基于RBFN机器学习的降雨型地质灾害预警预报模型及学习方法与流程

本发明涉及一种地质灾害监测技术，更具体的说，本发明主要涉及一种基于rbfn机器学习的降雨型地质灾害预警预报模型及其学习方法。

背景技术：

我国是世界上地质灾害最为严重的国家之一，其中降雨诱发的地质灾害频率最高，分布最广，危害最严重。目前对于降雨型地质灾害的研究方法主要集中在两大类方法上：一是统计分析方法，此类方法通过收集历史降雨数据和灾害发生情况，进行统计对比分析，从而得到地质灾害和降雨之间的关系；二是机理分析方法，此类方法主要采用物理学水文学方法，分析降雨入渗以后斜坡体内的水-岩(土)力学反应(包括静水压力、动水压力及非饱和土的基质吸力)和物理化学反应等对斜坡稳定性的影响。以上两种方法各有特色和不足之处，统计方法简单模型预测精度不够，复杂模型需要参数较多，不易获得，且应用效果不尽人意；而机理分析方法多数都是基于理想的本构模型，其简化的理想模型不能反映滑坡的真实状态。

技术实现要素：

本发明的目的之一在于针对上述不足，提供一种基于rbfn机器学习的降雨型地质灾害预警预报模型，以期望解决现有技术中常规统计方法中假设的主观因素，统计方法简单模型预测精度不够，复杂模型需要参数较多且不易获得等技术问题。

为解决上述的技术问题，本发明采用以下技术方案：

本发明一方面提供了一种基于rbfn机器学习的降雨型地质灾害预警预报模型，所述的模型包括输入层、隐含层与输出层，所述输入层为向量x＝(x1,x2)，其中x1为土壤雨量指数，x2为小时雨量；所述输出层为标量rbfn值；隐含层由m个径向基函数构成；所述隐含层组成的数组运算单位为隐含层节点，它包含一个中心向量c，与输入层参数向量x具有相同维数，隐含层的径向基函数由下式得到的高斯基函数：

上式中，σj为正数，高斯基函数的半径；cj为基底函数的中心点；m是隐含层的节点数量，具体大小根据学习样本点的空间分布决定；||·||为2范数，由内积运算导出，网络输出由下式进行计算：

上式中，o(x)为输出值，即rbfn值；wj为第j层输出层的权值。

作为优选，进一步的技术方案是：所述土壤雨量指数土壤的含水量采用三段式tank模型描述，其值为三个tank中数值的合计值，tank1为地表水的流入和流出，tank2为地表渗透层流入和流出，tank3为地下水的流入和流出，模型参数的各个tank流量q有如下的关系式：

q1(t)＝α1(s1(t)-l1)+α2(s1(t)-l2)

q2(t)＝α3(s2(t)-l3)

q3(t)＝α4(s3(t)-l4)

式中，αi(i＝1,2,3,4)为各流出孔的流出系数，li(i＝1,2,3,4)各流出孔的高度(mm)，si(i＝1,2,3)为各个tank的存水量高度(mm)，βi(i＝1,2,3)为各渗出孔的渗透系数；

当经过时间δt后有降雨量r(mm)时，各阶段tank的存水量高度由下式计算得到：

s1(t+δt)＝(1-β1δt)·s1(t)-q1(t)·δt+r(t+δt)

s2(t+δt)＝(1-β2δt)·s2(t)-q2(t)·δt+β1·s1(t)·δt

s3(t+δt)＝(1-β3δt)·s3(t)-q3(t)·δt+β2·s2(t)·δt

所述土壤雨量指数等于s1+s2+s3。

本发明另一方面还提供了一种基于权利要求1或2所述模型的机器学习方法，所述的方法包括如下步骤：

设置p个学习值，xi(i＝1,2,l,p)和教师值yi(i＝1,2,l,p)，为防止过拟合采用下式优化问题，求得知权重系数wj：

式中，λj为惩罚系数,i为1～p学习值，j为1～m学习值，m为模型中隐含层的节点数量；

上式分别对wi求微分，由m个线性方程组直接可求出wi，其矩阵形式为：

w＝(h^th+λ)^-1h^ty

其中，

由上式机器学习的rbfn值生成的非线性曲面定义为“rbfn响应曲面”，其x轴为土壤雨量指数，y轴为小时雨量，z轴为rbfn值，根据rbfn值0.1-0.9抽出的等值线作为各个预警单元的cl值作为判据进行预警，超过设定概率的cl值时，输出预警，其数值根据不同rbfn值定义不同的cl值，形成cl等值线，利用所述cl等值线作为预警预报判据的阈值。

作为优选，进一步的技术方案是：惩罚系数λj由下式得到：

式中，λmax为λ的最大值，λmin为λ的最小值，count为簇1至簇4落入样本点的数量，簇内落入的样本点数量越多，惩罚系数λ越小。

与现有技术相比，本发明的有益效果大致为：

以降雨为灾害发生的主要诱因，以降雨量和实际已发生灾害为先验事件，构建了降雨型地质灾害预警和预报模型。模型采用径向基函数网络的rbfn模型，将以往有量纲的降雨量硬阈值，通过引入土壤雨量指数和机器学习算法改进为无量纲的软阈值进行预警单元分级，避免了过去主观和统计方法确定阈值的弊端，适用于任何地区降雨型地质灾害的预警预报。

模型建立之后，所输入的变量仅以降雨量为主因，输出简单明了的蛇形线示意图，建模完成后模型计算量相对较小，便于系统的推广和实施。

rbfn模型能够克服以往模型的指标选取，指标权重和阈值确定的主观性问题。模型的判断基准只有cl等值线，为无量纲值的软阈值，无需各种具体的阈值限定。

随着系统使用时间的增加，雨量和灾害数据不断累积，系统的预测精度会不断提高，适合长期使用。

附图说明

图1为用于说明本发明一个实施例的rbfn网络结构示意图；

图2为用于说明本发明一个实施例的一连降雨概念示意图；

图3为用于说明本发明一个实施例的蛇形线示意图；

图4为用于说明本发明一个实施例的土壤雨量指数tank模型示意图；

图5为用于说明本发明一个实施例的rbfn响应曲面示意图；

图6用于说明本发明一个实施例的基底函数及网格设定图；

图7用于说明本发明一个实施例的模型应用时系统功能模块及技术路线图；

图8用于说明本发明一个实施例的全部降雨蛇形线与cl值关系示意图。

具体实施方式

下面结合附图对本发明作进一步阐述。

正如上述所提到的，发明提出了基于rbfn的降雨型地质灾害预警预报模型，通过引入一连降雨、土壤雨量指数、rbfn值和cl等值线等概念，使用rbf核函数的机器学习算法，将以往有量纲的降雨量硬阈值改进为无量纲的软阈值进行预警单元分级，避免了过去统计方法中假设的主观因素，适用于任何地区降雨型地质灾害的预警预报。

本发明技术方法主要包括：基于rbfn机器学习的降雨型地质灾害预警预报模型主要包括rbfn(radicalbasisfunctionnetwork，径向基函数网络)的构造、降雨参数的输入和rbfn计算模型三个部分组成(附图1)。rbfn模型输入端为小时雨量和土壤雨量指数，中间层为由数据点对组成的核函数的中心点，输出端为rbfn值(0-1的非发生降雨的概率)。经过机器学习算法可以获得的cl等值线(criticalline，即软阈值的临界值线)，利用蛇形线是否超过该线和超过的时间进行预警预报。

本发明中最主要核心部分为rbfn降雨型地质灾害预警预报模型，该模型引入的几个重要概念如下：

1)一连降雨：本发明中将连续的中间间隔不超过24小时的过程降雨称为“一连降雨”，按照时间依次编号，称为“一连降雨编号”。如果中间间隔超过24小时则为下一个一连降雨编号(附图2)。如果某个一连降雨中有灾害发生，称为“发生降雨”，没有灾害发生，称为“非发生降雨”。

2)土壤雨量指数：本发明中泛指土壤的含水量，其模型输入端的长期雨量指标，由土壤雨量指数tank模型计算得出。

3)rbfn值：本发明中是指由rbfn模型计算得出的数值，范围为(0,1]，该值代表当前输入降雨条件下非发生降雨的概率。

4)cl等值线：本发明中是指相同rbfn值围成的临界等值线，可取0.1-0.9，该等值线在三维空间中的rbfn响应曲面在二维空间中的表达，由rbfn机器学习算法求出。该等值线在本发明中作为预警预报判据的阈值使用。

5)蛇形线：本发明中是指以土壤雨量指数为x轴，小时雨量为y轴的一连降雨的折线图。利用该线与cl等值线比较进行不同预警单元的预警预报(附图3)。

本发明中的土壤雨量指数采用三段式tank模型描述，其值为三个tank中数值的合计值，可理解为流域单元内长期雨量指标。tank1可以理解为地表水的流入和流出，tank2可以理解为地表渗透层流入和流出，tank3可以理解为地下水的流入和流出。土壤雨量指数越高，其发生降雨型地质灾害的概率越大(附图4)。

模型参数的各个tank流量q有如下的关系式：

q1(t)＝α1(s1(t)-l1)+α2(s1(t)-l2)

q2(t)＝α3(s2(t)-l3)

q3(t)＝α4(s3(t)-l4)

其中，αi(i＝1,2,3,4)为各流出孔的流出系数，li(i＝1,2,3,4)各流出孔的高度(mm)，si(i＝1,2,3)为各个tank的存水量高度(mm)，βi(i＝1,2,3)为各渗出孔的渗透系数。

当经过时间δt后有降雨量r(mm)时，各阶段tank的存水量高度由下式计算得到：

s1(t+δt)＝(1-β1δt)·s1(t)-q1(t)·δt+r(t+δt)

s2(t+δt)＝(1-β2δt)·s2(t)-q2(t)·δt+β1·s1(t)·δt

s3(t+δt)＝(1-β3δt)·s3(t)-q3(t)·δt+β2·s2(t)·δt

土壤雨量指数＝s1+s2+s3。

rbfn计算模型及机器学习算法：

(1)rbfn计算模型

rbfn计算模型采用可逼近任意非线性函数的径向基函数的核方法，模型分为输入层，隐含层和输出层三层(附图1)。本发明中输入层为向量x＝(x1,x2)，其中x1为土壤雨量指数，x2为小时雨量；输出层为标量rbfn值；隐含层由m个径向基函数构成，其作用是将低维空间的输入通过核函数映射到一个高维空间，在这个高维空间中进行线性拟合后输出。隐含层组成的数组运算单位为隐含层节点，它包含一个中心向量c，与输入层参数向量x具有相同维数，隐含层的径向基函数，采用高斯基函数：

其中，σj为正数，高斯基函数的半径；cj为基底函数的中心点；m是隐含层的节点数量，具体大小根据学习样本点的空间分布决定；||·||为2范数，可由内积运算导出。常规网络输出一般采用列加权函数：

其中，o(x)为输出值，即rbfn值；wj为第j层输出层的权值。

(2)rbfn计算模型机器学习

rbfn计算模型不同于一般统计方法，本发明中采用非发生降雨事件的数据输入，使用有监督的学习算法。设有p个学习值，xi(i＝1,2,l,p)和教师值yi(i＝1,2,l,p)，为防止过拟合采用下列表达式优化问题，求得知权重系数wj。

其中，λj为惩罚系数，其代表了先验知识，由下面的优化策略给出。

上式右边分别对wi求微分，由m个线性方程组直接可求出wi，写成矩阵形式如下：

w＝(h^th+λ)^-1h^ty

其中，

由上式机器学习的rbfn值生成的非线性曲面定义为“rbfn响应曲面”(附图5)，其x轴为土壤雨量指数，y轴为小时雨量，z轴为rbfn值。由于本发明中采用非降雨事件数据的输入，在非发生降雨数据密集的区域，rbfn值较高；非发生降雨数据稀疏的区域，rbfn值较低。系统根据rbfn值0.1-0.9抽出的等值线作为各个预警单元的cl值作为判据进行预警。超过设定概率的cl值时，系统输出预警，其数值可以根据不同rbfn值定义不同的cl值。

(3)惩罚系数λ的优化策略

本发明采用带有惩罚系数的核函数基底进行机器学习计算，其特点为既保留了数据量大的优点，又回避了大量相关数据存在导致的计算效率低的缺点。将输入数据在x轴和y轴使用网格分割，对所有学习样本数据覆盖到的网格，取其四个角点作为基底函数的中心向量c(附图6)。针对某一中心向量，可将其覆盖范围化为四个区域(簇1-簇4)，每个簇域内根据样本落入的样本数据通过重心进行聚类，得到簇重心点，惩罚系数λ由下列公式求得。

其中，λmax为λ的最大值，λmin为λ的最小值，一般取λmin＝1，λmax根据学习样本量确定；count为簇1至簇4落入样本点的数量。簇内落入的样本点数量越多，惩罚系数λ越小。

如附图7所示，本专利的地质灾害监测预警预报是通过两个数据库(gis空间数据库和地质灾害预警数据库)和三个计算模型数据流的重复循环来实现。具体实施方案如下：

1、gis空间数据库中根据雨量站的空间信息进行泰森多边形剖分，形成预警单元；根据预警点与预警单元的空间包含关系，形成预警单元与预警点的1对多的关系属性。

2、获得实时雨量或者预报雨量数据后，进行小时雨量和土壤雨量指数计算，生成rbfn计算模型的输入数据，即小时雨量和土壤雨量指数。

3、以土壤雨量指数(长期降雨指标)为x轴，小时雨量(短期降雨指标)为y轴生成一连降雨的蛇形线图，与机器学习计算所得的cl等值线比较，根据是否超过和超过的时间点进行地质灾害时间的预警预报，根据不同预警单元的位置进行地质灾害地点的预警预报。

4、每隔一段时间(1-3年)，根据预警预报数据库中的非发生降雨(每年可有8760组样本数据)和发生降雨(根据地质灾害数据计算)进行一次rbfn值的机器自学习，输出cl0.1-0.9不同概率的等值线软阈值。

如附图8所示，带有红色标记的为发生降雨的蛇形线，没有红色标记的为非发生降雨的蛇形线，红色的cl等值线为机器自学习获得的cl0.3的软阈值等值线，可根据发生灾害的数据指定为不同级别的预警预报软阈值。随着系统数据的不断增多和不断自学习，在预警软阈值不变的情况下，系统的预警精度会不断提高，且且不需要人为调整，使用简便、适用性强，便于推广使用。

除上述以外，还需要说明的是在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。