一种浅层崩塌灾害预警模型建立方法、装置、设备及介质与流程

本发明涉及岩土灾害预警，尤其涉及一种浅层崩塌灾害预警模型建立方法、装置、设备及介质。

背景技术：

1、浅层土质崩塌多发生于汛期，具有“点多面广”及“体量小预警难”等特征，给山区村民的生命财产安全带来严重威胁，也给防灾减灾工作造成麻烦。在每年汛期到来之际，大规模转移村民的现象时有发生，不仅浪费大量的人力物力，也给村民和防灾人员造成严重困扰。其归根的原因在于浅层土质崩塌的预警阈值不准，要么不够灵敏，要么过于敏感。

2、目前，关于浅层土质崩塌，如滑坡、崩塌或泥石流的预警方法，主要采用：统计分析、数值模拟及物理模型。其中，数值模拟或物理模型方法主要用于灾害启动机理研究及单点灾害预警阈值的确定，更多的是关注理论层面，但在推广到工程实践及实际应用上存在着不足。而基于统计分析所建立的模型虽然缺乏机理支撑，但经过多年的发展，得到了世界各国的广泛应用。统计模型的建立通常只需要充足的雨量资料和灾点信息作为支撑，并未考虑坡度、植被和岩性等其他影响因素对斜坡失稳的影响。

3、综上，现有技术中的预警模型建立方法未考虑斜坡失稳的影响，导致其预警阈值的准确度和可靠性不高。

技术实现思路

1、本发明提供了一种浅层崩塌灾害预警模型建立方法、装置、设备及介质，以解决现有技术中的预警模型建立方法未考虑斜坡失稳的影响，导致其预警阈值的准确度和可靠性不高的技术问题。

2、第一方面，为了解决上述技术问题，本发明提供了一种浅层崩塌灾害预警模型建立方法，包括：

3、获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；

4、基于数字高程模型划分斜坡单元，并基于arcgis提取多个孕灾因子；

5、以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；

6、基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；

7、根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；

8、根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；

9、根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。

10、优选地，所述基于数字高程模型划分斜坡单元，包括：

11、生成无洼地，计算流向和流量；

12、生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面，反转原dem；

13、重复所述生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面的步骤，生成反向集水流域面；

14、合并所述正向集水流域面和所述反向集水流域面，生成初始斜坡单元；

15、对不合理边界进行修正，得到斜坡单元。

16、优选地，所述基于arcgis提取多个孕灾因子，包括：

17、利用arcgis中的欧几里德距离工具计算道路、断层和水系到各斜坡因子的距离；

18、取所有栅格单元距离的平均值作为斜坡单元的最终值；

19、其中，在高程、坡度、坡向、高差、平面曲率、剖面曲率、twi和ndvi提取时，按一个斜坡单元内所有栅格单元的平均值作为各个斜坡单元的最终赋值；在利用斜坡单元进行地层岩性提取时，若一个单元内涉及多个岩性，则按照地层岩性所占面积最大的岩性作为斜坡因子的最终赋值。

20、优选地，多个所述孕灾因子包括：高程、坡度、坡向、高差、平面曲率、剖面曲率、地形湿度指数twi、归一化植被指数ndvi、岩性、到道路距离、到断层距离及到水系距离。

21、优选地，所述以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集，包括：

22、以所述历史灾点数据和所述孕灾因子作为正样本集；

23、在距历史灾点半径缓冲区外，随机选取相同数量的非崩塌点，构建负样本集；

24、根据所述正样本集和所述负样本集组成总样本集；

25、按照8：1：1的比例将总样本集划分为训练集、验证集和测试集，分别用于模型的训练、调参和测试。

26、优选地，所述基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果，包括：

27、初始化弱分类器：

28、

29、f0(x)为初始弱分类器，l(yi,γ)为一个可微的损失函数；

30、计算负梯度：

31、

32、在回归树中，实则就是y-c，c指的是每个叶子节点样本标签的平均值；

33、将公式(2)中的残差作为样本的新值，将(xm,rim),m＝1,2,3,…,m作为下一棵树的训练数据；

34、根据所述样本的新值，训练得到新的弱学习器gk(x)为：

35、

36、返回至所述计算负梯度的步骤，直到满足最低误差要求，最终形成的强分类器为：

37、

38、式中，fm(x)是崩塌易发性预测模型，f0(x)为初始模型，其值为损失函数的最小值；m为最大迭代次数，j是第j棵回归树的叶节点数，γ是损失函数在叶节点区域负梯度的最优拟合值，对应的第j棵回归树的叶节点区域为rjm(j＝1，2，3，…，j)，/为指示函数，rjm是第t个决策树对应的叶节点区域；最大迭代次数(m)设置为150次，考虑数据时学习率为0.5，叶节点数(j)设置为20。

39、优选地，所述根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型，包括：

40、分别统计不同易发性分区内已发灾点数量、灾害发生时的当日雨量及前九天雨量；

41、通过相关性分析，确定前期降雨天数，建立不同易发性分区的前期降雨-当日降雨阈值模型；

42、其中，所述相关性系数的公式为：

43、

44、式中，r(x，y)为两变量之间的相关程度；cov(x，y)为x与y的协方差；var(x)为x的方差；var(y)为y的方差。

45、第二方面，本发明提供了一种浅层崩塌灾害预警模型建立装置，包括：

46、数据获取模块，用于获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；

47、斜坡划分模块，用于基于数字高程模型划分斜坡单元，并基于arcgis提取多个孕灾因子；

48、样本生成模块，用于以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；

49、模型评价模块，用于基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；

50、降雨阈值模块，用于根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；

51、等级修正模块，用于根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；

52、预警模型建立模块，用于根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。

53、第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的浅层崩塌灾害预警模型建立方法。

54、第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的浅层崩塌灾害预警模型建立方法。

55、相比于现有技术，本发明具有如下有益效果：

56、本发明提供一种浅层崩塌灾害预警模型建立方法，包括：获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；基于数字高程模型划分斜坡单元，并基于arcgis提取多个孕灾因子；以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。

57、本发明从历史灾点出发，通过统计分析和机器学习结合的方式，以斜坡单元为最小预测单元的面，考虑最新一轮的风险隐患点普查结果来修正其易发性和阈值。本发明将汛期间防灾减灾的重点关注对象(即现存风险隐患点)，判断现阶段的稳定状态，来修正由历史灾点建立的预警模型，以此提高预警的精度和可靠性。

58、同时，本发明所应用的预警模型结合了统计分析和机器学习算法，是一个时空耦合的预测方法，当采集到新的样本信息时，可输入模型进行调参和验证，达到动态更新的效果。