[发明专利]基于RBFN机器学习的降雨型地质灾害预警预报模型及学习方法

说明书

本发明公开了一种基于RBFN机器学习的降雨型地质灾害预警预报模型及其学习方法，属一种地质灾害监测技术，该模型包括输入层、隐含层与输出层，所述输入层为向量x＝(x₁,x₂)，其中x₁为土壤雨量指数，x₂为小时雨量；所述输出层为标量RBFN值；隐含层由m个径向基函数构成；隐含层组成的数组运算单位为隐含层节点，它包含一个中心向量c，与输入层参数向量x具有相同维数。以降雨为灾害发生的主要诱因，以降雨量和实际已发生灾害为先验事件，构建了降雨型地质灾害预警和预报模型。模型采用径向基函数网络的RBFN模型，将以往有量纲的降雨量硬阈值，通过引入土壤雨量指数和机器学习算法改进为无量纲的软阈值进行预警单元分级，避免了过去主观和统计方法确定阈值的弊端。

技术领域

本发明涉及一种地质灾害监测技术，更具体的说，本发明主要涉及一种基于RBFN机器学习的降雨型地质灾害预警预报模型及其学习方法。

背景技术

我国是世界上地质灾害最为严重的国家之一，其中降雨诱发的地质灾害频率最高，分布最广，危害最严重。目前对于降雨型地质灾害的研究方法主要集中在两大类方法上：一是统计分析方法，此类方法通过收集历史降雨数据和灾害发生情况，进行统计对比分析，从而得到地质灾害和降雨之间的关系；二是机理分析方法，此类方法主要采用物理学水文学方法，分析降雨入渗以后斜坡体内的水-岩(土)力学反应(包括静水压力、动水压力及非饱和土的基质吸力)和物理化学反应等对斜坡稳定性的影响。以上两种方法各有特色和不足之处，统计方法简单模型预测精度不够，复杂模型需要参数较多，不易获得，且应用效果不尽人意；而机理分析方法多数都是基于理想的本构模型，其简化的理想模型不能反映滑坡的真实状态。

发明内容

本发明的目的之一在于针对上述不足，提供一种基于RBFN机器学习的降雨型地质灾害预警预报模型，以期望解决现有技术中常规统计方法中假设的主观因素，统计方法简单模型预测精度不够，复杂模型需要参数较多且不易获得等技术问题。

为解决上述的技术问题，本发明采用以下技术方案：

本发明一方面提供了一种基于RBFN机器学习的降雨型地质灾害预警预报模型，所述的模型包括输入层、隐含层与输出层，所述输入层为向量x＝(x₁,x₂)，其中x₁为土壤雨量指数，x₂为小时雨量；所述输出层为标量RBFN值；隐含层由m个径向基函数构成；所述隐含层组成的数组运算单位为隐含层节点，它包含一个中心向量c，与输入层参数向量x具有相同维数，隐含层的径向基函数由下式得到的高斯基函数：

上式中，σ_j为正数，高斯基函数的半径；c_j为基底函数的中心点；m是隐含层的节点数量，具体大小根据学习样本点的空间分布决定；||·||为2范数，由内积运算导出，网络输出由下式进行计算：

上式中，O(x)为输出值，即RBFN值；w_j为第j层输出层的权值。

作为优选，进一步的技术方案是：所述土壤雨量指数土壤的含水量采用三段式Tank模型描述，其值为三个Tank中数值的合计值，Tank1为地表水的流入和流出，Tank2为地表渗透层流入和流出，Tank3为地下水的流入和流出，模型参数的各个Tank流量q有如下的关系式：

q₁(t)＝α₁(S₁(t)-L₁)+α₂(S₁(t)-L₂)

q₂(t)＝α₃(S₂(t)-L₃)