;
S1042,将所述倾角数据均值和所述位移数据均值进行加权求和,并将加权求和结果与所述组合数据阈值进行对比,根据对比结果输出对应的识别结果。
在具体实施时,判断上述得到的组合数据中各倾角数据和位移数据是否为同正数据或同负数据,若组合数据中各倾角数据和位移数据为同正数据或同负数据,则计算出组合数据的倾角数据均值和位移数据均值,并将两个数据均值进行加权求和,将加权求和的结果与上述得到的组合数据阈值进行对比,若结果大于组合数据阈值则进行平台报警,判断目标山体的当前数据可能发生滑坡。
综上,本发明上述实施例当中的滑坡灾害曲线识别方法,通过实时获取目标山体的当前数据,并对当前数据进行数据预处理得到组合数据,利用历史滑坡实例数据进行数据提取得到对应的数据阈值,根据数据阈值和组合数据进行对比,判断每组数据的整体趋势,组内数据整体趋势一致后和倾角数据进行加权均值计算,对阈值进行对比来判断是否会出现滑坡,提高数据的准确性,减少***的误告警率,根据短时间内的数据波动来判断位移的整体趋势,减弱环境变化对真实数据的影响,进一步提高***的误告警率。
实施例二
本发明另一方面还提出一种滑坡灾害曲线识别***,请查阅图6,所示为本发明第二实施例中的滑坡灾害曲线识别***,所述***包括:
数据获取模块11,用于实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;
进一步的,所述数据获取模块11包括:
数据检测单元,用于分别利用倾角设备和加速度设备对所述目标山体进行倾角数据检测以及加速度数据检测,并实时采集所述倾角设备和所述加速度设备的设备端接收数据;
数据分类单元,用于基于倾角数据的数据标识和所述加速度数据的数据标识对所述设备端接收数据进行分类,以得到所述目标山体的倾角数据和位移数据。
数据预处理模块12,用于基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;
进一步的,所述数据预处理模块12包括:
规则构建单元,用于获取所述倾角数据和所述位移数据的整个时间轴,并基于所述时间轴构建时间分组规则;
数据分组单元,用于基于所述时间分组规则对所述倾角数据和所述位移数据进行数据分组,以得到多组组合数据。
数据提取模块13,用于获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;
进一步的,所述数据提取模块13包括:
数据提取单元,用于获取历史滑坡实例数据,并对所述历史滑坡实例数据中的倾角数据和位移数据进行数据提取,以得到对应的区间数据;
数据拟合单元,用于将所述区间数据进行前向差分得到倾角差分数据和位移差分数据,并利用正态分布函数对所述倾角差分数据和所述位移差分数据进行拟合,以得到第一数值和第二数值;
阈值计算单元,用于根据皮尔逊相关性算法计算所述第一数值和所述第二数值的相关性,并利用所述相关性对所述第一数值和所述第二数值进行加权求和,以得到对应的组合数据阈值。
数据对比模块14,用于将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。
进一步的,所述数据对比模块14包括:
数据判断单元,用于判断所述组合数据中各倾角数据和位移数据是否为同正数据或同负数据,若所述组合数据中各倾角数据和位移数据为同正数据或同负数据,则计算出所述组合数据的倾角数据均值和位移数据均值;
数据对比单元,用于将所述倾角数据均值和所述位移数据均值进行加权求和,并将加权求和结果与所述组合数据阈值进行对比,根据对比结果输出对应的识别结果。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
本发明实施例所提供的滑坡灾害曲线识别***,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,***实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例三
本发明还提出一种计算机,请参阅图7,所示为本发明第三实施例中的计算机,包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30,所述处理器20执行所述计算机程序30时实现上述的滑坡灾害曲线识别方法。
其中,存储器10至少包括一种类型的存储介质,所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元,例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置,例如插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
其中,处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit,简称ECU,又称行车电脑)、中央处理器(Central Processing Unit, CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器10中存储的程序代码或处理数据,例如执行访问限制程序等。
需要指出的是,图7示出的结构并不构成对计算机的限定,在其它实施例当中,该计算机可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的滑坡灾害曲线识别方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种滑坡灾害曲线识别方法,其特征在于,包括:
实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;
基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;
获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;
将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。
2.根据权利要求1所述的滑坡灾害曲线识别方法,其特征在于,实时获取目标山体的当前数据的步骤包括:
分别利用倾角设备和加速度设备对所述目标山体进行倾角数据检测以及加速度数据检测,并实时采集所述倾角设备和所述加速度设备的设备端接收数据;
基于倾角数据的数据标识和所述加速度数据的数据标识对所述设备端接收数据进行分类,以得到所述目标山体的倾角数据和位移数据。
3.根据权利要求1所述的滑坡灾害曲线识别方法,其特征在于,基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据的步骤包括:
获取所述倾角数据和所述位移数据的整个时间轴,并基于所述时间轴构建时间分组规则;
基于所述时间分组规则对所述倾角数据和所述位移数据进行数据分组,以得到多组组合数据。
4.根据权利要求1所述的滑坡灾害曲线识别方法,其特征在于,获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值的步骤包括:
获取历史滑坡实例数据,并对所述历史滑坡实例数据中的倾角数据和位移数据进行数据提取,以得到对应的区间数据;
将所述区间数据进行前向差分得到倾角差分数据和位移差分数据,并利用正态分布函数对所述倾角差分数据和所述位移差分数据进行拟合,以得到第一数值和第二数值;
根据皮尔逊相关性算法计算所述第一数值和所述第二数值的相关性,并利用所述相关性对所述第一数值和所述第二数值进行加权求和,以得到对应的组合数据阈值。
5.根据权利要求1所述的滑坡灾害曲线识别方法,其特征在于,将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果的步骤包括:
判断所述组合数据中各倾角数据和位移数据是否为同正数据或同负数据,若所述组合数据中各倾角数据和位移数据为同正数据或同负数据,则计算出所述组合数据的倾角数据均值和位移数据均值;
将所述倾角数据均值和所述位移数据均值进行加权求和,并将加权求和结果与所述组合数据阈值进行对比,根据对比结果输出对应的识别结果。
6.一种滑坡灾害曲线识别***,其特征在于,包括:
数据获取模块,用于实时获取目标山体的当前数据,其中,所述当前数据包括倾角数据和位移数据;
数据预处理模块,用于基于预设分组规则对所述倾角数据和所述位移数据进行数据预处理,以得到多组组合数据;
数据提取模块,用于获取历史滑坡实例数据,并利用预设提取规则对所述历史滑坡实例数据进行数据提取,以得到对应的组合数据阈值;
数据对比模块,用于将各所述组合数据与所述组合数据阈值进行对比,并基于对比结果输出各所述组合数据的识别结果。
7.根据权利要求6所述的滑坡灾害曲线识别***,其特征在于,所述数据获取模块包括:
数据检测单元,用于分别利用倾角设备和加速度设备对所述目标山体进行倾角数据检测以及加速度数据检测,并实时采集所述倾角设备和所述加速度设备的设备端接收数据;
数据分类单元,用于基于倾角数据的数据标识和所述加速度数据的数据标识对所述设备端接收数据进行分类,以得到所述目标山体的倾角数据和位移数据。
8.根据权利要求6所述的滑坡灾害曲线识别***,其特征在于,所述数据预处理模块包括:
规则构建单元,用于获取所述倾角数据和所述位移数据的整个时间轴,并基于所述时间轴构建时间分组规则;
数据分组单元,用于基于所述时间分组规则对所述倾角数据和所述位移数据进行数据分组,以得到多组组合数据。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5任一所述的滑坡灾害曲线识别方法。
10.一种计算机,包括存储器、处理器以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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一所述的滑坡灾害曲线识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311839835.1A CN117493832B (zh) | 2023-12-29 | 2023-12-29 | 滑坡灾害曲线识别方法、***、存储介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311839835.1A CN117493832B (zh) | 2023-12-29 | 2023-12-29 | 滑坡灾害曲线识别方法、***、存储介质及计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493832A true CN117493832A (zh) | 2024-02-02 |
CN117493832B CN117493832B (zh) | 2024-04-09 |
Family
ID=89680387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311839835.1A Active CN117493832B (zh) | 2023-12-29 | 2023-12-29 | 滑坡灾害曲线识别方法、***、存储介质及计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493832B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140336984A1 (en) * | 2013-05-13 | 2014-11-13 | Abb Technology Ag. | Conditional monitoring of industrial systems |
CN104881583A (zh) * | 2015-06-04 | 2015-09-02 | 唐晓松 | 一种多手段、动态、全过程滑坡预警方法 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
CN113806615A (zh) * | 2021-11-18 | 2021-12-17 | 成都索贝数码科技股份有限公司 | 一种智能it运维***的kpi异常预警方法 |
CN114325688A (zh) * | 2021-12-24 | 2022-04-12 | 鞍钢集团矿业有限公司 | 一种基于InSAR和钻孔摄像技术的潜在滑坡区域确定方法 |
CN115273411A (zh) * | 2022-09-29 | 2022-11-01 | 江西飞尚科技有限公司 | 地质灾害监测预警方法、***、电子设备及存储介质 |
CN115774653A (zh) * | 2023-02-15 | 2023-03-10 | 江西飞尚科技有限公司 | 预警研判方法、***、可读存储介质及计算机设备 |
CN115905818A (zh) * | 2023-02-21 | 2023-04-04 | 长安大学 | 一种基于数据挖掘的滑坡预警方法 |
CN115952062A (zh) * | 2023-01-31 | 2023-04-11 | 中移动信息技术有限公司 | 数据异常检测方法、装置、设备及介质 |
CN115982265A (zh) * | 2021-10-13 | 2023-04-18 | 中兴通讯股份有限公司 | 数据趋势检测方法、电子设备和存储介质 |
CN116189389A (zh) * | 2023-02-16 | 2023-05-30 | 江西飞尚科技有限公司 | 滑坡监测数据处理方法、***、计算机及存储介质 |
CN116402190A (zh) * | 2023-03-08 | 2023-07-07 | 中国神华能源股份有限公司神朔铁路分公司 | 一种铁路沿线滑坡地质灾害识别方法及*** |
CN116612609A (zh) * | 2023-07-21 | 2023-08-18 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及*** |
CN116678381A (zh) * | 2023-07-31 | 2023-09-01 | 江西飞尚科技有限公司 | 一种测量方法、***、可读存储介质及计算机设备 |
-
2023
- 2023-12-29 CN CN202311839835.1A patent/CN117493832B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140336984A1 (en) * | 2013-05-13 | 2014-11-13 | Abb Technology Ag. | Conditional monitoring of industrial systems |
CN104881583A (zh) * | 2015-06-04 | 2015-09-02 | 唐晓松 | 一种多手段、动态、全过程滑坡预警方法 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
CN115982265A (zh) * | 2021-10-13 | 2023-04-18 | 中兴通讯股份有限公司 | 数据趋势检测方法、电子设备和存储介质 |
CN113806615A (zh) * | 2021-11-18 | 2021-12-17 | 成都索贝数码科技股份有限公司 | 一种智能it运维***的kpi异常预警方法 |
CN114325688A (zh) * | 2021-12-24 | 2022-04-12 | 鞍钢集团矿业有限公司 | 一种基于InSAR和钻孔摄像技术的潜在滑坡区域确定方法 |
CN115273411A (zh) * | 2022-09-29 | 2022-11-01 | 江西飞尚科技有限公司 | 地质灾害监测预警方法、***、电子设备及存储介质 |
CN115952062A (zh) * | 2023-01-31 | 2023-04-11 | 中移动信息技术有限公司 | 数据异常检测方法、装置、设备及介质 |
CN115774653A (zh) * | 2023-02-15 | 2023-03-10 | 江西飞尚科技有限公司 | 预警研判方法、***、可读存储介质及计算机设备 |
CN116189389A (zh) * | 2023-02-16 | 2023-05-30 | 江西飞尚科技有限公司 | 滑坡监测数据处理方法、***、计算机及存储介质 |
CN115905818A (zh) * | 2023-02-21 | 2023-04-04 | 长安大学 | 一种基于数据挖掘的滑坡预警方法 |
CN116402190A (zh) * | 2023-03-08 | 2023-07-07 | 中国神华能源股份有限公司神朔铁路分公司 | 一种铁路沿线滑坡地质灾害识别方法及*** |
CN116612609A (zh) * | 2023-07-21 | 2023-08-18 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及*** |
CN116678381A (zh) * | 2023-07-31 | 2023-09-01 | 江西飞尚科技有限公司 | 一种测量方法、***、可读存储介质及计算机设备 |
Non-Patent Citations (3)
Title |
---|
MINGTANGWU 等: "Understanding the Slow Motion of theWangjiashan Landslide in the Baihetan Reservoir Area (China) from Space-Borne Radar Observations", ADVANCES IN CIVIL ENGINEERING, 31 December 2022 (2022-12-31), pages 1 - 14 * |
唐维厘: "基于SBAS-InSAR的黄土滑坡监测和易发性评价", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 04, 15 April 2022 (2022-04-15), pages 011 - 51 * |
薛腾飞: "基于SAR多特征变化检测的震害建筑物提取研究", 中国博士学位论文全文数据库 基础科学辑, no. 01, 15 January 2018 (2018-01-15), pages 012 - 17 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493832B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701229B (zh) | 驾驶行为分析方法及驾驶行为分析装置 | |
CN108985057B (zh) | 一种webshell检测方法及相关设备 | |
CN106355580B (zh) | 一种杆塔倾倒的检测方法及装置 | |
CN113470695A (zh) | 声音异常检测方法、装置、计算机设备及存储介质 | |
CN114648102B (zh) | 火灾报警方法、***、可读存储介质及计算机设备 | |
CN113239006A (zh) | 日志检测模型的生成方法和装置、日志检测方法和装置 | |
CN110533094B (zh) | 一种用于驾驶员的评价方法和*** | |
CN117493832B (zh) | 滑坡灾害曲线识别方法、***、存储介质及计算机 | |
CN113793325B (zh) | 一种检测方法、装置、计算机设备和存储介质 | |
CN113569965A (zh) | 一种基于物联网的用户行为分析方法及*** | |
CN112633281A (zh) | 一种基于Hash算法车辆身份认证方法及*** | |
CN116167748B (zh) | 一种城市地下综合管廊运维方法、***、装置及电子设备 | |
CN113468014A (zh) | 一种运维数据的异常检测方法及装置 | |
CN112261402A (zh) | 图像检测方法与***以及摄像头遮挡监控方法与*** | |
CN113139561B (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 | |
CN113518058B (zh) | 异常登录行为检测方法、装置、存储介质和计算机设备 | |
CN110647858B (zh) | 一种视频遮挡判断方法、装置和计算机存储介质 | |
CN114021621A (zh) | 一种故障诊断方法、***、存储介质和边缘计算装置 | |
CN112598027B (zh) | 一种设备的异常识别方法、装置、终端设备及存储介质 | |
CN111292463A (zh) | 一种纸币识别方法、装置、服务器及存储介质 | |
CN116895286B (zh) | 一种打印机故障监控方法以及相关装置 | |
CN112819002B (zh) | 车牌识别结果评估方法、装置、电子设备及存储介质 | |
CN117369425B (zh) | 汽车仪表总成故障诊断方法、***、存储介质及计算机 | |
CN113997989A (zh) | 磁浮列车单点悬浮***安全检测方法、装置、设备及介质 | |
CN114039744B (zh) | 一种基于用户特征标签的异常行为预测方法及*** |
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 |