CN112330150A - 大区域泥石流灾害可发性的早期判识方法 - Google Patents
大区域泥石流灾害可发性的早期判识方法 Download PDFInfo
- Publication number
- CN112330150A CN112330150A CN202011220455.6A CN202011220455A CN112330150A CN 112330150 A CN112330150 A CN 112330150A CN 202011220455 A CN202011220455 A CN 202011220455A CN 112330150 A CN112330150 A CN 112330150A
- Authority
- CN
- China
- Prior art keywords
- evaluation unit
- expandability
- debris flow
- early
- level
- 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 42
- 238000011156 evaluation Methods 0.000 claims abstract description 170
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims description 36
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种大区域泥石流灾害可发性的早期判识方法。针对现有技术缺乏大区域视野、忽视泥石流是流域演化阶段自然现象基本原理,本发明提供一种在大尺度空间区域视野下以自然流域为评价单元的泥石流灾害发生可能性早期判识方法。本方法首先在大区域中进行流域分割,提取各级流域作为各评价单元,然后计算各评价单元的泥石流灾害可发性模型等级g,最后依照流域可发性早期判识规则判识大区域内泥石流灾害可发性早期判识等级G。本发明方法是与现有技术完全不同的技术构思。本发明方法的判识精度与基于大区域DEM数据提取的流域多级结构相关,具有很强的技术扩展性。
Description
技术领域
本发明涉及一种区域泥石流灾害可发性的早期判识方法,特别是涉及一种大尺度空间区域为泥石流灾害可发性的早期判识。属于山地灾害防治技术、山区环境管理技术,以及利用环境大数据实现的地质地貌测绘勘察与地质灾害自动分析与探查技术领域。
背景技术
国内外长期的泥石流灾害防治经验已总结出,泥石流灾害的早期判识是提升泥石流灾害风险防控有效性的重要手段。在早期判识中,要回答的问题是研究区内的不同流域是否存在发生泥石流的潜在可能性,以及这种潜在可能性的大小。由于泥石流灾害是流域地质演化过程的动态性、长期性、隐蔽性与不确定性的一个综合反应,其形成机理与演化机制复杂多样,因而对上述问题的合理的回答需要基于对大空间尺度区域内与泥石流发生相关的各类环境因素的综合评价才能得到。也就是说,大空间尺度区域视野下的泥石流灾害可发性的早期判识是构建区域内泥石流进一步认知的必要前提。
一直以来,现有技术始终重视对泥石流灾害易发性与危险性评估评价技术的提升。比较成功的应用于泥石流灾害危险性模型主要包括:统计方法、概率方法、数据挖掘。在这些技术方案中,无论研究区域的空间尺度有多大,都采用将整个研究区域栅格化处理再以栅格作为评价单元,并且通过增加研究区栅格化程度、缩小栅格尺寸来提高对研究区域内泥石流灾害易发性与危险性评价的精度。这类技术方案的一个突出缺陷在于:以栅格为评价单元造成栅格单元与泥石流发生以流域为单元的自然属性在空间上的不匹配,当评价栅格单元尺寸过大时,单元特征反映的可能是栅格内包含的不同流域部分平滑了的“综合”信息特征;当评价栅格单元尺寸过小时,单元特征反映的可能是栅格内包含的不同流域局部信息的特征,无论属于哪种情况,都造成泥石流信息的大量失真,也就使得在区域尺度上的泥石流早期判识存在严重的错判与误读。
综上所述,现有技术没有意识到两个问题:其一,泥石流灾害早期判识需要在大空间尺度的区域视野下进行。如果不考虑这种“大区域”在空间尺度上对泥石流流域间关系的意义,直接沿用现有技术以栅格为评价单元的构思,仅仅从优化评价指标的筛选与改善各类泥石流灾害危险性模型的构建出发,对提升泥石流灾害可发性早期判识的效果是有限的。其二,泥石流不仅是一种多种环境因素综合演化的地质灾害,也是流域演化到一定阶段所出现的一种自然现象,这是泥石流有别于其他类型地质灾害的地方。在大空间尺度的区域视野下,对于评价单元的处理,如果不考虑流域特征(地形、地质、水文等),只将其进行简单几何分割,划分出数量巨大但在技术流程中“重要性无差异”的栅格作为评价单元,则这类技术构思并没有解析出泥石流灾害中“泥石流是流域演化阶段的自然现象”的真正含义,其对提升泥石流灾害早期判识的效果同样是有限的。
发明内容
本发明的目的就是针对现有技术的不足,提供一种大区域泥石流灾害可发性的早期判识方法。该方法以大区域内不同等级流域为评价对象,通过对不同等级流域泥石流可发性的逐级评价与区域宏观视野下的综合判识,能够充分考察大区域内流域与泥石流灾害间的关联性。
本发明所称“大区域”是泥石流灾害可发性早期判识对象的研究对象,是指包含一个或几个自然流域的大尺度区域空间,例如金沙江下游地区、长江上游地区等,并且区域内流域数量不定,内只要DEM有足够精度支持就能划分出多级流域。
为实现上述目的,本发明的技术方案如下:
一种大区域泥石流灾害可发性的早期判识方法,用于对包含至少一个自然流域的大尺度区域的泥石流发生可能性分布进行早期识别,其特征在于,依如下步骤实施:
步骤S1、提取大区域内各评价单元W
利用大区域DEM数据进行流域分割,提取各级流域汇流节点及其对应的流域与各级流域范围,对各级流域逐级标记流域等级V,最高一级流域等级V=1,大区域内各1级流域与各级子流域范围分别标记为评价单元W;
步骤S2、计算各评价单元W的泥石流灾害可发性模型等级g
利用可拓物元模型计算各评价单元W泥石流灾害可发性模型等级g;
步骤S3、判识大区域内泥石流灾害可发性早期判识等级G
以步骤S2计算所得大区域内各评价单元W的泥石流灾害可发性模型等级g为基础,依照流域可发性早期判识规则逐一判识大区域内所有区块的泥石流灾害可发性早期判识等级G,所述大区域内所有区块包括大区域内评价单元W与评价单元W去除其内直接所有下一级评价单元W后余下的部分,所述流域可发性早期判识规则是利用评价单元W与直接上下级评价单元间g值相互关系确定所有区块的G值。
本发明方法在前期研究基础上,进一步提供优化的流域可发性早期判识规则,包括:
规则R1、对于任一评价单元W,其G值确定仅根据其g值与其直接所属的上级评价单元W的g值间关系确定,
规则R2、对于任一评价单元Wi,若其g值低于其直接上一级评价单元Wi-1的g值,则将其直接上一级评价单元Wi-1的g值标记为该评价单元Wi的G值;
规则R3、在规则R1与规则R2的基础上,对于任一包含有直接下一级评价单元Wi+1的评价单元Wi,其内各下一级评价单元Wi+1以其各自的g值为G值,其内去除所有下一级评价单元Wi+1的区块的G值根据该评价单元Wi的g值确定;
规则R4、对于任一评价单元循环执行规则R2~规则R3,直到研究区内所有区块的G值都不再发生变化为止。
上述大区域泥石流灾害可发性的早期判识方法是对大区域内不同区块泥石流发生可能性高低的一种判断识别方法。方法是立足于“泥石流是流域演化到特定阶段的自然现象”这一基本原理,从流域特征角度对大区域地理空间进行拆解,形成遵循流域特征的支系结构。组成该支系结构的是不同等级的大小流域(主流和支流)。再将不同等级的大小流域视为不同的评价单元W,以评价单元W的地形、地质、水文等多方面流域特征为数据基础,采用可拓物元模型完成各评价单元W内泥石流可发性计算,得到各评价单元的g值指标。此由完成对大区域拆解后各个局部的泥石流可发性分布。在此基础上,再依据流域支系结构中上下支系间流域特征的相互影响关系建立流域可发性早期判识规则,并依照该规则,根据各评价单元的g值指标对大区域内各区块的泥石流可发性进一步判识,确定各区域的可发性早期判识等级,即G值指标,从而建立大区域泥石流发生可能性分布结果。
基于上述方案原理,本发明通过前期大量研究,筛选出7个可以简洁有效地表征流域演化与气候/天气变化两方面因素对泥石流发生可能性的指标,分析是平均高程、高程方差、Melton比率、流域形状因子、最大坡度、平均坡度、年平均降水量。这7个指标可以在步骤S2、计算各评价单元W的泥石流灾害可发性模型等级g中同时兼顾运算效率与结果有效性两方面收益。
基于本发明方案基本原理,本发明方法中,流域可发性早期判识规则的规则R3可进一步优化为:对于各评价单元W,首先以评价单元面积为权重,采用算术加权的方法将各评价单元W的g值换算为各评价单元W的加权可发性等级然后再以各评价单元的值为基础执行规则R3确定各区块的G值。更进一步的优先是,根据评价单元Wi的g值与其内下一级评价单元Wi+1的g值的差异大小确定评价单元Wi去除所有下一级评价单元Wi+1的区块的G值。
与现有技术相比,本发明的有益效果是:(1)提供大尺度空间区域的泥石流灾害发生可能性早期判识的新的技术构思。与现有技术不同,该技术构思确立在以泥石流灾害可发性为判识对象的技术中,应当立足于两个技术要点:一是将早期识别技术与大尺度空间区域概念相联系,构成“大区域”视野下将泥石流灾害孕育形成的多种因素加以综合考虑。这种“综合考虑”具体为先逐级判识确定各级流域的可发性等级g,再依据规则将各级流域的可发性等级g进行重要性有差异的利用,从而构成最终判识结果;二是着眼于泥石流灾害是流域演化到一定阶段出现的自然现象这一基本理论,选择自然的流域而非人工的栅格单元作为“大区域”视野下的评价单元。为实现以流域为评价单元,本发明方法采用了可拓物元模型。(2)为针对性解决泥石流灾害早期判识的对象是泥石流灾害可发性,本发明方法从前期大量数据分析中筛选出了模型评价中的7个主控关键因子(平均高程、高程方差、Melton比率、流域形状因子、最大坡度、平均坡度、年平均降水量)。(3)本发明方法是一种以流域为评价单元的区域泥石流灾害早期判识方法,其判识精度与流域多级结构相关。流域级别越多,各级子流范围划分越小,借由判识规则的运用,本发明方法越能够对区域泥石流灾害进行更高精度的判识。在实际运用中,只要提高DEM数据精度,就可以从区域中提取更多层级的流域结构。因而,本发明无论在理论上还是实践运用中,都具有很强的技术扩展性。
附图说明
图1是大区域泥石流灾害可发性的早期判识方法流程示意图。
图2是实施例一研究区范围。
图3是研究区汇流节点图。
图4是大区域内各级流域的汇流节点示意图。
图5是流域节点对应流域范围。
图6是大区域内各待判识的对象流域范围示意图。
图7是泥石流在不同平均高程区间中的分布频次。
图8是泥石流在不同高程标准差区间中的分布频次。
图9是泥石流在不同Melton ratio区间中的分布频次。
图10是泥石流在不同流域形状因子区间中的分布频次。
图11是泥石流在不同平均高程区间中的分布频次。
图12是泥石流在不同平均高程区间中的分布频次。
图13是泥石流在不同年平均降水量区间中的分布频次。
图14是区域汇流节点A对应的流域(区域内1级流域)泥石流可发性等级早期判识结果示意图。
图15是区域汇流节点B对应的流域(区域内2级流域)泥石流可发性等级早期判识结果示意图。
图16是区域汇流节点C、D对应的流域(区域内3级流域)泥石流可发性等级早期判识结果示意图。
图17是区域泥石流灾害可发性早期判识等级G结果示意图。
图18是研究区泥石流灾害可发性早期判识等级G的早期判识结果。
具体实施方式
下面结合附图,对本发明的优选实施例作进一步的描述。
实施例一
如图1~图18所示,用本发明方法在中巴经济走廊沿KKH(喀喇昆仑公路)从红其拉甫(Khunjerab)到伊斯兰堡(Islamabad)路两边的分水岭区域(面积约1.2万km2)内进行泥石流灾害可发性的早期判识。该区域内包含了印度河的部分主流和支流(以下称研究区),属于本发明方法所称区域。图1是大区域泥石流灾害可发性的早期判识方法流程示意图,图2是研究区范围。
步骤S1、划分研究区内流域
利用研究区大区域DEM数据进行研究区流域分割,提取各级流域汇流节点,逐级划分流域并确定各级流域范围。图3是区域内各级流域的汇流节点示意图。1级汇流节点对应区域最高等级流域(即1级流域)的汇流节点,然后各级汇流节点对应流域的等级依次下降。图3中,1级流域(流域等级V=1)的汇流节点为A,2级流域(流域等级V=2)的汇流节点为B,3级流域(流域等级V=3)的汇流节点为C、D。流域划分中依据的流域定义是:流域范围是从河道出口(即任一级汇流节点)向上的所有汇水区。依照专业术语,划分出的流域中,若已发生过泥石流,则该流域称泥石流流域,河道称泥石流沟道,河道出口称沟口。
利用研究区1:25000的DEM数据进行研究区内流域分割,提取其内各级流域的汇流节点33131个。图4是研究区汇流节点。
以33131个各级流域汇流节点为基础,提取各汇流节点对应的流域与各级流域范围。研究区内各1级流域与各级子流域即为待判识的对象流域范围,也即各评价单元W。各评价单元记为Wi,j(i为该评价单元所属流域等级V,i=1、2、3…,j为该评价单元在该流域等级中的序号N,j=1、2、3…)。研究区共划分出1级流域5个、各级子流域33126个,共计33131条流域(即33131个评价单元)。图5是流域节点对应流域范围。
为叙述简洁,下文中对研究区内1级汇流节点对应的最高级别流域称1级流域,其下各级汇流节点对应的各级流域均称子流域。
图6是研究区内各待判识的对象流域(各评价单元W)范围示意图。
步骤S2、计算各评价单元W的泥石流灾害可发性模型等级g
选择7个主控关键因子(平均高程、高程方差、Melton比率、流域形状因子、最大坡度、平均坡度、年平均降水量)为特征,将研究区内泥石流灾害可发性等级分为5个评定等级,灾害发生可能性从低到高依次为1级、2级、3级、4级、5级。
在33131个评价单元(33131条流域)中包含有290条泥石流流域,经统计分析与实地调查确定290条泥石流流域的7个主控关键特征,分别为:图7是泥石流在不同平均高程区间中的分布频次、图8是泥石流在不同高程标准差区间中的分布频次、图9是泥石流在不同Melton比率比率区间中的分布频次、图10是泥石流在不同流域形状因子区间中的分布频次、图11是泥石流在不同平均高程区间中的分布频次、图12是泥石流在不同平均高程区间中的分布频次、图13是泥石流在不同年平均降水量区间中的分布频次。
采用可拓物元模型计算步骤S1中提取出的各评价单元W泥石流灾害可发性模型等级g。
步骤S21、建立经典域
式中,Roj—评价单元可能是泥石流灾害可发性的第j个评定等级的物元,Noj—评价单元可能是泥石流灾害可发性的第j个评定等级这一事件,ci—评定等级Noj的第i个特征,xoji—Noj关于第i个特征ci所规定的量值范围,xoji=<aoji,boji>,即各评定等级关于对应特征的取值范围,称为经典域。
确定研究区内各泥石流灾害可发性等级对应的7个主控关键因子特征的取值范围(经典域)如表1所示。
表1中巴经济走廊泥石流可发性早期判识各特征经典域
步骤S21、确定节域
式中p—评价单元是泥石流可发性等级的全体,xpi—p关于ci的取值范围,xpi=<api,bpi>,称为节域。步骤S21中所有可发性等级的经典域都包含于节域的范围中。
统计分析研究区33131个评价单元的7个主控关键因子特征,确定各评价单元的泥石流灾害可发性可能为泥石流的这些主控关键特征的取值范围(节域)如表2所示。
表2中巴经济走廊泥石流可发性早期判识各特征节域
步骤S23、确定各评价单元物元
对各评价单元,把其检测或者分析所得数量值结果用物元表示,称为评价单元的泥石流待判识物元。
式中,Po—评价单元,xi为Po关于特征ci的量值,即评价单元检测或分析所得因子的具体数值。
将研究区33131个评价单元的7个主控关键因子特征值代入式3即建立起研究区的泥石流灾害可发性早期判识物元。
步骤S24、计算关联度函数
关联度函数表示物元的量值取为实数轴上的一点时,物元符合要求的取值范围的程度,对评价单元各个特征计算对各等级的关联函数:
式中,Kj(xi)—流域特征ci对于流域是泥石流等级j的关联函数
以经典域和节域为基础,利用式4计算研究区33131个评价单元的7个主控关键特征值对应的5个泥石流灾害可发性等级g的关联函数。
步骤S25、确定权重系数,计算隶属程度
确定各个主控关键因子的权重系数λ1,λ2,…,λi,…λn,计算
式中,Kj(X)—评价单元关于评价等级j的关联度。
本实施方式中,采用主成分分析法确定各主控关键因子的权重,权重计算方法如下:
(1)对各主控关键因子进行相关分析,确定相关系数矩阵R(又称协方差矩阵);
(2)计算矩阵R的特征值和特征向量,即通过正交变换将矩阵化为对角矩阵,对矩阵中的对角元素即为所求特征值,按其大小排列,分别称为第一、二特征值(λ1>λ2>……λn);
(3)由特征值计算相应的特征向量;
(4)计算主成分的累积方差贡献率,并确定出累积贡献率大于85%的主成分数;
(5)计算主成分中载荷系数,即特征值的方根与相应的特征向量的乘积,并将其归一化,得到各主控关键因子的权重。
通过上述方法,确定泥石流灾害可发性等级早期判识的7个主控关键因子特征权重如表3所示。
表3泥石流灾害可发性早期判识的因子权重表
以表3中的权重为基础,利用式5计算研究区33131个评价单元泥石流灾害可发性等级早期判识的隶属程度。
步骤S26、确定各评价单元泥石流灾害可发性模型等级g
利用最大从属原则(式6),确定研究区内各评价单元的泥石流灾害可发性模型等级g:
式中,Kg为5个可发性等级中对应的最大隶属度,g即为评价单元的泥石流灾害可发性模型等级g。
例如,示意性区域中A、B、C、D各级汇流节点对应的各级流域泥石流可发性等级早期判识结果分别如图14、图15、图16所示。图14是区域汇流节点A对应的流域(区域内1级流域)泥石流可发性等级早期判识结果示意图,图15是区域汇流节点B对应的流域(区域内2级流域)泥石流可发性等级早期判识结果示意图、图16是区域汇流节点C、D对应的流域(区域内3级流域)泥石流可发性等级早期判识结果示意图。图14~图16中颜色差异表示可发性模型等级g的差异。
利用式6,依据最大从属原则,确定研究区内各评价单元泥石流灾害可发性模型等级g,记为gi,j(下标含义同Wi,j)。
步骤S3、判识研究内泥石流灾害可发性早期判识等级G
以研究区内各评价单元W的泥石流灾害可发性模型等级g为基础,依照流域可发性早期判识规则判识研究区内各区块的泥石流灾害可发性早期判识等级G,任一评价单元Wi,j的G分别记为Gi,j(下标含义同Wi,j)。流域可发性早期判识规则包括依次执行的以下规则:
规则R1、对于任一评价单元Wi,j,其Gi,j值确定仅根据其gi,j值与其直接所属的上级评价单元Wi-1的g值间关系确定。
以本具体实施方式中评价单元W4,2为例,该评价单元直接所属为上一级评价单元W3,3,再直接所属为再上一级单位单元W2,3,再直接所属为最高第1级评价单元W1,2,且评价单元W4,2内有3个直接下一级评价单元W5,j(W5,1、W5,2、W5,3)。则评价单元W4,2的早期判识等级G4,2的判识根据这些各直接上下级评价单元g值(g3,3、g2,3、g1,2、g5,1、g5,2、、g5,3)的相互关系确定。
规则R2、对于任一评价单元Wi,j,若其gi,j低于直接所属上一级评价单元Wi-1,x的可发性模型等级gi-1,x,将gi-1,x标记为该评价单元Wi,j的可发性早期判识等级Gi,j;
式中,pi,j—评价单元Wi,j的权重,Ai,j—评价单元Wi,j的面积(单位km2),N—所有直接下一级评价单元Wi的数目;
为兼顾下级流域的共同作用的影响,若满足则,评价单元Wi-1,j内所有下一级评价单元Wi的可发性模型等级g即为其可发性早期判识等级G,即Gi,j=gi,j,评价单元Wi-1,x内去除所有下一级评价单元Wi的余下部分的可发性早期判识等级G判识为评价单元Wi-1,x的可发性等级gi-1,x;
若满足则,评价单元Wi-1,j内所有下一级评价单元Wi的可发性模型等级g即为其可发性早期判识等级G,即Gi,j=gi,j,评价单元Wi-1,x内去除所有下一级评价单元Wi的余下部分的可发性早期判识等级G判识为gi-1,x+1;
规则R4、对于任一评价单元Wi,j循环执行规则R2~规则R3,直到研究区内所有区块的Gi,j都不再发生变化为止。
以本具体实施方式中某评价单元(记为W1,1)为例,W1,1的面积A1,1为9.3km2,其可发性模型等级g1,1为2,W1,1有2个直接的下级评价单元,分别记为W2,1、W2,2,W2,1的面积A2,1为2.2km2,其可发性模型等级g2,1为4,W2,2的面积A1,1为4.3km2,其可发性模型等级g2,2为5。
利用式7和式8则有:
根据规则R3,则有W1,1除掉W2,1和W2,2后余下面积为2.8km2部分的可发性早期判识等级为G1,1=2+1=3级。
例如,示意性区域中,早期判识所得各区块的泥石流灾害可发性早期判识等级G结果如图17所示。
最终得到研究研究区内各区块(包括各评价单元、上一评价单元去除下一级评价单元的余下部分)泥石流可发性的早期判识结果。图18是研究区泥石流灾害可发性早期判识等级G的早期判识结果。
Claims (8)
1.大区域泥石流灾害可发性的早期判识方法,用于对包含至少一个自然流域的大尺度区域的泥石流发生可能性分布进行早期识别,其特征在于,依如下步骤实施:
步骤S1、提取大区域内各评价单元W
利用大区域DEM数据进行流域分割,提取各级流域汇流节点及其对应的流域与各级流域范围,对各级流域逐级标记流域等级V,最高一级流域等级V=1,大区域内各1级流域与各级子流域范围分别标记为评价单元W;
步骤S2、计算各评价单元W的泥石流灾害可发性模型等级g
利用可拓物元模型计算各评价单元W泥石流灾害可发性模型等级g;
步骤S3、判识大区域内泥石流灾害可发性早期判识等级G
以步骤S2计算所得大区域内各评价单元W的泥石流灾害可发性模型等级g为基础,依照流域可发性早期判识规则逐一判识大区域内所有区块的泥石流灾害可发性早期判识等级G,所述大区域内所有区块包括大区域内评价单元W与评价单元W去除其内直接所有下一级评价单元W后余下的部分,所述流域可发性早期判识规则是利用评价单元W与直接上下级评价单元间g值相互关系确定所有区块的G值。
2.根据权利要求1所述的早期判识方法,其特征在于:所述流域可发性早期判识规则包括:
规则R1、对于任一评价单元W,其G值确定仅根据其g值与其直接所属的上级评价单元W的g值间关系确定;
规则R2、对于任一评价单元Wi,i为该评价单元所属流域等级V,若其g值低于其直接上一级评价单元Wi-1的g值,则将其直接上一级评价单元Wi-1的g值标记为该评价单元Wi的G值;
规则R3、在规则R1与规则R2的基础上,对于任一包含有直接下一级评价单元Wi+1的评价单元Wi,其内各下一级评价单元Wi+1以其各自的g值为G值,其内去除所有下一级评价单元Wi+1的区块的G值根据该评价单元Wi的g值确定;
规则R4、对于任一评价单元循环执行规则R2~规则R3,直到研究区内所有区块的G值都不再发生变化为止。
4.根据权利要求2或3所述的早期判识方法,其特征在于:所述规则R3中,根据评价单元Wi的g值与其内下一级评价单元Wi+1的g值的差异大小确定评价单元Wi去除所有下一级评价单元Wi+1的区块的G值。
5.根据权利要求2或3所述的早期判识方法,其特征在于:所述规则R3是:
式中,pi,j—评价单元Wi,j的权重,Ai,j—评价单元Wi,j的面积(单位km2),N—所有直接下一级评价单元Wi的数目;
若满足则,评价单元Wi-1,j内所有下一级评价单元Wi的可发性模型等级g即为其可发性早期判识等级G,即Gi,j=gi,j,评价单元Wi-1,x内去除所有下一级评价单元Wi的余下部分的可发性早期判识等级G判识为评价单元Wi-1,x的可发性等级gi-1,x;
6.根据权利要求1~5任一所述的早期判识方法,其特征在于:所述步骤S2中,判识各评价单元泥石流灾害隐患等级的主控关键因子包括平均高程、高程方差、Melton ratio、流域形状因子、最大坡度、平均坡度、年平均降水量7个因子。
8.根据权利要求7所述的早期判识方法,其特征在于:所述步骤S2中,在确定各评价单元关于泥石流灾害隐患等级j的关联度Kj(X)后,利用最大从属原则确定研究区内各评价单元的泥石流灾害可发性模型等级g。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220455.6A CN112330150B (zh) | 2020-11-05 | 2020-11-05 | 大区域泥石流灾害可发性的早期判识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220455.6A CN112330150B (zh) | 2020-11-05 | 2020-11-05 | 大区域泥石流灾害可发性的早期判识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330150A true CN112330150A (zh) | 2021-02-05 |
CN112330150B CN112330150B (zh) | 2023-08-11 |
Family
ID=74315702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011220455.6A Active CN112330150B (zh) | 2020-11-05 | 2020-11-05 | 大区域泥石流灾害可发性的早期判识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330150B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012399A (zh) * | 2021-02-25 | 2021-06-22 | 中原工学院 | 一种降雨型滑坡预警方法及系统 |
CN117933578A (zh) * | 2024-03-22 | 2024-04-26 | 四川省地质调查研究院 | 一种泥石流的安全隐患评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651053A (zh) * | 2012-04-01 | 2012-08-29 | 中国科学院地理科学与资源研究所 | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 |
WO2014038628A1 (ja) * | 2012-09-07 | 2014-03-13 | 株式会社Ihi | 移動体検出方法 |
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN107704706A (zh) * | 2017-10-24 | 2018-02-16 | 陕西理工大学 | 基于灰色理论的泥石流灾害易发性预测方法 |
CN111415065A (zh) * | 2020-02-26 | 2020-07-14 | 广州地理研究所 | 一种基于作用过程的山地灾害生态破坏风险评价方法 |
-
2020
- 2020-11-05 CN CN202011220455.6A patent/CN112330150B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651053A (zh) * | 2012-04-01 | 2012-08-29 | 中国科学院地理科学与资源研究所 | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 |
WO2014038628A1 (ja) * | 2012-09-07 | 2014-03-13 | 株式会社Ihi | 移動体検出方法 |
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN107704706A (zh) * | 2017-10-24 | 2018-02-16 | 陕西理工大学 | 基于灰色理论的泥石流灾害易发性预测方法 |
CN111415065A (zh) * | 2020-02-26 | 2020-07-14 | 广州地理研究所 | 一种基于作用过程的山地灾害生态破坏风险评价方法 |
Non-Patent Citations (6)
Title |
---|
朱蕾;黄敬峰;: "MATLAB和GIS支持下的模糊物元复合评价模型研究及应用", 科技通报 * |
林虹宇等: "岷江上游典型泥石流活动特征及其易发性评价", 中国地质灾害与防治学报 * |
柳金峰;游勇;陈兴长;: "岷江上游潜在性泥石流堰塞湖危害及判识", 地理科学 * |
熊俊楠等: "四川省小流域泥石流危险性评价", 地球信息科学 * |
闫亚亚;李庆斌;刘雪;邱锴;: "基于物元可拓模型的矿山泥石流危险性评价", 西南公路 * |
韩用顺;王晶;吴淼;李乐林;张东水;张金平;: "汶川县震后潜在泥石流危险性评价研究", 工程科学与技术 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012399A (zh) * | 2021-02-25 | 2021-06-22 | 中原工学院 | 一种降雨型滑坡预警方法及系统 |
CN117933578A (zh) * | 2024-03-22 | 2024-04-26 | 四川省地质调查研究院 | 一种泥石流的安全隐患评估方法及系统 |
CN117933578B (zh) * | 2024-03-22 | 2024-06-07 | 四川省地质调查研究院 | 一种泥石流的安全隐患评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112330150B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadler et al. | Modeling urban coastal flood severity from crowd-sourced flood reports using Poisson regression and Random Forest | |
Vrac et al. | Statistical downscaling of precipitation through nonhomogeneous stochastic weather typing | |
Lagacherie et al. | A soil survey procedure using the knowledge of soil pattern established on a previously mapped reference area | |
CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
Perreault et al. | Detection of changes in precipitation and runoff over eastern Canada and US using a Bayesian approach | |
Greve et al. | Quantifying the ability of environmental parameters to predict soil texture fractions using regression-tree model with GIS and LIDAR data: The case study of Denmark | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
Kar et al. | Rain gauge network design for flood forecasting using multi-criteria decision analysis and clustering techniques in lower Mahanadi river basin, India | |
CN110276477B (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
CN112330150A (zh) | 大区域泥石流灾害可发性的早期判识方法 | |
CN107133398A (zh) | 一种基于复杂网络的河流径流量预测方法 | |
Cheng et al. | Analyzing hazard potential of typhoon damage by applying grey analytic hierarchy process | |
Gayen et al. | Modeling of gully erosion based on random forest using GIS and R | |
Hu et al. | A modified regional L-moment method for regional extreme precipitation frequency analysis in the Songliao River Basin of China | |
Fu et al. | Flood risk assessment of urban cultural heritage based on PSR conceptual model with game theory and cloud model–A case study of Nanjing | |
Wei et al. | Data mining methods for hydroclimatic forecasting | |
Lai et al. | Waterlogging risk assessment based on self-organizing map (SOM) artificial neural networks: a case study of an urban storm in Beijing | |
Liu et al. | Gully erosion susceptibility assessment based on machine learning-A case study of watersheds in Tuquan County in the black soil region of Northeast China | |
CN110390149B (zh) | 一种基于物源聚集量的强震区泥石流活动性预测方法 | |
Güven et al. | Multi-output neural networks for estimation of synthetic unit hydrograph parameters: a case study of a catchment in Turkey | |
Gull et al. | Modelling streamflow and sediment yield from two small watersheds of Kashmir Himalayas, India | |
Chaudhuri et al. | Analysis of precise climate pattern of Maldives. A complex island structure | |
Chang et al. | Investigating the impact of the Chi‐Chi earthquake on the occurrence of debris flows using artificial neural networks | |
Hamidon et al. | River water level time-series forecasting by using smoothing technique | |
CN117828312B (zh) | 一种流域水文环境的管理方法及相关设备 |
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 |