一种滑坡的预测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种滑坡的预测方法、装置、设备和存储介质。通过获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子，其中，所述滑坡影响因子包括动态因子和静态因子，基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值，将动态因子和静态因子分开进行滑坡预测，可以降低滑坡预测过程中的漏报率和误报率；通过根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率，综合两类滑坡影响因子的对应的概率值进行联合预测，以结合两类滑坡影响因子的特征进行滑坡预测，可以进一步提高了滑坡的预测精度。

【技术实现步骤摘要】
一种滑坡的预测方法、装置、设备和存储介质
本专利技术实施例涉及滑坡监测
，尤其涉及一种滑坡的预测方法、装置、设备和存储介质。
技术介绍
山体滑坡是最常见的灾难性自然灾害之一，其具有分布范围广、发生频次高、多发性、区域性和严重性等特点，因滑坡每年会造成大量的人员伤亡和重大的环境和基础设施损失。对滑坡的易发性进行评估具有重要意义。现有的滑坡易发性预测根据其所依据的理论基础的差异，可以分为确定性方法和非确定性方法。确定性方法主要是基于专家经验和知识的定向分析和基于滑坡过程或者物理学模型的进行分析的方法，预测准确度较差。近年来随着计算机技术和3S技术的高速发展，非确定性方法得到了广泛的应用，主要包括模糊逻辑法、层次分析法、决策树等。但是，山体滑坡的影响因子众多，仅采用一种非确定方法进行预测的预测效率较差。
技术实现思路
本专利技术提供了一种滑坡的预测方法、装置、设备和存储介质，实现了提高滑坡预测精度的效果。第一方面，本专利技术实施例提供了一种滑坡的预测方法，包括：获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子，其中，所述滑坡影响因子包括动态因子和静态因子；基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值；根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率。第二方面，本专利技术实施例还提供了一种滑坡的预测装置，包括：滑坡影响因子获取模块，用于获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子，其中，所述滑坡影响因子包括动态因子和静态因子；动态概率值确定模块，用于基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值；静态概率值确定模块，用于基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值；滑坡发生概率确定模块，用于根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率。第三方面，本专利技术实施例还提供了一种滑坡的预测设备，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滑坡的预测方法。第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本专利技术任意实施例提供的滑坡的预测方法。本专利技术实施例的技术方案，通过获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子，其中，所述滑坡影响因子包括动态因子和静态因子，基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值，将动态因子和静态因子分开进行滑坡预测，可以降低滑坡预测过程中的漏报率和误报率；通过根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率，综合两类滑坡影响因子的对应的概率值进行联合预测，以结合两类滑坡影响因子的特征进行滑坡预测，可以进一步提高了滑坡的预测精度。附图说明图1是本专利技术实施例一中的一种滑坡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滑坡的预测方法的流程图；图3是本专利技术实施例二中的一种滑坡的预测方法的逻辑示意图；图4是本专利技术实施例三中的一种滑坡的预测装置的结构示意图；图5是本专利技术实施例四中的一种滑坡的预测设备的结构示意图。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滑坡的预测方法的流程图，本实施例可适用于对滑坡易发性进行评估的情况，该方法可以由滑坡的预测装置来执行，如图1所示，该方法包括如下步骤：S110、获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子。其中，目标区域通常是发生过滑坡的区域，也可以是指定的任意一个区域。斜坡单元是滑坡、崩塌等地质灾害发育的基本单元，并在各个单元上赋予相应的属性值来表示实体的一种数据形式。所述设定时间段可以是滑坡发生当天之前的一天、三天、一周、一个月或者其他时间段。其中，所述滑坡影响因子包括动态因子和静态因子，所述动态因子包括降雨量、植被系数和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。具体的，可以在目标区域设置多个监测点，以实时获取各个监测点的滑坡预测数据。进一步结合预设部门收集的数据，形成该目标区域的各个斜坡单元的设定时间段内每天的滑坡预测数据。可选的，在获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子之后，还包括：对所述滑坡影响因子进行预处理，其中，所述预处理包括坐标统一处理和校正处理中的至少一项。由于滑坡影响因子来源于不同的斜坡单元，会导致各个滑坡影响因子的坐标不统一以及出险异常值。因此，在获取滑坡影响因子之后，需要对滑坡影响因子进行坐标统一处理和校正处理。当然，也可以根据滑坡影响因子的具体情况进行异常值去除或者数据离散化处理等。S120、基于动态因子确定各斜坡单元发生滑坡的动态概率值，基于静态因子确定各斜坡单元发生滑坡的静态概率值。由于影响滑坡发生的因素有很多，仅根据静态因子去预测目标区域是否发生滑坡导致滑坡预测信息长时间内不会发生改变，这样容易造成降雨型、降雪型等时间型滑坡的漏报；有些斜坡单元的地质条件很稳定，仅根据用雨量信息预测滑坡是否发生，容易造成大面积的误报。因此，本实施例基于动态因子确定各斜坡单元的动态概率值，基于静态因子确定各斜坡单元的静态概率值，可以降低滑坡预测过程中的漏报率和误报率。可选地，所述基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值，包括：将所述动态因子输入至预先训练完成的第一预测模型中，确定所述各斜坡单元发生滑坡的动态概率值；将所述静态因子输入至预先训练完成的第二预测模型中，确定所述各斜坡单元发生滑坡的静态概率值。其中，所述第一预测模型和第二预测模型可以是神经网络模型，或者其他学习算法。示例性的，第一预测模型可以是支持向量机算法(SupportVectorMachine，SVM)、逻辑回归模型(LogisticsRegression，LR)、梯度提升决策树算法等；第二预测模型可以是长短期记忆网络(LongShort-TermMemory，LSTM)、支持向量机算法(SupportVectorMachine，SVM)、门控循环单元(GateRecurrentUnit，GRU)、XGBoost(ExtremeGradientBoosting，极端梯度本文档来自技高网...

【技术保护点】
1.一种滑坡的预测方法，其特征在于，包括：/n获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子，其中，所述滑坡影响因子包括动态因子和静态因子；/n基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值；/n根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率。/n

【技术特征摘要】
1.一种滑坡的预测方法，其特征在于，包括：
获取目标区域各斜坡单元的设定时间段内每天的滑坡影响因子，其中，所述滑坡影响因子包括动态因子和静态因子；
基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值；
根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率。


2.根据权利要求1所述的预测方法，其特征在于，所述基于所述动态因子确定所述各斜坡单元发生滑坡的动态概率值，基于所述静态因子确定所述各斜坡单元发生滑坡的静态概率值，包括：
将所述动态因子输入至预先训练完成的第一预测模型中，确定所述各斜坡单元发生滑坡的动态概率值；
将所述静态因子输入至预先训练完成的第二预测模型中，确定所述各斜坡单元发生滑坡的静态概率值。


3.根据权利要求1所述的预测方法，其特征在于，所述根据所述动态概率值和所述静态概率值，得到所述目标区域的滑坡发生概率，包括：
将所述动态概率值和所述静态概率值输入第三预测模型中，得到所述目标区域的滑坡发生概率。


4.根据权利要求3所述的预测方法，其特征在于，所述将所述动态概率值和所述静态概率值输入第三预测模型中，得到所述目标区域的滑坡发生概率，包括：
将所述动态概率值和所述静态概率值作为第三预测模型中的最大期望算法的输入变量，基于所述最大期望算法确定最大似然估计量，根据所述最大似然估计量确定所述目标区域的滑坡发生概率。


5.根据权利要求4所述的预测方法，其特征在于，所述基于所述最大期望算法确定最大似然估计量，根据所述最大似然估计量确定所述目标区域的滑坡发生概率，包括：
将所述动态概率值和所述静态概率值输入至第四预测模型中，得到目标区域的概率预测值；
基于所述...

【专利技术属性】
技术研发人员：张军，郑增容，商琪，江子君，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