CN116665035A - 一种地质灾害隐患风险的精细化识别与核查方法 - Google Patents
一种地质灾害隐患风险的精细化识别与核查方法 Download PDFInfo
- Publication number
- CN116665035A CN116665035A CN202310046295.5A CN202310046295A CN116665035A CN 116665035 A CN116665035 A CN 116665035A CN 202310046295 A CN202310046295 A CN 202310046295A CN 116665035 A CN116665035 A CN 116665035A
- Authority
- CN
- China
- Prior art keywords
- geological disaster
- slope
- geological
- risk
- hidden danger
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012795 verification Methods 0.000 title claims abstract description 27
- 238000011160 research Methods 0.000 claims abstract description 47
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000002265 prevention Effects 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 21
- 230000018109 developmental process Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 238000005305 interferometry Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012732 spatial analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012827 research and development Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000011835 investigation Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013439 planning Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Educational Administration (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种地质灾害隐患风险的精细化识别与核查方法,涉及地质灾害核查技术领域,提供一种地质灾害隐患风险的精细化识别与核查方法,利用InSAR识别地面形变区段,利用DEM识别高陡边坡和不稳定斜坡,通过资料收集、技术研发、早期识别、遥感核查、野外核查等多个方面实现了地质灾害的快速、准确、高效的识别,达到了两种技术方法1+1>2的效果;开发了适应研究区的地质灾害风险核查APP,并在该区域自然资源信息管理平台开发扩充地质灾害风险数据库模块。研发并建立研究区基于DEM、InSAR的疑似隐患点识别阈值标准,创新并提高研究区基于高精度多期遥感影像的疑似隐患点人工智能(AI)识别方法。
Description
技术领域
本发明涉及地质灾害核查技术领域,尤其涉及一种地质灾害隐患风险的精细化识别与核查方法。
背景技术
地质灾害发育在空间上与地形地貌、地质环境条件关系密切,在时间上与降雨关系密切,具体表现如下:
(1)周期性
主要表现在两个方面,一是表现在灾害发生与年降雨量之间的关系上,在暴雨、连阴雨较多,降水量大的年份,地质灾害发生的频次明显偏高,即降水量周期性变化,地质灾害发生频次也周期性变化;二是表现在每年的雨季和春冬季节,阴雨季节降水集中,1~3月份冻融作用强,地质灾害发生的次数、危害程度也明显增加。
(2)链生性
主要表现在空间、时间上,在地质环境恶劣的沟谷地段,降水引发斜坡上的陡坎发生崩塌,即而引起滑动,滑体进入沟谷中,在暴雨或溃坝形成的洪流冲击、携带下又形成泥石流灾害,整个过程呈崩塌—滑坡—泥石流的链条状发生。
煤炭资源开发、城镇建设、大型工程、铁路、公路、水利水电工程、采矿、修房建窑、农业开垦、封山育林等,对斜坡的改变表现在:切坡、堆载、水库渗漏、硐室开挖等。同时,这些改变也会导致地质灾害防治能力总体较弱。
发明内容
针对上述存在的问题,本发明旨在提供一种地质灾害隐患风险的精细化识别与核查方法,构建了以DEM识别、遥感解译和野外核查为主线的地质灾害风险识别和核查工作技术方法体系,精准支撑服务地方县汛前地质灾害大核查,摸清地质灾害风险底数,打造了地质灾害风险大核查“现代科技+人力资源”相结合示范样板。能够快速、准确的实现地质灾害的识别和提取。
本发明所采用的技术方案的主要思路:通过InSAR技术识别地面形变,圈定疑似崩塌、滑坡、采空塌陷、地裂缝等隐患以及今年切坡建设的区域或地段;通过1:1万DEM识别地质灾害易发区段,尤其是坡度大于45°和高度大于8m的高陡边坡或不稳定斜坡;开展群众报险报灾点、在册地质灾害隐患点、地面形变区段、高陡边坡和不稳定斜坡、地质灾害防治工程高精度遥感核查和现场核查;建立研究区地质灾害隐患点数据库,开展综合研究和地质灾害易发性区划和危险性区划,提出地质灾害风险防控对策建议,以期总结大核查经验,形成全国地质灾害风险识别和核查示范。
为了实现上述目的,本发明所采用的技术方案如下:
一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:包括以下步骤:
S1:资料收集
S2:技术研发
根据步骤S1中收集到的地质资料,开发数据采集APP,并建立地质灾害隐患数据库,研发并建立研究区域基于DEM、InSAR的疑似隐患点识别阈值标准;
S3:早期识别
根据步骤S2中的DEM识别高陡边坡和不稳定斜坡,根据InSAR识别地面变形区段;
S4:遥感核查
根据步骤S3中DEM识别出的高陡边坡和不稳定斜坡,利用软件叠加高精度遥感影像数据,开展基于承灾体的危险坡段识别和核查;
S5:野外核查
在完成步骤S4所述的遥感核查的基础上进行野外核查,核查风险点类型、地质环境条件、变形破坏迹象、威胁对象;
S6:地质灾害隐患大核查成果与示范。
进一步的,步骤S2中InSAR的疑似隐患识别,包括以下步骤:
S201:通过获取多期时间序列SAR数据,采用D-InSAR、SBAS-InSAR、PS-InSAR干涉测量技术,开展SAR数据处理;
S202:根据SAR数据处理结果,结合高分光学影像、卫星雷达影像、基础地理信息数据,以及区域地质灾害发育特征,对地表形变监测结果进行分析;
S203:建立地质灾害隐患识别标志,并进行地质灾害隐患解译识别进一步的,步骤S2中DEM地形分析与疑似隐患识别,包括以下方面:
将已有的高精度DEM数据结合航拍正射影像成果,开展地形分析;
提取提取坡型、坡度、颇高、NDVI参数,结合系统形成条件,计算地质灾害易发指数,圈定坡度大于45°和高度大于8m的高陡边坡或不稳定斜坡区段,以及切坡建设地段;
与承灾体进行叠加,开展地质灾害隐患识别。
进一步的,利用高精度DEM数据提取易发坡段,提取步骤如下:
S2011:利用SpatialAnalystTools→Surface→Slope坡度分析工具,计算研究区域坡度,得到坡度分级图;
S2012:利用SpatialAnalystTools→Reclass→Reclassify重分类工具,提取研究区域坡度大于40°斜坡段;
S2013:利用ConversionTools→FromRaster→RastertoPolygon转换工具,将研究区域坡度大于40°斜坡段转换为矢量多边形;
S2014:由于坡度的不连续性,部分斜坡上会发育较平坦地段,因此在提取的大于40°斜坡段上会有孔洞存在,利用DataManagementTools→Generalization→EliminatePolygonPart工具,消除斜坡多边形孔洞,将孔洞就近融合为斜坡单元;
S2015:利用SpatialAnalystTools→Zonal→ZonalStatistics工具,计算坡度大于40°斜坡单元坡高,提取坡高大于8m的斜坡段,得到研究区域崩塌滑坡易发坡段识别图。
进一步的,步骤S2中基于DEM、InSAR的疑似隐患点识别阈值标准是结合地质灾害发生的年概率和地质灾害的危害程度,共同体现地质灾害风险评价结果。
进一步的,步骤S4中的遥感核查包括以下步骤:
S401:利用GIS空间分析工具提取区域坡度、坡向和坡高的地形参数;结合数字地形自动分割和水系分割方法,科学提取全区斜坡单元;
S402:基于历史地质灾害数据库,分析历史地质灾害发育中地形参数的贡献量,利用机器学习和深度学习方法,建立斜坡地质灾害隐患预测模型,早期识别斜坡地质灾害隐患点;
S403:结合数字地形分析和人工解译,提取地质灾害隐患名称、类型、坐标、地理位置、坡度、坡向、坡高、长、宽和威胁对象的特征参数;
S404:根据所得地质灾害发育规律研究,进行地质灾害易发性评价;
S405:通过研究已发生或已变形的地质灾害地区实际情况,分析相关影响因子,并研究各影响因子的信息数量和质量,选取对地质灾害易发性影响最大的相关组合因子,反映不同因子对地质灾害的形成发生的贡献大小,其模型计算公式:
式中,Ii指各影响因子对崩塌、滑坡提供的信息量;N指研究区内风险点的总个数;S指研究区总面积;Ni指分布在各因子类别中风险点的个数;Si指研究区内某评价因子的面积;
S406:最终计算出的Ii为该影响因子的总信息量值,其值越大表示越有利于崩塌、滑坡类型的地质灾害的发生,即地质灾害的易发性越高。
进一步的,步骤5中的野外核查包括以下步骤:
S501:各影响因子图层分析:针对影响研究区域风险点分布的六大因素进行空间分析,得到6张单因子图层;
S502:将6张单因子评价图层分别与风险点分布图在ArcGIS中做空间分析,得到滑坡在不同因子不同分类中的分布密度,然后根据式模型计算公式计算出各因子图层各类别对地质灾害隐患风险点影响的信息量值及相关数据分析;
S503:根据信息量值将6个评价因子重新生成6张信息量图,然后对6张信息量图层进行空间叠加分析,生成以总的信息量值为评价指标将研究区域全域依次分为极高易发区、高易发区、中易发区、低易发区的地质灾害易发性评价图;
S504:根据地质灾害易发性评价图提出防治措施建议。
本发明的有益效果是:与现有技术相比,本发明的改进之处在于,
1.利用DEM识别高陡边坡和不稳定斜坡,根据InSAR识别地面变形区段,然后通过资料收集、技术研发、早期识别、遥感核查、野外核查实现了地质灾害快速、准确、高效的识别。
2.基于DEM和遥感技术开展了地质灾害易发坡段和危险坡段早期识别,为实地核查提供了靶区。
3.通过实地核查,摸清了地方县地质灾害风险底数,为地质灾害综合防控提供了科学依据。
4.基于GIS的信息量法,建立并提取了地质灾害易发性评价指标体系,完成了地方县1∶1万地质灾害易发性评价与区划,提出了基于易发区的管控措施建议。
5.总结了地方县地质灾害风险特征,根据风险核查结果,提出了有针对性的精准管控措施建议。
6.构建了以DEM识别、遥感解译和野外核查为主线的地质灾害风险识别和核查工作技术方法体系,精准支撑服务地方县汛前地质灾害大核查,摸清地质灾害风险底数,打造了地质灾害风险大核查“现代科技+人力资源”相结合示范样板。
附图说明
图1为本发明总体工作流程图。
图2为本发明技术路线图。
图3为本发明研究区典型区域消除孔洞前后对比图,其中(a)为消除孔洞前(b)为消除孔洞后。
图4为本发明米脂县基于DEM的崩塌滑坡易发坡段识别结果图。
图5为本发明研究区易发坡段叠加高精度遥感影像数据(局部)。
图6为本发明米脂县地质灾害易发性分区图。
图7为本发明研究区典型地段基于DEM和遥感的地质灾害隐患风险点核查过程。其中(a)DEM易发坡段识别,(b)遥感危险坡段识别(c)野外风险核查。
图8为本发明基于DEM和遥感影像的地质灾害隐患识别方法流程。
图9为本发明典型地段基于DEM和遥感影像的地质灾害隐患识别过程图。
图10为本发明米脂县地质灾害危险程度分布图(局部)。
图11为本发明米脂县地质灾害隐患风险点分布图(局部)。
图12为本发明米脂县地质灾害隐患风险点分布图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
请参阅图1-图12,本申请公开了一种地质灾害隐患风险的精细化识别与核查方法,在采集数据的基础上进行InSAR解译与隐患识别、DEM地形分析与隐患识别、地面核查、灾害易发性评价分区等多种技术手段相结合的方式。
1.大型户外航测及无人机航测
为了提高核查工作效率和工作精度,充分运用研究区全域高精度航拍正射影像成果,充分提取核查区坡型、坡度、颇高等斜坡参数,以及地质环境条件和地质灾害信息。在野外核查中,充分运用无人机航测技术,提高野外核查精度和效率。
(1)无人机采用2000万像素以上传感器的数码相机,配合广角定焦镜头,并经静态检校确认性能优良。同时配备差分GPS及飞行姿态记录系统为数据后处理提供必须的外方位元素。
(2)结合工作区具体地形气象条件,以及最终成图要求,确定航线并结合任务载荷性能指标进行航线精确设计。
(3)针对不同工作区实际条件,选用国家统一坐标系或采用相对坐标系进行地面控制,控制点指标应满足测图需求。
(4)航摄实施阶段应满足航空管制要求,制定详细的飞行计划并制定应急预案,必要时应准备多处备降场地。在具体实施过程中应注意监测风力变化,采用固定翼和直升机工作时风力不得大于4级,飞艇应不大于3级。
(5)做好飞行质量控制,航向重叠度一般应为60%~80%;最小不应小于53%;旁向重叠度一般应为15%~60%,最小不应小于8%。像片倾角应不大于5°,最大不超过12°。像片旋角一般应不大于15°,在确保像片航向和旁向重叠度满足要求的前提下,个别最大旋角不超过30°。
(6)每次任务飞行应由专人做好飞行记录工作,针对获取数据做好自检和互检工作,对于发现的技术问题必须及时纠正。
2.InSAR解译与隐患识别
通过获取多期时间序列SAR数据,采用D-InSAR、SBAS-InSAR、PS-InSAR干涉测量技术,开展SAR数据处理。根据SAR数据处理结果,结合高分光学影像、卫星雷达影像、基础地理信息数据等,以及区域地质灾害发育特征,对地表形变监测结果进行分析,建立地质灾害隐患识别标志,并进行地质灾害隐患解译识别。
具体的,在搜集下载榆林市Sentinel-1A升轨数据的基础上进行InSAR处理,数据采用干涉宽幅(IW,InterferometricWideswath)模式,该成像模式采用中等分辨率(5m×20m)获取幅宽250km的影像,采用递进的地形扫描方式(TOPSAR,TerrainObservationwithProgressiveScansSAR)。由于Sentinel-1A卫星具有双极化、短重访周期、快速产品生产的能力,可以为同一地区的长时间序列监测提供技术支撑。然后利用SARscape、StaMPS和GAMMA软件对覆盖研究区的Sentinel-1A升轨数据采用影像裁剪、影像配准、地形相位估计、差分干涉、高相干点选取、相位解缠、变形提取和误差估计进行DInSAR、SBAS-InSAR和IPTA-InSAR处理,筛选最优InSAR变形提取方法,计算区域时间序列地表变形。
DEM地形分析与隐患识别
充分运用2021年5月完成的榆林市全域高精度DEM数据,结合航拍正射影像成果,开展地形分析,提取坡型、坡度、颇高、NDVI等参数,结合系统形成条件,计算地质灾害易发指数,圈定坡度大于45°和高度大于8m的高陡边坡或不稳定斜坡区段,以及切坡建设地段。与承灾体进行叠加,开展地质灾害隐患识别。在ArcGIS平台下,利用2m×2m高精度DEM数据提取易发坡段,提取步骤如下:
①利用SpatialAnalystTools→Surface→Slope坡度分析工具,计算研究区域坡度,得到坡度分级图;
②利用SpatialAnalystTools→Reclass→Reclassify重分类工具,提取米脂县坡度大于40°斜坡段;
③利用ConversionTools→FromRaster→RastertoPolygon转换工具,将米脂县坡度大于40°斜坡段转换为矢量多边形;
④由于坡度的不连续性,部分斜坡上会发育较平坦地段,因此在提取的大于40°斜坡段上会有孔洞存在,利用DataManagementTools→Generalization→EliminatePolygonPart工具,消除斜坡多边形孔洞,将孔洞就近融合为斜坡单元;
⑤利用SpatialAnalystTools→Zonal→ZonalStatistics工具,计算坡度大于40°斜坡单元坡高,提取坡高大于8m的斜坡段,得到研究区崩塌滑坡易发坡段识别图。
通过攻克一系列科技难题最终快速准确的识别出了榆林市米脂县崩塌滑坡易发坡段区域。
遥感解译
对研究区基于DEM识别出的易发坡段利用专业软件叠加高精度遥感影像数据,开展基于承灾体的危险坡段识别和核查。具体识别和核查方法为:在高易发坡段识别图的基础上,参考研究区的农房调查数据,人机交互圈画有威胁对象的高陡斜坡单元,得到研究区基于遥感影像的危险坡段识别图。
结合历史地质灾害发育特征、地表变形速率和专家经验确定斜坡地质灾害隐患和地面塌陷区解译标志,解译识别具有较大变形的地质灾害和地面塌陷隐患点;结合数字地形分析和人工解译,提取地质灾害隐患名称、类型、坐标、地理位置、坡度、坡向、坡高、长、宽和威胁对象等特征参数。
具体来说,遥感核查主要包括两个部分内容:
(1)遥感解译
①已有滑坡解译:利用高精度遥感影像,采用人机交互的方式,进行已有滑坡解译,并逐一填卡建档。
②危险坡段校译:利用高精度遥感数据,对基于DEM圈画出的危险坡段逐一进行遥感解译,进一步校正危险坡段圈画的界限。
③滑移距离及威胁对象解译:根据每一个危险坡段的坡形参数和遥感影像特征,参照该区滑移距离经验数据,估计可能的滑移距离,圈画可能的影响范围,解译可能的威胁对象,得到基于遥感的可能造成损失的危险坡段分布图和对应的威胁对象。
(2)核查隐患点提取
根据DEM的危险坡段识别和遥感解译结果,提取地质灾害隐患点具体信息,编制隐患识别图,填写隐患识别卡片。
基于数字地形分析的斜坡地质灾害隐患早期识别
前面的技术方案在收集研究区高精度DEM数据的基础上,利用GIS空间分析工具提取区域坡度、坡向、坡高等一系列地形参数;结合数字地形自动分割和水系分割方法,科学提取全区斜坡单元;基于历史地质灾害数据库,分析历史地质灾害发育中地形参数的贡献量,利用机器学习和深度学习方法,建立斜坡地质灾害隐患预测模型,早期识别斜坡地质灾害隐患点;结合数字地形分析和人工解译,提取地质灾害隐患名称、类型、坐标、地理位置、坡度、坡向、坡高、长、宽和威胁对象等特征参数。根据所得地质灾害发育规律研究,进行地质灾害易发性评价。通过研究已发生或已变形的地质灾害地区实际情况,分析相关影响因子,并研究各影响因子的信息数量和质量,选取对地质灾害易发性影响最大的相关组合因子,反映不同因子对地质灾害的形成发生的贡献大小。其模型计算公式:
式中,Ii指各影响因子对崩塌、滑坡提供的信息量;N指研究区内风险点的总个数;S指研究区总面积;Ni指分布在各因子类别中风险点的个数;Si指研究区内某评价因子的面积。最终计算出的Ii为该影响因子的总信息量值,其值越大表示越有利于崩塌、滑坡等地质灾害的发生,即地质灾害的易发性越高。根据分析各个因子对研究区地质灾害发生的控制结果,一般确定6个指标因子(地貌、工程地质岩组、年降雨量、地下水类型、距水系距离、植被归一化指数)组成滑坡灾害易发生评价的指标体系。易发性评价可通过ArcGIS中的空间分析功能来实现,具体包含以下步骤:
(1)各影响因子图层分析:针对影响米脂县风险点分布的六大因素进行空间分析,得到6张单因子图层。
(2)将6张单因子评价图层分别与风险点分布图在ArcGIS中做空间分析,得到滑坡在不同因子不同分类中的分布密度,然后根据式模型计算公式可计算出各因子图层各类别对地质灾害隐患风险点影响的信息量值及相关数据分析。
(3)根据信息量值将6个评价因子重新生成6张信息量图,然后对6张信息量图层进行空间叠加分析,生成以总的信息量值为评价指标将米脂县全域依次分为极高易发区、高易发区、中易发区、低易发区的地质灾害易发性评价图。
在完成室内工作的基础上进行地质灾害野外核查内容,首先是群众报险报灾点核查,然后是在册地质灾害隐患点核查,然后对DEM和遥感识别风险点进行核查,最后如果在现场发现地质灾害隐患风险点也要进行核查。主要核查风险点类型、地质环境条件、变形破坏迹象、威胁对象,并进行危险性和风险评价,提出防治措施建议。
1.在自主研发的APP上填写非在册隐患点内容
群众报险报灾点、DEM和遥感识别风险点、现场新发现地质灾害隐患风险点核查APP填写内容包括:任务编号、任务名称、等。
表1地质灾害风险核查APP填写一览表
APP部分内容填写方式如下:
(1)任务编号:榆林市自然资源和规划综合调查平台系统自动生成编号;
(2)任务名称:即风险点名称,按“村+住户姓名”登记;
(3)风险点编号:非在册隐患点按米脂县名称的首字母大写+4位阿拉伯数字编号(如MZX4351);
(4)核查类型:群众报险报灾、DEM识别等;
(5)风险类型:滑坡、崩塌、泥石流等;
(6)危险程度:几乎一定、很可能、可能、不一定、很少、几乎不可能;
(7)威胁对象(重要目标):民房、公路铁路沿线、煤矿及相关区域、旅游景区、企业、学校及教育机构、医院卫生所等医疗机构、寺庙道观等、其它;
(8)风险等级:极高、高、中、低;
(9)防治措施建议:近期(汛期):加强巡查、应急监测、临时撤离避让;中远期:群测群防、监测预警、工程治理、搬迁避让;
(10)带队干部:县、镇(街道办)、村三级带队干部姓名。
2.在册隐患点APP填写内容
在册地质灾害隐患点核查APP填写内容包括:统一编号、风险点编号、行政区、镇、灾害点名称、地理位置、灾害类型、主导因素、坐标(经度、纬度)、规模(长度、宽度、厚度、规模、规模等级)、危险程度、威胁对象(威胁户数、威胁人数、威胁房屋、威胁财产、险情等级)、目前稳定状态、今后发展趋势、入库时间、监测方法、风险程度、防治措施建议、带队干部、核查专家等。
地质灾害风险取决于斜坡危险程度和危害程度,将风险定义为地质灾害发生时承灾体遭受损害的可能性,即风险是危险程度和危害程度的函数。
R=f(H,D)
其中,R为风险,H为危险程度,D为危害程度。
危险程度按斜坡失稳年概率分为几乎一定(≥10-1)、很可能(≥10-2-<10-1)、可能(≥10-3-<10-2)、不一定(≥10-4-<10-3)、很少(≤10-5-<10-4)、几乎不可能(<10-5)6级;危害程度按威胁对象分为特大级(>30人,或>1000万元)、重大级(10-30人,或500-1000万元)、较大级(3-10人,或100-500万元)、一般级(<3人,或<100万元)4级。
综合考虑危险程度和危害程度,根据地质灾害风险评估分级表,将地质灾害风险等级划分为4个级别:极高、高、中、低(表3-3-1)。
表3-3-1地质灾害风险评估分级表
注:(1)VH-风险极高,H-风险高,M-风险中,L-风险低。
(2)一般级<3人,或<100万元;较大级3-10人,或100-500万元;重大级10-30人,或500-1000万元;特大级>30人,或>1000万元。
由于野外判断斜坡失稳年概率较难,因此危险程度可根据斜坡坡度、坡高、变形迹象、物质组成等综合判断。
(1)几乎一定:坡体主要由Q3黄土组成,斜坡高陡破碎,近2年经常发生较大范围变形现象。
(2)很可能:坡体主要由Q3黄土组成,斜坡高陡破碎,时常发生局部变形现象。
(3)可能:坡体主要由Q2或Q3黄土组成,斜坡高陡破碎,有一定的变形迹象。
(4)不一定:坡体主要由Q2或Q3黄土组成,坡高较小,变形迹象不明显。
(5)很少:坡度、坡高均较小,无变形迹象。
(6)几乎不可能:坡度、坡高均很小,无变形迹象(DEM和遥感识别过程中已剔除;已工程治理)
本技术流程对于在自然资源数据管理平台的基础上设计增加相应的地质灾害数据库模块,作为省、部级地质灾害数据库的补充,用于市、县级地质灾害防治工作具有重要意义。同时为开展崩塌、滑坡、泥石流、采空塌陷、地裂缝等隐患发育特征和分布规律研究,揭示地质灾害形成机理和成灾模式提供了数据与技术支撑。为开展地质灾害易发性区划和危险性区划,提出地质灾害风险防控对策和基于地质灾害的国土空间规划优化建议提供了理论支撑。
实施例
榆林市位于陕西省最北部,是国家级能源化工基地的重要组成部分,也是陕西省地质灾害较为严重的地区,本次成果实施以榆林市米脂县为例,形成以万名群众报险报灾为基础,以各级干部为推动力,以地质灾害防治专家为核心的地质灾害隐患识别和大核查格局,具体工作认为为群众报险报灾点的核查、在册地质灾害隐患点核查、DEM和遥感识别风险点核查、现场新发现地质灾害隐患风险点核查。加大关键技术攻关力度,切实解决地质灾害防治领域的风险早期识别薄弱环节,摸清榆林市米脂县地质灾害风险隐患底数。为陕西省乃至全国提供地质灾害隐患识别和核查示范。
以本申请技术流程为其他省市地区的地质灾害调查提供范本,根据此技术流程的方法开展地质灾害核查,节约人力无力,且能达到全面、高效的效果。比起传统的地质灾害调查方式,效率更高、精度更高。
本次核查具体工作如下,其中采用基于DEM和InSAR的地质灾害大核查识别技术为本次工作的主要技术手段。
1、资料收集与整理分析
(1)研究区地质灾害数据库及分布图。主要包括滑坡、崩塌、泥石流、采空塌陷、地裂缝等隐患点的数据及分布。
(2)研究区地质灾害形成条件与诱发因素资料。主要包括气象、水文、地形地貌、地层与构造、新构造与地震、水文地质、工程地质和人类工程经济活动等。
(3)研究区地质灾害防治工程位置及基础数据。
(4)研究区高精度多期遥感影像。
(5)研究区1:1万地形图及DEM。
(6)研究区多期InSAR数据。
(7)研究区群测群防体系建设、地质灾害防治规划、国土空间规划、生态环境保护规划等相关资料。
2、野外数据采集APP研发
为了给本次研究工作提供快捷、方便和安全的服务,本项目采用手机APP采集地质调查数据。
3、基于InSAR技术的地质灾害隐患识别
通过InSAR技术识别地面形变,圈定疑似崩塌、滑坡、采空塌陷、地裂缝等隐患的区域或地段。
(1)基于InSAR的地表变形监测
收集覆盖榆林市最新Sentinel-A升降轨数据,开展多种InSAR技术应用对比研究,选择最优InSAR技术在榆林市开展地表变形监测,获取区内最新地表变形速率和长时间序列变形,建立榆林市地表毫米级形变监测数据库。
(2)斜坡地质灾害与地面塌陷隐患早期识别
基于榆林市历史灾害特征,结合地表变形监测数据、光学影像和数字高程模型,建立榆林市基于InSAR的斜坡地质灾害与地面塌陷隐患识别阈值和判据,通过专家经验的人工解译圈定研究区变形速率较大的不稳定区域,并进一步确定不稳定区域的地质灾害隐患类型,完成榆林市斜坡地质灾害和地面塌陷隐患早期识别。
(3)斜坡地质灾害隐患和地面塌陷发育特征分析与规模预测
基于多源遥感数据,利用GIS空间分析方法,统计斜坡地质灾害和地面塌陷隐患的发育特征和孕灾环境,分析斜坡地质灾害和地面塌陷的发育和空间分布特征;通过资料收集、文献综述、光学遥感解译等手段,建立历史斜坡地质灾害和地面塌陷发育特征与规模之间的关系,基于地质灾害隐患早期识别结果,对潜在地质灾害的规模进行预测。
(4)疑似隐患点信息提取
根据基于InSAR的地表变形监测和隐患识别结果,提取地质灾害疑似隐患点具体信息,编制疑似隐患识别图,填写疑似隐患识别卡片,提供野外核查验证。
4、基于DEM的地质灾害隐患识别
榆林市地质构造简单,岩土体类型较单一,斜坡的地貌部位决定着斜坡的坡度、坡高和坡型,从而影响斜坡体内应力的大小和分布,控制着斜坡的稳定性及其变形破坏模式。针对丘陵山区的乡镇、街道办、村落等人员居住区房前屋后的高陡边坡(坡度大于45度、高度大于8米)、不稳定边坡等,建立榆林市基于DEM的疑似隐患点识别阈值标准,开展基于DEM的地质灾害隐患识别。
(1)基于DEM的危险坡段识别,在1∶1万数字高程模型(DEM)上,以坡度、坡面曲率为分类指标进行坡体划分,综合考虑坡高、坡型对斜坡稳定性的影响,筛选出具有一定规模或具有危险性的斜坡坡段。
(2)遥感解译
①已有滑坡解译:利用高精度遥感影像,采用人机交互的方式,进行已有滑坡解译,并逐一填卡建档。
②危险坡段校译:利用高精度遥感数据,对基于DEM圈画出的危险坡段逐一进行遥感解译,进一步校正危险坡段圈画的界限。
③滑移距离及威胁对象解译:根据每一个危险坡段的坡形参数和遥感影像特征,参照该区滑移距离经验数据,估计可能的滑移距离,圈画可能的影响范围,解译可能的威胁对象,得到基于遥感的可能造成损失的危险坡段分布图和对应的威胁对象。
(3)核查隐患点提取
根据DEM的危险坡段识别和遥感解译结果,提取地质灾害隐患点具体信息,编制隐患识别图,填写隐患识别卡片。
5、灾害野外大核查
(1)在册地质灾害隐患点实地核查
对工作区已有在册的地质灾害隐患点(1589处)、群众报险报灾点、地质灾害防治工程的治理点,采用开发的数据采集APP系统,逐一开展地质灾害野外核查工作。
(2)疑似地质灾害隐患点实地核查。
对通过InSAR和DEM等识别的疑似崩塌、滑坡、采空塌陷、地裂缝等隐患,且有威胁对象的区域或地段,逐一实地核查。重点核查城镇、学校、医院、集市、村庄、厂矿、风景区等人口聚集区,主要交通道路、河谷两岸、煤矿广场及在建工程场地等
(3)疑似地质灾害隐患点实地抽查。
对通过InSAR和DEM等识别的疑似崩塌、滑坡、采空塌陷、地裂缝等隐患,但尚无威胁对象的疑似隐患点采用光学遥感解译+无人机航测+野外抽查验证的方式核查。
(4)疑似地质灾害隐患点遥感核查。
对通过DEM等识别的坡度大于45°和高度大于8m,且无变形迹象和威胁对象的高陡边坡或不稳定斜坡,在光学遥感解译核查的基础上划为地质灾害高易发区段。
(5)逐一填写地质灾害隐患点信息。
对地质灾害隐患点的地质环境条件、地表变形破坏迹象诱发因素等进行核查,在APP上逐一填写和完善隐患点信息。地质灾害隐患核查表APP内容主要包括隐患点编号、名称、类型、位置及坐标、主要特征、威胁对象、危险程度及防治措施建议等。提交后将自动生成地质灾害隐患数据库。
6、数据库建设
地质灾害风险管理的基础是建立灾害数据库,虽然工程地质人员记录了大量调查点数据,但是存在无法进行数据共享、快速准确查找调查数据、统计分析数据信息、查看灾害点分布、计算灾害点密度等等不足,为了突破这些缺点,构建灾害数据库具有重大意义。
7、综合研究
(1)在榆林市自然资源数据管理平台的基础上,设计增加相应的地质灾害数据库模块,作为省、部级地质灾害数据库的补充,主要用于市、县级地质灾害防治工作。
(2)开展榆林市崩塌、滑坡、泥石流、采空塌陷、地裂缝等隐患发育特征和分布规律研究,揭示地质灾害形成机理和成灾模式。
(3)开展榆林市地质灾害易发性区划和危险性区划,提出地质灾害风险防控对策和基于地质灾害的国土空间规划优化建议。
(4)提出陕西省地质灾害综防体系建设完成后榆林市地质灾害防治规划建议。
(5)编制榆林市地质灾害隐患大核查报告,总结大核查经验,形成陕西省乃至全国地质灾害隐患识别和核查示范。
8、主要成果
本次大核查取得的主要成果包含以下几个方面:
1.基于DEM和遥感技术开展了地质灾害易发坡段和危险坡段早期识别,为实地核查提供了靶区。
通过1∶1万DEM识别米脂县坡度大于40°、坡高大于8m的地质灾害易发坡段44716个,在此基础上,通过高分辨率遥感数据核查有威胁对象危险坡段4198个,试图解决“隐患在哪里”,为地质灾害风险实地核查提供了有效靶区,起到事半功倍效果。
2.通过实地核查,摸清了米脂县地质灾害风险底数,为地质灾害综合防控提供了科学依据。
采用专家、干部、群众相结合,专家为主的核查模式对群众报险报灾点、在册地灾隐患点、DEM识别危险坡段等逐一进行现场核查。以自然村为单元,县域范围全覆盖,横向到边、纵向到底、不留死角,努力解决地质灾害隐患“结构是什么”“风险有多高”。米脂县共实地核查地质灾害隐患风险点4406处,其中极高风险点11处、高风险点304处、中风险点1451处、低风险点2640处,摸清了地质灾害风险底数,为米脂县地质灾害防治数据库建立和有序整治提供了科学依据。
3.完成了米脂县1∶1万地质灾害易发性评价与区划,提出了基于易发区的管控措施建议。
基于GIS的信息量法,建立并提取了地质灾害易发性评价指标体系,完成了米脂县1∶1万地质灾害易发性评价。米脂县极高易发区面积76.42km2,占比6.48%;高易发区面积246.67km2,占比20.93%;中易发区面积731.39km2,占比62.04%;低易发区面积124.32km2,占比10.55%。
4.总结了米脂县地质灾害风险特征,根据风险核查结果,提出了有针对性的精准管控措施建议。
米脂县地质灾害风险集中发育在黄土沟道内,点多面广,以黄土崩塌为主;地质灾害风险呈现向小型化发展的趋势;地质灾害危害程度和避险能力均呈现降低趋势。结合实际划分风险等级,对每个风险点提出有针对性的防控措施建议,建立风险台账,移交市、县、镇各级政府,为地质灾害有效精准防控打下坚实基础。
5.形成了一套地质灾害风险识别和核查技术方法体系,为地质灾害大核查提供了创新技术与“榆林模式”。
聚焦地质灾害“隐患在哪里”“结构是什么”“风险有多高”等关键科学问题,采取“现代科技+人力资源”相结合、“天空地”三位一体模式,构建了以DEM识别、遥感解译和野外核查为主线的地质灾害风险识别和核查工作技术方法体系,精准支撑服务米脂县汛前地质灾害大核查,摸清地质灾害风险底数,打造了地质灾害风险大核查“现代科技+人力资源”相结合示范样板。
本次共实地核查市级地质灾害隐患点4406处,并根据核查风险评估标准,对核查点危险程度和风险进行了分级评估。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:包括以下步骤:
S1:资料收集
S2:技术研发
根据步骤S1中收集到的地质资料,开发数据采集APP,并建立地质灾害隐患数据库,研发并建立研究区域基于DEM、InSAR的疑似隐患点识别阈值标准;
S3:早期识别
根据步骤S2中的DEM识别高陡边坡和不稳定斜坡,根据InSAR识别地面变形区段;
S4:遥感核查
根据步骤S3中DEM识别出的高陡边坡和不稳定斜坡,利用软件叠加高精度遥感影像数据,开展基于承灾体的危险坡段识别和核查;
S5:野外核查
在完成步骤S4所述的遥感核查的基础上进行野外核查,核查风险点类型、地质环境条件、变形破坏迹象、威胁对象;
S6:地质灾害隐患大核查成果与示范。
2.根据权利要求1所述的一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:步骤S2中InSAR的疑似隐患识别,包括以下步骤:
S201:通过获取多期时间序列SAR数据,采用D-InSAR、SBAS-InSAR、PS-InSAR干涉测量技术,开展SAR数据处理;
S202:根据SAR数据处理结果,结合高分光学影像、卫星雷达影像、基础地理信息数据,以及区域地质灾害发育特征,对地表形变监测结果进行分析;
S203:建立地质灾害隐患识别标志,并进行地质灾害隐患解译识别。
3.根据权利要求2所述的一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:步骤S2中DEM地形分析与疑似隐患识别,包括以下方面:
将已有的高精度DEM数据结合航拍正射影像成果,开展地形分析;
提取提取坡型、坡度、颇高、NDVI参数,结合系统形成条件,计算地质灾害易发指数,圈定坡度大于45°和高度大于8m的高陡边坡或不稳定斜坡区段,以及切坡建设地段;
与承灾体进行叠加,开展地质灾害隐患识别。
4.根据权利要求3所述的一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:利用高精度DEM数据提取易发坡段,提取步骤如下:
S2011:利用SpatialAnalyst Tools→Surface→Slope坡度分析工具,计算研究区域坡度,得到坡度分级图;
S2012:利用SpatialAnalyst Tools→Reclass→Reclassify重分类工具,提取研究区域坡度大于40°斜坡段;
S2013:利用Conversion Tools→From Raster→Rasterto Polygon转换工具,将研究区域坡度大于40°斜坡段转换为矢量多边形;
S2014:由于坡度的不连续性,部分斜坡上会发育较平坦地段,因此在提取的大于40°斜坡段上会有孔洞存在,利用Data Management Tools→Generalization→EliminatePolygon Part工具,消除斜坡多边形孔洞,将孔洞就近融合为斜坡单元;
S2015:利用SpatialAnalystTools→Zonal→Zonal Statistics工具,计算坡度大于40°斜坡单元坡高,提取坡高大于8m的斜坡段,得到研究区域崩塌滑坡易发坡段识别图。
5.根据权利要求4所述的一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:步骤S2中基于DEM、InSAR的疑似隐患点识别阈值标准是结合地质灾害发生的年概率和地质灾害的危害程度,共同体现地质灾害风险评价结果。
6.根据权利要求5所述的一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:步骤S4中的遥感核查包括以下步骤:
S401:利用GIS空间分析工具提取区域坡度、坡向和坡高的地形参数;结合数字地形自动分割和水系分割方法,科学提取全区斜坡单元;
S402:基于历史地质灾害数据库,分析历史地质灾害发育中地形参数的贡献量,利用机器学习和深度学习方法,建立斜坡地质灾害隐患预测模型,早期识别斜坡地质灾害隐患点;
S403:结合数字地形分析和人工解译,提取地质灾害隐患名称、类型、坐标、地理位置、坡度、坡向、坡高、长、宽和威胁对象的特征参数;
S404:根据所得地质灾害发育规律研究,进行地质灾害易发性评价;
S405:通过研究已发生或已变形的地质灾害地区实际情况,分析相关影响因子,并研究各影响因子的信息数量和质量,选取对地质灾害易发性影响最大的相关组合因子,反映不同因子对地质灾害的形成发生的贡献大小,其模型计算公式:
式中,Ii指各影响因子对崩塌、滑坡提供的信息量;N指研究区内风险点的总个数;S指研究区总面积;Ni指分布在各因子类别中风险点的个数;Si指研究区内某评价因子的面积;
S406:最终计算出的Ii为该影响因子的总信息量值,其值越大表示越有利于崩塌、滑坡类型的地质灾害的发生,即地质灾害的易发性越高。
7.根据权利要求6所述的一种地质灾害隐患风险的精细化识别与核查方法,其特征在于:步骤5中的野外核查包括以下步骤:
S501:各影响因子图层分析:针对影响研究区域风险点分布的六大因素进行空间分析,得到6张单因子图层;
S502:将6张单因子评价图层分别与风险点分布图在ArcGIS中做空间分析,得到滑坡在不同因子不同分类中的分布密度,然后根据式模型计算公式计算出各因子图层各类别对地质灾害隐患风险点影响的信息量值及相关数据分析;
S503:根据信息量值将6个评价因子重新生成6张信息量图,然后对6张信息量图层进行空间叠加分析,生成以总的信息量值为评价指标将研究区域全域依次分为极高易发区、高易发区、中易发区、低易发区的地质灾害易发性评价图;
S504:根据地质灾害易发性评价图提出防治措施建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046295.5A CN116665035A (zh) | 2023-01-31 | 2023-01-31 | 一种地质灾害隐患风险的精细化识别与核查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310046295.5A CN116665035A (zh) | 2023-01-31 | 2023-01-31 | 一种地质灾害隐患风险的精细化识别与核查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665035A true CN116665035A (zh) | 2023-08-29 |
Family
ID=87708538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310046295.5A Pending CN116665035A (zh) | 2023-01-31 | 2023-01-31 | 一种地质灾害隐患风险的精细化识别与核查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665035A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN117172561A (zh) * | 2023-11-03 | 2023-12-05 | 广东新禾道信息科技有限公司 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
-
2023
- 2023-01-31 CN CN202310046295.5A patent/CN116665035A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN117172561A (zh) * | 2023-11-03 | 2023-12-05 | 广东新禾道信息科技有限公司 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
CN117172561B (zh) * | 2023-11-03 | 2024-01-02 | 广东新禾道信息科技有限公司 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Quantifying the contribution of multiple factors to land subsidence in the Beijing Plain, China with machine learning technology | |
Rawat et al. | Changes in land use/cover using geospatial techniques: A case study of Ramnagar town area, district Nainital, Uttarakhand, India | |
Luo et al. | Integrated RS, GIS and GPS approaches to archaeological prospecting in the Hexi Corridor, NW China: a case study of the royal road to ancient Dunhuang | |
Nappo et al. | Slow-moving landslides interacting with the road network: Analysis of damage using ancillary data, in situ surveys and multi-source monitoring data | |
CN116665035A (zh) | 一种地质灾害隐患风险的精细化识别与核查方法 | |
Dadras et al. | Land use/cover change detection and urban sprawl analysis in Bandar Abbas City, Iran | |
Klimeš | Landslide temporal analysis and susceptibility assessment as bases for landslide mitigation, Machu Picchu, Peru | |
Saranaathan et al. | Landslide susceptibility zonation mapping using bivariate statistical frequency ratio method and GIS: a case study in part of SH 37 Ghat Road, Nadugani, Panthalur Taluk, The Nilgiris | |
Suleman et al. | Selecting suitable sites for mine waste dumps using GIS techniques at Goldfields, Damang Mine | |
Sarda et al. | Landslide Susceptibility Mapping Using Information Value Method. | |
Andreas et al. | Incorporating geology and geomorphology in land management decisions in developing countries: A case study in Southern Costa Rica | |
Huntley et al. | Scalable platform for UAV flight operations, data capture, cloud processing and image rendering of landslide hazards and surface change detection for disaster-risk reduction | |
Stanislawski et al. | Automated road breaching to enhance extraction of natural drainage networks from elevation models through deep learning | |
Kuzin et al. | Prediction of natural and technogenic negative processes based on the analysis of relief and geological structure | |
Nonomura et al. | Regional extraction of flexural-toppled slopes in epicentral regions of subduction earthquakes along the Nankai Trough using DEMs | |
Rua | Geographic information systems in archaeological analysis: a predictive model in the detection of rural Roman villae | |
Al-Jawadi et al. | Lineament Analysis by Using Remote Sensing and GIS Technique of Sangaw Area, Kurdistan Region, NE Iraq | |
ROSIAN et al. | Geomorphological constraints in the urban development of the Gruia district in Cluj-Napoca | |
Said et al. | A review of geospatial technology-based applications in mineral exploration | |
Long et al. | Assessment of global digital height models over Quang Ninh Province, Vietnam | |
Amanzio et al. | Integration of terrestrial laser scanning and GIS analysis for multi-temporal landslide monitoring: A case study of the Mont de La Saxe (Aosta Valley, NW Italy) | |
Li et al. | Study on road damage assessment based on RS and GIS | |
Margarint et al. | Large landslide risk assessment in hilly areas. A case study of Huşi town region (North-East of Romania) | |
CHOORESHWARSINGH | Landslide Susceptibility Mapping using GIS-based Frequency Ratio, Shannon Entropy, Information Value and Weight-of-Evidence approaches in part of Kullu district, Himachal Pradesh, India | |
Strange | Subsidence monitoring for state of Arizona |
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 |