CN112232574A - 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法 - Google Patents

一种基于支持向量机的泥石流灾害降雨阈值自动划分方法 Download PDF

Info

Publication number
CN112232574A
CN112232574A CN202011132895.6A CN202011132895A CN112232574A CN 112232574 A CN112232574 A CN 112232574A CN 202011132895 A CN202011132895 A CN 202011132895A CN 112232574 A CN112232574 A CN 112232574A
Authority
CN
China
Prior art keywords
rainfall
debris flow
data
threshold
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
CN202011132895.6A
Other languages
English (en)
Other versions
CN112232574B (zh
Inventor
杨帆
范宣梅
许强
常明
郭晓军
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 Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202011132895.6A priority Critical patent/CN112232574B/zh
Publication of CN112232574A publication Critical patent/CN112232574A/zh
Application granted granted Critical
Publication of CN112232574B publication Critical patent/CN112232574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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

Abstract

本发明提供了一种基于支持向量机的泥石流灾害降雨阈值自动划分方法，涉及泥石流防治工程领域。方法包括：构建区域泥石流灾害及降雨资料数据库；计算并输出降雨历时和平均降雨强度参数；得到诱发泥石流灾害对应的降雨历时和平均降雨强度；根据支持向量机算法构建模型，得到优化后的泥石流启动临界降雨阈值I‑D模型并输出图件及对应的阈值结果；利用一组降雨强度‑降雨历时检验数据，验证所述I‑D模型的准确性。本发明利用支持向量机的机器分类方法划分降雨阈值，提高阈值模型准确性及可靠性，为泥石流灾害预测预报及监测预警提供科学指导，实用性较强。

Description

一种基于支持向量机的泥石流灾害降雨阈值自动划分方法
技术领域
本发明涉及泥石流防治工程领域，尤其涉及一种基于支持向量机的泥石流灾害降雨阈值自动划分方法。
背景技术
目前，国内外确定降雨诱发泥石流临界值的方法大致可分为两种方法。一种是物理模型法，即通过研究泥石流灾害的形成机理，建立泥石流运动过程的物理模型，计算出泥石流启动所需的降雨条件。另一种则是基于统计分析方法，对以往诱发泥石流的降雨资料进行统计分析，得到研究区域的降雨阈值，并将这些经验关系式作为降雨诱发泥石流灾害预测预报的依据。
由于统计分析法对统计数据的来源、数量、可靠性依赖程度大，而大多数研究并没有建立起一套系统全面的泥石流数据搜集方法，只是针对几次特定的泥石流事件统计。此外，不同的学者在研究阈值时对降雨数据的雨场分割选用的降雨参数及标准各不相同，造成不同方法之间难以相互比较和推广。在对降雨数据进行雨场分割时，传统方法主要依赖经验手动进行降雨数据分割，主观性较强。纵观近几年与泥石流降雨阈值相关发明专利，并没有人从统计分析法的角度提出一种可靠、高效的泥石流降雨阈值计算机自动划分方法。
发明内容
本发明提供的一种基于支持向量机的泥石流灾害降雨阈值自动划分方法，解决了传统泥石流降雨阈值研究中降雨数据搜集困难、收集方法单一、人工手动雨场分割费时费力、人为划分所得降雨阈值曲线主观因素干扰大、预测准确率低等问题。
为了解决上述技术问题，本发明实施例提供了一种基于支持向量机的泥石流灾害降雨阈值自动划分方法，包括以下步骤：
S1：以区域为单元，收集该区域内典泥石流事件及对应的降雨资料，构建区域泥石流灾害及降雨资料数据库；
S2：对所述数据库中降雨时间序列数据进行预处理，采用合适的雨场划分标准来确定降雨起始点，通过编写代码实现自动划分雨场，计算并输出降雨历时和平均降雨强度等参数；
S3：结合泥石流灾害发生流域的空间位置，采用相应的筛选标准确定对应的降雨监测站点，得到诱发泥石流灾害对应的降雨历时和平均降雨强度；
S4：分别统计得到所述数据库中所有诱发泥石流灾害及未诱发泥石流灾害的降雨历时和平均降雨强度；
S5：根据支持向量机算法构建模型，对诱发及未诱发泥石流的降雨历时和平均降雨强度参数进行划分，并通过模型训练、交叉验证以及参数寻优等步骤，得到优化后的泥石流启动临界降雨阈值I-D模型并输出图件及对应的阈值结果；
S6：利用一组降雨强度-降雨历时检验数据，输入到所述I-D模型中，判断该组降雨强度-降雨历时检验数据下泥石流灾害是否发生，并与实际情况进行对比，验证所述I-D模型的准确性。
可选地，其特征在于，
所述区域泥石流灾害及降雨资料数据库包括如下项目：
a：泥石流灾害发生时间，坐标位置；
b：泥石流灾害区域范围内的小时雨量监测数据，雨量监测设备坐标位置。
可选地，其特征在于，对降雨监测时间序列数据进行预处理，包括如下步骤：
步骤V1：根据Matlab构建连续时间序列，起始时间T0为数据库中所有降雨数据的起始时间，Tf为数据库中所有降雨数据的终止时间，dt设置为1h；
步骤V2：构建运算矩阵B，其中第一列为步骤V1中构建的dt＝1h的连续时间序列，第二列均赋值为0；
步骤V3：构建数据库降雨数据矩阵A，其中A(：，1)为数据库中收集的雨量站点时间列数据，A(：，2)为数据库中收集的雨量站点降雨列数据；利用两个集合交集的非(异或)函数setxor函数，返回矩阵A、B的非公共行矩阵C，根据D＝[A；C]式可得到A、C两个集合的并集D，再利用unique函数消除矩阵C中的重复行并按时间序列排序，即得到连续的降雨时间序列数据，以便进行下一步的雨场划分。
可选地，其特征在于，所述雨场划分标准选用：以小时降雨大于1mm作为降雨的起点，以连续6小时降雨小于1mm作为降雨的终点。
可选地，其特征在于，输出降雨历时和平均降雨强度等参数，包括以下步骤：
步骤D1：确定场次降雨起点、场次降雨终点，确定场次降雨历时；
步骤D2：确定场次降雨累积降雨量、平均降雨量。
可选地，其特征在于，S3步骤中结合泥石流灾害发生流域的空间位置，采用相应的筛选标准确定对应的最优选降雨监测站点，匹配泥石流灾害发生时的降雨历时和平均降雨强度，详细方法如下：
对于搜集到的泥石流事件及雨量站信息，在Matlab中构建空间坐标系，A(i1，j)表示泥石流发生事件位置坐标，B(i2，j)表示雨量站位置坐标(i1＝1，2，…，n；i2＝1，2，…，m；j＝1，2)，计算n个泥石流发生点与m个雨量站之间距离，所得结果存于矩阵Dm×n中，并按下式将距离转为以米为单位表示，对矩阵D′m×n按行进行升序排列，选出每一泥石流发生点5000米范围内所含雨量站，距离最近者，则将该站点数据同泥石流灾害进行对应，若5000米范围内无雨量站，则记为空值(—)，表示该次泥石流事件无降雨记录信息，并舍弃掉该次发生事件；
D′m×n＝Dm×n×6371×1000×2π360 (1)
此外，对于群发性泥石流事件，若规定范围内只有一个雨量站，只能将这些群发性泥石流事件当作一次事件。
可选地，其特征在于，S5步骤中，根据支持向量机算法构建模型，通过构建支持向量对诱发未诱发泥石流的降雨历时和平均降雨强度参数进行划分，通过优化核函数及参数，使得该条阈值线到每个支持向量的距离最大化，进而得到优化后的降雨诱发泥石流启动降雨阈值公式。
与现有技术相比，本发明提供的基于支持向量机的泥石流灾害降雨阈值自动划分方法，提出了一套较为系统全面的泥石流数据收集与降雨雨量站点监测数据的对应选取方法，解决了大部分研究中降雨监测站点数据与众多泥石流灾害事件如何更好对应的问题。通过编写程序代码，选取雨场划分标准，将建立好的数据库中多年降雨数据进行自动雨场分割与降雨参数信息自动统计，节省了传统方法中大量繁琐的数据处理工作时间，极大地提高了研究效率。采用机器学习领域经典算法——支持向量机(SVM)，自编程建立降雨阈值自动划分模型，通过模型参数优化，以达到最佳划分效果，所得降雨阈值预测准确率较高，此方法能作为当前区域性泥石流降雨阈值研究手段之一，实用性较强。根据得到的阈值模型，利用一组或几组降雨条件，能够判断该降雨条件下泥石流灾害是否发生，该研究结果可为泥石流灾害的监测预警工作提供一定的参考，对震后防灾减灾工作有着重要的现实意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例基于支持向量机的泥石流灾害降雨阈值自动划分方法总体技术路线图；
图2是本发明实施例基于支持向量机的泥石流灾害降雨阈值自动划分方法中泥石流事件与对应降雨数据数据库建立流程图；
图3是本发明实施例中雨场分割依据原理示意图；
图4是本发明实施例中某次泥石流灾害事件发生前后雨量分布图；
图5是本发明实施例基于支持向量机的泥石流灾害降雨阈值自动划分方法及模型验证图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明基于支持向量机的泥石流灾害降雨阈值自动划分方法，通过系统的数据收集，建立泥石流灾害数据库，再到构建降雨阈值模型，整体的技术路线图如图1所示，具体按照以下步骤实施：
步骤L1：以区域为单元，收集该区域内典泥石流事件及对应的降雨资料，构建区域泥石流灾害及降雨资料数据库。
基于统计分析的泥石流启动降雨阈值方法，对数据要求相较高，数据的质量越高，统计分析得到结果也越好。所以建立一个详细完备的灾害统计数据库是十分必要的，是下一步研究的数据基础。本发明实施例中以研究区震后2009年-2017年泥石流数据库的建立为例来进行说明。
在泥石流数据库建立过程中，收集的资料类型主要有两类：一类是震区震后发生的泥石流事件，包括发生位置，发生时间等信息；另一类是震区震后降雨数据，由于降雨对泥石流启动起着的关键作用，应尽可能详细的对震区震后降雨数据收集(如图2所示)。
1.泥石流灾害数据来源
(1)根据研究区相关地质灾害调查等报告和数据，对震区震后区域及对应的泥石流事件进行收集和梳理。
(2)查阅收集相关文献、著作等，对文献中相关数据进行重点记录，许多研究人员已经进行了较详尽的研究，所以大部分泥石流事件都可以在相关文献中找到。
(3)根据政府及地方相关机构发布的年鉴、灾情通报及预警信息，对涉及到的相关区域灾害进行记录。
(4)通过互联网，重点查找人民网、新华网及相关的地方新闻网站有关灾区泥石流灾情的新闻、灾情报道，对涉及相关研究区的灾害事件进行记录。
(5)根据野外的走访、现场调查，对近期发生的泥石流事件相关信息进行调查及完善。
步骤L2：对数据库中降雨时间序列数据进行预处理，采用合适的雨场划分标准，编写代码实现自动雨场划分，并输出降雨历时和平均降雨强度等参数。
一般情况下，从雨量站获取的降雨数据是一连串连续的时间序列数据，不能直接用来进行相关数据分析，因此要这些原始雨量数据进行处理，提取出可用于研究分析的降雨数据，这就需要采用雨场分割方法对降雨数据进行处理。目前对降雨数据进行分割的标准主要有以下7种(表1)
表1.雨场划分常见几种不同标准
Figure BDA0002735732970000061
Figure BDA0002735732970000071
考虑到各区域降雨情况差异较大，在此选取适用于研究区的雨场分割方法，即标准七作为雨场分割的依据(如图3，横坐标为降雨历时，纵坐标为降雨强度，以小时降雨大于1mm为有效降雨开始，连续6小时降雨小于1mm为结束)。基于MATLAB 2016b软件，编写雨场分割程序，自动实现对泥石流事件及降雨数据进行处理，最终共分割出降雨事件共计2608场，并输出降雨历时(h)、平均小时降雨量(mm/h)、累计降雨量(mm)、激发雨强(mm/h),所得部分结果见表2。图4所示为根据标准七作为雨场分割依据的某次泥石流灾害降雨雨场分割结果，具体以某地区2019年8月20日群发性山洪泥石流灾害事件发生前后雨量分布图为例，横坐标为降雨历时，纵坐标(左)为小时雨量，纵坐标(右)为累积降雨量，虚线为记录到的泥石流爆发时刻。
表2.雨场分割结果及泥石流数据库部分数据情况
Figure BDA0002735732970000072
Figure BDA0002735732970000081
步骤L3：结合泥石流发生流域的空间位置，采用相应的筛选标准确定对应的降雨监测站点，得到诱发泥石流灾害对应的降雨历时和平均降雨强度。
对于搜集到的泥石流事件及雨量站信息，构建空间坐标系，A(i1，j)表示泥石流发生事件位置坐标，B(i2，j)表示雨量站位置坐标(i1＝1，2，…，n；i2＝1，2，…，m；j＝1，2)，计算n个泥石流发生点与m个雨量站之间距离，所得结果存于矩阵Dm×n中，并按下式将距离转为以米为单位表示，对矩阵D′m×n按行进行升序排列，选出每一泥石流发生点5000米范围内所含雨量站，距离最近者，则将该站点数据同泥石流灾害进行对应，若5000米范围内无雨量站，则记为空值，表示该次泥石流事件无降雨记录信息，并舍弃掉该次发生事件；
D′m×n＝Dm×n×6371×1000×2π360 (1)
注：地球半径为6371km。
此外，对于群发性泥石流事件，若规定范围内只有一个雨量站，只能将这些群发性泥石流事件当作一次事件。
步骤L4：分别统计得到数据库中所有诱发泥石流灾害及未诱发泥石流灾害的降雨历时和平均降雨强度。
根据泥石流灾害与降雨数据对应情况，分别得到诱发泥石流灾害的降雨条件及未诱发泥石流灾害的降雨条件两组数据。
步骤L5：根据支持向量机算法构建模型，对诱发及未诱发泥石流的降雨历时和平均降雨强度进行划分，并通过模型训练、交叉验证以及参数寻优等步骤，得到优化后的泥石流启动临界降雨阈值I-D模型并输出图件及对应的阈值结果，见图5，横坐标为降雨历时，纵坐标为降雨强度，实心圆圈和实心三角为诱发泥石流的降雨条件，空心圆圈和空心三角为未诱发泥石流的降雨条件。其中实心圆圈代表2009-2017年诱发泥石流的降雨条件，实心三角代表2008年诱发泥石流的降雨条件，空心圆圈代表2009-2017未诱发泥石流灾害的降雨条件，空心三角为2008年未诱发泥石流灾害的降雨条件。在降雨阈值研究中，排除了2008年的降雨数据(由于2008年震后大部分雨量站被损毁，造成当年雨量数据存在误差较大问题)，输出优化后的泥石流启动临界降雨阈值I-D模型及对应的阈值结果(图5虚线所示)：
I＝22D-0.67(1≤D≤55)
步骤L6：利用一组降雨强度-降雨历时检验数据，输入到I-D模型中，判断该组降雨强度-降雨历时检验数据下泥石流灾害是否发生，并与实际情况进行对比，验证I-D模型的准确性。
本发明实施例中，具体利用2019年8.20日研究区群发泥石流降雨数据，对该模型进行检验2019年“8.20”日研究区发生群发性泥石流灾害，附近降雨台站记录到的雨量情况如附图5所示，根据前期构建的泥石流启动I-D阈值模型，将“8.20”事件的降雨条件(五角星)带入模型，结果显示，诱发“8.20”泥石流的降雨条件位于构建的雨量阈值模型之上，说明在该降雨条件下，本模型能够成功的判断此次泥石流事件的发生，一定程度上验证了本发明泥石流启动阈值模型的可靠性及准确性。
通过上述实施例，本发明提供的基于支持向量机的泥石流灾害降雨阈值自动划分方法，提出了一套较为系统全面的泥石流数据收集与降雨雨量站点监测数据的对应选取方法，解决了大部分研究中降雨监测站点数据与众多泥石流灾害事件如何更好对应的问题。通过编写程序代码，选取雨场划分标准，将建立好的数据库中多年降雨数据进行自动雨场分割与降雨参数信息自动统计，节省了传统方法中大量繁琐的数据处理工作时间，极大地提高了研究效率。采用机器学习领域经典算法——支持向量机(SVM)，自编程建立降雨阈值自动划分模型，通过模型参数优化，以达到最佳划分效果，所得降雨阈值预测准确率较高，此方法能作为当前区域性泥石流降雨阈值研究手段之一，实用性较强。根据得到的阈值模型，利用一组或几组降雨条件，能够判断该降雨条件下泥石流灾害是否发生，该研究结果可为泥石流灾害的监测预警工作提供一定的参考，对震后防灾减灾工作有着重要的现实意义，相比现有技术，具有显著进步。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种基于支持向量机的泥石流灾害降雨阈值自动划分方法，其特征在于，包括以下步骤：
S1：以区域为单元，收集该区域内典泥石流事件及对应的降雨资料，构建区域泥石流灾害及降雨资料数据库；
S2：对所述数据库中降雨时间序列数据进行预处理，采用合适的雨场划分标准来确定降雨起始点，通过编写代码实现自动划分雨场，计算并输出降雨历时和平均降雨强度参数；
S3：结合泥石流灾害发生流域的空间位置，采用相应的筛选标准确定对应的最优选降雨监测站点，得到诱发泥石流灾害对应的降雨历时和平均降雨强度；
S4：分别统计得到所述数据库中所有诱发泥石流灾害及未诱发泥石流灾害的降雨历时和平均降雨强度；
S5：根据支持向量机算法构建模型，对诱发及未诱发泥石流的降雨历时和平均降雨强度参数进行划分，并通过模型训练、交叉验证以及参数寻优等步骤，得到优化后的泥石流启动临界降雨阈值I-D模型并输出图件及对应的阈值结果；
S6：利用一组降雨强度-降雨历时检验数据，输入到所述I-D模型中，判断该组降雨强度-降雨历时检验数据下泥石流灾害是否发生，并与实际情况进行对比，验证所述I-D模型的准确性。
2.根据权利要求1所述的一种基于支持向量机的泥石流灾害降雨阈值自动化分方法，其特征在于，
所述区域泥石流灾害及降雨资料数据库包括如下项目：
a：泥石流灾害发生时间，坐标位置；
b：泥石流灾害区域范围内的小时雨量监测数据，雨量监测设备坐标位置。
3.根据权利要求1所述的一种基于支持向量机的泥石流灾害降雨阈值自动化分方法，其特征在于，对降雨监测时间序列数据进行预处理，包括如下步骤：
步骤V1：根据Matlab构建连续时间序列，起始时间T0为数据库中所有降雨数据的起始时间，Tf为数据库中所有降雨数据的终止时间，dt设置为1h；
步骤V2：构建运算矩阵B，其中第一列为步骤V1中构建的dt＝1h的连续时间序列，第二列均赋值为0；
步骤V3：构建数据库降雨数据矩阵A，其中A(：，1)为数据库中收集的雨量站点时间列数据，A(：，2)为数据库中收集的雨量站点降雨列数据；利用两个集合交集的非(异或)函数setxor函数，返回矩阵A、B的非公共行矩阵C，根据D＝[A；C]式可得到A、C两个集合的并集D，再利用unique函数消除矩阵C中的重复行并按时间序列排序，即得到连续的降雨时间序列数据，以便进行下一步的雨场划分。
4.根据权利要求1所述的一种基于支持向量机的泥石流灾害降雨阈值自动化分方法，其特征在于，所述雨场划分标准选用：以小时降雨大于1mm作为降雨的起点，以连续6小时降雨小于1mm作为降雨的终点。
5.根据权利要求1所述的一种基于支持向量机的泥石流灾害降雨阈值自动化分方法，其特征在于，输出降雨历时和平均降雨强度等参数，包括以下步骤：
步骤D1：确定场次降雨起点、场次降雨终点，确定场次降雨历时；
步骤D2：确定场次降雨累积降雨量、平均降雨量。
6.根据权利要求1所述的一种基于支持向量机的泥石流灾害降雨阈值自动化分方法，其特征在于，S3步骤中结合泥石流灾害发生流域的空间位置，采用相应的筛选标准确定对应的最优选降雨监测站点，匹配泥石流灾害发生时的降雨历时和平均降雨强度，详细方法如下：
对于搜集到的泥石流事件及雨量站信息，在Matlab中构建空间坐标系，A(i1，j)表示泥石流发生事件位置坐标，B(i2，j)表示雨量站位置坐标(i1＝1，2，…，n；i2＝1，2，…，m；j＝1，2)，计算n个泥石流发生点与m个雨量站之间距离，所得结果存于矩阵Dm×n中，并按下式将距离转为以米为单位表示，对矩阵D’m×n按行进行升序排列，选出每一泥石流发生点5000米范围内所含雨量站，距离最近者，则将该站点数据同泥石流灾害进行对应，若5000米范围内无雨量站，则记为空值(—)，表示该次泥石流事件无降雨记录信息，并舍弃掉该次发生事件；
D′m×n＝Dm×n×6371×1000×2π360 (1)
此外，对于群发性泥石流事件，若规定范围内只有一个雨量站，只能将这些群发性泥石流事件当作一次事件。
7.根据权利要求1所述的一种基于支持向量机的泥石流灾害降雨阈值自动化分方法，其特征在于，S5步骤中，根据支持向量机算法构建模型，通过构建支持向量对诱发未诱发泥石流的降雨历时和平均降雨强度参数进行划分，通过优化核函数及参数，使得该条阈值线到每个支持向量的距离最大化，进而得到优化后的降雨诱发泥石流启动降雨阈值公式。
CN202011132895.6A 2020-10-21 2020-10-21 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法 Active CN112232574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011132895.6A CN112232574B (zh) 2020-10-21 2020-10-21 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011132895.6A CN112232574B (zh) 2020-10-21 2020-10-21 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法

Publications (2)

Publication Number Publication Date
CN112232574A true CN112232574A (zh) 2021-01-15
CN112232574B CN112232574B (zh) 2022-06-14

Family

ID=74108957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011132895.6A Active CN112232574B (zh) 2020-10-21 2020-10-21 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法

Country Status (1)

Country Link
CN (1) CN112232574B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344297A (zh) * 2021-06-30 2021-09-03 广东电网有限责任公司 一种泥石流灾害的预测方法、系统、终端和存储介质
CN114462716A (zh) * 2022-02-18 2022-05-10 成都理工大学 一种震后泥石流的预报方法、装置、设备及可读存储介质
CN117456045A (zh) * 2023-10-19 2024-01-26 陕西省地质科技中心 一种面向降雨相关自然灾害的制图方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838979A (zh) * 2014-03-26 2014-06-04 武汉大学 一种基于支持向量机算法的统计降尺度方法
CN104318103A (zh) * 2014-10-23 2015-01-28 中国科学院、水利部成都山地灾害与环境研究所 一种滑坡灾害监测预警降雨阈值判定方法
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
US20180045853A1 (en) * 2016-08-15 2018-02-15 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Landslide hazard assessment system and method
CN109118718A (zh) * 2018-07-09 2019-01-01 中国科学院、水利部成都山地灾害与环境研究所 泥石流发生降雨i-d曲线阈值构建方法、流域泥石流预警方法
US20190141920A1 (en) * 2006-06-20 2019-05-16 Rain Bird Corporation User interface for a sensor-based interface device for interrupting an irrigation controller
CN109840260A (zh) * 2019-02-02 2019-06-04 中国水利水电科学研究院 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法
CN110706456A (zh) * 2019-10-19 2020-01-17 中国科学院、水利部成都山地灾害与环境研究所 泥石流快速预警系统
CN110930282A (zh) * 2019-12-06 2020-03-27 中国水利水电科学研究院 一种基于机器学习的局地降雨雨型分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190141920A1 (en) * 2006-06-20 2019-05-16 Rain Bird Corporation User interface for a sensor-based interface device for interrupting an irrigation controller
CN103838979A (zh) * 2014-03-26 2014-06-04 武汉大学 一种基于支持向量机算法的统计降尺度方法
CN104318103A (zh) * 2014-10-23 2015-01-28 中国科学院、水利部成都山地灾害与环境研究所 一种滑坡灾害监测预警降雨阈值判定方法
US20180045853A1 (en) * 2016-08-15 2018-02-15 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Landslide hazard assessment system and method
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
CN109118718A (zh) * 2018-07-09 2019-01-01 中国科学院、水利部成都山地灾害与环境研究所 泥石流发生降雨i-d曲线阈值构建方法、流域泥石流预警方法
CN109840260A (zh) * 2019-02-02 2019-06-04 中国水利水电科学研究院 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法
CN110706456A (zh) * 2019-10-19 2020-01-17 中国科学院、水利部成都山地灾害与环境研究所 泥石流快速预警系统
CN110930282A (zh) * 2019-12-06 2020-03-27 中国水利水电科学研究院 一种基于机器学习的局地降雨雨型分析方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
SAMUELE SEGONI 等: "Landslides triggered by rainfall: A semi-automated procedure to define consistent intensity–duration thresholds", 《COMPUTERS & GEOSCIENCES》 *
乔建平 等: "基于模型试验的泥石流坡面物源启动预警模型", 《水科学进展》 *
倪化勇: "泥石流发生雨型响应及其临界降雨条件", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 *
台伟: "长江上游滑坡泥石流预测预警系统研究与应用", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 *
常鸣 等: "降雨驱动泥石流危险性评价", 《地球科学》 *
李秀珍 等: "多分类支持向量机在泥石流危险性区划中的应用", 《水土保持通报》 *
杨帆 等: "基于时间序列与人工蜂群支持向量机的滑坡位移预测研究", 《工程地质学报》 *
魏振磊: "小流域泥石流启动降雨阈值预测与虹吸分流防治方法", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344297A (zh) * 2021-06-30 2021-09-03 广东电网有限责任公司 一种泥石流灾害的预测方法、系统、终端和存储介质
CN114462716A (zh) * 2022-02-18 2022-05-10 成都理工大学 一种震后泥石流的预报方法、装置、设备及可读存储介质
CN117456045A (zh) * 2023-10-19 2024-01-26 陕西省地质科技中心 一种面向降雨相关自然灾害的制图方法

Also Published As

Publication number Publication date
CN112232574B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN112232574B (zh) 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法
Donovan et al. Using coarse GPS data to quantify city-scale transportation system resilience to extreme events
CN115688404B (zh) 基于svm-rf模型的降雨型滑坡预警方法
CN107610469A (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
Afghari et al. Contrasting case-wise deletion with multiple imputation and latent variable approaches to dealing with missing observations in count regression models
CN109376906B (zh) 基于多维度轨迹的出行时间预测方法、系统及电子设备
CN111365015A (zh) 一种基于XGBoost的盾构掘进参数特征提取与姿态偏差预测方法
CN111784017B (zh) 一种基于路况因素回归分析的公路交通事故数量预测方法
CN106651004A (zh) 一种基于降雨洪灾时空数据库的洪灾预测方法
CN117171223B (zh) 一种微生物修复过程中的微生物培养方案推荐方法及系统
CN116228021A (zh) 一种基于环境监测的矿山生态修复评价分析方法及系统
CN110889092A (zh) 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法
CN111291216A (zh) 一种基于人脸结构化数据的落脚点分析方法和系统
CN114298436A (zh) 一种基于Bagging策略的滑坡易发性评价方法
Fafoutellis et al. Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data
CN117152918A (zh) 一种应用于区域滑坡灾害的危险性动态预警方法
CN111145535A (zh) 一种复杂场景下的行程时间可靠性分布预测方法
CN104462215A (zh) 一种基于时间序列的科技文献被引用数目预测方法
CN110942188A (zh) 一种基于时态联动挖掘的时间序列预测方法及其装置
CN111091410B (zh) 一种结合节点嵌入和用户行为特征的网点销量预测方法
CN115018110A (zh) 一种基于XGBoost的公路阻断损失预测方法及系统
CN114529383A (zh) 实现税务缴纳追踪和税款流失预警方法及系统
CN107783942A (zh) 一种异常行为检测方法及装置
Delassus et al. Broken bikes detection using citibike bikeshare system open data
CN114462716B (zh) 一种震后泥石流的预报方法、装置、设备及可读存储介质

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