CN113780741B - 一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 - Google Patents
一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 Download PDFInfo
- Publication number
- CN113780741B CN113780741B CN202110920232.9A CN202110920232A CN113780741B CN 113780741 B CN113780741 B CN 113780741B CN 202110920232 A CN202110920232 A CN 202110920232A CN 113780741 B CN113780741 B CN 113780741B
- Authority
- CN
- China
- Prior art keywords
- real
- time
- data
- slope
- rock
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000002689 soil Substances 0.000 claims abstract description 143
- 238000011160 research Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000005192 partition Methods 0.000 claims abstract description 70
- 239000003673 groundwater Substances 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000000638 solvent extraction Methods 0.000 claims abstract description 12
- 230000008595 infiltration Effects 0.000 claims abstract description 9
- 238000001764 infiltration Methods 0.000 claims abstract description 9
- 238000010223 real-time analysis Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 51
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000212384 Bifora Species 0.000 description 1
- 241000508725 Elymus repens Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于斜坡特征的滑坡风险评价方法、系统和存储介质，包括获取研究区的基础数据集；对研究区进行分区得到多个目标分区及每个目标分区的分区岩土体参数和分区水力学参数；采用区域降雨入渗径流法计算得到实时地下水位变化数据；对研究区进行实时斜坡单元划分，并分别构建每个实时斜坡单元对应的实时岩土体参数变异性模型；获取每个实时斜坡单元的实时岩土体参数随机分布特征；基于极限平衡法和极值响应面法，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；根据所有实时失稳概率计算得到研究区的危险性。本发明基于斜坡特征，能考虑到参数空间差异性，提高了准确率和效率，可操作性和可靠性强。
Description
技术领域
本发明涉及滑坡风险评价领域，尤其涉及一种基于斜坡特征的滑坡风险评价方法、系统和存储介质。
背景技术
近年来，国家积极开展地质灾害防治工作，取得了可喜的成绩，然而由于各种不确定性因素的存在，很难做到完全避免滑坡的发生。只要有发生滑坡的可能性，就不可避免地会存在滑坡风险。其中，滑坡灾害风险评价是滑坡风险研究的基础，亦是实现滑坡灾害预测预报、继而制定防控预案的重要手段。
随着计算机的发展，单体滑坡基于力学机理的物理力学模型已逐渐被应用于区域滑坡的危险性评价中。这些评价方法都是基于二维或三维的极限平衡思想，考虑了滑坡的力学作用机理，能真实地反映滑坡实际的状态。然而，受限于岩土体在形成的历史过程中表现出的参数空间差异性，以及区域滑坡概率计算的效率，上述方法未能考虑到因参数空间差异性所体现出的斜坡特征，无法很好地集成到区域滑坡灾害危险性评价中，预测和评价的准确率较低，计算区域滑坡概率的效率也较低，只能适用于部分土质滑坡的风险评价，适用范围较窄，可操作性和可靠性较差。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于斜坡特征的滑坡风险评价方法、系统和存储介质，基于每个实时斜坡单元对应的实时岩土体参数随机分布特征来进行失稳概率的计算，能考虑到参数空间差异性，同时利用分区和斜坡单元划分的思想，有效提高了评价的准确率和效率，拓宽了适用范围，可操作性和可靠性强。
本发明解决上述技术问题的技术方案如下：
一种基于斜坡特征的滑坡风险评价方法，包括以下步骤：
步骤1：获取研究区的基础数据集；所述基础数据集包括地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数；
步骤2：根据所述地质环境数据和所述岩土体参数，对所述研究区进行分区，得到多个目标分区及每个目标分区对应的分区岩土体参数和分区水力学参数；
步骤3：根据所述降雨数据、所述初始地下水位数据和所有分区水力学参数，采用区域降雨入渗径流法，计算得到所述研究区的实时地下水位变化数据；
步骤4：根据所述降雨数据对所述研究区进行实时斜坡单元划分，得到多个实时斜坡单元，并分别根据每个实时斜坡单元对应的所有分区岩土体参数，构建每个实时斜坡单元对应的实时岩土体参数变异性模型；分别根据每个实时岩土体参数变异模型，获取每个实时斜坡单元对应的实时岩土体参数随机分布特征；
步骤5：基于极限平衡法和极值响应面法，分别根据所述地质环境数据、所述实时地下水位变化数据和每个实时斜坡单元的实时岩土体参数随机分布特征，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；
步骤6：根据所有实时斜坡单元的实时失稳概率，计算得到所述研究区的危险性。
依据本发明的另一方面，还提供了一种基于斜坡特征的滑坡风险评价系统，应用于本发明中的基于斜坡特征的滑坡风险评价方法中，包括数据获取模块、分区模块、数据处理模块、斜坡划分模块、斜坡特征提取模块、概率估计模块和危险性计算模块；
所述数据获取模块，用于获取研究区的基础数据集；所述基础数据集包括地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数；
所述分区模块，用于根据所述地质环境数据和所述岩土体参数，对所述研究区进行分区，得到多个目标分区及每个目标分区对应的分区岩土体参数和分区水力学参数；
所述数据处理模块，用于根据所述降雨数据、所述初始地下水位数据和所有分区水力学参数，采用区域降雨入渗径流法，计算得到所述研究区的实时地下水位变化数据；
所述斜坡划分模块，用于根据所述降雨数据对所述研究区进行实时斜坡单元划分，得到多个实时斜坡单元；
所述斜坡特征提取模块，用于分别根据每个实时斜坡单元对应的所有分区岩土体参数，构建每个实时斜坡单元对应的实时岩土体参数变异性模型；分别根据每个实时岩土体参数变异模型，获取每个实时斜坡单元对应的实时岩土体参数随机分布特征；
所述概率估计模块，用于基于极限平衡法和极值响应面法，分别根据所述地质环境数据、所述实时地下水位变化数据和每个实时斜坡单元的实时岩土体参数随机分布特征，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；
所述危险性计算模块，用于根据所有实时斜坡单元的实时失稳概率，计算得到所述研究区的危险性。
依据本发明的另一方面，提供了一种基于斜坡特征的滑坡风险评价系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明的基于斜坡特征的滑坡风险评价方法中的步骤。
依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的基于斜坡特征的滑坡风险评价方法中的步骤。
本发明的基于斜坡特征的滑坡风险评价方法、系统和存储介质的有益效果是：获取研究区包含有地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数的基础数据集，为后续步骤提供数据基础；通过对研究区进行分区，并得到每个目标分区的分区岩土体参数和分区水力学参数，既实现了对研究区的初次精细化处理，为后续斜坡单元划分和斜坡特征提取提供土体参数基础，又可以在后续计算实时地下水位变化数据时，以目标分区为单位来进行统一计算，提高整个研究区的计算效率；基于所有分区水力学参数，采用区域降雨入渗径流法计算整个研究区的地下水位变化数据，充分考虑了滑坡的力学机理，为后续斜坡单元稳定性分析和计算提供数据依据，保证滑坡风险评价的可靠性；利用降雨数据再对研究区进行实时的斜坡单元划分，由于划分出的每个实时斜坡单元可能与一个或多个目标分区有关联，因此基于每个实时斜坡单元所对应的所有分区岩土体参数来建模，能得到描述每个实时斜坡单元的参数空间差异性的实时岩土体参数变异性模型，进而便于得到每个斜坡单元所对应的斜坡特征(即实时岩土体参数随机分布特征)，更符合滑坡的真实情况，进一步提高滑坡风险评价的可靠性；该实时岩土体参数随机分布特征能体现出对应的斜坡单元的岩土体参数的随机分布性，能便于后续采用极限平衡法和极值响应面法来进行稳定性分析；通过对每个斜坡单元进行稳定性分析，计算出对应的实时失稳概率，既实现了整个研究区在参数空间上的精细化分析，又实现了在时间维度上的实时分析，进一步提高滑坡风险评价的准确率，最后根据所有实时失稳概率来计算整个研究区的危险性，实现了区域滑坡灾害风险的定量表达；
本发明的基于斜坡特征的滑坡风险评价方法、系统和存储介质，实现了滑坡灾害风险评价，基于每个实时斜坡单元对应的实时岩土体参数随机分布特征来进行失稳概率的计算，能考虑到参数空间差异性，同时利用分区和斜坡单元划分的思想，有效提高了评价的准确率和效率，拓宽了适用范围，可操作性和可靠性强。
附图说明
图1为本发明实施例一中一种基于斜坡特征的滑坡风险评价方法的流程示意图；
图2为本发明实施例二中一种基于斜坡特征的滑坡风险评价系统的结构示意图；
图3为本发明实施例二中另一种基于斜坡特征的滑坡风险评价系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1所示，一种基于斜坡特征的滑坡风险评价方法，包括以下步骤：
S1：获取研究区的基础数据集；所述基础数据集包括地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数；
S2：根据所述地质环境数据和所述岩土体参数，对所述研究区进行分区，得到多个目标分区及每个目标分区对应的分区岩土体参数和分区水力学参数；
S3：根据所述降雨数据、所述初始地下水位数据和所有分区水力学参数，采用区域降雨入渗径流法，计算得到所述研究区的实时地下水位变化数据；
S4：根据所述降雨数据对所述研究区进行实时斜坡单元划分，得到多个实时斜坡单元，并分别根据每个实时斜坡单元对应的所有分区岩土体参数，构建每个实时斜坡单元对应的实时岩土体参数变异性模型；分别根据每个实时岩土体参数变异模型，获取每个实时斜坡单元对应的实时岩土体参数随机分布特征；
S5：基于极限平衡法和极值响应面法，分别根据所述地质环境数据、所述实时地下水位变化数据和每个实时斜坡单元的实时岩土体参数随机分布特征，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；
S6：根据所有实时斜坡单元的实时失稳概率，计算得到所述研究区的危险性。
本实施例的基于斜坡特征的滑坡风险评价方法，实现了滑坡灾害风险评价，基于每个实时斜坡单元对应的实时岩土体参数随机分布特征来进行失稳概率的计算，能考虑到参数空间差异性，同时利用分区和斜坡单元划分的思想，有效提高了评价的准确率和效率，拓宽了适用范围，可操作性和可靠性强。
具体地，本实施例S3中的区域降雨入渗数径流法的具体操作步骤为现有技术，具体细节此处不再赘述。
优选地，所述地质环境数据包括所述研究区的地质图、地面高程数据和土体厚度数据，所述降雨数据包括所述研究区的历史降雨数据和现场监测降雨数据，所述岩土体参数包括所述研究区的土体类型数据和土体力学参数；
在S1中，获取所述基础数据集的具体步骤包括：
从预设的大数据中心获取所述地质图和所述历史降雨数据；
利用低空摄影方法，获取所述地面高程数据；
利用钻探勘察方法，获取所述土体厚度数据和所述初始地下水位数据；
利用现场布设的降雨监测设备，获取所述现场监测降雨数据；
利用原位试验方法或室内试验方法，获取所述土体类型数据、所述土体力学参数和所述水力学参数。
上述包括地质图、地面高程数据和土体厚度数据的地质环境数据，避免了传统技术中只依赖于历史滑坡数据或已经发生滑坡后的数据，综合依据研究区的真实地质环境情况来进行滑坡灾害风险预测和分析，并为后续分区和稳定性分析提供数据基础；上述包含有历史降雨数据和现场监测降雨的降雨数据，既方便研究实施地下水位变化数据，还为斜坡单元划分提供数据依据，并基于斜坡单元特征来准确计算出每个斜坡单元的实时失稳概率，提高滑坡灾害风险评价的准确率和可靠性；通过土体类型数据和土体力学参数，便于从滑坡发生的物理力学机理来考虑，建立能考虑参考空间差异性的实时岩土体参数变异性模型，进而方便获取斜坡特征和进行斜坡稳定性分析。
具体地，地面高程数据(简称DEM数据，Digital Elevation Model)，它主要是描述区域地貌形态的空间分布，是通过等高线或相似立体模型进行数据采集(包括采样和量测)，然后进行数据内插而形成的；地面高程数据是对地貌形态的虚拟表示，可派生出等高线、坡度图等信息，也可与DOM(指Digital Orthophoto Map，数字正射影像图)或其它专题数据叠加，用于与地形相关的分析应用。历史降雨数据降中包括降雨雨型等数据，降雨雨型包括差异性雨型和均匀性雨型；现场监测降雨数据包括实时降雨时间和实时降雨强度等数据。
具体地，土体力学参数具体包括饱和重度、天然重度、抗剪强度(抗剪强度取决于粘聚力和内摩擦角)、覆盖层厚度和动摩擦系数等，水力学参数具体包括渗透系数、天然含水量和饱和含水量等。
优选地，S2的具体步骤包括：
根据所述地质图得到所述研究区的岩性建造类型数据；
按照所述岩性建造类型数据，将所述研究区进行一次分区，得到多个中间分区；
按照所述土体类型数据，将每个中间分区分别进行二次分区，得到多个目标分区；并根据所述研究区的土体力学参数和水力学参数，得到每个目标分区对应的分区岩土体参数和分区水力学参数。
通过上述依次依据岩性建造类型数据和土体类型数据来进行两次分区的步骤，能充分依据研究区的真实地质情况来进行精细化处理，得到的精细的分区水力学参数，便于在后续计算实时地下水位变化数据时，以目标分区为单位来进行统一计算，提高整个研究区的计算效率；得到的精细的分区岩土体参数便于后续基于斜坡特征的稳定性分析，进而充分考虑参数空间差异性，提高滑坡灾害风险评价的可靠性。
优选地，在S4中，得到多个实时斜坡单元的具体步骤包括：
获取历史滑坡灾害数据，对所述历史滑坡灾害数据进行统计分析，得到多个历史滑坡规模以及每个历史滑坡规模下的历史有效降雨量、历史有效降雨强度和历史有效降雨历时；
根据所有历史滑坡规模以及所有历史滑坡规模对应的历史有效降雨量、历史有效降雨强度和历史有效降雨历时，拟合得到降雨量规模曲线；
根据所述降雨量规模曲线和所述现场监测降雨数据，得到监测期间每个时刻的实时滑坡规模以及每个实时滑坡规模对应的实时强度发生概率；
将每个时刻的所述实时滑坡规模作为尺寸控制参数，对所述研究区分别进行实时斜坡单元划分，得到每个时刻的多个实时斜坡单元；
在S4中，t时刻第k个实时斜坡单元对应的实时岩土体参数变异性模型的函数表达式为：
Pt,k＝St,kχt,k+wt,k；
其中，Pt,k为t时刻第k个实时斜坡单元对应的实时岩土体参数变异性模型的函数，St,k和wt,k分别为根据t时刻第k个实时斜坡单元对应的所有分区岩土体参数进行统计分析得到的趋势函数矩阵和残余函数，χt,k为t时刻第k个实时斜坡单元对应的趋势函数系数向量。
通过统计分析历史滑坡灾害数据，可以分析出降雨量与滑坡事件之间的相关性，即得到每个历史滑坡规模与历史有效降雨量、历史有效降雨强度和历史有效降雨历时之间的关系，依据这些关系结合有效降雨量理论，拟合出滑模规模与降雨量之间的关系曲线(即降雨量规模曲线)，实现相关性的定量化，进而便于基于现场监测降雨数据来预测出每个时刻的实时滑坡规模以及每个实时滑坡规模下的实时强度发生概率，为后续计算危险性计算提供数据依据；同时，当预测出每个时刻的实时滑坡规模之后，以实时滑坡规模为斜坡单元划分的划分标准，将其作为尺寸控制参数，实现斜坡单元的快速划分，提高风险评价效率。
具体地，有效降雨量是指降雨过程中，除过经地表径流走、植物吸收、蒸发掉等的降雨量损失后，留在土里，会对滑坡体造成影响的那部分降雨量。降雨量规模曲线的X轴为有效降雨量，Y轴为滑坡规模，当某个时刻下监测到实时有效降雨量，将该实时有效降雨量为横坐标在该降雨量规模曲线中查找，得到的纵坐标即为该时刻下的实时滑坡规模。实时滑坡规模可以是滑坡体积或滑坡面积，按照该实时滑坡规模，采用流域单元划分法或山体阴影法等斜坡单元划分法进行该时刻下的斜坡单元划分，使得每个斜坡单元的体积不超过滑坡体积，或者每个斜坡单元的面积不超过该滑坡面积。
具体地，本实施例中实时滑坡规模可依据降雨量规模曲线获得，其对应的实时强度发生概率，则可以通过最大似然估计法得到，便于后续对整个区域的危险性的定量表达和准确评估，最大似然估计法的具体操作步骤为现有技术，具体细节此处不再赘述。
具体地，对于任一个斜坡单元，主要是依据数理统计原理和随机过程理论，通过统计分析方法(例如最大释然估计法或贝叶斯法)计算出该斜坡单元所对应的所有分区岩土体参数的均值、标准差及波动范围等随机场参数，然后依据均值和标准差来得到一个相对平稳的趋势函数矩阵，依据波动范围来得到一个波动的残余函数；该斜坡单元的实时岩土体参数变异性模型即由该趋势函数矩阵和残余函数构成，得到趋势函数矩阵和残余函数的具体操作方法为现有技术，细节此处不再赘述。由于上述实时岩土体参数变异性模型是基于分区岩土体参数采用随机过程理论而得，因此能充分描述岩土体参数的空间变异性，克服现有滑坡灾害危险评价方法中未考虑的参数空间变异性，进而有效提高滑坡灾害危险评价的准确率和可靠性。
优选地，S5的具体步骤包括：
S51：对于t时刻的第k个实时斜坡单元，从对应的实时岩土体参数随机分布特征中抽取多组随机岩土体参数样本，采用所述极限平衡法，分别根据所述地面高程数据、所述土体厚度数据、t时刻的实时地下水位变化数据和抽取的每组随机岩土体参数样本，计算得到t时刻的第k个实时斜坡单元对应的多个斜坡稳定性系数；
S52：从所有斜坡稳定性系数中，获取t时刻第k个实时斜坡单元的最大斜坡稳定性，并采用所述极值响应面法，根据t时刻第k个实时斜坡单元的最大斜坡稳定性和所有随机岩土体参数样本拟合出对应的极值响应面函数；根据预设的稳定性极限状态和t时刻第k个实时斜坡单元的极值响应面函数，构建对应的极限状态函数；
t时刻第k个实时斜坡单元的极限状态函数的表达式具体为：
H(X)t,k＝G(X)t,k-FS＝a0+BX+XTCX-1；
其中，H(X)t,k为t时刻第k个实时斜坡单元的极限状态函数，G(X)t,k为t时刻第k个实时斜坡单元的极值响应面函数，且G(X)t,k＝a0+BX+XTCX，FS为预设的所述稳定性极限状态，且FS取1，a0为常数系数，B为一次项次数向量，C为二次项对角矩阵，X为每组随机岩土体参数样本所构成的输入样本向量，XT为输入样本向量的转置向量；
S53：根据t时刻第k个实时斜坡单元的极限状态函数计算得到对应的实时失稳概率；
计算t时刻第k个实时斜坡单元的实时失稳概率的具体公式为：
Pt,k,f＝1-Φ(φt,k),
其中，Pt,k,f为t时刻第k个实时斜坡单元的实时失稳概率，和/>分别为t时刻第k个实时斜坡单元的极限状态函数的平均值和标准差，φt,k为根据t时刻第k个实时斜坡单元的极限状态函数的平均值和标准差计算得到的可靠性指标，Φ(φt,k)为可靠度；
S54：遍历每个时刻的每个实时斜坡单元，按照S51至S53的方法，得到每个时刻每个实时斜坡单元的实时失稳概率。
对于t时刻第k个实时斜坡单元，可以从其对应的实时岩土体参数随机分布特征抽取多组(例如N组)随机岩土体参数样本分别作为随机变量，这些随机变量均满足概率分布，然后采用极限平衡法，结合地面高程数据、土体厚度数据和t时刻的实时地下水位变化数据可以计算对应的N个稳定性系数FS；在该N个稳定性系数FS中，将其中的最大值作为极值响应面法中新的输出响应，将每组随机变量作为输入样本向量，依据极值响应面法，拟合出极值响应面函数；由于稳定性系数FS是由抗滑力/下滑力决定的，如果FS小于1，就说明下滑力大于抗滑力，也就是说这个滑坡就要下滑，即不稳定，因此定义FS等于1为稳定性极限状态，并因此拟合出极限状态函数；滑坡在某位置发生的概率，可以理解为在不同降雨条件下，特定规模的滑坡受土体参数变异性的影响而造成的滑坡发生失稳的可能性，因此本实施例根据该极限状态函数，可以实现滑坡失稳的非线性动态概率分析，得到每个斜坡单元在每个时刻下准确的实时失稳概率。
具体地，本实施例中随机变量和输入样本向量均包括但不局限于土体的抗剪强度、重度、孔隙率、渗透系数等。本实施例中极限平衡法包括但不局限于无限斜坡计算法、简化Bishop法、Janbu法和Sarma法，上述极限平衡法和极值响应面法的具体操作步骤为现有技术，具体细节此处不再赘述。
优选地，S6的具体步骤包括：
S61：从所有时刻的所有斜坡单元的实时失稳概率中提取最大失稳概率，将所述最大失稳概率对应的时刻下的实时滑坡规模所对应的实时强度发生概率确定为目标滑坡强度发生概率；
S62：根据所述最大失稳概率和所述目标滑坡强度发生概率，计算得到所述研究区的所述危险性；
计算所述危险性的具体公式为：
D＝Pfsmax×PIpfsmax×PT；
其中，D为所述危险性，Pfsmax为所述最大失稳概率，PIpfsmax为所述目标滑坡强度发生概率，PT为根据所述现场监测降雨数据得到的特定降雨事件发生概率，满足Trp为所述现场监测降雨数据中的降雨重现期。
滑坡危险性是某一地区某一时间段内一定规模的滑坡发生的可能性，是空间位置、滑坡规模、滑移速度和发生频率的一个综合概念，因此提取所有斜坡单元的实时失稳概率中的最大值(即最大失稳概率)，能反映出滑坡发生后最可能发生灾害的空间位置(该空间位置由斜坡单元所反映)和时刻(即最大失稳概率对应的时刻)，依据该最大失稳概率的时刻，能够找出对应的实时滑坡规模和对应的实时强度发生概率，进而实现从滑坡空间概率、时间概率以及强度概率等因素，对滑坡灾害的危险性进行综合评估，大大提高了危险评估的可靠性，更符合滑坡形成的实际情况，可用于所有降雨型土质滑坡的区域危险性评估，可操作性强，具有良好的应用前景。
具体地，本实施例在危险性计算中，时间概率(即特定降雨事件发生概率PT)的计算过程的说明如下：
特定降雨事件考虑两种情况：一是实际降雨量，二是极值降雨量。对于实际降雨，根据实际发生的小时降雨量计算，认为其发生概率PT为1；对于极值降雨，在区域滑坡灾害危险性研究中，通常是根据各类统计分析方法进行区域降雨量的计算，即利用一定的概率分布模型对研究区内任意降雨重现期Trp内的降雨极值进行预测。其中，计算降雨极值的概率分布模型主要有：①皮尔逊(Pearson)Ⅲ型分布；②对数P-III型分布；③对数正态分布；④广义极值分布(GEV)；⑤耿贝尔(Gumbel)分布等。本实施例采用Gumbel分布函数进行降雨极值的计算。
优选地，还包括以下步骤：
S7：建立滑坡危险性分级标准表，根据所述研究区的所述危险性查询所述滑坡危险性分级标准表，得到所述研究区的危险等级。
通过建立的滑坡危险性分级标准表，便于查询到与危险性对应的危险等级，可以更加直观清楚地了解滑坡灾害的危险程度，便于及时地、准确地采取对应的防控预案进行防控。
优选地，在S7中，建立所述滑坡危险性分级标准表的具体实现为：
按照预设数量的预设危险性阈值范围，建立与每个预设危险性阈值范围一一对应的危险等级，根据所有预设危险性阈值范围和所有危险等级，建立所述滑坡危险性分级标准表。
通过选择预设数量的预设危险性阈值范围，便于对不同程度的危险等级进行划分，进而便于根据S6中计算出的危险性在滑坡危险性分级标准表中准确地查询到对应的危险等级，更加直观地帮助相关人员及时采取相应的干预措施。
具体地，本实施例中，预设数量为5，对应的5个预设危险性阈值范围分别为：[0,0.15]、(0,0.35]、(0.35,0.55]、(0.55,0.75]和(0.75,1]，危险等级包括5个等级，分别为高度危险、较高危险、中度危险、较低危险和低度危险，因此所述滑坡危险性分级标准表中预设危险阈值范围和危险等级的对应关系如下：
①H∈[0,0.15]，滑坡灾害的危险等级为低度危险；
②H∈(0,0.35]，滑坡灾害的危险等级为较低危险；
③H∈(0.35,0.55]，滑坡灾害的危险等级为中度危险；
④H∈(0.55,0.75]，滑坡灾害的危险等级为较高危险；
⑤H∈(0.75,1]，滑坡灾害的危险等级为高度危险。
实施例二、如图2所示，一种基于斜坡特征的滑坡风险评价系统，应用于实施例一的基于斜坡特征的滑坡风险评价方法中，包括数据获取模块、分区模块、数据处理模块、斜坡划分模块、斜坡特征提取模块、概率估计模块和危险性计算模块；
所述数据获取模块，用于获取研究区的基础数据集；所述基础数据集包括地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数；
所述分区模块，用于根据所述地质环境数据和所述岩土体参数，对所述研究区进行分区，得到多个目标分区及每个目标分区对应的分区岩土体参数和分区水力学参数；
所述数据处理模块，用于根据所述降雨数据、所述初始地下水位数据和所有分区水力学参数，采用区域降雨入渗径流法，计算得到所述研究区的实时地下水位变化数据；
所述斜坡划分模块，用于根据所述降雨数据对所述研究区进行实时斜坡单元划分，得到多个实时斜坡单元；
所述斜坡特征提取模块，用于分别根据每个实时斜坡单元对应的所有分区岩土体参数，构建每个实时斜坡单元对应的实时岩土体参数变异性模型；分别根据每个实时岩土体参数变异模型，获取每个实时斜坡单元对应的实时岩土体参数随机分布特征；
所述概率估计模块，用于基于极限平衡法和极值响应面法，分别根据所述地质环境数据、所述实时地下水位变化数据和每个实时斜坡单元的实时岩土体参数随机分布特征，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；
所述危险性计算模块，用于根据所有实时斜坡单元的实时失稳概率，计算得到所述研究区的危险性。
本实施例的基于斜坡特征的滑坡风险评价系统，实现了滑坡灾害风险评价，基于每个实时斜坡单元对应的实时岩土体参数随机分布特征来进行失稳概率的计算，能考虑到参数空间差异性，同时利用分区和斜坡单元划分的思想，有效提高了评价的准确率和效率，拓宽了适用范围，可操作性和可靠性强。
优选地，所述地质环境数据包括所述研究区的地质图、地面高程数据和土体厚度数据，所述降雨数据包括所述研究区的历史降雨数据和现场监测降雨数据，所述岩土体参数包括所述研究区的土体类型数据和土体力学参数；
所述数据获取模块具体用于：
从预设的大数据中心获取所述地质图和所述历史降雨数据；
利用低空摄影方法，获取所述地面高程数据；
利用钻探勘察方法，获取所述土体厚度数据和所述初始地下水位数据；
利用现场布设的降雨监测设备，获取所述现场监测降雨数据；
利用原位试验方法或室内试验方法，获取所述土体类型数据、所述土体力学参数和所述水力学参数。
优选地，所述分区模块具体用于：
根据所述地质图得到所述研究区的岩性建造类型数据；
按照所述岩性建造类型数据，将所述研究区进行一次分区，得到多个中间分区；
按照所述土体类型数据，将每个中间分区分别进行二次分区，得到多个目标分区；并根据所述研究区的土体力学参数和水力学参数，得到每个目标分区对应的分区岩土体参数和分区水力学参数。
优选地，所述斜坡划分模块具体用于：
获取历史滑坡灾害数据，对所述历史滑坡灾害数据进行统计分析，得到多个历史滑坡规模以及每个历史滑坡规模下的历史有效降雨量、历史有效降雨强度和历史有效降雨历时；
根据所有历史滑坡规模以及所有历史滑坡规模对应的历史有效降雨量、历史有效降雨强度和历史有效降雨历时，拟合得到降雨量规模曲线；
根据所述降雨量规模曲线和所述现场监测降雨数据，得到监测期间每个时刻的实时滑坡规模以及每个实时滑坡规模对应的实时强度发生概率；
将每个时刻的所述实时滑坡规模作为尺寸控制参数，对所述研究区分别进行实时斜坡单元划分，得到每个时刻的多个实时斜坡单元；
t时刻第k个实时斜坡单元对应的实时岩土体参数变异性模型的函数表达式为：
Pt,k＝St,kχt,k+wt,k；
其中，Pt,k为t时刻第k个实时斜坡单元对应的实时岩土体参数变异性模型的函数，St,k和wt,k分别为根据t时刻第k个实时斜坡单元对应的所有分区岩土体参数进行统计分析得到的趋势函数矩阵和残余函数，χt,k为t时刻第k个实时斜坡单元对应的趋势函数系数向量。
优选地，所述概率估计模块具体用于：
对于t时刻的第k个实时斜坡单元，从对应的实时岩土体参数随机分布特征中抽取多组随机岩土体参数样本，采用所述极限平衡法，分别根据所述地面高程数据、所述土体厚度数据、t时刻的实时地下水位变化数据和抽取的每组随机岩土体参数样本，计算得到t时刻的第k个实时斜坡单元对应的多个斜坡稳定性系数；
从所有斜坡稳定性系数中，获取t时刻第k个实时斜坡单元的最大斜坡稳定性，并采用所述极值响应面法，根据t时刻第k个实时斜坡单元的最大斜坡稳定性和所有随机岩土体参数样本拟合出对应的极值响应面函数；根据预设的稳定性极限状态和t时刻第k个实时斜坡单元的极值响应面函数，构建对应的极限状态函数；
t时刻第k个实时斜坡单元的极限状态函数的表达式具体为：
H(X)t,k＝G(X)t,k-FS＝a0+BX+XTCX-1；
其中，H(X)t,k为t时刻第k个实时斜坡单元的极限状态函数，G(X)t,k为t时刻第k个实时斜坡单元的极值响应面函数，且G(X)t,k＝a0+BX+XTCX，FS为预设的所述稳定性极限状态，且FS取1，a0为常数系数，B为一次项次数向量，C为二次项对角矩阵，X为每组随机岩土体参数样本所构成的输入样本向量，XT为输入样本向量的转置向量；
根据t时刻第k个实时斜坡单元的极限状态函数计算得到对应的实时失稳概率；
计算t时刻第k个实时斜坡单元的实时失稳概率的具体公式为：
Pt,k,f＝1-Φ(φt,k),
其中，Pt,k,f为t时刻第k个实时斜坡单元的实时失稳概率，和/>分别为t时刻第k个实时斜坡单元的极限状态函数的平均值和标准差，φt,k为根据t时刻第k个实时斜坡单元的极限状态函数的平均值和标准差计算得到的可靠性指标，Φ(φt,k)为可靠度；
遍历每个时刻的每个实时斜坡单元，得到每个时刻每个实时斜坡单元的实时失稳概率。
优选地，所述危险性计算模块具体用于：
从所有时刻的所有斜坡单元的实时失稳概率中提取最大失稳概率，将所述最大失稳概率对应的时刻下的实时滑坡规模所对应的实时强度发生概率确定为目标滑坡强度发生概率；
根据所述最大失稳概率和所述目标滑坡强度发生概率，计算得到所述研究区的所述危险性；
计算所述危险性的具体公式为：
D＝Pfsmax×PIpfsmax×PT；
其中，D为所述危险性，Pfsmax为所述最大失稳概率，PIpfsmax为所述目标滑坡强度发生概率，PT为根据所述现场监测降雨数据得到的特定降雨事件发生概率，满足Trp为所述现场监测降雨数据中的降雨重现期。
优选地，如图3所示，还包括危险等级查询模块；
所述危险等级查询模块，用于建立滑坡危险性分级标准表，根据所述研究区的所述危险性查询所述滑坡危险性分级标准表，得到所述研究区的危险等级。
优选地，所述危险等级查询模块具体用于：
按照预设数量的预设危险性阈值范围，建立与每个预设危险性阈值范围一一对应的危险等级，根据所有预设危险性阈值范围和所有危险等级，建立所述滑坡危险性分级标准表。
本实施例中的未尽细节，详见实施例一以及图1的具体描述内容，此处不再赘述。
实施例三、基于实施例一和实施例二，本实施例还公开了一种基于斜坡特征的滑坡风险评价系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如图1所示的S1至S6的具体步骤。
通过存储在存储器上的计算机程序，并运行在处理器上，实现了滑坡灾害风险评价，基于每个实时斜坡单元对应的实时岩土体参数随机分布特征来进行失稳概率的计算，能考虑到参数空间差异性，同时利用分区和斜坡单元划分的思想，有效提高了评价的准确率和效率，拓宽了适用范围，可操作性和可靠性强。
本实施例还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现所述S1至S6的具体步骤。
通过执行包含至少一个指令的计算机存储介质，实现了滑坡灾害风险评价，基于每个实时斜坡单元对应的实时岩土体参数随机分布特征来进行失稳概率的计算，能考虑到参数空间差异性，同时利用分区和斜坡单元划分的思想，有效提高了评价的准确率和效率，拓宽了适用范围，可操作性和可靠性强。
本实施例中S1至S6的未尽细节，详见实施例一以及图1的具体描述内容，此处不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于斜坡特征的滑坡风险评价方法，其特征在于，包括以下步骤：
步骤1：获取研究区的基础数据集；所述基础数据集包括地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数；
步骤2：根据所述地质环境数据和所述岩土体参数，对所述研究区进行分区，得到多个目标分区及每个目标分区对应的分区岩土体参数和分区水力学参数；
步骤3：根据所述降雨数据、所述初始地下水位数据和所有分区水力学参数，采用区域降雨入渗径流法，计算得到所述研究区的实时地下水位变化数据；
步骤4：根据所述降雨数据对所述研究区进行实时斜坡单元划分，得到多个实时斜坡单元，并分别根据每个实时斜坡单元对应的所有分区岩土体参数，构建每个实时斜坡单元对应的实时岩土体参数变异性模型；分别根据每个实时岩土体参数变异模型，获取每个实时斜坡单元对应的实时岩土体参数随机分布特征；
步骤5：基于极限平衡法和极值响应面法，分别根据所述地质环境数据、所述实时地下水位变化数据和每个实时斜坡单元的实时岩土体参数随机分布特征，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；
步骤6：根据所有实时斜坡单元的实时失稳概率，计算得到所述研究区的危险性；
所述地质环境数据包括所述研究区的地质图、地面高程数据和土体厚度数据，所述降雨数据包括所述研究区的历史降雨数据和现场监测降雨数据，所述岩土体参数包括所述研究区的土体类型数据和土体力学参数；
在所述步骤1中，获取所述基础数据集的具体步骤包括：
从预设的大数据中心获取所述地质图和所述历史降雨数据；
利用低空摄影方法，获取所述地面高程数据；
利用钻探勘察方法，获取所述土体厚度数据和所述初始地下水位数据；
利用现场布设的降雨监测设备，获取所述现场监测降雨数据；
利用原位试验方法或室内试验方法，获取所述土体类型数据、所述土体力学参数和所述水力学参数；
所述步骤2的具体步骤包括：
根据所述地质图得到所述研究区的岩性建造类型数据；
按照所述岩性建造类型数据，将所述研究区进行一次分区，得到多个中间分区；
按照所述土体类型数据，将每个中间分区分别进行二次分区，得到多个目标分区；并根据所述研究区的土体力学参数和水力学参数，得到每个目标分区对应的分区岩土体参数和分区水力学参数；
在所述步骤4中，得到多个实时斜坡单元的具体步骤包括：
获取历史滑坡灾害数据，对所述历史滑坡灾害数据进行统计分析，得到多个历史滑坡规模以及每个历史滑坡规模下的历史有效降雨量、历史有效降雨强度和历史有效降雨历时；
根据所有历史滑坡规模以及所有历史滑坡规模对应的历史有效降雨量、历史有效降雨强度和历史有效降雨历时，拟合得到降雨量规模曲线；
根据所述降雨量规模曲线和所述现场监测降雨数据，得到监测期间每个时刻的实时滑坡规模以及每个实时滑坡规模对应的实时强度发生概率；
将每个时刻的所述实时滑坡规模作为尺寸控制参数，对所述研究区分别进行实时斜坡单元划分，得到每个时刻的多个实时斜坡单元；
在所述步骤4中，t时刻第k个实时斜坡单元对应的实时岩土体参数变异性模型的函数表达式为：
Pt,k＝St,kχt,k+wt,k；
其中，Pt,k为t时刻第k个实时斜坡单元对应的实时岩土体参数变异性模型的函数，St,k和wt,k分别为根据t时刻第k个实时斜坡单元对应的所有分区岩土体参数进行统计分析得到的趋势函数矩阵和残余函数，χt,k为t时刻第k个实时斜坡单元对应的趋势函数系数向量；
所述步骤5的具体步骤包括：
步骤51：对于t时刻的第k个实时斜坡单元，从对应的实时岩土体参数随机分布特征中抽取多组随机岩土体参数样本，采用所述极限平衡法，分别根据所述地面高程数据、所述土体厚度数据、t时刻的实时地下水位变化数据和抽取的每组随机岩土体参数样本，计算得到t时刻的第k个实时斜坡单元对应的多个斜坡稳定性系数；
步骤52：从所有斜坡稳定性系数中，获取t时刻第k个实时斜坡单元的最大斜坡稳定性，并采用所述极值响应面法，根据t时刻第k个实时斜坡单元的最大斜坡稳定性和所有随机岩土体参数样本拟合出对应的极值响应面函数；根据预设的稳定性极限状态和t时刻第k个实时斜坡单元的极值响应面函数，构建对应的极限状态函数；
t时刻第k个实时斜坡单元的极限状态函数的表达式具体为：
H(X)t,k＝G(X)t,k-FS＝a0+BX+XTCX-1；
其中，H(X)t,k为t时刻第k个实时斜坡单元的极限状态函数，G(X)t,k为t时刻第k个实时斜坡单元的极值响应面函数，且G(X)t,k＝a0+BX+XTCX，FS为预设的所述稳定性极限状态，且FS取1，a0为常数系数，B为一次项次数向量，C为二次项对角矩阵，X为每组随机岩土体参数样本所构成的输入样本向量，XT为输入样本向量的转置向量；
步骤53：根据t时刻第k个实时斜坡单元的极限状态函数计算得到对应的实时失稳概率；
计算t时刻第k个实时斜坡单元的实时失稳概率的具体公式为：
Pt,k,f＝1-Φ(φt,k),
其中，Pt,k,f为t时刻第k个实时斜坡单元的实时失稳概率，和/>分别为t时刻第k个实时斜坡单元的极限状态函数的平均值和标准差，φt,k为根据t时刻第k个实时斜坡单元的极限状态函数的平均值和标准差计算得到的可靠性指标，Φ(φt,k)为可靠度；
步骤54：遍历每个时刻的每个实时斜坡单元，按照所述步骤51至所述步骤53的方法，得到每个时刻每个实时斜坡单元的实时失稳概率；
所述步骤6的具体步骤包括：
步骤61：从所有时刻的所有斜坡单元的实时失稳概率中提取最大失稳概率，将所述最大失稳概率对应的时刻下的实时滑坡规模所对应的实时强度发生概率确定为目标滑坡强度发生概率；
步骤62：根据所述最大失稳概率和所述目标滑坡强度发生概率，计算得到所述研究区的所述危险性；
计算所述危险性的具体公式为：
D＝Pfsmax×PIpfsmax×PT；
其中，D为所述危险性，Pfsmax为所述最大失稳概率，PIpfsmax为所述目标滑坡强度发生概率，PT为根据所述现场监测降雨数据得到的特定降雨事件发生概率，满足Trp为所述现场监测降雨数据中的降雨重现期。
2.根据权利要求1所述的基于斜坡特征的滑坡风险评价方法，其特征在于，还包括以下步骤：
步骤7：建立滑坡危险性分级标准表，根据所述研究区的所述危险性查询所述滑坡危险性分级标准表，得到所述研究区的危险等级。
3.一种基于斜坡特征的滑坡风险评价系统，其特征在于，应用于如权利要求1或2所述的基于斜坡特征的滑坡风险评价方法中，包括数据获取模块、分区模块、数据处理模块、斜坡划分模块、斜坡特征提取模块、概率估计模块和危险性计算模块；
所述数据获取模块，用于获取研究区的基础数据集；所述基础数据集包括地质环境数据、降雨数据、初始地下水位数据、岩土体参数和水力学参数；
所述分区模块，用于根据所述地质环境数据和所述岩土体参数，对所述研究区进行分区，得到多个目标分区及每个目标分区对应的分区岩土体参数和分区水力学参数；
所述数据处理模块，用于根据所述降雨数据、所述初始地下水位数据和所有分区水力学参数，采用区域降雨入渗径流法，计算得到所述研究区的实时地下水位变化数据；
所述斜坡划分模块，用于根据所述降雨数据对所述研究区进行实时斜坡单元划分，得到多个实时斜坡单元；
所述斜坡特征提取模块，用于分别根据每个实时斜坡单元对应的所有分区岩土体参数，构建每个实时斜坡单元对应的实时岩土体参数变异性模型；分别根据每个实时岩土体参数变异模型，获取每个实时斜坡单元对应的实时岩土体参数随机分布特征；
所述概率估计模块，用于基于极限平衡法和极值响应面法，分别根据所述地质环境数据、所述实时地下水位变化数据和每个实时斜坡单元的实时岩土体参数随机分布特征，对每个实时斜坡单元的稳定性进行实时分析，分别得到每个实时斜坡单元的实时失稳概率；
所述危险性计算模块，用于根据所有实时斜坡单元的实时失稳概率，计算得到所述研究区的危险性。
4.一种基于斜坡特征的滑坡风险评价系统，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1或2所述的方法步骤。
5.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1或2所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110920232.9A CN113780741B (zh) | 2021-08-11 | 2021-08-11 | 一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110920232.9A CN113780741B (zh) | 2021-08-11 | 2021-08-11 | 一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780741A CN113780741A (zh) | 2021-12-10 |
| CN113780741B true CN113780741B (zh) | 2024-01-23 |
Family
ID=78837397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110920232.9A Active CN113780741B (zh) | 2021-08-11 | 2021-08-11 | 一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780741B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399889B (zh) * | 2022-01-24 | 2023-11-03 | 桂林理工大学 | 一种岩土边坡地质灾害预警系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
| CN111563621A (zh) * | 2020-04-30 | 2020-08-21 | 中国地质调查局武汉地质调查中心 | 一种区域滑坡的危险性评估方法、系统、装置和存储介质 |
| CN112269013A (zh) * | 2020-11-24 | 2021-01-26 | 中国地质调查局武汉地质调查中心(中南地质科技创新中心) | 一种多物理场耦合的滑坡灾害模拟试验装置 |
| CN113012399A (zh) * | 2021-02-25 | 2021-06-22 | 中原工学院 | 一种降雨型滑坡预警方法及系统 |
-
2021
- 2021-08-11 CN CN202110920232.9A patent/CN113780741B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
| CN111563621A (zh) * | 2020-04-30 | 2020-08-21 | 中国地质调查局武汉地质调查中心 | 一种区域滑坡的危险性评估方法、系统、装置和存储介质 |
| CN112269013A (zh) * | 2020-11-24 | 2021-01-26 | 中国地质调查局武汉地质调查中心(中南地质科技创新中心) | 一种多物理场耦合的滑坡灾害模拟试验装置 |
| CN113012399A (zh) * | 2021-02-25 | 2021-06-22 | 中原工学院 | 一种降雨型滑坡预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780741A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563621B (zh) | 一种区域滑坡的危险性评估方法、系统、装置和存储介质 | |
| Chousianitis et al. | Predictive model of Arias intensity and Newmark displacement for regional scale evaluation of earthquake-induced landslide hazard in Greece | |
| Lorenc | A global three-dimensional multivariate statistical interpolation scheme | |
| Li et al. | Rainfall and earthquake-induced landslide susceptibility assessment using GIS and Artificial Neural Network | |
| CN111649763B (zh) | 一种基于重力灯塔建立的潜艇导航方法及系统 | |
| CN113536659B (zh) | 一种震后道路受灾区域快速预测方法、系统及存储介质 | |
| CN112884320A (zh) | 基于熵值模型的基坑风险评估方法、装置、设备和介质 | |
| CN113780741B (zh) | 一种基于斜坡特征的滑坡风险评价方法、系统和存储介质 | |
| CN111915158A (zh) | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 | |
| CN112200478A (zh) | 一种黏性土场地的冻胀风险信息处理方法及系统 | |
| Guedes et al. | Nugget effect influence on spatial variability of agricultural data | |
| CN112883646B (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
| Van Meirvenne et al. | Quantification of soil textural fractions of Bas-Zaire using soil map polygons and/or point observations | |
| Vergos et al. | Gravity data base generation and geoid model estimation using heterogeneous data | |
| Deng et al. | Morphological differentiation characteristics and classification criteria of lunar surface relief amplitude | |
| Siska et al. | Predicting ordinary kriging errors caused by surface roughness and dissectivity | |
| Erdede et al. | Examining the interpolation methods used in forming the digital elevation models | |
| Hisdal et al. | Generation of runoff series at ungauged locations using empirical orthogonal functions in combination with kriging | |
| Alemu | Evaluation of GGMs based on the terrestrial gravity disturbance and Moho depth in Afar, Ethiopia | |
| CN113190985A (zh) | 一种分层异质区域内数据误差的分析方法及系统 | |
| Huang et al. | Multi-factor building deformation analysis and prediction model based on multi-source date | |
| CN107015289A (zh) | 圈闭地质资源量确定方法及装置 | |
| RASKAR-PHULE et al. | Spatial Variability mapping of N-Value of soils of Mumbai City using ARCGIS | |
| Zhang et al. | A comparison of three hydraulic parameter optimization schemes for Las Vegas Valley | |
| Guo-an et al. | Landform classification of the loess plateau based on slope spectrum from grid DEMs |
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 |