[发明专利]基于相似性度量的地质灾害空间预测方法、系统及存储介质

说明书

本发明属于地质灾害预报技术领域，公开了一种基于相似性度量的地质灾害空间预测方法、系统及存储介质，地质灾害影响因子提取；选取等量非地质灾害样本；因子选取；计算各个因子权重；对地质灾害点进行相似性聚类，得到典型地质灾害类型；计算相似度，划分为地灾或非地灾；计算指标验证预测精度，进行精度评价；进行易发区等级划分和地质灾害危险性预测。本发明基于BPNN神经网络进行权重计算，采取改进后的K‑means聚类算法进行研究区地理环境相似度度量，根据相似度计算结果进行地质灾害空间预测，避免了主观因素影响过多，方法更加完整、全面，填补了现有技术在地质灾害预测领域的应用空缺。

技术领域

本发明属于地质灾害预报技术领域，尤其涉及一种基于相似性度量的地质灾害空间预测方法、系统及存储介质。

背景技术

目前，作为世界上受地质灾害威胁最为严重的国家之一，我国每年发生的地质灾害都对人民的生命财产安全造成难以估量的损失，地质灾害破坏力大，突发性强，预防较为困难，所以对于地质灾害的预测预报工作刻不容缓。

近些年来，地质灾害预测方法与技术层出不穷。从最初的定性模型开始，这种方法的缺点在于过于依赖专家的专业知识，主观因素过强，结果也不一定准确。后来，主流方法从定性模型专为半定量模型，由专家设置每个地质灾害因子相对于其他因子的权重，但依然带有较强的主观因素，不够准确。早期的研究阶段主要是研究降雨与地质灾害的关系，使用的模型大部分是和降雨有关的降雨对数模型、临界雨量模型等。后来的研究重心逐渐转为降雨和地质环境因子与地质灾害之间的关系，信息量法、逻辑回归法、频率比法等之类的统计模型被广泛使用。经过了多年的发展，各种机器学习方法也在本领域得到了广泛应用，机器学习方法通过获取地质灾害影响因子与滑坡历史数据并对已有样本进行学习训练，建立模型后输出地质灾害发生的概率，代表性的方法有支持向量机，人工神经网络，随机森林等。

目前，地质灾害预测模型的研究方法较为单一，以机器学习监督模型为主的方法逐渐遇到瓶颈，但是以地理学第三定律为基础的地理相似性理论在本领域应用较少。因此，亟需一种新的地质灾害空间预测方法。

通过上述分析，现有技术存在的问题及缺陷为：地质灾害预测模型的研究方法较为单一，以机器学习监督模型为主的方法逐渐遇到瓶颈，但是以地理学第三定律为基础的地理相似性理论在本领域应用较少。

解决以上问题及缺陷的难度为：考虑到地理环境因子的多样性，现有的相似性度量方法不足以解决多类型因子的相似性度量问题，因此相似性的度量方法需要进一步改进。

解决以上问题及缺陷的意义为：通过该方法，可以以地理学第三定律为基础的地理相似性理论解决地质灾害的空间预测问题，考虑到了环境因素的主导影响，对地质灾害的预警有更好的进步。

发明内容

针对现有技术存在的问题，本发明提供了一种基于相似性度量的地质灾害空间预测方法、系统及存储介质。

本发明是这样实现的，一种基于相似性度量的地质灾害空间预测方法，包括以下步骤：

步骤一，地质灾害影响因子提取：从DEM数据、遥感影像、地质图数据中获取备选的地质灾害影响因子，并对所获取到的致灾因子进行标准化处理，制成相应图层；

步骤二，从研究区域的地质灾害详查历史数据中获取地质灾害点数据，检验数据完整性并通过经纬度、发生时间的关键属性制成研究区域地质灾害点图层，同时在非地质灾害地区选取等量非地质灾害样本；

步骤三，因子选取：将步骤二获得的样本点提取因子数据制成样本数据集，采用随机森林RF方法和Pearson相关系数PCC对滑坡的影响因素进行筛选，最终得到地质灾害影响因子；

步骤四，采用主成分分析方法对筛选因子后的样本数据进行主成分分析，输入样本数据进行数据降维；