一种泥石流发生概率及规模预报方法技术

本发明专利技术提供了一种泥石流发生概率及规模预报方法，解决了当前泥石流灾害发生受多重因素影响而导致的数据维度灾难，以及深度学习由于需要计算大量的隐层权值而导致的预报实时性不足的问题。该方法包括以下步骤：分别针对泥石流灾害发生概率和泥石流灾害发生规模的预报，通过实地调查、勘测获取相应的泥石流灾害的初始影响因子数据并整理样本数据，并基于FMPCE算法分别提取出相应的主要影响因子数据；分别构建基于最优路径森林和基于矩阵随机近似奇异值分解优化宽度学习的泥石流灾害发生概率及规模预报模型；将测试样本数据分别输入到建立的泥石流灾害发生概率预报模型和泥石流灾害发生规模预报模型中，输出泥石流发生概率及规模的预报信息。概率及规模的预报信息。概率及规模的预报信息。

【技术实现步骤摘要】
一种泥石流发生概率及规模预报方法


[0001]本专利技术属于地质灾害预报方法
，具体涉及一种泥石流发生概率及规模预报方法。

技术介绍

[0002]泥石流不仅是一种自然灾害，同时也是一种严重的工程地质灾害。近几年来重大地质灾害频发，常造成房屋破坏、通讯设施中断，道路崩塌、毁坏土地，乃至村毁人亡的事故。且事故常发生在地质结构复杂、沟壑纵横且地形陡峭的山谷内，给灾害预防和灾后重建工作带来极大的不便，其规模和风险性大大超出了我们所能承受的范围。因此如何使用技术手段对泥石流灾害进行预报，成为我们关注的核心。
[0003]研究者们根据泥石流形成的特点，提出了多种泥石流灾害预报方法。有研究者结合模糊系统理论和人工神经网络对泥石流灾害进行预报，然而模糊系统计算复杂度大，确定泥石流指标权重向量时过于主观，虽然人工神经网络的加入较好地克服了这一缺陷，但人工神经网络在训练过程中，模型本身易陷入局部极小值，因此，该方法精度不高；有学者将逻辑回归模型运用于泥石流灾害预报中，综合多种指标进行分析，在精确度方面得到了一定提高，但逻辑回归属于广义线性回归模型，受本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种泥石流发生概率及规模预报方法，其特征在于，包括以下步骤：步骤1：分别针对泥石流发生概率和泥石流发生规模的预报，通过实地调查、勘测获取相应的泥石流灾害的初始影响因子数据并整理样本数据，并基于FMPCE算法分别提取出相应的主要影响因子数据；步骤2：利用步骤1提取的泥石流灾害的主要影响因子数据分别构建基于最优路径森林的泥石流灾害发生概率预报模型和基于矩阵随机近似奇异值分解优化宽度学习的泥石流灾害发生规模预报模型；步骤3：将测试样本数据分别输入到步骤2建立的泥石流灾害发生概率预报模型和泥石流灾害发生规模预报模型中，输出泥石流灾害发生概率及泥石流灾害发生规模的预报信息。2.根据权利要求1所述的泥石流发生概率及规模预报方法，其特征在于，步骤1中，针对泥石流发生概率的预报，获取泥石流灾害发生的初始影响因子数据并整理样本数据，具体如下：在泥石流易发区，根据相关规范进行实地勘测和考察收集泥石流灾害影响因子数据，最终确定以山坡坡度、沟床比降、相对高差、流域面积、流域完整系数、流域发育程度、补给段长度比、冲淤变幅、岩性、植被覆盖率、降雨量、土壤含水率、孔隙水压力、沿沟松散物储量、不良地质现象和新构造影响作为泥石流灾害的初始影响因子；设获取到的初始影响因子为r组，每组样本中含有s个初始影响因子，分别为山坡坡度s1、沟床比降s2、相对高差s3、流域面积s4、流域完整系数s5、流域发育程度s6、补给段长度比s7、冲淤变幅s8、岩性s9、植被覆盖率s
10
、降雨量s
11
、土壤含水率s
12
、孔隙水压力s
13
、沿沟松散物储量s
14
、不良地质现象s
15
和新构造影响s
16
，则每组样本数据构成如式(1)所示的矩阵：其中，x
ij
(i＝1，2，
…
r，j＝1，2，
…
，s)表示每个影响因子。3.根据权利要求2所述的泥石流发生概率及规模预报方法，其特征在于，步骤1中基于FMPCE算法针对泥石流发生概率提取出主要影响因子数据，具体如下：步骤a1.1：将初始影响因子矩阵X按式(2)进行标准化处理：其中，和s
j
分别表示初始影响因子的均值和方差；步骤a1.2：设线性神经网络模型为：y(k)＝W
T
(k)x(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，y(k)∈R
r
×1表示神经网络输出，W(k)∈R
n
×
r
表示神经网络权值矩阵，x(k)∈R
n
×1表示神经网络输入，n是输入向量维数，r是所要提取主成分的维数；令输入的自相关矩阵R为对称正定矩阵，其中λ
i
为R的特征值，u
i
为属于特征值λ
i
的特征向量，i＝1，2，...，n，特征值λ
i
＞0，对R进行特征值分解：R＝UΛU
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，U＝[u1，u2，...，u
n
]，Λ＝diag{λ1，λ2，...，λ
n
}，且特征值满足：
λ1＞λ2＞
…
＞λ
r
＞
…
＞λ
n
＞0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)属于这r个特征值的特征向量为矩阵R的前r个主成分，由这些主成分生成的空间记为主子空间，FMPCE便是寻求合适的权值矩阵迭代更新方程，使得权值矩阵能够收敛到矩阵R的前r个主成分；其算法形式为：W(k+1)＝W(k)+ηW(k)[W
T
(k)W(k)-1-I]+η(RW(k)W
T
W(k)A
2-W(k)AW
T
(k)RW(k)A)
ꢀꢀꢀꢀ
(6)其中矩阵A为r
×
r级对角阵，对角线元素为a1＞a2＞
…
＞a
r
＞0，η为学习速率；自相关矩阵通过下式进行估计：式中，α为遗忘因子，满足0＜α＜1，显然当k
→
∞时，矩阵使用式(7)对自相关矩阵进行估计，然后利用式(3)和式(6)，对输入的主成分进行提取。4.根据权利要求3所述的泥石流发生概率及规模预报方法，其特征在于，步骤2中构建基于最优路径森林的泥石流灾害发生概率预报模型，具体过程如下：步骤a2.1：将步骤1中提取出的泥石流灾害影响因子数据按照设定的比例分配为训练集和测试集，并作为基于最优路径森林的泥石流发生概率预报模型的输入部分；步骤2.2：将分配确定的训练集输入到所述泥石流发生概率预报模型进行训练，训练过程如下：步骤a2.2.1：将总的样本集合Z分为训练集Z1和测试集Z2，用Z1进行训练；假设Z1的样本数为N，其中每个样本a
i
具有M个属性，分别为a
i1
、a
i2
、...、a
iM
；构建由N个样本组成的完全图A，完全图的每一个节点都是训练集Z1的一个样本，对于完全图中的所有节点，两两之间都由弧进行连接，弧的权值a
iM
通过节点间的Euclid距离来表示，如式(4)所示；步骤a2.2.2：根据所述完全图A生成最小生成树MST，接着在所生成的MST中，按照式(4)求解两个不同类节点间的连接弧，这两个不同类别的节点即最优路径森林中树的根节点；路径为多个节点构成的节点序列π＝<s1，s2，
…
，s
k
>，其中(s
i
，s
i+1
)∈A且1≤i≤k-1；用π
·
<s，t>表示弧<s，t>与以s为终点的路径π构成的路径；对于最优路径森林中的每一条路径，根据路径成本函数f
max
求出其成本；路径成本函数f
max
如式(5)所示；f
max
(π
·
<s，t>)＝max{f
max
(π)，d(s，t)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，f
max
(π)表示位于路径π上的全体两两相邻的节点之间的最大距离，路径π为非平凡路径；步骤a2.2.3：根据式(4)求节点s、t之间距离d(s，t)的最大值；步骤a2.2.4：根据式(5)求位于最优路径上的节点t的前驱节点s的成本C(s)；步骤a2.2.5：以步骤a2.2.3和步骤a2.2.4求出的最大值作为节点t的成本C(t)；步骤a2.2.6：求解前驱节点s最优路径上的根节点的类别L(R(s))，L(R(s))的类别即节点t的类别；步骤a2.2.7：将步骤a2.2.6中求得的节点类别与泥石流发生概率进行对应，得到模型
输出的泥石流发生概率。5.根据权利要求4所述的泥石流发生概率及规模预报方法，其特征在于，步骤3中输出泥石流发生概率的预报信息，具体是将概率值与泥石流预报等级相对应，泥石流预报等级共分为四个等级，分别是常规级、预测级、预警级、警报级。6.根据权利要求1所述的泥石流发生概率及规模预报方法，其特征在于，步骤1中，针对泥石流发生规模的预报，获取泥石流灾害的初始影响因子数据并整理样本数据，具体如下：在泥石流易发区，根据相关规范进行实地勘测和考察收集泥石流灾害影响因子数据，最终确定以山坡坡度、沟床比降、相对高差、流域面积、流域完整系数、流域发育程度、补给段长度比、冲淤变幅、岩性、植被覆盖率、降雨量、土壤含水率孔隙水压力、地声、次声、沿沟松散物储量、不良地质现象和新构造影响作为泥石流灾害的初始影响因子；设获取到的初始影响因子为r组，每组样本中含有s个初始影响因子，分别为山坡坡度s1、沟床比降s2、相对高差s3、流域面积s4、流域完整系数s5、流域发育程度s6、补给...

【专利技术属性】
技术研发人员：徐根祺，温宗周，李丽敏，张宏伟，马婧，程少康，曹宁，李银兴，任小文，贾亚娟，
申请(专利权)人：西安交通工程学院，
类型：发明
国别省市：