CN109933921B - 一种滚石灾害风险评估方法、装置、系统及存储介质 - Google Patents
一种滚石灾害风险评估方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN109933921B CN109933921B CN201910204851.0A CN201910204851A CN109933921B CN 109933921 B CN109933921 B CN 109933921B CN 201910204851 A CN201910204851 A CN 201910204851A CN 109933921 B CN109933921 B CN 109933921B
- Authority
- CN
- China
- Prior art keywords
- rolling
- rolling stone
- rock
- stone
- path
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种滚石灾害风险评估方法、装置、系统及存储介质，该方法包括：获取第一预设区域范围内的滚石孕灾因子；将滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值；利用物理模型，以滚石源点为起点，模拟滚石路径；计算滚石路径在第二预设区域内的长度；根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。通过该种方式，达到准确测定滚石风险的目的，风险指数越高，其中，发生滚石灾害的风险就越大。
Description
技术领域
本发明实施例涉及地质灾害风险评估技术领域，具体涉及一种滚石灾害风险评估方法、装置、系统及存储介质。
背景技术
滚石是我国高山峡谷地区广泛分布的一种地质灾害，它分布范围极广、发生突然、频率高，常常对山区公路、铁路、隧道、房屋和人造成损失。如何快速、准确、有效的获取滚石灾害源区、滚石灾害潜在受灾区域，对滚石灾害进行定量化风险评估是目前面临的重要难题，关系着地质灾害多发区域的防灾减灾工程和城乡规划工作。由此可见，分析滚石灾害孕灾环境和致灾过程，开展滚石灾害定量化风险评估是非常重要的。
目前存在的地质灾害风险评估方法主要有统计模型和物理模型两类。统计模型基于大量地质灾害历史统计数据，使用不同的统计方法探查与揭示地质灾害的发生与所处背景环境之间的关系，使用这种关系获得地质灾害易发源区。但是基于统计模型的方法存在如下缺陷：没有充分考虑地质灾害的致灾过程，仅考虑孕灾环境和地质灾害易发性的关系只可以获得灾害易发源区，而真正的灾损是灾体的运动过程导致的，因此易发性分析结果无法形成完整有效的风险评估成果。基于物理模型的风险评估存在如下缺点：地质灾害源点的确定需要大量的野外实地调查，因此无法适用于大范围的地质灾害风险评估；野外调查需要花费大量的时间，因此也无法适用于地质灾害的快速风险评估，在地质灾害突发事件中无法快速形成风险评估报告；灾害过程模型无法量化潜在受灾区域的风险，因而无法形成定量的风险评估成果。
基于现有的滚石灾害风险评估方法都存在不足之处，那么如何才能将利用物理模型评估地质灾害风险的方法和利用统计模型评估地质灾害风险的方法进行有机的结合，获取一种能准确评估滚石灾害风险的方法，成为本申请所要解决的技术问题。
发明内容
为此，本发明实施例提供一种滚石灾害风险评估方法、装置、系统及存储介质，以解决现有技术中滚石灾害风险评估不准确的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提供了一种滚石灾害风险评估方法，该方法包括：
获取滚石孕灾因子；
将滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值；
利用物理模型，以滚石源点为起点，模拟滚石路径；
计算滚石路径在第二预设区域内的长度，其中第二预设区域为第一预设区域的子集，第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域；
根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。
进一步地，滚石孕灾因子包括：与第一预设区域对应的环境背景信息。
进一步地，统计模型为误差反向传播神经网络模型，将滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值，具体包括：
将第一预设区域按照预设规则划分为多个栅格，每一个栅格点代表一个潜在滚石源点；
将滚石孕灾因子输入至预建立的误差反向传播神经网络模型中，获取每一个栅格点为潜在滚石源点对应的概率值；
当潜在滚石源点对应的概率值属于预设概率范围内时，确定潜在滚石源点为滚石源点，并将作为潜在滚石源点对应的概率值作为滚石源点对应的概率值。
进一步地，利用物理模型，以滚石源点为起点，模拟滚石路径，具体包括：
为每一个滚石源点分别标识唯一的编号；
利用物理模型，以第h个具有唯一的编号的滚石源点为起点，模拟滚石路径；
并为滚石路径标识与第h个滚石源点相同的编号，其中，h初始取值为1，依次递进取值，直至h等于滚石源点总个数。
进一步地，根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数，具体计算方式参见如下公式：
其中，RockfallRisklndex为第二预设区域内发生滚石灾害的风险指数，r为搜索半径，n为滚石路径的条数，li为第i条滚石路径的长度，pi为第i条滚路径中滚石源点对应的概率值，其中，n为大于或者等于1的正整数。
根据本发明实施例的第二方面，提供了一种滚石灾害风险评估装置，该装置包括：
获取单元，用于获取第一预设区域范围内的滚石孕灾因子；
处理单元，用于将滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值；
利用物理模型，以滚石源点为起点，模拟滚石路径；
计算滚石路径在第二预设区域内的长度，其中第二预设区域为第一预设区域的子集，第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域，其中第二预设区域为第一预设区域的子集，第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域；
根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。
进一步地，滚石孕灾因子包括：与第一预设区域对应的环境背景信息。
进一步地，处理单元根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数，具体计算方式参见如下公式：
其中，RockfallRisklndex为第二预设区域内发生滚石灾害的风险指数，r为搜索半径，n为滚石路径的条数，li为第i条滚石路径的长度，pi为第i条滚路径中滚石源点对应的概率值，其中，n为大于或者等于1的正整数。
根据本发明实施例的第三方面，提供了一种滚石灾害风险评估系统，该系统包括：处理器和存储器；
存储器用于存储一个或多个程序指令；
处理器，用于运行一个或多个程序指令，用以执行如上一种滚石灾害风险评估方法中的任一方法步骤。
根据本发明实施例的第四方面，提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种滚石灾害风险评估系统执行如上一种滚石灾害风险评估方法中的任一方法步骤。
本发明实施例具有如下优点：首先选择第一预设区域范围，并获取第一预设区域范围内的滚石孕灾因子。将滚石孕灾因子输入至预建立的统计模型中，通过统计模型可以有效的得到滚石源点以及滚石源点对应的概率值；而根据物理模型，可以根据滚石源点，模拟滚石路径。然后再计算滚石路径的长度，最终根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。通过该种方式，有效的将统计模型测定滚石风险的方法和物理模型测定滚石风险的方法中的优点进行提取，并进行有机的结合，从而达到准确测定滚石风险的目的，风险指数越高，其中，发生滚石灾害的风险就越大。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例1提供的一种滚石灾害风险评估方法流程示意图；
图2为本发明提供的一种通过统计模型确定滚石源点的示意图；
图3为本发明提供的一种通过物理模型确定滚石轨迹的示意图；
图4为本发明提供的一种通过滚石灾害风险评估方法评估最终滚石灾害风险的示意图；
图5为本发明实施例2提供的一种滚石灾害风险评估装置结构示意图；
图6为本发明实施例3提供的一种滚石灾害风险评估系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
本发明实施例1提供了一种滚石灾害风险评估方法，具体如图1所示，该方法步骤如下：
步骤110，获取滚石孕灾因子。
具体的，滚石孕灾因子的获取，主要是从第一预设区域内获取到，例如影响某一个城市发生滚石风险的所有孕灾因子。而孕灾因子可以包括：环境背景信息。
例如，获取孕灾因子的过程，可以是通过数字高程模型获取环境背景信息。通过数字高程模型获取高程、坡度、坡向、地形起伏度等影响滚石灾害发育的地形参数；断层和水系的分布同样影响着滚石灾害的发育，从基础地理数据和地质数据可以获取研究区内断层和水系分布数据，并以此为基础计算待提取点至最近断层和最近水系的距离，也即是地理位置环境属性信息。
步骤120，将滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值。
具体的，统计模型可以包含多种，但是考虑到滚石灾害的多维非线性特征，可以选用一种误差反向传播神经网络模型。本实施例中所采用的模型为对历史灾害数据进行机器学习后，所获取的最优训练模型。根据该模型，获取滚石源点和滚石易发概率。
可选的，具体执行过程中，可以将第一预设区域按照预设规则划分为多个栅格。
然后将滚石孕灾因子输入至预建立的误差反向传播神经网络模型中，神经网络模型中所显示的第一预设区域的每一个栅格点代表一个潜在滚石源点，通过误差反向传播神经网络模型，当确定潜在滚石源点对应的概率值属于预设概率范围内时，将这个潜在滚石源点定义为滚石源点，并将该潜在滚石源点对应的概率值作为滚石源点对应的概率值。其中，在一个具体的例子中，预设概率阈值可以选择在0.7～1之间。当然，预设概率阈值并非一定以本实施例中的数为准，而是可以根据实际情况设定，这里不做过多说明。
误差反向传播神经网络模型的工作原理如下：
根据滚石灾害的发生特征选取滚石孕灾因子数据作为神经网络模型的输入数据。神经网络由一个输入层、一个输出层和一个或多个隐藏层组成，其中输入层神经元接收外界数据，隐藏层和输出层负责加工数据并输出。每个神经层由一个或多个神经元组成。每个神经元接收上一层神经元输出的信号并处理，再传送到下一层，其计算过程参见公式1：
其中，yj表示第j神经元的输出，n和q分别表示与与j神经元连接的所有输入神经元个数，和第q个输入神经元；wqj表示输入神经元q与神经元j之间的连接权重，xq表示第q神经元的输入值，θ表示该神经元的阈值即偏置项，f()表示神经元j的激活函数，本文使用tanh函数作为激活函数。
神经网络的输出层使用Softmax函数，将神经网络的输出处理成概率分布。Softmax函数表达式参见公式2：
其中：Yq表示输出层神经元的计算结果；P(Yq)表示滚石灾害潜在发生的概率。在本实施例中，当P(Yq)属于0.7～1之间时，将其定义为滚石源点对应的概率值，与之对应的栅格点作为滚石源点。
步骤130，利用物理模型，以滚石源点为起点，模拟滚石路径。
具体的，模拟滚石路径时，可以采用Lumped mass模型，其常用于滚石轨迹的模拟。在Lumped mass模型中滚石被视为质点，其尺寸和形状不予考虑。滚石轨迹的模拟需要滚石出发点的位置和地表形态，滚石出发点由统计模型提供，具体参见上文所介绍的滚石源点的确定过程。通过数字高程模型((Digital Elevation Model，简称DEM)来获取地表形态信息。基于Lumped mass模型的滚石轨迹模拟可以根据滚石的出发点、滚石的速度和地表形态信息等，模拟滚石的自由落体、冲撞和飞跃、滚动和滑动以及停止等运动状态，形成完整的滚石运动轨迹。
可选的，在具体执行模拟滚石路径过程中，为了能够精确的确定每一个源点为起点的滚石路径，可以首先为每一个滚石源点分别标识唯一的编号；利用物理模型，以第h个具有唯一的编号的滚石源点为起点，模拟滚石路径；
并为滚石路径标识与第h个滚石源点相同的编号，其中，h初始取值为1，依次递进取值，直至h等于滚石源点总个数。
步骤140，计算滚石路径在第二预设区域内的长度。
其中第二预设区域为第一预设区域的子集，第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域。例如，第一预设区域为某一个城市，第二预设区域为某一个城市中的某一块特定区域。
步骤150，根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。
具体计算方式参见如下公式：
其中，RockfallRisklndex为第二预设区域内发生滚石灾害的风险指数，r为搜索半径，n为滚石路径的条数，li为第i条滚石路径的长度，pi为第i条滚路径中滚石源点对应的概率值，其中，n为大于或者等于1的正整数。
在一个具体例子中，选取福建省蔡源流域的预设范围作为研究区，使用蔡源流域历史灾害数据和环境背景数据，基于本专利提出方法进行滚石灾害风险评估，计算流程与上述所介绍的方法相同，取得了较好的效果：可以看到使用统计模型仅可以获得滚石源点信息(如图2所示)，而实际的受灾区域不止是滚石源点，因此不足以形成完整有效的风险评估；物理模型仅可以得到滚石轨迹信息(如图3所示)，而单纯的滚石轨迹无法表示出潜在受灾区域的危险程度；而使用本专利提出的新方法，不仅可以获取滚石源点和轨迹信息，还可以提供不同区域的危险程度，进而快速形成完整的、定量化的滚石灾害风险评估结果(如图4所示)。
本发明实施例提供的一种滚石灾害风险评估方法，首先选择第一预设区域范围，并获取第一预设区域范围内的滚石孕灾因子。将滚石孕灾因子输入至预建立的统计模型中，通过统计模型可以有效的得到滚石源点以及滚石源点对应的概率值；而根据物理模型，可以根据滚石源点，模拟滚石路径。然后再计算滚石路径的长度，最终根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。通过该种方式，有效的将统计模型测定滚石风险的方法和物理模型测定滚石风险的方法中的优点进行提取，并进行有机的结合，从而达到准确测定滚石风险的目的，风险指数越高，其中，发生滚石灾害的风险就越大。
与上述实施例1对应的，本发明实施例2还提供了一种滚石灾害风险评估装置，具体如图5所示，该装置包括：获取单元501和处理单元502。
获取单元501，用于获取第一预设区域范围内的滚石孕灾因子；
处理单元502，用于将滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值；
利用物理模型，以滚石源点为起点，模拟滚石路径；
计算滚石路径在第二预设区域内的长度，其中第二预设区域为第一预设区域的子集，第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域；
根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。
可选的，滚石孕灾因子包括：与第一预设区域对应的环境背景信息。
可选的，统计模型为误差反向传播神经网络模型，处理单元502具体用于，
将第一预设区域按照预设规则划分为多个栅格，每一个栅格点代表一个潜在滚石源点；
将滚石孕灾因子输入至预建立的误差反向传播神经网络模型中，获取每一个潜在滚石源点对应的概率值；
当潜在滚石源点对应的概率值属于预设概率范围内时，确定潜在滚石源点为滚石源点，并将作为潜在滚石源点对应的概率值作为滚石源点对应的概率值。
可选的，处理单元502具体用于，为每一个滚石源点分别标识唯一的编号；
利用物理模型，以第h个具有唯一的编号的滚石源点为起点，模拟滚石路径；
并为滚石路径标识与第h个滚石源点相同的编号，其中，h初始取值为1，依次递进取值，直至h等于滚石源点总个数。
可选的，处理单元502根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及与滚石路径中的滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数，具体计算方式参见如下公式：
其中，RockfallRisklndex为第二预设区域内发生滚石灾害的风险指数，r为搜索半径，n为滚石路径的条数，li为第i条滚石路径的长度，pi为第i条滚路径中滚石源点对应的概率值，其中，n为大于或者等于1的正整数。
本发明实施例提供的一种滚石灾害风险评估装置中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
本发明实施例提供的一种滚石灾害风险评估装置，首先选择第一预设区域范围，并获取第一预设区域范围内的滚石孕灾因子。将滚石孕灾因子输入至预建立的统计模型中，通过统计模型可以有效的得到滚石源点以及滚石源点对应的概率值；而根据物理模型，可以根据滚石源点，模拟滚石路径。然后再计算滚石路径的长度，最终根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。通过该种方式，有效的将统计模型测定滚石风险的方法和物理模型测定滚石风险的方法中的优点进行提取，并进行有机的结合，从而达到准确测定滚石风险的目的，风险指数越高，其中，发生滚石灾害的风险就越大。
与上述实施例相对应的，本发明实施例3还提供了一种滚石灾害风险评估系统，具体如图6所示，该系统包括：处理器601和存储器602；
存储器602用于存储一个或多个程序指令；
处理器601，用于运行一个或多个程序指令，用以执行如上实施例所介绍的一种滚石灾害风险评估方法中的任一方法步骤。
本发明实施例提供的一种滚石灾害风险评估系统，首先选择第一预设区域范围，并获取第一预设区域范围内的滚石孕灾因子。将滚石孕灾因子输入至预建立的统计模型中，通过统计模型可以有效的得到滚石源点以及滚石源点对应的概率值；而根据物理模型，可以根据滚石源点，模拟滚石路径。然后再计算滚石路径的长度，最终根据搜索半径、滚石路径、滚石路径的长度、滚石路径的条数以及滚石源点对应的概率值，计算第二预设区域内发生滚石灾害的风险指数。通过该种方式，有效的将统计模型测定滚石风险的方法和物理模型测定滚石风险的方法中的优点进行提取，并进行有机的结合，从而达到准确测定滚石风险的目的，风险指数越高，其中，发生滚石灾害的风险就越大。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种滚石灾害风险评估系统执行如上所介绍的一种滚石灾害风险评估方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种滚石灾害风险评估方法，其特征在于，所述方法包括：
获取第一预设区域范围内的滚石孕灾因子；
将所述滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值；
利用物理模型，以所述滚石源点为起点，模拟滚石路径；
计算滚石路径在第二预设区域内的长度，其中所述第二预设区域为所述第一预设区域的子集，所述第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域；
根据所述搜索半径、所述滚石路径、所述滚石路径的长度、所述滚石路径的条数以及与所述滚石路径中的滚石源点对应的概率值，计算所述第二预设区域内发生滚石灾害的风险指数。
2.根据权利要求1所述的方法，其特征在于，所述滚石孕灾因子包括：与所述第一预设区域对应的环境背景信息。
3.根据权利要求1所述的方法，其特征在于，所述统计模型为误差反向传播神经网络模型，所述将所述滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值，具体包括：
将所述第一预设区域按照预设规则划分为多个栅格，每一个栅格点代表一个潜在滚石源点；
将所述滚石孕灾因子输入至预建立的误差反向传播神经网络模型中，获取每一个潜在滚石源点对应的概率值；
当所述潜在滚石源点对应的概率值属于预设概率范围内时，确定所述潜在滚石源点为滚石源点，并将作为所述潜在滚石源点对应的概率值作为所述滚石源点对应的概率值。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述利用物理模型，以所述滚石源点为起点，模拟滚石路径，具体包括：
为每一个滚石源点分别标识唯一的编号；
利用所述物理模型，以第h个具有唯一的编号的滚石源点为起点，模拟滚石路径；
并为所述滚石路径标识与所述第h个滚石源点相同的编号，其中，h初始取值为1，依次递进取值，直至h等于滚石源点总个数。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述搜索半径、所述滚石路径、所述滚石路径的长度、所述滚石路径的条数以及与所述滚石路径中的滚石源点对应的概率值，计算所述第二预设区域内发生滚石灾害的风险指数，具体计算方式参见如下公式：
其中，RockfallRisklndex为所述第二预设区域内发生滚石灾害的风险指数，r为所述搜索半径，n为所述滚石路径的条数，li为第i条滚石路径的长度，pi为第i条滚路径中滚石源点对应的概率值，其中，n为大于或者等于1的正整数。
6.一种滚石灾害风险评估装置，其特征在于，所述装置包括：
获取单元，用于获取第一预设区域范围内的滚石孕灾因子；
处理单元，用于将所述滚石孕灾因子输入至预建立的统计模型中，获取滚石源点，以及滚石源点对应的概率值；
利用物理模型，以所述滚石源点为起点，模拟滚石路径；
计算所述滚石路径在第二预设区域内的长度，其中所述第二预设区域为所述第一预设区域的子集，所述第二预设区域为以预设点为中心，以预设距离为搜索半径的圆形区域；
根据所述搜索半径、所述滚石路径、所述滚石路径的长度、所述滚石路径的条数以及与所述滚石路径中的滚石源点对应的概率值，计算所述第二预设区域内发生滚石灾害的风险指数。
7.根据权利要求6所述的装置，其特征在于，所述滚石孕灾因子包括：与所述第一预设区域对应的地貌参数和地理位置环境属性信息。
8.根据权利要求6或7所述的装置，其特征在于，所述处理单元根据所述搜索半径、所述滚石路径、所述滚石路径的长度、所述滚石路径的条数以及与所述滚石路径中的滚石源点对应的概率值，计算所述第二预设区域内发生滚石灾害的风险指数，具体计算方式参见如下公式：
其中，RockfallRisklndex为所述第二预设区域内发生滚石灾害的风险指数，r为所述搜索半径，n为所述滚石路径的条数，li为第i条滚石路径的长度，pi为第i条滚路径中滚石源点对应的概率值，其中，n为大于或者等于1的正整数。
9.一种滚石灾害风险评估系统，其特征在于，所述系统包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-5任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种滚石灾害风险评估系统执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204851.0A CN109933921B (zh) | 2019-03-18 | 2019-03-18 | 一种滚石灾害风险评估方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910204851.0A CN109933921B (zh) | 2019-03-18 | 2019-03-18 | 一种滚石灾害风险评估方法、装置、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109933921A CN109933921A (zh) | 2019-06-25 |
| CN109933921B true CN109933921B (zh) | 2020-06-09 |
Family
ID=66987451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910204851.0A Active CN109933921B (zh) | 2019-03-18 | 2019-03-18 | 一种滚石灾害风险评估方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109933921B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112013837A (zh) * | 2020-08-31 | 2020-12-01 | 山东省地质环境监测总站(山东省地质灾害防治技术指导中心) | 一种基于九轴传感器的边坡滚石预警系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
| JP2017194847A (ja) * | 2016-04-21 | 2017-10-26 | 公立大学法人秋田県立大学 | 雪崩・落石のモニタリングシステム |
| CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
| CN109269761A (zh) * | 2018-09-28 | 2019-01-25 | 杭州电子科技大学 | 一种评估落石风险的自供电传感器 |
-
2019
- 2019-03-18 CN CN201910204851.0A patent/CN109933921B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017194847A (ja) * | 2016-04-21 | 2017-10-26 | 公立大学法人秋田県立大学 | 雪崩・落石のモニタリングシステム |
| CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
| CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
| CN109269761A (zh) * | 2018-09-28 | 2019-01-25 | 杭州电子科技大学 | 一种评估落石风险的自供电传感器 |
Non-Patent Citations (4)
| Title |
|---|
| Quantitative assessment of the residual risk in a rockfall protected area;Jordi Corominas等;《Original Article》;20051115;全文 * |
| Rockfall hazard analysis using LiDAR and spatial modeling;Hengxing Lan等;《Geomorphology》;20100111;全文 * |
| 公路沿线遭遇滚石的风险分析——方法研究;张路青等;《岩石力学与工程学报》;20051130;第24卷;全文 * |
| 落石灾害危险性概率评价方法;巩尚卿等;《灾害学》;20141031;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109933921A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abadi et al. | An analysis of the sustainability of basin water resources using Vensim model | |
| Hanna | Confidence limits for air quality model evaluations, as estimated by bootstrap and jackknife resampling methods | |
| CN110457829A (zh) | 一种基于集成大气扩散模型的源项释放反演和扩散预测方法 | |
| CN105760699A (zh) | 一种海表盐度反演方法和装置 | |
| CN111382472A (zh) | 随机森林融合svm预测盾构引起近接结构变形方法及装置 | |
| CN107480889A (zh) | 一种湿地生态安全预警等级评定方法 | |
| CN111539904B (zh) | 一种基于降雨量的灾害易发性预测方法 | |
| CN109118004B (zh) | 一种工程构筑选址适宜区预测方法 | |
| CN113009553A (zh) | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 | |
| US20120154398A1 (en) | Method of determining implicit hidden features of phenomena which can be represented by a point distribution in a space | |
| CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
| CN109933921B (zh) | 一种滚石灾害风险评估方法、装置、系统及存储介质 | |
| Lecacheux et al. | Toward the probabilistic forecasting of cyclone-induced marine flooding by overtopping at Reunion Island aided by a time-varying random-forest classification approach | |
| Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
| CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
| Losasso et al. | The artificial neural network for the rockfall susceptibility assessment. A case study in Basilicata (Southern Italy) | |
| CN113158315A (zh) | 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法 | |
| CN107957982A (zh) | 震后次生地质灾害易发性快速评估方法和系统 | |
| Armstrong et al. | The application of data mining techniques to characterize agricultural soil profiles. | |
| CN111382908A (zh) | 一种考虑大震时间相关性的地震随机事件集模拟方法 | |
| Wilson et al. | Spatial evaluation and verification of earthquake simulators | |
| CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
| Teneler | Wind flow analysis on a complex terrain: a reliability study of a CFD tool on forested area including effects of forest module | |
| Lavrentiev et al. | Implementation of Mac-Cormack scheme for the fast calculation of tsunami wave propagation | |
| RU2611892C1 (ru) | Способ трехмерного моделирования заданного гидрогеологического объекта, реализуемый в вычислительной системе |
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 |