[发明专利]一种基于机理和机器学习耦合的泥石流预警方法与系统

权利要求书

1.一种基于机理和机器学习耦合的泥石流预警系统，其特征在于，包括具有不稳定小流域单元和稳定小流域单元二者的特征向量集单元、数据输入单元、模型训练单元；所述特征向量集单元的特征值参数包括历史降水值、预报降水值、下垫面数据值、基于小流域单元的泥石流发生危险等级值P_i，i为区域的小流域单元总数量，所述泥石流发生危险等级值P_i的计算是以搜集到的n组不同的历史降水值QPE和预报降水值QPF降雨过程作为基于小流域单元的泥石流预警物理模型的输入，该物理模型可进行n次的泥石流预警计算，并生成n个泥石流预警结果；其中不稳定小流域单元为包含泥石流灾害点的小流域单元，记为小流域类型a，稳定小流域单元为不包含泥石流灾害点中随机提取出与不稳定小流域数量相同的小流域单元，记为小流域类型b；

所述数据输入单元用于将特征向量集单元输入机器学习模型；

所述模型训练单元，用于根据特征向量集的数据特性，通过调用机器学习库sklearn中的函数接口训练机器学习模型并进行机器学习模型测试。

2.根据权利要求1所述的泥石流预警系统，其特征在于，所述机器学习模型为支持向量机SVM、线性回归、K近邻、回归树、集成模型中的一种。

3.根据权利要求2所述的泥石流预警系统，其特征在于，所述机器学习模型为支持向量机SVM。

4.根据权利要求1所述的泥石流预警系统，其特征在于，还包括用于向特

征向量集单元提供数据支撑的数据库，所述数据库包括泥石流灾害数据、降雨数据和下垫面数据。

5.一种基于机理和机器学习耦合的泥石流预警方法，其特征在于，包括以下步骤：

S1、构建不稳定小流域单元和稳定小流域单元二者的特征向量集，特征向量集的特征参数值为：历史降水值、预报降水值、下垫面数据值、基于小流域单元的泥石流发生危险等级值P_i，i为区域的小流域单元总数量，所述泥石流发生危险等级值P_i的计算是以搜集到的n组不同的历史降水值QPE和预报降水值QPF降雨过程作为基于小流域单元的泥石流预警物理模型的输入，该物理模型可进行n次的泥石流预警计算，并生成n个泥石流预警结果，其中不稳定小流域单元为包含泥石流灾害点的小流域单元，记为小流域类型a，稳定小流域单元为不包含泥石流灾害点中随机提取出与不稳定小流域数量相同的小流域单元，记为小流域类型b；

S2、基于所述特征向量集的数据特性，选择机器学习模型基于内置合适核函数的机器学习库sklearn进行泥石流灾害预报模型搭建，对泥石流灾害预报模型进行训练、测试操作，最终通过测试数据得到泥石流灾害预报的模型评价，模型评价的标准为受试者工作特征曲线以及准确率；

S3、预报：将待预报区的特征向量集输入泥石流预报模型，获得泥石流发生的危险等级值，即可进行泥石流预报。

6.根据权利要求5所述的泥石流预警方法，其特征在于，所述下垫面参数值的获取是：提取研究区的小流域单元，对每个小流域单元进行编号，最大编号记为N_max，然后将多边形文件转化为栅格文件，像元尺寸与数字高程模型相同，统计每个小流域单元包含的栅格数量N_catch，每个小流域单元所包含的栅格数量，以及每个栅格在数字高程模型中的行数和列数，构成了小流域单元的数据库，将下垫面数据转化为像元尺寸与原始DEM相同的栅格数据。

7.根据权利要求5所述的泥石流预警方法，其特征在于，内置核函数为线性核函数linear、多项式核函数、高斯核函数中的一种。

8.根据权利要求5所述的泥石流预警方法，其特征在于，历史降水值是定量估测降水，用于估测泥石流的有效前期雨量；预报降水值是定量降水预报值，用于预测未来一段时间内区域的降雨量数值。