CN115542397A - 一种基于svm的海啸危险分析方法 - Google Patents
一种基于svm的海啸危险分析方法 Download PDFInfo
- Publication number
- CN115542397A CN115542397A CN202211223109.2A CN202211223109A CN115542397A CN 115542397 A CN115542397 A CN 115542397A CN 202211223109 A CN202211223109 A CN 202211223109A CN 115542397 A CN115542397 A CN 115542397A
- Authority
- CN
- China
- Prior art keywords
- tsunami
- parameters
- earthquake
- training
- svm
- 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
- 238000004458 analytical method Methods 0.000 title abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 42
- 238000007619 statistical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 98
- 238000000034 method Methods 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 21
- 238000012502 risk assessment Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 235000015278 beef Nutrition 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 92
- 238000004364 calculation method Methods 0.000 description 17
- 230000009467 reduction Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000426499 Chilo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
- G01V1/3808—Seismic data acquisition, e.g. survey design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Oceanography (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于SVM的海啸危险分析方法，包括：基于指定区域的历史地震的地震基本参数，获取矩震级和水深参数；对历史地震的所有参数进行统计分析，获取用于训练的各参数特征值以训练SVM分类函数，得到训练后的、分析海底地震是否引发海啸的SVM分类函数；基于预测海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数分析，确定是否引发海啸的结果；若结果是能引发海啸，则可采用训练的SVM回归函数对可能引发的海啸的危险程度进行预测确定。通过提前分析历史地震和海啸相关数据和参数，建立支持向量机分类函数，以实现在海底地震发生后快速判断海底能否引发海啸，解决了之前不能确定海啸是否能发生的问题。
Description
技术领域
本发明涉及风险分析技术，尤其涉及一种基于SVM的海啸危险分析方法。
背景技术
海啸是由地震、火山和滑坡等现象引起的灾害事件。海底地震是引发海啸的主要成因。历史上几次大海啸事件的发生，引起了各国科学家的普遍关注。近现代科学技术的发展也促进了海啸科学研究的进步。1960年智利海啸和1964年阿拉斯加海啸发生后，国际上成立了全球海啸警报系统协作组织，并在夏威夷设立了太平洋海啸预警中心，各国合作共同应对海啸灾害。当有海底地震发生后，海啸预警中心就会发布海啸信息，提醒注意可能潜在的海啸灾害。
目前，联合国教科文组织海洋学委员会已经建立了覆盖全球主要大洋的海啸预警系统。但是，目前还不能提前预报地震及海啸的发生。当有海底地震发生时，无法快速判断地震是否能引发海啸，只是提醒可能有海啸发生，也不能判断海啸的危险程度。只有当监测到海啸波动时，才能确定海啸已经发生。海啸在当地造成灾害后，才能了解的海啸的危害程度。
为此，如何基于历史海啸地震特征，预测海底地震是否能够引发海啸并分析海啸的危险程度成为亟需解决的技术问题。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于SVM的海啸危险分析方法。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种基于SVM的海啸危险分析方法，包括：
S10、获取指定区域的历史地震的地震基本参数；
S20、根据所述地震基本参数，获取矩震级和水深参数；
S30、对所述地震基本参数、矩震级和水深参数进行统计分析，获取用于训练的各参数特征值；
S40、基于各参数特征值训练SVM分类函数，得到训练后的、用于分析海底地震是否引发海啸的SVM分类函数；
S50、基于预测的海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数进行分析，确定是否引发海啸的结果。
可选地，若S50的结果为引发海啸的结果，所述方法还包括：
S60、采用训练的SVM回归函数对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数；
所述训练的SVM回归函数为根据数值模型和训练SVM分类函数的各参数特征值组合并随机排列得到的符合条件的样本数据，基于该样本数据进行训练获得的回归函数。
可选地，地震基本参数包括：历史地震震级、震源深度、震源机制解、走向角、倾角、滑动角和水深；
所述S10包括：
基于历史地震数据目录和全球矩心矩张量组CMT数据，收集指定区域的历史地震的地震基本参数；
和/或，S30中的用于训练的各参数特征值包括：震级、震源深度、走向角、倾角、滑动角和水深参数的分布区间。
可选地，指定区域为日本海沟；
所述S60中的海啸危险程度参数为我国东海舟山群岛的海啸危险程度参数；
所述海啸危险程度参数包括：海啸最大波幅、最大流速和海啸冲击力参数；
训练的SVM回归函数的每一样本数据都包括：海啸最大波幅、最大流速和海啸冲击力参数。
可选地，所述S20包括：
采用公式(1)获取矩震级；
公式(1)中，Mw是矩震级，M0是地震矩，单位是10-7牛米；
根据历史全球地形水深数据，利用GIS技术提取了矩震级中各震源位置点的水深参数；
以及，所述S40包括：
训练后的SVM分类函数为：
最小化：
限制条件：
假设有n个用于训练的样本，xi和yi,i＝1,…n，c是惩罚系数，δi是松弛变量，表示样本与边缘边界的距离，
是xi映射到高维后的特征向量，w为超平面划分线的法向量且为训练后的已知项，b为位移项且为训练后的已知项。
可选地，所述方法还包括：
在训练结束阶段中，对S40中获取的训练的SVM分类函数进行准确度评估；
具体采用下述公式(3)进行准确度评估；
公式(3)中，n是样本数量，y′i是训练中SVM分类函数输出的预测值，yi是真实值；1(y′i＝yi)表示预测值等于真实值的样本计数为1，Accuracy表示准确度；
若准确度大于预设阈值，则确定训练的SVM分类函数评估结果准确。
可选地，根据下述公式(4)计算海啸冲击力；
Fs＝1.5Fd
公式(4)中，Fd是流体动力，Fs是冲击力，ρs是包含沉积物的流体密度，Cd是预设的阻力系数，B是垂直于水流的方向平面结构的宽度，B＝10米；h是舟山评估点的水深，u是舟山评估点的流速；
以及，所述S60包括：
训练的SVM回归函数包括：
最小化：
限制条件：
公式(5)中，ε是不敏感误差函数，δ′i和δi是带宽两端的距离；n是用于训练的样本，xi和yi,i＝1,…n；C是惩罚系数；δi是松弛变量；
为x映射到高维后的特征向量；w为训练得到的超平面划分线的法向量，b为训练得到的位移项。
第二方面，本发明实施例还提供一种基于SVM的海啸危险分析方法，其包括：
基于预测的海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数进行分析，确定是否引发海啸的结果；
训练的SVM分类函数为采用指定区域的历史地震的地震相关参数进行统计分析，获取用于训练SVM分类函数的各参数特征值，并基于各参数特征值训练得到的分类函数。
可选地，还包括：
在确定引发海啸时，采用训练的SVM回归函数对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数；
所述训练的SVM回归函数为根据数值模型和训练SVM分类函数的各参数特征值组合并随机排列得到的符合条件的样本数据，基于该样本数据进行训练获得的回归函数。
第三方面，本发明实施例还提供一种计算设备，其包括存储器、处理器，所述存储器中存储计算程序，所述处理器执行所述存储器中存储的计算程序，具体执行上述第一方面和第二方面任一所述的基于SVM方法的海啸危险分析方法的步骤。
(三)有益效果
本发明通过提前分析历史地震和海啸相关数据和参数，建立支持向量机分类函数。依据本发明的方法，能够在海底地震发生后快速判断海底能否引发海啸。解决了之前不能确定海啸是否能发生的问题。这一结论能够帮助海啸预警工作人员快速制作并向沿海当地应急主管部门发布海啸警报。
本发明能够根据地震海啸相关参数快速给出海啸最大波幅、海啸流速和海啸冲击力等危险程度参数。相关结果能够为海啸预警提供科学参考，并为沿海当地海啸防灾减灾工作人员提供海啸的危险程度信息，应急抢险人员根据信息采取相应的减灾措施进行减灾。
附图说明
图1为日本海沟历史地震参数统计的示意图；
图2为日本海沟历史海啸参数分析的示意图；
图3至图5分别为本发明一实施例提供的基于SVM的海啸危险分析方法的流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
由于海啸灾害大多发生在俯冲带等地质构造区，各大型地质构造区的地震海啸特征不一样，故本发明中，可通过分析当地历史地震和海啸等数据能够获得地质运动情况和地震海啸特征。基于地震海啸特征，通过机器学习方法进行样本训练，并预测海底地震能否引发海啸并分析海啸的危险程度。
本发明以历史地震海啸数据为基础，结合海啸数值计算的方法，通过机器学习中支持向量机(SVM)分类和回归的方法分析海啸能否产生问题及海啸危险程度。当海底地震发生后，本发明实施例中能够根据地震相关参数快速判定此海底地震能否引发海啸，这可以为海啸预警应急人员提供了科学参考，帮助实现海啸警报的快速制作与发布。
以及，本发明实施例中还可根据地震相关参数也能预测海啸最大波幅、最大流速和海啸冲击力等危险程度参数。海啸危险程度分析能够帮助沿海应急主管部门了解海啸灾害的危险程度，并采取相应的措施进行海啸防灾减灾。
实施例一
如图3和图4所示，本发明实施例提供一种基于SVM方法的海啸危险分析方法，本实施例的方法的执行主体可为任意的计算设备，其具体实现方法包括下述步骤：
S10、获取指定区域的历史地震的地震基本参数；
举例来说，地震基本参数包括：历史地震震级、震源深度、震源机制解、走向角、倾角、滑动角和水深。本实施例中，指定区域可为日本海沟。
例如，可基于历史地震数据目录和全球矩心矩张量组CMT数据，收集指定区域的历史地震的地震基本参数。
S20、根据所述地震基本参数，获取矩震级和水深参数；
S30、对所述地震基本参数、矩震级和水深参数进行统计分析，获取用于训练的各参数特征值。
本实施例中，用于训练的各参数特征值包括：震级、震源深度、走向角、倾角、滑动角和水深参数的分布区间。
S40、基于各参数特征值训练SVM分类函数，得到训练后的、用于分析海底地震是否引发海啸的SVM分类函数。
进一步地，可基于S30获取的各参数特征值，获取用于训练SVM回归函数的样本数据，该样本数据中每一样本可包括：海啸最大波幅、最大流速和海啸冲击力参数，以及上述的参数特征值。如下实施例二中描述的可根据数值模型和训练SVM分类函数的各参数特征值组合并随机排列得到的符合条件的样本数据，基于该样本数据进行训练获得的SVM回归函数。
由此，可基于样本数据训练SVM回归函数，得到训练后的SVM回归函数，该训练后的SVM回归函数用于对对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数。本实施例中，海啸危险程度参数为我国东海舟山群岛的海啸危险程度参数。
在实际应用中，可借助于上述训练后的SVM分类函数和SVM回归函数进行预测。
例如，S50、可基于预测的海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数进行分析，确定是否引发海啸的结果。
需要说明的是，预测的海底地震的参数为预测即将来临的海底地震的参数，该参数可包括：可能发生的震级、可能发生的震源深度、可能的水深等。第一预设时间段可为发生地震的一个小时内，或者三十分钟内，或两个小时内。
S60、在预测结果为引发海啸的结果，采用训练的SVM回归函数对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数，如图5所示。
在另一可选的实现方式中，本实施例还提供一种基于SVM的海啸危险分析方法，该方法可包括：
基于预测的海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数进行分析，确定是否引发海啸的结果；
训练的SVM分类函数为采用指定区域的历史地震的地震相关参数进行统计分析，获取用于训练SVM分类函数的各参数特征值，并基于各参数特征值训练得到的分类函数。
进一步地，上述方法可还包括：
在确定引发海啸时，采用训练的SVM回归函数对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数；
所述训练的SVM回归函数为根据数值模型和训练SVM分类函数的各参数特征值组合并随机排列得到的符合条件的样本数据，基于该样本数据进行训练获得的回归函数。本实施例通过提前分析历史地震和海啸相关数据和参数，建立支持向量机分类函数。上述方法能够在海底地震发生后快速判断海底能否引发海啸。解决了之前不能确定海啸是否能发生的问题。这一结论能够帮助海啸预警工作人员快速制作并向沿海当地应急主管部门发布海啸警报。
实施例二
本实施例中以日本海沟为例，利用支持向量机(SVM)分类方法判断海啸能否发生，并利用SVM回归方法预测海啸传播到我国东海舟山群岛的海啸最大波幅、最大流速和海啸冲击力等海啸危险参数。本实施例的操作步骤可以分为数据处理，海啸发生判定和海啸危险分析三个部分。
1.数据处理
(1)数据收集
要分析海底地震能否引发海啸，需要首先了解当地震源周边地质构造活动特点，分析历史地震在震源参数方面的特征。根据已知的理论和经验，海底地震能否引发海啸主要包括三个方面的特征：a1)震级较大；a2)震源深度一般较浅，一般小于60KM；a3)震源位置的水深够深。除此之外，地震能否引发海啸还与震源机制解相关参数有密切联系。但是，具体的震级、震源深度等参数阈值还需要详细分析当地的历史地震和历史海啸数据。因此，首先要收集历史地震震级、震源深度、震源机制解等数据。
本实施例中，震级和震源深度数据来源于我国和世界历史地震数据目录。震源机制解数据来自于全球矩心矩张量组(Global CMT Catalog Search,CMT)数据。时间跨度为1976-2020年。
(2)参数计算
整理收集到的数据并计算部分参数。SVM方法所需要的震源深度，走向角，倾角和滑动角参数可以直接从全球矩心矩张量组数据中获得。此方法所需要的另外的震级和水深参数需要进行计算得到。在海啸相关研究中，一般采用矩震级Mw作为震源震级参数。矩震级是一个准确的、真正能衡量出地震本身大小的震级。另外，矩震级也不会出现所谓震级饱和问题。矩震级是利用地震矩的大小确定震级。地震矩是一个描述地震发生时的力学强度的物理量，它由地震断层的破裂面积、平均错动量等来确定。震源机制解数据包含有地震矩参数，矩震级计算公式如下所示：
公式(1)中，Mw是矩震级，M0是地震矩，单位是10-7牛米。
为了计算震源位置的水深，本实施例中根据历史全球地形水深数据，利用GIS技术提取了震源位置点的水深。
(3)参数特征分析
各大型地质构造带在震源和海啸参数方面的特征不完全相同，因此，确定历史地震和海啸各参数后，为了解日本海沟在地震和海啸方面的参数特征，本实施例对这些数据进行统计分析，确定适合日本海沟的用于SVM方法分析的各参数特征值，例如，参数特征值可包括：震级、震源深度、走向角、倾角、滑动角和水深等参数的分布区间。
图1和图2分析了日本海沟的历史地震和历史海啸在震级、震源深度、走向角、倾角、滑动角和水深等方面的统计特征。
2.海啸发生判定
(1)SVM分类方法
本实施例采用支持向量机(SVM)方法进行数据训练，并预测海底地震能否引发海啸。
SVM是一种监督学习模型，适合用于数据分类和回归分析。支持向量机(SVM)是通过特征空间由低维映射到高维，然后在高位的特征空间当中用超平面对数据进行分类。直观地说，通过超平面实现了良好的分离。距离超平面最近的这几个训练样本点被称为“支持向量”。SVM分类函数的公式如下所示：
最小化：
限制条件：
假设有n个用于训练的样本，xi和yi,i＝1,…n,表示样本序号。公式(2)中，c是惩罚系数。δi是松弛变量，表示样本与边缘边界的距离。松弛变量的值标示出了对应样本离群有多远。
是xi映射到高维后的特征向量。w为超平面划分线的法向量，决定了超平面的方向，b为位移项，决定超平面与原点之间的距离，因此，划分超平面可被法向量w和位移b确定。SVM分类函数的目标是找出合适的w和b，使得由样本
给出的预测对于大多数样本都是合适的。
通过以上分析确定SVM分类函数，再根据分类函数来确定样本的分类归属。在本案例中，函数输入是样本数据中的每个地震事件的震级、震源深度、走向角、倾角、滑动角和水深。输出是地震是否能引发海啸，能引发海啸为1，不能引发海啸的数值为0。中间层为SVM分类函数。通过样本训练确定分类函数，然后利用分类函数和未来发生的地震相关参数来分析地震能否引发海啸以及引发海啸的概率。
(2)样本训练
在数据整理和分类方法的基础上，本实施例确定了参与机器学习训练需要的历史地震和历史海啸相关参数(该些数据部分是收集的，部分是通过计算获得的)，并利用确定的历史地震和历史海啸相关参数作为样本对SVM分类函数进行训练，得出训练后的SVM分类函数。
用于作为样本且训练SVM分类函数的数据示例如表1所示，共1482个样本数据。
表1海啸事件数据示例
在表1中，每一样本包括：震级、震源深度、走向角、倾角、滑动角和水深。
(3)准确度评估
为了评估用SVM分类方法分析海啸能否发生问题的准确性，本实施例中用计算准确度的方式进行评估。准确度展现了预测值与其真实值的距离。准确度包含了对随机误差和系统误差的评估。简单来说，给定一定数量的样本或数据点集，如果预测值接近真实值，就可以称其为准确，准确度就高。准确度公式如下所示：
公式(3)中，n是样本数量，y′i是预测值，yi是真实值。1(y′i＝yi)表示预测值等于真实值的样本计数为1，Accuracy表示准确度。经过计算，准确度为0.9825，准确度评估结果显示SVM分类方法可以用于对海啸能否发生的判定。海底地震发生后，利用本发明建立的SVM分类函数可以根据地震震级、震源深度、走向角、倾角、滑动角和震源位置水深参数判断出海底地震能否引发海啸，给出是或者否的结论。
假设日本海沟附近发生地震，震级是6.7级，震源深度10千米，走向角206°，倾角53°，滑动角-73°，水深4402米，将这些参数输入SVM分类函数后，经过计算，得出结果为1，此地震是可以引发海啸的。
本实施例中准确度公式是训练结束后，评估分类函数的。如果分类函数的准确度不高，则需要增加样本数量，或者修改函数来提高准确度。最终获得一个可靠可用的函数。
3.海啸危险分析
(1)海啸数值计算
为了得到海啸危险程度各参数，本实施例利用数值模型计算了各潜在海啸情景，获得最大波幅参数和流速参数，并利用海啸冲击力公式计算了我国舟山东部海域的海啸冲击力。
在海啸数值计算中，本发明采用GeoClaw模型，该模型是基于非线性浅水方程，考虑了海啸波在海洋中传播的非线性效应。模型的深度平均连续性方程和动量方程式如下：
其中，h为水深和海啸波幅的和，t为时间，b是实际水深，u和v分别是x和y方向上的速度。g表示重力加速度。τx和τy是x和y方向上的非线性底部摩擦项。
公式(5)中，n是曼宁系数，表示海底的粗糙度。
通过上述第1和第2点的分析，获得了用于数值计算的各参数数值，如表2所示。通过表2中各参数组合，总共计算4096个海啸情景。这些海啸情景都是提前计算。根据计算结果，确定SVM回归方法的训练样本数据，该SVM回归方法的样本数据是通过表2和数值模型计算结果得到的。
计算结果就是数值模型的输出结果海啸波幅，最大流速和冲击力。每一条样本数据，都有震级、震源深度、走向角、倾角、滑动角、水深和波幅、流速、冲击力。
需要说明的是，表2中的各参数经过预先的排列组合，得到4096个海啸情景。
表2海啸数值计算参数表
海啸数值计算结果包括舟山群岛东部评估点(29.984°N,122.467°E)的最大波幅和最大流速。为了显示海啸波的危险程度，本发明利用数值结果计算了海啸波的冲击力。
冲击力是由冲击结构物或船只的海啸波涌前缘引起的。当海啸波绕着一个结构物流动时，水动力会作用到结构物的整体或某个侧面上。流体动力是由高速水流引起，是由压力所引起的侧向力与水流在结构物周围流动而产生的摩擦力的组合。实验室数据显示，冲击力大约是流体动力的1.5倍，计算公式如下所示：
Fs＝1.5Fd
公式(6)中，Fd是流体动力，Fs是冲击力。ρs是包含沉积物的流体密度，Cd是阻力系数，可以保守地认为Cd＝2.0，实际值与结构物的形状、方向和大小相关，B是垂直于水流的方向平面结构的宽度，可以假设物体的宽度为10米进行计算；h是舟山评估点的水深，u是舟山评估点的流速。
(2)SVM回归方法
可理解的是，以上述表2中所示的4096个海啸情景的数值计算结果为样本数据，利用SVM回归算法训练出回归函数，并计算海啸波的最大波幅、最大流速和冲击力。SVM回归算法称为支持向量回归。在支持向量回归中，拟合数据所需的直线称为超平面。支持向量机算法的目标是在n维空间中找到一个对数据点进行明确分类的超平面。超平面两侧最接近超平面的数据点称为支持向量。这些影响超平面的位置和方向有助于构建SVM。支持向量回归是一种监督学习算法，用于预测离散值。支持向量回归背后的基本思想是找到最佳拟合线，最佳拟合线是点数最多的超平面。公式如下所示：
最小化：
限制条件：
公式(7)中，ε是不敏感误差函数，δ′i和δi是带宽两端的距离。支持向量机回归方法是使用一个条带来拟合数据。这个条带的宽度可以自己设置，利用不敏感误差函数ε来控制。在支持向量机回归方法模型中边界上的点以及两条边界以外的点被当做支持向量。公式中n是用于训练的样本，xi和yi,i＝1,…n。C是惩罚系数。δi是松弛变量，表示样本与边缘边界的距离。
为x映射到高维后的特征向量。w为超平面划分线的法向量，b为位移项。回归分析目的是找到一个回归平面函数，让一个集合的所有数据到该平面的距离最近。
通过以上分析确定SVM回归函数。在本实施例中，函数输入是样本数据中的每个海啸事件的震级、震源深度、走向角、倾角、滑动角和水深，输出是海啸最大波幅、流速和冲击力三个海啸危险参数。通过样本训练确定回归函数，然后利用回归函数和未来发生的海啸相关参数来分析海啸的最大波幅、流速和冲击力大小等三个海啸危险参数。
(3)样本训练
针对表2示出的SVM回归分析的样本数据，对4096个样本数据进行训练，数据示例如表3所示。
表3海啸危险分析示例
(4)准确度评估
经过样本训练，SVM回归函数分析得出的结果是舟山群岛东部海域海啸危险程度参数，包括最大波幅、最大流速和冲击力。为了评估SVM回归函数用海啸危险程度分析的准确性，本实施例计算了均方误差、平均绝对误差和均方根误差。
均方误差(MSE)是测量误差平方的平均值，即预测值和实际值之间的平均平方差。MSE是从欧几里得距离的平方导出，因此它是一个正值，随着误差接近零而减小。
公式如下所示：
公式(8)中，n是样本数量，y’是预测值，y是真实值。
同时，本实施例也计算了SVM回归函数的平均绝对误差。平均绝对误差(MAE)是预测值与真实值之间差值的平均，是用绝对误差之和除以样本数量。公式如下所示：
均方根误差(RMSE)是预测值与真值偏差的平方和样本数量n比值的平方根。均方根误差总是正值，值为0的情况表示预测数值与真实值完全吻合。公式如下所示：
公式(10)中，n是样本数量，y’是预测值，y是真实值。经过计算，本案例的均方误差为0.0097，平均绝对误差为0.0984，均方根误差为0.0986，评估结果显示SVM回归函数适用于海啸危险程度的分析方法。利用上述建立的SVM回归函数可以根据地震震级、震源深度、走向角、倾角、滑动角和震源位置水深参数计算出海啸波幅、流速和冲击力等海啸危险程度要素。
假设日本海沟附近发生地震，震级是9.0级，震源深度30千米，走向角206°，倾角53°，滑动角90°，水深4402米，将这些参数输入SVM分类函数后，经过计算，得出海啸波传到舟山东部近海的最大波幅为0.53米，流速为0.68米/秒，冲击力为5.1千牛。
本实施例通过提前分析历史地震和海啸相关数据和参数，建立支持向量机分类函数。依据本发明的方法，能够在海底地震发生后，利用机器学习的方法快速判断海底能否引发海啸。解决了之前不能确定海啸是否能发生的问题。这一结论能够帮助海啸预警工作人员快速制作并向沿海当地应急主管部门发布海啸警报。
对于海啸灾害的发生，目前科技水平还不能进行预测和阻止，但是可以通过相关的减灾措施来减轻海啸灾害。本实施例能够根据地震海啸相关参数快速给出海啸最大波幅、海啸流速和海啸冲击力等危险程度参数。相关结果能够为海啸预警提供科学参考，并为沿海当地海啸防灾减灾工作人员提供海啸的危险程度信息，应急抢险人员根据信息采取相应的减灾措施进行减灾。
实施例三
本实施例还提供一种计算设备，包括：存储器和处理器；所述处理器用于执行所述存储器中存储的计算机程序，以实现执行上述实施例一和实施例二任意所述的基于SVM的海啸危险分析方法的步骤。
具体地，本实施例的计算设备可包括：至少一个处理器、至少一个存储器、至少一个网络接口和/或其他的用户接口。电子设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
本实施例的电子设备可以执行图2至图3任意所示的方法，其中，用户接口可以包括显示器、键盘或者点击设备(例如，鼠标或者触感板等)。
可以理解，本实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。本文描述的存储器包括任意其它适合类型的存储器。
在一些实施方式中，存储器存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。
在本发明实施例中，处理器通过调用存储器存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器用于执行第一方面所提供的方法步骤。
上述本发明实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
另一方面，本发明实施例还提供一种计算机可读存储介质，其用于存储有计算机程序，所述计算机程序被处理器执行时实现上述任意实施例的方法的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是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须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。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种基于SVM的海啸危险分析方法，其特征在于，包括：
S10、获取指定区域的历史地震的地震基本参数；
S20、根据所述地震基本参数，获取矩震级和水深参数；
S30、对所述地震基本参数、矩震级和水深参数进行统计分析，获取用于训练的各参数特征值；
S40、基于各参数特征值训练SVM分类函数，得到训练后的、用于分析海底地震是否引发海啸的SVM分类函数；
S50、基于预测的海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数进行分析，确定是否引发海啸的结果。
2.根据权利要求1所述的方法，其特征在于，若S50的结果为引发海啸的结果，所述方法还包括：
S60、采用训练的SVM回归函数对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数；
所述训练的SVM回归函数为根据数值模型和训练SVM分类函数的各参数特征值组合并随机排列得到的符合条件的样本数据，基于该样本数据进行训练获得的回归函数。
3.根据权利要求1所述的方法，其特征在于，
地震基本参数包括：历史地震震级、震源深度、震源机制解、走向角、倾角、滑动角和水深；
所述S10包括：
基于历史地震数据目录和全球矩心矩张量组CMT数据，收集指定区域的历史地震的地震基本参数；
和/或，S30中的用于训练的各参数特征值包括：震级、震源深度、走向角、倾角、滑动角和水深参数的分布区间。
4.根据权利要求2所述的方法，其特征在于，
指定区域为日本海沟；
所述S60中的海啸危险程度参数为我国东海舟山群岛的海啸危险程度参数；
所述海啸危险程度参数包括：海啸最大波幅、最大流速和海啸冲击力参数；
训练的SVM回归函数的每一样本数据都包括：海啸最大波幅、最大流速和海啸冲击力参数。
5.根据权利要求1所述的方法，其特征在于，所述S20包括：
采用公式(1)获取矩震级；
公式(1)中，Mw是矩震级，M0是地震矩，单位是10-7牛米；
根据历史全球地形水深数据，利用GIS技术提取了矩震级中各震源位置点的水深参数；
以及，所述S40包括：
训练后的SVM分类函数为：
最小化：
限制条件：
假设有n个用于训练的样本，xi和yi,i＝1,…n，c是惩罚系数，δi是松弛变量，表示样本与边缘边界的距离，
是xi映射到高维后的特征向量，w为超平面划分线的法向量且为训练后的已知项，b为位移项且为训练后的已知项。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在训练结束阶段中，对S40中获取的训练的SVM分类函数进行准确度评估；
具体采用下述公式(3)进行准确度评估；
公式(3)中，n是样本数量，y′i是训练中SVM分类函数输出的预测值，yi是真实值；1(y′i＝yi)表示预测值等于真实值的样本计数为1，Accuracy表示准确度；
若准确度大于预设阈值，则确定训练的SVM分类函数评估结果准确。
7.根据权利要求4所述的方法，其特征在于，
根据下述公式(4)计算海啸冲击力；
Fs＝1.5Fd
公式(4)中，Fd是流体动力，Fs是冲击力，ρs是包含沉积物的流体密度，Cd是预设的阻力系数，B是垂直于水流的方向平面结构的宽度，B＝10米；h是舟山评估点的水深，u是舟山评估点的流速；
以及，所述S60包括：
训练的SVM回归函数包括：
最小化：
限制条件：
公式(5)中，ε是不敏感误差函数，δ′i和δi是带宽两端的距离；n是用于训练的样本，xi和yi,i＝1,…n；C是惩罚系数；δi是松弛变量；
为x映射到高维后的特征向量；w为训练得到的超平面划分线的法向量，b为训练得到的位移项。
8.一种基于SVM的海啸危险分析方法，其特征在于，包括：
基于预测的海底地震的参数或第一预设时间段内发生的海底地震的参数，采用训练的SVM分类函数进行分析，确定是否引发海啸的结果；
训练的SVM分类函数为采用指定区域的历史地震的地震相关参数进行统计分析，获取用于训练SVM分类函数的各参数特征值，并基于各参数特征值训练得到的分类函数。
9.根据权利要求8所述的方法，其特征在于，还包括：
在确定引发海啸时，采用训练的SVM回归函数对预测的海底地震的参数或第一预设时间段内发生的海底地震的参数进行分析处理，确定海啸危险程度参数；
所述训练的SVM回归函数为根据数值模型和训练SVM分类函数的各参数特征值组合并随机排列得到的符合条件的样本数据，基于该样本数据进行训练获得的回归函数。
10.一种计算设备，其包括存储器、处理器，所述存储器中存储计算程序，所述处理器执行所述存储器中存储的计算程序，具体执行上述权利要求1至9任一所述的基于SVM的海啸危险分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211223109.2A CN115542397B (zh) | 2022-10-08 | 2022-10-08 | 一种基于svm的海啸危险分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211223109.2A CN115542397B (zh) | 2022-10-08 | 2022-10-08 | 一种基于svm的海啸危险分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115542397A true CN115542397A (zh) | 2022-12-30 |
| CN115542397B CN115542397B (zh) | 2023-03-31 |
Family
ID=84731554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211223109.2A Active CN115542397B (zh) | 2022-10-08 | 2022-10-08 | 一种基于svm的海啸危险分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115542397B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116482763A (zh) * | 2023-06-19 | 2023-07-25 | 浙江大学海南研究院 | 基于逻辑树法的概率性地震海啸灾害分析方法 |
| CN116978191A (zh) * | 2023-09-25 | 2023-10-31 | 宁波麦思捷科技有限公司武汉分公司 | 一种海洋灾害预测与预警的方法及系统 |
| CN117743828A (zh) * | 2023-12-26 | 2024-03-22 | 国家海洋环境预报中心 | 一种基于遥感光谱特征的火山海啸监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007018291A (ja) * | 2005-07-08 | 2007-01-25 | Port & Airport Research Institute | 津波情報提供方法および津波情報提供システム |
| CN104615847A (zh) * | 2014-12-24 | 2015-05-13 | 中交天津港湾工程研究院有限公司 | 一种基于概率方法的南海海啸危险性预测方法 |
| CN108492236A (zh) * | 2018-02-07 | 2018-09-04 | 国家海洋环境预报中心 | 基于蒙特卡洛随机模拟的多重现期海啸灾害评估方法 |
| CN109033983A (zh) * | 2018-06-29 | 2018-12-18 | 中国地质大学（北京） | 一种基于独立向量分析和支持向量机的地质灾害次声信号分类识别方法及装置 |
| CN113505474A (zh) * | 2021-06-23 | 2021-10-15 | 国家海洋环境预报中心 | 一种基于淹没计算的海啸疏散综合分析方法、系统及设备 |
| KR20220010923A (ko) * | 2020-07-20 | 2022-01-27 | 대한민국(행정안전부 국립재난안전연구원장) | 지진해일 예측장치 및 지진해일 예측방법 |
-
2022
- 2022-10-08 CN CN202211223109.2A patent/CN115542397B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007018291A (ja) * | 2005-07-08 | 2007-01-25 | Port & Airport Research Institute | 津波情報提供方法および津波情報提供システム |
| CN104615847A (zh) * | 2014-12-24 | 2015-05-13 | 中交天津港湾工程研究院有限公司 | 一种基于概率方法的南海海啸危险性预测方法 |
| CN108492236A (zh) * | 2018-02-07 | 2018-09-04 | 国家海洋环境预报中心 | 基于蒙特卡洛随机模拟的多重现期海啸灾害评估方法 |
| CN109033983A (zh) * | 2018-06-29 | 2018-12-18 | 中国地质大学（北京） | 一种基于独立向量分析和支持向量机的地质灾害次声信号分类识别方法及装置 |
| KR20220010923A (ko) * | 2020-07-20 | 2022-01-27 | 대한민국(행정안전부 국립재난안전연구원장) | 지진해일 예측장치 및 지진해일 예측방법 |
| CN113505474A (zh) * | 2021-06-23 | 2021-10-15 | 国家海洋环境预报中心 | 一种基于淹没计算的海啸疏散综合分析方法、系统及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 任鲁川 等: "耦合潜源参数不确定性效应的地震海啸危险性分析—原理与方法" * |
| 李飞;卢勇夺;林波;陈哲;刘思晗;徐腾;: "初探支持向量机算法在海洋站观测数据质量控制中的应用" * |
| 邓小花;魏立新;黄焕卿;张润宇;: "运用支持向量机方法对数值模拟结果的初步释用" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116482763A (zh) * | 2023-06-19 | 2023-07-25 | 浙江大学海南研究院 | 基于逻辑树法的概率性地震海啸灾害分析方法 |
| CN116482763B (zh) * | 2023-06-19 | 2023-08-25 | 浙江大学海南研究院 | 基于逻辑树法的概率性地震海啸灾害分析方法 |
| CN116978191A (zh) * | 2023-09-25 | 2023-10-31 | 宁波麦思捷科技有限公司武汉分公司 | 一种海洋灾害预测与预警的方法及系统 |
| CN116978191B (zh) * | 2023-09-25 | 2023-12-08 | 宁波麦思捷科技有限公司武汉分公司 | 一种海洋灾害预测与预警的方法及系统 |
| CN117743828A (zh) * | 2023-12-26 | 2024-03-22 | 国家海洋环境预报中心 | 一种基于遥感光谱特征的火山海啸监测方法 |
| CN117743828B (zh) * | 2023-12-26 | 2024-10-11 | 国家海洋环境预报中心 | 一种基于遥感光谱特征的火山海啸监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115542397B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115542397B (zh) | 一种基于svm的海啸危险分析方法 | |
| Charvet et al. | A multivariate generalized linear tsunami fragility model for Kesennuma City based on maximum flow depths, velocities and debris impact, with evaluation of predictive accuracy | |
| Beven et al. | Epistemic uncertainties and natural hazard risk assessment–Part 1: A review of different natural hazard areas | |
| Gruber et al. | Regional-scale analysis of high-mountain multi-hazard and risk indicators in the Pamir (Tajikistan) with GRASS GIS | |
| Akgun | A comparison of landslide susceptibility maps produced by logistic regression, multi-criteria decision, and likelihood ratio methods: a case study at İzmir, Turkey | |
| Genz et al. | The predictive accuracy of shoreline change rate methods and alongshore beach variation on Maui, Hawaii | |
| CN108492236B (zh) | 基于蒙特卡洛随机模拟的多重现期海啸灾害评估方法 | |
| Gesch | Consideration of vertical uncertainty in elevation-based sea-level rise assessments: Mobile Bay, Alabama case study | |
| Park et al. | Probabilistic seismic and tsunami hazard analysis conditioned on a megathrust rupture of the Cascadia subduction zone | |
| Robinson et al. | Coseismic landsliding estimates for an Alpine Fault earthquake and the consequences for erosion of the Southern Alps, New Zealand | |
| Onat et al. | Coastal exposure of the Hawaiian Islands using GIS-based index modeling | |
| Goda et al. | Tsunami simulations of mega-thrust earthquakes in the Nankai–Tonankai Trough (Japan) based on stochastic rupture scenarios | |
| Tanoli et al. | Spatial distribution analysis and susceptibility mapping of landslides triggered before and after Mw7. 8 Gorkha earthquake along Upper Bhote Koshi, Nepal | |
| Park et al. | Probabilistic Tsunami Hazard Assessment (PTHA) for resilience assessment of a coastal community | |
| US20220268963A1 (en) | System and method for environment-dependent probabilistic tropical cyclone modeling | |
| Jafari et al. | Derivation of a new model for prediction of wave overtopping at rubble mound structures | |
| CN114895358B (zh) | 地震海啸快速预警方法和系统 | |
| Haddad et al. | Assessing the relevance of wetlands for storm surge protection: a coupled hydrodynamic and geospatial framework | |
| Mergili et al. | Combining release and runout in statistical landslide susceptibility modeling | |
| Du et al. | Probabilistic hazard analysis of impulse waves generated by multiple subaerial landslides and its application to Wu Gorge in Three Gorges Reservoir, China | |
| Lecacheux et al. | Toward the probabilistic forecasting of cyclone-induced marine flooding by overtopping at Reunion Island aided by a time-varying random-forest classification approach | |
| CN116482763A (zh) | 基于逻辑树法的概率性地震海啸灾害分析方法 | |
| Huqqani et al. | Analysis of landslide hazard mapping of Penang island Malaysia using bivariate statistical methods | |
| Nederhoff et al. | Accounting for uncertainties in forecasting tropical-cyclone-induced compound flooding | |
| CN106844948B (zh) | 滑坡预测方法和装置 |
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 |