CN116307270B - 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 - Google Patents
一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 Download PDFInfo
- Publication number
- CN116307270B CN116307270B CN202310549062.7A CN202310549062A CN116307270B CN 116307270 B CN116307270 B CN 116307270B CN 202310549062 A CN202310549062 A CN 202310549062A CN 116307270 B CN116307270 B CN 116307270B
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- sample
- model
- chain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 20
- 238000004080 punching Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000010200 validation analysis Methods 0.000 claims abstract 2
- 238000012545 processing Methods 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 6
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000011010 flushing procedure Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Geophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统,所述方法包括:获取观测地的历史滑坡数据、候选影响因子以及人员通行分布大数据;将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本;利用已有数据获取滑坡链式灾害的发生概率;使用所述模型验证样本和所述发生概率确定启动滑源区域;根据所述启动滑源区域确定影响区域;根据所述影响区域和所述人员通行分布大数据得到暴露人员数量;设定事件划分阈值,结合所述暴露人员数量评估伤亡人员数量。本发明同时考虑了滑坡的启动点位和冲出距离,能准确获取可能存在人员伤亡的空间范围,准确评估滑坡链式灾害造成的人员伤亡风险和损失。
Description
技术领域
本发明涉及象灾害预警领域,尤其是涉及一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统。
背景技术
滑坡灾害已经成为仅次于地震灾害的第二大自然灾害,同时也是我国主要的地质灾害类型之一。调查资料显示90%的滑坡由降雨诱发,降雨型滑坡已成为影响人类生活的重要灾害之一,尤其是暴雨诱发的滑坡链式灾害,每年都会有大量人员因为暴雨诱发的滑坡链式灾害而受伤或丧生。为了保护人们的生命健康和财产安全,需要对暴雨诱发的滑坡链式灾害进行有效预测预报。
现有技术中,对暴雨诱发滑坡链式灾害造成人员伤亡的数量预测主要是根据历史经验和滑坡危险性评估结果进行大致的估计,又或者是根据预测的滑坡影响区域以及该区域的人口分布数据进行估计。第一种方法没有考虑到不同时期人员在滑坡区域的通行情况和分布数据,因此估计的人员伤亡数量没有太大参考性,无法对滑坡人员死亡数量进行有效预测预报;第二种方法虽然考虑到了滑坡区域的人口分布数据,但在预测滑坡影响区域时,往往只考虑了滑坡的启动发生点位,然而仅仅只是预测滑坡的发生或者是滑坡的启动发生点位无法准确获得滑坡实际可能造成影响的空间范围,因而也无法准确得到滑坡发生后可能的人员伤亡数量,这特别不利于发生强降雨时滑坡灾害的预防,降低滑坡灾害造成的损失以及保障人们的生命健康安全。
发明内容
发明目的:本发明的目的是提供一种高准确性和可靠性的评估暴雨诱发滑坡链式灾害影响伤亡的方法;本发明的第二目的是提供一种高准确性和可靠性的评估暴雨诱发滑坡链式灾害影响伤亡的系统。
技术方案:本发明所述的评估暴雨诱发滑坡链式灾害影响伤亡的方法,包括如下步骤:
获取观测地的历史滑坡数据、候选影响因子以及人员通行分布大数据;
将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本;
利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率;
使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域;
根据所述启动滑源区域确定所述观测地内所述滑坡链式灾害的影响区域;
根据所述影响区域和所述人员通行分布大数据得到所述滑坡链式灾害的暴露人员数量;
设定事件划分阈值,根据所述事件划分阈值和所述暴露人员数量评估所述滑坡链式灾害导致的伤亡人员数量。
进一步地,所述候选影响因子包括地形坡度、地形起伏度、地形曲率、地形位置、地形湿度指数、暴雨空间分布、岩性类型、土壤类型、植被覆盖、水系密度、道路密度,所述利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率,包括如下步骤:
提取所述模型构建样本中的滑坡区域的滑源区域;
根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型;
根据所述滑坡启动概率模型计算所述发生概率。
进一步地,所述提取所述模型构建样本中的滑坡区域的滑源区域包括如下步骤:
确定所述滑坡区域的形状和地形特征;
根据所述滑坡区域的形状和地形特征提取所述滑源区域。
进一步地,所述根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型包括如下步骤;
获取目标滑坡样本与所述历史滑坡数据中每个滑坡样本的欧式距离,以获取多个近邻数据,所述欧式距离满足如下关系:
其中,‖x-y‖为所述欧式距离,L为所述模型构建样本中滑坡样本的总数,xi为第i个所述目标滑坡样本,yi为所述模型构建样本中第i个滑坡样本;
计算所述目标滑坡样本与所述近邻数据之间的邻近距离,所述邻近距离满足如下关系:
D=[D1,D2,...,Dn]
其中,D为所述邻近距离;
根据所述邻近距离计算每个所述滑坡样本对所述目标滑坡样本的权重,所述权重满足如下关系:
wi=1-(Di-min(D)),i=1,2,...n
其中,wi为所述权重,Di为第i个所述邻近距离;
利用所述权重创建模糊推理规则;
根据所述模糊推理规则建立所述滑坡启动概率模型,所述滑坡启动概率模型满足如下关系:
其中,f(xi)为第i个所述目标滑坡样本的所述发生概率,mJj为第j个所述候选影响因子在第J条所述模糊推理规则下高斯分布的均值,为第j个所述候选影响因子在第J条所述模糊推理规则下的方差,N为滑坡样本个数,M为模糊推理规则总数,bJjxi表示高斯分布的后键,αJj是高斯型隶属函数中的常数项,xij为第j个所述候选影响因子下的第i个所述目标滑坡样本。
进一步地,所述使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域包括如下步骤:
利用所述模型验证样本和所述发生概率获取滑坡的启动概率阈值,同时计算所述启动概率阈值的正确率以获得最优启动概率阈值;
将发生概率大于所述最优启动概率阈值的所有空间位置对应的栅格作为所述启动滑源区域。
进一步地,所述根据所述启动滑源区域确定所述观测地内所述滑坡链式灾害的影响区域包括如下步骤:
获取所述启动滑源区域的启动滑源区域分布数据和数字高程模型分布数据;
利用所述启动滑源区域分布数据、所述数字高程模型分布数据和滑坡演进模型获取滑坡的预测运动路径和预测冲出距离;
使用所述模型测试样本验证所述预测运动路径和所述预测冲出距离,并确定最优运动路径和最优冲出距离,得到所述影响区域。
进一步地,所述根据所述影响区域和所述人员通行分布大数据得到所述滑坡链式灾害的暴露人员数量,包括如下步骤:
将所述影响区域和所述人员通行分布大数据进行空间叠加获取伤亡预测区域;
利用所述伤亡预测区域实时模拟和识别在不同暴雨情景下,所述伤亡预测区域中的人口分布;
根据所述人口分布获取所述滑坡链式灾害的所述暴露人员数量。
进一步地,所述设定事件划分阈值,根据所述事件划分阈值和所述暴露人员数量评估所述滑坡链式灾害导致的伤亡人员数量,包括如下步骤:
设定所述事件划分阈值;
计算所述滑坡链式灾害导致人员伤亡的伤亡概率,并将所述伤亡概率大于所述事件划分阈值的所述滑坡链式灾害划分为伤亡事件;
利用所述暴露人员数量和所述伤亡事件评估所述伤亡人员数量。
本发明所述的评估暴雨诱发滑坡链式灾害影响伤亡的系统,适用于所述的评估暴雨诱发滑坡链式灾害影响伤亡的方法,包括:
数据获取模块,所述数据获取模块用于获取所述观测地内的所述历史滑坡数据、所述候选影响因子以及所述人员通行分布大数据;
数据处理模块,所述数据处理模块与所述数据获取模块相连接,所述数据处理模块用于使用所述历史滑坡数据、所述候选影响因子以及所述人员通行分布大数据,评估由暴雨诱发所述滑坡链式灾害造成的所述伤亡人员数量;
数据储存模块,所述数据储存模块与所述数据处理模块相连接,所述数据储存模块用于储存所述数据处理模块中的数据;
数据输出模块,所述数据输出模块与所述数据处理模块和所述数据储存模块相连接,所述数据输出模块用于输出所述数据处理模块和所述数据储存模块中的数据。
有益效果:与现有技术相比,本发明的优点在于:在获取滑坡的影响区域时,不仅考虑了滑坡的启动发生点位,而且还考虑了滑坡运动的最优路径和冲出距离,因此确定的滑坡影响区域具有极高的准确性和可靠性,提高了人员伤亡数量评估的准确性,最后在根据滑坡的影响区域和人员通行分布大数据评估伤亡人员数量时,同时考虑了滑坡链式灾害发生的可能性和造成人员伤亡的可能性,能准确获得暴雨诱发滑坡链式灾害实际可能造成的人员伤亡情况,实现了暴雨诱发滑坡链式灾害可能造成人员伤亡数量的智能化评估,为受灾区人员避险和救援提供参考,有利于保障人们的安全健康,减少财产损失。
附图说明
图1为本发明的评估暴雨诱发滑坡链式灾害影响伤亡的方法流程图。
图2为本发明的评估暴雨诱发滑坡链式灾害影响伤亡的系统结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明所述的评估暴雨诱发滑坡链式灾害影响伤亡的方法,包括如下步骤:
S1、获取观测地的历史滑坡数据、候选影响因子以及人员通行分布大数据。
具体的,在本实施例当中,历史滑坡数据可以从观测地所在位置的地质灾害数据库中下载;候选影响因子包括地形坡度、地形起伏度、地形曲率、地形位置、地形湿度指数、暴雨空间分布、岩性类型、土壤类型、植被覆盖、水系密度、道路密度,候选影响因子通过实地测量获得;人员通行分布大数据。
进一步的,历史滑坡数据的数据量不宜过大,以提升确定暴雨导致滑坡链式灾害影响区域的速度和准确性。
更进一步的,在其他可选地实施例当中,历史滑坡数据和候选影响因子也可以通过其他途径获取;候选影响因子还可以包括其他因素,例如通行人数、时间等,但在选取候选影响因子时因提前考虑每个候选影响因子对滑坡的影响程度,便于减少不必要的计算,以提高确定滑坡影响区域的速度。
S2、将历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本。
其中,S2具体又包括如下步骤:
S21、整理历史滑坡数据;
S22、将历史滑坡数据按7∶2∶1的比例依次划分为模型构建样本、模型验证样本和模型测试样本。
S3、利用模型构建样本、模型验证样本和候选影响因子,获取观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率。
其中,S3具体又包括如下步骤:
S31、提取模型构建样本中的滑坡区域的滑源区域。
其中,S31具体又包括如下步骤:
S311、确定滑坡区域的形状和地形特征。
S312、根据滑坡区域的形状和地形特征提取滑源区域。
具体的,在本实施例当中,滑源区域为滑坡启动区域,通过图像识别技术确定滑坡区域的形状和地形特征,根据滑坡区域的形状和地形特征即可判断滑坡的启动区域,提高滑源区域的提取效率,
进一步的,在其他可选地实施例当中,也可以通过其他方式确定滑坡区域的形状和地形特征,进而提取滑源区域。
S32、根据滑源区域和候选影响因子建立滑坡启动概率模型。
其中,本实施例通过Takagi-Sugeno模糊推理方法建立滑坡启动概率模型,S32具体又包括如下步骤:
S321、获取目标滑坡样本与历史滑坡数据中每个滑坡样本的欧式距离,以获取多个近邻数据,欧式距离满足如下关系:
其中,‖x-y‖为欧式距离,L为模型构建样本中滑坡样本的总数,xi为第i个目标滑坡样本,yi为模型构建样本中第i个滑坡样本。
S322、计算目标滑坡样本与近邻数据之间的邻近距离,邻近距离满足如下关系:
D=[D1,D2,...,Dn]
其中,D为邻近距离。
S323、根据邻近距离计算每个滑坡样本对目标滑坡样本的权重,权重满足如下关系:
wi=1-(Di-min(D)),i=1,2,...n
其中,wi为权重,Di为第i个邻近距离。
S324、利用权重创建模糊推理规则。
S325、根据模糊推理规则建立滑坡启动概率模型,滑坡启动概率模型满足如下关系:
其中,f(xi)为第i个目标滑坡样本的发生概率,mJj为第j个候选影响因子在第J条模糊推理规则下高斯分布的均值,为第j个候选影响因子在第J条模糊推理规则下的方差,N为滑坡样本个数,M为模糊推理规则总数,bJjxi表示高斯分布的后键,αJj是高斯型隶属函数中的常数项,xij为第j个候选影响因子下的第i个目标滑坡样本。
具体的,在本实施例当中,模糊推理规则的总数以候选影响因子的总数为参考,有利于考虑到所有候选影响因子对滑坡链式灾害的影响,获得更为精确的滑坡启动概率模型。
S33、根据滑坡启动概率模型计算发生概率。
S4、使用模型验证样本和发生概率确定滑坡链式灾害的启动滑源区域。
其中,S4具体又包括如下步骤:
S41、利用模型验证样本和发生概率获取滑坡的启动概率阈值,同时计算特定的启动概率阈值的正确率以获得最优启动概率阈值。
具体到,在本实施例当中,利用模型验证样本数据,基于试错法逐步迭代步骤S33中计算的发生概率以获得滑坡的多个启动概率阈值,如果计算的发生概率大于启动概率阈值,则滑坡必定发生,如果计算的发生概率小于启动概率阈值,则滑坡不会发生。
进一步的,基于模型验证样本和启动概率阈值,统计实际发生滑坡的数量与根据不同的启动概率阈值判断的滑坡数量,并依次计算每个启动概率阈值的准确率以获得最优启动概率阈值,准确率为根据模型验证样本判断的滑坡数量与模型验证样本中实际滑坡数量的比值。
S42、将大于最优启动概率阈值的所有空间位置对应的栅格作为启动滑源区域。
具体的,在本实施例当中,将模型验证样本中发生概率大于最优启动概率阈值的所有空间位置对应的栅格,作为暴雨滑坡链式灾害的启动滑源区域。
S5、根据启动滑源区域确定观测地内滑坡链式灾害的影响区域。
其中,S5具体又包括如下步骤:
S51、获取启动滑源区域的启动滑源区域分布数据和数字高程模型分布数据。
具体的,在本实施例当中,启动滑源区域分布数据即为每个启动滑源区域的地理位置,数字高程模型数据的获取可参考现有技术,在此不做限定。
进一步的,数字高程模型数据中包含了启动滑源区域的海拔、坡度、坡长和坡向等数据,结合启动滑源区域分布数据能够准确的反映启动滑源区域的地形特征,有利于获得准确的滑坡影响区域。
S52、利用启动滑源区域分布数据、数字高程模型分布数据和滑坡演进模型获取滑坡的预测运动路径和预测冲出距离。
具体的,在本实施例当中,将启动滑源区域分布数据和数字高程模型数据共同输入无限边坡稳定性演进模型(infinite slope stability model),利用无限边坡稳定性演进模型模拟出滑源区域在其所处位置和地形特征下,滑坡可能的运动路径和冲出距离,获取滑坡的预测运动路径和预测冲出距离。
S53、使用模型测试样本验证预测运动路径和预测冲出距离,并确定最优运动路径和最优冲出距离,得到影响区域。
具体的,在本实施例当中,通过预测运动路径和预测冲出距离可以判断滑坡灾害在启动之后的预测冲出影响区,将预测冲出影响区与启动滑源区域结合即可初步确定影响区域,将初步确定的影响区域与模型测试样本的滑坡实际范围相互验证,以确定最优的运动路径和最优冲出距离。
进一步的,利用最优运动路径和最优冲出距离即可模拟出最优的滑坡冲出影响区,将最优的滑坡冲出影响区与启动滑源区域结合即可得到影响区域。影响区域是根据滑坡启动区域与滑坡冲去区域相结合获得的滑坡影响范围,具有较高的准确性和可靠性。
S6、根据影响区域和人员通行分布大数据得到滑坡链式灾害的暴露人员数量。
其中,S6具体又包括如下步骤:
S61、将影响区域和人员通行分布大数据进行空间叠加获取伤亡预测区域。
具体的,在本实施例当中,伤亡预测区域为影响区域和人员通行分布大数据中相重叠的区域,伤亡预测区域为多个。
S62、利用伤亡预测区域实时模拟和识别在不同暴雨情景下,伤亡预测区域中的人口分布。
S63、根据人口分布获取滑坡链式灾害的暴露人员数量。
具体的,在本实施例当中,暴露人员数量即为每个伤亡预测区域中的人口分布数量。
S7、设定事件划分阈值,根据事件划分阈值和暴露人员数量评估滑坡链式灾害导致的伤亡人员数量。
其中,S7具体又包括如下步骤:
S71、设定事件划分阈值。
具体的,在本实施例当中,针对某一滑坡链式灾害,即便在已知暴露人员数量的情况下,其是否造成人员伤亡仍然是不确定的,要考虑某一滑坡链式灾害造成人员伤亡的可能性,因此可以设定事件划分阈值对每一次滑坡链式灾害事件进行划分,如果某一滑坡链式灾害导致人员伤亡的概率大于事件划分阈值,则认定该滑坡链式灾害必定导致人员伤亡。
进一步的,事件划分阈值视观测地的人员通行分布情况而定,人员通行分布越多越密集,事件划分阈值越低。
S72、计算滑坡链式灾害导致人员伤亡的伤亡概率,并将伤亡概率大于事件划分阈值的滑坡链式灾害划分为伤亡事件。
具体的,在本实施例当中,伤亡概率满足如下关系:
P=f(xi)×τ
其中,P为伤亡概率,τ为事件划分因子。
进一步的,如果某一滑坡区域在前三次滑坡中造成过人员伤亡,则事件划分因子取1,否则取0。
更进一步的,在其他可选地实施例当中,也可以通过其他方法计算滑坡链式灾害导致人员伤亡的伤亡概率。
S73、利用暴露人员数量和伤亡事件评估伤亡人员数量。
具体的,在本实施例当中,每起伤亡事件对应的暴露人员数量之和即为伤亡人员数量。
需要说明的是,在一些情况下,在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果,在本实施例当中,所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了,方便说明,而非对其限制。
请参见图2,在一个可选地实施例当中,本发明还提供了一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,系统包括数据获取模块A1、数据处理模块A2、数据储存模块A3和数据输出模块A4。
数据获取模块A1用于获取观测地的历史滑坡数据、候选影响因子以及人员通行分布大数据。
数据处理模块A2与数据获取模块A1相连接,数据处理模块A2用于将历史滑坡数据和候选影响因子按7∶2∶1的比例依次划分为模型构建样本、模型验证样本和模型测试样本,然后利用模型构建样本和候选影响因子建立滑坡启动概率模型,并根据滑坡启动概率模型计算观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率,再使用模型验证样本和发生概率确定滑坡链式灾害的启动滑源区域,进而利用启动滑源区域和模型测试样本得到观测地内滑坡链式灾害的影响区域,最后根据影响区域和人员通行分布大数据模拟分析得到由暴雨诱发的滑坡链式灾害造成的人员伤亡数量。
数据储存模块A3与数据处理模块A2相连接,数据储存模块A3用于储存数据处理模块A2中的数据。
数据输出模块A4与数据处理模块A2和数据储存模块A3相连接,数据输出模块A4用于输出数据处理模块A2和数据储存模块A3中的数据。
Claims (10)
1.一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,包括如下步骤:
获取观测地的历史滑坡数据、候选影响因子以及人员通行分布大数据;
将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本;
利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率;
使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域;
根据所述启动滑源区域确定所述观测地内所述滑坡链式灾害的影响区域;
根据所述影响区域和所述人员通行分布大数据得到所述滑坡链式灾害的暴露人员数量;
设定事件划分阈值,根据所述事件划分阈值和所述暴露人员数量评估所述滑坡链式灾害导致的伤亡人员数量。
2.根据权利要求1所述的评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述候选影响因子包括地形坡度、地形起伏度、地形曲率、地形位置、地形湿度指数、暴雨空间分布、岩性类型、土壤类型、植被覆盖、水系密度、道路密度,所述利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率,包括如下步骤:
提取所述模型构建样本中的滑坡区域的滑源区域;
根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型;
根据所述滑坡启动概率模型计算所述发生概率。
3.根据权利要求2所述的评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述提取所述模型构建样本中的滑坡区域的滑源区域包括如下步骤:
确定所述滑坡区域的形状和地形特征;
根据所述滑坡区域的形状和地形特征提取所述滑源区域。
4.根据权利要求2所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型包括如下步骤;
获取目标滑坡样本与所述历史滑坡数据中每个滑坡样本的欧式距离,以获取多个近邻数据,所述欧式距离满足如下关系:
其中,‖x-y‖为所述欧式距离,L为所述模型构建样本中滑坡样本的总数,xi为第i个所述目标滑坡样本,yi为所述模型构建样本中第i个滑坡样本;
计算所述目标滑坡样本与所述近邻数据之间的邻近距离,所述邻近距离满足如下关系:
D=[D1,D2,...,Dn]
其中,D为所述邻近距离;
根据所述邻近距离计算每个所述滑坡样本对所述目标滑坡样本的权重,所述权重满足如下关系:
wi=1-(Di-min(D)),i=1,2,...n
其中,wi为所述权重,Di为第i个所述邻近距离;
利用所述权重创建模糊推理规则;
根据所述模糊推理规则建立所述滑坡启动概率模型,所述滑坡启动概率模型满足如下关系:
其中,f(xi)为第i个所述目标滑坡样本的所述发生概率,mJj为第j个所述候选影响因子在第J条所述模糊推理规则下高斯分布的均值,为第j个所述候选影响因子在第J条所述模糊推理规则下的方差,N为滑坡样本个数,M为模糊推理规则总数,bJjxi表示高斯分布的后键,αJj是高斯型隶属函数中的常数项,xij为第j个所述候选影响因子下的第i个所述目标滑坡样本。
5.根据权利要求1所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域包括如下步骤:
利用所述模型验证样本和所述发生概率获取滑坡的启动概率阈值,同时计算所述启动概率阈值的正确率以获得最优启动概率阈值;
将发生概率大于所述最优启动概率阈值的所有空间位置对应的栅格作为所述启动滑源区域。
6.根据权利要求1所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述根据所述启动滑源区域确定所述观测地内所述滑坡链式灾害的影响区域包括如下步骤:
获取所述启动滑源区域的启动滑源区域分布数据和数字高程模型分布数据;
利用所述启动滑源区域分布数据、所述数字高程模型分布数据和滑坡演进模型获取滑坡的预测运动路径和预测冲出距离;
使用所述模型测试样本验证所述预测运动路径和所述预测冲出距离,并确定最优运动路径和最优冲出距离,得到所述影响区域。
7.根据权利要求1所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述根据所述影响区域和所述人员通行分布大数据得到所述滑坡链式灾害的暴露人员数量,包括如下步骤:
将所述影响区域和所述人员通行分布大数据进行空间叠加获取伤亡预测区域;
利用所述伤亡预测区域实时模拟和识别在不同暴雨情景下,所述伤亡预测区域中的人口分布;
根据所述人口分布获取所述滑坡链式灾害的所述暴露人员数量。
8.根据权利要求1所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述设定事件划分阈值,根据所述事件划分阈值和所述暴露人员数量评估所述滑坡链式灾害导致的伤亡人员数量,包括如下步骤:
设定所述事件划分阈值;
计算所述滑坡链式灾害导致人员伤亡的概率,并将所述伤亡概率大于所述事件划分阈值的所述滑坡链式灾害划分为伤亡事件;
利用所述暴露人员数量和所述伤亡事件评估所述伤亡人员数量。
9.根据权利要求1所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,所述将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本包括如下步骤:
整理所述历史滑坡数据;
将所述历史滑坡数据按7∶2∶1的比例依次划分为所述模型构建样本、所述模型验证样本和所述模型测试样本。
10.一种评估暴雨诱发滑坡链式灾害影响伤亡的系统,所述系统适用于权利要求1-9任意一项所述的一种评估暴雨诱发滑坡链式灾害影响伤亡的方法,其特征在于,包括:
数据获取模块,所述数据获取模块用于获取所述观测地内的所述历史滑坡数据、所述候选影响因子以及所述人员通行分布大数据;
数据处理模块,所述数据处理模块与所述数据获取模块相连接,所述数据处理模块用于使用所述历史滑坡数据、所述候选影响因子以及所述人员通行分布大数据,评估由暴雨诱发所述滑坡链式灾害造成的所述伤亡人员数量;
数据储存模块,所述数据储存模块与所述数据处理模块相连接,所述数据储存模块用于储存所述数据处理模块中的数据;
数据输出模块,所述数据输出模块与所述数据处理模块和所述数据储存模块相连接,所述数据输出模块用于输出所述数据处理模块和所述数据储存模块中的数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549062.7A CN116307270B (zh) | 2023-05-16 | 2023-05-16 | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
US18/486,173 US12050298B1 (en) | 2023-05-16 | 2023-10-13 | Method and system for evaluating casualty caused by landslide chain disaster induced by heavy rain |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549062.7A CN116307270B (zh) | 2023-05-16 | 2023-05-16 | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307270A CN116307270A (zh) | 2023-06-23 |
CN116307270B true CN116307270B (zh) | 2023-08-22 |
Family
ID=86799971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310549062.7A Active CN116307270B (zh) | 2023-05-16 | 2023-05-16 | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US12050298B1 (zh) |
CN (1) | CN116307270B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200126A (zh) * | 2014-09-23 | 2014-12-10 | 北京师范大学 | 一种地震导致滑坡所造成的人员死亡的快速评估方法 |
KR20150128217A (ko) * | 2014-05-09 | 2015-11-18 | 세종대학교산학협력단 | 산사태 취약성 분석 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
CN106408120A (zh) * | 2016-09-13 | 2017-02-15 | 江苏大学 | 一种局部区域滑坡预测装置及方法 |
CN108052761A (zh) * | 2017-12-25 | 2018-05-18 | 贵州东方世纪科技股份有限公司 | 一种滑坡预测方法 |
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
CN113283802A (zh) * | 2021-06-17 | 2021-08-20 | 北京交通大学 | 一种复杂艰险山区滑坡危险性评估方法 |
CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
CN114510851A (zh) * | 2022-04-20 | 2022-05-17 | 南京信息工程大学 | 一种评估气候变化下降水诱发滑坡灾害损失的评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7247027B2 (en) * | 2003-11-07 | 2007-07-24 | Hoster Jr William | Mass casualty, disaster training inflatable manikin |
CA2854132A1 (en) * | 2011-10-31 | 2013-05-10 | Insurance Bureau Of Canada | System and method for predicting and preventing flooding |
US9262124B2 (en) * | 2011-11-21 | 2016-02-16 | International Business Machines Corporation | Natural disaster forecasting |
US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
US20190122150A1 (en) * | 2017-10-24 | 2019-04-25 | Critical Ops, LLC | System and method for consulting to identify vulnerabilities and recommending solutions for same |
WO2019234130A1 (en) * | 2018-06-05 | 2019-12-12 | Swiss Reinsurance Company Ltd. | Event generator for a risk quantifying forecast system using a structured forward-looking simulation technique with global long-tail risk events causing casualty loss accumulation, and method thereof |
-
2023
- 2023-05-16 CN CN202310549062.7A patent/CN116307270B/zh active Active
- 2023-10-13 US US18/486,173 patent/US12050298B1/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150128217A (ko) * | 2014-05-09 | 2015-11-18 | 세종대학교산학협력단 | 산사태 취약성 분석 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
CN104200126A (zh) * | 2014-09-23 | 2014-12-10 | 北京师范大学 | 一种地震导致滑坡所造成的人员死亡的快速评估方法 |
CN106408120A (zh) * | 2016-09-13 | 2017-02-15 | 江苏大学 | 一种局部区域滑坡预测装置及方法 |
CN108052761A (zh) * | 2017-12-25 | 2018-05-18 | 贵州东方世纪科技股份有限公司 | 一种滑坡预测方法 |
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
CN113283802A (zh) * | 2021-06-17 | 2021-08-20 | 北京交通大学 | 一种复杂艰险山区滑坡危险性评估方法 |
CN114510851A (zh) * | 2022-04-20 | 2022-05-17 | 南京信息工程大学 | 一种评估气候变化下降水诱发滑坡灾害损失的评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116307270A (zh) | 2023-06-23 |
US12050298B1 (en) | 2024-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soma et al. | Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia | |
Nsengiyumva et al. | Predicting landslide susceptibility and risks using GIS-based machine learning simulations, case of upper Nyabarongo catchment | |
Shin et al. | Regional drought analysis based on neural networks | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
US20040199410A1 (en) | Method for evaluating flood plain risks | |
Chang et al. | Rainfall-based criteria for assessing slump rate of mountainous highway slopes: A case study of slopes along Highway 18 in Alishan, Taiwan | |
Nguyen et al. | A novel hybrid approach to flood susceptibility assessment based on machine learning and land use change. Case study: a river watershed in Vietnam | |
Chen et al. | The application of remote sensing technology to the interpretation of land use for rainfall-induced landslides based on genetic algorithms and artificial neural networks | |
CN116908942A (zh) | 一种基于降水预报的城市内涝告警装置及方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN116384627A (zh) | 一种基于机器学习的地质灾害评价方法 | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
Palazzolo et al. | Using principal component analysis to incorporate multi-layer soil moisture information in hydrometeorological thresholds for landslide prediction: an investigation based on ERA5-Land reanalysis data | |
CN117808214A (zh) | 水利工程数据分析系统 | |
CN116522790A (zh) | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 | |
Yosri et al. | Deep learning rapid flood risk predictions for climate resilience planning | |
Debouk et al. | Assessing post-fire regeneration in a Mediterranean mixed forest using LiDAR data and artificial neural networks | |
CN116307270B (zh) | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 | |
CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 | |
Wang et al. | Early warning of debris flow using optimized self-organizing feature mapping network | |
Caseri et al. | A space-time geostatistical approach for ensemble rainfall nowcasting | |
CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 | |
Hedger et al. | Mapping natural and artificial migration hindrances for fish using LiDAR remote sensing | |
CN117893382B (zh) | 基于多元特征融合的地质灾害风险评价方法及系统 |
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 |