CN112651172A - 一种降雨峰值类型划分方法、装置、设备和存储介质 - Google Patents
一种降雨峰值类型划分方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112651172A CN112651172A CN202011496450.6A CN202011496450A CN112651172A CN 112651172 A CN112651172 A CN 112651172A CN 202011496450 A CN202011496450 A CN 202011496450A CN 112651172 A CN112651172 A CN 112651172A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- landslide
- peak
- level
- determining
- 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 54
- 230000002354 daily effect Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 16
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例公开了一种降雨峰值类型划分方法、装置、设备和存储介质。获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量，根据降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级，基于降雨等级，确定预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数，可以得到前期较长时间段内的降雨量对应的降雨等级，并确定不同降雨等级内的降雨峰值对应的时间点和降雨峰值个数，使预设历史时间段内的降雨量的特点划分的更精细，适应于前期降雨不规律的情况，进一步结合降雨峰值个数的特点与降雨峰值对应的时间点，确定目标区域各滑坡点的降雨峰值类型，可以提高降雨峰值类型的划分精度。
Description
技术领域
本发明实施例涉及降雨研究技术领域，尤其涉及一种降雨峰值类型划分方法、装置、设备和存储介质。
背景技术
山体滑坡是最常见的灾难性自然灾害之一，其具有分布范围广、发生频次高、多发性、区域性和严重性等特点，降雨又是引发滑坡的主要因素。
目前，对滑坡前期降雨分析的研究主要有以下几个层面：当日降雨量、前期有效降雨量、降雨时长、降雨强度和前期降雨类型等。对前期降雨类型进行研究时，研究人员一般根据降雨类型、土壤渗透率、降雨激发阈值等要素将前期降雨类型概括的划分为：平均型、递减型、递增型和中锋型。这种方式一般以小时为单位划分前期降雨类型，更适用于单次降雨的分析，对于滑坡前期较长时间段(例如15天)中前期降雨多但后期降雨少，或者，降雨时间断断续续等降雨不规律的情况来说，上述方式显得较为简单，且无法精确确定出前期降雨峰值类型和峰值降雨特点。
可见，现有技术中的降雨峰值类型的划分方式单一，不适应滑坡发生前期较长时间段内降雨不规律的情况，且降雨峰值类型的划分精度较差。
发明内容
本发明提供了一种降雨峰值类型划分方法、装置、设备和存储介质，实现了提高降雨峰值类型划分精度和适应范围的效果。
第一方面，本发明实施例提供了一种降雨峰值类型划分方法，该方法，包括：
获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
第二方面，本发明实施例还提供了一种降雨峰值类型划分装置，该装置包括：
降雨量获取模块，用于获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
降雨等级确定模块，用于根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
降雨峰值确定模块，用于基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
降雨峰值类型确定模块，用于根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
第三方面，本发明实施例还提供了一种降雨峰值类型划分设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的降雨峰值类型划分方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的降雨峰值类型划分方法。
本发明实施例的技术方案，获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量，根据降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级，基于降雨等级，确定预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数，可以得到前期较长时间段内的降雨量对应的降雨等级，并确定不同降雨等级内的降雨峰值对应的时间点和降雨峰值个数，使预设历史时间段内的降雨量的特点划分的更精细，可以适应前期降雨不规律的情况，进一步结合降雨峰值个数的特点与降雨峰值对应的时间点，确定目标区域各滑坡点的降雨峰值类型，可以提高降雨峰值类型的划分精度，有利于用户根据降雨峰值类型精准挖掘滑坡预测过程中的有效信息。
附图说明
图1是本发明实施例一中的一种降雨峰值类型划分方法的流程图；
图2是本发明实施例一中的降雨峰值类型划分的示意图；
图3是本发明实施例一中的目标区域各滑坡点的降雨峰值类型的示意图；
图4是本发明实施例二中的一种降雨峰值类型划分方法的流程图；
图5是本发明实施例三中的一种降雨峰值类型划分装置的结构示意图；
图6是本发明实施例四中的一种降雨峰值类型划分设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种降雨峰值类型划分方法的流程图，本实施例可适用于对历史时间段内的降雨量划分降雨峰值类型的情况，该方法可以由降雨峰值类型划分装置来执行，如图1所示，该方法包括如下步骤：
S110、获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量。
其中，所述预设历史时间段可以是当前天之前的时间段。所述预设历史时间段可以是当前天的前3天、前7天、前15天或者更长时间段。所述目标区域通常是发生过滑坡的区域，也可以是指定的任意一个区域。各滑坡点用于代表各斜坡单元，所述斜坡单元是滑坡、崩塌等地质灾害发育的基本单元，并在各个单元上赋予相应的属性值来表示实体的一种数据形式。降雨量可以通过在目标区域设置的雨量站获取。具体地，可以在目标区域设置多个监测点，每个监测点设置一个或者多个雨量站，以从雨量站的数据读取目标区域各滑坡点每天的降雨量。
S120、根据降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级。
其中，预设降雨量阈值用于确定降雨量所属的降雨等级，所述预设降雨量阈值可以包括至少一个用于划分不同降雨等级的阈值。可选地，所述根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级，包括：如果至少一天的降雨量大于或等于所述预设降雨量阈值中的第一阈值，将该天的降雨量对应的降雨等级确定为第一等级；如果至少一天的降雨量小于所述第一阈值，且大于或等于所述预设降雨量阈值中的第二阈值，将该天的降雨量对应的降雨等级确定为第二等级；如果至少一天的降雨量小于所述第二阈值，将该天的降雨量对应的降雨等级确定为第三等级。
其中，所述第一阈值大于所述第二阈值。所述第一等级可以是当日降雨量为暴雨等级，所述第二等级可以是当日降雨量为大雨等级，所述第三等级可以是当日降雨量为中雨、小雨或无雨等级。例如，第一阈值为50mm，第二阈值为25mm，如果至少一天的降雨量大于或等于50mm，将这些天的降雨量等级确定为第一等级，即将这些天的降雨量等级确定为暴雨等级；如果至少一天的降雨量小于50mm，且大于或等于25mm，将这些天的降雨量等级确定为第二等级，即将这些天的降雨量等级确定为大雨等级；如果至少一天的降雨量小于25mm，将这些天的降雨量等级确定为第三等级，即将这些天的降雨量等级确定为中雨、小雨或无雨等级。
S130、基于降雨等级，确定预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数。
可以理解的是，第一等级的降雨量较大，降雨峰值一般集中在第一等级，第二等级可能存在与第一阈值的差距较小的降雨量，这种等级的降雨量对滑坡影响也很大，因此在确定降雨峰值时，需要对第一等级和第二等级中的降雨量进行分析，确定降雨峰值。可选地，所述基于所述降雨等级，确定所述历史预设时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数，包括：确定降雨等级为所述第一等级的降雨量对应的时间点，并获取降雨等级为所述第二等级的至少两个时间点的降雨量；基于第二等级的至少两个时间点的降雨量，确定至少一个最高降雨量和至少一个次高降雨量，并计算所述次高降雨量与所述最高降雨量之间的差值；如果所述差值大于预设差值阈值，将所述最高降雨量和所述第一等级的降雨量作为降雨峰值并确定所述降雨峰值对应的时间点，以及将所述降雨峰值对应的时间点的个数作为所述预设时间段内的降雨峰值个数；如果所述差值小于或等于所述预设差值阈值，将降雨等级为所述第一等级的降雨量对应的时间点作为所述降雨峰值对应的时间点，将所述第一等级的降雨量对应的时间点的个数，作为所述历史预设时间段内的降雨峰值个数。其中，所述预设差值阈值可以是10mm，20mm等数值。
具体地，对位于第一等级中的降雨量，确定该等级的降雨量对应的时间点，并将第一等级的降雨量对应的时间点的个数，作为第一等级中的降雨峰值个数；对于第二等级中的降雨量，确定至少一个最高降雨量和至少一个次高降雨量，计算最高降雨量和次高降雨量之间的差值，将该差值与预设差值阈值进行比较，如果该差值大于预设差值阈值，说明第二等级中的最高降雨量与次高降雨量差距较大，可以根据第二等级中的至少一个最高降雨量确定降雨峰值，具体是将该最高降雨量和第一等级的降雨量作为降雨峰值并确定降雨峰值对应的时间点，并将确定的降雨峰值对应的时间点的个数作为预设时间段内的降雨峰值个数；如果该差值小于或等于预设差值阈值，说明第二等级中的最高降雨量与次高降雨量差距较小，仅根据第一等级的降雨量确定降雨峰值，具体是将第一等级中的降雨峰值个数作为所述历史预设时间段内的降雨峰值个数。
通过上述方式，将第二等级中的降雨量与第一等级中的降雨量结合确定降雨峰值个数，如果第二等级中的最高降雨量与次高降雨量差距较大，说明最高降雨量与第一等级的降雨量差距较小，对滑坡影响也较大，将该最高降雨量与第一等级中的降雨量作为峰值，可以使降雨峰值确定过程更全面，避免重要数据丢失，有利于提高降雨峰值类型划分的精度，进而有利于提高滑坡预测精度。
S140、根据各滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定目标区域各所述滑坡点的降雨峰值类型。
可选地，所述根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型，包括：基于各所述滑坡点的降雨峰值个数，确定各所述滑坡点在所述预设历史时间段内的初始峰值类型；根据各所述降雨峰值对应的时间点，确定各所述滑坡点在所述预设历史时间段内的峰值时间类型；将同一滑坡点的所述初始峰值类型和所述峰值时间类型进行组合，得到所述目标区域各所述滑坡点的降雨峰值类型。
其中，所述初始峰值类型包括单峰型、双峰型、多峰型和无峰型中的至少一种。具体地，所述单峰型指的是当目标区域各所述滑坡点在预设历史时间段内的降雨峰值为一个时的降雨峰值类型，所述双峰型指的是当目标区域各所述滑坡点在预设历史时间段内的降雨峰值为两个时的降雨峰值类型，多峰型指的是当目标区域各所述滑坡点在预设历史时间段内的降雨峰值为多个时的降雨峰值类型，无峰型指的是当目标区域各所述滑坡点在预设历史时间段内不存在降雨峰值时的降雨峰值类型。
其中，所述峰值时间类型包括靠前型、居中型、靠后型和均匀型中的至少一种。具体地，通过降雨峰值对应的时间点在所述预设历史时间段的位置，确定峰值时间类型。例如，预设历史时间段为15天，如果降雨峰值对应的时间点小于或等于4且大于0，各滑坡点的峰值时间类型为靠前型；如果降雨峰值对应的时间点小于或等于10且大于或等于10，各滑坡点的峰值时间类型为居中型；如果降雨峰值对应的时间点小于或等于15且大于或等于11，各滑坡点的峰值时间类型为靠后型；如果降雨峰值对应的时间点在15天内均匀分布，各坡点的峰值时间类型为均匀型。
进一步地，如图2所示的降雨峰值类型划分的示意图，图3所示为目标区域各滑坡点的降雨峰值类型的示意图，将同一滑坡点的初始峰值类型与峰值时间类型进行一一组合，得到图3所示的目标区域各所述滑坡点的降雨峰值类型。
本发明实施例的技术方案，获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量，根据降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级，基于降雨等级，确定预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数，可以得到前期较长时间段内的降雨量对应的降雨等级，并确定不同降雨等级内的降雨峰值对应的时间点和降雨峰值个数，使预设历史时间段内的降雨量的特点划分的更精细，可以适应前期降雨不规律的情况，进一步结合降雨峰值个数的特点与降雨峰值对应的时间点，确定目标区域各滑坡点的降雨峰值类型，可以提高降雨峰值类型的划分精度，有利于用户根据降雨峰值类型精准挖掘滑坡预测过程中的有效信息。
实施例二
图4为本发明实施例二提供的一种降雨峰值划分方法的流程图，本实施例是在上一实施例的基础上增加了新的步骤。可选地，所述方法还包括：根据至少一个区域在预设历史时间段内各滑坡点每天的降雨量、各滑坡点的降雨峰值类型以及非滑坡点每天的降雨量对滑坡预测模型进行训练；基于训练完成的滑坡预测模型，以及目标区域内滑坡发生当天前的设定时间段内各斜坡单元每天的降雨量和降雨峰值类型，预测各所述斜坡单元的滑坡发生概率。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图4所示，该方法可以包括如下步骤：
S210、获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量。
S220、根据降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级。
S230、基于降雨等级，确定预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数。
S240、根据各滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定目标区域各滑坡点的降雨峰值类型。
S250、根据至少一个区域在预设历史时间段内各斜坡单元每天的降雨量、降雨峰值类型和滑坡发生信息对滑坡预测模型进行训练。
其中，所述滑坡预测模型可以是支持向量机算法(Support Vector Machine，SVM)、长短期记忆网络(Long Short-Term Memory，LSTM)、逻辑回归模型 (LogisticsRegression，LR)、XGBoost(Extreme Gradient Boosting，极端梯度提升决策树)算法、GBDT(Gradient Boosting Decision Tree，梯度提升决策树) 算法、全卷积网络(FullyConvolutional Networks，FCN)、循环卷积网络(Recurrent Neural Network，RNN)、残差网络(Residual Network，ResNet)、门控循环单元(Gate Recurrent Unit，GRU)以及自步分类学习模型等。具体地，将各斜坡单元每天的降雨量、降雨峰值类型输入至待训练的滑坡预测模型，基于待训练的滑坡预测模型输出的概率与滑坡发生信息迭代调整待训练的滑坡预测模型的模型参数，直至当前迭代次数下的滑坡预测模型达到稳定状态，将当前迭代次数下的滑坡预测模型作为训练完成的滑坡预测模型。通过这种方式，可以使滑坡预测模型学习到降雨量以及降雨峰值类型的特点，有利于基于训练完成的滑坡预测模型进行滑坡预测时，提高滑坡预测的准确度。
S260、基于训练完成的滑坡预测模型，以及目标区域内滑坡发生当天前的设定时间段内各斜坡单元每天的降雨量和降雨峰值类型，预测各斜坡单元的滑坡发生概率。
其中，滑坡发生当天前的设定时间段可以是滑坡发生当天的前3天、5天或者7天等。通过前述步骤得到了滑坡预测模型，对目标区域进行滑坡预测时，获取滑坡发生当天前的设定时间段内各斜坡单元每天的降雨量，并确定每天的降雨量确定设定时间段内的降雨量峰值类型，将该降雨量和降雨峰值类型输入至训练完成的滑坡预测模型，可以得到各斜坡单元的滑坡发生概率。通过这种方式，结合降雨量峰值类型对各斜坡单元进行滑坡预测，可以提高滑坡预测精度。
可选地，通过前述S210-S240确定目标区域各滑坡点的降雨峰值类型后，还可以根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，确定滑坡点衰减模型，以基于滑坡点衰减模型分别对目标区域的每天的滑坡个数进行调整。例如，如果预设历史时间段内的降雨峰值类型为多峰靠前、多峰居中等类型，从理论上分析，在该预设历史时间段的前期，滑坡点应趋于饱和状态，而在预设历史时间段的后期，滑坡点的个数几乎不发生改变。然而，在实际应用过程中，预设历史时间段的各个阶段都出现滑坡点，使实际应用过程与理论过程不相符。为了解决上述问题，本实施例可以根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型训练滑坡点衰减模型，以基于训练好的滑坡点衰减模型对目标区域的每天的滑坡个数进行衰减，以使多峰靠前、多峰居中等降雨峰值类型的目标区域的每天的滑坡个数逐渐减少，使滑坡点衰减的实际情况与理论情况相符，在基于历史时间段内各斜坡单元每天的降雨量、降雨峰值类型和滑坡发生信息对滑坡预测模型进行训练时，有利于提高滑坡预测模型的训练准确度，进一步利用滑坡预测模型预测时，可以降低滑坡点的误报率。
可选地，通过前述S210-S240确定目标区域各滑坡点的降雨峰值类型后，还可以根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，更新所述预设降雨量阈值。例如，在预设历史时间段内的降雨峰值类型为无峰类型或单峰类型，基于无峰类型或单峰类型进行滑坡预测时，理论上得到的滑坡预测结果是不会发生滑坡，然而，在实际应用过程中，例如在春季进行滑坡预测时，春季降雨较多，无峰类型或单峰类型对应的斜坡单元也存在滑坡点，使实际应用过程与理论过程不相符。为了解决上述问题，本实施例对至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型进行分析，降低预设降雨量阈值，增加降雨峰值个数，并改变降雨峰值类型，根据改变后的降雨峰值类型进行滑坡预测，可以降低滑坡点的漏报率。
本实施例提供的技术方案，根据至少一个区域在预设历史时间段内各斜坡单元每天的降雨量、降雨峰值类型和滑坡发生信息对滑坡预测模型进行训练，基于训练完成的滑坡预测模型，以及目标区域内滑坡发生当天前的设定时间段内各斜坡单元每天的降雨量和降雨峰值类型，预测各所述斜坡单元的滑坡发生概率，可以使滑坡预测模型学习到降雨量以及降雨峰值类型的特点，有利于基于训练完成的滑坡预测模型进行滑坡预测时，提高滑坡预测的准确度。根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，确定滑坡点衰减模型，以基于所述滑坡点衰减模型分别对所述目标区域的每天的滑坡个数进行调整，可以使滑坡点衰减的实际情况与理论情况相符，降低滑坡点的误报率。根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，更新所述预设降雨量阈值，可以增加降雨峰值个数，并改变降雨峰值类型，根据改变后的降雨峰值类型进行滑坡预测，降低滑坡点的漏报率。
实施例三
图5为本发明实施例三提供的一种降雨峰值类型划分装置的结果示意图，如图5所述，该降雨峰值类型划分装置包括：降雨量获取模块310、降雨等级确定模块320、降雨峰值确定模块330和降雨峰值类型确定模块340。
其中，降雨量获取模块310，用于获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
降雨等级确定模块320，用于根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
降雨峰值确定模块330，用于基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
降雨峰值类型确定模块340，用于根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
本发明实施例的技术方案，获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量，根据降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级，基于降雨等级，确定预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数，可以得到前期较长时间段内的降雨量对应的降雨等级，并确定不同降雨等级内的降雨峰值对应的时间点和降雨峰值个数，使预设历史时间段内的降雨量的特点划分的更精细，可以适应前期降雨不规律的情况，进一步结合降雨峰值个数的特点与降雨峰值对应的时间点，确定目标区域各滑坡点的降雨峰值类型，可以提高降雨峰值类型的划分精度，有利于用户根据降雨峰值类型精准挖掘滑坡预测过程中的有效信息。
可选的，降雨等级确定模块320还用于，如果至少一天的降雨量大于或等于所述预设降雨量阈值中的第一阈值，将该天的降雨量对应的降雨等级确定为第一等级；
如果至少一天的降雨量小于所述第一阈值，且大于或等于所述预设降雨量阈值中的第二阈值，将该天的降雨量对应的降雨等级确定为第二等级；
如果至少一天的降雨量小于所述第二阈值，将该天的降雨量对应的降雨等级确定为第三等级。
可选的，降雨峰值确定模块330还用于，确定降雨等级为所述第一等级的降雨量对应的时间点，并获取降雨等级为所述第二等级的至少两个时间点的降雨量；
基于第二等级的至少两个时间点的降雨量，确定至少一个最高降雨量和至少一个次高降雨量，并计算所述次高降雨量与所述最高降雨量之间的差值；
如果所述差值大于预设差值阈值，将所述最高降雨量和所述第一等级的降雨量作为降雨峰值并确定所述降雨峰值对应的时间点，以及将所述降雨峰值对应的时间点的个数作为所述预设时间段内的降雨峰值个数；
如果所述差值小于或等于所述预设差值阈值，将降雨等级为所述第一等级的降雨量对应的时间点作为所述降雨峰值对应的时间点，将所述第一等级的降雨量对应的时间点的个数，作为所述历史预设时间段内的降雨峰值个数。
可选的，降雨峰值类型确定模块340还用于，基于各所述滑坡点的降雨峰值个数，确定各所述滑坡点在所述预设历史时间段内的初始峰值类型；
根据各所述降雨峰值对应的时间点，确定各所述滑坡点在所述预设历史时间段内的峰值时间类型；
将同一滑坡点的所述初始峰值类型和所述峰值时间类型进行组合，得到所述目标区域各所述滑坡点的降雨峰值类型。
可选的，该装置还包括：滑坡预测模块；其中，滑坡预测模块，用于根据至少一个区域在预设历史时间段内各斜坡单元每天的降雨量、降雨峰值类型和滑坡发生信息对滑坡预测模型进行训练；
基于训练完成的滑坡预测模型，以及目标区域内滑坡发生当天前的设定时间段内各斜坡单元每天的降雨量和降雨峰值类型，预测各所述斜坡单元的滑坡发生概率。
可选的，该装置还包括：滑坡个数调整模块；其中，滑坡个数调整模块，用于根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，确定滑坡点衰减模型，以基于所述滑坡点衰减模型分别对所述目标区域的每天的滑坡个数进行调整。
可选的，该装置还包括：预设降雨量阈值更新模块；其中，预设降雨量阈值更新模块，用于根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，更新所述预设降雨量阈值。
本发明实施例所提供的降雨峰值类型划分装置可执行本发明任意实施例所提供的滑坡的预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种降雨峰值类型划分设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性降雨峰值类型划分设备12的框图。图6显示的降雨峰值类型划分设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，降雨峰值类型划分设备12以通用计算设备的形式表现。降雨峰值类型划分设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构 (ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
降雨峰值类型划分设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被降雨峰值类型划分设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存32。降雨峰值类型划分设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如降雨峰值类型划分装置的降雨量获取模块310、降雨等级确定模块320、降雨峰值确定模块 330和降雨峰值类型确定模块340)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如降雨峰值类型划分装置的降雨量获取模块310、降雨等级确定模块320、降雨峰值确定模块330和降雨峰值类型确定模块340)程序模块 46的程序/实用工具44，可以存储在例如系统存储器28中，这样的程序模块 46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46 通常执行本发明所描述的实施例中的功能和/或方法。
降雨峰值类型划分设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该降雨峰值类型划分设备12交互的设备通信，和/或与使得该降雨峰值类型划分设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等) 通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，降雨峰值类型划分设备12还可以通过网络适配器20与一个或者多个网络(例如局域网 (LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与降雨峰值类型划分设备12的其它模块通信。应当明白，尽管图中未示出，可以结合降雨峰值类型划分设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种降雨峰值类型划分方法，该方法包括：
获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种降雨峰值类型划分方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种降雨峰值类型划分方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种降雨峰值类型划分方法，该方法包括：
获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种降雨峰值类型划分方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在降雨等级、降雨峰值个数和降雨峰值类型等，其中承载了计算机可读的程序代码。这种传播的降雨等级、降雨峰值个数和降雨峰值类型等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网 (WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述降雨峰值类型划分装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种降雨峰值类型划分方法，其特征在于，包括：
获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级，包括：
如果至少一天的降雨量大于或等于所述预设降雨量阈值中的第一阈值，将该天的降雨量对应的降雨等级确定为第一等级；
如果至少一天的降雨量小于所述第一阈值，且大于或等于所述预设降雨量阈值中的第二阈值，将该天的降雨量对应的降雨等级确定为第二等级；
如果至少一天的降雨量小于所述第二阈值，将该天的降雨量对应的降雨等级确定为第三等级。
3.根据权利要求2所述的方法，其特征在于，所述基于所述降雨等级，确定所述历史预设时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数，包括：
确定降雨等级为所述第一等级的降雨量对应的时间点，并获取降雨等级为所述第二等级的至少两个时间点的降雨量；
基于第二等级的至少两个时间点的降雨量，确定至少一个最高降雨量和至少一个次高降雨量，并计算所述次高降雨量与所述最高降雨量之间的差值；
如果所述差值大于预设差值阈值，将所述最高降雨量和所述第一等级的降雨量作为降雨峰值并确定所述降雨峰值对应的时间点，以及将所述降雨峰值对应的时间点的个数作为所述预设时间段内的降雨峰值个数；
如果所述差值小于或等于所述预设差值阈值，将降雨等级为所述第一等级的降雨量对应的时间点作为所述降雨峰值对应的时间点，将所述第一等级的降雨量对应的时间点的个数，作为所述历史预设时间段内的降雨峰值个数。
4.根据权利要求1所述的方法，其特征在于，所述根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型，包括：
基于各所述滑坡点的降雨峰值个数，确定各所述滑坡点在所述预设历史时间段内的初始峰值类型；
根据各所述降雨峰值对应的时间点，确定各所述滑坡点在所述预设历史时间段内的峰值时间类型；
将同一滑坡点的所述初始峰值类型和所述峰值时间类型进行组合，得到所述目标区域各所述滑坡点的降雨峰值类型。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据至少一个区域在预设历史时间段内各斜坡单元每天的降雨量、降雨峰值类型和滑坡发生信息对滑坡预测模型进行训练；
基于训练完成的滑坡预测模型，以及目标区域内滑坡发生当天前的设定时间段内各斜坡单元每天的降雨量和降雨峰值类型，预测各所述斜坡单元的滑坡发生概率。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，确定滑坡点衰减模型，以基于所述滑坡点衰减模型分别对所述目标区域的每天的滑坡个数进行调整。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据至少一个区域预设历史时间段内每天的滑坡点个数和降雨峰值类型，更新所述预设降雨量阈值。
8.一种降雨峰值类型划分装置，其特征在于，包括：
降雨量获取模块，用于获取处于预设历史时间段内的目标区域各滑坡点每天的降雨量；
降雨等级确定模块，用于根据所述降雨量和预设降雨量阈值，确定各滑坡点每天的降雨等级；
降雨峰值确定模块，用于基于所述降雨等级，确定所述预设历史时间段内各滑坡点的降雨峰值对应的时间点和降雨峰值个数；
降雨峰值类型确定模块，用于根据各所述滑坡点的降雨峰值个数和各降雨峰值对应的时间点，确定所述目标区域各所述滑坡点的降雨峰值类型。
9.一种降雨峰值类型划分设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的降雨峰值类型划分方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的降雨峰值类型划分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011496450.6A CN112651172B (zh) | 2020-12-17 | 2020-12-17 | 一种降雨峰值类型划分方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011496450.6A CN112651172B (zh) | 2020-12-17 | 2020-12-17 | 一种降雨峰值类型划分方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651172A true CN112651172A (zh) | 2021-04-13 |
| CN112651172B CN112651172B (zh) | 2024-02-09 |
Family
ID=75354816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011496450.6A Active CN112651172B (zh) | 2020-12-17 | 2020-12-17 | 一种降雨峰值类型划分方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651172B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114063082A (zh) * | 2021-11-15 | 2022-02-18 | 最美天气(上海)科技有限公司 | 一种基于时序雷达回波强度的天气短临预测方法及天气预测系统 |
| CN115308817A (zh) * | 2022-08-05 | 2022-11-08 | 中国人民解放军国防科技大学 | 基于参考信号特征的信号学习与动态确定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214588A (zh) * | 2018-09-28 | 2019-01-15 | 郑州大学 | 基于copula函数的山洪灾害概率雨型推求方法 |
| CN110298480A (zh) * | 2019-05-20 | 2019-10-01 | 济南大学 | 一种山洪灾害临界雨量指标计算方法及系统 |
| CN110489860A (zh) * | 2019-08-16 | 2019-11-22 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
-
2020
- 2020-12-17 CN CN202011496450.6A patent/CN112651172B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214588A (zh) * | 2018-09-28 | 2019-01-15 | 郑州大学 | 基于copula函数的山洪灾害概率雨型推求方法 |
| CN110298480A (zh) * | 2019-05-20 | 2019-10-01 | 济南大学 | 一种山洪灾害临界雨量指标计算方法及系统 |
| CN110489860A (zh) * | 2019-08-16 | 2019-11-22 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孔花: "山地城市绿地和水泥道路径流系数的研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 2 * |
| 岑国平等: "城市设计暴雨雨型研究", 《水科学进展》, vol. 9, no. 1, pages 41 - 46 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114063082A (zh) * | 2021-11-15 | 2022-02-18 | 最美天气(上海)科技有限公司 | 一种基于时序雷达回波强度的天气短临预测方法及天气预测系统 |
| CN115308817A (zh) * | 2022-08-05 | 2022-11-08 | 中国人民解放军国防科技大学 | 基于参考信号特征的信号学习与动态确定方法 |
| CN115308817B (zh) * | 2022-08-05 | 2024-04-19 | 中国人民解放军国防科技大学 | 基于参考信号特征的信号学习与动态确定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651172B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
| CN111368878B (zh) | 一种基于ssd目标检测的优化方法、计算机设备和介质 | |
| CN112651172A (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
| CN114882321A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN113849532A (zh) | 缓存预热方法、装置、计算机设备和存储介质 | |
| CN110674397B (zh) | 年龄点预测模型的训练方法及装置、设备与可读介质 | |
| CN112860706A (zh) | 一种业务的处理方法、装置、设备及存储介质 | |
| CN115511186A (zh) | 一种深度学习训练时长的预测管理方法、装置及设备 | |
| CN110175128B (zh) | 一种相似代码案例获取方法、装置、设备和存储介质 | |
| CN110633318A (zh) | 一种数据提取的处理方法、装置、设备和存储介质 | |
| CN111241155B (zh) | 时序数据异常检测方法、装置、设备及存储介质 | |
| US20230004824A1 (en) | Method, Apparatus, and Device for Updating Hard Disk Prediction Model, and Medium | |
| CN110390463B (zh) | 风控数据处理方法、装置及终端设备 | |
| CN115603955B (zh) | 异常访问对象识别方法、装置、设备和介质 | |
| CN116862658A (zh) | 信用评估方法、装置、电子设备、介质和程序产品 | |
| CN110659280A (zh) | 道路阻断异常检测方法、装置、计算机设备及存储介质 | |
| CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN112560267B (zh) | 一种斜坡单元的划分方法、装置、设备和存储介质 | |
| WO2022037677A1 (zh) | 确定日志特征序列的方法、漏洞分析方法及系统、设备 | |
| CN115511187A (zh) | 资产回收率的预测方法、装置、设备、介质和计算机程序产品 | |
| CA3144129A1 (en) | User access data processing method, device and computer system | |
| CN111400282B (zh) | 数据处理策略调整方法、装置、设备及存储介质 | |
| CN113449062A (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
| CN113626650A (zh) | 业务处理方法、装置和电子设备 | |
| CN113032564B (zh) | 特征提取方法、装置、电子设备以及存储介质 |
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 |