【技术实现步骤摘要】
本申请涉及地质灾害监测，具体而言，涉及一种基于因果发现与结构学习的滑坡易发性分析方法。
技术介绍
1、滑坡是最为常见的地质灾害之一，可造成巨大经济损失及人员伤亡。基于机器学习算法的滑坡易发性分析是数据驱动下智能防灾减灾的基础与重要决策支撑，因此精确、自动化的滑坡易发性分析具有重要的学术及社会意义。
2、
3、滑坡易发性分析是指采用多源致灾因子对特定地区斜坡失稳的可能性进行评估，并以区划图的形式进行可视化，以直观地该区域各评价单元内滑坡发生可能性的高低。准确的滑坡易发性分析结果可为防灾减灾提供科学决策参考。滑坡易发性分析可分为定性描述与定量分析，定性描述指通过调查与实地勘察，以地质动力学为基础对滑坡开展形态描述、运动学路径分析、受力分析及成灾机理推测等，为相同地形、孕灾环境的地区提供易发性分析。定量分析则指通过地学数据、地理信息科学数据处理手段及数学方法(数学公式、模型或算法)进行模型构建，对坡体发生失稳的可能性进行量化的估计以进行滑坡易发性分析。随着地质大数据和机器学习算法的普及，对于滑坡等地质灾害的研究，已逐步从以往的定性分析，转向适用性更强且更为客观的定量分析。按照具体所采用的数学方法，又可将滑坡易发性分析分为统计学习方法与机器学习方法。统计学方法，即通过数学统计量及其对应公式计算每个孕灾环境特征对于灾害的贡献度，通过加权、赋值、非线性变换等方法，得出在所有特征组合下滑坡易发性高低的相对估计值，较为常用的有二元判别统计法、多元统计判别法、加权确定性系数法、信息量法、证据权法等。机器学习方法则是指以大量
4、目前，滑坡易发性分析存在对致灾因子耦合关系分析不充分的问题，以及基于数据驱动的机器学习模型大多忽视滑坡实际成灾机理，导致滑坡易发性分析模型可解释性低下等问题，结构学习模型无法充分利用数据耦合关系的问题。如何充分挖掘滑坡与致灾因子耦合关系，构建低冗余、可解释性高的滑坡易发性分析模型，实现更准确的滑坡易发性分析，是本领域需要解决的问题。
技术实现思路
1、本申请实施例的目的在于提供一种基于因果发现与结构学习的滑坡易发性分析方法，以充分挖掘滑坡与致灾因子耦合关系，构建低冗余、可解释性高的滑坡易发性分析模型，实现更准确的滑坡易发性分析。
2、为了实现上述目的，本申请的实施例通过如下方式实现：
3、第一方面，本申请实施例提供一种基于因果发现与结构学习的滑坡易发性分析方法，包括：获取多源地学数据和监测区域的滑坡编录，其中，多源地学数据为来源不同的包含地理信息的数据，滑坡编录为记录了监测区域内滑坡信息的数据，滑坡信息包括滑坡发生时间、位置、规模、成灾类型、发育特征、影响范围；基于多源地学数据，构建致灾因子集，并对致灾因子集进一步处理形成因果发现因子集和易发性分析因子集，其中，致灾因子集包含多种连续型致灾因子和多种离散型致灾因子；将监测区域划分为因果发现区域和易发性分析区域，并基于因果发现因子集和因果发现区域的滑坡编录，构建因果发现样本集，基于易发性分析因子集和易发性分析区域的滑坡编录，构建易发性分析样本集，其中，因果发现样本集包含多个正样本和负样本，易发性分析样本集包含多个正样本和负样本，正样本表示样本标签为发生滑坡的样本，负样本表示样本标签为不发生滑坡的样本；基于因果发现样本集和因果发现因子集进行因果发现，得到因果有向无环图；利用因果有向无环图构建贝叶斯网络模型，并利用易发性分析样本集训练贝叶斯网络模型，得到已训练的贝叶斯网络模型；利用已训练的贝叶斯网络模型对监测区域进行滑坡易发性分析，得到滑坡易发性分析结果。
4、结合第一方面，在第一方面的第一种可能的实现方式中，基于多源地学数据，构建致灾因子集，并对致灾因子集进一步处理形成因果发现因子集和易发性分析因子集，包括：对多源地学数据进行预处理，实现数据空间基准和和空间分辨率的统一，得到22个致灾因子，其中，致灾因子包括属于连续型致灾因子的归一化植被指数、年均降水量、水体分布密度、地下水分布、地形湿度指数、归一化水体指数、改进的归一化水体指数、高程、坡度、地形起伏度指数、地表曲率、水平曲率、剖面曲率、断层分布密度、归一化建筑指数、道路分布密度和属于离散型致灾因子的工程地质岩组、坡向、用地类型、到道路距离、到断层距离、到水体距离；将所有连续型致灾因子和离散型致灾因子作为因果发现因子集；将所有连续型致灾因子离散化，得到离散化致灾因子；将离散化致灾因子与离散型致灾因子共同作为易发性分析因子集。
5、结合第一方面，在第一方面的第二种可能的实现方式中，基于因果发现因子集和因果发现区域的滑坡编录，构建因果发现样本集，基于易发性分析因子集和易发性分析区域的滑坡编录，构建易发性分析样本集，包括：利用因果发现因子集中的每种致灾因子，对因果发现区域的滑坡编录抽取属性，形成因果发现样本集，其中，因果发现样本集包含多个正样本和负样本，正样本表示样本标签为发生滑坡的样本，负样本表示样本标签为不发生滑坡的样本；利用易发性分析因子集中的每种致灾因子，对易发性分析区域的滑坡编录抽取属性，形成易发性分析样本集，其中，易发性分析样本集包含多个正样本和负样本，正样本表示样本标签为发生滑坡的样本，负样本表示样本标签为不发生滑坡的样本。
6、结合第一方面，在第一方面的第三种可能的实现方式中，基于因果发现样本集和因果发现因子集进行因果发现，得到因果有向无环图，包括：基于因果发现样本集和机器学习模型，确定出每个样本对应的预训练滑坡易发性分析结果，作为每个样本对应的结果变量；将因果发现样本集中的每种致灾因子作为原因变量；基于结果变量和原因变量，进行因果发现，确定出因果有向无环图。
7、结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，基于结果变量和原因变量，进行因果发现，确定出因果有向无环图，包括：将结果变量和原因变量输入至notears算法进行初步因果发现，从原因变量中确定出若干重要致灾因子；将结果变量和重要致灾因子输入至notears算法进行二次因果发现，构建因果有向无环图，其中，因果有向无环图中，重要致灾因子指向重要致灾因子，或者，重要致灾因子指向结果变量。
8、结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，利用因果有向无环图构建贝叶斯网络模型，并利用易发性分析样本集训练贝叶斯网络模型，得到已训练的贝叶斯网络模型，包括：读取因果有向无环图，并据此定义贝叶斯网络框架；利用因果有向无环图对易发性分析样本集中的样本进行因子筛选，保留每个样本中与因果有向无环图中一致的因子所提取的属性；将筛选后的易发性分析样本集划分为训练集和测试集；通过训练集计算各节点的条件概率，从而为贝叶斯网络框架中的每个节点分配条件概率，得到贝叶斯网络；采用测试集进行预测，并评估模型性能，得到已训练的贝叶斯网络模型。...
【技术保护点】
1.一种基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，包括：
2.根据权利要求1所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于多源地学数据，构建致灾因子集，并对致灾因子集进一步处理形成因果发现因子集和易发性分析因子集，包括：
3.根据权利要求1所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于因果发现因子集和因果发现区域的滑坡编录，构建因果发现样本集，基于易发性分析因子集和易发性分析区域的滑坡编录，构建易发性分析样本集，包括：
4.根据权利要求1所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于因果发现样本集和因果发现因子集进行因果发现，得到因果有向无环图，包括：
5.根据权利要求4所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于结果变量和原因变量，进行因果发现，确定出因果有向无环图，包括：
6.根据权利要求5所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，利用因果有向无环图构建贝叶斯网络模型，并利用易发性分析样本集训练贝叶斯网
7.根据权利要求6所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，通过训练集计算各节点的条件概率，包括：
8.根据权利要求7所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，采用测试集进行预测，包括：
9.根据权利要求6所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，利用已训练的贝叶斯网络模型对监测区域进行滑坡易发性分析，得到滑坡易发性分析结果，包括：
...【技术特征摘要】
1.一种基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，包括：
2.根据权利要求1所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于多源地学数据，构建致灾因子集，并对致灾因子集进一步处理形成因果发现因子集和易发性分析因子集，包括：
3.根据权利要求1所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于因果发现因子集和因果发现区域的滑坡编录，构建因果发现样本集，基于易发性分析因子集和易发性分析区域的滑坡编录，构建易发性分析样本集，包括：
4.根据权利要求1所述的基于因果发现与结构学习的滑坡易发性分析方法，其特征在于，基于因果发现样本集和因果发现因子集进行因果发现，得到因果有向无环图，包括：
5.根据权利要求4所述的基于因果发现与结构学习的滑坡...
【专利技术属性】
技术研发人员：凌晓，明冬萍，蔡建澳，张智，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。