本发明涉及地址灾害风险评估领域，具体涉及一种基于lstm网络的区域滑坡风险评估方法。
背景技术：
1、随着城市化快速发展，城市周边的绿地面积迅速缩减，非可持续建设模式对原始地形的破坏。同时由于极端强降雨天气和台风等极端天气增多，使得群发性山体滑坡、崩塌、泥石流等地质灾害呈上升趋势。滑坡属于突发性自然灾害，具有广泛的分布范围、较高的发生率和强大的破坏性。一旦发生，不仅会对人民的生命财产造成巨大损失，还将严重威胁社会的正常运作。根据联合国开发计划署发布的数据，山体滑坡作为全球第二大地质灾害，在全球范围内造成200亿美元经济损失，其中美国、意大利、印度、中国和德国等国家每年都经历重大损失。根据中国自然资源部统计数据，我国2021年共发生地质灾害4772起，造成80人死亡，直接经济损失32亿人民币。其中滑坡灾害是最为频发，在这一年中共发生滑坡灾害2335起，占比最大，到达48.9％。如何科学有效地评估潜在的滑坡灾害危险性并揭示内在规律，对滑坡灾害的预防和治理等具有重大现实意义。
2、当前减少山体滑坡风险的方法一般是通过可靠地监测、评估和确定易发生山体滑坡的区域。滑坡危险性评估方法通常需要对当地的地质与水文要素进行详细的研究。基于滑坡诱发机制和边坡稳定性等机制构建的物理模型已经被广泛运用于滑坡危险性评估。然而，构造物理模型需要高精度和高完整性的地形、地质、气象和水文等相关数据资料，导致在实际运用中存在工作量较大，数据缺失时评价效果不理想等问题，极大限制了模型的应用范围。
3、深度学习模型可以通过学习历史滑坡监测数据样本，通过多层次的神经网络结构提取出地质、地形等复杂数据中的内在信息，捕捉滑坡样本中的非线性和非参数化关系，从而实现准确的大范围滑坡风险评估。此外，深度学习方法具有较强的适应性和灵活性，能够根据不同地区的样本数据特征和空间分布进行自动调整和优化。目前，滑坡风险空间预测通常采用卷积神经网络实现，根据输入数据的大小选择合适的卷积核尺寸和步幅构建滑动窗口，对输入数据的所有网格进行卷积处理。通过在滑动网格内的进行卷积与池化操作能够从输入数据中提取出重要的三维特征，并将其转化为高维信息。最终通过全连接层映射至低维特征空间以预测每个网格的滑坡概率。这往往会存在训练样本数要求过多、超参数较多等问题(王毅,方志策,牛瑞卿,彭令.基于深度学习的滑坡灾害易发性分析[j].地球信息科学学报,2021,23(12):
4、2244-2260.doi:10.12082/dqxxkx.2021.210057)。同时，滑坡是一个动态过程，通常涉及到地形的历史记录、气象数据等长时间序列数据。在预测滑坡时，滑坡发生前一段时间内的降雨模式和地形状况都会对滑坡概率产生影响。卷积神经虽然在空间特征提取方面表现出色，但无法充分捕捉序列数据中的时序关系和长期依赖性，在处理长时间序列数据方面可能存在一定的局限。此外，在以往的滑坡风险研究中，研究侧重点大多数在于滑坡的易发性或危险性，未能将易损性纳入风险的评估指标中。易损性作为反应系统在面对滑坡等自然灾害时的承受能力和适应能力的指标，对全面的理解滑坡风险具有重要作用。lstm作为一种广泛应用的深度学习模型，可提供高效的计算性能和较长时间序列，理论上可解决上述问题，然而在滑坡灾害领域中通常被用于滑坡位移检测。本发明将基于lstm深度学习模型和层次分析法构建滑坡灾害风险评估方法体系，结合易损性指标对研究区内潜在风险实现全面评估，为制定预防滑坡灾害的政策和土地建设规划工作提供科学参考。
技术实现思路
1、本发明的目的在于克服现有技术中的缺点与不足，提供一种基于lstm网络的区域滑坡风险评估方法。所述方法利用长短期记忆神经网络模型对区域内滑坡灾害的风险过程进行大范围预测，相比传统的基于边坡稳定性和滑坡诱发机制的物理模型具有更高的模型效率，能有效提高对滑坡灾害高发地区的预测精度。对政府制定预防滑坡灾害的政策，引导城镇和人口密度地区向滑坡低风险区布局以及城市群建设用地规划具有重要意义。
2、本发明的目的至少通过如下技术方案之一实现。
3、一种基于lstm网络的区域滑坡风险评估方法，包括以下步骤：
4、s1、根据地形、降雨和土地类型数据，提取与滑坡相关的滑坡特征因子，结合历史滑坡数据与选取的非滑坡数据，构建滑坡灾害数据库；
5、s2、对滑坡灾害数据库进行归一化处理，并将滑坡灾害数据库划分训练集和测试集；
6、s3、构建lstm模型，以各网格地形特征和降雨特征为自变量，以各网格的滑坡概率为因变量，利用滑坡灾害数据库对lstm模型进行训练，并调整和优化模型超参数；
7、s4、利用测试集滑坡特征因子验证lstm模型，基于已构建的lstm模型进行区域滑坡危险性预测；
8、s5、基于区域滑坡危险性与易损性数据，构建滑坡灾害风险评估方法体系实现区域潜在滑坡灾害风险评估。
9、进一步地，滑坡灾害数据库是指构建lstm模型所需的数据集，其中包含研究区内各网格的地形特征、最大降雨特征和土地类型特征，经过gis处理后将滑坡灾害数据库的数据统一处理为csv和npy文件储存。
10、进一步地，在滑坡灾害数据库中，地形特征包括：高程(dem)、坡度(slo)、坡向(asp)、曲率(curv)；地形湿度指数(twi)、径流强度指数(spi)；降雨特征包括：逐小时降雨量、最大总雨量、降雨集中度、降雨侵蚀力；土地类型包括：岩性、土地利用。
11、进一步地，步骤s2中，归一化处理采用最大最小值归一化方法，把滑坡输入特征归一化，归一化通过以下公式计算：
12、
13、式中，ynew表示归一化后的值，y代表序列值，ymax与ymin分别表示该序列的最大值及最小值；将归一化后的滑坡灾害数据库按比例划分为训练集与测试集，用于后续模型训练和测试。
14、进一步地，步骤s3中，所述lstm模型是基于循环神经网络的深度学习算法，滑坡危险性预测输入特征是一维，通过添加时间步转化为2维特征输入至lstm模型中。
15、进一步地，所述lstm模型包括lstm层、dropout层和全连接层；
16、lstm层对输入的时间序列数据进行特征提取，基于时间步对不同时刻的数据进行遍历，从当前时刻t中提取出数据特征并储存为候选记忆单元，并结合上一时刻t-1的数据特征输出当前时刻t的预测概率；在输入门、输出门和遗忘门的控制下对候选记忆单元中传递的特征信息流实现自适应地控制；
17、dropout层用于权重正则化，在训练过程中按照随机失活率对dropout层中的输出特征进行随机舍弃，实现有效控制过拟合；通过权重正则化，可提高模型的泛化能力全连接层：连接lstm层中所有神经单元，经隐藏层后，由输出层输出预测结果。
18、进一步地，在lstm层中，会对每一时间步下的细胞单元进行计算，经过循环计算后前向传播，作为下一网络层的输入，循环计算的过程如下：
19、ft＝σ(wf1xt+wf2ht-1+bf)
20、it＝σ(wi1xt+wi2ht-1+bi)
21、ot＝σ(wo1xt+wo2ht-1+bo)
22、
23、
24、式中：ft、it、ot分别代表t时刻的遗忘门、输出门和输入门的激活向量，表示t时刻细胞的候选记忆元，ct表示t时刻的细胞输出；σ(.)为激活函数；wf1、wi1、wo1、wc1为t时刻下遗忘门、输入门和输出门对应的输入权重；wf2、wi2、wo2、wc1为t时刻下对应的输出权重；bf、bi、bo、bc为对应神经元的偏置；最后，通过加入dropout层和全连接层构建lstm模型。
25、进一步地，步骤s4中，将测试集中滑坡序列数据输入到所构建的lstm模型中，输出各空间网格的滑坡概率，经过自然间断点分级，实现区域滑坡危险性预测。
26、进一步地，步骤s5中，将滑坡灾害风险的组成要素分为危险性和易损性，其中，危险性是指滑坡灾害发生的概率和空间分布情况，易损性指可能受到滑坡灾害影响的人口和经济的空间分布情况：
27、riski＝hi×vi
28、其中，riski表示风险等级，hi为危险性，vi为易损性。
29、进一步地，基于层次分析法构建滑坡灾害风险评估方法体系对区域潜在滑坡灾害风险进行风险评估，其中准则层包含危险性和易损性，危险性指的是滑坡灾害发生的概率和空间分布情况；易损性则指可能受到滑坡灾害影响的人口和经济的空间分布情况；危险性指标层包含滑坡危险性；脆弱性指标层包含人口密度、gdp、土地利用类型、poi，其中poi包含医疗保障、交通设施、住宅相关、教育机构四种类型本发明与现有技术相比，具有如下优点和有益效果：
30、(1)本发明将lstm模型运用到区域滑坡灾害危险性预测中，可实现区域内滑坡危险性空间分布的大范围和准确预测。相比传统的深度学习模型(如卷积神经网络等)应用中，预测多个空间栅格点存在构建大量模型、训练模型繁琐、未考虑影响因子中长时间序列数据、泛用性差等缺点，lstm模型仅需要构建一个模型即可完成对大量空间网格滑坡危险性预测，并能考虑网格中的长时间序列，可大大提示预测精度。
31、(2)基于构建的lstm模型预测能够预测特定区域内滑坡危险性的空间分布，且预测结果与区域内历史滑坡事件的空间分布具有显著的相似性。通过层次分析法法将lstm模型预测的滑坡危险性数据与易损性数据相结合，开发了一个创新的滑坡灾害风险评估评估方法体系。有效地整合lstm模型的滑坡危险性空间预测能力以及人口密度、gdp、poi等时效性数据，实现对滑坡风险进行具有及时性的精细化预测。
1.一种基于lstm网络的区域滑坡风险评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，滑坡灾害数据库是指构建lstm模型所需的数据集，其中包含研究区内各网格的地形特征、最大降雨特征和土地类型特征，经过gis处理后将滑坡灾害数据库的数据统一处理为csv和npy文件储存。
3.根据权利要求2所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，在滑坡灾害数据库中，地形特征包括：高程(dem)、坡度(slo)、坡向(asp)、曲率(curv)；地形湿度指数(twi)、径流强度指数(spi)；降雨特征包括：逐小时降雨量、最大总雨量、降雨集中度、降雨侵蚀力；土地类型包括：岩性、土地利用。
4.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，步骤s2中，归一化处理采用最大最小值归一化方法，把滑坡输入特征归一化，归一化通过以下公式计算：
5.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，步骤s3中，所述lstm模型是基于循环神经网络的深度学习算法，滑坡危险性预测输入特征是一维，通过添加时间步转化为2维特征输入至lstm模型中。
6.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，所述lstm模型包括lstm层、dropout层和全连接层；
7.根据权利要求6所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，在lstm层中，会对每一时间步下的细胞单元进行计算，经过循环计算后前向传播，作为下一网络层的输入，循环计算的过程如下：
8.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，步骤s4中，将测试集中滑坡序列数据输入到所构建的lstm模型中，输出各空间网格的滑坡概率，经过自然间断点分级，实现区域滑坡危险性预测。
9.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，步骤s5中，将滑坡灾害风险的组成要素分为危险性和易损性，其中，危险性是指滑坡灾害发生的概率和空间分布情况，易损性指可能受到滑坡灾害影响的人口和经济的空间分布情况：
10.根据权利要求1所述的一种基于lstm网络的区域滑坡风险评估方法，其特征在于，基于层次分析法构建滑坡灾害风险评估方法体系对区域潜在滑坡灾害风险进行风险评估，其中准则层包含危险性和易损性，危险性指的是滑坡灾害发生的概率和空间分布情况；易损性则指可能受到滑坡灾害影响的人口和经济的空间分布情况；危险性指标层包含滑坡危险性；脆弱性指标层包含人口密度、gdp、土地利用类型、poi，其中poi包含医疗保障、交通设施、住宅相关、教育机构四种类型。
