CN104899437B - 强降雨型滑坡灾害预警方法 - Google Patents
强降雨型滑坡灾害预警方法 Download PDFInfo
- Publication number
- CN104899437B CN104899437B CN201510291924.6A CN201510291924A CN104899437B CN 104899437 B CN104899437 B CN 104899437B CN 201510291924 A CN201510291924 A CN 201510291924A CN 104899437 B CN104899437 B CN 104899437B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- landslide
- risk
- early warning
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及数据处理的方法领域,尤其是涉及一种强降雨型滑坡灾害预警方法,其操作过程如下:(1)计算待检测范围内不同区域滑坡发生的概率,并划分危险等级区域,包括极地危险区、低危险区、中危险区、高危险区及极高危险区;(2)降雨型滑坡灾害预警分析过程如下:(a)不同降雨量发生滑坡的可能性:降雨量在0‑99mm之间为低危险性降雨量,降雨量在90‑150mm之间为中危险性降雨量,降雨量大于等于150mm的为高危险性降雨量;(b)根据不同区域在不同降雨量下发生滑坡的可能性不同,对不同区域做出预警,而预警的等级越高,发生滑坡的可能性就越大;预警等级由高到低依次为:5级预警、4级预警、3级预警、2级预警及1级预警。
Description
技术领域
本发明涉及数据处理的方法领域,尤其是涉及一种强降雨型滑坡灾害预警方法。
背景技术
目前对地质灾害中滑坡灾害的研究主要集中在区域性滑坡,而随着全球气候的变化,极端天气过程的增多,短时的强降水对滑坡灾害的诱发越来越严重,对滑坡灾害在特殊天气条件下的预警提出了新的要求。降雨型滑坡预警与区域性滑坡有极大的关联,同一地区,不同危险性等级的滑坡灾害对同一降雨过程的反应并不相同。同时,相同危险性等级的滑坡灾害对不同降雨强度反应也会不同。现有的滑坡灾害研究就只对土壤本身的土质和松实度进行计算,并得出滑坡发生的可能性概率,并未结合外界环境因素进行分析,准确性不高。未对滑坡发生时可能造成的损失进行估计,导致在滑坡发生时,所采取的措施不到位,财产损失严重。
发明内容
本发明为了克服现有技术的不足,提供一种能全面考虑导致滑坡发生的因素,提高了检测的精确度的强降雨型滑坡灾害预警方法。
为了实现上述目的,本发明采用以下技术方案:
一种强降雨型滑坡灾害预警方法,其操作过程如下:
(1)计算待检测范围内不同区域滑坡发生的概率,并根据发生概率的大小对待检测范围进行危险等级划分,该划分的危险等级区域包括极地危险区、低危险区、中危险区、高危险区及极高危险区;
(2)降雨型滑坡灾害预警分析过程如下:
(a)不同降雨量发生滑坡的可能性:降雨量在0-99mm之间为低危险性降雨量,降雨量在90-150mm之间为中危险性降雨量,降雨量大于等于150mm的为高危险性降雨量;
(b)根据不同区域在不同降雨量下发生滑坡的可能性不同,做出预警;预警等级如下:
5级预警,滑坡发生可能性极大,条件为:极高危险区的降雨量为中危险性降雨量或高危险性降雨量时;高危险区的降雨量为高危险性降雨量时;
4级预警,滑坡发生可能性较大,条件为:极高危险区的降雨量为低危险性降雨量时;高危险区的降雨量为中危险性降雨量时;中危险区降雨量为高危险性降雨量时;
3级预警,滑坡发生可能性中等,条件为:高危险区的降雨量为低危险性降雨量时;中危险区的降雨量为中危险性降雨量时;低危险区降雨量为高危险性降雨量时;
2级预警,滑坡发生可能性极较小,条件为:中危险区的降雨量为低危险性降雨量时;低危险区的降雨量为中危险性降雨量时;极低危险区降雨量为高危险性降雨量时;
1级预警,滑坡发生可能性极小,条件为:低危险区的降雨量为低危险性降雨量时;极低危险区的降雨量为低危险性降雨量时;极低危险区降雨量为中危险性降雨量时。
本发明对不同雨量下发生滑坡的可能性和不同区域发生滑坡的可能性均进行了分析,同时将两者结合,对待检测范围内滑坡发生的肯能性进行精确的预测,进而提高了预测的精确度,并能及时作出警报,增强了安全性,减小了财产损失。
进一步地,还包括步骤(3)灾害易损性评估,包括人口易损性评估、经济易损性评估和社会易损性评估;并根据损失程度的高低分为极低易损性、低易损性、中易损性、高易损性以及极高易损性五个等级。该设置对可能发生滑坡的区域进行灾害性评估,根据易损程度的不同,估算可能造成的损失,进而及时采取措施,将损失降至最低。
进一步地,所述人口易损性考虑的影响因子包括人口年龄结构、贫穷程度、受教育程度及人口密度;经济易损性考虑的影响因子包括建筑物、公路及土地资源;社会易损性考虑的影响因子包括应急能力、社会福利及医疗指数。该设置充分考虑了人口、经济及社会易损性的影响因素,提高了易损性评估的准确性。
进一步地,所述步骤(1)中不同区域滑坡发生的概率计算过程如下:
以x=(X1,X2,…,XP-1)T表示不同因素影响滑坡发生的概率,以π(x)表示滑坡发生的概率,建立π(x)与x=(X1,X2,…,XP-1)T之间的某个函数关系
π(x)=f(X1,X2,…,XP-1);
对π(x)作如下变换:
则当0<π(x)<1时,-∞<θ[π(x)]<+∞,这时可令
所述f(X1,X2,…,XP-1)为线性函数,即则建立线性Logistic回归模型
如下:
或
Logistic回归模型的计算:
(a)参数估计,首先要利用观测数据对模型中的参数β=(β0,β1,…,βp-1)T作估计;
用最大似然估计和迭代算法,求解参数β的估值
(b)统计检验,计算的观测值,判断所选的因素的显著性;
(c)得到参数的极大似然估计、标准差等有关量;
(d)将由参数估算的结果带回Logistic回归模型方程中,计算得到滑坡发生的概率π(x);把不同区域内的不同因素影响滑坡发生的概率x带入Logistic回归模型方程,进而得到不同区域发生滑坡的概率。
进一步地,所述步骤(d)中,影响滑坡发生概率的因素包括坡高、坡度、坡向、地质类型、土地利用类型、到水系的距离及到交通道路的距离。充分考虑了外界因素对不同区域发生滑坡的可能性。
进一步地,所述步骤(1)中对待检测区域进行危险等级划分,同时建立滑坡危险区划图;步骤(2)中,收集待检测范围内不同区域的降雨量,并根据降雨量的不同建立区域降雨量等级图;将滑坡危险区划图和区域降雨量等级图进行叠加得到滑坡预警图。该设置可方便观察。
进一步地,所述步骤(2)中,分别建立待检测范围的交通分布图、人口分布图及建筑物分布图,将该交通分布图、人口分布图及建筑物分布图分别与所述滑坡预警图叠加形成独立灾害预警图。该设置可以有针对性地采取措施,发布警报,将损失降至最低。
综上所述,本发明充分考虑了降雨量与不同区域本身发生滑坡的可能,进而提高了预测的精确度。
附图说明
图1为本发明的滑坡分析点采样示意图;
图2为本发明的滑坡危险区划图;
图3为本发明的区域降雨量等级图;
图4为本发明的滑坡预警图;
图5为本发明的滑坡危险路段图。
具体实施方式
为了使本技术领域的人员更好的理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
如图1-5所示,一种强降雨型滑坡灾害预警方法,其操作过程如下:
(1)计算待检测范围内不同区域滑坡发生的概率,并根据发生概率的大小对待检测范围进行危险等级划分,该划分的危险等级区域包括极地危险区、低危险区、中危险区、高危险区及极高危险区。
具体的,所述滑坡概率计算的过程:要研究滑坡发生的概率与某些环境因素的关系,影响滑坡发生概率的因素包括坡高、坡度、坡向、地质类型、土地利用类型、到水系的距离及到交通道路的距离。所述不同区域滑坡发生的概率计算的过程如下:
以x=(X1,X2,…,XP-1)T表示影响滑坡发生,将滑坡发生定义为事件A,以π(x)表示滑坡发生的概率,如果我们建立π(x)与x=(X1,X2,…,XP-1)T之间的某个函数关系:
π(x)=f(X1,X2,…,XP-1);
则依此可研究x与π(x)间的依赖关系。但是π(x)取值在0与1之间,因此必须对f(X1,X2,…,XP-1)加以限制,使其取值在0与1之间,才有可能建立π(x)与f(X1,X2,…,XP-1)之间合适的关系。或者等价地,我们对π(x)加以变换,使当π(x)在0与1之间取值时该函数的值域为(-∞,+∞),这样我们可以取f(X1,X2,…,XP-1)为一些常用的函数,如线性函数、多项式函数等。通常对π(x)作如下变换:
则当0<π(x)<1时,-∞<θ[π(x)]<+∞,这时可令
在实际应用中,f(X1,X2,…,XP-1)的选择具有很大的灵活性,但应用最为广泛的一种形式是取其为X1,X2,…,XP-1的线性函数,即取
这时,形成线性Logistic回归模型,简称Logistic回归模型,如下
或
Logistic回归模型的计算步骤如下:
第一步,参数估计,同所有的线性回归模型一样,要利用Logistic模型研究事件A发生的概率π(x)与变量x=(X1,X2,…,XP-1)T之间的关系,首先要利用观测数据对模型中的参数β=(β0,β1,…,βp-1)T作估计。采用最大似然估计和相应的Newton-Raphason迭代算法,求解参数β的估值
第二步,统计检验,计算的观测值,判断所选的因素的显著性;
第三步,得到参数的极大似然估计、标准差等有关量;
第四步,将由参数估算的结果带回Logistic回归模型方程中;把整个区域的影响因子数据带入回归方程,计算得到概率;将参数估算的结果带回步骤(1)的方程中;计算得到概率π(x),在检测范围内,把不同区域内的不同因素影响滑坡发生的概率x带入Logistic回归模型方程中,进而得到不同区域发生滑坡的概率。
(2)降雨型滑坡灾害预警分析过程如下:
(a)不同降雨量发生滑坡的可能性,诱发滑坡发生的降雨因子需要选取和滑坡的发生最为相关的因子,一般方式是先收集研究区域内降雨资料和滑坡资料,选取具有滑坡发生时间信息的滑坡点作为分析样本,以滑坡发生的次数和降雨因子为自变量,进行相关性分析。然后选取相关分析得到的曲线的拐点作为降雨因子诱发不同危险性等级滑坡发生的阈值。通过这些阈值,可以将降雨量划分为不同危险等级。然后,综合降雨量危险等级和区域性滑坡危险等级,得到降雨型滑坡灾害的预警等级。为实时滑坡空间预警提供依据。
根据查阅历史文献资料,对于非台风区,可以选取当日降雨量作为有效的降雨因子,进行降雨型滑坡灾害预警分析,降雨量在0-99mm之间为低危险性降雨量,降雨量在90-150mm之间为中危险性降雨量,降雨量大于等于150mm的为高危险性降雨量;如下表:
(b)不同区域在不同降雨量下发生滑坡的可能性不同,因而需做出预警,而预警的等级越高,发生滑坡的可能性就越大;在当日降雨量阈值研究的基础上,进一步建立滑坡灾害易发性等级与临界降雨量的关系,从而确定不同降雨量状态下、不同易发性等级区域内滑坡发生的可能性。根据不同的降雨量和不同的滑坡危险性等级,再确定预测预警等级。预警等级由高到低依次为:
5级预警,滑坡发生可能性极大,条件为:极高危险区的降雨量为中危险性降雨量或高危险性降雨量时;高危险区的降雨量为高危险性降雨量时;
4级预警,滑坡发生可能性较大,条件为:极高危险区的降雨量为低危险性降雨量时;高危险区的降雨量为中危险性降雨量时;中危险区降雨量为高危险性降雨量时;
3级预警,滑坡发生可能性中等,条件为:高危险区的降雨量为低危险性降雨量时;中危险区的降雨量为中危险性降雨量时;低危险区降雨量为高危险性降雨量时;
2级预警,滑坡发生可能性极较小,条件为:中危险区的降雨量为低危险性降雨量时;低危险区的降雨量为中危险性降雨量时;极低危险区降雨量为高危险性降雨量时;
1级预警,滑坡发生可能性极小,条件为:低危险区的降雨量为低危险性降雨量时;极低危险区的降雨量为低危险性降雨量时;极低危险区降雨量为中危险性降雨量时;同时可参考下表
预警等级含义、对应的灾害发生可能性及防御措施如下表所示:
(3)灾害易损性评估,包括人口易损性评估、经济易损性评估和社会易损性评估;并根据损失程度的高低分为极低易损性、低易损性、中易损性、高易损性以及极高易损性五个等级。所述人口易损性考虑的影响因子包括人口年龄结构、贫穷程度、受教育程度及人口密度;经济易损性考虑的影响因子包括建筑物、公路及土地资源;社会易损性考虑的影响因子包括应急能力、社会福利及医疗指数。承灾体的价值是评估滑坡灾害风险的一个组成部分,要衡量滑坡灾害风险的大小,需要对灾害影响范围内的承灾体进行价值评估。滑坡灾害造成的损失可以分为经济损失和非经济损失。因此,承灾体价值评估也可以分为经济损失评估和非经济损失评估(如人口伤亡评估等)。易损性和承灾体价值评估评定的对象都是承灾体,但是并不相同。易损性评估的是承灾体被损坏的容易程度,承灾体价值评估评定的是承灾体的经济或非经济损失的多少。很多研究者将承灾体价值也纳入易损性,其实,这是不科学的。以建筑物为例,由于结构等的因素,某个建筑物可能比较容易被外界力量摧毁,脆弱性比较强,但是,并不能因此认定该建筑的价值也高,很可能它只是经济价值不高的简单草屋工具房。滑坡承灾体价值评估可以分为人口评估和经济价值评估。人口评估通过人口密度反映。经济价值评估则需要综合建筑、公路、土地资源等一系列承灾体的价值,以行政区为单位,统计区域内各类承灾体的数量及单价,并计算各行政区内的总价值,加入面积因素,得到该区域的经济密度。
再者,所述步骤(1)中用Logistic回归模型进行研究时,也是需要对数据做一些处理的。用该方法进行危险性评估的流程如下:
(a)数据处理
根据区域性滑坡灾害风险评估原理,要做以滑坡P值为因变量,滑坡影响因素为自变量的相关性分析。要进行分析,需要对滑坡分析点和影响因素做一些相应的处理:
①滑坡分析点采样
进行二元逻辑回归分析,滑坡分析P值要为二元变量,但是在原始数据收集中,收集的是滑坡发生点的信息,没有收集到非滑坡点数据。用于分析的滑坡点P值可以赋值为1,相应的赋值为0的非滑坡点需要人为生成。这就涉及到分析点的采样问题。在这次研究分析中,非滑坡分析点的生成采用下面这种方式:
首先根据示例区的图幅大小和最近两个滑坡点的距离,将示例区范围分成25*32个格网,每个格网中心生成一个采样点。用行政区域面裁剪落在研究区内的点,共260个,检查这些生成点与调查获取的32个滑坡点是否发生重合,如果出现重合,则去掉重合的生成点。经检查,并无重合。则得到292个分析点,其中有32个滑坡点以及260个生成的采样点,如图1所示:
②滑坡P值处理
然后以滑坡灾害点为中心,做一个以A个单位为半径的缓冲区,命名为滑坡衰减图层,缓冲区范围内赋值为1,缓冲区范围外赋值为0。理论上,这个A值的获取与当地滑坡发生的规模、影响范围有很大的关系,需要对历史滑坡的影响范围等属性做大量统计分析来确定。但是由于现实原因,未能获得这些分析数据。因此,本课题A值根据示例区的实际情况,确定为10个单位。
③影响因子数据处理
处理影响因子图层,包括将等高线数据处理成DEM(坡高)、坡度、坡向、剖面曲率四个因子图层;将地质类型、土地利用类型这些矢量数据,按照它对应的分类转换为栅格数据图层;对水系、交通道路做欧式距离分析。
④分析点值提取
用292个滑坡分析点,提取滑坡衰减图层、各个影响因子图层对应于分析点处的值,得到滑坡分析处理用的变量值。删除数据出现-999超限值的点,最后剩余282个有效分析点,其中,原始采集获取的滑坡点为31个。
(b)回归分析
定量变量直接进入模型,定性变量使用哑变量编码后进入模型,用SPSS的二元逻辑回归模型进行分析。在模型分析中,对各个变量之间的相关性进行分析,其中,剖面曲率因子与坡度和高程的相关性比较大,因此,剔除剖面曲率因子,重新进行回归分析。
最后保留的是DEM(坡高)、坡度、坡向、地质类型、土地利用类型、到水系的距离、到交通道路的距离7个影响因子,计算得到回归系数。
(c)危险区划
按照理论研究部分的逻辑回归模型计算出研究区域所有网格的滑坡危险度值。即为基于各个滑坡影响因子进行滑坡危险度的评估结果,然后需要将结果划分为五个等级。
关于划分等级,目前国内外对危险度分级标准的没有一个统一的划分方法或是评价准则,一般选用的分级方法由研究者根据实际情形自行判断。GIS软件自带了几种重分类方式,可以用于分级显示。这几种方法依次是手动、等间隔、自定义、百分位、自然断点、几何间隔和标准差。其中手动和自定义间隔分类主观性比较强,在没有统一标准的情形下不适合直接用于分级;等间隔和几何间隔法比较注重数字或是几何形式上的统一,对分级并没有太大的指导意义;百分位法会将概率数值间隔拉开比较大,标准差法不方便调整等级划分数目,也不是理想的分级方法;在这个分析中,自然间断法分类克服了上面的一些问题,比较适用于滑坡灾害危险性等级的分类。按照标准差分类,将滑坡灾害危险性等级分为极低危险区、低危险区、中危险区、高危险区、极高危险区5类,对待检测区域进行危险等级划分,同时建立滑坡危险区划图,如图2所示;
(d)评估结果分析
基于逻辑回归模型得到的示例滑坡危险区划图的结果是否可靠,需要进行一个检验。传统的方法一般通过检验模型回归系数和检验值进行判断,这样并不能很好的反映结果的好坏。这更多的说明的是这一套采样点数据与模型的拟合度,而对评估预测本身的优劣反映的不是很多。所以,在这里,对原始采集的滑坡点进行统计分析,查看落在各个危险等级的数量,以及各个危险等级所占总面积的份额,进行判断,得到的分析结果如下表所示:
从表中可以看出,高危险区和极高危险区的滑坡点的密集度高于其他区,这两个等级占总研究区的面积为32.67%,归并的滑坡点比例为52%。
所述步骤(2)中的降雨型滑坡预警等级区划是在区域性滑坡危险性分析的基础上进行的。降雨是滑坡发生的一个诱发因子,降雨本身具有一定的可预测性,因此,可以根据历史研究经验,探究出滑坡易发地与降雨量的关系,寻找出引发滑坡发生的降雨量阈值。当滑坡危险区的降雨量达到这个阈值时,就可以进行相应等级的预警,提前做好防范措施。一般来说,降雨量值都是每日实时更新的,具有较强的动态性,这对滑坡危险性分析的实时性是很有意义的。具体分析流程如下:
1)数据处理
首先准备好滑坡危险区划图,作为分析底图(由于地理加权回归模型得到的评估图精度高于逻辑回归模型得到的评估图,将以基于地理加权回归模型得到的危险区划图进行分析)。然后,以某一天为例,收集示例区各个降雨量观测站的降雨量值。采用克里金插值法得到示例区整个区域的降雨量分布情况。根据历史经验得到的当日有效降雨量阈值A1=90mm,A2=150mm,将降雨量划分为三个不同的降雨量等级,收集待检测范围内不同区域的降雨量后,根据降雨量的不同建立区域降雨量等级图如图3所示:
2)预警等级区划
将滑坡危险区划图和降雨危险等级图做一个叠加分析,得到综合滑坡危险和降雨量诱发危险的图,并按照基于降雨的滑坡灾害预警原理中的预警等级划分标准,重新划分为五个等级,即为当天的降雨型滑坡预警等级区划图,即将滑坡危险区划图和区域降雨量等级图进行叠加就可得到滑坡预警图,如图4所示。
在所述步骤(2)中,还分别建立待检测范围的交通分布图、人口分布图及建筑物分布图,将该交通分布图、人口分布图及建筑物分布图分别与所述滑坡预警图叠加形成三幅不同的独立灾害预警图,进而方便观察待检测区域内的交通、人口或建筑物所存在的滑坡危险的概率,并有针对性地进行采取措施。
以对交通道路的滑坡灾害危险防范为例,在待检测范围内建立交通分布图,将交通分布图作为分析图层,以所述滑坡预警图为底图,做一个叠加分析,即可判断标识出存在于滑坡危险区的道路。提前做好防范措施,为防灾减灾做好准备。即将该交通分布图与滑坡预警图叠加,形成滑坡危险路段图,如图5所示。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
Claims (5)
1.一种强降雨型滑坡灾害预警方法,其操作过程如下:
(1)计算待检测范围内不同区域滑坡发生的概率,并根据发生概率的大小对待检测范围进行危险等级划分,该划分的危险等级区域包括极低危险区、低危险区、中危险区、高危险区及极高危险区;
危险性评估的流程如下:
(a)数据处理
根据区域性滑坡灾害风险评估原理,要做以滑坡P值为因变量,滑坡影响因素为自变量的相关性分析;
要进行分析,需要对滑坡分析点和影响因素做一些相应的处理:
①滑坡分析点采样
进行二元逻辑回归分析,滑坡分析P值要为二元变量,收集滑坡发生点的信息,生成非滑坡点数据;非滑坡点数据生成方法:首先根据示例区的图幅大小和最近两个滑坡点的距离,将示例区范围分成25*32个格网,每个格网中心生成一个采样点;用行政区域面裁剪落在研究区内的点,共260个,检查这些生成点与调查获取的32个滑坡点是否发生重合,如果出现重合,则去掉重合的生成点,经检查,并无重合;则得到292个分析点,其中有32个滑坡点以及260个生成的采样点:
②滑坡P值处理
然后以滑坡灾害点为中心,做一个以A个单位为半径的缓冲区,命名为滑坡衰减图层,缓冲区范围内赋值为1,缓冲区范围外赋值为0;
③影响因子数据处理
处理影响因子图层,包括将等高线数据处理成坡高、坡度、坡向、剖面曲率四个因子图层;将地质类型、土地利用类型这些矢量数据,按照它对应的分类转换为栅格数据图层;对水系、交通道路做欧式距离分析;
④分析点值提取
用292个滑坡分析点,提取滑坡衰减图层、各个影响因子图层对应于分析点处的值,得到滑坡分析处理用的变量值;删除数据出现-999超限值的点,最后剩余282个有效分析点,其中,原始采集获取的滑坡点为31个;
(b)回归分析
定量变量直接进入模型,定性变量使用哑变量编码后进入模型,用SPSS的二元逻辑回归模型进行分析;在模型分析中,对各个变量之间的相关性进行分析,其中,剖面曲率因子与坡度和高程的相关性比较大,因此,剔除剖面曲率因子,重新进行回归分析;
最后保留的是坡高、坡度、坡向、地质类型、土地利用类型、到水系的距离、到交通道路的距离7个影响因子,计算得到回归系数;
(c)危险区划
按照理论研究部分的逻辑回归模型计算出研究区域所有网格的滑坡危险度值;即为基于各个滑坡影响因子进行滑坡危险度的评估结果,然后需要将结果划分为五个等级;
(2)降雨型滑坡灾害预警分析过程如下:
(a)不同降雨量发生滑坡的可能性:降雨量在0-99mm之间为低危险性降雨量,降雨量在90-150mm之间为中危险性降雨量,降雨量大于等于150mm的为高危险性降雨量;
(b)根据不同区域在不同降雨量下发生滑坡的可能性不同,做出预警;预警等级如下:
5级预警,滑坡发生可能性极大,条件为:极高危险区的降雨量为中危险性降雨量或高危险性降雨量时;高危险区的降雨量为高危险性降雨量时;
4级预警,滑坡发生可能性较大,条件为:极高危险区的降雨量为低危险性降雨量时;高危险区的降雨量为中危险性降雨量时;中危险区降雨量为高危险性降雨量时;
3级预警,滑坡发生可能性中等,条件为:高危险区的降雨量为低危险性降雨量时;中危险区的降雨量为中危险性降雨量时;低危险区降雨量为高危险性降雨量时;
2级预警,滑坡发生可能性极较小,条件为:中危险区的降雨量为低危险性降雨量时;低危险区的降雨量为中危险性降雨量时;极低危险区降雨量为高危险性降雨量时;
1级预警,滑坡发生可能性极小,条件为:低危险区的降雨量为低危险性降雨量时;极低危险区的降雨量为低危险性降雨量时;极低危险区降雨量为中危险性降雨量时;
所述步骤(1)中不同区域滑坡发生的概率计算过程如下:
以x=(X1,X2,L,XP-1)T表示不同因素影响滑坡发生的概率,以π(x)表示滑坡发生的概率,建立π(x)与x=(X1,X2,L,XP-1)T之间的某个函数关系
π(x)=f(X1,X2,L,XP-1);
对π(x)作如下变换:
则当0<π(x)<1时,-∞<θ[π(x)]<+∞,这时可令所述f(X1,X2,L,XP-1)为线性函数,即则建立线性Logistic回归模型如下:
或
Logistic回归模型的计算:
(a)参数估计,首先要利用观测数据对模型中的参数β=(β0,β1,L,βp-1)T作估计;用最大似然估计和迭代算法,求解参数β的估值
(b)统计检验,计算的观测值,判断所选的因素的显著性;
(c)得到参数的极大似然估计、标准差等有关量;
(d)将由参数估算的结果带回Logistic回归模型方程中,计算得到滑坡发生的概率π(x);把不同区域内的不同因素影响滑坡发生的概率x带入Logistic回归模型方程,进而得到不同区域发生滑坡的概率;
所述步骤(d)中,影响滑坡发生概率的因素包括坡高、坡度、坡向、地质类型、土地利用类型、到水系的距离及到交通道路的距离。
2.根据权利要求1所述的强降雨型滑坡灾害预警方法,其特征在于:还包括步骤(3)灾害易损性评估,包括人口易损性评估、经济易损性评估和社会易损性评估;并根据损失程度的高低分为极低易损性、低易损性、中易损性、高易损性以及极高易损性五个等级。
3.根据权利要求2所述的强降雨型滑坡灾害预警方法,其特征在于:所述人口易损性考虑的影响因子包括人口年龄结构、贫穷程度、受教育程度及人口密度;经济易损性考虑的影响因子包括建筑物、公路及土地资源;社会易损性考虑的影响因子包括应急能力、社会福利及医疗指数。
4.根据权利要求1所述的强降雨型滑坡灾害预警方法,其特征在于:所述步骤(1)中对待检测区域进行危险等级划分,同时建立滑坡危险区划图;步骤(2)中,收集待检测范围内不同区域的降雨量,并根据降雨量的不同建立区域降雨量等级图;将滑坡危险区划图和区域降雨量等级图进行叠加得到滑坡预警图。
5.根据权利要求4所述的强降雨型滑坡灾害预警方法,其特征在于:所述步骤(2)中,分别建立待检测范围的交通分布图、人口分布图及建筑物分布图,将该交通分布图、人口分布图及建筑物分布图分别与所述滑坡预警图叠加形成独立灾害预警图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510291924.6A CN104899437B (zh) | 2015-05-29 | 2015-05-29 | 强降雨型滑坡灾害预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510291924.6A CN104899437B (zh) | 2015-05-29 | 2015-05-29 | 强降雨型滑坡灾害预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899437A CN104899437A (zh) | 2015-09-09 |
CN104899437B true CN104899437B (zh) | 2019-04-02 |
Family
ID=54032099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510291924.6A Active CN104899437B (zh) | 2015-05-29 | 2015-05-29 | 强降雨型滑坡灾害预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899437B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260625B (zh) * | 2015-11-19 | 2018-02-23 | 成都理工大学 | 一种滑坡地质灾害预警推送方法 |
CN105740636B (zh) * | 2016-02-03 | 2018-05-18 | 长江水利委员会水文局 | 一种山洪灾害临界雨量概率分析方法 |
CN106600574B (zh) * | 2016-08-25 | 2019-07-23 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
CN106651165B (zh) * | 2016-12-15 | 2022-01-11 | 中国电力科学研究院 | 用于地质灾害区域评估预警的降雨量风险分级方法及装置 |
CN106652419A (zh) * | 2017-01-17 | 2017-05-10 | 西南科技大学 | 基于综合敏感事件驱动的无线监测网络动态同步采集方法 |
CN107145659A (zh) * | 2017-04-28 | 2017-09-08 | 成都理工大学 | 一种用于评价滑坡风险的因子选取方法及装置 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN107274634B (zh) * | 2017-07-13 | 2019-07-26 | 国网湖南省电力有限公司 | 一种输电线路沿线降水次生地质灾害告警计算方法及系统 |
CN108694816B (zh) * | 2018-04-20 | 2021-06-11 | 北京市地质研究所 | 一种泥石流预警方法 |
CN108776851B (zh) * | 2018-06-11 | 2022-07-12 | 广东省科学院广州地理研究所 | 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法 |
CN110179444B (zh) * | 2019-05-23 | 2021-10-29 | 上饶市达淋新材料有限公司 | 一种婴幼儿体温检测脚环系统及其检测方法 |
CN110333336B (zh) * | 2019-07-05 | 2021-10-08 | 东北大学 | 一种降雨条件下监测土坡失稳预警系统及方法 |
CN110489860B (zh) * | 2019-08-16 | 2022-09-30 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
CN110472197A (zh) * | 2019-08-22 | 2019-11-19 | 苏州卡泰里环保能源有限公司 | 基于Binary Logistic模型运用哑变量预测开窗行为的方法 |
CN110532334A (zh) * | 2019-08-22 | 2019-12-03 | 中国气象局气象探测中心 | 一种雷电强度区划方法及系统 |
CN113128811A (zh) * | 2019-12-31 | 2021-07-16 | 贵州电网有限责任公司 | 一种基于强降水的电网系统地质灾害风险评估方法及系统 |
CN111291941B (zh) * | 2020-03-03 | 2020-10-30 | 云南师范大学 | 一种同震滑坡道路可通行性预测方法及其应用 |
CN113535671A (zh) * | 2020-04-15 | 2021-10-22 | 宁波弘泰水利信息科技有限公司 | 一种降雨数据异常值空间一致性检查方法 |
CN112767219B (zh) * | 2021-02-03 | 2022-12-13 | 上海交通大学 | 基于机器学习的震后受灾人口快速空间评估方法及系统 |
CN112907073B (zh) * | 2021-02-20 | 2021-08-13 | 北方工业大学 | 一种暴雨诱发渣土滑坡风险辨识方法及系统 |
CN115035690A (zh) * | 2021-03-05 | 2022-09-09 | 重庆市地质灾害防治中心 | 地质灾害监测预警方法 |
CN113114935B (zh) * | 2021-04-07 | 2022-08-19 | 中煤科工集团重庆研究院有限公司 | 一种基于视频图像的振动识别方法 |
CN113177658A (zh) * | 2021-04-25 | 2021-07-27 | 广东电网有限责任公司广州供电局 | 滑坡预测方法、装置、计算机设备和存储介质 |
CN113034499B (zh) * | 2021-05-24 | 2021-09-21 | 西南交通大学 | 边坡坡面危险区预测方法、装置、设备及可读存储介质 |
CN114372633A (zh) * | 2022-01-11 | 2022-04-19 | 武汉工程大学 | 一种地质灾害预警方法和装置 |
CN114611941A (zh) * | 2022-02-22 | 2022-06-10 | 中国科学院地理科学与资源研究所 | 一种考虑空间危险性的滑坡灾害评价方法及系统 |
CN115345511B (zh) * | 2022-08-29 | 2023-06-06 | 中咨数据有限公司 | 一种公路走廊滑坡危险性动态评价方法、评价系统及设备 |
CN115147024B (zh) * | 2022-09-05 | 2022-12-13 | 杭州元声象素科技有限公司 | 一种地理加权回归的网格化险情处理方法和系统 |
CN116386300B (zh) * | 2022-11-29 | 2023-09-22 | 广东堃华建设工程有限公司 | 一种基于大数据的边坡灾害监测预警方法和系统 |
CN116110210B (zh) * | 2023-04-04 | 2023-08-01 | 中南大学 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
-
2015
- 2015-05-29 CN CN201510291924.6A patent/CN104899437B/zh active Active
Non-Patent Citations (5)
Title |
---|
区域降雨型滑坡预报预警方法研究;李媛;《中国博士学位论文全文数据库(基础科学辑)》;20050415;第5-7章 |
基于地质灾害滑坡模型的预警预报系统研究;张广平等;《钦州学院学报》;20130228;第28卷(第2期);57-60 |
滑坡灾害风险评估方法及其应用研究;杨义辉;《万方学位论文》;20141013;第4章 |
突发暴雨型滑坡泥石流地质灾害格点化预警方法;赵放等;《浙江气象》;20110930;第32卷(第3期);8-12 |
降雨型滑坡预报新方法;丁继新等;《岩石力学与工程学报》;20041130;第23卷(第21期);3738-3743 |
Also Published As
Publication number | Publication date |
---|---|
CN104899437A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899437B (zh) | 强降雨型滑坡灾害预警方法 | |
Zheng et al. | GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong | |
Feloni et al. | Flood vulnerability assessment using a GIS‐based multi‐criteria approach—The case of Attica region | |
CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
Zhao et al. | Slope unit-based landslide susceptibility mapping using certainty factor, support vector machine, random forest, CF-SVM and CF-RF models | |
Bavaghar | Deforestation modelling using logistic regression and GIS. | |
CN109165424A (zh) | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 | |
CN110059963A (zh) | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 | |
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
CN106021875A (zh) | 一种地震扰动区多尺度泥石流风险评估的方法 | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
Baena-Ruiz et al. | Global assessment of seawater intrusion problems (status and vulnerability) | |
CN109447493A (zh) | 一种基于物源活动强度的震后泥石流危险性评价方法 | |
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN101344937A (zh) | 基于地理信息系统的水上交通风险评价及预测方法 | |
CN109992635B (zh) | 一种震后泥石流早期识别方法 | |
CN104715159A (zh) | 一种线性工程地质灾害危险性评估的多层次分析法 | |
CN111752990B (zh) | 一种雷电易发性等级划分方法 | |
CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
CN115619213A (zh) | 一种公路交通降雨气象灾害风险评估方法、装置及设备 | |
CN116384627A (zh) | 一种基于机器学习的地质灾害评价方法 | |
CN114331042A (zh) | 一种船舶碰撞风险分析方法 | |
CN108009510B (zh) | 安保态势分析方法和装置 | |
Wen et al. | Explainable Machine Learning Model for Rockfall Susceptibility Evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |