【技术实现步骤摘要】
本专利技术涉及地理信息分析系统，尤其涉及一种矿山边坡监测的预警方法及系统。
技术介绍
1、矿山边坡稳定性监测是矿山安全生产的关键组成部分，涉及到地质学、工程技术和环境保护等多个领域。边坡失稳和滑移是矿山常见的重大安全事故之一，可能导致人员伤亡、设备损毁以及环境破坏等严重后果。
2、目前，针对矿山边坡稳定性监测的主要依靠人工实地的地质测量勘查，通过工作人员在矿山边坡架设勘察仪器，进而对地表位移监测、地下水位测量和地质勘探等。虽然这些方法能够为边坡稳定性评估提供基础数据，但多数依赖于人工操作，并且数据采集周期长，无法实现针对矿山边坡的持续或实时监测，导致存在较大的地质风险隐患。
3、针对上述问题，目前业界暂未提出较佳的技术解决方案。
技术实现思路
1、本专利技术实施例提供了一种矿山边坡监测的预警方法、系统、电子设备及存储介质，用于至少解决现有技术中矿山边坡依赖人工勘探且无法实现连续实时监测的问题。
2、第一方面，本专利技术实施例提供一种矿山边坡监测的预警方法，包括：基于部署在多个矿山边坡关键区域的边坡监测设备，获取实时边坡监测数据集，实时边坡监测数据包含insar图像、gnss参数和地下应力分布图；确定实时边坡监测数据集中的各个实时边坡监测数据分别所对应的多属性特征，利用基于混合数据的多属性模糊聚类算法将各个多属性特征进行聚类分析，以得到相应的预设数量个坡段聚类，多属性特征包含坡段位置属性特征、坡段类型属性特征和坡段数值属性特征；计算各个坡段聚类的历
3、可选地，确定实时边坡监测数据集中的各个实时边坡监测数据分别所对应的多属性特征，利用基于混合数据的多属性模糊聚类算法将各个多属性特征进行聚类分析，以得到相应的预设数量个坡段聚类，包括：确定实时边坡监测数据集x＝(x1,x2,x3,…,xn)中的各个实时边坡监测数据xi分别对应的对象特征矩阵[xi,1,xi,2,…,xi,e,xi,e+1,…,xi,m,xi,m+1,…,xi,p]，其中前e个特征是坡段位置的类型特征，中间m个特征是坡段分类的类型特征，最后p个特征是坡段数值的类型特征；过最小化每个属性的目标函数将实时边坡监测数据集x划分为k个簇；目标函数采用以下公式：
4、式中，是在属性f上的模糊划分矩阵，满足条件且为属性f上的簇中心原型集；为属性f上的数据对象xi；为属性f上第j个簇的簇中心原型；α(1<α<∞)表示模糊系数，n表示数据集中对象的总数，k是将实时数据集划分簇的数量；为属性f上对象xi与原型qj的互异性度量：
5、表示在属性f上数据对象xi的第a个属性，表示在属性f上数值属性的簇中心，e是坡段位置类型特征的数量，i和j表示数据对象的索引，m是坡段分类类型特征的数量，表示在属性f上分类属性的簇中心，将目标函数改写为以下公式：
6、
7、其中，表示属性1对应第j个簇的中心值，表示第j个簇在属性1上的模糊权重的总和，为属性f上第z个簇的簇中心原型，n表示数据集中对象的总数，e是坡段位置类型特征的数量，m是坡段分类类型特征的数量，k是将实时数据集划分簇的数量；通过连续迭代，将类的中心点移动到所包含数据的平均位置，然后重新划分其内部数据，直到所有数据到所属类的簇中心的距离最近为止，从而将实时边坡监测数据集x通过k-means算法归为k(k<n)个坡段聚类s＝(s1,s1,s1,…,sk)：
8、式中，μi表示坡段聚类si的均值，x表示坡段聚类si中的任一项，varsi表示si的簇中所有特征与均值距离的和，argmin表示函数在其定义域内取得最小值时的自变量值。
9、可选地，计算各个坡段聚类的历史受灾召回率，包括：获取各个坡段聚类所分别对应的历史灾害分析数据；历史灾害分析数据包含对应各个坡段聚类的坡段位置的历史灾害实际发生事件和灾害历史预测结果；通过以下公式计算各个坡段聚类的历史受灾召回率：式中，recalli表示对应第i坡段聚类的历史受灾召回率；tpi表示对应第i坡段聚类正确预测为灾害的事件数；fni表示实际发生的灾害且未被预测出的事件数。
10、可选地，边坡风险监测模型采用卷积长短时记忆网络，其包含第一输入层、第二输入层、第三输入层、第四输入层、空间卷积层、预处理层、特征融合层、空间金字塔池化层、convlstm层和输出层；第一输入层用于获取坡段监测时序数据中的insar图像时序数据；第二输入层用于获取坡段监测时序数据中的gnss参数时序数据；第三输入层用于获取坡段监测时序数据中的地下应力图时序数据；第四输入层用于获取坡段监测时序数据中的气象参数序列；空间卷积层用于提取各个初始时序数据中的空间特征，并利用空间特征更新初始时序数据，以得到相应的时序-空间特征；初始时序数据包含insar图像时序数据、gnss参数时序数据或地下应力图时序数据；基于预处理层对气象参数序列进行归一标准化处理，以得到相应的气象时序特征；基于特征融合层将各个时序-空间特征和气象时序特征进行特征融合，以确定相应的气象-时序-空间特征；基于空间金字塔池化层提取气象-时序-空间特征中的多尺度空间特征信息，并更新气象-时序-空间特征，以得到相应的目标气象-时序-多尺度空间特征；基于convlstm层处理气象-时序-多尺度空间特征，以得到相应的时序关系依赖特征；基于输出层处理时序关系依赖特征，以确定针对各个预设边坡风险类型的风险概率，得到相应的边坡风险识别结果。
11、可选地，空间卷积层的结构为：stype＝relu(wconv*xtype+bconv)，式中，xtype表示任一类型的初始时序数据xinsar,xgnss,xstress，xinsar,xgnss和xstress分别表示insar图像时序数据、gnss参数时序数据和地下应力图时序数据；stype表示空间卷积层针对任一类型的初始时序数据所输出的时序-空间特征；wconv表示空间卷积层的卷积核权重，bconv表示空间卷积层的偏置项，*表示卷积操作，relu表示relu激活函数；预处理层的结构为：式中，xweather表示气象参数序列，μweather和σweather分别表示气象数据所对应的均值和标准差，pweather表示预处理层输出的气象时序特征；特征融合层的结构为：
12、fcombined＝∑typeαtype·styp本文档来自技高网...
【技术保护点】
1.一种矿山边坡监测的预警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述确定所述实时边坡监测数据集中的各个所述实时边坡监测数据分别所对应的多属性特征，利用基于混合数据的多属性模糊聚类算法将各个所述多属性特征进行聚类分析，以得到相应的预设数量个坡段聚类，包括：
3.根据权利要求1所述的方法，其特征在于，所述计算各个所述坡段聚类的历史受灾召回率，包括：
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述边坡风险监测模型采用卷积长短时记忆网络，其包含第一输入层、第二输入层、第三输入层、第四输入层、空间卷积层、预处理层、特征融合层、空间金字塔池化层、ConvLSTM层和输出层；
5.根据权利要求4所述的方法，其特征在于，所述空间卷积层的结构为：
6.根据权利要求5所述的方法，其特征在于，所述边坡风险监测模型的损失函数L为：
7.一种矿山边坡监测的预警系统，其特征在于，所述系统包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中
9.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至6中任一项所述的矿山边坡监测的预警方法。
10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至6中任一项所述的矿山边坡监测的预警方法。
...【技术特征摘要】
1.一种矿山边坡监测的预警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述确定所述实时边坡监测数据集中的各个所述实时边坡监测数据分别所对应的多属性特征，利用基于混合数据的多属性模糊聚类算法将各个所述多属性特征进行聚类分析，以得到相应的预设数量个坡段聚类，包括：
3.根据权利要求1所述的方法，其特征在于，所述计算各个所述坡段聚类的历史受灾召回率，包括：
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述边坡风险监测模型采用卷积长短时记忆网络，其包含第一输入层、第二输入层、第三输入层、第四输入层、空间卷积层、预处理层、特征融合层、空间金字塔池化层、convlstm层和输出层；
5.根据权利要求4所述的方法，其特征在于，所述空间卷积层的结构为：
6.根据权利...
【专利技术属性】
技术研发人员：曲道龙，王蛟，刘颖斌，梁成江，潘飞，鞠兴军，高思华，杨彦峰，
申请(专利权)人：内蒙古大雁矿业集团有限责任公司，
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。