一种地质灾害气象风险预警方法及系统与流程

1.本发明属于地质灾害预警技术领域，具体涉及一种地质灾害气象风险预警方法及系统。


背景技术：

2.降雨是诱发一些地区地质灾害的最主要因素。近年来，随着极端天气加剧，每逢汛期都有新的地质灾害隐患点出现，严重危害人民群众生命财产安全，防治任务异常艰巨。气象风险预警的质量直接决定着地方临灾避险预案的社会经济效益。
3.传统的地质灾害气象风险预警是基于统计学或工程地质学，也有一些结合人工智能开展针气象风险预警的研究，采用的技术主要是机器学习与深度学习领域的方法。例如，李高等在滑坡对降雨响应的多指标监测及综合预警探析的论文中，以赣南罗坳滑坡为例对赣南地区典型降雨型滑坡进行了多指标检测和综合预警示范研究。程晓露等在陕西省地质灾害气象预报预警系统的应用与现状的论文中研究了陕西省的灾害及降雨条件，提出了各级易发区不同致灾频度对应的临界降雨条件。代永江对豫西的降水规律进行分析，建立了崩塌、滑坡等降雨型地质灾害预警预报模型。同时，针对降水预测中现存的一些问题，一些学者也展开了研究。王圣堂等提出了一种基于多物理量参数组合的短时强降水预测方法，通过概率神经网络(pnn)和广义回归神经网络(grnn)对短时强降水进行预测。张星等提出了一种基于遗传算法的长短期记忆神经网络模型(ga-lstm)，以提高预测降水量的准确度。但是传统的基于统计学或工程地质学的灾害风险预警技术难以解决地质-气象数据场耦合问题，在时空上始终缺乏必要的预警阈值边界条件。而目前基于人工智能的气象风险预警技术大多基于几类传统的地质-气象数据和常规的神经网络，仍然无法做到精细化的地质-气象数据场耦合。


技术实现要素：

4.有鉴于此，本发明提出了一种地质灾害气象风险预警方法及系统，用于解决现有风险预警技术难以实现精细化的地质-气象数据耦合的问题。
5.本发明第一方面，公开一种地质灾害气象风险预警方法，所述方法包括：
6.收集目标地区因强降雨或连续降雨诱发地质灾害的降雨记录，根据降雨记录构建地质灾害数据集；
7.选取地质灾害点的多个地质环境特征，分别构成地质特征数据平面，建立地质环境数据集；
8.将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集；
9.基于地质灾害数据集、地质环境数据集和降水特征数据集建立降雨型地质灾害样本集；
10.基于tcn-attention网络模型构建地质灾害气象风险预警模型；
11.将降雨型地质灾害样本集输入地质灾害气象风险预警模型进行训练；
12.通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。
13.在以上技术方案的基础上，优选的，所述根据降雨记录构建地质灾害数据集具体包括：
14.从降雨形态以及降雨量两个维度对降雨记录进行分层抽样；所述降雨形态包含小雨、中雨、大雨和暴雨四种形态；
15.按预设的比例选取反例样本点，确定地质灾害点，构建地质灾害数据集。
16.在以上技术方案的基础上，优选的，所述地质环境特征包括坡度、坡向、地貌类型、地表起伏度、工程地质岩组、地表断裂影响、坡面径流影响、坡型、土地利用类型和人类扰动强度。
17.在以上技术方案的基础上，优选的，所述将地质灾害数据集中的降雨记录演算成不同时间点位的降雨量具体包括：
18.将逐小时降水演算成以下7类降雨量指数特征：24小时内雨量、72日内累计雨量、10日内累计雨量、3日内有效雨量、10日内有效雨量、20天内最长连续降雨天数和日降雨量≥5mm降雨累积量；
19.其中，各点位降雨量源于对所有气象站的降雨数据进行克里金插值得到；有效降雨量使用如下公式计算：
[0020][0021]
其中，re表示有效降雨量，rk为从灾害发生当天起前k天的雨量。
[0022]
在以上技术方案的基础上，优选的，所述tcn-attention网络模型包括依次连接的输入层、tcn层、attention层和输出层，其中，attention层通过调整tcn层的隐藏层中特征的权重来提高对于重点特征的关注度。
[0023]
在以上技术方案的基础上，优选的，所述tcn层的模型表达式如下：
[0024]
model＝tcn(input_channels,n_classes,channel_sizes,kernel_size＝kernel_size,dr opout＝args.dropout)
[0025]
其中，input_channels代表输入通道数；n_classes代表分类数；kernel_size代表卷积核尺寸；dropout为防止过拟合的策略。
[0026]
在以上技术方案的基础上，优选的，所述attention层求取权重的过程如下：
[0027]
x
t
＝u tanh(w[h
t-1
,sk])
[0028]at
＝softmax(x
t
)
[0029]
式中，x
t
为隐藏层状态h
t-1
与不同状态之间的相似度，u和w是权重系数，sk为一个时间步长的第k个变量，tanh为双曲正切函数，a
t
为当前输入对历史输入隐藏层的注意力权值t∈[0,t]。
[0030]
本发明第二方面，公开一种地质灾害气象风险预警系统，所述系统包括：
[0031]
数据集建立模块：用于收集目标地区因强降雨或连续降雨诱发地质灾害的降雨记录，根据降雨记录构建地质灾害数据集；选取地质灾害点的多个地质环境特征，分别构成地
质特征数据平面，建立地质环境数据集；将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集；基于地质灾害数据集、地质环境数据集和降水特征数据集建立降雨型地质灾害样本集；
[0032]
模型构建模块：用于基于tcn-attention网络模型构建地质灾害气象风险预警模型；
[0033]
模型训练模块：用于将降水特征数据集输入地质灾害气象风险预警模型进行训练；
[0034]
风险预警模块：用于通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。
[0035]
本发明相对于现有技术具有以下有益效果：
[0036]
1)本发明构建了地质灾害数据集、地质环境数据集和降雨特征数据集，在建立数据集时即实现多种地质数据与不同气象指数数据的精细化匹配，以基于tcn-attention网络模型构建的地质灾害气象风险预警模型对不同数据集之间的时间相关性进行了深度分析，实现精细化的地质-气象数据耦合，可以得到高质量的地质灾害气象风险预警模型，提高风险预警的准确度；
[0037]
2)本发明选取了10个地质环境特征并演算了7类降雨量指数特征共同组成各个地质灾害点的特征，极大地丰富了地质灾害的特征类型，强化了地质数据和气象数据之前的关联，有利于实现地质-气象数据的耦合和协同计算；
[0038]
3)本发明在tcn网络模型的基础上引入注意力机制来调整tcn隐藏层中关键特征的权重以筛选关键信息，可以提升模型预测能力。附图说明
[0039]
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。
[0040]
图1为本发明的地质灾害气象风险预警方法流程图；
[0041]
图2为某地质灾害点的累计降水量记录；
[0042]
图3为降雨型地质灾害样本集中的部分样本示例；
[0043]
图4所示为残差模块的结构示意图。
[0044]
图5为tcn特征提取示意图；
[0045]
图6为注意力机制的基本网络架构示意图；
[0046]
图7为本发明的tcn-attention网络模型结构示意图，
[0047]
图8为地质灾害气象风险预警模型进行训练过程示意图。
具体实施方式
[0048]
下面将结合本发明实施方式，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，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做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。
[0049]
请参阅图1，本发明提出一种地质灾害气象风险预警方法，所述方法包括：
[0050]
s1、收集目标地区因强降雨或连续降雨诱发地质灾害的地质灾害点和降雨记录，构建地质灾害数据集。
[0051]
以目标地区为宁夏为例，收集整理近10年宁夏因强降雨或连续降雨诱发、且有详细时间、位置记载的地质灾害记录。剔除非降水诱发的滑坡点以及近20天内无降水记录的样本点，得到正样本点。在此基础上，从降雨形态以及降雨量两个维度对降雨记录进行分层抽样，降雨形态可以分为小雨、中雨、大雨和暴雨四种形态，按1:2的比例选取反例样本点，确定目标地区内的地质灾害点和灾害类型，构建宁夏地区的地质灾害数据集。如图2所示为某地质灾害点的累计降水量记录。
[0052]
s2、选取地质灾害点的多个地质环境特征，分别构成地质特征数据平面，地质环境数据集。
[0053]
基于地质灾害数据集中的每一个地质灾害点，分别选取对应的坡度、坡向、地貌类型、地表起伏度、工程地质岩组、地表断裂影响、坡面径流影响、坡型、土地利用类型和人类扰动强度等10个地质环境特征，分别构成地质特征数据平面，形成地质环境数据集。
[0054]
s3、将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集。
[0055]
为了更好的反映降水特征，将每个地质灾害点的降雨记录中的逐小时降水演算成以下7类指数特征：24小时内雨量、72日内累计雨量、10日内累计雨量、3日内有效雨量、10日内有效雨量、20天内最长连续降水天数和日降水量≥5mm降水累积量。演算过程中，通过对宁夏所有气象站的降雨数据进行克里金插值得到对应的点位降雨量，有效降水量使用薛建军等提出的经验公式：
[0056][0057]
其中，re表示有效降水量，rk为从灾害发生当天起前k天的雨量。
[0058]
最终得到降雨特征数据集。
[0059]
s4、基于地质灾害数据集、地质环境数据集和降水特征数据集建立降雨型地质灾害样本集。
[0060]
如图3所示为以宁夏西北走向的牛首山断裂为界作为目标地区构建的降雨型地质灾害样本集中的部分样本示例，其中，a为根据地质灾害数据集生成的地质灾害点数据平面示例，b为根据降水特征数据集生成的一个降水特征数据平面示例，c为地质环境数据集中的工程地质岩组对应的地质特征数据平面，d为地质环境数据集中的土地利用类型对应的地质特征数据平面；a、b、c、d中对应位置的数据分别是一一对应的，即每一个地质灾害点分别对应10个地质环境特征和7个降雨量指数特征，再分别以每个地质灾害点的灾害类型为标签建立降雨型地质灾害样本集。
[0061]
s5、基于tcn-attention网络模型构建地质灾害气象风险预警模型。
[0062]
tcn(temporal convolutional network)全称为时间卷积网络，它是由具有相同输入和输出长度的扩张卷积和因果卷积组成，可以用来进行时间序列预测。通过引入膨胀因果卷积，可以通过内核移位和填充信号来屏蔽过滤器内核中与未来输入有关的部分，可以避免数据泄露。在因果卷积的基础上引入了膨胀卷积(空洞卷积)，膨胀卷积通过操作
dilation这个参数来使卷积核之间存在空洞，即之间的数据会被隔掉，dilation越大，数据之间的间隔越大。引入膨胀因果卷积后，可以通过设置dilation不同的卷积层来增加感受野，对比因果卷积减少了卷积的层数。
[0063]
此外，为了避免成为一个过于复杂的线性回归模型，tcn还引入了残差模块，残差模块能够是更深层的网络正常工作，从而提高了模型的性能。残差模块中包含两层膨胀因果卷积层，并且通过权值归一化使训练变得更快，dropout则用来防止训练模型出现过拟合的现象，起到了正则化的作用，另外，通过一维全卷积保证了tcn的输入序列和输出序列保持一致，最后使用完全连接的层来预测输出，如图4所示为残差模块的结构示意图。
[0064]
图5所示为tcn特征提取示意图。本发明在tcn的基础上，引入注意力机制，得到改进的tcn-attention网络模型。注意力机制最早是一些专家学者根据对人类注意力的研究而提出的，本质上就是实现对信息处理资源的高效分配。当人类查看图片信息时，会更多地将注意力放到包含图片特征信息多的地方，而剩下的包含特征信息少的甚至不包含特征信息的地方则通常会被忽略，这就是注意力的合理有效分配。注意力机制能够通过调整权重来聚焦重点信息、忽略去除不相关的信息，而正是因为这种灵活的机制，使得注意力机制具有更高的可扩展性和鲁棒性，其基本网络架构如图6所示。
[0065]
当需要处理大量数据时，在网络模型中加入注意力机制来指定隐藏层中关键特征的权重可以从海量数据中筛选出关键信息，通过将注意力机制和tcn结合可以大大提高tcn提取特征的能力，预测更加准确。
[0066]
如图7所示为本发明的tcn-attention网络模型结构示意图，本发明提出的tcn-attention网络模型包括依次连接的输入层、tcn层、attention层和输出层。首先将原始数据展开为一个一维的、长度为28的列向量，将其作为输入层输入到tcn中，然后attention层通过调整tcn隐藏层中特征的权重来提高对于重点特征的关注度，最后由输出层输出预测结果。
[0067]
图6中，s
t
为时间卷积网路的输入数据序列，h
t
为对应的隐藏层的输出，a
t
为当前输入对历史输入隐藏层的注意力权值，c
t
为t时刻的注意输出，y
t
为经过注意力模块赋予权值后提取的特征信息中贡献最大的部分，即最终输出，t∈[0,t]。
[0068]
其中，tcn层的模型表达式如下：
[0069]
model＝tcn(input_channels,n_classes,channel_sizes,kernel_size＝kernel_size,dr opout＝args.dropout)
[0070]
其中，input_channels代表输入通道数；n_classes代表分类数；kernel_size代表卷积核尺寸；dropout为防止过拟合的策略。attention层通过调整tcn层的隐藏层中特征的权重来提高对于重点特征的关注度。attention层求取权重的过程如下：
[0071]
x
t
＝u tanh(w[h
t-1
,sk])
[0072]at
＝softmax(x
t
)
[0073]
式中，x
t
为隐藏层状态h
t-1
与不同状态之间的相似度，u和w是权重系数，sk为一个时间步长的第k个变量，tanh为双曲正切函数，a
t
为当前输入对历史输入隐藏层的注意力权值t∈[0,t]。
[0074]
s6、将降雨型地质灾害样本集输入地质灾害气象风险预警模型进行训练。
[0075]
以图3所示的降雨型地质灾害样本为例，降雨型地质灾害样本集中包含了地质灾
害点数据平面、地质环境特征数据平面和降雨量指数特征数据平面，以地质环境特征数据平面和降雨量指数特征数据平面为输入、以地质灾害点位置及灾害类型为输出，对地质灾害气象风险预警模型进行训练，训练过程如图8所示，将降雨型地质灾害样本集拆分为训练集和测试集，训练达到预设的收敛条件后结束，并进行模型效果评价。
[0076]
s7、通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。
[0077]
具体的，收集目标地区当前降雨数据及地质环境特征数据，采用步骤s2和s3相同的方式进行数据处理，构建地质环境特征数据平面和降雨量指数特征数据平面，输入地质灾害气象风险预警模型，输出灾害类型预测结果及地质灾害点位置，以此进行地质灾害气象风险预警。
[0078]
本发明构建了地质灾害数据集、地质环境数据集和降雨特征数据集，通过改进tcn深度神经网络模型得到的tcn-attention网络模型不同数据集之间的时间相关性进行了具体分析。研究结果表明：得益于神经网络良好的延展性，基于该方法构建的模型能够显著提升地质灾害气象风险预警能力。
[0079]
可将步骤s5中模型构建所采用的方法替换为支持向量机(support vector machine，svm)或深度神经网络(deep learning network，dnn)，并与本发明采用的tcn-attention网络模型作比较，经过实验对比分析，tcn-attention在测试数据集下的精确率优于svm以及dnn，进一步证明了tcn-attention在地质灾害气象风险预警模型研究中的有效性和高可用性。实验结果表明，tcn-attention在测试集上的准确率要高于tcn、dnn和svm，证明基于tcn-attention构建的模型能够显著提升地质灾害气象风险预警能力，有较好的技术应用前景。
[0080]
与上述方法实施例相对应，本发明还提出一种地质灾害气象风险预警系统，所述系统包括：
[0081]
数据集建立模块：用于收集目标地区因强降雨或连续降雨诱发地质灾害的降雨记录，根据降雨记录构建地质灾害数据集；选取地质灾害点的多个地质环境特征，分别构成地质特征数据平面，建立地质环境数据集；将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集；基于地质灾害数据集、地质环境数据集和降水特征数据集建立降雨型地质灾害样本集；
[0082]
模型构建模块：用于基于tcn-attention网络模型构建地质灾害气象风险预警模型；
[0083]
模型训练模块：用于将降雨型地质灾害样本集输入地质灾害气象风险预警模型进行训练；
[0084]
风险预警模块：用于通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。
[0085]
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。
[0086]
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前
述的方法。
[0087]
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：u盘、移动硬盘、只读存储器rom、随机存取存储器ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0088]
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0089]
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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：
1.一种地质灾害气象风险预警方法，其特征在于，所述方法包括：收集目标地区因强降雨或连续降雨诱发地质灾害的地质灾害点和降雨记录，构建地质灾害数据集；选取地质灾害点的多个地质环境特征，分别构成地质特征数据平面，建立地质环境数据集；将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集；基于地质灾害数据集、地质环境数据集和降水特征数据集建立降雨型地质灾害样本集；基于tcn-attention网络模型构建地质灾害气象风险预警模型；将降雨型地质灾害样本集输入地质灾害气象风险预警模型进行训练；通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。2.根据权利要求1所述的地质灾害气象风险预警方法，其特征在于，所述构建地质灾害数据集具体包括：从降雨形态以及降雨量两个维度对降雨记录进行分层抽样；所述降雨形态包含小雨、中雨、大雨和暴雨四种形态；按预设的比例选取反例样本点，确定地质灾害点和灾害类型，构建地质灾害数据集。3.根据权利要求1所述的地质灾害气象风险预警方法，其特征在于，所述地质环境特征包括坡度、坡向、地貌类型、地表起伏度、工程地质岩组、地表断裂影响、坡面径流影响、坡型、土地利用类型和人类扰动强度。4.根据权利要求1所述的地质灾害气象风险预警方法，其特征在于，所述将地质灾害数据集中的降雨记录演算成不同时间点位的降雨量具体包括：将降雨记录中的逐小时降水演算成以下7类降雨量指数特征：24小时内雨量、72日内累计雨量、10日内累计雨量、3日内有效雨量、10日内有效雨量、20天内最长连续降雨天数和日降雨量≥5mm降雨累积量；其中，各点位降雨量源于对所有气象站的降雨数据进行克里金插值得到；有效降雨量使用如下公式计算：其中，r
e
表示有效降雨量，r
k
为从灾害发生当天起前k天的雨量。5.根据权利要求1所述的地质灾害气象风险预警方法，其特征在于，所述tcn-attention网络模型包括依次连接的输入层、tcn层、attention层和输出层，其中，attention层通过调整tcn层的隐藏层中特征的权重来提高对于重点特征的关注度。6.根据权利要求5所述的地质灾害气象风险预警方法，其特征在于，所述tcn层的模型表达式如下：model＝tcn(input_channels,n_classes,channel_sizes,kernel_size＝kernel_size,dr opout＝args.dropout)其中，input_channels代表输入通道数；n_classes代表分类数；kernel_size代表卷积
核尺寸；dropout为防止过拟合的策略。7.根据权利要求5所述的地质灾害气象风险预警方法，其特征在于，所述attention层求取权重的过程如下：x
t
＝u tanh(w[h
t-1
，s
k
])a
t
＝softmax(x
t
)式中，x
t
为隐藏层状态h
t-1
与不同状态之间的相似度，u和w是权重系数，s
k
为一个时间步长的第k个变量，tanh为双曲正切函数，a
t
为当前输入对历史输入隐藏层的注意力权值t∈[0,t]。8.一种地质灾害气象风险预警系统，其特征在于，所述系统包括：数据集建立模块：用于收集目标地区因强降雨或连续降雨诱发地质灾害的降雨记录，根据降雨记录构建地质灾害数据集；选取地质灾害点的多个地质环境特征，分别构成地质特征数据平面，建立地质环境数据集；将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集；基于地质灾害数据集、地质环境数据集和降水特征数据集建立降雨型地质灾害样本集；模型构建模块：用于基于tcn-attention网络模型构建地质灾害气象风险预警模型；模型训练模块：用于将降雨型地质灾害样本集输入地质灾害气象风险预警模型进行训练；风险预警模块：用于通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。

技术总结
本发明公开了一种地质灾害气象风险预警方法及系统，所述方法包括：收集目标地区因强降雨或连续降雨诱发地质灾害的地质灾害点和降雨记录，构建地质灾害数据集；选取地质灾害点的多个地质环境特征，建立地质环境数据集；将地质灾害数据集中的降雨记录演算成不同时间的降雨量指数特征，得到降水特征数据集；基于各个数据集建立降雨型地质灾害样本集训练基于TCN-Attention网络模型构建的地质灾害气象风险预警模型；通过训练后的地质灾害气象风险预警模型进行目标地区的地质灾害气象风险预警。本发明基于TCN-Attention网络模型对地质灾害数据集、地质环境数据集和降雨特征数据集之间的时间相关性进行了深度分析，实现精细化的地质-气象数据耦合，提高风险预警的准确度。度。度。


技术研发人员：黄玮 张鹏 罗楷 宋永飞 刘志坚 田燕
受保护的技术使用者：张鹏 罗楷 宋永飞 刘志坚 田燕
技术研发日：2023.02.08
技术公布日：2023/6/27