一种地质灾害预测预警方法与流程

1.本发明涉及地质灾害预警技术领域，具体涉及一种地质灾害预测预警方法。


背景技术：

2.地质灾害每年都会造成大量的伤亡与财产损失。可靠的地质灾害预测预警方法是降低地质灾害风险的合理途径。如果这种能够准确地预测预警地质灾害的方法能够成功实施，将会具有巨大的社会价值和重要的经济效益。
3.地质灾害预测预警模型可分为两大类：物理模型和数据驱动模型。与物理模型相比，数据驱动模型更受欢迎，因为其过程简单、预测准确、成本更低。
4.现有的地质灾害预警模型都是基于实时预警功能的，当灾害发生时才给出预警信息，没有给决策者留有充足的时间面对地质灾害。所以现在迫切需要一种地质灾害预测预警方法，能够对未来的地质灾害发生做出预测，给决策者面对地质灾害时留有足够的时间提前量，给防灾减灾工作提供有力支撑。


技术实现要素：

5.本发明的目的在于提供一种地质灾害预测预警方法，旨在通过人工智能算法进行动态预测地质灾害，解决传统静态的地质灾害预测预警方法预测预警精度不高的技术问题。
6.为实现上述目的，本发明提供了一种地质灾害预测预警方法，包括下列步骤：
7.获取灾害及环境数据；
8.对灾害及环境数据进行异常值替换处理；
9.对处理后的数据进行标准归一化处理；
10.建立地质灾害预测预警模型；
11.分别选取地质灾害的实际趋势数据和实际周期数据训练所述地质灾害预测预警模型，获得预测趋势数据和预测周期数据；
12.结合预测趋势数据和预测周期数据获得预测累积数据；
13.对所述预测累积数据进行反标准归一化处理，获得最终地质灾害预测数据。
14.其中，所述灾害及环境数据包括降雨量、水库水位、土壤类型、边坡坡度、边坡朝向、空气湿度和土壤湿度。
15.其中，在异常值替换处理的过程中，替换的数据为前一个数据与后一个数据的平均值，若是第一个或者最后一个则直接删除。
16.其中，标准归一化处理的过程，具体按以下公式处理：
17.yi＝(x
i-x
min
)/(x
max-x
min
)，xi为第i个原始数据，x
min
为x数据中最小值，x
max
为x数据中最大值。
18.其中，所述地质灾害预测预警模型中包括前向传播和反向传播两个方向的计算传播，前向传播每次都计算f
t
、i
t
、o
t
、h
t
、c
t
、的数值，反向传播每次依靠减少误差项的和，计
算并调整权重和偏置wf、wo、wi、wc、bf、bo、bi、bc的数值，并使得误差项的和达到最小，达到一定训练次数后停止，误差项的和为h
t
与y
t
的差值的求和，其中f
t
表示t时刻的遗忘门、i
t
表示t时刻的输入门、o
t
表示t时刻的输出门、h
t
表示t时刻的输出数据、y
t
表示第t个实际数据、c
t
表示t时刻的单元状态、wf表示遗忘门的权重、wo表示输出门的权重、wi表示输入门的权重、wc表示备选权重、bf表示遗忘门的偏置、bi表示输入门的偏置、bo表示输出门的偏置、bc表示备选偏置、表示t时刻的单位备选状态。
19.其中，地质灾害的实际趋势数据和实际周期数据的获取过程，具体为采用地质灾害数据分解算法得到地质灾害的实际趋势数据，实际累积数据减去实际趋势数据得到实际周期数据。
20.其中，反标准归一化处理的过程，具体按以下公式处理：
21.yi＝xi(x
max-x
min
)+x
min
，x
min
为原始x数据中最小值，x
max
为原始x数据中最大值，yi为最终预测数据，xi为模型中算出的第i个数据。
22.本发明提供了一种地质灾害预测预警方法，通过使用机器学习算法处理地质灾害趋势数据，里面包含两个地质灾害预测模型，其中一个地质灾害预测模型预测趋势数据，另一个地质灾害预测模型算法部分预测周期数据，通过训练验证后使用测试集对地质灾害趋势预测模型进行测试，得到预测的准确度，另外使用了地质灾害因素关联度算法量化影响地质灾害的因素，选取相关性大的作为输入变量，提高了预测预警的准确度。
附图说明
23.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。
24.图1是本发明的一种地质灾害预测预警方法的流程示意图。
25.图2是本发明的地质灾害趋势预测输出模型的结构图。
26.图3是本发明的具体实施例的108个月灾害体形变位移数据、降雨量数据和水库水位数据图。
27.图4是本发明的具体实施例的灾害体实际累积位移、实际趋势位移和实际周期位置的关系对比图。
28.图5是本发明的具体实施例的地质灾害趋势预测模型预测趋势与实际对比图。
29.图6是本发明的具体实施例的降雨量和水库水位当作输入变量时的实际与预测对比图。
30.图7是本发明的具体实施例的最终灾害体实际数据与模型预测数据对比图。
具体实施方式
31.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。
32.本发明提供了一种地质灾害预测预警方法，包括下列步骤：
33.s1：获取灾害及环境数据；
34.s2：对灾害及环境数据进行异常值替换处理；
35.s3：对处理后的数据进行标准归一化处理；
36.s4：建立地质灾害预测预警模型；
37.s5：分别选取地质灾害的实际趋势数据和实际周期数据训练所述地质灾害预测预警模型，获得预测趋势数据和预测周期数据；
38.s6：结合预测趋势数据和预测周期数据获得预测累积数据；
39.s7：对所述预测累积数据进行反标准归一化处理，获得最终地质灾害预测数据。
40.具体的，以下结合具体实施步骤作进一步说明：
41.1、使用高精度的gps接收机或者地质灾害监测传感器或者遥感卫星或者人工测量，进行地质灾害变形监测，通过各种方式获得其他可能影响地质灾害的因素数据，比如说降雨量，水库水位，土壤类型，边坡坡度，边坡朝向，空气湿度，土壤湿度等等。
42.2、对得到的地质灾害体数据进行异常值替换处理，替换的数据为前一个数据与后一个数据的平均值，若是第一个或者最后一个，则直接删除。
43.3、异常值替换后的对所有数据进行标准归一化处理，使得数据较为稳定。
44.4、标准归一化过程：yi＝(x
i-x
min
)/(x
max-x
min
)，xi为第i个原始数据，x
min
为x数据中最小值，x
max
为x数据中最大值。
45.5、建立地质灾害预测预警模型，分别提出了一种地质灾害数据分解算法，地质灾害因素关联度算法，地质灾害趋势预测模型，整个算法的流程图如图1所示。
46.6、灾害实际累积数据＝灾害实际趋势数据+灾害实际周期数据，采用地质灾害数据分解算法得到地质灾害的实际趋势数据，实际累积数据减去实际趋势数据得到实际周期数据。
47.7、地质灾害因素关联度算法的内部参数为：t为实际趋势数据，d为实际累积数据；α是0到1之间的常数项，反映了加权递减率，t表示第t个时刻。
48.t
t
＝αd
t-1
+(1-α)t
t-1
49.8、得到t时刻的趋势数据后，用t时刻原始累积数据减去t时刻趋势数据，就得到t时刻的周期数据。
50.9、通过两个地质灾害趋势预测模型分别算出预测趋势数据和预测周期数据，解决了梯度爆炸和梯度消失的问题。
51.10、使用地质灾害因素关联度算法计算每种环境因素与实际周期数据的相关性，选取地质灾害因素关联度算法值超过某个设定值的因素作为预测周期数据模型的输入变量，假设有两种变量a＝{ai,i＝1,2,
…
,n}和b＝{bi,i＝1,2,
…
,n}，n是变量的个数，则地质灾害因素关联度算法为：
[0052][0053]
其中p(a)为a的边际概率密度；p(b)为b的边际概率密度；p(a,b)为a和b的联合概率密度，设d＝{(ai,bi),i＝1,2,
…
,n}由有限的有序对集合组成，定义g将a的范围划分为x段，b的范围划分为y段，g表示x
×
y网格。mi(a,b)在每个网格分区中计算。x
×
y维度相同的网格有多个，g的mi值是根据不同网格间mi(a,b)的最大值得到的。划分g下d的最大mi方程
定义为：
[0054]
mi
*
(d,x,y)＝max mi(d|g)
[0055]
其中d|g表示用g对数据d进行分区。虽然地质灾害因素关联度算法方法依赖mi来表示网格质量，但它并不是简单地估计mi。在不同分区下得到的最大归一化mi值组成一个特征矩阵，定义为mi(d)
x，y
，该特征矩阵可定义为：
[0056][0057]
地质灾害因素关联度算法方程所示。
[0058][0059]
其中b(n)表示网格分区x
×
y的上界。
[0060]
11、地质灾害趋势预测算法：地质灾害趋势预测是一种典型的神经网络模型，有输入层、隐藏层、输出层，输入层连接隐藏层，隐藏层连接输出层，隐藏层内部有n个节点，这n个节点间也相互连接，每个连接都有其权重；输入数据分为训练集、验证集、测试集，训练集从输入层输入，用来训练地质灾害趋势预测模型，使得模型更优，训练模型后使用验证集进行交叉验证，使得模型最优，输出层把预测结果输出，预测结果与测试集比较，得到模型的评估准确率。
[0061]
地质灾害趋势预测模型的内部参数分别是：x
t
表示第t个输入数据(环境数据)、f
t
表示t时刻的遗忘门、i
t
表示t时刻的输入门、o
t
表示t时刻的输出门、h
t
表示t时刻的输出数据、y
t
表示第t个实际数据(位移数据)、c
t
表示t时刻的单元状态、wf表示遗忘门的权重、wo表示输出门的权重、wi表示输入门的权重、wc表示备选权重、bf表示遗忘门的偏置、bi表示输入门的偏置、bo表示输出门的偏置、bc表示备选偏置、σ表示sigmoid函数、tanh表示tanh函数、表示t时刻的单位备选状态，表示模型学习率。其中[]表示两个向量相连，
·
表示矩阵的乘积，h
ft
表示正向正向时间数据输出状态，h
bt
表示反向时间数据输出输出状态，h
t
是地质灾害趋势预测模型输出的状态。地质灾害趋势预测输出模型的结构图如图2所示。
[0062]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0063]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0064]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0065][0066]ht
＝o
t
·
tanh(c
t
)
[0067][0068][0069]
地质灾害趋势预测有两个方向的计算传播，分别是前向传播和反向传播。前向传播每次都计算f
t
、i
t
、o
t
、h
t
、c
t
、的数值，反向传播每次依靠减少误差项的和，计算并调整权重和偏置wf、wo、wi、wc、bf、bo、bi、bc的数值，并使得误差项的和达到最小，达到一定训练次数后停止，误差项的和为h
t
与y
t
的差值的求和。随着训练次数的增加，误差项的和越来越小，
表明模型的预测准确性会越来越高，模型的参数更符合当前地质灾害的情况。
[0070]
训练完成后使用验证集数据对地质灾害趋势预测模型进行验证，并调整包括在内的各参数。
[0071]
验证完成后使用测试集对地质灾害趋势预测模型进行测试，得到预测的准确度。
[0072]
根据提前设置好的阈值发出预警级别。
[0073]
12、预测累积数据＝预测趋势数据+预测周期数据。
[0074]
13、预测数据进行反标准归一化处理，得到地质灾害预测预警模型的最终地质灾害预测数据。
[0075]
14、反标准归一化过程：yi＝xi(x
max-x
min
)+x
min
，x
min
为原始x数据中最小值，xmax为原始x数据中最大值，yi为最终预测数据，xi为模型中算出的第i个数据。
[0076]
进一步的，本发明还提出了一个具体的实施例，请参阅图3至图7：
[0077]
1、使用国内某地质灾害的zg118监测点从2004年1月到2012年12月的108个月灾害体形变位移数据、降雨量数据和水库水位数据，如图3所示。
[0078]
2、将所有数据进行归一化。
[0079]
3、将原始数据进行地质灾害因素关联度，设置α为0.25，算出趋势数据和周期数据大小。灾害体实际累积位移、实际趋势位移和实际周期位置的关系对比关系如图4所示。
[0080]
4、使用地质灾害因素关联度算法计算地质灾害数据与水库水位和降水量的地质灾害因素关联度算法值，结果都大于0.3，所以选取水库水位和降水量作为预测周期数据的输入变量。
[0081]
5、将获取的地质灾害趋势数据、地质灾害周期数据、降雨量和水库水位数据按84，12，12比例分为训练集、验证集、测试集。
[0082]
6、使用地质灾害趋势数据训练集数据训练一个地质灾害趋势预测模型，地质灾害周期数据、降雨量和水库水位数据训练集数据训练另一个地质灾害趋势预测模型
[0083]
7、将wf、wo、wi、wc、bf、bo、bi、bc置为预设值，学习率置为预设值
[0084]
8、每一次迭代，计算f
t
、i
t
、o
t
、h
t
、c
t
、h
t
、h
bt
、h
ft
的数值，计算y
t
与h
t
的差值并求和，得到误差项的和，误差项的和分别对wf、wo、wi、wc、bf、bo、bi、bc求导得到误差项的和对每个权重的导数wf、wo、wi、wc、bf、bo、bi、bc减去所得导数与学习率的乘积，成为新的wf、wo、wi、wc、bf、bo、bi、bc。
[0085]
9、循环迭代至设定次数或者误差项的和小于设定值，模型训练完成。
[0086]
10、使用验证集数据训练模型
[0087]
11、使用模型最后的wf、wo、wi、wc、bf、bo、bi、bc并保持不变，学习率从很小每次增大直到接近1，记录每次的误差项的和，采用误差项的和最小的那次学习率为最终学习率。
[0088]
12、使用地质灾害趋势数据当作输入变量，地质灾害趋势预测模型预测未来的地质灾害趋势数据，详见图5。
[0089]
13、使用降雨量和水库水位当作输入变量，地质灾害趋势预测模型预测未来的地质灾害周期数据，如图6所示。
[0090]
14、将模型预测结果与地质灾害实际结果进行比较，采用(预测结果与测试集实际结果的误差和/测试集实际数据)作为准确度，评估模型。
[0091]
15、预测结果进行反归一化。
[0092]
16、预测累计数据＝预测趋势数据+预测周期数据，地质灾害数据预测完成。
[0093]
灾害体实际数据与模型预测数据对比情况见图7。
[0094]
17、根据预先设置好的预警阈值，发出对应预警级别2。
[0095]
预警级别12345模型预测值预警阈值小于23002310-23302330-23502350-24002400以上2328
[0096]
综上所述，本发明具有以下有益效果：
[0097]
1、考虑了时间序列数据的统计特性和发展规律性，提高了地质灾害预测预警的准确性；
[0098]
2、考虑了环境因素对地质灾害发生和发展的影响，提高了地质灾害预测预警的准确性；
[0099]
3、可以在较少实际地质灾害数据和较少种类影响因素数据的情况下进行地质灾害预测预警，降低了预测的难度；
[0100]
4、相较于传统静态的地质灾害预测预警算法，本文提出的地质灾害预测预警模型是一种动态的预测算法，更适应现实需要；
[0101]
5、解决神经网络算法中会出现的的梯度爆炸和梯度消失问题；
[0102]
6、把数据分为训练集、验证集、测试集，使得地质灾害预测预警模型更准确；
[0103]
7、首次使用机器学习算法处理地质灾害趋势数据；
[0104]
8、使用了地质灾害因素关联度算法算法量化影响地质灾害的因素，选取相关性大的作为输入变量，提高预测预警的准确度。
[0105]
以上所揭露的仅为本发明一种较佳实施例而已，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：
1.一种地质灾害预测预警方法，其特征在于，包括下列步骤：获取灾害及环境数据；对灾害及环境数据进行异常值替换处理；对处理后的数据进行标准归一化处理；建立地质灾害预测预警模型；分别选取地质灾害的实际趋势数据和实际周期数据训练所述地质灾害预测预警模型，获得预测趋势数据和预测周期数据；结合预测趋势数据和预测周期数据获得预测累积数据；对所述预测累积数据进行反标准归一化处理，获得最终地质灾害预测数据。2.如权利要求1所述的地质灾害预测预警方法，其特征在于，所述灾害及环境数据包括降雨量、水库水位、土壤类型、边坡坡度、边坡朝向、空气湿度和土壤湿度。3.如权利要求1所述的地质灾害预测预警方法，其特征在于，在异常值替换处理的过程中，替换的数据为前一个数据与后一个数据的平均值，若是第一个或者最后一个则直接删除。4.如权利要求1所述的地质灾害预测预警方法，其特征在于，标准归一化处理的过程，具体按以下公式处理：y
i
＝(x
i-x
min
)/(x
max-x
min
)，x
i
为第i个原始数据，x
min
为x数据中最小值，x
max
为x数据中最大值。5.如权利要求1所述的地质灾害预测预警方法，其特征在于，所述地质灾害预测预警模型中包括前向传播和反向传播两个方向的计算传播，前向传播每次都计算f
t
、i
t
、o
t
、h
t
、c
t
、的数值，反向传播每次依靠减少误差项的和，计算并调整权重和偏置w
f
、w
o
、w
i
、w
c
、b
f
、b
o
、b
i
、b
c
的数值，并使得误差项的和达到最小，达到一定训练次数后停止，误差项的和为h
t
与y
t
的差值的求和，其中f
t
表示t时刻的遗忘门、i
t
表示t时刻的输入门、o
t
表示t时刻的输出门、h
t
表示t时刻的输出数据、y
t
表示第t个实际数据、c
t
表示t时刻的单元状态、w
f
表示遗忘门的权重、w
o
表示输出门的权重、w
i
表示输入门的权重、w
c
表示备选权重、b
f
表示遗忘门的偏置、b
i
表示输入门的偏置、b
o
表示输出门的偏置、b
c
表示备选偏置、表示t时刻的单位备选状态。6.如权利要求1所述的地质灾害预测预警方法，其特征在于，地质灾害的实际趋势数据和实际周期数据的获取过程，具体为采用地质灾害数据分解算法得到地质灾害的实际趋势数据，实际累积数据减去实际趋势数据得到实际周期数据。7.如权利要求1所述的地质灾害预测预警方法，其特征在于，反标准归一化处理的过程，具体按以下公式处理：y
i
＝x
i
(x
max-x
min
)+x
min
，x
min
为原始x数据中最小值，x
max
为原始x数据中最大值，y
i
为最终预测数据，x
i
为模型中算出的第i个数据。

技术总结
本发明涉及地质灾害预警技术领域，具体涉及一种地质灾害预测预警方法，通过使用机器学习算法处理地质灾害趋势数据，里面包含两个地质灾害预测模型，其中一个地质灾害预测模型预测趋势数据，另一个地质灾害预测模型算法部分预测周期数据，通过训练验证后使用测试集对地质灾害趋势预测模型进行测试，得到预测的准确度，另外使用了地质灾害因素关联度算法量化影响地质灾害的因素，选取相关性大的作为输入变量，提高了预测预警的准确度。提高了预测预警的准确度。提高了预测预警的准确度。


技术研发人员：孙希延 林子安 付文涛 卢伟萍 黄玲松 孙靖雯 刘小明 陈秋光 覃仁艺 何清 吴传宇
受保护的技术使用者：广西壮族自治区气象科学研究所 广西壮族自治区地质环境监测站
技术研发日：2023.03.07
技术公布日：2023/6/7