CN109992635A - 一种震后泥石流早期识别方法 - Google Patents

一种震后泥石流早期识别方法 Download PDF

Info

Publication number
CN109992635A
CN109992635A CN201910208242.2A CN201910208242A CN109992635A CN 109992635 A CN109992635 A CN 109992635A CN 201910208242 A CN201910208242 A CN 201910208242A CN 109992635 A CN109992635 A CN 109992635A
Authority
CN
China
Prior art keywords
mud
rock flow
flow
material resource
rock
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.)
Granted
Application number
CN201910208242.2A
Other languages
English (en)
Other versions
CN109992635B (zh
Inventor
常鸣
周宇
窦向阳
周超
秦波
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910208242.2A priority Critical patent/CN109992635B/zh
Publication of CN109992635A publication Critical patent/CN109992635A/zh
Application granted granted Critical
Publication of CN109992635B publication Critical patent/CN109992635B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种震后泥石流早期识别方法，属于泥石流监测工程技术领域，其特征在于，包括以下步骤：a、确定评价因子，计算出各分级下的先验概率PP(m)及后验概率P(m)；b、通过等权重叠加计算构建区域泥石流易发性模型；c、构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；d、将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型。本发明考虑了震后泥石流流域的物源和地形条件，将泥石流的物源敏感度引入模型，用线性回归分析方法分析地形因子，再综合等权重叠加得到震后泥石流早期识别结果；能够有效地提高震区泥石流识别的精准度，为震后泥石流的预测以及防治提供有力证据。

Description

一种震后泥石流早期识别方法
技术领域
本发明涉及到泥石流监测工程技术领域，尤其涉及一种震后泥石流早期识别方法。
背景技术
泥石流是一种发生在山地地区常见的地质灾害，暴雨、洪水将含有沙石且松软的土质山体经饱和稀释后在重力作用下沿陡峭沟坡运动的流体。我国是世界上遭受泥石流灾害威胁非常严重的国家之一，为了最大程度的减少泥石流灾害带来的损失，必须加强泥石流早期识别方法的研究。
纵观我国泥石流早期识别方法的发展历史，在20世纪80年代以前主要局限于泥石流灾害识别的定性描述，研究还在初始阶段。80年代后对泥石流的研究已经开始突破传统研究模式，注重以数学语言去判别泥石流，逐渐从定性的判别模式向半定性、半定量的判别模式过渡，当时主要采用“点面相结合为基础，进而根据泥石流形成的三个必要条件进行分析”的方法，该方法认为天气状况、暴雨强度、前期降雨、崩塌滑坡活动、土体含水率等因素与泥石流暴发的时间、规模、流体性质之间存在联系，建立了相关公式对泥石流进行判别。随着地理信息系统的飞速发展，泥石流识别技术也不断发展创新，自20世纪90年代以来，对于泥石流的早期识别工作主要是结合地理信息系统进行区域背景资料的获取并开展空间分析，极大地提升了数据的分析计算能力，并且获取资料也相对容易。
使用地理信息系统也可以将最终的识别结果以生成的结果图直观展现出来，内容也更加丰富直观，工作的效率也极大提高。随着地理信息系统等学科的发展，为潜在泥石流的判识提供了很好的平台，目前的泥石流早期识别方法大多数是从泥石流的发育发展以及导致暴发的背景因子和诱发因子入手，利用地理信息系统获取各种参数，包括高程、坡向、水系、坡度、流域面积、沟床比降等，通过地理信息系统进行空间处理后，进行泥石流的判别。但目前的判别方法只是单个分析泥石流发育条件，并没有将它们结合起来，没有考虑泥石流物源特性和地形的复杂程度，泥石流沟的地形和物源都处于变化之中，这很大程度上影响着泥石流识别的准确性。
公开号为CN 107655457A，公开日为2018年02月02日的中国专利文献公开了一种基于遥感卫星图像的泥石流地质灾害识别方法，其特征在于包括以下步骤：根据历史灾害数据和气象现状，对泥石流灾害区域进行初步定位；根据初步定位的灾害位置，获取所在位置的卫星图像数据；对卫星图像中的泥石流发生区域进行计算机自动识别，提取自动识别的泥石流区域；根据自动识别的泥石流区域的位置，获取所在位置的DEM数据；将卫星图像、DEM数据进行图像融合，并进行图像增强，生成具有高程信息的3D地形影像；基于3D地形影像，对自动识别的泥石流区域进行人工修正；根据修正后的泥石流识别区域，绘制泥石流地质灾害区域图像，并结合其他资料数据，判断灾害进一步发生的可能性、规模及治理方案。
该专利文献公开的基于遥感卫星图像的泥石流地质灾害识别方法，虽然考虑了地形因素，但未能将泥石流物源和水力条件进行较好的结合，物源具有较大的不确定因素，没有考虑到物源本身时刻发生着变化的特性，而泥石流物源直接影响着泥石流判别结果的准确性，因此，不能有效地对震后泥石流灾害进行识别，不能作为震后泥石流灾害的监测防治的有力证据。
发明内容
本发明为了克服上述现有技术的缺陷，提供一种震后泥石流早期识别方法，本发明考虑了震后泥石流流域的物源和地形条件，以证据权重法将泥石流的物源敏感度引入模型，用线性回归分析方法分析地形因子，再综合等权重叠加得到震后泥石流早期识别结果；能够有效地提高震区泥石流识别的精准度，为震后泥石流的预测以及防治提供有力证据。
本发明通过下述技术方案实现：
一种震后泥石流早期识别方法，其特征在于，包括以下步骤：
a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；
PP(m)＝ai/A 式1
其中，PP(m)为先验概率，表示随机选取单位面积1km2上发生泥石流的概率；P(m)为后验概率，表示泥石流发生的概率；ai为泥石流物源面积，km2； A为流域面积，km2；S1为给定因子中出现已知泥石流物源的面积，km2； S2为给定因子的流域面积，km2；S3为没有给定因子但出现已知泥石流物源的面积，km2；S4为既没有给定因子又没有出现已知泥石流物源的面积， km2；
b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
其中，W为泥石流易发率，ci为各沟谷中等及其以上易发性分区的面积，km2；C为沟谷的流域面积，km2；
c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
所述步骤a中，确定评价因子是指将坡度、坡向、高程、距水系距离和距断层距离、地层岩性和曲率选出作为评价因子；给定因子是指评价因子在不同分级条件下的范围参数；地理信息系统空间分析功能是指ArcGIS 中的栅格计算功能。
所述步骤c中，确定泥石流地形参数是指将沟谷纵比降、沟壑密度和形成区高差选出作为泥石流地形参数。
所述步骤d中，对于震后泥石流早期识别模型判别出是清水-泥石流沟的沟谷，再进行野外实地勘察，再次判别是否为泥石流沟。
本发明所述ArcGIS是指地理信息分析与应用软件。
本发明的基本原理如下：
充分结合泥石流暴发的物源和地形条件，并不单单针对某一个泥石流进行早期识别，而是考虑到了地形和物源条件的变化因素，提出了泥石流物源敏感度和泥石流地形诱发度这两个关键指标，这两个关键指标直接影响着泥石流早期识别的准确性。因此本发明首先根据遥感影像解译出泥石流流域内的物源，通过证据权重法计算出物源评价因子在不同分级下的泥石流发生概率，进而确定泥石流物源敏感度，再对泥石流的地形条件与冲出范围进行线性回归分析，进而确定泥石流地形诱发度。将泥石流物源敏感度和泥石流地形诱发度互相结合，最后构建出基于泥石流物源敏感度及泥石流地形诱发度的震后泥石流早期识别方法。
本发明的有益效果主要表现在以下方面：
1、本发明，“a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率PP(m)及后验概率P(m)”，先验概率PP(m)通过式1确定，后验概率P(m)通过式2确定；b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷”，充分考虑了震后泥石流流域内物源条件和地形条件，将泥石流物源敏感度以及地形诱发度引入震后泥石流早期识别模型，结合证据权重法分析考虑泥石流物源因子确定物源敏感度，利用线性回归分析泥石流地形因子确定地形诱发度，通过泥石流流域范围内的物源敏感度和地形诱发度的互相结合，得到震后泥石流早期识别结果，以往的泥石流早期识别方法只考虑物源或地形单一条件，并没有将二者结合起来；在只考虑物源的情况下判别的沟谷为清水沟，但由于地形条件也是泥石流形成的必要条件之一，在地形条件的影响下，那些判断为清水沟的沟谷在实际情况中却是泥石流沟，造成严重的误判；同样，只考虑地形条件没有考虑物源条件也会造成误判。本发明充分考虑了物源条件和地形条件，并将二者结合起来，能够解决以往震区泥石流早期识别中只考虑单因子条件而使得结果不准确的问题，能够有效提高震区泥石流早期识别的准确度，为震后泥石流灾害的预测及防治提供更有力的依据。
2、本发明，率先利用证据权重方法，将泥石流物源以物源敏感度的方式引入震后泥石流早期识别模型，同时把泥石流暴发的地形条件以地形诱发度的方式引入震后泥石流早期识别模型，从而能够有效提高震区泥石流早期识别的精准性。
3、本发明，是基于泥石流物源敏感度及地形诱发度的震后泥石流早期识别，在考虑物源方面，通过采取高精度遥感解译及核查，能够有效保证在物源因子方面的准确性。
4、本发明，是基于泥石流物源敏感度及地形诱发度的震后泥石流早期识别，在考虑地形条件方面，通过采取线性回归分析方法构建泥石流地形诱发度模型，能够有效保证地形因子的精准性。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明：
图1为本发明的流程框图。
具体实施方式
实施例1
一种震后泥石流早期识别方法，包括以下步骤：
a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；
PP(m)＝ai/A 式1
其中，PP(m)为先验概率，表示随机选取单位面积1km2上发生泥石流的概率；P(m)为后验概率，表示泥石流发生的概率；ai为泥石流物源面积，km2； A为流域面积，km2；S1为给定因子中出现已知泥石流物源的面积，km2； S2为给定因子的流域面积，km2；S3为没有给定因子但出现已知泥石流物源的面积，km2；S4为既没有给定因子又没有出现已知泥石流物源的面积， km2；
b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
其中，W为泥石流易发率，ci为各沟谷中等及其以上易发性分区的面积，km2；C为沟谷的流域面积，km2；
c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
“a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)”，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为 2，低诱发度属性赋值为1；d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷”，充分考虑了震后泥石流流域内物源条件和地形条件，将泥石流物源敏感度以及地形诱发度引入震后泥石流早期识别模型，结合证据权重法分析考虑泥石流物源因子确定物源敏感度，利用线性回归分析泥石流地形因子确定地形诱发度，通过泥石流流域范围内的物源敏感度和地形诱发度的互相结合，得到震后泥石流早期识别结果，以往的泥石流早期识别方法只考虑物源或地形单一条件，并没有将二者结合起来；在只考虑物源的情况下判别的沟谷为清水沟，但由于地形条件也是泥石流形成的必要条件之一，在地形条件的影响下，那些判断为清水沟的沟谷在实际情况中却是泥石流沟，造成严重的误判；同样，只考虑地形条件没有考虑物源条件也会造成误判。本发明充分考虑了物源条件和地形条件，并将二者结合起来，能够解决以往震区泥石流早期识别中只考虑单因子条件而使得结果不准确的问题，能够有效提高震区泥石流早期识别的准确度，为震后泥石流灾害的预测及防治提供更有力的依据。
实施例2
一种震后泥石流早期识别方法，包括以下步骤：
a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；
PP(m)＝ai/A 式1
其中，PP(m)为先验概率，表示随机选取单位面积1km2上发生泥石流的概率；P(m)为后验概率，表示泥石流发生的概率；ai为泥石流物源面积，km2； A为流域面积，km2；S1为给定因子中出现已知泥石流物源的面积，km2； S2为给定因子的流域面积，km2；S3为没有给定因子但出现已知泥石流物源的面积，km2；S4为既没有给定因子又没有出现已知泥石流物源的面积， km2；
b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
其中，W为泥石流易发率，ci为各沟谷中等及其以上易发性分区的面积，km2；C为沟谷的流域面积，km2；
c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
所述步骤a中，确定评价因子是指将坡度、坡向、高程、距水系距离和距断层距离、地层岩性和曲率选出作为评价因子；给定因子是指评价因子在不同分级条件下的范围参数；地理信息系统空间分析功能是指ArcGIS 中的栅格计算功能。
率先利用证据权重方法，将泥石流物源以物源敏感度的方式引入震后泥石流早期识别模型，同时把泥石流暴发的地形条件以地形诱发度的方式引入震后泥石流早期识别模型，从而能够有效提高震区泥石流早期识别的精准性。
实施例3
一种震后泥石流早期识别方法，包括以下步骤：
a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；
PP(m)＝ai/A 式1
其中，PP(m)为先验概率，表示随机选取单位面积1km2上发生泥石流的概率；P(m)为后验概率，表示泥石流发生的概率；ai为泥石流物源面积，km2； A为流域面积，km2；S1为给定因子中出现已知泥石流物源的面积，km2； S2为给定因子的流域面积，km2；S3为没有给定因子但出现已知泥石流物源的面积，km2；S4为既没有给定因子又没有出现已知泥石流物源的面积， km2；
b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
其中，W为泥石流易发率，ci为各沟谷中等及其以上易发性分区的面积，km2；C为沟谷的流域面积，km2；
c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
所述步骤a中，确定评价因子是指将坡度、坡向、高程、距水系距离和距断层距离、地层岩性和曲率选出作为评价因子；给定因子是指评价因子在不同分级条件下的范围参数；地理信息系统空间分析功能是指ArcGIS 中的栅格计算功能。
所述步骤c中，确定泥石流地形参数是指将沟谷纵比降、沟壑密度和形成区高差选出作为泥石流地形参数。
基于泥石流物源敏感度及地形诱发度的震后泥石流早期识别，在考虑物源方面，通过采取高精度遥感解译及核查，能够有效保证在物源因子方面的准确性。
实施例4
一种震后泥石流早期识别方法，包括以下步骤：
a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；
PP(m)＝ai/A 式1
其中，PP(m)为先验概率，表示随机选取单位面积1km2上发生泥石流的概率；P(m)为后验概率，表示泥石流发生的概率；ai为泥石流物源面积，km2； A为流域面积，km2；S1为给定因子中出现已知泥石流物源的面积，km2； S2为给定因子的流域面积，km2；S3为没有给定因子但出现已知泥石流物源的面积，km2；S4为既没有给定因子又没有出现已知泥石流物源的面积， km2；
b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
其中，W为泥石流易发率，ci为各沟谷中等及其以上易发性分区的面积，km2；C为沟谷的流域面积，km2；
c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
所述步骤a中，确定评价因子是指将坡度、坡向、高程、距水系距离和距断层距离、地层岩性和曲率选出作为评价因子；给定因子是指评价因子在不同分级条件下的范围参数；地理信息系统空间分析功能是指ArcGIS 中的栅格计算功能。
所述步骤c中，确定泥石流地形参数是指将沟谷纵比降、沟壑密度和形成区高差选出作为泥石流地形参数。
所述步骤d中，对于震后泥石流早期识别模型判别出是清水-泥石流沟的沟谷，再进行野外实地勘察，再次判别是否为泥石流沟。
“a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率 PP(m)及后验概率P(m)”，先验概率PP(m)通过式1确定，后验概率P(m)通过式 2确定；b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为 2，低诱发度属性赋值为1；d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷”，充分考虑了震后泥石流流域内物源条件和地形条件，将泥石流物源敏感度以及地形诱发度引入震后泥石流早期识别模型，结合证据权重法分析考虑泥石流物源因子确定物源敏感度，利用线性回归分析泥石流地形因子确定地形诱发度，通过泥石流流域范围内的物源敏感度和地形诱发度的互相结合，得到震后泥石流早期识别结果，以往的泥石流早期识别方法只考虑物源或地形单一条件，并没有将二者结合起来；在只考虑物源的情况下判别的沟谷为清水沟，但由于地形条件也是泥石流形成的必要条件之一，在地形条件的影响下，那些判断为清水沟的沟谷在实际情况中却是泥石流沟，造成严重的误判；同样，只考虑地形条件没有考虑物源条件也会造成误判。本发明充分考虑了物源条件和地形条件，并将二者结合起来，能够解决以往震区泥石流早期识别中只考虑单因子条件而使得结果不准确的问题，能够有效提高震区泥石流早期识别的准确度，为震后泥石流灾害的预测及防治提供更有力的依据。
基于泥石流物源敏感度及地形诱发度的震后泥石流早期识别，在考虑物源方面，通过采取高精度遥感解译及核查，能够有效保证在物源因子方面的准确性。
基于泥石流物源敏感度及地形诱发度的震后泥石流早期识别，在考虑地形条件方面，通过采取线性回归分析方法构建泥石流地形诱发度模型，能够有效保证地形因子的精准性。
下面结合具体实例对本发明的实施方式进行详细说明：
具体实例1
研究区位于四川省汶川县境内岷江流域，岷江由汶川县北部入境，贯穿东部，河道两侧多暴发泥石流。研究区属于亚热带湿润季风气候区，为川西多雨中心区，是暴雨常出现的地区之一，气候温暖湿润，多年平均年降水量100-1600mm不等。岷江流域内出露的岩性主要为花岗岩、砂岩、泥岩和碳质页岩。岷江流域内有茂县—汶川断裂带和北川—映秀断裂带穿过，导致研究区内岩层破碎，容易形成碎石堆积体。汶川地震发生以后，岷江流域发育了大量的崩塌滑坡及松散堆积物，在2011年7月3日，汶川县境内持续性暴雨引发泥石流群发事件，造成大量房屋受损。
为了更好地展开泥石流早期识别工作，尽可能的降低泥石流带来的危害，通过本发明对其泥石流开展早期识别，其步骤如下：
a、以2011年4月26日分辨率10m的spot4影像为基础数据，通过地理信息系统空间分析功能对岷江研究区进行物源解译，根据研究区泥石流物源分布特征，选取坡度、坡向、高程、距水系距离、距断层距离、地层岩性和曲率作为评价因子，分级标准详见表1；根据选择的评价因子，统计区域内在不同分级下所占的栅格数，选择证据权重法计算出各分级下的后验概率P(m)，具体计算公式如式1所示，通过式1计算得到七个评价因子在不同分级条件的先验概率PP(m)，计算结果见表2；表2为各评价因子在不同分级条件的先验概率PP(m)；再计算后验概率P(m)，具体计算公式如式2所示，通过式2计算得到七个评价因子在不同分级条件的后验概率 P(m)，计算结果见表3；表3为各评价因子在不同分级条件的后验概率 P(m)；
表1
泥石流物源面积(km<sup>2</sup>) 流域面积(km<sup>2</sup>) 先验概率
44.370 923.708 0.048
表2
表3
b、构建区域泥石流易发性模型的主要步骤为：通过地理信息系统空间分析功能，把表3中的后验概率P(m)赋值给图层，构建区域泥石流易发性模型，通过地理信息系统的重分类功能按自然断点法将泥石流易发性划分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；按式3统计中等及其以上易发性区占沟谷流域面积的百分比，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
c、根据研究区泥石流地形特征，选取沟壑密度、沟谷纵比降和形成区高差作为泥石流地形参数，通过统计产品与服务解决方案软件将各地形参数与泥石流冲出范围进行线性回归分析，确定线性回归系数，构建震后泥石流多因子回归模型，预测每条沟谷的泥石流冲出范围；预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为 2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘；把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
经计算得到汶川震区泥石流早期识别结果：
其中30条泥石流沟；7条清水沟；3条清水-泥石流沟；查阅文献以及野外调查后发现研究区内有31条泥石流沟；9条清水沟；采用本发明震后泥石流早期识别方法的准确率为96.7％。
具体实例2
研究区位于四川省阿坝藏族羌族自治州九寨沟县，地理坐标北纬33° 02”～33°21”，东经103°38′30"～104°03′40”。九寨沟县属川西高原气候中的暖温带干温河谷气候，雨量少但降雨集中，常出现局地性暴雨和冰雹，年均降雨量552.3mm，降水集中在5-9月。区域内地势西北高，南东低，高山主要分布在西北部、西南部、南中和北部地区，内有岷江南北向构造带和白马弧形构造带穿过，地质构造相当复杂。
a、以2017年8月11日分辨率0.5m的Aerial Image影像为基础数据，通过地理信息系统空间分析功能对九寨沟研究区进行物源解译，根据研究区泥石流物源分布特征，选取坡度、坡向、高程、距水系距离、距断层距离、地层岩性和曲率作为评价因子，分级标准详见表4；根据选择的评价因子，统计区域内在不同分级下所占的栅格数，选择证据权重法计算出各分级下的后验概率P(m)，具体计算公式如式1所示，通过式1计算得到七个评价因子在不同分级条件的先验概率PP(m)，计算结果见表5；表5为各评价因子在不同分级条件的先验概率PP(m)；再计算后验概率P(m)，具体计算公式如式2所示，通过式2计算得到七个评价因子在不同分级条件的后验概率P(m)，计算结果见表6；表6为各评价因子在不同分级条件的后验概率P(m)；
表4
泥石流物源面积(km<sup>2</sup>) 流域面积(km<sup>2</sup>) 先验概率
3.92 541.61 0.0072
表5
表6
b、构建区域泥石流易发性模型的主要步骤为：通过地理信息系统空间分析功能，把表3中的后验概率P(m)赋值给图层，构建区域泥石流易发性模型，通过地理信息系统的重分类功能按自然断点法将泥石流易发性划分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；按式3统计中等及其以上易发性区占沟谷流域面积的百分比，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
c、根据研究区泥石流地形特征，选取沟壑密度、沟谷纵比降和形成区高差作为泥石流地形参数，通过统计产品与服务解决方案软件将各地形参数与泥石流冲出范围进行线性回归分析，确定线性回归系数，构建震后泥石流多因子回归模型，预测每条沟谷的泥石流冲出范围；预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为 2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
经计算得到九寨沟震区泥石流早期识别结果：
其中13条泥石流沟；24条清水沟；查阅文献以及野外调查后发现研究区内有11条泥石流沟；26条清水沟，采用本发明震后泥石流早期识别方法的准确率为84.6％。
两个具体实例的结果表明，采用本发明，考虑到震后泥石流的物源条件和地形条件，并将物源条件和地形条件分别以物源敏感度和地形诱发度的形式引入震后泥石流早期识别模型中，结合证据权重法以及线性回归分析法得到震后泥石流早期识别结果，能够避免以往泥石流早期识别方法只考虑物源或地形单一条件而误判泥石流沟的情况，有效提高了震区泥石流早期识别的准确度。

Claims (4)

1.一种震后泥石流早期识别方法，其特征在于，包括以下步骤：
a、对遥感影像物源精准解译后，确定评价因子，通过地理信息系统空间分析功能对评价因子进行分级，根据选择的评价因子，统计各评价因子在不同分级下所占的面积，选择证据权重法计算出各分级下的先验概率PP(m)及后验概率P(m)，先验概率PP(m)通过式1确定，后验概率P(m)通过式2确定；
PP(m)＝ai/A 式1
其中，PP(m)为先验概率，表示随机选取单位面积1km2上发生泥石流的概率；P(m)为后验概率，表示泥石流发生的概率；ai为泥石流物源面积，km2；A为流域面积，km2；S1为给定因子中出现已知泥石流物源的面积，km2；S2为给定因子的流域面积，km2；S3为没有给定因子但出现已知泥石流物源的面积，km2；S4为既没有给定因子又没有出现已知泥石流物源的面积，km2；
b、通过等权重叠加计算构建区域泥石流易发性模型，利用地理信息系统空间分析功能对区域泥石流易发性进行分级，分为五个等级：极高易发性、高易发性、中等易发性、低易发性和极低易发性；统计中等及其以上易发性分区占各沟域面积百分比，通过式3确定，易发率低于30％的为低敏感度，30％-60％之间的为中敏感度，大于60％的为高敏感度，将高敏感度属性赋值为3，中敏感度属性赋值为2，低敏感度属性赋值为1；
其中，W为泥石流易发率，ci为各沟谷中等及其以上易发性分区的面积，km2；C为沟谷的流域面积，km2；
c、确定泥石流地形参数，通过统计产品与服务解决方案软件来实现泥石流冲出范围与各地形参数线性回归分析过程，确定线性回归系数，构建震后泥石流地形诱发度模型，预测每条沟谷的泥石流冲出范围；对预测的泥石流冲出范围进行归一化处理，低于10％的为低诱发度，10％-30％的为中诱发度，高于30％的为高诱发度，并将高诱发度属性赋值为3，中诱发度属性赋值为2，低诱发度属性赋值为1；
d、利用地理信息系统空间分析功能将泥石流的物源敏感度与地形诱发度互相结合，构建震后泥石流早期识别模型；将物源敏感度与地形诱发度的属性赋值相乘，把研究区沟谷分为三种情况：乘积值为1、2或3的是清水沟，乘积值为4的是清水-泥石流沟，乘积值为6或9的是泥石流沟；所述泥石流沟为暴发过泥石流的沟谷；清水沟为尚未发生泥石流的沟谷；清水-泥石流沟为清水沟向泥石流沟发育转换过程阶段，部分洪水挟沙但尚未达到泥石流程度的沟谷。
2.根据权利要求1所述的一种震后泥石流早期识别方法，其特征在于：所述步骤a中，确定评价因子是指将坡度、坡向、高程、距水系距离和距断层距离、地层岩性和曲率选出作为评价因子；给定因子是指评价因子在不同分级条件下的范围参数；地理信息系统空间分析功能是指ArcGIS中的栅格计算功能。
3.根据权利要求1所述的一种震后泥石流早期识别方法，其特征在于：所述步骤c中，确定泥石流地形参数是指将沟谷纵比降、沟壑密度和形成区高差选出作为泥石流地形参数。
4.根据权利要求1所述的一种震后泥石流早期识别方法，其特征在于：所述步骤d中，对于震后泥石流早期识别模型判别出是清水-泥石流沟的沟谷，再进行野外实地勘察，再次判别是否为泥石流沟。
CN201910208242.2A 2019-03-19 2019-03-19 一种震后泥石流早期识别方法 Active CN109992635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910208242.2A CN109992635B (zh) 2019-03-19 2019-03-19 一种震后泥石流早期识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910208242.2A CN109992635B (zh) 2019-03-19 2019-03-19 一种震后泥石流早期识别方法

Publications (2)

Publication Number Publication Date
CN109992635A true CN109992635A (zh) 2019-07-09
CN109992635B CN109992635B (zh) 2022-08-12

Family

ID=67129100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910208242.2A Active CN109992635B (zh) 2019-03-19 2019-03-19 一种震后泥石流早期识别方法

Country Status (1)

Country Link
CN (1) CN109992635B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390149A (zh) * 2019-07-10 2019-10-29 成都理工大学 一种基于物源聚集量的强震区泥石流活动性预测方法
CN110674471A (zh) * 2019-10-30 2020-01-10 吉林大学 基于GIS与Logistic回归模型的泥石流易发性预测方法
CN111241690A (zh) * 2020-01-16 2020-06-05 广州地理研究所 一种泥石流沟的判识方法及装置
CN117540830A (zh) * 2024-01-05 2024-02-09 中国地质科学院探矿工艺研究所 基于断层分布指数的泥石流易发性预测方法、装置及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101055631A (zh) * 2006-04-10 2007-10-17 中国地质大学（武汉） 一种空间数据模糊证据权重分析方法
US20080027690A1 (en) * 2004-03-31 2008-01-31 Philip Watts Hazard assessment system
CN103412113A (zh) * 2013-08-26 2013-11-27 成都理工大学 一种震后泥石流沟敏感性判别方法及其应用
KR20160118797A (ko) * 2015-04-03 2016-10-12 한국지질자원연구원 수치지형모델을 이용한 토석류 발생지역 예측장치 및 그 방법
KR20160150494A (ko) * 2015-06-22 2016-12-30 대한민국(산림청 국립산림과학원장) 토석류 위험도를 예측하기 위한 장치 및 그 방법
CN109166280A (zh) * 2018-09-29 2019-01-08 成都理工大学 一种强震区泥石流的早期识别方法及其应用
CN109447493A (zh) * 2018-11-07 2019-03-08 成都理工大学 一种基于物源活动强度的震后泥石流危险性评价方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080027690A1 (en) * 2004-03-31 2008-01-31 Philip Watts Hazard assessment system
CN101055631A (zh) * 2006-04-10 2007-10-17 中国地质大学（武汉） 一种空间数据模糊证据权重分析方法
CN103412113A (zh) * 2013-08-26 2013-11-27 成都理工大学 一种震后泥石流沟敏感性判别方法及其应用
KR20160118797A (ko) * 2015-04-03 2016-10-12 한국지질자원연구원 수치지형모델을 이용한 토석류 발생지역 예측장치 및 그 방법
KR20160150494A (ko) * 2015-06-22 2016-12-30 대한민국(산림청 국립산림과학원장) 토석류 위험도를 예측하기 위한 장치 및 그 방법
CN109166280A (zh) * 2018-09-29 2019-01-08 成都理工大学 一种强震区泥石流的早期识别方法及其应用
CN109447493A (zh) * 2018-11-07 2019-03-08 成都理工大学 一种基于物源活动强度的震后泥石流危险性评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MING CHANG等: "Hazard assessment of debris flows in the Wenchuan earthquake-stricken area, South West China", 《LANDSLIDES(2017)》 *
XINGZHANG CHEN等: "Weights-of-evidence method based on GIS for assessing susceptibility to debris flows in Kangding County, Sichuan Province, China", 《ENVIRON EARTH SCI(2016)》 *
夏晨皓 等: "基于概率数学方法与GIS的泥石流敏感性分析及评价——以汶川县为例", 《长江科学院院报》 *
常鸣: "基于遥感及数值模拟的强震区泥石流定量风险评价研究", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390149A (zh) * 2019-07-10 2019-10-29 成都理工大学 一种基于物源聚集量的强震区泥石流活动性预测方法
CN110674471A (zh) * 2019-10-30 2020-01-10 吉林大学 基于GIS与Logistic回归模型的泥石流易发性预测方法
CN111241690A (zh) * 2020-01-16 2020-06-05 广州地理研究所 一种泥石流沟的判识方法及装置
CN111241690B (zh) * 2020-01-16 2022-08-12 广东省科学院广州地理研究所 一种泥石流沟的判识方法及装置
CN117540830A (zh) * 2024-01-05 2024-02-09 中国地质科学院探矿工艺研究所 基于断层分布指数的泥石流易发性预测方法、装置及介质
CN117540830B (zh) * 2024-01-05 2024-04-12 中国地质科学院探矿工艺研究所 基于断层分布指数的泥石流易发性预测方法、装置及介质

Also Published As

Publication number Publication date
CN109992635B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Mallick et al. GIS-based landslide susceptibility evaluation using fuzzy-AHP multi-criteria decision-making techniques in the Abha Watershed, Saudi Arabia
Regmi et al. A comparison of logistic regression-based models of susceptibility to landslides in western Colorado, USA
Ilia et al. Applying weight of evidence method and sensitivity analysis to produce a landslide susceptibility map
CN104899437B (zh) 强降雨型滑坡灾害预警方法
CN109992635A (zh) 一种震后泥石流早期识别方法
Jamali et al. A spatial multi-criteria analysis approach for locating suitable sites for construction of subsurface dams in Northern Pakistan
Lee et al. The effect of spatial resolution on the accuracy of landslide susceptibility mapping: a case study in Boun, Korea
Senapati et al. Assessment of basin-scale groundwater potentiality mapping in drought-prone upper Dwarakeshwar River basin, West Bengal, India, using GIS-based AHP techniques
Gautam et al. Exploration of groundwater potential zones mapping for hard rock region in the Jakham river basin using geospatial techniques and aquifer parameters
Gemitzi et al. Evaluating landslide susceptibility using environmental factors, fuzzy membership functions and GIS
Mezughi et al. Analytical hierarchy process method for mapping landslide susceptibility to an area along the EW highway (Gerik-Jeli), Malaysia
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
Saadatkhah et al. Susceptibility assessment of shallow landslides in Hulu Kelang area, Kuala Lumpur, Malaysia using analytical hierarchy process and frequency ratio
CN114201922A (zh) 基于InSAR技术的动态滑坡敏感性预测方法及系统
Shahinuzzaman et al. Delineation of groundwater potential zones using a parsimonious concept based on catastrophe theory and analytical hierarchy process
El Bchari et al. Landslide hazard zonation assessment using GIS analysis at the coastal area of Safi (Morocco)
CN116663881B (zh) 基于地下水位的黄土地区城市地质灾害风险评价方法
Anamika et al. Identification of groundwater potential in hard rock aquifer systems using Remote Sensing, GIS and Magnetic Survey in Veppanthattai, Perambalur, Tamilnadu
Kumar et al. Evaluating the impact of artificial groundwater recharge structures using geo-spatial techniques in the hard-rock terrain of Rajasthan, India
Lee Landslide trends under extreme climate events
CN110362867A (zh) 基于多元影响因子的地面沉降分区方法
Ozegin et al. Integrating in-situ data and spatial decision support systems (SDSS) to identify groundwater potential sites in the Esan plateau, Nigeria
Multaniya et al. Geospatial technique for the delineation of groundwater potential zones using multi-criteria-based AHP and MIF methods
Vijith et al. Application of GIS and frequency ratio model in mapping the potential surface failure sites in the Poonjar sub-watershed of Meenachil river in Western Ghats of Kerala
Kornejady et al. Producing a spatially focused landslide susceptibility map using an ensemble of Shannon’s entropy and fractal dimension (Case Study: Ziarat Watershed, Iran)

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