基于人工智能的高位山体滑坡灾害的评估方法及系统与流程

本技术涉及灾害评估，具体而言，涉及基于人工智能的高位山体滑坡灾害的评估方法及系统 。

背景技术：

1、高位滑坡由于其剪出口与滑坡前缘之间的垂直落差大，滑源区多位于脊状山顶，坡度较陡，使得滑体启动后撞击坡面，碰撞解体，破碎化严重，在运动过程中动力侵蚀地表松散堆积物，导致体积急剧增大。此外，滑体运动路径可能多次转折，进而滑体在转折点也会呈现碰撞加速的过程。高位滑坡一般具有高位隐蔽性、运动速度快、体积方量大、流态化、块体破碎性和动力侵蚀等特点。根据已给出的高位滑坡定义，高位滑坡的滑源区一般海拔较高，滑坡剪出口与滑坡前缘的高差为 100m 上。高位滑坡多发育在高山峡谷地带，如阿尔卑斯山地区、美洲的落基山脉以及亚洲青藏高原地区，由于滑源区岩体受山脊拉应力作用致使裂缝扩展，但是其滑源区植被茂密或被冰雪覆盖，导致其孕灾过程很隐蔽。

2、现目前，针对高位滑坡的评估是十分苦难的，因为相关技术人员很难带上专业设备到达指定位置进行勘察，这样就不能及时且准确地获取到对应的信息，这样就可能存在滑坡预测不准确的问题，因此，亟需一种技术方案以改善上述技术问题。

技术实现思路

1、为改善相关技术中存在的技术问题，本技术提供了基于人工智能的高位山体滑坡灾害的评估方法及系统 。

2、第一方面，提供一种基于人工智能的高位山体滑坡灾害的评估方法，包括：

3、响应于高位山体滑坡灾害数据预警指令，获得高位山体描述数据；

4、结合所述高位山体描述数据中携带的目标山体监测事项的山体监测事项标签，从数据库中搜寻所述目标山体监测事项的滑坡要素信息和自然因数特征信息；

5、结合所述滑坡要素信息对所述自然因数特征信息进行优化，得到目标自然因数特征信息；

6、结合所述高位山体描述数据和所述目标自然因数特征信息进行滑坡灾害评估，得到评估结果。

7、在本技术中所述方法还包括：

8、获得与所述高位山体描述数据对应的初始山体状态数据；

9、所述结合所述高位山体描述数据和所述目标自然因数特征信息进行滑坡灾害评估，得到评估结果，包括：

10、结合所述高位山体描述数据和所述目标自然因数特征信息对所述初始山体状态数据进行优化，得到满足所述高位山体描述数据的目标山体状态数据。

11、在本技术中，所述结合所述滑坡要素信息对所述自然因数特征信息进行优化，得到目标自然因数特征信息，包括：

12、将所述滑坡要素信息和所述自然因数特征信息进行特征抽取处理，得到特征抽取处理后的所述自然因数特征信息，并将特征抽取处理后的所述自然因数特征信息确定为目标自然因数特征信息；

13、所述结合所述高位山体描述数据和所述目标自然因数特征信息进行滑坡灾害评估，得到评估结果，包括：

14、通过高位山体滑坡灾害数据预警线程对所述高位山体描述数据和所述目标自然因数特征信息进行高位山体滑坡灾害数据预警处理，得到目标山体状态数据。

15、在本技术中，所述通过高位山体滑坡灾害数据预警线程对所述高位山体描述数据和所述目标自然因数特征信息进行高位山体滑坡灾害数据预警处理，得到目标山体状态数据，包括：

16、结合所述高位山体描述数据，获得范例山体状态数据；

17、将所述范例山体状态数据从ai向量空间切换为次要空间山体状态数据；

18、对所述次要空间山体状态数据添加干扰，得到加噪数据；

19、结合所述高位山体描述数据和所述目标自然因数特征信息，对所述加噪数据进行清洗处理，以获得次要空间目标山体状态数据；

20、将所述次要空间目标山体状态数据切换为ai向量空间山体状态数据，并将所述ai向量空间山体状态数据确定为所述目标山体状态数据。

21、在本技术中，所述方法还包括：

22、响应于在风险预警指示触发的线程训练指令，展示线程训练过程；

23、响应于在所述线程训练过程触发的系数输入操作，获得待优化目标山体监测事项的若干个训练示例；

24、响应于在所述线程训练过程触发的训练开始操作，将所述待优化目标山体监测事项的若干个所述训练示例输入初始线程中进行训练，以得到训练后的所述高位山体滑坡灾害数据预警线程。

25、在本技术中，每个所述训练示例中至少包括待优化目标山体监测事项的示例山体状态数据、自然因数特征集合和涵盖山体监测事项标签和类型滑坡要素的高位山体描述数据；所述将所述待优化目标山体监测事项的若干个所述训练示例输入初始线程中进行训练，以得到训练后的所述高位山体滑坡灾害数据预警线程之后，所述方法还包括：

26、将所述待优化目标山体监测事项对应的山体监测事项标签、类型滑坡要素和自然因数特征集合保存到所述数据库中；其中，所述滑坡要素信息包括类型滑坡要素；所述自然因数特征信息包括自然因数特征集合。

27、在本技术中，每个所述训练示例中至少包括待优化目标山体监测事项的示例山体状态数据、自然因数特征集合和涵盖山体监测事项标签和类型滑坡要素的高位山体描述数据；所述将所述待优化目标山体监测事项的若干个所述训练示例输入初始线程中进行训练，以得到训练后的所述高位山体滑坡灾害数据预警线程，包括：

28、将所述待优化目标山体监测事项的若干个所述训练示例中的所述示例山体状态数据切换为山体状态掩码数据；

29、结合所述涵盖山体监测事项标签和类型滑坡要素的高位山体描述数据和所述自然因数特征集合确定风险预警等级；

30、将所述山体状态掩码数据和所述风险预警等级输入所述初始线程中进行训练，得到训练后的所述高位山体滑坡灾害数据预警线程。

31、在本技术中，所述结合所述涵盖山体监测事项标签和类型滑坡要素的高位山体描述数据和所述自然因数特征集合确定风险预警等级，包括：

32、通过山体状态数据压缩单元抽取出所述自然因数特征集合的山体状态描述数据；

33、通过事件压缩单元从所述涵盖山体监测事项标签和类型滑坡要素的高位山体描述数据中抽取出滑坡要素信息；

34、将所述山体状态描述数据和所述滑坡要素信息进行特征抽取处理，得到特征抽取处理后的所述山体状态描述数据，并将特征抽取处理后的所述山体状态描述数据确定为目标自然因数特征信息；

35、通过所述事件压缩单元从所述涵盖山体监测事项标签和类型滑坡要素的高位山体描述数据中抽取出描述特征；

36、将所述滑坡要素信息、所述目标自然因数特征信息和所述描述特征进行融合，以得到所述风险预警等级。

37、在本技术中，所述将所述山体状态掩码数据和所述风险预警等级输入所述初始线程中进行训练，得到训练后的所述高位山体滑坡灾害数据预警线程，包括：

38、对所述山体状态掩码数据添加干扰，得到加噪数据；

39、将所述风险预警等级和所述加噪数据输入所述初始线程中进行干扰分析，得到预测干扰，直至结合所述预测干扰确定的预测可信指标满足预设预测要求时终止训练，以得到训练后的所述高位山体滑坡灾害数据预警线程。

40、在本技术中，所述结合所述滑坡要素信息对所述自然因数特征信息进行优化，得到目标自然因数特征信息，包括：

41、通过高位山体滑坡灾害数据预警线程对所述滑坡要素信息和所述自然因数特征信息进行特征抽取处理，得到所述目标自然因数特征信息；

42、所述结合所述高位山体描述数据和所述目标自然因数特征信息进行滑坡灾害评估，得到评估结果，包括：

43、结合所述高位山体描述数据，获得范例山体状态数据；

44、通过高位山体滑坡灾害数据预警线程对所述范例山体状态数据、所述高位山体描述数据和所述目标自然因数特征信息进行高位山体滑坡灾害数据预警处理，得到目标山体状态数据。

45、第二方面，提供一种基于人工智能的高位山体滑坡灾害的评估系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

46、本技术实施例所提供的基于人工智能的高位山体滑坡灾害的评估方法及系统 ，通过响应于高位山体滑坡灾害数据预警指令，获得高位山体描述数据；基于高位山体描述数据中携带的目标山体监测事项的山体监测事项标签，从数据库中搜寻目标山体监测事项的滑坡要素信息和自然因数特征信息；基于滑坡要素信息对自然因数特征信息进行优化，得到目标自然因数特征信息，并基于高位山体描述数据和目标自然因数特征信息进行滑坡灾害评估，得到评估结果。由于数据库中预先记录了待优化的各目标山体监测事项的滑坡要素信息和自然因数特征信息，可以基于高位山体描述数据中携带的目标山体监测事项的山体监测事项标签，直接从数据库中搜寻目标山体监测事项的滑坡要素信息和自然因数特征信息，并基于滑坡要素信息对自然因数特征信息进行优化，从而可以快速的得到更为精确的目标自然因数特征信息，进而基于高位山体描述数据和目标自然因数特征信息生成的目标山体状态数据也更为精确，从而能够保障高位山体滑坡灾害进行评估的准确性和可靠性。