欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025107873577
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,包括:构建待测区域的斜坡单元集及滑坡灾害全域易发性评价数据集,划分滑坡灾害隐患点正样本集;

利用SPY-FPS伪负样本筛选法生成识别伪负样本训练集,并训练分类器,得到识别伪负样本生成器;

将滑坡灾害全域易发性评价数据集输入至识别伪负样本生成器,得到识别伪负样本集;

将识别伪负样本集和滑坡灾害隐患点正样本集合并后输入至堆叠泛化集成模型,得到滑坡灾害易发性评价结果;

实时获取滑坡灾害整治进度数据,构建易发性修正系数并修正滑坡灾害易发性评价结果;

基于修正后的滑坡灾害易发性评价结果,对待测区域进行风险划分;

所述分类器的训练过程包括:

获取滑坡灾害全域易发性评价训练数据集,即获取正样本训练集和未标注样本训练集;

随机抽取正样本训练集中的若干个正样本,并作为嵌入式参考正样本训练集;将正样本训练集中的未被抽取的正样本作为新正样本训练集;

合并嵌入式参考正样本训练集和未标注样本训练集,得到识别伪负样本训练集;

分别将识别伪负样本训练集和新正样本训练集输入至分类器进行训练,得到初始训练好的分类器;

通过初始训练好的分类器获取嵌入式参考正样本训练集的分类概率,设置置信阈值;

基于置信阈值、未标注样本训练集,利用特征扰动稳定性机制生成可靠负样本训练集,并输入至初始训练好的分类器进行二次训练,得到训练好的分类器,即识别伪负样本生成器;

所述堆叠泛化集成模型包括串联的基模型和元模型;所述基模型包括并行处理的决策树、随机森林、支持向量机、梯度提升树;所述元模型为元学习器;采用基于信息熵引导的贝叶斯超参数优化方法对堆叠泛化集成模型进行训练;

基于信息熵引导的贝叶斯超参数优化方法包括:

获取识别伪负样本训练集和滑坡灾害隐患点正样本训练集并输入至堆叠泛化集成模型;

定义堆叠泛化集成模型的超参数组合,构建对应的超参数空间;设置目标函数;

构建可学习代理模型,设置信息熵采集函数;通过可学习代理模型和信息熵采集函数确定最优超参数组合;

将最优超参数组合应用至堆叠泛化集成模型,完成对堆叠泛化集成模型的训练。

2.根据权利要求1所述的一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,构建待测区域的斜坡单元集及滑坡灾害全域易发性评价数据集,划分滑坡灾害隐患点正样本集,包括:利用正反向水文划分与地形曲率约束的斜坡单元提取方法对待测区域进行处理,得到斜坡单元集;

采集斜坡单元集对应的初始易发性评估数据,通过空间连接工具对初始易发性评估数据和斜坡单元集进行连接,得到滑坡灾害全域易发性评价初始数据集;所述初始易发性评估数据包括每个斜坡单元的地形数据、地质数据、气象数据和人类活动数据;

利用Spearman等级相关系数对滑坡灾害全域易发性评价初始数据集进行处理,得到滑坡灾害隐患点正样本集和滑坡灾害全域易发性评价数据集。

3.根据权利要求2所述的一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,所述斜坡单元集的获取过程为:采集待测区域的高精度DEM数据,并输入至地理信息系统进行填洼处理,构建高精度数字高程模型;

计算高精度数字高程模型中各栅格的流向与流量累积;

基于流量积累对各栅格进行筛选,得到筛选后的栅格;

根据各筛选后的栅格的流向,利用分水岭工具划分汇水区,生成正向划分结果;

对高精度DEM数据进行反转处理,得到高精度反转DEM数据;对高精度反转DEM数据进行处理,生成反向划分结果;

利用联合工具对正向划分结果和正向划分结果进行边界合并和空间统一,生成坡面边界框架;

计算坡面边界框架的地形剖面曲率与平面曲率并进行区域剔除,得到剔除后的坡面边界框架;

利用面状裁切工具对剔除后的坡面边界框架中的区域进行划分,形成斜坡单元集。

4.根据权利要求1所述的一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,确定最优超参数组合的过程为:随机选取至少一个超参数组合,并计算对应的目标函数值;

基于选取的超参数组合及目标函数值,利用高斯过程回归构建可学习代理模型;

通过可学习代理模型设置信息熵采集函数;计算所有超参数组合的信息熵采集函数值;选取信息熵采集函数值满足筛选条件的超参数组合作为下一迭代的评估点;

将评估点应用至堆叠泛化集成模型,计算对应的目标函数值,并更新可学习代理模型;

重复选取超参数组合并计算对应的目标函数值,并更新可学习代理模型,直至当前迭代次数达到最大迭代次数或目标函数值小于目标阈值,得到最优超参数组合。

5.根据权利要求4所述的一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,所述信息熵采集函数对应的公式为:;

;

其中,、分别表示第二原始采集函数和第一原始采集函数,表示超参数组合,表示信息熵减少量,表示最优损失值,、分别表示方差函数、均值函数,表示中间参数,、分别表示标准正态分布累积分布函数、标准正态分布概率密度函数,表示以常数为底的对数函数,、分别表示上一迭代中的方差和当前迭代的方差。

6.根据权利要求1所述的一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,所述实时获取滑坡灾害整治进度数据,构建易发性修正系数并修正滑坡灾害易发性评价结果,包括:获取待测区域的村庄滑坡整治点位及整治情况进度;

将村庄滑坡整治点位输入至地理信息系统进行属性连接,构建滑坡灾害整治数据集;

对滑坡灾害整治数据集和滑坡灾害易发性评价结果进行空间连接,得到滑坡易发区整治集;

根据滑坡易发区整治集中每个斜坡整治单元对应的整治情况进度,设置工程整治进度百分比为对应的易发性修正系数;

基于易发性修正系数,更新滑坡易发区整治集中每个斜坡整治单元对应的滑坡灾害易发性评价结果。

7.一种基于整治工程进度的滑坡灾害风险动态评估系统,用于实现权利要求1至6任一项所述的一种基于整治工程进度的滑坡灾害风险动态评估方法,其特征在于,包括:斜坡单元构建模块,用于构建待测区域的斜坡单元集及滑坡灾害全域易发性评价数据集,划分滑坡灾害隐患点正样本集;

识别伪负样本生成训练模块,用于利用SPY-FPS伪负样本筛选法生成识别伪负样本训练集,并训练分类器,得到识别伪负样本生成器;

识别伪负样本获取模块,用于将滑坡灾害全域易发性评价数据集输入至识别伪负样本生成器,得到识别伪负样本集;

滑坡灾害易发评价模块,包括堆叠泛化集成模型训练模块和滑坡灾害易发性评价预测模块;

堆叠泛化集成模型训练模块,用于将滑坡灾害易发评价训练数据集输入至堆叠泛化集成模型,采用基于信息熵引导的贝叶斯超参数优化方法进行训练;

滑坡灾害易发性评价预测模块,用于将识别伪负样本集和滑坡灾害隐患点正样本集合并后输入至堆叠泛化集成模型,得到滑坡灾害易发性评价结果;

滑坡灾害易发性评价结果修正模块,用于实时获取滑坡灾害整治进度数据,构建易发性修正系数并修正滑坡灾害易发性评价结果;

滑坡风险划分模块,用于基于修正后的滑坡灾害易发性评价结果,对待测区域进行风险划分。