CN111768597A - 一种泥石流预警防护方法 - Google Patents

一种泥石流预警防护方法 Download PDF

Info

Publication number
CN111768597A
CN111768597A CN202010574399.XA CN202010574399A CN111768597A CN 111768597 A CN111768597 A CN 111768597A CN 202010574399 A CN202010574399 A CN 202010574399A CN 111768597 A CN111768597 A CN 111768597A
Authority
CN
China
Prior art keywords
mountain area
debris flow
rainfall
mountain
disaster
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
CN202010574399.XA
Other languages
English (en)
Other versions
CN111768597B (zh
Inventor
董云
梅必贵
于丰泽
胡鹏
田华
岳建国
任海波
赵国华
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.)
Sichuan Radiation Detection&protection Institute Of Nuclear Industry
Nuclear Industry Southwest Survey & Design Institute Co ltd
Original Assignee
Sichuan Radiation Detection&protection Institute Of Nuclear Industry
Nuclear Industry Southwest Survey & Design Institute 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 Sichuan Radiation Detection&protection Institute Of Nuclear Industry, Nuclear Industry Southwest Survey & Design Institute Co ltd filed Critical Sichuan Radiation Detection&protection Institute Of Nuclear Industry
Priority to CN202010574399.XA priority Critical patent/CN111768597B/zh
Publication of CN111768597A publication Critical patent/CN111768597A/zh
Application granted granted Critical
Publication of CN111768597B publication Critical patent/CN111768597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种泥石流预警防护方法，包括S1、根据遥感技术、区域历史水文数据和山体区域地形图，构建山体区域三维模型；S2、根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型；S3、根据灾害预测模型中泥石流灾害的概率进行各个山体区域泥石流等级评定，并将评定后的山体区域等级映射于山体区域三维模型中；S4、绘制山体区域降雨量与山体区域发生泥石流灾害的概率之间的历史二维关系曲线，设定发生泥石流灾害的临界降雨量；S5、实时获取山体区域降雨量和降雨位置，当降雨量持续增加并超过临界降雨量时，则山体区域三维模型向客户端发出预警信息。

Description

一种泥石流预警防护方法
技术领域
本发明属于泥石流的技术领域，具体涉及一种泥石流预警防护方法。
背景技术
南方地区沟谷纵横，沟道两岸通常风化严重，表层岩体破碎，强降雨、地震等作用后，表层破碎的岩土会剥离山体，在沟道发生泥石流。如汶川地震发生之后，四川地区泥石流发生愈加频繁，泥石流对当地造成巨大的损失。
泥石流是携带大量泥砂、石块等物质的特殊洪流，具有暴发突然、来势凶猛、强大的破坏力的特点。
泥石流形成的条件可分为：
1、充沛的水源；2、丰富的松散固体物质；3、有利的流域形态和沟床纵坡。泥石流成因要素中，水动力条件是随环境而变化的因素，松散固体物质和流域条件是相对固定的因素。所以在泥石流的形成过程中，会因携带的泥石而使洪流具有强大的冲刷能力，侵蚀沟道卷入更多的泥石，使泥石流的规模逐渐发展壮大。泥石流包括形成区、流通区和堆积区，泥石流防治工程宜在泥石流的形成区和流通区内。控制泥石流的形成区和流通区的水动力条件，可以有效防止泥石流灾害的发生。
目前的泥石流治理工程主要有截水工程、拦蓄工程、排导工程、护坡工程等，以控制泥石流的发生和造成危害。利用截水等工程控制地表洪水径流，削减水动力条件，需要有利的地形条件，主要适用于大型泥石流沟的治理。拦蓄泥石流固体物质是减少泥石流危害的有效措施，修建谷坊、拦挡坝，蓄泥石流的塘、库或洼地，使松散固体物质不参与泥石流运动，也可以在防护区的范围以外，利用洼地、沟壑、荒滩、湖沼或修建围堤，以足够大的容积将泥石流引入屯蓄起来，使之不产生危害。
拦蓄工程存在的主要问题是工程量大和使用的限制条件多。
排导工程是利用排洪道、渡槽等工程，排泄泥石流，控制泥石流的危害。由于泥石流的侵入能力强、固体物质丰富，排导槽抗冲刷和抗淤积能力要求很高。
除工程措施外，通过种植乔、灌木、草丛等植物，充分发挥其滞留降水、保持水土、调节径流等功能，从而达到预防和制止泥石流发生或减小其规模，减轻其危害程度的目的。生物措施的特点是投资省、能改善自然环境，但发挥效用的时间长，不能及时防治泥石流灾害发生。
除此，现有方法对泥石流灾害的预测不准确，预测效果不佳。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种泥石流预警防护方法，以解决现有方法对泥石流灾害的预测不准确，预测效果不佳以及对泥石流山体区域防护效果不佳的问题。
为达到上述目的，本发明采取的技术方案是：
一种泥石流预警防护方法，其包括：
S1、根据遥感技术、区域历史水文数据和山体区域地形图，构建山体区域三维模型；
S2、根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型：
P＝ρxDxρyDy+ρ1C1+ρ2C2+ρ3M1+ρ4M2+ρ5M3+ρ6N1+ρ7N2
其中，P为发生泥石流灾害的概率，Dx为降雨强度，Dy为降雨持续时间，C1为区域主要植被种类，C2为区域主要植被种类覆盖面积，M1为山体土壤或岩体主要类型，M2为土壤或岩体的厚度，M3为岩体或土壤松散度，N1为山体垂直方向倾斜角度，N2为山体水平方向倾斜角度即形成的纵向沟壑深度，ρx、ρy、ρ1、ρ2、ρ3、ρ4、ρ5、ρ6和ρ7为概率因子；
S3、根据灾害预测模型中泥石流灾害的概率进行各个山体区域泥石流等级评定，并将评定后的山体区域等级映射于山体区域三维模型中，包括：
基于灾害预测模型对各个山体区域发生泥石流的概率划分为：安全、危险、较危险和极度危险；
根据划分后的山体区域，在山体区域三维模型中采用不同颜色对山体区域进行标注；
将等级划分为安全的山体区域标注为绿色，等级划分为危险的山体区域标注为黄色，等级划分为较危险的山体区域标注为橙色，等级划分为极度危险的山体区域标注为红色；
S4、基于灾害预测模型和山体区域降雨量绘制山体区域降雨量与所述山体区域发生泥石流灾害的概率之间的历史二维关系曲线，并根据历史二维关系曲线设定发生泥石流灾害的临界降雨量；
S5、实时获取山体区域降雨量、降雨时间、降雨强度和降雨位置，并在山体区域三维模型中标注山体区域的降雨位置，将山体区域降雨量、降雨时间和降雨强度带入所述山体区域的历史二维关系曲线中，得到所述山体区域降雨量对应的泥石流灾害发生概率，当降雨量持续增加并超过临界降雨量时，则山体区域三维模型向客户端发出预警信息。
优选地，步骤S1中采用无人机或雷达扫描、采集山体区域的地形图。
优选地，步骤S2根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型，包括：
S2.1、对若干年发生泥石流灾害时的历史数据进行归一化处理；
S2.2、将归一化处理后的若干数据按照5:2的比例划分为训练集D和测试集C；
S2.3、设定迭代次数n，n＞1000，在训练集上D训练灾害预测模型，得到若干组概率因子；
S2.4、在测试集C上对训练后的灾害预测模型进行评估，得到若干组测试误差，选择误差值最小的概率因子带入，得到误差最小灾害预测模型；
S2.5、随机将训练集D划分为训练集Dtrain和验证集Dvalid；
S2.6、在训练集Dtrain上训练误差最小灾害预测模型；
S2.7、在验证集Dvalid上测试误差最小灾害预测模型的模型概率精度；
S2.8、重复步骤S2.5-步骤S2.7，直至模型概率精度达到预设值为止。
优选地，对在山体区域三维模型中标注为黄色、橙色和红色的山体区域进行防护治理，包括：
在山体区域垂直方向倾斜角度和山体水平方向倾斜角度较大的区域，沿坡向方向安装设置若干个避免径流流量过大的截洪环槽；
在山体最底部设置环形的泥石流沟道，泥石流沟道上开设若干排水孔，并在沿山体径流方向设置若干个依次与泥石流沟道连通的集水池；
在山体区域缓坡区域，沿坡向方向分模块种植若干绿植植被；
在所述若干块模块之间挖设若干沿坡向的导流路径，所述导流路径与山底水渠、农田、果园或者鱼塘连通。
优选地，通过雨量传感器实时采集各个山体区域的降雨量、降雨时间、降雨强度。
优选地，通过GPS实时定位山体区域位置。
优选地，山体区域三维模型通过声光警报、信息传送和图形画面向客户端进行报警。
本发明提供的泥石流预警防护方法，具有以下有益效果：
本发明构建灾害预测模型，将灾害预测模型预测得到的各个山体区域发生泥石流灾害的可能性映射于构建的山体区域三维模型中，便于客户端监控人员直观的观测各个山体区域发生泥石流灾害的可能性。并基于实时采集的降雨量，对各个山体区域进行泥石流灾害预警，并根据具体降雨量，发出预警信息。
除此，根据山体区域三维模型中的颜色区分，对易发生泥石流灾害的山体区域进行防护治理，并根据山体缓坡和陡坡进行不同措施的防护。
附图说明
图1为泥石流预警防护方法的流程图。
图2为泥石流预警防护方法历史二维关系曲线。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的泥石流预警防护方法，包括：
S1、根据遥感技术、区域历史水文数据和山体区域地形图，构建山体区域三维模型；
S2、根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型；
S3、根据灾害预测模型中泥石流灾害的概率进行各个山体区域泥石流等级评定，并将评定后的山体区域等级映射于山体区域三维模型中；
S4、基于灾害预测模型和山体区域降雨量绘制山体区域降雨量与所述山体区域发生泥石流灾害的概率之间的历史二维关系曲线，并根据历史二维关系曲线设定发生泥石流灾害的临界降雨量；
S5、实时获取山体区域降雨量、降雨时间、降雨强度和降雨位置，并在山体区域三维模型中标注山体区域的降雨位置，将山体区域降雨量、降雨时间和降雨强度带入所述山体区域的历史二维关系曲线中，得到所述山体区域降雨量对应的泥石流灾害发生概率，当降雨量持续增加并超过临界降雨量时，则山体区域三维模型向客户端发出预警信息。
根据本申请的一个实施例，以下将对上述步骤进行详细描述
步骤S1、根据遥感技术、区域历史水文数据和山体区域地形图，构建山体区域三维模型。
其中，遥感技术可以是无人机采集的视频图像信息，也可以是雷达扫描的图像信息。
将图像信息、视频信息和山体区域地形图转换为3DS MAX 3ds max可识别的图像信息，同时将区域历史水文数据作为模型参数输入，基于3DS MAX 3ds max构建山体区域三维模型。
步骤S2、根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型：
P＝ρxDxρyDy+ρ1C1+ρ2C2+ρ3M1+ρ4M2+ρ5M3+ρ6N1+ρ7N2
其中，P为发生泥石流灾害的概率，Dx为降雨强度，Dy为降雨持续时间，C1为区域主要植被种类，C2为区域主要植被种类覆盖面积，M1为山体土壤或岩体主要类型，M2为土壤或岩体的厚度，M3为岩体或土壤松散度，N1为山体垂直方向倾斜角度，N2为山体水平方向倾斜角度即形成的纵向沟壑深度，ρx、ρy、ρ1、ρ2、ρ3、ρ4、ρ5、ρ6和ρ7为概率因子。
灾害预测模型的构建和概率因子等参数的确定，具体包括：
步骤S2.1、对若干年发生泥石流灾害时的历史数据进行归一化处理，包括Dx降雨强度，Dy降雨持续时间，C1区域主要植被种类，C2区域主要植被种类覆盖面积，M1山体土壤或岩体主要类型，M2土壤或岩体的厚度，M3岩体或土壤松散度，N1山体垂直方向倾斜角度，N2山体水平方向倾斜角度即形成的纵向沟壑深度。
步骤S2.2、将归一化处理后的若干数据按照5:2的比例划分为训练集D和测试集C；
其中，训练集D和测试集C的划分比例并不是固定的，可根据实际情况进行改变。
步骤S2.3、设定迭代次数n，n＞1000，在训练集上D训练灾害预测模型，得到若干组概率因子；
迭代次数n可根据实际情况决定其具体次数，用于得到多组概率因子。
步骤S2.4、在测试集C上对训练后的灾害预测模型进行评估，得到若干组测试误差，选择误差值最小的概率因子带入，得到误差最小灾害预测模型；
由于采用的误差值最小的概率因子带入，且已经提前窥见到了测试数据，参数都是围绕更好的拟合测试数据而设定的，误差值最小的概率因子仅仅可能是泛化误差的一个最优估计。而将测试数据多次使用，违背了测试数据仅仅只是用来评估最优函数的泛化性能的原则，故不能采用该模型进行验证模型的泛化性能的验证。
故以下采用训练集进行分类验证：
步骤S2.5、随机将训练集D划分为训练集Dtrain和验证集Dvalid；
步骤S2.6、在训练集Dtrain上训练误差最小灾害预测模型；
步骤S2.7、在验证集Dvalid上测试误差最小灾害预测模型的模型概率精度；
步骤S2.8、重复步骤S2.5-步骤S2.7，直至模型概率精度达到预设值为止。
综上，即为了解决这个问题，在训练集中单独划分出一块验证集Dvalid，作为模型选择的依据，这部分数据称为验证集，数据集由之前的训练集和测试集两部分组成变成了训练集，验证集和测试集三部分组成，训练集、验证集和测试集分工明确，各施其职，切不可互相取而代之。
步骤S3、根据灾害预测模型中泥石流灾害的概率进行各个山体区域泥石流等级评定，并将评定后的山体区域等级映射于山体区域三维模型中，包括：
基于灾害预测模型对各个山体区域发生泥石流的概率划分为：安全、危险、较危险和极度危险；
将划分后的山体区域映射于山体区域三维模型中，在山体区域三维模型中采用不同颜色对山体区域进行标注；
将等级划分为安全的山体区域标注为绿色，等级划分为危险的山体区域标注为黄色，等级划分为较危险的山体区域标注为橙色，等级划分为极度危险的山体区域标注为红色。
将灾害预测模型预测得到的各个山体区域发生泥石流灾害的可能性映射于构建的山体区域三维模型中，便于客户端监控人员直观的观测各个山体区域发生泥石流灾害的可能性。
对在山体区域三维模型中标注为黄色、橙色和红色的山体区域进行防护治理，包括：
由于控制泥石流的形成区和流通区的水动力条件，可以有效防止泥石流灾害的发生；故在山体区域垂直方向倾斜角度和山体水平方向倾斜角度较大的区域，沿坡向方向安装设置若干个避免径流流量过大的截洪环槽，用于层层拦截，减缓水动力，避免泥石流的形成，且可减少底部设备的损坏。
在山体最底部设置环形的泥石流沟道，泥石流沟道用于拦截泥石流中的固体物质，减缓泥石流的较大冲力和破坏力。
泥石流沟道上开设若干排水孔，并在沿山体径流方向设置若干个依次与泥石流沟道连通的集水池，通过排水孔将水沙导入多个集水池中，沉淀泥沙，层层减缓泥沙的冲击力。
在山体区域缓坡区域，沿坡向方向分模块种植若干绿植植被，根据具体缓坡地形选择不同植被进行种植，模块的划分可以为方形模块，也可以为矩阵模块，也可以为圆形模块。进行模块化种植的有益之处在于，可以在不同模块间种植不同植被，也便于在相邻模块之间挖设沟渠或者导流路径，进行引流；即在增加绿化的前提下，也避免了山体雨水蓄积。
在若干块模块之间挖设若干沿坡向的导流路径，将过多的雨水快速导入山下，导流路径与山底水渠、农田、果园或者鱼塘连通，充分利用雨水资源，减少泥石流的发生。
步骤S4、基于灾害预测模型和山体区域降雨量绘制山体区域降雨量与山体区域发生泥石流灾害的概率之间的历史二维关系曲线，并根据历史二维关系曲线设定发生泥石流灾害的临界降雨量。
参考图2，图中连个虚线的交点即为临界降雨量，当该山体区域降雨量超过该值时，明显其发生泥石流灾害的概率增长迅速，故当降雨量超过该值时，应当迅速发出报警。
即当前降雨量超过临界降雨强度时，此时该山体区域发生泥石流的灾害将大大增加。
其中，通过雨量传感器实时采集各个山体区域的降雨量、降雨时间、降雨强度。
通过GPS实时定位山体区域位置。
步骤S5、实时获取山体区域降雨量、降雨时间、降雨强度和降雨位置，并在山体区域三维模型中标注山体区域的降雨位置，将山体区域降雨量、降雨时间和降雨强度带入所述山体区域的历史二维关系曲线中，得到所述山体区域降雨量对应的泥石流灾害发生概率，当降雨量持续增加并超过临界降雨强度时，则山体区域三维模型向客户端发出预警信息。
山体区域三维模型通过声光警报、信息传送和图形画面向客户端进行报警。
本发明构建灾害预测模型，将灾害预测模型预测得到的各个山体区域发生泥石流灾害的可能性映射于构建的山体区域三维模型中，便于客户端监控人员直观的观测各个山体区域发生泥石流灾害的可能性。并基于实时采集的降雨量，对各个山体区域进行泥石流灾害预警，并根据具体降雨量，发出预警信息。
除此，根据山体区域三维模型中的颜色区分，对易发生泥石流灾害的山体区域进行防护治理，并根据山体缓坡和陡坡进行不同措施的防护。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (7)

1.一种泥石流预警防护方法，其特征在于，包括：
S1、根据遥感技术、区域历史水文数据和山体区域地形图，构建山体区域三维模型；
S2、根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型：
P＝ρxDxρyDy+ρ1C1+ρ2C2+ρ3M1+ρ4M2+ρ5M3+ρ6N1+ρ7N2
其中，P为发生泥石流灾害的概率，Dx为降雨强度，Dy为降雨持续时间，C1为区域主要植被种类，C2为区域主要植被种类覆盖面积，M1为山体土壤或岩体主要类型，M2为土壤或岩体的厚度，M3为岩体或土壤松散度，N1为山体垂直方向倾斜角度，N2为山体水平方向倾斜角度即形成的纵向沟壑深度，ρx、ρy、ρ1、ρ2、ρ3、ρ4、ρ5、ρ6和ρ7为概率因子；
S3、根据灾害预测模型中泥石流灾害的概率进行各个山体区域泥石流等级评定，并将评定后的山体区域等级映射于山体区域三维模型中，包括：
基于灾害预测模型对各个山体区域发生泥石流的概率划分为：安全、危险、较危险和极度危险；
根据划分后的山体区域，在山体区域三维模型中采用不同颜色对山体区域进行标注；
将等级划分为安全的山体区域标注为绿色，等级划分为危险的山体区域标注为黄色，等级划分为较危险的山体区域标注为橙色，等级划分为极度危险的山体区域标注为红色；
S4、基于灾害预测模型和山体区域降雨量绘制山体区域降雨量与所述山体区域发生泥石流灾害的概率之间的历史二维关系曲线，并根据历史二维关系曲线设定发生泥石流灾害的临界降雨量；
S5、实时获取山体区域降雨量、降雨时间、降雨强度和降雨位置，并在山体区域三维模型中标注山体区域的降雨位置，将山体区域降雨量、降雨时间和降雨强度带入所述山体区域的历史二维关系曲线中，得到所述山体区域降雨量对应的泥石流灾害发生概率，当降雨量持续增加并超过临界降雨量时，则山体区域三维模型向客户端发出预警信息。
2.根据权利要求1所述的泥石流预警防护方法，其特征在于，所述步骤S1中采用无人机或雷达扫描、采集山体区域的地形图。
3.根据权利要求1所述的泥石流预警防护方法，其特征在于，所述步骤S2根据发生泥石流灾害时的历史数据，分别构建各个山体区域的灾害预测模型，包括：
S2.1、对若干年发生泥石流灾害时的历史数据进行归一化处理；
S2.2、将归一化处理后的若干数据按照5:2的比例划分为训练集D和测试集C；
S2.3、设定迭代次数n，n＞1000，在训练集上D训练灾害预测模型，得到若干组概率因子；
S2.4、在测试集C上对训练后的灾害预测模型进行评估，得到若干组测试误差，选择误差值最小的概率因子带入，得到误差最小灾害预测模型；
S2.5、随机将训练集D划分为训练集Dtrain和验证集Dvalid；
S2.6、在训练集Dtrain上训练误差最小灾害预测模型；
S2.7、在验证集Dvalid上测试误差最小灾害预测模型的模型概率精度；
S2.8、重复步骤S2.5-步骤S2.7，直至模型概率精度达到预设值为止。
4.根据权利要求1所述的泥石流预警防护方法，其特征在于，对在所述山体区域三维模型中标注为黄色、橙色和红色的山体区域进行防护治理，包括：
在山体区域垂直方向倾斜角度和山体水平方向倾斜角度较大的区域，沿坡向方向安装设置若干个避免径流流量过大的截洪环槽；
在山体最底部设置环形的泥石流沟道，泥石流沟道上开设若干排水孔，并在沿山体径流方向设置若干个依次与泥石流沟道连通的集水池；
在山体区域缓坡区域，沿坡向方向分模块种植若干绿植植被；
在所述若干块模块之间挖设若干沿坡向的导流路径，所述导流路径与山底水渠、农田、果园或者鱼塘连通。
5.根据权利要求1所述的泥石流预警防护方法，其特征在于：通过雨量传感器实时采集各个山体区域的降雨量、降雨时间、降雨强度。
6.根据权利要求1所述的泥石流预警防护方法，其特征在于：通过GPS实时定位山体区域位置。
7.根据权利要求1所述的泥石流预警防护方法，其特征在于：所述山体区域三维模型通过声光警报、信息传送和图形画面向客户端进行报警。
CN202010574399.XA 2020-06-22 2020-06-22 一种泥石流预警防护方法 Active CN111768597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010574399.XA CN111768597B (zh) 2020-06-22 2020-06-22 一种泥石流预警防护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010574399.XA CN111768597B (zh) 2020-06-22 2020-06-22 一种泥石流预警防护方法

Publications (2)

Publication Number Publication Date
CN111768597A true CN111768597A (zh) 2020-10-13
CN111768597B CN111768597B (zh) 2022-06-21

Family

ID=72721531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010574399.XA Active CN111768597B (zh) 2020-06-22 2020-06-22 一种泥石流预警防护方法

Country Status (1)

Country Link
CN (1) CN111768597B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464726A (zh) * 2020-10-30 2021-03-09 长威信息科技发展股份有限公司 一种基于卫星遥感大数据的防灾减灾预警系统
CN112669571A (zh) * 2020-12-16 2021-04-16 中国地质大学（北京） 一种基于三维gis的实时滑坡预测预警系统
CN113268867A (zh) * 2021-05-17 2021-08-17 中国科学院、水利部成都山地灾害与环境研究所 一种基于水热组合的冰川泥石流区域预警方法
CN115035690A (zh) * 2021-03-05 2022-09-09 重庆市地质灾害防治中心 地质灾害监测预警方法
CN116070793A (zh) * 2023-03-28 2023-05-05 浙江水文新技术开发经营公司 一种基于数据处理的水文灾害预测系统
CN116110200A (zh) * 2023-02-14 2023-05-12 联通(广东)产业互联网有限公司 多模型融合地质灾害分析及预警方法、设备及存储介质
CN117078749A (zh) * 2023-10-16 2023-11-17 吉林省思极科技有限公司 一种山体落石在线预警监测系统
CN117392811A (zh) * 2023-10-27 2024-01-12 浙江水文新技术开发经营有限公司 一种山丘降雨监测预警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714167A (zh) * 2013-12-31 2014-04-09 上海师范大学 一种灾害信息时空数据在线三维显示方法
CN106652361A (zh) * 2017-03-16 2017-05-10 中国科学院、水利部成都山地灾害与环境研究所 基于雨量‑概率的泥石流预警方法
CN107577913A (zh) * 2017-08-31 2018-01-12 成都九十度工业产品设计有限公司 一种区域滑坡灾害易发性评估装置
CN109872509A (zh) * 2019-04-02 2019-06-11 西安邮电大学 基于数字孪生驱动的山体地质灾害监测与预警系统及方法
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714167A (zh) * 2013-12-31 2014-04-09 上海师范大学 一种灾害信息时空数据在线三维显示方法
CN106652361A (zh) * 2017-03-16 2017-05-10 中国科学院、水利部成都山地灾害与环境研究所 基于雨量‑概率的泥石流预警方法
CN107577913A (zh) * 2017-08-31 2018-01-12 成都九十度工业产品设计有限公司 一种区域滑坡灾害易发性评估装置
CN109872509A (zh) * 2019-04-02 2019-06-11 西安邮电大学 基于数字孪生驱动的山体地质灾害监测与预警系统及方法
CN111047099A (zh) * 2019-12-16 2020-04-21 杭州鲁尔物联科技有限公司 一种区域性山洪风险预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高永彬: "《Hadoop大数据分析》", 31 July 2019 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464726A (zh) * 2020-10-30 2021-03-09 长威信息科技发展股份有限公司 一种基于卫星遥感大数据的防灾减灾预警系统
CN112669571A (zh) * 2020-12-16 2021-04-16 中国地质大学（北京） 一种基于三维gis的实时滑坡预测预警系统
CN112669571B (zh) * 2020-12-16 2021-08-24 中国地质大学（北京） 一种基于三维gis的实时滑坡预测预警系统
CN115035690A (zh) * 2021-03-05 2022-09-09 重庆市地质灾害防治中心 地质灾害监测预警方法
CN113268867A (zh) * 2021-05-17 2021-08-17 中国科学院、水利部成都山地灾害与环境研究所 一种基于水热组合的冰川泥石流区域预警方法
CN116110200A (zh) * 2023-02-14 2023-05-12 联通(广东)产业互联网有限公司 多模型融合地质灾害分析及预警方法、设备及存储介质
CN116070793A (zh) * 2023-03-28 2023-05-05 浙江水文新技术开发经营公司 一种基于数据处理的水文灾害预测系统
CN117078749A (zh) * 2023-10-16 2023-11-17 吉林省思极科技有限公司 一种山体落石在线预警监测系统
CN117078749B (zh) * 2023-10-16 2024-01-05 吉林省思极科技有限公司 一种山体落石在线预警监测系统
CN117392811A (zh) * 2023-10-27 2024-01-12 浙江水文新技术开发经营有限公司 一种山丘降雨监测预警系统
CN117392811B (zh) * 2023-10-27 2024-05-07 浙江水文新技术开发经营有限公司 一种山丘降雨监测预警系统

Also Published As

Publication number Publication date
CN111768597B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN111768597B (zh) 一种泥石流预警防护方法
Valentine et al. Wind-driven water level fluctuations drive marsh edge erosion variability in microtidal coastal bays
CN108132981B (zh) 顾及暴雨洪涝风险影响的电力设施选址方法
Toorman et al. Interaction of mangroves, coastal hydrodynamics, and morphodynamics along the coastal fringes of the Guianas
Battjes et al. Coastal modelling for flood defence
CN111705742B (zh) 一种泥石流疏导方法
CN111719492B (zh) 一种泥石流疏导系统及其疏导方法
Schüler Identification of flood-generating forest areas and forestry measures for water retention
Bergillos et al. Coastal cliff exposure and management
Jimme et al. Spatial distribution pattern and terrain analysis of urban flash floods and inundated areas in Maiduguri Metropolis, Borno State, Northeast, Nigeria
Albers et al. Current and erosion modelling survey
Smith Expert opinion: Stability of people, vehicles and buildings in flood water
Bragg et al. Review of methods for assessing the hydromorphology of lakes
Verhagen Hydraulic boundary conditions
Vieira Wave hydrodynamics in coastal stretches influenced by detached breakwaters
Tõnisson et al. Measurement and model simulations of hydrodynamic parameters, observations of coastal changes and experiments with indicator sediments to analyse the impact of storm St. Jude in October, 2013
Barrineau et al. Unpacking storm damages on a developed shoreline: Relating dune erosion and urban runoff
Christophers Paleogeomorphic reconstruction of the Omokoroa Domain, Bay of Plenty, New Zealand
Zhou Green Stormwater Infrastructure: Function Balancing of Rain Gardens, Laboratory Testing of Outlet Rating Curves and Precise Delineation of Small Catchment Areas
Nurdianyoto et al. Flood management analysis in the Ngasinan River, Trenggalek Regency, Indonesia
Noerdin Tropical peat type shoreline protection by detached breakwater and vegetation in Bengkalis Island of Indonesia
Kar Morphological processes, human influences and land degradation in the Indian desert
Ramírez-Juidías Sedimentation Processes in the Tinto and Odiel Salt Marshes in Huelva, Spain
Rattanarama et al. Optimal Prediction of Effectiveness of Mangrove Forest Against Coastal Erosion: Case Study of Coastal Area along the Gulf of Thailand.
Ramieri An overview of the vulnerability of Venice to the impacts of climate change and sea level rise

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