CN111667125B - 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 - Google Patents

一种滑坡位移预测方法、滑坡位移预测装置及存储介质 Download PDF

Info

Publication number
CN111667125B
CN111667125B CN202010793543.9A CN202010793543A CN111667125B CN 111667125 B CN111667125 B CN 111667125B CN 202010793543 A CN202010793543 A CN 202010793543A CN 111667125 B CN111667125 B CN 111667125B
Authority
CN
China
Prior art keywords
slope
displacement
accumulated value
influence
trend
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
Application number
CN202010793543.9A
Other languages
English (en)
Other versions
CN111667125A (zh
Inventor
李龙
刘爽
马黎
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 Jiajie Xincheng Information Technology Co ltd
Original Assignee
Chengdu Jiajie Xincheng Information Technology Co ltd
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 Jiajie Xincheng Information Technology Co ltd filed Critical Chengdu Jiajie Xincheng Information Technology Co ltd
Priority to CN202010793543.9A priority Critical patent/CN111667125B/zh
Publication of CN111667125A publication Critical patent/CN111667125A/zh
Application granted granted Critical
Publication of CN111667125B publication Critical patent/CN111667125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • G06Q50/265Personal security, identity or safety
    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02Alarms for ensuring the safety of persons
    • G08B21/10Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Emergency Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本申请提供一种滑坡位移预测方法、滑坡位移预测装置及存储介质,包括获取第一预设时间段内的第一坡面位移累计值;在Prophet模型中结合坡面对应的增长趋势、季节趋势、突发事件和噪声,根据第一坡面位移累计值分析坡面位移变化趋势;其中,增长趋势包括地形地貌、地层岩性、地质构造对坡面位移的影响;季节趋势包括降雨、温度对坡面位移的影响;突发事件包括地震、人工活动工程对坡面位移的影响;噪声为随机影响因素对坡面位移的影响;本申请基于Prophet框架进行滑坡位移的预测,充分考虑了各种环境因素对滑坡位移的影响,使得滑坡位移的预测结果更加准确。

Description

一种滑坡位移预测方法、滑坡位移预测装置及存储介质
技术领域
本申请涉及地质灾害预防技术领域,具体而言,涉及一种滑坡位移预测方法、滑坡位移预测装置及存储介质。
背景技术
滑坡灾害是全球分布范围最广、影响最大、破坏最严重的地质灾害之一。滑坡不但分布广泛而且其造成的危害相当巨大,已影响到人类生产生活的诸多领域,因此开展滑坡灾害预测对滑坡灾害进行综合预防治理具有重要意义。现有的滑坡预测方法主要有以下几种:(1)灰色系统分析方法;(2)将GIS空间分析与BP神经网络相融合的滑坡预测方法;(3)考虑影响滑坡的特征因素,包括内在因素(形成条件)和外在因素(诱发因素),建立特征工程,使用一系列机器学习回归算法(RF、GBDT、XGBoost等),调整参数,实现滑坡位移预测。其中第三种方法是目前较为常用的一种方法。在常见的机器学习回归分析预测的场景下,需综合考虑量化的内、外因特征。但因部分监测结果的非时序性和不可监测性,造成预测结果具有随机性,预测精度下降。所以需要提供一种方案以便于更准确地对滑坡位移进行预测。
发明内容
本申请的目的在于提供一种滑坡位移预测方法、滑坡位移预测装置及存储介质,用以实现更准确地对滑坡位移进行预测的技术效果。
第一方面,本申请实施例提供了一种滑坡位移预测方法,包括获取第一预设时间段内的第一坡面位移累计值;在Prophet模型中结合坡面对应的增长趋势、季节趋势、突发事件和噪声,根据所述第一坡面位移累计值分析坡面位移变化趋势;所述增长趋势包括地形地貌、地层岩性、地质构造对坡面位移的影响;所述季节趋势包括降雨、温度对坡面位移的影响;所述突发事件包括地震、人工活动工程对坡面位移的影响;所述噪声为随机影响因素对坡面位移的影响;Prophet模型基于加法模型构建,表示为y(t)=g(t)+s(t)+h(t)+ε(t);其中,g(t)为增长趋势;s(t)为季节趋势;h(t)为突发事件;ε(t)为噪声;Prophet模型中的季节趋势通过傅里叶级数来表达,表达式为:
Figure DEST_PATH_IMAGE001
式中,s(t)表示季节趋势,P表示固定的周期,N表示该周期的使用个数,i表示虚数单位,n为第n个周期,t为第t时刻;且
Figure 434286DEST_PATH_IMAGE002
j表示虚数单位。
进一步地,所述方法还包括:根据坡面方向、河流方向和坡面地理环境建立坡面三维坐标系;其中,顺坡方向为X轴正方向,逆坡方向为X轴负方向;Y轴垂直于X轴且平行于河流方向,下游为正,上游为负;Z轴垂直于坡面,下沉为正,上升为负;根据所述坡面三维坐标系分析坡面位移累计值。
进一步地,所述根据所述坡面三维坐标系分析坡面位移累计值的实现方式为:
Figure DEST_PATH_IMAGE003
式中,xy为坡面位移累计值,表示的是以初始位移值为基点的坡面位移累计值;N为当前累计的天数;t为第t天;xx轴方向的位移累计值,yy轴方向的位移累计值。
进一步地,所述方法还包括:分析所述坡面位移累计值中的缺失数据或异常数据;采用线性平滑算法对所述缺失数据或异常数据进行填充。
进一步地,所述Prophet模型中的突发事件表达式为:
Figure 435740DEST_PATH_IMAGE004
式中,h(t)表示突发事件,D i 表示时间窗口中包含的时间,t表示D i 中的第t时刻,k i 表示时间窗口中的特殊时间对预测值的影响,L表示时间窗口的总个数,i表示第i个时间窗口。
进一步地,所述方法还包括:
获取第二预设时间段内的第二坡面位移累计值,将所述第二坡面位移累计值分为训练集和测试集;
利用所述训练集对所述Prophet模型进行训练后采用所述测试集分析所述Prophet模型的平均绝对百分比误差和平均绝对误差;
根据所述平均绝对百分比误差和平均绝对误差分析所述Prophet模型是否满足实际需求。
第二方面,本申请实施例提供了一种滑坡位移预测装置,包括存储器和处理器,所述存储器用于储存至少一个程序;所述处理器用于加载所述程序以执行上述方法。
第三方面,本申请实施例还提供一种存储介质,存储有处理器可执行的指令,所述处理器执行的指令在由所述处理器执行时用于执行上述方法。
本申请能够实现的有益效果是:本申请基于Prophet框架进行滑坡位移的预测,充分考虑了各种环境因素对滑坡位移的影响,使得滑坡位移的预测结果更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种滑坡位移预测方法流程示意图;
图2为本申请实施例提供的一种滑坡三维坐标系建立方式示意图。
图标:100-坡面;200-河流。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参看图1和图2,图1为本申请实施例提供的一种滑坡位移预测方法流程示意图;图2为本申请实施例提供的一种滑坡三维坐标系建立方式示意图。
经申请人研究发现,滑坡体的本质是受岩土体条件控制,并受降雨、地震和人类工程活动等多种诱因影响而发展演化的非线性耗散动力系统,在常见的机器学习回归分析预测的场景下,需综合考虑量化的内、外因特征。但因部分监测结果的非时序性和不可监测性,导致有的重要影响因素可能并未考虑进去,造成预测结果具有随机性,预测精度下降。所以本申请提供了一种滑坡位移预测方法,以便于更准确地对滑坡位移进行预测,具体内容如下所述。
步骤S101,获取第一预设时间段内的第一坡面位移累计值。
在一种实施方式中,考虑到GNSS监测站(例如JW-300GN型)能够达到毫米级的形变监测精度,所以可以采用GNSS(Global Navigation Satellite System,全球卫星导航定位系统)的监测站对第一坡面位移累计值进行采集;每次分析过程可以采集,但不限于,7天的坡面位移累计值。其中,坡面位移累计值可以通过建立坐标系的方式进行计算得到。示例性地,可以根据坡面方向、河流方向和坡面地理环境建立坡面三维坐标系。其中,顺坡方向为X轴正方向,逆坡方向为X轴负方向;Y轴垂直于X轴且平行于河流200的方向,下游为正,上游为负;Z轴垂直于坡面100,下沉为正,上升为负。在建立坐标系后,就可以根据该坐标系分析坡面位移累计值。
在一种实施方式中,通过对GNSS监测点的数据分析,边坡变形主要在X轴和Y轴两个方向发生位移变化。所以本申请采用以下公式计算坡面位移累计值(单位为毫米):
Figure 103482DEST_PATH_IMAGE005
式中,xy为坡面位移累计值,表示的是以初始位移值为基点的累计坡面位移值;N为当前累计的天数;t为第t天;xx轴方向的位移累计值,yy轴方向的位移累计值。
在一种实施方式中,考虑到GNSS监测站长期暴露在野外,容易受到风吹日晒等影响,采集到的坡面位移数据中有可能存在缺失数据或者异常数据。所以本申请提供的实施例中,还可以分析坡面位移累计值中的缺失数据或异常数据;然后采用线性平滑算法对缺失数据或异常数据进行填充。在分析坡面位移累计值中的缺失数据或异常数据时可以选用箱型图方法。
步骤S102,在Prophet模型中结合坡面对应的增长趋势、季节趋势、突发事件和噪声,根据所述第一坡面位移累计值分析坡面位移变化趋势。
在获取到某段时间的坡面位移累计值后,就可以结合坡面对应的增长趋势、季节趋势、突发事件和噪声分析坡面位移变化趋势。其中增长趋势包括地形地貌、地层岩性、地质构造等对坡面位移的影响;季节趋势包括降雨、温度等对坡面位移的影响;突发事件包括地震、人工活动工程等对坡面位移的影响;噪声为随机影响因素对坡面位移的影响。Prophet模型基于加法模型构建,可以表示为y(t)=g(t)+s(t)+h(t)+ε(t),其中g(t)为增长趋势;s(t)为季节趋势;h(t)为突发事件;ε(t)为噪声。
在一种实施方式中,坡面的增长趋势可以使用Prophet自动进行监测突变点,然后对趋势变化的幅度做稀疏先验(等同于做L1正则化处理),并对趋势进行调整。潜在的突变点数量可以通过在Prophet模型中设置的n_changepoints参数来指定。考虑到自动监测可能不小心忽略了一个趋势速率的变化或者对历史数据趋势变化,存在过拟合现象;所以还可以手动指定突变点的位置,使用changepoints参数,根据预测目标曲线特性分类进行手动添加。
在一种实施方式中,季节趋势可以通过傅里叶级数来表达,具体地表达式为:
Figure 224890DEST_PATH_IMAGE001
式中,s(t)表示季节趋势,P表示固定的周期,N表示该周期的使用个数,i表示虚数单位,n为第n个周期,t为第t时刻;且
Figure 483833DEST_PATH_IMAGE002
j表示虚数单位。
在一种实施方式中,突发事件表达式为:
Figure 707004DEST_PATH_IMAGE004
式中,h(t)表示突发事件,D i 表示时间窗口中包含的时间,t表示D i 中的第t时刻,k i 表示时间窗口中的特殊时间对预测值的影响,L表示时间窗口的总个数,i表示第i个时间窗口。
在建立Prophet模型时,可以先获取一段时间内的坡面位移累计值(例如7天的坡面位移累计值),然后将获取到的坡面位移累计值划分为训练集和测试集。先利用训练集对Prophet模型进行训练后再使用测试集分析Prophet模型的平均绝对百分比误差(MAPE)和平均绝对误差(MAE)。根据平均绝对百分比误差和平均绝对误差分析Prophet模型是否满足实际需求。
具体地,训练集整理为Prophet可用的时间序列格式:ds和y。ds列必须包含日期(YYYY-MM-DD)或者是具体的时间点(YYYY-MM-DD HH:MM:SS)。y列必须是数值变量,也就是坡面位移累计值。训练集用来评估模型,测试集则检验最终选择最优的模型的性能如何。
平均绝对百分比误差的计算公式为:
Figure 647279DEST_PATH_IMAGE006
式中,y i 为真实值,
Figure 436243DEST_PATH_IMAGE007
为预测值,
Figure 334929DEST_PATH_IMAGE008
为样本量。MAPE的取值范围为[0,+∞),一般而言,MAPE=0%表示完美模型,MAPE大于10%表示劣质模型。
平均绝对误差的计算公式为:
Figure 784410DEST_PATH_IMAGE009
MAE评估的是滑坡位移真实值与预测值的偏离程度,即预测误差的实际大小,MAE的值越小说明模型越好,预测越准确。在建立多个Prophet模型后,选择所需的Prophet模型时,应选择MAPE小于10%,且MAE最小的。
第二方面,本申请实施例还提供了一种滑坡位移预测装置,包括存储器和处理器,存储器用于储存至少一个程序;处理器用于加载所述程序以执行本申请提供的上述方法。
在一种实施方式中,处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法和步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以是随机存储器、只读存储器,也可以是其他任何常规的存储器。
第三方面,本申请实施例提供一种存储介质,该存储介质存储有处理器可以执行的指令,处理器可以执行的指令在由处理器执行时用于执行本申请实施例提供的方法。
综上所述,本申请实施例提供一种滑坡位移预测方法、滑坡位移预测装置及存储介质,包括获取预设时间段内的第一坡面位移累计值;在Prophet模型中结合坡面对应的增长趋势、季节趋势、突发事件和噪声,根据第一坡面位移累计值分析坡面位移变化趋势;其中,增长趋势包括地形地貌、地层岩性、地质构造对坡面位移的影响;季节趋势包括降雨、温度对坡面位移的影响;突发事件包括地震、人工活动工程对坡面位移的影响;噪声为随机影响因素对坡面位移的影响;本申请基于Prophet框架进行滑坡位移的预测,充分考虑了各种环境因素对滑坡位移的影响,使得滑坡位移的预测结果更加准确。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种滑坡位移预测方法,其特征在于,包括:
获取第一预设时间段内的第一坡面位移累计值;
在Prophet模型中结合坡面对应的增长趋势、季节趋势、突发事件和噪声,根据所述第一坡面位移累计值分析坡面位移变化趋势;所述增长趋势包括地形地貌、地层岩性、地质构造对坡面位移的影响;所述季节趋势包括降雨、温度对坡面位移的影响;所述突发事件包括地震、人工活动工程对坡面位移的影响;所述噪声为随机影响因素对坡面位移的影响;Prophet模型基于加法模型构建,表示为y(t)=g(t)+s(t)+h(t)+ε(t);其中,g(t)为增长趋势;s(t)为季节趋势;h(t)为突发事件;ε(t)为噪声;Prophet模型中的季节趋势通过傅里叶级数来表达,表达式为:
Figure 472923DEST_PATH_IMAGE001
式中,s(t)表示季节趋势,P表示固定的周期,N表示该周期的使用个数,i表示虚数单位,n为第n个周期,t为第t时刻;且
Figure 721502DEST_PATH_IMAGE002
j表示虚数单位。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据坡面方向、河流方向和坡面地理环境建立坡面三维坐标系;其中,顺坡方向为X轴正方向,逆坡方向为X轴负方向;Y轴垂直于X轴且平行于河流方向,下游为正,上游为负;Z轴垂直于坡面,下沉为正,上升为负;
根据所述坡面三维坐标系分析坡面位移累计值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述坡面三维坐标系分析坡面位移累计值的实现方式为:
Figure 319973DEST_PATH_IMAGE003
式中,xy为坡面位移累计值,表示的是以初始位移值为基点的坡面位移累计值;N为当前累计的天数;t为第t天;xx轴方向的位移累计值,yy轴方向的位移累计值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分析所述坡面位移累计值中的缺失数据或异常数据;
采用线性平滑算法对所述缺失数据或异常数据进行填充。
5.根据权利要求1所述的方法,其特征在于,所述Prophet模型中的突发事件表达式为:
Figure 399925DEST_PATH_IMAGE004
式中,h(t)表示突发事件,D i 表示时间窗口中包含的时间,t表示D i 中的第t时刻,k i 表示时间窗口中的特殊时间对预测值的影响,L表示时间窗口的总个数,i表示第i个时间窗口。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
获取第二预设时间段内的第二坡面位移累计值,将所述第二坡面位移累计值分为训练集和测试集;
利用所述训练集对所述Prophet模型进行训练后采用所述测试集分析所述Prophet模型的平均绝对百分比误差和平均绝对误差;
根据所述平均绝对百分比误差和平均绝对误差分析所述Prophet模型是否满足实际需求。
7.一种滑坡位移预测装置,其特征在于,包括存储器和处理器,所述存储器用于储存至少一个程序;所述处理器用于加载所述程序以执行权利要求1-6任一项所述的方法。
8.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器执行的指令在由所述处理器执行时用于执行权利要求1-6任一项所述的方法。
CN202010793543.9A 2020-08-10 2020-08-10 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 Active CN111667125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010793543.9A CN111667125B (zh) 2020-08-10 2020-08-10 一种滑坡位移预测方法、滑坡位移预测装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010793543.9A CN111667125B (zh) 2020-08-10 2020-08-10 一种滑坡位移预测方法、滑坡位移预测装置及存储介质

Publications (2)

Publication Number Publication Date
CN111667125A CN111667125A (zh) 2020-09-15
CN111667125B true CN111667125B (zh) 2020-11-20

Family

ID=72393110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010793543.9A Active CN111667125B (zh) 2020-08-10 2020-08-10 一种滑坡位移预测方法、滑坡位移预测装置及存储介质

Country Status (1)

Country Link
CN (1) CN111667125B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424415A (zh) * 2022-08-30 2022-12-02 安徽省新近纪防灾科技有限公司 一种基于gnss实时监测的滑坡灾害智能预警方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182646A (zh) * 2014-09-01 2014-12-03 重庆大学 一种基于滑动位移分析的三维地震边坡发生滑坡的时间预测方法
JP5898639B2 (ja) * 2013-03-27 2016-04-06 公益財団法人鉄道総合技術研究所 地盤変位の予測方法
KR20160061445A (ko) * 2014-11-17 2016-06-01 서울대학교산학협력단 기하학적 증폭계수를 고려한 지진시 산사태 재해도 도출방법 및 도출시스템
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
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
CN111199313A (zh) * 2019-12-26 2020-05-26 航天信息股份有限公司 基于神经网络对滑坡累积位移趋势进行预测的方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488582A (zh) * 2015-11-13 2016-04-13 辽宁工程技术大学 一种山体岩堆滑坡预测方法及装置
CN107798210B (zh) * 2017-08-15 2021-06-29 中南大学 一种多模型滑坡位移预测方法及其系统
CN108538026A (zh) * 2018-02-23 2018-09-14 青岛理工大学 一种边坡稳定性的多指标综合评价与预警方法
KR102073918B1 (ko) * 2018-08-02 2020-02-05 주식회사 로텍인스트루먼트 사면 변위 측정장치 및 이를 이용한 산사태 예보 시스템
CN109783967B (zh) * 2019-01-25 2020-02-21 深圳大学 基于随机森林模型的滑坡预测方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5898639B2 (ja) * 2013-03-27 2016-04-06 公益財団法人鉄道総合技術研究所 地盤変位の予測方法
CN104182646A (zh) * 2014-09-01 2014-12-03 重庆大学 一种基于滑动位移分析的三维地震边坡发生滑坡的时间预测方法
KR20160061445A (ko) * 2014-11-17 2016-06-01 서울대학교산학협력단 기하학적 증폭계수를 고려한 지진시 산사태 재해도 도출방법 및 도출시스템
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
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
CN111199313A (zh) * 2019-12-26 2020-05-26 航天信息股份有限公司 基于神经网络对滑坡累积位移趋势进行预测的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"MULTI REMOTE SENSING DATA IN LANDSLIDE DETECTION AND MODELLING";MN JEBUR;《psasir.upm.edu.my》;20151031;全文 *
《中国优秀硕士学位论文全文数据库 基础科学辑》;刘韬;《中国优秀硕士学位论文全文数据库 基础科学辑》;20160415;A011-69 *

Also Published As

Publication number Publication date
CN111667125A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
Khatibi et al. Dynamics of hourly sea level at Hillarys Boat Harbour, Western Australia: a chaos theory perspective
CN112612822B (zh) 一种北斗坐标时间序列的预测方法、装置、设备和存储介质
Onyutha Variability of seasonal and annual rainfall in the River Nile riparian countries and possible linkages to ocean–atmosphere interactions
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN111667125B (zh) 一种滑坡位移预测方法、滑坡位移预测装置及存储介质
CN115758876A (zh) 一种风速和风向预报准确率方法、系统及计算机设备
Hennayake et al. Machine learning based weather prediction model for short term weather prediction in Sri Lanka
Vemula et al. Neural network-based subduction ground motion model and its application to New Zealand and the Andaman and Nicobar Islands
CN114692963A (zh) 一种基于长短期记忆神经网络的滑坡位移预测方法
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
Bazrafshan et al. Trivariate risk analysis of meteorological drought in Iran under climate change scenarios
CN117035155A (zh) 一种水质预测方法
CN112862159B (zh) 电离层的总电子含量预测方法、装置、设备及存储介质
Mbuvha et al. A novel workflow for streamflow prediction in the presence of missing gauge observations
Rezaiy et al. Using the ARIMA/SARIMA Model for Afghanistan's Drought Forecasting Based on Standardized Precipitation Index
Yu et al. Responses of GNSS ZTD Variations to ENSO Events and Prediction Model Based on FFT-LSTME
Dey et al. Modeling extreme hurricane damage in the United States
Maulana et al. Prediction of Rainfall Classification of Java Island with ANN-Feature Expansion and Ordinary Kriging
CN116148917B (zh) 一种根据地磁和地声数据预报地震的方法及系统
CN115438523B (zh) 海洋三维叶绿素浓度数据重构方法、装置、设备及介质
CN116704007B (zh) 一种海冰面积变化的统计方法、系统、电子设备及介质
CN113469268B (zh) 基于误差统计分析的输电线路杆塔雨量修正方法及装置
Firdaus et al. TIDAL HARMONIC ANALYSIS AND PREDICTION TO SUPPORT EARLY WARNING FOR COASTAL FLOODING ANALISIS HARMONIK DAN PREDIKSI PASANG SURUT UNTUK MENDUKUNG PERINGATAN DINI BANJIR PESISIR
Sandal et al. A Predictive Framework for Temperature Forecasting Using Machine Learning

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Landslide displacement prediction method, landslide displacement prediction device and storage medium

Effective date of registration: 20201217

Granted publication date: 20201120

Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd.

Pledgor: Chengdu Jiajie Xincheng Information Technology Co.,Ltd.

Registration number: Y2020980009499

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231213

Granted publication date: 20201120

Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd.

Pledgor: Chengdu Jiajie Xincheng Information Technology Co.,Ltd.

Registration number: Y2020980009499

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A landslide displacement prediction method, landslide displacement prediction device, and storage medium

Effective date of registration: 20231221

Granted publication date: 20201120

Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd.

Pledgor: Chengdu Jiajie Xincheng Information Technology Co.,Ltd.

Registration number: Y2023980072877