CN115019474A - 一种地质灾害气象风险预警方法 - Google Patents
一种地质灾害气象风险预警方法 Download PDFInfo
- Publication number
- CN115019474A CN115019474A CN202210609881.1A CN202210609881A CN115019474A CN 115019474 A CN115019474 A CN 115019474A CN 202210609881 A CN202210609881 A CN 202210609881A CN 115019474 A CN115019474 A CN 115019474A
- Authority
- CN
- China
- Prior art keywords
- early warning
- geological
- rainfall
- unit
- geological disaster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000202755 Areca Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- 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
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Emergency Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Geology (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Hydrology & Water Resources (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种地质灾害气象风险预警方法,包括:获取地质单元的潜势度;基于所述地质单元在第一时间段内的累计降雨量、实况降雨量、地质灾害类别、以及所述地质单元的潜势度构造训练集;基于所述训练集训练地质灾害气象风险预警模型;基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的预警级别。本发明的有益效果是:实现了在考虑地质环境背景和实况降雨的情况下结合未来降雨工况对地质灾害气象风险预警进行预测预报,减少了人工依赖,提高了地质灾害气象风险预警的精细度。
Description
技术领域
本发明涉及气象预警领域,尤其涉及一种地质灾害气象风险预警方法。
背景技术
地质灾害是指在自然或者人为因素的作用下形成的,对人类生命财产造成损失、对环境造成破坏的地质作用或地质现象。地质灾害经常给人民生命和财产造成重大损失,因此研究地质灾害的预测预报具有重要现实意义。地质灾害的发生除与特殊的地形和地质条件有关外,降雨是诱发地质灾害的重要因素。但是,目前的地质灾害气象风险预警方法依赖专家经验,无法定量考虑地质环境背景和降雨的耦合影响作用,导致人为因素影响大、准确率低,且无法有效普及推广。
发明内容
为了解决上述问题,本发明提供了一种地质灾害气象风险预警方法,具体包括以下步骤:
获取地质单元的潜势度;
基于所述地质单元在第一时间段内的累计降雨量、实况降雨量、地质灾害类别、以及所述地质单元的潜势度构造训练集;
基于所述训练集训练地质灾害气象风险预警模型;
基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的预警级别。
进一步地,所述获取地质单元的潜势度,包括:
获取所述地质单元的地质环境因子;
根据所述地质环境因子与地质灾害发生的相关性,确定每个所述地质环境因子的权重;
基于所述权重对每个所述地质环境因子进行加权求和处理,得到所述地质单元的潜势度。
进一步地,所述基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的预警级别,包括:
基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的地质灾害气象风险值;
获取预警级别风险阈值;
根据所述预警级别风险阈值,以及所述地质单元的地质灾害气象风险值,得到所述地质单元的预警级别。
进一步地,在所述得到所述地质单元的预警级别之后,还包括:
基于多个所述地质单元的预警级别,得到预警级别等值面;
将所述等值面与行政区划图层进行叠加分析处理,得到各行政单元分别对应的预警级别;
根据所述各行政单元分别对应的预警级别生成预警提示消息。
进一步地,在所述获取地质单元的潜势度之前,还包括:
获取地质灾害气象风险预警区域;
基于规则网格对预警风险区域进行剖分处理,得到所述地质灾害气象风险预警区域的地质单元。
进一步地,根据所述各行政单元分别对应的预警级别生成预警提示消息之后,还根据预警提示消息进行短临预警和长期预警。
进一步地,所述地质灾害气象风险预警模型根据不同地质单元,采用不同的拟合模型或神经网络模型。
进一步地,所述短临预警具体指,提取预警提示消息中的对应关键信息,进行重组,形成短临预警信息;
所述长期预警信息,具体指,以当前预警提示信息的时间为中心,获取未来一段时间T之内的所有预警提示消息,并进行组合整理,得到长期预警信息。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种地质灾害气象风险预警方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种地质灾害气象风险预警方法的步骤。
与现有技术相比,本发明的有益效果包括:通过获取地质单元的潜势度,表征地质单元发生地质灾害的潜在能力。基于地质单元在第一时间段内的累计降雨量、实况降雨量、地质灾害类别、以及地质单元的潜势度构造训练集,并用来训练地质灾害气象风险预警模型,使得地质灾害气象风险预警模型拟合了累计降雨量、实况降雨量、潜势度和地质灾害发生之间的关联,既考虑了地质单元的地质环境和致灾背景,也考虑了一定时间内累计降雨的致灾影响。然后,基于地质单元在第二时间段内的累计降雨量、预报雨量和地质单元的潜势度调用训练后的预警模型进行预测处理,即通过模型结合潜势度、累计降雨量和预报降雨量计算风险值,实现了在当前潜势度和降雨工况下并考虑未来降雨工况对地质灾害气象风险预警进行预测预报,减少了人工依赖,提高了地质灾害气象风险预警的精细度。
附图说明
图1是本发明方法流程的示意图;
图2是本发明实施例中A市栅格化的示意图;
图3是分区示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,本发明提供的一种地质灾害气象风险预警方法,具体包括以下步骤:
获取地质单元的潜势度;
需要说明的是,在所述获取地质单元的潜势度之前,可以先获取地质单元;地质单元的获取过程具体如下:
获取地质灾害气象风险预警区域;需要说明的是,预警区域根据实际情况进行选择,比如预警区域为湖北省宜昌市或安徽省合肥市等;当然,这里不一定只限定到地级市,仍可以根据实际情况往下级行政区划分,这里仅为示意性说明。
基于规则网格对预警风险区域进行剖分处理,得到所述地质灾害气象风险预警区域的地质单元。需要说明的是,分了方便处理,本申请将一块预警风险区域进行了栅格化处理,栅格化处理后,一块预警风险区域被划分成多个网格;每个网格作为一个地质单元。需要说明的是,网格的边界也不一定是规则的,这里不用以限定,仅解释说明。请参考图2,图2是A市栅格化的示意图。图中的每个网格可作为一个地质单元。
需要进一步说明的是,获取地质单元的潜势度的具体过程如下:
获取所述地质单元的地质环境因子;
在本发明中,地质环境因子包括:地形地貌、地震烈度、工程岩组、构造线、降雨、坡度、水系、铁路和公路;当然,在这里还可包括其它因子,例如库水位,这里仅作示意性说明。
需要说明的是,获取的地质环境因子中,需要从众多因子中确定有效的地质环境因子。
在本申请实施例中,可以根据地质单元的灾害类型选择有效因子;比如说,灾害类型为:崩塌,则崩塌主要与地层岩性、地质构造、降雨以及修建人工切坡(铁路)、人工切坡(公路)有关;比如说,灾害类型为滑坡,则滑坡主要与地形地貌、岩土体类型、坡度、降雨有关;比如说灾害类型为泥石流,则泥石流主要与地形地貌、坡度、降雨有关。
根据所述地质环境因子与地质灾害发生的相关性,确定每个所述地质环境因子的权重;需要说明的是,如前述,比如说,灾害类型为:崩塌,则崩塌主要与地层岩性、地质构造、降雨以及修建人工切坡(铁路)、人工切坡(公路)有关,而公路因子崩塌的可能性一般来说都较低,所以其权重设置的也比较小,如本申请中设置的0.005726....;比如说灾害类型为泥石流,则泥石流主要与地形地貌、坡度、降雨有关,而坡度在泥石流灾害中,占的比重比较大,所以坡度因子设置的权重也较大,设置为0.3500876...;
作为一种实施例而言,请参考表1,表1提供了本申请地质环境因子的相应权重。表中列出了各地质环境因子权重,包括了公路因子、地貌因子、地震烈度因子、坡度因子、工程岩组因子、构造线因子、...
当然,这里仅列举出了部分因子,作为解释说明使用,在实际情况中,也可根据不同情况设置不同因子权重。
表1各地质环境因子权重
因子 | 因子权重 |
公路因子 | 0.005726369213208016 |
地貌因子 | 0.28652351159230355 |
地震烈度因子 | 0.013263736388610399 |
坡度因子 | 0.3500876980047488 |
工程岩组因子 | 0.1448733947223232 |
构造线因子 | 0.00986740745339887 |
水系因子 | 0.009867407453398827 |
铁路因子 | 0.01661665392400353 |
降雨因子 | 0.13824751757301004 |
基于所述权重对每个所述地质环境因子进行加权求和处理,得到所述地质单元的潜势度。
作为一种实施例而言,在本申请,地质环境因子的量化规则是:对于离散因子采取自然数编码方法,对于连续性因子按照分段规则进行重分类并保持数据一致性。当然,关于地质环境因子的量化方法,也可以根据实际需求自行进行相应量化,这里仅作示例性说明,不用以进行限定。需要说明的是,补充一个过程
在获取地质单元的潜势度后,接下来的步骤是:
基于所述地质单元在第一时间段内的累计降雨量、实况降雨量、地质灾害类别、以及所述地质单元的潜势度构造训练集;
需要说明的是,第一时间段内的地质灾害类别包括:发生地质灾害和未发生地质灾害,分别以1和0标志位表示;发生灾害的地质单元,累计降雨量是指以灾害发生时间为起点,往前算的一段时间T1的累计降雨量,实况降雨量是指发生灾害当天的降雨量;未发生灾害的地质单元,累计降雨量可以是以随机时间为起点,往前算的一段时间T1的累计降雨量,实况降雨量是指随机事件当天的降雨量;时间T1可以是1-30天;当然,地质灾害类别还可以是发生灾害的次数,例如0,1,2,3等。
需要说明的是,本申请中,所选取的灾害类别如前述,有滑坡、崩塌、泥石流等,当然,在一些其它实施例中,也可以选择更多不同的灾害类型。
作为一种实施例,在训练集的建立过程中,比如发生地质灾害的地质单元为Q,其发生地质灾害的次数为3次;未发生地质灾害的单元为P,则Q和P分别标志为1和0;Q的第一时间为2020年1月1日,即灾害发生日,其累计降雨量以2020年1月1日为起点,往2020年1月1日之前推算7天,统计其累计降雨量;其实况雨量以2020年1月1日为起点,统计1月1日到1月2日之间的实况降雨量;P的第一时间为2019年12月20日,其累计降雨量以2019年12月20日为起点,往2019年12月20日之前推算7天,统计其累计降雨量;其实况雨量以2019年12月20日为起点,统计2019年12月20日到2019年12月21日之间的实况降雨量;
所述灾害因子包括:潜势度和降雨量;所述降雨量包括前述的:累计降雨量、实况降雨量。
需要说明的是,训练集可以是{潜势度,累计降雨量,实况降雨量,地质灾害类别},其中,地质灾害类别为训练时的标签。
需要特别说明的是,在构建训练集的阶段,降雨量采用的是累计降雨量和实况降雨量;而在后续预测阶段,降雨量采用的是累计降雨量和预报雨量;这里比较好理解,因为在预测阶段,需要根据预报雨量来进行相应预警。所以利用预报雨量替换实况降雨量,从而完成预警。
基于所述训练集训练地质灾害气象风险预警模型;
需要说明的是,所述地质灾害气象风险预警模型可以根据不同地质单元,采用不同的拟合模型或神经网络模型。
这里进一步解释如下,首先,不同的地区,由于地质环境的不同,所以采用的模型类型、模型参数可以相同也可以不同,这里的预警模型是一个分区或者自适应的一个概念。模型的训练依赖于不同地区,也即不同地质单元,因不同地质单元不同,所以模型也会不同。请参考图3,图3是分区示意图。从图3可以看出,将一块区域分成了A、B、C、D、E、F共6个区,作为每个不同的区域,其对应的模型或模型参数是不相同的。
而模型的类型,可以是数学方程拟合的模型,或者现有的一些神经网络模型。
作为一种实施例而言,比如A区,采用的数学方程拟合模型如下:
其中,a,b,c为待拟合的参数,由模型训练得到;P为灾害风险值;累积降雨量为R0;在模型训练时,Rp为实况降雨量,在训练完成后的预测阶段,Rp为预报雨量;
作为一种实施例而言,比如B区,采用的数学拟合模型如下:
P=aG3+bR2 0+cRp+d
其中,a,b,c为待拟合的参数,由模型训练得到;P为灾害风险值;
作为另一种实施例而言,比如F区,本申请中采用的卷积神经网络模型可以为YOLO5模型,这是现有模型结构,对此本申请不再此处进行详解,另外,还可根据实际需求,采用支持向量机、朴素贝叶斯等机器学习分类预测方法。这里不再对C、D、E区进行更多解释说明,仅为示例,不作限定。
基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的预警级别。
需要说明的是,第二时间段指,准备应用模型进行预测的实际需求时间段。
需要说明的是,上述步骤的具体过程为:
基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的地质灾害气象风险值;
需要说明的是,累计降雨量可以是前几日的每日降雨量的加权求和;
需要说明的是,以上述A区采用的模型为例,本申请中最终获得的拟合参数a,b,c分别为:-2.331、1.009、1.423;也即A区的拟合模型为:
则,当在第二时间段获得的潜势度G为45,预报雨量Rp为10mm,累计降雨量为100mm,则可以依照上述模型得到风险值。
获取预警级别风险阈值;
根据所述预警级别风险阈值,以及所述地质单元的地质灾害气象风险值,得到所述地质单元的预警级别。阈值可根据实际情况自行设定。
需要说明的是,所述预警级别包括黄色预警、橙色预警、红色预警等,这里的预警级别可以根据实际情况自行进行分级处理,不限于仅有一种或者两种级别。
在所述得到所述地质单元的预警级别之后,还包括:
基于多个所述地质单元的预警级别,得到预警级别等值面;
需要说明的是,关于等值面的获取,采用等值面绘制算法得到,比如常见的三角形法或者插值法等,这里仅作示意性说明。
将所述等值面与行政区划图层进行叠加分析处理,得到各行政单元分别对应的预警级别;
需要说明的是,预警级别与各行政单元进行一一对应,具体到某一行政单元。
根据所述各行政单元分别对应的预警级别生成预警提示消息。
需要说明的是,预警提示消息也与各行政单元一一对应。
作为一种实施例而言,预警提示消息如下:
2022年4月15日20时-2022年4月16日20时,预计长阳土家族自治县(大堰乡、都镇湾镇、渔峡口镇、鸭子口乡、资丘镇、火烧坪乡、榔坪镇)、五峰土家族自治县(仁和坪镇、湾潭镇、渔洋关镇、采花乡、牛庄乡、长乐坪镇、付家堰乡、五峰镇)、宜都市(王家畈乡、潘家湾乡)以及其他暴雨中心发生崩塌、滑坡、泥石流的风险较大(三级)。请密切关注雨量情况,做好地质灾害防范工作!请注意防范,加强监测巡查。
从上面可以看出,预警提示消息中包括了时间、行政区域信息(地点)、灾害类型信息和预警信息。
所述基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,包括:
获取所述地质单元在第二时间段内的短临气象消息;
根据所述短临气象消息调整所述地质单元在所述第二时间段内的预报雨量;
基于所述地质单元在第二时间段内的累计降雨量、调整后的预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理。
所述短临气象消息,为当地气象局提供的的预警提示消息;
比如提取气象局中提及的地区和雨量,并将其信息输入到前述模型中,得到新的模型预警信息。
作为一种实施例,比如气象局预警提示消息如下:
武汉中心气象台转发武汉市气象台2022年04月24日16时55分雷雨大风橙色预警信号:预计未来3小时,江夏、蔡甸、经开区将受雷雨大风天气影响,阵风8-11级,伴有雷电和冰雹,预测雨量30毫米,请注意防范。
从上述提示消息中,提取其中的地区和降雨信息;
例如上述例子中的,江夏、蔡甸、经开区,30毫米,利用以上信息查找对应行政区所包括的地质单元;
根据上述雨量信息更新地质单元的预报雨量;然后在利用本申请的模型再进行预警;
另外,在根据所述各行政单元分别对应的预警级别生成预警提示消息之后,还包括:
以所述预警提示信息的时间为中心,获取未来一段时间之内的所有预警提示消息,并进行组合整理,得到长期预警信息。
仍然以上述武汉中心气象台的预警提示消息为例,时间为2022年04月24日,地区为江夏、蔡甸、经开区,则以2022年04月24日为起点,制作三个区域04月24日至05月01日的气象预警。
在这个过程中,比如江夏区04月25日的预警提示消息,以17-24日的历史累计雨量和25日的预报雨量为基准进行制作;04月26的预警消息,以17-25日的历史累计雨量和26日的预报雨量为基准进行制作...以此进行,得到7个风险预测结果。
取7个风险结果中的最大值,或平均值,作为最终风险结果,从而制作江夏区未来7天内的一个长期预警提示消息。比如江夏区,橙色预警,在4月24日至4月30日之间,将受雷雨大风天气影响,预计总降雨量50mm,请注意防范。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种地质灾害气象风险预警方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种地质灾害气象风险预警方法的步骤。
本发明的有益效果是:通过获取地质单元的潜势度,表征地质单元发生地质灾害的潜在能力。基于地质单元在第一时间段内的累计降雨量、实况降雨量、地质灾害类别、以及地质单元的潜势度构造训练集,并用来训练地质灾害气象风险预警模型,使得地质灾害气象风险预警模型拟合了累计降雨量、实况降雨量、潜势度和地质灾害发生之间的关联,既考虑了地质单元的地质环境和致灾背景,也考虑了一定时间内累计降雨的致灾影响。然后,基于地质单元在第二时间段内的累计降雨量、预报雨量和地质单元的潜势度调用训练后的预警模型进行预测处理,即通过模型结合潜势度、累计降雨量和预报降雨量计算风险值,实现了在当前潜势度和降雨工况下并考虑未来降雨工况对地质灾害气象风险预警进行预测预报,减少了人工依赖,提高了地质灾害气象风险预警的精细度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种地质灾害气象风险预警方法,其特征在于,包括:
获取地质单元的潜势度;
基于所述地质单元在第一时间段内的累计降雨量、实况降雨量、地质灾害类别、以及所述地质单元的潜势度构造训练集;
基于所述训练集训练地质灾害气象风险预警模型;
基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的预警级别。
2.如权利要求1所述的地质灾害气象风险预警方法,其特征在于,所述获取地质单元的潜势度,包括:
获取所述地质单元的地质环境因子;
根据所述地质环境因子与地质灾害发生的相关性,确定每个所述地质环境因子的权重;
基于所述权重对每个所述地质环境因子进行加权求和处理,得到所述地质单元的潜势度。
3.如权利要求1所述的地质灾害气象风险预警方法,其特征在于,所述基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的预警级别,包括:
基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,得到所述地质单元的地质灾害气象风险值;
获取预警级别风险阈值;
根据所述预警级别风险阈值,以及所述地质单元的地质灾害气象风险值,得到所述地质单元的预警级别。
4.如权利要求1所述的地质灾害气象风险预警方法,其特征在于,在所述得到所述地质单元的预警级别之后,还包括:
基于多个所述地质单元的预警级别,得到预警级别等值面;
将所述等值面与行政区划图层进行叠加分析处理,得到各行政单元分别对应的预警级别;
根据所述各行政单元分别对应的预警级别生成预警提示消息。
5.如权利要求1所述的地质灾害气象风险预警方法,其特征在于,在所述获取地质单元的潜势度之前,还包括:
获取地质灾害气象风险预警区域;
基于规则网格对预警风险区域进行剖分处理,得到所述地质灾害气象风险预警区域的地质单元。
6.如权利要求4所述的地质灾害气象风险预警方法,其特征在于,在根据所述各行政单元分别对应的预警级别生成预警提示消息之后,还包括:
以所述预警提示信息的时间为中心,获取未来一段时间之内的所有预警提示消息,并进行组合整理,得到长期预警信息。
7.如权利要求1所述的地质灾害气象风险预警方法,其特征在于:所述地质灾害气象风险预警模型根据不同地质单元,采用不同的拟合模型或神经网络模型。
8.如权利要求1所述的地质灾害气象风险预警方法,其特征在于,所述基于所述地质单元在第二时间段内的累计降雨量、预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理,包括:
获取所述地质单元在第二时间段内的短临气象消息;
根据所述短临气象消息调整所述地质单元在所述第二时间段内的预报雨量;
基于所述地质单元在第二时间段内的累计降雨量、调整后的预报雨量和所述地质单元的潜势度调用训练后的所述预警模型进行预测处理。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述一种地质灾害气象风险预警方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述一种地质灾害气象风险预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609881.1A CN115019474A (zh) | 2022-05-31 | 2022-05-31 | 一种地质灾害气象风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609881.1A CN115019474A (zh) | 2022-05-31 | 2022-05-31 | 一种地质灾害气象风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115019474A true CN115019474A (zh) | 2022-09-06 |
Family
ID=83070852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210609881.1A Pending CN115019474A (zh) | 2022-05-31 | 2022-05-31 | 一种地质灾害气象风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019474A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984291A (zh) * | 2023-01-03 | 2023-04-18 | 西安工业大学 | 一种地灾险情区域重构方法 |
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 |
CN116432869A (zh) * | 2023-06-13 | 2023-07-14 | 云南格点气象科技有限公司 | 气象灾害预警方法、装置、设备及存储介质 |
CN116451864A (zh) * | 2023-04-21 | 2023-07-18 | 广西壮族自治区气象科学研究所 | 一种数据驱动的典型花岗岩风化土地质灾害潜势预报方法 |
CN116861286A (zh) * | 2023-06-21 | 2023-10-10 | 四川省人工智能研究院(宜宾) | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247238A (ja) * | 2001-12-13 | 2003-09-05 | Asia Air Survey Co Ltd | 土砂災害危機管理システム |
CN104102980A (zh) * | 2014-07-28 | 2014-10-15 | 中国地质调查局西安地质调查中心 | 一种基于风险评价的地质灾害预警技术 |
CN106960263A (zh) * | 2017-03-30 | 2017-07-18 | 西安科技大学 | 一种地质灾害监测预警的方法和装置 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN113538857A (zh) * | 2021-07-14 | 2021-10-22 | 广东电网有限责任公司广州供电局 | 一种滑坡地质灾害预警方法、装置、终端及存储介质 |
-
2022
- 2022-05-31 CN CN202210609881.1A patent/CN115019474A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247238A (ja) * | 2001-12-13 | 2003-09-05 | Asia Air Survey Co Ltd | 土砂災害危機管理システム |
CN104102980A (zh) * | 2014-07-28 | 2014-10-15 | 中国地质调查局西安地质调查中心 | 一种基于风险评价的地质灾害预警技术 |
CN106960263A (zh) * | 2017-03-30 | 2017-07-18 | 西安科技大学 | 一种地质灾害监测预警的方法和装置 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN113538857A (zh) * | 2021-07-14 | 2021-10-22 | 广东电网有限责任公司广州供电局 | 一种滑坡地质灾害预警方法、装置、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
张广成,胡小华,郑树东等: "地质灾害监测预警系统研究与应用", 《合肥工业大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984291A (zh) * | 2023-01-03 | 2023-04-18 | 西安工业大学 | 一种地灾险情区域重构方法 |
CN115984291B (zh) * | 2023-01-03 | 2023-11-24 | 西安工业大学 | 一种地灾险情区域重构方法 |
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 |
CN116451864A (zh) * | 2023-04-21 | 2023-07-18 | 广西壮族自治区气象科学研究所 | 一种数据驱动的典型花岗岩风化土地质灾害潜势预报方法 |
CN116432869A (zh) * | 2023-06-13 | 2023-07-14 | 云南格点气象科技有限公司 | 气象灾害预警方法、装置、设备及存储介质 |
CN116432869B (zh) * | 2023-06-13 | 2023-08-18 | 云南格点气象科技有限公司 | 气象灾害预警方法、装置、设备及存储介质 |
CN116861286A (zh) * | 2023-06-21 | 2023-10-10 | 四川省人工智能研究院(宜宾) | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
CN116861286B (zh) * | 2023-06-21 | 2024-01-30 | 四川省人工智能研究院(宜宾) | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115019474A (zh) | 一种地质灾害气象风险预警方法 | |
CN104408900B (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
Stoleriu et al. | Improving flood risk map accuracy using high‐density LiDAR data and the HEC‐RAS river analysis system: A case study from north‐eastern Romania | |
Zhang et al. | Abe Barek landslide and landslide susceptibility assessment in Badakhshan Province, Afghanistan | |
Mei et al. | Impact of dams on flood occurrence of selected rivers in the United States | |
Jha et al. | Indicator based assessment of integrated flood vulnerability index for Brunei Darussalam | |
CN108022053A (zh) | 洪水风险评估方法和装置 | |
Toulkeridis et al. | Causes and consequences of the sinkhole at El Trébol of Quito, Ecuador–implications for economic damage and risk assessment | |
Nagarajan et al. | Remote sensing-and GIS-based runoff modeling with the effect of land-use changes (a case study of Cochin corporation) | |
Huang et al. | Integrating storm surge modeling with traffic data analysis to evaluate the effectiveness of hurricane evacuation | |
Cao et al. | An hourly shallow landslide warning model developed by combining automatic landslide spatial susceptibility and temporal rainfall threshold predictions | |
Young et al. | Nebraska statewide groundwater-level monitoring report 2014 | |
Crovelli et al. | Probabilistic estimation of numbers and costs of future landslides in the San Francisco Bay region | |
Ahamad et al. | Flood loss assessment of the 2003 Muda river flood | |
Venkatcharyulu | Flood and drought analysis of Godavari sub Basin based on Precipitation Index | |
Durduran et al. | Monitoring of groundwater level change with geographical information system (GIS), the case of Konya Altınekin Basin | |
Nasir et al. | Short-term and Long-term Drought Forecasts in Iraq Using Neural Networks and GIS | |
Suthakaran et al. | Flood Occurrence and Risk Assessment in Trincomalee District Using Open Source Geo-Spatial Technology | |
Kumar | Impacts of climate change and land-use change on the water resources of the Upper Kharun Catchment, Chhattisgarh, India | |
Xichun et al. | A neural network method for risk assessment and real-time early warning of mountain flood geological disaster | |
Wen et al. | Quantitative assessment of rainfall-induced landslide susceptibility in new urban area of Fengjie County, Three Gorges area, China | |
Rajput et al. | Drought hazard assessment and mapping in upper seonath sub-basin using GIS | |
Saade et al. | Overview of Hydrological Modeling of Climate Impacts on Rivers in the Mediterranean and Lebanon | |
Luo et al. | The Extrapolating Logarithmic Flow (ELF) Model | |
Saberifar et al. | Zoning the Risk of Flood in Birjand |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220906 |
|
RJ01 | Rejection of invention patent application after publication |