CN116151483A - 一种区域级降雨滑坡概率性预测方法及预测终端 - Google Patents
一种区域级降雨滑坡概率性预测方法及预测终端 Download PDFInfo
- Publication number
- CN116151483A CN116151483A CN202310395180.7A CN202310395180A CN116151483A CN 116151483 A CN116151483 A CN 116151483A CN 202310395180 A CN202310395180 A CN 202310395180A CN 116151483 A CN116151483 A CN 116151483A
- Authority
- CN
- China
- Prior art keywords
- landslide
- rainfall
- data
- prediction
- occurrence probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011160 research Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 47
- 230000000694 effects Effects 0.000 claims description 19
- 108010014173 Factor X Proteins 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 239000005442 atmospheric precipitation Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 239000013049 sediment Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008713 feedback mechanism Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于降雨滑坡预测领域,具体提供一种区域级降雨滑坡概率性预测方法及预测终端,本发明提出的降雨数据降尺度模型通过选取适应不同下垫面条件、不同时相、不同空间分辨率的特征因子和泛化能力强、鲁棒性高的降尺度算法,能够克服植被、低能见度天气等对季节性降雨的时滞效应和降雨分布异常问题,提高降雨数据降尺度的准确率。基于两阶段响应面法的降雨阈值模型不依赖滑坡易发性概率与降雨变量相互独立的假定,可以大幅提高滑坡概率性预测模型的泛化能力和鲁棒性。还对研究区域滑坡易发性评价结果和气象部门发布的气象预报产品进行融合,搭建区域级降雨滑坡预测平台,绘制研究区域的降雨滑坡概率性预测图并更新实现降雨滑坡实时预测。
Description
技术领域
本发明属于降雨滑坡预测领域,尤其涉及一种区域级降雨滑坡概率性预测方法及预测终端。
背景技术
降雨是滑坡最重要的诱发因素,降雨滑坡具有分布范围广、发生频率高、危害性大等特点。降雨滑坡概率性预测在空间尺度上分为区域级(数百至数千km2)和小流域级(100km2以下)2种,其中,区域级降雨滑坡概率性预测可以得到研究区域的降雨滑坡概率性预测图,为滑坡防治政策制定和防治资金分配提供理论依据。
区域级降雨滑坡概率性预测方法包括基于机器学习算法的降雨数据降尺度模型构建、基于两阶段响应面法的概率性降雨阈值模型构建、基于ArcGIS Engine的区域级降雨滑坡预测平台开发等关键问题。现有方法存在的问题包括:
(1)在降雨数据降尺度模型中,选取的特征因子无法克服植被、低能见度天气等对季节性降雨的时滞效应;
(2)已有的降雨阈值模型假定滑坡发生的时间概率与空间概率相互独立;
(3)对短历时强降雨和连阴雨条件下滑坡发生的解释能力较弱。
发明内容
本发明提供一种区域级降雨滑坡概率性预测方法,可以揭示降雨滑坡发生的时空规律及其与孕灾环境的互馈机制,可以有效的对地质灾害气象进行预测,还与单体滑坡稳定性分析与预测相衔接,形成完整的滑坡预测预报体系。
方法包括:
步骤1:选取降雨数据降尺度模型的初选特征因子;
步骤2:通过Pearson相关系数法对初选特征因子进行筛选,使剩余因子不包含重复信息并采用方差膨胀系数法检验剩余因子的多重共线性;
步骤3:在研究区域内,设定n1个雨量站,调取n2天的雨量站降雨观测数据和相应的TRMM 3B43数据,计算得到n1·n2个日降雨量观测数据与TRMM 3B43数据的差值,将75%的差值数据作为模型训练样本,25%作为模型验证样本;
步骤4:基于模型训练样本,并通过预设机器学习算法揭示特征因子与差值数据的非线性映射关系;
步骤5:采用已揭示的映射关系预测模型验证样本的降雨量,并与观测值进行对比;再通过均方根误差、平均绝对误差和确定性系数选取预测效果满足预设要求的机器学习算法;
步骤6:将研究区域的DEM数据重采样至500m×500m分辨率,采用已选取的特征因子和机器学习算法逐栅格计算差值数据,并对TRMM 3B43数据和差值数据求和得到各栅格的降雨数据,实现降雨数据降尺度;
步骤7:设定第t+1天的滑坡发生概率与第t天、第t-1天、……、第t-L+1天共L天的降雨状况和滑坡发生概率相关,与第t-L+1天之前的降雨状况和滑坡发生概率无关;
步骤8:通过对研究区域Landsat TM影像进行遥感解译,结合历史滑坡数据和现场踏勘明确各次历史滑坡的发生时间和地点;
步骤9:通过ArcGIS软件对研究区域的DEM数据进行处理,统计不稳定边坡数量,将某天滑坡发生数量与不稳定边坡数量的商作为该天的滑坡发生概率;
步骤10:将研究区域各次历史滑坡前L天的降雨量序列和滑坡发生概率序列分别记为YL和HL,计算不同L对应的降雨量序列和滑坡发生概率序列的Pearson相关系数均值,确定相关性最高的L;
步骤11:若滑坡发生前L天的降雨量分别为Yt、Yt-1、……、Yt-L+1,前L天的滑坡发生概率分别为Ht、Ht-1、……、Ht-L+1,当天的降雨量为Yt+1,当天的滑坡发生概率为Ht+1,通过建立两阶段响应面模型预测Ht+1,并基于降雨和历史滑坡数据对两阶段响应面模型的待定系数进行求解;
步骤12:将研究区域滑坡易发性评价结果分为YF1、YF2、YF3、YF4、YF5、YF6、YF7、YF8、YF9、YF10共10级,将Ht+1预测值分为P1、P2、P3、P4、P5、P6、P7、P8、P9、P10共10种滑坡发生概率状态,将滑坡易发性评价结果与滑坡发生概率状态进行耦合,构建区域级降雨滑坡预测模型;
步骤13:基于ArcGIS Engine对研究区域滑坡易发性评价结果和气象部门发布的气象预报产品进行融合,结合已建立的区域级降雨滑坡预测模型,绘制降雨滑坡概率性预测图,通过降水预报数据的更新实现降雨滑坡实时预测。
进一步需要说明的是,步骤1中的初选特征因子为经度、纬度、海拔、地表温度、坡度、坡向、均一化植被覆盖指数、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积物运移指数、大气可降水量、增强型植被覆盖指数、总初级生产力、净初级生产力、表面比湿度;若研究区域为沿海地区,则初选特征因子还包括平均海平面压力。
进一步需要说明的是,步骤2中的Pearson相关系数法,通过公式(1)度量任意2个特征因子的相关程度:
式中:为特征因子X、Y的Pearson相关系数,/>为特征因子X、Y的均值,为特征因子X、Y的方差,cov(X, Y)为特征因子X、Y的协方差,E为期望。/> =1.0代表X、Y的所有数据点均落在一条直线上,且Y随X的增大而增大;/>也代表X、Y的所有数据点均落在一条直线上,但Y随X的增大而减小;/>代表X、Y无线性关系。
若某特征因子的Pearson相关系数至少2次出现>0.4或<-0.4时,该特征因子与其他特征因子存在强相关性,则删除该特征因子。
进一步需要说明的是,步骤2中通过公式(2)所示的方差膨胀系数法检验特征因子的多重共线性:
进一步需要说明的是,步骤2中若经方差膨胀系数法检验后特征因子仍存在多重共线性,则应通过降低Pearson相关系数阈值的方法继续筛选特征因子,即某特征因子的Pearson相关系数至少2次出现>0.35或<-0.35时,删除该特征因子,对剩余特征因子再次进行方差膨胀系数法检验,直至不存在多重共线性为止。
进一步需要说明的是,步骤3中n1的取值应根据研究区域实际雨量站数量确定,一般不少于2个,雨量站选取应具有代表性,距离不宜过小;n2的取值范围为500≤n2≤1000。
进一步需要说明的是,步骤3中的TRMM 3B43数据为日降雨量数据,数据精度为0.25°×0.25°。
进一步需要说明的是,步骤5中的均方根误差、平均绝对误差和确定性系数计算方法如公式(3)至公式(5):
进一步需要说明的是,步骤5中通过均方根误差、平均绝对误差和确定性系数选取预测效果最好的机器学习算法,具体方法为:计算所有机器学习算法的均方根误差,取最小者为预测效果最好的机器学习算法;若多于一个机器学习算法的均方根误差相等且最小,则计算这些机器学习算法的平均绝对误差,取最小者为预测效果最好的机器学习算法;若多于一个机器学习算法的平均绝对误差相等且最小,则计算这些机器学习算法的确定性系数,取最小者为预测效果最好的机器学习算法。
进一步需要说明的是,步骤6采用公式(6)和公式(7)计算各栅格的降雨数据:
进一步需要说明的是,步骤8中的研究区域Landsat TM影像在EarthExplorer官网获取,获取研究区域的历史滑坡数据可通过走访当地自然资源和规划局、查阅统计年鉴等方式获取,现场踏勘可采用现场观察、无人机倾斜摄影测量、三维激光扫描和全站仪测量等方式进行。
进一步需要说明的是,步骤11中的两阶段响应面模型为公式(9):
式中:a0、a1、a2、a3、a4、……、a2L-1、a2L、b1、b2、b3、b4、……、b2L-1、b2L、σ为待定系数。
进一步需要说明的是,步骤11中对两阶段响应面模型的待定系数进行求解时,应选取不少于4L+2天的降雨和历史滑坡数据。
步骤11中求解两阶段响应面模型的待定系数后,应选取不少于30天的降雨量观测数据对求解结果进行验证,若计算结果与观测结果的差值大于5%,则应加密降雨和历史滑坡数据后重新求解待定系数,直至差值不大于5%为止。
进一步需要说明的是,步骤12中研究区域滑坡易发性评价结果可通过当地自然资源与规划局获取,为矢量化数据格式,可通过ArcGIS Engine进行访问和编辑。
进一步需要说明的是,步骤12中将研究区域滑坡易发性评价结果分为10级,具体方法为:若滑坡易发性概率最小为YFmin,最大为YFmax,则10个等级的取值范围分别为:
P1:[0.0,0.1);
P2:[0.1,0.2);
P3:[0.2,0.3);
P4:[0.3,0.4);
P5:[0.4,0.5);
P6:[0.5,0.6);
P7:[0.6,0.7);
P8:[0.7,0.8);
P9:[0.8,0.9);
P10:[0.9,1.0]。
进一步需要说明的是,步骤12中将滑坡易发性评价结果与滑坡发生概率状态进行耦合,具体方法如表1所示:
进一步需要说明的是,步骤13中的气象预报产品为研究区域及周边地区未来24h降水预报数据,为矢量化数据格式,可通过ArcGIS Engine进行访问和编辑,并重采样为500m×500m分辨率。
进一步需要说明的是,步骤13中,根据降水预报数据、滑坡发生前L天实际降雨量和滑坡发生概率,结合公式(9)计算各栅格滑坡发生概率和滑坡发生概率状态。
进一步需要说明的是,步骤13中,结合滑坡易发性评价结果和滑坡发生概率状态,根据表1确定各栅格的降雨滑坡发生概率预测值并绘制降雨滑坡概率性预测图,通过降水预报数据的更新实现降雨滑坡实时预测。
从以上技术方案可以看出,本发明具有以下优点:
本发明提出的降雨数据降尺度模型通过选取适应不同下垫面条件、不同时相、不同空间分辨率的特征因子和泛化能力强、鲁棒性高的降尺度算法,能够克服植被、低能见度天气等对季节性降雨的时滞效应和降雨分布异常问题,大幅提高降雨数据降尺度的准确率;
本发明提出的基于两阶段响应面法的降雨阈值模型不依赖滑坡易发性概率与降雨变量相互独立的假定,也无需进行有效降雨量计算中衰减参数的求解,可以大幅提高滑坡概率性预测模型的泛化能力和鲁棒性;
本发明还基于ArcGIS Engine搭建区域级降雨滑坡预测平台,可以绘制研究区域的降雨滑坡概率性预测图并通过降雨量预报值的更新实现降雨滑坡实时预测;
本发明可以揭示降雨滑坡发生的时空规律及其与孕灾环境的互馈机制,为滑坡防治政策制定和防治资金分配提供理论依据。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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的前提下,还可以根据这些附图获得其他的附图。
图1为区域级降雨滑坡概率性预测方法流程图;
图2为预测终端示意图。
具体实施方式
请参阅图1所示,本发明主要是为了解决基于机器学习算法的降雨数据降尺度模型构建、基于两阶段响应面法的概率性降雨阈值模型构建、基于ArcGIS Engine的区域级降雨滑坡预测平台开发等关键问题。
其中,降雨是滑坡最重要的诱发因素,降雨滑坡的分布范围最广、发生频率最高、危害性最大。降雨滑坡概率性预测在空间尺度上分为区域级(数百至数千km2)和小流域级(100km2以下)2种,其中,区域级降雨滑坡概率性预测以多源异构地形地貌、地质和水文条件、人类工程活动信息融合为基础,结合降雨的强度、历时以及历史滑坡数据,基于各类模型预测滑坡发生的规模和可能性,可以得到研究区域的滑坡概率性预测图,实现地质灾害气象预测,还可以与单体滑坡稳定性分析与预测相衔接,形成完整的滑坡预测预报体系,为滑坡防治政策制定和防治资金分配提供理论依据。
本发明提供的区域级降雨滑坡概率性预测方法可以基于人工智能技术对关联的数据进行获取和处理。其中,区域级降雨滑坡概率性预测方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。当然,本发明实施例可以基于人工智能技术对关联的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
区域级降雨滑坡概率性预测方法可以应用于一个或者多个预测终端中,如图2所示,所述预测终端是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,预测终端旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。预测终端还可以表示各种形式的移动装置,诸如,个人数字处理、智能电话和其它类似的计算装置。
预测终端具有存储器402、处理器401、输入装置403和输出装置404;其中,输入装置403可以为鼠标键盘,输出装置404可以为显示屏、触摸显示器或者语音播放器等等。预测终端所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivate Network,VPN)等。
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。
具体实施例中以山东省淄博市博山区位于山东省中部、鲁中山区北部,主要存在两种地质构造类型,一是太古代的基底构造,以线状紧密褶皱为主;二是中、新生代的盖层结构,以断裂为主,褶皱次之。以博山区为例进行区域级降雨滑坡概率性预测,具体按以下步骤进行:
S1:选取经度、纬度、海拔、地表温度、坡度、坡向、均一化植被覆盖指数、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积物运移指数、大气可降水量、增强型植被覆盖指数、总初级生产力、净初级生产力、表面比湿度为降雨数据降尺度模型的初选特征因子。
S2:通过Pearson相关系数对初选特征因子进行筛选,使剩余因子不包含重复信息并采用方差膨胀系数法检验剩余因子的多重共线性;
具体来讲,Pearson相关系数法是通过公式(1)度量任意2个特征因子的相关程度:
式中:为特征因子X、Y的Pearson相关系数,/>、/>为特征因子X、Y的均值,/>、/>为特征因子X、Y的方差,cov(X, Y)为特征因子X、Y的协方差,E为期望。ρX,Y=1.0代表X、Y的所有数据点均落在一条直线上,且Y随X的增大而增大;ρX,Y=-1.0也代表X、Y的数据点均落在一条直线上,但Y随X的增大而减小;ρX,Y=0代表X、Y无线性关系;其中,若某特征因子的Pearson相关系数至少2次出现>0.4或<-0.4时,该特征因子与其他特征因子存在强相关性,则删除该特征因子。
通过公式(2)的方差膨胀系数检验特征因子的多重共线性:
若经方差膨胀系数法检验后特征因子仍存在多重共线性,则通过降低Pearson相关系数阈值的方法继续筛选特征因子,即某特征因子的Pearson相关系数至少2次出现>0.35或<-0.35时,删除该特征因子,对剩余特征因子再次进行方差膨胀系数法检验,直至不存在多重共线性为止。
这里,经过计算,地形湿度指数与水流强度指数、大气可降水量、表面比湿度的Pearson相关系数分别为0.518、0.657、-0.482,剖面曲率与坡度、平面曲率的Pearson相关系数分别为0.528、-0.641,其他特征因子的Pearson相关系数未出现至少2次>0.4或<-0.4,因此删除地形湿度指数和剖面曲率因子。
对剩余特征因子进行方差膨胀系数计算,发现所有特征因子的VIFX均≤10,因此,选定的淄博市博山区降雨数据降尺度因子为经度、纬度、海拔、地表温度、坡度、坡向、均一化植被覆盖指数、平面曲率、水流强度指数、沉积物运移指数、大气可降水量、增强型植被覆盖指数、总初级生产力、净初级生产力、表面比湿度。
S3:在淄博市博山区内,设定n1个雨量站,在n2天调取雨量站的降雨观测数据和相应的TRMM 3B43数据,计算得到n1·n2个日降雨量观测数据与TRMM 3B43数据的差值,将75%的差值数据作为模型训练样本,25%作为模型验证样本;n1的取值应根据淄博市博山区实际雨量站数量确定,一般不少于2个,雨量站选取应具有代表性,距离不宜过小;n2的取值范围为500≤n2≤1000,TRMM 3B43数据为日降雨量数据,数据精度为0.25°×0.25°;
选定淄博市博山区中心城区、博山镇和八陡镇共3个雨量站并从2000年1月1日~2023年3月25日中随机选取800天,统计其降雨观测数据和相应的TRMM 3B43数据,共计得到2400组降雨观测数据和TRMM 3B43数据;
计算降雨量观测数据与TRMM 3B43数据的差值,将75%的差值数据(1800个)作为模型训练样本,25%(600个)作为模型验证样本。
S4:基于模型训练样本,分别通过卷积神经网络、朴素贝叶斯模型、随机森林模型、BP神经网络、AdaBoost-J48决策树、Bagging集成模型、前馈神经网络、卷积神经网络-元胞自动机模型和梯度提升决策树等机器学习算法揭示特征因子与差值数据的非线性映射关系。
S5:采用已揭示的映射关系预测模型验证样本的降雨量,并与观测值进行对比;再通过均方根误差、平均绝对误差和确定性系数选取预测效果满足预设要求的机器学习算法。
步骤S5中的均方根误差、平均绝对误差和确定性系数计算方法如公式(3)至公式(5):
步骤S5中通过均方根误差、平均绝对误差和确定性系数选取预测效果最好的机器学习算法,具体方法为:计算所有机器学习算法的均方根误差,取最小者为预测效果最好的机器学习算法;若多于一个机器学习算法的均方根误差相等且最小,则计算这些机器学习算法的平均绝对误差,取最小者为预测效果最好的机器学习算法;若多于一个机器学习算法的平均绝对误差相等且最小,则计算这些机器学习算法的确定性系数,取最小者为预测效果最好的机器学习算法。
若多于一个机器学习算法的平均绝对误差相等且最小,则计算这些机器学习算法的确定性系数,取最小者为预测效果最好的机器学习算法。
S6:将博山区的DEM数据重采样至500m×500m分辨率,采用已选取的特征因子和机器学习算法逐栅格计算差值数据,并对TRMM 3B43数据和差值数据求和得到各栅格的降雨数据,实现降雨数据降尺度。
采用公式(6)和公式(7)计算各栅格的降雨数据:
S7:假定第t+1天的滑坡发生概率与第t天、第t-1天、……、第t-L+1天共L天的降雨状况和滑坡发生概率相关,与第t-L+1天之前的降雨状况和滑坡发生概率无关。
S8:通过对研究区域Landsat TM影像进行遥感解译,结合历史滑坡数据和现场踏勘明确各次历史滑坡的发生时间和地点。
示例性的讲,可以从EarthExplorer官网 下载博山区Landsat TM影像并进行滑坡遥感解译,通过走访淄博市自然资源和规划局、查阅淄博市统计年鉴获取博山区历史滑坡数据,结合现场观察、无人机倾斜摄影测量、三维激光扫描和全站仪测量等现场踏勘方式明确各次历史滑坡的发生时间和地点。结果显示,博山区发生于2000年1月1日~2023年3月25日的滑坡共计162处。
S9:通过ArcGIS的TIN Difference、Cut/Fill、Slope、Aspect等工具和DataReference Element、Triangulate Data Points、Create Cross-Section等命令对博山区DEM数据进行处理,结果表明,博山区共有不稳定边坡218处,通过计算某天滑坡发生数量与不稳定边坡数量的商统计得到2000年1月1日~2023年3月25日逐日滑坡发生概率。
S10:将博山区162次历史滑坡前L天的降雨量序列和滑坡发生概率序列分别记为YL和HL,采用公式(8)计算降雨量序列和滑坡发生概率序列的Pearson相关系数均值ρ均值,选定ρ均值的最大值对应的L:
S11:若滑坡发生前6天的降雨量分别为Yt、Yt-1、……、Yt-5,前6天的滑坡发生概率分别为Ht、Ht-1、……、Ht-5,当天的降雨量为Yt+1,当天的滑坡发生概率为Ht+1,则通过建立公式(9)所示的两阶段响应面模型对Ht+1进行预测:
式中:a0、a1、a2、a3、a4、……、a11、a12、b1、b2、b3、b4、……、b11、b12、σ为待定系数。
选取26天的降雨和历史滑坡数据对两阶段响应面模型的待定系数进行求解,结果如表2所示:
求解完成后,选取30天的降雨量观测数据对求解结果进行验证,计算结果与观测结果的差值为3.89%,满足精度要求。
S12:通过淄博市自然资源和规划局获取博山区滑坡易发性评价结果,博山区滑坡易发性概率最小为0.2870,最大为0.8090,则10个滑坡易发性等级的取值范围分别为:
YF1:[0.2870,0.3392);
YF2:[0.3392,0.3914);
YF3:[0.3914,0.4436);
YF4:[0.4436,0.4958);
YF5:[0.4958,0.5480);
YF6:[0.5480,0.6002);
YF7:[0.6002,0.6524);
YF8:[0.6524,0.7046);
YF9:[0.7046,0.7568);
YF10:[0.7568,0.8090]。
将Ht+1预测值分为10种滑坡发生概率状态,取值范围为:
P1:[0.0,0.1);
P2:[0.1,0.2);
P3:[0.2,0.3);
P4:[0.3,0.4);
P5:[0.4,0.5);
P6:[0.5,0.6);
P7:[0.6,0.7);
P8:[0.7,0.8);
P9:[0.8,0.9);
P10:[0.9,1.0]。
将滑坡易发性评价结果与滑坡发生概率状态进行耦合,具体方法如表1所示:
S13:基于ArcGIS Engine对博山区滑坡易发性评价结果和山东省气象局发布的博山区及周边地区未来24h降水预报数据进行融合,其中,降水预报数据接口为http://sd.cma.gov.cn/qxfw_3576,重采样为500m×500m分辨率。
根据降水预报数据、滑坡发生前6天实际降雨量和滑坡发生概率,结合公式(9)计算各栅格滑坡发生概率和滑坡发生概率状态。结合滑坡易发性评价结果和滑坡发生概率状态,根据表1确定各栅格的降雨滑坡发生概率预测值并绘制降雨滑坡概率性预测图,通过降水预报数据的更新实现滑坡实时预测。
这样,本发明基于上述区域级降雨滑坡概率性预测方法,通过选取适应不同下垫面条件、不同时相、不同空间分辨率的特征因子和泛化能力强、鲁棒性高的降尺度算法,能够克服植被、低能见度天气等对季节性降雨的时滞效应和降雨分布异常问题,大幅提高降雨数据降尺度的准确率。还可以揭示降雨滑坡发生的时空规律及其与孕灾环境的互馈机制,分别向上与自然资源部、中国气象局联合开展的国家地质灾害气象预测,向下与单体滑坡稳定性分析与预测相衔接,形成完整的滑坡预测预报体系,为滑坡防治政策制定和防治资金分配提供理论依据。
在本发明的区域级降雨滑坡概率性预测方法中,可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种区域级降雨滑坡概率性预测方法,其特征在于,方法包括:
步骤1:选取降雨数据降尺度模型的初选特征因子;
步骤2:通过Pearson相关系数法对初选特征因子进行筛选,使剩余因子不包含重复信息并采用方差膨胀系数法检验剩余因子的多重共线性;
步骤3:在研究区域内,设定n1个雨量站,调取n2天的雨量站降雨观测数据和相应的TRMM3B43数据,计算得到n1·n2个日降雨量观测数据与TRMM 3B43数据的差值,将75%的差值数据作为模型训练样本,25%作为模型验证样本;
步骤4:基于模型训练样本,并通过预设机器学习算法揭示特征因子与差值数据的非线性映射关系;
步骤5:采用已揭示的映射关系预测模型验证样本的降雨量,并与观测值进行对比;再通过均方根误差、平均绝对误差和确定性系数选取预测效果满足预设要求的机器学习算法;
步骤6:将研究区域的DEM数据重采样至500m×500m分辨率,采用已选取的特征因子和机器学习算法逐栅格计算差值数据,并对TRMM 3B43数据和差值数据求和得到各栅格的降雨数据,实现降雨数据降尺度;
步骤7:设定第t+1天的滑坡发生概率与第t天、第t-1天、……、第t-L+1天共L天的降雨状况和滑坡发生概率相关,与第t-L+1天之前的降雨状况和滑坡发生概率无关;
步骤8:通过对研究区域Landsat TM影像进行遥感解译,结合历史滑坡数据和现场踏勘明确各次历史滑坡的发生时间和地点;
步骤9:通过ArcGIS软件对研究区域的DEM数据进行处理,统计不稳定边坡数量,将某天滑坡发生数量与不稳定边坡数量的商作为该天的滑坡发生概率;
步骤10:将研究区域各次历史滑坡前L天的降雨量序列和滑坡发生概率序列分别记为YL和HL,计算不同L对应的降雨量序列和滑坡发生概率序列的Pearson相关系数均值,确定相关性最高的L;
步骤11:若滑坡发生前L天的降雨量分别为Yt、Yt-1、……、Yt-L+1,前L天的滑坡发生概率分别为Ht、Ht-1、……、Ht-L+1,当天的降雨量为Yt+1,当天的滑坡发生概率为Ht+1,通过建立两阶段响应面模型预测Ht+1,并基于降雨和历史滑坡数据对两阶段响应面模型的待定系数进行求解;
步骤12:将研究区域滑坡易发性评价结果分为YF1、YF2、YF3、YF4、YF5、YF6、YF7、YF8、YF9、YF10共10级,将Ht+1预测值分为P1、P2、P3、P4、P5、P6、P7、P8、P9、P10共10种滑坡发生概率状态,将滑坡易发性评价结果与滑坡发生概率状态进行耦合,构建区域级降雨滑坡预测模型;
步骤13:基于ArcGIS Engine对研究区域滑坡易发性评价结果和气象部门发布的气象预报产品进行融合,结合已建立的区域级降雨滑坡预测模型,绘制降雨滑坡概率性预测图,通过降水预报数据的更新实现降雨滑坡实时预测。
2.根据权利要求1所述的区域级降雨滑坡概率性预测方法,其特征在于,
步骤1中的初选特征因子为经度、纬度、海拔、地表温度、坡度、坡向、均一化植被覆盖指数、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积物运移指数、大气可降水量、增强型植被覆盖指数、总初级生产力、净初级生产力、表面比湿度;
若研究区域为沿海地区,则预设参数还包括平均海平面压力。
3.根据权利要求1所述的区域级降雨滑坡概率性预测方法,其特征在于,
步骤2中的Pearson相关系数法是通过公式(1)度量任意2个特征因子的相关程度;
式中:ρX,Y为特征因子X、Y的Pearson相关系数,μX、μY为特征因子X、Y的均值,σX、σY为特征因子X、Y的方差,cov(X, Y)为特征因子X、Y的协方差,E为期望;ρX,Y=1.0代表X、Y的所有数据点均落在一条直线上,且Y随X的增大而增大;ρX,Y=-1.0代表X、Y的所有数据点均落在一条直线上,但Y随X的增大而减小;ρX,Y=0代表X、Y无线性关系;
通过公式(2)的方差膨胀系数检验特征因子的多重共线性;
式中:VIFX为特征因子X的方差膨胀系数,RX 2为特征因子X对其余特征因子作回归分析的复相关系数;VIFX>10表明特征因子X存在共线性问题。
4.根据权利要求1所述的区域级降雨滑坡概率性预测方法,其特征在于,
步骤5中的均方根误差、平均绝对误差和确定性系数计算方法如公式(3)至公式(5);
步骤5中,计算所有机器学习算法的均方根误差,取最小者为预测效果最好的机器学习算法;若多于一个机器学习算法的均方根误差相等且最小,则计算这些机器学习算法的平均绝对误差,取最小者为预测效果最好的机器学习算法;若多于一个机器学习算法的平均绝对误差相等且最小,则计算这些机器学习算法的确定性系数,取最小者为预测效果最好的机器学习算法。
8.根据权利要求1所述的区域级降雨滑坡概率性预测方法,其特征在于,
步骤12中将研究区域滑坡易发性评价结果分为10级;
具体方法包括:若滑坡易发性概率最小为YFmin,最大为YFmax,则10个等级的取值范围分别为:
其中,将Ht+1预测值分为10种滑坡发生概率状态,取值范围为:
P1:[0.0,0.1);
P2:[0.1,0.2);
P3:[0.2,0.3);
P4:[0.3,0.4);
P5:[0.4,0.5);
P6:[0.5,0.6);
P7:[0.6,0.7);
P8:[0.7,0.8);
P9:[0.8,0.9);
P10:[0.9,1.0];
再将滑坡易发性评价结果与滑坡发生概率状态进行耦合。
9.根据权利要求7所述的区域级降雨滑坡概率性预测方法,其特征在于,
步骤13中的气象预报产品为研究区域及周边地区未来24h降水预报数据,为矢量化数据格式,通过预设引擎进行访问和编辑,并重采样为500m×500m分辨率;
根据降水预报数据、滑坡发生前L天实际降雨量和滑坡发生概率,结合公式(9)计算各栅格滑坡发生概率和滑坡发生概率状态;
基于滑坡易发性评价结果、滑坡发生概率状态以及区域级降雨滑坡预测模型参数,确定各栅格的降雨滑坡发生概率预测值,并绘制降雨滑坡概率性预测图,通过降水预报数据的更新实现降雨滑坡实时预测。
10.一种预测终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9任一项所述区域级降雨滑坡概率性预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395180.7A CN116151483B (zh) | 2023-04-14 | 2023-04-14 | 一种区域级降雨滑坡概率性预测方法及预测终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395180.7A CN116151483B (zh) | 2023-04-14 | 2023-04-14 | 一种区域级降雨滑坡概率性预测方法及预测终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151483A true CN116151483A (zh) | 2023-05-23 |
CN116151483B CN116151483B (zh) | 2023-07-21 |
Family
ID=86362076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395180.7A Active CN116151483B (zh) | 2023-04-14 | 2023-04-14 | 一种区域级降雨滑坡概率性预测方法及预测终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151483B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842308A (zh) * | 2023-06-02 | 2023-10-03 | 兰州大学 | 一种基于极端降水指数间接预测致命性滑坡的方法 |
CN117034021A (zh) * | 2023-10-10 | 2023-11-10 | 山东理工大学 | 一种基于实时气象预报信息的台风诱发滑坡时空预测方法 |
CN117216503A (zh) * | 2023-11-07 | 2023-12-12 | 北京英视睿达科技股份有限公司 | 一种小区域短时暴雨的预警方法和系统 |
CN117493805A (zh) * | 2023-11-04 | 2024-02-02 | 广东省核工业地质调查院 | 一种地质灾害评价过程中斜坡单元的评分取值方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160192A (zh) * | 2015-09-17 | 2015-12-16 | 浙江大学 | 基于M5-Local的TRMM卫星降雨数据降尺度方法 |
JP2016183498A (ja) * | 2015-03-26 | 2016-10-20 | 中国電力株式会社 | 土砂災害予測システム、及び土砂災害予測方法 |
CN107358327A (zh) * | 2017-07-21 | 2017-11-17 | 重庆大学 | 基于无人机遥感影像的滑坡易发性评定方法 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN112200354A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200358A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡等级预测方法、装置、设备和存储介质 |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
KR20220111578A (ko) * | 2021-02-02 | 2022-08-09 | 주식회사 엠프티코퍼레이션 | 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법 |
CN115271564A (zh) * | 2022-09-29 | 2022-11-01 | 淄博市交通建设发展中心 | 一种公路边坡灾害空间危险性区划方法及终端机 |
JP2022172962A (ja) * | 2021-05-07 | 2022-11-17 | 国立大学法人京都大学 | 土砂災害予測方法及び土砂災害予測装置 |
CN115688404A (zh) * | 2022-10-24 | 2023-02-03 | 中国科学院空天信息创新研究院 | 基于svm-rf模型的降雨型滑坡预警方法 |
CN115859801A (zh) * | 2022-11-25 | 2023-03-28 | 武汉大学 | 一种联合有效降雨模型的滑坡时空危险性评估方法 |
-
2023
- 2023-04-14 CN CN202310395180.7A patent/CN116151483B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016183498A (ja) * | 2015-03-26 | 2016-10-20 | 中国電力株式会社 | 土砂災害予測システム、及び土砂災害予測方法 |
CN105160192A (zh) * | 2015-09-17 | 2015-12-16 | 浙江大学 | 基于M5-Local的TRMM卫星降雨数据降尺度方法 |
CN107358327A (zh) * | 2017-07-21 | 2017-11-17 | 重庆大学 | 基于无人机遥感影像的滑坡易发性评定方法 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN112200354A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200358A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡等级预测方法、装置、设备和存储介质 |
KR20220111578A (ko) * | 2021-02-02 | 2022-08-09 | 주식회사 엠프티코퍼레이션 | 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법 |
JP2022172962A (ja) * | 2021-05-07 | 2022-11-17 | 国立大学法人京都大学 | 土砂災害予測方法及び土砂災害予測装置 |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
CN115271564A (zh) * | 2022-09-29 | 2022-11-01 | 淄博市交通建设发展中心 | 一种公路边坡灾害空间危险性区划方法及终端机 |
CN115688404A (zh) * | 2022-10-24 | 2023-02-03 | 中国科学院空天信息创新研究院 | 基于svm-rf模型的降雨型滑坡预警方法 |
CN115859801A (zh) * | 2022-11-25 | 2023-03-28 | 武汉大学 | 一种联合有效降雨模型的滑坡时空危险性评估方法 |
Non-Patent Citations (4)
Title |
---|
WANYU JIANG 等: "Probabilistic rainfall threshold of landslides in Data-Scarce mountainous Areas: A case study of the Bailong River Basin, China", 《CATENA》, pages 1 - 18 * |
胡凯衡;陈成;李秀珍;李浦;: "地震区降雨作用下泥石流易发性动态评估", 中国地质灾害与防治学报, no. 02, pages 7 - 14 * |
胡涛;樊鑫;李荻;刘爱昌;: "贵州省思南县降雨型滑坡危险性预警研究", 安全与环境工程, no. 03, pages 78 - 85 * |
费晓燕;柳锦宝;屈伯强;刘志红;王增武;: "四川省降雨诱发滑坡灾害的气象预警模型", 水土保持通报, no. 05, pages 321 - 327 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842308A (zh) * | 2023-06-02 | 2023-10-03 | 兰州大学 | 一种基于极端降水指数间接预测致命性滑坡的方法 |
CN116842308B (zh) * | 2023-06-02 | 2024-05-17 | 兰州大学 | 一种基于极端降水指数间接预测致命性滑坡的方法 |
CN117034021A (zh) * | 2023-10-10 | 2023-11-10 | 山东理工大学 | 一种基于实时气象预报信息的台风诱发滑坡时空预测方法 |
CN117034021B (zh) * | 2023-10-10 | 2023-12-12 | 山东理工大学 | 一种基于实时气象预报信息的台风诱发滑坡时空预测方法 |
CN117493805A (zh) * | 2023-11-04 | 2024-02-02 | 广东省核工业地质调查院 | 一种地质灾害评价过程中斜坡单元的评分取值方法 |
CN117216503A (zh) * | 2023-11-07 | 2023-12-12 | 北京英视睿达科技股份有限公司 | 一种小区域短时暴雨的预警方法和系统 |
CN117216503B (zh) * | 2023-11-07 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 一种小区域短时暴雨的预警方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116151483B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116151483B (zh) | 一种区域级降雨滑坡概率性预测方法及预测终端 | |
Skilodimou et al. | Multi-hazard assessment modeling via multi-criteria analysis and GIS: a case study | |
Kavzoglu et al. | Machine learning techniques in landslide susceptibility mapping: a survey and a case study | |
Zhang et al. | The assessment of landslide susceptibility mapping using random forest and decision tree methods in the Three Gorges Reservoir area, China | |
Park et al. | Landslide susceptibility mapping using frequency ratio, analytic hierarchy process, logistic regression, and artificial neural network methods at the Inje area, Korea | |
Shahabi et al. | Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran | |
Chen et al. | Landslide susceptibility assessment using evidential belief function, certainty factor and frequency ratio model at Baxie River basin, NW China | |
Pourghasemi et al. | Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances | |
Meng et al. | GIS-based landslide susceptibility mapping with logistic regression, analytical hierarchy process, and combined fuzzy and support vector machine methods: a case study from Wolong Giant Panda Natural Reserve, China | |
Zhao et al. | A Comparative Study of Landslide Susceptibility Mapping Using SVM and PSO‐SVM Models Based on Grid and Slope Units | |
Akgun et al. | Landslide susceptibility mapping for Ayvalik (Western Turkey) and its vicinity by multicriteria decision analysis | |
Jacinth Jennifer et al. | Artificial neural network and sensitivity analysis in the landslide susceptibility mapping of Idukki district, India | |
Chen et al. | Application of frequency ratio, statistical index, and index of entropy models and their comparison in landslide susceptibility mapping for the Baozhong Region of Baoji, China | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Mohammadi et al. | Flood Detection and Susceptibility Mapping Using Sentinel‐1 Time Series, Alternating Decision Trees, and Bag‐ADTree Models | |
Wang et al. | Rainfall‐induced landslide hazard assessment using artificial neural networks | |
Chen et al. | Landslide spatial susceptibility mapping by using GIS and remote sensing techniques: a case study in Zigui County, the Three Georges reservoir, China | |
Berry et al. | Integrating sea level rise into development suitability analysis | |
Xing et al. | Susceptibility assessment for rainfall-induced landslides using a revised logistic regression method | |
Dahal | Regional-scale landslide activity and landslide susceptibility zonation in the Nepal Himalaya | |
Ozdemir | A comparative study of the frequency ratio, analytical hierarchy process, artificial neural networks and fuzzy logic methods for landslide susceptibility mapping: Taşkent (Konya), Turkey | |
CN111539904B (zh) | 一种基于降雨量的灾害易发性预测方法 | |
CN112200354A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Hu | Rainstorm flash flood risk assessment using genetic programming: a case study of risk zoning in Beijing |
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 |