CN111539904A - 一种基于降雨量的灾害易发性预测方法 - Google Patents
一种基于降雨量的灾害易发性预测方法 Download PDFInfo
- Publication number
- CN111539904A CN111539904A CN202010403877.0A CN202010403877A CN111539904A CN 111539904 A CN111539904 A CN 111539904A CN 202010403877 A CN202010403877 A CN 202010403877A CN 111539904 A CN111539904 A CN 111539904A
- Authority
- CN
- China
- Prior art keywords
- disaster
- area
- factor
- rainfall
- predicted
- 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
- 238000007477 logistic regression Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 5
- 230000003139 buffering effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 abstract description 11
- 230000003449 preventive effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于降雨量的灾害易发性预测方法,本发明主要根据信息量来评价各灾害影响因子与待预测地区之间的相关性,即选择降雨因子为控制灾害稳定性的关键性灾害影响因子,并依据此灾害影响因子的信息量来构建信息量模型,也就是降雨量灾害易发性预测模型来衡量待预测地区的灾害易发性,待预测地区某个区域的信息量值越大,说明此区域受降雨影响,发生灾害的可能性较大。采用本发明提供的预测方法,即可对待预测地区的灾害易发性进行准确的预测,以便做出及时的预警和预防措施,减少灾害对人类生命财产的破坏。
Description
技术领域
本发明涉及灾害易发性预测技术领域,具体涉及一种基于降雨量的灾害易发性预测方法。
背景技术
地质灾害是指地球在发展演化过程中,由各种地质作用形成的灾害性地质事件,地质灾害在时间和空间上的分布变化规律,既受制于自然环境,又与人类活动有关,往往是人类与自然界相互作用的结果。
地质灾害一般有崩塌、滑坡、泥石流、地面沉降、地面塌陷、火山、地震等,往往会危害人类生命财产,破坏人类生活、经济活动和人类赖以生存与发展的资源,给人类生活带来极大的损害。
区域预警是在调查与评价的基础上,比较明确的给出一定时间内地质灾害将要发生的地域或地点及其易发性大小,地质灾害易发性区划又是地质灾害风险评价系统的重要组成部分,合理选择影响地质灾害易发性的评价指标,并运用适当的方法将其量化,对地质灾害的易发性预测起着极其重要的作用。所以,采用何种方法实现地质灾害易发性的预测,成为实现地质灾害及时预警的重要基础。
发明内容
为了解决对地质灾害实现及时预警的问题,本发明的目的在于提供一种能够实现地质灾害易发性的精确预测,进而实现地质灾害提前预警的预测方法。
本发明所采用的技术方案为:
一种基于降雨量的灾害易发性预测方法,包括以下步骤:
S101.分别统计待预测地区各个灾害影响因子的历史数据和已经发生灾害的地质灾害点;
S102.将各个灾害影响因子的历史数据、地质灾害点和待预测地区进行信息量综合计算,分别得到各个灾害影响因子的信息量;
S103.将各个灾害影响因子的信息量进行叠加,得到待预测地区总信息量,并根据所述待预测地区总信息量生成待预测地区总信息量图层;
S104.获取待预测地区前24h内的降雨量分布图和新增地质灾害点,将所述新增地质灾害点与所述地质灾害点进行叠加,得到地质灾害点叠加结果;
S105.用所述地质灾害点叠加结果替换所述步骤S102中的地质灾害点,并执行步骤S102~S103,分别得到待预测地区新增总信息量和待预测地区新增总信息量图层;
S106.将所述待预测地区新增总信息量和所述待预测地区总信息量进行相减,得到降雨影响信息量;
S107.根据所述降雨影响信息量和所述降雨量分布图,构建降雨量灾害易发性预测模型;
S108.将待预测地区的当日降雨量分布图输入所述降雨量灾害易发性预测模型,得到降雨量灾害影响信息量;
S109.将所述降雨量灾害影响信息量与所述待预测地区总信息量进行叠加,得到降雨灾害总信息量,并按照信息量值的大小对降雨灾害总信息量进行分级,生成降雨量灾害易发性预测分级图。
优化的,所述步骤S102中信息量综合计算包括以下步骤:
S102a.根据各个灾害影响因子的历史数据,分别对应生成各个灾害影响因子栅格图,并在每个灾害影响因子栅格图中进行灾害等级分级;
S102b.根据所述地质灾害点生成灾害点栅格图;
S102c.将各个灾害影响因子栅格图分别与所述灾害点栅格图进行图层叠加,分别对应得到各个灾害影响因子的灾害点叠加栅格图;
S102d.将所述待预测地区按面积转换为地区栅格图;
S102e.将所述地区栅格图、各个灾害影响因子的灾害点叠加栅格图和所述灾害点栅格图根据信息量公式进行计算,计算完毕后分别得到步骤S102中的各个灾害影响因子的信息量。
优化的,所述步骤S102e中信息量公式具体为:
式中,I为待预测地区内某个灾害因子的信息量,n为待预测地区划分的单元数,S为某个灾害影响因子的总面积,S0为S中发生地质灾害的总面积,A为待预测地区的总面积,A0为待预测地区内发生地质灾害的总面积。
优化的,n、S、S0、A和A0分别由以下步骤得到:
S201.利用镶嵌工具,将所述灾害点栅格图与所述地区栅格图进行镶嵌,分别得到灾害点栅格数和待预测地区面积栅格数,其中,所述灾害点栅格数为所述待预测地区内发生地质灾害的总面积A0,所述待预测地区面积栅格数为所述待预测地区的总面积A,且所述待预测地区面积栅格数还为所述待预测地区划分的单元数n;
S202.根据各个灾害影响因子的灾害点叠加栅格图,分别得到各个灾害点叠加图中的栅格总数和含有灾害点的栅格数,其中,每个灾害点叠加图中的栅格总数为当前灾害影响因子的总面积S,每个灾害点叠加图中含有灾害点的栅格数为当前灾害影响因子总面积中发生地质灾害的总面积S0。
优化的,所述步骤S104中新增地质灾害点与所述地质灾害点进行叠加,包括:
将所述新增地质灾害点与所述灾害点栅格图进行叠加,得到新增地质灾害点栅格图,其中,所述新增地质灾害点栅格图为所述地质灾害点叠加结果。
优化的,所述各个灾害影响因子的历史数据包括待预测地区的坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、地层岩性因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据。
优化的,所述步骤S102a中生成各个灾害影响因子栅格图包括以下步骤:
将所述地层岩性因子的历史数据直接通过面转栅格工具得到地层岩性因子栅格图;
将坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据分别进行缓冲处理,处理完毕后再通过面转栅格工具,分别对应得到坡度因子栅格图、坡向因子栅格图、曲率因子栅格图、构造因子栅格图、水系因子栅格图、降雨因子栅格图和道路因子栅格图。
优化的,所述降雨因子的历史数据为待预测地区前一年内的年平均降雨量。
优化的,所述步骤S104中,获取待预测地区前24h内的降雨量分布图,包括以下步骤:
S301.获取待预测地区每个测雨站的降雨数据,得到每个测雨站的24h平均降雨量;
S302.将每个测雨站的24h平均降雨量进行克里金差值处理,处理完成后即可得到所述步骤S104中的降雨量分布图。
优化的,所述降雨量灾害易发性预测模型采用所述降雨影响信息量与所述降雨量分布图进行逻辑回归运算构建得出。
本发明的有益效果为:
(1)本发明提供了一种基于降雨量的灾害易发性预测方法,本发明主要根据信息量来评价各灾害影响因子与待预测地区之间的相关性,即选择控制灾害稳定性的关键性灾害影响因子,并依据此灾害影响因子的信息量来衡量待预测地区的灾害易发性,其具体过程为:
首先统计待预测地区的各个灾害影响因子的历史数据,通过与待预测地区的地质灾害点以及待预测地区进行信息量综合计算,分析得出各灾害影响因子的信息量,最后通过叠加,得到待预测地区灾害影响因子的总信息量,而预测地区灾害影响因子的总信息量为未有灾害影响因子发生变化时的信息量;
其次,本发明将降雨量作为控制灾害稳定性的关键性灾害影响因子,其实质为:降雨导致待预测地区发生灾害可能性最大,所以从降雨量来判断待预测地区的灾害易发性;其具体预测方法为:将待预测地区前24h的降雨量、新发生的地质灾害点以及各灾害影响因子的历史数据同样进行信息量综合计算,得出前24h待预测地区的新增总信息量,然后通过总信息量与新增总信息量进行相减,就可得出前24h降雨量对待预测地区的灾害影响,即降雨影响信息量;
最后,通过降雨影响信息量和前24h的降雨量分布图进构建出降雨量灾害易发性预测模型,此模型实质为信息量模型,采用模型计算出的信息量来衡量降雨量对待预测地区灾害易发性的影响程度;具体步骤为:通过向模型中输入待预测地区每日降雨量分布图,即可得出降雨量灾害影响信息量,将降雨量灾害影响信息量与待预测地区总信息量进行叠加,所得的结果就为待预测地区受降雨影响的灾害总信息量,根据灾害总信息量的大小,即可判断出待预测地区在每日降雨后,发生灾害的易发性,某个区域所对应的信息量值越大,表明此区域灾害发生的可能性越大。
采用本发明提供的预测方法,即可对待预测地区的灾害易发性进行准确的预测,以便做出及时的预警和预防措施,减少灾害对人类生命财产的破坏。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于降雨量的灾害易发性预测方法的步骤流程示意图。
图2是本发明提供的第一降雨影响信息量所含因子图。
图3是本发明提供的第二降雨影响信息量所含因子图。
图4是本发明提供的第三降雨影响信息量所含因子图。
图5是本发明提供的三组降雨影响信息量的综合ROC曲线图。
图6是本发明提供的三组降雨影响信息量的综合权重和逻辑回归系数图。
图7为三组降雨影响信息量的综合归一化值。
具体实施方式
下面结合具体实施例对本发明作进一步阐述。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况,本文中术语“/和”是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”关系。
本文使用的术语仅用于描述特定实施例,并且不意在限制本发明的示例实施例。如本文所使用的,单数形式“一”、“一个”以及“该”意在包括复数形式,除非上下文明确指示相反意思。还应当理解术语“包括”、“包括了”、“包含”、和/或“包含了”当在本文中使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
实施例一
如图1所示,本实施例所提供的基于降雨量的灾害易发性预测方法,包括以下步骤:
S101.分别统计待预测地区各个灾害影响因子的历史数据和已经发生灾害的地质灾害点。
由于导致某个地区地质灾害的发生会有多种因素,所以,步骤S101中就需要统计影响待预测地区灾害发生的各个灾害影响因子的历史数据,然后从统计的灾害影响因子中选择一个对灾害影响最大的因子,作为控制灾害稳定性的关键性影响因子。
同时统计已经发生灾害的地质灾害点,其目的是:为步骤S102中进行信息量综合计算提供数据基础。
在本实施例中,各个灾害影响因子的历史数据包括:
待预测地区的坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、地层岩性因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据。
由于地质灾害的发生与地质环境条件密切相关,大体分为地质条件、水温条件和人类工程活动三方面的共同影响,所以本发明统计了上述8种灾害影响因子的历史数据。其中,坡度因子、坡向因子、曲率因子、地层岩性因子、构造因子属于地质条件、水系因子、降雨因子属于水文条件,而道路因子则是属于人类工程活动。
由于地质条件随时间的推移改变量极小,不会发生较大的地形地貌的变化,而水文条件中的水系因子,也就是河流、湖泊随时间的推移也不会发生较大的变化(如发生改流、溃堤等),道路同样也不会随时间发生较大的变化。所以,本发明就选取水文条件中的降雨因子作为影响待预测地区发生灾害的关键灾害影响因子,因为降雨可能会导致待预测地区发生泥石流、洪水、崩塌等一系列灾害。
在本实施例中,由于要统计各个灾害影响因子的历史数据,在上述就已说明了除了降雨因子的其它灾害影响因子随时间的推移,变化很小,所以,可统计较长时间的历史数据(如过去5年、10年等),而降雨因子则变化较大,为了保证通过各个灾害影响因子计算出来的信息量进行模型搭建时的准确性,所以,在本实施例中,降雨因子的历史数据统计待预测地区前一年内的年平均降雨量,以保证得到较为准确的预测模型。
在本实施例中,待预测地区前一年内的年平均降雨量举例为:距当前时间的前一年,例如,当前时间为2020年,那待预测地区前一年内的年平均降雨量为2019年的年平均降雨量。
统计完各个灾害影响因子的历史数据和地质灾害点后,就需进行信息量的计算,下面对信息量的具体计算做出详细的阐述:
即步骤S102以及步骤S102a~S102e所进行的流程。
S102.将各个灾害影响因子的历史数据、地质灾害点和待预测地区进行信息量综合计算,分别得到各个灾害影响因子的信息量。
在步骤S102中具体包括步骤S102a~S102e,即步骤S102a~S102e给出了信息量计算的具体过程。
S102a.根据各个灾害影响因子的历史数据,分别对应生成各个灾害影响因子栅格图,并在每个灾害影响因子栅格图中进行灾害等级分级。
S102b.根据所述地质灾害点生成灾害点栅格图。
S102c.将各个灾害影响因子栅格图分别与所述灾害点栅格图进行图层叠加,分别对应得到各个灾害影响因子的灾害点叠加栅格图。
S102d.将所述待预测地区按面积转换为地区栅格图。
S102e.将所述地区栅格图、各个灾害影响因子的灾害点叠加栅格图和所述灾害点栅格图根据信息量公式进行计算,计算完毕后分别得到步骤S102中的各个灾害影响因子的信息量。
首先,步骤S102a则是将各个灾害影响因子的历史数据转化为栅格图,以便后续进行图层叠加。
在本实施例中,各个灾害影响因子的历史数据转化为栅格图看借助现有软件进行实现,如ArcGIS,ArcGIS是一个可伸缩的,全面的GIS(Geographic Information System,地理信息系统)平台,它可用来设计、共享、管理、发布地理信息,也可制图、空间分析、复杂空间查询、高级数据编辑、分布式数据管理、批量空间处理、空间几何完整性规则的实施等等,是一个功能强大的工具平台。
在本实施例中,由于各个灾害影响因子的历史数据类型不同,所以在使用ArcGIS工具进行栅格图的转化时,也具有不同的步骤,如以下步骤所示:
将坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据分别进行缓冲处理,处理完毕后再通过面转栅格工具,分别对应得到坡度因子栅格图、坡向因子栅格图、曲率因子栅格图、构造因子栅格图、水系因子栅格图、降雨因子栅格图和道路因子栅格图。
将所述地层岩性因子的历史数据直接通过面转栅格工具得到地层岩性因子栅格图。
由于地层岩性因子的历史数据为待预测的露出地层,所以其数据就为面数据,所以可直接通过ArcGIS软件中的面转栅格工具直接转换得到地层岩性因子栅格图。
而坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据为线数据或点数据,如水系因子、道路因子,即为一条河流、一条道路,在图层上为线数据,而其他的因子则是点数据,如坡向因子,具体即为一个具体位置的坡向值,坡度因子则是摸个具体位置的坡度值,所以,需要先使用ArcGIS软件进行缓冲处理,即将线数据或点数据转化为面数据,处理完毕后,再使用ArcGIS软件中面转栅格工具转化为对应的因子栅格图。
在本实施例中,ArcGIS软件、面转栅格工具、缓冲处理均为现有处理技术。
同样,地质灾害点也需要通过ArcGIS软件转化为灾害点栅格图,便于后续与各个灾害影响因子的栅格图进行图层叠加,以便计算各个灾害影响因子的信息量,判断各个灾害影响因子对灾害易发性的相关程度。
即步骤S102c就是通过图层叠加,实现地质灾害点与各个灾害影响因子相关性判断,即通过各个灾害影响因子的灾害点叠加栅格图计算出各个灾害影响因子的信息量。
信息量的计算则是采用以下公式:
式中,I为待预测地区内某个灾害因子的信息量,n为待预测地区划分的单元数,S为某个灾害影响因子的总面积,S0为S中发生地质灾害的总面积,A为待预测地区的总面积,A0为待预测地区内发生地质灾害的总面积。
而如何得到信息量计算公式中的各个参数,则是计算各个灾害影响因子信息量的关键,而公式中的各个参数,则是从各个灾害影响因子的灾害点叠加栅格图中、灾害点栅格图中以及地区栅格图中得来,步骤如下:
S201.利用镶嵌工具,将所述灾害点栅格图与所述地区栅格图进行镶嵌,分别得到灾害点栅格数和待预测地区面积栅格数,其中,所述灾害点栅格数为所述待预测地区内发生地质灾害的总面积A0,所述待预测地区面积栅格数为所述待预测地区的总面积A,且所述待预测地区面积栅格数还为所述待预测地区划分的单元数n。
由于已经将待预测地区按面积转换为地区栅格图了,当然,也是直接通过ArcGIS软件直接得来,而栅格图中,是将面积做了均等分,即每个栅格的面积相等,所以,栅格的总个数即代表栅格图的总面积。
在本实施例中,利用ArcGIS软件中的镶嵌工具即可实现地区栅格图与灾害点栅格图的叠加,即将灾害点栅格图放置在地区栅格图中进行显示,此时,新得出的栅格图的总个数即为待预测地区的总面积A,而前述就已说明了,栅格图由若干个栅格组成,这若干个栅格就将待预测地区分为对应的单元,所以,判断待预测地区内发生地质灾害的总面积就只需要统计有灾害点的栅格数,即有灾害点的栅格总数就为待预测地区内发生地质灾害的总面积A0。
在本实施例中,有灾害点的栅格总数即为步骤S201中提到的灾害点栅格数,栅格图的总个数即为待预测地区面积栅格数。
同理,步骤S202则是得出某个灾害影响因子的总面积S以及S中发生地质灾害的总面积S0的具体步骤。
S202.根据各个灾害影响因子的灾害点叠加栅格图,分别得到各个灾害点叠加图中的栅格总数和含有灾害点的栅格数,其中,每个灾害点叠加图中的栅格总数为当前灾害影响因子的总面积S,每个灾害点叠加图中含有灾害点的栅格数为当前灾害影响因子总面积中发生地质灾害的总面积S0。
在步骤S202中,某个灾害影响因子的灾害点叠加栅格图,其栅格总数就为当前灾害影响因子的总面积,也就是说在各个灾害影响因子的灾害点叠加栅格图中,随机选取某个灾害点叠加栅格图,其对应的栅格总数,就为选取的某个灾害影响因子的总面积,即S,而选取的这个灾害点叠加图中有灾害点的栅格总数,即是选取的某个灾害影响因子总面积中发生地质灾害的总面积,即S0。
通过步骤S201和步骤S202,即可得出信息量计算公式中的各个参数,所以即可对步骤S101中选取的灾害影响因子进行信息量的计算。
在此,需要注意的是,由于待预测地区在栅格图中,被分成了与栅格数相同的n个单元,所以,其实,每个灾害影响因子的信息量不仅只有一个值,而是具有n个值的集合。
计算出每个灾害影响因子的信息量集合后,即可执行步骤S103,得到待预测地区总信息量。
S103.将各个灾害影响因子的信息量进行叠加,得到待预测地区总信息量,并根据所述待预测地区总信息量生成待预测地区总信息量图层。
在步骤S103中,各个灾害影响因子的信息量的叠加也是使用ArcGIS软件。
综上,步骤S101~步骤S103只是计算出各个灾害影响因子未发生变化时的总信息量,而要进行灾害易发性的判断,需要选择一个控制灾害稳定性的关键性影响因子,即使用这个关键性影响因子来进行信息量模型的搭建。
所以,步骤S104~步骤S107则是进行信息量模型的搭建,也就是降雨量灾害影响信息量的构建。
S104.获取待预测地区前24h内的降雨量分布图和新增地质灾害点,将所述新增地质灾害点与所述地质灾害点进行叠加,得到地质灾害点叠加结果。
S105.用所述地质灾害点叠加结果替换所述步骤S102中的地质灾害点,并执行步骤S102~S103,分别得到待预测地区新增总信息量和待预测地区新增总信息量图层。
由于在前述就说明降雨因子为控制灾害稳定性的关键性影响因子,所以我们需要计算降雨对待预测地区灾害易发性的影响,所以就需要进行步骤S104和步骤S105。
其中,新增地质灾害点和地质灾害点进行叠加其实质为:
将所述新增地质灾害点与所述灾害点栅格图进行叠加,得到新增地质灾害点栅格图,所述新增地质灾害点栅格图就为所述地质灾害点叠加结果。
进行上述步骤的原因为:更新待预测地区的地质灾害点,进而得到因降雨而新增的地质灾害点栅格图。同时在执行步骤S102~S103,即可得到待预测地区新增总信息量。
在本实施例中,举例待预测地区前24h内的降雨量分布图为:待预测地区距当前时间前24h内的降雨量分布图。
步骤S102~S103的原理,在前述就已具体说明过,在此不多加赘述。
计算得出待预测地区新增总信息量之后,再与待预测地区总信息量进行相减,即可得到降雨影响信息量,此步骤也就是S106。
S106.将所述待预测地区新增总信息量和所述待预测地区总信息量进行相减,得到降雨影响信息量。
当然在步骤S106进行相减的计算也可以用ArcGIS软件进行实现。
S107.根据所述降雨影响信息量和所述降雨量分布图,构建降雨量灾害易发性预测模型。
最后,即可根据降雨影响信息量和所述降雨量分布图,构建出降雨量灾害易发性预测模型。
在本实施例中,降雨量灾害易发性预测模型由所述降雨影响信息量与所述降雨量分布图进行逻辑回归运算构建得出。
逻辑回归模型,即Logistics Regression,是一种离散选择性的模型,它是一种非线性模型。表达式为:
log(p/1-p)=b0+b1X1+b2X2+...+bpXp
模型左侧为事件发生几率的自然对数值,b0为常数项,b1~bp为模型的回归系数,X1~Xp为自变量。二元逻辑回归模型易发性评价,即是以灾害是否发生作为因变量分析,灾害发生取值为1,灾害不发生取值为0。实际上就把问题简化为多变量和两个因变量之间的关系。但是对样本的要求较高,一般是大于500才能保证最大似然估计值的准确性,但不能过大,过大导致相关性不显著。模型的构建在SPSS中实现。但是对样本的要求较高,一般是大于500才能保证最大似然估计值的准确性,但不能过大,过大导致相关性不显著。模型的构建在SPSS中实现。
而逻辑回归运算为一种现有技术,本领域技术人员可直接此运算实现降雨量灾害易发性预测模型的构建。
S108.将待预测地区的当日降雨量分布图输入所述降雨量灾害易发性预测模型,得到降雨量灾害影响信息量;
S109.将所述降雨量灾害影响信息量与所述待预测地区总信息量进行叠加,得到降雨灾害总信息量,并按照信息量值的大小对降雨灾害总信息量进行分级,生成降雨量灾害易发性预测分级图。
通过降雨量灾害易发性预测模型即可实现预测地区在降雨后,灾害易发性的预测,具体的操作步骤就为步骤S108和步骤S109。
计算出降雨量灾害影响信息量与待预测地区总信息量通过ArcGIS软件进行叠加,即可得出降雨灾害总信息量,而总信息量的值的大小决定着待预测地区发生灾害的可能性大小,值越大,灾害发生的可能性就越大。
而本实施例根据总信息量生成雨量灾害易发性预测分级图,即根据总信息量值的大小进行分级的,在途中,即可得出待预测地区发生灾害的可能性,即图中处于信息量值较大的区域,则说明此区域受降雨影响,发生灾害的可能性较大,需要进行提前预警及采取相应的预防措施。
在本实施例中,当日降雨量分布图和前24h的降雨量分布图均可根据克里金插值处理得到,克里金插值处理为一种现有处理方法,可直接使用,具体步骤如S301和S301。
S301.获取待预测地区每个测雨站的降雨数据,得到每个测雨站的24h平均降雨量。
S302.将每个测雨站的24h平均降雨量进行克里金差值处理,处理完成后即可得到所述步骤S104中的降雨量分布图。
当需要得到当日降雨量分布图,即可获取每个测雨站在当日的降雨数据,得到当日降雨平均量,然后进行克里金差值处理,即可得到当日降雨量分布图。
在本实施例中,各种栅格图之间的叠加、信息量的叠加均是采用现有的ArcGIS软件进行实现。
实施例二
本实施例为实施例一中进行逻辑回归运算的具体举例:
如图2~7所示,图2、图3和图4给出了三组降雨影响信息量的样本,分别为第一降雨影响信息量所含因子图、第二降雨影响信息量所含因子图和第三降雨影响信息量所含因子图。
三个样本数分别为1415个、2093个、4674个,灾害点与非灾害点比例分别为1:6、1:9、1:23,非灾害点为区域内均匀分布。其中,降雨影响信息量则为实施例一种提到的各个灾害影响因子,但是通过逐步回归和强迫筛选,已经去除了曲率和道路两项因子,剩下的因子的Sig值均小于显著水平值0.05,说明,统计性比较显著,具有意义,最终将三组测试样本计算的回归系数求平均值,再进行逻辑回归运算,即可得到图5,即三组降雨影响信息量的综合ROC(receiver operating characteristic curve,感受性曲线图)曲线图。
下面对三组降雨影响信息量的综合ROC曲线图的逻辑回归运算进行具体的阐述:
图6为三组降雨影响信息量的综合权重和逻辑回归系数图,图7为三组降雨影响信息量的综合归一化值,根据公式P=∑biXi。
式中,bi为逻辑回归法所得各因子相对权重,Xi为指标因子比率R的归一化值。
所以,根据公式即可得出待预测地区地质灾害发生概率P,进而得到ROC曲线,即图5,从图5中可以看出ROC曲线呈现明显的“凸”型,表明二元逻辑回归法对地质灾害易发性的评价结果是理想的,定量表示模型预测成功率,曲线下面积AUC=0.873。
综上,即可根据逻辑回归构建出降雨量灾害易发性预测模型,从而根据每日降雨量实现待预测地区灾害易发性的预测。
综上,采用本发明所提供的基于降雨量的灾害易发性预测方法,具有如下技术效果:
(1)本发明主要根据信息量来评价各灾害影响因子与待预测地区之间的相关性,即选择降雨因子为控制灾害稳定性的关键性灾害影响因子,并依据此灾害影响因子的信息量来构建信息量模型,也就是降雨量灾害易发性预测模型来衡量待预测地区的灾害易发性。采用本发明提供的预测方法,即可对待预测地区的灾害易发性进行准确的预测,以便做出及时的预警和预防措施,减少灾害对人类生命财产的破坏。
本发明不局限于上述可选实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是落入本发明权利要求界定范围内的技术方案,均落在本发明的保护范围之内。
Claims (10)
1.一种基于降雨量的灾害易发性预测方法,其特征在于,包括以下步骤:
S101.分别统计待预测地区各个灾害影响因子的历史数据和已经发生灾害的地质灾害点;
S102.将各个灾害影响因子的历史数据、地质灾害点和待预测地区进行信息量综合计算,分别得到各个灾害影响因子的信息量;
S103.将各个灾害影响因子的信息量进行叠加,得到待预测地区总信息量,并根据所述待预测地区总信息量生成待预测地区总信息量图层;
S104.获取待预测地区前24h内的降雨量分布图和新增地质灾害点,将所述新增地质灾害点与所述地质灾害点进行叠加,得到地质灾害点叠加结果;
S105.用所述地质灾害点叠加结果替换所述步骤S102中的地质灾害点,并执行步骤S102~S103,分别得到待预测地区新增总信息量和待预测地区新增总信息量图层;
S106.将所述待预测地区新增总信息量和所述待预测地区总信息量进行相减,得到降雨影响信息量;
S107.根据所述降雨影响信息量和所述降雨量分布图,构建降雨量灾害易发性预测模型;
S108.将待预测地区的当日降雨量分布图输入所述降雨量灾害易发性预测模型,得到降雨量灾害影响信息量;
S109.将所述降雨量灾害影响信息量与所述待预测地区总信息量进行叠加,得到降雨灾害总信息量,并按照信息量值的大小对降雨灾害总信息量进行分级,生成降雨量灾害易发性预测分级图。
2.根据权利要求1所述的一种基于降雨量的灾害易发性预测方法,其特征在于,所述步骤S102中信息量综合计算包括以下步骤:
S102a.根据各个灾害影响因子的历史数据,分别对应生成各个灾害影响因子栅格图,并在每个灾害影响因子栅格图中进行灾害等级分级;
S102b.根据所述地质灾害点生成灾害点栅格图;
S102c.将各个灾害影响因子栅格图分别与所述灾害点栅格图进行图层叠加,分别对应得到各个灾害影响因子的灾害点叠加栅格图;
S102d.将所述待预测地区按面积转换为地区栅格图;
S102e.将所述地区栅格图、各个灾害影响因子的灾害点叠加栅格图和所述灾害点栅格图根据信息量公式进行计算,计算完毕后分别得到步骤S102中的各个灾害影响因子的信息量。
4.根据权利要求3所述的一种基于降雨量的灾害易发性预测方法,其特征在于,n、S、S0、A和A0分别由以下步骤得到:
S201.利用镶嵌工具,将所述灾害点栅格图与所述地区栅格图进行镶嵌,分别得到灾害点栅格数和待预测地区面积栅格数,其中,所述灾害点栅格数为所述待预测地区内发生地质灾害的总面积A0,所述待预测地区面积栅格数为所述待预测地区的总面积A,且所述待预测地区面积栅格数还为所述待预测地区划分的单元数n;
S202.根据各个灾害影响因子的灾害点叠加栅格图,分别得到各个灾害点叠加图中的栅格总数和含有灾害点的栅格数,其中,每个灾害点叠加图中的栅格总数为当前灾害影响因子的总面积S,每个灾害点叠加图中含有灾害点的栅格数为当前灾害影响因子总面积中发生地质灾害的总面积S0。
5.根据权利要求2所述的一种基于降雨量的灾害易发性预测方法,其特征在于:所述步骤S104中新增地质灾害点与所述地质灾害点进行叠加,包括:
将所述新增地质灾害点与所述灾害点栅格图进行叠加,得到新增地质灾害点栅格图,其中,所述新增地质灾害点栅格图为所述地质灾害点叠加结果。
6.根据权利要求2所述的一种基于降雨量的灾害易发性预测方法,其特征在于:所述各个灾害影响因子的历史数据包括待预测地区的坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、地层岩性因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据。
7.根据权利要求6所述的一种基于降雨量的灾害易发性预测方法,其特征在于,所述步骤S102a中生成各个灾害影响因子栅格图包括以下步骤:
将所述地层岩性因子的历史数据直接通过面转栅格工具得到地层岩性因子栅格图;
将坡度因子历史数据、坡向因子历史数据、曲率因子历史数据、构造因子历史数据、水系因子历史数据、降雨因子历史数据和道路因子历史数据分别进行缓冲处理,处理完毕后再通过面转栅格工具,分别对应得到坡度因子栅格图、坡向因子栅格图、曲率因子栅格图、构造因子栅格图、水系因子栅格图、降雨因子栅格图和道路因子栅格图。
8.根据权利要求6所述的一种基于降雨量的灾害易发性预测方法,其特征在于:所述降雨因子的历史数据采用待预测地区前一年内的年平均降雨量。
9.根据权利要求1所述的一种基于降雨量的灾害易发性预测方法,其特征在于,所述步骤S104中,获取待预测地区前24h内的降雨量分布图,包括以下步骤:
S301.获取待预测地区每个测雨站的降雨数据,得到每个测雨站的24h平均降雨量;
S302.将每个测雨站的24h平均降雨量进行克里金差值处理,处理完成后即可得到所述步骤S104中的降雨量分布图。
10.根据权利要求1所述的一种基于降雨量的灾害易发性预测方法,其特征在于:所述降雨量灾害易发性预测模型采用所述降雨影响信息量与所述降雨量分布图进行逻辑回归运算构建得出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403877.0A CN111539904B (zh) | 2020-05-13 | 2020-05-13 | 一种基于降雨量的灾害易发性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403877.0A CN111539904B (zh) | 2020-05-13 | 2020-05-13 | 一种基于降雨量的灾害易发性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539904A true CN111539904A (zh) | 2020-08-14 |
CN111539904B CN111539904B (zh) | 2023-07-18 |
Family
ID=71975669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010403877.0A Active CN111539904B (zh) | 2020-05-13 | 2020-05-13 | 一种基于降雨量的灾害易发性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539904B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561297A (zh) * | 2020-12-09 | 2021-03-26 | 中南大学 | 不同地形下邻域影响的地质灾害风险评价方法 |
CN112735094A (zh) * | 2020-12-17 | 2021-04-30 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
CN113505994A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
CN115510945A (zh) * | 2022-08-03 | 2022-12-23 | 国家气象中心(中央气象台) | 基于主成分和Logistic分析地质灾害概率预报方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030212493A1 (en) * | 2002-03-26 | 2003-11-13 | Shuichi Tanahashi | Disaster predicting method, disaster predicting apparatus, disaster predicting program, and computer-readable recording medium recorded with disaster predicting program |
JP2004280204A (ja) * | 2003-03-12 | 2004-10-07 | Kokusai Kogyo Co Ltd | 斜面崩壊予測システム |
EP1679531A1 (en) * | 2003-10-31 | 2006-07-12 | Matsushita Electric Industrial Co., Ltd. | Disaster prediction system |
CN1996054A (zh) * | 2006-11-23 | 2007-07-11 | 浙江工业大学 | 基于全方位视觉的泥石流预警预报装置 |
KR20150128217A (ko) * | 2014-05-09 | 2015-11-18 | 세종대학교산학협력단 | 산사태 취약성 분석 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
CN105808936A (zh) * | 2016-03-03 | 2016-07-27 | 成都理工大学 | 一种快速判识滑坡危险程度的方法 |
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 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN110633858A (zh) * | 2019-09-18 | 2019-12-31 | 国网湖南省电力有限公司 | 一种用于输电线路的暴雨地质灾害的聚类预警方法及系统 |
CN110929939A (zh) * | 2019-11-26 | 2020-03-27 | 电子科技大学 | 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 |
-
2020
- 2020-05-13 CN CN202010403877.0A patent/CN111539904B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030212493A1 (en) * | 2002-03-26 | 2003-11-13 | Shuichi Tanahashi | Disaster predicting method, disaster predicting apparatus, disaster predicting program, and computer-readable recording medium recorded with disaster predicting program |
JP2004280204A (ja) * | 2003-03-12 | 2004-10-07 | Kokusai Kogyo Co Ltd | 斜面崩壊予測システム |
EP1679531A1 (en) * | 2003-10-31 | 2006-07-12 | Matsushita Electric Industrial Co., Ltd. | Disaster prediction system |
CN1996054A (zh) * | 2006-11-23 | 2007-07-11 | 浙江工业大学 | 基于全方位视觉的泥石流预警预报装置 |
KR20150128217A (ko) * | 2014-05-09 | 2015-11-18 | 세종대학교산학협력단 | 산사태 취약성 분석 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
CN105808936A (zh) * | 2016-03-03 | 2016-07-27 | 成都理工大学 | 一种快速判识滑坡危险程度的方法 |
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 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN110633858A (zh) * | 2019-09-18 | 2019-12-31 | 国网湖南省电力有限公司 | 一种用于输电线路的暴雨地质灾害的聚类预警方法及系统 |
CN110929939A (zh) * | 2019-11-26 | 2020-03-27 | 电子科技大学 | 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 |
Non-Patent Citations (6)
Title |
---|
GUIZHOU ZHENG 等: "The regional geological hazard forecast based on rainfall and WebGIS in Hubei, China" * |
XING ZHU 等: "Comparison of two optimized machine learning models for predicting displacement of rainfall-induced landslide: A case study in Sichuan Province, China" * |
丁伟翠 等: "应用 GIS 技术对甘肃省灵台县 地质灾害气象预警的研究" * |
何朝阳 等: "基于 ArcGIS 的降雨型地质灾害自动预警系统" * |
孙德亮: "基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究" * |
黄健敏 等: "基于 Logistic 回归的降雨诱发区域地质灾害易发性 区划及预报模型建立 ———以安徽歙县为例" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561297A (zh) * | 2020-12-09 | 2021-03-26 | 中南大学 | 不同地形下邻域影响的地质灾害风险评价方法 |
CN112735094A (zh) * | 2020-12-17 | 2021-04-30 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
CN113505994A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
CN115510945A (zh) * | 2022-08-03 | 2022-12-23 | 国家气象中心(中央气象台) | 基于主成分和Logistic分析地质灾害概率预报方法 |
CN115510945B (zh) * | 2022-08-03 | 2024-05-28 | 国家气象中心(中央气象台) | 基于主成分和Logistic分析地质灾害概率预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111539904B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dou et al. | Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu-Oshima Volcanic Island, Japan | |
Ghosh et al. | Urban ecological security assessment and forecasting using integrated DEMATEL-ANP and CA-Markov models: A case study on Kolkata Metropolitan Area, India | |
Tang et al. | Integrating principal component analysis with statistically-based models for analysis of causal factors and landslide susceptibility mapping: A comparative study from the loess plateau area in Shanxi (China) | |
Cao et al. | Multi-geohazards susceptibility mapping based on machine learning—a case study in Jiuzhaigou, China | |
Torkashvand et al. | DRASTIC framework improvement using stepwise weight assessment ratio analysis (SWARA) and combination of genetic algorithm and entropy | |
Gudiyangada Nachappa et al. | Comparison and validation of per-pixel and object-based approaches for landslide susceptibility mapping | |
Thapa et al. | Urban growth modeling of Kathmandu metropolitan region, Nepal | |
CN111539904A (zh) | 一种基于降雨量的灾害易发性预测方法 | |
Hosseini et al. | Towards a flood vulnerability assessment of watershed using integration of decision-making trial and evaluation laboratory, analytical network process, and fuzzy theories | |
Mesta et al. | Urban growth modelling and social vulnerability assessment for a hazardous Kathmandu Valley | |
Feng et al. | Incorporation of spatial heterogeneity-weighted neighborhood into cellular automata for dynamic urban growth simulation | |
Barzegar et al. | Delimitation of groundwater zones under contamination risk using a bagged ensemble of optimized DRASTIC frameworks | |
CN111898315B (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
Sorichetta et al. | Reliability of groundwater vulnerability maps obtained through statistical methods | |
WO2013009160A2 (en) | A geometric method for predicting landslide disaste | |
Rahman et al. | Assessing soil erosion hazard-a raster based GIS approach with spatial principal component analysis (SPCA) | |
Gharakezloo et al. | A hybrid statistical decision-making optimization approach for groundwater vulnerability considering uncertainty | |
Moayedi et al. | A novel problem-solving method by multi-computational optimisation of artificial neural network for modelling and prediction of the flow erosion processes | |
Momeni et al. | Pattern‐based calibration of cellular automata by genetic algorithm and Shannon relative entropy | |
Kaya Topaçli et al. | Performance comparison of landslide susceptibility maps derived from logistic regression and random forest models in the Bolaman Basin, Türkiye | |
Cuellar et al. | Assessing the accuracy of sensitivity analysis: an application for a cellular automata model of Bogota’s urban wetland changes | |
Siarkos et al. | Implementation and evaluation of different techniques to modify DRASTIC method for groundwater vulnerability assessment: a case study from Bouficha aquifer, Tunisia | |
Nguyen et al. | Assessment of the effects of rainfall frequency on landslide susceptibility mapping using AHP method: a case study for a mountainous region in Central Vietnam | |
Mascheri et al. | A framework for multi-risk assessment in a historical area of Lisbon | |
JP2006004212A (ja) | 水害被害の推定方法をコンピュータに実行させるためのプログラム及び情報提示方法 |
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 |