[發明專利]一種基于機器學習的地質災害危險性評價方法

在審

• 申請號: 202210640911.5
• 申請日: 2022-06-08
• 公開（公告）號: CN115439287A
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 洪增林;張振凱;寧奎斌;郝光耀;付壘;滕宏泉;張文龍;陶虹;李永紅;張晨;杜彪;王曉瑤;張敏;張鋅蕾;武宇娟;段琛
• 申請（專利權）人: 自然資源陜西省衛星應用技術中心
• 主分類號: G06Q50/26
• 分類號: G06Q50/26;G06N20/00;G06N20/10;G06N20/20;G06N5/00;G06N7/00;G06F17/18
• 代理公司: 北京翔石知識產權代理事務所(普通合伙) 11816
• 代理人: 李勇

1.一種基于機器學習的地質災害危險性評價方法,其特征在于，包括，

步驟S1，對待評價地區的地質災害危險性評價因子進行選擇并獲取，選擇的地質災害危險性評價因子包括，高程、坡度、坡向、曲率、工程地質巖組、距斷層距離、距河流距離、歸一化植被指數、土地利用類型、距離農村居民點距離、距路網距離、降雨量；

步驟S2，對待評價地區的各地質災害危險性評價因子數據進行預處理，獲得待評價地區的高程圖、坡度圖、坡向圖、曲率圖、工程地質分區圖、距斷層距離圖、距河網距離圖、歸一化植被指數指數圖、土地利用類型圖、距農村居民點距離圖、距路網距離圖以及年平均降雨量圖；

步驟S3，選擇待評價地區歷史數據中各地質災害點作為正樣本，確定樣本空間尺度，對正樣本的空間分布特征進行統計分析，選取緩沖半徑并確定緩沖區，在緩沖區外隨機選取若干點作為負樣本，以負樣本與正樣本構建樣本集，以各地質災害危險性評價因子數據作為特征構建樣本特征矩陣，對待評價地區進行柵格劃分并確定柵格數，根據柵格數與構建的樣本特征矩陣數確定待判別的數據量個數；

步驟S4，將樣本集劃分為訓練集與測試集，選用隨機森林、邏輯回歸、支持向量機、樸素貝葉斯、梯度提升樹五種算法進行建模，以訓練集中的樣本訓練模型，以測試集中的樣本評價模型的性能，根據上述五種算法建立各模型性能的評價指數選取預測模型，并對訓練好的預測模型的特征進行重要性的排序；

步驟S5，以訓練好的預測模型對待評價地區劃分的各柵格進行預測，以概率的形式獲得預測結果，將預測概率進行分區，以預測的面積為橫坐標、以預測的成功率為縱坐標，繪制成功率曲線，根據成功率曲線的斜率進行劃分，將預測結果分為，極高危險區、高危險區、中危險區、低危險區，完成評價。

2.根據權利要求1所述的基于機器學習的地質災害危險性評價方法,其特征在于，在所述步驟S2中，將地質災害危險性評價因子中的高程、坡度、坡向以及曲率由DEM數據處理得到高程圖、坡度圖、坡向圖和曲率圖；將待評價地區的工程地質巖組圖進行矢量化獲得各類工程地質巖組展布范圍，形成工程地質分區圖；將待評價地區基礎地質圖件進行矢量化，對斷層的影響進行定量表征形成距斷層距離圖；將待評價地區河網展布進行矢量化，對河網的影響進行定量表征形成距河網距離圖；對待評價地區的MODIS遙感影像進行處理，得到歸一化植被指數圖，以此定量表征植被的覆蓋程度；對待評價土地利用類型圖進行屬性提取，得到農村居民點圖斑，并以此制作距農村居民點距離圖；將待評價地區路網布展圖進行矢量化，根據定量表征路網與地質災害點之間的距離繪制距路網距離圖；獲取待評價地區在多個氣象站點的年降雨量數據，通過插值分析得到待評價地區的年平均降雨量圖。

3.根據權利要求1所述的基于機器學習的地質災害危險性評價方法,其特征在于，在所述步驟S3中，將各正樣本點進行標記，標記為a1、a2、a3、a4…an，其中，n為正樣本數，統計計算任意兩正樣本點ai至ar之間的距離Lx，其中，i＝1、2、3…n，r＝1、2、3…n，i≠r，再計算ai與ar在距離Lx的各正樣本點占總正樣本數的百分比，根據兩正樣本點距離與正樣本百分比繪制相鄰地災點距離概率累計曲線。

4.根據權利要求3所述的基于機器學習的地質災害危險性評價方法,其特征在于，在設定相鄰地災點距離概率累計曲線后，確定任意兩正樣本點之間的最大距離Lz，根據最大距離Lz對概率累計曲線進行分段，第一段的距離區間為0～Lz×(1/10)、第二段的距離區間為Lz×(1/10)～Lz×(2/10)、第三段的距離區間為Lz×(2/10)～Lz×(3/10)…第十段的距離區間為Lz×(9/10)～Lz，并計算各分段內的累計概率K1、K2、K3…K10，根據各分段內累計概率確定緩沖半徑選取的區間。