基于监测数据和集成学习模型的滑坡多源综合预警方法与流程

1.本发明涉及地质灾害监测预测技术领域，尤其涉及一种基于监测数据和集成学习模型的滑坡多源综合预警方法。


背景技术：

2.滑坡地质灾害是世界范围内发生的一种严重的地质灾害类型，对人类社会的发展造成严重的威胁和损失。近年来，在全球极端气候变化的影响下，地震活动加上人类工程活动的快速发展，对自然环境的干扰更加强烈，直接导致地质灾害发生的强度和频率更高。这增加了滑坡减灾策略制定的难度。结合危险地区土地利用变化、人口增长和城市化失控等因素，滑坡风险等级持续上升。
3.因此，为了有效防治这类地质灾害，需要建立一种滑坡预警方法，但现有的预警模型为单个模型容易出现偶然误差，且单一预警模型不能很好适应多种情况下的多类型数据。


技术实现要素：

4.本发明的目的在于提供一种基于监测数据和集成学习模型的滑坡多源综合预警方法，旨在解决预警模型为单个模型容易出现偶然误差，且单一预警模型不能很好适应多种情况下的多类型数据的问题。
5.为实现上述目的，本发明提供了一种基于监测数据和集成学习模型的滑坡多源综合预警方法，包括以下步骤：
6.收集滑坡位移与影响滑坡的因素的数据，得到实验数据；
7.将所述实验数据分成多份，得到数据集；
8.选择多个基学习器组成分层模型的第一层预警模型；
9.将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到输入数据集；
10.选择一个元学习器组成所述分层模型的第二层预警模型；
11.将所述输入数据集输入所述第二层预警模型中进行训练，得到数值结果；
12.根据所述数值结果与预设阈值进行对比，得到预警级别。
13.其中，收集滑坡位移与影响滑坡的因素的数据，得到实验数据包括：
14.通过遥感卫星、gps测量设备、传感器设备监测坡体，得到监测数据；
15.收集历史的滑坡位移与影响的因素数据，得到历史数据；
16.将所述监测数据与所述历史数据进行整理，得到实验数据。
17.其中，所述收集历史的滑坡位移与影响的因素数据，得到历史数据，包括：
18.采集运河水位、土壤压力值、降雨量、滑坡坡度、滑坡重量、土壤类型的数据和对坡体的影响的数据，得到历史数据。
19.其中，所述将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到输入数据集包括：
20.对所述数据集进行k折交叉处理，得到训练集和测试集；
21.使用所述训练集对所述第一层预警模型进行训练，得到预训练模型；
22.将所述测试集输入所述预训练模型中进行模拟，得到输入数据集。
23.其中，所述对所述数据集进行k折交叉处理，得到训练集和测试集，包括：
24.将所述数据集随机地将数据分解为多个数量相同的数据，选取任意一个数据成为k折交叉验证中的训练集；
25.数据集中除去所述选取的一个数据剩下的为其他数据，则所述其他数据成为所述k折交叉验证中的测试集。
26.其中，将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到第二层的输入数据集包括：
27.使所述训练集对所述第一层预警模型的基学习器训练得到训练后的模型；
28.将所述测试集输入训练后的模型进行模拟，得到第二层的输入数据集。
29.其中，所述将所述第二层的输入数据集输入所述第二层预警模型中进行训练，得到数值结果包括：
30.将多个所述输入数据集进行整理，得到第一层预警结果；
31.将所述第一层预警结果输入所述第二才层预警模型中的元学习器进行训练，得到所述数值结果。
32.本发明的一种基于监测数据和集成学习模型的滑坡多源综合预警方法，stacking模型是一种人工智能模型集成技术，它将多个人工智能的结果信息结合起来生成新的模型，通过收集滑坡位移与影响滑坡的因素的数据，得到实验数据；将所述实验数据分成多份，得到数据集；选择多个基学习器组成分层模型的第一层预警模型；将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到输入数据集；选择一个元学习器组成所述分层模型的第二层预警模型；将所述输入数据集输入所述第二层预警模型中进行训练，得到数值结果；根据所述数值结果与预设阈值进行对比，得到预警级别，本发明解决预警模型为单个模型容易出现偶然误差，且单一预警模型不能很好适应多种情况下的多类型数据的问题。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本发明提供的一种基于监测数据和集成学习模型的滑坡多源综合预警方法的流程图。
35.图2是本发明提供的一种基于监测数据和集成学习模型的滑坡多源综合预警方法流程示意图。
36.图3是stacking预警模型结构图。
37.图4是上有组滑坡的位移数据。
38.图5是上有组滑坡的降雨数据。
39.图6是应用于上有组滑坡的stack滑坡多源综合预警方法。
40.图7是上有组滑坡的stacking模型中基学习器和元学习器的预警结果。
41.图8是上有组滑坡的stacking模型中最终的预警级别。
具体实施方式
42.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
43.请参阅图1至图3，第一方面，本发明提供一种基于监测数据和集成学习模型的滑坡多源综合预警方法，包括以下步骤：
44.s1收集滑坡位移与影响滑坡的因素的数据，得到实验数据；
45.具体的，
46.s11通过遥感卫星、gps测量设备、传感器设备监测坡体，得到监测数据；
47.s12收集历史的滑坡位移与影响的因素数据，得到历史数据；
48.具体的，采集运河水位、土壤压力值、降雨量、滑坡坡度、滑坡重量、土壤类型的数据和对坡体的影响的数据，得到历史数据；
49.s13将所述监测数据与所述历史数据进行整理，得到实验数据。
50.s2将所述实验数据分成多份，得到数据集；
51.s3选择多个基学习器组成分层模型的第一层预警模型；
52.s4将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到输入数据集；
53.具体的，
54.s41对所述数据集进行k折交叉处理，得到训练集和测试集，包括：
55.将所述数据集随机地将数据分解为多个数量相同的数据，选取任意一个数据成为k折交叉验证中的训练集；
56.具体为，对于数据集s＝{(yn,xn),n＝1,
…
,n}随机地将数据分解为k个数量相同的数据s1,s2,
…
sk，选取其中的s
xk
成为k折交叉验证中第k折的训练集；
57.数据集中除去所述选取的一个数据剩下的为其他数据，则所述其他数据成为所述k折交叉验证中的测试集；
58.具体为，数据集s中除去所述s
xk
剩下的为s
ck
，则所述s
ck
成为所述k折交叉验证中的第k的测试集。
59.使所述训练集对所述第一层预警模型的基学习器训练，得到训练后的模型；
60.s42将所述测试集输入所述训练后的模型中进行模拟，得到输入数据集。
61.lk根据使用的所述基学习器，使用xn预警得到结果r
kn
,则得到第一层的n个预警结果s
new
＝{(yn,z
1n
,
…
,z
kn
),ｎ＝1,
…
,ｎ}，这n个结果就是第二层的输入数据集。
62.s5选择一个元学习器组成所述分层模型的第二层预警模型；
63.s6将所述输入数据集输入所述第二层预警模型中进行训练，得到数值结果；
64.具体的，
65.将多个所述输入数据集进行整理，得到第一层预警结果；
66.将所述第一层预警结果输入所述第二才层预警模型中的元学习器进行训练，得到所述数值结果。
67.s
new
做为第二层元学习器l
new
的输入数据，l
new
根据自己的实际模型情况训练s
ｎｅｗ
，得到第二次预警结果。
68.s7根据所述数值结果与预设阈值进行对比，得到预警级别。
69.在本发明中，
70.所述基学习器和元学习器的选取，以提升预警效果为目的，可以根据自己的经验选择或者选择流行的分层模型，也可以采用专家评审的优质模型。
71.所述预警阈值根据历史滑坡造成的影响，划分为多个等级，方面人们根据不同的等级派出适合的人进行处理。
72.有益效果：
73.1、本发明采用stacking集成技术，将多个模型集合起来，提高了模型预警的性能。
74.2、本发明采用stacking集成技术，考虑不同算法的数据观测与训练原理差异，可适应多种情况下的多类型数据。
75.3、本发明采用stacking集成技术，该技术使用了多折交叉验证，提高了模型的鲁棒性，使得预警结果较为稳健。
76.4、stacking的基学习器和元学习器都可以采用预测预警模型，增加了预警的提前时间，给防灾减灾工作带来更大便利。
77.为了更好的说明本发明的可使用性，提供一种具体实施方式；
78.如图4至图8所示；
79.通过使用梧州上有组滑坡2022年4月11日到2022年4月18日的位移数据和降雨数据，前7日为训练集，第8日数据为测试集，检验了提出的stacking预警模型的有效性；
80.将stacking模型的第一层基学习器设置为5个模型，rnn、lstm、gru、elm、cnn，第二层元学习器设置为svr模型，将上有组滑坡的相关数据随机分为5组，进行5折交叉验证输入到第一层5个模型中；
81.得到了5个预警结果后，预警结果输入到第二层元学习器中，svr模型预警后得到最终数据。从结果中也可以看出，经过了stacking模型的预警结果比rnn、lstm、gru、elm、cnn模型的预警结果要更接近实际位移，预警效果更为准确。
82.根据预先设置好的预警阈值，发出对应预警级别。
83.以上所揭露的仅为本发明一种基于监测数据和集成学习模型的滑坡多源综合预警方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

技术特征：
1.一种基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，收集滑坡位移与影响滑坡的因素的数据，得到实验数据；将所述实验数据分成多份，得到数据集；选择多个基学习器组成分层模型的第一层预警模型；将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到输入数据集；选择一个元学习器组成所述分层模型的第二层预警模型；将所述输入数据集输入所述第二层预警模型中进行训练，得到数值结果；根据所述数值结果与预设阈值进行对比，得到预警级别。2.如权利要求1所述的基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，收集滑坡位移与影响滑坡的因素的数据，得到实验数据包括：通过遥感卫星、gps测量设备、传感器设备监测坡体，得到监测数据；收集历史的滑坡位移与影响的因素数据，得到历史数据；将所述监测数据与所述历史数据进行整理，得到实验数据。3.如权利要求2所述的基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，所述收集历史的滑坡位移与影响的因素数据，得到历史数据，包括：采集运河水位、土壤压力值、降雨量、滑坡坡度、滑坡重量、土壤类型的数据和对坡体的影响的数据，得到历史数据。4.如权利要求3所述的基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，所述将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到输入数据集包括：对所述数据集进行k折交叉处理，得到训练集和测试集；使用所述训练集对所述第一层预警模型进行训练，得到预训练模型；将所述测试集输入所述预训练模型中进行模拟，得到输入数据集。5.如权利要求4所述的基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，所述对所述数据集进行k折交叉处理，得到训练集和测试集，包括：将所述数据集分解为多个数量相同的数据，选取任意一个数据成为k折交叉验证中的训练集；数据集中除去所述选取的数据剩下的为其他数据，则所述其他数据成为所述k折交叉验证中的测试集。6.如权利要求5所述的基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，将所述数据集输入至所述第一层预警模型中进行训练和模拟，得到第二层的输入数据集包括：使所述训练集对所述第一层预警模型的基学习器训练，得到训练后的模型；将所述测试集输入训练后的模型进行模拟，得到第二层的输入数据集。
7.如权利要求6所述的基于监测数据和集成学习模型的滑坡多源综合预警方法，其特征在于，所述将所述第二层的输入数据集输入所述第二层预警模型中进行训练，得到数值结果包括：将多个所述第一层的输入数据集进行整理，得到第一层预警结果；将所述第一层预警结果输入所述第二层预警模型中的元学习器进行训练，得到所述数值结果。

技术总结
本发明涉及地质灾害监测预测技术领域，具体涉及一种基于监测数据和集成学习模型的滑坡多源综合预警方法，包括通过收集滑坡位移与影响滑坡的因素的数据，得到实验数据；将实验数据分成多份，得到数据集；选择多个基学习器组成分层模型的第一层预警模型；将数据集输入至第一层预警模型中进行训练和模拟，得到输入数据集；选择一个元学习器组成分层模型的第二层预警模型；将输入数据集输入第二层预警模型中进行训练，得到数值结果；根据数值结果与预设阈值进行对比，得到预警级别，本发明解决预警模型为单个模型容易出现偶然误差，且单一预警模型不能很好适应多种情况下的多类型数据的问题。的问题。的问题。


技术研发人员：孙希延 林子安 张帆 刘小明 陈秋光 覃仁艺 卢伟萍 杨丽丽 黄玲松 何清 吴传宇
受保护的技术使用者：广西壮族自治区地质环境监测站 广西壮族自治区气象科学研究所
技术研发日：2023.03.07
技术公布日：2023/7/4