CN116386300B - 一种基于大数据的边坡灾害监测预警方法和系统 - Google Patents
一种基于大数据的边坡灾害监测预警方法和系统 Download PDFInfo
- Publication number
- CN116386300B CN116386300B CN202211526809.9A CN202211526809A CN116386300B CN 116386300 B CN116386300 B CN 116386300B CN 202211526809 A CN202211526809 A CN 202211526809A CN 116386300 B CN116386300 B CN 116386300B
- Authority
- CN
- China
- Prior art keywords
- slope
- landslide
- early warning
- sequence
- rainfall
- 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 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims description 46
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002459 sustained effect Effects 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
Abstract
本发明公开了一种基于大数据的边坡灾害监测预警方法和系统,属于灾害防控领域,方法包括:以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列;根据边坡特征序列,计算道路沿线各处边坡的滑坡预警值;通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列;根据气象特征序列,计算道路沿线各处边坡的滑坡风险值;在某处的滑坡风险值大于滑坡预警值时,进行初级预警;根据边坡特征、降雨量和风力强度计算滑坡预计发生时间;在滑坡预计发生时间超前于降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
Description
技术领域
本发明属于灾害防控技术领域,具体涉及一种基于大数据的边坡灾害监测预警方法和系统。
背景技术
近年来,随着现代化进程不断发展,道路建设日新月异,山区公路的建设方便了山区人民的生活。但是山区公路往往面临着滑坡、泥石流等地质灾害的威胁,道路安全刻不容缓。
现有技术在面对滑坡预警时,往往需要在边坡上设置力学传感器序列,根据边坡的所展现的力学特性对灾害进行预警。但是,力学传感器的成本较高,并且容易受到雨水腐蚀,导致传感器的检测结果不准确,进而发生错误预警。
发明内容
为了解决上述技术问题,本发明提供一种基于大数据的边坡灾害监测预警方法和系统。
第一方面
本发明提供一种基于大数据的边坡灾害监测预警方法,包括:
S101:以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列,其中,所述边坡特征包括高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率;
S102:根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值;
S103:通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列,所述气象大数据包括降雨量、风力强度、降雨已持续时间和降雨预计持续时间;
S104:根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值;
S105:在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警;
S106:根据所述边坡特征、所述降雨量和所述风力强度计算滑坡预计发生时间;
S107:在所述滑坡预计发生时间超前于所述降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
第二方面
本发明提供一种基于大数据的边坡灾害监测预警系统,包括:
采样模块,用于以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列,其中,所述边坡特征包括高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率;
第一计算模块,用于根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值;
获取模块,用于通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列,所述气象大数据包括降雨量、风力强度、降雨已持续时间和降雨预计持续时间;
第二计算模块,用于根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值;
第一预警模块,用于在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警;
第三计算模块,用于根据所述边坡特征、所述降雨量和所述风力强度计算滑坡预计发生时间;
第二预警模块,用于在所述滑坡预计发生时间超前于所述降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过边坡特征计算滑坡预警值,用于表征边坡的抗滑性,通过气象特征计算当前天气条件下的滑坡风险值,用于表征当前天气条件下发生滑坡的风险性,之后根据滑坡预警值与滑坡风险值的相对大小对滑坡进行预测,在某处的所述滑坡风险值大于所述滑坡预警值时,进行预警。本发明提供的边坡灾害预警方法成本低,避免了力学传感器受到雨水腐蚀,进而提高了滑坡预警的准确性。
2、在本发明中,根据不同的情形进行分级预警,在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警,并进一步推测计算当前天气条件下滑坡预计发生时间,与降雨预计持续时间进行比较,在滑坡预计发生时间超前于降雨预计持续时间时,并预警进行升级处理,提升了相关部门面对滑坡预警时的处理效率。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于大数据的边坡灾害监测预警方法的流程示意图;
图2是本发明提供的另一种基于大数据的边坡灾害监测预警方法的流程示意图;
图3是本发明提供的一种基于大数据的边坡灾害监测预警系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在一个实施例中,参考说明书附图1,本发明提供的一种基于大数据的边坡灾害监测预警方法的流程示意图。参考说明书附图2,本发明提供的另一种基于大数据的边坡灾害监测预警方法的流程示意图。
本发明提供的一种基于大数据的边坡灾害监测预警方法,包括:
S101:以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列。
其中,所述边坡特征包括高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率。
需要说明的是,高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率对于边坡是否容易发生滑坡均起到决定性因素。
可选地,预设距离为1km,也就是说,每个1km采集一次相应位置的边坡特征。本领域技术人员可以根据实际情况选择合适的预设距离进行间隔采样,本发明对于预设距离的具体数值不作限定。
S102:根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值。
其中,滑坡预警值用于表征边坡的抗滑性。滑坡预警值可以由对滑坡高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率进行融合得出。
需要说明的是,滑坡预警值越高,意味着边坡抗滑性越强,抵御滑坡的能力越强。反之,滑坡预警值越低,意味着边坡抗滑性越低,抵御滑坡的能力越差。
在一种可能的实施方式中,所述S102,具体包括:
S1021:对所述边坡特征序列进行规格化处理为百分制:
其中,xi表示原始边坡特征序列,x可为高度序列、坡度序列、土质序列、土壤密度序列、土壤湿度序列和植被覆盖率序列,x’i表示规格化后的边坡特征序列,mi n{xi}表示所述边坡特征序列中的最小值,max{xi}表示所述边坡特征序列中的最大值,i表示采样点序号。
需要说明的是,规格化处理可以使得不同特征的数值均转化为百分制数值,即转化为0至100,以便于后续的处理。
S1022:赋予各个所述边坡特征不同的权重,所述高度h的权重为α,所述坡度p的权重为β、所述土质z的权重为γ、所述土壤密度ρ的权重为δ、所述土壤湿度s的权重为ε、所述植被覆盖率q的权重为ζ。
需要说明的是,尽管高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率对于边坡是否容易发生滑坡均起到决定性因素,但是各个因素之间对于边坡抗滑性的贡献率是不同的。例如,土壤密度相较于植被覆盖率而言,更能决定边坡是否容易发生滑坡。
S1023:根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值Si:
Si=α·hi﹢β·pi﹢γ·zi﹢δ·ρi﹢ε·si﹢ζ·qi。
其中,通过加权求和的方式获得的滑坡预警值,更能直接、准确的反映出边坡的抗滑性。i表示采样点序号,也就是说Si表示第i个采样点处的滑坡预警值。
S103:通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列。
其中,所述气象大数据包括降雨量、风力强度、降雨已持续时间和降雨预计持续时间。
需要说明的是,降雨量、风力强度、降雨已持续时间对于是否会引起边坡的滑坡起到了关键性作用,而降雨预计持续时间则可用于预警。
可选地,从国家气象局获取得数据同样也按照预设距离间隔进行采样统计,使得气象特征序列与边坡特征序列关联在一起。此时,可以得到第一个采样点对应的边坡特征和气象特征,第二个采样点对应的边坡特征和气象特征,……,第i个采样点对应的边坡特征和气象特征。
S104:根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值。
其中,滑坡风险值用于表征当前天气条件下发生滑坡的风险性。滑坡风险值可以由对降雨量、风力强度、降雨已持续时间进行融合得出。
需要说明的是,滑坡风险值越高,意味着前天气条件下发生滑坡的风险越高。反之,滑坡风险值越低,意味着前天气条件下发生滑坡的风险越低。
在一种可能的实施方式中,所述S104,具体包括:
S1041:对所述天气特征序列进行规格化处理为百分制:
其中,yi表示原始天气特征序列,y可为降雨量序列、风力强度序列、降雨已持续时间序列,y’i表示规格化后的边坡特征序列,mi n{yi}表示所述天气特征序列中的最小值,max{yi}表示所述天气特征序列中的最大值,i表示采样点序号。
需要说明的是,规格化处理可以使得不同特征的数值均转化为百分制数值,即转化为0至100,以便于后续的处理。
S1042:赋予各个天气特征不同的权重,所述降雨量Q的权重为λ,所述风力W的权重为μ,所述降雨已持续时间T的权重为ψ。
湿度s的权重为ε、所述植被覆盖率q的权重为ζ。
需要说明的是,尽管降雨量、风力强度、降雨已持续时间对于是否会引起边坡的滑坡起到了关键性作用,但是各个因素之间对于当前天气是否容易引起滑坡的贡献率是不同的。例如,降雨量相较于风力强度,降雨量的大小更能决定是否会引发滑坡。
S1043:根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值F:
Fi=λ·Qi﹢μ·Wi﹢ψ·Ti。
其中,通过加权求和的方式获得的滑坡风险值,更能直接、准确的反映出当前天气条件下发生滑坡的风险性。i表示采样点序号,也就是说Fi表示第i个采样点处的滑坡风险值。
S105:在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警。
其中,当某处的所述滑坡风险值大于所述滑坡预警值时,此时意味着在接下来的某段时间,边坡容易发生滑坡。
其中,所述初级预警包括广播通报。可以及时地通过广播通报及时告知在道路上的人员存在滑坡风险,要求尽快撤离相关区域,保证人员安全。
S106:根据所述边坡特征、所述降雨量和所述风力强度计算滑坡预计发生时间。
进一步,推算出滑坡预计发生时间,有助于进行精准防护,避免本身无危险却要求撤离,导致影响人们的出行。同时,也有助于相关部门及时采取行动。
在一种可能的实施方式中,所述S106具体包括:
S1061:根据所述边坡特征获取坡体抗滑程度σ和坡体加速度极限值a。
其中,坡体抗滑程度和坡体加速度极限值属于经验值,可以根据之前相应地点的历史数据进行估算而得出。
S1062:根据滑坡边界条件计算所述滑坡预计发生时间t:。
其中,m表示边坡质量,g表示重力加速度,t表示时间,W表示风力,Q表示降雨量,S表示降雨对边坡作用的水平面面积。
通过以上公式可以计算出滑坡预计发生时间,可以看出,滑坡预计发生时间是根据当前的降雨量、当前风力、当前降雨已持续时间进行的一种估算。
在一种可能的实施方式中,所述S106中,所述S061之前还包括:
S1063:根据历史数据,建立边坡特征与坡体易滑程度、坡体加速度极限值之间的映射关系。
需要说明的是,在边坡特征与坡体易滑程度、坡体加速度极限值之间的映射关系,有助于根据边坡特征直接根据映射关系获取相应的坡体易滑程度和坡体加速度极限值。
S107:在所述滑坡预计发生时间超前于所述降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
其中,所述高度危险预警包括封路。
需要说明的是,滑坡预计发生时间主要是根据当前降雨量进行估算的,如果后续的降雨量发生了显著的降低,例如,停雨,此时滑坡预计发生时间滞后于所述降雨预计持续时间,可以认为发生滑坡的风险性也将相应的降低。当然,如果所述滑坡预计发生时间超前于所述降雨预计持续时间,此时应当认为其发生滑坡的风险性持续升高,相应的预警等级也应提高。
在一种可能的实施方式中,在S104之后,还包括:
S108:根据历史数据,修正各所述边坡特征和各所述天气特征的权重。
需要说明的是,修正各所述边坡特征和各所述天气特征的权重可以提高滑坡预测的准确性。
在一种可能的实施方式中,所述S108具体包括:
S1081:根据历史数据,所述历史数据包括未发生滑坡的正向样本和发生滑坡的负向样本,计算所述历史数据对应的所述滑坡风险值和所述滑坡预警值,比对预警结果与实际结果。
S1082:平衡将正常预测为危险付出的代价和将危险预测为正常付出的代价,修正各所述边坡特征和各所述天气特征的权重。
需要说明的是,将危险预测为正常,也就是说最终将发生滑坡预测为了未发生滑坡,此时可能会造成人身和财产损失。将正常预测为危险,也就是说最终将未发生滑坡预测为了会发生滑坡,此时可能是影响人们的出行效率,导致一些在途货物等等无法按时送达,也会造成一些财产损失。尽管将危险预测为正常的损失相较于将正常预测为危险的损失大的多,但是也不能经常性的将正常预测为危险,其带来的损失同样也应当被考虑。
在一种可能的实施方式中,令将正常预测为正常的次数为TX,将正常预测为危险的次数为FY,将危险预测为危险的次数为TY,将危险预测为正常的次数为FX,则在所述正向样本中将正常预测为危险的比例FYrate和在所述负向样本中将危险被预测为正常的比例FXrate为:
令将正常预测为危险付出的代价为p1,将危险预测为正常结果付出的代价为p2;
所述S1082具体为:对各所述边坡特征和各所述天气特征的权重进行修正,以使:
对各所述边坡特征和各所述天气特征的权重进行修正可以平衡将正常预测为危险付出的代价和将危险预测为正常付出的损失,进而使得灾害预警兼顾准确性和人性化,更加有利于推广实施。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过边坡特征计算滑坡预警值,用于表征边坡的抗滑性,通过气象特征计算当前天气条件下的滑坡风险值,用于表征当前天气条件下发生滑坡的风险性,之后根据滑坡预警值与滑坡风险值的相对大小对滑坡进行预测,在某处的所述滑坡风险值大于所述滑坡预警值时,进行预警。本发明提供的边坡灾害预警方法成本低,避免了力学传感器受到雨水腐蚀,进而提高了滑坡预警的准确性。
2、在本发明中,根据不同的情形进行分级预警,在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警,并进一步推测计算当前天气条件下滑坡预计发生时间,与降雨预计持续时间进行比较,在滑坡预计发生时间超前于降雨预计持续时间时,并预警进行升级处理,提升了相关部门面对滑坡预警时的处理效率。
实施例2
在一个实施例中,参考说明书附图3,本发明提供的一种基于大数据的边坡灾害监测预警系统的结构示意图。
本发明提供的一种基于大数据的边坡灾害监测预警系统30,包括:
采样模块301,用于以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列,其中,所述边坡特征包括高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率;
第一计算模块302,用于根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值;
获取模块303,用于通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列,所述气象大数据包括降雨量、风力强度、降雨已持续时间和降雨预计持续时间;
第二计算模块304,用于根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值;
第一预警模块305,用于在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警;
第三计算模块306,用于根据所述边坡特征、所述降雨量和所述风力强度计算滑坡预计发生时间;
第二预警模块307,用于在所述滑坡预计发生时间超前于所述降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
在一种可能的实施方式中,所述第一计算模块302具体包括:
第一处理子模块,用于对所述边坡特征序列进行规格化处理为百分制:
其中,xi表示原始边坡特征序列,x可为高度序列、坡度序列、土质序列、土壤密度序列、土壤湿度序列和植被覆盖率序列,x’i表示规格化后的边坡特征序列,mi n{xi}表示所述边坡特征序列中的最小值,max{xi}表示所述边坡特征序列中的最大值,i表示采样点序号;
第一权重子模块,用于赋予各个所述边坡特征不同的权重,所述高度h的权重为α,所述坡度p的权重为β、所述土质z的权重为γ、所述土壤密度ρ的权重为δ、所述土壤湿度s的权重为ε、所述植被覆盖率q的权重为ζ;
第一计算子模块,用于根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值Si:
Si=α·hi﹢β·pi﹢γ·zi﹢δ·ρi﹢ε·si﹢
ζ·qi。
在一种可能的实施方式中,所述第二计算模块304,具体包括:
第二处理子模块,用于对所述天气特征序列进行规格化处理为百分制:
其中,yi表示原始天气特征序列,y可为降雨量序列、风力强度序列、降雨已持续时间序列,y’i表示规格化后的边坡特征序列,mi n{yi}表示所述天气特征序列中的最小值,max{yi}表示所述天气特征序列中的最大值;
第二权重子模块,用于赋予各个天气特征不同的权重,所述降雨量Q的权重为λ,所述风力W的权重为μ,所述降雨已持续时间T的权重为ψ;
第二计算子模块,用于根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风F险值:
Fi=λ·Qi﹢μ·Wi﹢ψ·Ti。
在一种可能的实施方式中,边坡灾害监测预警系统30还包括:
修正模块308,用于根据历史数据,修正各所述边坡特征和各所述天气特征的权重。
在一种可能的实施方式中,所述修正模块308具体包括:
第三计算子模块,用于根据历史数据,所述历史数据包括未发生滑坡的正向样本和发生滑坡的负向样本,计算所述历史数据对应的所述滑坡风险值和所述滑坡预警值,比对预警结果与实际结果;
平衡子模块,用于平衡将正常预测为危险付出的代价和将危险预测为正常付出的代价,修正各所述边坡特征和各所述天气特征的权重。
在一种可能的实施方式中,令将正常预测为正常的次数为TX,将正常预测为危险的次数为FY,将危险预测为危险的次数为TY,将危险预测为正常的次数为FX,则在所述正向样本中将正常预测为危险的比例FYrate和在所述负向样本中将危险被预测为正常的比例FXrate为:
令将正常预测为危险付出的代价为p1,将危险预测为正常结果付出的代价为p2;
所述平衡子模块具体用于对各所述边坡特征和各所述天气特征的权重进行修正,以使:
在一种可能的实施方式中,所述第三计算模块306具体包括:
获取子模块,用于根据所述边坡特征获取坡体抗滑程度σ和坡体加速度极限值a;
第四计算子模块,用于根据滑坡边界条件计算所述滑坡预计发生时间t:。
其中,m表示边坡质量,g表示重力加速度,t表示时间,W表示风力,Q表示降雨量,S表示降雨对边坡作用的水平面面积。
在一种可能的实施方式中,所述第三计算模块306还包括:
映射建立子模块,用于根据历史数据,建立边坡特征与坡体易滑程度、坡体加速度极限值之间的映射关系。
在一种可能的实施方式中,所述初级预警包括广播通报,所述高度危险预警包括封路。
本发明提供的基于大数据的边坡灾害监测预警系统30能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
本发明提供的虚拟系统可以是系统,也可以是终端中的部件、集成电路、或芯片。
与现有技术相比,本发明至少具有以下有益效果:
1、在本发明中,通过边坡特征计算滑坡预警值,用于表征边坡的抗滑性,通过气象特征计算当前天气条件下的滑坡风险值,用于表征当前天气条件下发生滑坡的风险性,之后根据滑坡预警值与滑坡风险值的相对大小对滑坡进行预测,在某处的所述滑坡风险值大于所述滑坡预警值时,进行预警。本发明提供的边坡灾害预警方法成本低,避免了力学传感器受到雨水腐蚀,进而提高了滑坡预警的准确性。
2、在本发明中,根据不同的情形进行分级预警,在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警,并进一步推测计算当前天气条件下滑坡预计发生时间,与降雨预计持续时间进行比较,在滑坡预计发生时间超前于降雨预计持续时间时,并预警进行升级处理,提升了相关部门面对滑坡预警时的处理效率。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于大数据的边坡灾害监测预警方法,其特征在于,包括:
S101:以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列,其中,所述边坡特征包括高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率;
S102:根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值;
S103:通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列,所述气象大数据包括降雨量、风力强度、降雨已持续时间和降雨预计持续时间;
S104:根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值;
S105:在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警;
S106:根据所述边坡特征、所述降雨量和所述风力强度计算滑坡预计发生时间;
S107:在所述滑坡预计发生时间超前于所述降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
2.根据权利要求1所述的边坡灾害监测预警方法,其特征在于,所述S102,具体包括:
S1021:对所述边坡特征序列进行规格化处理为百分制:
其中,xi表示原始边坡特征序列,x可为高度序列、坡度序列、土质序列、土壤密度序列、土壤湿度序列和植被覆盖率序列,x’i表示规格化后的边坡特征序列,min{xi}表示所述边坡特征序列中的最小值,max{xi}表示所述边坡特征序列中的最大值,i表示采样点序号;
S1022:赋予各个所述边坡特征不同的权重,所述高度h的权重为α,所述坡度p的权重为β、所述土质z的权重为γ、所述土壤密度ρ的权重为δ、所述土壤湿度s的权重为ε、所述植被覆盖率q的权重为ζ;
S1023:根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值Si:
Si=α·hi﹢β·pi﹢γ·zi﹢δ·ρi﹢ε·si﹢
ζ·qi。
3.根据权利要求2所述的边坡灾害监测预警方法,其特征在于,所述S104,具体包括:
S1041:对所述天气特征序列进行规格化处理为百分制:
其中,yi表示原始天气特征序列,y可为降雨量序列、风力强度序列、降雨已持续时间序列,y’i表示规格化后的边坡特征序列,min{yi}表示所述天气特征序列中的最小值,max{yi}表示所述天气特征序列中的最大值;
S1042:赋予各个天气特征不同的权重,所述降雨量Q的权重为λ,所述风力W的权重为μ,所述降雨已持续时间T的权重为ψ;
S1043:根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风F险值:
Fi=λ·Qi﹢μ·Wi﹢ψ·Ti。
4.根据权利要求3所述的边坡灾害监测预警方法,其特征在于,在S104之后,还包括:
S108:根据历史数据,修正各所述边坡特征和各所述天气特征的权重。
5.根据权利要求4所述的边坡灾害监测预警方法,其特征在于,所述S108具体包括:
S1081:根据历史数据,所述历史数据包括未发生滑坡的正向样本和发生滑坡的负向样本,计算所述历史数据对应的所述滑坡风险值和所述滑坡预警值,比对预警结果与实际结果;
S1082:平衡将正常预测为危险付出的代价和将危险预测为正常付出的代价,修正各所述边坡特征和各所述天气特征的权重。
6.根据权利要求5所述的边坡灾害监测预警方法,其特征在于,令将正常预测为正常的次数为TX,将正常预测为危险的次数为FY,将危险预测为危险的次数为TY,将危险预测为正常的次数为FX,则在所述正向样本中将正常预测为危险的比例FYrate和在所述负向样本中将危险被预测为正常的比例FXrate为:
令将正常预测为危险付出的代价为p1,将危险预测为正常结果付出的代价为p2;
所述S1082具体为:对各所述边坡特征和各所述天气特征的权重进行修正,以使:
7.根据权利要求1所述的边坡灾害监测预警方法,其特征在于,所述S106具体包括:
S1061:根据所述边坡特征获取坡体抗滑程度σ和坡体加速度极限值a;
S1062:根据滑坡边界条件计算所述滑坡预计发生时间t:
其中,m表示边坡质量,g表示重力加速度,t表示时间,W表示风力,Q表示降雨量,S表示降雨对边坡作用的水平面面积。
8.根据权利要求7所述的边坡灾害监测预警方法,其特征在于,所述S106中,所述S1061之前还包括:
S1063:根据历史数据,建立边坡特征与坡体易滑程度、坡体加速度极限值之间的映射关系。
9.根据权利要求1所述的边坡灾害监测预警方法,其特征在于,所述初级预警包括广播通报,所述高度危险预警包括封路。
10.一种基于大数据的边坡灾害监测预警系统,其特征在于,包括:
采样模块,用于以预设距离间隔作为一个采样点,获取道路沿线各处边坡的边坡特征,组成边坡特征序列,其中,所述边坡特征包括高度、坡度、土质、土壤密度、土壤湿度和植被覆盖率;
第一计算模块,用于根据所述边坡特征序列,计算道路沿线各处所述边坡的滑坡预警值;
获取模块,用于通过国家气象局获取道路沿线各处的气象大数据,组成气象特征序列,所述气象大数据包括降雨量、风力强度、降雨已持续时间和降雨预计持续时间;
第二计算模块,用于根据所述气象特征序列,计算道路沿线各处所述边坡的滑坡风险值;
第一预警模块,用于在某处的所述滑坡风险值大于所述滑坡预警值时,进行初级预警;
第三计算模块,用于根据所述边坡特征、所述降雨量和所述风力强度计算滑坡预计发生时间;
第二预警模块,用于在所述滑坡预计发生时间超前于所述降雨预计持续时间的情况下,升级预警等级,进行高度危险预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211526809.9A CN116386300B (zh) | 2022-11-29 | 2022-11-29 | 一种基于大数据的边坡灾害监测预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211526809.9A CN116386300B (zh) | 2022-11-29 | 2022-11-29 | 一种基于大数据的边坡灾害监测预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116386300A CN116386300A (zh) | 2023-07-04 |
CN116386300B true CN116386300B (zh) | 2023-09-22 |
Family
ID=86975546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211526809.9A Active CN116386300B (zh) | 2022-11-29 | 2022-11-29 | 一种基于大数据的边坡灾害监测预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386300B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247238A (ja) * | 2001-12-13 | 2003-09-05 | Asia Air Survey Co Ltd | 土砂災害危機管理システム |
CN102930348A (zh) * | 2012-10-19 | 2013-02-13 | 广东电网公司电力科学研究院 | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 |
CN103714661A (zh) * | 2013-11-14 | 2014-04-09 | 浙江省国土资源厅信息中心 | 降雨阈值自适应的滑坡实时预警方法 |
CN103927439A (zh) * | 2014-04-13 | 2014-07-16 | 北京工业大学 | 一种可移动实时在线降雨数据采集系统与实施方法 |
CN104299367A (zh) * | 2014-10-23 | 2015-01-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害多级综合监测预警方法 |
CN104318103A (zh) * | 2014-10-23 | 2015-01-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害监测预警降雨阈值判定方法 |
CN104899437A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 强降雨型滑坡灾害预警方法 |
CN105260625A (zh) * | 2015-11-19 | 2016-01-20 | 阿坝师范学院 | 一种滑坡地质灾害预警推送方法 |
KR101788104B1 (ko) * | 2016-06-03 | 2017-11-15 | 한국과학기술원 | 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법 |
CN110489860A (zh) * | 2019-08-16 | 2019-11-22 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
CN112967475A (zh) * | 2021-01-29 | 2021-06-15 | 深圳市安泰数据监测科技有限公司 | 一种智能化区域性滑坡监测管理方法及装置 |
CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115359629A (zh) * | 2022-08-22 | 2022-11-18 | 重庆地质矿产研究院 | 一种基于序贯评估法的区域滑坡灾害预警方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515970A (zh) * | 2017-08-09 | 2017-12-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡段电网杆塔危险性三维多点位多指标的预警方法 |
US20220327447A1 (en) * | 2021-03-30 | 2022-10-13 | Climate Check, Inc. | Climate-based risk rating |
-
2022
- 2022-11-29 CN CN202211526809.9A patent/CN116386300B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247238A (ja) * | 2001-12-13 | 2003-09-05 | Asia Air Survey Co Ltd | 土砂災害危機管理システム |
CN102930348A (zh) * | 2012-10-19 | 2013-02-13 | 广东电网公司电力科学研究院 | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 |
CN103714661A (zh) * | 2013-11-14 | 2014-04-09 | 浙江省国土资源厅信息中心 | 降雨阈值自适应的滑坡实时预警方法 |
CN103927439A (zh) * | 2014-04-13 | 2014-07-16 | 北京工业大学 | 一种可移动实时在线降雨数据采集系统与实施方法 |
CN104299367A (zh) * | 2014-10-23 | 2015-01-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害多级综合监测预警方法 |
CN104318103A (zh) * | 2014-10-23 | 2015-01-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害监测预警降雨阈值判定方法 |
CN104899437A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 强降雨型滑坡灾害预警方法 |
CN105260625A (zh) * | 2015-11-19 | 2016-01-20 | 阿坝师范学院 | 一种滑坡地质灾害预警推送方法 |
KR101788104B1 (ko) * | 2016-06-03 | 2017-11-15 | 한국과학기술원 | 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법 |
CN110489860A (zh) * | 2019-08-16 | 2019-11-22 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
CN112967475A (zh) * | 2021-01-29 | 2021-06-15 | 深圳市安泰数据监测科技有限公司 | 一种智能化区域性滑坡监测管理方法及装置 |
CN115359629A (zh) * | 2022-08-22 | 2022-11-18 | 重庆地质矿产研究院 | 一种基于序贯评估法的区域滑坡灾害预警方法 |
CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
基于SBAS-InSAR技术的舟曲县潜在滑坡灾害早期识别及降水相关性分析;徐源懋;工程科学与技术;1-15 * |
边坡稳定性维护与地质状况探讨;李建青;中国水运;第11卷(第6期);188-189 * |
Also Published As
Publication number | Publication date |
---|---|
CN116386300A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10761076B2 (en) | Determination risk of natural disaster based on moisture content information | |
Cihlar | Identification of contaminated pixels in AVHRR composite images for studies of land biosphere | |
Verworn et al. | Spatial interpolation of hourly rainfall–effect of additional information, variogram inference and storm properties | |
CN109409713B (zh) | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 | |
Rodríguez-Guzmán et al. | Using MODIS 250 m imagery to estimate total suspended sediment in a tropical open bay | |
EP3951439B1 (en) | Advection fog forecasting system and forecasting method | |
Kirstetter et al. | Identification of vertical profiles of reflectivity for correction of volumetric radar data using rainfall classification | |
KR101423278B1 (ko) | 로컬 게이지 보정을 이용한 강수량 산출 시스템 및 그 방법 | |
CN116386300B (zh) | 一种基于大数据的边坡灾害监测预警方法和系统 | |
KR101161781B1 (ko) | 위성영상을 이용한 호우의 정량적 산출 시스템 및 방법 | |
Brémaud et al. | Forecasting heavy rainfall from rain cell motion using radar data | |
Stenz et al. | Improving satellite quantitative precipitation estimation using GOES-retrieved cloud optical depth | |
CN110244387B (zh) | 一种基于大气可降水量预测降雨天气的方法、装置、设备以及存储介质 | |
Martinaitis et al. | The historic rainfalls of Hurricanes Harvey and Florence: A perspective from the Multi-Radar Multi-Sensor system | |
CN105891078A (zh) | 基于风廓线雷达的沙尘暴沙尘质量浓度定量反演估算方法 | |
Rossi et al. | Real-time hazard approximation of long-lasting convective storms using emergency data | |
Ha et al. | Integrating satellite imagery and geostatistics of point samples for monitoring spatio-temporal changes of total suspended solids in bay waters: application to Tien Yen Bay (Northern Vietnam) | |
Mahlstein et al. | Developing an automated medium-range flood awareness system for Switzerland based on probabilistic forecasts of integrated water vapor fluxes | |
Similä et al. | Modeled sea ice thickness enhanced by remote sensing data | |
Scott et al. | A preliminary evaluation of the impact of assimilating AVHRR data on sea ice concentration analyses | |
CN114355411A (zh) | 一种基于北斗或gps载噪比观测值的洪水探测方法 | |
CN112698354A (zh) | 一种大气气溶胶与云的识别方法和系统 | |
Storvold et al. | Using ENVISAT ASAR wideswath data to retrieve snow covered area in mountainous regions | |
Kolekar et al. | Satellite based Drought Assessment Over Latur, India Using Soil Moisture Derived From SMOS | |
Shi et al. | Sea ice thickness retrieval with MODIS thermal infrared data over the Liaodong Bay during winter 2012–2013 |
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 |