本申请涉及边坡安全监测，尤其是涉及一种边坡群安全风险监测分类方法及评估系统。
背景技术：
1、边坡变形监测技术不断进步，从最初的人工踏勘到如今的先进自动监测设备。然而，边坡隐患的分类方法并未随之革新，仍基于边坡自身规模、滑坡后危害程度以及人工踏勘对风险的判断，经常导致监测点不一定对应实际风险点。
2、目前，边坡稳定性分类方法的技术主要集中在单一岩性或单一场景的分类，尽管这些方法有其优点，但也存在一定的局限性。一是场景单一，多集中于露天矿山等场景，未涵盖其他综合场景；二是岩性单一，多为岩质边坡分类，未涉及其他岩性边坡的分类。
技术实现思路
1、本申请的其中一个目的在于提供一种能够解决上述背景技术中至少一个缺陷的边坡群安全风险监测分类方法。
2、本申请的另一个目的在于提供一种能够解决上述背景技术中至少一个缺陷的边坡群安全风险评估系统。
3、为达到上述的至少一个目的，本申请采用的技术方案为：一种边坡群安全风险监测分类方法，包括如下步骤：
4、s100：基于边坡群的历史数据，对边坡群进行初分类；
5、s200：根据初分类的结果结合边坡风险影响因素通过求解夹逼过程的方式得到各边坡的综合评价粗分类结果；各边坡的综合评价粗分类结果分为稳定边坡、不稳定边坡和失稳边坡；
6、s300：结合区域边坡群的insar数据对步骤s200中的不稳定边坡进行精细化分类，精细化分类的识别结果分为重点隐患边坡和一般隐患边坡。
7、优选的，在步骤s100中，边坡群的初分类包括岩性分类、高度分类和坡度分类；按照岩性分类，将各边坡分为岩质边坡和土质边坡；按照高度分类，将各边坡分为低边坡、中高边坡、高边坡和超高边坡；按照坡度分类，将各边坡分为缓坡、中等坡、陡坡、急坡和倒坡。
8、优选的，在步骤s200中，通过topsis算法和aism算法联合求解夹逼过程，包括如下步骤：
9、s210：根据边坡风险影响因素，对边坡群的历史数据进行降维并选定合理的评价指标；
10、s220：搜集各边坡在不同评价指标下的表现数据以形成原始决策矩阵并进行预处理；
11、s230：对预处理后的原始决策矩阵进行标准化处理，得到距离决策矩阵；
12、s240：根据标准化处理的结果计算每个边坡的相似度指数并进行排序，得到贴近度矩阵；
13、s250：通过aism算法生成步骤s220至s240中各矩阵分别对应的对抗拓扑层级图，分析生成的对抗拓扑层级图得到各边坡的综合评价结果。
14、优选的，步骤s210中选定的评价指标包括地质条件、水文条件、边坡几何形状、人类活动和历史记录。
15、优选的，对步骤s210中选定的k个评价指标依次进行标记为评价指标1至评价指标k；在步骤s230中，通过计算边坡在各评价指标下表现数据的最大规范化和最小规范化以进行标准化处理；任意的边坡i对应的最大规范化和最小规范化的计算公式如下：
16、；
17、；
18、其中，xij表示边坡i对应任意的评价指标j的表现数据，表示评价指标j的最佳值，表示评价指标j的最差值。
19、优选的，步骤s240中，任意的边坡i所对应的相似度指数ci的计算公式如下：
20、。
21、优选的，步骤s300包括如下过程：
22、s310：获取边坡群的高分辨率insar数据并进行预处理；
23、s320：根据完成预处理的数据，比较不同时间点的位移数据，得到边坡的变形趋势；
24、s330：根据得到的变形趋势，通过特征提取以识别边坡的变形特征，变形特征包括位移模式、位移速度和位移幅度；
25、s340：根据提取的变形特征结合边坡所处的地质环境特征进行特征分析；
26、s350：基于特征分析的结果利用机器学习模型进行精细分类。
27、一种利用上述边坡群安全风险监测分类方法的边坡群安全风险评估系统，包括数据清洗模块、特征模块以及模型生成模块；所述数据清洗模块适于对输入的边坡群历史数据进行清洗；所述特征模块适于对完成清洗的数据进行特征提取和特征选择；所述模型生成模块适于对所述特征模块输出的数据进行模型训练、模型测试以及调试调优以确定最终的边坡风险评估模型；所述边坡风险评估模型适于根据输入的边坡实时监测数据以输出边坡的稳定性评分。
28、优选的，所述数据清洗模块的清洗方式包括去除字段、填充缺失值和重新获取数据；针对边坡群历史数据中重要性低、缺失率高的字段采用去除字段的清洗方式；针对边坡群历史数据中重要性高、缺失率低的字段采用填充缺失值的清洗方式；针对边坡群历史数据中重要性和缺失率都高的字段采用重新获取数据的清洗方式；针对边坡群历史数据中重要性和缺失率都低的字段不做处理或简单填充。
29、优选的，所述特征模块的特征提取包括如下过程：计算历史数据的统计量，包括均差、方差、最大值和最小值；提取历史数据的趋势特征、季节性特征和周期性特征，同时使用傅里叶变换分析监测数据的频谱特征以识别潜在的振动模式；对位移或应力数据进行形态学分析以提取特征点；所述特征模块的特征选择包括如下过程：针对特征提起的结果，识别出对边坡稳定性预测最有影响的特征。
30、与现有技术相比，本申请的有益效果在于：
31、（1）通过对边坡的系统分类，可以更准确地识别潜在风险，及时采取措施，降低滑坡和坍塌的风险。
32、（2）分类后可以合理配置资源和人力，集中力量解决重点隐患边坡问题，提高管理效率。
33、（3）基于分类的模型可以实现动态监测，及时更新边坡状态，确保信息的实时性和准确性。
34、（4）分类提供了数据支持，有助于制定科学合理的管理和修复方案，提高决策的有效性。
35、（5）系统化的边坡分类有助于建立长期监测和管理机制，实现可持续发展。
1.一种边坡群安全风险监测分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的边坡群安全风险监测分类方法，其特征在于，在步骤s100中，边坡群的初分类包括岩性分类、高度分类和坡度分类；
3.如权利要求1所述的边坡群安全风险监测分类方法，其特征在于，在步骤s200中，通过topsis算法和aism算法联合求解夹逼过程，包括如下步骤：
4.如权利要求3所述的边坡群安全风险监测分类方法，其特征在于，步骤s210中选定的评价指标包括地质条件、水文条件、边坡几何形状、人类活动和历史记录。
5.如权利要求3所述的边坡群安全风险监测分类方法，其特征在于，对步骤s210中选定的k个评价指标依次进行标记为评价指标1至评价指标k；
6.如权利要求5所述的边坡群安全风险监测分类方法，其特征在于，步骤s240中，任意的边坡i所对应的相似度指数ci的计算公式如下：
7.如权利要求1-6任一项所述的边坡群安全风险监测分类方法，其特征在于，步骤s300包括如下过程：
8.一种利用权利要求1-7任一项所述的边坡群安全风险监测分类方法的边坡群安全风险评估系统，其特征在于，包括：
9.如权利要求8所述的边坡群安全风险评估系统，其特征在于，所述数据清洗模块的清洗方式包括去除字段、填充缺失值和重新获取数据；
10.如权利要求8所述的边坡群安全风险评估系统，其特征在于，所述特征模块的特征提取包括如下过程：计算历史数据的统计量，包括均差、方差、最大值和最小值；提取历史数据的趋势特征、季节性特征和周期性特征，同时使用傅里叶变换分析监测数据的频谱特征以识别潜在的振动模式；对位移或应力数据进行形态学分析以提取特征点；
