CN114062656B - 一种地质灾害预测方法和系统 - Google Patents

一种地质灾害预测方法和系统 Download PDF

Info

Publication number
CN114062656B
CN114062656B CN202111351680.8A CN202111351680A CN114062656B CN 114062656 B CN114062656 B CN 114062656B CN 202111351680 A CN202111351680 A CN 202111351680A CN 114062656 B CN114062656 B CN 114062656B
Authority
CN
China
Prior art keywords
water content
mountain
rainfall
landslide
preset
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
Application number
CN202111351680.8A
Other languages
English (en)
Other versions
CN114062656A (zh
Inventor
兰进京
郭栋
郝俊柳
詹晓军
王毅
刘其军
王珂
刘记光
崔翔
王跃广
汪浩
黄同新
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.)
Henan Jiaozuo Geological Survey And Design Co ltd
Original Assignee
Henan Jiaozuo Geological Survey And Design Co ltd
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 Henan Jiaozuo Geological Survey And Design Co ltd filed Critical Henan Jiaozuo Geological Survey And Design Co ltd
Priority to CN202111351680.8A priority Critical patent/CN114062656B/zh
Publication of CN114062656A publication Critical patent/CN114062656A/zh
Application granted granted Critical
Publication of CN114062656B publication Critical patent/CN114062656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Remote Sensing (AREA)
  • Hydrology & Water Resources (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Alarm Systems (AREA)

Abstract

本申请公开了一种地质灾害预测方法和系统，该方法包括：获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；获取所述第二降雨量之后的待预测山体的第二含水量；在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害。通过本申请解决了现有技术中对降雨所导致的地质灾害的预测可能存在不准确的问题，从而提高了因降雨导致的地质灾害的预测准确程度。

Description

一种地质灾害预测方法和系统
技术领域
本申请涉及到灾害预测领域，具体而言，涉及一种地质灾害预测方法和系统。
背景技术
在地质灾害中，降雨会造成山体滑坡或者水灾，目前对于地质灾害的预测基本上是根据未来的降雨量来进行预测的，这种预测方式并没有考虑到过去一段时间内的天气状况，因此，存在预测不准确的问题。
针对现有技术中该问题，目前尚没有提出合理的解决方案。
发明内容
本申请实施例提供了一种地质灾害预测方法和系统，以至少解决现有技术中对降雨所导致的地质灾害的预测可能存在不准确的问题。
根据本申请的一个方面，提供了一种地质灾害预测方法，包括：获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；获取所述第二降雨量之后的待预测山体的第二含水量；在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害。
进一步地，所述地质灾害包括：山体滑坡。
进一步地，获取所述第二降雨量之后的所述待预测山体的所述第二含水量包括：在所述当前时间之前的预定时间点，接收预先设置在所述待预测山体不的土壤水分传感器测量得到的含水量；根据所述土壤水分传感器得到的含水量确定所述第二含水量。
进一步地，所述土壤水分传感器为多个，所述土壤水分传感器设置在所述待预测山体的不同位置。
进一步地，根据所述土壤水分传感器得到的含水量确定所述第二含水量包括：将所述多个土壤水分传感器中测量到的最大的含水量的值作为所述第二含水量。
根据本申请的另一个方面，还提供了一种地质灾害预测系统，包括：第一获取模块，用于获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；第二获取模块，用于获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；第三获取模块，用于获取所述第二降雨量之后的待预测山体的第二含水量；第一预测模块，用于在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；第二预测模块，用于至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害。
进一步地，所述地质灾害包括：山体滑坡。
进一步地，所述第三获取模块用于：在所述当前时间之前的预定时间点，接收预先设置在所述待预测山体不的土壤水分传感器测量得到的含水量；根据所述土壤水分传感器得到的含水量确定所述第二含水量。
进一步地，所述土壤水分传感器为多个，所述土壤水分传感器设置在所述待预测山体的不同位置。
进一步地，所述第三获取模块用于：将所述多个土壤水分传感器中测量到的最大的含水量的值作为所述第二含水量。
在本申请实施例中，采用了获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；获取所述第二降雨量之后的待预测山体的第二含水量；在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害。通过本申请解决了现有技术中对降雨所导致的地质灾害的预测可能存在不准确的问题，从而提高了因降雨导致的地质灾害的预测准确程度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的地质灾害预测方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种地质灾害预测方法，图1是根据本申请实施例的地质灾害预测方法的流程图，包括：
步骤S102，获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；
步骤S104，获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；
步骤S106，获取所述第二降雨量之后的待预测山体的第二含水量；
例如，可以在所述当前时间之前的预定时间点，接收预先设置在所述待预测山体不的土壤水分传感器测量得到的含水量；根据所述土壤水分传感器得到的含水量确定所述第二含水量。可选地，所述土壤水分传感器为多个，所述土壤水分传感器设置在所述待预测山体的不同位置。可以将所述多个土壤水分传感器中测量到的最大的含水量的值作为所述第二含水量。
步骤S108，在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；
在一个可以选择增加的实施方式中，可以通过机器学习模型来预测发生第一降雨量之后的所述山体的第一含水量。例如，使用多组训练数据来训练一个基于神经网络的机器学习模型，该多组训练数据中的每一组训练数据均包括输入数据和输出数据，其中，所述输入数据为通过传感器测量的第一时间下的土壤的含水量以及预定降雨量；所述输出数据为预定降雨量发生后的第二时间下的土壤的水分含水量，其中，所述第一时间下的含水量和所述第二时间下的含水量以及预定降雨另均为已知的数值。经过训练之后，就可以将所述第二含水量和所述第一降雨量输入到所述机器学习模型中，获取所述机器学习模型输出的含水量，将所述机器学习模型输出的含水量作为所述第一含水量。
可选地，在多组训练数据中，还可以考虑山体的土壤性质。
即在步骤S108中，在第二含水量的基础上，根据所述山体的土壤性质预测发生所述第一降雨量之后的所述山体的第一含水量。
此时，所述多组训练数据中的每一组训练数据中的输入数据为所述输入数据为通过传感器测量的第一时间下的土壤的含水量、山体的土壤性质以及预定降雨量，所述输出数据为预定降雨量发生后的第二时间下的土壤的水分含水量。经过训练之后，就可以将所述第二含水量、所述山体的土壤性质和所述第一降雨量输入到所述机器学习模型中，获取所述机器学习模型输出的含水量，将所述机器学习模型输出的含水量作为所述第一含水量。
在该步骤中，如果在山体上已经设置了土壤水分传感器，则可以获取在发生所述第一降雨量之后的所述土壤水分传感器中测量得到的第三含水量，如果所述第三含水量和所述第一含水量的差值在预定范围之内，则仍然使用所述第一含水量作为步骤S110中确定所述测山体是否会发生地质灾害的依据，如果所述第三含水量和所述第一含水量的差值超过所述预定范围，并且所述第三含水量大于所述第一含水量的情况下，将所述第三含水量的值赋值给所述第一含水量。
步骤S110，至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害，例如，山体滑坡。
在另一个可以选择增加的实施方式中，可以将山体滑坡分为多个等级，例如可以分为五个等级，其中所述第五等级对应的山体滑坡最严重，所述第一等级对应的山体滑坡最轻微。可以使用历史上真实发生的山体滑坡的数据作为训练数据训练一个第二机器学习模型，所述第二机器学习模型是使用多组第二训练数据训练得到的，其中，所述多组第二训练数据中的每组第二训练数据均包括第二输入数据和第二输出数据，所述第二输出数据为历史上真实发生的山体滑坡的等级，所述第二输入数据为发生该山体滑坡所对应的含水量以及所述山体的土壤性质。经过训练之后该第二机器学习模型就可以使用了。将所述第一含水量和所述山体的土壤性质输入到所述第二机器学习模型中，则如果所述第二机器学习模型有所输出，则获取输出的发生山体滑坡的等级。
为了使得训练出的模型更加精确，还可以在训练数据中加入未发生山体滑坡的训练数据，将未发生山体滑坡的等级确定为第零等级。该训练数据的输入数据包括：含水量以及山体的土壤性质，输出数据为第零等级。将该训练数据也加入到第二训练数据进行训练。则该第二机器学习模型中输出的就是从第零等级到第五等级这六个等级中的之一。
通过上述步骤解决了现有技术中对降雨所导致的地质灾害的预测可能存在不准确的问题，从而提高了因降雨导致的地质灾害的预测准确程度。
在另一个可选的实施方式中，如果预测所要出现的山体滑坡大于预定等级，则命令无人机飞行到所述山体，并将拍摄到的实时视频回传；获取通过固定在所述山体预定位置的摄像头回传实时视频，通过对所述实时视频进行监控，进行山体滑坡的预警。
在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
该本实施例中就提供了这样的一种装置或系统。所述系统被称为地质灾害预测系统，包括：第一获取模块，用于获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；第二获取模块，用于获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；第三获取模块，用于获取所述第二降雨量之后的待预测山体的第二含水量；第一预测模块，用于在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；第二预测模块，用于至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害。
该系统或者装置用于实现上述的实施例中的方法的功能，该系统或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。
例如，所述第三获取模块用于：在所述当前时间之前的预定时间点，接收预先设置在所述待预测山体不的土壤水分传感器测量得到的含水量；根据所述土壤水分传感器得到的含水量确定所述第二含水量。
可选地，所述土壤水分传感器为多个，所述土壤水分传感器设置在所述待预测山体的不同位置。
又例如，所述第三获取模块用于：将所述多个土壤水分传感器中测量到的最大的含水量的值作为所述第二含水量。
通过本实施例解决了现有技术中对降雨所导致的地质灾害的预测可能存在不准确的问题，从而提高了因降雨导致的地质灾害的预测准确程度。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (4)

1.一种地质灾害预测方法，其特征在于，包括：
步骤S102，获取未来预定时间段内的第一降雨量，其中，所述未来预定时间段为当前时间之后的第一预定长度的时间段；
步骤S104，获取过去预定时间段内的第二降雨量，其中，所述过去预定时间段位于所述当前时间之前的第二预定长度的时间段；
步骤S106，获取所述第二降雨量之后的待预测山体的第二含水量；
步骤S108，在所述第二含水量的基础上，预测发生所述第一降雨量之后的所述山体的第一含水量；通过机器学习模型来预测发生第一降雨量之后的所述山体的第一含水量，其中，使用多组训练数据来训练一个基于神经网络的机器学习模型，所述多组训练数据中的每一组训练数据中的输入数据为通过传感器测量的第一时间下的土壤的含水量、山体的土壤性质以及预定降雨量，输出数据为预定降雨量发生后的第二时间下的土壤的水分含水量；经过训练之后，将所述第二含水量、所述山体的土壤性质和所述第一降雨量输入到所述机器学习模型中，获取所述机器学习模型输出的含水量，将所述机器学习模型输出的含水量作为所述第一含水量；其中，在山体上已经设置了土壤水分传感器的情况下，获取在发生所述第一降雨量之后的所述土壤水分传感器中测量得到的第三含水量，如果所述第三含水量和所述第一含水量的差值在预定范围之内，则仍然使用所述第一含水量作为步骤S110中确定所述测山体是否会发生地质灾害的依据，如果所述第三含水量和所述第一含水量的差值超过所述预定范围，并且所述第三含水量大于所述第一含水量的情况下，将所述第三含水量的值赋值给所述第一含水量；
步骤S110，至少根据所述第一含水量确定所述待预测山体是否会发生地质灾害，所述地质灾害包括：山体滑坡；其中，将山体滑坡分为五个等级，第五等级对应的山体滑坡最严重，第一等级对应的山体滑坡最轻微；使用历史上真实发生的山体滑坡的数据作为训练数据训练一个第二机器学习模型，所述第二机器学习模型是使用多组第二训练数据训练得到的，其中，所述多组第二训练数据中的每组第二训练数据均包括第二输入数据和第二输出数据，所述第二输出数据为历史上真实发生的山体滑坡的等级，所述第二输入数据为发生该山体滑坡所对应的含水量以及所述山体的土壤性质；将所述第一含水量和所述山体的土壤性质输入到经过训练之后所述第二机器学习模型中，如果所述第二机器学习模型有所输出，则获取输出的发生山体滑坡的等级；在训练数据中加入未发生山体滑坡的训练数据，将未发生山体滑坡的等级确定为第零等级；该训练数据的输入数据包括：含水量以及山体的土壤性质，输出数据为第零等级；将该训练数据也加入到第二训练数据进行训练；则该第二机器学习模型中输出的就是从第零等级到第五等级这六个等级中的之一；
如果预测所要出现的山体滑坡大于预定等级，则命令无人机飞行到所述山体，并将拍摄到的实时视频回传；获取通过固定在所述山体预定位置的摄像头回传实时视频，通过对所述实时视频进行监控，进行山体滑坡的预警。
2.根据权利要求1所述的方法，其特征在于，获取所述第二降雨量之后的所述待预测山体的所述第二含水量包括：
在所述当前时间之前的预定时间点，接收预先设置在所述待预测山体的土壤水分传感器测量得到的含水量；
根据所述土壤水分传感器得到的含水量确定所述第二含水量。
3.根据权利要求2所述的方法，其特征在于，所述土壤水分传感器为多个，所述土壤水分传感器设置在所述待预测山体的不同位置。
4.根据权利要求3所述的方法，其特征在于，根据所述土壤水分传感器得到的含水量确定所述第二含水量包括：
将所述多个土壤水分传感器中测量到的最大的含水量的值作为所述第二含水量。
CN202111351680.8A 2021-11-16 2021-11-16 一种地质灾害预测方法和系统 Active CN114062656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111351680.8A CN114062656B (zh) 2021-11-16 2021-11-16 一种地质灾害预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111351680.8A CN114062656B (zh) 2021-11-16 2021-11-16 一种地质灾害预测方法和系统

Publications (2)

Publication Number Publication Date
CN114062656A CN114062656A (zh) 2022-02-18
CN114062656B true CN114062656B (zh) 2023-01-13

Family

ID=80272426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111351680.8A Active CN114062656B (zh) 2021-11-16 2021-11-16 一种地质灾害预测方法和系统

Country Status (1)

Country Link
CN (1) CN114062656B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117198000B (zh) * 2023-09-04 2024-06-18 浙江安澜工程技术有限公司 一种山洪灾害预报预警方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013150A (zh) * 2010-09-28 2011-04-13 浙江工业大学 基于雨强、斜坡土壤含水量和形变量的地质灾害预测系统
CN103197046A (zh) * 2013-04-04 2013-07-10 中国科学院、水利部成都山地灾害与环境研究所 泥石流临界土体体积含水率测量方法与泥石流预警方法
CN106128035A (zh) * 2016-06-30 2016-11-16 西安工程大学 基于神经网络和多参数信息融合的地质灾害预报方法
CN106645650A (zh) * 2017-02-20 2017-05-10 长沙市玖车测控技术有限公司 一种具有预测功能的水土流失监测与预警系统
US20180252694A1 (en) * 2015-09-14 2018-09-06 Nec Corporation Disaster prediction system, moisture prediction device, disaster prediction method, and program recording medium
US20190170903A1 (en) * 2016-08-31 2019-06-06 Nec Corporation Rainfall amount prediction device, rainfall amount prediction method, and recording medium
CN110703359A (zh) * 2019-10-16 2020-01-17 西北大学 以降雨量为主进行滑坡预报的滞后非线性时间预报方法
CN110749944A (zh) * 2019-10-16 2020-02-04 西北大学 一种滑坡预报的滞后非线性时间预报模型
CN111553090A (zh) * 2020-05-08 2020-08-18 中国地质环境监测院 适用于地质灾害气象预警的有效降雨系数计算方法
CN112493084A (zh) * 2020-11-27 2021-03-16 重庆文理学院 一种基于天气预报信息的水平衡茶树浇水方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111561972A (zh) * 2020-06-18 2020-08-21 华南农业大学 一种基于时间序列的土壤含水量预测系统及方法
CN112347701A (zh) * 2020-11-27 2021-02-09 西安交通工程学院 一种滑坡发生概率及规模预报方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013150A (zh) * 2010-09-28 2011-04-13 浙江工业大学 基于雨强、斜坡土壤含水量和形变量的地质灾害预测系统
CN103197046A (zh) * 2013-04-04 2013-07-10 中国科学院、水利部成都山地灾害与环境研究所 泥石流临界土体体积含水率测量方法与泥石流预警方法
US20180252694A1 (en) * 2015-09-14 2018-09-06 Nec Corporation Disaster prediction system, moisture prediction device, disaster prediction method, and program recording medium
CN106128035A (zh) * 2016-06-30 2016-11-16 西安工程大学 基于神经网络和多参数信息融合的地质灾害预报方法
US20190170903A1 (en) * 2016-08-31 2019-06-06 Nec Corporation Rainfall amount prediction device, rainfall amount prediction method, and recording medium
CN106645650A (zh) * 2017-02-20 2017-05-10 长沙市玖车测控技术有限公司 一种具有预测功能的水土流失监测与预警系统
CN110703359A (zh) * 2019-10-16 2020-01-17 西北大学 以降雨量为主进行滑坡预报的滞后非线性时间预报方法
CN110749944A (zh) * 2019-10-16 2020-02-04 西北大学 一种滑坡预报的滞后非线性时间预报模型
CN111553090A (zh) * 2020-05-08 2020-08-18 中国地质环境监测院 适用于地质灾害气象预警的有效降雨系数计算方法
CN112493084A (zh) * 2020-11-27 2021-03-16 重庆文理学院 一种基于天气预报信息的水平衡茶树浇水方法

Also Published As

Publication number Publication date
CN114062656A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN111767957B (zh) 一种日志异常的检测方法、装置、存储介质及电子设备
CN111241214B (zh) 用于水利工程的水质远程在线检测方法、装置及电子设备
CN114062656B (zh) 一种地质灾害预测方法和系统
CN114299359A (zh) 一种检测输电线路故障的方法、设备及存储介质
CN112926636A (zh) 牵引变流器柜体温度异常检测方法和装置
CN115018022A (zh) 网格化环境监测数据的质量控制方法、装置、设备及介质
CN108830828A (zh) 一种遥感图像变化检测方法及装置
CN112131078B (zh) 一种监控磁盘容量的方法及设备
CN114842648B (zh) 一种基于交通流的隧道运行状态预警方法、设备及介质
CN116204648A (zh) 样本确定方法、装置、计算机设备及计算机可读存储介质
CN115797877A (zh) 一种电力传输设备的智能监控方法、系统及介质
CN116164763A (zh) 目标航向角确定方法、装置及电子设备、存储介质
CN111637897A (zh) 地图的更新方法、更新装置、存储介质以及处理器
CN114153831A (zh) 电力微气象监测数据的标准化转换方法及系统
CN111161533B (zh) 交通事故处理方法和装置、电子设备
CN112380313A (zh) 更新高精地图置信度的方法及装置
CN111931920A (zh) 基于级联神经网络的目标检测方法、装置及存储介质
CN110659170A (zh) 一种车载t-box测试系统
CN113158864B (zh) 卡车车头与挂车之间的夹角的确定方法与确定装置
CN117496469A (zh) 一种巡检机器人的异常预警方法及系统
CN116306223B (zh) 一种水利工程监测方法、设备及介质
CN116386060B (zh) 一种水尺数据自动标注方法、装置、设备及介质
CN115293980B (zh) 一种基于历史信息的小尺寸动态噪点滤除方法、装置
CN114219950A (zh) 一种树障检测方法、检测装置和计算机设备
CN116912698B (zh) 土地覆盖变化监测方法、装置、电子设备及存储介质

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