地质灾害风险点监测与应急响应系统及方法

本发明涉及地质灾害预警，具体是地质灾害风险点监测与应急响应系统及方法。

背景技术：

1、地质灾害，包括滑坡、泥石流、地震等，是自然界常见的灾害类型，对人类社会的生命财产安全构成了巨大威胁。随着全球气候变化和人类活动的增加，这些灾害的发生频率和影响范围似乎在不断扩大。传统上，地质灾害的监测依赖于地面观测站和人工巡查，而应急响应则依赖于事先制定的预案和灾后评估。然而，这些方法往往反应不够及时，且难以覆盖所有潜在的风险区域。

2、现有的使用人工智能技术来对滑坡进行预警的方法往往是在考虑滑坡发生的时间和地点，而未能考虑在山体上监测点应该如何选择和设置，以及在滑坡发生后，如何对滑坡到达人员密集区域的剩余时间进行准确的预测；

3、授权公告号为cn111784978b的中国发明专利公开了一种基于日位移速率的高原山地滑坡灾害预警系统，包括高原山地滑坡预警防护系统，地貌状况系统、日位移计算系统以及智能预警系统，所述日位移计算系统用于得出滑坡泥石流发生的地点、路程、速度以及时间的作用，所述建筑距离测量模块用于测量建筑物距离泥石流之间的距离，所述滑坡倒计时模块用于测量泥石流到达对应建筑物的时间，所述地理信息模块内部固定设置有高原山地位置模块以及海拔样貌分析模块，所述土质信息模块内部固定设置有土质种类分析模块以及流动性分析模块；然而该方法未能实现对滑坡发生前的预警，在对滑坡进行倒计时时，仅根据滑坡泥石流发生的地点、路程、速度、时间和距离来计算倒计时，却并未考虑到滑坡所经过的地形地貌，也未能对倒计时进行偏差纠正，仅为粗糙的估算，缺乏准确性；

4、为此，本发明提出地质灾害风险点监测与应急响应系统及方法。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出地质灾害风险点监测与应急响应系统及方法，实现了应急预警的提前通知，提高了应急预警时间的准确性，从而更有效的保障周围人员的人身和财产安全。

2、为实现上述目的，提出地质灾害风险点监测与应急响应方法，包括以下步骤：

3、步骤一：预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据；

4、步骤二：以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；

5、以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；

6、步骤三：在待监测山体选择n1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从n1个候选风险点中选择n2个候选风险点作为监测点，并设置监测站；n1和n2为预设的数量参数；

7、步骤四：为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型；

8、步骤五：每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，否则，重复执行步骤五；

9、步骤六：各个监测站实时接收预期到达时间；各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，并执行步骤七；否则，重复执行步骤六；

10、步骤七：收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域；

11、步骤八：风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警；重复执行步骤六至步骤八；

12、所述预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据的方式为：

13、选择n个实验山体，在各个实验山体上设置不同数量的训练数据收集点；n为选择的实验山体的数量；

14、收集每个训练数据收集点的地质训练数据、环境训练数据以及每一时刻是否发生滑坡的滑坡概率标签；

15、每组所述地质训练数据和所述环境训练数据组成滑坡概率训练特征向量，所有训练数据收集点的滑坡概率训练特征向量组成滑坡概率训练特征数据；

16、所述滑坡概率标签为0或1中的一个；

17、所有训练数据收集点的滑坡概率标签组成滑坡概率标签数据；

18、对于滑坡概率标签为1的训练数据收集点，实时收集滑坡加速度标签；所述滑坡加速度标签为当前滑坡速度减去上一时刻的滑坡速度；

19、对于滑坡概率标签为1的训练数据收集点，其对应的所述地质训练数据和所述环境训练数据组成滑坡加速度训练特征向量；

20、所有训练数据收集点的滑坡加速度训练特征向量组成滑坡加速度训练特征数据；

21、所有训练数据收集点的滑坡加速度标签组成滑坡加速度标签数据；

22、所述训练滑坡概率预测模型的方式为：

23、将滑坡概率训练特征数据中的每个训练数据收集点的滑坡概率训练特征向量作为滑坡概率预测模型的输入，所述滑坡概率预测模型以对每组滑坡概率训练特征向量的滑坡概率的预测值作为输出，所述滑坡概率的预测值的取值范围为[0,1]，以该组滑坡概率训练特征向量对应的滑坡概率标签作为预测目标，以滑坡概率的预测值和滑坡概率标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对滑坡概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练；

24、所述训练滑坡加速度预测模型的方式为：

25、将滑坡加速度训练特征数据中的每个训练数据收集点的滑坡加速度训练特征向量作为滑坡加速度预测模型的输入，所述滑坡加速度预测模型以对每组滑坡加速度训练特征向量的滑坡加速度的预测值作为输出，以该组滑坡加速度训练特征向量对应的滑坡加速度标签作为预测目标，以滑坡加速度的预测值和滑坡加速度标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对滑坡加速度预测模型进行训练，直至第二预测误差之和达到收敛时停止训练；

26、所述在待监测山体选择n1个候选风险点的方式可以是：

27、预设海拔标准差值，在待监测山体上，每隔海拔标准差值，在同一海拔高度，设置n3个候选风险点，其中，n3个候选风险点为沿着山体表面等距离设置；其中，，其中，h0为海拔标准差值，h为待监测山体的海拔高度；

28、所述人员风险数据包括各个候选风险点与各个人员密集区域的海拔高度差和水平面直线距离；

29、所述从n1个候选风险点中选择n2个候选风险点作为监测点的方式为：

30、计算每个候选风险点的地质危险系数d和人员风险系数r；

31、其中，所述地质危险系数d的计算公式为；其中，ci为预设的候选风险点对应土壤类型的土壤类型风险系数，m为土壤密度、q为地形陡峭度、f为植被覆盖率、h1为地下水位的初始高度；b1、b2、b3和b4均为预设的比例系数；

32、其中，所述人员风险系数r的计算公式为：；其中，j为人员密集区域的编号，gj为候选风险点和第j个人员密集区域的海拔高度差，lj为候选风险点和第j个人员密集区域的水平面直线距离；b5和b6均为预设的比例系数；

33、计算每个候选风险点的综合风险系数z，所述综合风险系数z的计算公式为：；其中，b7和b8均为预设的比例系数；

34、将n1个候选风险点按综合风险系数z从大到小进行排序，并选择前n2个候选风险点作为监测点；

35、所述获得预测滑坡概率的方式为：

36、将各个监测站采集的环境数据、地质数据组成滑坡概率特征向量，并将滑坡概率特征向量输入滑坡概率预测模型，获得滑坡概率预测模型输出的滑坡概率的预测值，并将滑坡概率的预测值作为该监测站的预测滑坡概率；

37、所述基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域的方式为：

38、对于每个监测站，连接监测站和风险监测站，并以风险监测站指向监测站作为方向，构建出监测站向量，若监测站向量与滑坡方向的夹角小于90度，则该监测站作为扩散监测站；

39、对于每个人员密集区域，连接监测站和人员密集区域，并以风险监测站指向人员密集区域作为方向，构建出密集区域向量，若密集区域向量与滑坡方向的夹角小于90度，则该人员密集区域作为扩散区域；

40、所述为每个扩散监测站和扩散区域生成滑坡抵达时间预警的方式为：

41、对于任意扩散单位，所述扩散单位包括扩散监测站和扩散区域：

42、计算实时滑坡速度在扩散单位向量上的速度分量，将该速度分量标记为v；所述扩散单位向量包括监测站向量和密集区域向量；

43、计算扩散单位与风险监测站的平均坡度，所述平均坡度为arctan(），其中，g为风险监测站与扩散单位的海拔高度差，l为风险监测站与扩散单位的水平面直线距离；

44、将风险监测站的地质数据中的地形坡度替换为平均坡度，将风险监测站的地质数据和环境数据组成滑坡加速度特征向量，并输入至滑坡加速度预测模型中，获得输出的滑坡加速度预测值，将该滑坡加速度预测值标记为a；

45、建立方程式，求解其中的变量t，将求解的变量t的值标记为公式剩余时间t0；

46、风险监测站向各个扩散单位发送预期到达时间t1，其中，；其中，k为纠偏系数；k的计算方式为：

47、若风险监测站在成为风险监测站前未接收到任何预期到达时间，则k为1；

48、否则，，其中，t2为风险监测站成为风险监测站的时间，t3为风险监测站最后接收到预期到达时间的时间，t4为最后接收到的预期到达时间。

49、提出地质灾害风险点监测与应急响应系统，包括训练数据收集模块、模型训练模块、监测点选取模块以及监测应急预警模块；其中，各个模块之间通过电性方式连接；

50、训练数据收集模块，用于预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据，并将滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据发送至模型训练模块；

51、模型训练模块，用于以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型，以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；并将滑坡概率预测模型和滑坡加速度预测模型发送至监测应急预警模块；

52、监测点选取模块，用于在待监测山体选择n1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从n1个候选风险点中选择n2个候选风险点作为监测点，并设置监测站；n1和n2为预设的数量参数，并将监测点位置发送至监测应急预警模块；

53、监测应急预警模块，用于为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型，每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则收集实时滑坡速度和滑坡方向，基于实时滑坡速度、建筑风险数据、各个监测站位置以及滑坡加速度预测模型，生成滑坡抵达时间预警。

54、一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

55、所述处理器通过调用所述存储器中存储的计算机程序，执行上述的地质灾害风险点监测与应急响应方法。

56、一种计算机可读存储介质，其上存储有可擦写的计算机程序；

57、当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的地质灾害风险点监测与应急响应方法。

58、与现有技术相比，本发明的有益效果是：

59、（1）本发明通过预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据，以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型，在待监测山体选择n1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从n1个候选风险点中选择n2个候选风险点作为监测点，并设置监测站；n1和n2为预设的数量参数，为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型，每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警；通过训练滑坡概率预测模型，在滑坡发生前自动预测滑坡是否会发生，为人员撤离提供充分的时间保障；

60、（2）本发明进一步地通过在各个监测站中实时接收预期到达时间，各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域，风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警；通过在滑坡扩散的过程中，每经过一个监测站，不断地进行滑坡剩余时长计算和纠偏，提高了应急预警时间的准确性，从而更有效地保障周围人员的人身和财产安全。