【技术实现步骤摘要】
本专利技术涉及地质灾害监测预警领域，尤其是涉及一种降雨型土质滑坡隐患早期识别方法。
技术介绍
1、三峡库区是我国地质灾害高易发区，尤其以滑坡灾害最为突出。在极端工况条件下，受极端降雨和库水长期作用，易导致斜坡失稳破坏而发生滑坡，造成重大人员和经济损失。2014年8·31极端降雨，受灾严重的云阳、奉节、巫山、巫溪、开县5个区县，共发生地质灾害灾(险)情2340处，以中小型土质滑坡为主，造成32人死亡、10人失踪和129人受伤。其中约90％为新发生的滑坡，且以土质滑坡为主，不在地质灾害监测预警工作掌控之中，造成群死群伤现象，如云阳黄沙包滑坡导致11人死亡。因此，早期识别对滑坡灾害预警预防具有重要意义，也是滑坡灾害研究的热点和难点问题。传统调查和识别手段难以发现极端降雨诱发土质滑坡隐患，也未能根据降雨条件圈定土质滑坡隐患易发区域。
2、虽然，在cn 116486584 a，公开一种基于概率分析的降雨型浅层滑坡预警方法，其不完全依赖于历史降雨数据统计，兼顾到降雨作用下斜坡的灾变机理、水文效应、地质环境条件的影响，进而实现不同区域的精准预警；可以实现小尺度区域或者“一坡一阈值”程度的精细化预警，降雨阈值相对精确，误报、错报率低。但是其主要针对降雨型浅层滑坡的预警。无法很好的适应极端降雨情况下的护坡预警问题。该方法是主要针对具体土质斜坡或土质滑坡，在已知其土体物理力学参数的条件下，适用于实现小尺度区域滑坡预警。由于大范围区域斜坡土体参数获取的代价比较大，因此该方法对于大范围地区的新生型滑坡隐患无法做到有效识别和预警。而且，所谓“
3、虽然，在cn 116434475 a，中公开了一种基于降雨强度与地表位移变化率的滑坡预警方法，其主要采用包括：获取历史滑坡监测数据，建立山体滑坡的第一评价指标体系；基于第一评价指标体系，划分风险等级；基于层次分析法构建评价矩阵，根据评价矩阵，获得评价指标权重；根据第一评价指标体系和评价指标权重，获得第二评价指标体系；基于第二评价指标体系，计算综合评价向量，获得评价结果；根据评价结果确定滑坡预警等级，生成输出并展示预警信息；根据不同的预警等级采取相应的应对措施。但是其采用评价矩阵存在人为干预的问题，可能导致评价客观性不佳的问题。对于不具备形态和变形特征等隐蔽性强的滑坡隐患，地表位移变化率低，不能很好地预警预报极端降雨条件下的滑坡隐患问题。且该方法过度依赖监测设备，结合地表位移监测数据，适用已实施专业监测的滑坡隐患点，目前开展监测的滑坡只是一小部分，区域范围内存在大量未在监测的隐蔽滑坡隐患。而且在极端降雨条件下诱发大量新的滑坡，如2014年渝东北地区暴雨，诱发的滑坡中90％为新生滑坡，不是已知滑坡点，更不可能实施监测。
技术实现思路
1、本专利技术旨在提出一种基于机器学习的多源数据融合的降雨型土质滑坡隐患早期识别方法，实现降雨型土质滑坡早期识别及预警预报的目的，该方法采用多源数据，通过数据融合方式，利用地面调查、滑坡勘查和遥感解译获得的土体厚度样本，建立机器学习分类模型，实现空间上斜坡土体分布及相对厚度预测；结合降雨阈值研究结论，预测不同降雨条件下土质滑坡易发区域；该方法可以在一定程度上实现降雨型土质滑坡早期识别。
2、为了实现上述的技术特征，本专利技术的目的是这样实现的：一种降雨型土质滑坡隐患早期识别方法，所述方法首先通过多源数据融合识别斜坡土体分布，并估算斜坡土体厚度的基础上，通过分析该区域内滑坡发生前的降雨特征，研究诱发不同特征土体滑坡的降雨工况条件，确定不同特征土体产生滑坡的降雨阈值，从而达到土质滑坡隐患早期识别的目的。
3、一种降雨型土质滑坡隐患早期识别方法，具体包括以下步骤：
4、步骤一，选择研究区域，并收集研究区域的多源数据；
5、步骤二，提取斜坡土体分布及相对厚度评价因子；
6、步骤三，构建斜坡土体分布及厚度分类模型，制作研究区域土体分布及相对厚度图；
7、步骤四，收集近年来降雨诱发滑坡并进行分类，分析不同类型土质滑坡发生前降雨阈值；
8、步骤五，不同降雨工况下土质滑坡隐患的空间预测。
9、所述步骤一中多源数据包括研究区域的：地质图，地形图，卫星影像和航空影像，近年发生的滑坡调查与勘查资料，历史降雨数据。
10、所述步骤二中斜坡土体分布及相对厚度评价因子，是从多源数据中获取地层岩性、高程、坡度、坡向、剖面曲率、归一化植被指数、地形湿度指数、水系多级缓冲区、影像光谱特征中的亮度和影像纹理特征中的灰度共生矩阵对比度共10个因子。
11、所述步骤三中构建斜坡土体分布及厚度分类模型具体方法为：利用机器学习分类模型训练样本，建立研究区域斜坡土体相对厚度分类模型。
12、所述机器学习采用bp神经网络，bp神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的分类错误率最小，特点是信号前向传播，而误差是反向传播，通过不断进行该类传播来逐步调整各层权重；bp神经网络的训练直至达到人为设置的训练次数或网络可接受的程度为止，得到经过样本训练的bp神经网络土体分布及厚度分类模型；
13、所述bp神经网络采用单层隐藏层，处理步骤如下：
14、(1)初始化网络：初始化输入层和隐含层，以及输出层神经元之间的连接权值ωij、ωrk，初始化隐含层和输出阈值a,b,并设置学习率和激活函数；其中，ωij、ωrk、a、b都是事先设置的数值；
15、(2)计算隐含层输出：ωij，a分别为输入层和隐含层间的连接权值及隐含层阈值，隐含层输出h的计算为：
16、
17、f为隐含层激活函数，i、j、由输入层与隐含层的连接数决定，r、k由隐含层与输出层的连接数决定，n由输入层数量决定，l由隐含层数量决定；
18、(3)计算输出层：h为隐含层的输出，bp网络的预测输出y为：
19、
20、(4)计算误差：误差e的计算为：
21、ek＝yk-ok,k＝1,2,…,m；
22、ok是实际期望的值，m由输出层数量决定；
23、(5)更新权值：
24、
25、ωrk＝ωrk+ηhjek,j＝1,2,…,l；k＝1,2,…,m；
26、η是学习率，xi为外部输入数据；
27、(6)阈值更新：根据预测误差e更新网络的阈值a,b：
28、
29、bk＝bk+ηek,k＝1,2,…,m；
30、(7)判断迭代是否可以结束，若算法迭代没有结束，则返回第2步，直到算法结束；如果发现预测值与实际值结果相差较大，这表明事先设本文档来自技高网...
【技术保护点】
1.一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述方法首先通过多源数据融合识别斜坡土体分布，并估算斜坡土体厚度的基础上，通过分析该区域内滑坡发生前的降雨特征，研究诱发不同特征土体滑坡的降雨工况条件，确定不同特征土体产生滑坡的降雨阈值，从而达到土质滑坡隐患早期识别的目的。
2.根据权利要求1所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，具体包括以下步骤：
3.根据权利要求2所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤一中多源数据包括研究区域的：地质图，地形图，卫星影像和航空影像，近年发生的滑坡调查与勘查资料，历史降雨数据。
4.根据权利要求3所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤二中斜坡土体分布及相对厚度评价因子，是从多源数据中获取地层岩性、高程、坡度、坡向、剖面曲率、归一化植被指数、地形湿度指数、水系多级缓冲区、影像光谱特征中的亮度和影像纹理特征中的灰度共生矩阵对比度共10个因子。
5.根据权利要求4所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤三中构建斜坡土体分布及厚
6.根据权利要求5所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述机器学习采用BP神经网络，BP神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的分类错误率最小，特点是信号前向传播，而误差是反向传播，通过不断进行该类传播来逐步调整各层权重；BP神经网络的训练直至达到人为设置的训练次数或网络可接受的程度为止，得到经过样本训练的BP神经网络土体分布及厚度分类模型；
7.根据权利要求1或2所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，降雨阈值通过库区滑坡特征数据资料拟合得到不同的滑坡特征和不同降雨持时下90％发生概率的降雨阈值；根据有效降雨量公式对前期有效降雨量进行计算，即：
8.根据权利要求1所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤五中不同降雨工况下土质滑坡隐患的空间预测具体方法为：将斜坡土体相对厚度及空间分布、滑坡发育地质条件与研究区降雨阈值相叠加分析，得到研究区域内不同降雨诱发条件和不同特征土体，90％概率发生土质滑坡的隐患区域。
9.根据权利要求3所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述卫星影像和航空影像采用30m空间分辨率的Landsat卫星影像和DMC数字航空影像，用于获取地表覆盖及土质斜坡的光谱纹理特征，解译岩质和薄层土质样本区域；所述地质图是1:5万的地质图，用于获取工程岩组信息；所述地形图用于获取影响土体搬运和堆积的地形因子；所述研究区滑坡地面调查与勘查资料用于获取近些年发生的滑坡信息，包括位置、规模、发育地层、地形坡度；所述历史降雨数据用于分析滑坡发生前降雨特征，获取滑坡降雨阈值。
10.根据权利要求2所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，将研究区域内土体划分为厚层土体区、中层土体区、薄层土体区和岩质区，厚度分被为：大于10m、5～10m、1～5m，小于1m。
...【技术特征摘要】
1.一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述方法首先通过多源数据融合识别斜坡土体分布，并估算斜坡土体厚度的基础上，通过分析该区域内滑坡发生前的降雨特征，研究诱发不同特征土体滑坡的降雨工况条件，确定不同特征土体产生滑坡的降雨阈值，从而达到土质滑坡隐患早期识别的目的。
2.根据权利要求1所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，具体包括以下步骤：
3.根据权利要求2所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤一中多源数据包括研究区域的：地质图，地形图，卫星影像和航空影像，近年发生的滑坡调查与勘查资料，历史降雨数据。
4.根据权利要求3所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤二中斜坡土体分布及相对厚度评价因子，是从多源数据中获取地层岩性、高程、坡度、坡向、剖面曲率、归一化植被指数、地形湿度指数、水系多级缓冲区、影像光谱特征中的亮度和影像纹理特征中的灰度共生矩阵对比度共10个因子。
5.根据权利要求4所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述步骤三中构建斜坡土体分布及厚度分类模型具体方法为：利用机器学习分类模型训练样本，建立研究区域斜坡土体相对厚度分类模型。
6.根据权利要求5所述一种降雨型土质滑坡隐患早期识别方法，其特征在于，所述机器学习采用bp神经网络，bp神经网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的分类错误率最小，特点是信号前向传播，而误差是反向传播，通过不断进行该类传播来逐步调整各...
【专利技术属性】
技术研发人员：叶润青，吴震，黄珏，陈瑶，杨诗诗，文天龙，付小林，
申请(专利权)人：中国地质调查局武汉地质调查中心中南地质科技创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。