一种GIS云计算的滑坡三维可视化时空管理系统的制作方法

本发明涉及地质灾害预测领域，具体涉及一种gis云计算的滑坡三维可视化时空管理系统。

背景技术：

1、滑坡灾害是斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动引起的灾害，它不仅给人民群众生命安全带来威胁，而且对财产、环境等都会带来巨大的破坏性。为了感知到上述危险，提前对潜在滑坡进行监测治理，目前的监测主要采用gnss、拉线裂缝计等监测设备结合监测管控系统对潜在的滑坡对象进行实时监管。

2、虽说目前的监测管控系统内嵌了一些报警机制，如：设置滑坡单位时间的形变量速率阈值或滑坡累积形变量阈值，当监测设备采集到的数据超过阈值时，则系统就发出报警信息。由于地形限制、设备采购经费预算的原因，安装在滑坡监测对象上的设备数量是有限的，很难实现对滑坡整个对象的全面把控；另外滑坡具有极强的突发性，监测设备感知到滑坡的运动情况比较滞后。

技术实现思路

1、本发明意在提供一种gis云计算的滑坡三维可视化时空管理系统，以解决现有感知滑坡运动情况滞后的问题。

2、本方案中的gis云计算的滑坡三维可视化时空管理系统，包括智能算法计算中心云服务器、数据采集管理中心云服务器和gis云计算中心服务器，所述智能算法计算中心云服务器、数据采集管理中心云服务器和gis云计算中心服务器之间通过互联网进行信息交互；

3、所述数据采集管理中心云服务器提供监测设备的相关信息和真实采集监测数据；

4、所述智能算法计算中心云服务器在被访问时提供基于真实监测数据预测的滑坡位移数据；

5、所述gis云计算中心服务器提供滑坡的三维地理信息模型、监测点三维模型、通过克里金插值计算得到的滑坡面域形变矢量云图；

6、所述智能算法计算中心云服务器中存储有基于滑坡特征的自适应智能位移预测算法、滑坡先验特征信息函数库、位移预测精度判别函数、存储滑坡预测数据的数据库，所述自适应智能位移预测算法包括一个栈模块，所述栈模块内包括若干个存储滑坡先验特征信息函数的序列，所述智能算法计算中心云服务器按照30个监测周期的时间间隔频率，从数据采集管理中心云服务器中拉取最新的位移监测数据，并作为滑坡特征的自适应智能位移预测算法的训练样本；

7、所述智能算法计算中心云服务器中的自适应智能位移预测算法训练时调用位移预测精度判别函数判别位移预测精度，并依据位移预测精度以出栈、入栈的形式更新栈中的滑坡先验特征信息函数，当位移预测精度满足要求或自适应更迭周期满足预先设置的阈值时，训练结束，所述智能算法计算中心云服务器将位移精度满足要求的位移预测值推送到gis云计算中心服务器中；

8、所述gis云计算中心服务器自动调用克里金插值函数，结合推送过来的位移预测值生成滑坡监测对象未来的位移变化云图。

9、本方案的有益效果是：

10、通过内嵌滑坡先验特征信息函数库，并在预测精度判别函数的指导下，采用栈和序列的方式让模型进行自适应调整，以得到随外界因素变化而变化的滑坡位移预测模型，并通过插值方法得到滑坡监测对象的面域位移云图，从时空感知滑坡整体情况，以实现对滑坡监测对象的全面把控，滑坡运动情况感知更及时。

11、进一步，所述序列用于存放滑坡先验特征信息函数，所述滑坡先验特征信息函数包括增长性函数、波动性函数、阶跃性函数。

12、有益效果是：设置多种函数，能够考虑到滑坡的特性，以进行位移的准确预测。

13、进一步，所述智能算法计算中心云服务器根据勘测数据选取若干个滑坡先验特征信息函数构成待选函数集合a，当智能位移预测算法开始工作时，所述智能算法计算中心云服务器的栈模块会将待选函数集合a中的滑坡先验特征信息函数的顺序进行随机分配，并存入栈模块的序列中。

14、进一步，所述智能算法计算中心云服务器中的自适应智能位移预测算法进行训练时调用位移预测精度判别函数程序，进行位移预测的预测精度判别，若预测满足精度要求，训练结束同时更新原有的预测模型，若不满足精度要求，所述自适应智能位移预测算法将栈顶序列的函数出栈同时对模型进行训练，并调用位移预测精度判别函数判别位移预测精度是否满足要求，若满足精度要求，训练结束同时更新原有的预测模型，若不满足精度要求，所述自适应智能位移预测算法的栈模块将随机待选函数集合a中选取先验特征信息函数，并入栈再次训练模型、同时对位移预测精度进行判断。

15、有益效果是：在训练过程中，基于位移精度判断，实现栈模块序列中的先验特征信息函数的数量、类型更新，让预测算法随着环境因素的变化而发生调整，提高算法与环境的契合度，提高监测结果的及时性和准确性。

16、进一步，所述智能算法计算中心云服务器中的自适应智能位移预测算法将一次出栈和入栈视为智能算法一次自适应更迭周期。

17、进一步，所述自适应智能位移预测算法的栈模块中，将上一个序列的输入值与回测值的残差作为下一个序列中滑坡先验特征信息函数的输入数据，残差表示为：；

18、所述自适应智能位移预测算法将原始监测数据作为栈顶序列的滑坡先验特征信息函数输入数据，栈底序列的滑坡先验特征信息函数没有回测值。

19、进一步，所述自适应智能位移预测算法栈模块中的滑坡先验特征信息函数设置为线性层和非线性层，非线性层采用非线性激活函数构建4层全连接层，并联通输入数据与线性层，全连接层分别表示为：

20、；

21、；

22、；

23、；

24、其中，非线性激活函数表示为：，和为神经网络构建时设置的参数，随着网络的迭代会自动调整。

25、有益效果是：通过各个层的划分和表示，能够精准区分开滑坡的特性。

26、进一步，所述滑坡先验特征信息函数中，非线性层的输出经过线性层的线性激活函数，得到偏置层结果：

27、；

28、。

29、有益效果是：偏置层结果的计算能够准确表征对应特征。

30、进一步，所述智能算法计算中心云服务器中的滑坡先验特征信息函数，由将线性层、非线性层和功能函数封装在一起所构成。

31、有益效果是：通过将线性层和非线性层与功能函数封装在一起，能够准确标准滑坡的特征。

32、进一步，所述自适应智能位移预测算法的栈模块中，当功能函数为波动性函数时，滑坡先验特征信息函数则为波动性函数；将线果和，分别代入波动性函数和中，得到回测值和预测值，预测值和回测值分别表示为：

33、；

34、；

35、其中，，h为向前预测的窗口长度；为历史数据组成的向量；

36、所述自适应智能位移预测算法的栈模块中，当功能函数为阶跃性函数时，滑坡先验特征信息函数则为阶跃性函数；将线性层输出的偏置层结果和，分别代入波动性函数和中，得到回测值和预测值，预测值和回测值分别表示为：

37、；

38、；

39、其中，，h为向前预测的窗口长度；

40、所述自适应智能位移预测算法的栈模块中，当功能函数为增长性函数时，滑坡先验特征信息函数则为增长性函数；将线性层输出的偏置层结果和，分别代入增长性功能函数和中，得到回测值和预测值，预测值和回测值分别表示为：

41、；

42、；

43、其中，，ｐ是自定义变化的小值，用于控制线性单调递增或递减行为的速度，使趋势缓慢变；为历史数据组成的向量；

44、所述的自适应智能位移预测算法中，将栈模块序列中每一个滑坡先验特征信息函数的预测值加权求和，得到滑坡的位移预测数据，位移预测数据表示为：

45、；

46、其中n代表栈中滑坡先验特征信息函数的序列数量；x代表栈中滑坡先验特征信息函数的类型，其中当x=t时，代表当前位移预测值由趋势型先验特征信息函数提供，当x=s时，代表当前位移预测值由周期型先验特征信息函数提供，当x=j时，代表当前位移预测值由阶跃型先验特征信息函数提供。

47、有益效果是：通过对设置不同的功能函数进行预测值和回测值计算，再以所有功能函数的预测值进行滑坡的位移预测数据表示，能够精准表述对应的预测量。