CN116758707B - 一种基于大数据的地质灾害监测系统及方法 - Google Patents
一种基于大数据的地质灾害监测系统及方法 Download PDFInfo
- Publication number
- CN116758707B CN116758707B CN202311043547.5A CN202311043547A CN116758707B CN 116758707 B CN116758707 B CN 116758707B CN 202311043547 A CN202311043547 A CN 202311043547A CN 116758707 B CN116758707 B CN 116758707B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- water
- sedimentation
- grid
- value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 376
- 238000000034 method Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 396
- 238000004062 sedimentation Methods 0.000 claims abstract description 147
- 238000009825 accumulation Methods 0.000 claims abstract description 106
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000002689 soil Substances 0.000 claims description 21
- 230000003068 static effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims 1
- 238000001556 precipitation Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
Abstract
本发明公开了一种基于大数据的地质灾害监测系统及方法,属于灾难报警技术领域,该方法包括步骤S1:基于每个监测网格在不同时刻的第一积水量和第二积水量建立第一积水表格和第二积水表格;步骤S2:基于累计降雨量建立降雨量表格;步骤S3:计算相邻监测网格之间的水量流动数值,基于水量流动数值建立水量流动表格;步骤S4:基于第一积水表格和第二积水表格计算生成积水量变化表格,基于降雨量表格、积水量变化表格和水量流动表格计算生成水量沉降表格;步骤S5:若水量沉降表格中监测网格的沉降水量小于第一阈值,则生成第一警告。本发明在预测时考虑了降水量和地质自身实时水量汇集沉降因素,从而更加精确地对地质灾害进行预测。
Description
技术领域
本发明属于灾难报警技术领域,具体涉及一种基于大数据的地质灾害监测系统及方法。
背景技术
物联网是一种基于互联网的通信技术,其主要思想是通过各种传感器和设备实现对物理世界的实时监测和数据采集,从而实现智能化管理和控制。因此,利用传感器采集各种数据,如水位变化、地形变化、土壤变形等,并将其传输至中央服务器,中央服务器利用大数据对接收到的海量数据进行分析和挖掘,从而实现对地质灾害的预测和预警。
例如中国专利申请“CN108711264A”公开了一种基于大数据的地质灾害监测方法及监测系统,该方法通过获取监测区域内的地质监测信息、图像监控信息和灾害舆情信息,并对其进行语义分析,以生成地质灾害数据;之后将地质灾害数据进行地理聚类处理,以生成区域性地质灾害数据;最后将区域性地质灾害数据与灾害历史数据进行对比,生成区域性灾害预测信息,从而建立了基于大数据的地质灾害分析与实时预警体系;又例如中国专利申请“CN108961688A”公开了一种大数据支持下的地质灾害监测与预警方法,该方法根据地质灾害点的历史数据,生成对应的地质灾害监测模型,将监测区域与地质灾害检测模型进行相似性分析,若相似性达到限定值,则将该监测区域设置为地质灾害隐患区,之后通过实时设备获取该地质灾害隐患区的监测数据;将监测数据中的每个因子与所述相似性最高的地质灾害监测模型所对应的数据做相似性分析,得到地质灾害发生的概率值,若概率值大于限定值则进行地质灾害实时预警,提高了监测灾害精确性。
地质灾害的发生不仅与降雨量有关,而且与地质自身实时水量沉降情况有关,当某个区域在短时间内有较多水量汇集并沉降至土壤下,即便降雨量较小,也可能会发生地质灾害,然而,上述方法仅仅是获取当前监测区域内的降水量和地质参数等数据,并与历史数据进行对比,从而获得当前灾害发生的概率,并未考虑到沉降水量的因素。
发明内容
为解决上述问题,本发明提供了一种基于大数据的地质灾害监测系统及方法,以解决现有技术中在进行地质灾害预测时未考虑沉降水量的问题。
为了达到上述的发明目的,本发明提出一种基于大数据的地质灾害监测方法,包括:
步骤S1:积水监测模块建立地质监测地图,将所述地质监测地图划分为多个监测网格,对每个所述监测网格编号,获取每个所述监测网格当前时刻的第一积水量,设置监测时间,所述积水监测模块每隔所述监测时间获取各个所述监测网格的第二积水量,基于所述第一积水量和所述第二积水量分别建立第一积水表格和第二积水表格;
步骤S2:雨量监测模块获取所述地质监测地图中,每个所述监测网格在所述监测时间内的累计降雨量,基于所述累计降雨量建立降雨量表格;
步骤S3:流动趋势模块获取所述地质监测地图中各个所述监测网格的平均海拔,基于所述平均海拔计算相邻所述监测网格之间的海拔差值,所述流动趋势模块内建立有水量流动模型,所述水量流动模型基于神经网络和历史数据建立,所述历史数据包括实际测量的其它地质区域相邻所述监测网格之间的水量流动数值,以及与该所述水量流动数值对应两个所述监测网格的土壤数据、所述海拔差值、所述第一积水量和所述累计降雨量,其中,相邻所述监测网格之间的水量流动数值为所述水量流动模型的输出数据,所述流动趋势模块基于所述水量流动数值建立水量流动表格;
步骤S4:计算模块基于所述第一积水表格和所述第二积水表格计算生成积水量变化表格,所述积水量变化表格包括每个所述监测网格在所述监测时间内的积水量变化数值,所述计算模块基于所述降雨量表格、所述积水量变化表格和所述水量流动表格计算生成水量沉降表格;
步骤S5:预警模块基于所述水量沉降表格获取每个所述监测网格在所述监测时间内的沉降水量,所述预警模块内设置有第一阈值,若所述监测网格的沉降水量小于所述第一阈值,则所述预警模块生成第一警告。
进一步的,所述步骤S5之后,基于以下步骤生成第二警告和第三警告:
步骤S51:每间隔所述监测时间生成所述水量沉降表格,设置监测数量,当所述水量沉降表格的数量等于所述监测数量时,基于所述水量沉降表格生成的时间顺序对其进行排序,并继续执行步骤S52;
步骤S52:基于第一公式、第二公式和第三公式分别计算第k个所述监测网格的第一数值α k 、第二数值β k 和第三数值γ k ,所述第一公式为:,所述第二公式为:,所述第三公式为:/>,其中,r k 为基于所有所述水量沉降表格计算出第k个所述监测网格的累计沉降水量,A k 、B k 、C k分别为第k个所述监测网格的最大沉降水量和最小沉降水量,以及最后一个次序所述水量沉降表格中所述监测网格的当前沉降水量,n为预设的固定值;
步骤S53:基于当前沉降水量、累计沉降水量、所述第一数值、所述第二数值和所述第三数值计算每个所述监测网格的第一状态值和第二状态值,根据所述监测网格内覆盖的植物类型,将所述监测网格划分为多种监测类型,每种所述植物类型对应一种所述监测类型,基于所述监测类型设置每种所述监测网格的第二阈值和第三阈值,若所述第一状态值大于所述第二阈值,则生成所述第二警告,若所述第二状态值大于所述第三阈值,则生成所述第三警告。
进一步的,所述步骤S53中,基于以下步骤计算所述第一状态值和所述第二状态值:
以所述监测时间的沉降水量变化为x轴,以累计沉降水量变化为y轴建立坐标系,基于当前沉降水量和累计沉降水量生成第一坐标,最大沉降水量和所述第一数值生成第二坐标,最小沉降水量和所述第二数值生成第三坐标,当前沉降水量和所述第三数值生成第四坐标;
在所述坐标系内设置第一临界线和第二临界线,将四个坐标依次连接获得基准轮廓,获取所述基准轮廓的第一面积、位于所述第一临界线和所述第二临界线之间的第二面积、超出所述第二临界线的第三面积;
计算所述第二面积与所述第一面积的第一比值,所述第三面积与所述第一面积的第二比值,将所述第一比值和所述第二比值分别设定为所述第一状态值和所述第二状态值。
进一步的,所述步骤S53中,根据所述植物类型将所述监测网格划分为多种所述监测类型包括以下步骤:
所述积水监测模块获取所述地质监测地图的航拍视频,基于预设的时间间隔将所述航拍视频拆分为多张静态图像,将所述静态图像拼接为包括所述地质监测地图整体的全景图像;
设置颜色数据库,所述颜色数据库包括多种所述植物类型及其对应的参考像素值,所述积水监测模块对所述全景图像进行识别,获取所述全景图像内每个像素点的实际像素值,所述积水监测模块基于所述参考像素值和所述实际像素值将所述全景图像拆分为多个植物覆盖区域,获取每个所述植物覆盖区域的中心点,将同类型的所述植物覆盖区域所述中心点依次连接获得修正覆盖区域,每个所述修正覆盖区域对应一种所述植物类型;
将所述修正覆盖区域与位于其覆盖范围内的所述监测网格设定为归属关系,基于所述监测网格与所述修正覆盖区域的所述归属关系,以及所述修正覆盖区域对应的所述植物类型,将所述监测网格划分为多种所述监测类型。
进一步的,所述步骤S5中,计算所述监测网格的沉降水量包括以下步骤:
获取所述降雨量表格、所述积水量变化表格和所述水量流动表格中每个所述监测网格的数值,基于第四公式计算每个所述监测网格的沉降水量,所述第四公式为:,其中,c k 为所述降雨量表格中第k个所述监测网格的所述累计降雨量,ν为基准降雨量,e k 为所述积水量变化表格中第k个所述监测网格的积水变化数值,d k 为所述水量流动表格中第k个所述监测网格的水量流动数值,若所述监测网格为流入水量,则d k 的数值为正值,否则为负值,m为所述监测网格的总数量,f k 为所述水量沉降表格中第k个所述监测网格的沉降水量。
本发明还提供了一种基于大数据的地质灾害监测系统,该系统用于实现上述所述的一种基于大数据的地质灾害监测方法,该系统包括:
积水监测模块,用于建立地质监测地图,将所述地质监测地图划分为多个监测网格,对每个所述监测网格编号,获取每个所述监测网格当前时刻的第一积水量,设置监测时间,所述积水监测模块每隔所述监测时间获取各个所述监测网格的第二积水量,基于所述第一积水量和所述第二积水量分别建立第一积水表格和第二积水表格;
雨量监测模块,用于获取所述地质监测地图中,每个所述监测网格在所述监测时间内的累计降雨量,基于所述累计降雨量建立降雨量表格;
流动趋势模块,用于获取所述地质监测地图中各个所述监测网格的平均海拔,基于所述平均海拔计算相邻所述监测网格之间的海拔差值,所述流动趋势模块内建立有水量流动模型,所述水量流动模型基于神经网络和历史数据建立,所述历史数据包括实际测量的其它地质区域相邻所述监测网格之间的水量流动数值,以及与该所述水量流动数值对应两个所述监测网格的土壤数据、所述海拔差值、所述第一积水量和所述累计降雨量,其中,相邻所述监测网格之间的水量流动数值为所述水量流动模型的输出数据,所述流动趋势模块基于所述水量流动数值建立水量流动表格;
计算模块,用于基于所述第一积水表格和所述第二积水表格计算生成积水量变化表格,所述积水量变化表格包括每个所述监测网格在所述监测时间内的积水量变化数值,所述计算模块基于所述降雨量表格、所述积水量变化表格和所述水量流动表格计算生成水量沉降表格;
预警模块,用于基于所述水量沉降表格获取每个所述监测网格在所述监测时间内的沉降水量,所述预警模块内设置有第一阈值,若所述监测网格的沉降水量小于所述第一阈值,则所述预警模块生成第一警告。
与现有技术相比,本发明的有益效果至少如下所述:
本发明首先建立地质监测地图,并将地质监测地图划分为多个监测网格并编号,从而便于对每个区域进行管理,之后通过传感器获取每个监测网格在两个时刻的第一积水量和第二积水量,从而可以通过第一积水量和第二积水量计算在这两个时刻之间的积水变化量;之后通过雨量监测模块获取监测网格的累计降雨量,通过各个监测网格的土壤数据、第一积水量、累计降雨量和监测网格之间的平均海拔差值,计算监测网格之间的水量流动趋势和数值,最后通过上述参数计算出在两个时刻内每块监测网格的沉降水量,若沉降水量小于预设的第一阈值,则生成第一警告,表明该区域在短时间内存在大量的积水沉入至土壤中,从而提醒相关人员及时关注该区域,因此本发明不仅考虑降水量因素,并且能够考虑地质自身实时水量汇集沉降因素,可以更加精确地对相关地质灾害进行预测。
附图说明
图1为本发明一种基于大数据的地质灾害监测方法的步骤流程图;
图2为本发明生成水量沉降表格的原理示意图;
图3为本发明生成基准轮廓的原理示意图;
图4为本发明一种基于大数据的地质灾害监测系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1和图2所示,一种基于大数据的地质灾害监测方法,包括:
步骤S1:积水监测模块建立地质监测地图,将地质监测地图划分为多个监测网格,对每个监测网格编号,获取每个监测网格当前时刻的第一积水量,设置监测时间,积水监测模块每隔监测时间获取各个监测网格的第二积水量,基于第一积水量和第二积水量分别建立第一积水表格和第二积水表格。
具体的,积水监测模块首先获取要监测的地质监测地图,地质监测地图包括该区域的气象参数和地质参数等,在建立地质监测地图后,将其均匀的划分为多个监测网格,并将每个监测网格编号为1,2,···,I,其中I为地质监测地图中划分出的监测网格总数量,I为正整数,从而便于对该区域进行更加细致准确的预测;之后获取每个监测网格在当前时刻的第一积水量,第一积水量为在土壤表面的积水量,可通过水位传感器测得区域内多个水位的深度,并结合区域水位的面积进行计算,本实施例以立方米为水量单位;之后在经过监测时间获取监测网格的第二积水量,第二积水量同样为在土壤表面的积水量,监测时间可以设置为10分钟,或者20分钟等,本实施例取10分钟;也即每间隔10分钟获取各个监测网格的第二积水量,最后基于第一积水量和第二积水量分别建立第一积水表格和第二积水表格,如图2中的a和b所示,表格中的数值代表对应的积水量数值。
步骤S2:雨量监测模块获取地质监测地图中,每个监测网格在监测时间内的累计降雨量,基于累计降雨量建立降雨量表格。
降雨量为累计降雨量,例如雨量监测模块获取到监测网格1在10分钟的累计降雨量为0.3立方米,之后就根据降雨量生成降雨量表格,如图2中的c所示。
步骤S3:流动趋势模块获取地质监测地图中各个监测网格的平均海拔,基于平均海拔计算相邻监测网格之间的海拔差值,流动趋势模块内建立有水量流动模型,水量流动模型基于神经网络和历史数据建立,历史数据包括实际测量的其它地质区域相邻监测网格之间的水量流动数值,以及与该水量流动数值对应两个监测网格的土壤数据、海拔差值、第一积水量和累计降雨量,其中,相邻监测网格之间的水量流动数值为水量流动模型的输出数据,流动趋势模块基于水量流动数值建立水量流动表格。
具体的,平均海拔可以通过在监测网格内测量多个点求取平均值确定,也可以将监测网格中心点的海拔高度定义为平均海拔;水量流动模型基于神经网络技术构建,具体为BP神经网络模型;BP神经网络模型,也即水量流动模型包括3层网络结构,即输入层、隐藏层和输出层,由于水量流动模型的输入数据为要计算两个监测网格的海拔差值、土壤数据、积水量差值和降雨量,输出数据为两个监测网格之间的水量流动数值,因此,输入数据包括6个数据,输出数据为1个,因此水量流动模型输入层的输入神经元为6个,输出神经元为1个,隐藏层神经元数量基于实际测试结果确定,在本实施例中设置为10个;另外,水量流动数值具体为其中一个监测网格流向另一个监测网格的水量值,该值为土壤之上的水量,并不是雨水沉降至土壤内之后流动的数值;水量流动模型可以通过收集其它区域的历史数据进行训练并获得,土壤数据包括监测区域的地质坚固数值、地形外貌等,另外,可以不建立水量流动模型,通过在各个区块的边界设置水量流速计进行测定,但该方法需要付出较高的成本,故本实施例没有采用;之后基于水量流动数值建立水量流动表格,如图2中的表格d所示。在表格d中,箭头代表水量的流动方向,例如第1行第3列监测网格向第2行第3列的监测网格流动了0.3立方米的水量。
步骤S4:计算模块基于第一积水表格和第二积水表格计算生成积水量变化表格,积水量变化表格包括每个监测网格在监测时间内的积水量变化数值,计算模块基于降雨量表格、积水量变化表格和水量流动表格计算生成水量沉降表格。
继续参照图2,将第二积水表格b中每个监测网格的积水量减去第一积水表格a中每个监测网格的积水量,从而可以获得每个监测网格的积水量变化数值,之后基于积水量变化数值生成积水量变化表格e,在积水量变化表格e中,加号代表该监测网格在监测时间增加了对应数值的积水量,减号代表该监测网格在监测时间减少了对应数值的积水量。之后计算模块基于降雨量表格c、水量流动表格d和积水量变化表格e生成水量沉降表格f,具体计算方式在之后进行描述,在水量沉降表格f中,减号代表该监测网格在监测时间内向土壤中沉降了多少数值的积水量。
步骤S5:预警模块基于水量沉降表格获取每个监测网格在监测时间内的沉降水量,预警模块内设置有第一阈值,若监测网格的沉降水量小于第一阈值,则预警模块生成第一警告。
具体的,若土壤表面的积水在短时间内大量沉降至土壤中,则会的使得山体内的水量增加,这一般是发生泥石流的前兆,该理论是本领域技术人员所熟知的;在获得水量沉降表格f后,设置第一阈值,例如将第一阈值设置为-1.5,当某个监测网格中的水量沉降数值小于第一阈值时,则发出指向该监测网格的第一警告,提醒相关人员防范该监测网格发生泥石流的风险。
本发明首先建立地质监测地图,并将地质监测地图划分为多个监测网格并编号,从而便于对每个区域进行管理,之后通过传感器获取每个监测网格在两个时刻的第一积水量和第二积水量,从而可以通过第一积水量和第二积水量计算在这两个时刻之间的积水变化量;之后通过雨量监测模块获取监测网格的累计降雨量,通过各个监测网格的土壤数据、第一积水量、累计降雨量和监测网格之间的平均海拔差值,计算监测网格之间的水量流动趋势和数值,最后通过上述参数计算出在两个时刻内每块监测网格的沉降水量,若沉降水量小于预设的第一阈值,则生成第一警告,表明该区域在短时间内存在大量的积水沉入至土壤中,从而提醒相关人员及时关注该区域,因此通过本发明可以对相关地质灾害进行预测。
尤为注意的是,本发明在进行地质灾害预测时可以通过沉降水量的大小进行预测,从而解决了现有技术中在进行地质灾害预测时未考虑沉降水量的问题。
在实际应用中,发明人还发现仅监测在一定时间内的沉降水量还并不能完整的对未来泥石流是否发生进行精准预测,因为在降雨时间较长的情况下,水量逐渐向下沉降也会造成泥石流的发生,因此发明人在本方案中还提出了以下步骤,即在本实施例的步骤S5之后,基于以下步骤生成第二警告和第三警告。
步骤S51:每间隔监测时间生成水量沉降表格,设置监测数量,当水量沉降表格的数量等于监测数量时,基于水量沉降表格生成的时间顺序对其进行排序,并继续执行步骤S52。
具体的,监测数量设置为5个,由于监测时间设置为10分钟,因此当连续降雨的时间达到60分钟时,就会包含6个监测时间,由于基于相邻两个监测时间生成水量沉降表格,那么在60分钟时就会生成5个水量沉降表格,达到了监测数量,因此对其5个表格进行排序并继续执行下个步骤。
步骤S52:基于第一公式、第二公式和第三公式分别计算第k个所述监测网格的第一数值α k 、第二数值β k 和第三数值γ k ,所述第一公式为:,所述第二公式为:,所述第三公式为:/>,其中,r k 为基于所有所述水量沉降表格计算出第k个所述监测网格的累计沉降水量,A k 、B k 、C k分别为第k个所述监测网格的最大沉降水量和最小沉降水量,以及最后一个次序所述水量沉降表格中所述监测网格的当前沉降水量,n为预设的固定值。
具体的,首先统计在5个水量沉降表格中,每个监测网格的沉降水量,从中提取最大值和最小值,以及在最后一个次序表格中,每个监测网格在前一时刻至当前时刻的实时沉降水量,这里以统计的5个水量沉降表格中,每个水量沉降表格第2行第6列的监测网格进行举例说明,也即第6个监测网格;在5个水量沉降表格中,第6个监测网格出现的沉降水量最大值为-1.75,最小值为-0.4,最新时刻的沉降水量为-1,特别说明是,本实施例中沉降水量的最小值-0.4,以及最新时刻的沉降水量-1出现在其它的水量沉降表格中(图中未示出);之后计算每个监测网格的累计沉降水量,也即将五个水量沉降表格中,相同位置监测网格的沉降水量相加获得,例如将图2中水量沉降表格f第6个监测网格与其余4个本实施例未示出水量沉降表格相同位置的监测网格相加,获得累计沉降水量为-6;那么分别通过三个公式进行计算,这里将n设置为3,在监测时间设置为10分钟的情况下,这里就是对未来30分钟后的第一数值、第二数值和第三数值进行计算,其具体计算过程为-6+(-1.75*3)=11.25,-6+(-0.4*3)=-7.2,-6+(-1*3)=-9;特别说明的是,上述步骤所要达到的目的是,预先设置监测时间和n的数值确定对未来多久的时间进行预测,例如n设置为3,监测时间设置为10分钟,那么就对未来30分钟后的各个数值进行预测;对于监测数量,当生成监测数量的水量沉降表格后,系统开始对未来的各个数值进行计算预测,也即通过设置监测数量和监测时间确定需要收集多长时间的历史数据对未来进行预测,例如本实施例中,由于监测数量为5,监测时间为10分钟,就先收集在预测时刻之前60分钟内的数据,然后再对预测时刻30分钟后的第一数值、第二数值和第三数值进行计算。
另外,第一数值的含义为,若监测网格一直保持过去60分钟最大数值的沉降水量,未来可能发生的最大累计沉降水量,第二数值的含义为监测网格一直保持过去60分钟最小数值的沉降水量,未来可能发生的最小累计沉降水量,第三数值的含义为监测网格一直保持当前时刻的沉降水量,未来可能达到的累计沉降水量。
步骤S53:基于当前沉降水量、累计沉降水量、第一数值、第二数值和第三数值计算每个监测网格的第一状态值和第二状态值,根据监测网格内覆盖的植物类型,将监测网格划分为多种监测类型,每种植物类型对应一种监测类型,基于监测类型设置每种监测网格的第二阈值和第三阈值,若第一状态值大于第二阈值,则生成第二警告,若第二状态值大于第三阈值,则生成第三警告。
在获得上述数值后,可以直接将第一数值和第二数值的平均值作为第一状态值,将第三数值作为第二状态值,然后与第二阈值和第三阈值进行比较,从而确定是否发出第二警告和第三警告,然而该方法只是简单的进行对比预测,并没有结合上述数值进行综合预测,例如第一数值较大,第二数值较小时,系统也可能不会发出警告,因此本实施例并不采用本方式进行计算,本实施例所采用的具体计算方式在之后进行描述。第二阈值和第三阈值根据每个监测网格的监测类型和植被覆盖情况进行确定,因为泥石流的发生概率也与植被覆盖情况有关,该理论为现有技术,此处不再赘述。因此,可以根据植被覆盖情况设置每个监测网格发生泥石流的第二阈值和第三阈值,在此情况下,第二阈值和第三阈值分别为水量沉降数值,且第三阈值大于第二阈值,那么在第一状态值大于第二阈值时,生成第二警报,表明在该降雨量的条件下,未来可能会发生泥石流,在第二状态值大于第三阈值时,生成更为严重的第三警报,表明在该降雨量的条件下,未来有极大可能发生泥石流。
在本实施例的步骤S53中,基于以下步骤计算第一状态值和第二状态值:
以监测时间的沉降水量变化为x轴,以累计沉降水量变化为y轴建立坐标系,基于当前沉降水量和累计沉降水量生成第一坐标,最大沉降水量和第一数值生成第二坐标,最小沉降水量和第二数值生成第三坐标,当前沉降水量和第三数值生成第四坐标。
在坐标系内设置第一临界线和第二临界线,将四个坐标依次连接获得基准轮廓,获取基准轮廓的第一面积、位于第一临界线和第二临界线之间的第二面积、超出第二临界线的第三面积。
计算第二面积与第一面积的第一比值,第三面积与第一面积的第二比值,将第一比值和第二比值分别设定为第一状态值和第二状态值。
为方便描述,在生成坐标前,首先将各个数值取绝对值,将其变为正值,在其它实施例中,也可以不用取绝对值;基于上述描述生成第一坐标(1,6),第二坐标(1.75,11.25),第三坐标(0.4,7.2),第四坐标(1,9),上述四个坐标如图3中的A、B、C、D所示。之后依次连接四个坐标点,从而获得基准轮廓,之后在坐标系内设置第一临界线L1和第二临界线L2,第一临界线L1和第二临界线L2的数值可以根据历史数据计算,例如通过数值分析推断出监测网格50%生成泥石流对应的累计沉降水量数值,设置为第一临界线,80%生成泥石流对应的累计沉降水量数值,设置为第二临界线;之后通过计算获取基准轮廓整体的第一面积,与第一临界线和第二临界线围成的第二面积G1,以及超出第二临界线的第三面积G2,具体计算方法是本领域技术人员的基础知识,此处不再赘述。
在获得第一面积、第二面积和第三面积后,分别计算第二面积与第一面积的比值,以及第三面积与第二面积的比值,之后再与第二阈值和第三阈值进行对比,在此情况下,第二阈值和第三阈值的数值与上述所介绍的数值不同,例如第二阈值设置1/2,第三阈值设置为1/10,第三阈值小于第二阈值,具体的数值可以设计人员使用本方案对历史数据进行分析确定;那么在此处通过计算,获得第一比值为11/17,第二比值为1/50,那么其第一状态值和第二状态值就分别为11/17和1/50,那么就会生成第二警告和第三警告。
通过上述方法可以看出,只有在最大沉降水量和当前沉降水量较小时才可能不会发出警告,并且即便是最小沉降水量的数值较小,也不会影响系统发出警告,因此本发明所提出的实施例方案可以综合考虑各种情况并进行预测。
在本实施例的步骤S53中,根据植物类型将监测网格划分为多种监测类型包括以下步骤:
积水监测模块获取地质监测地图的航拍视频,基于预设的时间间隔将航拍视频拆分为多张静态图像,将静态图像拼接为包括地质监测地图整体的全景图像。
设置颜色数据库,颜色数据库包括多种植物类型及其对应的参考像素值,积水监测模块对全景图像进行识别,获取全景图像内每个像素点的实际像素值,积水监测模块基于参考像素值和实际像素值将全景图像拆分为多个植物覆盖区域,获取每个植物覆盖区域的中心点,将同类型的植物覆盖区域中心点依次连接获得修正覆盖区域,每个修正覆盖区域对应一种植物类型。
将修正覆盖区域与位于其覆盖范围内的监测网格设定为归属关系,基于监测网格与修正覆盖区域的归属关系,以及修正覆盖区域对应的植物类型,将监测网格划分为多种监测类型。
具体的,首先通过航拍图像获得视频图像,然后基于航拍飞行器的移动速度,间隔将视频拆分为多张静态图像并进行拼接,从而获得覆盖该区域的全景图像;之后通过识别图像中的像素值,从而获取全景图像中在哪个区域存在植物覆盖,被哪种植物类型覆盖等,本实施例中的像素值为RGB数值,之后获取相同类型的植物覆盖区域,并获取植物覆盖区域的中心点,将其依次连接从而可以获得修正覆盖区域,采用此方法的原因是,在识别过程中,可能由于拍摄角度的问题,同种植物覆盖的区域被识别为多个零散的小区域,因此通过该方法将小区域连接而获得完整的大区域,因为植物的生长或种植一般不会零散分布,因此通过该方法获得的植物覆盖区域更加准确完整。
在本实施例的步骤S5中,计算监测网格的沉降水量包括以下步骤:
获取所述降雨量表格、所述积水量变化表格和所述水量流动表格中每个所述监测网格的数值,基于第四公式计算每个所述监测网格的沉降水量,所述第四公式为:,其中,c k 为所述降雨量表格中第k个所述监测网格的所述累计降雨量,ν为基准降雨量,e k 为所述积水量变化表格中第k个所述监测网格的积水变化数值,d k 为所述水量流动表格中第k个所述监测网格的水量流动数值,若所述监测网格为流入水量,则d k 的数值为正值,否则为负值,m为所述监测网格的总数量,f k 为所述水量沉降表格中第k个所述监测网格的沉降水量。
下面对第四公式进行解释,例如以图2中降雨量表格c、积水量变化表格e中第2行第3列的数值计算水量沉降表格f中第2行第3列的数值,那么在积水量变化表格e中,第6个监测网格的积水变化数值e6为-1,降雨量表格c中第6个监测网格的累计降雨量c6为0.2,表示在水量流动表格d中,向其中第2行第3列流入水量的累加求和,这里将基准降雨量v为0.2,那么其数值为0.3*(0.2/0.2)+0.16*(0.3/0.2)≈0.55,在第四公式中设置了基准降雨量对水量流动数值进行修正,一般来说,在一定时间内的降雨量数值越大,其两个监测网格之间的水量流动数值也会相应的增大,那么通过上述数值进行计算,水量沉降表格f中第2行第3列的数值f6=-1-(0.2+0.55)=-1.75。
如图4所示,本发明还提供了一种基于大数据的地质灾害监测系统,该系统用于实现上述的一种基于大数据的地质灾害监测方法,该系统包括:
积水监测模块,用于建立地质监测地图,将地质监测地图划分为多个监测网格,对每个监测网格编号,获取每个监测网格当前时刻的第一积水量,设置监测时间,积水监测模块每隔监测时间获取各个监测网格的第二积水量,基于第一积水量和第二积水量分别建立第一积水表格和第二积水表格。
雨量监测模块,用于获取地质监测地图中,每个监测网格在监测时间内的累计降雨量,基于累计降雨量建立降雨量表格。
流动趋势模块,用于获取地质监测地图中各个监测网格的平均海拔,基于平均海拔计算相邻监测网格之间的海拔差值,流动趋势模块内建立有水量流动模型,水量流动模型基于神经网络和历史数据建立,历史数据包括实际测量的其它地质区域相邻监测网格之间的水量流动数值,以及与该水量流动数值对应两个监测网格的土壤数据、海拔差值、第一积水量和累计降雨量,其中,相邻监测网格之间的水量流动数值为水量流动模型的输出数据,流动趋势模块基于水量流动数值建立水量流动表格。
计算模块,用于基于第一积水表格和第二积水表格计算生成积水量变化表格,积水量变化表格包括每个监测网格在监测时间内的积水量变化数值,计算模块基于降雨量表格、积水量变化表格和水量流动表格计算生成水量沉降表格。
预警模块,用于基于水量沉降表格获取每个监测网格在监测时间内的沉降水量,预警模块内设置有第一阈值,若监测网格的沉降水量小于第一阈值,则预警模块生成第一警告。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述的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。
上述的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本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。
上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据的地质灾害监测方法,其特征在于,包括:
步骤S1:积水监测模块建立地质监测地图,将所述地质监测地图划分为多个监测网格,对每个所述监测网格编号,获取每个所述监测网格当前时刻的第一积水量,设置监测时间,所述积水监测模块每隔所述监测时间获取各个所述监测网格的第二积水量,基于所述第一积水量和所述第二积水量分别建立第一积水表格和第二积水表格;
步骤S2:雨量监测模块获取所述地质监测地图中,每个所述监测网格在所述监测时间内的累计降雨量,基于所述累计降雨量建立降雨量表格;
步骤S3:流动趋势模块获取所述地质监测地图中各个所述监测网格的平均海拔,基于所述平均海拔计算相邻所述监测网格之间的海拔差值,所述流动趋势模块内建立有水量流动模型,所述水量流动模型基于神经网络和历史数据建立,所述历史数据包括实际测量的其它地质区域相邻所述监测网格之间的水量流动数值,以及与该所述水量流动数值对应两个所述监测网格的土壤数据、所述海拔差值、所述第一积水量和所述累计降雨量,其中,相邻所述监测网格之间的水量流动数值为所述水量流动模型的输出数据,所述流动趋势模块基于所述水量流动数值建立水量流动表格;
步骤S4:计算模块基于所述第一积水表格和所述第二积水表格计算生成积水量变化表格,所述积水量变化表格包括每个所述监测网格在所述监测时间内的积水量变化数值,所述计算模块基于所述降雨量表格、所述积水量变化表格和所述水量流动表格计算生成水量沉降表格;
步骤S5:预警模块基于所述水量沉降表格获取每个所述监测网格在所述监测时间内的沉降水量,所述预警模块内设置有第一阈值,若所述监测网格的沉降水量数值小于所述第一阈值,则所述预警模块生成第一警告;
所述步骤S5中,计算所述监测网格的沉降水量包括以下步骤:
获取所述降雨量表格、所述积水量变化表格和所述水量流动表格中每个所述监测网格的数值,基于第四公式计算每个所述监测网格的沉降水量,所述第四公式为:其中,ck为所述降雨量表格中第k个所述监测网格的所述累计降雨量,ν为基准降雨量,ek为所述积水量变化表格中第k个所述监测网格的积水变化数值,dk为所述水量流动表格中第k个所述监测网格的水量流动数值,若所述监测网格为流入水量,则dk的数值为正值,否则为负值,m为所述监测网格的总数量,fk为所述水量沉降表格中第k个所述监测网格的沉降水量。
2.根据权利要求1所述的一种基于大数据的地质灾害监测方法,其特征在于,所述步骤S5之后,基于以下步骤生成第二警告和第三警告:
步骤S51:每间隔所述监测时间生成所述水量沉降表格,设置监测数量,当所述水量沉降表格的数量等于所述监测数量时,基于所述水量沉降表格生成的时间顺序对其进行排序,并继续执行步骤S52;
步骤S52:基于第一公式、第二公式和第三公式分别计算第k个所述监测网格的第一数值αk、第二数值βk和第三数值γk,所述第一公式为:αk=rk+n·Ak,所述第二公式为:βk=rk+n·Bk,所述第三公式为:γk=rk+n·Ck,其中,rk为基于所有所述水量沉降表格计算出第k个所述监测网格的累计沉降水量,Ak、Bk、Ck分别为第k个所述监测网格的最大沉降水量和最小沉降水量,以及最后一个次序所述水量沉降表格中所述监测网格的当前沉降水量,n为预设的固定值;
步骤S53:基于当前沉降水量、累计沉降水量、所述第一数值、所述第二数值和所述第三数值计算每个所述监测网格的第一状态值和第二状态值,根据所述监测网格内覆盖的植物类型,将所述监测网格划分为多种监测类型,每种所述植物类型对应一种所述监测类型,基于所述监测类型设置每种所述监测网格的第二阈值和第三阈值,若所述第一状态值大于所述第二阈值,则生成所述第二警告,若所述第二状态值大于所述第三阈值,则生成所述第三警告。
3.根据权利要求2所述的一种基于大数据的地质灾害监测方法,其特征在于,所述步骤S53中,基于以下步骤计算所述第一状态值和所述第二状态值:
以所述监测时间的沉降水量变化为x轴,以累计沉降水量变化为y轴建立坐标系,基于当前沉降水量和累计沉降水量生成第一坐标,最大沉降水量和所述第一数值生成第二坐标,最小沉降水量和所述第二数值生成第三坐标,当前沉降水量和所述第三数值生成第四坐标;
在所述坐标系内设置第一临界线和第二临界线,将四个坐标依次连接获得基准轮廓,获取所述基准轮廓的第一面积、位于所述第一临界线和所述第二临界线之间的第二面积、超出所述第二临界线的第三面积;
计算所述第二面积与所述第一面积的第一比值,所述第三面积与所述第一面积的第二比值,将所述第一比值和所述第二比值分别设定为所述第一状态值和所述第二状态值。
4.根据权利要求2所述的一种基于大数据的地质灾害监测方法,其特征在于,所述步骤S53中,根据所述植物类型将所述监测网格划分为多种所述监测类型包括以下步骤:
所述积水监测模块获取所述地质监测地图的航拍视频,基于预设的时间间隔将所述航拍视频拆分为多张静态图像,将所述静态图像拼接为包括所述地质监测地图整体的全景图像;
设置颜色数据库,所述颜色数据库包括多种所述植物类型及其对应的参考像素值,所述积水监测模块对所述全景图像进行识别,获取所述全景图像内每个像素点的实际像素值,所述积水监测模块基于所述参考像素值和所述实际像素值将所述全景图像拆分为多个植物覆盖区域,获取每个所述植物覆盖区域的中心点,将同类型的所述植物覆盖区域所述中心点依次连接获得修正覆盖区域,每个所述修正覆盖区域对应一种所述植物类型;
将所述修正覆盖区域与位于其覆盖范围内的所述监测网格设定为归属关系,基于所述监测网格与所述修正覆盖区域的所述归属关系,以及所述修正覆盖区域对应的所述植物类型,将所述监测网格划分为多种所述监测类型。
5.一种基于大数据的地质灾害监测系统,用于实现如权利要求1-4任一项所述的一种基于大数据的地质灾害监测方法,其特征在于,包括:
积水监测模块,用于建立地质监测地图,将所述地质监测地图划分为多个监测网格,对每个所述监测网格编号,获取每个所述监测网格当前时刻的第一积水量,设置监测时间,所述积水监测模块每隔所述监测时间获取各个所述监测网格的第二积水量,基于所述第一积水量和所述第二积水量分别建立第一积水表格和第二积水表格;
雨量监测模块,用于获取所述地质监测地图中,每个所述监测网格在所述监测时间内的累计降雨量,基于所述累计降雨量建立降雨量表格;
流动趋势模块,用于获取所述地质监测地图中各个所述监测网格的平均海拔,基于所述平均海拔计算相邻所述监测网格之间的海拔差值,所述流动趋势模块内建立有水量流动模型,所述水量流动模型基于神经网络和历史数据建立,所述历史数据包括实际测量的其它地质区域相邻所述监测网格之间的水量流动数值,以及与该所述水量流动数值对应两个所述监测网格的土壤数据、所述海拔差值、所述第一积水量和所述累计降雨量,其中,相邻所述监测网格之间的水量流动数值为所述水量流动模型的输出数据,所述流动趋势模块基于所述水量流动数值建立水量流动表格;
计算模块,用于基于所述第一积水表格和所述第二积水表格计算生成积水量变化表格,所述积水量变化表格包括每个所述监测网格在所述监测时间内的积水量变化数值,所述计算模块基于所述降雨量表格、所述积水量变化表格和所述水量流动表格计算生成水量沉降表格,所述计算模块计算所述监测网格的沉降水量时,获取所述降雨量表格、所述积水量变化表格和所述水量流动表格中每个所述监测网格的数值,基于第四公式计算每个所述监测网格的沉降水量,所述第四公式为:其中,ck为所述降雨量表格中第k个所述监测网格的所述累计降雨量,ν为基准降雨量,ek为所述积水量变化表格中第k个所述监测网格的积水变化数值,dk为所述水量流动表格中第k个所述监测网格的水量流动数值,若所述监测网格为流入水量,则dk的数值为正值,否则为负值,m为所述监测网格的总数量,fk为所述水量沉降表格中第k个所述监测网格的沉降水量;
预警模块,用于基于所述水量沉降表格获取每个所述监测网格在所述监测时间内的沉降水量,所述预警模块内设置有第一阈值,若所述监测网格的沉降水量数值小于所述第一阈值,则所述预警模块生成第一警告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311043547.5A CN116758707B (zh) | 2023-08-18 | 2023-08-18 | 一种基于大数据的地质灾害监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311043547.5A CN116758707B (zh) | 2023-08-18 | 2023-08-18 | 一种基于大数据的地质灾害监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758707A CN116758707A (zh) | 2023-09-15 |
CN116758707B true CN116758707B (zh) | 2023-10-31 |
Family
ID=87948304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311043547.5A Active CN116758707B (zh) | 2023-08-18 | 2023-08-18 | 一种基于大数据的地质灾害监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758707B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058628B (zh) * | 2023-10-13 | 2024-01-26 | 东华理工大学南昌校区 | 一种基于图像识别的滑坡灾害监测方法、系统及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101450233B1 (ko) * | 2013-07-03 | 2014-10-15 | 연세대학교 산학협력단 | 산사태해석을 위한 지리정보시스템 기반의 지하수 분포 예측 방법 |
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 |
CN108492532A (zh) * | 2018-03-26 | 2018-09-04 | 中科院广州电子技术有限公司 | 一种山体滑坡地质灾害的预警系统及其预警方法 |
JP2019105130A (ja) * | 2017-12-14 | 2019-06-27 | 国立大学法人大阪大学 | 斜面監視システムおよび斜面監視方法 |
CN213634788U (zh) * | 2020-10-28 | 2021-07-06 | 四川轻化工大学 | 一种暴雨型稀性泥石流的检测预报预警装置 |
CN115795974A (zh) * | 2022-12-21 | 2023-03-14 | 云南省滇中引水工程有限公司 | 深埋隧洞地下水渗流场演化空天地一体化监测方法 |
CN116011828A (zh) * | 2023-03-24 | 2023-04-25 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 地质灾害预报预警方法、系统、可读存储介质及设备 |
CN116227184A (zh) * | 2023-02-20 | 2023-06-06 | 湖南防灾科技有限公司 | 暴雨淹没预警方法及淹没预警系统 |
-
2023
- 2023-08-18 CN CN202311043547.5A patent/CN116758707B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101450233B1 (ko) * | 2013-07-03 | 2014-10-15 | 연세대학교 산학협력단 | 산사태해석을 위한 지리정보시스템 기반의 지하수 분포 예측 방법 |
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 |
JP2019105130A (ja) * | 2017-12-14 | 2019-06-27 | 国立大学法人大阪大学 | 斜面監視システムおよび斜面監視方法 |
CN108492532A (zh) * | 2018-03-26 | 2018-09-04 | 中科院广州电子技术有限公司 | 一种山体滑坡地质灾害的预警系统及其预警方法 |
CN213634788U (zh) * | 2020-10-28 | 2021-07-06 | 四川轻化工大学 | 一种暴雨型稀性泥石流的检测预报预警装置 |
CN115795974A (zh) * | 2022-12-21 | 2023-03-14 | 云南省滇中引水工程有限公司 | 深埋隧洞地下水渗流场演化空天地一体化监测方法 |
CN116227184A (zh) * | 2023-02-20 | 2023-06-06 | 湖南防灾科技有限公司 | 暴雨淹没预警方法及淹没预警系统 |
CN116011828A (zh) * | 2023-03-24 | 2023-04-25 | 江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心) | 地质灾害预报预警方法、系统、可读存储介质及设备 |
Non-Patent Citations (1)
Title |
---|
降雨入渗对滑坡稳定性系数的影响评价;龙文华等;安全与环境工程;第30卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758707A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Landslide susceptibility mapping using random forest and boosted tree models in Pyeong-Chang, Korea | |
Zhao et al. | Landscape change and hydrologic alteration associated with dam construction | |
CN116758707B (zh) | 一种基于大数据的地质灾害监测系统及方法 | |
CN111795681A (zh) | 一种山洪灾害预警方法、装置、服务器及存储介质 | |
CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
CN112800634A (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN112560595A (zh) | 基于河流表面流速的河道断面流量计算方法 | |
CN112016831A (zh) | 一种基于ai智能预报的城市内涝落区的识别方法 | |
CN111325947B (zh) | 一种基于长短期记忆网络的风暴潮洪涝预警方法和系统 | |
CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
Jalili Pirani et al. | Geostatistical and deterministic methods for rainfall interpolation in the Zayandeh Rud basin, Iran | |
CN113762645B (zh) | 一种自然灾害预报方法及装置 | |
CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
CN107403004B (zh) | 一种基于地形数据的遥测雨量站点可疑数值检验方法 | |
CN110110339A (zh) | 一种日前水文预报误差校正方法及系统 | |
CN115755221A (zh) | 一种基于数理不确定性分析的多源降水数据融合方法 | |
CN117575873B (zh) | 综合气象水文敏感性的洪水警戒方法与系统 | |
CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
CN112800379B (zh) | 一种modis遥感积雪信息的处理方法和装置 | |
CN113077609A (zh) | 一种基于大数据的自然灾害预警系统及方法 | |
CN117372629A (zh) | 一种基于数字孪生的水库可视化数据监管控制系统及方法 | |
Anand et al. | Dynamic change analysis of water spread region and its impact assessment using spectral indices of remotely sensed data | |
CN117091675A (zh) | 一种大坝水位监测预警方法、系统、电子设备及存储介质 | |
CN115471980B (zh) | 泥石流灾害预警方法 |
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 |