[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

说明书

本发明公开了一种基于机理和机器学习耦合的泥石流预警系统，包括特征向量集单元、数据输入单元、模型训练单元；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，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。还公开了一种泥石流预警方法，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；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；S3、预报。本发明能有效提升预报准确性，降低模型的误报率。

技术领域

本发明涉及降雨诱发泥石流的预警，属于泥石流灾害防治技术领域，具体涉及一种基于机理和机器学习耦合的泥石流预警方法与系统。

背景技术

漏报率和误报率是评价地质灾害预警报系统的业务水平的主要参数，目前包括统计预报模式在内的系统漏报率均比较低，但是都无法避免误报率高的问题。四川省气象局的应用结果表明，新系统的误报率已经由统计预报的80％-90％降低到了30％左右，这与2017年重庆市国土局运行的地质灾害预警报系统的漏报率水平(约35％左右)相符。这表明，在物理框架下支撑的地质灾害预警报系统在误报率方面已有了很大的改观，但与地质灾害防灾减灾的需求仍存在一定的距离。影响地质灾害误报率较高的因素很多，但总的来说可以归纳为两点：(1)地质灾害形成过程极为复杂，地质灾害物理模型的建立存在诸多的输入和输出边界的假定，模型无法全面的反映出地质灾害的整个物理过程，这是影响其预警精度的原因之一；(2)预警模型所需的下垫面数据存在精度上的缺陷，例如影响坡体稳定性的力学参数、影响水文过程的水文参数精度等。这两个问题都是理论和技术上难以在短期之内完美解决的关键问题，进而导致预警模型和应用系统的误报率居高不下，逐步成为了目前地质灾害预警报的技术瓶颈。所以，在上述关键难点无法完美解决的局限下，关键的问题是如何借助其他的外力手段解决目前存在于地质灾害预警报技术的难题，突破技术瓶颈。

大数据环境下的机器学习与栅格单元或小流域单元结合的模式下，一般以降雨、下垫面参数(如地形、地质)、泥石流灾害事件(包括发生的位置和时间)等参数作为训练的对象，通过智能化调整每个栅格单元或小流域单元稳定性的权重系数，实现对区域泥石流预警的目的。大数据环境下的机器学习方法相比传统的统计模式，其分析、挖掘数据的能力有了极大提升。但，目前以栅格或小流域单元为预报单元的机器学习模式并没有考虑到泥石流的机理过程，仍属于数理统计的范畴。

发明内容

为解决上述问题，本发明在考虑泥石流形成机理的基础上，将基于机理模式下产出的泥石流预警结果作为一项新的训练指标，使得泥石流预警结果和降雨因素、下垫面建立相关性，以此来实现泥石流形成机理与机器学习的耦合算法，降低了模型的误报率。

本发明通过下述技术方案实现：

一种基于机理和机器学习耦合的泥石流预警系统，包括特征向量集单元、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。

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。

进一步的，所述机器学习模型为支持向量机SVM。

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。本发明中所述泥石流的灾害数据是指：搜集研究区历年的泥石流灾情数据，灾情数据包括泥石流发生的位置(经纬度)以及泥石流发生的时间。

一种基于机理和机器学习耦合的泥石流预警方法，包括以下步骤：