滑坡形变预测方法、系统、终端设备及存储介质与流程

1.本技术属于数据处理技术领域，尤其涉及一种滑坡形变预测方法、系统、终端设备及计算机可读存储介质。


背景技术：

2.滑坡灾害是一种危害较大且易频繁发生的地质灾害，针对滑坡形变的安全监测以及稳定性分析引起了国内外众多学者的关注和研究。滑坡地质灾害的发生常常受多种因素的影响，具有季节性、突发性、蠕变性等特征，相比于其他地质灾害，河道滑坡地质灾害受时空多变要素影响，往往表现出强非线性、强复杂性等特点，从而导致河道滑坡阶段性变形、局部失稳等现象。针对河道滑坡形变的全方位研究需要建立在多源数据获取以及相关信息提取和数据分析的基础上。目前针对河道滑坡形变的研究由于如数据源有限、获取数据难度大、速度更新慢、更新周期长等问题的存在，无法满足大范围内对河道滑坡动态监测、预警和评估需求。
3.获取多源数据及其对多源数据进行快速处理、多监测点数据融合等技术手段是当前河道滑坡安全监测和滑坡形变预测的有效手段和技术难点。然而目前在河道滑坡形变预测过程中，会采用不同的数据融合结构和算法进行滑坡位移特征信息的提取，然而在分析过程中
4.对滑坡形变的运动模型进行建模时均会将其理想化为线性运动模型，在对滑坡体的监测数据进行数据融合时，线性化的运动模型不可避免的会降低数据融合精度和可靠性，导致在对滑坡体的形变预测时存在预测准确度低的问题。


技术实现要素：

5.本技术实施例提供了一种滑坡形变预测方法、系统、终端设备及计算机可读存储介质，解决了目前对滑坡体的滑坡形变预测时存在预测准确度低的问题。
6.第一方面，本技术实施例提供了一种滑坡形变预测方法，包括：
7.调用滑坡体的非线性运动模型；
8.获取滑坡体的观测数据，所述观测数据由多个监测点传感器采集得到；
9.将所述观测数据基于信息跟踪滤波算法进行数据融合，以预测出目标时刻的滑坡体的滑坡形变。
10.在第一方面的一种实现方式中，在调用第一时序模型根据上游历史水文数据预测当月上游水文信息之前，包括：
11.所述将所述观测数据基于信息跟踪滤波算法进行数据融合，以预测出目标时刻的滑坡体的滑坡形变，包括：
12.根据当前时刻的观测数据计算目标时刻的监测点状态预估值；
13.获取与目标时刻的监测点状态预估值对应的一步预报信息矩阵；
14.根据一步预测信息矩阵和观测转移矩阵确定目标时刻的监测点的滤波信息矩阵；
15.根据目标时刻的监测点的滤波信息矩阵确定信息增益矩阵；
16.根据当前时刻的观测数据和信息增益矩阵预测得到目标时刻的滑坡体的滑坡形变预测值。
17.在第一方面的一种实现方式中，所述将所述观测数据基于信息跟踪滤波算法进行数据融合，以预测出目标时刻的滑坡体的滑坡形变之后，还包括：
18.根据相邻监测点的观测数据对目标时刻的滑坡体的滑坡形变进行修正，得到目标时刻的滑坡体的目标滑坡形变。
19.在第一方面的一种实现方式中，在所述调用第二时序模型根据下游历史水文数据和所述当月上游水文信息，预测当月下游水文信息之前，还包括：
20.对获取到的观测数据进行预处理。
21.在第一方面的一种实现方式中，所述根据相邻监测点的观测数据对目标时刻的滑坡体的滑坡形变进行修正，得到目标时刻的滑坡体的目标滑坡形变，包括：
22.获取相邻监测点相对目标监测点的相对观测信息；
23.融合相邻监测点相对目标监测点的相对观测信息和目标时刻的滑坡体的滑坡形变，得到目标监测点的目标时刻的目标滑坡形变。
24.在第一方面的一种实现方式中，所述获取相邻监测点相对目标监测点的相对观测信息，包括：
25.根据运动模型确定目标监测点与相邻监测点的位置关系；
26.根据目标监测点与相邻监测点的位置关系确定目标监测点与相邻监测点的状态估计关系；
27.根据目标监测点与相邻监测点的状态估计关系确定相邻监测点相对目标监测点的相对观测信息。
28.在第一方面的一种实现方式中，当所述目标监测点存在多个相邻监测点时，所述融合相邻监测点相对目标监测点的相对观测信息和目标时刻的滑坡体的滑坡形变，得到目标监测点的目标时刻的目标滑坡形变，包括：
29.融合多个相对状态估计值和目标监测点的目标时刻的滑坡体的滑坡形变，得到目标监测点的目标时刻的目标滑坡形变。
30.第二方面，本技术实施例提供了一种滑坡形变预测系统，包括：
31.调用单元，用于调用滑坡体的非线性运动模型；
32.获取单元，用于获取滑坡体的观测数据，所述观测数据由多个监测点传感器采集得到；
33.预测单元，用于将所述观测数据基于信息跟踪滤波算法进行数据融合，以预测出目标时刻的滑坡体的滑坡形变。
34.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的滑坡形变预测方法的步骤。
35.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的滑坡形变预测方法的步骤。
36.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备可执行上述第一方面中任一项所述的滑坡形变预测方法。
37.本技术实施例与现有技术相比存在的有益效果是：
38.本技术实施例提供的一种滑坡形变预测方法，通过调用非线性的运行学模型，并基于信息跟踪滤波算法将监测点的多个监测点传感器采集到的数据进行融合，能够准确地预测出滑坡体在目标时刻的滑坡形变，有效提高了滑坡形变预测准确度，解决了目前在对滑坡体的形变预测时存在预测准确度低的问题。
附图说明
39.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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，还可以根据这些附图获得其他的附图。
40.图1是本技术一实施例提供的滑坡形变预测方法的应用场景示意图；
41.图2是本技术一实施例提供的一种滑坡形变预测方法的实现流程示意图；
42.图3示出本技术一实施例提供的另一种滑坡形变预测方法的实现流程示意图；
43.图4示出本技术一实施例提供的目标监测点与相邻监测点的位置关系示意图；
44.图5示出本技术一实施例提供的滑坡形变预测系统的结构示意图；
45.图6是本技术一实施例提供的终端设备的结构示意图。
具体实施方式
46.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
47.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
48.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
49.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0050]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0051]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0052]
目前在进行滑坡形变预测时，通常会通过卡尔曼滤波算法对多个传感器采集到的数据进行融合，采用信号与噪声的状态空间模型，利用前一刻的估计值和当前时刻的观测值进行预测更新，进而预测出当前时刻的状态估计值。针对卡尔曼滤波状态估计时需要准确已知噪声信息的缺点，引入衰减记忆因子，采用自适应衰减记忆卡尔曼滤波(adaptive fading memory kalman filtering,，afmkf)来降低噪声的影响，针对衰减记忆因子的不确定性，在afmkf算法的基础上提出了一种基于高精度观测值约束的自适应衰减记忆卡尔曼滤波算法(adaptive fading memory kalman filtering with high-precision observation constraints,afmkf with hpoc),然后对滑坡体的监测数据进行数据融合，从而整体反应滑坡体的形变特征，然而该方法在对滑坡形变进行建模时，将滑坡形变的运动模型理想化为线性运动模型，在对滑坡体的监测数据进行数据融合时，线性化的运动模型不可避免的会降低数据融合精度和可靠性。
[0053]
基于此，本技术实施例提供了一种滑坡形变预测方法、系统、终端设备及计算机可读存储介质，通过调用非线性的运行学模型，并基于信息跟踪滤波算法将监测点的多个监测点传感器采集到的数据进行融合，能够准确地预测出滑坡体在目标时刻的滑坡形变，有效提高了滑坡形变预测准确度，解决了目前在对滑坡体的形变预测时存在预测准确度低的问题。
[0054]
以下将结合附图对本技术实施例提供的滑坡形变预测方法进行示例性说明：
[0055]
请参阅图1，图1是本技术一实施例提供的滑坡形变预测方法的实现场景示意图。如图1所示，滑坡形变预测方法的执行主体可以是图1中的终端设备10，上述终端设备10与监测点传感器设备20通信连接，终端设备10可以与多个监测点的监测点传感器设备20连接，每个监测点可以设置多个监测点传感器20。监测点的位置可以根据实际滑坡体的监测需求进行设置，监测点中的多个监测点传感器20的位置也同样可以根据实际滑坡体的检测需求进行设置，本技术在此不加以限制。
[0056]
在本技术实施例中，上述监测点传感器20用于获取对滑坡体的观测数据。上述终端设备10用于基于监测点传感器20获取到的滑坡体的观测数据进行多源数据融合，并基于构建的非线性的运动模型预测出滑坡体的滑坡形变。
[0057]
在本技术实施例中，上述终端设备可以是电脑、手机、平板电脑、台式电脑、智能可穿戴设备等电子设备。
[0058]
需要说明的是，上述的应用场景仅为方便理解所作的示例，可以理解的是，本技术实施例不仅局限于上述应用场景，例如可以将上述终端设备替换为服务器，由服务器执行本技术实施例提供的滑坡形变预测方法，上述服务器可以是传统服务器，也可以是云服务器，在此不作具体限定。
[0059]
下面将对本技术实施例提供的滑坡形变预测方法进行详细说明，在本技术实施例中上述滑坡形变预测方法的执行主体可以上述终端设备。
[0060]
请参阅图2，图2示出了本技术实施例提供的一种滑坡形变预测方法的实现流程示意图。如图2所示，本技术一实施例提供的滑坡形变预测方法可以包括s11～s13，详述如下：
[0061]
s11：调用滑坡体的非线性运动模型。
[0062]
在本技术实施例中，通过对河道滑坡的诱发条件和变形特征进行分析后，能够构建出滑坡体的非线性运动模型，并将构建出的滑坡体的非线性运动模型配置在终端设备中，在需要进行滑坡形变预测时，就能够调用出与需要进行预测的滑坡体对应的滑坡体的非线性运动模型，以便进行后续数据融合及滑坡形变预测。
[0063]
需要说明的是，如果存在多个不同的滑坡体需要分析，还可以根据不同滑坡体的变形特征对构建的非线性运动模型进行调整，得到适合该滑坡体的变形特征的非线性运动模型。
[0064]
在具体应用中，当存在多个不同的滑坡体需要预测滑坡形变时，可以根据滑坡体调用出对应的非线性运动模型，以便进行后续数据融合和滑坡形变预测。
[0065]
在具体应用中，构建的滑坡体的非线性运动模型如下：
[0066][0067]
其中，x(k)表示在k时刻河道滑坡的状态向量，其中，xe(k)表示的是河道滑坡的东向位置，xn(k)表示的是河道滑坡的北向位置，表示河道滑坡的东向速度，表示河道滑坡的北向速度。f(*)为滑坡体状态的非线性演变函数。zi(k)∈rm表示第i个河道滑坡监测点传感器获得的观测数据，其中i＝1,2,3,...,m，m为河道滑坡监测点传感器的个数，m为大于等于1的正整数。hi(k)是zi(k)相应的观测转移矩阵，w(k-1)表示预测过程噪声向量，vi(k)表示观测噪声向量。
[0068]
s12：获取滑坡体的观测数据，所述观测数据由多个监测点传感器采集得到。
[0069]
在具体实现中，终端设备可以实时获取监测点传感器采集到的观测数据，每个观测数据都是对应该监测点传感器的位置。
[0070]
在具体实现中，可以为监测点的多个监测点传感器进行编号，使得终端设备在获取滑坡体的观测数据时能够确定出哪个数据是哪个监测点传感器采集得到的。
[0071]
在本技术一实施例中，在s12之后还可以包括以下步骤：
[0072]
对获取到的观测数据进行预处理。
[0073]
在本技术实施例中，上述预处理可以包括但不限于去噪处理、异常点去除处理等。
[0074]
s13：将所述观测数据基于信息跟踪滤波算法进行数据融合，以预测出目标时刻的滑坡体的滑坡形变。
[0075]
在本技术实施例中，上述信息跟踪滤波算法是本技术实施例基于滑坡体的非线性运动模型提出数据融合算法，能够基于多个监测点传感器采集到的观测数据进行多源数据融合，并预测出目标时刻的滑坡体的滑坡形变。
[0076]
在具体应用中，根据s11的介绍可以确定了滑坡体的非线性运动模型，基于该非线性运动模型定义河道滑坡监测点的增广矩阵。上述河道滑坡监测点的增广矩阵表示为：
[0077]
[0078]
因此，z(k)＝h(k)x(k) v(k)。
[0079]
在不是一般性的前提下，设定预测过程噪声向量w(k-1)和观测噪声向量v(k)为零均值高斯白噪声序列，并将其协方差矩阵分别表示为：
[0080][0081]
即q(k)为预测过程噪声向量的协方差矩阵，r(k)为观测噪声向量的协方差矩阵。
[0082]
基于此，上述s13可以包括以下步骤：
[0083]
根据当前时刻的观测数据计算目标时刻的监测点状态预估值；
[0084]
获取与目标时刻的监测点状态预估值对应的一步预报信息矩阵；
[0085]
根据一步预测信息矩阵和观测转移矩阵确定目标时刻的监测点的滤波信息矩阵；
[0086]
根据目标时刻的监测点的滤波信息矩阵确定信息增益矩阵；
[0087]
根据当前时刻的观测数据和信息增益矩阵预测得到目标时刻的滑坡体的滑坡形变预测值。
[0088]
在本技术实施例中，将当前时刻的观测数据表示为那么目标时刻的监测点状态预估值可以表示为：
[0089][0090]
其中，
[0091]
与目标时刻的监测点状态预估值对应的一步预报信息矩阵可以表示为：
[0092]
if(k|k-1)＝(p-1
(k|k-1) q(k-1))-1
；
[0093]
其中，p(k-1|k-1)为河道滑坡形变的估计误差协方差，q(k-1)是指当前时刻的预测过程噪声向量的协方差矩阵，其中：
[0094]
γ(k)＝max(1,γ0)；
[0095][0096]
u(k)＝g0(k)-h(k)q(k)h
t
(k)-βr(k)；
[0097][0098][0099]
其中，tra()表示矩阵的迹数，ρ代表遗忘因子，β≥1表示为弱化因子，遗忘因子ρ和弱化因子β可以根据经验值进行选取，本技术对此不加以限制。
[0100]
目标时刻的监测点的滤波信息矩阵可以表示为：
[0101]
if(k|k)＝if(k|k-1) h
t
(k)r-1
(k)。
[0102]
信息增益矩阵可以表示为：
[0103]
k(k|k)＝if(k|k)h
t
(k)r-1
(k)。
[0104]
目标时刻的滑坡体的滑坡形变预测值表示为：
[0105][0106]
其中，
[0107]
以上可以看出，本技术实施例提供的滑坡形变预测方法，通过调用非线性的运行学模型，并基于信息跟踪滤波算法将监测点的多个监测点传感器采集到的数据进行融合，能够准确地预测出滑坡体在目标时刻的滑坡形变，有效提高了滑坡形变预测准确度，解决了目前在对滑坡体的形变预测时存在预测准确度低的问题。
[0108]
请参阅图3，图3示出了本技术另一实施例提供的滑坡形变预测方法的实现流程示意图。如图3所示，区别于上一实施例，本技术实施例提供的滑坡形变预测方法还包括以下步骤：
[0109]
s14：根据相邻监测点的观测数据对目标时刻的滑坡体的滑坡形变进行修正，得到目标时刻的滑坡体的目标滑坡形变。
[0110]
在本技术实施例中，为了进一步提高滑坡体的滑坡形变预测准确度，还可以引入相邻监测点的观测数据对s13预测得到的目标时刻的滑坡体的滑坡形变进行修正，即将相邻监测点的观测数据一同融入到该滑坡体的滑坡形变的预测中，以得到最终的目标时刻的滑坡体的目标滑坡形变。
[0111]
在本技术一实施例中，上述s14可以包括：
[0112]
获取相邻监测点相对目标监测点的相对观测信息；
[0113]
融合相邻监测点相对目标监测点的相对观测信息和目标时刻的滑坡体的滑坡形变，得到目标监测点的目标时刻的目标滑坡形变。
[0114]
请参阅图4，图4示出了目标监测点与相邻监测点的位置关系示意图，如图4所示，假设在目标时刻，目标监测点i可以存在g个相邻监测点(例如图4中的t1、t2、t3、t4)，在分析目标监测点i在目标时刻的滑坡形变时，可以引入相邻监测点t1、相邻监测点t2、相邻监测点t3、相邻监测点t4的观测数据来进行修正，以提高预测的准确度。
[0115]
在具体应用中，以第i个相邻监测点为例，目标监测点与第i个相邻监测点的连接关系可以参见图4。目标监测点与第i个相邻监测点的径向距离αi(k)和方向角βi(k)可以通常测量来确定。
[0116]
通过测量，可以得到如下测量方程：
[0117][0118]
其中，分别表示目标监测点与第i个相邻监测点的径向距离和方向角，分别表示径向距离的观测噪声向量和方向角的观测噪声向量。
[0119]
在本技术一实施例中，上述获取相邻监测点相对目标监测点的相对观测信息可以包括以下步骤：
[0120]
根据运动模型确定目标监测点与相邻监测点的位置关系；
[0121]
根据目标监测点与相邻监测点的位置关系确定目标监测点与相邻监测点的状态估计关系；
[0122]
根据目标监测点与相邻监测点的状态估计关系确定相邻监测点相对目标监测点的相对观测信息。
[0123]
基于此，可以根据s11中的运动模型确定出目标监测点与第i个相邻监测点的位置关系为：
[0124][0125]
其中，分别为第i个相邻监测点的北向位置和东向位置。
[0126]
再基于目标监测点与第i个相邻监测点的径向距离和方向角的测量值建立目标监测点与第i个相邻监测点的状态估计关系的方程：
[0127][0128]
其中，表示为的状态估计值，表示对应的观测噪声。
[0129]
因此，可以获得目标监测点的相对测量信息，目标监测点的相对测量信息表达式如下：
[0130][0131]
其中，
[0132]
在实际应用中，可以将上述目标监测点的相对测量信息表示为：
[0133]
yi(k)＝hi(k)x(k) ψi(k)；
[0134]
其中，
[0135]
目标监测点存在g个相邻监测点，因此也有g个相对测量信息，将g个相邻监测点的相对状态估计值表示为将g个相邻监测点的滤波信息矩阵表示为{ii(k|k),i＝1,2,
…
,g}，通过融合g个相对状态估计值和目标监测点的目标时刻的滑坡体的滑坡形变就能够得到目标监测点的目标时刻的目标滑坡形变。
[0136]
目标监测点的目标时刻的目标滑坡形变可以表示为：
[0137][0138]
其中，
[0139]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0140]
以上可以看出，本技术实施例提供的滑坡形变预测方法，通过融合多个监测点的状态预测值来确定出目标监测点的目标时刻的目标滑坡形变，能够有效提高滑坡形变的预
测准确率。
[0141]
对应于上文实施例所述的一种滑坡形变预测方法，图5示出了本技术一实施例提供的滑坡形变预测系统的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。如图5所示，该滑坡形变预测系统50包括：调用单元51、获取单元52和预测单元53。其中：
[0142]
调用单元51用于调用滑坡体的非线性运动模型。
[0143]
获取单元52用于获取滑坡体的观测数据，所述观测数据由多个监测点传感器采集得到。
[0144]
预测单元53用于将所述观测数据基于信息跟踪滤波算法进行数据融合，以预测出目标时刻的滑坡体的滑坡形变。
[0145]
在本技术一个实施例中，上述预测单元53具体用于根据当前时刻的观测数据计算目标时刻的监测点状态预估值；
[0146]
获取与目标时刻的监测点状态预估值对应的一步预报信息矩阵；
[0147]
根据一步预测信息矩阵和观测转移矩阵确定目标时刻的监测点的滤波信息矩阵；
[0148]
根据目标时刻的监测点的滤波信息矩阵确定信息增益矩阵；
[0149]
根据当前时刻的观测数据和信息增益矩阵预测得到目标时刻的滑坡体的滑坡形变预测值。
[0150]
在本技术一个实施例中，上述滑坡形变预测系统50还包括融合修正单元。
[0151]
上述融合修正单元用于根据相邻监测点的观测数据对目标时刻的滑坡体的滑坡形变进行修正，得到目标时刻的滑坡体的目标滑坡形变。
[0152]
在本技术一个实施例中，上述滑坡形变预测系统50还包括预处理单元。
[0153]
上述预处理单元用于对获取到的观测数据进行预处理。
[0154]
在本技术一个实施例中，所述融合修正单元包括相对观测单元和融合单元。
[0155]
上述相对观测单元用于获取相邻监测点相对目标监测点的相对观测信息。
[0156]
上述融合单元用于融合相邻监测点相对目标监测点的相对观测信息和目标时刻的滑坡体的滑坡形变，得到目标监测点的目标时刻的目标滑坡形变。
[0157]
在本技术一个实施例中，上述相对观测单元包括第一确定单元、第二确定单元以及第三确定单元。
[0158]
第一确定单元用于根据运动模型确定目标监测点与相邻监测点的位置关系。
[0159]
第二确定单元用于根据目标监测点与相邻监测点的位置关系确定目标监测点与相邻监测点的状态估计关系。
[0160]
第三确定单元用于根据目标监测点与相邻监测点的状态估计关系确定相邻监测点相对目标监测点的相对观测信息。
[0161]
在本技术一个实施例中，当所述目标监测点存在多个相邻监测点时，上述融合单元具体用于融合多个相对状态估计值和目标监测点的目标时刻的滑坡体的滑坡形变，得到目标监测点的目标时刻的目标滑坡形变。
[0162]
以上可以看出，本技术实施例提供的一种滑坡形变预测系统，同样能够通过调用非线性的运行学模型，并基于信息跟踪滤波算法将监测点的多个监测点传感器采集到的数据进行融合，能够准确地预测出滑坡体在目标时刻的滑坡形变，有效提高了滑坡形变预测准确度，解决了目前在对滑坡体的形变预测时存在预测准确度低的问题。
[0163]
图6为本技术一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意一种滑坡形变预测方法实施例中的步骤。
[0164]
本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0165]
所称处理器60可以是中央第一处理单元(central processing unit，cpu)，该处理器60还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0166]
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0167]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种滑坡形变预测方法实施例中的步骤。
[0168]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述任意一种滑坡形变预测方法实施例中的步骤。
[0169]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0170]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种滑坡形变预测方法实施例中的步骤。
[0171]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述任意一种滑坡形变预测方法实施例中的步骤。
[0172]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个第一处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能
单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0173]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0174]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0175]
在本技术所提供的实施例中，应该理解到，所揭露的滑坡形变预测系统和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0176]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0177]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。