[发明专利]基于语义信息驱动的滑坡位移预测模型构建及使用方法

说明书

本发明提供一种基于语义信息驱动的滑坡位移预测模型，其构建方法如下：通过特征构造和特征组合，将滑坡监测数据转化为语义信息，得到单独组合样本、连续组合样本；采用滑动窗口方差算法将滑坡累计位移曲线划分为平缓阶段、加速阶段；对平缓阶段使用连续组合样本进行深层语义特征提取，对加速阶段使用单独组合样本进行深层语义特征提取；使用连续组合样本、单独组合样本深层语义特征对长短期记忆神经网络进行训练，得到语义信息驱动平缓阶段识别器、语义信息驱动加速阶段预测器；将识别器的输出结果作为交互开关，控制识别器和预测器协同工作。本发明可以解决对滑坡灾害预测不能区分平缓阶段与加速阶段，对加速阶段日位移量预测不够准确的问题。

技术领域

本发明涉及滑坡灾害预测技术领域，具体涉及一种基于语义信息驱动的滑坡位移预测模型构建及使用方法。

背景技术

滑坡灾害给人们生命安全构成极大威胁。为减少滑坡灾害所带来的损失，需要对滑坡灾害进行预测。近年来，由于大量监测数据的汇入及非线性理论的发展，已逐步开始通过机器学习来构建滑坡位移的预测模型。在现有技术中，公开号为CN112651314A的发明专利，公开了一种基于语义门及双时态LSTM的滑坡承灾体自动识别方法，包括以下步骤：对整幅遥感影像进行切割及样本的制作，构建基于语义门的双时态长短期循环网络，并设置参数，对基于语义门的双时态长短期循环网络进行训练，获得训练好的基于语义门的双时态长短期循环网络，使用神经网络对滑坡灾害承灾体进行预测。该方法能够及时准确地识别受灾区域内的滑坡及其承灾体，进而快速获取灾害等级、受灾范围等信息，并能够以此为依据进行灾情评估，指导灾后应急救援工作。

但是，在实际的情况中，滑坡灾害多以阶跃型滑坡的形式发生，整个滑坡过程分为平缓阶段及加速阶段，平缓阶段日位移量趋于平稳，而加速阶段日位移剧增，因此，对滑坡加速阶段从何时开始的准确识别，以及对滑坡加速阶段剧增日位移量的预测，是对滑坡灾害进行准确预测的关键。公开号为CN112651314A的发明专利，其技术方案中的基于语义门的双时态长短期循环网络，在对滑坡灾害承灾体进行预测时，不能区分平缓阶段与加速阶段，导致神经网络在训练数据精度表现良好，但实际预测时表现较差，对数值波动性较大的滑坡加速阶段日位移量预测不够准确，进而影响对滑坡灾害预测的效果。

发明内容

针对现有技术存在的不足，本发明提出一种基于语义信息驱动的滑坡位移预测模型构建及使用方法，以解决现有技术中存在的对滑坡灾害预测不能区分平缓阶段与加速阶段，对数值波动性较大的滑坡加速阶段日位移量预测不够准确，影响对滑坡灾害预测效果的技术问题。

本发明采用的技术方案如下：

第一方面，提供了一种基于语义信息驱动的滑坡位移预测模型的构建方法，包括以下步骤：

S1、通过特征构造和特征组合，将滑坡监测数据转化为语义信息，得到单独组合样本、连续组合样本；

S2、采用滑动窗口方差算法将滑坡累计位移曲线划分为平缓阶段、加速阶段；

S3、对平缓阶段使用连续组合样本进行深层语义特征提取，得到连续组合样本深层语义特征；对加速阶段使用单独组合样本进行深层语义特征提取，得到单独组合样本深层语义特征；

S4、使用连续组合样本深层语义特征对长短期记忆神经网络进行训练，得到语义信息驱动平缓阶段识别器；使用单独组合样本深层语义特征对长短期记忆神经网络进行训练，得到语义信息驱动加速阶段预测器；

S5、将语义信息驱动平缓阶段识别器的输出结果作为交互开关，通过交互开关控制语义信息驱动平缓阶段识别器和语义信息驱动加速阶段预测器协同工作，得到基于语义信息驱动的滑坡位移预测模型。

进一步的，通过特征构造和特征组合，将滑坡监测数据转化为语义信息，包括：

S1-1、将滑坡监测数据以离散化方式转换以文本为代表的语义信息特征；