CN114419849A - 一种滑坡预警方法、装置及计算机设备 - Google Patents
一种滑坡预警方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN114419849A CN114419849A CN202210091583.8A CN202210091583A CN114419849A CN 114419849 A CN114419849 A CN 114419849A CN 202210091583 A CN202210091583 A CN 202210091583A CN 114419849 A CN114419849 A CN 114419849A
- Authority
- CN
- China
- Prior art keywords
- area
- target
- period
- disaster influence
- deformation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 2
- HJMPSKKJHVWPBK-UHFFFAOYSA-N N-nitrososarcosine Chemical compound O=NN(C)CC(O)=O HJMPSKKJHVWPBK-UHFFFAOYSA-N 0.000 description 1
- 101710164303 N-succinylamino acid racemase Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 101710125387 o-succinylbenzoate synthase Proteins 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geology (AREA)
- Game Theory and Decision Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请提供一种滑坡预警方法、装置及计算机设备。该方法包括:获取各预设区域的长周期形变速率和累计形变量;从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;将目标区域扩充为预测灾害影响区域;判断预测灾害影响区域内是否存在目标对象;若预测灾害影响区域内存在目标对象,计算预测灾害影响区域对应的目标区域的短周期的区域形变量;若目标区域的短周期的区域形变量大于第三阈值,发送预警提示信息。本申请通过预设区域的长周期的形变速率和累计形变量,识别对目标对象具有威胁的目标区域。若目标区域的累计形变量过大,监测短周期的区域形变量,若区域形变量超过第三阈值,及时准确地发送预警提示信息。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种滑坡预警方法、装置及计算机设备。
背景技术
很多地区地质灾害分布广泛,发生频繁,且类型多样,尤其是以滑坡、泥石流最为典型。
目前的地质灾害监测手段主要是针对已经发生的地质灾害,对于尚在发育的地质灾害无法准确检测。而且,现有的监测方法只能布设在小范围的区域,对于大型地质灾害难以完全监测。此外,地质灾害的监测周期多为日、周或月等,监测时间间隔过长,对于灾害频发的雨季等时节,上述监测周期显然不能满足对灾害变化的分析以及及时地进行预警。
发明内容
为了解决上述技术问题,本发明提供了一种滑坡预警方法、装置及计算机设备,具体方案如下:
第一方面,本申请实施例提供了一种滑坡预警方法,所述方法包括:
获取各预设区域的长周期形变速率和累计形变量;
从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;
将所述目标区域扩充为预测灾害影响区域;
判断所述预测灾害影响区域内是否存在目标对象;
若所述预测灾害影响区域内存在所述目标对象,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量;
若所述目标区域的所述短周期的区域形变量大于第三阈值,发送预警提示信息。
根据本申请公开的一种具体实施方式,获取各预设区域的长周期形变速率和累计形变量的步骤,包括:
获取各预设区域的合成孔径雷达图像对;
将合成孔径雷达图像对进行共轭相乘,得到干涉图;
基于所述干涉图中的相位值,计算各预设区域的长周期形变速率和累计形变量。
根据本申请公开的一种具体实施方式,将所述目标区域扩充为预测灾害影响区域的步骤,包括:
基于所述目标区域的长周期形变速率和累计形变量计算最终覆盖范围;
选取所述最终覆盖范围为所述预测灾害影响区域。
根据本申请公开的一种具体实施方式,发送预警提示信息的步骤之后,所述方法还包括:
获取各所述目标区域与对应的实际灾害影响区域的面积比;
将全部所述面积比的中位数或者均值确定为预设比例;
将所述目标区域扩充为预测灾害影响区域的步骤,包括:
将所述目标区域按照所述预设比例扩大为预测灾害影响区域。
根据本申请公开的一种具体实施方式,判断所述预测灾害影响区域内是否存在目标对象的步骤,包括:
获取目标对象分布地图,其中,所述目标对象分布地图包括多个目标对象的分布区域;
将所述预测灾害影响区域与所述目标对象分布地图进行叠加分析;
若任一所述目标对象对应的所述分布区域与所述预测灾害影响区域完全重合或部分重合,判定所述预测灾害影响区域内存在所述目标对象;
若全部所述目标对象对应的所述分布区域与所述预测灾害影响区域均不重合,判定所述预测灾害影响区域内不存在所述目标对象。
根据本申请公开的一种具体实施方式,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量的步骤之前,所述方法还包括:
判断所述目标区域的所述累计形变量是否大于所述第二阈值且小于第三阈值,或者,判断当前的气象数据是否为异常数据;
若所述目标区域的累计形变量大于所述第二阈值且小于第三阈值,或者,当前的气象数据为异常数据,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量的步骤:
分别设置基准点及监测点,其中,所述基准点位于所述目标区域之外且基准点与所述目标区域的边界之间相隔第一预设距离,所述监测点位于所述目标区域内;
采用实时动态载波相位差分技术计算监测点相对基准点的三维位移量;
基于所述三维位移量确定目标区域的短周期的区域形变量。
第二方面,本申请实施例提供了一种滑坡预警装置,所述滑坡预警装置包括:
获取模块,用于获取各预设区域的长周期形变速率和累计形变量;
确定模块,用于从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;
扩充模块,用于将所述目标区域扩充为预测灾害影响区域;
判断模块,用于判断所述预测灾害影响区域内是否存在目标对象;
计算模块,用于若所述预测灾害影响区域内存在所述目标对象,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量;
预警模块,用于若所述目标区域的所述短周期的区域形变量大于第三阈值,发送预警提示信息。
根据本申请公开的一种具体实施方式,所述判断模块具体用于:
获取目标对象分布地图,其中,所述目标对象分布地图包括多个目标对象的分布区域;
将所述预测灾害影响区域与所述目标对象分布地图进行叠加分析;
若任一所述目标对象对应的所述分布区域与所述预测灾害影响区域完全重合或部分重合,判定所述预测灾害影响区域内存在所述目标对象;
若全部所述目标对象对应的所述分布区域与所述预测灾害影响区域均不重合,判定所述预测灾害影响区域内不存在所述目标对象。
第三方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上执行时实现第一方面中任一项实施例所述的滑坡预警方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在处理器上执行时实现第一方面中任一项实施例所述的滑坡预警方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请提供的滑坡预警方法包括:获取各预设区域的长周期形变速率和累计形变量;从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;将目标区域扩充为预测灾害影响区域;判断预测灾害影响区域内是否存在目标对象;若预测灾害影响区域内存在目标对象,计算预测灾害影响区域对应的目标区域的短周期的区域形变量;若目标区域的短周期的区域形变量大于第三阈值,发送预警提示信息。本申请通过预设区域的长周期的形变速率和累计形变量,识别对目标对象具有威胁的目标区域。若目标区域的累计形变量过大,监测短周期的区域形变量,若区域形变量超过第三阈值,及时准确地发送预警提示信息。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1为本申请实施例提供的一种滑坡预警方法的流程示意图;
图2为本申请实施例提供的一种滑坡预警方法涉及的地质灾害形变划分阶段图;
图3为本申请实施例提供的一种滑坡预警方法涉及的监测网布设示意图;
图4为本申请实施例提供的一种滑坡预警装置的模块框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,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,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互结合。
参见图1,图1为本申请实施例提供的一种滑坡预警方法的流程示意图,如图1所示,所述方法主要包括:
步骤S101,获取各预设区域的长周期形变速率和累计形变量。
早期的滑坡等地质灾害,尤其是大型的正在发育的地质灾害都会有一个长期的地表形变过程,该地表形变过程是滑坡等地质灾害发生的必要积累时期。但是,在地表的缓慢形变过程中,还未形成滑面、裂缝、植被脱落等明显的外部特征,在这一时期并不能从地质外表发现。
具体实施时,可以采用合成孔径雷达干涉(Interferometr i c synthet i caperture radar,简称I nSAR)技术获取各预设区域的长周期形变速率和累计形变量。InSAR技术具有全天候,高分辨率、高精度、成本低廉和数据间隔适中的优点。
获取各预设区域的长周期形变速率和累计形变量的步骤,包括:
获取各预设区域的合成孔径雷达图像对;
将合成孔径雷达图像对进行共轭相乘,得到干涉图;
基于所述干涉图中的相位值,计算各预设区域的长周期形变速率和累计形变量。
具体地,将不同时间点获取的预设区域的两个合成孔径雷达图像进行比较,可以测量预设区域内的地面或者物体相对于卫星的任何运动,并将这些变形运动表达为雷达干涉图。从干涉图可以计算得出两幅雷达图像在一定的时间间隔内,预设区域内的地表或物体的形变量或者移动量。为了生产干涉图,可以利用雷达向预设区域发射微波,微波被预设区域内的地表或区域区域内的物体反射,卫星接收目标反射的回波,可以得到同一预设区域的复图像对,若复图像对之间存在相干条件,则复图像对共轭相乘可以得到干涉图。根据干涉图的相位值,得出两次成像中微波的相位差,从而计算出预设区域的地形、地貌以及表面的微小变化,并以此计算出预设区域的长周期形变速率和累计形变量。
步骤S102,从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域。
参见图2,图2为本申请实施例提供的一种滑坡预警方法涉及的地质灾害形变划分阶段图。滑坡等地质灾害一般需要经历开始发育、匀速形变和加速形变三个不同的阶段。由图2可知,AC段是滑坡等地质灾害发育比较平缓时期,这一时期形变量逐渐增加,形变速率较小且为一个相对恒定的数值。而CF段为加速形变阶段,在这一阶段滑坡等地质灾害开始突然加速形变,形变速率逐渐增加。对于AC阶段,这一时期发育平缓、形变速率慢,此时可以采用检测周期较长的方法获取各预设区域的长周期形变速率和累计形变量,这样既能对各预设区域进行监测,也能避免因采用检测频率过于密集的短周期检测方法,而造成较大的成本。
就图2中所示的地质灾害的形变阶段划分而言,本申请的InSAR技术主要应用在AC段的形变监测上,即AC段对应的累计形变量小于第一阈值且长周期形变速率小于第二阈值,此时可以将AC段对应的预设区域定义为目标区域。具体实施时,第一阈值和第二阈值可以由用户根据实际使用需求或者应用场景的不同自定义,这里不做具体限定。
以Sent ine l-1和ALOS-2SAR数据为代表的I NSAR数据的重访周期为12天或14天,其他的INSAR数据的周期一般也为几天或几十天,这个监测周期对于初始发育和匀速形变的滑坡等地质灾害隐患点而言,不仅可以识别出预设区域内发生长时间地表形变的区域,且成本较低。
步骤S103,将所述目标区域扩充为预测灾害影响区域。
在确定目标区域的基础上,可以将目标区域的范围做合理的扩充或预测,得到预测灾害影响区域。
具体实施时,可以通过不同的方式将所述目标区域扩充为预测灾害影响区域,本申请提供其中两种不同的实施方式:
1.基于所述目标区域的长周期形变速率和累计形变量计算最终覆盖范围,选取所述最终覆盖范围为所述预测灾害影响区域。
可以将目标区域的长周期形变速率和累计形变量输入预先训练的预测模型,得到最终覆盖范围,将所述最终覆盖范围确定为预测灾害影响区域。
2.可以记录每次预测中,目标区域的面积以及最终发生滑坡等地质灾害后,实际灾害影响区域的面积。然后将目标区域与对应的实际灾害影响区域的面积比存储到数据库中。将全部所述面积比的中位数或者均值确定为预设比例。在之后的滑坡预警过程中,可以直接按照这一预设比例将所述目标区域按照所述预设比例扩大为预测灾害影响区域。
步骤S104,判断所述预测灾害影响区域内是否存在目标对象。
在将目标区域扩充为预测灾害影响区域之后,可以结合其他的地理信息或者影响数据,判断预测灾害影响区域内是否存在目标对象。其中,目标对象可以为容易受到地质灾害影响的各种地物,如道路、桥梁、河流、居民地以及农田等。
具体实施时,可以获取目标对象分布地图,其中,所述目标对象分布地图包括多个目标对象的分布区域。将所述预测灾害影响区域与所述目标对象分布地图进行叠加分析。若任一所述目标对象对应的所述分布区域与所述预测灾害影响区域完全重合或部分重合,判定所述预测灾害影响区域内存在所述目标对象。若全部所述目标对象对应的所述分布区域与所述预测灾害影响区域均不重合,判定所述预测灾害影响区域内不存在所述目标对象。
具体实施时,还可以在获得预测灾害影响区域后,通过目视解译的方式,根据遥感图像色彩、色调、形态特征,分析预测灾害影响区域内是否存在水系、高速公路、铁路等目标对象。
步骤S105,若所述预测灾害影响区域内存在所述目标对象,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量。
若判定预测灾害影响区域内存在目标对象,则表明这一区域存在较大的危险,易造成较大的经济损失或人员伤亡。因此,可以将之前的长周期的INSAR技术监测切换为短周期的监测,提高检测的精度。
具体实施时,可以在上述方案的基础上,设置不同的短周期监测的触发条件。下面针对两种实施方法做具体介绍:
1.在计算预测灾害影响区域对应的目标区域的短周期的区域形变量的步骤之前,可以判断目标区域的所述累计形变量是否大于所述第二阈值且小于第三阈值,若所述目标区域的累计形变量大于所述第二阈值且小于第三阈值,则启动短周期的监测方法。所述第三阈值可以由用户根据实际使用需求和应用场景自定义,这里不做具体限定。
具体实施时,还可以通过对目标区域的累计形变量进行求导,得到预设周期内的形变速率,若预设周期内的形变速率大于某一阈值,如第四阈值,可以确定此时满足短周期监测的触发条件,启动短周期的监测方法对目标区域进行监测。
2.在计算预测灾害影响区域对应的目标区域的短周期的区域形变量的步骤之前,判断当前的气象数据是否为异常数据,若当前的气象数据为异常数据,则启动短周期的监测方法。其中,所述异常数据是指强降雨和连续降雨等对于滑坡的产生具有较大影响的气象数据。
若满足上述触发条件,则表明目标区域已经进入了加速形变时期。而InSAR技术监测是的主要是沿着雷达视线方向的形变,对于逐渐进入加速形变时期的滑坡等地质灾害而言,这样的监测方式太过于单一并且数据时间间隔已经不能达到监测该时期地灾形变的要求。此时,可以将之前的长周期的INSAR技术监测切换为短周期的监测,通过短周期的监测方式计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量。具体地,先分别设置基准点及监测点,其中,所述基准点位于所述目标区域之外且基准点与所述目标区域的边界之间相隔第一预设距离,所述监测点位于所述目标区域内,然后采用实时动态载波相位差分技术计算监测点相对基准点的三维位移量,基于所述三维位移量确定目标区域的短周期的区域形变量。
基准点和监测点的布设应遵循如下的规则:
对已明确主滑方向的滑坡,基准点和监测点组成的监测网可布设成十字形和方格形,其纵向应沿主滑方向,横向应垂直于主滑方向;
对主滑方向不明确的滑坡,监测网可以布设成放射形;
单个滑坡体的监测点应该大于3个;
具体实施时,参见图3,图3为本申请实施例提供的一种滑坡预警方法涉及的监测网布设示意图。对于基准点和监测点而言,基准点布设在滑坡滑动范围之外的稳固裸露的岩石上,监测点均匀布设在整个滑坡的滑面上面,且基准点不能离滑坡体太远以免影响精度。
本申请中,针对单体式滑坡采用独立坐标系,其中X轴平行于滑坡的主滑方向,Y轴垂直于X轴并与其构成右手系,并将坐标原点设置在坡外。这样,监测数据就不存在负值,便于理解和计算。并且在本监测网的设计中遵循了三角形稳定性好的原则每一个观测点都在一个或多个三角形内,使得整个观测网更加稳定,数据解算精度提高。
具体实施时,可以采用北斗系统为基础的动态载波相位差分技术,计算监测点相对基准点的三维位移量。被动系统的实时定位精度在水平方向小于或等于2mm,在垂直方向上小于或等于4-5mm,能够对本申请中加速形变时期的目标区域进行精准监测。
步骤S106,若所述目标区域的所述短周期的区域形变量大于第三阈值,发送预警提示信息。
本申请通过动态载波相位差分技术对目标区域的短周期的区域形变量进行监测,可以实现全天24小时实时监测。具体地,可以通过短信群发、语音播报等多种预警提示方式向现场群众和工作人员发送预警提示信息,以使目标区域周边的现场群众和工作人员立刻疏散撤离。
具体实施时,不仅可以“目标区域的短周期的区域形变量大于第三阈值”作为发送预警提示信息的触发条件,还可以选取目标区域的整体累计形变量是否超过第三阈值作为发送预警提示信息的触发条件。其中,整体累计形变量是指如图2所示的AC阶段的累计形变量以及CF阶段的形变量的总和,第四阈值可以是第一阈值和第三阈值的总和。用户可以根据实际使用需求以及计算的方便选取上述任一种计算方法作为发送预警提示信息的触发条件。
本申请提供的滑坡预警方法,通过预设区域的长周期的形变速率和累计形变量,识别对目标对象具有威胁的目标区域。若目标区域的累计形变量过大,监测短周期的区域形变量,若区域形变量超过第三阈值,及时准确地发送预警提示信息。
与上述方法实施例相对应,参见图4,本发明还提供一种滑坡预警装置400,所述滑坡预警装置400包括:
获取模块401,用于获取各预设区域的长周期形变速率和累计形变量;
确定模块402,用于从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;
扩充模块403,用于将所述目标区域扩充为预测灾害影响区域;
判断模块404,用于判断所述预测灾害影响区域内是否存在目标对象;
计算模块405,用于若所述预测灾害影响区域内存在所述目标对象,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量;
预警模块406,用于若所述目标区域的所述短周期的区域形变量大于第三阈值,发送预警提示信息。
具体实施时,所述判断模块404具体用于:
获取目标对象分布地图,其中,所述目标对象分布地图包括多个目标对象的分布区域;
将所述预测灾害影响区域与所述目标对象分布地图进行叠加分析;
若任一所述目标对象对应的所述分布区域与所述预测灾害影响区域完全重合或部分重合,判定所述预测灾害影响区域内存在所述目标对象;
若全部所述目标对象对应的所述分布区域与所述预测灾害影响区域均不重合,判定所述预测灾害影响区域内不存在所述目标对象。
本申请提供的滑坡预警装置、计算机设备和计算机可读存储介质,通过预设区域的长周期的形变速率和累计形变量,识别对目标对象具有威胁的目标区域。若目标区域的累计形变量过大,监测短周期的区域形变量,若区域形变量超过第三阈值,及时准确地发送预警提示信息。
本申请所提供的滑坡预警装置、计算机设备和计算机可读存储介质的具体实施过程,可以参见上述实施例提供的滑坡预警方法的具体实施过程,在此不再一一赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-On l yMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种滑坡预警方法,其特征在于,所述方法包括:
获取各预设区域的长周期形变速率和累计形变量;
从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;
将所述目标区域扩充为预测灾害影响区域;
判断所述预测灾害影响区域内是否存在目标对象;
若所述预测灾害影响区域内存在所述目标对象,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量;
若所述目标区域的所述短周期的区域形变量大于第三阈值,发送预警提示信息。
2.根据权利要求1所述的方法,其特征在于,获取各预设区域的长周期形变速率和累计形变量的步骤,包括:
获取各预设区域的合成孔径雷达图像对;
将合成孔径雷达图像对进行共轭相乘,得到干涉图;
基于所述干涉图中的相位值,计算各预设区域的长周期形变速率和累计形变量。
3.根据权利要求1所述的方法,其特征在于,将所述目标区域扩充为预测灾害影响区域的步骤,包括:
基于所述目标区域的长周期形变速率和累计形变量计算最终覆盖范围;
选取所述最终覆盖范围为所述预测灾害影响区域。
4.根据权利要求1所述的方法,其特征在于,发送预警提示信息的步骤之后,所述方法还包括:
获取各所述目标区域与对应的实际灾害影响区域的面积比;
将全部所述面积比的中位数或者均值确定为预设比例;
将所述目标区域扩充为预测灾害影响区域的步骤,包括:
将所述目标区域按照所述预设比例扩大为预测灾害影响区域。
5.根据权利要求1所述的方法,其特征在于,判断所述预测灾害影响区域内是否存在目标对象的步骤,包括:
获取目标对象分布地图,其中,所述目标对象分布地图包括多个目标对象的分布区域;
将所述预测灾害影响区域与所述目标对象分布地图进行叠加分析;
若任一所述目标对象对应的所述分布区域与所述预测灾害影响区域完全重合或部分重合,判定所述预测灾害影响区域内存在所述目标对象;
若全部所述目标对象对应的所述分布区域与所述预测灾害影响区域均不重合,判定所述预测灾害影响区域内不存在所述目标对象。
6.根据权利要求1所述的方法,其特征在于,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量的步骤之前,所述方法还包括:
判断所述目标区域的所述累计形变量是否大于所述第二阈值且小于第三阈值,或者,判断当前的气象数据是否为异常数据;
若所述目标区域的累计形变量大于所述第二阈值且小于第三阈值,或者,当前的气象数据为异常数据,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量的步骤:
分别设置基准点及监测点,其中,所述基准点位于所述目标区域之外且基准点与所述目标区域的边界之间相隔第一预设距离,所述监测点位于所述目标区域内;
采用实时动态载波相位差分技术计算监测点相对基准点的三维位移量;
基于所述三维位移量确定目标区域的短周期的区域形变量。
7.一种滑坡预警装置,其特征在于,所述一种滑坡预警装置包括:
获取模块,用于获取各预设区域的长周期形变速率和累计形变量;
确定模块,用于从各预设区域中确定累计形变量小于第一阈值且长周期形变速率小于第二阈值的目标区域;
扩充模块,用于将所述目标区域扩充为预测灾害影响区域;
判断模块,用于判断所述预测灾害影响区域内是否存在目标对象;
计算模块,用于若所述预测灾害影响区域内存在所述目标对象,计算所述预测灾害影响区域对应的目标区域的短周期的区域形变量;
预警模块,用于若所述目标区域的所述短周期的区域形变量大于第三阈值,发送预警提示信息。
8.根据权利要求7所述的滑坡预警装置,其特征在于,所述判断模块具体用于:
获取目标对象分布地图,其中,所述目标对象分布地图包括多个目标对象的分布区域;
将所述预测灾害影响区域与所述目标对象分布地图进行叠加分析;
若任一所述目标对象对应的所述分布区域与所述预测灾害影响区域完全重合或部分重合,判定所述预测灾害影响区域内存在所述目标对象;
若全部所述目标对象对应的所述分布区域与所述预测灾害影响区域均不重合,判定所述预测灾害影响区域内不存在所述目标对象。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上执行时实现权利要求1至6中任一项所述的滑坡预警方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序在处理器上执行时实现权利要求1至6中任一项所述的滑坡预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091583.8A CN114419849B (zh) | 2022-01-26 | 2022-01-26 | 一种滑坡预警方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091583.8A CN114419849B (zh) | 2022-01-26 | 2022-01-26 | 一种滑坡预警方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419849A true CN114419849A (zh) | 2022-04-29 |
CN114419849B CN114419849B (zh) | 2024-01-30 |
Family
ID=81277229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210091583.8A Active CN114419849B (zh) | 2022-01-26 | 2022-01-26 | 一种滑坡预警方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419849B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010119553A (ja) * | 2008-11-19 | 2010-06-03 | Corona Corp | サウナ室装置 |
CN107957278A (zh) * | 2017-11-13 | 2018-04-24 | 中国地质调查局水文地质环境地质调查中心 | 一种滑坡智能监测系统及方法 |
CN110453731A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种大坝边坡形变监测系统及方法 |
CN111243240A (zh) * | 2020-01-20 | 2020-06-05 | 内蒙古工业大学 | 一种滑坡预警方法及装置 |
CN112362106A (zh) * | 2020-11-13 | 2021-02-12 | 同济大学 | 一种可分级响应的边坡监测方法、设备、装置及可读存储介质 |
CN112526515A (zh) * | 2020-11-05 | 2021-03-19 | 山西省交通科技研发有限公司 | 一种基于合成孔径雷达干涉测量技术的地表形变检测方法 |
AU2021102471A4 (en) * | 2020-05-11 | 2021-06-24 | Apple Inc. | System, method and user interface for supporting scheduled mode changes on electronic devices |
CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
-
2022
- 2022-01-26 CN CN202210091583.8A patent/CN114419849B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010119553A (ja) * | 2008-11-19 | 2010-06-03 | Corona Corp | サウナ室装置 |
CN107957278A (zh) * | 2017-11-13 | 2018-04-24 | 中国地质调查局水文地质环境地质调查中心 | 一种滑坡智能监测系统及方法 |
CN110453731A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种大坝边坡形变监测系统及方法 |
CN111243240A (zh) * | 2020-01-20 | 2020-06-05 | 内蒙古工业大学 | 一种滑坡预警方法及装置 |
AU2021102471A4 (en) * | 2020-05-11 | 2021-06-24 | Apple Inc. | System, method and user interface for supporting scheduled mode changes on electronic devices |
CN112526515A (zh) * | 2020-11-05 | 2021-03-19 | 山西省交通科技研发有限公司 | 一种基于合成孔径雷达干涉测量技术的地表形变检测方法 |
CN112362106A (zh) * | 2020-11-13 | 2021-02-12 | 同济大学 | 一种可分级响应的边坡监测方法、设备、装置及可读存储介质 |
CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
Also Published As
Publication number | Publication date |
---|---|
CN114419849B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598881B (zh) | 一种地质灾害监测方法、装置及计算机设备 | |
Grimaldi et al. | Remote sensing-derived water extent and level to constrain hydraulic flood forecasting models: Opportunities and challenges | |
Cian et al. | Flood depth estimation by means of high-resolution SAR images and lidar data | |
Taubenböck et al. | Flood risks in urbanized areas–multi-sensoral approaches using remotely sensed data for risk assessment | |
Raspini et al. | The contribution of satellite SAR-derived displacement measurements in landslide risk management practices | |
EP3293487A1 (en) | Data structure of environment map, environment map preparing system and method, and environment map updating system and method | |
CA3103364A1 (en) | Land deformation measurement | |
JPWO2008016153A1 (ja) | 災害対策支援方法 | |
Yin et al. | Long-term flood-hazard modeling for coastal areas using InSAR measurements and a hydrodynamic model: The case study of Lingang New City, Shanghai | |
Mason et al. | Data utilization in flood inundation modelling | |
Humme et al. | Revealing Celtic fields from lidar data using kriging based filtering | |
Fiaschi et al. | Testing the potential of Sentinel-1A TOPS interferometry for the detection and monitoring of landslides at local scale (Veneto Region, Italy) | |
CN116299455A (zh) | 基于PSInSAR与SqueeSAR的设施形变分析方法 | |
CN114114257A (zh) | 一种坝区形变与水位相关性检测方法和装置 | |
CN117373209A (zh) | 基于凹凸体理论的界面型土体滑坡监测预警方法及装置 | |
CN112697232A (zh) | 基于多源卫星测高数据的水位测量及变化监测方法及装置 | |
Gomez et al. | High-resolution point-cloud for landslides in the 21st century: from data acquisition to new processing concepts | |
CN114419849B (zh) | 一种滑坡预警方法、装置及计算机设备 | |
Wu et al. | Assessment of landslide hazards using logistic regression with high-resolution radar rainfall observation and geological factor | |
Esposito et al. | Mechanisms and frequency-size statistics of failures characterizing a coastal cliff partially protected from the wave erosive action | |
Mangidi et al. | Utilization of Sentinel 1 SAR for Flood Mapping in North Konawe Regency, Southeast Sulawesi Province, Indonesia | |
Queiroz et al. | Sea cliff instability susceptibility considering nearby human occupation and predictive capacity assessment | |
Oruc Baci et al. | Improving flood inundation modeling skill: Interconnection between model parameters and boundary conditions | |
Alimuddin et al. | Developing tropical landslide susceptibility map using DInSAR technique of JERS-1 SAR data | |
Udo et al. | Detection of coastal damage using differences in automatically generated digital surface models (DSMs): Application to the 2011 off the Pacific coast of Tohoku Earthquake Tsunami |
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 |