一种基于实时参数采集的地面沉降预测方法

本技术涉及地面沉降预测，尤其涉及一种基于实时参数采集的地面沉降预测方法。

背景技术：

1、地面沉降是一种由自然和人为因素共同作用导致的地面缓慢下降现象，广泛存在于城市化进程较快的地区，对城市规划、基础设施安全以及居民生活构成严重威胁。传统的地面沉降监测方法往往依赖于静态的地质勘查和历史数据分析，缺乏实时性和精确性，难以有效应对地面沉降的突发性和不确定性。

2、近年来，随着物联网、大数据、地理信息系统(gis)以及机器学习等技术的快速发展，基于实时参数采集的地面沉降预测方法逐渐成为研究热点。这些方法通过在目标区域内布置高密度的监测网络，实时采集地表形变、地下水位、土壤湿度、降雨量及温度等多源数据，结合先进的数据处理和分析技术，能够实现对地面沉降现象的全面监测和精确预测。

3、然而，现有的基于实时参数采集的地面沉降预测方法仍存在一些不足。首先，监测网络的布局往往缺乏针对性，未能充分考虑目标区域的地质条件、历史沉降情况以及工程活动等因素，导致监测效率不高，资源浪费。其次，数据处理和分析方法相对单一，未能充分利用多源数据的互补性和关联性，影响预测结果的准确性和可靠性。最后，预测模型的选择和权重分配往往依赖于经验判断，缺乏科学性和客观性。

技术实现思路

1、基于上述问题，本技术提供一种基于实时参数采集的地面沉降预测方法；

2、通过精细化划分目标区域、动态调整监测网络布局、融合多源数据以及优化预测模型选择和权重分配，实现对地面沉降现象的全面、实时、精确预测，为城市规划、工程建设和地质灾害防治提供有力的技术支持。

3、本技术的目的采用以下技术方案实现：

4、本技术提供一种基于实时参数采集的地面沉降预测方法，所述方法包括：

5、s1、将目标区域划分多个子区域；在子区域内设置多个监测标点；在不同第一时间段内分别对子区域进行评分，根据评分设置监测标点个数；

6、s2、设置采样时间间隔，获取多个监测标点的实时数据，并对所述数据进行预处理；

7、s3、对预处理后的实时数据进行动态分析，根据动态分析结果识别地面沉降特征；

8、s4、通过地理信息系统获得目标区域的环境数据，所述环境数据包括地下水位变化、土壤湿度、降雨量以及温度；通过工程管理系统获得目标区域的工程数据；

9、s5、通过历史实数据，训练多个预测模型；根据实时数据以及多个预测模型，获得多个预测结果，根据预测结果与实际结果的差值选择有效预测模型并确定模型对应的权重，进而获得最终地面沉降预测结果。优选地，所述s1包括：

10、s11、收集目标区域的档案资料；所述档案资料包括地质勘察报告、历史沉降数据以及工程活动资料；

11、s12、根据档案资料和知识库，将目标区域划分多个子区域；

12、s13、将一年划分不同的第一时间段，在不同第一时间段内根据档案资料分别对子区域进行评分；

13、s14、根据评分在每个子区域内设置多个监测标点；其中，相邻监测标点的水平距离不大于预设距离；评分越高，相邻监测标点的水平距离越小。

14、优选地，所述实时数据包括监测标点的垂直位移量；所述s2包括：

15、s21、通过预设采样时间间隔，获取子区域内多个监测标点的所述垂直位移量，并记录垂直位移量的采样时间；

16、s22、通过历史已采样数据，获得各监测点相邻两次采样的垂直位移量的差值；

17、s23、通过各监测点多个历史差值获得预设差值阈值；所述预设差值阈值包括第一阈值和第二阈值。

18、优选地，所述s23包括：

19、s231、在预设时间段内，统计子区域内各监测标点的多个历史差值；

20、s232、通过子区域内各监测标点的多个历史差值，获得第一阈值和第二阈值；

21、其中，第一阈值小于第二阈值。

22、优选地，所述s2还包括：

23、s24、若子区域内任一监测点当前采样与前一次采样垂直位移量的差值小于第一阈值，并且环境参数变化小于预设阈值，则增加采样时间间隔；

24、s25、若子区域内任一监测点当前采样与前一次采样垂直位移量的差值大于第一阈值小于第二阈值；并且环境参数变化小于预设阈值，则通过预设时间间隔进行采样；

25、s26、若子区域内任一监测点当前采样与前一次采样垂直位移量的差值大于或等于第二阈值；或环境参数变化大于预设阈值，则减少采样时间间隔；

26、s27、若子区域内任一监测点当前采样与前一次采样垂直位移量的差值大于或等于第二阈值；则进行预警提示。

27、优选地，所述s3包括：

28、s31、利用时间序列分析各监测点垂直位移量随时间的变化趋势，获得各监测点的位移变化率；

29、s32、获取同一时间序列相邻两个监测点的垂直位移量的差值作为第二差值；

30、s33、根据位移变化率以及第二差值，结合地理信息系统，通过机器学习，获得该子区域内位移变化的空间分布特征；所述空间分布特征包括：热点区域、冷点区域和/或梯度区域；

31、s34、利用时间序列分析多个第二差值的变化趋势，获得该子区域内位移变化的空间分布趋势。

32、优选地，所述s5包括：

33、s51、通过历史数据，训练多个预测模型；所述历史数据包括监测点垂直位移量、地面沉降特征、环境数据以及土壤特征参数；其中土壤特征参数包括压缩模量、泊松比和渗透系数；

34、s52、根据实时数据，通过多个预测模型，分别获得预设时间段内的多个第一预测结果；

35、s53、根据实际结果与多个第一预测结果的差值；选择有效预测模型并确定预测模型的权重；

36、s54、根据选择的有效预测模型以及对应的权重，获得预测结果。

37、优选地，所述s53包括：

38、s531、若实际结果的与第一预测结果的差值在预设第一范围内；则将该预测结果作为有效预测；

39、s532、若子区域内某一预测模型在预设时间段内的有效预测率大于预设概率阈值；则将该模型作为有效预测模型；

40、s533、根据实际结果与通过有效预测模型获得的多个第一预测结果的差值；获得预测模型的权重。

41、其中预测模型的权重为：

42、

43、其中，wik为在预设时间段内第i个子区域第k个有效模型权重；yik为在预设时间段内第i个子区域第k个模型的有效预测率；dikj为在预设时间段内第i个子区域第k个有效模型第j个监测站的综合差值；dikju为在预设时间段内第i个子区域第k个有效模型第j个监测站第u次预测结果与实际结果的差值的绝对值；max()为取最大值；m为第i个子区域有效预测模型的个数；v为第i个子区域内监测站点的个数；l为预设时间段内第i个子区域第j个监测站第k个有效模型的预测总次数；x1、x2均为第三系数，0<x1<1，0<x2<1，x1+x2＝1。

44、优选地，所述s54包括：

45、s541、获取多个有效预测模型的预测结果作为第二预测结果；

46、s542、将多个第二预测结果加权平均，获得最终的地面沉降预测结果。

47、优选地，所述s531包括：

48、s5311、通过多个实际结果的与第一预测结果的差值的标准差σ2，根据σ2确定初始第一范围；

49、s5312、根据初步设定的预设第一差值范围进行模型测试，获取模型的预测效果和有效预测率；

50、s5313、对模型进行迭代优化，根据迭代优化结果调整第一差值范围。

51、本技术还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本技术任一项所述方法的步骤。

52、本发明的有益效果包括：通过目标区域的细分和监测点的合理布局，结合实时数据的动态调整采集频率，能够精准捕捉地面沉降的微小变化，同时确保数据采集的效率和资源的有效利用。实时数据的预处理与差值阈值的动态设定，能够智能识别异常变化，自动调整采样时间间隔，确保在关键时期能够快速响应，提高监测的灵敏度。结合时间序列分析和空间分布特征的识别，不仅能够捕捉地面沉降的时间演变趋势，还能揭示其空间分布特征，如热点区域、冷点区域和梯度区域，为精细化管理提供依据；将环境数据(如地下水位、土壤湿度、降雨量、温度)与工程数据的整合，能够全面评估地面沉降的影响因素，提高预测模型的准确性和可靠性。通过训练多个预测模型并根据实际结果动态调整模型权重，实现了模型的自适应优化，提高了预测结果的准确性和鲁棒性，尤其在面对复杂多变的地面沉降现象时表现突出；动态调整预设第一范围并通过模型的迭代优化，确保了预测模型能够适应数据波动和环境变化，提高了预测效果的稳定性和适应性；通过综合多个预测模型的第二预测结果并进行加权平均，提供了一个全面、客观的地面沉降预测结果。