CN109657866A - 基于最大熵模型的地质灾害生态安全评价模型的构建方法 - Google Patents
基于最大熵模型的地质灾害生态安全评价模型的构建方法 Download PDFInfo
- Publication number
- CN109657866A CN109657866A CN201811577750.XA CN201811577750A CN109657866A CN 109657866 A CN109657866 A CN 109657866A CN 201811577750 A CN201811577750 A CN 201811577750A CN 109657866 A CN109657866 A CN 109657866A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- land
- rainfall
- soil
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 31
- 239000002689 soil Substances 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims description 15
- 239000007983 Tris buffer Substances 0.000 claims description 6
- 238000003325 tomography Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000001235 sensitizing effect Effects 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001168730 Simo Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- -1 heavy loam Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于最大熵模型的地质灾害生态安全评价模型的构建方法,包括:(1)通过MAXENT模型将对象已知分布点的像元作为样点,根据样点像元的环境变量得出约束条件;(2)滑坡数据;(3)环境变量数据;(4)土壤质地与土壤类型数据;(5)岩性因子数据;(6)NDVI数据;(7)道路及河流数据;(8)分析。本发明的滑坡灾害分布模型中,加入建设用地距离变量的预测模型,其滑坡高敏感和极高敏感区域范围更小,高敏感区域的范围会更精确的锁定在建设用地周围。
Description
技术领域
本发明涉及地质灾害技术领域,具体是基于最大熵模型的地质灾害生态安全评价模型 的构建方法。
背景技术
山体滑坡是指在重力的影响下块体沿着山坡下滑的现象。由于山体滑坡对经济学和人 类生命财产有明显的影响,政府和研究机构一直试图评估滑坡敏感性程度、灾害和风险, 并在地图上标出山体滑坡的空间分布,以提高预防该类灾害的能力。上世纪90年代初,就已经开始了基于地理信息系统(GIS)空间数据集定量预测模型滑坡风险制图研究,Chung etc.等于1999年提出联合条件概率模型(jointconditional probability model)并利用GIS的多图层空间数据构建滑坡风险预测图,随后人工神经网络模型(ArtificialNeural Networks)、模糊神经网络模型(Neuro-fuzzy)、证据加权模型(WeightsofevidenceModel)等方法都加入到了滑坡风险预测制图研究中。尽管如此,由于滑坡所涉及环境因 素的复杂性,滑坡灾害和风险的分区制图仍然是非常困难的。
最大熵模型(Maximum EntropyModeling)已成功应用于计算机视觉、空间物理、自然语言处理和许多其他领域。在自然科学领域,MaxEnt模型常用于生物物种的地理分布、野生动物研究、生境适宜性分析和模拟等,其预测精度高得到许多研究者的肯定。但是该模型在滑坡风险分布预测中的应用仍然较少。相对于需要精确采样的复杂模型,MaxEnt可以用于滑坡预测,而且更加简单,该模型可以分析滑坡驱动因素的相关度及重要性,而不需要提前假设主要触发因素,因此其对滑坡预测中环境变量的检验是非常重要的。
Felicísimo etc.分别利用逻辑回归、多元自适应回归样条函数、分类回归树和MaxEnt对 滑坡敏感性制图进行了对比分析,他们认为在加入岩性因素的情况下,分类回归树模型及 MaxEnt模型是最佳的方法,但是前者的稳定性不佳。Haoyuan Hong等则分别利用data-driven evidential belief function(EBF),frequency ratio(FR),maximumentropy(MaxEnt),andlogistic regression(LR)对滑坡进行了空间建模,他们认为在 滑坡敏感性制图中,MaxEnt模型对滑坡具有良好的预测精度。Kim etc.用MaxEnt模型对Pyeongchang Korea的滑坡灾害进行了模拟和预测,认为2050年和2090年Pyeongchang 的滑坡会增加,降雨因素是主导因素,模型的精度高达92%。可见该模型用于滑坡灾害分 布模拟亦正逐渐得到认可。
本发明选取了高程、岩性、土壤类型、植被覆盖指数、道路等16个变量,利用MaxEnt模型对地质灾害进行生态安全评价模型,预测滑坡灾害的空间分布,以期为地质灾害防治、城市规划等领域提供参考。
发明内容
本发明的目的在于提供基于最大熵模型的地质灾害生态安全评价模型的构建方法,以 解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于最大熵模型的地质灾害生态安全评价模型的构建方法,包括
(1)通过MAXENT模型把研究区所有像元作为构成最大熵的可能分布空间,将对象已 知分布点的像元作为样点,根据样点像元的环境变量得出约束条件,探寻此约束条件下的 最大熵的可能分布,据此来预测对象在研究区的分布;
(2)滑坡数据:滑坡数据主要来自《广东省地质灾害防治方案》(2014-2016),2014-2016年,广东省肇庆市威胁100人以上的滑坡灾害隐患点共有159处,随机选取其 中的75%构建滑坡敏感性模型,并将其余的25%对模型进行验证,重复运算15次获取平均 值作为预测结果;
(3)环境变量数据:1.环境变量选择:采用海拔、坡度、坡向、岩性、土壤质地、 土壤类型、归一化植被指数、年均降雨量、年均最大降雨量、最湿月降雨量、最湿季度降 雨量、降雨量变异系数、道路距离、河流距离和断层距离变量,同时增加建设用地距离变 量作为滑坡预测的环境变量;2.环境变量数据来源:DEM数据为中国科学院计算机网络信 息中心地理空间数据云提供的GDEMV2 30m分辨率数字高程数据,坡度、坡向因子由DEM 经过ArcGIS的slope分析获得;
(4)土壤质地与土壤类型数据来源于中国广东省生态环境与土壤研究所广东省数字 土壤V2.0,数据精度为1:100万;
(5)岩性因子数据来源于中国国家地质资料数据中心广东省1:50万地质图;研究区 内岩性组成结构复杂,总共可以分为44类;
(6)NDVI数据由中国科学院计算机网络信息中心地理空间数据云提供的Landsat8 OLI_TRIS数据通过GIS计算获得,NDVI的计算公式为NDVI=(IR-R)/(IR+R);各降 雨因子由广东省气象局2013-2015年降雨数据通过GIS的Kriging插值生成;
(7)道路及河流数据来源于中国国家基础地理信息中心;断层数据来源于中国国家 地质资料数据中心;建设用地数据利用GIS对Landsat 8OLI_TRIS数据进行非监督分类;分别选取道路、河流、断层及建设用地数据通过GIS欧氏距离工具计算各距离因子;
(8)分析:包括数据集成和分析、利用MaxEnt模型进行滑坡敏感性建模、模型验证、根据ROC曲线选择最佳模型和模型重分类形成最终的分布模拟图。
作为本发明进一步的方案:其特征在于,步骤(1)采用Jackknife检验对环境变量重要性进行分析,并用ROC曲线下面积对MAXENT模型的精度进行评价。
作为本发明进一步的方案:步骤(7)中将土地利用类型分为水系、林地、耕地、草地、建设用地与裸地6类。
与现有技术相比,本发明的有益效果是:
本发明的滑坡灾害分布模型中,加入建设用地距离变量的预测模型,其滑坡高敏感和 极高敏感区域范围更小,这可能是因为本发明所采用的滑坡灾害数据考虑了威胁人数为百 人以上的样本,而滑坡在其影响范围内能达百人以上的更可能是接近建设用地区域的灾害 点,因此在加入了该变量后,高敏感区域的范围会更精确的锁定在建设用地周围。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
基于最大熵模型的地质灾害生态安全评价模型的构建方法,包括
(1)通过MAXENT模型把研究区所有像元作为构成最大熵的可能分布空间,将对象已 知分布点的像元作为样点,根据样点像元的环境变量如气候变量、海拔、土壤类型、植被类型得出约束条件,探寻此约束条件下的最大熵的可能分布(即探寻与对象分布点的环境变量特征相同的像元),据此来预测对象在研究区的分布;该模型采用Jackknife检验对 环境变量重要性进行分析,并用ROC曲线(受试者工作特征曲线)下面积(area under curve,AUC)对MAXENT模型的精度进行评价,AUC值越大,表示环境变量与预测目标地理分 布模型之间相关性越大,越能将该物种有分布和无分布判别开,预测效果也就越好;一般 情况下AUC值高于0.75,则表示模型预测有效;
在本发明中,使用Maxent software for species habitat modeling;
Table 1
(2)滑坡数据:滑坡数据主要来自《广东省地质灾害防治方案》(2014-2016),该 方案为广东省国土资源厅地质环境处(地质灾害应急管理办公室)编制,方案中威胁100人 以上滑坡隐患点为高威胁滑坡灾害点,该数据包含灾害隐患点的位置描述、类型、经纬度 等信息,由于同时还提供灾害点监测人及联系方式,所以灾害隐患点的精确度较高;通过 GIS将肇庆市滑坡灾害点绘制成滑坡灾害分布图;
2014-2016年,广东省肇庆市威胁100人以上的滑坡灾害隐患点共有159处,本发明随机选取其中的75%构建滑坡敏感性模型,并将其余的25%对模型进行验证,重复运算15次获取平均值作为预测结果;
(3)环境变量数据:1.环境变量选择:在滑坡预测模型中,环境变量的选择尤为重要;学者们通常会将地形地貌、地质、土壤、土地利用、植被、土壤、降雨等因素作为模 型预测的环境变量;根据已有的研究,本发明采用海拔、坡度、坡向、岩性、土壤质地、 土壤类型、归一化植被指数、年均降雨量、年均最大降雨量、最湿月降雨量、最湿季度降 雨量、降雨量变异系数、道路距离、河流距离、断层距离等多数学者常用的变量,同时增 加建设用地距离变量作为滑坡预测的环境变量;建设用地距离因子的选取在多数文献中都 较少考虑,但本发明认为中国广东多数的滑坡灾害都与人为建设有关,所以我们将“建设 用地距离”亦作为环境变量之一,以期探讨其在广东肇庆滑坡灾害中的作用;2.环境变量 数据来源:DEM数据为中国科学院计算机网络信息中心地理空间数据云提供的GDEMV2 30m 分辨率数字高程数据,坡度、坡向因子由DEM经过ArcGIS的slope分析获得;肇庆市全 境东北部海拔高度较高,西南部相对较低,以中低山丘陵为主,平原较少,形成山地、盆 地、丘陵、冲积平原等形态相间分布的山区地貌;
(4)土壤质地与土壤类型数据来源于中国广东省生态环境与土壤研究所广东省数字 土壤V2.0,数据精度为1:100万。研究区内土壤质地主要有轻粘土、重壤土、中壤土、 轻壤土和砂壤土组成,其中中壤土和砂壤土覆盖了约84%的范围。研究区内土壤类型有16类,各类型赋值请见表2;
Table 2土壤类型及赋值
(5)岩性因子数据来源于中国国家地质资料数据中心广东省1:50万地质图。研究区 内岩性组成结构复杂,总共可以分为44类,岩性因子赋值见表3。
Table 3岩性因子分类及赋值
(6)NDVI数据由中国科学院计算机网络信息中心地理空间数据云提供的Landsat8 OLI_TRIS数据通过GIS计算获得,NDVI的计算公式为NDVI=(IR-R)/(IR+R)。各降 雨因子由广东省气象局2013-2015年降雨数据通过GIS的Kriging插值生成;
(7)道路及河流数据来源于中国国家基础地理信息中心。断层数据来源于中国国家 地质资料数据中心。建设用地数据利用GIS对Landsat 8OLI_TRIS数据进行非监督分类,将土地利用类型分为水系、林地、耕地、草地、建设用地与裸地等6类。分别选取道路、 河流、断层及建设用地数据通过GIS欧氏距离工具计算各距离因子;
(8)分析:包括数据集成和分析、利用MaxEnt模型进行滑坡敏感性建模、模型验证、根据ROC曲线选择最佳模型和模型重分类形成最终的分布模拟图。
本发明的滑坡灾害分布模型中,加入建设用地距离变量的预测模型,其滑坡高敏感和 极高敏感区域范围更小,这可能是因为本发明所采用的滑坡灾害数据考虑了威胁人数为百 人以上的样本,而滑坡在其影响范围内能达百人以上的更可能是接近建设用地区域的灾害 点,因此在加入了该变量后,高敏感区域的范围会更精确的锁定在建设用地周围。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在 本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各 种变化。
Claims (3)
1.基于最大熵模型的地质灾害生态安全评价模型的构建方法,其特征在于,包括
(1)通过MAXENT模型把研究区所有像元作为构成最大熵的可能分布空间,将对象已知分布点的像元作为样点,根据样点像元的环境变量得出约束条件,探寻此约束条件下的最大熵的可能分布,据此来预测对象在研究区的分布;
(2)滑坡数据:滑坡数据主要来自《广东省地质灾害防治方案》(2014-2016),2014-2016年,广东省肇庆市威胁100人以上的滑坡灾害隐患点共有159处,随机选取其中的75%构建滑坡敏感性模型,并将其余的25%对模型进行验证,重复运算15次获取平均值作为预测结果;
(3)环境变量数据:1.环境变量选择:采用海拔、坡度、坡向、岩性、土壤质地、土壤类型、归一化植被指数、年均降雨量、年均最大降雨量、最湿月降雨量、最湿季度降雨量、降雨量变异系数、道路距离、河流距离和断层距离变量,同时增加建设用地距离变量作为滑坡预测的环境变量;2.环境变量数据来源:DEM数据为中国科学院计算机网络信息中心地理空间数据云提供的GDEMV2 30m分辨率数字高程数据,坡度、坡向因子由DEM经过ArcGIS的slope分析获得;
(4)土壤质地与土壤类型数据来源于中国广东省生态环境与土壤研究所广东省数字土壤V2.0,数据精度为1:100万;
(5)岩性因子数据来源于中国国家地质资料数据中心广东省1:50万地质图;研究区内岩性组成结构复杂,总共可以分为44类;
(6)NDVI数据由中国科学院计算机网络信息中心地理空间数据云提供的Landsat8OLI_TRIS数据通过GIS计算获得,NDVI的计算公式为NDVI=(IR-R)/(IR+R);各降雨因子由广东省气象局2013-2015年降雨数据通过GIS的Kriging插值生成;
(7)道路及河流数据来源于中国国家基础地理信息中心;断层数据来源于中国国家地质资料数据中心;建设用地数据利用GIS对Landsat 8OLI_TRIS数据进行非监督分类;分别选取道路、河流、断层及建设用地数据通过GIS欧氏距离工具计算各距离因子;
(8)分析:包括数据集成和分析、利用MaxEnt模型进行滑坡敏感性建模、模型验证、根据ROC曲线选择最佳模型和模型重分类形成最终的分布模拟图。
2.根据权利要求1所述的基于最大熵模型的地质灾害生态安全评价模型的构建方法,其特征在于,步骤(1)采用Jackknife检验对环境变量重要性进行分析,并用ROC曲线下面积对MAXENT模型的精度进行评价。
3.根据权利要求1所述的基于最大熵模型的地质灾害生态安全评价模型的构建方法,其特征在于,步骤(7)中将土地利用类型分为水系、林地、耕地、草地、建设用地与裸地6类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711440566.6A CN108171375A (zh) | 2017-12-25 | 2017-12-25 | 基于最大熵模型的地址灾害生态安全评价模型的构建方法 |
CN2017114405666 | 2017-12-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657866A true CN109657866A (zh) | 2019-04-19 |
Family
ID=62522035
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711440566.6A Pending CN108171375A (zh) | 2017-12-25 | 2017-12-25 | 基于最大熵模型的地址灾害生态安全评价模型的构建方法 |
CN201811577750.XA Pending CN109657866A (zh) | 2017-12-25 | 2018-12-20 | 基于最大熵模型的地质灾害生态安全评价模型的构建方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711440566.6A Pending CN108171375A (zh) | 2017-12-25 | 2017-12-25 | 基于最大熵模型的地址灾害生态安全评价模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN108171375A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929923A (zh) * | 2019-11-08 | 2020-03-27 | 温州设计集团有限公司 | 基于数字孪生技术的城市安全风险管控系统 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN112348086A (zh) * | 2020-11-06 | 2021-02-09 | 中国科学院西北生态环境资源研究院 | 一种基于多源数据的物种生境质量模拟方法 |
CN112734616A (zh) * | 2021-01-11 | 2021-04-30 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种滑坡敏感性分析方法及装置 |
CN113095674A (zh) * | 2021-04-12 | 2021-07-09 | 云南省林业调查规划院 | 基于MaxEnt与GIS对云南重点保护野生植物潜在生境分析方法 |
CN115374714A (zh) * | 2022-10-26 | 2022-11-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于生境适宜性的生态安全格局构建方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447028A (zh) * | 2018-11-12 | 2019-03-08 | 南京大学 | 一种农田沟渠网络自动提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455711A (zh) * | 2013-08-15 | 2013-12-18 | 广州地理研究所 | 一种基于机理分析的小流域地区滑坡灾害风险区划方法 |
CN104933829A (zh) * | 2015-05-19 | 2015-09-23 | 重庆大学 | 一种地质灾害预测预警系统的构建方法 |
CN106529197A (zh) * | 2016-12-07 | 2017-03-22 | 中国地质大学(武汉) | 一种滑坡稳定性时变规律分析的方法 |
CN107169289A (zh) * | 2017-05-19 | 2017-09-15 | 西安工程大学 | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 |
-
2017
- 2017-12-25 CN CN201711440566.6A patent/CN108171375A/zh active Pending
-
2018
- 2018-12-20 CN CN201811577750.XA patent/CN109657866A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455711A (zh) * | 2013-08-15 | 2013-12-18 | 广州地理研究所 | 一种基于机理分析的小流域地区滑坡灾害风险区划方法 |
CN104933829A (zh) * | 2015-05-19 | 2015-09-23 | 重庆大学 | 一种地质灾害预测预警系统的构建方法 |
CN106529197A (zh) * | 2016-12-07 | 2017-03-22 | 中国地质大学(武汉) | 一种滑坡稳定性时变规律分析的方法 |
CN107169289A (zh) * | 2017-05-19 | 2017-09-15 | 西安工程大学 | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 |
Non-Patent Citations (1)
Title |
---|
田丰 等: "《河西走廊泥石流灾害危险性评价及影响因子分析》", 《自然灾害学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929923A (zh) * | 2019-11-08 | 2020-03-27 | 温州设计集团有限公司 | 基于数字孪生技术的城市安全风险管控系统 |
CN110929923B (zh) * | 2019-11-08 | 2023-04-07 | 温州设计集团有限公司 | 基于数字孪生技术的城市安全风险管控系统 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN112348086A (zh) * | 2020-11-06 | 2021-02-09 | 中国科学院西北生态环境资源研究院 | 一种基于多源数据的物种生境质量模拟方法 |
CN112348086B (zh) * | 2020-11-06 | 2021-09-03 | 中国科学院西北生态环境资源研究院 | 一种基于多源数据的物种生境质量模拟方法 |
CN112734616A (zh) * | 2021-01-11 | 2021-04-30 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种滑坡敏感性分析方法及装置 |
CN113095674A (zh) * | 2021-04-12 | 2021-07-09 | 云南省林业调查规划院 | 基于MaxEnt与GIS对云南重点保护野生植物潜在生境分析方法 |
CN115374714A (zh) * | 2022-10-26 | 2022-11-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于生境适宜性的生态安全格局构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108171375A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aymen et al. | Land suitability evaluation for agricultural use using GIS and remote sensing techniques: The case study of Ma’an Governorate, Jordan | |
CN109657866A (zh) | 基于最大熵模型的地质灾害生态安全评价模型的构建方法 | |
Pandey et al. | Landslide hazard zonation using remote sensing and GIS: a case study of Dikrong river basin, Arunachal Pradesh, India | |
Collard et al. | Refining a reconnaissance soil map by calibrating regression models with data from the same map (Normandy, France) | |
Mohammadi et al. | Flood detection and susceptibility mapping using sentinel-1 time series, alternating decision trees, and bag-adtree models | |
Gupta et al. | Analysis of impervious land-cover expansion using remote sensing and GIS: A case study of Sylhet sadar upazila | |
Pradhan et al. | An ensemble landslide hazard model incorporating rainfall threshold for Mt. Umyeon, South Korea | |
Heidarian et al. | Integrating remote sensing, GIS, and sedimentology techniques for identifying dust storm sources: a case study in Khuzestan, Iran | |
Shrestha et al. | Fusion of Sentinel-1 and Sentinel-2 data in mapping the impervious surfaces at city scale | |
Adhikari et al. | Comparing kriging and regression approaches for mapping soil clay content in a diverse Danish landscape | |
El Bchari et al. | Landslide hazard zonation assessment using GIS analysis at the coastal area of Safi (Morocco) | |
Abishek et al. | Assessment of groundwater potential zones for urban development site suitability analysis in Srivaikundam region, Thoothukudi district, South India | |
Ghodratabadi et al. | Identification of groundwater potential zones in Moalleman, Iran by remote sensing and index overlay technique in GIS | |
Dey et al. | Geospatial assessment of urban sprawl and landslide susceptibility around the Nainital lake, Uttarakhand, India | |
Prasad et al. | Probabilistic coastal wetland mapping with integration of optical, SAR and hydro-geomorphic data through stacking ensemble machine learning model | |
Shokr | Environmental applications of remote sensing in Egypt: a review and an outlook | |
Pretorius | Sediment yield modelling in the upper Tsitsa Catchment, Eastern Cape, South Africa | |
Gul et al. | Monitoring of land use and land cover changes using remote sensing and geographic information system | |
Elhag et al. | Assessment and quantification of sediment retention and dam management in arid environments using remote sensing techniques | |
Kumari | Delineation of potential groundwater zone using RS and GIS: a review | |
Shafia et al. | Dynamics of Land Surface Temperature with Changing Land-Use: Building a Climate ResilientSmart City | |
Poi et al. | GIS, remote sensing and MCE approach for identifying groundwater prospective zones in mountainous region of PNG | |
Wasee et al. | Classification based on spectral characterization and analysis of land cover change in Dhaka | |
Ourng et al. | Spatio-temporal urban growth pattern in the arctic: A case study in surgut, Russia | |
Mishra et al. | Selection of suitable digital elevation model for analysis of forest cover in different agro-climatic zones of Jharkhand, 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |