CN119398148A 基于知识图谱和表示学习的滑坡空间预测方法 （福州大学）

基于知识图谱和表示学习的滑坡空间预测本发明提出基于知识图谱和表示学习的滑加权图构造，基于Louvain算法的等量正负滑坡采样以及基于GraphSAGE模型的图谱结构特征学2成顾及时空特征和机理知识的滑坡灾害领域知识建模，在此基础上从多源数据中抽取实所述预测单元模式中的tile是滑坡空间预测的对象，将实验区划分成M*N个的网格单所述滑坡灾害模式中的landslide_hazard是实验区历史滑坡灾害事所述模型方法模式中的prediction_model是用于滑坡空间预测任务的各种模型方法，所述成灾机理模式孕灾环境，分析影响条件要素的相互作用及其所述地质条件的定义域包括地层岩性和地质构造；所述地层岩性所述气象水文的定义域包括降雨、水系分布和地形湿度指数；所述所述人类活动的定义域包括土地利用和道路建设；所述土地利用和道路3所述基于ComplEx模型的图谱语义特征学习所述基于滑坡易发性知识图谱的有向加权图构造首先，通过频率比模型FR定量计算滑坡发生和各类别影响条件要4对于空间相邻关系，设计边属性值为1，即Edge(Adjacent)=1,后续通过模型训练进行u所述基于Louvain算法的等量正负滑坡采样从图结构视角出发，基于Louvain算法综合考虑不同预测单元之间地理相似关联的拓i和所述基于GraphSAGE模型的图谱结构特征学习具体为：将正负滑坡样本数据集和有向加权图作为模型输入，基于训练好的GraphSAGE模型更新预测单元的节点嵌入向量表示，通过10.根据权利要求9所述的基于知识图谱和表示学习的滑坡空间预测方法，其特征在5由于每个节点u的自关联已经被添加到图中，聚合邻域特征后的就是节点新特征啮"=o(w"-⃞+b)(公式11)6为知识驱动和数据驱动两种方法。知识驱动的力学机理模型虽然能够实现较为精确的模灾害与DEM数据的拟合模型转化为语义推理规则，实现了基于规则推理的滑坡空间预测。训练知识图谱表示学习模型(KRL)捕获知识图谱中的语义信息，基于链路预测算法实现稀7提高复杂异质环境下对多样化滑坡和非滑坡特征的归纳学[0008](3)现有基于知识图谱进行滑坡空间预测的方法，局限在基于人工定义规则的知领域知识图谱；在此基础上，引入知识图谱表示学习模型(ComplEx)和图神经网络模型[0016]所述预测单元模式中的tile是滑坡空间预测的对象，将实验区划分成M*N个的网8[0018]所述模型方法模式中的prediction_model是用于滑坡空间预测任务的各种模型9[0041]式中，FR(Value)表示各类别影响条件要素对滑坡的影响的重要性程度，当FR素在某分类区间内出现的滑坡tile数量，F为类别要素在某分类区间内所有滑坡所占的[0053]从图结构视角出发，基于Louvain算法综合考虑不同预测单元之间地理相似关联衡正负样本数量以及各类预测单元典型的滑坡和非滑据集和有向加权图作为模型输入，基于训练好的GraphSAGE模型更新预测单元的节点嵌入[0058]在节点邻居的选择上，对每个节点u完整邻域集(u)进行采样，获取邻居节点特[0061]由于每个节点u的自关联已经被添加到图中，聚合邻域特征后的就是节点新[0065](1)本发明系统梳理了滑坡灾害领域知识，表达不同条件影响要素及其与滑坡之条件要素和预测单元以及其他影响条件要素之间的相互作用，通过图神经网络模型[0074]本发明提出一种基于知识图谱和表示学习的滑坡空间预测方法，基于遥感影像、平衡典型正负滑坡样本的数据集；再引入GraphSAGE图神经网络模型，深入学习图结构信[0079](1)基于ComplEx模型的图谱语义特征学习。基于ComplEx知识图谱表示学习模型对归纳滑坡易发性更有意义的图结构，将实体节点的嵌入表示向量结果作为图的节点特[0081](3)基于Louvain算法的等量正负滑坡采样。基于Louvain算法将实验区域划分成[0089]模型方法模式中的prediction_model是滑坡空间预测任主要包括随机森林、支持向量机、极端梯度提升、多层感知机以及图神经网络五类模型，[0098]考虑到知识图谱中的知识是基于对象表达的，GeoJSON文件则是采用基于特征对理三元组可实现对“孕灾环境、诱发因素、承灾体”三者之间的record_10682,hasTriggerFactor,rainfall)，(landslide__record_10682,境三元组和预测单元三元组，可以获取对不同预测单元的环境描述，例如(x_217031y_坡点频繁成灾的多个时间节点及其先后顺序，把握滑坡灾害事件的时间演化规律，例如(landslide_record_10682,hasLandslideTime,2004_7_18)和(landslide_record_10683,[0104]滑坡易发性知识图谱中存在许多非对称关系。本发明采用ComplEx知识图谱表示(Frequencyratiomodel，FR)可以定量计算滑坡发生和各类别影响条件要素之间空间变[0111]式中，FR(Value)表示各类别影响条件要素对滑坡的影响的重要性程度，当FR素在某分类区间内出现的滑坡tile数量，F为类别要素在某分类区间内所有滑坡所占的or1)(公式5)(DimensionallyExtended9_IntersectionModel,DE_9IM)，构建两个几何图形的内部、边关联强度最高的前8个节点单元建立地理相似关系，并将地理相似性强度作为相似关系的表示hasSimilar关系边的属性值。i和kj分别是节点i和j的度(即连接到该节点边的数量)，W是网络中所有边的总权重之i[0126]将正负滑坡样本数据集和有向加权图作为模型输入，基于训练好的GraphSAGE模信息聚合时，将各类关联关系的边属性值Edge"作为消息传递的权重，设计加权平均聚合聚合后邻域特征后的就是节点新特征",结合自身特征信息和当前节点的邻域特征清单数据组成的区域数据集和领域相关先验知识库。基于前述提出知识图谱构建的方法，[0135]基于前述提出的基于知识图谱和表示学习的滑坡空间预测方法对xx县进行滑坡险。采用自然间断法划分滑坡易发性等级，一共包括五个等级：极低易发性(Verylowsusceptibility)、低易发性(Lowsusceptibility)、中易发性(Moderatesusceptibility)、高易发性(Highsusceptibility)、极高易发性(Veryhighsusceptibility)，并统计各级易发区在实验区面积占比和历史滑坡落入各等级易发区的面积占比，约占实验区面积11.56同时还具有最高历史滑坡分布频率比，这表明Propoesd_model可以更好平衡滑坡的识别能力和估计面积大小，更加适用于滑坡防治管测模型提供了数据和知识接口。结合知识图谱表示学习模型(ComplEx)和图神经网络模型化滑坡和非滑坡特征的归纳学习，并通过节点分类任务实现了更高精度的滑坡空间预测。虑知识图谱