【技术实现步骤摘要】
本专利技术涉及地质灾害预测领域，尤其涉及一种未来情景下的滑坡易发性预测方法。
技术介绍
1、滑坡易发性是指在特定地质环境条件下某一区域发生滑坡的空间概率。该概念基于一个假设，即滑坡倾向于在与历史滑坡发生条件相似的区域发生。通过预测未来情景下的滑坡易发性来掌握未来的滑坡易发区域，是降低滑坡风险的有效手段。土地利用与土地覆盖(land use and land cover,lulc)以及降雨是滑坡易发性中极为关键的滑坡影响因子，分别代表了人类工程活动和区域气候对滑坡的影响，两者的变化会显著影响滑坡易发性的空间格局。在人类工程活动日益加剧和极端气候事件日益增多的背景下，模拟未来情景下的lulc和降雨因子,并将模拟因子与其余滑坡影响因子共同输入到滑坡易发性模型中，进而预测未来情景下的滑坡易发性，可以为未来区域土地规划和防灾策略制定提供科学依据。
2、在基于未来情景下滑坡影响因子来进行滑坡易发性预测的这一思路下，人工神经网络和元胞自动机等模型被用于模拟未来情景下的lulc变化情况，实现基于未来情景lulc因子下的滑坡易发性预测；而国际耦合模式比较计划(coupled model intercomparisonproject6,cmip6)中的多情景降雨模拟数据则被广泛用于表示未来降雨的空间分布，从而预测未来情景下考虑降雨变化的滑坡易发性分布。虽然上述滑坡易发性预测的思路已经成功在全球多个滑坡易发区域进行了应用，但目前的研究中lulc和降雨因子两个因素通常是独立研究的，通过同时模拟这二者未来情景下的变化进而预测滑坡易发性的研究较
3、此外，滑坡易发性模型的特征提取能力对滑坡易发性的准确度有着重要影响，直接决定着滑坡易发性预测结果的可信度。目前，物理模型、统计模型和机器学习模型已经先后被用于区域滑坡易发性预测，但特征提取能力相对更强的先进深度学习模型还未在该领域中得到应用。vit(vision transformer)模型是一种基于transformer结构的模型，其利用自注意力机制捕捉图像序列中不同位置的依赖关系和上下文信息，获取序列中每个位置与其他位置的关联程度，实现对图像中全局信息的建模，从而更好地实现滑坡特征提取。vit模型已经在滑坡易发性任务中得到了应用，被证实其相较于传统机器学习模型拥有更强大的滑坡特征提取能力，所得滑坡易发性结果精度更加值得信赖。
4、现有一种引入土地利用动态变化的滑坡易发性评估方法，专利申请号：cn202310427898.x，采用逻辑回归模型对引入土地利用变化因子前后的模型预测效果进行对比分析，引入土地利用变化因子可以提高模型易发性评估结果的准确度。但其往往只模拟一个滑坡影响因子的变化，且所使用的滑坡易发性模型的特征提取能力相对不足。因此，为了获取更值得信赖的未来情景下滑坡易发性预测结果，需对原来只模拟单个滑坡影响因子和采用特征提取能力相对较弱的模型进行滑坡易发性预测的方法进行改进。
技术实现思路
1、本专利技术的目的在于：提出一种未来情景下的滑坡易发性预测方法，解决现有滑坡易发预测仅考虑单一影响因子，而使得对于未来情景的滑坡预测不准确的技术问题。
2、一种未来情景滑坡易发性预测方法，包括以下步骤：
3、s1：根据研究区滑坡的孕灾环境和致灾因素，选择滑坡影响因子；
4、s2：将滑坡影响因子进行预处理后，构建数据集；
5、s3：构建滑坡预测模型，利用数据集训练和验证所述滑坡预测模型，得到最佳参数的模型；
6、s4：将滑坡影响因子中的lulc因子和降雨因子替换成分别由plus模型模拟的lulc因子和大气环流模型模拟的降雨因子；
7、s5、将模拟的lulc因子、模拟的降雨因子、滑坡影响因子中的其它因子输入至最佳参数的模型，得到未来情景滑坡易发性预测结果。
8、一种存储介质，所述存储介质存储指令及数据用于实现一种未来情景滑坡易发性预测方法。
9、一种未来情景滑坡易发性预测设备，包括：处理器及所述存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现一种未来情景滑坡易发性预测方法。
10、本专利技术提供的有益效果是：提出的一种未来情景下的滑坡易发性预测方法，该方法同时考虑了lulc和降雨因子的变化对未来滑坡易发性的影响，弥补了往往只通过模拟单个滑坡影响因子进行滑坡易发性预测的不足。
11、与此同时，该方法采用特征提取能力更强的vit模型进行滑坡易发性预测，该方法所得预测结果比物理模型、统计模型和机器学习模型的预测结果更具可信度。
本文档来自技高网...【技术保护点】
1.一种未来情景滑坡易发性预测方法，其特征在于：包括以下：
2.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述滑坡影响因子包括：高程、坡度、坡向、岩性、距断层距离、距河流距离、归一化差值植被指数、降雨因子和LULC因子。
3.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述预处理方法包括依次进行的：坐标系统一、异常值去除、栅格重采样和数值归一化操作。
4.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述数据集按照预设的比例分为数训练集、验证集和测试集。
5.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述滑坡预测模型采用ViT模型。
6.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：步骤S4中模拟的LULC因子的获取过程如下：
7.如权利要求6所述的一种未来情景滑坡易发性预测方法，其特征在于：步骤S414中的不同参数包括：土地利用类型邻域权重参数、土地利用转移规则矩阵和土地利用类型未来需求参数；
8.如权利要
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～8任一项所述的一种未来情景滑坡易发性预测方法。
10.一种未来情景滑坡易发性预测设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～8任一项所述的一种未来情景滑坡易发性预测方法。
...【技术特征摘要】
1.一种未来情景滑坡易发性预测方法，其特征在于：包括以下：
2.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述滑坡影响因子包括：高程、坡度、坡向、岩性、距断层距离、距河流距离、归一化差值植被指数、降雨因子和lulc因子。
3.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述预处理方法包括依次进行的：坐标系统一、异常值去除、栅格重采样和数值归一化操作。
4.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述数据集按照预设的比例分为数训练集、验证集和测试集。
5.如权利要求1所述的一种未来情景滑坡易发性预测方法，其特征在于：所述滑坡预测模型采用vit模型。
6.如权利要求1所述的一种未来情景滑...
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。