本發(fā)明專利技術公開了一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，涉及地質災害預警技術領域，包括步驟S1：將降水區(qū)域所覆蓋的集雨常規(guī)區(qū)域標注為集雨風險區(qū)域；步驟S2：記錄每個集雨風險區(qū)域潛在泥石流的實時影響因子集；步驟S3：將實時影響因子集作為迭代輸入值輸入至深度學習網(wǎng)絡進行迭代并將迭代輸出值設置為預測影響因子集；步驟S4：使用異常評估策略對預測影響因子集的記載數(shù)據(jù)進行風險評估，篩出全部符合風險評估級別的集雨風險區(qū)域均標注為泥石流風險區(qū)域。本發(fā)明專利技術與現(xiàn)有技術相比，利用深度學習網(wǎng)絡處理復雜的數(shù)據(jù)集，覆蓋更多潛在風險區(qū)域，具有提升山地泥石流預警準確性的優(yōu)點和更精準地識別泥石流風險山地區(qū)域的有益效果。
【技術實現(xiàn)步驟摘要】
本專利技術涉及地質災害預警，具體涉及一種基于深度學習的山區(qū)泥石流動態(tài)預警方法。
技術介紹
1、山區(qū)泥石流主要發(fā)生在山區(qū)溝谷或山地坡面上，這些地區(qū)地形復雜，坡度較大，有利于泥石流的形成和運動。山區(qū)地形使得水流能夠迅速匯集，并攜帶大量松散土石物質形成泥石流。山區(qū)泥石流的地形分類主要包括溝谷型和山坡型兩種，這兩種類型的泥石流在形成條件、分布特點以及危害程度等方面都存在差異。山區(qū)泥石流由于常常發(fā)生在地勢差較大的區(qū)域，對人與自然來說屬于極具破壞性的自然災害。為了有效減少泥石流災害造成的損失，動態(tài)預警系統(tǒng)的建立至關重要。
2、在山區(qū)泥石流災害中，雨季大量降水是產(chǎn)生泥石流災害的重要因素。目前現(xiàn)有的用于動態(tài)預警山區(qū)泥石流的數(shù)據(jù)處理技術中，在山體范圍較大、地貌較復雜的目標山區(qū)針對山區(qū)泥石流進行動態(tài)預警時，當出現(xiàn)例如局部暴雨、流域綜合降雨等非全域覆蓋的多重降雨源情況下，進行泥石流預測的精確度仍然相對較低，或者需要花費更多的監(jiān)測預警資源。一方面不同類型的降雨同時出現(xiàn)在高度差起伏不同的山體位置上時，對泥石流形成的影響變化是不同的，而目前的預測預警方法主要傾向于將降雨情況和山體區(qū)域整體化處理，導致在易發(fā)生泥石流區(qū)域較多的山區(qū)的預測響應速度方面受到影響，或者需要花費更多的監(jiān)測成本；另一方面在山體范圍較大的山區(qū)，現(xiàn)有的預測方法在捕捉降雨特征變化后從全局角度預估潛在泥石流發(fā)生的評估精確度有限，各區(qū)域的不同降雨的強度、持續(xù)時間等特征也會影響泥石流的觸發(fā)條件和發(fā)展過程，使得預測結果可能存在偏差或者延遲，導致泥石流預測結果出現(xiàn)時效性不足的問題。
<
br/>技術實現(xiàn)思路
1、本專利技術提供一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，解決現(xiàn)有技術在風險區(qū)域較多且高度差變化大的目標監(jiān)測山區(qū)遭遇復雜降雨源時，針對山區(qū)泥石流進行動態(tài)預警的時效性不佳和有效預警范圍有限的問題。
2、本專利技術通過下述技術方案實現(xiàn)：
3、一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，該方法包括：
4、步驟s1：捕捉目標山區(qū)地理信息用以構建目標山區(qū)的等高線圖，在等高線圖上從每個山頂沿山脊線將山谷與鞍部區(qū)域全標注為集雨常規(guī)區(qū)域，收集目標山區(qū)降水信息并在等高線圖上將降水區(qū)域所覆蓋的集雨常規(guī)區(qū)域標注為集雨風險區(qū)域，將全天時間分為若干個時間段；
5、步驟s2：設置用于針對目標山區(qū)潛在泥石流預測的異常評估策略，使用異常評估策略將每個集雨風險區(qū)域存在潛在泥石流的風險分設為多個風險評估級別，根據(jù)目標山區(qū)地理信息和目標山區(qū)降水信息以時間段為單位記錄每個集雨風險區(qū)域潛在泥石流的實時影響因子集；
6、步驟s3：構建深度學習網(wǎng)絡，選擇其中一個時間段，將每個集雨風險區(qū)域的實時影響因子集的記載數(shù)據(jù)分別作為迭代輸入值輸入至深度學習網(wǎng)絡進行迭代用以預測在當前時間段各集雨風險區(qū)域的實時影響因子集的有效變化傾向，并將迭代輸出值設置為預測影響因子集；
7、步驟s4：使用異常評估策略對預測影響因子集的記載數(shù)據(jù)進行風險評估，篩出全部符合風險評估級別的預測影響因子集并將全部分別對應的集雨風險區(qū)域均標注為泥石流風險區(qū)域，對每個泥石流風險區(qū)域實施應急預案后在下一個時間段內繼續(xù)保持實時影響因子集記錄。
8、在山區(qū)泥石流災害中，雨季大量降水是產(chǎn)生泥石流災害的重要因素。目前現(xiàn)有的用于動態(tài)預警山區(qū)泥石流的數(shù)據(jù)處理技術中，在山體范圍較大、地貌較復雜的目標山區(qū)針對山區(qū)泥石流進行動態(tài)預警時，當出現(xiàn)例如局部暴雨、流域綜合降雨等非全域覆蓋的多重降雨源情況下，進行泥石流預測的精確度仍然相對較低，或者需要花費更多的監(jiān)測預警資源。基于此，本專利技術提供一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，解決現(xiàn)有技術在風險區(qū)域較多且高度差變化大的目標監(jiān)測山區(qū)遭遇復雜降雨源時，針對山區(qū)泥石流進行動態(tài)預警的時效性不佳和有效預警范圍有限的問題。
9、進一步地，所述異常評估策略的內容包括：所述實時影響因子集的記載數(shù)據(jù)包括降水時間值、降水強度值和表示當前集雨風險區(qū)域內等高線最大高度差的等高線差值，其中所述等高線差值通過在等高線圖上的每個集雨風險區(qū)域內的等高線高度值計算獲得，所述降水時間值與降水強度值基于集雨風險區(qū)域內的目標山區(qū)降水信息獲得；在每個時間段內記錄每個集雨風險區(qū)域內的降水時間值與降水強度值，針對每個集雨風險區(qū)域內的降水時間值、降水強度值和等高線差值的數(shù)值分別設定數(shù)據(jù)閾值用以分類設置對應集雨風險區(qū)域的風險評估級別。
10、進一步地，所述記載數(shù)據(jù)的數(shù)據(jù)閾值包括：針對等高線差值設置第一高度差閾值和第二高度差閾值，其中第二高度差閾值大于第一高度差閾值；針對降水時間值和降水強度值分別對應設置降水時長閾值和降水強度閾值；所述風險評估級別包括：
11、第一評估級別：在當前時間段中的當前集雨風險區(qū)域，所述降水時間值低于降水時長閾值，降水強度值低于降水強度閾值，且所述等高線差值低于第二高度差閾值；
12、第二評估級別：在當前時間段中的當前集雨風險區(qū)域，所述降水時間值與降水強度值之間只有一個記載數(shù)據(jù)高于其對應的數(shù)據(jù)閾值，且所述等高線差值位于第一高度差閾值和第二高度差閾值之間；
13、第三評估級別：在當前時間段中的當前集雨風險區(qū)域，所述降水時間值與降水強度值之間只有一個記載數(shù)據(jù)高于其對應的數(shù)據(jù)閾值，且所述等高線差值高于第二高度差閾值；
14、第四評估級別：在當前時間段中的當前集雨風險區(qū)域，所述降水時間值高于降水時長閾值，降水強度值高于降水強度閾值，且所述等高線差值高于第一高度差閾值。
15、進一步地，當前時間段中的當前集雨風險區(qū)域，關于所述迭代輸出的預測影響因子集的記載數(shù)據(jù)，所述降水時間值表示最終預測的最大降水時間長度，所述降水強度值表示最終預測的最大降水強度，所述等高線差值表示最終預測的存在最高風險間隔區(qū)域的一組等高線。
16、進一步地，所述深度學習網(wǎng)絡的構建內容包括：
17、構建卷積神經(jīng)網(wǎng)絡用作深度學習網(wǎng)絡，將當前集雨風險區(qū)域內所記錄的降水時間值、降水強度值和等高線差值作為卷積神經(jīng)網(wǎng)絡的輸入值，將卷積神經(jīng)網(wǎng)絡的迭代值作為預測影響因子集進行輸出；
18、基于目標山區(qū)降水信息與目標山區(qū)地理信息的歷史數(shù)據(jù)記錄構建卷積神經(jīng)網(wǎng)絡的訓練集和測試集，并將所述降水時間值、降水強度值和等高線差值的輸入形式轉化為用于cnn輸入格式的二維數(shù)組，使用多個卷積層提取目標山區(qū)地理信息與目標山區(qū)降水信息的空間特征作為卷積核的補償特征，后使用迭代優(yōu)化方法進行迭代訓練，通過輸出層輸出預測影響因子集。
19、進一步地，在卷積神經(jīng)網(wǎng)絡中使用遺傳優(yōu)化方法對實時影響因子集進行迭代預測，其過程包括：
20、步驟a1：初始化一組種群個體，每個個體表示一組用于卷積神經(jīng)網(wǎng)絡的卷積參數(shù)，并預設迭代個體的適應度函數(shù)和迭代次數(shù)，在每次迭代時基于適應度函數(shù)計算每個個體的適應度分數(shù)，適應度神經(jīng)網(wǎng)絡根據(jù)每次迭代個體的卷積參數(shù)用輸入的實時影響因子集進行前向傳播；
21、步驟a2：預設適應度閾值，基于適應度分數(shù)的計算結果篩選出本文檔來自技高網(wǎng)
...
【技術保護點】
1.一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，該方法包括：
2.根據(jù)權利要求1所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述異常評估策略的內容包括：所述實時影響因子集的記載數(shù)據(jù)包括降水時間值、降水強度值和表示當前集雨風險區(qū)域內等高線最大高度差的等高線差值，其中所述等高線差值通過在等高線圖上的每個集雨風險區(qū)域內的等高線高度值計算獲得，所述降水時間值與降水強度值基于集雨風險區(qū)域內的目標山區(qū)降水信息獲得；在每個時間段內記錄每個集雨風險區(qū)域內的降水時間值與降水強度值，針對每個集雨風險區(qū)域內的降水時間值、降水強度值和等高線差值的數(shù)值分別設定數(shù)據(jù)閾值用以分類設置對應集雨風險區(qū)域的風險評估級別。
3.根據(jù)權利要求2所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述記載數(shù)據(jù)的數(shù)據(jù)閾值包括：針對等高線差值設置第一高度差閾值和第二高度差閾值，其中第二高度差閾值大于第一高度差閾值；針對降水時間值和降水強度值分別對應設置降水時長閾值和降水強度閾值；所述風險評估級別包括：
4.根據(jù)權利要求1-3任意一項所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，當前時間段中的當前集雨風險區(qū)域，關于所述迭代輸出的預測影響因子集的記載數(shù)據(jù)，所述降水時間值表示最終預測的最大降水時間長度，所述降水強度值表示最終預測的最大降水強度，所述等高線差值表示最終預測的存在最高風險間隔區(qū)域的一組等高線。
5.根據(jù)權利要求2所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述深度學習網(wǎng)絡的構建內容包括：
6.根據(jù)權利要求2所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，在卷積神經(jīng)網(wǎng)絡中使用遺傳優(yōu)化方法對實時影響因子集進行迭代預測，其過程包括：
7.根據(jù)權利要求6所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述適應度函數(shù)設為交叉熵損失的負值，用以衡量模型輸出的概率分布與真實標簽分布之間的差異。
8.根據(jù)權利要求6所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述適應度分數(shù)的計算過程包括：
9.根據(jù)權利要求8所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，使用貝葉斯方法引入不確定性評估，用以獲得每個樣本預測概率分布的置信區(qū)間。
10.根據(jù)權利要求5-6任意一項所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述卷積核的補償特征包括：將目標山區(qū)地理信息中的植被覆蓋信息與土質覆蓋信息，以及目標山區(qū)降水信息中的風象變化信息與氣壓變化信息均作為補償特征進入卷積核處理，且所述卷積核的補償特征作為補償參數(shù)設置在全部所述個體的卷積參數(shù)之內。
...
【技術特征摘要】
1.一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，該方法包括：
2.根據(jù)權利要求1所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述異常評估策略的內容包括：所述實時影響因子集的記載數(shù)據(jù)包括降水時間值、降水強度值和表示當前集雨風險區(qū)域內等高線最大高度差的等高線差值，其中所述等高線差值通過在等高線圖上的每個集雨風險區(qū)域內的等高線高度值計算獲得，所述降水時間值與降水強度值基于集雨風險區(qū)域內的目標山區(qū)降水信息獲得；在每個時間段內記錄每個集雨風險區(qū)域內的降水時間值與降水強度值，針對每個集雨風險區(qū)域內的降水時間值、降水強度值和等高線差值的數(shù)值分別設定數(shù)據(jù)閾值用以分類設置對應集雨風險區(qū)域的風險評估級別。
3.根據(jù)權利要求2所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，所述記載數(shù)據(jù)的數(shù)據(jù)閾值包括：針對等高線差值設置第一高度差閾值和第二高度差閾值，其中第二高度差閾值大于第一高度差閾值；針對降水時間值和降水強度值分別對應設置降水時長閾值和降水強度閾值；所述風險評估級別包括：
4.根據(jù)權利要求1-3任意一項所述的一種基于深度學習的山區(qū)泥石流動態(tài)預警方法，其特征在于，當前時間段中的當前集雨風險區(qū)域，關于所述迭代輸出的預測影響因子集的記載數(shù)據(jù)，所述降水時間值表示最終預測的最大降水時間長度，所述降水強度值表示最...
【專利技術屬性】
技術研發(fā)人員：丁靜影，胡震，楊鈺軒，冷小鵬，張延秋月，
申請(專利權)人：成都理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。