【技術實現步驟摘要】
本專利技術涉及地質災害監測，具體為一種基于邊緣計算物聯網關設備的地質災害預警方法及系統。
技術介紹
1、目前，三峽庫區地質災害監測大數據利用率低，缺乏可靠有效的智能預警預報模型，監測預警設備及工作流程規范化、標準化不足。
2、現有技術中的，公開號為cn117809433a公開了一種支持精準融合預警的物聯網關設備處理方法及系統，該方法包括：通過網關連接監測傳感設備獲取災害監測數據；接收災害監測數據，通過網關利用預設預處理算法對災害監測數據進行預處理；基于災害監測數據，分別建立各類型監測傳感器的判據表達式、多參數的判據表達式組合、宏觀現象條件；設置預警模型觸發條件；基于預警模型觸發條件，獲得預警模型的運算判斷結果，發布預警信息。該方法可以解決現有技術中存在由于邊緣計算效率、監測數據聯動性效率較低，導致物聯網關預警的精確度較低的技術問題，實現提高邊緣計算效率、監測數據聯動性效率的目標，達到提高物聯網關預警精確度的技術效果。
3、但是還存在如下不足：由上述的陳述可知，在現有技術中，由于邊緣計算能力有限，物聯網關設備的處理速度較慢，導致預警結果的響應速度較低；此外，監測數據缺乏聯動性，導致各類監測數據之間的關聯性分析不足，從而影響了預警的準確性。
4、在所述
技術介紹
部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本專利技術的目的在于提供一種基于邊緣計算物聯網關設備的地質災害
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于邊緣計算物聯網關設備的地質災害預警方法，具體步驟包括：
4、s1.在地質災害易發區域部署多個地質傳感器和氣象傳感器，實時采集地質參數和氣象數據，并從中篩選出歷史中若干個t時間段內的地質參數和氣象數據，以及當前時刻前t時間段內的地質參數和氣象數據，地質參數包括地表水平位移量、邊坡表面的位移量、地下水位的高度、坡體傾斜角度和深部位移量，氣象數據包括溫度、濕度和降雨量；
5、s2.設置邊緣計算物聯網關設備，將采集的地質參數進行數據處理，獲取同一t時間段內的地表水平位移變化率，邊坡表面的位移變化率、地下水位的變化率、坡體傾斜角度變化率和深部位移變化率，將采集的氣象數據進行數據處理，獲取當前時刻前t時間段內的溫度變化量、濕度變化量和降雨量變化量的絕對值；
6、s3.構建深度學習網絡模型，將歷史地質參數中的地表水平位移變化率、邊坡表面的位移變化率、地下水位的變化率、坡體傾斜角度變化率、深部位移變化率作為訓練集，對應的地質風險指數作為標簽，輸入至深度學習網絡中進行訓練，將當前地質參數中的地表水平位移變化率、邊坡表面的位移變化率、地下水位的變化率、坡體傾斜角度變化率、深部位移變化率，輸入至訓練完畢的深度學習網絡模型，獲取當前地質風險指數；
7、s4.將當前時刻前t時間段內的溫度變化量、濕度變化量和降雨量變化量的絕對值進行數據處理，生成用于表征氣象特征的環境影響指數，將環境影響指數和當前地質風險指數進行數據處理和相關性分析，生成用于表征地質狀態的綜合風險指數；
8、s5.將綜合風險指數和預先設置的閾值進行比較，根據比較結果，預測三峽庫區地質災害的風險等級，并發出相應的預警信號。
9、進一步地，將采集的氣象數據進行數據處理，獲取當前時刻前t時間段內的溫度變化量、濕度變化量和降雨量變化量的絕對值，具體的過程如下：
10、溫度變化量的絕對值＝(當前時刻前t時間段內的溫度變化量的絕對值，即最終溫度減去初始溫度的絕對值)；
11、濕度變化量的絕對值＝(當前時刻前t時間段內的濕度變化量的絕對值，即最終濕度減去初始濕度的絕對值)；
12、降雨量變化量的絕對值＝(當前時刻前t時間段內的降雨量變化量的絕對值，即最終降雨量減去初始降雨量的絕對值)。
13、進一步地，深度學習網絡模型為卷積神經網絡模型，所述卷積神經網絡模型采用基于多層感知器的深度神經網絡構成，所述多層感知器的深度神經網絡包括輸入層、第一隱藏層、第二隱藏層、第三隱藏層和輸出層，所述第一隱藏層、第二隱藏層和第三隱藏層均具有至少兩個神經元，且均采用relu作為激活函數。
14、進一步地，將當前時刻前t時間段內的溫度變化量、濕度變化量和降雨量變化量的絕對值進行數據處理，生成用于表征氣象特征的環境影響指數，具體的過程如下：
15、c＝ws·δs+wh·δh+wr·δr
16、其中，c為環境影響指數，δs為溫度變化量的絕對值，δh為濕度變化量的絕對值，δr為降雨量變化量的絕對值，ws為溫度變化量的絕對值的權重系數，wh為濕度變化量的絕對值的權重系數，wr為降雨量變化量的絕對值的權重系數，0<wr<wh<ws<1，ws+wh+wr＝1。
17、進一步地，將環境影響指數和當前地質風險指數進行數據處理和相關性分析，生成用于表征地質狀態的綜合風險指數，具體的過程如下：
18、zs＝wc·c+wg·g
19、其中，zs為綜合風險指數，g為當前地質風險指數,wc為環境影響指數的權重系數，wg為當前地質風險指數的權重系數，0<wc<wg<1，wc+wg＝1。
20、進一步地，將綜合風險指數和預先設置的閾值進行比較，根據比較結果，預測三峽庫區地質災害的風險等級,具體的過程如下：
21、當zs≤yz，即綜合風險指數小于等于其閾值，則三峽庫區地質災害的風險等級低，不發出預警信號；
22、當zs>yz，即綜合風險指數大于其閾值，則三峽庫區地質災害的風險等級高，發出預警信號。
23、為實現上述目的，本專利技術提供如下技術方案：
24、一種基于邊緣計算物聯網關設備的地質災害預警系統，所述系統用于執行如上述任一所述的基于邊緣計算物聯網關設備的地質災害預警方法，包括：
25、設備布置和采集模塊，用于在地質災害易發區域部署多個地質傳感器和氣象傳感器，實時采集地質參數和氣象數據，并從中篩選出歷史中若干個t時間段內的地質參數和氣象數據，以及當前時刻前t時間段內的地質參數和氣象數據，地質參數包括地表水平位移量、邊坡表面的位移量、地下水位的高度、坡體傾斜角度和深部位移量，氣象數據包括溫度、濕度和降雨量；
26、數據處理模塊，用于設置邊緣計算物聯網關設備，將采集的地質參數進行數據處理，獲取同一t時間段內的地表水平位移變化率，邊坡表面的位移變化率、地下水位的變化率、坡體傾斜角度變化率和深部位移變化率，將采集的氣象數據進行數據處理，獲取當前時刻前t時間段內的溫度變化量、濕度變化量和降雨量變化量的絕對值；
27、深度學習網絡模塊，用于構建深度學習網絡模型，將歷史地質參數中的地表水平位移變化率、邊坡表面的位移變化率、地本文檔來自技高網...
【技術保護點】
1.一種基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：
3.根據權利要求2所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：深度學習網絡模型為卷積神經網絡模型，所述卷積神經網絡模型采用基于多層感知器的深度神經網絡構成，所述多層感知器的深度神經網絡包括輸入層、第一隱藏層、第二隱藏層、第三隱藏層和輸出層，所述第一隱藏層、第二隱藏層和第三隱藏層均具有至少兩個神經元，且均采用ReLU作為激活函數。
4.根據權利要求3所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：將當前時刻前T時間段內的溫度變化量、濕度變化量和降雨量變化量的絕對值進行數據處理，生成用于表征氣象特征的環境影響指數，具體的過程如下：
5.根據權利要求4所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：將環境影響指數和當前地質風險指數進行數據處理和相關性分析，生成用于表征地質狀態的綜合風險指數，具體的過程如下：
6.根據權利要
7.一種基于邊緣計算物聯網關設備的地質災害預警系統，所述系統用于執行如權利要求1-6任一所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：包括：
...【技術特征摘要】
1.一種基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：
3.根據權利要求2所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：深度學習網絡模型為卷積神經網絡模型，所述卷積神經網絡模型采用基于多層感知器的深度神經網絡構成，所述多層感知器的深度神經網絡包括輸入層、第一隱藏層、第二隱藏層、第三隱藏層和輸出層，所述第一隱藏層、第二隱藏層和第三隱藏層均具有至少兩個神經元，且均采用relu作為激活函數。
4.根據權利要求3所述的基于邊緣計算物聯網關設備的地質災害預警方法，其特征在于：將當前時刻前t時間段內的溫度變化量、濕...
【專利技術屬性】
技術研發人員：雷國平，候睽遙，崔燦，劉曉宇，鄒建華，譚澤富，高樂，
申請(專利權)人：重慶三峽學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。