CN116416762B - 基于人工智能的泥石流预警方法及系统 - Google Patents
基于人工智能的泥石流预警方法及系统 Download PDFInfo
- Publication number
- CN116416762B CN116416762B CN202310682608.6A CN202310682608A CN116416762B CN 116416762 B CN116416762 B CN 116416762B CN 202310682608 A CN202310682608 A CN 202310682608A CN 116416762 B CN116416762 B CN 116416762B
- Authority
- CN
- China
- Prior art keywords
- target
- debris flow
- item
- occurrence probability
- knowledge
- 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 81
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 239000011435 rock Substances 0.000 title claims description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 134
- 239000013598 vector Substances 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000010354 integration Effects 0.000 claims description 95
- 230000002411 adverse Effects 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 239000000463 material Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的基于人工智能的泥石流预警方法及系统，基于实景三维内的实时地貌数据，抽取事项描述知识向量所对应的目标描述变量，使得抽取得到的目标描述变量能够保留实时地貌数据，使得抽取到的目标泥石流发生可能性数据能够在目标事项描述知识对应的降雨描述数据集中，较为精确地表示目标沟谷监测事项在目标事项描述知识下的事项描述知识向量；在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理，可以提高预警处理的精确性和可靠性。本发明实施例可以抽取能够较为精确地表示连续描述知识的泥石流发生可能性数据，从而可以提升泥石流发生可能性数据精确性和可靠性，从而提高预警的精确度。
Description
技术领域
本申请涉及泥石流预警处理技术领域，具体而言，涉及基于人工智能的泥石流预警方法及系统。
背景技术
泥石流是由于降水（暴雨、冰川、积雪融化水）在沟谷或山坡上产生的一种挟带大量泥沙、石块和巨砾等固体物质的特殊洪流。其汇水、汇沙过程十分复杂，是各种自然和（或）人为因素综合作用的产物。泥石流灾害是指对人民生命财产造成损失或构成危害的灾害性泥石流；泥石流如不造成损失或不构成危害，则只是一种自然地质作用和现象。泥石流暴发突然，历时短暂，来势凶猛，具有强大的破坏力。典型的泥石流流域，从上游到下游一般可分为三个区，即泥石流的形成区、流通区和堆积区。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
本申请将人工智能技术与泥石流预警技术相结合，这样能够在泥石流发生之前进行预警，从而保障居民的生命财产安全。但是，导致泥石流发生的因素很多，在预警时，预警的准确性不高，从而难以确保泥石流发生的可能性，现目前，亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题，本申请提供了基于人工智能的泥石流预警方法及系统。
第一方面，提供一种基于人工智能的泥石流预警方法，所述方法包括：获得目标气象环境下的目标沟谷监测事项在目标事项描述知识下的事项描述知识向量，所述目标事项描述知识为连续描述知识；获得所述目标事项描述知识在所述目标气象环境下的状态描述数据；所述状态描述数据用于表示所述目标事项描述知识所在的实景三维内的实时地貌数据；结合所述状态描述数据，将所述目标事项描述知识下的事项描述知识向量从所述实景三维投影至降雨描述数据集，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；其中，所述目标事项描述知识所在的实景三维内的实时地貌数据是指：所述目标事项描述知识所在的实景三维是沟谷虚拟表示空间，所述目标事项描述知识在沟谷虚拟表示空间中随机矢量；所述目标泥石流发生可能性数据用于在所述目标事项描述知识对应的所述降雨描述数据集中，表示所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量；在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理。
在一种独立实施的实施例中，所述状态描述数据包括风险等级AI划分线程；所述结合所述状态描述数据，将所述目标事项描述知识下的事项描述知识向量从所述实景三维投影至所述降雨描述数据集，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据，包括：获得所述目标事项描述知识下的事项描述知识向量，在所述风险等级AI划分线程中对应的风险等级矢量；在所述实景三维中，将所述风险等级矢量确定为目标风险变量，对所述风险等级AI划分线程的预期进行处理；对所述风险等级AI划分线程的预期的处理结果进行函数运算，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据。
在一种独立实施的实施例中，所述实景三维中的函数运算，被采用所述风险等级AI划分线程对应的泥石流风险可能性分布区间中的广义线性运算进行整合；所述整合的过程包括：获得所述泥石流风险可能性分布区间中的X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据，X为大于0的整数；依据所述风险等级矢量，计算所述X+1个整合节点中各个整合节点对应的重要性指标；依据所述X+1个整合节点中各个整合节点的重要性指标，对所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据进行融合处理，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据。
在一种独立实施的实施例中，所述依据所述风险等级矢量，计算所述X+1个整合节点中各个整合节点对应的重要性指标，包括：获得用于进行所述广义线性运算的指标评估线程；针对所述X+1个整合节点中的目标整合节点，依据所述风险等级矢量，计算所述目标整合节点在所述指标评估线程下对应的指标评估结果；依据所述目标整合节点在所述指标评估线程下对应的指标评估结果，与所述X+1个整合节点中的各个整合节点在所述指标评估线程下对应的指标评估结果总和之间的比较结果，确定所述目标整合节点对应的重要性指标。
在一种独立实施的实施例中，所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据是配置得到的；所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据的配置过程，包括：获得所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量；依据所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，整合显著范例事项在所述目标事项描述知识下的范例描述知识向量所对应的第一范例泥石流发生可能性数据；以及，依据所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，整合所述显著范例事项的潜在范例事项在所述目标事项描述知识下的范例描述知识向量所对应的第二范例泥石流发生可能性数据；依据所述第一范例泥石流发生可能性数据和所述第二范例泥石流发生可能性数据，优化所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，以得到所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据。
在一种独立实施的实施例中，所述依据所述第一范例泥石流发生可能性数据和所述第二范例泥石流发生可能性数据，优化所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，以得到所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据，包括：依据所述第一范例泥石流发生可能性数据和所述第二范例泥石流发生可能性数据，回归解析所述显著范例事项与所述潜在范例事项之间的关联情况；依据所述显著范例事项与所述潜在范例事项之间回归解析的关联情况，与所述显著范例事项与所述潜在范例事项之间实时的关联情况之间的区别，优化所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，以得到所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据。
在一种独立实施的实施例中，所述方法还包括：获得所述目标沟谷监测事项在参考事项描述知识下的事项描述知识向量；所述参考事项描述知识为边缘描述知识；抽取所述目标沟谷监测事项在所述参考事项描述知识下的事项描述知识向量所对应的参考泥石流发生可能性数据；所述在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理，包括：在所述目标气象环境下，依据所述目标泥石流发生可能性数据和所述参考泥石流发生可能性数据，对所述目标沟谷监测事项进行预警处理。
在一种独立实施的实施例中，所述目标气象环境包括第一目标气象环境，所述目标沟谷监测事项是所述第一目标气象环境下的显著第一事项；所述在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理，包括：确定所述目标沟谷监测事项在所述第一目标气象环境下的潜在不利事项，并获得所述潜在不利事项在所述目标事项描述知识下的事项描述知识向量所对应的潜在泥石流发生可能性数据；依据所述目标泥石流发生可能性数据和所述潜在泥石流发生可能性数据，对所述目标沟谷监测事项与所述潜在不利事项之间的关联情况进行解析，确定所述目标沟谷监测事项对所述潜在不利事项进行处理且所述潜在不利事项发生的可能性；若所述目标沟谷监测事项对所述潜在不利事项进行处理且所述潜在不利事项发生的可能性符合预警要求，则将所述潜在不利事项确定为所述目标沟谷监测事项需要预警的事项。
在一种独立实施的实施例中，所述目标气象环境包括第一目标气象环境，所述目标沟谷监测事项是所述第一目标气象环境下的潜在第一事项；所述在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理，包括：依据所述目标泥石流发生可能性数据，对所述目标沟谷监测事项进行解析，得到所述目标沟谷监测事项的泥石流发生可能性；依据所述目标沟谷监测事项的泥石流发生可能性，对所述目标沟谷监测事项进行处理。
第二方面，提供一种基于人工智能的泥石流预警系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
本申请实施例所提供的基于人工智能的泥石流预警方法及系统，目标事项描述知识是连续描述知识，基于目标事项描述知识所在的实景三维内的实时地貌数据，抽取目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标描述变量，可以使得抽取得到的目标描述变量能够保留目标事项描述知识所在的实景三维内的实时地貌数据，从而可以使得抽取到的目标泥石流发生可能性数据能够在目标事项描述知识对应的降雨描述数据集中，较为精确地表示目标沟谷监测事项在目标事项描述知识下的事项描述知识向量；基于此，在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理，可以提高预警处理的精确性和可靠性。换而言之，本发明实施例可以抽取能够较为精确地表示连续描述知识的泥石流发生可能性数据，从而可以提升泥石流发生可能性数据精确性和可靠性，从而提高预警的精确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种基于人工智能的泥石流预警方法的流程图。
图2为本申请实施例所提供的一种基于人工智能的泥石流预警装置的框图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种基于人工智能的泥石流预警方法，该方法可以包括以下步骤S301-S304所描述的技术方案。
S301，获得目标气象环境下的目标沟谷监测事项在目标事项描述知识下的事项描述知识向量，目标事项描述知识为连续描述知识。
举例而言，在获得目标气象环境下的目标沟谷监测事项，根据实景三维数据获得沟谷的坡度数据，其中，实景三维包括：地上实景三维和地下三维模型数；具体的实施步骤如下。
通过北斗卫星或者无人机遥感技术获得该区域中的沟谷信息，将所述沟谷信息输入到大数据中心中进行识别处理，获得识别结果；通过人工智能对所述识别结果进行虚拟空间搭建，获得虚拟沟谷模型；对所述虚拟沟谷模型进行坡度分析，获得对应沟谷的坡度信息。
坡度的具体计算公式：坡度=（高程差/水平距离）x100%使用百分比表示时，即：i=h/l×100%。
当坡度为5%时，发生泥石流的可能性系数设置为1，当坡度为10%时，发生泥石流的可能性系数设置为2，以此类推，可能性的系数越大，说明发生的泥石流由势能转化的动能越大，破坏能力就越强。因此，坡度的确定，是十分重要的一个参数。
示例性的，目标气象环境通过气象监控中心获得的特定点的降雨量信息，降雨量指从天空降落到地面上的液态或固态（经融化后）的水，未经蒸发、渗透、流失，而在单位水平面上积聚的深度。降水量以mm为单位，气象观测中取一位小数，它可以直观地表示降雨的多少。比如：降雨量达到判断值时，就有可能导致物源被冲下来发生泥石流；本发明实施例以目标气象环境为例对基于人工智能的泥石流预警方法进行展开描述，针对目标气象环境具体可以定义为水文气象条件，具体的水文气象条件可以包括以下内容。
1.水能浸润、饱和山坡松散物质，使其摩擦阻力减小、滑动力增大；水流对松散物质的侧蚀、掏挖作用引起滑坡、崩塌等，增加了物质来源。
2.泥石流的形成因素与下列短时间内突然性的大量流水密切相关，包括：
（1）强度较大的暴雨；
（2）冰川、积雪的强烈消融；
（3）冰川湖、高山湖、水库等的突然溃决。
进一步地，目标沟谷监测事项可以理解为地质条件，具体的地质条件可以包括以下内容。
1.地质构造：地质构造类型复杂、断裂褶皱发育、新构造运动强烈、地震烈度较高的地区，一般便于泥石流的形成。这类的确往往表层岩土破碎，滑坡、崩塌、错落等不良地质作用发育，为泥石流的形成提供了丰富的固体物质来源。
2.岩性：结构疏松软弱、易于风化、节理发育的岩层，或软硬相间成层的岩层，易遭受破坏，形成丰富的碎屑物质来源。
举例而言：事项描述知识向量可以理解为流域特征，其中，流域特征包括沟谷型泥石流流域，具体特征包括：流域呈狭长型，形成区不明显，松散物质主要来自中游地段。泥石流沿沟谷有堆积也有冲刷、搬运，形成逐次搬运的“再生式泥石流”。
进一步地，本技术领域人员按照泥石流的特征进行分类，具体包括。
1.标准型泥石流流域：流域呈扇形，能明显的分出形成区、流通区和堆积区；沟床下切作用强烈，滑坡、崩塌等发育，松散物质多，主沟坡度大，地表径流集中，泥石流的规模和破坏力较大。
2.沟谷型泥石流流域：流域呈狭长型，形成区不明显，松散物质主要来自中游地段。泥石流沿沟谷有堆积也有冲刷、搬运，形成逐次搬运的“再生式泥石流”。
3.山坡型泥石流流域：流域面积小，呈漏斗状，流通区不明显，形成区与堆积区直接相连，堆积作用迅速。由于汇水面积不大，水量一般不充沛，多形成重度大、规模小的泥石流。
S302，获得所述目标事项描述知识在所述目标气象环境下的状态描述数据；所述状态描述数据用于表示所述目标事项描述知识所在的实景三维内的实时地貌数据。
示例性的，实景三维可以理解为通过卫星或者无人机等“空-天-地-内”协同观测技术获得的地形数据，通过数据中心将该地形数据构建成1比1的三维虚拟空间。可以通过实景三维寻找出该地域上的树、草和岩石等（并且还能获得树的高度和粗细），因此，实景三维需要更加详细的资料进行搭建，这样才能更加准确的获得地域信息，实景三维并且需要不间断的进行更新，因为地形情况可能随时都在改变，这样才能确保实景三维的精确性和可信性。在没发生地质灾害时，按照设定周期进行数据更新，在发生地质灾害时，需要立刻对数据进行更新，在发生地质灾害时，保证抢险队伍能够准备且快速的到达现场。
进一步地，实景三维具体可以是指目标气象环境下，目标事项描述知识所在的空间；目标事项描述知识所在的实景三维内的实时地貌数据具体可以是指：目标事项描述知识所在的实景三维是沟谷虚拟表示空间，目标事项描述知识可以在沟谷虚拟表示空间中随机矢量；可以基于目标事项描述知识所在的实景三维内的实时地貌数据，抽取目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的泥石流发生可能性数据。其中，目标泥石流发生可能性数据可以用于在目标事项描述知识对应的降雨描述数据集中，表示目标沟谷监测事项在目标事项描述知识下的事项描述知识向量；目标事项描述知识对应的降雨描述数据集具体可以是指目标气象环境下，目标事项描述知识对应的泥石流发生可能性数据所在的三维空间。
进一步地，目标事项描述知识所在的实景三维内的实时地貌数据可以采用目标事项描述知识在目标气象环境下的状态描述数据进行表示，换而言之，可以获得目标事项描述知识在目标气象环境下的状态描述数据，状态描述数据可以用于表示目标事项描述知识所在的实景三维内的实时地貌数据；然后，可以基于状态描述数据，将目标事项描述知识下的事项描述知识向量从实景三维投影至降雨描述数据集，得到目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据。
其中，状态描述数据可以包括风险等级AI划分线程（可以按照发生泥石流的可能性进行划分，发生泥石流的可能性越大风险等级就越高），其中，风险等级AI划分线程可以为chatGPT，本申请实施例中泥石流预警方法的执行主体为计算机设备，包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。计算机设备包括终端设备与ChatGPT云平台。其中，终端设备包括但不限于电脑、智能手机、PAD等；ChatGPT云平台包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，计算机设备可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。终端设备与ChatGPT云平台相互通信，构成本申请实施例提供的AI系统。目标事项描述知识在目标气象环境下的风险等级AI划分线程，可以用于描述目标事项描述知识的取值落在某个区域之内的可能性。基于状态描述数据，将目标事项描述知识下的事项描述知识向量从实景三维投影至降雨描述数据集，得到目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据的过程，具体可以包括：可以获得目标事项描述知识下的事项描述知识向量，在风险等级AI划分线程中对应的风险等级矢量；在实景三维中，将风险等级矢量确定为目标风险变量，对风险等级AI划分线程的预期进行处理；对风险等级AI划分线程的预期的处理结果进行函数运算，得到目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据。
进一步地，实景三维中的函数运算，被采用所述风险等级AI划分线程对应的泥石流风险可能性分布区间中的广义线性运算进行整合；所述整合的过程包括：获得所述泥石流风险可能性分布区间中的X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据，X为大于0的整数；依据所述风险等级矢量，计算所述X+1个整合节点中各个整合节点对应的重要性指标；依据所述X+1个整合节点中各个整合节点的重要性指标，对所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据进行融合处理，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据。
可以理解的是，通过多个节点进行融合处理这样获得的目标泥石流发生可能性数据会更加的精确。
进一步地，风险等级AI划分线程的预期可以理解为对风险等级AI划分线程的性能的期望。
示例性的，目标风险变量是将风险等级矢量进行数值化处理所得。
S303，结合所述状态描述数据，将所述目标事项描述知识下的事项描述知识向量从所述实景三维投影至降雨描述数据集，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；其中，所述目标事项描述知识所在的实景三维内的实时地貌数据是指：所述目标事项描述知识所在的实景三维是沟谷虚拟表示空间，所述目标事项描述知识在沟谷虚拟表示空间中随机矢量；所述目标泥石流发生可能性数据用于在所述目标事项描述知识对应的所述降雨描述数据集中，表示所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量。
在确定目标泥石流发生可能性数据之前需要判断出泥石流的类别，这样可以一定程度提高目标泥石流发生可能性数据的准确性，按物质状态分类包括黏性泥石流和稀性泥石流。
（1）黏性泥石流：含大量黏性土的泥石流或泥流，黏性大，固体物质约占40%-60%，最高达80%，水不是搬运介质而是组成物质，石块呈悬浮状态。
稀性泥石流流速计算公式包括：
（a）西北地区经验公式；
——泥石流断面平均流速（单位：m/s）。
——泥石流流体水力半径（单位：m），可近似取其泥位深度。
I——泥石流流面纵坡比降（小数形式）。
α——阻力系数，查表获取，计算如下：
φ——泥石流泥砂修正系数。
——泥石流体密度（单位：t/m3）。
——清水密度（单位：t/m3）。
——泥石流中固体物质密度（单位：t/m3）。
（b）西南地区经验公式；
1/n——清水河槽糙率，按照泥石流粗糙系数取值，其中，/>相当于1/n。
（c）北京地区经验公式；
——河床外阻力系数。
（2）稀性泥石流：水为主要成分，黏性土含量少，固体物质约占10%-40%，有很大分散性，水是搬运介质，石块以滚动或跳跃方式向前推进。
黏性泥石流流速计算公式包括：
（1）东川泥石流改进经验公式；
k——黏性泥石流流速系数，查表获取。
——计算断面的平均泥深（单位：m）。
——泥石流水力坡度（小数形式），一般可采用沟床纵坡比降。
（2）综合西藏古乡沟、东川蒋家沟、武都火烧沟的经验公式：
——计算断面的平均泥深（单位：m）；
——泥石流水力坡度（小数形式），一般可采用沟床纵坡比降；
——沟床糙率，内插法查表获取。
（3）甘肃武都地区黏性泥石流经验计算公式；
——泥石流沟床糙率系数，内插法查表获取。
该公式为武都地区黏性泥石流的100余次观测资料统计得出的经验公式，适用于中阻型泥石流。流体的土体颗粒粗大，浆体中的土体成分以粉土颗粒含量居多，沟床比较粗糙，凹凸不平，河床阻力较大。当用该公式计算低阻型黏性泥石流流速时，其按照表中1类取值；当计算中阻型和高阻型黏性泥石流流速时，/>按照2类取值。/>
本发明实施例可以基于目标事项描述知识在目标气象环境下的风险等级AI划分线程，将目标沟谷监测事项在目标事项描述知识下的事项描述知识向量从实景三维投影至降雨描述数据集，得到目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；此处，采用风险等级AI划分线程是因为风险等级AI划分线程所在的泥石流风险可能性分布区间是沟谷虚拟表示空间，通过风险等级AI划分线程可以将目标事项描述知识所在的实景三维内的实时地貌数据引入描述知识投影过程中；并且，通过对风险等级AI划分线程进预期计算，可以实现从二维空间到三维空间的投影，即可以实现从实景三维到降雨描述数据集的投影，从而，通过引入风险等级AI划分线程的预期计算可以抽取连续描述知识对应的泥石流发生可能性数据，并且，抽取到的泥石流发生可能性数据能够保留连续描述知识所在的实景三维内的实时地貌数据，使得抽取到的泥石流发生可能性数据能够较为精确地表示连续描述知识。
S304，在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理。
示例性的，目标泥石流发生可能性数据可以根据降雨量和物源来判断。降雨量和物源是发生泥石流的前提，同时具备两个条件才有发生泥石流的可能性。其特征包括：（1）以流域为周界，受一定的沟谷制约。泥石流的形成区、流通区和堆积区较明显。轮廓呈哑铃型。（2）以沟槽为中心，物源区松散堆积体分布在沟槽两岸及河床上，崩塌、滑坡、沟蚀作用强烈，活动规模大，由洪水、泥沙两种汇流形成，更接近于洪水。（3）发生时空有一定规律性，可识别，成灾规模及损失范围大。（4）主要是暴雨对松散物源的冲蚀作用和汇流水体的冲蚀作用。（5）总量大、重现期短，有后续性，能重复发生。（6）构造作用明显，同一地区多呈带状或片状分布，列入流域防灾整治范围。
在抽取出目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据，可以在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理。
由前述内容可知，在抽取泥石流发生可能性数据的过程中，X+1个整合节点中各个整合节点在目标事项描述知识下所对应的整合泥石流发生可能性数据是通过配置得到的，换而言之，X+1个整合节点中的各个整合节点在目标事项描述知识下所对应的整合泥石流发生可能性数据可以确定为数据处理线程的线程系数进行配置。
首先，可以获得X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量。其次，可以调用泥石流发生可能性数据抽取单元，根据X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量，整合显著范例事项在目标事项描述知识下的范例描述知识向量所对应的第一范例泥石流发生可能性数据，显著范例事项是指用于确定为范例的显著第一事项，描述显著范例事项的目标事项描述知识的数据，可以称为显著范例事项在目标事项描述知识下的范例描述知识向量；整合过程与上述步骤S302中根据X+1个整合节点中的各个整合节点在目标事项描述知识下对应的整合描述变量，整合目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据的过程相同，可参见上述步骤S302中的具体描述，在此不再赘述。以及，可以调用泥石流发生可能性数据抽取单元，根据X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量，整合显著范例事项的潜在范例事项在目标事项描述知识下的范例描述知识向量所对应的第二范例泥石流发生可能性数据，潜在范例事项是显著范例事项的潜在不利事项中确定为范例的潜在不利事项，描述潜在范例事项的目标事项描述知识的数据，可以称为潜在范例事项在目标事项描述知识下的范例描述知识向量；类似地，整合过程可参见上述步骤S302中的具体描述，在此不再赘述。然后，可以根据第一范例泥石流发生可能性数据和第二范例泥石流发生可能性数据，优化X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量，以得到X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据。
其中，第一范例泥石流发生可能性数据和第二范例泥石流发生可能性数据优化X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量的过程，可以包括：可以调用人工智能分析单元，根据第一范例泥石流发生可能性数据和第二范例泥石流发生可能性数据，回归解析显著范例事项与潜在范例事项之间的关联情况；回归解析的关联情况可以包括以下任一种：显著范例事项未对潜在范例事项进行处理，显著范例事项对潜在范例事项进行处理但潜在范例事项未反馈，显著范例事项对潜在范例事项进行处理且潜在范例事项反馈了。然后，可以根据显著范例事项与潜在范例事项之间回归解析的关联情况，与显著范例事项与潜在范例事项之间实时的关联情况之间的区别，优化X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量，以得到X+1个整合节点中各个整合节点在目标事项描述知识下对应的整合泥石流发生可能性数据。通过对X+1个整合节点中各个整合节点在目标事项描述知识下对应的整合泥石流发生可能性数据进行配置，可以使得整合泥石流发生可能性数据与目标事项描述知识之间具备更强的联系，从而，通过整合泥石流发生可能性数据整合得到的目标泥石流发生可能性数据可以更加精确地表示目标事项描述知识。
本申请，能够更加精确地预测泥石流发生的概率，这样在预警时，可以更加的精确并且能够有效地降低损失，在救灾时，降低可以降低救灾的人力和财力。
可以理解的是，目标事项描述知识的数目可以为一个或多个，以上配置相关内容介绍的是当目标事项描述知识的数目为一个时，X+1个整合节点中的各个整合节点在目标事项描述知识下对应的原始描述变量的过程。当目标事项描述知识的数目为多个时，整合节点在不同的目标事项描述知识下的整合描述变量是不同的，整合节点在各个目标事项描述知识下的整合描述变量可以分开配置，即整合节点在各个目标事项描述知识下的整合描述变量的配置过程互不干扰，配置完成后将整合节点在各个目标事项描述知识下的整合描述变量可以整合到同一数据处理线程的泥石流发生可能性数据抽取单元中；或者，整合节点在各个目标事项描述知识下的整合描述变量可以同时配置，即整合节点在各个目标事项描述知识下的整合描述变量的可以确定为同一个数据处理线程中的线程系数进行配置。可以看出，本发明实施例针对不同的连续描述知识，可以为不同的连续描述知识配置得到各自对应的整合泥石流发生可能性数据，譬如，对于连续描述知识1，可以配置得到X+1个整合节点中各个整合节点在连续描述知识1下对应的整合泥石流发生可能性数据，对于连续描述知识2，可以配置得到X+1个整合节点中各个整合节点在连续描述知识2下对应的整合泥石流发生可能性数据，这样可以使得基于整合节点对应的整合泥石流发生可能性数据，能够更加精确地整合该连续描述知识对应的泥石流发生可能性数据（连续描述知识对应的泥石流发生可能性数据其具体含义是为了提高数据的准备性，原理是为了不间断分析，通过大量的数据分析，能够有效的避免因一次数据的异常导致判断出现不准确的情况）。
另外，以上配置相关内容介绍的是针对数据处理线程的一次配置过程，一个可以优化一次整合节点在目标事项描述知识下对应的原始描述变量，在实际的配置过程中，需要多个，对整合节点在目标事项描述知识下对应的原始描述变量进行优化，直至达到配置终止条件，得到X+1个整合节点中的各个整合节点在目标事项描述知识下对应的整合泥石流发生可能性数据；其中，达到配置要求可以包括：配置次数达到次数目标值，或者回归解析的关联情况与实时的关联情况之间的区别在区别范围之内。
本发明实施例中，目标事项描述知识是连续描述知识，基于目标事项描述知识所在的实景三维内的实时地貌数据，抽取目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标描述变量，可以使得抽取得到的目标描述变量能够保留目标事项描述知识所在的实景三维内的实时地貌数据，从而可以使得抽取到的目标泥石流发生可能性数据能够在目标事项描述知识对应的降雨描述数据集中，较为精确地表示目标沟谷监测事项在目标事项描述知识下的事项描述知识向量；基于此，在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理，可以提高预警处理的精确性和可靠性。换而言之，本发明实施例可以抽取能够较为精确地表示连续描述知识的泥石流发生可能性数据，从而可以提升泥石流发生可能性数据精确性和可靠性，从而提高预警的精确度。
本发明实施例提供一种基于人工智能的泥石流预警方法，该基于人工智能的泥石流预警方法主要介绍基于泥石流发生可能性数据的预警处理流程。该基于人工智能的泥石流预警方法可以由计算机设备执行，计算机设备可以是终端或服务器。该基于人工智能的泥石流预警方法可以包括但不限于以下步骤S401-步骤S403。
S401，获得目标气象环境下的目标沟谷监测事项在目标事项描述知识下的事项描述知识向量，目标事项描述知识为连续描述知识。
示例性的，连续描述知识可以理解为持续时间下的特征向量。
S402，基于目标事项描述知识所在的实景三维内的实时地貌数据，抽取目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据。
示例性的，实时地貌数据可以理解为当前的地形地貌的数据。
S403，在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理。
示例性的，本申请对目标泥石流发生可能性数据进行进一步地限定，将泥石流发生可能性划分为10个等级，将泥石流发生可能性1%-10%划分为第一等级，将泥石流发生可能性11%-20%划分为第二等级，将泥石流发生可能性21%-30%划分为第三级，将泥石流发生可能性31%-40%划分为第四等级，将泥石流发生可能性41%-50%划分为第五等级，将泥石流发生可能性51%-60%划分为第六等级，将泥石流发生可能性61%-70%划分为第七等级，将泥石流发生可能性71%-80%划分为第八等级，将泥石流发生可能性81%-90%划分为第九等级，将泥石流发生可能性91%-100%划分为第十等级，在不同等级时预警方式不同的，这样不能能够提高预警的精确性，还能减少人力资源和财力资源的付出。本实施例，针对泥石流发生前的进行预测，这样能够在更加有效的保护人们的生命财产安全。
以目标气象环境是第一目标气象环境为例，第一目标气象环境下可以包括潜在不利预警任务，潜在不利预警任务是指：第一目标气象环境下的显著第一事项，将显著第一事项在第一目标气象环境下的潜在不利事项预警第一目标气象环境的任务；显著第一事项是指第一事项；显著第一事项的潜在不利事项是指显著第一事项的不利事项中，在一段较长的周期内未对第一进行访问的不利事项。在潜在不利预警任务中，目标沟谷监测事项可以是第一目标气象环境下的任一个显著第一事项，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理的过程可以包括以下子步骤s11-子步骤s13。
s11，确定目标沟谷监测事项在第一目标气象环境下的潜在不利事项，并获得潜在不利事项在目标事项描述知识下的事项描述知识向量所对应的潜在泥石流发生可能性数据。
示例性的，潜在不利事项包括突发性地震导致土壤发生了松动情况等。
在潜在不利预警任务中，潜在不利事项对应的潜在泥石流发生可能性数据可以是由配置好的数据处理线程中的泥石流发生可能性数据抽取单元抽取得到的，潜在不利事项对应的潜在泥石流发生可能性数据的抽取过程，与目标沟谷监测事项对应的目标泥石流发生可能性数据的抽取过程类似。
s12，根据目标泥石流发生可能性数据和潜在泥石流发生可能性数据，对目标沟谷监测事项与潜在不利事项之间的关联情况进行解析，确定目标沟谷监测事项对潜在不利事项进行处理且潜在不利事项发生的可能性。
s13，若目标沟谷监测事项对潜在不利事项进行处理且潜在不利事项发生的可能性符合预警要求，则将潜在不利事项确定为目标沟谷监测事项需要预警的事项。
举例而言，若目标沟谷监测事项对潜在不利事项进行处理且潜在不利事项发生的可能性符合预警要求（譬如，目标沟谷监测事项对潜在不利事项进行处理且潜在不利事项发生的可能性大于第一可能性目标值），则可以将潜在不利事项确定为目标沟谷监测事项需要预警的事项；将潜在不利事项确定为目标沟谷监测事项需要预警的事项。
可以理解的是，本发明不仅考虑了正常的不利事项，还考虑了潜在不利事项，考虑了更加完整的因素，这样能够更加精确地确定出泥石流发生的可能性，提高预警的精确性和可靠性。
或者，第一目标气象环境下可以包括潜在事项预警任务，潜在事项预警任务是指：对第一目标气象环境下的潜在第一事项进行处理的任务；潜在第一事项是指在一段较长的周期内未对第一进行访问的第一事项。在潜在事项预警任务中，目标沟谷监测事项可以是第一目标气象环境下的任一个潜在第一事项，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理的过程可以包括以下子步骤s21-子步骤s22。
s21，根据目标泥石流发生可能性数据，对目标沟谷监测事项进行解析，得到目标沟谷监测事项的泥石流发生可能性。
在潜在事项预警任务中，抽取目标沟谷监测事项对应的目标泥石流发生可能性数据具体可以是由数据处理线程中的泥石流发生可能性数据抽取单元执行的，抽取目标沟谷监测事项对应的目标泥石流发生可能性数据的过程具体可以参照步骤S302的描述。
s22，根据目标沟谷监测事项的泥石流发生可能性，对目标沟谷监测事项进行处理。
根据目标沟谷监测事项的泥石流发生可能性，对目标沟谷监测事项进行处理，具体可以是指：若目标沟谷监测事项的泥石流发生可能性符合预警要求（譬如，目标沟谷监测事项的泥石流发生可能性大于第二可能性目标值），则可以向目标沟谷监测事项发送预警指示，譬如，向目标沟谷监测事项发送预警活动的指示。
以上步骤S403所介绍的内容中，对目标沟谷监测事项进行预警处理时，考虑了目标沟谷监测事项在目标事项描述知识（目标事项描述知识是连续描述知识）下的事项描述知识向量所对应的目标泥石流发生可能性数据。在实际的预警处理中，可以综合考虑目标气象环境下的连续描述知识和边缘描述知识进行预警处理。具体来说，可以获得目标沟谷监测事项在参考事项描述知识下的事项描述知识向量，参考事项描述知识是指目标气象环境下，用于描述沟谷监测事项的某项特点的变量，并且参考事项描述知识为边缘描述知识；对于目标气象环境下确定的目标沟谷监测事项，目标沟谷监测事项的参考事项描述知识可以采用具体的数据进行描述，这个数据可以称为目标沟谷监测事项在参考事项描述知识下的事项描述知识向量。其次，可以抽取目标沟谷监测事项在参考事项描述知识下的事项描述知识向量所对应的参考泥石流发生可能性数据，参考泥石流发生可能性数据可以用于在参考沟谷监测事项所在的降雨描述数据集中，表示目标沟谷监测事项在参考事项描述知识下的事项描述知识向量。然后，可以根据目标泥石流发生可能性数据和参考泥石流发生可能性数据，对目标沟谷监测事项进行预警处理。
综合考虑连续描述知识和边缘描述知识时的预警处理流程，与单独考虑连续描述知识时预警处理流程是类似的。譬如，在第一目标气象环境的潜在不利预警任务中，可以根据目标沟谷监测事项对应的目标泥石流发生可能性数据和参考泥石流发生可能性数据，以及潜在不利事项对应的潜在泥石流发生可能性数据和参考泥石流发生可能性数据，对目标沟谷监测事项与潜在不利事项之间的关联情况进行解析，确定目标沟谷监测事项对潜在不利事项进行处理且潜在不利事项发生的可能性，若目标沟谷监测事项对潜在不利事项进行处理且潜在不利事项发生的可能性符合预警要求，则可以将潜在不利事项确定为目标沟谷监测事项需要预警的事项。又如，在第一目标气象环境的潜在事项预警任务中，可以根据目标沟谷监测事项对应的目标泥石流发生可能性数据和参考泥石流发生可能性数据，对目标沟谷监测事项进行解析，确定目标沟谷监测事项的泥石流发生可能性，若目标沟谷监测事项的泥石流发生可能性符合预警要求，则可以对目标沟谷监测事项进行处理。通过综合考虑目标沟谷监测事项在目标气象环境下的连续描述知识和边缘描述知识，可以从更加全面的角度对目标沟谷监测事项进行预警处理，能够在一定程度上提升预警处理的精确性和可靠性。
本发明实施例中，基于目标事项描述知识所在的实景三维内的实时地貌数据，抽取目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标描述变量，可以使得抽取得到的目标描述变量能够保留目标事项描述知识所在的实景三维内的实时地貌数据，从而可以使得抽取到的目标泥石流发生可能性数据能够在目标事项描述知识对应的降雨描述数据集中，较为精确地表示目标沟谷监测事项在目标事项描述知识下的事项描述知识向量；基于此，在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理，可以提高预警处理的精确性和可靠性。另外，在对目标沟谷监测事项进行预警处理时，可以综合考虑率目标沟谷监测事项的连续描述知识和边缘描述知识，使得对目标沟谷监测事项的预警处理更加准备可靠。
在上述基础上，请参阅图2，提供了一种基于人工智能的泥石流预警装置200，所述装置包括：
事项获得模块210，用于获得目标气象环境下的目标沟谷监测事项在目标事项描述知识下的事项描述知识向量，所述目标事项描述知识为连续描述知识；
数据获得模块220，用于获得所述目标事项描述知识在所述目标气象环境下的状态描述数据；所述状态描述数据用于表示所述目标事项描述知识所在的实景三维内的实时地貌数据；
数据得到模块230，用于结合所述状态描述数据，将所述目标事项描述知识下的事项描述知识向量从所述实景三维投影至降雨描述数据集，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；其中，所述目标事项描述知识所在的实景三维内的实时地貌数据是指：所述目标事项描述知识所在的实景三维是沟谷虚拟表示空间，所述目标事项描述知识在沟谷虚拟表示空间中随机矢量；所述目标泥石流发生可能性数据用于在所述目标事项描述知识对应的所述降雨描述数据集中，表示所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量；
预警处理模块240，用于在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理。
在上述基础上，示出了一种基于人工智能的泥石流预警系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
综上，基于上述方案，目标事项描述知识是连续描述知识，基于目标事项描述知识所在的实景三维内的实时地貌数据，抽取目标沟谷监测事项在目标事项描述知识下的事项描述知识向量所对应的目标描述变量，可以使得抽取得到的目标描述变量能够保留目标事项描述知识所在的实景三维内的实时地貌数据，从而可以使得抽取到的目标泥石流发生可能性数据能够在目标事项描述知识对应的降雨描述数据集中，较为精确地表示目标沟谷监测事项在目标事项描述知识下的事项描述知识向量；基于此，在目标气象环境下，根据目标泥石流发生可能性数据对目标沟谷监测事项进行预警处理，可以提高预警处理的精确性和可靠性。换而言之，本发明实施例可以抽取能够较为精确地表示连续描述知识的泥石流发生可能性数据，从而可以提升泥石流发生可能性数据精确性和可靠性，从而提高预警的精确度。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种基于人工智能的泥石流预警方法，其特征在于，所述方法包括：
获得目标气象环境下的目标沟谷监测事项在目标事项描述知识下的事项描述知识向量，所述目标事项描述知识为连续描述知识；其中，目标气象环境通过气象监控中心获得的特定点的降雨量信息；目标沟谷监测事项用于表征地质条件包括：地质构造、岩性；事项描述知识向量用于表征流域特征，流域特征包括沟谷型泥石流流域；
获得所述目标事项描述知识在所述目标气象环境下的状态描述数据；所述状态描述数据用于表示所述目标事项描述知识所在的实景三维内的实时地貌数据；
结合所述状态描述数据，将所述目标事项描述知识下的事项描述知识向量从所述实景三维投影至降雨描述数据集，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；其中，所述目标事项描述知识所在的实景三维内的实时地貌数据是指：所述目标事项描述知识所在的实景三维是沟谷虚拟表示空间，所述目标事项描述知识在沟谷虚拟表示空间中随机矢量；所述目标泥石流发生可能性数据用于在所述目标事项描述知识对应的所述降雨描述数据集中，表示所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量；
在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理；
其中，所述状态描述数据包括风险等级AI划分线程；所述结合所述状态描述数据，将所述目标事项描述知识下的事项描述知识向量从所述实景三维投影至所述降雨描述数据集，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据，包括：
获得所述目标事项描述知识下的事项描述知识向量，在所述风险等级AI划分线程中对应的风险等级矢量；
在所述实景三维中，将所述风险等级矢量确定为目标风险变量，对所述风险等级AI划分线程的预期进行处理；
对所述风险等级AI划分线程的预期的处理结果进行函数运算，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；
其中，所述实景三维中的函数运算，被采用所述风险等级AI划分线程对应的泥石流风险可能性分布区间中的广义线性运算进行整合；所述整合的过程包括：
获得所述泥石流风险可能性分布区间中的X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据，X为大于0的整数；
依据所述风险等级矢量，计算所述X+1个整合节点中各个整合节点对应的重要性指标；依据所述X+1个整合节点中各个整合节点的重要性指标，对所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据进行融合处理，得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据；
其中，所述依据所述风险等级矢量，计算所述X+1个整合节点中各个整合节点对应的重要性指标，包括：
获得用于进行所述广义线性运算的指标评估线程；
针对所述X+1个整合节点中的目标整合节点，依据所述风险等级矢量，计算所述目标整合节点在所述指标评估线程下对应的指标评估结果；
依据所述目标整合节点在所述指标评估线程下对应的指标评估结果，与所述X+1个整合节点中的各个整合节点在所述指标评估线程下对应的指标评估结果总和之间的比较结果，确定所述目标整合节点对应的重要性指标；
其中，所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据是配置得到的；所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据的配置过程，包括：
获得所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量；
依据所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，整合显著范例事项在所述目标事项描述知识下的范例描述知识向量所对应的第一范例泥石流发生可能性数据；
以及，依据所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，整合所述显著范例事项的潜在范例事项在所述目标事项描述知识下的范例描述知识向量所对应的第二范例泥石流发生可能性数据；
依据所述第一范例泥石流发生可能性数据和所述第二范例泥石流发生可能性数据，优化所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，以得到所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据。
2.根据权利要求1所述的方法，其特征在于，所述依据所述第一范例泥石流发生可能性数据和所述第二范例泥石流发生可能性数据，优化所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，以得到所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据，包括：
依据所述第一范例泥石流发生可能性数据和所述第二范例泥石流发生可能性数据，回归解析所述显著范例事项与所述潜在范例事项之间的关联情况；
依据所述显著范例事项与所述潜在范例事项之间回归解析的关联情况，与所述显著范例事项与所述潜在范例事项之间实时的关联情况之间的区别，优化所述X+1个整合节点中的各个整合节点在所述目标事项描述知识下对应的原始描述变量，以得到所述X+1个整合节点中各个整合节点在所述目标事项描述知识下对应的整合泥石流发生可能性数据。
3.根据权利要求1所述的方法，其特征在于，所述得到所述目标沟谷监测事项在所述目标事项描述知识下的事项描述知识向量所对应的目标泥石流发生可能性数据之前，还包括：
获得所述目标沟谷监测事项在参考事项描述知识下的事项描述知识向量；所述参考事项描述知识为边缘描述知识；
抽取所述目标沟谷监测事项在所述参考事项描述知识下的事项描述知识向量所对应的参考泥石流发生可能性数据；
所述在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理，包括：在所述目标气象环境下，依据所述目标泥石流发生可能性数据和所述参考泥石流发生可能性数据，对所述目标沟谷监测事项进行预警处理。
4.根据权利要求1所述的方法，其特征在于，所述目标气象环境包括第一目标气象环境，所述目标沟谷监测事项是所述第一目标气象环境下的显著第一事项；所述在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理，包括：
确定所述目标沟谷监测事项在所述第一目标气象环境下的潜在不利事项，并获得所述潜在不利事项在所述目标事项描述知识下的事项描述知识向量所对应的潜在泥石流发生可能性数据；
依据所述目标泥石流发生可能性数据和所述潜在泥石流发生可能性数据，对所述目标沟谷监测事项与所述潜在不利事项之间的关联情况进行解析，确定所述目标沟谷监测事项对所述潜在不利事项进行处理且所述潜在不利事项发生的可能性；
若所述目标沟谷监测事项对所述潜在不利事项进行处理且所述潜在不利事项发生的可能性符合预警要求，则将所述潜在不利事项确定为所述目标沟谷监测事项需要预警的事项。
5.根据权利要求1所述的方法，其特征在于，所述目标气象环境包括第一目标气象环境，所述目标沟谷监测事项是所述第一目标气象环境下的潜在第一事项；所述在所述目标气象环境下，依据所述目标泥石流发生可能性数据对所述目标沟谷监测事项进行预警处理，包括：依据所述目标泥石流发生可能性数据，对所述目标沟谷监测事项进行解析，得到所述目标沟谷监测事项的泥石流发生可能性；依据所述目标沟谷监测事项的泥石流发生可能性，对所述目标沟谷监测事项进行处理。
6.一种基于人工智能的泥石流预警系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682608.6A CN116416762B (zh) | 2023-06-09 | 2023-06-09 | 基于人工智能的泥石流预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682608.6A CN116416762B (zh) | 2023-06-09 | 2023-06-09 | 基于人工智能的泥石流预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116416762A CN116416762A (zh) | 2023-07-11 |
| CN116416762B true CN116416762B (zh) | 2023-08-15 |
Family
ID=87054676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310682608.6A Active CN116416762B (zh) | 2023-06-09 | 2023-06-09 | 基于人工智能的泥石流预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116416762B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757335B (zh) * | 2023-08-17 | 2023-10-20 | 四川省华地建设工程有限责任公司 | 基于北斗卫星的崩塌预测方法及系统 |
| CN117294023B (zh) * | 2023-11-24 | 2024-02-02 | 成都汉度科技有限公司 | 一种运行设备的远程监控方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
| CN1996054A (zh) * | 2006-11-23 | 2007-07-11 | 浙江工业大学 | 基于全方位视觉的泥石流预警预报装置 |
| JP5875669B1 (ja) * | 2014-12-24 | 2016-03-02 | エー・シー・エス株式会社 | 土砂災害予測システム |
| CN106157541A (zh) * | 2016-07-19 | 2016-11-23 | 成都理工大学 | 一种沟谷泥石流预警方法及其应用 |
| JP2018141701A (ja) * | 2017-02-28 | 2018-09-13 | 学校法人加計学園 | 危険箇所に防災気象情報発表基準を設定するシステム |
| WO2019073937A1 (ja) * | 2017-10-10 | 2019-04-18 | 日本信号株式会社 | 危険度評価システム |
| CN212772218U (zh) * | 2020-07-24 | 2021-03-23 | 黄河勘测规划设计研究院有限公司 | 泥石流排导槽结构 |
| KR102232918B1 (ko) * | 2020-10-30 | 2021-03-26 | 재단법인 경북아이티융합 산업기술원 | 실시간 인공지능 기반 건물 상태진단 시스템의 침하감지기 |
| CN112862152A (zh) * | 2020-12-31 | 2021-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于地貌信息熵和降雨量的泥石流灾害预警方法 |
| CN114360214A (zh) * | 2022-03-18 | 2022-04-15 | 四川省公路规划勘察设计研究院有限公司 | 一种特大规模冰川泥石流预警方法 |
| CN116204681A (zh) * | 2023-03-09 | 2023-06-02 | 周军 | 一种短视频发布信息检测方法、系统及云平台 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220136196A1 (en) * | 2020-11-05 | 2022-05-05 | Ocean Cleaner, LLC | Systems, Apparatus & Methods for Remote Collection of Floating Debris |
| KR102399268B1 (ko) * | 2021-09-29 | 2022-05-19 | (주)샤픈고트 | 인공 지능 연동 지능형 재난 안전 관리 방법 이러한 방법을 수행하는 시스템 |
-
2023
- 2023-06-09 CN CN202310682608.6A patent/CN116416762B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6128578A (en) * | 1996-12-26 | 2000-10-03 | Nippon Telegraph And Telephone Corporation | Meteorological radar precipitation pattern prediction method and apparatus |
| CN1996054A (zh) * | 2006-11-23 | 2007-07-11 | 浙江工业大学 | 基于全方位视觉的泥石流预警预报装置 |
| JP5875669B1 (ja) * | 2014-12-24 | 2016-03-02 | エー・シー・エス株式会社 | 土砂災害予測システム |
| CN106157541A (zh) * | 2016-07-19 | 2016-11-23 | 成都理工大学 | 一种沟谷泥石流预警方法及其应用 |
| JP2018141701A (ja) * | 2017-02-28 | 2018-09-13 | 学校法人加計学園 | 危険箇所に防災気象情報発表基準を設定するシステム |
| WO2019073937A1 (ja) * | 2017-10-10 | 2019-04-18 | 日本信号株式会社 | 危険度評価システム |
| CN212772218U (zh) * | 2020-07-24 | 2021-03-23 | 黄河勘测规划设计研究院有限公司 | 泥石流排导槽结构 |
| KR102232918B1 (ko) * | 2020-10-30 | 2021-03-26 | 재단법인 경북아이티융합 산업기술원 | 실시간 인공지능 기반 건물 상태진단 시스템의 침하감지기 |
| CN112862152A (zh) * | 2020-12-31 | 2021-05-28 | 中铁第四勘察设计院集团有限公司 | 一种基于地貌信息熵和降雨量的泥石流灾害预警方法 |
| CN114360214A (zh) * | 2022-03-18 | 2022-04-15 | 四川省公路规划勘察设计研究院有限公司 | 一种特大规模冰川泥石流预警方法 |
| CN116204681A (zh) * | 2023-03-09 | 2023-06-02 | 周军 | 一种短视频发布信息检测方法、系统及云平台 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于人工智能(AI)的地质灾害防控体系建设》;张茂省;《西北地质》;第52卷(第2期);103-116 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116416762A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116416762B (zh) | 基于人工智能的泥石流预警方法及系统 | |
| Park et al. | A regional-scale landslide early warning methodology applying statistical and physically based approaches in sequence | |
| Pasternack et al. | Application of a 2D hydrodynamic model to design of reach‐scale spawning gravel replenishment on the Mokelumne River, California | |
| Pradhan et al. | Relative effect method of landslide susceptibility zonation in weathered granite soil: a case study in Deokjeok-ri Creek, South Korea | |
| Roodposhti et al. | PROMETHEE II and fuzzy AHP: an enhanced GIS-based landslide susceptibility mapping | |
| Feizizadeh et al. | Landslide susceptibility mapping for the Urmia Lake basin, Iran: a multi-criteria evaluation approach using GIS | |
| Mazzorana et al. | Modelling woody material transport and deposition in alpine rivers | |
| Kumar et al. | Landslide susceptibility mapping of the Tehri reservoir rim area using the weights of evidence method | |
| Butt et al. | Landslide dam and subsequent dam-break flood estimation using HEC-RAS model in Northern Pakistan | |
| Abushandi et al. | Dam site selection using remote sensing techniques and geographical information system to control flood events in Tabuk City | |
| Malekmohammadi et al. | Site selection for managed aquifer recharge using fuzzy rules: integrating geographical information system (GIS) tools and multi-criteria decision making | |
| Ielpi | Morphodynamics of meandering streams devoid of plant life: Amargosa River, Death Valley, California | |
| Raman et al. | The application of GIS-based bivariate statistical methods for landslide hazards assessment in the upper Tons river valley, Western Himalaya, India | |
| Suh et al. | Subsidence hazard assessment at the Samcheok coalfield, South Korea: a case study using GIS | |
| Hancock et al. | An evaluation of an enhanced soil erosion and landscape evolution model: a case study assessment of the former Nabarlek uranium mine, Northern Territory, Australia | |
| Al Saud | Flood control management for the city and surroundings of Jeddah, Saudi Arabia | |
| Mallick | Geospatial-based soil variability and hydrological zones of Abha semi-arid mountainous watershed, Saudi Arabia | |
| KR20140093830A (ko) | 3차원 가상현실을 이용한 하천의 홍수피해 유체시뮬레이션 시스템 및 방법 | |
| Vagnon et al. | Investigation and numerical simulation of debris flow events in Rochefort basin (Aosta Valley—NW Italian Alps) combining detailed geomorphological analyses and modern technologies | |
| Bhunia et al. | An Introduction to Anthropogeomorphology and Geospatial Technology | |
| Liu et al. | Geomorphological transformations and future deformation estimations of a large potential landslide in the high-order position area of Diexi, China | |
| Cui et al. | Evaluation of Jining mining subsidence susceptibility based on three multiple-criteria decision analysis methods | |
| Chiu et al. | A study on simulating landslides using Unity software | |
| Wood et al. | Current and future sinkhole susceptibility in karst and pseudokarst areas of the conterminous United States | |
| Liu et al. | Application and interpretability of ensemble learning for landslide susceptibility mapping along the Three Gorges Reservoir area, China |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: No. 38 Qinghua Road, Qingyang District, Chengdu City, Sichuan Province, 610000 Patentee after: Sichuan Provincial Geological Survey and Research Institute Country or region after: China Address before: No. 35 Huaguan Road, Longtan Industrial Park, Section 2, East Third Ring Road, Chenghua District, Chengdu City, Sichuan Province, 610052 Patentee before: Sichuan Sichuan Nuclear Geological Engineering Co.,Ltd. Country or region before: China |