[发明专利]基于无监督机器学习的海底滑坡危险性分析方法

说明书

本发明公开一种基于无监督机器学习的海底滑坡危险性分析方法，以研究区水深、沉积物类型等多组地质环境参数为输入参数，并基于确定的核函数参数类型构建了海底滑坡危险性评价分析模型，通过对实际研究区输入参数进行分类处理，输入至所构建的无监督机器学习模型中，并通过分类及标签赋予，得到最终的海底滑坡危险性分析结果；本方案提供了可以在海底滑坡发生危险之前的危险性分析手段，能够对尚未产生海底滑坡的区域进行危险性评价和预测；可根据不同种类的地质参数进行评价，能够根据各类地质参数，快速、有效地对研究区进行海底滑坡危险性分区。

技术领域

本发明涉及海底滑坡危险分析技术领域，具体涉及一种基于无监督机器学习的海底滑坡危险性分析方法。

背景技术

海底滑坡是一种由海底土体滑动引发的海底地质灾害现象，能够对海底电缆、光缆、海洋平台等海洋工程设施造成巨大的威胁。开展海底滑坡的危险性评价研究对于海洋工程设施的选址和危险预防具有指导作用。目前海底滑坡分类的方法主要有：利用高精度地球物理探测进行滑坡形态识别、通过数值分析的方法开展海底滑坡稳定性计算以及使用常规水槽或离心机等物理模型试验模拟滑坡过程。虽然通过上述常规研究取得了较大的进展，然而受海底滑坡自身控制条件复杂、触发影响因素众多、监测难度大等原因的影响，难以对某区域产生海底滑坡前的危险性进行分析评价。

文献“基于GIS的黄河水下三角洲海底滑坡稳定性预测”为了预测海底滑坡稳定性，在栅格GIS的环境中，利用AHP多层次分析法构建了相关模型。AHP方法也是首先获取滑坡相关参数的数据，进行整合后构建权重判断矩阵、计算因子权重、滑坡因子权重一致性检验等方法进行计算。但是，海底滑坡形态学分类，只能根据海底滑坡产生之后的形态进行分类，依据大小、水深、坡等一系列特征进行区分；并且该分类方法人为干预过多，像权重矩阵的构建就全部由操作人员人为感觉赋值，根据经验和判断，非本领域的专家或者对区域不够了解的情况下，难以进行操作且容易造成较大误差。

为此，亟待提出一种技术方案，以对尚未发生滑动的区域进行危险性预测，以解决形态学分类无法解决的问题。

发明内容

本发明为解决现有技术中存在的缺陷，提出一种基于无监督机器学习的海底滑坡危险性分析方法，构建海底滑坡危险性评价分析体系，结合研究区各类地质环境影响因子展开海底滑坡危险性分析，能够对尚未发生滑动的区域进行危险性预测，并较好地用于海底滑坡危险性预测。

本发明是采用以下的技术方案实现的：一种基于无监督机器学习的海底滑坡危险性分析方法，包括以下步骤：

步骤A、获取海底滑坡研究区域地质参数，所述地质参数包括水动力参数和滑坡体本身的参数，分别对应的用以表征外部环境特征和潜在滑坡体自身的特征；

步骤B、数据前处理：

步骤B1、单因子参数分区和不同区域类别划分：将各类单位、量级不同的地质参数数据进行分级处理，得到统一量级的分类结果；

步骤B2、海底滑坡危险性评价点位数据提取，以获得所有需要评价分析的点位坐标与单因子参数的对应数据；

步骤C、构建无监督机器学习模型；

步骤C1、输入输出参数类别确定及原始数据预处理：以沉积物类型、海底地形坡度、土体强度和水深、50年一遇波高大小、底层最大流速、液化、海底冲刷以及人类工程活动情况作为无监督机器学习模型的输入，将区域评价分析结果分为危险性高、危险性较高、危险性较低和危险性低4类评价标签作为无监督机器学习模型的输出；

步骤C2、网络参数选取与评价：通过分析计算确定最可靠的核函数参数作为评价网络最终的参数，并选择一种组合为最优情况构建无监督机器学习模型；

步骤D、海底滑坡危险性评价：对实际研究区输入参数进行分类处理，输入至所构建的无监督机器学习模型中，并通过分类及标签赋予，得到最终的海底滑坡危险性分析结果。