CN111866452B - 一种滑坡堰塞坝应急处置的视频实时监测方法 - Google Patents

一种滑坡堰塞坝应急处置的视频实时监测方法 Download PDF

Info

Publication number
CN111866452B
CN111866452B CN202010608541.8A CN202010608541A CN111866452B CN 111866452 B CN111866452 B CN 111866452B CN 202010608541 A CN202010608541 A CN 202010608541A CN 111866452 B CN111866452 B CN 111866452B
Authority
CN
China
Prior art keywords
dam
damming
real
monitoring
height
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
CN202010608541.8A
Other languages
English (en)
Other versions
CN111866452A (zh
Inventor
王如宾
阳龙
赵颖
徐卫亚
王环玲
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010608541.8A priority Critical patent/CN111866452B/zh
Publication of CN111866452A publication Critical patent/CN111866452A/zh
Application granted granted Critical
Publication of CN111866452B publication Critical patent/CN111866452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种滑坡堰塞坝应急处置的视频实时监测系统及方法，该系统包括动态监视摄影器、前端检测器、视频监测平台和洪水预警系统。该方法利用动态监测摄影器实时监测堰塞坝上、中、下游关键位置；将前端监测设备采集的视频信息传输至视频监测平台；利用人工智能进行智慧影像分析，结合已有的测量数据，获得堰塞坝几何特征及上游来水及库内水位实时变化，计算出流域面积、堰塞坝高度、堰塞坝体积。利用ArcGIS水文分析模块处理数字高程模型DEM数据，预测滑坡造成的堵塞河道规模、堰塞湖回水范围。本发明解决了堰塞坝监测预警不及时，耗费大量物力人力，效率低，无法准确预测险情的波及范围的问题。

Description

一种滑坡堰塞坝应急处置的视频实时监测方法
技术领域
本发明涉及大型山体滑坡形成堰塞坝时应急处置的监测方法，尤其涉及一种滑坡堰塞坝应急处置的视频实时监测系统及方法。
背景技术
大部分堰塞坝(湖)是在地震、降雨、火山喷发的作用下，由冰碛物、滑坡体、泥石流堆积体、火山喷发物及溢流物形成横向堤坝，堵塞山谷，河谷或河床后贮水而形成的湖泊。由于堰塞体没有泄水通道，库水位会快速上涨，极易发生溃坝，对下游人民的生命财产和沿岸重大工程建设构成巨大威胁，危害极大。
目前，对大型滑坡堰塞坝的监测包括水文勘察、遥感监测、无人机监测，但无法实时对采集到的数据进行处理并作出及时反馈，且人工查看拍摄视频效率低，需耗费大量人力资源，还将导致险情发现不及时，无法准确预测险情的波及范围的问题，无法对堰塞坝进行应急处置。
发明内容
发明目的：本发明提供一种滑坡堰塞坝应急处置的视频实时监测系统及方法，将人工智能视频监测应用于堰塞坝的实时监测与应急处置领域，旨在解决目前堰塞坝监测预警不及时，耗费大量物力人力，效率低，结果不准确的技术问题。
技术方案：本发明滑坡堰塞坝应急处置的视频实时监测系统，包括动态监视摄影器、前端检测器、视频监测平台和洪水预警系统；
动态监视摄影器位于堰塞湖的上、中、下游；前端检测器实时采集、记录视频信息并传输至视频监测平台；洪水预警报系统通过洪水演进模型进行洪水预报；洪水预警报系统包括作业预报功能模块、滚动预报功能模块、洪水预报功能模块、预报误差分析功能模块。
本发明滑坡堰塞坝应急处置的视频实时监测方法，采用视频实时监测系统进行监测，该方法包括以下步骤：
(1)采集包含堰塞湖地形地貌几何特征以及上游来水及库内水位情况的视频，输出数据；
(2)利用已知的堰塞湖区域水文地质条件、地质构造、库水位上涨情况信息，按照堰塞坝险情勘察结果，找出堰塞湖的上、中、下游的各关键危险位置，设置动态监测摄影器；将前端监测设备实时采集的视频信息传输至视频监测平台，并记录视频信息；
(3)利用人工智能进行智慧影像分析，结合已有的测量数据，获得堰塞坝高度、堰塞坝几何特征及上游来水及库内水位实时变化情况，计算出流域面积、堰塞坝高度和堰塞坝体积；
(4)依据无量纲堆积体指标法DBI和基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls AHV，评估堰塞坝存在的风险并分类；
(5)若存在风险，则利用ArcGIS水文分析模块处理数字高程模型DEM数据，预测滑坡所能造成的堵塞河道规模、堰塞湖回水范围。
步骤(2)中，各关键危险位置包含堰塞湖地形地貌几何特征，以及上游来水及库内水位情况。
步骤(3)中，将采集的数据运用人工智能进行智慧影像分析，在地理信息系统GIS的支持下对影像中堰塞湖的边界进行数字化，求得流域面积，结合已有的测量数据，包括堰塞湖原有地形地貌几何特征，利用实时动态差分法RTK技术实测控制点，将影像中的数字高程模型DEM和原有的DEM进行精确配准，使相同地面单元在空间位置上完全重合，得到影像中的DEM和原有DEM的高程差值分布图,获得堰塞坝高度、堰塞坝几何特征及上游来水及库内水位实时变化情况，计算出流域面积、堰塞坝高度、堰塞坝体积。
流域面积计算方法：s＝S·n，其中，s为流域面积，S为一个地面单元的面积，n为地面单元个数；
堰塞坝高度计算方法：h＝h0+Δh，其中，h为堰塞坝高度，h0为原有DEM 显示的高程，Δh为原有DEM与影像中DEM的高程差值；
堰塞坝体积计算方法：
Figure BDA0002561578860000021
其中，V为堰塞坝体积，S为一个地面单元的面积，H为高程差值分布图各对应地面单元的值，n为地面单元个数。
步骤(4)中，无量纲堆积体指标法DBI评价方法为：
Figure BDA0002561578860000022
Ab为流域面积，Hd为堰塞坝高度，Vd’为堰塞坝体积；DBI＜2.75为稳定区， 2.75＜DBI＜3.08为不确定区，DBI＞3.08为不稳定区。
基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls(AHV)为： Ls(AHV)＝-4.481lg(Ab’)-9.311lg(Hd’)+6.6111lg(Vd)+6.39，Ab’为流域面积， Hd’为堰塞坝高度，Vd为堰塞坝体积；Ls(AHV)＞0为稳定区，Ls(AHV)＜0为不稳定区。
步骤(5)中，采用D8算法，也即最大距离权落差法计算距离权落差，得到水流方向；距离权落差是指中心栅格和邻域栅格的高程差除以两个栅格间的距离，根据D8算法，如果最大落差值大于或等于0，且最大值只有一个，则将对应此最大值的方向值作为中心格网处的方向值；如果最大落差等于0，且有一个以上的0值，则以这些0值所对应的方向值相加；如果最大落差值小于0，则赋以负值以表明此格网方向未定；如果最大落差值大于0，且有一个以上的最大值，则任选一个方向作为水流方向；被处理栅格单元同相邻8个栅格单元之间坡降的算法为：
Figure BDA0002561578860000031
其中，Slope为两个栅格之间的坡降；Dz为两个栅格单元之间的高程差；Di为两个栅格单元中心之间的距离；根据区域地形的水流方向矩阵计算每点处的所流过的水量数值,得到该区域的水流累积数字矩阵，从而得到汇流累积量；获得相关水文因子后，根据坡面径流模拟方法提取河网，生成水系，构建流域的拓扑关系，进而通过洪水演进模型进行洪水预报，生成DB－IWHR模型计算溃口流量，预测滑坡所能造成的堵塞河道规模、堰塞湖回水范围；DB－IWH R模型采用速度增量形式直接求解控制方程。
溃口流量的计算公式为:Q＝C1C2B(H－Z)3/2，
Figure BDA0002561578860000032
其中，Q为溃口流量，C1为流量系数；C2为考虑尾水淹没的系数，B为溃口宽度，H为水库水位，Z为溃口底高程，h为溃口水深。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明将人工智能视频监测应用于堰塞坝的实时监测与应急处置领域，通过建立实时的监测与分析系统，从现场监测实时数据采集、人工智能智慧影像分析得出数据、堰塞坝风险评价与分类、通过洪水演进模型进行洪水预报，提高了监测效率。
(2)本发明基于人工智能智慧影像和实时监控数据,依据无量纲堆积体指标法DBI和基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls(AHV)，评估堰塞坝存在的风险并分类，提高了风险评估的效率与准确度；DB－IWHR模型采用速度增量形式直接求解控制方程，数值分析的稳定性好。
(3)本发明基于人工智能智慧影像实时监控数据，利用ArcGIS水文分析模块处理数字高程模型DEM数据，进而通过洪水演进模型进行洪水预报，为堰塞坝应急响应方案提供了技术支持。
附图说明
图1为本发明的视频实时监测流程图；
图2为本发明所使用的无量纲堆积体指标法DBI和基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls(AHV)评价及分类标准图。
具体实施方式
如图1所示，本发明利用基于人工智能视频监测系统对堰塞坝进行实时监测，该监测系统包括动态监视摄影器、前端检测器、视频监测平台和洪水预警报系统；其中，动态监视摄影器位于堰塞湖的上、中、下游；前端检测器实时采集、记录视频信息并传输至视频监测平台；洪水预警报系统通过洪水演进模型进行洪水预报；洪水预警报系统包括作业预报功能模块、滚动预报功能模块、洪水预报功能模块、预报误差分析功能模块；采用DB－IWHR模型研究洪水演进，计算溃口流量，预测滑坡所能造成的堵塞河道规模、堰塞湖回水范围；DB－IWHR模型采用速度增量形式直接求解控制方程。
本发明滑坡堰塞坝应急处置的人工智能视频实时监测方法包括以下步骤：
(1)利用基于人工智能视频监测系统进行实时监测，采集包含堰塞湖地形地貌几何特征以及上游来水及库内水位情况的视频，输出数据；
(2)利用已知的堰塞湖区域水文地质条件、地质构造、库水位上涨情况信息，按照常规的刚体极限平衡法评价库岸稳定性，找出堰塞湖的上、中、下游的各关键危险位置，设置动态监测摄影器，将前端监测设备实时采集堰塞湖地形地貌几何特征以及上游来水及库内水位的情况，再通过无线网络进行数据传输，将视频传输至视频监控平台，并记录视频信息；
(3)将采集的数据运用人工智能进行智慧影像分析，在地理信息系统GIS 的支持下对影像中堰塞湖的边界进行数字化，求得流域面积，结合已有的测量数据，包括堰塞湖原有地形地貌几何特征，利用实时动态差分法RTK技术实测控制点，将影像中的数字高程模型DEM和原有的DEM进行精确配准，使相同地面单元在空间位置上完全重合，得到影像中的DEM和原有DEM的高程差值分布图,获得堰塞坝高度、堰塞坝几何特征及上游来水及库内水位实时变化情况，计算出流域面积、堰塞坝高度、堰塞坝体积。
流域面积计算方法：s＝S·n，其中，s为流域面积，S为一个地面单元的面积，n为地面单元个数；
堰塞坝高度计算方法：h＝h0+Δh，其中，h为堰塞坝高度，h0为原有DEM 显示的高程，Δh为原有DEM与影像中DEM的高程差值；
堰塞坝体积计算方法：
Figure BDA0002561578860000041
其中，V为堰塞坝体积，S为一个地面单元的面积，H为高程差值分布图各对应地面单元的值，n为地面单元个数；
(4)如图2所示，利用所得到的数据，依据无量纲堆积体指标法DBI和基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls(AHV)，将堰塞湖区域分为安全、存在风险和危险三类；评价方法如下：
Figure BDA0002561578860000042
Ab为流域面积；Hd为堰塞坝高度；Vd’为堰塞坝体积；DBI＜2.75为稳定区， 2.75＜DBI＜3.08为不确定区，DBI＞3.08为不稳定区。Ls(AHV)＝-4.481lg(Ab’)-9.311lg(Hd’)+6.6111lg(Vd)+6.39，Ab’为流域面积，Hd’为堰塞坝高度；Vd为堰塞坝体积；Ls(AHV)＞0为稳定区，Ls(AHV)＜0为不稳定区；分类标准如下：若两种评价方法结果都为稳定，则该区域安全；若其中的一种评价方法结果为稳定，另一种评价方法结果为不稳定或不确定，则该区域存在风险；若两种评价方法结果都为不稳定则该区域为危险区域；
(5)若存在风险，则利用ArcGIS水文分析模块处理DEM数据，采用D8算法，也即最大距离权落差法计算距离权落差，得到水流方向；距离权落差是指中心栅格和邻域栅格的高程差除以两个栅格间的距离，根据D8算法，如果最大落差值大于或等于0，且最大值只有一个，则将对应此最大值的方向值作为中心格网处的方向值；如果最大落差等于0，且有一个以上的0值，则以这些0值所对应的方向值相加；如果最大落差值小于0，则赋以负值以表明此格网方向未定；如果最大落差值大于0，且有一个以上的最大值，则任选一个方向作为水流方向；被处理栅格单元同相邻8个栅格单元之间坡降的算法为：
Figure BDA0002561578860000051
其中，Slope为两个栅格之间的坡降；Dz为两个栅格单元之间的高程差；Di为两个栅格单元中心之间的距离。根据区域地形的水流方向矩阵计算每点处的所流过的水量数值, 得到该区域的水流累积数字矩阵，从而得到汇流累积量；获得相关水文因子后，根据坡面径流模拟方法提取河网，生成水系，构建流域的拓扑关系，进而通过洪水演进模型进行洪水预报，生成DB－IWHR模型计算溃口流量，预测滑坡所能造成的堵塞河道规模、堰塞湖回水范围；DB－IWHR模型采用速度增量形式直接求解控制方程；溃口流量的计算公式如下:Q＝C1C2B(H－Z)3/2，
Figure BDA0002561578860000052
其中，Q为溃口流量；C1为流量系数，取值范围为1.43～1.69m1/2/s，C2为考虑尾水淹没的系数，B为溃口宽度，H为水库水位，Z为溃口底高程，h为溃口水深；
(6)将分析结果生成报告并储存，若堰塞湖存在风险，则将报告发送至洪水预警报系统，等待下一步处理。

Claims (2)

1.一种滑坡堰塞坝应急处置的视频实时监测方法，其特征在于：采用视频实时监测系统进行监测，所述视频实时监测系统包括动态监视摄影器、前端检测器、视频监测平台和洪水预警系统；
所述监测方法包括以下步骤：
(1)采集包含堰塞湖地形地貌几何特征以及上游来水及库内水位情况的视频，输出数据；
(2)根据堰塞坝险情勘察结果，找出堰塞湖的上、中、下游的各关键危险位置，设置动态监测摄影器；将前端监测设备实时采集的视频信息传输至视频监测平台，并记录视频信息；
(3)利用人工智能对数据进行智慧影像分析，对影像中堰塞湖边界进行数字化，结合已有的测量数据，利用实时动态差分法RTK实测控制点，将影像中的数字高程模型DEM和原有的DEM进行配准，得到影像中的DEM和原有DEM的高程差值分布图,获得堰塞坝高度、堰塞坝几何特征及上游来水及库内水位实时变化情况，计算出流域面积、堰塞坝高度和堰塞坝体积；
所述流域面积为：s＝S·n，其中，s为流域面积，S为一个地面单元的面积，n为地面单元个数；
所述堰塞坝高度为：h＝h0+Δh，其中，h为堰塞坝高度，h0为原有DEM显示的高程，Δh为原有DEM与影像中DEM的高程差值；
所述堰塞坝体积为：
Figure FDA0002991892540000011
其中，V为堰塞坝体积，S为一个地面单元的面积，H为高程差值分布图各对应地面单元的值，n为地面单元个数；
(4)依据无量纲堆积体指标法DBI和基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls AHV，评估堰塞坝存在的风险并分类；
所述无量纲堆积体指标法DBI为：
Figure FDA0002991892540000012
Ab为流域面积，Hd为堰塞坝高度，Vd’为堰塞坝体积；DBI＜2.75为稳定区，2.75＜DBI＜3.08为不确定区，DBI＞3.08为不稳定区；
所述基于流域面积、坝高、坝体体积的堰塞坝稳定性判别方法Ls AHV为：Ls(AHV)＝-4.481lg(Ab’)-9.311lg(Hd’)+6.6111lg(Vd)+6.39，Ab’为流域面积，Hd’为堰塞坝高度，Vd为堰塞坝体积；Ls(AHV)＞0为稳定区，Ls(AHV)＜0为不稳定区；
(5)若存在风险，则利用ArcGIS水文分析模块处理数字高程模型DEM数据，预测滑坡造成的堵塞河道规模、堰塞湖回水范围，具体为：
采用最大距离权落差法计算距离权落差，得到水流方向；根据坡面径流模拟方法提取河网，生成水系，构建流域的拓扑关系，进而通过洪水演进模型进行洪水预报，生成DB－IWHR模型计算溃口流量，预测滑坡造成的堵塞河道规模、堰塞湖回水范围；
所述溃口流量的计算公式为：
Q＝C1C2B(H－Z)3/2，
Figure FDA0002991892540000021
其中，Q为溃口流量，C1为流量系数，C2为考虑尾水淹没的系数，B为溃口宽度，H为水库水位，Z为溃口底高程，h为溃口水深。
2.根据权利要求1所述的滑坡堰塞坝应急处置的视频实时监测方法，其特征在于：步骤(2)中，所述各关键位置包含堰塞湖地形地貌几何特征、上游来水及库内水位情况。
CN202010608541.8A 2020-06-30 2020-06-30 一种滑坡堰塞坝应急处置的视频实时监测方法 Active CN111866452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010608541.8A CN111866452B (zh) 2020-06-30 2020-06-30 一种滑坡堰塞坝应急处置的视频实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010608541.8A CN111866452B (zh) 2020-06-30 2020-06-30 一种滑坡堰塞坝应急处置的视频实时监测方法

Publications (2)

Publication Number Publication Date
CN111866452A CN111866452A (zh) 2020-10-30
CN111866452B true CN111866452B (zh) 2021-06-01

Family

ID=72989753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010608541.8A Active CN111866452B (zh) 2020-06-30 2020-06-30 一种滑坡堰塞坝应急处置的视频实时监测方法

Country Status (1)

Country Link
CN (1) CN111866452B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113405931A (zh) * 2020-12-18 2021-09-17 长江勘测规划设计研究有限责任公司 动态监测堰塞体泄流槽冲刷过程的测量装置及方法
CN112697627B (zh) * 2021-01-11 2022-06-28 长江勘测规划设计研究有限责任公司 堰塞体引流槽动态冲刷变形自动化应急测量方法及其装备
KR102374004B1 (ko) * 2021-10-25 2022-03-15 주식회사 에어핏 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램
CN114120590B (zh) * 2021-11-08 2023-06-06 四川农业大学 基于不同溃决模式的堰塞坝溃决危险性分级和预警方法
CN116843177A (zh) * 2023-06-05 2023-10-03 山东弈铭信息科技有限公司 一种基于数据集的状态分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107044883A (zh) * 2017-04-12 2017-08-15 中国科学院、水利部成都山地灾害与环境研究所 堰塞湖溃决监测预警方法
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
CN108733961A (zh) * 2018-06-12 2018-11-02 河海大学 一种考虑非饱和区作用的边坡滑移稳定性判别方法
US10185628B1 (en) * 2017-12-07 2019-01-22 Cisco Technology, Inc. System and method for prioritization of data file backups

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678984B (zh) * 2015-12-30 2017-10-10 四川大学 无资料地区堰塞湖溃决灾害预警体系建立方法
US20200019856A1 (en) * 2018-07-11 2020-01-16 Climate Central System and method for a global digital elevation model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107044883A (zh) * 2017-04-12 2017-08-15 中国科学院、水利部成都山地灾害与环境研究所 堰塞湖溃决监测预警方法
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
US10185628B1 (en) * 2017-12-07 2019-01-22 Cisco Technology, Inc. System and method for prioritization of data file backups
CN108733961A (zh) * 2018-06-12 2018-11-02 河海大学 一种考虑非饱和区作用的边坡滑移稳定性判别方法

Also Published As

Publication number Publication date
CN111866452A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111866452B (zh) 一种滑坡堰塞坝应急处置的视频实时监测方法
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
CN108776851B (zh) 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法
CN105160193B (zh) 一种基于动力过程的泥石流动态风险分析系统及方法
CN111507375B (zh) 一种城市内涝风险快速评估方法及系统
CN116070918B (zh) 一种城市洪涝安全评估及洪涝灾害防治方法
CN111795681A (zh) 一种山洪灾害预警方法、装置、服务器及存储介质
CN110009158A (zh) 台风暴雨洪水灾害全生命周期监测方法及系统
CN105868533A (zh) 基于物联网和3s技术江河流域水环境集成感知与应用方法
CN112561274A (zh) 基于多要素情境的台风诱发地质灾害风险评估方法
CN106023530A (zh) 一种暴雨型稀性泥石流监测预报预警装置及方法
CN112097851B (zh) 一种易涝点涝情检测方法及内涝预测方法
CN104794364A (zh) 海平面上升脆弱性等级评估的定量化方法
CN106971510A (zh) 一种双模式山洪预警控制系统及方法
CN111784976B (zh) 一种山洪灾害预警方法、装置、系统及存储介质
Kumar et al. Error in digital network and basin area delineation using d8 method: A case study in a sub-basin of the Ganga
CN112381285A (zh) 一种基于遥感的洪涝淹没预测方法
CN113762756A (zh) 一种基于高精度dem的变电站积水淹没计算方法
CN113593191A (zh) 一种基于大数据的可视化城市内涝监测预警系统
CN114858221A (zh) 一种基于水域营养状态预测的水华智能预警系统及方法
CN114118870A (zh) 一种耦合冰湖溃决洪水和融雪洪水的下游洪量估算方法
Game et al. Flood modelling for a real-time decision support system of the covered Lower Paillons River, Nice, France
CN116523189A (zh) 一种考虑水文特征的墒情站点规划方法、装置及存储介质
CN115456463A (zh) 一种山洪灾害危险区风险等级划分方法及系统
Brema et al. Estimation of the soil erosion in cauvery watershed (Tamil Nadu and Karnataka) using USLE

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