System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于人工智能对青藏高原滑坡预测的方法技术_技高网

一种基于人工智能对青藏高原滑坡预测的方法技术

技术编号:43607364 阅读:5 留言:0更新日期:2024-12-11 14:53
本发明专利技术涉及一种基于人工智能对青藏高原滑坡预测的方法,包括以下步骤:S1整理青藏高原滑坡事件资料数据和影响因素数据:选择坡度方位等共计14个特征进行量化处理和归一化处理,并将其分为三部分,分别用于构建训练、验证和测试样本;S2设计模型,使用机器学习技术来预测青藏高原多年冻土区山体滑坡:建立了包含13个特征的样本集;进而构建可解释的人工智能模型;S3选择黑箱模型并使用机器学习模型进行分类;S4通过LIME模型对随机森林的预测进行解释;S5通过SHAP模型对随机森林的预测进行解释;S6使用可解释AI模型,将模型输出可视化。本发明专利技术精确度高、可解释且结果可视化,可对青藏高原滑坡易发性进行预测。

【技术实现步骤摘要】

本专利技术涉及自然灾害预测,尤其涉及一种基于人工智能对青藏高原滑坡预测的方法


技术介绍

1、山体滑坡是最常见的自然灾害之一,在城市和农村地区都变得越来越频繁和危险,会造成财产损失、人员伤亡和基础设施破坏。

2、山体滑坡是由一些自然和人为事件引发的,如地震、暴雨、极端大风,工程建设活动更是加剧了对环境的压力。由于滑坡灾害的复杂性以及其产生原因的多样性,使得滑坡灾害预测一直是难点之一。许多变量导致滑坡的发生,而边坡稳定性、地形因素,天气和气候条件,特别是长时间的降雨和冰雪融化,往往是造成山体滑坡的原因。大量或持续的降雨会使土壤饱和,降低土壤的粘性,增加土壤的重量,降低边坡的稳定性。由于积雪迅速融化,雨水渗入地面,可能会进一步削弱边坡的稳定性,城市化和土地利用变化的干扰也是滑坡发生的主要因素。了解这些变量对于减轻与滑坡有关的危险和执行有效的减灾策略是至关重要的。

3、然而,现有的调查技术方法在获取数据方面耗时耗力,特别是青藏高原地形地貌复杂、气候变化空间异质性较强、冰冻圈发育、交通等基础设施广布,经济条件较差,大规模的实地调查都需要相当的资金和人力资源投入,并且一些野外估算方法可能无法达到高精度,尤其是在复杂和变化多端的自然环境中。

4、滑坡易发性受许多因素的影响,包括地质、气象和地形变量。传统的滑坡预测模型往往依赖于复杂的算法,虽然精度高,但缺乏透明度和可解释性。因此,亟需开发一种新的技术方法来克服这些弊端。


技术实现思路

1、本专利技术所要解决的技术问题是提供一种精确度高、可解释且结果可视化的基于人工智能对青藏高原滑坡预测的方法。

2、为解决上述问题,本专利技术所述的一种基于人工智能对青藏高原滑坡预测的方法,包括以下步骤:

3、s1整理青藏高原滑坡事件资料数据和影响因素数据:

4、通过各种数据源,整理了观测记录的青藏高原多年冻土区滑坡调查数据,选择坡度方位(aspect)、曲率(curvature)、地震(earthquake)、海拔(elevation)、土壤流量(flow)、岩性(lithology)、归一化差异水指数(ndwi)、归一化差异植被指数(ndvi)、平面(plan)、降雨强度(precipitation)、剖面(profile)和坡度(slope)、人类活动(humanactivities)、土壤类型(soil type)共计14个特征进行量化处理和归一化处理,并将其分为三部分,分别用于构建训练、验证和测试样本;

5、s2设计模型,使用机器学习技术来预测青藏高原多年冻土区山体滑坡:

6、利用已有地质灾害发生前和发生后对比数据,设计建立青藏高原多年冻土区滑坡灾害训练数据集,对14个特征进行优化后建立了包含13个特征的样本集,其中输入特征属性为1个通过嵌入层处理的地质特征:滑坡(landslide)和12个在输入前已归一化的数值特征:坡度方位(aspect)、曲率(curvature)、地震(earthquake)、海拔(elevation)、土壤流量(flow)、岩性(lithology)、归一化差异水指数(ndwi)、归一化差异植被指数(ndvi)、平面(plan)、降雨强度(precipitation)、剖面(profile)和坡度(slope);进而构建可解释的人工智能(xai)模型,其架构包括可解释性、机器学习模型、知识图谱构建、数据准备和主观评估,并将解释性作为关键因素,使用解释性ai模型来解释随机森林模型的预测;

7、s3选择黑箱模型并使用机器学习模型进行分类:

8、选择黑箱模型(black box model)并使用机器学习模型进行分类,同时在处理步骤中添加神经网络;然后基于随机森林算法,利用特征重要性数据识别影响青藏高原滑坡预测的关键因素,对青藏高原滑坡易发训练样本集进行学习训练、模型优化和模型存储,通过随机森林(random forest,rf)算法识别出对青藏高原滑坡发生影响最大的特征或变量,分析特征的重要性,评价特征贡献;

9、s4通过lime模型对随机森林的预测进行解释:

10、构建独立于随机森林模型的青藏高原滑坡易发性局部解释模型(localinterpretable model-agnostic explanations,lime),该lime模型使用完整的训练数据集对预测的推理提供局部解释(局部解释模型无关性),通过解释测试向量对滑坡事件的正面和负面影响;

11、s5通过shap模型对随机森林的预测进行解释:

12、构建青藏高原滑坡易发性加性解释模型(shapley additive explanations,shap),该模型量化了模型中每个特征对观察结果最终预测的贡献,并显示每个特征对滑坡发生结果的相对贡献,测量每个特征在模型预测中的个体贡献;通过shap模型进行全局解释和局部解释,计算特征对模型输出的边际贡献;

13、s6使用可解释ai模型,将模型输出可视化。

14、本专利技术与现有技术相比具有以下优点:

15、1、本专利技术利用可解释人工智能(xai)技术创建了一个非常准确的滑坡预测模型,通过shap(加性解释)、lime(局部可解释模型不可知解释)和随机森林(特征重要性分析),解读变量之间复杂的相互关系,并提供了影响其预测的因素的解释。通过使用xai,全面了解青藏高原滑坡的易发性,并对滑坡事件背后的机制提供更深刻的理解,有助于设计更有效的青藏高原滑坡预警系统。

16、2、本专利技术基于青藏高原多年冻土区滑坡发生的特征属性,通过在机器学习中构建预测模型,考虑了土壤性质、坡度、降雨量、地震拟合时参数重要性程度,提高了青藏高原滑坡灾害发生概率预测的准确性。

17、3、本专利技术通过耦合14个特征属性,用于构建训练、验证和测试样本,基于这些样本使用随机森林方法预测青藏高原多年冻土区滑坡易发性,利用lime模型和shap模型对青藏高原滑坡易发性的主要因素进行分析,通过特征属性与青藏高原滑坡易发性联系起来,明确不同滑坡易发性因素。

18、4、本专利技术通过可解释的人工智能模型,模型输出结果可视化,对每个模型预测提供可理解的解释,进行验证比较,提高系统的整体可靠性,提高了模型预测的准确率。

19、5、采用本专利技术方法,可为滑坡易发性分析提供有力支持,提高青藏高原滑坡易发性预测精度,从而为青藏高原滑坡预测、监测和预警提供参考依据,以期为该地区的滑坡灾害防范和减灾工作提供可靠的依据。

本文档来自技高网...

【技术保护点】

1.一种基于人工智能对青藏高原滑坡预测的方法,包括以下步骤:

【技术特征摘要】

1.一种基于人工智能对青藏高原...

【专利技术属性】
技术研发人员:周彩虹贠汉伯曲洋李华邵明
申请(专利权)人:中国科学院西北生态环境资源研究院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1