本公开属于基于特定模型的计算机系统和数据处理领域，具体涉及灾害预测、深度学习算法、机器学习、模型训练、模型训练和微调、模型本地化等，尤其涉及一种单模态滑坡识别预测模型的训练方法、滑坡识别预测基座模型的训练方法、滑坡识别预测模型的本地化方法、滑坡识别预测方法、滑坡识别预测系统，以及对应的系统、电子设备、计算机可读存储介质及计算机程序产品。
背景技术：
1、本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、现有的人工智能模型主要采用集中式架构，训练数据位于服务器端，模型训练也在服务器端进行，存在数据隐私泄露和服务器性能瓶颈问题，无法满足滑坡监测数据安全和持续不断地采集滑坡监测数据的需求。
3、对于地址灾害识别，由于可能涉及到高精度地图和地址数据的使用，采集的原始数据涉及国家安全，不同部门都不愿意共享自身拥有的数据，另外，由于法律合规的完善，原始数据的自由流动变得越来越困难，如何在保证数据安全以及原始数据缺失的情况下获得灾害预测结果变得尤为迫切。
4、现有的滑坡模型训练必须要求训练数据在服务器端进行，需要传送大量的原始数据，存在数据泄露和服务器性能瓶颈问题，无法满足滑坡监测数据安全和持续不断地采集滑坡监测数据的需求。
5、当集中式架构的服务器需要于多个交互对象交互时，需要等待所有交互对象的数据，不同交互对象处理数据需要的时间不同，难以实现异步处理，造成集中式架构的服务器效率低下。
6、现有技术中有对区域发生滑坡的概率进行预测的，比如针对某些区域或者栅格进行预测，并获得所述区域或者栅格发生滑坡的概率，但是无法精确预测滑坡的位置坐标（经度和维度），增大了地址检测专业人员检测和搜索的范围。
7、为了获得同一地同一对象的更多特征，常常需要对同一对象的多源异构数据进行预处理，获得对齐的数据或者一致性的数据，预处理过程需要编写特定的算法处理数据，耗费计算资源且损失准确性，有人不能对不同对象不同来源的异构数据进行处理，使得灾害预测不能实现或者不准确。
8、因此，滑坡灾害的精确识别是一个亟待解决的问题。
技术实现思路
1、针对上述现有技术中存在的问题，提出了一种单模态滑坡识别预测模型的训练方法、滑坡识别预测基座模型的训练方法、滑坡识别预测模型的本地化方法、滑坡识别预测方法，以及配套滑坡识别预测系统、电子设备、计算机可读存储介质及计算机程序产品，利用这种方法、电子设备及计算机可读存储介质，能够解决上述全部或部分问题。
2、第一方面，本公开实施例提出了一种单模态滑坡识别预测模型的训练方法，应用于第一设备端，包括：获取通过预设的单模态滑坡数据采集装置采集得到的单模态滑坡数据，该单模态滑坡数据包括以下任一项：滑坡发生位置的卫星光学影像数据、机载光学影像数据、卫星合成孔径雷达影像数据、地基合成孔径雷达数据、机载合成孔径雷达数据、机载激光雷达数据、现场勘查照片、滑坡体地表传感器采集到的监测数据、坡体内部传感器所采集到的监测数据；将单模态滑坡数据作为样本输入、将与单模态滑坡数据对应的滑坡结果数据作为期望样本输出，构建包含样本输入和期望样本输出的训练样本；其中，滑坡结果数据包括：滑坡是否发生、滑坡类型。利用训练样本对待训练的单模态滑坡识别预测模型进行训练，得到目标单模态滑坡识别预测模型；其中，单模态滑坡识别预测模型至少用于表征单模态滑坡数据与不同类型的滑坡的发生概率之间的对应关系。
3、第二方面，本公开实施例提出了一种滑坡识别预测基座模型的训练方法，应用于第二设备端，包括：获取多个第一设备端分别发来的单模态滑坡识别预测模型的模型参数；其中，单模态滑坡识别预测模型为基于上述第一方面描述的单模态滑坡识别预测模型的训练方法训练得到；基于具有通道注意力机制和空间注意力机制的多项式神经网络，对与多个模型参数对应的多个单模态滑坡识别预测模型进行多模态数据融合，得到目标滑坡识别预测基座模型。
4、第三方面，本公开实施例提出了一种滑坡识别预测模型的本地化方法，应用于第三设备端，包括：向第二设备端发起包含本地所使用的滑坡数据的目标模态的模型本地化请求；基于所述第二设备端的目标滑坡识别预测基座模型获得裁剪后模型或轻量化模型；其中，裁剪后模型为将目标滑坡识别预测基座模型中与目标模态关联度低于预设程度的模型参数和模型结构裁剪掉后所得到的模型，目标滑坡识别预测基座模型基于上述第二方面所描述的滑坡识别预测基座模型的训练方法得到，轻量化模型为在无法基于目标模态完成对目标滑坡识别预测基座模型中模型参数和模型结构的裁剪时对目标滑坡识别预测基座模型通过预设的轻量化处理后得到的模型；对裁剪后模型或轻量化模型，采用与目标模态的本地化滑坡训练样本进行微调训练，得到本地化滑坡识别预测模型。
5、第四方面，本公开实施例提出了一种滑坡识别预测方法，应用于第三设备端，包括：接收对目标地理位置采集得到的目标模态的实际滑坡数据；调用预设的本地化滑坡识别预测模型处理实际滑坡数据，得到输出的滑坡识别结果；其中，本地化滑坡识别预测模型为基于第三方面描述的滑坡识别预测模型的本地化方法得到；根据滑坡识别结果确定不同类型的滑坡的发生概率。
6、第五方面，本公开实施例提供了一种第一设备，该第一设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面所描述的单模态滑坡识别预测模型的训练方法。
7、第六方面，本公开实施例提供了一种第二设备，该第二设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第二方面所描述的滑坡识别预测基座模型的训练方法。
8、第七方面，本公开实施例提供了一种第三设备，该第三设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第三或第四方面所描述的滑坡识别预测模型的本地化方法或滑坡识别预测方法。
9、第八方面，本公开实施例提出了一种滑坡识别预测系统，包括：多个第一设备端，用于获取通过预设的单模态滑坡数据采集装置采集得到的单模态滑坡数据，该单模态滑坡数据包括以下任一项：滑坡发生位置的卫星光学影像数据、机载光学影像数据、卫星合成孔径雷达影像数据、地基合成孔径雷达数据、机载合成孔径雷达数据、机载激光雷达数据、现场勘查照片、滑坡体地表传感器采集到的监测数据、坡体内部传感器所采集到的监测数据；将单模态滑坡数据作为样本输入、将与单模态滑坡数据对应的滑坡结果数据作为期望样本输出，构建包含样本输入和期望样本输出的训练样本，滑坡结果数据包括：滑坡是否发生、滑坡类型；利用训练样本对待训练的单模态滑坡识别预测模型进行训练，得到目标单模态滑坡识别预测模型，单模态滑坡识别预测模型至少用于表征单模态滑坡数据与不同类型的滑坡的发生概率之间的对应关系；第二设备端，用于接收各第一设备端分别发来的单模态滑坡识别预测模型的模型参数；基于具有通道注意力机制和空间注意力机制的多项式神经网络，对与多个模型参数对应的多个单模态滑坡识别预测模型进行多模态数据融合，得到目标滑坡识别预测基座模型；接收第三设备端发起包含其本地所使用的滑坡数据的目标模态的模型本地化请求；第三设备端，用于接收第二设备端返回的裁剪后模型或轻量化模型；对裁剪后模型或轻量化模型，采用与目标模态的本地化滑坡训练样本进行微调训练，得到本地化滑坡识别预测模型；接收对目标地理位置采集得到的目标模态的实际滑坡数据；调用预设的本地化滑坡识别预测模型处理实际滑坡数据，得到输出的滑坡识别结果；根据滑坡识别结果确定不同类型的滑坡的发生概率。
10、第九方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面和/或第二方面和/或第三方面和/或第四方面描述的方法。第十方面，本公开实施例提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如第一方面和/或第二方面和/或第三方面和/或第四方面所描述的方法的步骤。
11、第十一方面，本公开实施例提供了一种计算机程序,其使计算机或处理器执行时实现如第一方面和/或第二方面和/或第三方面和/或第四方面所描述的方法的步骤。
12、本公开提供了一种滑坡识别预测模型的训练、本地化方法及滑坡识别预测方法、滑坡识别预测系统，涉及基于特定模型的计算机系统、灾害预测、深度学习、机器学习、模型训练和微调、模型本地化、等技术领域。第一设备端分别使用其各自采集到的单模态滑坡数据训练得到单模态滑坡识别预测模型，第二设备端则通过接收多个第一设备端分别传来的单模态滑坡识别预测模型的模型参数，以结合通道注意力机制和空间注意力机制的多项式神经网络，对多个单模态滑坡识别预测模型的模型参数进行融合，以得到目标滑坡识别预测基座模型，第三设备端则通过将本地所使用的滑坡数据的目标模态发送给第二设备端，使得第二设备端按照目标模态对目标滑坡识别预测基座模型进行裁剪或轻量化处理，以便第三设备端对接收到的裁剪后模型或轻量化模型使用本地化滑坡训练样本进行微调训练，从而最终得到各个第三设备端所需要使用的本地化滑坡识别模型。即通过将多个单模态滑坡识别预测模型进行融合为滑坡识别预测基座模型，从而得以汇总滑坡地址灾害在各个维度上的特征和知识，使得滑坡识别预测基座模型具有更准确的滑坡灾害识别能力，即使结合了不同第三设备端的本地化需求进行调整，也由于裁剪或轻量化之前的模型本身就已经具有更强大的滑坡灾害识别能力，因此经本地化处理后滑坡识别预测模型也相较于单模态滑坡识别预测模型，具有更好的识别和预测准确度，且能够保证数据安全以及原始数据缺失的情况下获得灾害预测结果。
13、本公开某些实施例的其他优点将配合以下的说明和附图进行更详细的解说。
14、应当理解，上述说明仅是本公开某些实施例技术方案的概述，以便能够更清楚地了解本公开某些实施例的技术手段，从而可依照说明书的内容予以实施。为了让本公开某些实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举例说明本公开某些实施例的具体实施方式。
1.一种单模态滑坡识别预测模型的训练方法，其特征在于，应用于第一设备端，包括：
2.根据权利要求1所述的方法，其特征在于，所述单模态滑坡数据中还包含有：低于预设精度的地理位置信息，对应的，所述滑坡结果数据中还包含有：不低于所述预设精度的地理位置信息，所述地理位置信息包括：经度信息、纬度信息和高程信息。
3.根据权利要求2所述的方法，其特征在于，所述利用所述训练样本对待训练的单模态滑坡识别预测模型进行训练，得到目标单模态滑坡识别预测模型，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述单模态滑坡数据作为样本输入、将与所述单模态滑坡数据对应的滑坡结果数据作为期望样本输出，构建包含所述样本输入和所述期望样本输出的训练样本，包括：
5.根据权利要求4所述的方法，其特征在于，所述自监督学习的方式包括：随机遮挡所述单模态滑坡数据中的一部分区域，并用未被遮挡的区域预测被遮挡的区域，或利用前一时刻的单模态滑坡数据预测当前时刻的单模态滑坡数据。
6.根据权利要求1-3、5任一项所述的方法，其特征在于，所述第一设备端将各自目标单模态滑坡识别预测模型的模型参数发送给第二设备端。
7.一种滑坡识别预测基座模型的训练方法，其特征在于，应用于第二设备端，包括：
8.根据权利要求7所述的方法，其特征在于，所述获取多个第一设备端分别发来的单模态滑坡识别预测模型的模型参数，包括：
9.根据权利要求7所述的方法，其特征在于，还包括：
10.根据权利要求9所述的方法，其特征在于，还包括：
11.根据权利要求9所述的方法，其特征在于，还包括：
12.根据权利要求9所述的方法，其特征在于，所述预设时长可通过下述方式确定得到：
13.根据权利要求12所述的方法，其特征在于，所述基于所述第一目标时长或所述第二目标时长确定得到所述预设时长，包括：
14.根据权利要求9所述的方法，其特征在于，所述基于各所述新单模态滑坡识别预测模型的模型参数，更新所述目标滑坡识别预测基座模型，包括：
15.根据权利要求7所述的方法，其特征在于，还包括：
16.根据权利要求7所述的方法，其特征在于，在所述基于具有通道注意力机制和空间注意力机制的多项式神经网络，对与多个所述模型参数对应的多个单模态滑坡识别预测模型进行多模态数据融合之前，还包括：
17.根据权利要求16所述的方法，其特征在于，所述基于具有通道注意力机制和空间注意力机制的多项式神经网络，对与多个所述模型参数对应的多个单模态滑坡识别预测模型进行多模态数据融合，包括：
18.根据权利要求7-17任一项所述的方法，其特征在于，所述多项式神经网络经过下述方式得到：
19.一种滑坡识别预测模型的本地化方法，其特征在于，应用于第三设备端，包括：
20.一种滑坡识别预测方法，其特征在于，应用于第三设备端，包括：
21.根据权利要求20所述的方法，其特征在于，所述第三设备端根据不同类型的滑坡的发生概率生成不同的预警信息，将所述预警信息发送给至少一个第四设备端。
22.一种第一设备，其特征在于，包括：
23.一种第二设备，其特征在于，包括：
24.一种第三设备，其特征在于，包括：
25.一种滑坡识别预测系统，其特征在于，包括：
26.根据权利要求25所述的系统，其特征在于，所述第二设备端还用于：
27.根据权利要求26所述的系统，其特征在于，所述第二设备端还用于：
28.根据权利要求27所述的系统，其特征在于，所述轻量化处理包括模型蒸馏处理。
29.根据权利要求25所述的系统，其特征在于，所述系统还包括：
30.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的单模态滑坡识别预测模型的训练方法和/或权利要求7-18任一项所述的滑坡识别预测基座模型的训练方法和/或权利要求19所述的滑坡识别预测模型的本地化方法和/或权利要求20-21任一项所述的滑坡识别预测方法。
31.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-6中任一项所述的单模态滑坡识别预测模型的训练方法的步骤和/或权利要求7-18任一项所述的滑坡识别预测基座模型的训练方法的步骤和/或权利要求19所述的滑坡识别预测模型的本地化方法的步骤和/或权利要求20-21任一项所述的滑坡识别预测方法的步骤。
