CN113379122A - 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法 - Google Patents

一种基于概率神经网络模型的泥石流沟堵塞程度预测方法 Download PDF

Info

Publication number
CN113379122A
CN113379122A CN202110639590.2A CN202110639590A CN113379122A CN 113379122 A CN113379122 A CN 113379122A CN 202110639590 A CN202110639590 A CN 202110639590A CN 113379122 A CN113379122 A CN 113379122A
Authority
CN
China
Prior art keywords
debris flow
indexes
neural network
probabilistic neural
index
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
Application number
CN202110639590.2A
Other languages
English (en)
Other versions
CN113379122B (zh
Inventor
王雪冬
王翠
王海鹏
陈泓桄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202110639590.2A priority Critical patent/CN113379122B/zh
Publication of CN113379122A publication Critical patent/CN113379122A/zh
Application granted granted Critical
Publication of CN113379122B publication Critical patent/CN113379122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—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
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)

Abstract

本发明涉及泥石流防治工程技术领域，提供一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，首先搜集泥石流沟地质资料，依据实际的泥石流发育特征初选影响泥石流沟堵塞程度指标；然后对指标进行量化；利用极大不相关法进行指标筛选，计算指标间的复相关系数，确定出筛选后的指标体系；利用指标筛选后的样本提取训练集与测试集，进行概率神经网络训练，建立概率神经网络模型；最后利用测试集对概率神经网络模型进行仿真测试，选择合理的径向基函数扩展速度，确定出概率神经网络预测模型。本发明能够客观地考虑泥石流沟堵塞程度的影响因素，并利用极大不相关法剔除无效指标，以此建立概率神经网络预测模型，可有效提高预测的准确性。

Description

一种基于概率神经网络模型的泥石流沟堵塞程度预测方法
技术领域
本发明涉及泥石流防治工程技术领域，一种基于概率神经网络模型的泥石流沟堵塞程度预测方法。
在进行泥石流隐患的排查和危险性评价时，不仅要分析泥石流暴发造成的直接威胁和危害，还应关注泥石流灾害链效应造成的间接威胁和危害，泥石流沟堵塞程度的合理预测是防灾减灾工作的基础。
《泥石流灾害防治工程勘查规范》(T/CAGHP 006-2018)中J.9、J.10均适用于黏性阵流堵塞系数的估算，但由于泥石流沟堵塞原因复杂，堵塞时间和泥石流流量并非决定阻塞程度的全部因素，并且泥石流暴发时的实测堵塞时间及泥石流流量等参数很难准确获得，因此，估算方法需要改进；刘翠容、姚令侃等《震后灾区泥石流阻塞大河判据与成灾模式试验研究》根据模型试验数据导出了堵塞系数的对数函数表达式，作为泥石流局部阻塞大河的判据；刘翠容、姚令侃《泥石流堵塞大河的特点及异岸受灾判据研究》研究了典型堵河事件，提出了泥石流堵塞大河的特点，运用数值模拟方法分析主河在不同堵塞系数时的水流流场，基于信息熵原理分析主河流场有序度，得出堵塞系数作为泥石流局部堵河异岸受灾判据；党超、程尊兰等《泥石流堵塞主河条件》分析了泥石流堵河的主要影响因素，通过对主要因素的分析和对比，将其简化为无量纲量并进行了系列泥石流堵塞主河试验，得出无量纲化的泥石流堵塞主河的临界条件，用该堵塞主河的条件能正确判断许多原型泥石流堵塞主河事件。但是已有的文献对现有的泥石流沟堵塞程度的计算和预测都受限于泥石流的类型，很难应用于不同地区、不同类型的泥石流沟。因此，针对进行泥石流沟堵塞程度的预测需要，建立一种考虑实际多因素影响下的泥石流沟堵塞程度预测模型是必要的。
发明内容
针对现有方法存在的问题，本发明提供一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，考虑不同指标的影响，过程简便。
本发明的技术方案为：
一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，其特征在于，包括下述步骤：
步骤1：搜集泥石流沟地质资料，所述地质资料包括研究区泥石流调查报告、遥感影像和DEM数据；依据实际的泥石流发育特征初选影响泥石流沟堵塞程度的p项指标，所述p项指标包括泥石流形成的地形地貌条件、地质条件、水源条件和物源条件；
步骤2：利用所述步骤1中的地质资料对p项指标进行量化，所述量化的方法包括遥感影像和DEM数据解译、研究区泥石流调查报告的分析和计算；
步骤3：利用极大不相关法进行指标筛选，根据初选的p项指标，计算各项指标之间的复相关系数，确定出筛选后的指标体系，所述利用极大不相关法进行指标筛选的步骤为
步骤3.1 确定分析样本，p项指标的n组评价对象值构成的样本
Figure RE-666562DEST_PATH_IMAGE002
（1）
步骤3.2 求解样本X的协差阵及相关阵，分别记为V(x)、R(x)
Figure RE-335440DEST_PATH_IMAGE003
（2）
其中：i、j=1、2、……、p，i=j时，σ ij表示x ai 的方差；i≠j时，σ ij 为x ai 与x aj 的协方差；
步骤3.3 计算每个指标和其他p-1个指标间的复相关系数，将矩阵R的第i行、第j列置换到矩阵的最后一行和最后一列，记为R’，将R’分块为
Figure RE-892586DEST_PATH_IMAGE004
（3）
其中：R -i 是R'的1到p-1行与1到p-1列间的元素组成的矩阵，r i 是R'的p列与1到p-1行元素组成的矩阵，r i T 是R'的P行与1到P-1列元素组成的矩阵；
步骤3.4 指标x ai 与其他p-1个指标间的复相关系数公式为
Figure RE-646915DEST_PATH_IMAGE006
（4）
其中：R -1 -i 是R -i 的逆矩阵；
步骤3.5 当指标
Figure RE-446244DEST_PATH_IMAGE007
的复相关系数r 2 i 大于临界值D时，该项指标予以剔除，保留未被剔除的指标；
所述步骤3.5中，临界值D的确定公式为
Figure RE-31946DEST_PATH_IMAGE009
（5）
其中：r 2 i 为所述步骤3.4中的复相关系数。
步骤4：由步骤3中所述的进行指标筛选后的样本X提取训练集与测试集，利用训练集进行概率神经网络训练，建立概率神经网络模型，所述的利用训练集进行概率神经网络训练是以训练集样本做输入，经隐含层和求和层计算，以训练集样本对应的泥石流沟堵塞程度等级做输出进行的；
所述步骤4中，所述的训练集要求各泥石流沟堵塞程度等级的样本数量相同；所述的泥石流沟堵塞程度等级，分为轻微、中等和严重三级；
步骤5：利用步骤4中所述的测试集对概率神经网络模型进行仿真测试，选择合理的径向基函数扩展速度，确定出概率神经网络预测模型；
所述步骤5中，所述选择合理的径向基函数扩展速度是指通过调整径向基扩展速度值，使预测结果的准确率最高。
本发明的有益效果为：
（1）本发明结合《泥石流灾害防治工程勘查规范》(T/CAGHP 006-2018)和研究区地质环境特征，能够客观地考虑泥石流沟堵塞程度的影响因素，是一种合理的预测方法；
（2）本发明利用极大不相关法进行指标筛选，计算过程简单，结果可靠，可有效剔除无效指标，并以此为基础建立概率神经网络预测模型，能够有效地提高泥石流沟阻塞程度预测的准确性。
附图说明
图1为本发明基于概率神经网络模型的泥石流沟堵塞程度预测方法实例的流程图；图2为本发明概率神经网络模型原理图。图中，Xαi-训练集样本输入，y-泥石流沟堵塞等级输出。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，为本发明一种基于概率神经网络模型的泥石流沟堵塞程度预测方法实例的流程图。本发明的一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，其特征在于，包括下述步骤：
步骤1：搜集泥石流沟地质资料，所述地质资料包括研究区泥石流调查报告、遥感影像和DEM数据；依据实际的泥石流发育特征初选影响泥石流沟堵塞程度的p项指标，所述p项指标包括泥石流形成的地形地貌条件、地质条件、水源条件和物源条件；
本实施例中，以某市泥石流沟阻塞程度为预测对象，依据实际的泥石流发育特征，选择了泥石流堆积物方量、曲率、黏性颗粒含量、单位面积碎屑物储量、主沟纵坡、流域面积、沟道平均坡度、崩滑等级、地震等级、面暴雨强度和泥石流峰值流量作为影响泥石流沟堵塞程度的11项初选指标。
步骤2：利用所述步骤1中的地质资料对p项指标进行量化，所述量化的方法包括遥感影像和DEM数据解译、研究区泥石流调查报告的分析和计算；
本实施例中，利用遥感影像解译得泥石流堆积物方量参数；利用DEM数据解译出曲率、黏性颗粒含量和单位面积碎屑物储量参数；利用研究区泥石流调查报告分析和计算得主沟纵坡、流域面积、沟道平均坡度、崩滑等级、地震等级、面暴雨强度和泥石流峰值流量参数。
步骤3：利用极大不相关法进行指标筛选，根据初选的p项指标，计算各项指标之间的复相关系数，确定出筛选后的指标体系，所述利用极大不相关法进行指标筛选的步骤为
步骤3.1 确定分析样本，p项指标的n组评价对象值构成的样本X为
Figure RE-461790DEST_PATH_IMAGE010
（1）
步骤3.2 求解样本X的协差阵及相关阵，分别记为V(x)、R(x)
Figure RE-765733DEST_PATH_IMAGE011
（2）
其中：i、j=1、2、……、p，i=j时，σ ij表示x ai 的方差；i≠j时，σ ij 为x ai 与x aj 的协方差；
步骤3.3 计算每个指标和其他p-1个指标间的复相关系数，将矩阵R的第i行、第j列置换到矩阵的最后一行和最后一列，记为R’，将R’分块为
Figure RE-601708DEST_PATH_IMAGE013
（3）
其中：R -i 是R'的1到p-1行与1到p-1列间的元素组成的矩阵，r i 是R'的p列与1到p-1行元素组成的矩阵，r i T 是R'的P行与1到P-1列元素组成的矩阵；
步骤3.4 指标x ai 与其他p-1个指标间的复相关系数公式为
Figure RE-245179DEST_PATH_IMAGE015
（4）
其中：R -1 -i 是R -i 的逆矩阵；
本实施例中，p为11项指标，n为35组泥石流沟数据，将数据代入上述（2）-（4）步骤的公式中，计算得出11项指标的复相关系数分别为0.7593（泥石流堆积物方量）、0.1099（曲率）、0.2649（黏性颗粒含量）、0.4849（单位面积碎屑物储量）、0.7077（主沟纵坡）、0.9493（流域面积）、1（沟道平均坡度）、0.171（崩滑等级）、0.3339（地震等级）、0.8958（面暴雨强度）和0.8668（泥石流峰值流量）；
步骤3.5 当指标
Figure RE-642663DEST_PATH_IMAGE016
的复相关系数r 2 i 大于临界值D时，该项指标予以剔除，保留未被剔除的指标；
所述步骤3.5中，临界值D的确定公式为
Figure RE-DEST_PATH_IMAGE017
（5）
其中：r 2 i 为所述步骤3.4中的复相关系数。
本实施例中，将计算出的复相关系数代入临界值D的确定公式中得D=0.95，此时有沟道平均坡度的复相关系数大于D，故将该项指标进行剔除，得到余下的10项指标。
步骤4：由步骤3中所述的进行指标筛选后的样本X提取训练集与测试集，利用训练集进行概率神经网络训练，建立概率神经网络模型，如附图2所示，所述的利用训练集进行概率神经网络训练是以训练集样本做输入，经隐含层和求和层计算，以训练集样本对应的泥石流沟堵塞程度等级做输出进行的；
所述步骤4中，所述的训练集要求各泥石流沟堵塞程度等级的样本数量相同；所述的泥石流沟堵塞程度等级，分为轻微、中等和严重三级；
本实施例中，所述利用极大不相关法进行指标筛选后的指标分别为泥石流堆积物方量（C1）、曲率（C2）、黏性颗粒含量（C3）、单位面积碎屑物储量（C4）、主沟纵坡（C5）、流域面积（C6）、崩滑等级（C7）、地震等级（C8）、面暴雨强度（C9）和泥石流峰值流量（C10）如下表1所示。
表1
Figure 549886DEST_PATH_IMAGE014
确定表1中编号为1-7、9-15、19-25的样本为训练集输入，其对应的泥石流沟堵塞程度等级做输出，建立概率神经网络模型。
步骤5：利用步骤4中所述的测试集对概率神经网络模型进行仿真测试，选择合理的径向基函数扩展速度，确定出概率神经网络预测模型；
所述步骤5中，所述选择合理的径向基函数扩展速度是指通过调整径向基扩展速度值，使预测结果的准确率最高；
本实施例中，编号为8、16-18、26-35的样本为测试集，概率神经网络的径向基函数扩展速度通过调整为1.7时，预测结果的准确率最高为100%，如表2所示。
表2
Figure 932325DEST_PATH_IMAGE016
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (4)

1.一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，其特征在于，包括下述步骤：
步骤1：搜集泥石流沟地质资料，所述地质资料包括研究区泥石流调查报告、遥感影像和DEM数据；依据实际的泥石流发育特征初选影响泥石流沟堵塞程度的p项指标，所述p项指标包括泥石流形成的地形地貌条件、地质条件、水源条件和物源条件；
步骤2：利用所述步骤1中的地质资料对p项指标进行量化，所述量化的方法包括遥感影像和DEM数据解译、研究区泥石流调查报告的分析和计算；
步骤3：利用极大不相关法进行指标筛选，根据初选的p项指标，计算各项指标之间的复相关系数，确定出筛选后的指标体系，所述利用极大不相关法进行指标筛选的步骤为
步骤3.1 确定分析样本，p项指标的n组评价对象值构成的样本X为
Figure DEST_PATH_IMAGE001
（1）
步骤3.2 求解样本X的协差阵及相关阵，分别记为V(x)、R(x)
Figure 97980DEST_PATH_IMAGE002
（2）
其中：i、j=1、2、……、p，i=j时，
Figure DEST_PATH_IMAGE003
表示
Figure 664704DEST_PATH_IMAGE004
的方差；i≠ j时，
Figure 988369DEST_PATH_IMAGE003
为
Figure 236947DEST_PATH_IMAGE004
与
Figure DEST_PATH_IMAGE005
的协方差；
步骤3.3 计算每个指标和其他p-1个指标间的复相关系数，将矩阵R的第i行、第j列置换到矩阵的最后一行和最后一列，记为R’，将R’分块为
r(x)=
Figure DEST_PATH_IMAGE007
（3）
其中：R -i 是R'的1到p-1行与1到p-1列间的元素组成的矩阵，r i 是R'的p列与1到p-1行元素组成的矩阵，r i T 是R'的P行与1到P-1列元素组成的矩阵；
步骤3.4 指标
Figure 445206DEST_PATH_IMAGE008
与其他p-1个指标间的复相关系数公式为
Figure DEST_PATH_IMAGE009
（4）
其中：
Figure 869365DEST_PATH_IMAGE010
是R -i 的逆矩阵；
步骤3.5 当指标
Figure 626581DEST_PATH_IMAGE008
的复相关系数
Figure DEST_PATH_IMAGE011
大于临界值D时，该项指标予以剔除，保留未被剔 除的指标；
步骤4：由步骤3中所述的进行指标筛选后的样本X提取训练集与测试集，利用训练集进行概率神经网络训练，建立概率神经网络模型，所述的利用训练集进行概率神经网络训练是以训练集样本做输入，经隐含层和求和层计算，以训练集样本对应的泥石流沟堵塞程度等级做输出进行的；
步骤5：利用步骤4中所述的测试集对概率神经网络模型进行仿真测试，选择合理的径向基函数扩展速度，确定出概率神经网络预测模型。
2.根据权利要求1所述的一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，其特征在于，所述步骤3.5中，临界值D的确定公式为
D=0.95·max（
Figure 34560DEST_PATH_IMAGE012
） （5）
其中：
Figure 905564DEST_PATH_IMAGE011
为所述步骤3.4中的复相关系数。
3.根据权利要求1所述的一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，其特征在于，所述步骤4中，所述的训练集要求各泥石流沟堵塞程度等级的样本数量相同；所述的泥石流沟堵塞程度等级，分为轻微、中等和严重三级。
4.根据权利要求1所述的一种基于概率神经网络模型的泥石流沟堵塞程度预测方法，其特征在于，所述步骤5中，所述选择合理的径向基函数扩展速度是指通过调整径向基扩展速度值，使预测结果的准确率最高。
CN202110639590.2A 2021-06-09 2021-06-09 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法 Active CN113379122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110639590.2A CN113379122B (zh) 2021-06-09 2021-06-09 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110639590.2A CN113379122B (zh) 2021-06-09 2021-06-09 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法

Publications (2)

Publication Number Publication Date
CN113379122A true CN113379122A (zh) 2021-09-10
CN113379122B CN113379122B (zh) 2024-04-23

Family

ID=77573010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110639590.2A Active CN113379122B (zh) 2021-06-09 2021-06-09 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法

Country Status (1)

Country Link
CN (1) CN113379122B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116174125A (zh) * 2023-02-21 2023-05-30 龙游县河道疏浚砂资源开发有限公司 一种砂石分选设备管理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012088775A1 (zh) * 2010-12-31 2012-07-05 中国科学院水利部成都山地灾害与环境研究所 一种主河输移控制型泥石流防治方法
CN102651053A (zh) * 2012-04-01 2012-08-29 中国科学院地理科学与资源研究所 基于贝叶斯网络模型的泥石流灾害危险性评价方法
CN104331744A (zh) * 2014-10-17 2015-02-04 中国科学院、水利部成都山地灾害与环境研究所 一种泥石流危险度评价方法
CN109214084A (zh) * 2018-09-03 2019-01-15 国网浙江省电力有限公司舟山供电公司 孔压静力触探海底土层划分方法及系统
US20200294128A1 (en) * 2018-05-06 2020-09-17 Strong Force TX Portfolio 2018, LLC System and method of a smart contract and distributed ledger platform with blockchain custody service
CN111967648A (zh) * 2020-07-20 2020-11-20 西安工程大学 一种基于宽度学习模型的泥石流灾害预报方法
CN112347700A (zh) * 2020-11-27 2021-02-09 西安交通工程学院 一种泥石流发生概率及规模预报方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012088775A1 (zh) * 2010-12-31 2012-07-05 中国科学院水利部成都山地灾害与环境研究所 一种主河输移控制型泥石流防治方法
CN102651053A (zh) * 2012-04-01 2012-08-29 中国科学院地理科学与资源研究所 基于贝叶斯网络模型的泥石流灾害危险性评价方法
CN104331744A (zh) * 2014-10-17 2015-02-04 中国科学院、水利部成都山地灾害与环境研究所 一种泥石流危险度评价方法
US20200294128A1 (en) * 2018-05-06 2020-09-17 Strong Force TX Portfolio 2018, LLC System and method of a smart contract and distributed ledger platform with blockchain custody service
CN109214084A (zh) * 2018-09-03 2019-01-15 国网浙江省电力有限公司舟山供电公司 孔压静力触探海底土层划分方法及系统
CN111967648A (zh) * 2020-07-20 2020-11-20 西安工程大学 一种基于宽度学习模型的泥石流灾害预报方法
CN112347700A (zh) * 2020-11-27 2021-02-09 西安交通工程学院 一种泥石流发生概率及规模预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王念秦;郭有金;刘铁铭;朱清华;: "基于支持向量机模型的滑坡危险性评价", 科学技术与工程, no. 35 *
王鑫等: ""基于 BP 神经网络的怒江流域泥石流易发性动态区划模型研究"", 《化工矿物与加工》, pages 224 - 228 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116174125A (zh) * 2023-02-21 2023-05-30 龙游县河道疏浚砂资源开发有限公司 一种砂石分选设备管理系统及方法
CN116174125B (zh) * 2023-02-21 2024-05-07 龙游县河道疏浚砂资源开发有限公司 一种砂石分选设备管理系统及方法

Also Published As

Publication number Publication date
CN113379122B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
Destro et al. Coupled prediction of flash flood response and debris flow occurrence: Application on an alpine extreme flood event
Fenta et al. Land susceptibility to water and wind erosion risks in the East Africa region
Xie et al. Evaluation of typical methods for baseflow separation in the contiguous United States
Wang et al. Quantitative attribution analysis of soil erosion in different geomorphological types in karst areas: Based on the geodetector method
Zhu et al. Approach for evaluating inundation risks in urban drainage systems
Pereira et al. Hydrological simulation in a basin of typical tropical climate and soil using the SWAT model part I: Calibration and validation tests
Wolock et al. Effects of digital elevation model map scale and data resolution on a topography‐based watershed model
Hu et al. Can soil water measurements at a certain depth be used to estimate mean soil water content of a soil profile at a point or at a hillslope scale?
Han et al. Modeling the progressive entrainment of bed sediment by viscous debris flows using the three-dimensional SC-HBP-SPH method
Wei et al. Predicting the occurrence of channelized debris flow by an integrated cascading model: A case study of a small debris flow-prone catchment in Zhejiang Province, China
Cappelaere et al. Hydrologic process simulation of a semiarid, endoreic catchment in Sahelian West Niger. 2. Model calibration and uncertainty characterization
Zamani et al. Extreme streamflow drought in the Karkheh river basin (Iran): probabilistic and regional analyses
Bian et al. Detection and attribution of flood responses to precipitation change and urbanization: a case study in Qinhuai River Basin, Southeast China
Ravazzani et al. Review of time-of-concentration equations and a new proposal in Italy
Longobardi et al. On the relationship between runoff coefficient and catchment initial conditions
Zhou et al. Predicting debris-flow clusters under extreme rainstorms: a case study on Hong Kong Island
Akturk et al. Assessment of meteorological drought analysis in the Kizilirmak River Basin, Turkey
CN113379122A (zh) 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法
Madrigal et al. Skill assessment of a seasonal forecast model to predict drought events for water resource systems
Zoccatelli et al. Hydrological modelling in desert areas of the eastern Mediterranean
Cheng et al. Evaluation of baseflow separation methods with real and synthetic streamflow data from a watershed
Hussain et al. Parameter evaluation for soil erosion estimation on small watersheds using SWAT model
Chen et al. Linear, nonlinear, parametric and nonparametric regression models for nonstationary flood frequency analysis
Fowé et al. From meteorological to hydrological drought: a case study using standardized indices in the Nakanbe River Basin, Burkina Faso
Vale et al. The influence of erosion sources on sediment-related water quality attributes

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