CN112991688A - 一种基于pul算法的地质灾害时空联合预警方法及系统 - Google Patents
一种基于pul算法的地质灾害时空联合预警方法及系统 Download PDFInfo
- Publication number
- CN112991688A CN112991688A CN202110232937.1A CN202110232937A CN112991688A CN 112991688 A CN112991688 A CN 112991688A CN 202110232937 A CN202110232937 A CN 202110232937A CN 112991688 A CN112991688 A CN 112991688A
- Authority
- CN
- China
- Prior art keywords
- disaster
- geological disaster
- rainfall
- geological
- probability
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Graphics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于PUL算法的地质灾害时空联合预警方法及系统,该方法包括:获取地质灾害隐患点位置并绘制地质灾害位置图;得到对应区域的灾害易发概率;获取地质灾害隐患点发生地质灾害时的日期;提取相关降雨信息并生成降雨诱发概率;生成地质灾害发生概率矩阵;根据地质灾害发生概率矩阵对风险区域进行预警。该系统包括:地质灾害位置图模块、灾害易发概率模块、灾害发生日期模块、降雨诱发概率模块、地质灾害预测模块和告警模块。通过使用本发明,实现地质灾害在空间位置、时间概率上的定性,对研究区地质灾害发生的可能性进行定性定量的评价。本发明作为一种基于PUL算法的地质灾害时空联合预警方法及系统,可广泛应用于灾害预警领域。
Description
技术领域
本发明涉及灾害预警领域,尤其涉及一种基于PUL算法的地质灾害时空联合预警方法及系统。
背景技术
地质灾害作为一种破坏性的地质事件,对人类的生命财产和生存环境构成严重的威胁。在基于机器学习的地质灾害评价预测方法中,正样本较易选取,为地质灾害的历史发生地区;但负样本的选取较为困难,不能随机对未发生地质灾害的地区进行随机选取,例如地质灾害历史发生地区周围未发生灾害的地区为明显的地质灾害易发区,选取其为负样本会明显降低机器学习模型的准确性。
发明内容
为了解决上述技术问题,本发明的目的是提供一种基于PUL算法的地质灾害时空联合预警方法及系统,此算法为半监督学习方法,能够通过正样本和未标记样本进行相关预测,并考虑降雨等诱发因素,实现地质灾害在空间位置、时间概率上的定性,对研究区地质灾害发生的可能性进行定性定量的评价。
本发明所采用的第一技术方案是:一种基于PUL算法的地质灾害时空联合预警方法,包括以下步骤:
获取地质灾害隐患点位置并绘制地质灾害位置图;
根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率;
获取地质灾害隐患点发生地质灾害时的日期;
根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率;
将对应区域的灾害易发概率和降雨诱发概率进行叠加运算,并生成地质灾害发生概率矩阵;
根据地质灾害发生概率矩阵对风险区域进行预警。
进一步,所述根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率这一步骤,其具体包括:
根据地质灾害位置图构建Tin模型并转化为数字高程模型,得到栅格和对应的栅格数据;
提取栅格数据中的相关特征并对栅格赋予ID号;
根据预训练的灾害易发模型对提取出的相关特征进行计算预测,得到预测数据;
将预测数据与对应的栅格ID号连接,得到对应区域的灾害易发概率。
进一步,所述预训练的灾害易发模型的训练步骤,其具体包括:
根据地质灾害隐患点位置生成地质灾害隐患点;
以地质灾害隐患点为正样本,将正样本和未标记数据导入PUL算法模型对未标记数据进行重新标记,得到训练集;
以训练集对PUL算法模型进行训练并验证,验证通过后得到预训练的灾害易发模型。
进一步,所述根据地质灾害位置图构建Tin模型并转化为数字高程模型,得到栅格和对应的栅格数据这一步骤,其具体包括:
根据地质灾害位置图获得1:10000比例尺等值线图;
将1:10000比例尺等值线图输入到三维地质建模工具并通过等高线构建Tin模型;
将Tin模型转换为数字高程模型并根据数字高程模型得到栅格和对应的栅格数据。
进一步,所述根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率这一步骤,其具体包括:
根据地质灾害隐患点位置和发生日期提取对应位置和时间的相关降雨信息;
将相关降雨信息导入预训练的降雨诱发模型并进行计算预测,得到降雨诱发概率。
进一步,所述预训练的降雨诱发模型的训练步骤具体包括:
获取地质灾害隐患点发生地质灾害时位置和日期;
以发生地质灾害当天及灾害发生前n天的相关降雨信息为正样本,当天及前n天未发生地质灾害的相关降雨信息为负样本,导入机器学习模型进行训练和验证,验证通过得到预训练的降雨诱发模型;
所述相关降雨信息包括有效降雨量、降雨持续时间和降雨强度。
进一步,所述有效降雨量的计算公式如下:
RC=R0+0.841R1+0.842R2+…+0.84nRn
上式中,RC表示有效降雨量,R0表示当日预报降雨量,Rn为前第n日对当前日有影响的降雨量,0.84表示降雨量的日衰减系数。
本发明所采用的第二技术方案是:一种基于PUL算法的地质灾害时空联合预警系统,包括:
地质灾害位置图模块,用于获取地质灾害隐患点位置并绘制地质灾害位置图;
灾害易发概率模块,用于根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率;
灾害发生日期模块,用于获取地质灾害隐患点发生地质灾害时的日期;
降雨诱发概率模块,用于根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率;
地质灾害预测模块,用于将对应区域的灾害易发概率和降雨诱发概率进行叠加运算,并生成地质灾害发生概率矩阵;
告警模块,用于根据地质灾害发生概率矩阵对风险区域进行预警。
本发明方法及系统的有益效果是:本发明通过数字高程模型获取栅格数据,对地质灾害易发性评价有较高的预测价值,可以为地质灾害风险评估和管理提供依据,另外将降雨因素作为一个单独的诱发因素纳入预警模型考虑,以地质灾害易发性评价为基础,实现对地质灾害发的时空联合预警。
附图说明
图1是本发明一种基于PUL算法的地质灾害时空联合预警方法的步骤流程图;
图2是本发明一种基于PUL算法的地质灾害时空联合预警系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明将以地质灾害易发性评价为基础,考虑降雨诱发因素下地质灾害发育的规律,对地质灾害发生的可能性进行定性定量评价。
参照图1,本发明提供了一种基于PUL算法的地质灾害时空联合预警方法,该方法包括以下步骤:
S1、获取地质灾害隐患点位置并绘制地质灾害位置图;
S2、根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率;
S3、获取地质灾害隐患点发生地质灾害时的日期;
S4、根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率;
S5、将对应区域的灾害易发概率和降雨诱发概率进行叠加运算,并生成地质灾害发生概率矩阵;
S6、根据地质灾害发生概率矩阵对风险区域进行预警。
具体地,所述地质灾害发生概率矩阵参照表1。
表1地质灾害发生概率矩阵
根据矩阵的计算结果对地区高和极高的地区进行预警。
进一步作为本方法的优选实施例,所述根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率这一步骤,其具体包括:
根据地质灾害位置图构建Tin模型并转化为数字高程模型,得到栅格和对应的栅格数据;
提取栅格数据中的相关特征并对栅格赋予ID号;
根据预训练的灾害易发模型对提取出的相关特征进行计算预测,得到预测数据;
将预测数据与对应的栅格ID号连接,得到对应区域的灾害易发概率。
具体地,所述栅格数据包括地质灾害影响因子数据,具体包括坡度、坡向、高程、平面曲率、剖面曲率、断裂密度、河流密度、路网密度、断裂距离、河流距离、路网距离、地貌、岩土体和土地利用类型。
进一步作为本方法的优选实施例,还包括通过信息价值量法对影响因子数据进行计算排序,得到每个影响因子对地质灾害发生的重要程度,并根据重要程度对影响因子进行筛选降低冗余。
进一步作为本方法的优选实施例,所述预训练的灾害易发模型的训练步骤,其具体包括:
根据地质灾害隐患点位置生成地质灾害隐患点;
以地质灾害隐患点为正样本,将正样本和未标记数据导入PUL算法模型对未标记数据进行重新标记,得到训练集;
以训练集对PUL算法模型进行训练并验证,验证通过后得到预训练的灾害易发模型。
进一步作为本方法优选实施例,所述根据地质灾害位置图构建Tin模型并转化为数字高程模型,得到栅格和对应的栅格数据这一步骤,其具体包括:
根据地质灾害位置图获得1:10000比例尺等值线图;
将1:10000比例尺等值线图输入到三维地质建模工具并通过等高线构建Tin模型;
将Tin模型转换为数字高程模型并根据数字高程模型得到栅格和对应的栅格数据。
进一步作为本方法优选实施例,所述提取栅格数据中的相关特征并对栅格赋予ID号这一步骤,其具体包括:
获取区域的灾害数据并根据栅格数据、灾害数据和三维地质建模工具得到栅格对应的相关特征;
通过三维地质建模工具对区域的每个栅格赋予ID号。
进一步作为本方法优选实施例,所述根据预训练的灾害易发模型对提取出的相关特征进行计算预测,得到预测数据这一步骤,其具体还包括:
根据训练好的机器学习模型对提取出的区域栅格相关特征进行计算预测,将计算好的概率值写入CSV文件中,得到预测数据;
使用ROC曲线和相关辅助验证的统计指标对预训练的灾害易发模型总体性能进行评估。
进一步作为本方法优选实施例,所述根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率这一步骤,其具体包括:
根据地质灾害隐患点位置和发生日期提取对应位置和时间的有效降雨量;
将有效降雨量导入预训练的降雨诱发模型并进行计算预测,得到降雨诱发概率。
进一步作为本方法的优选实施例,所述预训练的降雨诱发模型的训练步骤具体包括:
获取地质灾害隐患点发生地质灾害时位置和日期;
以发生地质灾害当天及灾害发生前n天的相关降雨信息为正样本,当天及前n天未发生地质灾害的相关降雨信息为负样本,导入机器学习模型进行训练和验证,验证通过得到预训练的降雨诱发模型;
所述相关降雨信息包括有效降雨量、降雨持续时间和降雨强度。
具体地,地质灾害与降水有十分密切的联系,除了当日降水的作用之外,前期累积降水同样产生了影响。因此将降雨信息划分成降雨量、持续时间和降雨强度三个变量进行研究。
进一步作为本方法的优选实施例,所述有效降雨量的计算公式如下:
RC=R0+0.841R1+0.842R2+…+0.84nRn
上式中,RC表示有效降雨量,R0表示当日预报降雨量,Rn为前第n日对当前日有影响的降雨量,0.84表示降雨量的日衰减系数。
具体地,n的确定方法为:计算所有地质灾害隐患点发生地质灾害时n=1、2、3…15的有效降雨量,并对其进行相关性分析,相关性系数最大的即为区域n的取值。持续时间引入前n天降雨强度日数等级,以无雨、小雨(R24h<10mm)、中雨(10mm≤R24h<25mm)、大雨(25mm≤R24h<50mm)、暴雨及以上降水(R24h≥50mm)作为降雨强度指标,并统计灾害发生前n天达到中雨以上量级的日数。降雨强度引入临近24h降雨强度等级,统计灾害发生前24h所在区域的降雨强度。
具体地,地质灾害的发生是多因素综合导致的结果,归纳总结为两方面,一是地质环境的脆弱性,代表的是地质灾害空间上的相关因素,而二是地质灾害的诱发因素,代表的是地质灾害时间上的相关因素。在这两方面同时作用地质灾害才会发生,是一个条件概率事件。
一般而言,时间和空间滑坡概率被视为单独的产品,本发明将使用矩阵组合等方法组合上述滑坡概率,能够更好地突出潜在地质灾害活动的热点,另外,本发明可以对多种降雨情景进行构建而不是单一的空间评价。例如在频繁发生降雨条件的时间,具有中等易发概率的区域也会高概率导致地质灾害;降雨稀少条件下,部分高易发概率的区域导致地质灾害的可能性降低;并且可用于最坏情况下即极端降雨事件情况下用于估计大规模地质灾害发生的区域;有助于提高对滑坡灾害的认识,从而改善区域决策者的规划和与公众的沟通。
如图2所示,一种基于PUL算法的地质灾害时空联合预警系统,包括:
地质灾害位置图模块,用于获取地质灾害隐患点位置并绘制地质灾害位置图;
灾害易发概率,用于根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率;
灾害发生日期模块,用于获取地质灾害隐患点发生地质灾害时的日期;
降雨诱发概率模块,用于根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率;
地质灾害预测模块,用于将对应区域的灾害易发概率和降雨诱发概率进行叠加运算,预测地质灾害发生概率;
告警模块,用于判断到地质灾害发生概率大于预设阈值,进行告警。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,包括以下步骤:
获取地质灾害隐患点位置并绘制地质灾害位置图;
根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率;
获取地质灾害隐患点发生地质灾害时的日期;
根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率;
将对应区域的灾害易发概率和降雨诱发概率进行叠加运算,并生成地质灾害发生概率矩阵;
根据地质灾害发生概率矩阵对风险区域进行预警。
2.根据权利要求1所述一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,所述根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率这一步骤,其具体包括:
根据地质灾害位置图构建Tin模型并转化为数字高程模型,得到栅格和对应的栅格数据;
提取栅格数据中的相关特征并对栅格赋予ID号;
根据预训练的灾害易发模型对提取出的相关特征进行计算预测,得到预测数据;
将预测数据与对应的栅格ID号连接,得到对应区域的灾害易发概率。
3.根据权利要求2所述一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,所述预训练的灾害易发模型的训练步骤,其具体包括:
根据地质灾害隐患点位置生成地质灾害隐患点;
以地质灾害隐患点为正样本,将正样本和未标记数据导入PUL算法模型对未标记数据进行重新标记,得到训练集;
以训练集对PUL算法模型进行训练并验证,验证通过后得到预训练的灾害易发模型。
4.根据权利要求3所述一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,所述根据地质灾害位置图构建Tin模型并转化为数字高程模型,得到栅格和对应的栅格数据这一步骤,其具体包括:
根据地质灾害位置图获得1:10000比例尺等值线图;
将1:10000比例尺等值线图输入到三维地质建模工具并通过等高线构建Tin模型;
将Tin模型转换为数字高程模型并根据数字高程模型得到栅格和对应的栅格数据。
5.根据权利要求4所述一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,所述根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率这一步骤,其具体包括:
根据地质灾害隐患点位置和发生日期提取对应位置和时间的相关降雨信息;
将相关降雨信息导入预训练的降雨诱发模型并进行计算预测,得到降雨诱发概率。
6.根据权利要求5所述一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,所述预训练的降雨诱发模型的训练步骤具体包括:
获取地质灾害隐患点发生地质灾害时位置和日期;
以发生地质灾害当天及灾害发生前n天的相关降雨信息为正样本,当天及前n天未发生地质灾害的相关降雨信息为负样本,导入机器学习模型进行训练和验证,验证通过得到预训练的降雨诱发模型;
所述相关降雨信息包括有效降雨量、降雨持续时间和降雨强度。
7.根据权利要求6所述一种基于PUL算法的地质灾害时空联合预警方法,其特征在于,所述有效降雨量的计算公式如下:
RC=R0+0.841R1+0.842R2+…+0.84nRn
上式中,RC表示有效降雨量,R0表示当日预报降雨量,Rn表示前第n日对当前日有影响的降雨量,0.84表示降雨量的日衰减系数。
8.一种基于PUL算法的地质灾害时空联合预警系统,其特征在于,包括:
地质灾害位置图模块,用于获取地质灾害隐患点位置并绘制地质灾害位置图;
灾害易发概率模块,用于根据地质灾害位置图提取相关特征并基于预训练的灾害易发模型对提取出的相关特征进行计算预测,得到对应区域的灾害易发概率;
灾害发生日期模块,用于获取地质灾害隐患点发生地质灾害时的日期;
降雨诱发概率模块,用于根据地质灾害隐患点位置和发生日期提取相关降雨信息并生成降雨诱发概率;
地质灾害预测模块,用于将对应区域的灾害易发概率和降雨诱发概率进行叠加运算,并生成地质灾害发生概率矩阵;
告警模块,用于根据地质灾害发生概率矩阵对风险区域进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232937.1A CN112991688A (zh) | 2021-03-03 | 2021-03-03 | 一种基于pul算法的地质灾害时空联合预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232937.1A CN112991688A (zh) | 2021-03-03 | 2021-03-03 | 一种基于pul算法的地质灾害时空联合预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991688A true CN112991688A (zh) | 2021-06-18 |
Family
ID=76352182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232937.1A Pending CN112991688A (zh) | 2021-03-03 | 2021-03-03 | 一种基于pul算法的地质灾害时空联合预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991688A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394052A (zh) * | 2022-08-30 | 2022-11-25 | 重庆地质矿产研究院 | 基于机器学习获得地质灾害预警关键参数预测值的方法 |
CN115830804A (zh) * | 2022-10-24 | 2023-03-21 | 北京中地华安科技股份有限公司 | 易发分区约束下的管道地质灾害智能预警负样本采样法 |
CN118035879A (zh) * | 2024-04-11 | 2024-05-14 | 湖北省地质环境总站 | 一种基于InSAR与半监督学习的地质灾害隐患识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1371348A2 (en) * | 2002-06-10 | 2003-12-17 | Kao Corporation | An absorbent member and a method of producing an absorbent member |
CN104677313A (zh) * | 2015-02-16 | 2015-06-03 | 太原理工大学 | 多角度智能化岩体结构面粗糙度系数测量仪及其测量方法 |
CN209199164U (zh) * | 2018-12-25 | 2019-08-02 | 陕西地矿物化探队有限公司 | 地质灾害三维数字地质模型形成系统 |
CN111539100A (zh) * | 2020-04-17 | 2020-08-14 | 重庆地质矿产研究院 | 井场虚拟建设模型的生成方法、装置、设备及存储介质 |
CN112232526A (zh) * | 2020-09-28 | 2021-01-15 | 中山大学 | 一种基于集成策略的地质灾害易发性评价方法及系统 |
CN112307552A (zh) * | 2020-11-06 | 2021-02-02 | 中国葛洲坝集团易普力股份有限公司 | 一种基于实景三维建模的绿色矿山建设规划方法 |
-
2021
- 2021-03-03 CN CN202110232937.1A patent/CN112991688A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1371348A2 (en) * | 2002-06-10 | 2003-12-17 | Kao Corporation | An absorbent member and a method of producing an absorbent member |
CN104677313A (zh) * | 2015-02-16 | 2015-06-03 | 太原理工大学 | 多角度智能化岩体结构面粗糙度系数测量仪及其测量方法 |
CN209199164U (zh) * | 2018-12-25 | 2019-08-02 | 陕西地矿物化探队有限公司 | 地质灾害三维数字地质模型形成系统 |
CN111539100A (zh) * | 2020-04-17 | 2020-08-14 | 重庆地质矿产研究院 | 井场虚拟建设模型的生成方法、装置、设备及存储介质 |
CN112232526A (zh) * | 2020-09-28 | 2021-01-15 | 中山大学 | 一种基于集成策略的地质灾害易发性评价方法及系统 |
CN112307552A (zh) * | 2020-11-06 | 2021-02-02 | 中国葛洲坝集团易普力股份有限公司 | 一种基于实景三维建模的绿色矿山建设规划方法 |
Non-Patent Citations (3)
Title |
---|
刘云: "2002—2019年江西省省级地质灾害气象预警分析", 《华东地质》 * |
单九生: "诱发江西滑坡的降水特征分析", 《气象》 * |
王润: "区域尺度城市土地遥感监测关键技术研究", 《中国地质大学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394052A (zh) * | 2022-08-30 | 2022-11-25 | 重庆地质矿产研究院 | 基于机器学习获得地质灾害预警关键参数预测值的方法 |
CN115830804A (zh) * | 2022-10-24 | 2023-03-21 | 北京中地华安科技股份有限公司 | 易发分区约束下的管道地质灾害智能预警负样本采样法 |
CN115830804B (zh) * | 2022-10-24 | 2023-08-22 | 北京中地华安科技股份有限公司 | 易发分区约束下的管道地质灾害智能预警负样本采样法 |
CN118035879A (zh) * | 2024-04-11 | 2024-05-14 | 湖北省地质环境总站 | 一种基于InSAR与半监督学习的地质灾害隐患识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6770125B2 (ja) | 建築物改装に伴う損害防止の推定 | |
CN112991688A (zh) | 一种基于pul算法的地质灾害时空联合预警方法及系统 | |
Mastrandrea et al. | Bridging the gap: linking climate-impacts research with adaptation planning and management | |
Leedal et al. | Visualization approaches for communicating real‐time flood forecasting level and inundation information | |
Mesta et al. | Urban growth modelling and social vulnerability assessment for a hazardous Kathmandu Valley | |
Utazi et al. | Geospatial variation in measles vaccine coverage through routine and campaign strategies in Nigeria: Analysis of recent household surveys | |
Lee et al. | Landslide hazard mapping considering rainfall probability in Inje, Korea | |
CN115983093A (zh) | 一种输电线路塔基地质灾害预测方法和装置 | |
CN116680658B (zh) | 一种基于风险评价的热浪监测站选址方法及系统 | |
Gilleland et al. | Spatial extreme value analysis to project extremes of large‐scale indicators for severe weather | |
JP4701371B2 (ja) | 災害発生確率評価システムとそのプログラム | |
Kim et al. | Hurricane scenario generation for uncertainty modeling of coastal and inland flooding | |
Samiran Das et al. | Assessment of uncertainty in flood flows under climate change impacts in the Upper Thames River basin, Canada. | |
Hossain et al. | Comparison of estimation techniques for generalised extreme value (GEV) distribution parameters: a case study with Tasmanian rainfall | |
Ali et al. | Raingauge network optimization in a tropical urban area by coupling cross-validation with the geostatistical technique | |
de Oliveira Simoyama et al. | Optimization of rain gauge networks—a systematic literature review | |
Lee et al. | Application of fuzzy combination operators to flood vulnerability assessments in Seoul, Korea | |
JP2020060810A (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
Ponjiger et al. | Evaluation of rainfall erosivity in the Western Balkans by mapping and clustering ERA5 reanalysis data | |
Kohrangi et al. | Earthquake catastrophe risk modeling, application to the insurance industry: unknowns and possible sources of bias in pricing | |
Meehleis et al. | Snow load calculations for Alaska using GHCN data (1950–2017) | |
Phillips et al. | Identifying the pathways of extreme rainfall in South Africa using storm trajectory analysis and unsupervised machine learning techniques | |
Yıldız et al. | Application of improved visuvalization to the trend assessment of precipitation in the eastren Black sea basin, Turkey | |
CN117993707A (zh) | 一种基于人工智能的城市道路塌陷灾害风险评估方法及系统 | |
Vanderpuye | Investigating Spatio-Temporal Randomness of Large Earthquakes |
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: 20210618 |