CN114897378A - 地质灾害精细化气象风险预警区评价方法及装置 - Google Patents
地质灾害精细化气象风险预警区评价方法及装置 Download PDFInfo
- Publication number
- CN114897378A CN114897378A CN202210549714.2A CN202210549714A CN114897378A CN 114897378 A CN114897378 A CN 114897378A CN 202210549714 A CN202210549714 A CN 202210549714A CN 114897378 A CN114897378 A CN 114897378A
- Authority
- CN
- China
- Prior art keywords
- geological
- disaster
- early warning
- rainfall
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000005192 partition Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 6
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/06—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
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种地质灾害精细化气象风险预警区评价方法及装置。其中所述方法包括:根据至少两个地质因素区分所述预警区为至少两个地质分区;获取所述地质分区的地质灾害潜势度综合指数;获取所述地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据所述预测综合有效累计雨量及所述历史综合有效累计雨量获取降雨诱发地质灾害指数;根据所述地质灾害潜势度综合指数及所述降雨诱发地质灾害指数获取地质灾害气象风险预警指数;根据各所述地质分区的所述地质灾害气象风险预警指数评价所述预警区。本发明融合地质因素及降雨状况对地质灾害发生的影响,一方面用于获取各地质分区降雨型的地质灾害气象风险预警指数T及其等级,另一方面用于综合全部地质分区的地质灾害气象风险预警指数,以获取各预警区的等级评价。
Description
技术领域
本发明涉及汛期地质灾害精细化预警技术领域,具体而言,涉及一种地质灾害精细化气象风险预警区评价方法及装置。
背景技术
每年汛期我国地质灾害频发,造成了重大生命财产经济损失,所以,面对社会防灾减灾的重大需求,急需大力提升地质灾害精细化预警产品质量。
由于降雨是地质灾害的重要诱发因素之一,且随着现代科学技术的发展,气象部门可以提供较为准确的降雨预测,近年来地质灾害气象风险预警逐渐受到相关学者和专家的重视。
目前,地质灾害气象预警研究分为两大方向:一是从机理进行分析,最终基于工程地质原理与物理模型得到降雨预警结果;
另外一种是基于历史地质灾害信息与降雨数据统计分析,得到经验性的降雨预警结果。
其中常采用的预警模型譬如灾害发生的临界降雨强度I—D阈值曲线预警模型、临界降雨持续时间I—E阈值曲线预警模型、临界有效雨量预警模型等,也有从降雨类型角度出发提出相关预警模型。
这些都是偏重于从理论层次出发的大范围预警研究。
由上可知,现阶段的预警精细化程度不够,总体是针对省一级地域范围预警;所采用模型多是单纯的从降雨角度统计灾害发生的阈值而提出的预警模型,其中,并没有系统合理考虑灾害发生的地质因素作用。
但是,对于地质灾害的发生而言,地质因素是引发地质灾害发生的内部本质条件。由于不同地区地质条件的差异性,诱发地质灾害的内部因素所起作用也不近相同,难以构建可信度高的模型,这将影响地质灾害预警的合理性与精度,因此,需要在预警单元细化基础上从其它途径与方法规避模型的不合理性进行精细化预警评价,提升预警产品质量与可信度。
发明内容
基于此,本发明实施例旨在融合地质因素及降雨解决现有技术中无法对各预警区进行精细化预警评价的技术问题。
本发明实施例第一方面公开一种地质灾害精细化气象风险预警区评价方法,用于获取预警区中多个地质分区的地质灾害气象风险预警指数。具体方法包括根据至少两个地质因素区分所述预警区为至少两个地质分区;获取所述地质分区的地质灾害潜势度综合指数;获取所述地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据所述预测综合有效累计雨量及所述历史综合有效累计雨量获取降雨诱发地质灾害指数;根据所述地质灾害潜势度综合指数及所述降雨诱发地质灾害指数获取地质灾害气象风险预警指数。
本发明实施例第二方面公开一种地质灾害精细化气象风险预警区评价方法,用于根据多个地质分区的地质灾害气象风险预警指数获取预警区的等级评价。具体方法包括获取降雨诱发地质灾害指数后,根据所述地质灾害潜势度综合指数及所述降雨诱发地质灾害指数获取地质灾害气象风险预警指数。
本发明实施例第三方面公开一种地质灾害精细化气象风险预警区评价装置,用于实施地质灾害精细化气象风险预警区评价方法的步骤。所述装置包括分区模块、指数计算模块、预警区评价模块;所述分区模块配置为根据至少两个地质因素区分所述预警区为至少两个地质分区;所述指数计算模块配置为获取所述地质分区的地质灾害潜势度综合指数;获取所述地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据所述预测综合有效累计雨量及所述历史综合有效累计雨量获取降雨诱发地质灾害指数;根据所述地质灾害潜势度综合指数及所述降雨诱发地质灾害指数获取地质灾害气象风险预警指数;所述预警区评价模块配置为根据各所述地质分区的所述地质灾害气象风险预警指数评价所述预警区。
与现有技术相比,本发明公开的实施例首先根据地质因素区分不同的地质分区,其次融合地质条件及累计有效降雨量对地质分区中地质灾害发生的客观影响,综合评价地质分区因降雨造成地质灾害的可行,最后通过对不同地质灾害气象风险预警指数的风险预警等级,获得预警区中不同风险预警等级的地质分区数量、占比,进而获取预警区的等级评价。
针对上述方案,本发明通过以下参照附图对公开的示例性实施例作详细描述,亦使本发明实施例的其它特征及其优点清楚。
附图说明
为了更清楚地说明本发明实施例的技术方案,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范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为实施例中方法的流程图;
图2为实施例中方法获取地质分区的流程图;
图3为实施例中方法获取地质灾害潜势度综合指数的流程图;
图4为实施例中方法获取降雨诱发地质灾害指数的流程图;
图5为实施例中方法评价预警区等级的流程图;
图6为实施例中方法判别等级评价的流程图;
图7黄冈市地质环境背景分区图;
图8为实施例中黄冈市地质灾害潜势度分区图;
图9为实施例中黄冈市各地质分区地质灾害精细化气象风险预警图;
图10为实施例中黄冈市各预警区地质灾害精细化气象风险预警图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为实施例提供的地质灾害精细化气象风险预警区评价方法的流程示意图。本实施例提供的方法用于汛期地质灾害精细化预警技术领域的预警区评价。
S100根据一个或多个地质因素区分预警区为若干地质分区。
其中,地质因素的类型可选的包括斜坡结构、坡度、高差、地质构造及地层岩性。预警区中被区分的各地质分区保持相同数量及类型的地质因素。
请参考图2,本实施例对地质分区作出区分时优选的衡量各地质因素的地质分类及其地质分级。
S110获取各地质因素的地质分类。
例如,斜坡结构区分为顺向坡、切向坡、横向坡和逆向坡四类。坡度区分为0~10°、10~25°、25~45°和>45°四个等级。高差区分为0~20m、20~50m、50~100m和>100m四个等级。地质构造按照影响区分为有构造影响区(水平距离小于2500米)和无构造影响区(水平距离大于2500米)。地层岩性区分为坚硬、较坚硬、较软弱及软弱。坚硬是块状坚硬花岗岩类、沉积岩类,较坚硬是块状较坚硬变质岩类。较软弱是块状较软弱碎屑岩类、片状较软弱变质岩类。软弱是软弱粘性土、砂砾石土。
S120量化各地质因素的地质分类的不同地质分级。
优选的,本实施例中对各地质分类的地质分级是根据灾害发育频率确定。
其中,灾害发育频率由各地质分类的地质灾害面积及地质灾害数量确定,即式中,为地质因素a的地质分类i的灾害发育频率;Pa i为地质因素a的地质分类i的地质灾害数量;Aa i为地质因素a的地质分类i的地质灾害面积;P为地质因素a的全部地质分类的地质灾害数量;A为地质因素a的全部地质分类的地质灾害面积。
优选的,确定各地质分类的灾害发育频率后,将各地质分类按照灾害发育频率的数值大小作出排序,并且按照排序队列依次赋值各地质分类,从小到大依次赋值为1、2、3……,即得到各地质分类表征地质分级的量化值F。
表1评价指标分类分级量化值表
S130根据地质分级的组合表征地质分区。
优选的,本实施例中预警区内各地质分区按照多个地质因素的地质分类量化的地质分级进行区分。例如按照斜坡结构、坡度、高差、地质构造以及地层岩性为顺序组合成一个五位数的队列数组。队列数组具有唯一性且相互独立,因此每一个队列数组即作为代表一个地质分区的地质属性代码。地质属性代码的格式在表2示出。
地质因素 | 斜坡结构 | 坡度 | 高差 | 地质构造 | 地层岩性 |
数位 | 万位 | 千位 | 百位 | 十位 | 个位 |
表2地质分区数组组合规则
例如,“41212”即表征预警区内的一个地质分区为斜坡结构为横向坡(60~120°)、坡度>45°、高差(起伏度)>100m、无地质构造影响、岩性为较软弱岩组。
当然,预警区也可能小概率的出现相同地质属性代码且不同地理位置的地质分区,这些地质分区因为各地质分类的地质分级相同,在评价与地质灾害相关的指数及指标时相同,从性质上不影响对预警区的评价,从数量上可考虑的影响对预警区的评价。
S200根据各地质因素的地质分级组合获取地质灾害潜势度综合指数H。
例如,计算地质灾害潜势度综合指数H配置为各地质分类的地质分级的叠加求和。
请参考图3,本实施例在获取地质灾害潜势度综合指数H时优选的衡量各地质因素的灾害权重。
S210获取地质因素的灾害权重。
例如,本实施例基于GIS提取灾害点所在地质分区的地质分级的量化值F作为灾害点样本数据,同时从非灾害区域提取相同数量的地质分区的地质分级的量化值F作为非灾害点样本数据,并且以1代表地质灾害发生、0代表地质灾害未发生作为灾害发生结果,组成用于BP神经网络模型的训练样本。通过对BP神经网络的学习、训练,确定各地质因素之间的权重值W。根据BP神经网络模型可得出各地质因素的权重权重。各地质因素的权重权重在表3示出。
地质分区 | 斜坡结构 | 坡度 | 起伏度 | 地质构造 | 地层岩性 |
权重值 | a | b | c | d | e |
表3各地质分区权值表
S220根据灾害权重及地质分级的组合获取地质灾害潜势度综合指数H。
例如,采用加权方法计算地质灾害潜势度综合指数H配置为式中,H为地质灾害潜势度综合指数;n为地质因素的数量;Fi为地质因素i的对应地质分类的地质分级;Wi为地质因素i的灾害权重。那么在ArcGIS中利用前述数学模型计算地质灾害潜势度综合指数H为相应地质分区权重向乘再叠加求和。
S300获取地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据预测综合有效累计雨量及历史综合有效累计雨量获取降雨诱发地质灾害指数Y。
优选的,图4示出本实施例中基于综合有效累积降雨量模型获取预测综合有效累计雨量及历史综合有效累计雨量。
S310构建综合有效累积降雨量模型。
其中,前期降雨影响时间衰减系数a采用逻辑回归模型方法求取。通过分析衰减系数与地质灾害发生与否的相关关系,确定衰减系数a。因变量为是否有地质灾害发生:发生定义为“1”、没有发生定义为“0”;自变量为衰减系数。将自变量逐一导入SPSS软件计算各自变量的相关统计量,逐一增加自变量衰减系数,分析模型相关系数变化情况,从而确定影响地质灾害发生的前期降雨影响时间衰减系数。
优选的,累计降雨影响天数可按照经验值获取,也可基于逻辑回归模型分析预警区内历史降雨型地质灾害发生与降雨日数的关系获取。
根据逻辑回归模型获取累计降雨影响天数中,本实施例视地质灾害是否发生是典型的二分类问题,并且基于逻辑回归模型求取各日降雨量与地质灾害发生的相关系数,分析累计降雨天数与地质灾害发生的关系。对于包含一个以上自变量的二元逻辑回归模型,即式中,Z=B0+B1x1+B2x2+···+Bnxn+ε;P为观测量相对于某一事件的发生概率;ε为修正系数。
因变量为是否有地质灾害发生,发生定义为“1”、没有发生定义为“0”,自变量为灾害发生前每日的降雨量。将自变量逐一导入SPSS软件,计算各自变量的相关统计量,逐一增加自变量个数、即降雨天数,观察模型相关系数变化情况,从而确定影响地质灾害发生的降雨天数。
S320根据综合有效累积降雨量模型获取各地质分区中各灾害点历史发生时的综合有效累积降雨量,再确认各地质分区最大的历史综合有效累积降雨量Rmax及最小的历史综合有效累积降雨量Rmax。
S330根据综合有效累积降雨量模型\气象部门实时发布的未来预测雨量据气象部门实时发布的未来预测雨量,在预警计算时依据预警预报时长的需求,计算得到预测综合有效累计雨量R。
式中,Y为降雨诱发地质灾害指数;R为地质分区的预测综合有效累计雨量;Rmax为地质分区最大的历史综合有效累积降雨量;Rmin为地质分区最小的历史综合有效累积降雨量。
优选的,当R<Rmin时,使R=Rmin。
S400根据地质灾害潜势度综合指数H及降雨诱发地质灾害指数Y获取地质灾害气象风险预警指数T。
例如,本实施例基于显示统计预警模型,将预警区内各地质分区的潜势度综合指数H及降雨诱发地质灾害指数Y耦合,获得各地质分区内因降雨而造成地质灾害事件发生的预警指数T,T=αH+βY;式中,T为地质灾害气象风险预警指数;H为潜势度综合指数;Y为降雨诱发地质灾害指数;α、β为各指数相对应的权重系数。
α、β分别作为潜势度综合指数H和降雨诱发地质灾害指数Y的权重系数,可按照经验给出,或配置为常数。α、β分别表示地质因素的组合及综合有效累计雨量对预警区的影响。
S500根据各地质分区的地质灾害气象风险预警指数T评价预警区。
优选的,图5示出本实施例中对预警区的评价流程。
S510获取地质灾害气象风险预警指数T的多个预警等级。
例如,按照自然断点法将地质灾害气象风险预警指数T的预警等级分为5级,即白色(无风险)级预警、蓝色(风险)级预警、黄色(风险)级预警、橙色(风险)级预警、红色(风险)级预警。
S520根据各乡镇范围统计其乡镇内不同预警等级所占比例组成,形成以乡镇为预警单元的预警区及等级评价。
优选的,图6本实施例对预警区的等级评价判别过程。
①当一个乡镇行政范围内红色地质分区面积与乡镇总面积之比>15%时,乡镇所在预警区的预警等级判定为红色(风险)级预警。
②不满足①条件下,橙色地质分区面积与乡镇区内总面积之比>25%、或者红色地质分区面积与橙色地质分区面积之和同乡镇总面积之比>15%时,乡镇所在预警区的预警等级判定为橙色(风险)级预警。
③不满足①②条件时,当黄色地质分区面积与乡镇总面积之比>35%、或者红色地质分区面积与橙色地质分区面积之和同乡镇总面积之比>10%、或者红色地质分区面积与橙色地质分区面积及黄色地质分区面积之和同乡镇总面积之比>20%时,乡镇所在预警区的预警等级判定为黄色(风险)级预警。
④不满足①②③条件时,当蓝色地质分区面积与乡镇总面积之比>45%、或红色地质分区面积与橙色地质分区面积及黄色地质分区面积之和同乡镇总面积之比>5%时,所在预警区的乡镇预警等级判定为蓝色(风险)级预警。
⑤不满足①②③④条件时,乡镇所在预警区的预警等级判定为白色(无风险)级预警。
基于此,本实施例公开的地质灾害精细化气象风险预警区评价方法,既考虑地质条件状况对地质灾害发生的影响,又考虑各地质分区累计有效降雨量的影响,一方面能够用于获取各地质分区降雨型的地质灾害气象风险预警指数T及其等级,另一方面能够用于综合全部地质分区的地质灾害气象风险预警指数及占比,获取预警区综合的等级评价。
本发明实施例公开一种地质灾害精细化气象风险预警区评价装置,用于实施地质灾害精细化气象风险预警区评价方法的步骤。装置包括分区模块、指数计算模块、预警区评价模块;分区模块配置为根据至少两个地质因素区分预警区为至少两个地质分区;指数计算模块配置为获取地质分区的地质灾害潜势度综合指数;获取地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据预测综合有效累计雨量及历史综合有效累计雨量获取降雨诱发地质灾害指数;根据地质灾害潜势度综合指数及降雨诱发地质灾害指数获取地质灾害气象风险预警指数;预警区评价模块配置为根据各地质分区的地质灾害气象风险预警指数评价预警区。
请参考图7到图9,本实施例公开的方法以黄冈市地质灾害精细化气象风险预警为例作出说明。
在先的,本实施例将黄冈市按照斜坡结构、坡度、高差、地质构造及地层岩性等5个地质因素的地质分类及其地质分级区分为413个地质分区。
其次的,本实施例根据历史上灾害区域及非灾害区域的灾害点样本数据及非灾害点样本数据训练得到各地质分区的灾害权重,在表4示出。
地质分区 | 斜坡结构 | 坡度 | 起伏度 | 地质构造 | 地层岩性 |
灾害权重 | 0.1847 | 0.2064 | 0.2958 | 0.1456 | 0.1675 |
表4各地质分区灾害权值表
那么,各地质分区可分别计算出地质灾害潜势度综合指数H的取值。
例如,“41212”的地质分区的地质灾害潜势度综合指数H为2.0174。
其后的,将二元逻辑回归模型的自变量逐一导入SPSS软件,计算各自变量的相关统计量,逐一增加自变量个数、即降雨天数,观察模型相关系数变化情况,可确定影响地质灾害发生的降雨天数。黄冈市部分计算结果在表5及表7示出。
表5地质灾害发生三日计算结果统计表
表6地质灾害发生四日计算结果统计表
表7地质灾害发生五日计算结果统计表
通过表5到表6的计算结果可知,随着累积降雨日数的增加,当计算天数到前四天及以后时,模型系数不满足显著性检验,且后续自变量的相关系数也越小、接近为0。
在后的,本实施例计算综合有效累积降雨量模型中关于黄冈市的地质灾害累计降雨影响天数为3天,即n=3。黄冈市降雨型地质灾害同当日及其前3日累计降雨量相关性最大。按照由不同衰减系数a计算得到的各地质灾害的4日累计有效降雨量,利用SPSS软件对不同衰减系数a对应的有效累计降雨量与地质灾害的相关性分析,通过计算得a=0.8时有效降雨量与地质灾害的相关性最大并通过检验,那么黄冈市地质灾害气象风险预警前期降雨影响时间衰减系数a为0.8。
基于此,本实施例可计算得出黄冈市各个灾害点发生时的综合有效累积降雨量,再按照地质分区进行统计分析得出黄冈市413个地质分区的临界降雨量,即确定各地质分区引发地质灾害的最大的历史综合有效累积降雨量Rmax和最小的最小综合有效累积降雨量Rmin。具体在表8示出计算获得部分地质分区的综合有效累积降雨量的最大值和最小值,即部分地质分区的综合有效累积降雨量的最大值和最小值。
表8部分降雨量临界值
再结合黄冈市地质灾害发育特征,可选取经验值α=0.4、β=0.6作为潜势度综合指数H和降雨诱发地质灾害指数T各自对应的权重系数。
最终基于GIS系统实现对预警区内各地质分区地质灾害气象风险预警指数T的耦合计算。
请参考表9示出,本实施例构建面向黄冈市的地质灾害气象风险预警分级,按照地质灾害气象风险预警指数T将地质分区区分为五级预警等级,同时提出对不同评价预警区的措施建议。
表9预警等级分级表
请参考图9,本实施例以2021年8月25日14时至2021年8月25日20时的已发生实际降雨量和预测降雨量为基础,可得到黄冈市域内所有地质分区为基础的地质灾害精细化气象风险预警等级区图。
请参考图10,本实施例以2021年8月25日14时至2021年8月25日20时的已发生实际降雨量和预测降雨量为基础,可得到黄冈市域内所有预警区(乡镇范围)的地质灾害精细化气象风险预警等级区图。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
Claims (10)
1.一种地质灾害精细化气象风险预警区评价方法,其特征在于,
所述方法包括:
根据至少两个地质因素区分所述预警区为至少两个地质分区;
获取所述地质分区的地质灾害潜势度综合指数;
获取所述地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据所述预测综合有效累计雨量及所述历史综合有效累计雨量获取降雨诱发地质灾害指数;
根据所述地质灾害潜势度综合指数及所述降雨诱发地质灾害指数获取地质灾害气象风险预警指数;
根据各所述地质分区的所述地质灾害气象风险预警指数评价所述预警区。
2.根据权利要求1所述的地质灾害精细化气象风险预警区评价方法,其特征在于,
获取所述地质分区配置为,
区分所述地质因素为至少一个地质分类
根据所述地质分类的组合表征所述地质分区;
获取所述地质灾害潜势度综合指数配置为,
量化所述地质因素的各所述地质分类为不同的地质分级;
根据各所述地质因素的地质分级组合获取所述地质灾害潜势度综合指数。
3.根据权利要求2所述的地质灾害精细化气象风险预警区评价方法,其特征在于,
获取所述地质分级配置为,
获取所述地质因素中各所述地质分类的灾害发育频率;
根据所述灾害发育频率的取值大小量化所述地质分级。
5.根据权利要求2所述的地质灾害精细化气象风险预警区评价方法,其特征在于,
获取所述地质灾害潜势度综合指数配置为,
获取所述地质因素的灾害权重;
根据所述灾害权重及所述地质分级的组合获取所述地质灾害潜势度综合指数。
9.根据权利要求1所述的地质灾害精细化气象风险预警区评价方法,其特征在于,
获取所述地质灾害气象风险预警指数配置为,T=αH+βY;
式中,T为地质灾害气象风险预警指数;H为潜势度综合指数;Y为降雨诱发地质灾害指数;α、β为各指数相对应的权重系数。
10.一种地质灾害精细化气象风险预警区评价装置,其特征在于,
所述装置包括分区模块、指数计算模块、预警区评价模块;
所述分区模块配置为根据至少两个地质因素区分所述预警区为至少两个地质分区;
所述指数计算模块配置为获取所述地质分区的地质灾害潜势度综合指数;获取所述地质分区的预测综合有效累计雨量及历史综合有效累计雨量,以及根据所述预测综合有效累计雨量及所述历史综合有效累计雨量获取降雨诱发地质灾害指数;根据所述地质灾害潜势度综合指数及所述降雨诱发地质灾害指数获取地质灾害气象风险预警指数;
所述预警区评价模块配置为根据各所述地质分区的所述地质灾害气象风险预警指数评价所述预警区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549714.2A CN114897378A (zh) | 2022-05-20 | 2022-05-20 | 地质灾害精细化气象风险预警区评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549714.2A CN114897378A (zh) | 2022-05-20 | 2022-05-20 | 地质灾害精细化气象风险预警区评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897378A true CN114897378A (zh) | 2022-08-12 |
Family
ID=82724062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549714.2A Pending CN114897378A (zh) | 2022-05-20 | 2022-05-20 | 地质灾害精细化气象风险预警区评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897378A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359629A (zh) * | 2022-08-22 | 2022-11-18 | 重庆地质矿产研究院 | 一种基于序贯评估法的区域滑坡灾害预警方法 |
CN116011828A (zh) * | 2023-03-24 | 2023-04-25 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 地质灾害预报预警方法、系统、可读存储介质及设备 |
-
2022
- 2022-05-20 CN CN202210549714.2A patent/CN114897378A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359629A (zh) * | 2022-08-22 | 2022-11-18 | 重庆地质矿产研究院 | 一种基于序贯评估法的区域滑坡灾害预警方法 |
CN116011828A (zh) * | 2023-03-24 | 2023-04-25 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 地质灾害预报预警方法、系统、可读存储介质及设备 |
CN116011828B (zh) * | 2023-03-24 | 2023-06-30 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 地质灾害预报预警方法、系统、可读存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN114897378A (zh) | 地质灾害精细化气象风险预警区评价方法及装置 | |
CN107230021B (zh) | 筛选供水管网泄漏区域的方法 | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN109241627B (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
CN108647805B (zh) | 一种山洪灾害临界雨量综合检验方法 | |
Li et al. | Application and verification of fractal approach to landslide susceptibility mapping | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN110569554A (zh) | 一种基于空间逻辑回归与地理探测器的滑坡易发性评价方法 | |
CN113570226A (zh) | 断层破碎带隧道突涌水灾害发生概率等级评价方法 | |
CN111080356A (zh) | 一种利用机器学习回归模型计算住宅价格影响因素的方法 | |
CN111898315A (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
Liang et al. | Classification and susceptibility assessment of debris flow based on a semi-quantitative method combination of the fuzzy C-means algorithm, factor analysis and efficacy coefficient | |
CN114492980B (zh) | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 | |
CN110234811A (zh) | 道路坍塌风险度评价装置和道路坍塌风险度评价方法,以及道路坍塌风险度评价用计算机程序 | |
CN111523796A (zh) | 非煤隧道有害气体危害评价方法 | |
CN116777223A (zh) | 一种城市地下管网安全综合风险评估方法及系统 | |
CN113191582A (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
CN115471000A (zh) | 一种确定性分级降雨预报不确定性的评估方法 | |
CN113393144B (zh) | 地质滑坡静态要素风险分级的评估方法及评估装置 | |
CN114219123A (zh) | 基于频率比-随机森林模型的区域崩岗易发性预测方法 | |
Borujeni et al. | Regional flood frequency analysis using L-moments for North Karoon basin, Iran | |
CN116681205A (zh) | 一种夯土遗址冲沟病害发育程度评价及预测方法 | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 |
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 |