[发明专利]一种震后道路受灾区域快速预测方法、系统及存储介质

说明书

本发明涉及一种震后道路受灾区域快速预测方法、系统及存储介质，方法包括：将研究区域划分为多个斜坡单元；基于历史地震滑坡分布数据得到由滑坡单元和非滑坡单元构成的训练集；基于训练集训练得到滑坡概率评估模型；使用滑坡概率评估模型进行滑坡概率评估，得到危险单元；使用物理力学模型确定各个危险单元的滑坡范围，得到震后道路的受灾区域预测结果。与现有技术相比，本发明先使用机器学习方法训练滑坡概率评估模型，得到滑坡概率较大的危险单元，再使用力学模型对危险单元进行研究，实现对震后研究区域内道路受滑坡影响的快速评估、道路受灾情况的准确空间定位，能够进行广域空间的快速评估，为地震应急救援措施的制定提供参考。

技术领域

本发明涉及一种地震数据处理技术领域，尤其是涉及一种震后道路受灾区域快速预测方法、系统及存储介质。

背景技术

地震滑坡总是造成巨大的经济损失和人员伤亡。除直接掩埋房屋外，滑坡往往破坏道路、阻塞交通，严重影响震后救援。因此，为减小地震损失，确保震后应急救援工作的顺利进行，需对震后滑坡影响范围进行准确预测，尤其是对道路受灾区域进行快速有效评估，为应急救援方案的制定提供有力支持。

为实现对地震滑坡灾害的预测和评估，传统力学模型首先被应用于地震灾害领域，如中国专利CN110390169A公开的一种基于力学模型的地震滑坡危险性定量评价方法，通过模拟的地震信息进行滑坡危险性评价，确定出滑坡危险区，从而提前进行灾害防护。但是力学模型的准确性需要精确数据支持，因此更适合单体或局部区域的滑坡分析，面对大范围地震灾后区域的预测效果不佳。

除力学模型之外，随着信息技术的发展，机器学习方法也在地震灾害评价中获得广泛应用。机器学习方法能够处理广域地震滑坡的大量数据，构建影响因素和滑坡的关系，如中国专利CN107463991A公开的一种基于坡体单元与机器学习的区域滑坡危险性评价方法。但是，使用机器学习方法进行受灾区域的评估时，由于该方法依赖于历史数据，在历史数据缺失时，往往不能得到泛用性较高的机器学习模型，在受灾范围预测上的应用有限。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种震后道路受灾区域快速预测方法、系统及存储介质，结合机器学习方法和物理力学模型实现对震后研究区域内道路受滑坡影响的快速预测和评估，使用机器学习方法得到滑坡概率较大的危险单元，再使用力学模型对危险单元进行研究，能够实现对震后道路受灾情况的准确空间定位，能够进行广域空间的快速评估，对地震应急救援措施的制定有重要参考价值。

本发明的目的可以通过以下技术方案来实现：

一种震后道路受灾区域快速预测方法，包括以下步骤：

S1、获取研究区域以及当前地震参数，根据研究区域高程将研究区域划分为多个斜坡单元，得到各个斜坡单元所对应的地震滑坡因子数据，获取研究区域的历史地震滑坡分布数据；

S2、根据历史地震滑坡分布数据找到研究区域中的滑坡单元，在研究区域中随机选择多个非滑坡单元，滑坡单元和非滑坡单元构成训练集；

S3、使用机器学习方法基于训练集进行模型训练，得到以地震滑坡因子数据为输入、滑坡概率为输出的滑坡概率评估模型；

S4、使用滑坡概率评估模型对所有的斜坡单元进行滑坡概率评估，将滑坡概率大于预设置的概率阈值的斜坡单元记为危险单元；

S5、基于能量守恒原理建立计算滑坡滑距的物理力学模型，使用物理力学模型计算各个危险单元的滑距，基于危险单元的滑距和坡向确定危险单元的滑坡范围；

S6、基于研究区域的道路分布和危险单元的滑坡范围得到震后道路的受灾区域预测结果。

进一步的，所述地震滑坡因子数据包括：高程、坡度、坡向、剖面曲率、平面曲率、地层岩性、断层距、河流距、植被覆盖指数、地震动峰值加速度、地震动峰值速度和震中距，其中地震动峰值加速度、地震动峰值速度和震中距是根据当前地震参数确定的。