一种基于多模集成滚动预测的双判据联合滑坡预警方法与流程

1.本发明涉及滑坡灾难预测勘测技术领域，特别是一种基于多模集成滚动预测的双判据联合滑坡预警方法。


背景技术：

2.滑坡是世界范围内发生的最主要的地质灾害，其严重威胁着人类的生命财产安全。比如根据国际灾情数据库统计显示，从20世纪初到现在，世界范围内约六万人死于滑坡地质灾害，滑坡造成的直接经济损失也高达近百亿美元，而滑坡造成的间接经济损失更是无法统计。而滑坡在中国广泛分布，根据中国自然资源部发布2021年全国地质灾害灾情及2022年地质灾害趋势预测情况显示，我国2021发生滑坡2335起、崩塌1746起，造成的直接经济损失高达32亿元。可见滑坡防治是一个世界性的难题，在国际学术界也是一个研究热点和难点。为了降低滑坡灾害对人类的威胁，相关国家和组织通过响应《2015-2030年仙台减少灾害风险框架》和《2030年可持续发展议程》，共同推进构建自然灾害风险防范协同机制，积极开展滑坡预测预警研究，及时采取相应的防灾减灾措施，减少人民财产损失。但现存的滑坡预警模型大多以滑坡位移量来预警，因此准确预测滑坡位移量对于后面预警来说至关重要。
3.但是由于滑坡地质灾害的形成原因较为复杂，是典型的高度复杂的非线性系统，在一定程度上具有不可预测性，难以及时定点地准确预报。虽然随着科技水平的提高，目前我国已经针对滑坡安装了各类监测滑坡的各类仪器设备，例如：gnss、全站仪、星载insar、地基合成孔径雷达等，取得了一定的效果，但目前的各类仪器设备只能测出当前的滑坡位移量，无法给出将来的该地区的滑坡位移量，无法起到提前预测。因此，深入研究如何通过滑坡位移量，充分发掘数据驱动下的机器学习技术的先天优势进行滑坡地质灾害的分析及预测，对防灾减灾具有重要的研究意义和实际意义。
4.且目前理论上可行的滑坡预警预报分析方法，很多属于事后的分析，而对于在滑坡没有发生破坏之前，没有拿到关键变形阶段数据前，如何根据已有的监测数据尽可能早、尽可能准的分析滑坡发生的时间，是解决边坡工程实际应用需求。


技术实现要素：

5.本发明的目的在于克服现有技术的缺点，提供一种基于多模集成滚动预测的双判据联合滑坡预警方法。
6.本发明的目的通过以下技术方案来实现：一种基于多模集成滚动预测的双判据联合滑坡预警方法，包括以下步骤：
7.s1：基于emd与ceemdan二次分解降低原始滑坡序列的波动性；
8.s2：基于样本熵值对二次分解后的分量进行重构，根据不同分量特点，选择对应的预测模型进行预测，通过滚动预测机制增加预测长度；
9.s3：建立基于斜率变化与预测步长的模型更新机制；
10.s4：利用emd分解降低预测序列的波动性；
11.s5：根据滚动预测结果，通过拉依达准则+斋藤模型和lof准则+速度倒数法模型来对滑坡是否预警进行联合判别；
12.s6：根据归一化切线角法确定四级预警中各预警等级对应的速度，给出预警等级。
13.优选的，步骤s1中，对原始数据进行二次分解还包括以下步骤：
14.s11：对原始滑坡位移序列x(t)＝{x1,x2,......,xn}进行emd一次分解：
[0015][0016]
其中，qi(t)为本征模态分量，r(t)为残差分量；
[0017]
s12：将本征模态分量根据分量极大值的个数重构为趋势项位移g(t)与周期项位移u(t)；
[0018]
s13：对于周期项位移进行ceemdan二次分解：
[0019][0020]
其中，cimf为模态分量，r(t)为残差分量。
[0021]
优选的，步骤s2中，还包括以下步骤：
[0022]
s21：计算各cimf的样本熵值：设第p个模态分量为h
p
(t)，设置相似容限r和嵌入维数m，将h
p
(t)重构为n组m维矢量h
p
(t)＝{h
p
(t),h
p
(t+1),......,h
p
(t+m-1)}(t＝1,2,......,n)，计算两个不同矢量h
p
(i)和h
p
(j)之间的距离，
[0023][0024]
将dm(h
p
(i),h
p
(j))＞r的数目与n-m的比值作为bi(m,r)
[0025][0026]
其中，num{dm(h
p
(i),h
p
(j))＞r}表示dm(h
p
(i),h
p
(j))大于r的个数，所有bi(m,r)平均值记为b(m,r)；同理可得b(m+1,r)，则h
p
(t)的样本熵值为：
[0027][0028]
s22：构建基于样本熵重构公式：
[0029][0030]
其中，s(t)为强波动项，k(t)为中波动项，w(t)为弱波动项；
[0031]
s23：强波动项通过lstm模型进行预测，中波动项通过gru网络进行预测，弱波动项通过spline模型进行预测；
[0032]
s24：建立滚动预测机制：
[0033][0034]
其中，均为预测值。
[0035]
优选的，步骤s3中，还包括以下步骤：
[0036]
s31：建立趋势项预测更新机制：
[0037]
对于趋势项g(t)＝{g1,g2,......,gn}预测，计算spline模型预测值前后的斜率k，
[0038][0039]
其中，gn为n时刻对应的趋势项位移值，t为位移对应的时间，当斜率不满足z《k《o时，保留变化时刻前的预测值，等待新数据进行更新；
[0040]
s32：建立重构各项预测更新机制：一次预测e步长，二次预测后总步长为2e，当总预测步长达到2e时，对spline-lstm-gru进行更新。
[0041]
优选的，步骤s4中，通过emd分解进行滤波降噪处理。
[0042]
优选的，步骤s5中，还包括以下步骤：
[0043]
s51：通过数据异常点检测方法找到滑坡起始点：
[0044]
通过拉依达准则找到超过3σ的数据，即为滑坡起始点
[0045][0046]
变量服从的分布被称为正态分布，记作x～n(μ，σ2)，σ2为标准方差；
[0047]
采用lof准则进行起始点的判断：训练集x＝[x1,x2,...,xn]∈rd×n，xa的k近邻记为knn(xa)，通过计算xa与k近邻距离得到xa的k距离记为kd(xa)，xa与另一个对象xb的可达距离定义为：
[0048]dr
(xa,xb)＝max{kd(xb),d(xa,xb)}；
[0049]
xa的k近邻平均可达密度的倒数为局部可达密度，
[0050][0051]
通过计算xa和xb的局部可达密度得到lof，
[0052][0053]
s52：通过斋藤模型计算拉依达准则找到的滑坡起始点的滑坡时间，
[0054][0055]
其中，t1，t2和t3为变形速率相等的三个时刻，t
r-t为剩余的破坏时间；
[0056]
s53：通过速度倒数法计算lof准则找到的滑坡起始点的滑坡时间，
[0057][0058]
其中，v为速度，t为时间，tf为滑坡时间，a和α均为材料的蠕变加速相关的常数。
[0059]
优选的，步骤s6中，还包括以下步骤：
[0060]
s61：计算归一化切线角，
[0061][0062]
其中，αi为改进的切线角，ti为监测时刻，δt与δs对应的单位时间段，δt为单位时间段内t(i)的变化量；
[0063]
s62：设定蓝色、黄色、橙色和红色预警等级。
[0064]
优选的，步骤s62中，蓝色、黄色、橙色和红色预警等级对应的切线角为44
°
、45
°
、79
°
和81
°
，对应的速度为v1～v4。
[0065]
本发明具有以下优点：通过采用本发明所公开的方法，可以在滑坡没有发生破坏之前，根据监测数据进行分析，从而对滑坡发生的时间进行预测，并给出预警等级，实现精准预警。
附图说明
[0066]
图1为基于多模集成滚动预测的双判据联合滑坡预警方法流程的结构示意图。
具体实施方式
[0067]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
[0068]
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0069]
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
[0070]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0071]
在本实施例中，如图1所示，一种基于多模集成滚动预测的双判据联合滑坡预警方法，包括以下步骤：
[0072]
s1：基于emd与ceemdan二次分解降低原始滑坡序列的波动性；
[0073]
s2：基于样本熵值对二次分解后的分量进行重构，根据不同分量特点，选择对应的预测模型进行预测，通过滚动预测机制增加预测长度；
[0074]
s3：建立基于斜率变化与预测步长的模型更新机制；
[0075]
s4：利用emd分解降低预测序列的波动性；
[0076]
s5：根据滚动预测结果，通过拉依达准则+斋藤模型和lof准则+速度倒数法模型来对滑坡是否预警进行联合判别；
[0077]
s6：根据归一化切线角法确定四级预警中各预警等级对应的速度，给出预警等级。通过采用本发明所公开的方法，可以在滑坡没有发生破坏之前，根据监测数据进行分析，从而对滑坡发生的时间进行预测，并给出预警等级，实现精准预警。
[0078]
进一步的，步骤s1中，对原始数据进行二次分解还包括以下步骤：
[0079]
s11：对原始滑坡位移序列x(t)＝{x1,x2,......,xn}进行emd一次分解：
[0080][0081]
其中，qi(t)为本征模态分量，r(t)为残差分量；
[0082]
s12：将本征模态分量根据分量极大值的个数重构为趋势项位移g(t)与周期项位移u(t)；
[0083]
s13：对于周期项位移进行ceemdan二次分解：
[0084][0085]
其中，cimf为模态分量，r(t)为残差分量。
[0086]
现有模型是通过分别预测各个imf分量以及残余项，最后将各个预测结果相加得到总位移，但由于分量较多，如果对各分量进行单独预测，会造成预测模型的浪费，大大增加预测所需时间。因此本发明通过对相似分量进行重构，首先将残差分量作为粗差剔除，再计算各分量的样本熵值s
p
(m,r)，构建重构关系，具体地说，步骤s2中，还包括以下步骤：
[0087]
s21：计算各cimf的样本熵值：设第p个模态分量为h
p
(t)，设置相似容限r和嵌入维数m，将h
p
(t)重构为n组m维矢量h
p
(t)＝{h
p
(t),h
p
(t+1),......,h
p
(t+m-1)}(t＝1,2,......,n)，计算两个不同矢量h
p
(i)和h
p
(j)之间的距离，
[0088][0089]
将dm(h
p
(i),h
p
(j))＞r的数目与n-m的比值作为bi(m,r)
[0090][0091]
其中，num{dm(h
p
(i),h
p
(j))＞r}表示dm(h
p
(i),h
p
(j))大于r的个数，所有bi(m,r)平均值记为b(m,r)；同理可得b(m+1,r)，则h
p
(t)的样本熵值为：
[0092][0093]
s22：构建基于样本熵重构公式：
[0094][0095]
其中，s(t)为强波动项，k(t)为中波动项，w(t)为弱波动项；
[0096]
s23：强波动项通过lstm模型进行预测，中波动项通过gru网络进行预测，弱波动项通过spline模型进行预测；
[0097]
s24：建立滚动预测机制：
[0098][0099]
其中，均为预测值。
[0100]
在本实施例中，步骤s3中，还包括以下步骤：
[0101]
s31：建立趋势项预测更新机制：
[0102]
对于趋势项g(t)＝{g1,g2,......,gn}预测，计算spline模型预测值前后的斜率k，
[0103][0104]
其中，gn为n时刻对应的趋势项位移值，t为位移对应的时间，当斜率不满足z《k《o时，保留变化时刻前的预测值，等待新数据进行更新；
[0105]
s32：建立重构各项预测更新机制：一次预测e步长，二次预测后总步长为2e，当总预测步长达到2e时，对spline-lstm-gru进行更新。
[0106]
进一步的，步骤s4中，通过emd分解进行滤波降噪处理。
[0107]
通过拉依达及lof两个准则分别识别，避免了单一准则识别不完整的缺陷，对于拉依达准则来说，由于边坡雷达在进行监测时其测量误差是服从正态分布的随机变量。因此，在边坡处于等速变形阶段时，引入测量误差的变形速度样本变量同样服从正态分布，具体地说，步骤s5中，还包括以下步骤：
[0108]
s51：通过数据异常点检测方法找到滑坡起始点：
[0109]
通过拉依达准则找到超过3σ的数据，即为滑坡起始点
[0110][0111]
变量服从的分布被称为正态分布，记作x～n(μ，σ2)，σ2为标准方差；具体地说，根据求出μ和σ，可以知道在置信区间(μ-3σ，μ+3σ)内的概率是99.75％，
[0112]
在有限次测量中超过
±
3σ区间发生的可能性小，因此超过
±
3σ即是滑坡起始点。
[0113]
采用lof准则进行起始点的判断：训练集x＝[x1,x2,...,xn]∈rd×n，xa的k近邻记为
knn(xa)，通过计算xa与k近邻距离得到xa的k距离记为kd(xa)，xa与另一个对象xb的可达距离定义为：
[0114]dr
(xa,xb)＝max{kd(xb),d(xa,xb)}；
[0115]
xa的k近邻平均可达密度的倒数为局部可达密度，
[0116][0117]
通过计算xa和xb的局部可达密度得到lof，
[0118][0119]
具体地说，对于lof准则来说，先求出获得xa(a＝1,2,...,n)的k近邻xa的k近邻记为knn(xa)，最后求得的lof(xa)明显大于1时，则xa是一个异常值，即是滑坡起始点。
[0120]
s52：通过斋藤模型计算拉依达准则找到的滑坡起始点的滑坡时间，
[0121][0122]
其中，t1，t2和t3为变形速率相等的三个时刻，t
r-t为剩余的破坏时间；
[0123]
s53：通过速度倒数法计算lof准则找到的滑坡起始点的滑坡时间，
[0124][0125]
其中，v为速度，t为时间，tf为滑坡时间，a和α均为材料的蠕变加速相关的常数。
[0126]
在本实施例中，步骤s6中，还包括以下步骤：
[0127]
s61：计算归一化切线角，
[0128][0129]
其中，αi为改进的切线角，ti为监测时刻，δt与δs对应的单位时间段，δt为单位时间段内t(i)的变化量；
[0130]
s62：设定蓝色、黄色、橙色和红色预警等级。进一步的，步骤s62中，蓝色、黄色、橙色和红色预警等级对应的切线角为44
°
、45
°
、79
°
和81
°
，对应的速度为v1～v4。具体地说，蓝色预警：代表着边坡位移变形处于初始或匀速变形阶段，边坡在一年内几乎不会出现失稳破坏；黄色预警：代表着边坡变形处于初加速变形阶段，边坡在此阶段中，数月或一年内出现失稳破坏的可能性比较大，需对此应以重视；橙色预警：代表着边坡变形处于中加速变形阶段，边坡在此阶段中，数天或数月内发生失稳破坏的可能性很大，需时时发布预警消息，提醒当地居民准备提前避险；红色预警：代表着边坡变形处于临滑阶段，边坡在数小时或者数天内即将发生失稳，需实时发布预警消息，警告当地居民立即进行避险。
[0131]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，
其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：包括以下步骤：s1：基于emd与ceemdan二次分解降低原始滑坡序列的波动性；s2：基于样本熵值对二次分解后的分量进行重构，根据不同分量特点，选择对应的预测模型进行预测，通过滚动预测机制增加预测长度；s3：建立基于斜率变化与预测步长的模型更新机制；s4：利用emd分解降低预测序列的波动性；s5：根据滚动预测结果，通过拉依达准则+斋藤模型和lof准则+速度倒数法模型来对滑坡是否预警进行联合判别；s6：根据归一化切线角法确定四级预警中各预警等级对应的速度，给出预警等级。2.根据权利要求1所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s1中，对原始数据进行二次分解还包括以下步骤：s11：对原始滑坡位移序列x(t)＝{x1,x2,......,x
n
}进行emd一次分解：其中，q
i
(t)为本征模态分量，r(t)为残差分量；s12：将本征模态分量根据分量极大值的个数重构为趋势项位移g(t)与周期项位移u(t)；s13：对于周期项位移进行ceemdan二次分解：其中，cimf为模态分量，r(t)为残差分量。3.根据权利要求1所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s2中，还包括以下步骤：s21：计算各cimf的样本熵值：设第p个模态分量为h
p
(t)，设置相似容限r和嵌入维数m，将h
p
(t)重构为n组m维矢量h
p
(t)＝{h
p
(t),h
p
(t+1),......,h
p
(t+m-1)}(t＝1,2,......,n)，计算两个不同矢量h
p
(i)和h
p
(j)之间的距离，将d
m
(h
p
(i),h
p
(j))＞r的数目与n-m的比值作为b
i
(m,r)其中，num{d
m
(h
p
(i),h
p
(j))＞r}表示d
m
(h
p
(i),h
p
(j))大于r的个数，所有b
i
(m,r)平均值记为b(m,r)；同理可得b(m+1,r)，则h
p
(t)的样本熵值为：s22：构建基于样本熵重构公式：
其中，s(t)为强波动项，k(t)为中波动项，w(t)为弱波动项；s23：强波动项通过lstm模型进行预测，中波动项通过gru网络进行预测，弱波动项通过spline模型进行预测；s24：建立滚动预测机制：其中，均为预测值。4.根据权利要求1所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s3中，还包括以下步骤：s31：建立趋势项预测更新机制：对于趋势项g(t)＝{g1,g2,......,g
n
}预测，计算spline模型预测值前后的斜率k，其中，g
n
为n时刻对应的趋势项位移值，t为位移对应的时间，当斜率不满足z<k<o时，保留变化时刻前的预测值，等待新数据进行更新；s32：建立重构各项预测更新机制：一次预测e步长，二次预测后总步长为2e，当总预测步长达到2e时，对spline-lstm-gru进行更新。5.根据权利要求1所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s4中，通过emd分解进行滤波降噪处理。6.根据权利要求1所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s5中，还包括以下步骤：s51：通过数据异常点检测方法找到滑坡起始点：通过拉依达准则找到超过3σ的数据，即为滑坡起始点变量服从的分布被称为正态分布，记作x～n(μ，σ2)，σ2为标准方差；采用lof准则进行起始点的判断：训练集x＝[x1,x2,...,x
n
]∈r
d
×
n
，x
a
的k近邻记为knn(x
a
)，通过计算x
a
与k近邻距离得到x
a
的k距离记为k
d
(x
a
)，x
a
与另一个对象x
b
的可达距离定义为：d
r
(x
a
,x
b
)＝max{k
d
(x
b
),d(x
a
,x
b
)}；x
a
的k近邻平均可达密度的倒数为局部可达密度，
通过计算x
a
和x
b
的局部可达密度得到lof，s52：通过斋藤模型计算拉依达准则找到的滑坡起始点的滑坡时间，其中，t1，t2和t3为变形速率相等的三个时刻，t
r-t为剩余的破坏时间；s53：通过速度倒数法计算lof准则找到的滑坡起始点的滑坡时间，其中，v为速度，t为时间，t
f
为滑坡时间，a和α均为材料的蠕变加速相关的常数。7.根据权利要求1所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s6中，还包括以下步骤：s61：计算归一化切线角，其中，α
i
为改进的切线角，t
i
为监测时刻，δt与δs对应的单位时间段，δt为单位时间段内t(i)的变化量；s62：设定蓝色、黄色、橙色和红色预警等级。8.根据权利要求7所述的一种基于多模集成滚动预测的双判据联合滑坡预警方法，其特征在于：所述步骤s62中，蓝色、黄色、橙色和红色预警等级对应的切线角为44
°
、45
°
、79
°
和81
°
，对应的速度为v1～v4。

技术总结
本发明公开了一种基于多模集成滚动预测的双判据联合滑坡预警方法，属于灾害预警领域，对于预测部分：首先采用经验模态分解和自适应噪声的完全集合经验模态分解对滑坡位移量进行二次分解，根据不同分量特点设计基于长短期记忆网络、门控循环单元和spline模型的多模集成预测机制，设计各模型的更新准则，实现多步滚动预测；对于预警部分：首先利用分解去除预测值的噪声，将数据分别输入到拉依达准则+斋藤模型与局部离群因子准则+速度倒数法中分别进行判断，利用速度阈值法给出预警等级。采用本发明所公开的方法，可以在滑坡没有发生破坏之前，根据监测数据进行分析，从而对滑坡发生的时间进行预测，并给出预警等级，实现精准预警。准预警。准预警。


技术研发人员：孙晓燕 黄建国 戴颖超 李浩
受保护的技术使用者：苏州理工雷科传感技术有限公司
技术研发日：2023.07.24
技术公布日：2023/10/11