CN110929939A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110929939A CN110929939A CN201911173190.6A CN201911173190A CN110929939A CN 110929939 A CN110929939 A CN 110929939A CN 201911173190 A CN201911173190 A CN 201911173190A CN 110929939 A CN110929939 A CN 110929939A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- landslide
- susceptibility
- information
- map
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008878 coupling Effects 0.000 title claims abstract description 7
- 238000010168 coupling process Methods 0.000 title claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 135
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于聚类‑信息量耦合模型下的滑坡灾害易发性空间预测方法,采用K‑means算法对地形评价因子的评价指标进行聚类等级划分,充分考虑了单个评价单元内各个地形评价因子的内在联系,而距离类评价因子采用自然断点法从数值上进行等级划分;再根据信息量模型计算每个评价因子的不同等级下的信息量,根据每个评价单元的各评价因子所在等级的信息量求和得到该评价单元的滑坡信息量,从而得到地图中所有评价单元的滑坡信息量,再结合频率比模型,进行信息量等级划分,最终得到滑坡易发性等级区划图。本发明有较高的滑坡灾害易发性的空间预测精度,可以作为灾害防治,以及灾害治理的依据。
Description
技术领域
本发明涉及地质灾害评估及预测技术。
技术背景
地质灾害是在多种评价因子相互作用下而形成的,基于信息熵系统分析各个评价因子对滑坡灾害易发程度的贡献值,能比较准确的反映地质灾害的发育特征。评价因子可以是某种地形或者地貌特征。传统的信息量模型作为一种有效的区域地质灾害预测方法,它是把影响区域稳定性的评价因子的实测数据转化为反映区域稳定性的信息量,信息量越大,地质灾害易发性越高。
信息量模型的建立为对每个评价因子划分等级,再计算各评价因子在各个等级的信息量,得到所有评价因子在各个等级所对应的信息量,从而建立信息量模型。之后,通过计算得到每个评价单元内各个评价因子的加权信息量建立地质灾害易发性的空间预测模型。
传统的信息量模型,在对各个评价因子中各等级进行等级划分时,通常人为均匀地划分等级或者利用GIS软件自带的方法进行分级。申请人发现这种分级方法会忽略不相邻类别间的相似性,划分断点没有可靠性依据,某些区间附近元素会被排斥在外,从而导致某些有意义的区间被忽视,最终导致建立的信息量模型的准确性受到影响。
我国某些地区的复杂地形导致近年来地质灾害频发。这对当地居民生活及生命安全造成了严重的威胁,对滑坡进行易发性空间预测,能在宏观上了解一个区域滑坡发生的可能性大小,为防灾减灾提供科学参考,也能减轻人民生命财产的损失。
发明内容
本发明所要解决的技术问题是,提供一种通过更合理地划分评价因子等级,从而得到更准确进行滑坡灾害易发性空间预测的方法。
本发明为解决上述技术问题所采用的技术方案是,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,包括以下步骤:
1)将需要进行滑坡灾害易发性空间预测的区域进行评价单元划分;设置评价因子,所述评价因子包括地形评价因子、距离类评价因子、植被指数和地层岩性;
2)确定划分等级的标准:统计出每个评价单元内的地形评价因子的评价指标,根据地图中所有评价单元的地形评价因子的各指标以及预设的等级数使用K-Means聚类算法进行等级划分,确定地图中每个评价单元的所有地形评价因子所在等级;所述地形评价因子的评价指标包括均值、标准差、方差、最大值和最小值;对距离类评价因子、植被指数和地层岩性采用自然断点法划分等级,确定地图中每个评价单元的所有评价因子所在等级;
3)计算每个评价因子的各个等级所对应的信息量,从而得到信息量模型;信息量的计算方法为:
其中,Ij为一个评价因子的一个等级Xj的信息量,Nj为地图中含有Xj的滑坡灾害点总数,N为地图中所有滑坡灾害点总数,Aj为地图中含有Xj的评价单元总数,A为地图中的评价单元总数;
4)查找信息量模型得到每个评价单元内所有评价因子所在等级的信息量,并将查找到的这些信息量之和作为该评价单元的滑坡信息量;
5)使用频率比法根据各评价单元的滑坡信息量进行易发性等级划分;完成地图中所有评价单元的易发性等级划分后,形成易发性等级区划图;将易发性等级区划图用于滑坡灾害易发性的空间预测。
本发明采用K-means算法对地形评价因子的评价指标进行聚类等级划分,充分考虑了单个评价单元内各个地形评价因子的内在联系,比自然断点法具有更高的客观性和系统性,有利于提高滑坡易发性评价的准确性。而其余评价因子,其自身具有一定的阶段变化性,无论是整体还是局部尺度下,变化趋势明显,各评价因子之间交错性较小,不同评价单元之间的相似性也较低,更适合自然断点法从数值上进行等级划分。
本发明的有益效果是,滑坡灾害易发性的空间预测的精度较高,可以作为灾害防治,以及灾害治理的依据。
附图说明
图1为实施例流程图;
图2为地图中各评价单元的DEM(高程)评价因子利用K-Means聚类后各个评价单元所在等级的示意图;
图3为实例得到易发性等级区划图。
具体实施方式
四川省位于我国西南地区,复杂地形导致近年来西南山区地质灾害频发。这对当地居民生活及生命安全造成了严重的威胁,对滑坡进行易发性评价,能在宏观上了解一个区域滑坡发生的可能性大小,为防灾减灾提供科学参考。本发明通过选取并分析DEM、坡度、坡向、曲率、道路、水系、植被指数和地层岩性等八个评价因子,首先采用K-Means聚类算法对DEM、坡度、坡向和曲率等地形评价因子进行等级划分;而对于道路、水系、植被覆盖指数和地层岩性等区域连续性较强的距离类评价因子,采用自然断点法划分等级。然后将信息量模型与K-Means聚类算法进行耦合,统计并分析各个评价等级的信息量,最终利用频率比法对滑坡灾害易发性划分为5个等级。
使用的聚类-信息量耦合模型的方法流程如图1所示,以广元市为例进行说明,首先对研究区进行评价单元划分,将研究区划分成500*500m大小,整个研究区一共被划分为63033个最小评价单元,首先针对DEM、坡度、坡向和曲率等四个地形评价因子,利用ArcGIS分析工具提取各个评价单元内这四个评价因子的均值、标准差、方差、最大值和最小值等评价指标,基于这些评价指标利用K-Means算法对所有评价单元的评价指标进行聚类,获得四个地形评价因子的分类结果;而对于剩下的植被、岩性、水系和道路等评价因子,则直接利用自然断点法进行等级划分。然后以2015-2017年的滑坡灾害点数据作为信息量模型训练数据,计算每个评价因子的不同等级下的信息量得到信息量模型。再根据每个评价单元的各评价因子所在等级查找信息量模型,将查找到的某个评价单元的各评价因子所在等级的信息量求和得到该评价单元的滑坡信息量,从而得到整个广元市的滑坡信息量,再结合频率比模型,进行信息量等级划分,最终得到滑坡易发性等级区划图。
其中,对于高程DEM、坡度、坡向和曲率等地形评价因子利用K-Means进行等级划分的方法,以DEM为例,其具体步骤为:
(1)利用ArcGIS区域分析中的分区统计工具,统计出每个500*500m评价单元内的DEM评价因子的评价指标,包括均值、标准差、方差、最大值和最小值等;
(2)拟设定10个类别,采用K-Means算法对所有评价单元的进行评价指标聚类分析,使得整个地区在空间上分为10个DEM类别,得到的结果如图2所示;
对坡度、坡向和曲率等评价因子的等级划分同上,对其余因子采用自然断点法进行等级划分。
在完成了对各个评价因子等级划分后,利用ArcGIS空间分析工具,提取出滑坡灾害点,确定滑坡灾害点所属评价单元,然后根据信息量模型计算各个评价因子中所有等级对应的信息量。
基于条件概率来统计理论,某个评价因子在某个等级Xj的信息量表达式为:
式中,Nj为地图中含有Xj的地质灾害点总数,N为地图中所有地质灾害点总数,Aj为地图中含有Xj的评价单元总数,A为地图中的评价单元总数。
本实施例中8个评价因子的信息量如下表1所示:
表1各评价因子等级划分及其信息量
得到每种评价因子对应的信息量之后,即可通过计算得到每个评价单元内各个评价因子的加权信息量,从而建立地质灾害易发性的空间预测模型,若第i评价单元内存在n个评价因子,第i评价单元的信息量总和为:
根据公式(2),计算出评价区内63603个评价单元的滑坡信息量预测值。
滑坡频率比是通过对原指标评价因子离散化而改变各评价因子属性值的粒度,来用于提高评价因子状态分类的准确性。在完成所有评价单元的滑坡信息量计算后,采用滑坡频率比模型对各评价因子进行状态分级,利用频率比法进行易发性等级划分,首先将信息量值划分成多个小区间,然后统计每个信息量区间所包含的灾害点数量,以及区间内对应的评价单元个数,然后利用公式(3)进行各评价单元的FR值计算,FR值用于表征分级状态对滑坡灾害发生的贡献程度,FR<1表示当前分级状态不利于滑坡灾害的发生,FR>1表示当前的分级状态有利于滑坡灾害的发生。并以此计算结果分析各个区间灾害发生频率,从而进行易发性等级划分,将结果划分为5个等级。
表2各信息量等级FR值计算表
从表2可以看出,信息量范围再0.6之前,滑坡量均为0,从0.6开始,滑坡量呈上升趋势,当FR值小于1.不利于滑坡发生,在0.7处开FR值呈现整体上升,所以等级划分应划分为5个等级(小于0.6,0.6-0.7,0.7-0.8,0.8-0.9,0.9-1)分别表示低易发性,较低易发性,中度易发性,较高易发性,高易发性。广元市最终的易发性等级区划图如图3所示。
结果验证:
对各个易发性等级下滑坡数量进行统计。从统计结果来看,有93.2%的灾害点都发生在中度及中度以上易发性区域,只有6.78%的灾害点发生在较低易发性区域,因此,本方法准确性较高,结果较为可靠,能充分对滑坡灾害易发性进行分区。
表3结果分析
以2018年的129个滑坡灾害点数据作为验证数据,通过提取2018年发生的滑坡点位置的信息量值,及其易发性等级。结果如表4所示。在验证集上,有95.4%的滑坡发生在中度及以上的滑坡易发性区域内,说明结果具有较高的可信度。可以作为灾害治理及预测的依据。
表4结果验证
Claims (4)
1.一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法,其特征在于,包括以下步骤:
1)将需要进行滑坡灾害易发性空间预测的区域进行评价单元划分;设置评价因子,所述评价因子包括地形评价因子、距离类评价因子、植被指数和地层岩性;
2)确定划分等级的标准:统计出每个评价单元内的地形评价因子的评价指标,根据地图中所有评价单元的地形评价因子的各指标以及预设的等级数使用K-Means聚类算法进行等级划分,确定地图中每个评价单元的所有地形评价因子所在等级;所述地形评价因子的评价指标包括均值、标准差、方差、最大值和最小值;对距离类评价因子、植被指数和地层岩性采用自然断点法划分等级,确定地图中每个评价单元的所有评价因子所在等级;
3)计算每个评价因子的各个等级所对应的信息量,从而得到信息量模型;信息量的计算方法为:
其中,Ij为一个评价因子的一个等级Xj的信息量,Nj为地图中含有Xj的滑坡灾害点总数,N为地图中所有滑坡灾害点总数,Aj为地图中含有Xj的评价单元总数,A为地图中的评价单元总数;
4)查找信息量模型得到每个评价单元内所有评价因子所在等级的信息量,并将查找到的这些信息量之和作为该评价单元的滑坡信息量;
5)使用频率比法根据各评价单元的滑坡信息量进行易发性等级划分;完成地图中所有评价单元的易发性等级划分后,形成易发性等级区划图;将易发性等级区划图用于滑坡灾害易发性的空间预测。
2.如权利要求1所述方法,其特征在于,所述地形评价因子包括高程DEM、坡度、坡向、曲率;距离类评价因子包括道路距离和水系距离。
3.如权利要求1所述方法,其特征在于,使用K-Means聚类算法进行等级划分时的预设的等级数为10。
4.如权利要求1所述方法,其特征在于,使用频率比法根据各评价单元的滑坡信息量对该进行易发性等级划分的具体方式为:滑坡信息量0-0.6、0.6-0.7、0.7-0.8、0.8-0.9、0.9-1分别对应低易发性、较低易发性、中度易发性、较高易发性、高易发性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173190.6A CN110929939B (zh) | 2019-11-26 | 2019-11-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173190.6A CN110929939B (zh) | 2019-11-26 | 2019-11-26 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929939A true CN110929939A (zh) | 2020-03-27 |
CN110929939B CN110929939B (zh) | 2023-04-07 |
Family
ID=69851943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911173190.6A Active CN110929939B (zh) | 2019-11-26 | 2019-11-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929939B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539904A (zh) * | 2020-05-13 | 2020-08-14 | 成都理工大学 | 一种基于降雨量的灾害易发性预测方法 |
CN111709609A (zh) * | 2020-05-21 | 2020-09-25 | 成都正和德能风险管理咨询有限公司 | 一种地质灾害易发性评价方法 |
CN112529084A (zh) * | 2020-12-16 | 2021-03-19 | 电子科技大学 | 一种基于滑坡剖面图像分类模型的相似滑坡推荐方法 |
CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN114595629A (zh) * | 2022-03-01 | 2022-06-07 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
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 |
CN116720131A (zh) * | 2023-08-11 | 2023-09-08 | 北京观微科技有限公司 | 一种滑坡灾害易发性评价方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005050236A (ja) * | 2003-07-31 | 2005-02-24 | Sabo Jisuberi Gijutsu Center | 土砂災害情報処理装置およびそれを用いる土砂災害情報の提供方法 |
CN104021267A (zh) * | 2013-10-25 | 2014-09-03 | 中国科学院地理科学与资源研究所 | 一种地质灾害易发性判定方法和装置 |
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 |
CN106295233A (zh) * | 2016-08-31 | 2017-01-04 | 中测新图(北京)遥感技术有限责任公司 | 一种地质灾害易发性评价方法以及装置 |
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 |
CN110059392A (zh) * | 2019-04-11 | 2019-07-26 | 桂林电子科技大学 | 一种滑坡形变预测方法 |
-
2019
- 2019-11-26 CN CN201911173190.6A patent/CN110929939B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005050236A (ja) * | 2003-07-31 | 2005-02-24 | Sabo Jisuberi Gijutsu Center | 土砂災害情報処理装置およびそれを用いる土砂災害情報の提供方法 |
CN104021267A (zh) * | 2013-10-25 | 2014-09-03 | 中国科学院地理科学与资源研究所 | 一种地质灾害易发性判定方法和装置 |
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 |
CN106295233A (zh) * | 2016-08-31 | 2017-01-04 | 中测新图(北京)遥感技术有限责任公司 | 一种地质灾害易发性评价方法以及装置 |
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 |
CN110059392A (zh) * | 2019-04-11 | 2019-07-26 | 桂林电子科技大学 | 一种滑坡形变预测方法 |
Non-Patent Citations (2)
Title |
---|
POONAM KAINTHUA等: "Gis based model for monitoring and predition of landslide susceptibility", 《2015 1ST INTERNATIONAL CONFERENCE ON NEXT GENERATION COMPUTING TECHNOLOGIES》 * |
张向营 等: "基于GIS和信息量模型的京张高铁滑坡易发性评价", 《地质力学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539904A (zh) * | 2020-05-13 | 2020-08-14 | 成都理工大学 | 一种基于降雨量的灾害易发性预测方法 |
CN111539904B (zh) * | 2020-05-13 | 2023-07-18 | 成都理工大学 | 一种基于降雨量的灾害易发性预测方法 |
CN111709609A (zh) * | 2020-05-21 | 2020-09-25 | 成都正和德能风险管理咨询有限公司 | 一种地质灾害易发性评价方法 |
CN112529084A (zh) * | 2020-12-16 | 2021-03-19 | 电子科技大学 | 一种基于滑坡剖面图像分类模型的相似滑坡推荐方法 |
CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN113343563B (zh) * | 2021-05-27 | 2022-05-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
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 |
CN114595629A (zh) * | 2022-03-01 | 2022-06-07 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
CN114595629B (zh) * | 2022-03-01 | 2024-08-20 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
CN116720131A (zh) * | 2023-08-11 | 2023-09-08 | 北京观微科技有限公司 | 一种滑坡灾害易发性评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110929939B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
CN111898315B (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
CN113487123B (zh) | 高光谱监测与gis耦合山洪灾害动态风险评估方法 | |
Pu et al. | Evaluating the nonlinear correlation between vertical curve features and crash frequency on highways using random forests | |
Shashaani et al. | Multi-stage prediction for zero-inflated hurricane induced power outages | |
CN106250667A (zh) | 一种涉水滑坡状态跃迁的监测方法及装置 | |
CN113642849A (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
CN111539450B (zh) | 地震区滑坡易发性评价方法 | |
CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
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 | |
CN117195750B (zh) | 一种参考时序形变的滑坡灾害敏感性模型构建方法 | |
Arango et al. | Morphometrical analysis of torrential flows-prone catchments in tropical and mountainous terrain of the Colombian Andes by machine learning techniques | |
CN111639865A (zh) | 一种高铁沿线气象灾害发生风险分析方法 | |
CN117893382B (zh) | 基于多元特征融合的地质灾害风险评价方法及系统 | |
CN114897378A (zh) | 地质灾害精细化气象风险预警区评价方法及装置 | |
CN117172554A (zh) | 覆冰灾害风险预测方法、装置、设备及存储介质 | |
CN113393144B (zh) | 地质滑坡静态要素风险分级的评估方法及评估装置 | |
CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 | |
Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
Yu et al. | A regional model of low flow for southern Taiwan | |
CN113920726B (zh) | 一种大型活动道路交通运行的多源风险叠加分级方法 |
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 |