CN117516430B - 一种基于多元特征的滑坡形变降雨阈值计算方法 - Google Patents
一种基于多元特征的滑坡形变降雨阈值计算方法 Download PDFInfo
- Publication number
- CN117516430B CN117516430B CN202410008986.0A CN202410008986A CN117516430B CN 117516430 B CN117516430 B CN 117516430B CN 202410008986 A CN202410008986 A CN 202410008986A CN 117516430 B CN117516430 B CN 117516430B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- landslide deformation
- time
- landslide
- event
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 53
- 239000002689 soil Substances 0.000 claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000035772 mutation Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 11
- 238000005305 interferometry Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
Abstract
本发明提供一种基于多元特征的滑坡形变降雨阈值计算方法，涉及滑坡形变预测技术领域，方法包括：通过卫星获取数据，构建时空数据集；对时空数据集中的雷达影像数据集处理，获得滑坡形变数据，并基于此构建滑坡形变事件库；通过突变检验算法，确定滑坡形变事件的降雨突变点；根据降雨突变点前后的降雨时间序列，确定对应的有效降雨时间窗口；根据有效降雨时间窗口、降雨数据集和土壤湿度数据集，确定滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；通过该降雨历时、降雨强度以及土壤湿度指数拟合获得目标降雨阈值模型；通过目标降雨阈值模型确定预测时刻的滑坡形变发生概率。旨在提高滑坡灾害的预测准确性。
Description
技术领域
本发明涉及滑坡形变预测技术领域，尤其涉及一种基于多元特征的滑坡形变降雨阈值计算方法。
背景技术
滑坡作为对人类影响较大的自然灾害之一，在1990年初就被列为八大灾害之一。降雨是滑坡发生的诸多诱因中较为主要的诱发因素，世界每年发生的滑坡中，降雨诱发的滑坡高达80%以上，降雨型滑坡具有群发性、同时性和成灾大等特点。在一定的前期状态下，一个区域的降雨达到一定程度时，就会导致斜坡失稳从而致使滑坡发生的概率大大提高，这个导致斜坡失稳的临界状态值即滑坡形变阈值，通常被用作滑坡启动的判别依据。
目前对于滑坡形变阈值的研究，首先，多是基于详实的降雨数据和滑坡数据资料开展，数据获取途径少，导致能够获取到的数据量较少，不利于滑坡灾害的确定。其次，目前滑坡形变临界阈值模型多只利用降雨信息预测滑坡灾害，准确度普遍较低。此外，对于前期有效降雨量计算上，多利用相关性分析等规则标准，确定统一固定累计天数，这对最终滑坡灾害的预测准确性也会有影响。
发明内容
有鉴于此，本发明提供一种基于多元特征的滑坡形变降雨阈值计算方法。旨在提高滑坡灾害的预测准确性。
本发明实施例提供了一种基于多元特征的滑坡形变降雨阈值计算方法，所述方法包括：
通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，其中所述时空数据集包括：降雨数据集、土壤湿度数据集、雷达影像数据集；
通过永久性散射雷达干涉测量方法对所述时空数据集中的雷达影像数据集进行处理，获得滑坡形变数据，并基于所述滑坡形变数据，构建滑坡形变事件库；
通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点；
根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口；
根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；
通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型；
通过所述目标降雨阈值模型确定待测空间位置在待测时刻的滑坡形变发生概率。
可选地，通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，包括：
通过GPM卫星监测的降雨观测数据，获取到目标区域在目标时段的降雨时间序列数据，构成降雨数据集，并基于土壤湿度产品数据，构建目标区域在研究时段的土壤湿度数据集；
通过Sentinel_1A卫星监测的降轨数据，获取到所述目标区域的多景雷达影像数据；
对所述多景雷达影像数据进行预处理，确定所述多景雷达影像数据中的超级主影像，并将所述超级主影像与所述多景雷达影像数据中的其他雷达影像进行配对获得主从影像对；
通过所述主从影像对中的所述超级主影像对从影像集进行配准，获得雷达影像数据集；
将所述降雨数据集、所述土壤湿度数据集和所述雷达影像数据集均按照时间和空间位置进行命名存储，构成目标区域在目标时段的时空数据集。
可选地，通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点，包括：
根据所述滑坡形变事件库中滑坡形变事件的发生时刻和所述降雨数据集，获取所述滑坡形变事件发生前的长时间降雨时间序列；
根据所述长时间降雨时间序列的顺序降雨时间序列，通过第一预设算法构建对应的第一秩序列，并计算所述第一秩序列对应的平均值和方差；
在设定条件下，通过第二预设算法对所述第一秩序列对应的平均值和方差进行计算，获得所述第一秩序列的统计量；
根据所述长时间降雨时间序列的逆序降雨时间序列，通过第一预设算法构建对应的第二秩序列，并计算所述第二秩序列对应的平均值和方差；
在设定条件下，通过第二预设算法对所述第二秩序列对应的平均值和方差进行计算，获得所述第二秩序列的统计量；
根据所述第一秩序列的统计量和所述第二秩序列的统计量、预设的显著性水平线和预设判定条件，确定所述滑坡形变事件的降雨突变点。
可选地，根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口，包括：
确定所述滑坡形变事件的降雨突变点与所述滑坡形变事件的发生时刻之间的时间差；
根据所述降雨数据集和所述时间差，确定所述滑坡形变事件的初始有效降雨时间序列；
通过第三预设算法，计算所述初始有效降雨时间序列的偏态系数；
根据所述偏态系数，通过第四预设算法计算获得所述滑坡形变事件的有效降雨时间窗口。
可选地，根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数，包括：
根据所述有效降雨时间窗口和所述降雨数据集，确定所述滑坡形变事件发生前的有效降雨时间序列；
从所述滑坡形变事件的发生时刻开始，对所述滑坡形变事件发生前的有效降雨时间序列中的每一个时刻的前后有效降雨量进行计算，并将计算获得的所述前后有效降雨量进行对比，直至第一次出现一个时刻的后有效降雨量大于该一个时刻的前有效降雨量时，将该一个时刻确定为所述滑坡形变事件对应的滑坡前降雨事件的开始时刻；
根据所述滑坡前降雨事件的开始时刻和所述滑坡形变事件的发生时刻，确定所述滑坡形变事件的降雨历时；
根据所述降雨历时和所述降雨数据集，计算获得所述滑坡形变事件的累计降雨量；
根据所述降雨历时和所述累计降雨量，计算获得所述滑坡形变事件的降雨强度；
根据所述土壤湿度数据集，获取到所述滑坡形变降雨事件之前预设时长的土壤湿度数据，并通过最小值和最大值标准化对所述滑坡形变降雨事件之前预设时长的土壤湿度数据进行处理获得对应的土壤湿度指数。
可选地，通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型，包括：
将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图；
通过所述三维分布图拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中的α和β的取值，以获得第一目标降雨阈值模型；
所述降雨阈值模型的表达式为：
；
其中，D为降雨历时、I降雨强度、S为土壤湿度指数、α和β均为待定系数，α为缩放常数，β为形状参数。
可选地，通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型，包括：
将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图；
通过所述三维分布图中的下部界限分布点拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中α和β的取值，以获得第二目标降雨阈值模型。
可选地，在所述时空数据集还包括地面形变监测数据的情况下，所述方法还包括：
确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数；
确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第一目标降雨阈值模型之间的空间关系；
根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率；
根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第一目标降雨阈值模型的命中率。
可选地，在所述时空数据集还包括地面形变监测数据的情况下，所述方法还包括：
确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数；
确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第二目标降雨阈值模型之间的空间关系；
根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率；
根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第二目标降雨阈值模型的命中率。
针对在先技术，本发明具备如下优点：
本发明实施例提供的一种基于多元特征的滑坡形变降雨阈值计算方法。首先通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，该时空数据集包括：降雨数据集、土壤湿度数据集、雷达影像数据集；通过永久性散射雷达干涉测量方法对时空数据集中的雷达影像数据集进行处理，获得目标区域内的滑坡形变数据，并基于获得的目标区域内的滑坡形变数据，构建目标区域内的滑坡形变事件库，滑坡形变事件库中包括多个滑坡形变事件，滑坡形变事件包括具体的事件发生时刻；通过Mann_Kendall突变检验算法，确定滑坡形变事件库中的滑坡形变事件的降雨突变点；根据该降雨突变点前后的降雨时间序列，确定到滑坡形变事件的有效降雨时间窗口；根据该有效降雨时间窗口、降雨数据集和土壤湿度数据集，确定滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；通过滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得目标区域的目标降雨阈值模型；通过构建的目标降雨阈值模型确定待测空间位置在待测时刻发生滑坡形变的可能性大小。由此，通过引入雷达干涉测量技术获取滑坡形变监测数据，从而增加了滑坡形变监测数据的获取图像，更利于滑坡形变阈值的确定；同时，在目前的滑坡形变临界阈值模型只利用降雨数据预测滑坡灾害的基础上，提出同时考虑前期土壤湿度和近期降雨的目标降雨阈值模型来进行滑坡灾害的预测，可有效提高滑坡灾害的预测准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种基于多元特征的滑坡形变降雨阈值计算方法的流程图；
图2为本发明实施例提供的一种基于多元特征的滑坡形变降雨阈值计算方法中确定降雨突变点的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。
图1为本发明实施例提供的一种基于多元特征的滑坡形变降雨阈值计算方法的流程图，如图1所示，该方法包括：
步骤S101：通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，其中所述时空数据集包括：降雨数据集、土壤湿度数据集、雷达影像数据集；
步骤S102：通过永久性散射雷达干涉测量方法对所述时空数据集中的雷达影像数据集进行处理，获得滑坡形变数据，并基于所述滑坡形变数据，构建滑坡形变事件库；
步骤S103：通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点；
步骤S104：根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口；
步骤S105：根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；
步骤S106：通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型；
步骤S107：通过所述目标降雨阈值模型确定待测空间位置在待测时刻的滑坡形变发生概率。
在本实施例中，步骤S101首先构建对目标降雨阈值模型进行确定所需用到的时空数据集，该时空数据集中包括：降雨数据集、土壤湿度数据集、雷达影像数据集。
具体地，首先确定需要针对哪个区域和具体哪个时间段构建时空数据集，在确定到该时空数据集对应的区域和时间段后，将该区域确定为目标区域，并将该时间段确定为目标时段。在确定到目标区域和目标时段后，从Sentinel_1A和GPM卫星获取到的数据中提取出目标区域在目标时段的数据，并基于提取出的目标区域在目标时段的数据构建目标区域在目标时段的时空数据集。其中，Sentinel_1A卫星为欧洲航天局哥白尼计划中的地球观测卫星，由两颗卫星组成，载有C波段合成孔径雷达，用于获取连续的雷达影像数据，该雷达影像数据为降轨数据。其中，GPM（Global Precipitation Measurement）卫星是用于执行雨雪观测的国际卫星，用于每隔一定时长对世界范围的雨雪进行观测，以获得降雨观测数据。
在本实施例中，步骤S102通过永久性散射雷达干涉测量方法对步骤S101构建的时空数据集中的雷达影像数据集进行处理，获得目标区域在目标时段内的滑坡形变数据，基于获得的滑坡形变数据，可以确定到目标区域在目标时段内哪些位置的哪些具体时刻发生了滑坡形变，将这些滑坡形变进行统计记录，以构建滑坡形变事件库，从而确定到目标区域在目标时段内发生的滑坡形变事件构成的滑坡形变事件库，该滑坡形变事件库中包括各个滑坡形变事件的发生空间位置和各自对应的发生时刻。
在本实施例中，步骤S103通过Mann_Kendall突变检验算法对将与数据集进行计算，从而针对步骤S102中的滑坡形变事件库中的每个滑坡形变事件，均计算获得各自对应的降雨突变点。示例地，滑坡形变事件库包括滑坡形变事件A1、A2、A3、A4、A5，通过Mann_Kendall突变检验算法计算上述5个滑坡形变事件各自对应降雨时间序列的降雨突变点，获得滑坡形变事件A1的降雨突变点p1、滑坡形变事件A2的降雨突变点p2、滑坡形变事件A3的降雨突变点p3、滑坡形变事件A4的降雨突变点p4、滑坡形变事件A5的降雨突变点p5。
在本实施例中，各个滑坡形变事件的有效降雨时间窗口的确定方式相同，在此以一个滑坡形变事件的有效降雨时间窗口的确定进行说明。对于步骤S102中的滑坡形变事件库中的任意一个滑坡形变事件，从步骤S101构建的时空数据集中的降雨数据集中获取到该任意一个滑坡形变事件的降雨突变点前后的降雨时间序列，也就是以该降雨突变点为分界点，获取到该降雨突变点之前的降雨数据，以及获取到该降雨突变点之后的降雨数据。通过数据序列的偏态系数计算，计算到该任意一个滑坡形变事件的有效降雨时间窗口。步骤S102确定的滑坡形变事件库中的其他滑坡形变事件的有效降雨时间窗口与上述任意一个滑坡形变事件的有效降雨时间窗口的确定方式相同，在此不再赘述。
在本实施例中，各个滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数的确定方式相同，在此以一个滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数的确定进行说明。对于步骤S102中的滑坡形变事件库中的任意一个滑坡形变事件，根据该任意一个滑坡形变事件的有效降雨时间窗口、步骤S101中的降雨数据集和土壤湿度数据集，确定该任意一个滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数。由此，步骤S102确定的滑坡形变事件库中的其他滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数的确定与上述任意一个滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数的确定方式相同，在此不再赘述。
在本实施例中，通过滑坡形变事件库中的各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数进行拟合获得目标区域的目标降雨阈值模型，该目标降雨阈值模型在三维分布图中实际上是一个阈值曲面。
在本实施例中，确定需要进行滑坡灾害预测的待测空间位置和待测时刻，假定该待测空间位置在该待测时刻将发生滑坡形变事件，然后通过与上述相同的实施方式计算获得该待测空间位置在该待测时刻对应的降雨历时、降雨强度以及土壤湿度指数。将该待测时刻对应的降雨历时、降雨强度以及土壤湿度指数绘制在三维分布图中，然后确定该待测时刻对应的降雨历时、降雨强度以及土壤湿度指数对应的点在该三维分布图中的分布位置与该目标降雨阈值模型之间的空间关系，根据该空间位置关系，确定该待测空间位置在该待测时刻发生滑坡灾害的概率。在该概率越高时，表征该待测时刻发生滑坡灾害的概率越高，而在该待测时刻的后续时刻中发生滑坡灾害的可能性会越高，此时可基于该预测结果，从该待测时刻开始对用户进行滑坡灾害的预警。
本发明实施例提供的一种基于多元特征的滑坡形变降雨阈值计算方法。首先通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，该时空数据集包括：降雨数据集、土壤湿度数据集、雷达影像数据集；通过永久性散射雷达干涉测量方法对时空数据集中的雷达影像数据集进行处理，获得目标区域内的滑坡形变数据，并基于获得的目标区域内的滑坡形变数据，构建目标区域内的滑坡形变事件库，滑坡形变事件库中包括多个滑坡形变事件，滑坡形变事件包括具体的事件发生时刻；通过Mann_Kendall突变检验算法，确定滑坡形变事件库中的滑坡形变事件的降雨突变点；根据该降雨突变点前后的降雨时间序列，确定到滑坡形变事件的有效降雨时间窗口；根据该有效降雨时间窗口、降雨数据集和土壤湿度数据集，确定滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；通过滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得目标区域的目标降雨阈值模型；通过构建的目标降雨阈值模型确定待测空间位置在待测时刻发生滑坡形变的可能性大小。由此，通过引入雷达干涉测量技术获取滑坡形变监测数据，从而增加了滑坡形变监测数据的获取图像，更利于滑坡形变阈值的确定；同时，在目前的滑坡形变临界阈值模型只利用降雨数据预测滑坡灾害的基础上，提出同时考虑前期土壤湿度和近期降雨的目标降雨阈值模型来进行滑坡灾害的预测，可有效提高滑坡灾害的预测准确性。
结合以上实施例，在一种实施方式中，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，步骤S102包括步骤S1021至步骤S1025：
步骤S1021：通过GPM卫星监测的降雨观测数据，获取到目标区域在目标时段的降雨时间序列数据，构成降雨数据集，并基于土壤湿度产品数据，构建目标区域在研究时段的土壤湿度数据集。
在本实施例中，通过GPM卫星监测的降雨观测数据，获取到目标区域在目标时段的降雨时间序列数据，构成降雨数据集，并基于土壤湿度产品数据，构建目标区域在研究时段的土壤湿度数据集。降雨时间序列数据中每个样本记录的是发生在各个空间位置的各个时刻对应的单位时长的降雨量，其中，该单位时长优选为1小时，应当理解的是该单位时长只是一种优选实施例，该单位时长同样可以为2小时，半小时等。如，特定时刻A之前的第1个小时内的降雨量，时刻B之前的第1个小时内的降雨量，时刻C之前的第1个小时内的降雨量等。
步骤S1022：通过Sentinel_1A卫星监测的降轨数据，获取到所述目标区域的多景雷达影像数据。
在本实施例中，通过Sentinel_1A卫星监测的降轨数据，获取到目标区域在目标时段内的多景雷达影像数据。
步骤S1023：对所述多景雷达影像数据进行预处理，确定所述多景雷达影像数据中的超级主影像，并将所述超级主影像与所述多景雷达影像数据中的其他雷达影像进行配对获得主从影像对。
在本实施例中，通过ENVI软件对获取到的多景雷达影像数据进行分析，选取该多景雷达影像数据中的超级主影像。然后将该超级主影像与多景雷达影像数据中除该超级主影像外的其他雷达影像进行配对获得多个主从影像对。其中，每个主从影像对中均包括一个超级主影像和一个从影像，同时不同的主从影像对中超级主影像相同，而从影像不同。
步骤S1024：通过所述主从影像对中的所述超级主影像对从影像集进行配准，获得雷达影像数据集。
在本实施例中，由于不同成像手段获得同一区域的不同图像坐标会发生偏移，因此本发明将各个从影像配准到超级主影像上，为后续的形变监测做准备，也就是说，主从影像对应位置重合无偏，才能准确检测灾害前后的形变量。通过主从影像对中的超级主影像对从影像集进行配准，获得雷达影像数据集。其中从影像集中包括的是所有主从影像对中所包括的从影像。其中，各个主从影像对的配准的实施方式相同，在此以一个主从影像对的配准的实施方式进行说明。具体地：对于所有主从影像对中的任意一个主从影像对，从超级主影像中选取控制点和匹配窗口，将该任意一个主从影像对中的超级主影像和从影像之间的偏移量作为依据，确定高超级主影像和该从影像之间的坐标映射关系，通过解算多项式以进行坐标转换，从而对该从影像进行重采样，通过与上述相同的配准方式进行循环操作，直至最后达到最优的配准结果，获得该任意一个主从影像对所对应的两个雷达影像数据。通过与上述相同的实施方式，可以确定到所有主从影像对中各个主从影像对各自对应的两个雷达影像数据。将所有主从影像对各自对应的两个雷达影像数据用于构成雷达影像数据集。
步骤S1025：将所述降雨数据集、所述土壤湿度数据集和所述雷达影像数据集均按照时间和空间位置进行命名存储，构成目标区域在目标时段的时空数据集。
在本实施例中，将获得的降雨数据集、土壤湿度数据集和雷达影像数据集按照时间和空间位置进行命名存储，以此构成目标区域在目标时段的时空数据集。其中，所述目标时段可根据实际应用场景进行设定，如设定为20天，或50天，或100天等。
结合以上实施例，在一种实施方式中，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，步骤S103包括步骤S1031至步骤S1036：
步骤S1031：根据所述滑坡形变事件库中滑坡形变事件的发生时刻和所述降雨数据集，获取所述滑坡形变事件发生前的长时间降雨时间序列。
在本实施例中，由于每个滑坡形变事件发生前的长时间降雨时间序列的获取实施方式相同，在此以一个滑坡形变事件发生前的长时间降雨时间序列的获取为例进行说明：从构建的滑坡形变事件库中获取到滑坡形变事件的发生时刻，基于获取到的该滑坡形变事件的发生时刻，将该发生时刻为截止时刻，从降雨数据集中获取到发生在该坡形变事件所在空间位置处的设定时长的降雨时间序列，构成该滑坡形变事件发生前的长时间降雨时间序列。其中，所述设定时长可根据实际应用场景进行设定，在此不做具体限定，例如对于短时的大暴雨，该设定时长可选择为2天，对于长时间的小雨，该设定时长可选择为5天等。基于相同的实施方式，可以获取到滑坡形变事件库中所有滑坡形变事件各自发生前的长时间降雨时间序列。
其中，所述设定时长可根据实际应用场景进行设定，如设定为1天，3天，5天，10天等。示例地，滑坡形变事件库中包括滑坡形变事件A，对应发生时刻为a0；滑坡形变事件B，对应发生时刻为b0；滑坡形变事件C，对应发生时刻c0；设定时长为5天；获取滑坡形变事件A发生时刻a0之前的5天时间的降雨时间序列，确定为滑坡形变事件A发生前的长时间降雨时间序列；获取滑坡形变事件B发生时刻ab0之前的5天时间的降雨时间序列，确定为滑坡形变事件B发生前的长时间降雨时间序列；获取滑坡形变事件C发生时刻c0之前的5天时间的降雨时间序列，确定为滑坡形变事件C发生前的长时间降雨时间序列。
步骤S1032：根据所述长时间降雨时间序列的顺序降雨时间序列，通过第一预设算法构建对应的第一秩序列，并计算所述第一秩序列对应的平均值/>和方差/>。
在本实施例中，第一预设算法的计算式为：
；/>；/>；
其中，，n为降雨时间序列样本个数，/>、/>为第i、j时刻对应的降雨量值。
在本实施例中，由于每个降雨时间序列的第一秩序列构建和该第一秩序列对应的平均值和方差的计算的实施方式相同，在此以一个降雨时间序列的第一秩序列构建和该第一秩序列对应的平均值和方差的计算为例进行说明：对于一个滑坡形变事件的长时间降雨时间序列，该长时间降雨时间序列原本就是按照时间先后顺序排列的，此时的该长时间降雨时间序列为顺序降雨时间序列。然后通过上述第一预设算法对该顺序降雨时间序列进行计算，确定该降雨时间序列的第一秩序列和该第一秩序列中与各个Sk对应的平均值和方差。
步骤S1033：在设定条件下，通过第二预设算法，带入所述第一秩序列对应的平均值和方差，获得所述第一秩序列的统计量。
在本实施例中，第二预设算法的计算式为：
；
其中，表示第一秩序列中Sk对应的统计量。
在本实施例中，由于每个降雨时间序列的第一秩序列的统计量的确定方式相同，在此以一个降雨时间序列的第一秩序列的统计量的确定为例进行说明：通过与上述步骤S1032相同的实施方式可以计算获得该降雨时间序列的第一秩序列，以及，与该第一秩序列中各个Sk分别对应的平均值和方差，在时间序列随机独立设定（即设定条件）下，将该降雨时间序列的第一秩序列中的Sk和该Sk对应的平均值和方差带入上述第二预设算法的计算式进行计算，可以获得与该Sk对应的统计量。基于相同的实施方式，该降雨时间序列的第一秩序列中每个Sk都可计算获得一个与自身相对应的统计量，也就是第一秩序列的Sk数量有多少个，相对应的就有多少个统计量。基于相同的实施方式，每个滑坡形变事件对应的降雨时间序列均可计算获得与自身第一秩序列中的各个Sk相对应的各个统计量。
步骤S1034：根据所述长时间降雨时间序列的逆序降雨时间序列，通过第一预设算法构建对应的第二秩序列，并计算所述第二秩序列对应的平均值和方差。
在本实施例中，上述步骤S1032至步骤S1033是基于时间先后顺序排序的长时间降雨时间序列进行第一秩序列和对应的平均值、方差和统计量计算。而步骤S1034至步骤S1035则是基于时间逆序排序的长时间降雨时间序列进行第二秩序列和对应的平均值、方差和统计量计算。
具体地，由于每个降雨时间序列的第二秩序列构建和该第二秩序列对应的平均值和方差的计算的实施方式相同，在此以一个降雨时间序列的第二秩序列构建和该第二秩序列对应的平均值和方差的计算为例进行说明：对于一个滑坡形变事件的长时间降雨时间序列，对该长时间降雨时间序列按照时间的逆序进行排列，获得该长时间降雨时间序列的逆序降雨时间序列。然后通过上述第一预设算法对该逆序降雨时间序列进行计算，确定到该降雨时间序列的第二秩序列和该第二秩序列中与各个Sk对应的平均值和方差。
由此，通过上述第一预设算法的计算式，对于每个滑坡形变事件的长时间降雨时间序列的逆序降雨时间序列，都可计算获得一个相对应的第二秩序列和该第二秩序列中与各个Sk对应的平均值和方差。
步骤S1035：在设定条件下，通过第二预设算法，带入所述第二秩序列对应的平均值和方差，获得所述第二秩序列的统计量。
在本实施例中，由于每个降雨时间序列的第二秩序列的统计量的确定方式相同，在此以一个降雨时间序列的第二秩序列的统计量的确定为例进行说明：通过与上述步骤S1034相同的实施方式可以计算获得一个降雨时间序列的第二秩序列，以及，与该第二秩序列中各个Sk分别对应的平均值和方差，在时间序列随机独立设定（即设定条件）下，将该降雨时间序列的第二秩序列中的一个Sk和该Sk对应的平均值和方差带入上述第二预设算法的计算式进行计算，取反后，可以获得与该Sk对应的统计量。基于相同的实施方式，该降雨时间序列的第二秩序列中每个Sk都可计算获得一个与自身相对应的统计量，也就是第二秩序列的Sk有多少个，相对应的就有多少个统计量。基于相同的实施方式，每个滑坡形变事件对应的降雨时间序列均可计算获得与自身第二秩序列中的各个Sk相对应的各个统计量。
步骤S1036：根据所述第一秩序列的统计量和所述第二秩序列的统计量、预设的显著性水平线和预设判定条件，确定所述滑坡形变事件的降雨突变点。
在本实施例中，由于每个滑坡形变事件的降雨突变点的确定实施方式相同，在此以一个滑坡形变事件的降雨突变点的确定为例进行说明：如图2所示，首先提前预设显著性水平线，也就是统计量的上限和下限。然后将该一个滑坡形变事件的第一秩序列中各个样本的统计量绘制在直角坐标中，同时将该一个滑坡形变事件的第二秩序列中各个样本的统计量绘制在直角坐标中，以分别构成第一秩序列统计量曲线（如图2中的UF对应的曲线）和第二秩序列统计量曲线（如图2中的UB对应的曲线）。同时将预设的显著性水平线（即统计量的上限和下限，如图2中的0值上下分布的两条虚线）绘制在直角坐标中，该直角坐标系的横轴为降雨时间，纵轴为统计量。所述预设判定条件为将位于显著性水平线之间的滑坡形变事件的第一秩序列统计量曲线和第二秩序列统计量曲线的交点确定为降雨突变点。因此，在将该一个滑坡形变事件的第一秩序列中各个样本的统计量和该一个滑坡形变事件的第二秩序列中各个样本的统计量绘制在直角坐标，同时将预设的显著性水平线绘制在直角坐标后，通过预设判定条件，可以确定到该一个滑坡形变事件的降雨突变点。由此，基于相同的实施方式，可以确定到滑坡形变事件库中各个滑坡形变事件各自的一个降雨突变点。
结合以上实施例，在一种实施方式中，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，步骤S104包括步骤S1041至步骤S1044：
步骤S1041：确定所述滑坡形变事件的降雨突变点与所述滑坡形变事件的发生时刻之间的时间差。
在本实施例中，由于每个滑坡形变事件的时间差的确定实施方式相同，在此以一个滑坡形变事件的时间差的确定为例进行说明：在通过步骤S103确定到该一个滑坡形变事件的降雨突变点后，本发明将该一个滑坡形变事件的发生时刻与该一个滑坡形变事件的降雨突变点对应时刻做差，获得该一个滑坡形变事件的降雨突变点和该滑坡形变事件的发生时刻之间的时间差。由此，基于相同实施方式，滑坡形变事件库中的每个滑坡形变事件都将计算获得一个对应的时间差。
步骤S1042：根据所述降雨数据集和所述时间差，确定所述滑坡形变事件的初始有效降雨时间序列。
在本实施例中，由于每个滑坡形变事件的初始有效降雨时间序列的确定实施方式相同，在此以一个滑坡形变事件的初始有效降雨时间序列的确定为例进行说明：在确定到该一个滑坡形变事件的时间差后，以该滑坡形变事件的降雨突变点为对称中心，选取该降雨突变点前该时间差长度和该降雨突变点后该时间差长度的时间段的降雨时间序列，作为该一个滑坡形变事件的初始有效降雨时间序列。例如，在滑坡形变事件的降雨突变点与该滑坡形变事件的发生时刻之间的时间差为5小时，同时该滑坡形变事件的降雨突变点为时刻a，则确定到时刻a之前5小时位置处的时刻和时刻a之后5小时位置处的时刻，将该两个时刻之间的降雨时间序列确定为该滑坡形变事件的初始有效降雨时间序列。由此，基于相同实施方式，滑坡形变事件库中的每个滑坡形变事件都将计算获得一个对应的初始有效降雨时间序列。
应当理解的是，通过上述实施方式确定的滑坡形变事件的初始有效降雨时间序列的结束时刻为滑坡形变事件的发生时刻。
步骤S1043：通过第三预设算法，计算所述初始有效降雨时间序列的偏态系数。
在本实施例中，所述第三预设算法的计算式如下：
；/>；/>；
其中，m为时间序列样本个数；为第i时刻对应的降雨量值；MC为对应的初始有效降雨时间序列的偏态系数；MC＞0为右偏分布，MC＜0为左偏分布，越接近0，偏斜程度就越小。
在本实施例中，由于每个滑坡形变事件的偏态系数的确定实施方式相同，在此以一个滑坡形变事件的偏态系数的确定为例进行说明：在通过上述实施方式确定到该一个滑坡形变事件的初始有效降雨时间序列后，将该初始有效降雨时间序列中的各个降雨时间序列样本带入上述第三预设算法的计算式中进行计算，将计算获得该一个滑坡形变事件的偏态系数。由此，基于相同实施方式，滑坡形变事件库中的每个滑坡形变事件都将计算获得一个对应的偏态系数。
步骤S1044：根据所述偏态系数，通过第四预设算法计算获得所述滑坡形变事件的有效降雨时间窗口。
在本实施例中，所述第四预设算法的计算式如下：
；
其中，C为对应滑坡形变事件的发生时刻之前的有效降雨时间窗口的对应时长，为对应滑坡形变事件的发生时刻与降雨突变点对应时刻的时间差。
在本实施例中，由于每个滑坡形变事件的有效降雨时间窗口的确定实施方式相同，在此以一个滑坡形变事件的有效降雨时间窗口的确定为例进行说明：在通过上述实施方式确定到该一个滑坡形变事件的偏态系数后，将该一个滑坡形变事件的偏态系数带入第四预设算法进行计算，将计算获得从该一个滑坡形变事件的发生时刻为终止时刻的有效降雨时间窗口的对应时长，由此也就获得了该一个滑坡形变事件的有效降雨时间窗口。在该有效降雨时间窗口中发生的降雨时间序列（该降雨时间序列为发生在该一个滑坡形变事件所在空间位置处的降雨时间序列）是对该一个滑坡形变事件的发生会造成有效影响的有效降雨，通过该有效降雨得到的降雨事件是对该一个滑坡形变事件发生具有有效影响的降雨过程。例如，计算获得滑坡形变事件的有效降雨时间窗口为3小时，则将发生在该滑坡形变事件的空间位置处的，终止时刻为该滑坡形变事件的发生时刻的之前3个小时的降雨时间序列作为一个会对该滑坡形变事件发生产生有效影响的降雨事件。由此，基于相同实施方式，滑坡形变事件库中的每个滑坡形变事件都将计算获得一个对应的有效降雨时间窗口。
结合以上实施例，在一种实施方式中，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，步骤S105包括步骤S1051至步骤S1056：
步骤S1051：根据所述有效降雨时间窗口和所述降雨数据集，确定所述滑坡形变事件发生前的有效降雨时间序列。
在本实施例中，滑坡形变事件库中的各个滑坡形变事件的有效降雨时间序的确定实施方式相同，在此以一个滑坡形变事件的有效降雨时间序的确定为例进行说明：在计算获得一个滑坡形变事件的有效降雨时间窗口后，从降雨数据集中选择出该有效降雨时间窗口内，发生在该滑坡形变事件所在空间位置处的各个降雨，选择出的各个降雨组成该滑坡形变事件发生前的有效降雨时间序列。由此，基于相同的实施方式可以确定到滑坡形变事件库中各个滑坡形变事件各自对应的一个发生前的有效降雨时间序列。
步骤S1052：从所述滑坡形变事件的发生时刻开始，对所述滑坡形变事件发生前的有效降雨时间序列中的每一个时刻的前后有效降雨量进行计算，并将计算获得的所述前后有效降雨量进行对比，直至第一次出现一个时刻的后有效降雨量大于该一个时刻的前有效降雨量时，将该一个时刻确定为所述滑坡形变事件对应的滑坡前降雨事件的开始时刻。
在本实施例中，滑坡形变事件库中的各个滑坡形变事件各自对应的滑坡前降雨事件的开始时刻的确定实施方式相同，在此以一个滑坡形变事件对应的滑坡前降雨事件的开始时刻的确定为例进行说明：滑坡形变事件发生前的有效降雨时间序列中所记载的是以单位时长为记录标准的，各个时刻的单位时长内的降雨量。其中所述单位时刻根据实际采集到的降雨数据集进行确定，如1小时，2小时等。例如，在滑坡形变事件发生前的有效降雨时间序列中包括5个时间序列样本，对于滑坡形变事件发生前第1个小时内的降雨量为50mm，滑坡形变事件发生前的第2个小时内的降雨量为20mm，滑坡形变事件发生前第3小时内的降雨量为40mm，滑坡形变事件发生前第4个小时的降雨量为30mm，滑坡形变事件发生前第5小时的降雨量为20mm。
在确定到一个滑坡形变事件发生前的有效降雨时间序列后，通过如下公式（1），可以计算滑坡形变事件中以一个时刻为划分界限的该一个时刻之前的前有效降雨量和该一个时刻之后的后有效降雨量：
（1）；
其中，表示的是对应的滑坡形变事件发生前的有效降雨时间序列对应的有效降雨量，/>表示的对应降雨事件（即对应的滑坡形变事件发生前的有效降雨时间序列称之为该对应的滑坡形变事件的降雨事件）中，第i小时的降雨量；ni表示的是距离滑坡发生形变的第i小时的时间长度，例如距离滑坡发生形变之前的第5个小时，此时ni取值则为5，ni的单位为小时；λ表示的是衰减系数，根据实际应用场景进行设定，在此不做具体限定，如根据应用场景，将与该应用场景相对应的常规经验值确定为该应用场景下的衰减系数。
从该滑坡形变事件的发生时刻开始，对该滑坡形变事件发生前的有效降雨时间序列中每个时刻的前后有效降雨量进行计算，直接以当前正在计算的一个时刻作为分界点，将该滑坡形变事件发生前的有效降雨时间序列对应的总的有效降雨量划分成两部分，该一个时刻之前的一部分有效降雨量即为该一个时刻的前有效降雨量，该一个时刻之后的一部分有效降雨量即为该一个时刻的后有效降雨量。并将每次计算获得的每一个时刻的前后有效降雨量进行对比，直至第一次出现一个时刻的后有效降雨量大于该一个时刻的前有效降雨量时，将该一个时刻确定为该滑坡形变事件对应的滑坡前降雨事件的开始时刻。
例如，滑坡形变事件发生前的有效降雨时间序列包括：滑坡形变事件发生前的第5个小时内的降雨量R5为50mm、滑坡形变事件发生前的第4个小时内的降雨量R4为20mm、滑坡形变事件发生前的第3个小时内的降雨量R3为40mm、滑坡形变事件发生前的第2个小时内的降雨量R2为30mm、滑坡形变事件发生前的第1个小时内的降雨量R1为20mm；从滑坡形变事件的发生时刻开始，先对滑坡形变事件发生前的第1个小时时刻的前后有效降雨量进行计算，将计算获得该第1个小时时刻的前有效降雨量为，单位为mm，后有效降雨量为/>，单位为mm，此时后有效降雨量小于前有效降雨量，继续进行计算；然后对滑坡形变事件发生前的第2个小时时刻的前后有效降雨量进行计算，将计算获得第2个小时时刻的前有效降雨量为/>，单位为mm，后有效降雨量为/>，单位为mm，此时后有效降雨量小于前有效降雨量，继续进行计算；然后对滑坡形变事件发生前的第3个小时时刻的前后有效降雨量进行计算，将计算获得第3个小时时刻的前有效降雨量为/>，单位为mm，后有效降雨量为，单位为mm，此时后有效降雨量大于前有效降雨量，因此将滑坡形变事件发生前的第3个小时时刻确定为该滑坡形变事件对应的滑坡前降雨事件的开始时刻。
由此，通过上述相同的实施方式，滑坡形变事件库中每个滑坡形变事件都可计算获得一个与自身对应的滑坡前降雨事件的开始时刻。
步骤S1053：根据所述滑坡前降雨事件的开始时刻和所述滑坡形变事件的发生时刻，确定所述滑坡形变事件的降雨历时。
在本实施例中，滑坡形变事件库中的各个滑坡形变事件各自的降雨历时的确定实施方式相同，在此以一个滑坡形变事件的降雨历时的确定为例进行说明：在计算获得一个滑坡形变事件对应的滑坡前降雨时间的开始时刻后，以该滑坡形变事件对应的滑坡前降雨事件的开始时刻作为起始时刻，以该滑坡形变事件的发生时刻作为结束时刻，确定到该滑坡形变事件的降雨历时。由此，通过上述相同的实施方式，滑坡形变事件库中每个滑坡形变事件都可计算获得一个与自身对应的降雨历时。
步骤S1054：根据所述降雨历时和所述降雨数据集，计算获得所述滑坡形变事件的累计降雨量。
在本实施例中，滑坡形变事件库中的各个滑坡形变事件各自的累计降雨量的确定实施方式相同，在此以一个滑坡形变事件的累计降雨量的确定为例进行说明：在确定到滑坡形变事件的降雨历时后，从降雨数据集中选择出降雨时间处于该降雨历时范围内，同时发生在该滑坡形变事件所在空间位置处的各个降雨。基于选择出的该各个降雨组成的降雨时间序列，通过将该降雨时间序列中的各个降雨量进行累加获得该滑坡形变事件对应的累计降雨量。由此，通过上述相同的实施方式，滑坡形变事件库中每个滑坡形变事件都可计算获得一个与自身对应的累计降雨量。
步骤S1055：根据所述降雨历时和所述累计降雨量，计算获得所述滑坡形变事件的降雨强度。
在本实施例中，滑坡形变事件库中的各个滑坡形变事件各自的降雨强度的确定实施方式相同，在此以一个滑坡形变事件的降雨强度的确定为例进行说明：在计算获得滑坡形变事件的降雨历时和累计降雨量后，以该滑坡形变事件的累计降雨量除以该滑坡形变事件的降雨历史的时长，获得该滑坡形变事件的降雨强度。由此，通过上述相同的实施方式，滑坡形变事件库中每个滑坡形变事件都可计算获得一个与自身对应的降雨强度。
步骤S1056：根据所述土壤湿度数据集，获取到所述滑坡形变降雨事件之前预设时长的土壤湿度数据，并通过最小值和最大值标准化对所述滑坡形变降雨事件之前预设时长的土壤湿度数据进行处理获得对应的土壤湿度指数。
在本实施例中，滑坡形变事件库中的各个滑坡形变事件各自的土壤湿度指数的确定实施方式相同，在此以一个滑坡形变事件的土壤湿度指数的确定为例进行说明：根据构建的土壤湿度数据集，从土壤湿度数据集中获取到滑坡形变降雨事件发生前的预设时长内的位于该滑坡形变降雨事件所在空间位置处的土壤湿度数据，然后通过最小值和最大值标准化处理对该滑坡形变降雨事件发生前的预设时长内的土壤湿度数据进行处理，获得对应的土壤湿度指数。由此，通过上述相同的实施方式，滑坡形变事件库中每个滑坡形变事件都可计算获得一个与自身对应的土壤湿度指数。其中，所述预设时长优选为1天，应当理解的是1天只是预设时长的优选取值，根据实际应用场景的需要，该预设时刻同样可以取值为其他的取值，如12小时，2天，3天等。
结合以上实施例，在一种实施方式中，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，步骤S106包括步骤S10611至步骤S10612：
步骤S10611：将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图。
在本实施例中，在计算获得滑坡形变事件库中各个滑坡形变事件各自的三种数据后，也就是降雨历时、降雨强度和降雨湿度指数，将各个滑坡形变事件的三种数据分别绘制在三维坐标系中，获得涉及滑坡形变事件的上述三种数据的三维分布图，最终每个滑坡形变事件都将在三维分布图中对应一个点。
步骤S10612：通过所述三维分布图拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中的α和β的取值，以获得第一目标降雨阈值模型；
所述降雨阈值模型的表达式为：
；
其中，D为降雨历时、I降雨强度、S为土壤湿度指数、α和β均为待定系数，α为缩放常数，β为形状参数。
在本实施例中，在获得由滑坡形变事件库中各个滑坡形变事件各自的三种数据构成的三维分布图后，基于构成的三维分布图对构建的降雨阈值模型的表达式进行拟合，以计算获得降雨阈值模型的表达式中的α和β的取值，将该计算获得的α和β的取值带入到降雨阈值模型，即可获得第一目标降雨阈值模型。该第一目标降雨阈值模型即为进行降雨阈值判断的50%概率阈值曲面，对于位于该50%概率阈值曲面上方的点所对应的时间和地点将有超过50%的概率发生滑坡形变事件。例如，通过对目标区域的一个空间位置的对应时刻假定为滑坡形变事件的发生时刻，此时将降雨数据集、土壤湿度数据集和雷达影像数据集中与该空间位置相关的数据进行与上述确定降雨历时、降雨强度和降雨湿度指数的相同实施方式处理，获得该空间位置对应的降雨历时、降雨强度和降雨湿度指数，通过将该空间位置对应的降雨历时、降雨强度和降雨湿度指数对应的点绘制在三维分布图中，若该点在三维分布图中的具体位置位于第一目标降雨阈值模型的50%概率阈值曲面上方，则确定该空间位置在该对应时刻之后有超过50%的概率发生滑坡形变事件。
结合以上实施例，在一种实施方式中，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，步骤S106包括步骤S10621至步骤S10622：
步骤S10621：将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图。
在本实施例中，在计算获得滑坡形变事件库中各个滑坡形变事件各自的三种数据后，也就是降雨历时、降雨强度和降雨湿度指数，将各个滑坡形变事件的三种数据分别绘制在三维坐标系中，获得涉及滑坡形变事件的上述三种数据的三维分布图，最终每个滑坡形变事件都将在三维分布图中对应一个点。
步骤S10622：通过所述三维分布图中的下部界限分布点拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中α和β的取值，以获得第二目标降雨阈值模型。
所述降雨阈值模型的表达式为：
；
其中，D为降雨历时、I降雨强度、S为土壤湿度指数、α和β均为待定系数，α为缩放常数，β为形状参数。
在本实施例中，在获得由滑坡形变事件库中各个滑坡形变事件各自的三种数据构成的三维分布图后，基于构成的三维分布图分布在下部界限的各个分布点对构建的降雨阈值模型的表达式进行拟合，以计算获得降雨阈值模型的表达式中的α和β的取值，将该计算获得的α和β的取值带入到降雨阈值模型，即可获得第二目标降雨阈值模型。该第二目标降雨阈值模型即为进行降雨阈值判断的0概率阈值曲面，对于位于该0概率阈值曲面上方的点所对应的时间和地点将有发生滑坡形变的可能。例如，通过对目标区域的一个空间位置的对应时刻假定为滑坡形变事件的发生时刻，此时将降雨数据集、土壤湿度数据集和雷达影像数据集中与该空间位置相关的数据进行与上述确定降雨历时、降雨强度和降雨湿度指数的相同实施方式处理，获得该空间位置对应的降雨历时、降雨强度和降雨湿度指数，通过将该空间位置对应的降雨历时、降雨强度和降雨湿度指数对应的点绘制在三维分布图中，若该点在三维分布图中的具体位置位于第二目标降雨阈值模型的0概率阈值曲面上方，则确定该空间位置在该对应时刻之后有发生滑坡形变事件的可能性。
结合以上实施例，在一种实施方式中，在所述时空数据集还包括地面形变监测数据的情况下，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，该方法还包括步骤S10613至步骤S10616：
步骤S10613：确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数。
在本实施例中，在通过上述步骤S10612确定到第一目标降雨阈值模型后，对第一目标降雨阈值模型的命中率进行评估。具体地，确定一个验证空间位置，获取到该验证空间位置的相关数据，选择该验证空间位置的一个预测时刻，将该预测时刻假定为滑坡形变事件的发生时刻，然后通过与上述确定降雨历时、降雨强度和降雨湿度指数相同的实施方式对该相关数据进行处理，获得该验证空间位置对应的降雨历时、降雨强度和降雨湿度指数。
步骤S10614：确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第一目标降雨阈值模型之间的空间关系。
在本实施例中，将上述步骤S10613确定到的验证空间位置在预测时刻的降雨历时、降雨强度和降雨湿度指数所对应的点绘制在三维分布图中，然后比较该点与确定的该验证空间位置所在目标区域的第一目标降雨阈值模型的50%概率阈值曲面之间的关系。
步骤S10615：根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率。
在本实施例，步骤S10514确定的点位于该验证空间位置所在目标区域的第一目标降雨阈值模型的50%概率阈值曲面上方时，预测获得该验证空间位置在预测时刻之后发生滑坡形变事件的可能性超过50%，同时偏离该50%概率阈值曲面越远时，概率越高。步骤S10514确定的点位于该验证空间位置所在目标区域的第一目标降雨阈值模型的50%概率阈值曲面下方时，预测获得该验证空间位置在预测时刻之后发生滑坡形变事件的可能性低于50%，同时偏离该50%概率阈值曲面越远时，概率越低。
步骤S10616：根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第一目标降雨阈值模型的命中率。
在本实施例中，对于一个验证空间位置，可以选择一个或多个时刻作为预测时刻进行上述的发生滑坡形变事件的概率确定。同时可对多个验证空间位置进行各自的预测时刻选择，并基于选择的验证空间位置和对应的预测时刻进行上述的发生滑坡形变事件的概率预测。
在获得多个预测结果后，进行第一目标降雨阈值模型的命中率确定，命中率确定也就是第一目标降雨阈值模型的预测准确性确定。由于每个预测结果对第一目标降雨阈值模型是否准确预测进行判断的实施方式相同，因此，在此以一个预测结果为例对第一目标降雨阈值模型是否准确预测进行判断。具体地，确定到预测结果所对应的验证空间位置和预测时刻，基于该验证空间位置和该预测时刻确定到该验证空间位置在该预测时刻的地面形变监测数据。然后将该预测结果和与该预测结果对应的验证空间位置在预测时刻的地面形变监测数据进行对比，在该预测结果为发生滑坡形变的可能性超过50%，同时该地面形变监测数据显示确定发生了滑坡形变，确定第一目标降雨阈值模型对该预测结果的预测是准确的。
由此，基于相同的实施方式可以确定到第一目标降雨阈值模型对所有预测结果中的其他预测结果是否预测准确。基于最终的结果，确定该第一目标降雨阈值模型的命中率，如准确预测超过90%，则命中率为90%。其中，地面形变监测数据为真实的监测数据，记录了验证空间位置在预测时刻的前后是否发生了滑坡形变，其中，地面形变监测数据全球卫星导航系统（Global Navigation Satellite System, GNSS）提供，时空数据集中的地面形变监测数据也是根据时间和地点进行命名的，以便于快速查找到一个位置在指定时间的地面形变监测数据。
结合以上实施例，在一种实施方式中，在所述时空数据集还包括地面形变监测数据的情况下，本发明实施例还提供了一种基于多元特征的滑坡形变降雨阈值计算方法。在该基于多元特征的滑坡形变降雨阈值计算方法中，该方法还包括步骤S10623至步骤S10626：
步骤S10623：确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数。
在本实施例中，在通过上述步骤S10622确定到第二目标降雨阈值模型后，对第二目标降雨阈值模型的命中率进行评估。具体地，确定一个验证空间位置，获取到该验证空间位置的相关数据，选择该验证空间位置的一个预测时刻，将该预测时刻假定为滑坡形变事件的发生时刻，然后通过与上述确定降雨历时、降雨强度和降雨湿度指数相同的实施方式对该相关数据进行处理，获得该验证空间位置的降雨历时、降雨强度和降雨湿度指数。
步骤S10624：确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第二目标降雨阈值模型之间的空间关系。
在本实施例中，将上述步骤S10623确定到的验证空间位置在预测时刻的降雨历时、降雨强度和降雨湿度指数所对应的点绘制在三维分布图中，然后比较该点与确定的该验证空间位置所在目标区域的第二目标降雨阈值模型的0概率阈值曲面之间的关系。
步骤S10625：根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率。
在本实施例，步骤S10624确定的点位于该验证空间位置所在目标区域的第二目标降雨阈值模型的0概率阈值曲面上方时，预测获得该验证空间位置在预测时刻之后具有发生滑坡形变事件的可能性，同时偏离该0概率阈值曲面越远时，概率越高。步骤S10624确定的点位于该验证空间位置所在目标区域的第二目标降雨阈值模型的0概率阈值曲面下方时，预测获得该验证空间位置在预测时刻之后没有发生滑坡形变事件的可能性，同时偏离该0概率阈值曲面越远时，越没有发生滑坡形变事件的可能性。由此，根据步骤S10624确定的点偏离该验证空间位置所在目标区域的第二目标降雨阈值模型的0概率阈值曲面的程度，预测获得一个对应的概率。
步骤S10626：根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第二目标降雨阈值模型的命中率。
在本实施例中，对于一个验证空间位置，可以选择一个或多个时刻作为预测时刻进行上述的发生滑坡形变事件的概率确定。同时可对多个验证空间位置进行各自的预测时刻选择，并基于选择的验证空间位置和对应的预测时刻进行上述的发生滑坡形变事件的概率预测。
在获得多个预测结果后，进行第二目标降雨阈值模型的命中率确定，命中率确定也就是第二目标降雨阈值模型的预测准确性确定。由于每个预测结果对第二目标降雨阈值模型是否准确预测进行判断的实施方式相同，因此，在此以一个预测结果为例对第二目标降雨阈值模型是否准确预测进行判断。具体地，确定到预测结果所对应的验证空间位置和预测时刻，基于该验证空间位置和该预测时刻确定到该验证空间位置在该预测时刻的地面形变监测数据。然后将该预测结果和与该预测结果对应的验证空间位置在预测时刻的地面形变监测数据进行对比，在该预测结果为具有发生滑坡形变的可能性，同时该地面形变监测数据显示确定发生了滑坡形变，确定第二目标降雨阈值模型对该预测结果的预测是准确的。
由此，基于相同的实施方式可以确定到第二目标降雨阈值模型对所有预测结果中的其他预测结果是否预测准确。基于最终的结果，确定该第二目标降雨阈值模型的命中率，如准确预测超过90%，则命中率为90%。其中，地面形变监测数据为真实的监测数据，记录了验证空间位置在预测时刻的前后是否发生了滑坡形变，其中，地面形变监测数据全球卫星导航系统（Global Navigation Satellite System, GNSS）提供。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (7)
1.一种基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，所述方法包括：
通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，其中所述时空数据集包括：降雨数据集、土壤湿度数据集、雷达影像数据集；
通过永久性散射雷达干涉测量方法对所述时空数据集中的雷达影像数据集进行处理，获得滑坡形变数据，并基于所述滑坡形变数据，构建滑坡形变事件库；
通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点；
根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口；
根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数；
通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型；
通过所述目标降雨阈值模型确定待测空间位置在待测时刻的滑坡形变发生概率；
其中，根据所述有效降雨时间窗口、所述降雨数据集和所述土壤湿度数据集，确定所述滑坡形变事件的降雨历时、降雨强度以及土壤湿度指数，包括：根据所述有效降雨时间窗口和所述降雨数据集，确定所述滑坡形变事件发生前的有效降雨时间序列；从所述滑坡形变事件的发生时刻开始，对所述滑坡形变事件发生前的有效降雨时间序列中的每一个时刻的前后有效降雨量进行计算，并将计算获得的所述前后有效降雨量进行对比，直至第一次出现一个时刻的后有效降雨量大于该一个时刻的前有效降雨量时，将该一个时刻确定为所述滑坡形变事件对应的滑坡前降雨事件的开始时刻；根据所述滑坡前降雨事件的开始时刻和所述滑坡形变事件的发生时刻，确定所述滑坡形变事件的降雨历时；根据所述降雨历时和所述降雨数据集，计算获得所述滑坡形变事件的累计降雨量；根据所述降雨历时和所述累计降雨量，计算获得所述滑坡形变事件的降雨强度；根据所述土壤湿度数据集，获取滑坡形变降雨事件之前预设时长的土壤湿度数据，并通过最小值和最大值标准化对所述滑坡形变降雨事件之前预设时长的土壤湿度数据进行处理获得对应的土壤湿度指数；
其中，通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型，包括：将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图；通过所述三维分布图拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中的α和β的取值，以获得第一目标降雨阈值模型，其中，所述第一目标降雨阈值模型为进行降雨阈值判断的50%概率阈值曲面，对于位于所述50%概率阈值曲面上方的点所对应的时间和地点将有超过50%的概率发生滑坡形变事件；所述降雨阈值模型的表达式为：
其中，D为降雨历时、I降雨强度、S为土壤湿度指数、α和β均为待定系数，α为缩放常数，β为形状参数；
其中，通过所述目标降雨阈值模型确定待测空间位置在待测时刻的滑坡形变发生概率，包括：
根据确定的需要进行滑坡灾害预测的待测空间位置和待测时刻，计算获得所述待测空间位置在所述待测时刻对应的降雨历时、降雨强度以及土壤湿度指数；将计算获得的所述待测时刻对应的降雨历时、降雨强度以及土壤湿度指数绘制在三维分布图中，然后确定对应的点在所述三维分布图中的分布位置与所述目标降雨阈值模型之间的空间关系；根据所述空间关系，确定所述待测空间位置在所述待测时刻发生滑坡灾害的概率。
2.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，通过Sentinel_1A和GPM卫星获取的数据，构建目标区域在目标时段的时空数据集，包括：
通过GPM卫星监测的降雨观测数据，获取到目标区域在目标时段的降雨时间序列数据，构成降雨数据集，并基于土壤湿度产品数据，构建目标区域在研究时段的土壤湿度数据集；
通过Sentinel_1A卫星监测的降轨数据，获取到所述目标区域的多景雷达影像数据；
对所述多景雷达影像数据进行预处理，确定所述多景雷达影像数据中的超级主影像，并将所述超级主影像与所述多景雷达影像数据中的其他雷达影像进行配对获得主从影像对；
通过所述主从影像对中的所述超级主影像对从影像集进行配准，获得雷达影像数据集；
将所述降雨数据集、所述土壤湿度数据集和所述雷达影像数据集均按照时间和空间位置进行命名存储，构成目标区域在目标时段的时空数据集。
3.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，通过Mann_Kendall突变检验算法，确定所述滑坡形变事件库中滑坡形变事件的降雨突变点，包括：
根据所述滑坡形变事件库中滑坡形变事件的发生时刻和所述降雨数据集，获取所述滑坡形变事件发生前的长时间降雨时间序列；
根据所述长时间降雨时间序列的顺序降雨时间序列，通过第一预设算法构建对应的第一秩序列，并计算所述第一秩序列对应的平均值和方差；
在设定条件下，通过第二预设算法对所述第一秩序列对应的平均值和方差进行计算，获得所述第一秩序列的统计量；
根据所述长时间降雨时间序列的逆序降雨时间序列，通过第一预设算法构建对应的第二秩序列，并计算所述第二秩序列对应的平均值和方差；
在设定条件下，通过第二预设算法对所述第二秩序列对应的平均值和方差进行计算，获得所述第二秩序列的统计量；
根据所述第一秩序列的统计量和所述第二秩序列的统计量、预设的显著性水平线和预设判定条件，确定所述滑坡形变事件的降雨突变点。
4.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，根据所述降雨突变点前后的降雨时间序列，确定所述滑坡形变事件的有效降雨时间窗口，包括：
确定所述滑坡形变事件的降雨突变点与所述滑坡形变事件的发生时刻之间的时间差；
根据所述降雨数据集和所述时间差，确定所述滑坡形变事件的初始有效降雨时间序列；
通过第三预设算法，计算所述初始有效降雨时间序列的偏态系数；
根据所述偏态系数，通过第四预设算法计算获得所述滑坡形变事件的有效降雨时间窗口。
5.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，通过所述滑坡形变事件库中各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数拟合获得所述目标区域的目标降雨阈值模型，包括：
将所述各个滑坡形变事件各自的降雨历时、降雨强度以及土壤湿度指数绘制在三维坐标系上，获得三维分布图；
通过所述三维分布图中的下部界限分布点拟合构建的降雨阈值模型的表达式，确定所述降雨阈值模型的表达式中α和β的取值，以获得第二目标降雨阈值模型，其中，所述第二目标降雨阈值模型为进行降雨阈值判断的0概率阈值曲面，对于位于所述0概率阈值曲面上方的点所对应的时间和地点将有发生滑坡形变的可能。
6.根据权利要求1所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，在所述时空数据集还包括地面形变监测数据的情况下，所述方法还包括：
确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数；
确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第一目标降雨阈值模型之间的空间关系；
根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率；
根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第一目标降雨阈值模型的命中率。
7.根据权利要求5所述的基于多元特征的滑坡形变降雨阈值计算方法，其特征在于，在所述时空数据集还包括地面形变监测数据的情况下，所述方法还包括：
确定验证空间位置在预测时刻对应的降雨历时、降雨强度以及土壤湿度指数；
确定所述预测时刻对应的降雨历时、降雨强度以及土壤湿度指数在三维分布图中与所述第二目标降雨阈值模型之间的空间关系；
根据所述空间关系，确定所述预测时刻发生滑坡形变的发生概率；
根据各个预测时刻的发生概率和所述各个预测时刻各自对应的地面形变监测数据，确定所述第二目标降雨阈值模型的命中率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008986.0A CN117516430B (zh) | 2024-01-04 | 2024-01-04 | 一种基于多元特征的滑坡形变降雨阈值计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410008986.0A CN117516430B (zh) | 2024-01-04 | 2024-01-04 | 一种基于多元特征的滑坡形变降雨阈值计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117516430A CN117516430A (zh) | 2024-02-06 |
| CN117516430B true CN117516430B (zh) | 2024-03-19 |
Family
ID=89766877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410008986.0A Active CN117516430B (zh) | 2024-01-04 | 2024-01-04 | 一种基于多元特征的滑坡形变降雨阈值计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117516430B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101103697B1 (ko) * | 2011-09-30 | 2012-01-11 | 주식회사 디케이이앤씨 | 강우강도와 토양함수율을 이용한 경사지 경보시스템 |
| WO2018119880A1 (zh) * | 2016-12-29 | 2018-07-05 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
| KR102057109B1 (ko) * | 2019-09-09 | 2019-12-18 | 김정완 | IoT 기반의 비탈면 안정성 모니터링을 포함한 예·경보 시스템 및 방법 |
| CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
| CN114488160A (zh) * | 2022-04-02 | 2022-05-13 | 南京师范大学 | 顾及三维风场影响的雷达降雨估算误差校正方法 |
| CN116913046A (zh) * | 2023-08-15 | 2023-10-20 | 桂林理工大学 | 一种降雨型滑坡风险预警监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11610466B2 (en) * | 2021-08-16 | 2023-03-21 | Amrita Vishwa Vidyapeetham | Multilevel rapid warning system for landslide detection |
-
2024
- 2024-01-04 CN CN202410008986.0A patent/CN117516430B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101103697B1 (ko) * | 2011-09-30 | 2012-01-11 | 주식회사 디케이이앤씨 | 강우강도와 토양함수율을 이용한 경사지 경보시스템 |
| WO2018119880A1 (zh) * | 2016-12-29 | 2018-07-05 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
| CN109074719A (zh) * | 2016-12-29 | 2018-12-21 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
| KR102057109B1 (ko) * | 2019-09-09 | 2019-12-18 | 김정완 | IoT 기반의 비탈면 안정성 모니터링을 포함한 예·경보 시스템 및 방법 |
| CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
| CN114488160A (zh) * | 2022-04-02 | 2022-05-13 | 南京师范大学 | 顾及三维风场影响的雷达降雨估算误差校正方法 |
| CN116913046A (zh) * | 2023-08-15 | 2023-10-20 | 桂林理工大学 | 一种降雨型滑坡风险预警监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于GIS考虑准动态湿度指数的滑坡危险性预测水文力学耦合模型研究;王佳佳;殷坤龙;杜娟;王轶力;;岩石力学与工程学报;20130715(第S2期);全文 * |
| 基于卫星降水和WRF预报降水的"6.18"门头沟泥石流事件的回报检验研究;何爽爽;汪君;王会军;;大气科学;20180515(第03期);全文 * |
| 基于滑坡敏感性与降雨强度-历时的中国浅层降雨滑坡时空分析与模拟;李巍岳;刘春;Marco SCAIONI;孙伟伟;陈钰;姚东京;陈生;洪阳;张凯航;程国栋;;中国科学:地球科学;20170420(第04期);全文 * |
| 湖南慈利县滑坡灾害的临界降雨量阈值研究;林巍;李远耀;徐勇;连志鹏;曹颖;盛逸凡;;长江科学院院报;20200215(第02期);全文 * |
| 滑坡监测预警国内外研究现状及评述;唐亚明;张茂省;薛强;毕俊擘;;地质论评;20120515(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117516430A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamunyela et al. | Using spatial context to improve early detection of deforestation from Landsat time series | |
| Cordoba et al. | Diagnosing atmospheric motion vector observation errors for an operational high‐resolution data assimilation system | |
| Bi et al. | An improved particle filter algorithm based on ensemble Kalman filter and Markov chain Monte Carlo method | |
| CN107918166B (zh) | 多卫星融合降水方法及系统 | |
| JPWO2016031174A1 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
| JP5437328B2 (ja) | 観測値信頼度評価装置、観測値信頼度評価方法及び観測値信頼度評価プログラム | |
| Teng et al. | Estimating spatially downscaled rainfall by regression kriging using TRMM precipitation and elevation in Zhejiang Province, southeast China | |
| Mohammadi et al. | Estimation of forest stand volume, tree density and biodiversity using Landsat ETM+ Data, comparison of linear and regression tree analyses | |
| Mizukami et al. | Analysis of inconsistencies in multi-year gridded quantitative precipitation estimate over complex terrain and its impact on hydrologic modeling | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| CN111191673A (zh) | 一种地表温度降尺度方法及系统 | |
| Egigu | Techniques of filling missing values of daily and monthly rain fall data: a review | |
| CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
| Li et al. | Multiple changepoint detection using metadata | |
| US10600007B2 (en) | Auto-analyzing spatial relationships in multi-scale spatial datasets for spatio-temporal prediction | |
| CN117516430B (zh) | 一种基于多元特征的滑坡形变降雨阈值计算方法 | |
| CN107957982B (zh) | 震后次生地质灾害易发性快速评估方法和系统 | |
| Baffetta et al. | Multi-stage cluster sampling for estimating average species richness at different spatial grains | |
| CN117037076A (zh) | 一种基于遥感技术的土壤墒情智能监测方法 | |
| CN114691661B (zh) | 一种基于同化的云导风、温湿廓线预处理分析方法及系统 | |
| CN115879831A (zh) | 一种定轨监测系统的任务效能评估方法和系统 | |
| CN113190985A (zh) | 一种分层异质区域内数据误差的分析方法及系统 | |
| Lopez et al. | Statistical characterization of rainfall fields based upon a 12-year high-resolution radar archive of Belgium | |
| Madonna et al. | Quantifying the value of redundant measurements at GCOS Reference Upper-Air Network sites | |
| Satyaningsih et al. | Dynamic rainfall thresholds for landslide early warning in Progo Catchment, Java, Indonesia |
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 |