CN108052761B - 一种滑坡预测方法 - Google Patents

一种滑坡预测方法 Download PDF

Info

Publication number
CN108052761B
CN108052761B CN201711425564.XA CN201711425564A CN108052761B CN 108052761 B CN108052761 B CN 108052761B CN 201711425564 A CN201711425564 A CN 201711425564A CN 108052761 B CN108052761 B CN 108052761B
Authority
CN
China
Prior art keywords
landslide
curve
probability
clustered
distance
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
Application number
CN201711425564.XA
Other languages
English (en)
Other versions
CN108052761A (zh
Inventor
李胜
郑强
张宗旗
丁交亮
刘晟一
林湫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUIZHOU EAST CENTURY TECHNOLOGY CO LTD
Original Assignee
GUIZHOU EAST CENTURY TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUIZHOU EAST CENTURY TECHNOLOGY CO LTD filed Critical GUIZHOU EAST CENTURY TECHNOLOGY CO LTD
Priority to CN201711425564.XA priority Critical patent/CN108052761B/zh
Publication of CN108052761A publication Critical patent/CN108052761A/zh
Application granted granted Critical
Publication of CN108052761B publication Critical patent/CN108052761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Abstract

本发明公开了一种滑坡预测方法，它包括：步骤1、采集计算控制因子；步骤2、采集历史滑坡区域范围和时间信息；步骤3、将采集的历史滑坡区域和控制因子生成滑坡曲线；步骤4、对滑坡曲线进行聚类，形成一种以上的滑坡模型；步骤5、将预测区域的控制因子生成滑坡曲线，与进行聚类后的滑坡模型中的各条滑坡曲线比较，计算预测区域滑坡曲线的质心与聚类后各条滑坡曲线的质心的欧式距离；步骤6、根据欧式距离得到滑坡概率‑距离关系曲线；步骤7、根据滑坡概率‑距离关系曲线得到滑坡概率曲线；解决了现有技术采用内因研究为主的预测和以监测为主的预报预测方法存在的技术问题。

Description

一种滑坡预测方法
技术领域：
本发明属于山体滑坡预测技术，尤其涉及一种滑坡预测方法。
背景技术：
目前滑坡预测预报的方法基本上分为两大类：以内因为主的方法和以检测为主的方法。
以内因分析为主的方法主要包括：工程条件分析、地址条件分析、岩土体力学实验、力学模型。通常先进行详细的现成工程地质调查，建立地质模型；再取样在实验室或现场进行力学试验，进一步建立力学模型；然后，进行力学分析。
以监测为主的方法主要通过在地下布置传感器，通过传感器返回易滑坡体的变形—时间曲线，进行滑坡预测预报。但作为这一预测预报的方法要求较高，条件苛刻，包括：(1)监测技术支持；(2)对于变形—时间曲线具有快速分析能力；(3)监测传感器布置位置准确，分布广泛；(4)需要大量的经费支持。
在以内因研究为主的预测预报中，存在工作量大，仅针对一小块区域进行预测预报就要做大量的准备与研究工作，且模型不具有通用性一般一个区域的模型仅能预测预报对应的区域；以监测为主的预报预测方法也存在区域局限性，往往会因传感器布置位置不精确，布置密度不够，导致监测数据不准确，预报预测不能满足预期，且存在大量经费购买的传感器难以回收再利用等问题。
发明内容：
本发明要解决的技术问题：提供一种滑坡预测方法，以解决现有技术采用内因研究为主的预测存在工作量大及模型不具备通用性问题和以监测为主的预报预测方法也存在区域局限性，往往会因传感器布置位置不精确，布置密度不够，导致监测数据不准确，预报预测不能满足预期，且存在大量经费购买的传感器难以回收再利用等问题。
本发明技术方案：
一种滑坡预测方法，它包括：
步骤1、采集计算控制因子；
步骤2、采集历史滑坡区域范围和时间信息；
步骤3、将采集的历史滑坡区域和控制因子生成滑坡曲线；
步骤4、对滑坡曲线进行聚类，形成一种以上的滑坡模型；
步骤5、将预测区域的控制因子生成滑坡曲线，与进行聚类后的滑坡模型中的各条滑坡曲线比较，计算预测区域滑坡曲线的质心与聚类后各条滑坡曲线的质心的欧氏距离；
步骤6、根据欧氏距离得到滑坡概率-距离关系曲线；
步骤7、根据滑坡概率-距离关系曲线得到滑坡概率曲线。步骤1所述控制因子包括降雨(R)、地形(S)、土壤类型(T)、含沙量百分比(sand)、含泥量百分比(silt)、黏土量百分比(clay)、植被覆盖度(N)、土壤含水量(P)和地理位置(W)。
步骤4所述聚类为K-Means聚类。
步骤5所述计算预测区域滑坡曲线的质心与聚类后滑坡曲线的质心的欧氏距离方法为：
Figure GDA0002980244140000031
式中：D为预测区域滑坡曲线的质心与聚类后滑坡曲线的质心的欧氏距离；x1和y1为预测区域滑坡曲线的质心坐标值；x1和y1为聚类后滑坡曲线的质心坐标。
滑坡概率-距离关系为距离值越小则滑坡概率越高。
步骤7所述根据滑坡概率-距离关系曲线得到滑坡概率曲线的方法为：步骤7.1、根据步骤6的计算结果选出聚类后滑坡曲线中欧氏距离最小的聚类后的滑坡曲线；
步骤7.2、计算步骤1选出的滑坡曲线与预测区域滑坡曲线的豪斯多夫距离；
步骤7.3、根据豪斯多夫距离得到滑坡概率。
本发明的有益效果：
本发明以外因分析为主，收集多年滑坡数据建立样本数据库，依据统计及分析滑坡成因，确定滑坡因子(降雨、地形、土壤类型、土壤组成成分、植被覆盖度、土壤含水量、地理位置)。建立滑坡成因N维曲线，对滑坡曲线进行聚类，形成多种滑坡模型，通过计算预测预报滑坡点的因子与样本数据库内滑坡数据N维空间距离，选定滑坡模型，对滑坡样本与预报预测滑坡区域二者的曲线相似性进行比较，进而获得预报预测点滑坡概率；解决了现有技术采用内因研究为主的预测存在工作量大及模型不具备通用性问题和以监测为主的预报预测方法也存在区域局限性，往往会因传感器布置位置不精确，布置密度不够，导致监测数据不准确，预报预测不能满足预期，且存在大量经费购买的传感器难以回收再利用等问题。
具体实施方式：
一种滑坡预测方法，它包括：
步骤1、采集计算控制因子；
步骤1所述控制因子包括降雨(R)、地形(S)、土壤类型(T)、含沙量百分比(sand)、含泥量百分比(silt)、黏土量百分比(clay)、植被覆盖度(N)、土壤含水量(P)和地理位置(W)。
控制因子：
降雨(R)：滑坡区域的近10天逐降雨量，单位(毫米)
地形(S)：滑坡区点的坡度，滑坡区域的平均坡度，单位(度)
土壤类型(T)：红壤、棕壤、褐土、黑土、栗钙土、漠土、潮土(包括砂姜黑土)、灌淤土、水稻土、湿土(草甸、沼泽土)、盐碱土、岩性土和高山土，依照顺序编号：1，2,3,…
含沙量百分比(sand)：以百分比记录
含泥量百分比(silt)：以百分比记录
黏土量百分比(clay)：以百分比记录
植被覆盖度(N)：滑坡区域植被覆盖百分比记录
土壤含水量(P)：以毫米记录
地理位置(W)：按省行政区划划分，顺序编号：1，2，3，…
步骤2、采集历史滑坡区域范围和时间信息；
步骤3、将采集的历史滑坡区域和控制因子生成滑坡曲线；
步骤4、对滑坡曲线进行聚类，形成一种以上的滑坡模型；
步骤4所述聚类为K-Means聚类。将样本数据库内滑坡数据依据控制因子，采用K-Means(聚类算法中的一种)进行聚类。
步骤5、将预测区域的控制因子生成滑坡曲线，与进行聚类后的滑坡模型中的各条滑坡曲线比较，计算预测区域滑坡曲线的质心与聚类后各条滑坡曲线的质心的欧氏距离；
步骤5所述计算预测区域滑坡曲线的质心与聚类后滑坡曲线的质心的欧氏距离方法为：
Figure GDA0002980244140000051
式中：D为预测区域滑坡曲线的质心与聚类后滑坡曲线的质心的欧氏距离；x1和y1为预测区域滑坡曲线的质心坐标值；x1和y1为聚类后滑坡曲线的质心坐标。
步骤6、根据欧氏距离得到滑坡概率-距离关系曲线；
步骤7、根据滑坡概率-距离关系曲线得到滑坡概率曲线。
滑坡概率-距离关系为距离值越小则滑坡概率越高。
步骤7所述根据滑坡概率-距离关系曲线得到滑坡概率曲线的方法为：步骤7.1、根据步骤6的计算结果选出聚类后滑坡曲线中欧氏距离最小的聚类后的滑坡曲线；
步骤7.2、计算步骤1选出的滑坡曲线与预测区域滑坡曲线的豪斯多夫距离；
步骤7.3、根据豪斯多夫距离得到滑坡概率。

Claims (4)

1.一种滑坡预测方法，它包括：
步骤1、采集计算控制因子；所述控制因子包括降雨(R)、地形(S)、土壤类型(T)、含沙量百分比(sand)、含泥量百分比(silt)、黏土量百分比(clay)、植被覆盖度(N)、土壤含水量(P)和地理位置(W)；
步骤2、采集历史滑坡区域范围和时间信息；
步骤3、将采集的历史滑坡区域和控制因子生成滑坡曲线；
步骤4、对滑坡曲线进行聚类，形成一种以上的滑坡模型；
步骤5、将预测区域的控制因子生成滑坡曲线，与进行聚类后的滑坡模型中的各条滑坡曲线比较，计算预测区域滑坡曲线的质心与聚类后各条滑坡曲线的质心的欧氏距离；
步骤6、根据欧氏距离得到滑坡概率-距离关系曲线；
步骤7、根据滑坡概率-距离关系曲线得到滑坡概率曲线；
步骤7所述根据滑坡概率-距离关系曲线得到滑坡概率曲线的方法为：步骤7.1、根据步骤6的计算结果选出聚类后滑坡曲线中欧氏距离最小的聚类后的滑坡曲线；
步骤7.2、计算步骤1选出的滑坡曲线与预测区域滑坡曲线的豪斯多夫距离；
步骤7.3、根据豪斯多夫距离得到滑坡概率。
2.根据权利要求1所述的一种滑坡预测方法，其特征在于：步骤4所述聚类为K-Means聚类。
3.根据权利要求1所述的一种滑坡预测方法，其特征在于：步骤5所述计算预测区域滑坡曲线的质心与聚类后滑坡曲线的质心的欧氏距离方法为：
Figure FDA0002980244130000021
式中：D为预测区域滑坡曲线的质心与聚类后滑坡曲线的质心的欧氏距离；x1和y1为预测区域滑坡曲线的质心坐标值；x1和y1为聚类后滑坡曲线的质心坐标。
4.根据权利要求1所述的一种滑坡预测方法，其特征在于：滑坡概率-距离关系为距离值越小则滑坡概率越高。
CN201711425564.XA 2017-12-25 2017-12-25 一种滑坡预测方法 Active CN108052761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711425564.XA CN108052761B (zh) 2017-12-25 2017-12-25 一种滑坡预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711425564.XA CN108052761B (zh) 2017-12-25 2017-12-25 一种滑坡预测方法

Publications (2)

Publication Number Publication Date
CN108052761A CN108052761A (zh) 2018-05-18
CN108052761B true CN108052761B (zh) 2021-06-29

Family

ID=62131887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711425564.XA Active CN108052761B (zh) 2017-12-25 2017-12-25 一种滑坡预测方法

Country Status (1)

Country Link
CN (1) CN108052761B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427655B (zh) * 2019-07-09 2023-05-26 中国地质大学（武汉） 一种滑坡敏感状态的提取方法
CN111580098B (zh) * 2020-04-29 2021-07-06 深圳大学 一种桥梁形变监测方法、终端以及存储介质
CN112036424B (zh) * 2020-04-30 2024-04-09 自然资源部第一海洋研究所 基于无监督机器学习的海底滑坡危险性分析方法
CN115408934B (zh) * 2022-08-17 2023-04-18 中国水利水电科学研究院 一种快速预测坝下游河道对水库出库水量和沙量变化响应的方法
CN116307270B (zh) * 2023-05-16 2023-08-22 南京信息工程大学 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2533396A (en) * 2014-12-19 2016-06-22 Senceive Ltd Monitoring system for railway embankment
CN106250667A (zh) * 2016-06-29 2016-12-21 中国地质大学（武汉） 一种涉水滑坡状态跃迁的监测方法及装置
CN106650767A (zh) * 2016-09-20 2017-05-10 河海大学 基于聚类分析和实时校正的洪水预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120330714A1 (en) * 2011-05-27 2012-12-27 Ashutosh Malaviya Enhanced systems, processes, and user interfaces for targeted marketing associated with a population of assets

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2533396A (en) * 2014-12-19 2016-06-22 Senceive Ltd Monitoring system for railway embankment
CN106250667A (zh) * 2016-06-29 2016-12-21 中国地质大学（武汉） 一种涉水滑坡状态跃迁的监测方法及装置
CN106650767A (zh) * 2016-09-20 2017-05-10 河海大学 基于聚类分析和实时校正的洪水预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Fuzzy k Means Classification and a Bayesian Approach for Spatial Prediction A Fuzzy k Means Classification and a Bayesian Approach for Spatial Prediction;Pece V. Gorsevski;《researchgate》;20101130;全文 *
三峡库区万州区滑坡灾害易发性评价研究;张俊;《岩石力学与工程学报》;20160228;全文 *

Also Published As

Publication number Publication date
CN108052761A (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN108052761B (zh) 一种滑坡预测方法
Javadi et al. Classification of aquifer vulnerability using K-means cluster analysis
Lidberg et al. Using machine learning to generate high-resolution wet area maps for planning forest management: A study in a boreal forest landscape
Yang et al. Updating conventional soil maps through digital soil mapping
Angileri et al. Water erosion susceptibility mapping by applying stochastic gradient treeboost to the Imera Meridionale river basin (Sicily, Italy)
CN109584510B (zh) 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
CN107886216A (zh) 一种基于土地利用适宜性评价的土地承载力分析方法
Bishop et al. Digital soil-terrain modeling: the predictive potential and uncertainty
CN105550423A (zh) 基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法
CN104020274A (zh) 一种林地立地质量遥感量化估测的方法
CN102184423B (zh) 一种全自动的区域不透水面遥感信息精确提取方法
Wang et al. Changes of soil organic carbon stocks from the 1980s to 2018 in northern China’s agro-pastoral ecotone
Lee et al. Spatial prediction of urban landslide susceptibility based on topographic factors using boosted trees
CN113051653A (zh) 一种基于多维度数据分析的城市规划道路修建施工评估管理系统
Ashenafi Modeling hydrological responses to changes in land cover and climate in Geba River Basin, Northern Ethiopia
Wang et al. Soil organic carbon stocks and dynamics in a mollisol region: A 1980s–2010s study
Patle et al. Groundwater potential zoning in Tikamgarh District of Bundelkhand using remote sensing and GIS
Kai-Li et al. Spatio-temporal variability of soil salinity in alluvial plain of the lower reaches of the Yellow River—a case study
Heiskanen et al. Predictive models to determine fine soil fractions and organic matter from readily available soil and terrain data of soils under boreal forest
Ji Landscape effects of urban sprawl: Spatial and temporal analyses using remote sensing images and landscape metrics
CN113537793A (zh) 一种流域生态水文分区的方法
Endale et al. Soil water regime in space and time in a small Georgia Piedmont catchment under pasture
Wosten et al. Land evaluation at different scales: you pay for what you get!
Wang et al. Quantitative Attribution Analysis of the Spatial Differentiation of Gully Erosion in the Black Soil Region of Northeast China
Prakasam et al. Evaluation of geomorphic resources using GIS technology: a case study of selected villages in Ausgram Block, Burdwam District, West Bengal, India

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A landslide prediction method

Effective date of registration: 20230911

Granted publication date: 20210629

Pledgee: Guiyang Rural Commercial Bank Co.,Ltd. science and technology sub branch

Pledgor: GUIZHOU EAST CENTURY TECHNOLOGY Co.,Ltd.

Registration number: Y2023520000048