CN115470612A - 构造湖漫溢溃坝隐患预警方法、系统、介质及设备 - Google Patents

构造湖漫溢溃坝隐患预警方法、系统、介质及设备 Download PDF

Info

Publication number
CN115470612A
CN115470612A CN202210884984.9A CN202210884984A CN115470612A CN 115470612 A CN115470612 A CN 115470612A CN 202210884984 A CN202210884984 A CN 202210884984A CN 115470612 A CN115470612 A CN 115470612A
Authority
CN
China
Prior art keywords
lake
target
constructed
constructing
early warning
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
Application number
CN202210884984.9A
Other languages
English (en)
Other versions
CN115470612B (zh
Inventor
贺鹏
王根厚
涂杰楠
陈虹
童立强
郭兆成
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.)
China University of Geosciences Beijing
China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
Original Assignee
China University of Geosciences Beijing
China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
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 China University of Geosciences Beijing, China Aero Geophysical Survey and Remote Sensing Center for Natural Resources filed Critical China University of Geosciences Beijing
Priority to CN202210884984.9A priority Critical patent/CN115470612B/zh
Publication of CN115470612A publication Critical patent/CN115470612A/zh
Application granted granted Critical
Publication of CN115470612B publication Critical patent/CN115470612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Alarm Systems (AREA)

Abstract

本发明属于灾害预警技术领域，尤其涉及构造湖漫溢溃坝隐患预警方法、系统、介质及设备。该方法包括：步骤1，获取高原上每个预设构造湖的遥感影像；步骤2，对所述每个预设构造的湖遥感影像进行分析处理，筛选出具有成灾条件的至少一个目标构造湖；步骤3，确定任意一个目标构造湖所属气候区的类型；步骤4，基于所述类型确定该目标构造湖的模拟年内预测水量增量；步骤5，基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。通过本发明能够达到结合环境地质、气候变化等复杂条件综合给出预警信息的效果。

Description

构造湖漫溢溃坝隐患预警方法、系统、介质及设备
技术领域
本发明属于灾害预警技术领域，尤其涉及构造湖漫溢溃坝隐患预警方法、系统、介质及设备。
背景技术
构造湖漫溢溃坝灾害是随全球气候变化而在青藏高原出现的新型灾种。近年来，在全球变暖的背景下，青藏高原极端气候频发、冰雪消融加剧、湖泊扩显著，卓乃湖、阿克苏库勒湖、贝勒克勒克湖等先后发生漫溢溃坝，严重威胁下游生态环境、人民生命财产和重要基础设施安全，亟需引起关注。目前对青藏高原湖泊灾害隐患的研究多集中于冰川湖，而构造湖漫溢溃坝作为一类全新灾害类型，还未引起足够重视。
高原冰川湖与构造湖发生溃决的成因类型具有本质差异，冰川湖多存在溢流口，常规情况下较为稳定，其溃决多是由冰滑坡或冰崩入湖形成的瞬时涌浪击穿冰碛坝体所导致的结果；构造湖漫溢溃坝是指具备天然阻水坝体和溢流通道的闭流湖，上涨水量超出临界库容导致湖水外溢并沿溢流通道形成冲沟，经由溯源侵蚀进一步破坏天然阻水坝体形成溃决洪水，造成下游基础设施毁坏或生态损毁的现象。因此，以往相关学者针对冰川湖溃决隐患提出的成灾条件、主要溃决特征、影响因素分析、易发性评价等方法并不适用于构造湖(地理学报,1989(03):343-351+385-352；冰川冻土,1996(04):61-66；山地学报,2003(S1):128-132；灾害学,2008(01):55-60；自然资源学报,2014,29(08):1377-1390；国土资源遥感,2016,28(03):110-115)；而针对目前已溃决构造湖的隐患分析还停留在溃堤成因、溃决过程及机理研究等方面(地理学报,2012,67(05):689-698；冰川冻土,2017,39(05):949-956；冰川冻土,2018,40(01):47-54；冰川冻土,2019,41(06):1467-1474；冰川冻土,2020,42(04):1344-1352.)，未见有漫溢溃坝隐患的全流程早期预警方法提出。随着遥感技术的快速发展及对高原构造湖漫溢溃坝成灾条件认识的加深，为解决上述问题提供了新的思路。
发明内容
本发明所要解决的技术问题是提供构造湖漫溢溃坝隐患预警方法、系统、介质及设备。
本发明解决上述技术问题的技术方案如下：一种高原构造湖漫溢溃坝隐患预警方法，包括：
步骤1，获取构造湖遥感影像；
步骤2，对所述构造湖遥感影像进行分析处理，筛选出具有成灾条件的目标构造湖；
步骤3，确定所述目标构造湖所属气候区的类型；
步骤4，基于所述类型确定该目标构造湖的模拟年内预测水量增量；
步骤5，基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。
本发明的有益效果是：高原构造湖漫溢溃坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢溃坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢渍坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时一空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢渍坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤1具体为：
获取高原上面积在预设值以上的所有湖泊的遥感图像，并对所述所有湖泊的遥感影像进行筛选，提出冰川湖以及堰塞湖，得出构造湖遥感影像。
进一步，所述步骤2具体为：
通过漫溢渍坝条件判断公式，将μ不小于预设指数的构造湖判定为具有成灾条件的目标构造湖，所述漫溢渍坝条件判断公式具体为：
μ＝0.4798·W1+0.1857·W2+0.280θ·W3+0.0536·W4
其中，μ为任意一个构造湖漫溢渍坝条件指数，W1为任意一个构造湖连通性指数，W2为任意一个构造湖坝体特征指数，W3为任意一个构造湖外泄通道指数，W4为任意一个构造湖形态指数；μ∈[0，1]，
Figure BDA0003765381230000031
Figure BDA0003765381230000032
Qin为任意一个构造湖入湖水量，Qout为任意一个构造湖排泄水量，Kvn为任意一个构造湖构造湖天然坝体新鲜岩石压缩波速度，Kvw为任意一个构造湖风化岩石压缩波速度，R为任意一个构造湖构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，CL为任意一个构造湖构造湖岸线周长，SL为任意一个构造湖构造湖水域面积。
进一步，所述步骤3具体为：
根据类型判断公式，确定所述目标构造湖所属气候区的类型，所述类型判断公式为：
Figure BDA0003765381230000041
其中，Q为气候区类型，aT为给定时间尺度内的气温变化量aP为同时间尺度流域降水量变化量，ΔsG为同时间尺度冰川面积变化量，Q1，Q2，Q3为第一类型、第二类型以及第三类型。
进一步，所述步骤4具体为：
通过增量公式，确定所述类型对应的模拟年内预测水量增量，所述增量公式具体为：
Figure BDA0003765381230000042
其中，ΔVFI为目标构造湖年内预测水量增量，θy为年时间尺度常规降水概率，θm为月时间尺度极端降水概率，θd为日时间尺度极端降水概率，ΔVYR为年常规降水条件下的湖泊水量增量，ΔVMR为月度极端降水条件下的湖泊水量增量，ΔVDR为日强降水条件下的湖泊水量增量，
Figure BDA0003765381230000043
ΔVDR＝SB×Pmax×λ×k+St×Pmax×λ，β为月度汛期极端降水系数，k为流域产流系数，
Figure BDA0003765381230000044
为流域月均降水量，
Figure BDA0003765381230000045
为流域内冰川月均变化量，ET0为气象站潜在蒸散量，Pmax为历史最大单日降水量，λ为历史最大单日降水时长。
进一步，所述步骤5具体为：
通过概率公式，确定所述目标构造湖的漫溢渍坝概率，根据所述漫溢渍坝概率生成预警信息，所述概率公式具体为：
Figure BDA0003765381230000046
其中，PL为构造湖年内漫溢渍坝概率，
Figure BDA0003765381230000047
为任意一个目标构造湖外围最大古湖岸线平均高程，HL为任意一个目标构造湖湖面高程，Sold为任意一个目标构造湖最大古湖岸线面积。
本发明解决上述技术问题的另一种技术方案如下：一种高原构造湖漫溢溃坝隐患预警系统，包括：
获取模块，用于获取构造湖遥感影像；
筛选模块，用于对所述构造湖遥感影像进行分析处理，筛选出具有成灾条件的目标构造湖；
确定模块，用于确定所述目标构造湖所属气候区的类型；
预测模块，用于基于所述类型确定该目标构造湖的模拟年内预测水量增量；
预警模块，用于基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。
本发明的有益效果是：高原构造湖漫溢溃坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢溃坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢溃坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢溃坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
进一步，所述获取模块具体用于：
获取高原上面积在预设值以上的所有湖泊的遥感图像，并对所述所有湖泊的遥感影像进行筛选，提出冰川湖以及堰塞湖，得出构造湖遥感影像。
进一步，所述筛选模块具体用于：
通过漫溢渍坝条件判断公式，将μ不小于预设指数的构造湖判定为具有成灾条件的目标构造湖，所述漫溢渍坝条件判断公式具体为：
μ＝0.4798·W1+0.1857·W2+0.2809·W3+0.0536·W4
其中，μ为任意一个构造湖漫溢渍坝条件指数，W1为任意一个构造湖连通性指数，W2为任意一个构造湖坝体特征指数，W3为任意一个构造湖外泄通道指数，W4为任意一个构造湖形态指数；μ∈[0，1]，
Figure BDA0003765381230000061
Figure BDA0003765381230000062
Qin为任意一个构造湖入湖水量，Qout为任意一个构造湖排泄水量，Kvn为任意一个构造湖构造湖天然坝体新鲜岩石压缩波速度，Kvw为任意一个构造湖风化岩石压缩波速度，R为任意一个构造湖构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，CL为任意一个构造湖构造湖岸线周长，SL为任意一个构造湖构造湖水域面积。
进一步，所述确定模块具体用于：
根据类型判断公式，确定所述目标构造湖所属气候区的类型，所述类型判断公式为：
Figure BDA0003765381230000063
其中，Q为气候区类型，aT为给定时间尺度内的气温变化量aP为同时间尺度流域降水量变化量，ΔsG为同时间尺度冰川面积变化量，Q1，Q2，Q3为第一类型、第二类型以及第三类型。
进一步，所述预测模块具体用于：
通过增量公式，确定所述类型对应的模拟年内预测水量增量，所述增量公式具体为：
Figure BDA0003765381230000071
其中，ΔVFI为目标构造湖年内预测水量增量，θy为年时间尺度常规降水概率，θm为月时间尺度极端降水概率，θd为日时间尺度极端降水概率，ΔVYR为年常规降水条件下的湖泊水量增量，ΔVMR为月度极端降水条件下的湖泊水量增量，ΔVDR为日强降水条件下的湖泊水量增量，
Figure BDA0003765381230000072
ΔVDR＝SB×Pmax×λ×k+St×Pmax×λ，β为月度汛期极端降水系数，k为流域产流系数，
Figure BDA0003765381230000073
为流域月均降水量，
Figure BDA0003765381230000074
为流域内冰川月均变化量，ET0为气象站潜在蒸散量，Pmax为历史最大单日降水量，λ为历史最大单日降水时长。
进一步，所述预警模块具体用于：
通过概率公式，确定所述目标构造湖的漫溢渍坝概率，根据所述漫溢渍坝概率生成预警信息，所述概率公式具体为：
Figure BDA0003765381230000075
其中，PL为构造湖年内漫溢渍坝概率，
Figure BDA0003765381230000076
为任意一个目标构造湖外围最大古湖岸线平均高程，HL为任意一个目标构造湖湖面高程，Sold为任意一个目标构造湖最大古湖岸线面积。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种高原构造湖漫溢渍坝隐患预警方法。
本发明的有益效果是：高原构造湖漫溢渍坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢渍坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢溃坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢溃坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括上述存储介质、执行上述存储介质内的指令的处理器。
本发明的有益效果是：高原构造湖漫溢溃坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢溃坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢溃坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢溃坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
附图说明
图1为本发明一种高原构造湖漫溢溃坝隐患预警方法的实施例提供的流程示意图；
图2为本发明一种高原构造湖漫溢溃坝隐患预警系统的实施例提供的结构框架图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种高原构造湖漫溢溃坝隐患预警方法，包括：
步骤1，获取构造湖遥感影像；
步骤2，对所述构造湖遥感影像进行分析处理，筛选出具有成灾条件的目标构造湖；
步骤3，确定所述目标构造湖所属气候区的类型；
步骤4，基于所述类型确定该目标构造湖的模拟年内预测水量增量；
步骤5，基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。
在一些可能的实施方式中，高原构造湖漫溢溃坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢溃坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢溃坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢渍坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
需要说明的是，步骤1，获取构造湖遥感影像。针对该步骤的具体解释参考如下示例：
利用高分辨率遥感数据获取青藏高原面积在1km2以上的湖泊，根据成因类型筛选出构造湖，剔除冰川湖、堰塞湖等其他类型湖泊。
步骤2，对所述构造湖遥感影像进行分析处理，筛选出具有成灾条件的目标构造湖。针对该步骤的具体解释参考如下示例：
根据对已漫溢渍决构造湖成因分析，获取构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征，综合构建成灾决定因素的漫溢渍坝条件判断公式，筛选出具成灾条件的目标构造湖。
μ＝0.4798·W1+0.1857·W2+0.2809·W3+0.0536·W4
其中，μ为任意一个构造湖漫溢渍坝条件指数，W1为任意一个构造湖连通性指数，W2为任意一个构造湖坝体特征指数，W3为任意一个构造湖外泄通道指数，W4为任意一个构造湖形态指数；μ∈[0，1]，无量纲；
Figure BDA0003765381230000101
Figure BDA0003765381230000102
以上各指数均在0到1范围内，无量纲；指数前系数为权重值，由YAAHP方法确定；当μ≥0.75时，认为满足漫溢渍坝成灾条件，Qin为任意一个构造湖入湖水量，Qout为任意一个构造湖排泄水量，Kvn为任意一个构造湖构造湖天然坝体新鲜岩石压缩波速度，Kvw为任意一个构造湖风化岩石压缩波速度，R为任意一个构造湖构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，CL为任意一个构造湖构造湖岸线周长，SL为任意一个构造湖构造湖水域面积。
涉及漫溢渍坝条件判断公式的构建，具体过程如下：
结合已渍决湖泊分析，高原构造湖发生漫溢渍坝的先决条件包括四个方面，即属于闭流型湖泊，具备天然阻水坝体和存在外泄通道，并且在形态结构上较为特殊。根据上述要素之间的相关性，建立漫溢渍坝条件指数的一般表达式：
式中，μ＝α·W1+β·W2+γ·W3+δ·W4；
式中，μ为构造湖漫溢渍坝条件指数，W1为连通性指数，W2为坝体特征指数，W3为外泄通道指数，W4为形态指数，上述各指数均∈[0，1]，无量纲；α，β，γ，δ系为经验公式未知数，无量纲。
为有效表征湖泊连通性特征对漫溢渍坝的影响，与常规判定湖泊连通性的方法不同，本发明创新型的引入连通性指数概念，通过构造湖排泄水量与入湖水量特征对比分析，实现其连通特征的量化。
Figure BDA0003765381230000111
式中，Qin为入湖水量，Qout为排泄水量，分式内单位一致以消除量纲。当构造湖连通性指数趋近于0时，说明其为吞吐湖，不具备漫溢渍坝条件；当指数趋近于1时，说明其为闭流湖，存在蓄水后漫溢渍坝条件。
为有效表征坝体物质结构特征对漫溢渍坝的影响，本发明选用压缩波速度比这一指标，来量化坝体结构类型，以区分易渍坝的松散土质坝体及较难渍决的岩质坝体。
Figure BDA0003765381230000112
式中，Kvn为构造湖天然坝体新鲜岩石压缩波速度，Kvw为风化岩石压缩波速度，其比值表示坝体物质结构特征，分式内单位一致以消除量纲。当坝体物质结构指数趋近于1时，其结构接近于强风化松散土质坝体，当趋近于0时，其结构接近于未风化稳定岩质坝体。
为量化外泄通道特征对漫溢溃坝的影响，本发明选用河道平均比降这一指标，对不同类型的外泄通道进行量化描述。
Figure BDA0003765381230000121
式中，R为构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，分式内单位一致以消除量纲。当外泄通道特征指数趋近于0时，其湖岸外侧均为高地，不存在外泄条件；当指数趋近于0.5时，其存在漫溢外流条件；当指数趋近于1时，其湖岸外侧存在较陡外泄通道，具备引发溃坝条件。
为量化构造湖形态特征及湖岸线发育复杂程度对漫溢溃坝的影响，本发明引入构造湖形态指数这一概念，通过对已出现漫溢溃坝的构造湖岸线的几何形态分析构建计算公式，以表征其对漫溢溃坝的影响程度。
Figure BDA0003765381230000122
式中，CL为构造湖岸线周长，SL为构造湖水域面积，其比值表示构造湖形态的复杂程度，分式内单位一致以消除量纲。当构造湖形态指数趋近于1时，其形态相似性越强，岸线形态越规则，易出现溢流口，已发生漫溢溃坝湖泊均具备这一特征；当趋近于0时，其相似性越差，岸线形态越复杂，一般不存在溢流口，位于流域内终点的尾闾湖多具备此特征。
为确定上述4个指数因子对判定构造湖漫溢溃坝条件的影响权重，本发明建立分层交错评价指标的层次结构，利用YAAHP软件求解判断矩阵特征向量(表1)，求解α，β，γ，δ在μ的经验公式中重要性权重。
表1指数因子的配对比较矩阵
Figure BDA0003765381230000123
Figure BDA0003765381230000131
指数因子的配对比较矩阵一致性CR＝0.0304＜0.1000，通过一致性检验。
据此，求得连通性指数权重α＝0.4798，坝体特征指数β＝0.1857，外泄通道指数γ＝0.2809，形态指数δ＝0.0536。
将前述指数公式及权重因子带入漫溢渍坝条件指数的一般表达式，得出构造湖漫溢渍坝条件指数μ的计算公式。
Figure BDA0003765381230000132
式中，μ∈[0，1]，无量纲；当μ≥0.75时，认为满足漫溢渍坝条件。
步骤3，确定所述目标构造湖所属气候区的类型。针对该步骤的具体解释参考如下示例：
根据气象站数据及高分辨率遥感数据，获取给定时间尺度下可能出现扩张的目标构造湖流域范围内的历史气温、降水量、冰川面积变化特征，划定目标构造湖所属气候区类型；
Figure BDA0003765381230000133
式中，Q为气候区类型，aT为给定时间尺度内的气温变化量aP为同时间尺度流域降水量变化量，ΔsG为同时间尺度冰川面积变化量。
步骤4，基于所述类型确定该目标构造湖的模拟年内预测水量增量。针对该步骤的具体解释参考如下示例：
根据气象站数据统计目标构造湖流域内年时间尺度常规降水概率、月时间尺度极端降水概率、日时间尺度极端降水概率及不同降水条件下的水量变化量，针对不同气候变化区分类模拟年内预测水量增量。
Figure BDA0003765381230000141
式中，ΔVFI为目标构造湖年内预测水量增量，θy为年时间尺度常规降水概率，θm为月时间尺度极端降水概率，θd为日时间尺度极端降水概率，ΔVYR为年常规降水条件下的湖泊水量增量，ΔVMR为月度极端降水条件下的湖泊水量增量，ΔVDR为日强降水条件下的湖泊水量增量。
不同气候区内目标构造湖水量增量模拟，具体过程如下：
年常规气候条件下，限定目标构造湖年内水量变化量将延续往年趋势，流域范围内的气候、水文地质等条件不会出现异常变化。据此，对区内满足成灾条件的30个构造湖的水域面积、流域面积及历史年均水量增量，构建面积流域比-历史年均水量增量关系曲线，进而模拟年常规气候条件下构造湖的年内水量增量：
Figure BDA0003765381230000142
式中，ΔVRY为目标构造湖年常规气候条件下的预测年内水量增量，SL为湖泊当前面积，SB为湖泊流域面积。
月极端降水条件下，限定目标构造湖年内月度汛期最大降水不超过历史极值，综合考虑目标构造湖流域范围内的陆面降水、湖面降水、汛期降水系数、冰川融水及蒸发等条件，进而模拟月度极端降水条件下湖泊水量增量：
Figure BDA0003765381230000151
式中，ΔVMR为月度极端降水条件下的湖泊水量增量，β为月度汛期极端降水系数，k为流域产流系数，
Figure BDA0003765381230000152
为流域月均降水量，
Figure BDA0003765381230000153
为流域内冰川月均变化量，ET0为气象站潜在蒸散量。
日极端降水条件下，限定目标构造湖年内最大单次降水不超过历史极值，短时降水无需考虑蒸发损耗及冰川融水补给，据此结合陆面降水、湖面降水等条件，构建预测日常规气候条件下的水量增量模拟方法：
ΔVDR＝SB×Pmax×λ×k+St×Pmax×λ
式中，ΔVDR为日强降水条件下的湖泊水量增量，Pmax为历史最大单日降水量，λ为历史最大单日降水时长。
步骤5，基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢渍坝概率，根据所述漫溢渍坝概率生成预警信息。针对该步骤的具体解释参考如下示例：
基于上一步得到的目标构造湖年内预测水量增量，结合剩余库容进行综合判断年内发生漫溢渍坝概率，依照概率区间划分风险等级，进而实现隐患早期识别。
Figure BDA0003765381230000154
其中，PL为构造湖年内漫溢渍坝概率，
Figure BDA0003765381230000155
为任意一个目标构造湖外围最大古湖岸线平均高程，HL为任意一个目标构造湖湖面高程，Sold为任意一个目标构造湖最大古湖岸线面积。当PL∈(0.80，0.90]时，为低风险；当PL∈(0.90，0.95]时，为中风险；当PL＞0.95时，为高风险。
优选地，在上述任意实施例中，所述步骤1具体为：
获取高原上面积在预设值以上的所有湖泊的遥感图像，并对所述所有湖泊的遥感影像进行筛选，提出冰川湖以及堰塞湖，得出构造湖遥感影像。
优选地，在上述任意实施例中，所述步骤2具体为：
通过漫溢渍坝条件判断公式，将μ不小于预设指数的构造湖判定为具有成灾条件的目标构造湖，所述漫溢渍坝条件判断公式具体为：
μ＝0.4798·W1+0.1857·W2+0.2809·W3+0.0536·W4
其中，μ为任意一个构造湖漫溢渍坝条件指数，W1为任意一个构造湖连通性指数，W2为任意一个构造湖坝体特征指数，W3为任意一个构造湖外泄通道指数，W4为任意一个构造湖形态指数；μ∈[0，1]，
Figure BDA0003765381230000161
Figure BDA0003765381230000162
Qin为任意一个构造湖入湖水量，Qout为任意一个构造湖排泄水量，Kvn为任意一个构造湖构造湖天然坝体新鲜岩石压缩波速度，Kvw为任意一个构造湖风化岩石压缩波速度，R为任意一个构造湖构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，CL为任意一个构造湖构造湖岸线周长，SL为任意一个构造湖构造湖水域面积。
优选地，在上述任意实施例中，所述步骤3具体为：
根据类型判断公式，确定所述目标构造湖所属气候区的类型，所述类型判断公式为：
Figure BDA0003765381230000163
其中，Q为气候区类型，aT为给定时间尺度内的气温变化量aP为同时间尺度流域降水量变化量，ΔsG为同时间尺度冰川面积变化量，Q1，Q2，Q3为第一类型、第二类型以及第三类型。
需要说明的是，Q1为第一种气候区类型，对应暖湿化气候区，主要分布于羌塘高原、祁连山、昆仑山和冈底斯山等地，由于气温升高、降水增加及冰川融水补给，导致区内构造湖扩张比例达70％；Q2为第二种气候区类型，对应暖干化气候区，主要分布于横断山、念青唐古拉山、唐古拉山和喜马拉雅山等地，由于气温升高、降水减少及冰川融水补给，区内构造湖扩张比例不足10％；Q3为第三种气候区类型，对应冷湿化气候区，主要分布喀喇昆仑山、昆仑山及冈底斯山的部分区域，由于气温降低、降水增加、冰川融水补给，区内构造湖扩张比例仅为30％。
优选地，在上述任意实施例中，所述步骤4具体为：
通过增量公式，确定所述类型对应的模拟年内预测水量增量，所述增量公式具体为：
Figure BDA0003765381230000171
其中，ΔVFI为目标构造湖年内预测水量增量，θy为年时间尺度常规降水概率，θm为月时间尺度极端降水概率，θd为日时间尺度极端降水概率，ΔVYR为年常规降水条件下的湖泊水量增量，ΔVMR为月度极端降水条件下的湖泊水量增量，ΔVDR为日强降水条件下的湖泊水量增量，
Figure BDA0003765381230000172
ΔVDR＝SB×Pmax×λ×k+St×Pmax×λ，β为月度汛期极端降水系数，k为流域产流系数，
Figure BDA0003765381230000173
为流域月均降水量，
Figure BDA0003765381230000174
为流域内冰川月均变化量，ET0为气象站潜在蒸散量，Pmax为历史最大单日降水量，λ为历史最大单日降水时长。
优选地，在上述任意实施例中，所述步骤5具体为：
通过概率公式，确定所述目标构造湖的漫溢渍坝概率，根据所述漫溢渍坝概率生成预警信息，所述概率公式具体为：
Figure BDA0003765381230000175
其中，PL为构造湖年内漫溢渍坝概率，
Figure BDA0003765381230000176
为任意一个目标构造湖外围最大古湖岸线平均高程，HL为任意一个目标构造湖湖面高程，Sold为任意一个目标构造湖最大古湖岸线面积。
如图2所示，一种高原构造湖漫溢渍坝隐患预警系统，包括：
获取模块100，用于获取构造湖遥感影像；
筛选模块200，用于对所述构造湖遥感影像进行分析处理，筛选出具有成灾条件的目标构造湖；
确定模块300，用于确定所述目标构造湖所属气候区的类型；
预测模块400，用于基于所述类型确定该目标构造湖的模拟年内预测水量增量；
预警模块500，用于基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。
在一些可能的实施方式中，高原构造湖漫溢溃坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢溃坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢溃坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢溃坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
优选地，在上述任意实施例中，所述获取模块100具体用于：
获取高原上面积在预设值以上的所有湖泊的遥感图像，并对所述所有湖泊的遥感影像进行筛选，提出冰川湖以及堰塞湖，得出构造湖遥感影像。
优选地，在上述任意实施例中，所述筛选模块200具体用于：
通过漫溢溃坝条件判断公式，将μ不小于预设指数的构造湖判定为具有成灾条件的目标构造湖，所述漫溢渍坝条件判断公式具体为：
μ＝0.4798·W1+0.1857·W2+0.2809·W3+0.0536·W4
其中，μ为任意一个构造湖漫溢渍坝条件指数，W1为任意一个构造湖连通性指数，W2为任意一个构造湖坝体特征指数，W3为任意一个构造湖外泄通道指数，W4为任意一个构造湖形态指数；μ∈[0，1]，
Figure BDA0003765381230000191
Figure BDA0003765381230000192
Qin为任意一个构造湖入湖水量，Qout为任意一个构造湖排泄水量，Kvn为任意一个构造湖构造湖天然坝体新鲜岩石压缩波速度，Kvw为任意一个构造湖风化岩石压缩波速度，R为任意一个构造湖构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，CL为任意一个构造湖构造湖岸线周长，SL为任意一个构造湖构造湖水域面积。
优选地，在上述任意实施例中，所述确定模块300具体用于：
根据类型判断公式，确定所述目标构造湖所属气候区的类型，所述类型判断公式为：
Figure BDA0003765381230000193
其中，Q为气候区类型，aT为给定时间尺度内的气温变化量aP为同时间尺度流域降水量变化量，ΔsG为同时间尺度冰川面积变化量，Q1，Q2，Q3为第一类型、第二类型以及第三类型。
优选地，在上述任意实施例中，所述预测模块400具体用于：
通过增量公式，确定所述类型对应的模拟年内预测水量增量，所述增量公式具体为：
Figure BDA0003765381230000194
其中，ΔVFI为目标构造湖年内预测水量增量，θy为年时间尺度常规降水概率，θm为月时间尺度极端降水概率，θd为日时间尺度极端降水概率，ΔVYR为年常规降水条件下的湖泊水量增量，ΔVMR为月度极端降水条件下的湖泊水量增量，ΔVDR为日强降水条件下的湖泊水量增量，
Figure BDA0003765381230000201
ΔVDR＝SB×Pmax×λ×k+St×Pmax×λ，β为月度汛期极端降水系数，k为流域产流系数，
Figure BDA0003765381230000202
为流域月均降水量，
Figure BDA0003765381230000203
为流域内冰川月均变化量，ET0为气象站潜在蒸散量，Pmax为历史最大单日降水量，λ为历史最大单日降水时长。
优选地，在上述任意实施例中，所述预警模块500具体用于：
通过概率公式，确定所述目标构造湖的漫溢渍坝概率，根据所述漫溢渍坝概率生成预警信息.所述概率公式具体为：
Figure BDA0003765381230000204
其中，PL为构造湖年内漫溢渍坝概率，
Figure BDA0003765381230000205
为任意一个目标构造湖外围最大古湖岸线平均高程，HL为任意一个目标构造湖湖面高程，Sold为任意一个目标构造湖最大古湖岸线面积。
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种高原构造湖漫溢渍坝隐患预警方法。
在一些可能的实施方式中，高原构造湖漫溢渍坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢渍坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢渍坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢渍坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢溃坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括上述存储介质、执行上述存储介质内的指令的处理器。
在一些可能的实施方式中，高原构造湖漫溢溃坝作为一种新型灾害类型，由于青藏高原湖泊众多、湖区环境地质条件多样、时空气候变化情况复杂，目前暂无有效早期识别监测预警方法。本专利提出一种高原构造湖漫溢溃坝隐患的早期预警方法，有益效果包含以下四个方面：一是提出基于构造湖连通性、坝体特征、外泄通道特征、湖泊形态特征的漫溢溃坝条件判断方法，可准确筛选隐患分析目标对象；二是综合考虑引发构造湖扩张的流域蒸散发及补给条件，划分气候区类型，可为准确开展构造湖漫溢溃坝隐患评估提供有价值的分析依据；三是全面考虑不同时间尺度下流域降水特征的延续性和突变性，提出多时—空气候特征的年内水量增量模拟方法，可有效提升预测精度；四是提出判断构造湖年内发生漫溢溃坝风险等级的概率区间，避免主观因素干预，从而具有普遍适用性，适合在青藏高原地区湖泊分布区的大范围应用。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
上述方法如果以软件功能单元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，或者该技术方案的全部或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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种高原构造湖漫溢溃坝隐患预警方法，其特征在于，包括：
步骤1，获取高原上每个预设构造湖的遥感影像；
步骤2，对所述每个预设构造的湖遥感影像进行分析处理，筛选出具有成灾条件的至少一个目标构造湖；
步骤3，确定任意一个目标构造湖所属气候区的类型；
步骤4，基于所述类型确定该目标构造湖的模拟年内预测水量增量；
步骤5，基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。
2.根据权利要求1所述的一种高原构造湖漫溢溃坝隐患预警方法，其特征在于，所述步骤1具体为：
获取高原上面积在预设值以上的所有湖泊的遥感图像，并对所述所有湖泊的遥感影像进行筛选，剔除冰川湖以及堰塞湖，得出多个预设构造湖的遥感影像。
3.根据权利要求1所述的一种高原构造湖漫溢溃坝隐患预警方法，其特征在于，所述步骤2具体为：
通过漫溢溃坝条件判断公式，将构造湖漫溢溃坝条件指数μ不小于预设指数的构造湖判定为具有成灾条件的目标构造湖，所述漫溢溃坝条件判断公式具体为：
μ＝0.4798·W1+0.1857·W2+0.2809·W3+0·0536·W4
其中，μ为任意一个构造湖漫溢溃坝条件指数，W1为任意一个构造湖连通性指数，W2为任意一个构造湖坝体特征指数，W3为任意一个构造湖外泄通道指数，W4为任意一个构造湖形态指数；μ∈[0,1]，
Figure FDA0003765381220000021
Figure FDA0003765381220000022
Qin为任意一个构造湖入湖水量，Qout为任意一个构造湖排泄水量，Kvn为任意一个构造湖构造湖天然坝体新鲜岩石压缩波速度，Kvw为任意一个构造湖风化岩石压缩波速度，R为任意一个构造湖构造湖最小外接圆半径，从湖岸处以R/4为步长依次计算河道比降，ρi为湖岸外第i处河道比降，CL为任意一个构造湖构造湖岸线周长，SL为任意一个构造湖构造湖水域面积。
4.根据权利要求1所述的一种高原构造湖漫溢溃坝隐患预警方法，其特征在于，所述步骤3具体为：
根据类型判断公式，确定所述目标构造湖所属气候区的类型，所述类型判断公式为：
Figure FDA0003765381220000023
其中，Q为任意一个目标构造湖气候区类型，aT为任意一个目标构造湖给定时间尺度内的气温变化量aP为同时间尺度流域降水量变化量，ΔSG为任意一个目标构造湖同时间尺度冰川面积变化量,Q1，Q2，Q3为第一类型、第二类型以及第三类型。
5.根据权利要求1所述的一种高原构造湖漫溢溃坝隐患预警方法，其特征在于，所述步骤4具体为：
通过增量公式，确定所述类型对应的模拟年内预测水量增量，所述增量公式具体为：
Figure FDA0003765381220000031
其中，ΔVFI为任意一个目标构造湖年内预测水量增量，θy为任意一个目标构造湖年时间尺度常规降水概率，θm为任意一个目标构造湖月时间尺度极端降水概率，θd为任意一个目标构造湖日时间尺度极端降水概率，ΔVYR为任意一个目标构造湖年常规降水条件下的湖泊水量增量，ΔVMR为任意一个目标构造湖月度极端降水条件下的湖泊水量增量，ΔVDR为任意一个目标构造湖日强降水条件下的湖泊水量增量，
Figure FDA0003765381220000032
ΔVDR＝SB×Pmax×λ×k+St×Pmax×λ，β为任意一个目标构造湖月度汛期极端降水系数，k为任意一个目标构造湖流域产流系数，
Figure FDA0003765381220000033
为任意一个目标构造湖流域月均降水量，
Figure FDA0003765381220000034
为任意一个目标构造湖流域内冰川月均变化量，ET0为任意一个目标构造湖气象站潜在蒸散量，Pmax为任意一个目标构造湖历史最大单日降水量，λ为任意一个目标构造湖历史最大单日降水时长。
6.根据权利要求1所述的一种高原构造湖漫溢溃坝隐患预警方法，其特征在于，所述步骤5具体为：
通过概率公式，确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息，所述概率公式具体为：
Figure FDA0003765381220000035
其中，PL为构造湖年内漫溢溃坝概率，
Figure FDA0003765381220000036
为任意一个目标构造湖外围最大古湖岸线平均高程，HL为任意一个目标构造湖湖面高程，Sold为任意一个目标构造湖最大古湖岸线面积。
7.一种高原构造湖漫溢溃坝隐患预警系统，其特征在于，包括：
获取模块，用于获取高原上每个预设构造湖的遥感影像；
筛选模块，用于对所述每个预设构造的湖遥感影像进行分析处理，筛选出具有成灾条件的至少一个目标构造湖；
确定模块，用于确定任意一个目标构造湖所属气候区的类型；
预测模块，用于基于所述类型确定该目标构造湖的模拟年内预测水量增量；
预警模块，用于基于所述模拟年内预测水量增量确定所述目标构造湖的漫溢溃坝概率，根据所述漫溢溃坝概率生成预警信息。
8.根据权利要求7所述的一种高原构造湖漫溢溃坝隐患预警系统，其特征在于，所述获取模块具体用于：
获取高原上面积在预设值以上的所有湖泊的遥感图像，并对所述所有湖泊的遥感影像进行筛选，提出冰川湖以及堰塞湖，得出构造湖遥感影像。
9.一种介质，其特征在于，所述介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至6中任一项所述的一种高原构造湖漫溢溃坝隐患预警方法。
10.一种设备，其特征在于，包括权利要求9所述的存储介质、执行所述存储介质内的指令的处理器。
CN202210884984.9A 2022-07-26 2022-07-26 构造湖漫溢溃坝隐患预警方法、系统、介质及设备 Active CN115470612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210884984.9A CN115470612B (zh) 2022-07-26 2022-07-26 构造湖漫溢溃坝隐患预警方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210884984.9A CN115470612B (zh) 2022-07-26 2022-07-26 构造湖漫溢溃坝隐患预警方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN115470612A true CN115470612A (zh) 2022-12-13
CN115470612B CN115470612B (zh) 2023-06-02

Family

ID=84367275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210884984.9A Active CN115470612B (zh) 2022-07-26 2022-07-26 构造湖漫溢溃坝隐患预警方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN115470612B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415318A (zh) * 2023-03-20 2023-07-11 长江水利委员会长江科学院 一种基于数学形态学的内流区湖泊水文连通性建模方法
CN116629459A (zh) * 2023-07-24 2023-08-22 长江三峡集团实业发展(北京)有限公司 一种基于遥感和降水对水域淹没范围进行预测的方法
CN117495632A (zh) * 2023-10-30 2024-02-02 中国自然资源航空物探遥感中心 一种闭流流域尾闾湖泊的萎缩预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200149888A1 (en) * 2018-11-08 2020-05-14 Tsinghua University Method and device for monitoring water volume change, computer device and storage medium
CN114373283A (zh) * 2022-03-22 2022-04-19 中国科学院、水利部成都山地灾害与环境研究所 一种冰崩型冰碛湖溃决灾害预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529823A (zh) * 2022-02-28 2022-05-24 中国地质科学院岩溶地质研究所 一种冰湖溃决隐患综合遥感识别方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200149888A1 (en) * 2018-11-08 2020-05-14 Tsinghua University Method and device for monitoring water volume change, computer device and storage medium
CN114373283A (zh) * 2022-03-22 2022-04-19 中国科学院、水利部成都山地灾害与环境研究所 一种冰崩型冰碛湖溃决灾害预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘春玲 等: "喜马拉雅山地区冰川湖溃决灾害隐患遥感调查及影响因素分析", 国土资源遥感 *
王世金 等: "冰湖溃决灾害风险研究进展及其展望", 水科学进展 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415318A (zh) * 2023-03-20 2023-07-11 长江水利委员会长江科学院 一种基于数学形态学的内流区湖泊水文连通性建模方法
CN116415318B (zh) * 2023-03-20 2024-03-08 长江水利委员会长江科学院 一种基于数学形态学的内流区湖泊水文连通性建模方法
CN116629459A (zh) * 2023-07-24 2023-08-22 长江三峡集团实业发展(北京)有限公司 一种基于遥感和降水对水域淹没范围进行预测的方法
CN116629459B (zh) * 2023-07-24 2024-01-19 长江三峡集团实业发展(北京)有限公司 一种基于遥感和降水对水域淹没范围进行预测的方法
CN117495632A (zh) * 2023-10-30 2024-02-02 中国自然资源航空物探遥感中心 一种闭流流域尾闾湖泊的萎缩预测方法及系统
CN117495632B (zh) * 2023-10-30 2024-04-26 中国自然资源航空物探遥感中心 一种闭流流域尾闾湖泊的萎缩预测方法及系统

Also Published As

Publication number Publication date
CN115470612B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN115470612A (zh) 构造湖漫溢溃坝隐患预警方法、系统、介质及设备
Martinotti et al. Landslides, floods and sinkholes in a karst environment: the 1–6 September 2014 Gargano event, southern Italy
Jiang et al. Geomorphic evolution of the Yellow River Delta: Quantification of basin-scale natural and anthropogenic impacts
CN110956101A (zh) 一种基于随机森林算法的遥感影像黄河冰凌检测方法
Song et al. The long-term water level dynamics during urbanization in plain catchment in Yangtze River Delta
Diodato et al. Storminess and environmental changes in the Mediterranean Central Area
Ghobrial et al. Continuous in situ measurements of anchor ice formation, growth, and release
CN115496015A (zh) 一种基于流量梯度变化的水动力分析决策方法
Mozafari et al. Effects of climate change and human activity on lake drying in Bakhtegan Basin, southwest Iran
Annis et al. On the influence of river basin morphology and climate on hydrogeomorphic floodplain delineations
Ranzi et al. Runoff measurements and hydrological modelling for the estimation of rainfall volumes in an Alpine basin
Yang et al. Investigation of spatial and temporal variability of river ice phenology and thickness across Songhua River Basin, northeast China
Masetti et al. Hydrological characterization of an ice-contact lake: Miage Lake (Monte Bianco, Italy)
CN115239048A (zh) 一种冰川冻土生态环境变化评估方法
Yang et al. Feasibility of satellite-based rainfall and soil moisture data in determining the triggering conditions of debris flow: The Jiangjia Gully (China) case study
Mallick et al. Prioritizing Watershed Restoration, Management, and Development Based on Geo-Morphometric Analysis in Asir Region of Saudi Arabia Using Geospatial Technology.
CN112464474B (zh) 基于危险性评价的低频泥石流预警方法
Yu et al. Quantitative susceptibility assessment of the breach of moraine-dammed lakes due to glacier avalanches
Lee et al. A hydrodynamic modeling study to estimate the flushing rate in a large coastal embayment
Fukś Assessment of the impact of dam reservoirs on river ice cover–an example from the Carpathians (central Europe)
Barilla et al. Coastal Erosion Hazard and Vulnerability: Case Study of PORTICELLO, SOUTH CALABRIA, ITALY
Chao et al. Extreme bed changes in the Gaoping River under climate change
Barahimi et al. Flow structure and shear stress in the presence of both ice cover on water surface and leafless vegetation in channel bed
Raileanu et al. An Evaluation of the Dynamics of Some Meteorological and Hydrological Processes along the Lower Danube. Sustainability 2023, 15, 6087
Keller Sloping crest crump weir

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