一种利用PS-InSAR技术与机器学习的建筑物稳定性评价方法

一种利用ps-insar技术与机器学习的建筑物稳定性评价方法
技术领域
1.本技术涉及建筑物稳定性评估技术领域，具体公开了一种利用ps-insar技术与机器学习的建筑物稳定性评价方法。


背景技术：

2.由人为干预或者自然地理演化导致的地壳表层土体压缩进而导致区域性地面标高降低的环境现象叫做地面沉降。地面沉降永久性地降低了含水层系统的储存能力，产生地面裂缝，损坏建筑物和民用基础设施等灾害。随着城市现代化的快速发展，对自然资源的持续开采、基坑降排水引起的水位变化、地铁建设以及盾构隧道等加剧了地面沉降问题。随着地面沉降的加剧，建筑物下沉、墙体开裂以及倒塌问题随之而来，建筑物的稳定性受到严峻的考验，逐渐成为急需解决的问题。
3.目前，常用的小范围建筑物沉降监测，常常采用精密水准测量技术，以建筑物上的水准点为基准，判断建筑物的沉降情况。在小范围的建筑物沉降监测中应用较为广泛，精度高，但是成本过高，不适宜在大范围建筑物沉降中应用。近年来，合成孔径雷达干涉测量(interferometric synthetic aperture radar，insar)技术在地面沉降监测研究中应用的越来越广泛，逐渐成为了地面沉降监测中不可缺少的方法，永久散射体合成孔径雷达干涉测量(persistent scatterer interferometric synthetic aperture radar，ps-insar)技术逐渐应用于建筑物沉降监测中，并取得了良好的监测效果。
4.并且城市房屋数量众多，利用水准测量和倾斜测量进行监测，需要耗费大量的人力物力；传统监测，一般测量的是当下绝对值，无法对未来做出预期，成本高，需要协调一定的专业技术人员、一起进行测量工作，响应速度慢，城市房屋众多，逐栋测量，时间跨度较长，工程量巨大，自动化程度低，人力全程参与。不能进行大面积的地面沉降获取，不能监测大范围的建筑物稳定情况。传统建筑物稳定性评价方法比较繁琐，且预测精度取决于数学预测模型的科学性，同时传统经验预测模型往往是基于确定性和定量性损坏因素建立的，评价结果的可靠性完全取决于评价人员的主观经验，模型完备性不够合理，其推广性在一定程度上受到极大限制。
5.根据现有的资料经验研究表明，当前建筑物稳定性常常与建筑物自身属性以及外部环境因素有关，特别当地面出现不均匀沉降时，极易导致建筑物出现损毁。自身因素与建筑物的结构、修筑时间以及建筑物材料等有关，外部因素主要有降雨、地质环境以及地面沉降等。这些因素中，即存在定性与随机的，也存在定量与确定的，存在着复杂的非线性关系。传统的数学方法对复杂的非线性关系描述能力较弱，因此难以对上述关系进行准确的表达。传统的建筑物稳定性评价方法有模糊综合评价法、层次分析法以及聚类分析法等。这些方法在应用中常常依赖于评价者的主观经验，评价结果受限于预测模型的构建，模型的完整性不够合理，其应用范围有很大的局限性。
6.而机器学习模型由于其强大的非线性描述能力，在存在复杂的非线性关系问题时，机器学习技术展现出了强大的一面，能很好的处理内部复杂关系，达到理想的结果。在
地面沉降预测、地震模拟、以及桥梁监测等方面得到了越来越广泛的应用。这也给建筑物稳定性评价提供了新思路。在面对建筑物稳定性评价时，可对影响建筑物稳定性的多种因素进行综合分析评判，具有高效的学习特征能力，以及对建筑物稳定性与影响因子之间的复杂关系具有良好的描述特性，并且能够以任意精度逼近任何复杂的非线性映射，机器学习是一种有效的建筑物稳定性评价模型。在使用机器学习方法进行建筑物稳定性评价，前提是得保证建筑物分类样本的均衡性，但是，在现实情况下，这一条件往往不能满足。
7.因此，发明人有鉴于此，提供了一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，以便解决上述问题。


技术实现要素：

8.本发明的目的在于解决传统的建筑物稳定性评价方法繁琐，不能监测大范围的建筑物稳定情况的问题。
9.为了达到上述目的，本发明的基础方案提供一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，包括以下步骤：
10.步骤s001，构建建筑物稳定性数据集，所述建筑物稳定性数据集包括建筑物的几何特征因子、地形因子、形变因子以及自然地理因子；
11.步骤s002，对所述建筑物稳定性数据集进行抽样，选取建筑物稳定性数据集中的部分数据作为处理数据集；
12.步骤s003，对所述处理数据集进行分层抽样，将所述处理数据集分为训练集和测试集；
13.步骤s004，对所述训练集进行smote过采样，使所述训练集达到平衡状态；
14.步骤s005，通过对达到平衡状态的所述训练集构建模型，并用所述测试集对所述模型进行验证，验证后将所述建筑物稳定性数据集导入所述模型，从而对建筑物的稳定性进行评价并获得建筑物稳定性评价结果。
15.进一步，所述步骤s002中，所述处理数据集为建筑物稳定性数据集中危房标签数据以及部分不带危房标签数据。
16.进一步，所述步骤s003中，所述训练集与所述测试集的比例为7：3。
17.进一步，所述几何特征因子包括建筑物底面积、建筑物底面周长和建筑物高度；
18.所述地形因子包括高程均值、坡度均值、坡向均值；
19.所述形变因子包括沉降速率均值、沉降速率标准差、累计形变量均值、累计形变量标准差、倾斜量均值和倾斜量标准差；
20.所述自然地理因子包括岩性强度和年降雨量均值。
21.进一步，在步骤s005中，采用取准确率、精准率、召回率、f1分数和roc曲线作为模型的验证指标。
22.进一步，所述准确率、精准率、召回率、f1分数采用如下公式进行计算：
23.acc＝(tp+tn)/(tp+tn+fp+fn)
24.prec＝tp/(tp+fp)
25.recall＝tp/(tp+fp)
26.f1＝2
×
prec
×
recal(recall+prec)
27.fpr＝fp/(fp+tn)
28.式中，acc表示建筑物稳定性预测的准确率；
29.prec表示建筑物稳定性预测精准率；
30.f1表示模型的准确性与完整性；
31.将建筑物中少数类设为正样本，多数类设为负样本；
32.tp表示预测正确的正样本个数；
33.tn表示预测正确的负样本个数；
34.fp是误报的负样本个数；
35.fn是漏报的正样本个数；
36.fpr表示假阳率，recall表示召回率；
37.准确率、精准率、召回率和f1分数的值越接近1则表示该模型的分类性能越好。
38.进一步，基于召回率和假阳率绘制反映算法敏感性和特异性之间关系的roc曲线，roc曲线与坐标轴围成的面积越接近1则表示该模型的稳定性性能越好。
39.基于同一发明构思，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
40.本方案的原理及效果在于：
41.1、与现有技术相比，本发明在insar监测建筑物沉降的基础上，建立建筑物稳定性综合评价体系，采用过采样smote与机器学习相结合的方法，解决样本不均衡问题并建立建筑物稳定性评价模型，为地面沉降影响下建筑物稳定性评价提供新的技术途径。
42.2、本发明利用ps-insar技术获取大范围的地面沉降信息情况下，建立一套考虑建筑物自身因素、地形特征因素、地面沉降因素以及自然地理因素影响的评价体系，利用smote方法解决建筑物中分类样本不均衡问题，利用xgboost方法进行建筑物稳定性评价方法。使其可以应用于大范围以及缺少样本数据情况下建筑物稳定性评价。本发明可用于基于ps-insar技术与机器学习方法进行建筑物稳定性综合评估，算法稳健可靠，易于编程实现，为建筑物稳定性综合评价提供了一种新的方法。
附图说明
43.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域技术人员来讲，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。
44.图1示出了本技术实施例提出的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法的框架图；
45.图2示出了本技术实施例提出的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法的精度图。
具体实施方式
46.为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合
附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
47.一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，首先应当确定建筑物稳定性评价的评价因子，考虑到影响地表建筑物稳定性的因素有很多，如果把所有的影响因素都考虑在内，一方面评价体系过于复杂，增加处理的难度；另一方面许多因素对建筑物稳定性的贡献很小，对评价结果不会造成影响，因此，结合地面沉降产生原因和建筑物自身形式，将影响建筑物受损的因素分为四个主要方面：建筑物自身因素、地形特征因素、地面沉降因素以及自然地理因素，建筑物稳定性数据集包括建筑物的几何特征因子、地形因子、形变因子以及自然地理因子。
48.建筑物抗变形能力的大小决定着外部损坏因素对建筑物的损坏程度。在同样程度的外部损坏能力下，建筑物的抗变形能力强，建筑物最终的损坏程度小，建筑物自身的因素决定了其抗变形能力，主要因素有建筑物的修建时间、尺寸及结构。一般建筑物的修建时间越早抗变形能力越弱，建筑物尺寸越大对建筑物越不利，而农村的建筑物结构主要包括砖木结构和砖混结构，相较而言，砖混结构比砖木结构抗变形能力强。建筑物的抗变形能力弱，其最终的损坏程度就大。影响建筑物抗变形能力的主要因素有建筑物的长度、建筑物的高度和建筑物的材料类型等。
49.建筑物高程均值反应了当前区域建筑物单元位置信息，其标准差体现了建筑物单元在高程方向的均匀性。当高程标准差指数越小，说明建筑物单元所处的地形越平缓，指数越大，说明建筑物单元的内部变化越剧烈。坡度是指地表高程起伏的程度，在对dem进行坡度计算时有四种表示方式，分别是百分比法、度数法、密位法、分数法，其中度数法与百分比法比较常用。在以度数法表示时，其数值越大表示地面越陡峭，越小则越平缓。对于建筑物单元，由于其处于的位置坡度坡向比较均匀，所以使用平均坡度来表示整个建筑物单元的坡度属性。坡度坡向除了地面沉降相关之外，也会影响日照情况，以及会影响降雨、植被程度等等。
50.由于地面沉降地表移动变形是造成建筑物稳定性的主要原因之一。地面沉降主要有垂直方向的移动变形(下沉、倾斜变形、曲率变形等)，不同的变形方式对地表建筑物稳定性的影响程度不尽相同，国标gb50007-2011《建筑地基基础设计规范》主要以倾斜变形、曲率变形的大小作为依据，来判断地面沉降对建筑物的影响程度。
51.除了地面沉降引起的地表移动变形以外，建筑物所处位置自身的地质因素，也会造成地面的移动变形，如地下水位的变化、地基的承载能力等。
52.根据上文所分析的建筑物稳定性的原因特征和各个指标之间的关系，从地面形变、地质、地形以及建筑物的抗变形能力四个方面考虑建筑物稳定性评价指标，建立了建筑物稳定性的评价体系如下表：
[0053][0054]
在本实施例中，根据确定的建筑物稳定性评价的评价因子，利用smote-xgboost方法实现区域建筑物稳定性评价的关键在于对初始化样本集进行处理，得到平衡的建筑物样本集；在此基础上通过模型训练，自动提取和学习建筑物稳定性与评价因子之间的非线性关系，实现建筑物稳定性的大范围预测，基于该主体，构建模型的总体框架如图1所示，该框架包含三个部分。
[0055]
(1)建筑物稳定性的多因素评价指标：在建筑物自身因素、地形特征因素、地面沉降因素以及自然地理因素等四个方面，以直接或间接方式对建筑物的自身、地理位置、所处地面沉降变化、地质环境等方面进行分析，获得建筑物稳定性多维数据，以建筑物为基本单元，利用分区统计功能，获取各建筑物单元的特征指标值。
[0056]
(2)建筑物分类样本集的建立：对获取的不均衡样本集，首先采用smote方法进行样本集处理，合成足够数量且分布平衡的样本集，最后按照比例分为训练数据与测试数据。
[0057]
(3)建筑物稳定性评价模型的构建与应用：通过xgboost模型对训练集的数据进行学习建模，不断进行模型的参数调整，使算法精度达到最好。将建筑物数据输入最后的模型，实现对建筑物稳定性评价。
[0058]
在实施过程中，本实施例对建筑物稳定性评价的步骤如下：
[0059]
步骤s001，对获取的地形、地质、影像和降雨数据，提取建筑物信息(是否为风险建筑)及上述的建筑物风险评价因子，构建建筑物稳定性数据集。
[0060]
步骤s002，对建筑物稳定性数据集进行抽样，选取建筑物稳定性数据集中危房标签数据以及部分不带危房标签数据作为处理数据集。
[0061]
步骤s003，对所述处理数据集进行分层抽样，随机抽取70％作为训练集，其余30％作为测试集。
[0062]
步骤s004，对训练集进行smote过采样，使所述训练集达到平衡状态；
[0063]
步骤s005，通过达到平衡状态的所述训练集构建模型，并用测试集对所述模型进行验证，验证后将所述建筑物稳定性数据集导入所述模型，从而对建筑物的稳定性进行评价并获得建筑物稳定性评价结果。
[0064]
具体的，为评估模型的分类精度和性能，选取准确率、精准率、召回率、f1分数和
roc(receiver operating characteristic，roc)曲线作为模型的精度验证指标。相关指标计算公式如下：
[0065]
acc＝(tp+tn)/(tp+tn+fp+fn)
[0066]
prec＝tp/(tp+fp)
[0067]
recall＝tp/(tp+fp)
[0068]
f1＝2
×
prec
×
recal(recall+prec)
[0069]
fpr＝fp/(fp+tn)
[0070]
式中，acc表示建筑物稳定性预测的准确率；
[0071]
prec表示建筑物稳定性预测精准率；
[0072]
f1表示模型的准确性与完整性；
[0073]
将建筑物中少数类设为正样本，多数类设为负样本；
[0074]
tp表示预测正确的正样本个数；
[0075]
tn表示预测正确的个数；
[0076]
fn是漏报的正样本个数；
[0077]
fpr表示假阳率，recall表示召回率；
[0078]
准确率、精准率、召回率和f1分数的值越接近1则表示该模型的分类性能越好。
[0079]
并基于召回率和假阳率绘制反映算法敏感性和特异性之间关系的roc曲线(receiver operator characteristic curve，roc)，如图2所示，roc曲线与坐标轴围成的面积称为auc值(area under curve，auc)，auc越接近1，模型性能越好。
[0080]
本发明利用ps-insar技术对大范围的建筑物进行地面沉降数据获取，建立一套顾及建筑物自身因素、地形特征因素、地面沉降因素以及自然地理因素的建筑物稳定性评价体系，同时在样本数据较少的情况下，采用smote方法进行过采样，使样本数据集达到平衡状态，最后使用xgboost方法进行大范围的建筑物稳定性评价。
[0081]
基于同一构思，本技术实施例中还提供了一种电子设备，包括处理器和用于存储处理器可执行指令的存储器，处理器通过运行所述可执行指令以实现上述的方法；处理器包括中央处理器(central processingunit，简称cpu)、网络处理器(network processor，简称np)等，还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specificintegrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，存储器包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器基于同一构思，本发明公开一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
[0082]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：
1.一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于，包括以下步骤：步骤s001，构建建筑物稳定性数据集，所述建筑物稳定性数据集包括建筑物的几何特征因子、地形因子、形变因子以及自然地理因子；步骤s002，对所述建筑物稳定性数据集进行抽样，选取建筑物稳定性数据集中危房标签数据以及部分不带危房标签数据作为处理数据集；步骤s003，对所述处理数据集进行分层抽样，将所述处理数据集分为训练集和测试集；步骤s004，对所述训练集进行smote过采样，使所述训练集达到平衡状态；步骤s005，通过对达到平衡状态的所述训练集构建模型，并用所述测试集对所述模型进行验证，验证后将所述建筑物稳定性数据集导入所述模型，从而对建筑物的稳定性进行评价并获得建筑物稳定性评价结果。2.根据权利要求1所述的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于，所述步骤s002中，所述处理数据集为带有危房标签数据以及部分不带危房标签数据。3.根据权利要求2所述的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于，所述步骤s003中，所述训练集与所述测试集的比例为7：3。4.根据权利要求1至3任一所述的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于：所述几何特征因子包括建筑物底面积、建筑物底面周长和建筑物高度；所述地形因子包括高程均值、坡度均值、坡向均值；所述形变因子包括沉降速率均值、沉降速率标准差、累计形变量均值、累计形变量标准差、倾斜量均值和倾斜量标准差；所述自然地理因子包括岩性强度和年降雨量均值。5.根据权利要求4所述的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于，在步骤s005中，采用取准确率、精准率、召回率、f1分数和roc曲线作为模型的验证指标。6.根据权利要求5所述的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于，所述准确率、精准率、召回率、f1分数采用如下公式进行计算：acc＝(tp+tn)/(tp+tn+fp+fn)prec＝tp/(tp+fp)recall＝tp/(tp+fp)f1＝2
×
prec
×
recal(recall+prec)fpr＝fp/(fp+tn)式中，acc表示建筑物稳定性预测的准确率；prec表示建筑物稳定性预测精准率；f1表示模型的准确性与完整性；将建筑物中少数类设为正样本，多数类设为负样本；tp表示预测正确的正样本个数；tn表示预测正确的负样本个数；
fp是误报的负样本个数；fn是漏报的正样本个数；fpr表示假阳率，recall表示召回率；准确率、精准率、召回率和f1分数的值越接近1则表示该模型的分类性能越好。7.根据权利要求6所述的一种利用ps-insar技术与机器学习的建筑物稳定性评价方法，其特征在于，基于召回率和假阳率绘制反映算法敏感性和特异性之间关系的roc曲线，roc曲线与坐标轴围成的面积越接近1则表示该模型的稳定性性能越好。8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述方法的步骤。

技术总结
本发明涉及建筑物稳定性评估技术领域，具体公开了一种利用PS-InSAR技术与机器学习的建筑物稳定性评价方法，包括以下步骤：步骤S001，利用PS-InSAR技术与多源数据构建建筑物稳定性数据集；步骤S002，选取建筑物稳定性数据集中的部分数据作为处理数据集；步骤S003，将处理数据集分为训练集和测试集；步骤S004，对训练集进行SMOTE过采样，使训练集达到平衡状态；步骤S005，通过达到平衡状态的训练集构建模型，并用测试集对模型进行验证，验证后将所述建筑物稳定性数据集导入模型，从而对建筑物的稳定性进行评价；本发明可用于基于PS-InSAR技术与机器学习方法进行建筑物稳定性综合评估，算法稳健可靠，易于编程实现，为建筑物稳定性综合评价提供了一种新的方法。稳定性综合评价提供了一种新的方法。稳定性综合评价提供了一种新的方法。


技术研发人员：刘奇 范冲 杨晨晨 魏忠亮
受保护的技术使用者：中南大学
技术研发日：2023.03.12
技术公布日：2023/7/18