CN118736800B - 基于人工智能的边坡滑坡风险预警方法及系统 - Google Patents

Abstract

本申请提供一种基于人工智能的边坡滑坡风险预警方法及系统，通过精确获取历史滑坡节点的触发路径和滑坡联动值，能够深入揭示边坡内部应力状态和滑坡机理，进而准确评估各边坡区块的潜在滑移危险性。此外，结合基础分布图生成的风险热力分布图和风险分布图，使得滑坡风险的空间分布一目了然，便于快速识别高风险区域，为及时采取防范措施提供了可能。最终，基于风险分布图生成的预警信息，确保了预警的针对性和时效性，有效降低了边坡滑坡灾害的发生概率和灾害损失，保障了人民生命财产的安全。

Description

基于人工智能的边坡滑坡风险预警方法及系统

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能的边坡滑坡风险预警方法及系统。

背景技术

边坡滑坡作为一种常见的地质灾害，对交通、建筑、农田等造成了巨大的威胁，严重影响人民生命财产安全和生态环境。传统的边坡滑坡风险预警方法主要依赖于人工巡查和定性分析，存在效率低、主观性强、预警滞后等问题，难以满足现代工程安全管理的需求。

近年来，随着遥感技术、三维成像技术的快速发展，为边坡滑坡风险的精准预警提供了新的可能。特别是边坡三维影像技术的应用，使得边坡地形地貌、地质结构等信息得以高精度获取，为滑坡风险的量化评估提供了基础数据支持。然而，如何有效利用这些三维影像数据，结合历史滑坡事件的经验教训进行边坡滑坡风险预警，仍是一个亟待解决的问题。

目前，已有一些研究尝试将人工智能算法应用于边坡滑坡风险的预测与预警中，但大多侧重于单一因素的考虑，缺乏系统性的风险评估框架。此外，对于边坡滑坡风险的空间分布特征、滑坡触发机制的深入理解以及不同区域滑坡风险的相互影响等方面的研究仍有待加强。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能的边坡滑坡风险预警方法及系统。

第一方面，本申请提供一种基于人工智能的边坡滑坡风险预警方法，所述方法包括：

获取目标边坡监控区域的边坡三维影像中各历史滑坡节点在滑坡风险平面空间下的历史滑坡触发路径，并获取滑坡风险立体空间下各个所述历史滑坡节点到风险观测平面的滑坡联动值；

获取用于构建边坡滑坡风险分布图的基础分布图；

依据各个所述历史滑坡节点的所述历史滑坡触发路径和所述滑坡联动值，确定所述边坡三维影像的各第一边坡区块的潜在滑移危险性；

依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图；

依据各个所述第一边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内，构建第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图；

基于所述目标边坡监控区域的边坡滑坡风险分布图生成对应的预警信息。

在第一方面的一种可能的实施方式中，所述获取用于构建边坡滑坡风险分布图的基础分布图，包括：

获取待构建边坡滑坡风险分布图的目标精度；

生成具有所述目标精度的、用于构建边坡滑坡风险分布图的基础分布图。

在第一方面的一种可能的实施方式中，所述边坡三维影像由多个滑坡风险区块组成，所述滑坡风险区块的两个界定位置分别为所述边坡三维影像中的第一历史滑坡节点和第二历史滑坡节点；

所述依据各个所述历史滑坡节点的所述历史滑坡触发路径和所述滑坡联动值，确定所述边坡三维影像的各第一边坡区块的潜在滑移危险性，包括：

对于所述边坡三维影像中各个所述滑坡风险区块上的各风险点，分别进行下述步骤，生成所述边坡三维影像的各个所述第一边坡区块的潜在滑移危险性：

获取所述风险点在所述滑坡风险平面空间下的空间位置参数；

将所述空间位置参数和所述第一历史滑坡节点的历史滑坡触发路径输入到预先训练的滑坡联动决策模型，确定所述风险点与所述第一历史滑坡节点之间的第一滑坡联动值；

将所述空间位置参数和所述第二历史滑坡节点的历史滑坡触发路径输入到预先训练的滑坡联动决策模型，确定所述风险点与所述第二历史滑坡节点之间的第二滑坡联动值；

将所述第一滑坡联动值作为所述第一历史滑坡节点到所述风险观测平面的滑坡联动值的第一加权系数，并将所述第二滑坡联动值作为所述第二历史滑坡节点到所述风险观测平面的滑坡联动值的第二加权系数；

依据所述第一加权系数和所述第二加权系数，对所述第一历史滑坡节点到所述风险观测平面的滑坡联动值、以及所述第二历史滑坡节点到所述风险观测平面的滑坡联动值进行融合计算，生成融合计算结果；

将所述融合计算结果作为所述风险点的所述第一边坡区块的潜在滑移危险性。

在第一方面的一种可能的实施方式中，所述边坡三维影像由多个滑坡风险区块组成，所述边坡三维影像包括：经所述历史滑坡节点关联的至少三个滑坡风险区块组合连通生成的复合风险区块，所述复合风险区块的关注节点为所述历史滑坡节点；

所述依据各个所述历史滑坡节点的所述历史滑坡触发路径和所述滑坡联动值，确定所述边坡三维影像的各第一边坡区块的潜在滑移危险性，包括：

将所述复合风险区块划分为至少一个多元风险区块，并针对各个所述多元风险区块，分别进行下述步骤，生成所述边坡三维影像的所述复合风险区块的各个所述第一边坡区块的潜在滑移危险性：

将所述多元风险区块的各个所述关注节点的所述历史滑坡触发路径和所述滑坡联动值，输入到预先训练的潜在滑移危险决策模型，确定所述边坡三维影像的所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性。

在第一方面的一种可能的实施方式中，所述多元风险区块的各个所述关注节点的历史滑坡触发路径通过历史滑坡触发路径参数进行表征；所述将所述多元风险区块的各个所述关注节点的所述历史滑坡触发路径和所述滑坡联动值，输入到预先训练的潜在滑移危险决策模型，确定所述边坡三维影像的所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性，包括：

对于所述多元风险区块的各个所述第一边坡区块，分别进行下述步骤：

获取所述第一边坡区块在所述基础分布图中的边坡区块分布位置；

依据所述边坡区块分布位置、以及所述多元风险区块的各个所述关注节点的历史滑坡触发路径参数，确定所述第一边坡区块对应各个所述关注节点的加权系数，所述加权系数为，所述关注节点到所述风险观测平面的滑坡联动值所对应的加权系数；

依据所述第一边坡区块对应各个所述关注节点的加权系数，对各个所述关注节点到所述风险观测平面的滑坡联动值进行融合计算，生成融合计算结果；

将所述融合计算结果作为所述多元风险区块的所述第一边坡区块的潜在滑移危险性；

其中，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图，包括：

对于所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性，分别进行下述步骤，生成所述滑坡风险热力分布图：

在所述第一边坡区块对应各个所述关注节点的加权系数均不小于0时，依据所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建所述第一边坡区块。

在第一方面的一种可能的实施方式中，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图，包括：

针对各个所述第一边坡区块，分别进行下述步骤，生成所述滑坡风险热力分布图：

确定所述第一边坡区块在所述基础分布图中的待构建分布点，并从所述基础分布图中，确定位于所述待构建分布点的目标边坡区块；

将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性，以在所述基础分布图中构建所述第一边坡区块。

在第一方面的一种可能的实施方式中，所述将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性之前，所述方法还包括：

在所述目标边坡区块处未构建有其它边坡区块时，则执行将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性的步骤；

在所述目标边坡区块处已构建有其它边坡区块时，获取所述目标边坡区块处已构建的所述其它边坡区块的目标潜在滑移危险性；

在所述目标潜在滑移危险性大于所述第一边坡区块的潜在滑移危险性时，则执行将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性的步骤；

所述方法还包括：

在所述目标潜在滑移危险性不大于所述第一边坡区块的潜在滑移危险性时，维持所述目标潜在滑移危险性稳定。

在第一方面的一种可能的实施方式中，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内，构建第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图，包括：

将各个所述第一边坡区块的潜在滑移危险性，向所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内各目标边坡区块进行风险传递，生成各个所述目标边坡区块的潜在滑移危险性；

依据各个所述目标边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中构建各个所述目标边坡区块，并将构建的所述目标边坡区块作为所述第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图。

在第一方面的一种可能的实施方式中，所述风险传递包括X轮风险传递，所述将各个所述第一边坡区块的潜在滑移危险性，向所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内各目标边坡区块进行风险传递，生成各个所述目标边坡区块的潜在滑移危险性，包括：

对于所述X轮风险传递中首轮风险传递，将各个所述第一边坡区块的潜在滑移危险性，向各个所述第一边坡区块的连通边坡区块进行风险传递，生成各个所述第一边坡区块的连通边坡区块的潜在滑移危险性，并将各个所述第一边坡区块的连通边坡区块的潜在滑移危险性作为首轮目标边坡区块的潜在滑移危险性；

对于所述X轮风险传递中第m轮风险传递，将第m-1轮目标边坡区块的潜在滑移危险性，向所述第m-1轮目标边坡区块的连通边坡区块进行风险传递，生成所述第m-1轮目标边坡区块的连通边坡区块的潜在滑移危险性，并将所述第m-1轮目标边坡区块的连通边坡区块的潜在滑移危险性作为第m轮目标边坡区块的潜在滑移危险性；

其中，所述X和所述m为大于0的整数，所述X不小于所述m；

其中，所述将各个所述第一边坡区块的潜在滑移危险性，向各个所述第一边坡区块的连通边坡区块进行风险传递，生成各个所述第一边坡区块的连通边坡区块的潜在滑移危险性，包括：

针对每个被所述第一边坡区块的潜在滑移危险性所传递到的连通边坡区块，确定风险传递到所述连通边坡区块的至少一个目标第一边坡区块，对所述至少一个目标第一边坡区块的潜在滑移危险性进行融合计算，生成所述连通边坡区块的潜在滑移危险性。

第二方面，本申请实施例还提供一种基于人工智能的边坡滑坡风险预警系统，所述基于人工智能的边坡滑坡风险预警系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能的边坡滑坡风险预警方法。

采用以上任意方面的技术方案，通过综合利用边坡三维影像、历史滑坡数据以及人工智能算法，实现了对边坡滑坡风险的精准预警。该方法不仅提高了滑坡风险评估的科学性和准确性，还能够快速生成直观的滑坡风险热力分布图和全面的边坡滑坡风险分布图，为相关部门提供了强有力的决策支持。具体而言，通过精确获取历史滑坡节点的触发路径和滑坡联动值，本方法能够深入揭示边坡内部应力状态和滑坡机理，进而准确评估各边坡区块的潜在滑移危险性。此外，结合基础分布图生成的风险热力分布图和风险分布图，使得滑坡风险的空间分布一目了然，便于快速识别高风险区域，为及时采取防范措施提供了可能。最终，基于风险分布图生成的预警信息，确保了预警的针对性和时效性，有效降低了边坡滑坡灾害的发生概率和灾害损失，保障了人民生命财产的安全。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以结合这些附图获得其它相关的附图。

图1为本申请实施例提供的基于人工智能的边坡滑坡风险预警方法的流程示意图；

图2为本申请实施例提供的用于实现上述的基于人工智能的边坡滑坡风险预警方法的基于人工智能的边坡滑坡风险预警系统的功能结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

参见图1所示，本申请提供一种基于人工智能的边坡滑坡风险预警方法，包括以下步骤。

步骤S110，获取目标边坡监控区域的边坡三维影像中各历史滑坡节点在滑坡风险平面空间下的历史滑坡触发路径，并获取滑坡风险立体空间下各个所述历史滑坡节点到风险观测平面的滑坡联动值。

详细地，所述边坡三维影像是指通过遥感技术、无人机摄影测量、激光雷达扫描（LiDAR）或其他三维成像技术获取的边坡区域的三维数字模型。这种影像提供了边坡的详细三维结构信息，包括地形、地貌、地质构造等。例如，在一个山区边坡监控项目中，使用无人机携带高分辨率相机对边坡进行多角度拍摄，然后通过图像处理软件将这些二维图像拼接成三维模型。这个模型可以清晰地展示边坡的坡度、岩石层理、土壤结构等特征。

所述历史滑坡节点是指在边坡历史滑坡事件中，滑坡发生的起始点或关键点。这些历史滑坡节点通常位于地质条件不稳定、易受外界因素（如降雨、地震）影响的区域。例如，在一次历史滑坡事件中，滑坡从山顶的一处风化严重的岩石层开始，逐渐向下扩展。这个风化严重的岩石层就可以被视为一个历史滑坡节点。

所述滑坡风险平面空间是指边坡在二维平面上的投影，用于分析滑坡在水平面上的扩展路径和范围。例如，在边坡的三维影像中，选择一个合适的观察角度，将边坡投影到一个水平面上，形成滑坡风险平面图。通过分析这个平面图，可以识别出滑坡可能的扩展方向和范围。

所述历史滑坡触发路径是指历史滑坡事件发生时，滑坡体沿特定路径下滑的轨迹。这个路径受多种因素影响，包括地形坡度、地质构造、降雨强度等。例如，在一次滑坡事件中，滑坡体从山顶沿一条特定的倾斜面下滑，经过破碎的岩石层和松软的土壤层，最终到达坡脚。这条下滑的轨迹就是历史滑坡触发路径。

所述滑坡联动值是指某一历史滑坡节点在滑坡发生时，对边坡其他区域产生影响的大小或程度。这个滑坡联动值通常通过复杂的数学模型和地质力学分析得出，综合考虑了地质条件、降雨量、地震活动等多种因素。例如，假设某个历史滑坡节点的滑坡联动值为0.8，意味着当这个节点发生滑坡时，它有可能带动周边区域以0.8的联动强度发生滑坡或变形。

本实施例中，假设服务器正在处理一个位于山区的目标边坡监控区域。该目标边坡监控区域的边坡三维影像已经通过先进的地质监测设备和技术手段获取。在这个边坡三维影像中，服务器识别出了多个历史滑坡节点，比如节点 A、节点 B 和节点 C。

对于节点 A，其在滑坡风险平面空间下的历史滑坡触发路径可能是从山顶的某一位置开始，沿着一条特定的倾斜面逐渐向下延伸，经过一些特定的岩石层和土壤结构。这条历史滑坡触发路径的特征包括坡度、坡面的物质组成、地质构造等因素。

同时，在滑坡风险立体空间下，节点 A 到风险观测平面（例如，设定为坡底的某一水平平面）的滑坡联动值通过复杂的计算得出。这个值综合考虑了节点 A 所在位置的地质条件、降雨量、地震活动等多种因素对滑坡可能性的影响。例如，计算得出节点 A 的滑坡联动值为 0.8（取值范围 0 - 1，值越大表示滑坡风险越高）。

对于节点 B 和节点 C，也采用类似的方法获取其历史滑坡触发路径和滑坡联动值。节点 B 的历史滑坡触发路径可能是从山腰的一处不稳定岩石结构开始，穿过一些破碎的岩层；其滑坡联动值为 0.6。节点 C 的历史滑坡触发路径可能从坡顶的一处风化严重的区域起始，经过一些松软的土壤层；其滑坡联动值为 0.7。

步骤S120，获取用于构建边坡滑坡风险分布图的基础分布图。

详细地，所述基础分布图是指用于构建边坡滑坡风险分布图的初始网格图或空白图。这个基础分布图按照一定的精度要求划分网格，每个网格代表边坡区域的一部分。例如，在构建边坡滑坡风险分布图之前，首先根据目标精度要求（如每平方米）生成一个网格图。假设边坡区域总面积为1000平方米，则生成一个包含1000个网格的基础分布图。

也即，在本实施例中，服务器首先获取待构建边坡滑坡风险分布图的目标精度要求。假设目标精度要求是能够精确到每平方米的风险评估。然后，服务器根据这个目标精度生成相应的基础分布图。这个基础分布图可以是一个空白的网格图，每个网格代表目标边坡监控区域的一平方米。例如，目标边坡监控区域的面积为 1000 平方米，那么生成的基础分布图就是一个 1000 个网格的空白图。每个网格都有其对应的坐标和标识，以便后续在上面构建边坡区块和标注风险信息。

步骤S130，依据各个所述历史滑坡节点的所述历史滑坡触发路径和所述滑坡联动值，确定所述边坡三维影像的各第一边坡区块的潜在滑移危险性，并依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图。

详细地，所述第一边坡区块是指在边坡三维影像中，根据地质条件、历史滑坡事件等因素初步划分的边坡区域。这些第一边坡区块是进一步分析潜在滑移危险性的基础单元。例如，在边坡三维影像中，根据地形变化、地质构造、历史滑坡节点等因素，将边坡划分为若干区块。每个区块包含特定的地质条件和潜在的滑坡风险。所述潜在滑移危险性是指边坡区块在特定条件下发生滑坡的可能性及其可能造成的后果。这个值通过综合考虑多种因素（如地质条件、降雨量、地震活动等）计算得出。例如，通过滑坡联动决策模型和其他地质力学分析方法，计算出某一边坡区块的潜在滑移危险性为0.72。这意味着在特定条件下，该区块有较高概率发生滑坡，并可能带来一定的破坏和损失。

也即，在本实施例中，假设边坡三维影像由多个滑坡风险区块组成，比如区块1、区块2和区块3。对于区块1，服务器首先获取其内部各个风险点的空间位置参数。假设风险点P位于区块1内。将风险点P的空间位置参数和节点A的历史滑坡触发路径输入到预先训练的滑坡联动决策模型。该模型经过分析和计算，确定风险点P与节点A之间的第一滑坡联动值为0.7。同样，将风险点P的空间位置参数和节点B的历史滑坡触发路径输入到模型，确定风险点P与节点B之间的第二滑坡联动值为0.4。然后，将第一滑坡联动值0.7作为节点A到风险观测平面的滑坡联动值0.8的第一加权系数，将第二滑坡联动值0.4作为节点B到风险观测平面的滑坡联动值0.6的第二加权系数。

通过加权计算，即0.8×0.7+0.6×0.4=0.72，生成融合计算结果0.72。将这个结果0.72作为风险点P所在的第一边坡区块1的潜在滑移危险性。

对于区块2和区块3，也采用同样的方法计算其潜在滑移危险性。假设区块2的潜在滑移危险性计算结果为0.65，区块3的潜在滑移危险性计算结果为0.85。

接下来，依据各个第一边坡区块的潜在滑移危险性，在基础分布图中构建各个第一边坡区块。比如，对于区块1，服务器确定其在基础分布图中的待构建分布点，假设是坐标(10,20)到(20,30)的区域。从基础分布图中，确定位于这个区域的目标边坡区块。如果该目标边坡区块处未构建有其它边坡区块，服务器就将计算得到的潜在滑移危险性0.72输出给这个目标边坡区块，从而在基础分布图中构建区块1。

如果目标边坡区块处已构建有其它边坡区块，比如区块4，并且区块4的目标潜在滑移危险性为0.6。由于0.72大于0.6，服务器将0.72输出为区块1的潜在滑移危险性，覆盖原有的0.6。

对于区块2和区块3，也按照同样的方式在基础分布图中进行构建。

完成所有第一边坡区块的构建后，生成滑坡风险热力分布图。在这个图中，不同的潜在滑移危险性用不同的颜色或亮度表示，比如潜在滑移危险性高的区块显示为红色且亮度较高，潜在滑移危险性低的区块显示为蓝色且亮度较低。

步骤S140，依据各个所述第一边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内，构建第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图。

本实施例中，假设第一边坡区块包括区块1、区块2和区块3，其潜在滑移危险性分别为0.72、0.65和0.85。服务器将各个第一边坡区块的潜在滑移危险性向滑坡风险热力分布图中除各个第一边坡区块以外的分布范围内各目标边坡区块进行风险传递。

假设进行3轮风险传递。在首轮风险传递中，将区块1的潜在滑移危险性0.72向其连通边坡区块，比如区块4和区块5进行风险传递。对于区块4，确定风险传递到它的目标第一边坡区块为区块1。对区块1的潜在滑移危险性0.72进行适当的衰减计算（例如乘以一个衰减系数0.8），得到区块4的潜在滑移危险性为0.576。同样，计算得到区块5的潜在滑移危险性为0.6。首轮风险传递完成后，首轮目标边坡区块的潜在滑移危险性确定为区块4的0.576和区块5的0.6。在第二轮风险传递中，将首轮目标边坡区块4的潜在滑移危险性0.576向其连通边坡区块，比如区块6进行风险传递。经过计算，区块6的潜在滑移危险性为0.46。在第三轮风险传递中，不再有新的目标边坡区块产生，风险传递结束。

依据各个目标边坡区块（如区块4、区块5、区块6等）的潜在滑移危险性，在滑坡风险热力分布图中构建各个目标边坡区块，并将构建的目标边坡区块作为第二边坡区块，最终生成目标边坡监控区域的边坡滑坡风险分布图。

步骤S150，基于所述目标边坡监控区域的边坡滑坡风险分布图生成对应的预警信息。

本实施例中，服务器根据生成的边坡滑坡风险分布图进行分析。如果在边坡滑坡风险分布图中，发现有部分区域的潜在滑移危险性极高（例如大于0.9），服务器生成高级别预警信息，提醒相关部门立即采取紧急措施，如疏散周边居民、设置警示标识等。

如果有一些区域的潜在滑移危险性较高（例如在0.7-0.9之间），生成中级别预警信息，建议加强监测频率，准备相关应急物资。对于潜在滑移危险性较低（例如小于0.7）的区域，生成低级别预警信息，保持正常监测即可。预警信息中包括具体的危险区域位置、潜在滑移危险性的数值、建议采取的措施等详细内容，以便相关部门和人员能够及时、准确地做出应对。

基于以上步骤，本申请实施例通过综合利用边坡三维影像、历史滑坡数据以及人工智能算法，实现了对边坡滑坡风险的精准预警。该方法不仅提高了滑坡风险评估的科学性和准确性，还能够快速生成直观的滑坡风险热力分布图和全面的边坡滑坡风险分布图，为相关部门提供了强有力的决策支持。具体而言，通过精确获取历史滑坡节点的触发路径和滑坡联动值，本方法能够深入揭示边坡内部应力状态和滑坡机理，进而准确评估各边坡区块的潜在滑移危险性。此外，结合基础分布图生成的风险热力分布图和风险分布图，使得滑坡风险的空间分布一目了然，便于快速识别高风险区域，为及时采取防范措施提供了可能。最终，基于风险分布图生成的预警信息，确保了预警的针对性和时效性，有效降低了边坡滑坡灾害的发生概率和灾害损失，保障了人民生命财产的安全。

在一种可能的实施方式中，步骤S120包括：

步骤S121，获取待构建边坡滑坡风险分布图的目标精度。

步骤S122，生成具有所述目标精度的、用于构建边坡滑坡风险分布图的基础分布图。

本实施例中，服务器接收到构建一个特定边坡区域滑坡风险分布图的任务。首先，服务器获取待构建边坡滑坡风险分布图的目标精度。例如，相关部门要求此次构建的边坡滑坡风险分布图的目标精度为能够精确到每5平方米的区域评估。获取到这一目标精度要求后，服务器开始生成基础分布图。服务器根据目标精度将边坡区域划分为相应大小的网格。对于这个例子，服务器会将边坡区域按照每5平方米划分一个网格。假设这个边坡区域的总面积为500平方米，那么服务器生成的基础分布图就是一个由100个5平方米大小的网格组成的图表。每个网格都有其独特的标识符和坐标，以便后续进行数据的填充和处理。在生成基础分布图的过程中，服务器同时为每个网格建立相应的数据存储结构，用于记录后续计算和分析得出的潜在滑移危险性等信息。

通过以上步骤，生成了具有指定目标精度的、用于构建边坡滑坡风险分布图的基础分布图，为后续的风险评估和分布图构建工作做好了准备。

在一种可能的实施方式中，所述边坡三维影像由多个滑坡风险区块组成，所述滑坡风险区块的两个界定位置分别为所述边坡三维影像中的第一历史滑坡节点和第二历史滑坡节点。

步骤S130包括：

对于所述边坡三维影像中各个所述滑坡风险区块上的各风险点，分别进行下述步骤，生成所述边坡三维影像的各个所述第一边坡区块的潜在滑移危险性：

步骤S131，获取所述风险点在所述滑坡风险平面空间下的空间位置参数。

步骤S132，将所述空间位置参数和所述第一历史滑坡节点的历史滑坡触发路径输入到预先训练的滑坡联动决策模型，确定所述风险点与所述第一历史滑坡节点之间的第一滑坡联动值。

步骤S133，将所述空间位置参数和所述第二历史滑坡节点的历史滑坡触发路径输入到预先训练的滑坡联动决策模型，确定所述风险点与所述第二历史滑坡节点之间的第二滑坡联动值。

步骤S134，将所述第一滑坡联动值作为所述第一历史滑坡节点到所述风险观测平面的滑坡联动值的第一加权系数，并将所述第二滑坡联动值作为所述第二历史滑坡节点到所述风险观测平面的滑坡联动值的第二加权系数。

步骤S135，依据所述第一加权系数和所述第二加权系数，对所述第一历史滑坡节点到所述风险观测平面的滑坡联动值、以及所述第二历史滑坡节点到所述风险观测平面的滑坡联动值进行融合计算，生成融合计算结果。

步骤S136，将所述融合计算结果作为所述风险点的所述第一边坡区块的潜在滑移危险性。

本实施例中，假设服务器正在处理一个复杂的山区目标边坡监控区域，该区域的边坡三维影像已经通过高精度的地质监测设备和先进的成像技术准确获取。在这个边坡三维影像中，确定了多个滑坡风险区块，比如区块Z。

区块Z的两个界定位置分别是第一历史滑坡节点D和第二历史滑坡节点E。

在区块Z内存在多个风险点，比如风险点Q。

服务器首先获取风险点Q在滑坡风险平面空间下的空间位置参数，这些参数详细描述了风险点Q的坐标、所处的坡度、坡面的倾斜方向等信息。

接着，服务器将风险点Q的空间位置参数和第一历史滑坡节点D的历史滑坡触发路径输入到预先训练的滑坡联动决策模型。这个模型内部包含了大量关于滑坡特征和规律的数据，经过复杂的计算和分析，确定了风险点Q与第一历史滑坡节点D之间的第一滑坡联动值。假设这个值为0.6。

然后，服务器又将风险点Q的空间位置参数和第二历史滑坡节点E的历史滑坡触发路径输入到同一个滑坡联动决策模型，确定了风险点Q与第二历史滑坡节点E之间的第二滑坡联动值。假设这个值为0.4。

服务器将第一滑坡联动值0.6作为第一历史滑坡节点D到风险观测平面的滑坡联动值0.7的第一加权系数，将第二滑坡联动值0.4作为第二历史滑坡节点E到风险观测平面的滑坡联动值0.5的第二加权系数。

接下来，依据这些加权系数进行融合计算。具体计算方式为：0.7×0.6+0.5×0.4=0.58。

服务器将这个融合计算结果0.58作为风险点Q所在的第一边坡区块Z的潜在滑移危险性。

对于区块Z内的其他风险点，比如风险点R和风险点S，服务器也按照相同的步骤进行处理。

对于风险点R，获取其空间位置参数后，分别与第一历史滑坡节点D和第二历史滑坡节点E的历史滑坡触发路径输入到滑坡联动决策模型，得到与节点D的第一滑坡联动值为0.7，与节点E的第二滑坡联动值为0.3。

以同样的方式确定加权系数，第一历史滑坡节点D的加权系数为0.7，第二历史滑坡节点E的加权系数为0.3。

融合计算：0.7×0.7+0.5×0.3=0.64，将0.64作为风险点R所在的第一边坡区块Z的潜在滑移危险性。

对于风险点S，假设与节点D的第一滑坡联动值为0.5，与节点E的第二滑坡联动值为0.5。

加权系数分别为0.5，融合计算：0.7×0.5+0.5×0.5=0.6，将0.6作为风险点S所在的第一边坡区块Z的潜在滑移危险性。

通过对区块Z内的各个风险点进行这样的处理，服务器就能够确定整个区块Z的潜在滑移危险性。

对于其他的滑坡风险区块，如区块X和区块Y，服务器也重复上述的步骤。

在区块X中，假设存在风险点T、U、V。

对于风险点T，与第一历史滑坡节点F和第二历史滑坡节点G计算得到的联动值分别为0.8和0.2，加权融合计算后得到潜在滑移危险性为0.7。

对于风险点U，联动值分别为0.4和0.6，加权融合计算后潜在滑移危险性为0.5。

对于风险点V，联动值分别为0.7和0.3，加权融合计算后潜在滑移危险性为0.6。

在区块Y中，假设风险点W、X、Y分别计算得到的潜在滑移危险性为0.8、0.4、0.7。

服务器通过对所有滑坡风险区块内的风险点进行这样详细和精确的计算，最终确定了边坡三维影像中各个第一边坡区块的潜在滑移危险性。

这样的计算过程充分考虑了每个风险点与不同历史滑坡节点之间的关系，以及各个历史滑坡节点本身的滑坡联动值，从而能够更加准确和全面地评估每个第一边坡区块的潜在滑移危险性，为后续的边坡滑坡风险评估和预警提供了重要的数据基础。

后续，服务器可以依据这些潜在滑移危险性，在基础分布图中构建相应的区块，生成滑坡风险热力分布图，并进一步进行风险传递和构建边坡滑坡风险分布图，最终生成准确而有效的预警信息，以保障山区居民的生命财产安全和相关设施的正常运行。

在一种可能的实施方式中，所述边坡三维影像由多个滑坡风险区块组成，所述边坡三维影像包括：经所述历史滑坡节点关联的至少三个滑坡风险区块组合连通生成的复合风险区块，所述复合风险区块的关注节点为所述历史滑坡节点。

步骤S130包括：

步骤A110，将所述复合风险区块划分为至少一个多元风险区块，并针对各个所述多元风险区块，分别进行下述步骤，生成所述边坡三维影像的所述复合风险区块的各个所述第一边坡区块的潜在滑移危险性：

步骤A120，将所述多元风险区块的各个所述关注节点的所述历史滑坡触发路径和所述滑坡联动值，输入到预先训练的潜在滑移危险决策模型，确定所述边坡三维影像的所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性。

假设服务器正在处理一个大型的山区边坡监控区域，该山区边坡监控区域的边坡三维影像显示存在多个相互关联的滑坡风险区块。其中，有一个复合风险区块是由三个滑坡风险区块（分别标记为区块A、区块B和区块C）通过历史滑坡节点相互连通而形成的。这个复合风险区块的关注节点为历史滑坡节点H、I和J。

服务器首先将这个复合风险区块划分为两个多元风险区块，分别标记为多元风险区块1和多元风险区块2。对于多元风险区块1，其包含的关注节点为历史滑坡节点H和I。

服务器获取历史滑坡节点H的历史滑坡触发路径（例如从山顶的某一陡峭坡面开始，经过特定的岩石裂缝）以及其滑坡联动值（假设为0.7），同时获取历史滑坡节点I的历史滑坡触发路径（例如从山腰的某一风化岩层开始，延伸至山脚）以及其滑坡联动值（假设为0.6）。

然后，将这些历史滑坡触发路径和滑坡联动值输入到预先训练的潜在滑移危险决策模型。该潜在滑移危险决策模型经过运算和分析，综合考虑了节点H和节点I的位置、触发路径的特征、滑坡联动值以及多元风险区块1内的地质条件等多种因素，最终确定多元风险区块1对应的第一边坡区块的潜在滑移危险性为0.65。

对于多元风险区块2，其包含的关注节点为历史滑坡节点I和J。

服务器同样获取历史滑坡节点I的历史滑坡触发路径和滑坡联动值（前面已获取），以及历史滑坡节点J的历史滑坡触发路径（例如从坡顶的某一松软土壤区域开始，顺着坡面滑落）和其滑坡联动值（假设为0.8）。

将这些数据输入到潜在滑移危险决策模型后，经过模型的计算和分析，确定多元风险区块2对应的第一边坡区块的潜在滑移危险性为0.72。

通过对复合风险区块进行这样的划分和分析，服务器能够准确地确定各个多元风险区块对应的第一边坡区块的潜在滑移危险性，为后续生成准确的边坡滑坡风险分布图和预警信息提供了重要的数据支持。

其中，所述滑坡联动决策模型的输入数据主要包括：

风险点的空间位置参数：描述了边坡上特定风险点的三维坐标或其他位置信息。

历史滑坡节点的历史滑坡触发路径：这是滑坡发生时，滑坡体沿特定路径下滑的轨迹，通常包括滑坡的起始点、路径长度、方向、坡度变化等信息。

所述滑坡联动决策模型的训练过程包括：

首先，从历史滑坡事件中收集滑坡触发路径数据和对应的风险点位置数据。然后，从滑坡触发路径数据中提取有用特征，如路径长度、坡度变化率、地质条件变化等。同时，将风险点的空间位置参数转换为模型可接受的格式。根据问题特性选择合适的机器学习或深度学习模型。由于滑坡联动值通常与滑坡触发路径的特征和风险点的位置密切相关，因此可以使用神经网络（如全连接网络、卷积神经网络等）来捕捉这种关系。将提取的特征和对应的滑坡联动值作为训练数据输入到模型中，通过反向传播算法调整模型参数，以最小化预测滑坡联动值与实际滑坡联动值之间的误差。最后，使用验证集评估模型性能，根据评估结果调整模型结构和超参数，直到达到满意的性能。

进一步地，所述潜在滑移危险决策模型的输入数据主要包括：

多元风险区块内关注节点的历史滑坡触发路径：这是滑坡发生时，多元风险区块内各关注节点对应的滑坡触发路径。

滑坡联动值：描述了各关注节点在滑坡发生时对其他区域的影响程度。

所述潜在滑移危险决策模型的训练过程包括：

从历史滑坡事件中收集多元风险区块内关注节点的滑坡触发路径和对应的滑坡联动值。对数据进行清洗、标准化等预处理操作。从滑坡触发路径中提取有用特征，并考虑滑坡联动值作为输入特征之一。同时，可能需要将多元风险区块划分为更小的单元（如网格或区块），以便对每个单元进行单独的潜在滑移危险性评估。选择合适的机器学习或深度学习模型来捕捉滑坡触发路径、滑坡联动值与潜在滑移危险性之间的关系。由于这个问题涉及空间特征和多个输入源（如多个关注节点的滑坡触发路径和联动值），因此可能需要使用更复杂的模型结构，如图神经网络（GNN）或结合卷积神经网络（CNN）和循环神经网络（RNN）的混合模型。将处理后的特征和对应的潜在滑移危险性作为训练数据输入到模型中，通过反向传播算法或其他优化算法调整模型参数。使用验证集评估模型性能，并根据评估结果调整模型结构和超参数。由于这个问题涉及多个输入源和复杂的空间关系，因此可能需要多次迭代调优才能达到满意的性能。

在一种可能的实施方式中，所述多元风险区块的各个所述关注节点的历史滑坡触发路径通过历史滑坡触发路径参数进行表征。步骤A120包括：

对于所述多元风险区块的各个所述第一边坡区块，分别进行下述步骤：

步骤A121，获取所述第一边坡区块在所述基础分布图中的边坡区块分布位置。

步骤A122，依据所述边坡区块分布位置、以及所述多元风险区块的各个所述关注节点的历史滑坡触发路径参数，确定所述第一边坡区块对应各个所述关注节点的加权系数，所述加权系数为，所述关注节点到所述风险观测平面的滑坡联动值所对应的加权系数。

步骤A123，依据所述第一边坡区块对应各个所述关注节点的加权系数，对各个所述关注节点到所述风险观测平面的滑坡联动值进行融合计算，生成融合计算结果。

步骤A124，将所述融合计算结果作为所述多元风险区块的所述第一边坡区块的潜在滑移危险性。

假设服务器正在处理一个包含多个多元风险区块的边坡监控区域。其中一个多元风险区块记为多元风险区块M，它包含三个关注节点，分别是关注节点K、L和M。

服务器首先获取多元风险区块M中的一个第一边坡区块，比如第一边坡区块N。

服务器获取第一边坡区块N在基础分布图中的边坡区块分布位置。假设其坐标范围是从(x1,y1)到(x2,y2)。

然后，服务器依据这个边坡区块分布位置，以及多元风险区块M中各个关注节点的历史滑坡触发路径参数来确定第一边坡区块N对应各个关注节点的加权系数。

关注节点K的历史滑坡触发路径参数表明，其对处于当前位置的第一边坡区块N的影响较大。综合考虑后，确定第一边坡区块N对应关注节点K到风险观测平面的滑坡联动值的加权系数为0.4。

关注节点L的历史滑坡触发路径参数显示，其对第一边坡区块N的影响相对较小，确定第一边坡区块N对应关注节点L的加权系数为0.3。

关注节点M的历史滑坡触发路径参数表明，其对第一边坡区块N有一定影响，确定第一边坡区块N对应关注节点M的加权系数为0.3。

关注节点K到风险观测平面的滑坡联动值为0.7，关注节点L的滑坡联动值为0.6，关注节点M的滑坡联动值为0.8。

服务器依据第一边坡区块N对应各个关注节点的加权系数，对各个关注节点到风险观测平面的滑坡联动值进行融合计算。

计算过程为：0.7×0.4+0.6×0.3+0.8×0.3=0.68。

服务器将这个融合计算结果0.68作为多元风险区块M中第一边坡区块N的潜在滑移危险性。

对于多元风险区块M中的其他第一边坡区块，比如第一边坡区块P和第一边坡区块Q，服务器也按照相同的步骤进行处理。

对于第一边坡区块P，确定其在基础分布图中的边坡区块分布位置后，根据关注节点的历史滑坡触发路径参数，分别确定对应关注节点K、L和M的加权系数为0.3、0.4和0.3。

各关注节点的滑坡联动值不变，进行融合计算：0.7×0.3+0.6×0.4+0.8×0.3=0.69，将0.69作为第一边坡区块P的潜在滑移危险性。

对于第一边坡区块Q，假设确定的对应加权系数为0.5、0.2和0.3，融合计算：0.7×0.5+0.6×0.2+0.8×0.3=0.71，将0.71作为第一边坡区块Q的潜在滑移危险性。

由此，能够准确地确定多元风险区块M中各个第一边坡区块的潜在滑移危险性，为后续生成准确可靠的边坡滑坡风险分布图和预警信息提供有力支持。

其中，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图，包括：

对于所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性，分别进行下述步骤，生成所述滑坡风险热力分布图：在所述第一边坡区块对应各个所述关注节点的加权系数均不小于0时，依据所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建所述第一边坡区块。

假设服务器正在处理一个包含多个多元风险区块的边坡监控区域，其中一个多元风险区块记为多元风险区块X。

多元风险区块X中包含多个第一边坡区块，例如第一边坡区块Y和第一边坡区块Z。

服务器首先确定第一边坡区块Y对应各个关注节点的加权系数。假设关注节点分别为节点A、节点B和节点C，对应的加权系数分别为0.3、0.4和0.3。由于这些加权系数均不小于0，服务器会依据第一边坡区块Y的潜在滑移危险性在基础分布图中构建该区块。

假设第一边坡区块Y的潜在滑移危险性被计算为0.7。服务器在基础分布图中找到对应的位置，将第一边坡区块Y以特定的标识或颜色填充，以表示其潜在滑移危险性为0.7。

接下来处理第一边坡区块Z。确定其对应关注节点（例如节点D、节点E和节点F）的加权系数分别为0.2、0.3和0.5，同样均不小于0。

假设第一边坡区块Z的潜在滑移危险性为0.6，服务器在基础分布图中对应的位置构建第一边坡区块Z，使用与第一边坡区块Y不同的标识或颜色来表示其潜在滑移危险性为0.6。

服务器对多元风险区块X中的其他第一边坡区块也按照相同的方式进行处理。通过这样的操作，逐步在基础分布图中构建出所有满足条件（加权系数均不小于0）的第一边坡区块，最终生成能够直观反映边坡潜在滑移危险性分布的滑坡风险热力分布图。

在一种可能的实施方式中，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图，包括：

针对各个所述第一边坡区块，分别进行下述步骤，生成所述滑坡风险热力分布图：确定所述第一边坡区块在所述基础分布图中的待构建分布点，并从所述基础分布图中，确定位于所述待构建分布点的目标边坡区块。将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性，以在所述基础分布图中构建所述第一边坡区块。

本实施例中，假设服务器正在处理一个复杂的边坡监控区域，已经计算出了多个第一边坡区块的潜在滑移危险性。

比如有一个第一边坡区块 A ，服务器首先确定第一边坡区块 A 在基础分布图中的待构建分布点。假设通过计算和定位，确定其待构建分布点是基础分布图中坐标范围从(100, 200) 到 (150, 250) 的区域。

然后，服务器从基础分布图中查找位于这个待构建分布点的目标边坡区块。经过搜索和比对，发现位于该区域的是目标边坡区块 B 。

接下来，服务器将目标边坡区块 B 的潜在滑移危险性输出为第一边坡区块 A 的潜在滑移危险性。假设目标边坡区块 B 的潜在滑移危险性为 0.8 ，那么这个 0.8 就被确定为第一边坡区块 A 的潜在滑移危险性。

服务器按照这样的方式处理其他的第一边坡区块。

例如，对于第一边坡区块 C ，确定其在基础分布图中的待构建分布点为坐标范围从 (300, 400) 到 (350, 450) 的区域，查找到位于此区域的目标边坡区块 D ，假设目标边坡区块 D 的潜在滑移危险性为 0.6 ，则将 0.6 输出为第一边坡区块 C 的潜在滑移危险性，并在基础分布图中构建第一边坡区块 C 。

通过对每个第一边坡区块都进行这样的处理，服务器逐步在基础分布图中完成所有第一边坡区块的构建，最终生成能够清晰展示各边坡区块潜在滑移危险性的滑坡风险热力分布图。

在一种可能的实施方式中，所述将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性之前，所述方法还包括：

步骤B110，在所述目标边坡区块处未构建有其它边坡区块时，则执行将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性的步骤。

步骤B120，在所述目标边坡区块处已构建有其它边坡区块时，获取所述目标边坡区块处已构建的所述其它边坡区块的目标潜在滑移危险性。

步骤B130，在所述目标潜在滑移危险性大于所述第一边坡区块的潜在滑移危险性时，则执行将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性的步骤。

其中，在所述目标潜在滑移危险性不大于所述第一边坡区块的潜在滑移危险性时，维持所述目标潜在滑移危险性稳定。

本实施例中，假设服务器正在处理一个边坡监控区域的多个第一边坡区块。

对于一个特定的第一边坡区块E，服务器首先确定其在基础分布图中的待构建分布点。假设这个待构建分布点对应的是目标边坡区块F。

服务器检查目标边坡区块F处的情况。如果目标边坡区块F处未构建有其它边坡区块，那么服务器直接将目标边坡区块F的潜在滑移危险性输出为第一边坡区块E的潜在滑移危险性，并在基础分布图中构建第一边坡区块E。

如果目标边坡区块F处已经构建有其它边坡区块，比如已经存在边坡区块G。服务器就获取边坡区块G的目标潜在滑移危险性。假设第一边坡区块E的潜在滑移危险性是0.7，而边坡区块G的目标潜在滑移危险性是0.8。由于0.8大于0.7，服务器执行将目标边坡区块F的潜在滑移危险性（即0.8）输出为第一边坡区块E的潜在滑移危险性的步骤，并在基础分布图中构建第一边坡区块E。

再比如对于另一个第一边坡区块H，其对应的目标边坡区块I处已构建有边坡区块J。假设第一边坡区块H的潜在滑移危险性是0.9，而边坡区块J的目标潜在滑移危险性是0.8。由于0.9大于0.8，此时服务器不改变边坡区块J的目标潜在滑移危险性，维持其稳定，仍将0.9作为第一边坡区块H的潜在滑移危险性在基础分布图中进行构建。

服务器对每个第一边坡区块都按照这样的规则进行处理，以确保在基础分布图中准确地构建各个边坡区块，并合理地确定它们的潜在滑移危险性。

在一种可能的实施方式中，步骤S140包括：

步骤S141，将各个所述第一边坡区块的潜在滑移危险性，向所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内各目标边坡区块进行风险传递，生成各个所述目标边坡区块的潜在滑移危险性。

步骤S142，依据各个所述目标边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中构建各个所述目标边坡区块，并将构建的所述目标边坡区块作为所述第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图。

本实施例中，假设服务器已经生成了包含多个第一边坡区块的滑坡风险热力分布图，例如第一边坡区块 A 的潜在滑移危险性为 0.8，第一边坡区块 B 的潜在滑移危险性为 0.7，第一边坡区块 C 的潜在滑移危险性为 0.9 。

服务器首先将第一边坡区块 A 的潜在滑移危险性 0.8 向滑坡风险热力分布图中除第一边坡区块 A 以外的分布范围内各目标边坡区块进行风险传递。假设与第一边坡区块 A 相邻的目标边坡区块 D 和 E 受到风险传递。服务器根据预设的风险传递算法，对0.8 进行适当的衰减，比如衰减为 0.6 传递给目标边坡区块 D ，衰减为 0.5 传递给目标边坡区块 E 。

同样，将第一边坡区块 B 的潜在滑移危险性 0.7 传递给相邻的目标边坡区块 F和 G ，分别衰减为 0.4 和 0.3 。

将第一边坡区块 C 的潜在滑移危险性 0.9 传递给相邻的目标边坡区块 H 和 I，衰减为 0.7 和 0.6 。

这样就生成了目标边坡区块 D、E、F、G、H、I 的潜在滑移危险性。

接下来，服务器依据各个目标边坡区块的潜在滑移危险性，在滑坡风险热力分布图中构建这些目标边坡区块。

对于目标边坡区块 D ，其潜在滑移危险性为 0.6 ，服务器在图中对应的位置构建该区块，并将其标记为第二边坡区块。

对于目标边坡区块 E ，潜在滑移危险性为 0.5 ，同样在相应位置构建并标记为第二边坡区块。

对目标边坡区块 F、G、H、I 也按照其各自的潜在滑移危险性进行构建和标记。

通过以上步骤，最终生成了目标边坡监控区域的完整的边坡滑坡风险分布图，清晰地展示了整个区域的潜在滑坡风险分布情况。

在一种可能的实施方式中，所述风险传递包括X轮风险传递，步骤S141包括：

步骤S1411，对于所述X轮风险传递中首轮风险传递，将各个所述第一边坡区块的潜在滑移危险性，向各个所述第一边坡区块的连通边坡区块进行风险传递，生成各个所述第一边坡区块的连通边坡区块的潜在滑移危险性，并将各个所述第一边坡区块的连通边坡区块的潜在滑移危险性作为首轮目标边坡区块的潜在滑移危险性。

步骤S1412，对于所述X轮风险传递中第m轮风险传递，将第m-1轮目标边坡区块的潜在滑移危险性，向所述第m-1轮目标边坡区块的连通边坡区块进行风险传递，生成所述第m-1轮目标边坡区块的连通边坡区块的潜在滑移危险性，并将所述第m-1轮目标边坡区块的连通边坡区块的潜在滑移危险性作为第m轮目标边坡区块的潜在滑移危险性。

其中，所述X和所述m为大于0的整数，所述X不小于所述m。

本实施例中，假设服务器正在处理一个边坡监控区域，已确定有三个第一边坡区块，分别是第一边坡区块P潜在滑移危险性为0.8，第一边坡区块Q潜在滑移危险性为0.7，第一边坡区块R潜在滑移危险性为0.9。设定风险传递共进行3轮，即X=3。

首轮风险传递：

服务器将第一边坡区块P的潜在滑移危险性0.8向其连通边坡区块，比如连通边坡区块S和T进行风险传递。假设对0.8进行一定比例的衰减，衰减为0.6传递给连通边坡区块S，衰减为0.5传递给连通边坡区块T。

将第一边坡区块Q的潜在滑移危险性0.7向其连通边坡区块U和V传递，分别衰减为0.4和0.3传递。

将第一边坡区块R的潜在滑移危险性0.9向其连通边坡区块W和X传递，分别衰减为0.7和0.6传递。

连通边坡区块S、T、U、V、W、X的潜在滑移危险性生成，这些连通边坡区块成为首轮目标边坡区块，其潜在滑移危险性分别为0.6、0.5、0.4、0.3、0.7、0.6。

第二轮风险传递（m=2）：

服务器将首轮目标边坡区块S的潜在滑移危险性0.6向其连通边坡区块，比如连通边坡区块Y和Z进行风险传递，分别衰减为0.4和0.3传递。

将首轮目标边坡区块T的潜在滑移危险性0.5向其连通边坡区块A和B传递，分别衰减为0.3和0.2传递。

以此类推，对首轮目标边坡区块U、V、W、X也进行同样的处理。

连通边坡区块Y、Z、A、B等的潜在滑移危险性生成，这些连通边坡区块成为第二轮目标边坡区块，其潜在滑移危险性分别为0.4、0.3、0.3、0.2等。

第三轮风险传递（m=3）：

服务器继续按照上述方式进行风险传递和潜在滑移危险性的生成，直到不再有新的连通边坡区块或者达到预设的传递轮数结束。

通过这样的多轮风险传递，服务器能够更全面地评估整个边坡监控区域的潜在滑坡风险，为生成准确的边坡滑坡风险分布图提供更丰富和准确的数据支持。

其中，步骤S1411包括：针对每个被所述第一边坡区块的潜在滑移危险性所传递到的连通边坡区块，确定风险传递到所述连通边坡区块的至少一个目标第一边坡区块，对所述至少一个目标第一边坡区块的潜在滑移危险性进行融合计算，生成所述连通边坡区块的潜在滑移危险性。

本实施例中，假设在一个边坡监控区域中，有三个第一边坡区块，分别是第一边坡区块M潜在滑移危险性为0.8，第一边坡区块N潜在滑移危险性为0.7，第一边坡区块O潜在滑移危险性为0.9。存在一些与这三个第一边坡区块相连通的边坡区块。比如，连通边坡区块P同时受到第一边坡区块M和N的潜在滑移危险性的传递。

服务器确定风险传递到连通边坡区块P的目标第一边坡区块为M和N。然后，对这两个目标第一边坡区块的潜在滑移危险性进行融合计算。假设采用简单的平均计算方法，先对M和N的潜在滑移危险性进行加权，由于M的潜在滑移危险性较高，权重设为0.6，N的权重设为0.4。则融合计算为：0.8×0.6+0.7×0.4=0.76，生成连通边坡区块P的潜在滑移危险性为0.76。

再比如，连通边坡区块Q受到第一边坡区块N和O的潜在滑移危险性的传递。服务器确定风险传递到连通边坡区块Q的目标第一边坡区块为N和O。同样进行加权融合计算，假设N的权重为0.4，O的权重为0.6。计算为：0.7×0.4+0.9×0.6=0.82，生成连通边坡区块Q的潜在滑移危险性为0.82。

对于其他被第一边坡区块的潜在滑移危险性所传递到的连通边坡区块，服务器都按照类似的方式确定目标第一边坡区块，并进行融合计算，从而生成每个连通边坡区块准确的潜在滑移危险性。

进一步地，图2示出了一种用于实现本申请实施例所提供的方法的基于人工智能的边坡滑坡风险预警系统100的硬件结构示意图。如图2所示，所述基于人工智能的边坡滑坡风险预警系统100包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、音频单元116、显示单元117以及射频单元118。

所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、音频单元116、显示单元117以及射频单元118各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

其中，所述存储器111可以是，但不限于，随机存取存储器（Random AccessMemory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（ProgrammableRead-Only Memory，PROM），可擦除只读存储器（Erasable Programmable Read-OnlyMemory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-OnlyMemory，EEPROM）等。其中，存储器111用于存储应用程序210，所述处理器113在接收到执行指令后，执行所述应用程序210。所述处理器113以及其它可能的组件对存储器111的访问可在所述存储控制器112的控制下进行。

所述处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器（DSP)）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口114将各种输入/输出装置耦合至所述处理器113以及所述存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其它一些实例中，它们可以分别由独立的芯片实现。

所述输入输出单元115用于提供给用户输入数据实现用户与所述基于人工智能的边坡滑坡风险预警系统100的交互。所述输入输出单元115可以是，但不限于，鼠标和键盘等。

所述音频单元116向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

所述显示单元117在所述基于人工智能的边坡滑坡风险预警系统100与用户之间提供一个交互界面（例如用户操作界面）或用于显示图像数据。在本实施例中，所述显示单元117可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。

所述射频单元118用于接收以及发送无线电波信号（如电磁波），实现无线电波与电信号的相互转换，从而实现所述基于人工智能的边坡滑坡风险预警系统100与网络或者其它通信设备之间的通信。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本申请实施例特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以依据不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本申请实施例中的各个实施例均依据递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于以上不同实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，上述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

Claims (6)

1.一种基于人工智能的边坡滑坡风险预警方法，其特征在于，所述方法包括：

获取目标边坡监控区域的边坡三维影像中各历史滑坡节点在滑坡风险平面空间下的历史滑坡触发路径，并获取滑坡风险立体空间下各个所述历史滑坡节点到风险观测平面的滑坡联动值，所述滑坡联动值是指单独历史滑坡节点在滑坡发生时，对边坡其他区域产生影响的大小或程度，所述滑坡联动值通过数学模型和地质力学分析得出，综合考虑了地质条件、降雨量、地震活动的因素；

获取用于构建边坡滑坡风险分布图的基础分布图；

依据各个所述历史滑坡节点的所述历史滑坡触发路径和所述滑坡联动值，确定所述边坡三维影像的各第一边坡区块的潜在滑移危险性，所述第一边坡区块是指在边坡三维影像中根据地质条件和历史滑坡事件因素初步划分的边坡区域；

依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图；

依据各个所述第一边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内，构建第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图；

基于所述目标边坡监控区域的边坡滑坡风险分布图生成对应的预警信息；

所述边坡三维影像由多个滑坡风险区块组成，所述边坡三维影像包括：经所述历史滑坡节点关联的至少三个滑坡风险区块组合连通生成的复合风险区块，所述复合风险区块的关注节点为所述历史滑坡节点；

所述依据各个所述历史滑坡节点的所述历史滑坡触发路径和所述滑坡联动值，确定所述边坡三维影像的各第一边坡区块的潜在滑移危险性，包括：

将所述复合风险区块划分为至少一个多元风险区块，并针对各个所述多元风险区块，分别进行下述步骤，生成所述边坡三维影像的所述复合风险区块的各个所述第一边坡区块的潜在滑移危险性：

将所述多元风险区块的各个所述关注节点的所述历史滑坡触发路径和所述滑坡联动值，输入到预先训练的潜在滑移危险决策模型，确定所述边坡三维影像的所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性；

所述多元风险区块的各个所述关注节点的历史滑坡触发路径通过历史滑坡触发路径参数进行表征；所述将所述多元风险区块的各个所述关注节点的所述历史滑坡触发路径和所述滑坡联动值，输入到预先训练的潜在滑移危险决策模型，确定所述边坡三维影像的所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性，包括：

对于所述多元风险区块的各个所述第一边坡区块，分别进行下述步骤：

获取所述第一边坡区块在所述基础分布图中的边坡区块分布位置；

依据所述边坡区块分布位置、以及所述多元风险区块的各个所述关注节点的历史滑坡触发路径参数，确定所述第一边坡区块对应各个所述关注节点的加权系数，所述加权系数为，所述关注节点到所述风险观测平面的滑坡联动值所对应的加权系数；

依据所述第一边坡区块对应各个所述关注节点的加权系数，对各个所述关注节点到所述风险观测平面的滑坡联动值进行融合计算，生成融合计算结果；

将所述融合计算结果作为所述多元风险区块的所述第一边坡区块的潜在滑移危险性；

其中，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图，包括：

对于所述多元风险区块的各个所述第一边坡区块的潜在滑移危险性，分别进行下述步骤，生成所述滑坡风险热力分布图：

在所述第一边坡区块对应各个所述关注节点的加权系数均不小于0时，依据所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建所述第一边坡区块；

所述依据各个所述第一边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内，构建第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图，包括：

将各个所述第一边坡区块的潜在滑移危险性，向所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内各目标边坡区块进行风险传递，生成各个所述目标边坡区块的潜在滑移危险性；

依据各个所述目标边坡区块的潜在滑移危险性，在所述滑坡风险热力分布图中构建各个所述目标边坡区块，并将构建的所述目标边坡区块作为所述第二边坡区块，生成所述目标边坡监控区域的边坡滑坡风险分布图。

2.根据权利要求1所述的基于人工智能的边坡滑坡风险预警方法，其特征在于，所述获取用于构建边坡滑坡风险分布图的基础分布图，包括：

获取待构建边坡滑坡风险分布图的目标精度；

生成具有所述目标精度的、用于构建边坡滑坡风险分布图的基础分布图。

3.根据权利要求1所述的基于人工智能的边坡滑坡风险预警方法，其特征在于，所述依据各个所述第一边坡区块的潜在滑移危险性，在所述基础分布图中构建各个所述第一边坡区块，生成滑坡风险热力分布图，包括：

针对各个所述第一边坡区块，分别进行下述步骤，生成所述滑坡风险热力分布图：

确定所述第一边坡区块在所述基础分布图中的待构建分布点，并从所述基础分布图中，确定位于所述待构建分布点的目标边坡区块；

将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性，以在所述基础分布图中构建所述第一边坡区块。

4.根据权利要求3所述的基于人工智能的边坡滑坡风险预警方法，其特征在于，所述将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性之前，所述方法还包括：

在所述目标边坡区块处未构建有其它边坡区块时，则执行将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性的步骤；

在所述目标边坡区块处已构建有其它边坡区块时，获取所述目标边坡区块处已构建的所述其它边坡区块的目标潜在滑移危险性；

在所述目标潜在滑移危险性大于所述第一边坡区块的潜在滑移危险性时，则执行将所述目标边坡区块的潜在滑移危险性，输出为所述第一边坡区块的潜在滑移危险性的步骤；

所述方法还包括：

在所述目标潜在滑移危险性不大于所述第一边坡区块的潜在滑移危险性时，维持所述目标潜在滑移危险性稳定。

5.根据权利要求1所述的基于人工智能的边坡滑坡风险预警方法，其特征在于，所述风险传递包括X轮风险传递，所述将各个所述第一边坡区块的潜在滑移危险性，向所述滑坡风险热力分布图中除各个所述第一边坡区块以外的分布范围内各目标边坡区块进行风险传递，生成各个所述目标边坡区块的潜在滑移危险性，包括：

对于所述X轮风险传递中首轮风险传递，将各个所述第一边坡区块的潜在滑移危险性，向各个所述第一边坡区块的连通边坡区块进行风险传递，生成各个所述第一边坡区块的连通边坡区块的潜在滑移危险性，并将各个所述第一边坡区块的连通边坡区块的潜在滑移危险性作为首轮目标边坡区块的潜在滑移危险性；

对于所述X轮风险传递中第m轮风险传递，将第m-1轮目标边坡区块的潜在滑移危险性，向所述第m-1轮目标边坡区块的连通边坡区块进行风险传递，生成所述第m-1轮目标边坡区块的连通边坡区块的潜在滑移危险性，并将所述第m-1轮目标边坡区块的连通边坡区块的潜在滑移危险性作为第m轮目标边坡区块的潜在滑移危险性；

其中，所述X和所述m为大于0的整数，所述X不小于所述m；

其中，所述将各个所述第一边坡区块的潜在滑移危险性，向各个所述第一边坡区块的连通边坡区块进行风险传递，生成各个所述第一边坡区块的连通边坡区块的潜在滑移危险性，包括：

针对每个被所述第一边坡区块的潜在滑移危险性所传递到的连通边坡区块，确定风险传递到所述连通边坡区块的至少一个目标第一边坡区块，对所述至少一个目标第一边坡区块的潜在滑移危险性进行融合计算，生成所述连通边坡区块的潜在滑移危险性。

6.一种基于人工智能的边坡滑坡风险预警系统，其特征在于，所述基于人工智能的边坡滑坡风险预警系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-5中任意一项所述的基于人工智能的边坡滑坡风险预警方法。