本發(fā)明涉及氣象數(shù)據(jù)融合與災(zāi)害預(yù)測(cè)，特別是涉及一種基于氣象預(yù)報(bào)數(shù)據(jù)的短時(shí)空周期地質(zhì)災(zāi)情預(yù)測(cè)方法。

背景技術(shù)：

1、地質(zhì)災(zāi)害是由自然環(huán)境要素或人類不同生產(chǎn)活動(dòng)所導(dǎo)致的地質(zhì)事件，其對(duì)人類的生命財(cái)產(chǎn)安全存在一定程度的危害。地質(zhì)條件和氣候特征等常作為引發(fā)地面變形、泥石流、滑坡等地災(zāi)的主要因素。相當(dāng)多的地災(zāi)與開展的大范圍且形式多樣的人類生產(chǎn)活動(dòng)有關(guān)，具體影響是地災(zāi)的復(fù)發(fā)強(qiáng)度和頻率越來越高，人類擁有的財(cái)富也隨之受損。因此，發(fā)現(xiàn)導(dǎo)致地質(zhì)災(zāi)害發(fā)生的多因素之間的關(guān)聯(lián)關(guān)系，進(jìn)而建立有效的地災(zāi)預(yù)警模型是非常有現(xiàn)實(shí)意義的。

2、當(dāng)前的預(yù)警模型在一定程度上提升了預(yù)警的準(zhǔn)確性。然而，由于導(dǎo)致邊坡不穩(wěn)定的因素眾多，并且往往是多種影響因素相互交織的結(jié)果，這增加了預(yù)測(cè)的復(fù)雜性。目前的滑坡預(yù)警模型主要關(guān)注單一參數(shù)，如降雨量，用于設(shè)定閾值和進(jìn)行判斷，卻忽視了多種誘因之間的潛在關(guān)聯(lián)。因此，實(shí)際的預(yù)警結(jié)果仍然可能存在一定的誤差。

3、現(xiàn)有技術(shù)缺點(diǎn)：現(xiàn)在的災(zāi)害預(yù)警模型考慮的模型參數(shù)較為單一，預(yù)警結(jié)果不夠精確。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供的一種基于氣象預(yù)報(bào)數(shù)據(jù)的短時(shí)空周期地質(zhì)災(zāi)情預(yù)測(cè)方法，能夠?qū)崿F(xiàn)對(duì)地質(zhì)災(zāi)害的自動(dòng)化預(yù)測(cè)和推演，有效提高了預(yù)測(cè)結(jié)果的精準(zhǔn)度。

2、為達(dá)到上述目的，本發(fā)明提供的一種基于氣象預(yù)報(bào)數(shù)據(jù)的短時(shí)空周期地質(zhì)災(zāi)情預(yù)測(cè)方法，其關(guān)鍵是，包括以下步驟：

3、步驟1：數(shù)據(jù)采集：數(shù)據(jù)采集模塊采集具有時(shí)間序列屬性的多源氣象數(shù)據(jù)a，并將所述多源氣象數(shù)據(jù)a進(jìn)行數(shù)據(jù)融合處理，得到實(shí)測(cè)數(shù)據(jù)b，所述數(shù)據(jù)采集模塊將所述實(shí)測(cè)數(shù)據(jù)b傳遞給數(shù)據(jù)預(yù)處理模塊；

4、步驟2：數(shù)據(jù)預(yù)處理：所述數(shù)據(jù)預(yù)處理模塊對(duì)所述實(shí)測(cè)數(shù)據(jù)b進(jìn)行預(yù)處理操作，并將預(yù)處理后數(shù)據(jù)進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，轉(zhuǎn)化為三維輸入數(shù)據(jù)c，所述數(shù)據(jù)預(yù)處理模塊將所述三維輸入數(shù)據(jù)c傳遞給預(yù)測(cè)模塊；

5、步驟3：地質(zhì)災(zāi)情預(yù)測(cè)：所述預(yù)測(cè)模塊對(duì)所述三維輸入數(shù)據(jù)c進(jìn)行地質(zhì)災(zāi)情預(yù)測(cè)，并輸出預(yù)測(cè)結(jié)果y。

6、通過上述設(shè)計(jì)，使用數(shù)據(jù)采集模塊采集多源氣象數(shù)據(jù)，結(jié)合多種地質(zhì)災(zāi)害影響因素，進(jìn)行地質(zhì)災(zāi)情預(yù)測(cè)，有效地提高了地質(zhì)災(zāi)情預(yù)測(cè)結(jié)果的精準(zhǔn)度；使用數(shù)據(jù)預(yù)處理模塊對(duì)地質(zhì)災(zāi)情預(yù)測(cè)模型的輸入數(shù)據(jù)進(jìn)行預(yù)處理操作和數(shù)據(jù)格式轉(zhuǎn)化，提高了輸入數(shù)據(jù)的質(zhì)量和可靠性，增強(qiáng)了輸入數(shù)據(jù)格式與地質(zhì)災(zāi)情預(yù)測(cè)模型的契合度。

7、所述三維輸入數(shù)據(jù)c的數(shù)據(jù)輸入維度可以表示為(data_len，seq_len，input_size)，其中data_len為樣本集個(gè)數(shù)；seq_len為輸入特征的長(zhǎng)度，表示歷史觀測(cè)時(shí)長(zhǎng)，即l；input_size為輸入網(wǎng)絡(luò)的特征個(gè)數(shù)，其大小與輸入特征的類型數(shù)量相對(duì)應(yīng)，當(dāng)前輸入的特征有氣象溫度數(shù)據(jù)、空氣濕度數(shù)據(jù)、露點(diǎn)溫度數(shù)據(jù)、大氣壓強(qiáng)數(shù)據(jù)和氣象風(fēng)速數(shù)據(jù)，因此input_size為5。

8、作為優(yōu)選：在所述步驟1中，所述多源氣象數(shù)據(jù)a包括氣象溫度數(shù)據(jù)、空氣濕度數(shù)據(jù)、露點(diǎn)溫度數(shù)據(jù)、大氣壓強(qiáng)數(shù)據(jù)和氣象風(fēng)速數(shù)據(jù)。

9、作為優(yōu)選：在所述步驟1中，所述數(shù)據(jù)采集模塊包括溫度傳感器、濕度傳感器、露點(diǎn)傳感器、氣壓傳感器和風(fēng)速傳感器。

10、所述溫度傳感器用于采集氣象溫度數(shù)據(jù)，所述濕度傳感器用于采集空氣濕度數(shù)據(jù)，所述露點(diǎn)傳感器用于采集露點(diǎn)溫度數(shù)據(jù)，所述氣壓傳感器用于采集大氣壓強(qiáng)數(shù)據(jù)，所述風(fēng)速傳感器用于采集氣象風(fēng)速數(shù)據(jù)。

11、作為優(yōu)選：在所述步驟1中，采用卡爾曼濾波方法實(shí)現(xiàn)對(duì)多源氣象數(shù)據(jù)a的數(shù)據(jù)融合處理。

12、卡爾曼濾波通過遞歸地結(jié)合先驗(yàn)信息和實(shí)測(cè)觀測(cè)數(shù)據(jù)，不斷更新狀態(tài)估計(jì)，從而提高了融合結(jié)果的準(zhǔn)確性和穩(wěn)健性?？柭鼮V波算法考慮了系統(tǒng)的動(dòng)態(tài)演變，使得在時(shí)間序列上進(jìn)行數(shù)據(jù)融合時(shí)，能夠更好地適應(yīng)系統(tǒng)的變化，充分利用過去和當(dāng)前的信息。

13、作為優(yōu)選：在所述步驟2中，所述數(shù)據(jù)預(yù)處理模塊對(duì)所述實(shí)測(cè)數(shù)據(jù)b進(jìn)行預(yù)處理操作，包括離群值處理和噪聲處理，具體步驟如下：

14、步驟2.1：離群值處理：采用四分位距法對(duì)所述實(shí)測(cè)數(shù)據(jù)b進(jìn)行離群值處理，首先，使用一個(gè)特定大小的移動(dòng)窗口來確定實(shí)測(cè)數(shù)據(jù)b中的異常值數(shù)據(jù)，然后對(duì)移動(dòng)窗口內(nèi)的所有數(shù)值進(jìn)行大小排序，并選出排序后的中心值數(shù)據(jù)，以及排序后四分之一位置處的數(shù)值和四分之三位置處的數(shù)值，進(jìn)行閾值計(jì)算，得到閾值；

15、將移動(dòng)窗口內(nèi)的各個(gè)數(shù)值分別與閾值進(jìn)行比較，若移動(dòng)窗口內(nèi)的某數(shù)值的比較結(jié)果為異常值，則使用所述中心值數(shù)據(jù)來替換該數(shù)值數(shù)據(jù)；

16、移動(dòng)窗口大小通常基于數(shù)據(jù)的百分比來確定，例如選擇包含整體數(shù)據(jù)的5％或10％的移動(dòng)窗口。

17、步驟2.2：噪聲處理：使用小波閾值降噪對(duì)完成離群值處理后的數(shù)據(jù)進(jìn)行降噪平滑處理，首先選擇小波函數(shù)對(duì)輸入信號(hào)進(jìn)行n層小波分解，得到各尺度下的小波系數(shù)，然后基于各尺度下的小波系數(shù)，選擇閾值計(jì)算方法計(jì)算閾值，對(duì)分解出的各層小波系數(shù)進(jìn)行閾值處理，最后根據(jù)分解時(shí)選擇的小波函數(shù)，對(duì)閾值處理后的各尺度小波系數(shù)進(jìn)行重構(gòu)，得到小波閾值降噪后的信號(hào)。

18、所述離群值處理和噪聲處理能夠提高輸入數(shù)據(jù)的質(zhì)量和準(zhǔn)確性，進(jìn)而提升預(yù)測(cè)結(jié)果的精確度。

19、作為優(yōu)選：在所述步驟3中，所述預(yù)測(cè)模塊為訓(xùn)練好的地質(zhì)災(zāi)情預(yù)測(cè)模型，所述地質(zhì)災(zāi)情預(yù)測(cè)模型設(shè)置有卷積輸入層、池化采樣層和全連接輸出層，所述卷積輸入層、池化采樣層和全連接輸出層依次連接。

20、所述卷積輸入層用于捕捉三維輸入數(shù)據(jù)c中的時(shí)空關(guān)系，尤其是對(duì)于氣象數(shù)據(jù)中的地理位置信息和時(shí)間序列信息的捕捉；所述池化采樣層用于對(duì)卷積輸入層的卷積結(jié)果數(shù)據(jù)di,j進(jìn)行下采樣，減小數(shù)據(jù)維度，保留關(guān)鍵信息，加快地質(zhì)災(zāi)情預(yù)測(cè)模型計(jì)算速度；所述全連接輸出層用于引入非線性關(guān)系，為所述地質(zhì)災(zāi)情預(yù)測(cè)模型提供更強(qiáng)大的建模能力。

21、作為優(yōu)選：所述卷積輸入層對(duì)所述三維輸入數(shù)據(jù)c進(jìn)行卷積操作，得到卷積結(jié)果數(shù)據(jù)di,j，其計(jì)算表達(dá)式如下：

22、

23、其中，k表示卷積核，f1表示卷積核的高度，f2表示卷積核的寬度，i和j是輸出矩陣中元素的索引，表示在輸出矩陣中的位置；m和n是卷積核中元素的索引，表示卷積核的位置；

24、所述池化采樣層對(duì)所述卷積結(jié)果di,j進(jìn)行池化操作，得到池化結(jié)果數(shù)據(jù)ei,j，其計(jì)算表達(dá)式如下：

25、

26、其中，s表示池化窗口的步幅；

27、所述全連接輸出層對(duì)所述池化結(jié)果數(shù)據(jù)ei,j進(jìn)行全連接操作后，得到全連接結(jié)果數(shù)據(jù)x，然后經(jīng)relu激活函數(shù)輸出預(yù)測(cè)結(jié)果y，其激活表達(dá)式如下：

28、y＝relu(x)＝max(0,x)

29、其中，y表示預(yù)測(cè)結(jié)果。

30、作為優(yōu)選：所述預(yù)測(cè)結(jié)果y為(0,1)范圍內(nèi)的概率值，當(dāng)預(yù)測(cè)結(jié)果y大于災(zāi)情預(yù)警閾值時(shí)，判定為發(fā)生災(zāi)情；否則判定為未發(fā)生災(zāi)情。

31、預(yù)測(cè)結(jié)果為概率值，可以直觀地看出是否發(fā)生災(zāi)情，便于相關(guān)工作人員根據(jù)地質(zhì)災(zāi)情預(yù)測(cè)結(jié)果，展開相應(yīng)的地質(zhì)災(zāi)情防范措施。

32、作為優(yōu)選：在所述步驟3中，所述預(yù)測(cè)模塊為訓(xùn)練好的地質(zhì)災(zāi)情預(yù)測(cè)模型，所述地質(zhì)災(zāi)情預(yù)測(cè)模型訓(xùn)練過程如下：

33、步驟s1：數(shù)據(jù)采集模塊采集具有時(shí)間序列屬性的多源氣象數(shù)據(jù)，對(duì)其進(jìn)行數(shù)據(jù)融合處理后，傳遞給數(shù)據(jù)預(yù)處理模塊進(jìn)行預(yù)處理操作和數(shù)據(jù)格式轉(zhuǎn)換，得到三維輸入數(shù)據(jù)，將所述三維輸入數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和驗(yàn)證集數(shù)據(jù)；

34、步驟s2：使用長(zhǎng)短期記憶網(wǎng)絡(luò)lstm構(gòu)建地質(zhì)災(zāi)情預(yù)測(cè)模型；

35、步驟s3：使用訓(xùn)練集數(shù)據(jù)訓(xùn)練所述地質(zhì)災(zāi)情預(yù)測(cè)模型，采用貝葉斯優(yōu)化方法對(duì)所述地質(zhì)災(zāi)情預(yù)測(cè)模型進(jìn)行模型參數(shù)優(yōu)化，并得到最優(yōu)模型參數(shù)，所述模型參數(shù)包括模型的隱藏層神經(jīng)元個(gè)數(shù)、一次訓(xùn)練所選取的樣本數(shù)batch-size、學(xué)習(xí)率、超參數(shù)dropout；

36、步驟s4：使用驗(yàn)證集數(shù)據(jù)來評(píng)估地質(zhì)災(zāi)情預(yù)測(cè)模型的性能，將驗(yàn)證集數(shù)據(jù)輸入到訓(xùn)練好的地質(zhì)災(zāi)情預(yù)測(cè)模型中，得到預(yù)測(cè)結(jié)果，采用精確率(p)、召回率(r)、平均精確度(ap)對(duì)地質(zhì)災(zāi)情預(yù)測(cè)結(jié)果進(jìn)行精度評(píng)價(jià)。

37、所述長(zhǎng)短期記憶網(wǎng)絡(luò)lstm是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，用于解決一般的循環(huán)神經(jīng)網(wǎng)絡(luò)rnn存在的長(zhǎng)期依賴問題，所有的循環(huán)神經(jīng)網(wǎng)絡(luò)rnn都具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)叫问?。在?biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)rnn中，這個(gè)重復(fù)的結(jié)構(gòu)模塊只有一個(gè)非常簡(jiǎn)單的結(jié)構(gòu)，例如一個(gè)tanh層。

38、通過上述設(shè)計(jì)，使用訓(xùn)練集數(shù)據(jù)和驗(yàn)證集數(shù)據(jù)對(duì)所述地質(zhì)災(zāi)情預(yù)測(cè)模型進(jìn)行訓(xùn)練優(yōu)化和性能驗(yàn)證，確保地質(zhì)災(zāi)情預(yù)測(cè)結(jié)果的準(zhǔn)確性和可靠性。

39、作為優(yōu)選：在所述步驟s4中，所述精確率p為正確識(shí)別的地災(zāi)數(shù)量與地災(zāi)總量的比值，該精確率p的計(jì)算公式如下：

40、

41、其中，tp為正確預(yù)測(cè)的正樣本數(shù)，fp為錯(cuò)誤預(yù)測(cè)的正樣本數(shù)；

42、所述召回率r為正確識(shí)別的地災(zāi)數(shù)量與地災(zāi)真值總量的比值，用于衡量分類器對(duì)地災(zāi)數(shù)據(jù)集的漏檢情況，所述召回率r的計(jì)算公式如下：

43、

44、其中，np為錯(cuò)誤預(yù)測(cè)為負(fù)樣本的個(gè)數(shù)；

45、所述平均精確度ap為同一類目標(biāo)在不同的召回率下精確率的平均值，該平均精確度ap的計(jì)算公式如下：

46、

47、所述精確率(p)、召回率(r)和平均精確度(ap)的值越大，表明地質(zhì)災(zāi)情預(yù)測(cè)模型的預(yù)測(cè)性能越好。

48、本發(fā)明的有益效果是：通過綜合考慮多種氣象數(shù)據(jù)，以及它們之間的相互作用，進(jìn)一步改進(jìn)地質(zhì)災(zāi)害預(yù)測(cè)模型，減少誤報(bào)和漏報(bào)的情況，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和實(shí)用性。