CN112712195B - 一种降雨衰减系数的预测方法、装置、设备和存储介质 - Google Patents
一种降雨衰减系数的预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112712195B CN112712195B CN202011496053.9A CN202011496053A CN112712195B CN 112712195 B CN112712195 B CN 112712195B CN 202011496053 A CN202011496053 A CN 202011496053A CN 112712195 B CN112712195 B CN 112712195B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- attenuation coefficient
- index
- rainfall attenuation
- slope
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012876 topography Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation 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
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种降雨衰减系数的预测方法、装置、设备和存储介质。通过获取目标区域各斜坡单元的降雨影响因子,基于降雨影响因子,计算各斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数,根据时间维度的降雨衰减系数和空间维度的降雨衰减系数,确定各斜坡单元的目标降雨衰减系数。该方法结合时间维度的降雨衰减系数和空间维度的降雨衰减系数确定目标降雨衰减系数,相比于现有技术来说,考虑了空间因素对降雨衰减系数的影响,达到根据多个维度因素确定降雨衰减系数的目的,实现了提高降雨系数的预测精度的效果。
Description
技术领域
本发明实施例涉及滑坡监测技术领域,尤其涉及一种降雨衰减系数的预测方法、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。通常情况下,降雨引发的滑坡除了考虑滑坡发生当天的降雨量之外,还需要考虑滑坡发生当天之前的有效降雨量,滑坡发生当天之前的有效降雨量指的是经过衰减后的剩余降雨量,该有效降雨量通常根据滑坡发生当天之前的累计降雨量与降雨衰减系数确定,因此,对降雨衰减系数的预测具有重要意义。
现有技术的研究中,一般使用基于水文参数预测地表径流的前期降雨指数的方法预测滑坡发生当天之前的有效降雨量,这种方法通常根据不同的k值(降雨衰减系数)与滑坡的相关性选取最佳的k值。例如,选择k为0.8,第一天的降雨衰减系数是0.81,第二天的降雨衰减系数是0.82…,第n天的降雨衰减系数是0.8n。然而,上述方法仅从时间角度考虑降雨衰减系数,降雨衰减系数的预测精度较差,导致有效降雨量预测精度较差,进而降低滑坡预测准确性。
发明内容
本发明提供了一种降雨衰减系数的预测方法、装置、设备和存储介质,实现了提高降雨衰减系数的预测效果,进而提高有效降雨量以及滑坡的预测精度。
第一方面,本发明实施例提供了一种降雨衰减系数的预测方法,包括:
获取目标区域各斜坡单元的降雨影响因子;
基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数;
根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数。
第二方面,本发明实施例还提供了一种降雨衰减系数的预测装置,包括:
降雨影响因子获取模块,用于获取目标区域各斜坡单元的降雨影响因子;
时间维度的降雨衰减系数计算模块,用于基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数;
空间维度的降雨衰减系数计算模块,用于基于所述降雨影响因子,计算各所述斜坡单元的空间维度的降雨衰减系数;
目标降雨衰减系数预测模块,用于根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数。
第三方面,本发明实施例还提供了一种降雨衰减系数的预测设备,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第一方面中任一所述的降雨衰减系数的预测方法。
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衰减系数的预测方法。
附图说明
图1是本发明实施例一中的一种降雨衰减系数的预测方法的流程图;
图2是本发明实施例二中的一种降雨衰减系数的预测方法的流程图;
图3是本发明实施例三中的一种降雨衰减系数的预测装置的结构示意图;
图4是本发明实施例四中的一种降雨衰减系数的预测设备的结构示意图。
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衰减系数的预测方法的流程图,本实施例可适用于对降雨衰减系数进行预测的情况,该方法可以由降雨衰减系数的预测装置来执行,如图1所示,该方法包括如下步骤:
S110、获取目标区域各斜坡单元的降雨影响因子。
其中,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。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。可选地,降雨影响因子至少包括地形湿度指数、归一化植被指数以及归一化气温指数。
其中,所述地形湿度指数是指在一定程度上可以描述降雨后地表径流的状况,进而反应出空间土壤含水率的差异。所述地形湿度指数的表达式为:TWI=lnα/tanβ,其中,α是单位等高线上的汇流面积,β是该斜坡单元的坡度。
其中,所述归一化植被指数指的是植被的覆盖度是影响地表水分蒸发的关键因素,所述归一化植被指数的表达式为:其中,ρNIR是近红外波段的通道数据,ρRED是红波段的通道数据。
其中,归一化气温指数指的是各斜坡单元的归一化温度值,根据若干天的最高气温值、最低气温值以及某天的当天气温值确定,归一化气温指数的表达式为:其中,/>是第n天的归一化气温指数,Tn是第n天当天的气温,Tmin是m天中最低气温值,Tmax是m天中最高气温值,n=1,2,3…m。
S120、基于降雨影响因子,计算各斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数。
其中,所述时间维度的降雨衰减系数指的是受时间因素影响的降雨衰减系数,例如,在较长时间段内,由于地表径流和蒸发等损失,降雨衰减系数越来越小。所述空间维度的降雨衰减系数指的是受空间因素影响的降雨衰减系数,例如,在不同区域,空间位置和地表地貌等特征不同,降雨衰减系数不同。
可选地,所述基于所述降雨影响因子,计算各所述斜坡单元的空间维度的降雨衰减系数,包括:抽象化各所述斜坡单元的所述地形湿度指数和所述归一化植被指数;根据抽象化后的地形湿度指数和抽象化后的归一化植被指数,计算各所述斜坡单元的空间衰减系数;对各所述斜坡单元的空间衰减系数进行归一化处理,将归一化处理后的空间衰减系数作为所述空间维度的降雨衰减系数。
具体地,各斜坡单元的所述地形湿度指数的抽象化公式为: 其中,/>是第i个斜坡单元抽象化后的地形湿度指数,TWIi是第i个斜坡单元的地形湿度指数,TWImin是k个斜坡单元中地形湿度指数的最小值,TWImax是k个斜坡单元中地形湿度指数的最大值,i=1,2,3…k,α和β是两个归一化系数,可以分别取值为0.1和0.25。
具体地,各斜坡单元的所述归一化植被指数的抽象化公式为: 其中,/>是第i个斜坡单元抽象化后的归一化植被指数,NDVIi是第i个斜坡单元的归一化植被指数,NDVImin是k个斜坡单元中归一化植被指数的最小值,NDVImax是k个斜坡单元中归一化植被指数的最大值,i=1,2,3…k,α和β是两个归一化系数,可以分别取值为0.1和0.25。
具体地,各斜坡单元的空间衰减系数的计算公式为:其中,/>是第i个斜坡单元降雨空间衰减系数,exp(X)指的是X的指数。
具体地,各斜坡单元的空间衰减系数的归一化计算公式为:
其中,/>是第i个斜坡单元上空间维度上降雨衰减系数的归一化,/>是k个斜坡单元中空间维度上降雨衰减系数的最小值,/>是k个斜坡单元中空间维度上降雨衰减系数的最大值,i=1,2,3…k。
可选地,所述基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数,包括:根据所述归一化气温指数,计算各所述斜坡单元的时间衰减系数;对各所述斜坡单元的时间衰减系数进行归一化处理,将归一化处理后的时间衰减系数作为所述时间维度的降雨衰减系数。
具体地,引入归一化气温指数后的斜坡单元的时间衰减系数的计算公式为:其中,/>是各斜坡单元的第n天的时间衰减系数。
具体地,各斜坡单元的时间衰减系数的归一化计算公式为:
其中,/>是各斜坡单元第n天的时间维度的降雨衰减系数的归一化,/>是m天中时间维度的降雨衰减系数的最小值,/>是m天中时间维度的降雨衰减系数的最大值,n=1,2,3…m。
可以理解的是,温度对降雨衰减系数有很大影响,不同温度下的降雨衰减系数不同,本实施例引入归一化气温指数这一参数计算时间维度下的降雨衰减系数,使计算出的降雨衰减系数与温度指数相适应,也可以提高时间维度的降雨衰减系数的计算准确性,有利于提高各斜坡单元的目标降雨衰减系数的精度。
S130、根据时间维度的降雨衰减系数和空间维度的降雨衰减系数,确定各斜坡单元的目标降雨衰减系数。
可选地,所述目标降雨衰减系数确定方法为:将所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数相乘,将乘积作为所述目标降雨衰减系数。
具体地,目标降雨衰减系数的计算公式为: 其中,K(n,i)是第n天第i个斜坡单元上的降雨衰减系数。
本发明实施例的技术方案,通过获取目标区域各斜坡单元的降雨影响因子,基于降雨影响因子,计算各斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数,根据时间维度的降雨衰减系数和空间维度的降雨衰减系数,确定各斜坡单元的目标降雨衰减系数。该方法结合时间维度的降雨衰减系数和空间维度的降雨衰减系数确定目标降雨衰减系数,相比于现有技术来说,考虑了空间因素对降雨衰减系数的影响,达到根据多个维度因素确定降雨衰减系数的目的,实现了提高降雨系数的预测精度的效果。
实施例二
图2为本发明实施例二提供的一种降雨衰减系数的预测方法,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,该方法还包括:获取滑坡发生当天之前预设时间段内各斜坡单元的累计降雨量和滑坡发生当天的降雨量;将所述累计降雨量与所述目标降雨衰减系数相乘,得到滑坡发生当天之前预设时间段内的有效降雨量;根据所述有效降雨量和所述滑坡发生当天的降雨量,确定滑坡发生当天的各所述斜坡单元的降雨量。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2所示,该方法可以包括如下步骤:
S210、获取目标区域各斜坡单元的降雨影响因子。
S220、基于降雨影响因子,计算各斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数。
S230、根据时间维度的降雨衰减系数和空间维度的降雨衰减系数,确定各斜坡单元的目标降雨衰减系数。
S240、获取滑坡发生当天之前预设时间段内各斜坡单元的累计降雨量和滑坡发生当天的降雨量。
其中,所述预设时间段可以是滑坡发生当天的前三天、前五天以及前七天等。将滑坡发生当天之前预设时间段内每天的降雨量累加,得到累计降雨量,并通过目标区域设置的降雨监测设备获取滑坡发生当天的降雨量。
S250、将累计降雨量与目标降雨衰减系数相乘,得到滑坡发生当天之前预设时间段内的有效降雨量。
其中,所述有效降雨量指的是滑坡发生当天前期的累计降雨量经过衰减后的剩余降雨量。基于该描述,可以将累计降雨量与目标降雨衰减系数相乘,得到滑坡发生当天之前预设时间段内的有效降雨量。
S260、根据有效降雨量和滑坡发生当天的降雨量,确定滑坡发生当天的各斜坡单元的降雨量。
可以理解的是,降雨引发的滑坡,例如土体滑动、岩体滑动、泥石流和崩塌等,除了考虑当前天或当次的降雨量外,还需要前期降雨的影响,前期降雨的影响指的是前期有效降雨量的影响。基于该描述,可以将同一斜坡单元的有效降雨量和滑坡发生当天的降雨量累加,得到滑坡发生当天的各斜坡单元的降雨量。
通过上述方式,可以准确确定滑坡发生当天各斜坡单元的降雨量,该滑坡发生当天各斜坡单元的降雨量是滑坡预测的重要研究参数,有利于基于准确的降雨量准确的预测滑坡发生情况。
进一步地,确定滑坡发生当天各斜坡单元的降雨量后,可以基于各斜坡单元的降雨量和滑坡影响因子,确定目标区域的每天滑坡发生概率。可选地,所述滑坡影响因子包括土壤湿度和其他静态因子,所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。具体地,可以将各斜坡单元的降雨量和滑坡影响因子输入至预先训练完成的滑坡预测模型,基于该滑坡预测模型预测目标区域的每天滑坡发生概率。所述滑坡预测模型根据各斜坡单元的历史降雨因子、历史滑坡影响因子训练得到,所述滑坡预测模型可以是神经网络模型,或者其他学习算法。示例性的,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(Logistics Regression,LR)、XGBoost(Extreme Gradient Boosting,极端梯度提升决策树)算法、GBDT(Gradient BoostingDecision Tree,梯度提升决策树)算法、全卷积网络(Fully Convolutional 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)等。
本发明实施例的技术方案,通过获取滑坡发生当天之前预设时间段内各斜坡单元的累计降雨量和滑坡发生当天的降雨量,将累计降雨量与所述目标降雨衰减系数相乘,得到滑坡发生当天之前预设时间段内的有效降雨量,根据有效降雨量和滑坡发生当天的降雨量,确定滑坡发生当天的各斜坡单元的降雨量。这种方式可以准确确定滑坡发生当天各斜坡单元的降雨量,滑坡发生当天各斜坡单元的降雨量是滑坡预测的重要研究参数,有利于提高滑坡预测精度。进一步地,基于各斜坡单元的降雨量和滑坡影响因子,确定目标区域的每天滑坡发生概率,可以基于准确的降雨量提高滑坡的预测精度。
实施例三
图3为本发明实施例三提供的一种降雨衰减系数的预测装置的结构示意图,如图3所示,该降雨衰减系数的预测装置包括:降雨影响因子获取模块310、时间维度的降雨衰减系数计算模块320、空间维度的降雨衰减系数计算模块330和目标降雨衰减系数预测模块340。
其中,降雨影响因子获取模块310,用于获取目标区域各斜坡单元的降雨影响因子;
时间维度的降雨衰减系数计算模块320,用于基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数;
空间维度的降雨衰减系数计算模块330,用于基于所述降雨影响因子,计算各所述斜坡单元的空间维度的降雨衰减系数;
目标降雨衰减系数预测模块340,用于根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数。
本发明实施例的技术方案,通过获取目标区域各斜坡单元的降雨影响因子,基于降雨影响因子,计算各斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数,根据时间维度的降雨衰减系数和空间维度的降雨衰减系数,确定各斜坡单元的目标降雨衰减系数。该方法结合时间维度的降雨衰减系数和空间维度的降雨衰减系数确定目标降雨衰减系数,相比于现有技术来说,考虑了空间因素对降雨衰减系数的影响,达到根据多个维度因素确定降雨衰减系数的目的,实现了提高降雨系数的预测精度的效果。
可选的,所述降雨影响因子至少包括地形湿度指数、归一化植被指数以及归一化气温指数。
可选的,空间维度的降雨衰减系数计算模块330还用于,抽象化各所述斜坡单元的所述地形湿度指数和所述归一化植被指数;
根据抽象化后的地形湿度指数和抽象化后的归一化植被指数,计算各所述斜坡单元的空间衰减系数;
对各所述斜坡单元的空间衰减系数进行归一化处理,将归一化处理后的空间衰减系数作为所述空间维度的降雨衰减系数。
可选的,时间维度的降雨衰减系数计算模块320还用于,根据所述归一化气温指数,计算各所述斜坡单元的时间衰减系数;
对各所述斜坡单元的时间衰减系数进行归一化处理,将归一化处理后的时间衰减系数作为所述时间维度的降雨衰减系数。
可选的,目标降雨衰减系数预测模块340还用于,将所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数相乘,将乘积作为所述目标降雨衰减系数。
可选的,该装置还包括:降雨量确定模块;其中,降雨量确定模块,用于获取滑坡发生当天之前预设时间段内各斜坡单元的累计降雨量和滑坡发生当天的降雨量;
将所述累计降雨量与所述目标降雨衰减系数相乘,得到滑坡发生当天之前预设时间段内的有效降雨量;
根据所述有效降雨量和所述滑坡发生当天的降雨量,确定滑坡发生当天的各所述斜坡单元的降雨量。
可选的,该装置还包括:滑坡发生概率确定模块,其中,滑坡发生概率确定模块,用于基于各所述斜坡单元的降雨量和滑坡影响因子,确定所述目标区域的每天滑坡发生概率。
本发明实施例所提供的降雨衰减系数的预测装置可执行本发明任意实施例所提供的降雨衰减系数的预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种降雨衰减系数的预测设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性降雨衰减系数的预测设备12的框图。图4显示的降雨衰减系数的预测设备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4所示,降雨衰减系数的预测设备12以通用计算设备的形式表现。降雨衰减系数的预测设备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。
降雨衰减系数的预测设备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衰减系数的预测设备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。降雨衰减系数的预测设备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4未显示,通常称为“硬盘驱动器”)。尽管图4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(例如降雨衰减系数的预测装置的降雨影响因子获取模块310、时间维度的降雨衰减系数计算模块320、空间维度的降雨衰减系数计算模块330和目标降雨衰减系数预测模块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(例如降雨衰减系数的预测装置的降雨影响因子获取模块310、时间维度的降雨衰减系数计算模块320、空间维度的降雨衰减系数计算模块330和目标降雨衰减系数预测模块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。
降雨衰减系数的预测设备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衰减系数的预测设备12交互的设备通信,和/或与使得该降雨衰减系数的预测设备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,降雨衰减系数的预测设备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与降雨衰减系数的预测设备12的其它模块通信。应当明白,尽管图中未示出,可以结合降雨衰减系数的预测设备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衰减系数的预测方法,该方法包括:
获取目标区域各斜坡单元的降雨影响因子;
基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数;
根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数。
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衰减系数的预测方法。
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衰减系数的预测方法的技术方案。
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衰减系数的预测方法,该方法包括:
获取目标区域各斜坡单元的降雨影响因子;
基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数;
根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数。
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衰减系数的预测方法中的相关操作。
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影响因子、时间维度的降雨衰减系数和空间维度的降雨衰减系数等,其中承载了计算机可读的程序代码。这种传播的降雨影响因子、时间维度的降雨衰减系数和空间维度的降雨衰减系数等形式。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,上述降雨衰减系数的预测装置的实施例中,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 (6)
1.一种降雨衰减系数的预测方法,其特征在于,包括:
获取目标区域各斜坡单元的降雨影响因子;
基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数和空间维度的降雨衰减系数;
根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数;
所述降雨影响因子至少包括地形湿度指数、归一化植被指数以及归一化气温指数;
所述基于所述降雨影响因子,计算各所述斜坡单元的空间维度的降雨衰减系数,包括:
抽象化各所述斜坡单元的所述地形湿度指数和所述归一化植被指数;
根据抽象化后的地形湿度指数和抽象化后的归一化植被指数,计算各所述斜坡单元的空间衰减系数;
对各所述斜坡单元的空间衰减系数进行归一化处理,将归一化处理后的空间衰减系数作为所述空间维度的降雨衰减系数;
所述基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数,包括:
根据所述归一化气温指数,计算各所述斜坡单元的时间衰减系数;
对各所述斜坡单元的时间衰减系数进行归一化处理,将归一化处理后的时间衰减系数作为所述时间维度的降雨衰减系数;
所述根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数,包括:
将所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数相乘,将乘积作为所述目标降雨衰减系数;
其中,所述地形湿度指数的抽象化公式为:β;是第i个斜坡单元抽象化后的地形湿度指数,TWIi是第i个斜坡单元的地形湿度指数,TWImin是k个斜坡单元中地形湿度指数的最小值,TWImax是k个斜坡单元中地形湿度指数的最大值;α和β是两个归一化系数;
所述归一化植被指数的抽象化公式为: 是第i个斜坡单元抽象化后的归一化植被指数,NDVIi是第i个斜坡单元的归一化植被指数,NDVImin是k个斜坡单元中归一化植被指数的最小值,NDVImax是k个斜坡单元中归一化植被指数的最大值;
所述各斜坡单元的空间衰减系数的计算公式为: 是第i个斜坡单元降雨空间衰减系数,exp(X)指的是X的指数;
所述各斜坡单元的时间衰减系数的计算公式为: 其中,/>是各斜坡单元的第n天的时间衰减系数;/>是第n天的归一化气温指数。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取滑坡发生当天之前预设时间段内各斜坡单元的累计降雨量和滑坡发生当天的降雨量;
将所述累计降雨量与所述目标降雨衰减系数相乘,得到滑坡发生当天之前预设时间段内的有效降雨量;
根据所述有效降雨量和所述滑坡发生当天的降雨量,确定滑坡发生当天的各所述斜坡单元的降雨量。
3.根据权利要求2所述的方法,其特征在于,还包括:
基于各所述斜坡单元的降雨量和滑坡影响因子,确定所述目标区域的每天滑坡发生概率。
4.一种降雨衰减系数的预测装置,其特征在于,包括:
降雨影响因子获取模块,用于获取目标区域各斜坡单元的降雨影响因子;
时间维度的降雨衰减系数计算模块,用于基于所述降雨影响因子,计算各所述斜坡单元的时间维度的降雨衰减系数;
空间维度的降雨衰减系数计算模块,用于基于所述降雨影响因子,计算各所述斜坡单元的空间维度的降雨衰减系数;
目标降雨衰减系数预测模块,用于根据所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数,确定各所述斜坡单元的目标降雨衰减系数;
所述降雨影响因子至少包括地形湿度指数、归一化植被指数以及归一化气温指数;
所述空间维度的降雨衰减系数计算模块还用于,抽象化各所述斜坡单元的所述地形湿度指数和所述归一化植被指数;
根据抽象化后的地形湿度指数和抽象化后的归一化植被指数,计算各所述斜坡单元的空间衰减系数;
对各所述斜坡单元的空间衰减系数进行归一化处理,将归一化处理后的空间衰减系数作为所述空间维度的降雨衰减系数;
所述时间维度的降雨衰减系数计算模块还用于,根据所述归一化气温指数,计算各所述斜坡单元的时间衰减系数;
对各所述斜坡单元的时间衰减系数进行归一化处理,将归一化处理后的时间衰减系数作为所述时间维度的降雨衰减系数;
所述目标降雨衰减系数预测模块还用于,将所述时间维度的降雨衰减系数和所述空间维度的降雨衰减系数相乘,将乘积作为所述目标降雨衰减系数;
其中,所述地形湿度指数的抽象化公式为:β;是第i个斜坡单元抽象化后的地形湿度指数,TWIi是第i个斜坡单元的地形湿度指数,TWImin是k个斜坡单元中地形湿度指数的最小值,TWImax是k个斜坡单元中地形湿度指数的最大值;α和β是两个归一化系数;
所述归一化植被指数的抽象化公式为:β;是第i个斜坡单元抽象化后的归一化植被指数,NDVIi是第i个斜坡单元的归一化植被指数,NDVImin是k个斜坡单元中归一化植被指数的最小值,NDVImax是k个斜坡单元中归一化植被指数的最大值;α和β是两个归一化系数;
所述各斜坡单元的空间衰减系数的计算公式为: 是第i个斜坡单元降雨空间衰减系数,exp(X)指的是X的指数;
所述斜坡单元的时间衰减系数的计算公式为: 是各斜坡单元的第n天的时间衰减系数;/>是第n天的归一化气温指数。
5.一种降雨衰减系数的预测设备,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1-3中任一所述的降雨衰减系数的预测方法。
6.一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1-3中任一所述的降雨衰减系数的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011496053.9A CN112712195B (zh) | 2020-12-17 | 2020-12-17 | 一种降雨衰减系数的预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011496053.9A CN112712195B (zh) | 2020-12-17 | 2020-12-17 | 一种降雨衰减系数的预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712195A CN112712195A (zh) | 2021-04-27 |
CN112712195B true CN112712195B (zh) | 2024-01-05 |
Family
ID=75544016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011496053.9A Active CN112712195B (zh) | 2020-12-17 | 2020-12-17 | 一种降雨衰减系数的预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712195B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006246375A (ja) * | 2005-03-07 | 2006-09-14 | Nippon Hoso Kyokai <Nhk> | 降雨減衰解析装置、区分別減衰量解析装置、降雨減衰解析方法及び区分別減衰量解析プログラム |
CN110766795A (zh) * | 2019-10-11 | 2020-02-07 | 中国人民解放军国防科技大学 | 三维星地链路密织网探测三维降雨场的方法及系统 |
CN110850510A (zh) * | 2019-11-05 | 2020-02-28 | 中国人民解放军国防科技大学 | 基于星地链路扫描重构垂直降雨场的方法 |
CN111784044A (zh) * | 2020-06-29 | 2020-10-16 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2020
- 2020-12-17 CN CN202011496053.9A patent/CN112712195B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006246375A (ja) * | 2005-03-07 | 2006-09-14 | Nippon Hoso Kyokai <Nhk> | 降雨減衰解析装置、区分別減衰量解析装置、降雨減衰解析方法及び区分別減衰量解析プログラム |
CN110766795A (zh) * | 2019-10-11 | 2020-02-07 | 中国人民解放军国防科技大学 | 三维星地链路密织网探测三维降雨场的方法及系统 |
CN110850510A (zh) * | 2019-11-05 | 2020-02-28 | 中国人民解放军国防科技大学 | 基于星地链路扫描重构垂直降雨场的方法 |
CN111784044A (zh) * | 2020-06-29 | 2020-10-16 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
An effective antecedent precipitation model derived fromthe power-law relationship between landslide occurrence and rainfall level;Tuhua Ma et al.;Geomorphology;187-192 * |
Also Published As
Publication number | Publication date |
---|---|
CN112712195A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deo et al. | Drought forecasting in eastern Australia using multivariate adaptive regression spline, least square support vector machine and M5Tree model | |
Scheuerer et al. | Using artificial neural networks for generating probabilistic subseasonal precipitation forecasts over California | |
US20180150783A1 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
Crimmins et al. | Evaluating ensemble forecasts of plant species distributions under climate change | |
Li et al. | Bayesian LSTM with stochastic variational inference for estimating model uncertainty in process‐based hydrological models | |
US20150019262A1 (en) | Method and system for generating a flash flood risk score | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Zhang et al. | Tiny‐RainNet: a deep convolutional neural network with bi‐directional long short‐term memory model for short‐term rainfall prediction | |
Putri et al. | Learning Bayesian network for rainfall prediction modeling in urban area using remote sensing satellite data (case study: Jakarta, Indonesia) | |
CN110119511B (zh) | 文章热点得分的预测方法、介质、装置和计算设备 | |
Kamali et al. | The effect of meteorological and hydrological drought on groundwater storage under climate change scenarios | |
Taylor et al. | Multi-decadal glacier area and mass balance change in the Southern Peruvian Andes | |
CN111027837A (zh) | 预新增国际航线的参考航线确定方法、系统、设备及介质 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
CN112712195B (zh) | 一种降雨衰减系数的预测方法、装置、设备和存储介质 | |
CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Allen et al. | Weighted verification tools to evaluate univariate and multivariate probabilistic forecasts for high-impact weather events | |
CN110555352A (zh) | 一种兴趣点识别方法、装置、服务器和存储介质 | |
Khanifar et al. | Modeling of land surface temperature–multiscale curvatures relationship using XGBoost algorithm (Case study: Southwestern Iran) | |
CN115270598A (zh) | 一种易发性建模的非滑坡样本选取方法及计算机设备 | |
CN112712197B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
CN112561171A (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
Lei et al. | Construction and Simulation of the Market Risk Early‐Warning Model Based on Deep Learning Methods | |
Sales et al. | Using extreme value theory to assess the mortality risk of tornado outbreaks |
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 |