CN112967475A - 一种智能化区域性滑坡监测管理方法及装置 - Google Patents
一种智能化区域性滑坡监测管理方法及装置 Download PDFInfo
- Publication number
- CN112967475A CN112967475A CN202110127013.5A CN202110127013A CN112967475A CN 112967475 A CN112967475 A CN 112967475A CN 202110127013 A CN202110127013 A CN 202110127013A CN 112967475 A CN112967475 A CN 112967475A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- slope
- early warning
- model
- side 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明公开一种智能化区域性滑坡监测管理方法及装置,所述方法包括如下步骤:创建雨量阀值和边坡特性之间的函数关系的目标模型;通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。本发明监测准确率高于传统的基于区域性雨量预警阀值的监测方式,降低误报率,运算效率高,适用于批量评估区域内不同边坡的降雨预警阀值。此外,每个边坡布置能够远程通信的雨量计,其设备单一,简化了指标,便于批量施工和管理。
Description
技术领域
本发明涉及岩土工程监测技术领域,特别涉及一种智能化区域性滑坡监测管理方法及装置。
背景技术
根据中国地质调查局自然资源部发布的2019年全国地质灾害通报,滑坡和泥石流引起的地质灾害占当年度地质灾害总数的77.96%,影响巨大。降雨是滑坡和泥石流发生的主要诱因,其中区域性长时间和高强度的降雨常常引起群发性滑坡和泥石流灾害。因而,在群防群测的滑坡灾害预防工作中,降雨是一个重要的预警监测对象。
多年来人们一直试图找到适用于某一地区的降雨量临界值(阈值、门槛值、起始值)以便对不同危险级别的滑坡进行监测和预警。例如,深圳市的降雨预警阀值为:200mm/24hr或者100mm/hr。然而,这种笼统的采用单一的降雨阀值对区域范围内所有的边坡进行预警管理的方法,没有考虑每个边坡的物理特性,缺少针对性,误报率高,所以,实际的使用率不高。
发明内容
本发明解决的技术问题是,提供一种能够采用降雨阀值作为监测指标同时降低误报率的智能化区域性滑坡监测管理方法及装置。
第一方面,本发明提供一种智能化区域性滑坡监测管理方法,包括如下步骤:
创建雨量阀值和边坡特性之间的函数关系的目标模型;
通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;
通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;
将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。
在一个实施例中,所述“创建雨量阀值和边坡特性之间的函数关系的目标模型”包括如下步骤:
训练样本生产:进行带不饱和土特性的边坡稳定性分析产生若干训练样本;
测试样本生产:进行带不饱和土特性的边坡稳定性分析产生若干测试样本;
进行模型训练:使用若干训练模型分别对产生的若干所述训练样本进行训练以产生测试模型,然后通过所述测试样本对所述测试模型进行测试,选出准确率最高的测试模型作为所述目标模型。
在一个实施例中,所述进行边坡稳定性分析的方法包括:考虑降雨作用下的带不饱和土特征的边坡稳定性分析方法。
在一个实施例中,所述训练样本的训练样本集至少包括以下参数的一种:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。
在一个实施例中,所述土体特征参数至少包括以下参数中的一种:抗剪强度、水土特征曲线、渗透系数、不饱和抗剪强度。
在一个实施例中,所述测试样本的测试样本集至少包括以下参数的一种:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。
在一个实施例中,所述进行边坡稳定性分析的方法包括以下方法的至少一种:强度折减法、极限平衡法。
在一个实施例中,所述训练模型包括:决策树模型、随机森林模型、梯度提升决策树模型、支持向量机模型、多层感知器神经网络模型。
在一个实施例中,所述边坡特性包括几何特性、物理特性中的至少一种。
在一个实施例中,所述几何特性包括边坡的高度、角度、长度中的至少一种。
第二方面,本发明还公开一种智能化区域性滑坡监测管理装置,包括:
目标模型创建模块,用于创建雨量阀值和边坡的边坡特性之间的函数关系的目标模型;
预警阀值确定模块,用于通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;
降雨量获取模块,用于通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;
预警信号分析模块,用于将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。
本发明具有如下有益效果:由于本发明的方法包括如下步骤:创建雨量阀值和边坡特性之间的函数关系的目标模型;通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。因此,其监测准确率高于传统的基于区域性雨量预警阀值的监测方式,降低误报率,运算效率高,适用于批量评估区域内不同边坡的降雨预警阀值(即降雨阈值)。此外,每个边坡布置能够远程通信的雨量计,其设备单一,简化了指标,便于批量施工和管理。
附图说明
图1为本发明智能化区域性滑坡监测管理方法的流程图;
图2为本发明的创建雨量阀值和边坡特性之间的函数关系的目标模型的流程图;
图3为本发明智能化区域性滑坡监测管理装置的原理图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。需要说明的是,如果不冲突,本发明实施例以及实施例中的各个特征可以相互结合,均在本发明的保护范围之内。
请参阅图1,本发明提供一种智能化区域性滑坡监测管理方法,包括如下步骤:
S1、创建雨量阀值和边坡的边坡特性之间的函数关系的目标模型;
也就是说,首先创建一个模型,该模型体现出雨量阀值和边坡特性之间的函数关系,即该模型即为所述目标模型。所述边坡特性包括几何特性及物理特性中的至少一种。所述几何特性包括边坡的高度、角度、长度中的至少一种。
请参阅图2,在本实施例中,所述边坡特性包括几何特性及物理特性,所述“创建雨量阀值和边坡特性之间的函数关系的目标模型”包括如下步骤:
S11、训练样本生产:进行带不饱和土特性的边坡稳定性分析产生若干训练样本;
其中,所述进行边坡稳定性分析的方法包括以下方法的至少一种:强度折减法、极限平衡法。所述强度折减法及所述极限平衡法均为数学算法,即通过数值模拟或者数学算法做边坡稳定性分析并产生一系列的训练样本。
需要注意的是,这里采用的边坡稳定性分析是考虑降雨作用下的带不饱和土特征的边坡稳定性分析方法。即所述进行边坡稳定性分析的方法包括:考虑降雨作用下的带不饱和土特征的边坡稳定性分析方法。因此,通过该种分析方法可以得出降雨强度、降雨时间与边坡稳定性的关系,确定更有针对性的雨量阀值。
为了提高监测的准确率,所述训练样本的训练样本集至少包括以下参数的一种:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。所述土体特征参数至少包括以下参数中的一种:抗剪强度、水土特征曲线、渗透系数、不饱和抗剪强度。
在本实施例中,所述训练样本的训练样本集包括以下参数:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。所述土体特征参数包括以下参数:抗剪强度、水土特征曲线、渗透系数、不饱和抗剪强度。
S12、测试样本生产:进行带不饱和土特性的边坡稳定性分析产生若干测试样本;
所述测试样本的测试样本集包括以下参数:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。所述土体特征参数包括以下参数:抗剪强度、水土特征曲线、渗透系数、不饱和抗剪强度。在本实施例中,在训练样本和测试样本里采用的降雨时间和降雨强度是,在进行带不饱和土特征的边坡稳定性分析的时候(也就是产生样本集的计算),对应边坡安全系数小于1.1时候的降雨时间和强度。可以理解的是,所述训练样本和测试样本可以同时产生,也可以分步产生,在此不做具体限定。
S13、进行模型训练:使用若干训练模型分别对所述训练样本进行训练以产生测试模型,然后通过所述测试样本对所述测试模型进行测试,选出准确率最高的测试模型作为所述目标模型。
其中,通过测试样本确定模型准确率的方法有多种,在本实施例中不做赘述。较佳地,所述训练模型至少包括以下模型的至少3种:决策树模型、随机森林模型、梯度提升决策树模型、支持向量机模型、多层感知器神经网络模型。因此,其能够选出较佳的目标模型。
在本实施例中,所述训练模型包括以下5种模型:决策树模型、随机森林模型、梯度提升决策树模型、支持向量机模型、多层感知器神经网络模型。
其中,所述决策树模型,是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。
关于随机森林模型,随机森林是以决策树为基础的一种更高级的算法。像决策树一样,随机森林即可以用于回归也可以用于分类。从名字中可以看出,随机森林是用随机的方式构建的一个森林,而这个森林是由很多的相互不关联的决策树组成。实时上随机森林从本质上属于机器学习的一个很重要的分支叫做集成学习。集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。这些预测最后结合成单预测,因此优于任何一个单分类的做出预测。
关于梯度提升决策树模型,提升树是迭代多棵回归树来共同决策。当采用平方误差损失函数时,每一棵回归树学习的是之前所有树的结论和残差,拟合得到一个当前的残差回归树,残差的意义如公式:残差=真实值-预测值。提升树即是整个迭代过程生成的回归树的累加。提升树利用加法模型和前向分步算法实现学习的优化过程。当损失函数时平方损失和指数损失函数时,每一步的优化很简单,如平方损失函数学习残差回归树。
支持向量机模型(SVM)是一种二分类模型同时也能处理回归问题成为支持向量回归法,它的基本模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机;SVM还包括核技巧,这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化,可形式化为一个求解凸二次规划的问题,也等价于正则化的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优化算法。
多层感知器神经网络模型(MLP)也叫人工神经网络模型(ANN),除了输入输出层,它中间可以有多个隐层。最简单的MLP需要有一层隐层,即输入层、隐层和输出层才能称为一个简单的神经网络。通俗而言,神经网络是仿生物神经网络而来的一种技术,通过连接多个特征值,经过线性和非线性的组合,最终达到一个目标。
S2、通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;
所述监测区域内各所述边坡可根据需要进行指定,在此不做具体限定。可以理解的是,各所述边坡降雨量的预警阀值可能部分相同,也可能完全不同。
在本实施例中,选出的目标模型是由一个输入端和一个输出端组成。输入端是边坡的高度,长度,坡度,等几何特性,以及土体特征参数等物理特性。输出端就是降雨强度和降雨持续时间,然后换算成降雨量阀值。累积降雨强度就是降雨强度乘以时间,每小时降雨量就是降雨强度。其中,土体特征参数一般可通过勘察和实验等方式获得。但在缺乏实验数据的情况下,也可查阅文献采用对应土质的典型的土体特征参数。
S3、通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;
在本实施例中,将所述雨量计安装至所述各边坡上,所述雨量计设置有无线通信模块,以通过所述无线通信模块接入物联网。所述雨量计通过物联网与边坡预警管理平台通信。可以理解的是,所述雨量计的布置位置和数量可以根据需要进行设置,在此不做具体限定。
S4、将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。
在所述边坡预警管理平台获取所述比较结果后,判断所述边坡的降雨量数据是否大于其对应边坡降雨量的预警阈值。当所述边坡的降雨量数据大于其对应边坡降雨量的预警阈值时,所述边坡预警管理平台发出报警信号或者派相关管理人员到现场观察等。在本实施例中,预警阀值包括累积降雨量的阈值及每小时的降雨量的阈值,即比较的对象有两个,第一个是累积降雨量,第二个是每小时的降雨量。
在本实施例中,在所述步骤S4之后还包括:当某一所述边坡的降雨量数据大于其对应的所述边坡降雨量的预警阈值时,所述边坡预警管理平台发出报警信号。
所述边坡预警管理平台具有数据处理装置及报警装置,通过数据处理装置进行分析所述雨量计传输过来的比较结果,并根据所述比较结果控制报警装置进行报警。
请参阅图3,本发明还公开一种智能化区域性滑坡监测管理装置,包括:
目标模型创建模块1,用于创建雨量阀值和边坡的边坡特性之间的函数关系的目标模型;
预警阀值确定模块2,用于通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;
降雨量获取模块3,用于通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;
预警信号分析模块4,用于将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。
较佳地,所述目标模型创建模块包括:
训练样本生产单元,用于进行边坡稳定性分析产生若干训练样本;
测试样本生产单元,用于进行带不饱和土特性的边坡稳定性分析产生若干测试样本;
模型训练单元,用于将若干训练模型分别对产生的若干所述训练样本进行训练以产生测试模型,然后通过所述测试样本对所述测试模型进行测试,选出准确率最高的测试模型作为所述目标模型。
所述边坡预警管理平台还用于在当某一所述边坡的降雨量数据大于其对应的所述边坡降雨量的预警阈值时发出报警信号。
综上所述,由于本发明的方法包括如下步骤:创建雨量阀值和边坡特性之间的函数关系的目标模型;通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。因此,其监测准确率高于传统的基于区域性雨量预警阀值的监测方式,降低误报率,运算效率高,适用于批量评估区域内不同边坡的降雨预警阀值。此外,每个边坡布置能够远程通信的雨量计,其设备单一,简化了指标,便于批量施工和管理。
以上对本发明所提供的智能化区域性滑坡监测管理方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内,不应理解为对本发明的限制。
Claims (10)
1.一种智能化区域性滑坡监测管理方法,其特征在于,包括如下步骤:
创建雨量阀值和边坡特性之间的函数关系的目标模型;
通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;
通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;
将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。
2.如权利要求1所述的智能化区域性滑坡监测管理方法,其特征在于,所述“创建雨量阀值和边坡特性之间的函数关系的目标模型”包括如下步骤:
训练样本生产:进行带不饱和土特性的边坡稳定性分析产生若干训练样本;
测试样本生产:进行带不饱和土特性的边坡稳定性分析产生若干测试样本;
进行模型训练:使用若干训练模型分别对所述训练样本进行训练以产生测试模型,然后通过所述测试样本对所述测试模型进行测试,选出准确率最高的测试模型作为所述目标模型。
3.如权利要求2所述的智能化区域性滑坡监测管理方法,其特征在于,所述进行边坡稳定性分析的方法包括:考虑降雨作用下的带不饱和土特征的边坡稳定性分析方法。
4.如权利要求3所述的智能化区域性滑坡监测管理方法,其特征在于,所述训练样本的训练样本集至少包括以下参数的一种:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。
5.如权利要求4所述的智能化区域性滑坡监测管理方法,其特征在于,所述土体特征参数至少包括以下参数中的一种:抗剪强度、水土特征曲线、渗透系数、不饱和抗剪强度。
6.如权利要求2所述的智能化区域性滑坡监测管理方法,其特征在于,所述测试样本的测试样本集至少包括以下参数的一种:土体特征参数、边坡坡度、边坡高度、降雨时间、降雨强度。
7.如权利要求2所述的智能化区域性滑坡监测管理方法,其特征在于,所述进行边坡稳定性分析的方法包括以下方法的至少一种:强度折减法、极限平衡法。
8.如权利要求2所述的智能化区域性滑坡监测管理方法,其特征在于,所述训练模型包括:决策树模型、随机森林模型、梯度提升决策树模型、支持向量机模型、多层感知器神经网络模型。
9.如权利要求1所述的智能化区域性滑坡监测管理方法,其特征在于,所述边坡特性包括几何特性、物理特性中的至少一种。
10.一种智能化区域性滑坡监测管理装置,其特征在于,包括:
目标模型创建模块,用于创建雨量阀值和边坡的边坡特性之间的函数关系的目标模型;
预警阀值确定模块,用于通过所述目标模型确定监测区域内各所述边坡降雨量的预警阀值;
降雨量获取模块,用于通过雨量计实时获得监测区域内的各所述边坡的降雨量数据;
预警信号分析模块,用于将实时获得每一所述边坡的降雨量数据与其对应边坡降雨量的预警阈值进行比较,并将比较结果发送给边坡预警管理平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127013.5A CN112967475A (zh) | 2021-01-29 | 2021-01-29 | 一种智能化区域性滑坡监测管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127013.5A CN112967475A (zh) | 2021-01-29 | 2021-01-29 | 一种智能化区域性滑坡监测管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112967475A true CN112967475A (zh) | 2021-06-15 |
Family
ID=76272120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110127013.5A Pending CN112967475A (zh) | 2021-01-29 | 2021-01-29 | 一种智能化区域性滑坡监测管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967475A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273403A (zh) * | 2022-06-07 | 2022-11-01 | 福建永强岩土股份有限公司 | 一种滑坡监测预警方法及系统 |
CN116386300A (zh) * | 2022-11-29 | 2023-07-04 | 广东堃华建设工程有限公司 | 一种基于大数据的边坡灾害监测预警方法和系统 |
CN117091560A (zh) * | 2023-08-21 | 2023-11-21 | 质点数字科技有限公司 | 一种边坡变形的分类监测方法、装置、设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003030766A (ja) * | 2001-07-19 | 2003-01-31 | Fujitsu General Ltd | Web災害情報公開システムとweb災害情報公開方法 |
CN103714661A (zh) * | 2013-11-14 | 2014-04-09 | 浙江省国土资源厅信息中心 | 降雨阈值自适应的滑坡实时预警方法 |
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 |
CN105133667A (zh) * | 2015-07-29 | 2015-12-09 | 同济大学 | 一种降雨条件下土质边坡安全性态的时空动态评价方法 |
CN109074719A (zh) * | 2016-12-29 | 2018-12-21 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
-
2021
- 2021-01-29 CN CN202110127013.5A patent/CN112967475A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003030766A (ja) * | 2001-07-19 | 2003-01-31 | Fujitsu General Ltd | Web災害情報公開システムとweb災害情報公開方法 |
CN103714661A (zh) * | 2013-11-14 | 2014-04-09 | 浙江省国土资源厅信息中心 | 降雨阈值自适应的滑坡实时预警方法 |
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 |
CN105133667A (zh) * | 2015-07-29 | 2015-12-09 | 同济大学 | 一种降雨条件下土质边坡安全性态的时空动态评价方法 |
CN109074719A (zh) * | 2016-12-29 | 2018-12-21 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273403A (zh) * | 2022-06-07 | 2022-11-01 | 福建永强岩土股份有限公司 | 一种滑坡监测预警方法及系统 |
CN116386300A (zh) * | 2022-11-29 | 2023-07-04 | 广东堃华建设工程有限公司 | 一种基于大数据的边坡灾害监测预警方法和系统 |
CN116386300B (zh) * | 2022-11-29 | 2023-09-22 | 广东堃华建设工程有限公司 | 一种基于大数据的边坡灾害监测预警方法和系统 |
CN117091560A (zh) * | 2023-08-21 | 2023-11-21 | 质点数字科技有限公司 | 一种边坡变形的分类监测方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967475A (zh) | 一种智能化区域性滑坡监测管理方法及装置 | |
Piciullo et al. | Definition and performance of a threshold-based regional early warning model for rainfall-induced landslides | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
McCarthy et al. | Coping with uncertainty in forest wildlife planning | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
Muduli et al. | CPT-based probabilistic evaluation of seismic soil liquefaction potential using multi-gene genetic programming | |
CN115879773B (zh) | 一种基于物联网的病虫害智能预警方法及系统 | |
Liang et al. | Integrating remote sensing, GIS and dynamic models for landscape-level simulation of forest insect disturbance | |
CN114118576A (zh) | 一种区域地质灾害趋势预测方法及系统 | |
Plant et al. | Combining expert system and GIS technology to implement a state-transition model of oak woodlands | |
Nocentini et al. | Towards landslide space-time forecasting through machine learning: the influence of rainfall parameters and model setting | |
Monroe et al. | Spatial scale selection for informing species conservation in a changing landscape | |
CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
Debouk et al. | Assessing post-fire regeneration in a Mediterranean mixed forest using LiDAR data and artificial neural networks | |
Pazhayamadom et al. | Self-starting CUSUM approach for monitoring data poor fisheries | |
Murru et al. | Real time earthquake forecasting in Italy | |
Distefano et al. | Brief communication: Rainfall thresholds based on Artificial neural networks can improve landslide early warning | |
Erdik | Earthquake risk assessment from insurance perspective | |
CN114548364A (zh) | 一种地面沉降预测方法、计算设备及计算机存储介质 | |
CN115829150A (zh) | 一种积水预测系统 | |
Pérez et al. | Model testing and assessment: perspectives from a swarm intelligence, agent-based model of forest insect infestations | |
Kumar et al. | Multiple layer radial basis neural network with remora regression tree optimum feature extraction for structural health monitoring | |
CN117390938B (zh) | 一种高桩码头运维期结构健康监测方法及系统 | |
CN114046179B (zh) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |