1.一种滑坡危险预测系统,其特征在于,包括:
数据采集单元,用于采集目标滑坡区域的多源地质数据和环境数据;
特征构建单元,用于根据多源地质数据和环境数据确定多源致灾因子,对多源致灾因子进行融合和归一化处理,得到影响因子矩阵;
空间异质加权建模单元,用于根据动态权重机制对所述影响因子矩阵进行加权修正,得到优化的因子矩阵;
空间和语义关联单元,用于根据预设节点类型确定关联边,根据关联边确定节点之间的空间关联强度与语义关联度;
自适应学习单元,用于根据预设节点类型和预设关联边,采用特征映射、关联权重计算及信息聚合自适应学习,得到节点的关联强度和关联特征;
多要素交互网络计算单元,用于根据节点的关联强度和关联特征,采用关联图模型进行学习,得到全局预测模型,并对所述全局预测模型采用分类偏差修正、空间形态约束及端到端优化,得到优化的全局预测模型;
滑坡危险预测单元,用于通过优化的全局预测模型对目标滑坡区域进行预测,得到预测结果,并根据预设概率阈值对预测结果进行危险等级划分;
所述自适应学习单元用于:
将特征映射为节点和邻居节点的类型特定线性变换:其中,为类型特定权重矩阵,,及为类型特定线性变换结果,为节点的查询向量,为节点的键向量,为节点的值向量,节点的类型为,节点的邻居节点的类型为;
其中关联权重计算包括融合空间距离与特征相似性,计算节点间的关联强度为:其中,为注意力参数向量,为节点的邻居集合,为激活函数,为节点与节点的局部权重;为节点的第个邻居节点的键向量,节点为与第个邻居节点的边特征,为节点与第个邻居节点的局部权重;
根据节点间的关联强度,对周边节点信息进行聚合,得到节点的关联特征为:其中,关联特征的公式中的为激活函数;
所述多要素交互网络计算单元用于:
获取节点的关联特征,通过全连接层进行变换,得到预激活值:其中,为输出层权重矩阵,为偏置项,预激活值的公式中的为Sigmoid激活函数;
通过Sigmoid激活函数将预激活值映射为滑坡概率:其中,表示第个评估单元发生滑坡的预测概率;
根据滑坡概率,得到全局预测模型,采用分类偏差修正和空间形态约束的对全局预测模型进行优化,其中分类偏差修正采用交叉熵损失衡量预测概率与真实标签的差异,公式为:其中,表示真实标签,其中1表示滑坡,0表示非滑坡;N表示空间单元总数;
其中空间形态约束基于图结构的空间连续性假设,约束相邻节点的预测结果差异,公式为:其中为关联图中所有边的集合,为边总数;
通过分类偏差修正和空间形态约束得到总损失函数,通过总损失函数对全局预测模型进行优化,其中总损失函数为:其中为正则系数,且>0;
以及,采用端到端优化方式计算总损失函数对全局预测模型所有参数的梯度,通过Adam优化器迭代更新参数。
2.根据权利要求1所述的滑坡危险预测系统,其特征在于,所述数据采集单元用于:对所述目标滑坡区域的三维激光雷达、地质雷达、土壤湿度传感器、自动气象站、GNSS监测点及卫星接收装置进行数据采集,得到地形地貌数据、地质结构数据、水文地质监测数据、气象数据、GNSS监测数据以及遥感影像;将采集的多源地质数据和环境数据通过4G/5G、LoRa或卫星通信至少一种方式发送至中央服务器。
3.根据权利要求1所述的滑坡危险预测系统,其特征在于,所述特征构建单元用于:将目标滑坡区域划分为多个评估单元,根据多源地质数据和环境数据确定评估单元的多源致灾因子,其中多源致灾因子包括地形特征、地质特征、触发特征及承灾特征,其中地形特征包括坡度s、坡向a、相对高差h;地质特征包括岩性类别l和断裂带距离f;触发特征包括年累计降雨量r和植被覆盖指数v;承灾特征包括距道路距离;
根据地形特征、地质特征、触发特征及承灾特征进行融合后得到的原始特征矩阵为:其中,,其中表示转置,为评估单元序号标识;为维度,表示致灾因子的数量;为评估单元数量;
采用归一化方法将原始特征矩阵映射至区间[0,1]之间,得到归一化后的影响因子矩阵为:其中,表示归一化结果,表示原始特征矩阵第个样本的第个特征值;为第个特征值在所有样本中的最小值,第个特征值在所有样本中的最大值。
4.根据权利要求3所述的滑坡危险预测系统,其特征在于,所述空间异质加权建模单元用于:根据评估单元中致灾因子的空间分布特征,根据动态权重机制计算每个评估单元的局部权重为:其中,动态权重机制通过地理学第一定律确定,为评估单元与评估单元的空间距离,和为评估单元的坐标,和为评估单元的坐标,为自适应带宽,根据评估单元周边的致灾因子的密度动态调整;
根据评估单元原始特征矩阵,确定地理加权回归GWR的局部线性回归模型为:其中,为局部系数向量,为误差向量;
根据地理加权回归GWR的局部线性回归模型,通过加权最小二乘确定局部系数为:其中,为对角权重矩阵;
根据局部系数确定修正特征矩阵为
其中,为局部系数对角矩阵,通过修正特征矩阵对影响因子矩阵进行加权修正,得到优化的因子矩阵为:。
5.根据权利要求4所述的滑坡危险预测系统,其特征在于,所述空间和语义关联单元用于:对预设节点类型采用独热向量进行编码,得到节点的类型编码为:将优化的因子矩阵与类型编码的融合特征为:
根据融合特征,确定的关联边,根据关联边确定节点之间的空间关联强度与语义关联度,其中关联边包括同类要素内连边、跨类要素交互边及触发-承灾定向边;
其中同类要素内连边用于同一类型的节点,同类要素内连边的边权重为传递同类要素的连续性信息:其中,跨类要素交互边用于连接不同类型节点,跨类要素交互边的边权重为特征相似性其中,为节点的融合特征向量,为的转置,为范数;触发-承灾定向边表示仅从触发节点指向承灾节点,触发-承灾定向边的边权重表示触发因子对承灾体的单向威胁。
6.根据权利要求1所述的滑坡危险预测系统,其特征在于,所述滑坡危险预测单元用于:根据预设概率阈值将预测概率划分的危险等级为:
将危险等级映射至目标滑坡区域的空间坐标,得到可视化的滑坡危险区划图。
7.根据权利要求6所述的滑坡危险预测系统,其特征在于,还包括预警单元和边缘计算单元,所述预警单元根据所述预测单元的预测结果通过地理信息系统平台、移动终端及设置于目标滑坡区域的声光报警装置进行报警处理;所述边缘计算单元用于将多源地质数据和环境数据根据中心服务器的请求进行协同处理。
8.一种根据权利要求1-7任一所述系统的滑坡危险预测方法,其特征在于,包括:采集目标滑坡区域的多源地质数据和环境数据;
根据多源地质数据和环境数据确定多源致灾因子,对多源致灾因子进行融合和归一化处理,得到影响因子矩阵;
根据动态权重机制对所述影响因子矩阵进行加权修正,得到优化的因子矩阵;
根据预设节点类型确定关联边,根据关联边确定节点之间的空间关联强度与语义关联度;
根据预设节点类型和预设关联边,采用特征映射、关联权重计算及信息聚合自适应学习,得到节点的关联强度和关联特征;
根据节点的关联强度和关联特征,采用关联图模型进行学习,得到全局预测模型,并对所述全局预测模型采用分类偏差修正、空间形态约束及端到端优化,得到优化的全局预测模型;
通过优化的全局预测模型对目标滑坡区域进行预测,得到预测结果,并根据预设概率阈值对预测结果进行危险等级划分。