一种滑坡区域检测装置及方法与流程

本发明属于地质灾害检测领域，具体涉及滑坡区域检测技术。

背景技术：

滑坡是一类严重的地质灾害，如果发生在人口聚集地区，会造成巨大的经济损失和人员伤亡。滑坡发生的原因是由于它的某一滑移面上的剪应力超过了坡面所能承受的最大抗剪应力所造成的。对滑坡的检测是降低滑坡危害的可行方法。在滑坡检测领域，从传统的群测群防、人工现场检测，到使用物理学检测仪器、专业的滑坡检测仪，再到遥感技术、物联网等技术在滑坡中的应用，滑坡检测装置及方法在不断改进。由于滑坡一般是区域性事件，传统采用的检测装置及方法可以获得并显示各独立检测点的传感器原始数据，但是不能对分片区域进行区域性检测，没有整体性分析功能，影响检测的准确率。

技术实现要素：

本发明的目的在于提供一种滑坡区域检测装置及方法，以实现对分片区域进行区域性检测、整体性分析，提高检测的准确率。

为了解决上述技术问题，总体实现对滑坡区域检测的功能，所采用的具体技术方案如下：

一种滑坡区域检测装置，包括：检测点数据采集模块、机器学习模块、滑坡区域管理模块、显示模块；

所述的检测点数据采集模块与机器学习模块连接；

所述的机器学习模块与滑坡区域管理模块连接；

所述的滑坡区域管理模块与显示模块连接；

所述的检测点数据采集模块用于采集、预处理检测数据；

所述的机器学习模块用于训练历史数据，统计和计算滑坡发生概率，实现检测功能；

所述的滑坡区域管理模块用于分类管理滑坡区域；

所述的显示模块用于显示检测点数据、滑坡区域、滑坡发生概率数值、滑坡区域当前状态等各项数值。

一种滑坡区域检测方法，其特征在于包括：训练过程和检测过程。

所述训练过程如下：

过程s1：检测点数据集dp＝{dp1,dp2,...,dpn,...dpn}，其中检测点编号dpn，1≤n≤n，n为检测地区的检测点总数，每个检测点包含若干个传感器，每个检测点传感器数据集d＝{d1,d2,...,ds,...ds},1≤s≤s，s为检测点传感器节点总数，检测区域的检测点传感器数据集dn＝{d1,d2,...,dn}，每个检测点传感器数据为dsn；初始化s＝0；

过程s2：s＝s+1，计算检测点传感器数据显著相关性数值ρ，

过程s3：判断数据集是否在设定的安全阈值范围内，e为阈值下限，f为阈值上限，是否满足e≤ρ≤f，如果是，转到过程s4，如果否，转到过程s5；

过程s4：放弃检测点传感器数据集d中的ds，转到过程s6；

过程s5：保留检测点传感器数据集d中的ds，转到过程s6；

过程s6：如果1≤s＜s，则转到步骤s2，否则转到过程s7；

过程s7：得到精简检测点传感器数据集dn'，其中检测点传感器数据dmn，1≤m≤m，1≤m≤s；

过程s8：从精简检测点传感器数据集dn'中提取出数据训练集t，t＝{g(xi,ti)|xi∈dn',ti∈dn',1≤i≤k}，数据[x1,x2,...xi...,xk]^t用于神经元输入，数据[x1,x2,...xi...,xk]^t右上角的t代表数据训练集，以下矩阵也按此规则定义，数据[t1,t2,...ti,...,tk]^t用于隐层神经元输入，k为样本总数；

过程s9：神经元激活函数：a＝g(wixi+bi)，bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^t为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

过程s10：对于k个训练样本(xi,ti)，整个训练矩阵表示为：

过程s11：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^t为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^t；

过程s12：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^t为第j个检测点中第i个传感器节点的滑坡发生概率数值；

过程s13：训练结束。

所述的检测过程包括以下步骤：

步骤s1：当前时刻检测点传感器数据集dc＝{d1,d2,...,dn}，每个检测点传感器数据为dmn，提取c＝{g(xi,ti)|xi∈dc,ti∈dc,1≤i≤k}作为数据检测集，[x1,x2,...xi...,xk]^c用于输入神经元；[t1,t2,...ti,...,tk]^c用于隐层神经元，k为检测总数；

步骤s2：神经元激活函数：a＝g(wixi+bi)，其中bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^c为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

步骤s3：对于k个检测样本(xi,ti)，整个检测矩阵表示为：

步骤s4：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出可以表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^c为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^c；

步骤s5：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^c为第j个检测点中第i个传感器节点的滑坡发生概率数值；

步骤s6：采用logistic回归模型：zj＝a0+a1p1j^t+a2p2j^t+...,ai-1p(i-1)j^t,aipij^c,ai+1p(i+1)j^t,...+anpnj^t

zj为中间变量参数，a0为回归常数，ai为第j个变量的回归系数，1≤i≤m，1≤j≤n，计算得到pj^c为第j个检测点所在区域滑坡发生概率的回归预测值；

步骤s7：重点滑坡区域预测，局部区域rem，1≤m≤m，采用概率r-tree对逻辑回归的所有检测点进行逐层分类，得到滑坡概率高的局部检测点区域，概率r-tree叶节点的滑坡概率为pp^c，p为检测点编号，1≤p≤n，q为概率r-tree层数，1≤q≤com，com为r-tree最大层数；

步骤s8：生成概率r-tree底层叶节点noden1，计算滑坡概率初始化q＝2；

步骤s9：生成概率r-tree的非叶节点nodepq，计算非叶节点的空间范围nodembrpq，计算非叶节点的滑坡概率

步骤s10：在显示模块中根据的数值在最大边界矩形显示不同的警示颜色；

步骤s11：如果1≤q≤com，转到步骤s9，否则转到步骤s12；

步骤s12：当前时刻检测过程结束。

所述的概率r-tree表达方法如下：概率r-tree中的节点分为2种：叶节点和非叶节点，叶节点noden1存储所有检测点的坐标位置dpn.lo，检测点滑坡发生概率数值pn^c，dpn.lo的数据项分别对应于空间坐标系的坐标位置，其中lo代表坐标位置，包括2个数据项dpn.lo.x,dpn.lo.y，其中x代表x坐标，y代表y坐标；非叶节点nodepq存储的是包括其所有传感器节点所在空间范围的最大边界矩形nodembrpq,检测区域滑坡发生概率数值p为检测点编号，1≤p≤n，q为概率r-tree层数，1≤q≤com，com为r-tree最大层数；nodepq.lo代表非叶节点的坐标位置，其中node11.lo.x代表非叶节点的坐标位置的x坐标，node11.lo.y代表非叶节点的坐标位置的y坐标；

nodembrpq为检测区域内叶节点的最大边界矩形，nodembrpq包括2个数据项nodembrpq.st,nodembrpq.ed，计算方法如下：

nodembrp2.st.x＝max(node11.lo.x,node21.lo.x....noden1.lo.x)

nodembrp2.ed.x＝min(node11.lo.x,node21.lo.x....noden1.lo.x)

nodembrp2.st.y＝max(node11.lo.y,node21.lo.y....noden1.lo.y)

nodembrp2.ed.y＝min(node11.lo.y,node21.lo.y....noden1.lo.y)

nodembrpq.st.x＝max(nodembr1(q-1).st.x,nodembr2(q-1).st.x....nodembrn(q-1).st.x)

nodembrpq.ed.x＝min(nodembr1(q-1).ed.x,nodembr2(q-1).ed.x....nodembrn(q-1).ed.x)

nodembrpq.st.y＝max(nodembr1(q-1).st.y,nodembr2(q-1).st.y....nodembrn(q-1).st.y)

nodembrpq.ed.y＝min(nodembr1(q-1).ed.y,nodembr2(q-1).ed.y....nodembrn(q-1).ed.y)。

本发明具有有益效果。本发明通过从滑坡检测点传感器数据集中提取出训练样本，采用机器学习技术，通过训练过程，建立滑坡模型。通过检测过程，生成所有检测点的滑坡发生概率，采用概率r-tree得到局部区域的滑坡发生概率，从而区分重点检测滑坡区域和非重点检测滑坡区域，采用显示模块标示重点检测滑坡区域，便于相关工作人员区分滑坡的严重程度，提前做好预防工作，且能实现对分片区域进行区域性检测、整体性分析，提高检测的准确率。

附图说明

图1是本发明装置的总体结构示意图。

标号说明：1-检测点数据采集模块，2-机器学习模块，3-滑坡区域管理模块，4-显示模块。

图2是本发明的训练方法流程图。

图3是本发明的检测方法流程图。

图4是本发明实施例一所用检测节点实拍图。

图5是本发明实施例一检测节点布局界面图。

图6是本发明实施例一概率r树局部检测节点分布示意图。

图7是本发明实施例一概率r树空间范围生成示意图。

图8是本发明实施例一概率r树生成示意图。

图9是本发明实施例一滑坡区域检测界面图。

图10是本发明实施例二检测节点布局界面图。

图11是本发明实施例二滑坡区域检测界面图。

图12是本发明实施例三检测节点布局界面图。

图13是本发明实施例三滑坡区域检测界面图。

具体实施例

下面结合附图和具体实施方式对本发明作进一步详细地说明。

由图1所示的一种滑坡区域检测装置的总体结构示意图可知，它包括1-检测点数据采集模块，2-机器学习模块，3-滑坡区域管理模块，4-显示模块。

所述的检测点数据采集模块1与机器学习模块2连接；

所述的机器学习模块2与滑坡区域管理模块3连接；

所述的滑坡区域管理模块3与显示模块4连接。

本发明在使用时，各部件的功能描述如下：

所述的检测点数据采集模块1用于采集、预处理检测数据；

所述的机器学习模块2用于训练历史数据，统计和计算滑坡发生概率，实现检测功能；

所述的滑坡区域管理模块3用于分类管理滑坡区域；

所述的显示模块4用于显示检测点数据、滑坡区域、滑坡发生概率数值、滑坡区域当前状态等各项数值。一种滑坡区域检测方法的训练过程如图2所示，一种滑坡区域检测方法的检测过程由图3所示，下面给出本发明针对不同地区实施过程的例子。

实施例1：丘陵地区易滑坡区域

采用由图4所示的检测节点，左边是太阳能供电板，右边是密闭的检测盒，整个区域的检测节点布局界面图由图5所示。

训练过程如下：

过程s1：检测区域的检测点数据集dp＝{dp1,dp2,...,dpn,...dpn}，其中检测点编号dpn，1≤n≤n，n＝50为检测地区的检测点总数，每个检测点包含若干个传感器，每个检测点传感器数据集d＝{d1,d2,...,ds,...ds},1≤s≤s，s＝8为检测点传感器节点总数，选取检测点传感器数据集为{土壤密度，植被覆盖率，岩性，温度，湿度，降雨量，位移，倾角}，检测区域的检测点传感器数据集dn＝{d1,d2,...,dn}，每个检测点传感器数据为dsn；初始化s＝0；

过程s2：s＝s+1，计算检测点传感器数据显著相关性数值ρ，

过程s3：判断数据集是否在设定的安全阈值范围内，e为阈值下限，f为阈值上限，选取e＝0.02，f＝0.87，是否满足e≤ρ≤f，如果是，转到过程s4，如果否，转到过程s5；

过程s4：放弃检测点传感器数据集d中的ds，转到过程s6；

过程s5：保留检测点传感器数据集d中的ds，转到过程s6；

过程s6：如果1≤s＜s，则转到步骤s2，否则转到过程s7；

过程s7：得到精简检测点传感器数据集dn'，其中检测点传感器数据dmn，1≤m≤m，1≤m≤s；

过程s8：从检测点传感器数据集dn'中提取出数据训练集t，t＝{g(xi,ti)|xi∈dn',ti∈dn',1≤i≤k}，数据[x1,x2,...xi...,xk]^t用于神经元输入，数据[t1,t2,...ti,...,tk]^t用于隐层神经元输入，k为样本总数，选取k＝6；

过程s9：神经元激活函数：a＝g(wixi+bi)，bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^t为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

过程s10：对于k个训练样本(xi,ti)，整个训练矩阵表示为：

过程s11：一个具有k个神经元和激活函数g(x）的标准的单隐层前馈神经网络的输出表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^t为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^t；

过程s12：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^t为第j个检测点中第i个传感器节点的滑坡发生概率数值；

过程s13：训练结束。

检测过程如下：

步骤s1：当前时刻检测区域的每个检测点传感器数据集dc＝{d1,d2,...,dn}，每个检测点传感器数据为dmn，提取c＝{g(xi,ti)|xi∈dc,ti∈dc,1≤i≤k}作为数据检测集，[x1,x2,...xi...,xk]^c用于输入神经元；[t1,t2,...ti,...,tk]^c用于隐层神经元，k为检测总数，选取k＝6；

步骤s2：神经元激活函数：a＝g(wixi+bi)，其中bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^c为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

步骤s3：对于k个检测样本(xi,ti)，整个检测矩阵表示为：

步骤s4：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出可以表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^c为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^c；

步骤s5：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^c为第j个检测点中第i个传感器节点的滑坡发生概率数值；

步骤s6：采用logistic回归模型：zj＝a0+a1p1j^t+a2p2j^t+...,ai-1p(i-1)j^t,aipij^c,ai+1p(i+1)j^t,...+anpnj^t

zj为中间变量参数，a0为回归常数，ai为第j个变量的回归系数，1≤i≤m，1≤j≤n，计算得到pj^c为第j个检测点所在区域滑坡发生概率的回归预测值；

步骤s7：重点滑坡区域预测，局部区域rem，1≤m≤m，采用概率r-tree对逻辑回归的所有检测点进行逐层分类，得到滑坡概率高的局部检测点区域，概率r-tree叶节点的滑坡概率为pp^c，p为检测点编号，1≤p≤n，q为概率r-tree层数，1≤q≤c，c为r-tree最大层数，选取c＝5，如图6所示概率r树局部检测节点分布；

步骤s8：生成概率r-tree底层叶节点noden1，计算滑坡概率初始化q＝2；

步骤s9：生成概率r-tree的非叶节点nodepq，计算非叶节点的空间范围nodembrpq，计算非叶节点的滑坡概率如图7所示为图6中局部检测节点的空间范围示意图；

步骤s10：在显示模块中根据的数值在最大边界矩形显示不同的警示颜色；

步骤s11：如果1≤q≤c，转到步骤s9，否则转到步骤s12；

步骤s12：当前时刻检测过程结束，如图8所示为图6中局部检测节点的概率r-tree生成示意图，如图9所示为丘陵地区滑坡区域检测界面图。

实施例2：居民小区易滑坡区域

整个区域的检测节点布局界面图由图10所示。

训练过程如下：

过程s1：检测区域的检测点数据集dp＝{dp1,dp2,...,dpn,...dpn}，其中检测点编号dpn，1≤n≤n，n＝40为检测地区的检测点总数，每个检测点包含若干个传感器，每个检测点传感器数据集d＝{d1,d2,...,ds,...ds},1≤s≤s，s＝6为检测点传感器节点总数，选取检测点传感器数据集为{土壤密度，岩性，温度，湿度，降雨量，位移}，检测区域的检测点传感器数据集dn＝{d1,d2,...,dn}，每个检测点传感器数据为dsn；初始化s＝0；

过程s2：s＝s+1，计算检测点传感器数据显著相关性数值ρ，

过程s3：判断数据集是否在设定的安全阈值范围内，e为阈值下限，f为阈值上限，选取e＝0.01，f＝0.91，是否满足e≤ρ≤f，如果是，转到过程s4，如果否，转到过程s5；

过程s4：放弃检测点传感器数据集d中的ds，转到过程s6；

过程s5：保留检测点传感器数据集d中的ds，转到过程s6；

过程s6：如果1≤s＜s，则转到步骤s2，否则转到过程s7；

过程s7：得到精简检测点传感器数据集dn'，其中检测点传感器数据dmn，1≤m≤m，1≤m≤s；

过程s8：从检测点传感器数据集dn'中提取出数据训练集t，t＝{g(xi,ti)|xi∈dn',ti∈dn',1≤i≤k}，数据[x1,x2,...xi...,xk]^t用于神经元输入，数据

[t1,t2,...ti,...,tk]^t用于隐层神经元输入，k为样本总数，选取k＝4；

过程s9：神经元激活函数：a＝g(wixi+bi)，bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^t为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

过程s10：对于k个训练样本(xi,ti)，整个训练矩阵表示为：

过程s11：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^t为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^t；

过程s12：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^t为第j个检测点中第i个传感器节点的滑坡发生概率数值；

过程s13：训练结束。

检测过程如下：

步骤s1：当前时刻检测区域的每个检测点传感器数据集dc＝{d1,d2,...,dn}，每个检测点传感器数据为dmn，提取c＝{g(xi,ti)|xi∈dc,ti∈dc,1≤i≤k}作为数据检测集，[x1,x2,...xi...,xk]^c用于输入神经元；[t1,t2,...ti,...,tk]^c用于隐层神经元，k为检测总数，选取k＝4；

步骤s2：神经元激活函数：a＝g(wixi+bi)，其中bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^c为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

步骤s3：对于k个检测样本(xi,ti)，整个检测矩阵表示为：

步骤s4：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出可以表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^c为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^c；

步骤s5：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^c为第j个检测点中第i个传感器节点的滑坡发生概率数值；

步骤s6：采用logistic回归模型：zj＝a0+a1p1j^t+a2p2j^t+...,ai-1p(i-1)j^t,aipij^c,ai+1p(i+1)j^t,...+anpnj^t

zj为中间变量参数，a0为回归常数，ai为第j个变量的回归系数，1≤i≤m，1≤j≤n，计算得到pj^c为第j个检测点所在区域滑坡发生概率的回归预测值；

步骤s7：重点滑坡区域预测，局部区域rem，1≤m≤m，采用概率r-tree对逻辑回归的所有检测点进行逐层分类，得到滑坡概率高的局部检测点区域，概率r-tree叶节点的滑坡概率为pp^c，p为检测点编号，1≤p≤n，q为概率r-tree层数，1≤q≤c，c为r-tree最大层数，选取c＝4；

步骤s8：生成概率r-tree底层叶节点noden1，计算滑坡概率初始化q＝2；

步骤s9：生成概率r-tree的非叶节点nodepq，计算非叶节点的空间范围nodembrpq，计算非叶节点的滑坡概率

步骤s10：在显示模块中根据的数值在最大边界矩形显示不同的警示颜色；

步骤s11：如果1≤q≤c，转到步骤s9，否则转到步骤s12；

步骤s12：当前时刻检测过程结束，如图11所示为居民小区滑坡区域检测界面图；

实施例3：沿江地区易滑坡区域

整个区域的检测节点布局界面图由图12所示。

训练过程如下：

过程s1：检测区域的检测点数据集dp＝{dp1,dp2,...,dpn,...dpn}，其中检测点编号dpn，1≤n≤n，n＝45为检测地区的检测点总数，每个检测点包含若干个传感器，每个检测点传感器数据集d＝{d1,d2,...,ds,...ds},1≤s≤s，s＝9为检测点传感器节点总数，选取检测点传感器数据集为{土壤密度，植被覆盖率，与水系距离，排水量，温度，湿度，降雨量，位移，倾角}，检测区域的检测点传感器数据集dn＝{d1,d2,...,dn}，每个检测点传感器数据为dsn；初始化s＝0；

过程s2：s＝s+1，计算检测点传感器数据显著相关性数值ρ，

过程s3：判断数据集是否在设定的安全阈值范围内，e为阈值下限，f为阈值上限，选取e＝0.04，f＝0.71，是否满足e≤ρ≤f，如果是，转到过程s4，如果否，转到过程s5；

过程s4：放弃检测点传感器数据集d中的ds，转到过程s6；

过程s5：保留检测点传感器数据集d中的ds，转到过程s6；

过程s6：如果1≤s＜s，则转到步骤s2，否则转到过程s7；

过程s7：得到精简检测点传感器数据集dn'，其中检测点传感器数据dmn，1≤m≤m，1≤m≤s；

过程s8：从检测点传感器数据集dn'中提取出数据训练集t，t＝{g(xi,ti)|xi∈dn',ti∈dn',1≤i≤k}，数据[x1,x2,...xi...,xk]^t用于神经元输入，数据[t1,t2,...ti,...,tk]^t用于隐层神经元输入，k为样本总数，选取k＝6；

过程s9：神经元激活函数：a＝g(wixi+bi)，bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^t为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

过程s10：对于k个训练样本(xi,ti)，整个训练矩阵表示为：

过程s11：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^t为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^t；

过程s12：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^t为第j个检测点中第i个传感器节点的滑坡发生概率数值；

过程s13：训练结束。

检测过程如下：

步骤s1：当前时刻检测区域的每个检测点传感器数据集dc＝{d1,d2,...,dn}，每个检测点传感器数据为dmn，提取c＝{g(xi,ti)|xi∈dc,ti∈dc,1≤i≤k}作为数据检测集，[x1,x2,...xi...,xk]^c用于输入神经元；[t1,t2,...ti,...,tk]^c用于隐层神经元，k为检测总数，选取k＝6；

步骤s2：神经元激活函数：a＝g(wixi+bi)，其中bi为第i个隐层神经元ti的偏置值，[w1,w2,...wi,...wk]^c为连接神经元输入和第i个隐层神经元的权值，wixi表示二者的内积，a为神经元输出；

步骤s3：对于k个检测样本(xi,ti)，整个检测矩阵表示为：

步骤s4：一个具有k个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出可以表示为：

{β1,β2,...βj...,βk}为连接隐层神经元和神经元输出的权值向量，[o1,o2,...,om]^c为单隐层前馈神经网络的输出向量，则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,o2n,...,omn]^c；

步骤s5：逻辑回归，计算检测点的滑坡发生概率，在变量集数据改变情况中滑坡发生的条件概率为pij^c为第j个检测点中第i个传感器节点的滑坡发生概率数值；

步骤s6：采用logistic回归模型：zj＝a0+a1p1j^t+a2p2j^t+...,ai-1p(i-1)j^t,aipij^c,ai+1p(i+1)j^t,...+anpnj^t

zj为中间变量参数，a0为回归常数，ai为第j个变量的回归系数，1≤i≤m，1≤j≤n，计算得到pj^c为第j个检测点所在区域滑坡发生概率的回归预测值；

步骤s7：重点滑坡区域预测，局部区域rem，1≤m≤m，采用概率r-tree对逻辑回归的所有检测点进行逐层分类，得到滑坡概率高的局部检测点区域，概率r-tree叶节点的滑坡概率为pp^c，p为检测点编号，1≤p≤n，q为概率r-tree层数，1≤q≤c，c为r-tree最大层数，选取c＝7；

步骤s8：生成概率r-tree底层叶节点noden1，计算滑坡概率初始化q＝2；

步骤s9：生成概率r-tree的非叶节点nodepq，计算非叶节点的空间范围nodembrpq，计算非叶节点的滑坡概率

步骤s10：在显示模块中根据的数值在最大边界矩形显示不同的警示颜色；

步骤s11：如果1≤q≤c，转到步骤s9，否则转到步骤s12；

步骤s12：当前时刻检测过程结束，如图13所示为沿江地区滑坡区域检测界面图。