(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210901857.5 (22)申请日 2022.07.28 (71)申请人 中国地质环境 监测院 （自然资源部 地质灾害技 术指导中心） 地址 100081 北京市海淀区大慧寺20号 (72)发明人 马娟　邢顾莲　张少杰　杨强　 齐干　叶思卿　 (74)专利代理 机构 成都赛恩斯知识产权代理事 务所(普通 合伙) 51212 专利代理师 张帆　张端阳 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 50/26(2012.01) G08B 21/10(2006.01) (54)发明名称 坡体灾害性变形阶段识别方法、 滑坡风险预 警方法 (57)摘要 本发明公开坡体灾害性变形阶段识别方法、 滑坡风险预警方法。 针对现有技术无法实现利用 短历时坡体位移数据预报预警滑坡风险的缺陷， 本发明坡体灾害性变形阶段识别方法将坡体变 形位移变化与滑坡的灾害性相关联， 建立灾害意 义的滑坡阶段概念， 为位移数据分析方案提供灾 害信息支持。 用于滑坡预警机器学习预测模型的 样本集构建方法以隐患坡体的测量数据为训练 数据， 建立灾害性变形阶段日区间作为数据集时 长， 提取3个维度特征， 以滑坡预警等级作为 分类 标签构建特征向量， 解决滑坡预警机器学习预测 模型训练的输入与输出问题。 滑坡风险预警方法 充分利用现有 隐患坡体监测系统采集的坡体位 移数据， 实现利用短历时坡体位移数据预报预警 滑坡风险的技 术问题。 权利要求书3页 说明书10页 附图4页 CN 115249044 A 2022.10.28 CN 115249044 A 1.坡体灾害性变形阶段识别方法， 其特 征在于： Sa100、 原始数据RD获取 在不同滑坡隐患 点设立监测点， 持续采集数据， 生成监测记录， 从监测记录 中选取在监 测期间T内监测对象坡体位移数据>0的监测记录， 记为 零上监测记录， 从每一零上监测记录中， 提取坡体的位移数据构成原始位移数据RD1， 构成原始数据 RD； Sa200、 计算日综合累计位移D1、 日综合变形速率D2 对于每一坡体， 依式1计算 监测期间T内逐日 日综合累计位移D1， 式1中， D1—T内日综合累计位移， 单位m m， (x1,y1)、 (x2,y2)—分别是坡体在T内每日位移起点、 位移终点， 单位 mm， 由原始位移数据 RD1确定； 以时间为横轴、 D1为纵轴， 绘制时间－位移曲线， 根据曲线变化趋势将时间－位移曲线 分段， 记为曲线区间CI， 对于每一曲线区间CI， 统计区间位移总量DCI与位移时长tCI， 依式2 计算曲线区间CI的日综合变形速率D2， 式2中， D2—坡体在曲线区间CI内的日综合变形速率， 单位m m， DCI—曲线区间CI内的坡体位移总量， 单位m m， 由原始位移数据RD1确定， tCI—曲线区间CI内坡体发生 位移的时长， 单位d， 由原 始位移数据RD1确定； Sa300、 识别5类坡体灾害性变形阶段 所有日综合变形速率D2构成数据集[D2]， 采用自然断点法将[D2]作5级分类， 5级分类 即为5类坡体灾害性变形阶段。 2.利用权利要求1所述坡体变形阶段识别方法实现的用于滑坡预警机器学习预测模型 的样本集构建方法， 其特 征在于： Sb 100、 原始数据RD获取 从零上监测记录中， 提取坡体的位移数据构 成原始位移数据RD1， 提取坡体特征属性构 成原始坡体属性数据RD2， 自零上监测记录提取或另行获取与RD1对应的逐日降雨数据构成 原始降雨数据RD3， RD1、 RD2、 RD3构成原 始数据RD； Sb 200、 构建滑坡预警等级AL 利用原始位移数据RD1构建日综合变形速率数据 集[D2]， 采用自然断点法将[D2]作5级 分类， 标记为5级滑坡预警等级AL， 由低向高为AL1～AL5， 对于每一坡体， 依据滑坡预警等级AL将监测 期间T划分为不同灾害性变形阶段DS， 分别 与AL1～AL5对应记为D S1～DS5； Sb 300、 构建用于 机器学习的样本集[ SS] 以日为时长单位将每一灾害性变形阶段DS划分区间， 不足1日的以1日计， 记为灾害性 变形阶段日区间D DS， 对于每一灾害性变形阶段日区间DDS， 自原始位移数据RD1中提取位移特征D、 自原始坡权　利　要　求　书 1/3 页 2 CN 115249044 A 2体属性数据RD2中提取坡体特 征P、 自原 始降雨数据RD3中计算 提取降雨特 征R， 以每一灾害性变形阶段日区间DDS为一样本， 以位移特征D、 降雨特征R、 坡体特征P共同 作为样本特 征xi， 以滑坡预警等级AL作为样本标签yi， 构成用于 机器学习的样本集[ SS]。 3.根据权利要求2所述的样本集构建方法， 其特 征在于： 所述Sb 200中， 还依式3计算日综合变形加速率D3， 式3中， D21、 D22—分别是分析日内位移数据大于0的时段在起、 止时刻的D2， 单位mm， 数 据集[D2]确定， td——每日变形持时， 单位d， 由原 始位移数据RD1确定； 所述Sb 400中， 所述位移特征D包括逐日的日综合累计位移D1、 日综合变形速率D2、 日 综合变形加 速度D3， 所述降雨特征R包括逐日的日累计雨量R1、 最大小 时雨强R2、 前期有效 降雨量R3， 所述坡体特 征P包括岩性P1、 原 始坡度值P2。 4.权利要求1所述的坡体灾害性变形阶段识别方法、 权利要求2或3所述的用于滑坡预 警机器学习预测模型的样本集构建方法在滑坡监测预警中的应用。 5.权利要求4所述的应用， 其特征在于， 对于用于滑坡预警机器学习预测模型的样本集 构建方法， 是将样 本集[SS]作为用于利用滑坡隐患坡体短历时位移数据预测滑坡风险的机 器学习模型的样本集； 所述短历时位移是以采样间隔时间不超过1h的坡体位移监测数据； 优选的是以5mi n、 10min为采样间隔时间的坡体位移监测数据。 6.利用权利要求2或3所述的用于滑坡预警机器学习预测模型的机器学习样本集构建 方法实现的滑坡风险预警方法， 其特 征在于： Sc 100、 样本集[ SS]预处理 Sc 200、 划分训练集与测试集 Sc 300、 利用训练集构建学习模型 以训练集中各样本特征xi的特征值为输入、 以样本标签yi的滑坡预警等级AL为输出， 采 用随机森林算法RF构建 分类器； Sc 400、 利用测试集完成滑坡隐患坡体短历时位移数据预测滑坡风险的机器学习模型 泛化能力评估。 7.根据权利要求6所述的滑坡风险预警方法， 其特征在于： 所述Sc100、 样本集[SS ]预处 理为： Sc 110、 计算样本特 征xi的增益特 征值 采用信息增益方法分别计算8个样本特征xi相对于样本标签yi的重要度， 将样本特征xi 依重要度由高向低的方式排序； 对于样本集[SS]中每个样本 特征xi， 将特征值与信息增益I G的乘积为增益特征值， 以增 益特征值作为该样本特 征xi在后续步骤的样本特 征值； Sc 120、 样本数据不均衡处 理； Sc 130、 采用独热编码更新样本集[ SS]中岩性P1特 征值； Sc 140、 描述性统计所有样本特征xi集分布， 依据统计规则去除异常值， 更新样本集 [SS]， 供后续机器学习使用。权　利　要　求　书 2/3 页 3 CN 115249044 A 3