一种地质灾害的预测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种地质灾害的预测方法、装置及设备，该预测方法包括：获取监测区域的监测数据，其中，所述监测数据包括直接影响因子和间接影响因子；对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵；基于包含注意力机制的深度学习网络模型对所述直接特征矩阵和间接特征矩阵进行编码和解码，以根据所述深度学习网络模型的输出对所述监测区域的地质灾害进行预测。本发明专利技术实施例的技术方案，通过将监测数据分为两组，并结合包含注意力机制的深度学习网络模型对数据进行处理以预测地质灾害，实现了地质灾害的短期预测，预测精度高。

A prediction method, device and equipment of geological disaster

【技术实现步骤摘要】
一种地质灾害的预测方法、装置及设备
本专利技术实施例涉及数据处理
，尤其涉及一种地质灾害的预测方法、装置及设备。
技术介绍
中国是一个地质灾害多发的国家，崩塌、滑坡、泥石流灾害几乎遍布全国各省山地丘陵区，每年还会出现几万至十几万处新的灾害点。每年地质灾害死亡人数近千人，直接经济损失80-100亿元，因中断交通、摧毁生产生活设施所带来的间接损失更是难以估计。现阶段许多学者对滑坡位移预测进行了大量的研究，从具体的时间和精度上滑坡位移预测可分为：长期预测(1-10年以上)，中长期预测(1月-1年以上)，中短期预测(数日-1月)以及短期预测(数小时-1日)。目前，绝大多数的研究都是对于中长期的预测(1月-1年以上)，极少有对于中短期的预测(数日-1月)，而对于短期预测则(数小时-1日)更是少之又少。这是因为在短期预测上，传感器受到外界因素(如温度)的影响，导致每小时的监测值波动剧烈，且存在极大的噪声干扰，因此，难以获取其形变趋势，给实时、准确的预测带来相当大的难度。
技术实现思路
本专利技术提供了一种地质灾害的预测方法、装置及设备，以实现地质灾害的实时监测和预测。第一方面，本专利技术实施例提供了一种地质灾害的预测方法，该方法包括：获取监测区域的监测数据，其中，所述监测数据包括直接影响因子和间接影响因子；对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵；基于包含注意力机制的深度学习网络模型对所述直接特征矩阵和间接特征矩阵进行编码和解码，以根据所述深度学习网络模型的输出对所述监测区域的地质灾害进行预测。第二方面，本专利技术实施例还提供了一种地质灾害的预测装置，该装置包括：监测数据获取模块，用于获取监测区域的监测数据，其中，所述监测数据包括直接影响因子和间接影响因子；特征提取模块，用于对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵；灾害预测模块，用于基于包含注意力机制的深度学习网络模型对所述直接特征矩阵和间接特征矩阵进行编码和解码，以根据所述深度学习网络模型的输出对所述监测区域的地质灾害进行预测。第三方面，本专利技术实施例还提供了一种设备，该设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例提供的地质灾害的预测方法。本专利技术实施例的技术方案，通过实时获取监测区域的监测数据，将其分为直接影响因子和间接影响因子进行后续分析，通过特征提取及包含注意力机制的深度学习网络模型对数据进行编码和解码，根据模型输出对地质灾害进行预测，实现了地质灾害的短期预测，且通过包含注意力机制的深度学习网络对地质灾害进行预测，预测精度高、速度快、鲁棒性强。附图说明图1是本专利技术实施例一中的一种地质灾害的预测方法的流程图；图2是本专利技术实施例二中的一种地质灾害的预测方法的流程图；图3是本专利技术实施例三中的一种地质灾害的预测装置的示意图；图4是本专利技术实施例四中的一种设备的示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一提供的一种地质灾害的预测方法的流程图，本实施例可适用于对地质灾害预测的情况，该方法可以由地质灾害的预测装置来执行，该装置可以通过软件和硬件的方式实现，如图1所示，该方法具体包括如下步骤：步骤110、获取监测区域的监测数据，其中，监测数据包括直接影响因子和间接影响因子。其中，监测区域可以是地质灾害的易发地区或设定区域，可以包括一个或多个目标区域或监测点。地质灾害包括滑坡、崩塌、水土流失、盐碱化、地面沉降、地震、泥石流等，指的是以地质动力活动或地质环境异常变化为主要成因的自然灾害。直接影响因子指的是与地质灾害的发生存在直接联系的影响因素，而间接影响因子则指的是与地质灾害的发生存在间接联系的影响因素。可选的，直接影响因子包括位移、裂缝和沉降量中的一项或多项，间接影响因子包括：降雨量、水位、土壤湿度、人类活动、地表覆被指数、植被类型、道路和距离河流的距离中的一项或多项。具体的，对于降雨量可以是每天采集一次，水位高程可以是每小时采集一次，而对于位移可以是每小时采集一次。由于每个影响因子的采样频率不一致，因此，在获取监测区域的监测数据之后，还包括：基于三次样条差值方法对所述监测数据进行缺失值填补。从而可以有效保证每个影响因子的数据量一致，即维度相同。示例性的，假设监测数据包括位移、降雨量和水位三个影响因子，而位移、水位均包括100个数据，降雨量包括20个数据，那么，便需要通过三次样条插值方法将降雨量的数据扩充为100，从而保证各个影响因子的数据量一致，以方便后续处理。具体的，可以从相关部门以及文献调研中确定可以用于评价地质灾害易发性的间接影响因子。以滑坡为例，可以从国土部门、地方地质勘查局、环境保护局以及文献调研中确定可以用来评价滑坡易发性的影响因子，作为备选影响因子。进一步，可以根据监测区域的地区特性，如地质情况、人文活动、气候以及历史灾害分布从备选影响因子中确定该地区的地质灾害的间接影响因子。具体的，可以基于3S技术获取监测区域的监测数据。3S技术是由遥感系统(Remotesensing，RS)、地理信息系统(Geographyinformationsystems，GIS)和全球卫星定位系统(Globalpositioningsystems，GPS)三种技术构成。当然也可以仅采用RS技术获取数据，或者基于其他监测设备采集数据，本专利技术实施例对获取数据的方式不进行限制。具体的，RS技术主要从大尺度范围对监测区域进行监测，可以根据RS技术识别地表植被信息、河流分布、降雨量等气候信息、人类活动等间接影响因子；GPS技术负责监测地区的形变信息，如坡度变化量、高程变化量、裂缝、沉降量等变形量信息，即直接影响因子；GIS技术用于视化的形式进行展示。步骤120、对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵。其中，需要提取的特征包括：均值、方差、最大值、最小值、中位数、一阶差分的平均值和方差等中的一项或多项。示例性的，假设监测数据为：X＝[X(1)，X(2)，X(3)…X(n)]，其中，X(i)，i＝1，2，3…n，为m维列向量，[X(1)，X(2)，X(3)]表示直接影响因子，[X(4)，…X(n)]表示间接影响因子。对于直接影响因子位移X(1)来说，需要提取的特征包括：两个月、一个月、15天、10天、5天、3天的位移平均值、方差、最大值、最小值、中位数、一阶差分的均值和方差，以及位移变化的速度和加速度信息。本文档来自技高网...

【技术保护点】
1.一种地质灾害的预测方法，其特征在于，包括：/n获取监测区域的监测数据，其中，所述监测数据包括直接影响因子和间接影响因子；/n对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵；/n基于包含注意力机制的深度学习网络模型对所述直接特征矩阵和间接特征矩阵进行编码和解码，以根据所述深度学习网络模型的输出对所述监测区域的地质灾害进行预测。/n

【技术特征摘要】
1.一种地质灾害的预测方法，其特征在于，包括：
获取监测区域的监测数据，其中，所述监测数据包括直接影响因子和间接影响因子；
对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵；
基于包含注意力机制的深度学习网络模型对所述直接特征矩阵和间接特征矩阵进行编码和解码，以根据所述深度学习网络模型的输出对所述监测区域的地质灾害进行预测。


2.根据权利要求1所述的方法，其特征在于，所述直接影响因子包括位移、裂缝和沉降量中的一项或多项，所述间接影响因子包括：降雨量、水位、土壤湿度、人类活动、地表覆被指数、植被类型、道路和距离河流的距离中的一项或多项。


3.根据权利要求1所述的方法，其特征在于，在获取监测区域的监测数据之后，还包括：
对所述监测数据进行异常值去除。


4.根据权利要求3所述的方法，其特征在于，所述对所述监测数据进行异常值去除，包括：
基于高斯混合模型对所述监测数据进行异常值去除，并对去除异常值的监测数据进行缺失值填补。


5.根据权利要求1所述的方法，其特征在于，在对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵之后，还包括：
对所述直接特征矩阵和间接特征矩阵进行归一化处理。


6.根据权利要求1所述的方法，其特征在于，在对所述直接影响因子和间接影响因子进行特征提取，以获取直接特征矩阵和间接特征矩阵之后，还包括：
分别计算所述直接特征矩阵和间接特征矩阵的协方差矩阵，记为直接协方差矩阵和间接协方差矩阵；
分别对所述直接协方差矩阵和间接协方差矩阵进行特征分解，得到直接特征值集和间接特征值集，并分别对所述直接特征值集和间接特征值集按照从大到小的顺序进行排序；
根据所述直接特征值集和间接特征值集的累计方差贡献率对所述直接特征值集和间接特征值集进行筛选，并获取筛选后的直接特征值集和间接特征值集分别对应的特征向量组成的直接降维矩阵和间接降维矩阵；
根据所述直接降维...

【专利技术属性】
技术研发人员：郑增荣，董梅，宋杰，胡辉，
申请(专利权)人：杭州鲁尔物联科技有限公司，
类型：发明
国别省市：浙江;33