CN113378396B - 一种小流域地质灾害隐患点早期识别的方法 - Google Patents
一种小流域地质灾害隐患点早期识别的方法 Download PDFInfo
- Publication number
- CN113378396B CN113378396B CN202110688942.3A CN202110688942A CN113378396B CN 113378396 B CN113378396 B CN 113378396B CN 202110688942 A CN202110688942 A CN 202110688942A CN 113378396 B CN113378396 B CN 113378396B
- Authority
- CN
- China
- Prior art keywords
- data
- geological
- disaster
- geological disaster
- hidden danger
- 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 71
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000011835 investigation Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000011160 research Methods 0.000 claims abstract description 12
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 230000006378 damage Effects 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 239000004575 stone Substances 0.000 claims description 7
- 239000011148 porous material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009530 blood pressure measurement Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 239000011362 coarse particle Substances 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 239000010419 fine particle Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000008595 infiltration Effects 0.000 claims description 2
- 238000001764 infiltration Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 238000010008 shearing Methods 0.000 claims description 2
- 238000005243 fluidization Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000000917 particle-image velocimetry Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明公开了一种小流域地质灾害隐患点早期识别的方法，包括如下步骤：(1)通过复合型高清晰空间识别技术和地面精细调查，构建小流域的地质灾害三维高精度数字场景；(2)借助于人工智能方法，开展小流域地质灾害空间和时间分布规律识别研究；(3)结合室内外试验和数值模拟方法，构建地质灾害启动判识模型与临界判别指标体系；(4)建立各类潜在隐患解译识别标志，形成地质灾害隐患早期识别技术方法。本发明通过复合型高清晰空间识别技术，并通过人工智能的方法，结合室内外试验和灾害启动数值模拟等，针对小流域开展地质灾害隐患点早期识别研究，其成果可以为地质灾害预报系统提供理论依据，同时为治理工程规划、设计等提供重要参数。
Description
技术领域
本发明属于地质灾害识别的创新方法技术领域，特别涉及一种小流域地质灾害隐患点早期识别的方法。
背景技术
地质灾害的早期识别技术是一个比较前沿的研究课题，旨在对潜在的灾害或者潜在的不稳定区域进行提前判别，及时指导工程活动进行避让或者对灾害进行防治。这一技术可以有效的减少地质灾害所带来的经济损失和人员伤亡，具有重要的现实意义。随着地质灾害形成机理研究的不断进步以及科学技术的不断发展，越来越多的新理论和新技术开始应用到地质灾害早期识别技术中来。捷克学者扎留巴《滑坡及其防治》，从土力学、岩石力学和工程地质学角度论述了滑坡产生的条件、因素、类型划分、野外勘察、室内试验、以及稳定性分析和治理方法等。1995年美国著名土力学家太沙基在《滑坡机理》一文中对滑坡产生的原因、过程、稳定性评价方法和一些工程实例作了较系统的阐述。乔建平在《滑坡减灾理论与实践》一书里首次提出了地质灾害识别主要是通过对遥感图像的分析和研究，或依据勘探技术手段或监测技术来达到对灾害稳定性、规模和发展阶段等的识别。
目前，国内外针对地质灾害隐患点早期识别技术方法主要采用InSAR、LiDAR和无人机光学遥感等技术，更多以定性判识为主，判识理论和方法比较零散，尚未形成一定的理论体系。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种小流域地质灾害隐患点早期识别的方法。本发明通过复合型高清晰空间识别技术，并通过人工智能的方法，结合室内外试验和灾害启动数值模拟等，针对小流域开展地质灾害隐患点早期识别研究，其成果可以为地质灾害预报系统提供理论依据，同时为治理工程规划、设计等提供重要参数。
本发明的目的是通过以下技术方案来实现的：
一种小流域地质灾害隐患点早期识别的方法，包括如下步骤：
S1：通过复合型高清晰空间识别技术和地面精细调查，构建小流域的地质灾害三维高精度数字场景；
S2：借助于人工智能方法，开展小流域地质灾害空间和时间分布规律识别研究；
S3：结合室内外试验和数值模拟方法，构建地质灾害启动判识模型与临界判别指标体系；
S4：建立各类潜在隐患解译识别标志，形成地质灾害隐患早期识别技术方法。
进一步地，所述方法还包括如下步骤：S0：对小流域地质灾害已有勘查和地质资料统计分析，其中，统计分析内容包括但不限于破坏时的位移数据、倾斜变形数据、雨量数据、变形破坏前后位置形态、破坏堆积范围、崩滑过程及岩土体物理力学参数等方面资料。
进一步地，所述步骤S1具体为：借助于InSAR、LiDAR和无人机光学遥感等技术，结合地面精细化调查，构建小流域的地质灾害三维高精度数字场景，以综合分析小流域地质灾害地表变形、岩土体结构、形态、水理特性等。
进一步地，所述步骤S2具体为：采用大数据挖掘和人工智能计算方法，开展泛结构化地质灾害大数据的各项特征，对小流域内地质灾害样本数据、并行计算、趋势预测、数据验证、自主学习、优化机制等处理。
进一步地，所述步骤S3具体为：利用模型试验和土工试验的方法，查明典型灾害隐患点土石组构、水理特性，观测灾害启动及变形破坏过程中各状态参数的动态演化规律，并结合数值模拟的方法构建大尺度地质灾害灾变过程演进物理模型，给出地质灾害隐患临界判别指标体系。
本发明的有益效果是：
随着近年来汶川地震(ms8.0)、芦山(Ms7.0)、九寨(Ms7.0)大地震接连发生，相关区域存在大量地质灾害隐患点。在降雨和重力侵蚀作用下，极易转化成次生灾害。因此，研究成果可直接应用于汶川、庐山和九寨沟地震灾区减灾防灾，也可以服务于全国地质灾害的防灾减灾工作。地质灾害临界启动转化机制及地质力学模型可应用于灾害动力演进模型构建与定量预测理论。地质灾害隐患点的识别，直接指导研究区灾前工程防治与群测群防、灾后已建工程减灾效果评价，为社会的平稳与人民生活及生命财产安全提供保障。
附图说明
图1为本发明的实例中的小流域地质灾害分布规律；
图2为本发明的实例中的小流域地质灾害复合型高清晰空间识别；
图3为本发明的实例中的高分辨率数据影像及数字高程模型；
图4为本发明的实例中多源异构地质灾害数据处理；
图5为本发明的实例中数据清洗和光滑噪声后自动识别结果；
图6为本发明的实例中小流域泥石流启动转化机制模拟；
图7为本发明的实例中小流域滑坡启动转化机制模拟；
图8为本发明的实例中地质灾害启动模型试验；
图9为本发明的实例中流程图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明通过复合型高清晰空间识别技术和地面精细调查，建立灾害数据库，借助于人工智能模型，开展小流域地质灾害空间和时间分布规律研究，并结合室内外试验和地质调查综合识别技术，探明地质灾害隐患点土石组构、水理特性、地层结构、地下水分布等特点，构建地质灾害启动判识模型与临界判别指标体系，建立各类潜在隐患解译识别标志，形成地质灾害隐患早期识别技术标准。
本发明提供一种技术方案：
一种小流域地质灾害隐患点早期识别的方法，包括如下步骤：
(1)对小流域地质灾害已有勘查和地质资料统计分析，其中，统计分析内容包括但不限于破坏时的位移数据、倾斜变形数据、雨量数据、变形破坏前后位置形态、破坏堆积范围、崩滑过程及岩土体物理力学参数等方面资料。
(2)通过复合型高清晰空间识别技术和地面精细调查，构建小流域的地质灾害三维高精度数字场景，具体为：借助于InSAR、LiDAR和无人机光学遥感等技术，结合地面精细化调查，构建小流域的地质灾害三维高精度数字场景，以综合分析小流域地质灾害地表变形、岩土体结构、形态、水理特性等。
(3)借助于人工智能方法，开展小流域地质灾害空间和时间分布规律识别研究；具体为：采用大数据挖掘和人工智能计算方法，开展泛结构化地质灾害大数据的各项特征，对小流域内地质灾害样本数据、并行计算、趋势预测、数据验证、自主学习、优化机制等处理。
(4)结合室内外试验和数值模拟方法，构建地质灾害启动判识模型与临界判别指标体系；具体为：利用模型试验和土工试验的方法，查明典型灾害隐患点土石组构、水理特性，观测灾害启动及变形破坏过程中各状态参数的动态演化规律，并结合数值模拟的方法构建大尺度地质灾害灾变过程演进物理模型，给出地质灾害隐患临界判别指标体系。
(5)建立各类潜在隐患解译识别标志，形成地质灾害隐患早期识别技术方法。
具体实施例：
一种小流域地质灾害隐患点早期识别方法，其包括以下步骤：
(1)对小流域地质灾害已有勘查和地质资料统计分析(图1)，包括破坏时的位移数据，倾斜变形数据，雨量数据，变形破坏前后位置形态、破坏堆积范围、崩滑过程及岩土体物理力学参数等方面资料。
(2)借助于高精度遥感、InSAR、LiDAR等复合型高清晰空间识别技术(图2)，通过安装在无人机载体上的激光探测和测距系统，量测小流域地质灾害变化过程，获得高分辨率数据影像及数字高程模型(图3)，根据构造、滑坡、崩塌、岩堆、泥石流等不良地质体空间分布形态的具体数据，实现遥感解译由定性化向定量化的转变，从而为确定不良地质体的规模大小、发展趋势提供依据。
(3)基于光学遥感影像数据，采用大数据挖掘和人工智能计算方法，开展泛结构化地质灾害大数据的各项特征，利用信息量模型、逻辑回归等数理统计模型，神经网络、随机森林等机器学习模型以及无限斜坡模型、3D-PCSTABL等确定性模型，对小流域内地质灾害样本数据、并行计算、趋势预测、数据验证、自主学习、优化机制等处理。
(4)分析各类数据的来源、费用、获取方式和接口等，针对基于开放服务协议的专业数据或众源数据，设计标准接口为项目提供可靠的标准化数据，包括天基物联网的动态监测数据接口标准化，天、空、地协同监测网的动态监测数据接口标准化，公共网络空间共享数据服务接口标准化，外援数据接口标准化。根据数据应用场景不同，对数据进行定标、分类和整理，建立统一的数据模型和编码结构(图4)。对原始数据进行数据清洗和稀疏数据插补，针对地质灾害数据的特点，通过填写缺失值、光滑噪声数据、识别或删除离群点等方法，清洗和插补数据。研究基于零均值标准化的方法对整理的多源异构数据进行归一化处理，同时有效减弱噪声或奇异点对模型性能的影响实时数据可以利用均值平滑和函数拟合去除数据中的噪声，运用密度聚类方法对数据进行归档和离群点检测。基于时空特征研究数据间在时间上和空间上的关联关系，进而基于其特征建立数据间的索引，满足模型的需求(图5)。
(5)结合已有的工程地质资料，利用地质雷达(GPR)，获取多条纵、横测线剪切波速度二维剖面，解译典型灾害点地层结构和地下水分布以及变化的特征。通过物性试验、颗粒分析、扫描电镜(SEM)，分析滑坡堆积体土石结构、组成、孔隙和填充等特性；通过不同土石组构下的大型渗透仪试验，查明粗细颗组成和结构对渗透的影响和规律确定；用三轴试验、变水头渗透试验装置，量测在不同渗水过程及不同应力作用下的岩土的抗剪强度、内摩擦角、内聚力、渗透系数等流动化过程中物理力学参数的变化情况及规律。为灾害识别地质灾害灾变临界判别指标和数值计算提供基础数据。
(6)将模型控制方程进行时间空间域的高精度离散，形成适合自适应网格计算的矩阵形式，在现有商业数值模拟软件平台并结合GIS平台共同搭建数值计算平台，对滑坡堆积体的灾变演进过程进行数值仿真，构建不同灾种临界启动转化机制与临界判别指标(图6、7)。
(7)利用高清摄象机录制的试验全过程，并结合PIV(Particle ImageVelocimetry)粒子图像测试技术测定模型试验中观察面内任意点在任意时刻的位移，可以获得丰富的溃散性或剪切变形直至破坏的完整过程，从而深入研究雨量与地表变形发展、应变局部化形成及其与斜坡破坏过程的关系。通过孔压计量测降雨条件下斜坡内部孔隙水压力及水位计量测地下水位水头高度，水分计量测坡体表面体积含水量随降雨过程的变化规律。再通过设置于坡体表面不同高度的地表倾斜仪监测滑坡堆积体破坏时位移场变化情况。通过室内多状态(几何形状、相似材料、不同降雨量等)的反复试验，构建地质灾害启动演进过程模型，并对数值算法进行优化(图7)。
对比空间识别技术、土工试验以及地球物理勘察技术等手段对研究成果进行检验，进一步采用空间识别、野外勘测识别、数值模拟相结合的方法，逐渐修正地质灾害隐患早期识别关键技术各级各状态参数灾变过程临界指标，并交付相关部门使用。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (1)
1.一种小流域地质灾害隐患点早期识别的方法，其特征在于，包括如下步骤：
S1：通过复合型高清晰空间识别技术和地面精细调查，构建小流域的地质灾害三维高精度数字场景；
S2：借助于人工智能方法，开展小流域地质灾害空间和时间分布规律识别研究；
S3：结合室内外试验和数值模拟方法，构建地质灾害启动判识模型与临界判别指标体系；
S4：建立各类潜在隐患解译识别标志，形成地质灾害隐患早期识别技术方法；
还包括如下步骤：
S0：对小流域地质灾害已有勘查和地质资料统计分析，其中，统计分析内容包括但不限于破坏时的位移数据、倾斜变形数据、雨量数据、变形破坏前后位置形态、破坏堆积范围、崩滑过程及岩土体物理力学参数方面资料；
所述步骤S1具体为：借助于InSAR、LiDAR和无人机光学遥感技术，结合地面精细化调查，构建小流域的地质灾害三维高精度数字场景，以综合分析小流域地质灾害地表变形、岩土体结构、形态、水理特性；
所述步骤S2具体为：采用大数据挖掘和人工智能计算方法，开展泛结构化地质灾害大数据的各项特征，对小流域内地质灾害样本数据、并行计算、趋势预测、数据验证、自主学习、优化机制处理；
所述步骤S3具体为：利用模型试验和土工试验的方法，查明典型灾害隐患点土石组构、水理特性，观测灾害启动及变形破坏过程中各状态参数的动态演化规律，并结合数值模拟的方法构建大尺度地质灾害灾变过程演进物理模型，给出地质灾害隐患临界判别指标体系；
分析各类数据的来源、费用、获取方式和接口，针对基于开放服务协议的专业数据或众源数据，设计标准接口为项目提供可靠的标准化数据，包括天基物联网的动态监测数据接口标准化，天、空、地协同监测网的动态监测数据接口标准化，公共网络空间共享数据服务接口标准化，外援数据接口标准化；
根据数据应用场景不同，对数据进行定标、分类和整理，建立统一的数据模型和编码结构对原始数据进行数据清洗和稀疏数据插补，针对地质灾害数据的特点，通过填写缺失值、光滑噪声数据、识别或删除离群点方法，清洗和插补数据；
研究基于零均值标准化的方法对整理的多源异构数据进行归一化处理，同时有效减弱噪声或奇异点对模型性能的影响实时数据利用均值平滑和函数拟合去除数据中的噪声，运用密度聚类方法对数据进行归档和离群点检测，基于时空特征研究数据间在时间上和空间上的关联关系，进而基于其特征建立数据间的索引，满足模型的需求；
结合已有的工程地质资料，利用地质雷达，获取多条纵、横测线剪切波速度二维剖面，解译典型灾害点地层结构和地下水分布以及变化的特征，通过物性试验、颗粒分析、扫描电镜，分析滑坡堆积体土石结构、组成、孔隙和填充特性；通过不同土石组构下的大型渗透仪试验，查明粗细颗组成和结构对渗透的影响和规律确定；用三轴试验、变水头渗透试验装置，量测在不同渗水过程及不同应力作用下的岩土的抗剪强度、内摩擦角、内聚力、渗透系数流动化过程中物理力学参数的变化情况及规律，为灾害识别地质灾害灾变临界判别指标和数值计算提供基础数据；
将模型控制方程进行时间空间域的高精度离散，形成适合自适应网格计算的矩阵形式，在现有商业数值模拟软件平台并结合GIS平台共同搭建数值计算平台，对滑坡堆积体的灾变演进过程进行数值仿真，构建不同灾种临界启动转化机制与临界判别指标；
利用高清摄象机录制的试验全过程，并结合PIV粒子图像测试技术测定模型试验中观察面内任意点在任意时刻的位移，获得丰富的溃散性或剪切变形直至破坏的完整过程，从而深入研究雨量与地表变形发展、应变局部化形成及其与斜坡破坏过程的关系；通过孔压计量测降雨条件下斜坡内部孔隙水压力及水位计量测地下水位水头高度，水分计量测坡体表面体积含水量随降雨过程的变化规律；再通过设置于坡体表面不同高度的地表倾斜仪监测滑坡堆积体破坏时位移场变化情况；通过室内多状态的反复试验，构建地质灾害启动演进过程模型，并对数值算法进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110688942.3A CN113378396B (zh) | 2021-06-22 | 2021-06-22 | 一种小流域地质灾害隐患点早期识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110688942.3A CN113378396B (zh) | 2021-06-22 | 2021-06-22 | 一种小流域地质灾害隐患点早期识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378396A CN113378396A (zh) | 2021-09-10 |
| CN113378396B true CN113378396B (zh) | 2023-11-24 |
Family
ID=77578206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110688942.3A Active CN113378396B (zh) | 2021-06-22 | 2021-06-22 | 一种小流域地质灾害隐患点早期识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378396B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975576B (zh) * | 2023-09-19 | 2024-01-05 | 四川省公路规划勘察设计研究院有限公司 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
| CN117475314B (zh) * | 2023-12-28 | 2024-03-12 | 自然资源部第三地理信息制图院 | 一种地质灾害隐患立体识别方法、系统及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729550A (zh) * | 2013-12-18 | 2014-04-16 | 河海大学 | 基于传播时间聚类分析的多模型集成洪水预报方法 |
| 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 |
| CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
| CN108010278A (zh) * | 2017-12-25 | 2018-05-08 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流灾害险情动态预警方法、精细化分级监测预警方法 |
| CN110737875A (zh) * | 2019-09-24 | 2020-01-31 | 浙江省水利河口研究院 | 一种中长期山洪灾害预警预判方法 |
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN111693112A (zh) * | 2020-05-12 | 2020-09-22 | 熊洪清 | 一种基于物联网的小流域水位监测装置及其使用方法 |
| CN112037474A (zh) * | 2020-09-08 | 2020-12-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 多传感器层次化泥石流监测预警方法、系统、计算机设备 |
| CN112819958A (zh) * | 2021-03-01 | 2021-05-18 | 徐一帆 | 一种基于三维激光扫描的工程地质测绘方法与系统 |
| CN112923904A (zh) * | 2021-01-26 | 2021-06-08 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11107025B2 (en) * | 2016-12-13 | 2021-08-31 | STREAM METHODS, Inc. | System and method for producing and distributing information relevant to water events |
| US11042961B2 (en) * | 2019-06-17 | 2021-06-22 | Risk Management Solutions, Inc. | Spatial processing for map geometry simplification |
-
2021
- 2021-06-22 CN CN202110688942.3A patent/CN113378396B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729550A (zh) * | 2013-12-18 | 2014-04-16 | 河海大学 | 基于传播时间聚类分析的多模型集成洪水预报方法 |
| 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 |
| CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
| CN108010278A (zh) * | 2017-12-25 | 2018-05-08 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流灾害险情动态预警方法、精细化分级监测预警方法 |
| CN110737875A (zh) * | 2019-09-24 | 2020-01-31 | 浙江省水利河口研究院 | 一种中长期山洪灾害预警预判方法 |
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN111693112A (zh) * | 2020-05-12 | 2020-09-22 | 熊洪清 | 一种基于物联网的小流域水位监测装置及其使用方法 |
| CN112037474A (zh) * | 2020-09-08 | 2020-12-04 | 中国科学院、水利部成都山地灾害与环境研究所 | 多传感器层次化泥石流监测预警方法、系统、计算机设备 |
| CN112923904A (zh) * | 2021-01-26 | 2021-06-08 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
| CN112819958A (zh) * | 2021-03-01 | 2021-05-18 | 徐一帆 | 一种基于三维激光扫描的工程地质测绘方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多源数据耦合的尾矿库地灾危险源监测与风险评估——以万年沟尾矿库为例;王立娟;《中国博士学位论文全文数据库基础科学辑》(第06期);第A011-18页正文摘要、第2,4-6章、结论与展望 * |
| 基于小流域的地震扰动区降雨型滑坡泥石流危险性评价方法;王萌 等;《吉林大学学报（地球科学版）》;第1781-1788页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378396A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107829452B (zh) | 一种融合多传感器及地基sar的深基坑施工监测预警技术 | |
| CN111191880B (zh) | 一种基于数字化映射的边坡全生命周期安全管理方法 | |
| KR101642951B1 (ko) | Ｇｉｓ 기반 실시간 지진피해 예측 방법 | |
| CN113378396B (zh) | 一种小流域地质灾害隐患点早期识别的方法 | |
| KR101927659B1 (ko) | 건축물 영역에 대한 대표 지반조건 결정 방법 | |
| CN109447493B (zh) | 一种基于物源活动强度的震后泥石流危险性评价方法 | |
| Leu et al. | Probabilistic prediction of tunnel geology using a Hybrid Neural-HMM | |
| CN113283802A (zh) | 一种复杂艰险山区滑坡危险性评估方法 | |
| Wu et al. | Three-dimensional geological modeling and its application in digital mine | |
| CN111144656A (zh) | 一种基于gis的灾害评价分析方法 | |
| CN108153985B (zh) | 一种轨道交通岩土工程三维智能信息系统 | |
| CN111339691A (zh) | 一种基于voxler软件的智慧岩土工程参数三维分析与评价系统及方法 | |
| CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
| Xue et al. | An analytical model for assessing soft rock tunnel collapse risk and its engineering application | |
| Hansberry et al. | How wide is a fault damage zone? Using network topology to examine how fault-damage zones overprint regional fracture networks | |
| Cardarilli et al. | Landslide risk management through spatial analysis and stochastic prediction for territorial resilience evaluation | |
| Ren et al. | Design and construction of the knowledge base system for geological outfield cavities classifications: An example of the fracture-cavity reservoir outfield in Tarim basin, NW China | |
| Tao et al. | Rock mass quality prediction of open-pit gold mine slope based on the kriging interpolation method | |
| CN116502748A (zh) | 融合多影响因素的滑坡空间风险性预警决策机制研究方法 | |
| Shen | Non-deterministic analysis of slope stability based on numerical simulation | |
| CN115099111A (zh) | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 | |
| Yin et al. | A technical note on the application of interpolation method on modeling of 3D surface rock layer | |
| CN113240357A (zh) | 一种红层地区公路边坡稳定性快速评价方法 | |
| CN112906319A (zh) | 一种基于无人机遥感与三维sph的尾矿库溃坝泥浆演进模拟方法 | |
| Li et al. | Exploration on Big Data Architecture and its Correlation Analysis for Safety Monitoring in Operation of Basin’s Hydro-junctions |
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 |