CN116975576B - 基于关键信息统计的山区公路地质灾害危险性评价方法 - Google Patents
基于关键信息统计的山区公路地质灾害危险性评价方法 Download PDFInfo
- Publication number
- CN116975576B CN116975576B CN202311207105.XA CN202311207105A CN116975576B CN 116975576 B CN116975576 B CN 116975576B CN 202311207105 A CN202311207105 A CN 202311207105A CN 116975576 B CN116975576 B CN 116975576B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- model
- disaster
- geological
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 claims abstract description 110
- 238000007418 data mining Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 12
- 238000012732 spatial analysis Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012482 interaction analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000010485 coping Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000003673 groundwater Substances 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地质灾害危险性评价方法技术领域，具体为基于关键信息统计的山区公路地质灾害危险性评价方法，包括以下步骤，利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据。本发明中，基于遥感和人工智能技术，结合高质量的遥感影像和地形数据，实现对大范围区域的实时监测和自动识别地质灾害迹象。多尺度和多源数据的集成使得地质灾害评价能够综合考虑地质、气象、水文等多个因素的影响，提供更全面、准确的评价信息。融合物理建模和数据驱动方法能够提高预测和评价的精确性，结合物理机制和大数据分析提高模型的准确性和普适性。数据挖掘和空间分析技术揭示潜在的地质灾害危险性模式和规律，提高评估和预测的准确性。
Description
技术领域
本发明涉及地质灾害危险性评价方法技术领域，尤其涉及基于关键信息统计的山区公路地质灾害危险性评价方法。
背景技术
地质灾害危险性评价方法是通过对地质环境、地质灾害形成机制以及相关影响因素的综合分析和评估，来判断潜在地质灾害发生的可能性和灾害的危险程度的一种方法。帮助决策者和相关方面了解地质灾害的风险，从而采取必要的预防措施和灾害管理措施。具体是基于地质灾害的成因和发展规律，结合实地调查和监测数据，以及专家的意见，得出相对准确的地质灾害危险性评价结果。
在现有地质灾害危险性评价方法中，由于现有方法通常依赖传统监测技术和手动数据收集，限制了准确性和效率。同时，现有方法未充分利用多尺度和多源数据，缺乏跨时空和跨学科的数据集成，限制了评价的全面性和准确性。此外，预测和评价的精确性有限，缺乏物理建模和数据驱动的方法，无法准确捕捉地质灾害复杂性和非线性特征。实时监测和灾害应急响应方面，现有方法的能力较弱，无法及时获取灾害信息，限制了实时风险评估和应急响应能力。最后，现有方法在风险管理和决策制定方面不够科学和全面，未充分利用数据挖掘和空间分析技术，无法充分挖掘和分析多源、多维度的地质灾害相关数据。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的基于关键信息统计的山区公路地质灾害危险性评价方法。
为了实现上述目的，本发明采用了如下技术方案：基于关键信息统计的山区公路地质灾害危险性评价方法，包括以下步骤：
利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据；
集成并处理所述多维度数据，建立数据平台，为后续数据驱动分析工作提供全局综合视角；
基于所述数据平台，进行所述数据驱动分析工作，利用数据挖掘模型、空间分析技术，深入挖掘并分析数据，寻找可能导致地质灾害的模式和规律；
基于所述模式和规律，联合物理模型和地理信息科学，建立地质灾害发生预测模型；
在所述预测模型的基础上，对可能发生的灾害进行评价，对灾害的发生概率、可能影响范围、潜在损失程度进行量化，生成评价结果；
基于所述评价结果，采用风险传播模型和脆弱性评估进行深度评估，建立脆弱性评估报告，对可能受影响社区的脆弱性因素进行深层次分析。
作为本发明的进一步方案，所述利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据的步骤具体为：
明确地质灾害预测与监控需求的基础地质数据，包括地标特征、气象因素、水文条件、地壳活动状况；
基于所述基础地质数据，选定遥感设备、无人机、移动传感器；
所述遥感设备获取包括地表形貌、植被覆盖、土壤湿度的遥感数据，对所述遥感数据执行影像解译、特征提取，获取地表特征数据；
所述无人机基于激光雷达，执行航线或点对点任务，获取地质灾害相关的雷达点云数据；
在地面设置移动传感器网络，包括振动传感器、温湿度传感器、地下水位传感器，实时监测地质灾害相关的风险指标；
基于所述地表特征数据、雷达点云数据、风险指标作为多维度数据。
作为本发明的进一步方案，所述集成并处理所述多维度数据，建立数据平台的步骤具体为：
对所述多维度数据进行包括数据清洗、去噪、校正、格式转换的处理工作，消除所述多维度数据中的异常值和噪音；
通过地理参考系统转换和图像配准算法，对所述多维度数据中不同数据源的数据进行对齐和配准，使其具备一致的地理坐标和尺度；
采用分布式数据库存储所述多维度数据，并建立数据仓库，存储、索引和管理数据；
采用数据集成技术和标准化的数据模型，构建数据汇集和处理流程，实现所述多维度数据的集成和整合，建立数据平台。
作为本发明的进一步方案，所述基于所述数据平台，进行所述数据驱动分析工作，利用数据挖掘模型、空间分析技术，深入挖掘并分析数据，寻找可能导致地质灾害的模式和规律的步骤具体为：
对所述数据平台中的多维度数据进行包括统计描述、数据分布的数据分析工作，了解数据的特征和潜在关联；
基于所述特征和潜在关联，进行特征工程处理，生成特征数据；
基于所述特征数据作为数据集，并将所述数据集划分为训练集和测试集，并进行采样处理以处理数据不平衡的情况；
选定所述数据挖掘模型，对数据挖掘模型进行训练，调整模型参数，并使用所述训练集进行验证，利用所述测试集对训练好的数据挖掘模型进行评估，根据评估结果，进行模型优化；
应用空间分析技术对地理数据进行分析，来探索地质灾害与空间因素的关联性规则，所述空间分析技术包括空间插值、缓冲区分析、地形分析、空间聚类；
基于所述数据挖掘模型和关联性规则对所述多维度数据进行深入分析，利用关联规则挖掘算法发现地质灾害的模式和规律。
作为本发明的进一步方案，所述进行特征工程处理，生成特征数据的步骤具体为：
基于所述特征，使用相关性分析确定与地质灾害最相关的特征；
利用统计特征、频谱分析、小波变换方法，从所述多维度数据提取有用的特征；
根据领域知识和专家经验构造与地质灾害相关的特征。
作为本发明的进一步方案，所述基于所述模式和规律，联合物理模型和地理信息科学，建立地质灾害发生预测模型的步骤具体为：
采用地震力学模型、滑坡力学模型作为所述物理模型，根据地质灾害过程的基本原理和方程，结合已知的物理参数和条件，建立数学模型来描述地质灾害的发生机理；
利用所述数据挖掘模型和包括支持向量机、随机森林的机器学习算法，通过对所述模式和规律的学习和模式识别，建立数据驱动模型；
使用集成学习方法，将所述联合物理模型和数据驱动模型进行集成和优化，建立所述预测模型。
作为本发明的进一步方案，所述对可能发生的灾害进行评价的步骤具体为：
将所述多维度数据输入所述预测模型，进行地质灾害的发生概率预测和影响范围分析，生成包括地质灾害概率和潜在影响范围的预测结果；
使用统计方法来量化概率，将预测的地质灾害概率转化为具体的数值；
基于所述地质灾害概率和已知的地理信息，进行地质灾害的可能影响范围分析，获取影响范围分析结果；
基于所述影响范围分析结果，对可能受影响区域进行潜在损失程度评估。
作为本发明的进一步方案，所述地质灾害的可能影响范围分析包括缓冲区分析、叠加分析、最近邻分析、空间交互分析；
所述缓冲区分析具体为，将预测的受灾点或危险区域作为缓冲区的中心，通过设定合适的缓冲距离，确定可能的受灾范围；
所述叠加分析具体为，将缓冲区与其他空间要素进行叠加分析，以确定可能受灾区域和受影响要素，包括人口密度、建筑物分布、基础设施分布，通过对受灾区域和受影响要素的关系进行分析，评估受影响程度和潜在的灾害风险；
所述最近邻分析具体为，通过计算危险区域距离周边要素的距离，评估受灾区域对这些要素的影响程度；
所述空间交互分析具体为，分析灾害扩散路径、河流、地形因素对灾害传播的影响，进一步评估可能的受灾区域和影响程度。
作为本发明的进一步方案，所述基于所述评价结果，采用风险传播模型和脆弱性评估进行深度评估的步骤具体为：
基于所述评价结果和已知的地理信息，建立风险传播模型来模拟地质灾害的扩散过程；
根据社区的特征和脆弱性指标，对可能受影响的社区进行脆弱性评估，生成脆弱性评估报告；
基于所述脆弱性评估报告和脆弱性因素进行深层次分析。
作为本发明的进一步方案，所述深层次分析的步骤具体为：
基于所述数据挖掘模型挖掘潜在的模式和规律，理解地质灾害和脆弱性之间的关系；
利用所述空间分析技术，对脆弱性评估报告进行空间可视化和空间关联分析，生成深层次分析结果；
整合所述深层次分析结果，并对其进行解释，以制定相应的灾害应对和风险管理策略。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，基于遥感和人工智能技术，结合高质量的遥感影像和地形数据，可以实现对大范围区域的实时监测和自动识别地质灾害迹象，提高监测效率和准确性。多尺度和多源数据的集成使得地质灾害评价能够综合考虑地质、气象、水文等多个因素的影响，提供更全面、准确的评价信息。同时，融合物理建模和数据驱动方法能够提高预测和评价的精确性，结合物理机制和大数据分析提高模型的准确性和普适性。利用无人机和移动传感器实时监测与评价，可以及时获取地质灾害发生的信息，支持实时风险评估和灾害应急响应。数据挖掘和空间分析技术揭示潜在的地质灾害危险性模式和规律，提高评估和预测的准确性。
附图说明
图1为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的主要步骤示意图；
图2为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的步骤1细化示意图；
图3为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的步骤2细化示意图；
图4为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的步骤3细化示意图；
图5为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的步骤4细化示意图；
图6为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的步骤5细化示意图；
图7为本发明提出基于关键信息统计的山区公路地质灾害危险性评价方法的步骤6细化示意图。
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。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：请参阅图1，本发明提供一种技术方案：基于关键信息统计的山区公路地质灾害危险性评价方法，包括以下步骤：
利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据；
集成并处理多维度数据，建立数据平台，为后续数据驱动分析工作提供全局综合视角；
基于数据平台，进行数据驱动分析工作，利用数据挖掘模型、空间分析技术，深入挖掘并分析数据，寻找可能导致地质灾害的模式和规律；
基于模式和规律，联合物理模型和地理信息科学，建立地质灾害发生预测模型；
在预测模型的基础上，对可能发生的灾害进行评价，对灾害的发生概率、可能影响范围、潜在损失程度进行量化，生成评价结果；
基于评价结果，采用风险传播模型和脆弱性评估进行深度评估，建立脆弱性评估报告，对可能受影响社区的脆弱性因素进行深层次分析。
首先，实时数据收集能够及时监测和感知地质灾害的动态变化，提高预警和应对能力。其次，多维度数据的集成为地质灾害研究人员和决策者提供了全局综合视角，促进了数据共享和跨领域的数据应用，提高了研究和管理效率。然后，数据驱动分析利用数据挖掘模型和空间分析技术，深入挖掘和分析多维度数据，揭示地质灾害的模式和规律，为预测和评估提供科学依据。基于这些模式和规律，可以建立地质灾害的预测模型，并量化灾害发生概率、可能影响范围和潜在损失程度，为决策者提供参考。最后，通过采用风险传播模型和脆弱性评估方法，深度评估可能受影响社区的脆弱性因素，识别脆弱性的来源和影响因素，并制定相应的风险管理和社区规划措施。综上，整合并应用这些技术手段的数据驱动分析能够提高地质灾害研究和管理的效能，提升预警能力、决策支持和风险管理水平。
请参阅图2，利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据的步骤具体为：
明确地质灾害预测与监控需求的基础地质数据，包括地标特征、气象因素、水文条件、地壳活动状况；
基于基础地质数据，选定遥感设备、无人机、移动传感器；
遥感设备获取包括地表形貌、植被覆盖、土壤湿度的遥感数据，对遥感数据执行影像解译、特征提取，获取地表特征数据；
无人机基于激光雷达，执行航线或点对点任务，获取地质灾害相关的雷达点云数据；
在地面设置移动传感器网络，包括振动传感器、温湿度传感器、地下水位传感器，实时监测地质灾害相关的风险指标；
基于地表特征数据、雷达点云数据、风险指标作为多维度数据。
利用遥感设备、无人机和移动传感器等技术手段实时收集多维度数据的实施步骤包括确定需求和基础数据、选择合适的设备、数据采集与整合、数据分析与模型建立、预测与评估，以及脆弱性评估与报告。通过这一流程，可以实现以下有益效果：首先，提高地质灾害预警与监测能力，及时感知灾害的动态变化，提高应对能力；其次，获得全面、实时和高分辨率的地质灾害信息，为研究人员和决策者提供多维度数据，促进数据共享和跨领域的数据应用；此外，数据驱动分析可深度挖掘和分析多维度数据，揭示地质灾害的模式和规律，建立预测模型，并为决策者提供科学依据；最后，通过脆弱性评估，深度评估可能受影响社区的脆弱性因素，制定相应的风险管理和社区规划措施。综上，利用遥感设备、无人机和移动传感器等技术手段实时收集多维度数据的实施能够提高地质灾害研究和管理的效能，提升预警能力、决策支持和风险管理水平。
请参阅图3，集成并处理多维度数据，建立数据平台的步骤具体为：
对多维度数据进行包括数据清洗、去噪、校正、格式转换的处理工作，消除多维度数据中的异常值和噪音；
通过地理参考系统转换和图像配准算法，对多维度数据中不同数据源的数据进行对齐和配准，使其具备一致的地理坐标和尺度；
采用分布式数据库存储多维度数据，并建立数据仓库，存储、索引和管理数据；
采用数据集成技术和标准化的数据模型，构建数据汇集和处理流程，实现多维度数据的集成和整合，建立数据平台。
首先，数据一致性和准确性得到提高，消除异常值和噪音，确保数据的可靠性。其次，建立数据平台提供全局综合的数据视图，支持综合分析和决策支持，揭示数据之间的潜在关联和模式。此外，数据共享与协同工作得以推动，不同部门和机构可以整合资源，提升工作效率。最后，建立数据平台促进数据应用和创新，在各领域如地质灾害预测与监控、城市规划、环境保护等实现广泛应用。这样，整合并处理多维度数据的数据平台在确保数据质量的同时，提供了更好的数据分析能力与决策支持，促进了数据共享与应用的发展。
请参阅图4，基于数据平台，进行数据驱动分析工作，利用数据挖掘模型、空间分析技术，深入挖掘并分析数据，寻找可能导致地质灾害的模式和规律的步骤具体为：
对数据平台中的多维度数据进行包括统计描述、数据分布的数据分析工作，了解数据的特征和潜在关联；
基于特征和潜在关联，进行特征工程处理，生成特征数据；
基于特征数据作为数据集，并将数据集划分为训练集和测试集，并进行采样处理以处理数据不平衡的情况；
选定数据挖掘模型，对数据挖掘模型进行训练，调整模型参数，并使用训练集进行验证，利用测试集对训练好的数据挖掘模型进行评估，根据评估结果，进行模型优化；
应用空间分析技术对地理数据进行分析，来探索地质灾害与空间因素的关联性规则，空间分析技术包括空间插值、缓冲区分析、地形分析、空间聚类；
基于数据挖掘模型和关联性规则对多维度数据进行深入分析，利用关联规则挖掘算法发现地质灾害的模式和规律。
进行特征工程处理，生成特征数据的步骤具体为：
基于特征，使用相关性分析确定与地质灾害最相关的特征；
利用统计特征、频谱分析、小波变换方法，从多维度数据提取有用的特征；
根据领域知识和专家经验构造与地质灾害相关的特征。
基于数据平台进行数据驱动分析工作的步骤十分关键和有益。首先，进行数据分析前处理，对多维度数据进行统计描述和数据分布分析，深入了解数据的特征和潜在关联。这为后续的特征工程和模型选择提供了重要的基础。
接下来，特征工程处理起着重要作用。通过选择与地质灾害最相关的特征、利用统计特征、频谱分析和小波变换等方法从多维度数据中提取有用的特征，以及应用领域知识和专家经验构造与地质灾害相关的特征，可以生成富有信息的特征数据。
数据集划分和采样是为了保证模型的泛化能力和评估的准确性而必要的步骤。将特征数据集划分为训练集和测试集，并对数据不平衡的情况进行采样处理，以获得可靠的评估结果。
选择合适的数据挖掘模型并进行训练与评估对于深入挖掘数据至关重要。通过调整模型参数、使用训练集进行验证和利用测试集进行评估，可以优化数据挖掘模型的性能，提升地质灾害预测和分析的准确性。
采用空间分析技术对地理数据进行分析，可以揭示地质灾害与空间因素的关联性规则。常见的空间分析技术如空间插值、缓冲区分析、地形分析和空间聚类等方法，有助于从空间角度深入探索地质灾害的特征和规律。最后，结合数据挖掘模型和关联性规则，深入分析多维度数据，利用关联规则挖掘算法发现地质灾害的模式和规律。
请参阅图5，基于模式和规律，联合物理模型和地理信息科学，建立地质灾害发生预测模型的步骤具体为：
采用地震力学模型、滑坡力学模型作为物理模型，根据地质灾害过程的基本原理和方程，结合已知的物理参数和条件，建立数学模型来描述地质灾害的发生机理；
利用数据挖掘模型和包括支持向量机、随机森林的机器学习算法，通过对模式和规律的学习和模式识别，建立数据驱动模型；
使用集成学习方法，将联合物理模型和数据驱动模型进行集成和优化，建立预测模型。
首先，通过采用地震力学模型、滑坡力学模型等物理模型来描述地质灾害的发生机理，基于地质灾害的基本原理和方程，结合已知的物理参数和条件，建立数学模型。这些物理模型可以提供详细的物理规律和机制。
其次，利用数据挖掘模型和机器学习算法构建数据驱动模型。常见的算法包括支持向量机、随机森林等。通过对已有数据的学习和模式识别，数据驱动模型能够发现数据中的模式和规律，建立预测模型。数据驱动模型可以通过大量数据的学习来预测地质灾害的可能发生。
最后，使用集成学习方法将物理模型和数据驱动模型进行集成和优化，建立综合预测模型。集成学习方法能够综合多个模型的优势，提高预测的准确性和稳定性。通过联合物理模型和数据驱动模型的集成，可以综合考虑物理规律和数据模式，提升预测的能力。
联合物理模型和数据驱动模型能够综合利用物理规律和数据模式，减少了单一模型的不确定性，从而提高预测的准确性和稳定性。物理模型提供了对地质灾害发生机理的解释，而数据驱动模型通过学习数据中的模式来预测。通过联合模型，可以增加预测的解释性和可解释性，帮助决策者更好地理解预测结果。综合地质灾害的物理模型和数据驱动模型可以提供更准确的预测结果，有助于优化资源的分配和风险的管理。预测模型的准确性可以帮助决策者制定更有效的灾害防范和减灾措施，降低灾害对人员和财产的影响。
请参阅图6，对可能发生的灾害进行评价的步骤具体为：
将多维度数据输入预测模型，进行地质灾害的发生概率预测和影响范围分析，生成包括地质灾害概率和潜在影响范围的预测结果；
使用统计方法来量化概率，将预测的地质灾害概率转化为具体的数值；
基于地质灾害概率和已知的地理信息，进行地质灾害的可能影响范围分析，获取影响范围分析结果；
基于影响范围分析结果，对可能受影响区域进行潜在损失程度评估。
地质灾害的可能影响范围分析包括缓冲区分析、叠加分析、最近邻分析、空间交互分析；
缓冲区分析具体为，将预测的受灾点或危险区域作为缓冲区的中心，通过设定合适的缓冲距离，确定可能的受灾范围；
叠加分析具体为，将缓冲区与其他空间要素进行叠加分析，以确定可能受灾区域和受影响要素，包括人口密度、建筑物分布、基础设施分布，通过对受灾区域和受影响要素的关系进行分析，评估受影响程度和潜在的灾害风险；
最近邻分析具体为，通过计算危险区域距离周边要素的距离，评估受灾区域对这些要素的影响程度；
空间交互分析具体为，分析灾害扩散路径、河流、地形因素对灾害传播的影响，进一步评估可能的受灾区域和影响程度。
首先，将多维度的数据输入预测模型，经过地质灾害的发生概率预测和影响范围分析，生成预测结果，包括地质灾害概率和潜在影响范围。接下来，采用统计方法将预测的地质灾害概率转化为具体的数值，进一步量化概率。基于地质灾害的概率和已知的地理信息，进行地质灾害的可能影响范围分析，利用缓冲区分析、叠加分析、最近邻分析、空间交互分析等方法。这些分析方法能够评估可能受灾区域和受灾程度，包括人口密度、建筑物分布、基础设施分布等，帮助量化潜在损失程度。从实施角度来看，这些评价步骤能够提供预警和风险信息，优化资源配置和决策支持。通过增强风险意识和应对能力，改善地质灾害管理，减少损失。
请参阅图7，基于评价结果，采用风险传播模型和脆弱性评估进行深度评估的步骤具体为：
基于评价结果和已知的地理信息，建立风险传播模型来模拟地质灾害的扩散过程；
根据社区的特征和脆弱性指标，对可能受影响的社区进行脆弱性评估，生成脆弱性评估报告；
基于脆弱性评估报告和脆弱性因素进行深层次分析。
深层次分析的步骤具体为：
基于数据挖掘模型挖掘潜在的模式和规律，理解地质灾害和脆弱性之间的关系；
利用空间分析技术，对脆弱性评估报告进行空间可视化和空间关联分析，生成深层次分析结果；
整合深层次分析结果，并对其进行解释，以制定相应的灾害应对和风险管理策略。
首先，建立风险传播模型，结合评价结果和已知地理信息，以模拟地质灾害的扩散过程，准确预测灾害传播范围和影响程度。其次，对潜在受灾社区进行脆弱性评估，考虑社区特征和脆弱性指标，生成详尽的脆弱性评估报告，全面评估社区面对地质灾害的弱点和易受损程度。接下来，进行深层次分析，利用数据挖掘模型挖掘地质灾害与脆弱性之间的潜在模式和规律，深入理解风险因素与社区脆弱性的关联。同时，运用空间分析技术对脆弱性评估报告进行空间可视化和关联分析，揭示地理空间上的脆弱性分布和社区要素之间的关系。最后，将深度评估的结果整合并加以解释，为灾害应对和风险管理策略制定提供科学依据。实施这一综合步骤有助于深入分析风险，量化脆弱性，提供精细化管理策略，支持决策制定，并通过可视化和解释性分析结果增强对灾害威胁的理解。
工作原理：
数据收集：利用遥感设备、无人机和移动传感器等技术手段，实时收集多维度数据。这些数据包括地标特征、气象因素、水文条件和地壳活动状况等基础地质数据。
数据集成与处理：将收集到的多维度数据进行清洗、去噪、校正和格式转换等处理，以消除异常值和噪音。然后通过地理参考系统转换和图像配准算法，将不同数据源的数据对齐和配准，使其具备一致的地理坐标和尺度。采用分布式数据库存储数据，并建立数据仓库进行存储、索引和管理。采用数据集成技术和标准化的数据模型，构建数据汇集和处理流程，实现多维度数据的集成和整合，建立数据平台。
数据驱动分析：在建立的数据平台上，利用数据挖掘模型、机器学习算法和空间分析技术，对多维度数据进行深入挖掘和分析，寻找可能导致地质灾害的模式和规律。对数据进行统计描述、数据分布分析，了解数据的特征和潜在关联。进行特征工程处理，提取与地质灾害最相关的特征。将数据集划分为训练集和测试集，并进行采样处理以处理数据不平衡的情况。选择适当的数据挖掘模型，并对模型进行训练、参数调整和优化。同时应用空间分析技术，如空间插值、缓冲区分析、地形分析和空间聚类等，探索地质灾害与空间因素的关联性规律。基于数据挖掘模型和关联规则，对多维度数据进行深入分析，发现地质灾害的模式和规律。
地质灾害发生预测模型建立：基于挖掘到的地质灾害模式和规律，结合物理模型和地理信息科学，建立地质灾害发生预测模型。采用地震力学模型、滑坡力学模型等物理模型，根据地质灾害过程的基本原理和方程，结合已知的物理参数和条件，建立数学模型来描述地质灾害的发生机理。利用数据挖掘模型和机器学习算法，通过对模式和规律的学习和模式识别，建立数据驱动模型。通过集成学习方法，将物理模型和数据驱动模型进行集成和优化，建立完整的预测模型。
地质灾害评价：利用预测模型，对可能发生的地质灾害进行评价。将多维度数据输入预测模型，进行地质灾害的发生概率预测和影响范围分析，生成地质灾害概率和潜在影响范围的预测结果。使用统计方法将预测的地质灾害概率转化为具体的数值。基于地质灾害概率和已知的地理信息，进行可能影响范围的分析，评估受灾范围和潜在损失程度。
风险评估和脆弱性分析：基于评价结果，采用风险传播模型和脆弱性评估进行深度评估。建立风险传播模型来模拟地质灾害的扩散过程，结合已知的地理信息，对可能受影响的社区进行脆弱性评估，生成脆弱性评估报告。通过深层次分析，理解地质灾害和脆弱性之间的关系。利用空间分析技术对脆弱性评估报告进行空间可视化和空间关联分析，生成深层次分析结果。最终整合评估结果，并制定相应的灾害应对和风险管理策略。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (8)
1.基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，包括以下步骤：
利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据；
集成并处理所述多维度数据，建立数据平台，为后续数据驱动分析工作提供全局综合视角；
基于所述数据平台，进行所述数据驱动分析工作，利用数据挖掘模型、空间分析技术，深入挖掘并分析数据，寻找可能导致地质灾害的模式和规律；
基于所述模式和规律，联合物理模型和地理信息科学，建立地质灾害发生预测模型；
在所述预测模型的基础上，对可能发生的灾害进行评价，对灾害的发生概率、可能影响范围、潜在损失程度进行量化，生成评价结果；
基于所述评价结果，采用风险传播模型和脆弱性评估进行深度评估，建立脆弱性评估报告，对可能受影响社区的脆弱性因素进行深层次分析；
所述基于所述数据平台，进行所述数据驱动分析工作，利用数据挖掘模型、空间分析技术，深入挖掘并分析数据，寻找可能导致地质灾害的模式和规律的步骤具体为；
对所述数据平台中的多维度数据进行包括统计描述、数据分布的数据分析工作，了解数据的特征和潜在关联；
基于所述特征和潜在关联，进行特征工程处理，生成特征数据；
基于所述特征数据作为数据集，并将所述数据集划分为训练集和测试集，并进行采样处理以处理数据不平衡的情况；
选定所述数据挖掘模型，对数据挖掘模型进行训练，调整模型参数，并使用所述训练集进行验证，利用所述测试集对训练好的数据挖掘模型进行评估，根据评估结果，进行模型优化；
应用空间分析技术对地理数据进行分析，来探索地质灾害与空间因素的关联性规则，所述空间分析技术包括空间插值、缓冲区分析、地形分析、空间聚类；
基于所述数据挖掘模型和关联性规则对所述多维度数据进行深入分析，利用关联规则挖掘算法发现地质灾害的模式和规律；
所述基于所述模式和规律，联合物理模型和地理信息科学，建立地质灾害发生预测模型的步骤具体为；
采用地震力学模型、滑坡力学模型作为所述物理模型，根据地质灾害过程的基本原理和方程，结合已知的物理参数和条件，建立数学模型来描述地质灾害的发生机理；
利用所述数据挖掘模型和包括支持向量机、随机森林的机器学习算法，通过对所述模式和规律的学习和模式识别，建立数据驱动模型；
使用集成学习方法，将所述联合物理模型和数据驱动模型进行集成和优化，建立所述预测模型。
2.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述利用包括遥感设备、无人机、移动传感器的技术手段，实时收集多维度数据的步骤具体为；
明确地质灾害预测与监控需求的基础地质数据，包括地标特征、气象因素、水文条件、地壳活动状况；
基于所述基础地质数据，选定遥感设备、无人机、移动传感器；
所述遥感设备获取包括地表形貌、植被覆盖、土壤湿度的遥感数据，对所述遥感数据执行影像解译、特征提取，获取地表特征数据；
所述无人机基于激光雷达，执行航线或点对点任务，获取地质灾害相关的雷达点云数据；
在地面设置移动传感器网络，包括振动传感器、温湿度传感器、地下水位传感器，实时监测地质灾害相关的风险指标；
基于所述地表特征数据、雷达点云数据、风险指标作为多维度数据。
3.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述集成并处理所述多维度数据，建立数据平台的步骤具体为；
对所述多维度数据进行包括数据清洗、去噪、校正、格式转换的处理工作，消除所述多维度数据中的异常值和噪音；
通过地理参考系统转换和图像配准算法，对所述多维度数据中不同数据源的数据进行对齐和配准，使其具备一致的地理坐标和尺度；
采用分布式数据库存储所述多维度数据，并建立数据仓库，存储、索引和管理数据；
采用数据集成技术和标准化的数据模型，构建数据汇集和处理流程，实现所述多维度数据的集成和整合，建立数据平台。
4.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述进行特征工程处理，生成特征数据的步骤具体为；
基于所述特征，使用相关性分析确定与地质灾害最相关的特征；
利用统计特征、频谱分析、小波变换方法，从所述多维度数据提取有用的特征；
根据领域知识和专家经验构造与地质灾害相关的特征。
5.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述对可能发生的灾害进行评价的步骤具体为；
将所述多维度数据输入所述预测模型，进行地质灾害的发生概率预测和影响范围分析，生成包括地质灾害概率和潜在影响范围的预测结果；
使用统计方法来量化概率，将预测的地质灾害概率转化为具体的数值；
基于所述地质灾害概率和已知的地理信息，进行地质灾害的可能影响范围分析，获取影响范围分析结果；
基于所述影响范围分析结果，对可能受影响区域进行潜在损失程度评估。
6.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述地质灾害的可能影响范围分析包括缓冲区分析、叠加分析、最近邻分析、空间交互分析；
所述缓冲区分析具体为，将预测的受灾点或危险区域作为缓冲区的中心，通过设定合适的缓冲距离，确定可能的受灾范围；
所述叠加分析具体为，将缓冲区与其他空间要素进行叠加分析，以确定可能受灾区域和受影响要素，包括人口密度、建筑物分布、基础设施分布，通过对受灾区域和受影响要素的关系进行分析，评估受影响程度和潜在的灾害风险；
所述最近邻分析具体为，通过计算危险区域距离周边要素的距离，评估受灾区域对这些要素的影响程度；
所述空间交互分析具体为，分析灾害扩散路径、河流、地形因素对灾害传播的影响，进一步评估可能的受灾区域和影响程度。
7.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述基于所述评价结果，采用风险传播模型和脆弱性评估进行深度评估的步骤具体为；
基于所述评价结果和已知的地理信息，建立风险传播模型来模拟地质灾害的扩散过程；
根据社区的特征和脆弱性指标，对可能受影响的社区进行脆弱性评估，生成脆弱性评估报告；
基于所述脆弱性评估报告和脆弱性因素进行深层次分析。
8.根据权利要求1所述的基于关键信息统计的山区公路地质灾害危险性评价方法，其特征在于，所述深层次分析的步骤具体为；
基于所述数据挖掘模型挖掘潜在的模式和规律，理解地质灾害和脆弱性之间的关系；
利用所述空间分析技术，对脆弱性评估报告进行空间可视化和空间关联分析，生成深层次分析结果；
整合所述深层次分析结果，并对其进行解释，以制定相应的灾害应对和风险管理策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311207105.XA CN116975576B (zh) | 2023-09-19 | 2023-09-19 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311207105.XA CN116975576B (zh) | 2023-09-19 | 2023-09-19 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975576A CN116975576A (zh) | 2023-10-31 |
| CN116975576B true CN116975576B (zh) | 2024-01-05 |
Family
ID=88479881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311207105.XA Active CN116975576B (zh) | 2023-09-19 | 2023-09-19 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975576B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408536A (zh) * | 2023-12-15 | 2024-01-16 | 山东省物化探勘查院 | 基于ai的水下测绘实时分析系统 |
| CN117893015A (zh) * | 2024-01-17 | 2024-04-16 | 应急管理部大数据中心 | 用于尾矿库溃坝事故的风险人群分析方法及系统 |
| CN117610945B (zh) * | 2024-01-24 | 2024-04-05 | 四川省华地建设工程有限责任公司 | 基于人工智能的复杂山区地质灾害风险评价方法及系统 |
| CN117765689B (zh) * | 2024-02-22 | 2024-05-10 | 山东光合云谷大数据有限公司 | 一种地质灾害监测预警系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299108A (zh) * | 2014-10-31 | 2015-01-21 | 云南电网公司怒江供电局 | 一种基于输电线路和滑坡泥石流监测预报数据的关联分析方法 |
| CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
| CN114330812A (zh) * | 2021-10-29 | 2022-04-12 | 西北大学 | 基于机器学习的滑坡灾害风险评估方法 |
| CN115222196A (zh) * | 2022-05-24 | 2022-10-21 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种山区道路网脆弱性评估与驱动力探测方法 |
| WO2023052570A1 (en) * | 2021-09-29 | 2023-04-06 | Swiss Reinsurance Company Ltd. | Aerial and/or satellite imagery-based, optical sensory system and method for quantitative measurements and recognition of property damage after an occurred natural catastrophe event |
| CN116580532A (zh) * | 2023-04-20 | 2023-08-11 | 西藏大学 | 一种基于雷达遥感技术的地质灾害预警系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023097016A2 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
-
2023
- 2023-09-19 CN CN202311207105.XA patent/CN116975576B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299108A (zh) * | 2014-10-31 | 2015-01-21 | 云南电网公司怒江供电局 | 一种基于输电线路和滑坡泥石流监测预报数据的关联分析方法 |
| CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
| WO2023052570A1 (en) * | 2021-09-29 | 2023-04-06 | Swiss Reinsurance Company Ltd. | Aerial and/or satellite imagery-based, optical sensory system and method for quantitative measurements and recognition of property damage after an occurred natural catastrophe event |
| CN114330812A (zh) * | 2021-10-29 | 2022-04-12 | 西北大学 | 基于机器学习的滑坡灾害风险评估方法 |
| CN115222196A (zh) * | 2022-05-24 | 2022-10-21 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种山区道路网脆弱性评估与驱动力探测方法 |
| CN116580532A (zh) * | 2023-04-20 | 2023-08-11 | 西藏大学 | 一种基于雷达遥感技术的地质灾害预警系统 |
Non-Patent Citations (5)
| Title |
|---|
| Detection and Prediction of Landslide Vulnerability through Case Study using DInSAR Technique and U-net Model;K. V. Vishnu Vardhan;《2023 5th International Conference on Smart Systems and Inventive Technology (ICSSIT)》;176-182 * |
| Empirical predictive modeling approach to quantifying social vulnerability to natural hazards;Wang Y;《Annals of the American Association of Geographers》;第111卷(第5期);1559-1583 * |
| 四川省地质灾害危险性与区域发展间相互作用探讨;李露瑶;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第02期);A011-94 * |
| 山区公路脆弱地质环境灾害多方法早期识别及路线优化;王毅等;《武汉大学学报(信息科学版)》;1-15 * |
| 滑坡堵江成坝过程模拟及危险性预测方法研究;吴昊;《中国博士学位论文全文数据库 (基础科学辑)》(第03期);A011-5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975576A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116975576B (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
| Reichenbach et al. | A review of statistically-based landslide susceptibility models | |
| Yang et al. | Open land-use map: a regional land-use mapping strategy for incorporating OpenStreetMap with earth observations | |
| Pascale et al. | Landslide susceptibility mapping using artificial neural network in the urban area of Senise and San Costantino Albanese (Basilicata, Southern Italy) | |
| Alvioli et al. | Rockfall susceptibility and network-ranked susceptibility along the Italian railway | |
| CN108596518A (zh) | 一种公路地质灾害危险性评估方法 | |
| Bishop et al. | Digital soil-terrain modeling: the predictive potential and uncertainty | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
| CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
| CN115935640B (zh) | 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法 | |
| CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
| Al-Dogom et al. | Geostatistical seismic analysis and hazard assessment; United Arab Emirates | |
| Grenier et al. | Accuracy assessment method for wetland object-based classification | |
| CN117743620A (zh) | 一种大岩土数智系统 | |
| CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
| Salekin et al. | Uncertainty in primary and secondary topographic attributes caused by digital elevation model spatial resolution | |
| CN117408495A (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN116502748A (zh) | 融合多影响因素的滑坡空间风险性预警决策机制研究方法 | |
| CN113779888A (zh) | 地面沉降危险性评估方法、装置、设备及存储介质 | |
| Wang et al. | Spatial uncertainty analysis when mapping natural resources using remotely sensed data | |
| Asmael | A GIs Based Weight of Evidence for Prediction Urban Growth of Baghdad City by Using Remote Sensing Data | |
| Nguyen et al. | Analyzing incomplete spatial data in air pollution prediction | |
| Khakimova et al. | THE ROLE OF DIGITALIZATION IN MONITORING HAZARDOUS GEOLOGICAL PROCESSES |
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 |