一种震后道路受灾区域快速预测方法、系统及存储介质

1.本发明涉及一种地震数据处理技术领域，尤其是涉及一种震后道路受灾区域快速预测方法、系统及存储介质。


背景技术：

2.地震滑坡总是造成巨大的经济损失和人员伤亡。除直接掩埋房屋外，滑坡往往破坏道路、阻塞交通，严重影响震后救援。因此，为减小地震损失，确保震后应急救援工作的顺利进行，需对震后滑坡影响范围进行准确预测，尤其是对道路受灾区域进行快速有效评估，为应急救援方案的制定提供有力支持。
3.为实现对地震滑坡灾害的预测和评估，传统力学模型首先被应用于地震灾害领域，如中国专利cn110390169a公开的一种基于力学模型的地震滑坡危险性定量评价方法，通过模拟的地震信息进行滑坡危险性评价，确定出滑坡危险区，从而提前进行灾害防护。但是力学模型的准确性需要精确数据支持，因此更适合单体或局部区域的滑坡分析，面对大范围地震灾后区域的预测效果不佳。
4.除力学模型之外，随着信息技术的发展，机器学习方法也在地震灾害评价中获得广泛应用。机器学习方法能够处理广域地震滑坡的大量数据，构建影响因素和滑坡的关系，如中国专利cn107463991a公开的一种基于坡体单元与机器学习的区域滑坡危险性评价方法。但是，使用机器学习方法进行受灾区域的评估时，由于该方法依赖于历史数据，在历史数据缺失时，往往不能得到泛用性较高的机器学习模型，在受灾范围预测上的应用有限。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种震后道路受灾区域快速预测方法、系统及存储介质，结合机器学习方法和物理力学模型实现对震后研究区域内道路受滑坡影响的快速预测和评估，使用机器学习方法得到滑坡概率较大的危险单元，再使用力学模型对危险单元进行研究，能够实现对震后道路受灾情况的准确空间定位，能够进行广域空间的快速评估，对地震应急救援措施的制定有重要参考价值。
6.本发明的目的可以通过以下技术方案来实现：
7.一种震后道路受灾区域快速预测方法，包括以下步骤：
8.s1、获取研究区域以及当前地震参数，根据研究区域高程将研究区域划分为多个斜坡单元，得到各个斜坡单元所对应的地震滑坡因子数据，获取研究区域的历史地震滑坡分布数据；
9.s2、根据历史地震滑坡分布数据找到研究区域中的滑坡单元，在研究区域中随机选择多个非滑坡单元，滑坡单元和非滑坡单元构成训练集；
10.s3、使用机器学习方法基于训练集进行模型训练，得到以地震滑坡因子数据为输入、滑坡概率为输出的滑坡概率评估模型；
11.s4、使用滑坡概率评估模型对所有的斜坡单元进行滑坡概率评估，将滑坡概率大
于预设置的概率阈值的斜坡单元记为危险单元；
12.s5、基于能量守恒原理建立计算滑坡滑距的物理力学模型，使用物理力学模型计算各个危险单元的滑距，基于危险单元的滑距和坡向确定危险单元的滑坡范围；
13.s6、基于研究区域的道路分布和危险单元的滑坡范围得到震后道路的受灾区域预测结果。
14.进一步的，所述地震滑坡因子数据包括：高程、坡度、坡向、剖面曲率、平面曲率、地层岩性、断层距、河流距、植被覆盖指数、地震动峰值加速度、地震动峰值速度和震中距，其中地震动峰值加速度、地震动峰值速度和震中距是根据当前地震参数确定的。
15.进一步的，步骤s1中的斜坡单元是利用水文分析方法、通过高程计算汇流并划分流域边界得到的。
16.进一步的，步骤s1中将研究区域的历史地震中与当前地震参数最接近的地震的滑坡分布数据作为历史地震滑坡分布数据。
17.进一步的，步骤s3中，使用的机器学习方法是四层bp神经网络模型，网络结构为12
‑
10
‑
15
‑
1。
18.进一步的，预设置的概率阈值为60％。
19.进一步的，步骤s5中使用物理力学模型计算危险单元的滑距具体为：
20.‑
δe
p
+e
eq
＝e
dp
21.上式中，δe
p
表示滑体势能，e
eq
表示滑体获得的地震能，e
dp
表示滑体在滑动过程中耗散的能量，δe
p
的计算公式如下：
22.‑
δe
p
＝βmgδ
r
23.其中，β表示危险单元的边坡坡度，m表示滑动土体的质量，根据危险单元的面积和土层厚度估算得到，g表示重力加速度，δ
r
表示待计算的滑距；
24.e
dp
的计算公式如下：
[0025][0026]
其中，μ表示摩擦系数，根据土体的摩擦角求出，综上得到滑距δ
r
的计算公式如下：
[0027][0028]
其中，滑体获得的地震能e
eq
的计算公式如下：
[0029][0030]
上式中，α表示上层土体与基岩的阻抗比，取0.3，a表示危险单元的面积，r表示危险单元至震源的距离，m表示当前地震参数对应的里氏震级。
[0031]
进一步的，步骤s6具体为：基于危险单元的滑坡范围得到研究区域的斜坡滑动范围预测图，将研究区域的道路分布图和斜坡滑动范围预测图整合至同一张图上，得到震后
道路的受灾区域预测结果。
[0032]
一种震后道路受灾区域快速预测系统，包括：
[0033]
样本学习模块，用于基于研究区域、当前地震参数和历史地震滑坡分布数据构建训练集，使用机器学习方法得到以地震滑坡因子数据为输入、滑坡概率为输出的滑坡概率评估模型，基于滑坡概率评估模型得到危险单元；
[0034]
力学模型模块，用于根据物理力学模型计算危险单元的滑距，基于危险单元的滑距和坡向确定危险单元的滑坡范围；
[0035]
区域绘制模块，用于基于研究区域的道路分布和危险单元的滑坡范围得到震后道路的受灾区域预测结果。
[0036]
一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现震后道路受灾区域快速预测方法。
[0037]
与现有技术相比，本发明具有以下有益效果：
[0038]
(1)结合机器学习方法和物理力学模型实现对震后研究区域内道路受滑坡影响的快速预测和评估，使用机器学习方法得到滑坡概率较大的危险单元，再使用力学模型对危险单元进行研究，能够实现对震后道路受灾情况的准确空间定位，能够进行广域空间的快速评估，对地震应急救援措施的制定有重要参考价值。
[0039]
(2)相比于仅依靠经验进行震后受灾评估，本发明使用机器学习方法初步确定危险单元，再基于力学模型进行滑动范围研究，具有更高的准确性，对实际地震滑坡情况有更好的适用性。
[0040]
(3)本技术使用机器学习方法确定滑坡概率较高的危险单元，能够处理大量不确定性数据，适合实现广域快速评估，同时，对所需数据要求较低，数据均来自台站监测和卫星遥感，便于获取，适用于震后应急的实际情况。
[0041]
(4)相较于单依靠机器学习方法进行受灾区域预测，本技术使用机器学习方法确定危险单元，精确度较高，对历史数据的依赖性随之下降，在确定危险单元后考虑滑动机制，引入物理力学模型，基于能量守恒计算滑动范围，泛用性较高，对不同区域的震后受灾情况的预测更加准确。
[0042]
(5)本技术建立基于能量守恒原理的物理力学模型，计算滑坡的滑距，计算速度更快，能对广域空间进行快速评估，泛用性更高。
附图说明
[0043]
图1为震后道路受灾区域快速预测方法的流程图；
[0044]
图2为历史地震(鲁甸地震)地震滑坡因子数据分布栅格图；
[0045]
图3为研究区域划分斜坡单元图；
[0046]
图4为历史地震(鲁甸地震)滑坡点分布图；
[0047]
图5为机器学习训练集样本分布示意图；
[0048]
图6为基于机器学习得到的震后危险单元的空间分布图；
[0049]
图7为震后斜坡滑动范围预测图；
[0050]
图8为震后道路的受灾区域预测结果图；
[0051]
图9为震后道路受灾区域快速预测系统的结果示意图；
[0052]
附图标记：m1、样本学习模块，m2、力学模型模块，m3、区域绘制模块。
具体实施方式
[0053]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0054]
实施例1：
[0055]
本实施例中以云南省受地震影响的县市为研究区域，以研究区域内主要道路为研究对象，假设云南鲁甸发生地震，设定震源、震级等地震参数，使用本技术评估预测震后道路的受灾情况。
[0056]
一种震后道路受灾区域快速预测方法，如图1所示，包括以下步骤：
[0057]
s1、获取研究区域以及当前地震参数，根据研究区域高程将研究区域划分为多个斜坡单元，得到各个斜坡单元所对应的地震滑坡因子数据，获取研究区域的历史地震滑坡分布数据。
[0058]
在步骤s1中，将云南省内受地震影响的五个县的行政范围作为研究区域，假设云南鲁甸发生地震，设定震源、震级等地震参数，获取地震滑坡因子数据，包括高程、坡度、坡向、剖面曲率、平面曲率、地层岩性、断层距、河流距、植被覆盖指数、地震动峰值加速度pgv、地震动峰值速度pga和震中距，来自台站监测和卫星遥感。获取各地震滑坡因子数据空间分布的栅格图，如图2所示。基于获得的研究区域高程栅格，利用gis软件的水文分析工具，提取山脊和山谷线，从而将研究区域划分为18万余个斜坡单元，斜坡单元是后续地震滑坡评价的基本单元，如图3所示。得到各个斜坡单元所对应的地震滑坡因子数据。
[0059]
将研究区域的历史地震中与当前地震参数最接近的地震的滑坡分布数据作为历史地震滑坡分布数据，本实施例中选取2014年云南省鲁甸6.5级地震，获得震后715处滑坡点的分布图，如图4所示。
[0060]
s2、根据历史地震滑坡分布数据找到研究区域中的滑坡单元，在研究区域中随机选择多个非滑坡单元，滑坡单元和非滑坡单元构成训练集。
[0061]
本实施例中，将已知的715处滑坡点所对应的斜坡单元作为滑坡单元，在历史地震滑坡分布数据中的非滑坡区域中，使用gis创建7150个随机点作为非滑坡点，将这些非滑坡点对应的斜坡单元作为非滑坡单元，滑坡单元和非滑坡单元构成训练集。本实施例中，所构建的机器学习训练集中的样本在研究区域的分布如图5所示。
[0062]
s3、使用机器学习方法基于训练集进行模型训练，得到以地震滑坡因子数据为输入、滑坡概率为输出的滑坡概率评估模型；
[0063]
在步骤s3中，构建结构为12
‑
10
‑
15
‑
1的bp神经网络，以训练集中滑坡单元和非滑坡单元所对应的地震滑坡因子数据作为bp神经网络的输入层，以滑坡概率作为bp神经网络的输出结果，进行模型训练。模型训练过程中，随机选取训练集中的70％为训练样本，30％为测试样本。bp神经网络通过训练得到12个地震滑坡因子数据和滑坡概率的映射关系，即完成了滑坡概率评估模型的构建。
[0064]
s4、使用滑坡概率评估模型对所有的斜坡单元进行滑坡概率评估，将滑坡概率大于预设置的概率阈值的斜坡单元记为危险单元；
[0065]
在步骤s4中，提取整个研究区域中所有斜坡单元所对应的地震滑坡因子数据，输入训练好的滑坡概率评估模型，滑坡概率评估模型输出对各个斜坡单元震后滑坡概率的评估结果。将概率大于60％的斜坡单元作为滑坡高风险单元，记为危险单元，得到震后危险单元的空间分布图，如图6所示。在其他实施方式中，可以根据预测需求，改变概率阈值的大小。
[0066]
s5、基于能量守恒原理建立计算滑坡滑距的物理力学模型，使用物理力学模型计算各个危险单元的滑距，基于危险单元的滑距和坡向确定危险单元的滑坡范围；
[0067]
步骤s5中，根据能量守恒基本原理，得到如下公式：
[0068]
‑
δe
p
+e
eq
＝e
dp
[0069]
上式中，δe
p
表示滑体势能，e
eq
表示滑体获得的地震能，e
dp
表示滑体在滑动过程中耗散的能量；
[0070]
滑体势能δe
p
的计算公式如下：
[0071]
‑
δe
p
＝βmgδ
r
[0072]
其中，β表示危险单元的边坡坡度，m表示滑动土体的质量，根据危险单元的面积和土层厚度估算得到，g表示重力加速度，δ
r
表示待计算的滑距；
[0073]
滑体获得的地震能e
eq
的计算公式如下：
[0074][0075]
上式中，e
ip
为原始地震能，α表示上层土体与基岩的阻抗比，本实施例中取0.3，a表示危险单元的面积，r表示危险单元至震源的距离，m表示当前地震参数对应的里氏震级。
[0076]
滑体在滑动过程中耗散的能量e
dp
的计算公式如下：
[0077][0078]
其中，μ表示摩擦系数，根据土体的摩擦角求出；
[0079]
综上得到滑距δ
r
的计算公式如下：
[0080][0081]
以步骤s4中得到的危险单元为研究对象，提取各个危险单元的坡度、根据地层岩性和规范估计的有效摩擦角、以及对应的当前地震参数，即可通过公式计算得到如图7所示的危险单元滑动范围。
[0082]
s6、基于研究区域的道路分布和危险单元的滑坡范围得到震后道路的受灾区域预测结果。
[0083]
步骤s6中，基于危险单元的滑坡范围得到研究区域的斜坡滑动范围预测图，如图7所示，将研究区域的道路分布图和斜坡滑动范围预测图重叠绘制，整合至同一张图上得到震后道路的受灾区域预测结果，如图8所示。
[0084]
一种震后道路受灾区域快速预测系统，如图9所示，包括：
[0085]
样本学习模块m1，用于基于研究区域、当前地震参数和历史地震滑坡分布数据构建训练集，使用机器学习方法得到以地震滑坡因子数据为输入、滑坡概率为输出的滑坡概率评估模型，基于滑坡概率评估模型得到危险单元；
[0086]
力学模型模块,m2，用于根据物理力学模型计算危险单元的滑距，基于危险单元的滑距和坡向确定危险单元的滑坡范围；
[0087]
区域绘制模块m3，用于基于研究区域的道路分布和危险单元的滑坡范围得到震后道路的受灾区域预测结果。
[0088]
一种计算机存储介质，其上存储有计算机程序，计算机程序被执行时实现震后道路受灾区域快速预测方法。
[0089]
本技术实现对震后研究区域内道路受滑坡影响的快速预测和评估，结合机器学习方法和物理力学模型，使用机器学习方法得到滑坡概率较大的危险单元，再使用力学模型对危险单元进行研究，得到危险单元的滑动范围，能够实现对震后道路受灾情况的准确空间定位，能够进行广域空间的快速评估，对地震应急救援措施的制定有重要参考价值。
[0090]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。