一种针对地震诱发区域滑坡范围的评估方法技术

本申请提供了一种针对地震诱发区域滑坡范围的评估方法，涉及地震灾害评估领域，包括步骤：对受地震影响区域进行单元划分；根据历史震后滑坡数据将各单元分类为潜在的滑坡区域和非滑坡区域，从而构成待测区域；确定地震诱发区域滑坡的特征影响因素；地震发生后在待测区域中分别挑选滑坡单元样本和非滑坡单元样本，构成训练样本；基于特征影响因素、训练样本构建机器学习模型并进行模型训练；利用训练完成的机器学习模型评估待测区域在地震后的滑坡情况。该评估方法可在满足预测精度的情况下，提高对地震诱发滑坡影响范围的预测效率，为相关机构快速制定灾后救援方案、评估灾后损失、编制灾区重建方案提供决策依据。编制灾区重建方案提供决策依据。编制灾区重建方案提供决策依据。

【技术实现步骤摘要】
一种针对地震诱发区域滑坡范围的评估方法


[0001]本专利技术涉及地震灾害评估领域，具体涉及一种针对地震诱发区域滑坡范围的评估方法。

技术介绍

[0002]地震诱发滑坡、泥石流等次生地质灾害的现象在全球随处可见，尤其是在中国西部地表情况复杂的山区更是常见。不少研究指出，震后滑坡灾害导致的经济损失不低于地震灾害带来的经济损失。随着中国城市化建设的加速，城镇发展和财富积累越发集中，对于易受震后滑坡影响的区域应受到关注，对于地震诱发滑坡可能带来的经济和社会影响更应受到科学合理的评估。若能在震后短时间内评估区域滑坡的影响范围，将极大帮助相关政府机构快速制定灾后救援方案、评估灾后损失，以及编制灾区重建方案。
[0003]目前用于评估地震诱发滑坡风险的方法主要是利用机器学习方法通过大量历史震后滑坡样本生成滑坡敏感图，但由于需要大量历史数据的支撑，导致该方法不仅复杂，更需要长时间的前期数据处理准备。现有机器学习方法对震后滑坡识别采用多特征输入，以提高识别准确率。常见的输入特征有地形坡度、坡向、曲率、地表覆盖土壤类别、地表植被覆盖率，近地表岩性、近期降雨量、距河流距离、距活动断层距离、地震峰值加速度等。随着特征的增加，模型训练难度也在成倍增加，而预测效果效率却不一定增加，甚至时间更长。为提高模型预测的准确率，为训练模型使用的样本数量更是巨大，往往数量达到几十万以上，这种方式不仅提高了训练的难度，训练的时间也大幅拉长。
[0004]因此，针对上述问题，需开发出一种使用少量样本快速评估震后滑坡的模型，在不影响精度的情况下，提高对滑坡影响范围的预测效率，在短时间内帮助相关政府机构快速制定灾后救援方案、评估灾后损失、编制灾区重建方案等。

技术实现思路

[0005]为了解决现有地震诱发区域滑坡范围的预测效率问题，本申请提供一种针对地震诱发区域滑坡范围的评估方法，可以在满足预测精度的情况下，提高对地震诱发滑坡影响范围的预测效率，为相关机构快速制定灾后救援方案、评估灾后损失、编制灾区重建方案提供决策依据。
[0006]本申请实施例解决其技术问题所采用的技术方案是：一种针对地震诱发区域滑坡范围的评估方法，其特征在于，包括步骤：
[0007]S1、对受地震影响区域进行单元划分；
[0008]S2、根据历史震后滑坡数据将各单元分类为潜在的滑坡区域和非滑坡区域，从而构成待测区域；
[0009]S3、确定地震诱发区域滑坡的特征影响因素；
[0010]S4、地震发生后在待测区域中分别挑选滑坡单元样本和非滑坡单元样本，构成训练样本；
[0011]S5、基于特征影响因素、训练样本构建机器学习模型并进行模型训练；
[0012]S6、利用训练完成的机器学习模型评估待测区域在地震后的滑坡情况。
[0013]在一种具体的实施方案中，所述步骤S3中，特征影响因素包括距震中距离、距震中方位角、地表峰值加速度和距离宏观震中距离。
[0014]在一种具体的实施方案中，所述步骤S2中，根据历史震后滑坡数据，对非滑坡区域中从未发生过滑坡或较少发生滑坡的区域进行裁剪舍弃，以平衡待测区域中的单元数量。
[0015]在一种具体的实施方案中，所述步骤S4中滑坡单元样本和非滑坡单元样本的数量相等。
[0016]在一种具体的实施方案中，所述训练样本的总数量不少于1000个。
[0017]在一种具体的实施方案中，所述步骤S5中机器学习模型在模型训练中采用的方法包括随机森林、极端随机森林、决策树、逻辑回归、深度学习。
[0018]本申请实施例的优点是：
[0019]1、针对地震诱发区域滑坡范围的评估方法通过优化特征影响因素，减小模型复杂程度，提取对震后滑坡最敏感的特征，包括距震中距离、距震中方位角、地表峰值加速度和距离宏观震中距离，从而提高机器学习模型的计算分析速度。
[0020]2、针对地震诱发区域滑坡范围的评估方法充分利用历史震后滑坡数据，对非滑坡区域中从未发生过滑坡或较少发生滑坡的区域进行裁剪舍弃，以平衡待测区域中的单元数量，从而进一步提高机器学习模型的数据处理效率。
[0021]3、针对地震诱发区域滑坡范围的评估方法对机器学习模型采用数量相同的滑坡单元样本和非滑坡单元样本进行模型训练，可有效避免机器学习在二分类问题处理上受阴阳样本比例的影响而造成的较大误差，从而保障本评估方法的精度。
[0022]4、针对地震诱发区域滑坡范围的评估方法采用适量的样本数量和关键特征影响因素，在满足预测精度的情况下，提高了对地震诱发滑坡影响范围的预测效率，从而可使得相关机构根据评估结果快速制定决策方案，提高灾区震后的救援相应速度。
附图说明
[0023]图1为本专利技术一种针对地震诱发区域滑坡范围的评估方法的受试者工作特征曲线的效果比较示意图。
具体实施方式
[0024]本申请实施例通过提供一种针对地震诱发区域滑坡范围的评估方法，解决现有地震诱发区域滑坡范围的预测效率问题，总体思路如下：
[0025]本专利技术提供一种针对地震诱发区域滑坡范围的评估方法，包括步骤：
[0026]S1、对受地震影响区域进行单元划分；
[0027]S2、根据历史震后滑坡数据将各单元分类为潜在的滑坡区域和非滑坡区域，从而构成待测区域；
[0028]S3、确定地震诱发区域滑坡的特征影响因素；
[0029]S4、地震发生后在待测区域中分别挑选滑坡单元样本和非滑坡单元样本，构成训练样本；
[0030]S5、基于特征影响因素、训练样本构建机器学习模型并进行模型训练；
[0031]S6、利用训练完成的机器学习模型评估待测区域在地震后的滑坡情况。
[0032]在本实施例中，通过单元划分，利用历史震后滑坡数据，将各单元分类为潜在的滑坡区域和非滑坡区域，并在地震发生后从待测区域中分别挑选滑坡单元样本和非滑坡单元样本构成训练样本，基于特征影响因素、训练样本构建机器学习模型并进行模型训练以评估待测区域在地震后的滑坡情况，可充分利用相关数据特性进行灵活选择，以提高机器学习模型的评估精度和预测效率。
[0033]本实施例中，考虑到机器学习模型的计算量庞大，因此，充分利用历史震后滑坡数据，对非滑坡区域中从未发生过滑坡或较少发生滑坡的区域进行裁剪舍弃，以平衡待测区域中的单元数量，进一步提高机器学习模型的数据处理效率。地震诱发的滑坡受很多因素的影响，如地形坡度、曲率、坡向、地表土壤、岩石、地表含水量、植被覆盖、植被类型、至河流距离、至活动断层距离、地表峰值加速度、距震中距离、距震中方位角等。为减少模型复杂程度，本申请对以上多种因素进行特征工程分析，提取对震后滑坡最敏感的特征影响因素，包括距震中距离、距震中方位角、地表峰值加速度和距离宏观震中距离。
[0034]由于机器学习对二分类问题处理上受输入中阴阳比例影响较大，为提高机器学习模型分类准确性和分类效率，本申请利用历史震后滑坡数据的统计规律将单元划分分类为潜在的滑坡区域和非滑坡区域以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对地震诱发区域滑坡范围的评估方法，其特征在于，包括步骤：S1、对受地震影响区域进行单元划分；S2、根据历史震后滑坡数据将各单元分类为潜在的滑坡区域和非滑坡区域，从而构成待测区域；S3、确定地震诱发区域滑坡的特征影响因素；S4、地震发生后在待测区域中分别挑选滑坡单元样本和非滑坡单元样本，构成训练样本；S5、基于特征影响因素、训练样本构建机器学习模型并进行模型训练；S6、利用训练完成的机器学习模型评估待测区域在地震后的滑坡情况。2.如权利要求1所述的一种针对地震诱发区域滑坡范围的评估方法，其特征在于，所述步骤S3中，特征影响因素包括距震中距离、距震中方位角、地表峰值加速度和距离宏观震中距离。3.如权利要求2所述的一种针对地震...

【专利技术属性】
技术研发人员：石洋，张振国，薛长虎，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：