CN115146746B - 基于多源数据融合的区域滑坡灾害识别方法 - Google Patents
基于多源数据融合的区域滑坡灾害识别方法 Download PDFInfo
- Publication number
- CN115146746B CN115146746B CN202211085192.1A CN202211085192A CN115146746B CN 115146746 B CN115146746 B CN 115146746B CN 202211085192 A CN202211085192 A CN 202211085192A CN 115146746 B CN115146746 B CN 115146746B
- Authority
- CN
- China
- Prior art keywords
- data
- type
- directed graph
- group
- landslide
- 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
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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多源数据融合的区域滑坡灾害识别方法,涉及数据处理技术领域,包括:获取多组历史数据,获取每组历史数据中三种类型数据之间的因果链;将多组历史数据分为多个类别数据;获取该组历史数据中每种类型数据之间的有向图;根据每组历史数据的有向图获取类别数据的参考有向图;依次获取每个类别数据的参考有向图;获取待识别山体的实际数据,获取实际数据的目标有向图;根据目标有向图与实际数据的类别对应的参考有向图中的边值和节点值的相似性,预测待识别山体是否会发生滑坡;本发明解决了现有技术中,对山体滑坡预测时精确度差,以及无法实现对山体滑坡提前预警的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于多源数据融合的区域滑坡灾害识别方法。
背景技术
山体滑坡是指山体斜坡上某一部分岩土在重力作用下,沿着一定的软弱结构面产生剪切位移而整体地向斜坡下方移动的作用和现象,是常见地质灾害之一。山体滑坡主要的诱发因素有地震、降雨和融雪、地表水的冲刷、浸泡、河流等地表水体对斜坡坡脚的不断冲刷,不合理的人类工程活动,如开挖坡脚、坡体上部堆载、爆破、水库蓄水或泄水、矿山开采等都可诱发滑坡,还有如海啸、风暴潮、冻融等作用也可诱发滑坡。
由于影响滑坡发展演化的因素众多,导致滑坡运动具有复杂性和不确定性,滑坡的预测仍是世界性难题。目前对滑坡时间预测的主要作法是通过在山体监测区域布设传感器网络,再结合GPRS通信技术,实现对监测区域的远程实时监控,并通过检测异常数据判断山体是否会发生滑坡;根据现有技术的方法预测山体滑坡时,当山体的某种类型数据异常时不一定会发生滑坡,而且,当山体发生滑坡时单一的数据不一定会出现异常,或者在对单一数据检测时灵敏度差,单一数据出现异常时山体滑坡灾害往已经发生,因此,现有技术检测山体滑坡时精确度差,并且无法实现对山体滑坡提前预警。
发明内容
为了解决现有技术中对山体滑坡预测时精确度差,无法实现对山体滑坡的提前预警的技术问题,本发明提供了一种基于多源数据融合的区域滑坡灾害识别方法,该方法通过对发生滑坡的山体的历史数据进行根据发生原因的不同分为多个类别数据,并获得了每种类别数据的参考有向图;然后获取待识别山体的实际数据,获取实际数据的有向图,并对实际数据进行数据类别匹配,根据实际数据的有向图与该实际数据匹配类别的历史数据的参考有向图的匹配程度判断待识别山体是否会发生滑坡;有鉴于此,本发明通过以下方案予以实现。
一种基于多源数据融合的区域滑坡灾害识别方法,包括以下步骤:
获取已发生滑坡,且在发生滑坡时间段内多组山体的历史数据;每组所述历史数据包含压力数据、变形数据和位移数据三种类型数据;所述发生滑坡时间段包括发生滑坡时及发生滑坡前的时间段;
根据每组历史数据中每种类型数据的最大值获取每组历史数据中三种类型数据之间的因果链;
根据每组历史数据中三种类型数据之间的因果链将多组历史数据分为多个类别数据;
获取所述类别数据中任一组历史数据中每两种类型数据序列的最小距离,根据该组历史数据中每两种类型数据序列的最小距离确定该组历史数据中每种类型数据的先后顺序;
根据该组历史数据中每种类型数据的先后顺序获取该组历史数据中每种类型数据之间的有向图;所述有向图中每两种类型数据的边值根据每两种类型数据序列的最小距离确定;所述有向图中每种类型数据的节点值根据每种类型数据在主成分分析坐标中的最大主成分方向与水平坐标轴的夹角确定;
依次获取所述类别数据中每组历史数据的有向图;根据每组历史数据的有向图获取所述类别数据的参考有向图;依次获取每个类别数据的参考有向图;
获取待识别山体的当前时间段的实际数据,确定所述实际数据的类别,并根据获取每个类别数据的参考有向图的方法获取所述实际数据的目标有向图;
根据所述实际数据的目标有向图与所述实际数据的类别对应的参考有向图中的边值和节点值的相似性,预测所述待识别山体是否会发生滑坡。
进一步地,根据所述实际数据的目标有向图与所述实际数据的类别对应的参考有向图中的边值和节点值的相似性,预测所述待识别山体是否会发生滑坡的过程中,还包括设定相似性阈值,并根据所述目标有向图的节点值与边值和参考有向图中对应的节点值和边值之间的相似性预测所述待识别山体是否会发生滑坡。
进一步地,所述相似性阈值为0.7,当所述目标有向图中的每个节点值和边值与对应参考有向图类型中的每个节点值和边值的相似度均大于0.7时,目标山体会发生滑坡。
进一步地,当所述目标山体会发生滑坡时,及时采取预警措施。
进一步地,所述根据每组历史数据中每种类型数据的最大值获取每组历史数据中多种类型数据之间的因果链的过程为:
获取任一组历史数据中每种类型数据的最大值,根据每种类型数据的最大值对应的时刻确定该组历史数据中多种类型数据之间的因果链;当一种类型数据的最大值先于另一种类型数据的最大值出现,则该种类型数据是另一组数据的因,另一组数据是该种类型数据的果,由此确定该组历史数据中多种类型数据之间的因果链;
依次获取每组历史数据中多种类型数据之间的因果链。
进一步地,所述根据每组历史数据中多种类型数据之间的因果链将多组历史数据分为多个类别数据的过程中,还包括将因果链相同的每组历史数据分为同类别数据,由此完成对多组历史数据的分类。
进一步地,在所述有向图中,每两种类型数据的边值为每两种类型数据序列的最小距离的倒数。
进一步地,在所述有向图中,每种类型数据的节点值为节点对应的每种类型数据在主成分分析坐标中,最大主成分方向与水平轴的夹角和90°的比值。
进一步地,所述每一类别数据的参考有向图的节点值和边值为所述每一类别数据中每组历史数据的节点值和边值的平均值。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于多源数据融合的区域滑坡灾害识别方法,该方法通过获取发生滑坡前到滑坡发生时的任一时间段内多组山体的历史数据,根据每组历史数据中每种类型数据的最大值获取每组历史数据中三种类型数据之间的因果链;进一步地,根据每组历史数据中三种类型数据之间的因果链将多组历史数据分为多个类别数据,由此可完成对每组历史数据的分类;进一步地,根据每个类别数据中每组历史数据的有向图可获得每个类别数据的参考有向图;进一步地,获取待识别山体的实际数据,并获取待识别山体的目标有向图;通过将目标有向图与参考有向图进行匹配可确定实际数据的类别;根据实际数据的目标有向图,以及实际数据的数据类型对应的参考有向图可预测待识别山体是否会发生滑坡,当预测到待识别山体会发生滑坡时,及时采取应对措施;本发明解决了现有技术中,对山体滑坡预测时精确度差,以及无法实现对山体滑坡的提前预警的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的区域滑坡灾害识别方法的流程示意图;
图2为本发明实施例提供的一组历史数据的因果关联图的示意图;
图3为本发明实施例提供的一组历史数据的有向图的示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本实施例提供了一种基于多源数据融合的区域滑坡灾害识别方法,如图1 所示,该方法包括:
S101,获取已发生滑坡,且在发生滑坡时间段内多组山体的历史数据;每组所述历史数据包含压力数据、变形数据和位移数据三种类型数据;所述发生滑坡时间段包括发生滑坡时及发生滑坡前的时间段,并获取目标山体一个时间段内的实际数据;
本实施例中,在获取发生滑坡的山体的历史数据时,选择多个不同山体发生滑坡前到滑坡发生时的任一时间段内的历史数据;该历史数据中包括多种类型数据,如压力数据、变形数据和位移数据;同时,选择需要分析是否会发生滑坡的目标山体,并获取目标山体的一段时间内的实际数据;所述目标山体为待识别山体;
根据每组历史数据中每种类型数据的最大值获取每组历史数据中多种类型数据之间的因果链;根据每组历史数据中每种类型数据的最大值获取每组历史数据中多种类型数据之间的因果链的过程为,获取任一组历史数据中每种类型数据的最大值,根据每种类型数据的最大值对应的时刻确定该组历史数据中多种类型数据之间的因果链;当一种类型数据的最大值先于另一种类型数据的最大值出现,则该种类型数据是另一组数据的因,另一组数据是该种类型数据的果,由此确定该组历史数据中多种类型数据之间的因果链;依次获取每组历史数据中多种类型数据之间的因果链;据每组历史数据中多种类型数据之间的因果链将多组历史数据分为多个类别数据;将多组历史数据分为多个类别数据时,把具有相同因果链的每组历史数据分为一个类别数据,对每组历史数据完成分类获得多个类别数据;
需要说明的是,山体滑坡由于诱因的不同,历史数据与具体的滑坡时间存在响应差异,有些滑坡受诱发因素作用后,立即活动,例如,强烈地震、暴雨、海啸等,有些滑坡发生时间稍晚于诱因作用发生时间,如融雪、风暴潮等;同时,由于不同诱因导致的不同观测数据的先后变化关系不同,例如,暴雨导致的滑坡常常先导致坡体表面的位移数据的变化,然后导致山体的变形,进而导致山体内部应力的变化,而地震等往往首先是首先产生山体内部应力的变化,进而导致山体变形,进而产生了坡体表面的位移变化,因此,本实施例中,首先通过对采集到的历史数据的先验性进行分析,通过先验性的不同将数据划分为多个类别数据,同一类数据是由于相同原因导致滑坡的,不同类别数据是由于不同原因导致的滑坡;不同原因导致的滑坡中,不同数据(压力、变形等数据)的变化趋势和变化特征会存在差别,计算得到不同类别数据的目的是为了对实际发生的滑坡数据的精准分类,有助于对是否确实产生了滑坡进行更加精细的识别,提高识别精度;
S102,获取所述类别数据中任一组历史数据中每两种类型数据序列的最小距离,每两种类型数据序列的最小距离为每两种类型数据的DTW距离;
本实施例中获取的历史数据为当前时刻到当前时刻一个小时之前这一段时间内的历史数据,将该段时间以10min为间隔划分为6个子时段数据;并获取该历史数据每个子时段两两数据之间的DTW距离;当每个子时段两两数据之间的DTW距离的倒数大于DTW阈值时,则该子时段两两数据之间的关联性较大;并获取全部DTW距离的倒数大于DTW阈值的子时段的DTW距离的平均值作为实际数据的实际DTW距离;
需要说明的是,本实施例中根据实施条件以及检测精度设置DTW阈值为0.6,即有当每个子时段两两数据之间的DTW距离的倒数大于0.6时,则该子时段两两数据之间的关联性较大,并获取全部DTW距离的倒数大于DTW阈值的子时段的DTW距离的平均值作为实际数据的实际DTW距离;
根据该组历史数据中每两种类型数据序列的最小距离确定该组历史数据中每种类型数据的先后顺序;根据该组历史数据中每种类型数据的先后顺序获取该组历史数据的因果关联图;确定历史数据中每种类型数据的先后顺序的过程为,获取每两种类型数据之间的DTW距离的倒数大于0.6时对应的子时段,获取该子时段内两两数据之间的变化趋势,当在该子时段内每两种类型数据中的一种类型数据先于另一种类型数据发生变化,则该类型数据先于另一种类型数据发生变化,从而确定两两数据之间的顺序;然后根据每种类型数据的先后顺序获取历史数据的因果关联图;如图2所示,历史数据中共有三种类型数据,分别为A类型数据、B类型数据和C类型数据时,且在该子时段内A类型数据先于B类型数据发生,且B类型数据先于C类型数据发生,且A类型数据先于C类型数据发生,可获得如图2所示的因果关联图;
S103,根据历史数据的因果关联图获取历史数据的有向图;获取有向图的过程为,获取因果关联图中每两种类型数据之间的边值,每两种类型数据之间的边值为每两种类型数据之间实际DTW距离的倒数;获取因果关联图中每种类型数据的节点值;因果关联图中每种类型数据的节点值的过程为,利用PCA算法获取每种类型数据的多个主成分方向,获取每种类型数据的最大主成分方向与水平轴的夹角;根据夹角与90°的比值可获得每种类型数据的节点值;由此可获得历史数据的有向图;例如,历史数据的有向图如图3所示,图3中,A类型数据与B类型数据之间的边值为0.9,表示A类型数据与B类型数据之间实际DTW距离的倒数为0.9;B类型数据与C类型数据之间的边值为0.8,表示B类型数据与C类型数据之间实际DTW距离的倒数为0.8;A类型数据与C类型数据之间的边值为0.7,表示A类型数据与C类型数据之间实际DTW距离的倒数为0.9;
依次获取所述类别数据中每组历史数据的有向图;根据每组历史数据的有向图获取所述类别数据的参考有向图;依次获取每个类别数据的参考有向图;每一类别数据的参考有向图的节点值和边值为每一类别数据中每组历史数据的节点值和边值的平均值;
S104,获取实际数据的目标有向图;根据目标有向图与每一类型数据的参考有向图之间的相似性预测目标山体是否会发生滑坡;根据目标有向图与每一类型数据的参考有向图之间的相似性预测目标山体是否会发生滑坡的过程为,根据目标有向图与每个参考有向图中每种类型数据的因果链确定实际数据对应的类型数据;设定相似性阈值,并根据目标有向图与参考有向图类型之间的相似性预测目标山体是否会发生滑坡;当目标有向图中的每个节点值和边值与对应参考有向图类型中的每个节点值和边值的相似度均大于相似性阈值时,目标山体会发生滑坡,并及时采取预警措施;
需要说明的是,本实施例中根据具体实施条件和实施精度要求设定相似性阈值为0.7,当目标有向图中的每个节点值和边值与对应参考有向图类型中的每个节点值和边值的相似度均大于0.7时,目标山体会发生滑坡,及时发出滑坡预警,并疏散目标山体附近区域的人群和车辆,做好目标山体滑坡时的应对措施。
综上,本实施例提供了一种基于多源数据融合的区域滑坡灾害识别方法,该方法包括:获取已发生滑坡,且在发生滑坡时间段内多组山体的历史数据;每组历史数据包含压力数据、变形数据和位移数据三种类型数据;发生滑坡时间段包括发生滑坡时及发生滑坡前的时间段;获取发生滑坡前到滑坡发生时的任一时间段内多组山体的历史数据,每组历史数据包含压力数据、变形数据和位移数据三种类型数据;根据每组历史数据中每种类型数据的最大值获取每组历史数据中三种类型数据之间的因果链;根据每组历史数据中三种类型数据之间的因果链将多组历史数据分为多个类别数据;获取类别数据中任一组历史数据中每两种类型数据序列的最小距离,根据该组历史数据中每两种类型数据序列的最小距离确定该组历史数据中每种类型数据的先后顺序;根据该组历史数据中每种类型数据的先后顺序获取该组历史数据中每种类型数据之间的有向图;有向图中每两种类型数据的边值根据每两种类型数据序列的最小距离确定;有向图中每种类型数据的节点值根据每种类型数据在主成分分析坐标中的最大主成分方向与水平坐标轴的夹角确定;依次获取类别数据中每组历史数据的有向图;根据每组历史数据的有向图获取类别数据的参考有向图;依次获取每个类别数据的参考有向图;获取待识别山体当前时间段的实际数据,确定实际数据的类别,并获取实际数据的目标有向图;根据实际数据的目标有向图与实际数据的类别对应的参考有向图中的边值和节点值的相似性,预测待识别山体是否会发生滑坡;本实施例解决了现有技术中,对山体滑坡预测时精确度差,以及无法实现对山体滑坡提前预警的技术问题。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.一种基于多源数据融合的区域滑坡灾害识别方法,其特征在于,包括以下步骤:
获取已发生滑坡,且在发生滑坡时间段内多组山体的历史数据;每组所述历史数据包含压力数据、变形数据和位移数据三种类型数据;所述发生滑坡时间段包括发生滑坡时及发生滑坡前的时间段;
根据每组历史数据中每种类型数据的最大值获取每组历史数据中三种类型数据之间的因果链;获取因果链的过程为,获取任一组历史数据中每种类型数据的最大值,根据每种类型数据的最大值对应的时刻确定该组历史数据中多种类型数据之间的因果链;当一种类型数据的最大值先于另一种类型数据的最大值出现,则该种类型数据是另一组数据的因,另一组数据是该种类型数据的果,由此确定该组历史数据中多种类型数据之间的因果链;依次获取每组历史数据中多种类型数据之间的因果链;
根据每组历史数据中三种类型数据之间的因果链将多组历史数据分为多个类别数据;
获取所述类别数据中任一组历史数据中每两种类型数据序列的最小距离,根据该组历史数据中每两种类型数据序列的最小距离确定该组历史数据中每种类型数据的先后顺序;确定历史数据中每种类型数据的先后顺序的过程为,将所述历史数据对应的时间段划分为6个子时段;获取每两种类型数据之间的DTW距离的倒数大于0.6时对应的子时段,获取该子时段内两两数据之间的变化趋势,当在该子时段内每两种类型数据中的一种类型数据先于另一种类型数据发生变化,则该类型数据先于另一种类型数据发生变化,从而确定两两数据之间的顺序;
根据该组历史数据中每种类型数据的先后顺序获取该组历史数据中每种类型数据之间的有向图;所述有向图中每两种类型数据的边值根据每两种类型数据序列的最小距离确定;所述有向图中每种类型数据的节点值根据每种类型数据在主成分分析坐标中的最大主成分方向与水平坐标轴的夹角确定;
依次获取所述类别数据中每组历史数据的有向图;根据每组历史数据的有向图获取所述类别数据的参考有向图;依次获取每个类别数据的参考有向图;
获取待识别山体的当前时间段的实际数据,确定所述实际数据的类别,并根据获取每个类别数据的参考有向图的方法获取所述实际数据的目标有向图;
根据所述实际数据的目标有向图与所述实际数据的类别对应的参考有向图中的边值和节点值的相似性,预测所述待识别山体是否会发生滑坡。
2.根据权利要求1所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,根据所述实际数据的目标有向图与所述实际数据的类别对应的参考有向图中的边值和节点值的相似性,预测所述待识别山体是否会发生滑坡的过程中,还包括设定相似性阈值,并根据所述目标有向图的节点值与边值和参考有向图中对应的节点值和边值之间的相似性预测所述待识别山体是否会发生滑坡。
3.根据权利要求2所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,所述相似性阈值为0.7,当所述目标有向图中的每个节点值和边值与对应参考有向图类型中的每个节点值和边值的相似度均大于0.7时,目标山体会发生滑坡。
4.根据权利要求3所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,当所述目标山体会发生滑坡时,及时采取预警措施。
5.根据权利要求1所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,所述根据每组历史数据中多种类型数据之间的因果链将多组历史数据分为多个类别数据的过程中,还包括将因果链相同的每组历史数据分为同类别数据,由此完成对多组历史数据的分类。
6.根据权利要求1所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,在所述有向图中,每两种类型数据的边值为每两种类型数据序列的最小距离的倒数。
7.根据权利要求6所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,在所述有向图中,每种类型数据的节点值为节点对应的每种类型数据在主成分分析坐标中,最大主成分方向与水平轴的夹角和90°的比值。
8.根据权利要求1所述的基于多源数据融合的区域滑坡灾害识别方法,其特征在于,所述每个类别数据的参考有向图的节点值和边值为所述每个类别数据中每组历史数据的节点值和边值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211085192.1A CN115146746B (zh) | 2022-09-06 | 2022-09-06 | 基于多源数据融合的区域滑坡灾害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211085192.1A CN115146746B (zh) | 2022-09-06 | 2022-09-06 | 基于多源数据融合的区域滑坡灾害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146746A CN115146746A (zh) | 2022-10-04 |
CN115146746B true CN115146746B (zh) | 2022-11-22 |
Family
ID=83415107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211085192.1A Active CN115146746B (zh) | 2022-09-06 | 2022-09-06 | 基于多源数据融合的区域滑坡灾害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146746B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6354192B2 (ja) * | 2014-02-14 | 2018-07-11 | オムロン株式会社 | 因果ネットワーク生成システム |
US10817794B1 (en) * | 2015-06-02 | 2020-10-27 | Cornell University | Causality network construction techniques |
WO2018032061A1 (en) * | 2016-08-19 | 2018-02-22 | The University Of Queensland | An improved alarm operator assist method and assembly |
CN108304668B (zh) * | 2018-02-11 | 2021-07-09 | 河海大学 | 一种结合水文过程数据和历史先验数据的洪水预测方法 |
CN113240688A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种一体化洪涝灾害精准监测预警方法 |
CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
CN113988643A (zh) * | 2021-10-29 | 2022-01-28 | 重庆地质矿产研究院 | 一种交通线沿线区域的滑坡风险定量评估方法 |
-
2022
- 2022-09-06 CN CN202211085192.1A patent/CN115146746B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115146746A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tehrany et al. | Flood susceptibility assessment using GIS-based support vector machine model with different kernel types | |
Kabiesz et al. | Application of rule-based models for seismic hazard prediction in coal mines. | |
CN110580655A (zh) | 一种基于lstm算法的煤矿涌水量预测的方法和系统 | |
RU2010143880A (ru) | Прогнозирование напряжений на изучаемой площади | |
CN115035182B (zh) | 一种山区滑坡灾害预警方法及系统 | |
CN109992635B (zh) | 一种震后泥石流早期识别方法 | |
CN112950901B (zh) | 一种基于数据分析的灾害监测系统及方法 | |
Suh et al. | Subsidence hazard assessment at the Samcheok coalfield, South Korea: a case study using GIS | |
CN102913285B (zh) | 矿井顶板危险报警的方法 | |
Williamson et al. | Controls on rapid supraglacial lake drainage in West Greenland: an Exploratory Data Analysis approach | |
Ye et al. | GIS-based spatial prediction of landslide using road factors and random forest for Sichuan-Tibet Highway | |
CN115542397B (zh) | 一种基于svm的海啸危险分析方法 | |
CN116658246A (zh) | 一种煤矿水害监测预警系统及方法 | |
CN106952013A (zh) | 一种岩质边坡安全评价方法及应用 | |
CN113723446A (zh) | 地灾监测预警方法、装置、计算机设备及存储介质 | |
Arabameri et al. | Application of novel ensemble models and k-fold CV approaches for Land subsidence susceptibility modelling | |
CN115900838A (zh) | 一种边坡预警方法、系统、计算机设备及可读存储介质 | |
CN115146746B (zh) | 基于多源数据融合的区域滑坡灾害识别方法 | |
Zhang et al. | Deformation stage division and early warning of landslides based on the statistical characteristics of landslide kinematic features | |
CN110796310A (zh) | 一种区域性地质灾害的易发性预测方法和系统 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
Farina et al. | Development of an early warning system for shallow landslide hazard in the Grasberg area, Indonesia | |
Pitchford et al. | Modelling streambank erosion potential using maximum entropy in a central Appalachian watershed | |
CN107067021B (zh) | 基于运动角差的滑坡形变相似性评价方法 | |
Yang et al. | Law and Early Warning of Vertical Sluice Cluster Displacements in Soft Coastal Soil |
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 |