CN117633139B - 基于气象数据的滑坡预测方法、装置、设备及存储介质 - Google Patents
基于气象数据的滑坡预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117633139B CN117633139B CN202410090823.1A CN202410090823A CN117633139B CN 117633139 B CN117633139 B CN 117633139B CN 202410090823 A CN202410090823 A CN 202410090823A CN 117633139 B CN117633139 B CN 117633139B
- Authority
- CN
- China
- Prior art keywords
- landslide
- area
- river
- region
- induction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000006698 induction Effects 0.000 claims abstract description 120
- 230000008595 infiltration Effects 0.000 claims abstract description 80
- 238000001764 infiltration Methods 0.000 claims abstract description 80
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 2
- 239000002689 soil Substances 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及地质灾害预测技术领域，公开了一种基于气象数据的滑坡预测方法、装置、设备及存储介质，该方法包括：根据历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；基于气象数据，获得目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；提取河流分布图中的河流分布信息；筛选出候选滑坡区域；调用地理高程数据库，判断候选滑坡区域是否会发生山体滑坡。本发明通过考虑多个诱导因素的共同作用以及河流对山体土壤浸润的影响，逐步缩小预测区域范围，最终实现对区域范围内的滑坡精准预测，解决了目前无法对河流引起的滑坡规模以及造成损失更大的山体滑坡进行精准预测的问题。
Description
技术领域
本发明涉及地质灾害预测技术领域，尤其涉及到一种基于气象数据的滑坡预测方法、装置、设备及存储介质。
背景技术
山体滑坡作为自然地质灾害中的一种，对人们的生命财产安全有巨大的威胁。目前，针对山体滑坡的预测，多采用基于经验和考虑单一参数影响的方式进行预测，但在实际应用中，山体滑坡的机理复杂。发生山体滑坡是多种诱导因素共同作用的结果，若以历史数据中的单一参数进行山体滑坡判定，会使得预测结果具有较高的误警率且预测准确率较低。这种基于经验的山体滑坡预测方法在准确性上不尽如人意，严重影响人民群众的生产生活，也对山体滑坡预防工作提出了更高的要求。
同时，在多山区域，山体与山体之间的河流会通过影响山体地下水对土壤层起到浸润效果，进而对山体滑坡有着推动作用，使得靠近河流的区域更容易出现山体滑坡，且山体滑坡出现的规模以及造成的损失更大。
因此，如何对河流引起的滑坡规模以及造成损失更大的山体滑坡进行精准的预测，是一个亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于气象数据的滑坡预测方法、装置、设备及存储介质，旨在解决目前对河流引起的滑坡规模以及造成损失更大的山体滑坡进行预测的准确性不高的技术问题。
为实现上述目的，本发明提供一种基于气象数据的滑坡预测方法，包括以下步骤：
获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
可选的，根据所述历史滑坡信息中的滑坡发生位置和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集步骤，具体包括：
提取所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，利用所述滑坡发生区域和所述滑坡发生时间，调用区域范围对应的滑坡诱导参数图，从所述滑坡诱导参数图中匹配获得每条历史滑坡事件对应的滑坡诱导参数；
从获得的若干条历史滑坡事件对应的滑坡诱导参数中，提取出滑坡诱导界限参数，生成滑坡诱导极限参数集；
其中，所述滑坡诱导参数包括滑坡发生区域的陡峭参数值和滑坡发生区域在滑坡发生时间的降雨参数值，所述滑坡诱导参数图包括等高线参数图和滑坡发生时间的降雨量分布图；
其中，所述滑坡诱导界限参数为若干条历史滑坡事件对应的滑坡诱导参数中的最小陡峭参数值和最小降雨参数值。
可选的，调用区域范围对应的滑坡诱导参数图，从所述滑坡诱导参数图中匹配获得每条历史滑坡事件对应的滑坡诱导参数步骤，具体包括：
调用区域范围对应的等高线参数图，在所述等高线参数图中提取所述滑坡发生区域对应的陡峭参数值；其中，所述陡峭参数值为等高线参数图中经过滑坡发生区域的全部等高线的长度之和；
调用区域范围在滑坡发生时间的降雨量分布图，在所述降雨量分布图中提取所述滑坡发生区域的降雨参数值；其中，所述降雨参数值为降雨量分布图中滑坡发生区域的第一降雨参数和所述滑坡发生区域的浸润关联区域的第二降雨参数的数值之和。
可选的，所述滑坡发生区域的第一降雨参数为所述滑坡发生区域中每个单位滑坡面积区域的降雨量总和；所述浸润关联区域为环绕所述滑坡发生区域的环形区域，所述浸润关联区域的第二降雨参数为所述环形区域中每个单位浸润面积区域的降雨量与单位浸润面积区域对应浸润比值的乘积之和；
其中，每个单位浸润面积区域对应浸润比值根据该单位浸润面积区域与所述滑坡发生区域的位置关系确定；
其中，当所述单位浸润面积区域的位置在所述滑坡发生区域中每个单位滑坡面积区域的上方时，所述单位浸润面积区域对应浸润比值为K1；当所述单位浸润面积区域的位置在所述滑坡发生区域中位置最高的单位滑坡面积区域与位置最低的单位滑坡面积区域之间时，所述单位浸润面积区域对应浸润比值为K2；当所述单位浸润面积区域的位置在所述滑坡发生区域中每个单位滑坡面积区域的下方时，所述单位浸润面积区域对应浸润比值为K3；
其中，1＞K1＞K2＞K3＞0。
可选的，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域步骤，具体包括：
获取区域范围内目标预测时段的陡峭参数值和降雨参数预测值，根据所述滑坡诱导极限参数集，在所述区域范围内确定初步滑坡区域；
其中，所述初步滑坡区域为区域范围内目标预测时段的陡峭参数值不小于最小陡峭参数值或目标预测时段的降雨参数预测值不小于最小降雨参数值的区域。
可选的，提取每个所述初步滑坡区域的位置信息，根据作用位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域步骤，具体包括：
获取每个所述初步滑坡区域的区域位置范围，提取所述区域位置范围的边缘位置坐标，判断每个所述初步滑坡区域中的边缘位置坐标到任意一条河流径流的河流轨迹点的最短距离是否小于预设距离值；
若是，将所述初步滑坡区域作为候选滑坡区域进行筛选提取。
可选的，调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡步骤，具体包括：
调用地理高程数据库，查询获得每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据；其中，第一高程数据为候选滑坡区域距离目标河流轨迹点最近的位置点的高程数据，第二高程数据为目标河流轨迹点位置的河流水面距离河流底部的高程数据，目标河流轨迹点为对应河流径流中距离所述候选滑坡区域最近的轨迹点；
计算所述第二高程数据与所述第一高程数据的高程比值，判断所述高程比值是否超过所述候选滑坡区域对应的预设比值，若是，判定所述候选滑坡区域会发生山体滑坡；
其中，所述候选滑坡区域对应的预设比值与所述候选滑坡区域到目标河流轨迹点的最短距离正相关变化。
此外，为了实现上述目的，本发明还提供了一种基于气象数据的滑坡预测装置，包括：
获取模块，用于获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
生成模块，用于根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
确定模块，用于基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
提取模块，用于获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
筛选模块，用于提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
判断模块，用于调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
此外，为了实现上述目的，本发明还提供了一种基于气象数据的滑坡预测设备，所述基于气象数据的滑坡预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于气象数据的滑坡预测程序，所述基于气象数据的滑坡预测程序被所述处理器执行时实现如上所述的基于气象数据的滑坡预测方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有基于气象数据的滑坡预测程序，所述基于气象数据的滑坡预测程序被处理器执行时实现上述的基于气象数据的滑坡预测方法的步骤。
本发明的有益效果在于：提出了一种基于气象数据的滑坡预测方法、装置、设备及存储介质，通过从历史滑坡信息中提取出滑坡发生的多个诱导因素，利用诱导因素和目标预测时段的关联诱导参数确定初步滑坡区域，再根据河流与初步滑坡区域的位置关系筛选出候选滑坡区域，并判断候选滑坡区域是否会发生山体滑坡，由此，通过考虑多个诱导因素的共同作用以及河流对山体土壤浸润的影响，逐步缩小滑坡预测区域范围，最终实现对区域范围内的滑坡精准预测，解决了目前对河流引起的滑坡规模以及造成损失更大的山体滑坡进行预测的准确性不高的问题。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明基于气象数据的滑坡预测方法实施例的流程示意图；
图3为本发明实施例中一种基于气象数据的滑坡预测装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
如图1所示，该装置可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的装置的结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于气象数据的滑坡预测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于气象数据的滑坡预测程序，并执行以下操作：
获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
本发明应用于装置的具体实施例与下述应用基于气象数据的滑坡预测方法的各实施例基本相同，在此不作赘述。
本发明实施例提供了一种基于气象数据的滑坡预测方法，参照图2，图2为本发明基于气象数据的滑坡预测方法实施例的流程示意图。
本实施例中，所述基于气象数据的滑坡预测方法，包括以下步骤：
S100：获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
S200：根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
S300：基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
S400：获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
S500：提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
S600：调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
需要说明的是，针对山体滑坡的预测，多采用基于经验和考虑单一参数影响的方式进行预测，但在实际应用中，山体滑坡的机理复杂。发生山体滑坡是多种诱导因素共同作用的结果，若以历史数据中的单一参数进行山体滑坡判定，会使得预测结果具有较高的误警率且预测准确率较低。这种基于经验的山体滑坡预测方法在准确性上不尽如人意，严重影响人民群众的生产生活，也对山体滑坡预防工作提出了更高的要求。同时，在多山区域，山体与山体之间的河流会通过影响山体地下水对土壤层起到浸润效果，进而对山体滑坡有着推动作用，使得靠近河流的区域更容易出现山体滑坡，且山体滑坡出现的规模以及造成的损失更大，目前现有技术无法对河流引起的滑坡规模以及造成损失更大的山体滑坡进行精准预测。
为了解决上述问题，本实施例通过从历史滑坡信息中提取出滑坡发生的多个诱导因素，利用诱导因素和目标预测时段的关联诱导参数确定初步滑坡区域，再根据河流与初步滑坡区域的位置关系筛选出候选滑坡区域，并判断候选滑坡区域是否会发生山体滑坡，由此，通过考虑多个诱导因素的共同作用以及河流对山体土壤浸润的影响，逐步缩小滑坡预测区域范围，最终实现对区域范围内的滑坡精准预测，解决了目前对河流引起的滑坡规模以及造成损失更大的山体滑坡进行预测的准确性不高的问题。
在优选的实施例中，根据所述历史滑坡信息中的滑坡发生位置和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集步骤，具体包括：提取所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，利用所述滑坡发生区域和所述滑坡发生时间，调用区域范围对应的滑坡诱导参数图，从所述滑坡诱导参数图中匹配获得每条历史滑坡事件对应的滑坡诱导参数；从获得的若干条历史滑坡事件对应的滑坡诱导参数中，提取出滑坡诱导界限参数，生成滑坡诱导极限参数集；其中，所述滑坡诱导参数包括滑坡发生区域的陡峭参数值和滑坡发生区域在滑坡发生时间的降雨参数值，所述滑坡诱导参数图包括等高线参数图和滑坡发生时间的降雨量分布图；其中，所述滑坡诱导界限参数为若干条历史滑坡事件对应的滑坡诱导参数中的最小陡峭参数值和最小降雨参数值。
需要说明的是，调用区域范围对应的滑坡诱导参数图，从所述滑坡诱导参数图中匹配获得每条历史滑坡事件对应的滑坡诱导参数步骤，具体包括：调用区域范围对应的等高线参数图，在所述等高线参数图中提取所述滑坡发生区域对应的陡峭参数值；其中，所述陡峭参数值为等高线参数图中经过滑坡发生区域的全部等高线的长度之和；调用区域范围在滑坡发生时间的降雨量分布图，在所述降雨量分布图中提取所述滑坡发生区域的降雨参数值；其中，所述降雨参数值为降雨量分布图中滑坡发生区域的第一降雨参数和所述滑坡发生区域的浸润关联区域的第二降雨参数的数值之和。
其中，所述滑坡发生区域的第一降雨参数为所述滑坡发生区域中每个单位滑坡面积区域的降雨量总和；所述浸润关联区域为环绕所述滑坡发生区域的环形区域，所述浸润关联区域的第二降雨参数为所述环形区域中每个单位浸润面积区域的降雨量与单位浸润面积区域对应浸润比值的乘积之和；
在实际应用中，每个单位浸润面积区域对应浸润比值根据该单位浸润面积区域与所述滑坡发生区域的位置关系确定；
具体而言，当所述单位浸润面积区域的位置在所述滑坡发生区域中每个单位滑坡面积区域的上方时，所述单位浸润面积区域对应浸润比值为K1；当所述单位浸润面积区域的位置在所述滑坡发生区域中位置最高的单位滑坡面积区域与位置最低的单位滑坡面积区域之间时，所述单位浸润面积区域对应浸润比值为K2；当所述单位浸润面积区域的位置在所述滑坡发生区域中每个单位滑坡面积区域的下方时，所述单位浸润面积区域对应浸润比值为K3；其中，1＞K1＞K2＞K3＞0。
本实施例中，获得每条历史滑坡事件的滑坡诱导参数时，通过从历史滑坡信息中提取滑坡发生区域和滑坡发生事件，在滑坡诱导参数图中匹配到对应的滑坡诱导参数，以此提取出滑坡诱导界限参数，生成滑坡诱导极限参数集。其中，滑坡诱导极限参数为若干条历史滑坡事件对应的滑坡诱导参数中的最小陡峭参数值和最小降雨参数值。需要说明的是，陡峭参数值被配置为等高线参数图中经过滑坡发生区域的全部等高线的长度之和，而非简单的滑坡发生区域某一个位置的陡峭倾斜角度，能够实现对区域范围内山体陡峭程度的衡量；降雨参数值为降雨量分布图中滑坡发生区域的第一降雨参数和所述滑坡发生区域的浸润关联区域的第二降雨参数的数值之和，而非滑坡发生区域某一个位置的降雨量，能够实现对区域范围内降雨量的衡量，同时，还能够考虑环绕滑坡发生区域的环形区域在下雨时对该滑坡发生区域提供的促进作用，利用区域范围内每个单位滑坡面积区域的降雨量和环形区域内每个单位浸润面积区域的降雨量与单位浸润面积区域对应浸润比值的乘积之和，共同评判降雨量对滑坡面积区域的影响。
在实际应用中，浸润比值为环形区域中单位浸润面积对滑坡发生区域的影响程度，对于位于每个单位滑坡面积区域的上方的单位浸润面积（例如，相比于单位滑坡面积，具有更高等高线的单位浸润面积，在实际中表示为单位浸润面积位于所有单位滑坡面积上方时），浸润比值K1可选取为0.8；对于位于每个单位滑坡面积区域的下方的单位浸润面积（例如，相比于单位滑坡面积，具有更低等高线的单位浸润面积，在实际中表示为单位浸润面积位于所有单位滑坡面积下方时），浸润比值K2可选取为0.3；对于位于位置最高的单位滑坡面积区域与位置最低的单位滑坡面积区域之间的单位浸润面积（例如，相比于单位滑坡面积，具有与部分单位滑坡面积相同等高线的单位浸润面积，在实际中表示为单位浸润面积位于部分单位滑坡面积的边缘侧方向），浸润比值K3可选取为0.5。由此，通过合理的衡量周围区域对滑坡发生区域的降雨量影响，能够精确的估测出滑坡发生区域中土壤的浸润程度，进而更精确的确定出滑坡诱导极限参数集，以此，提升滑坡区域的预测精度。
在优选的实施例中，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域步骤，具体包括：获取区域范围内目标预测时段的陡峭参数值和降雨参数预测值，根据所述滑坡诱导极限参数集，在所述区域范围内确定初步滑坡区域；其中，所述初步滑坡区域为区域范围内目标预测时段的陡峭参数值不小于最小陡峭参数值或目标预测时段的降雨参数预测值不小于最小降雨参数值的区域。
具体而言，在获得区域范围内的滑坡诱导极限参数集后，即可根据该滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，来获得区域范围内陡峭参数值不小于最小陡峭参数值或降雨参数预测值不小于最小降雨参数值的初步滑坡区域。其中，区域范围内目标预测时段的关联诱导参数包括目标预测时段的陡峭参数值和目标预测时段的降雨参数预测值，该降雨参数预测值可通过调用气象数据库的降雨预测数据来获得。
在优选的实施例中，提取每个所述初步滑坡区域的位置信息，根据作用位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域步骤，具体包括：获取每个所述初步滑坡区域的区域位置范围，提取所述区域位置范围的边缘位置坐标，判断每个所述初步滑坡区域中的边缘位置坐标到任意一条河流径流的河流轨迹点的最短距离是否小于预设距离值；若是，将所述初步滑坡区域作为候选滑坡区域进行筛选提取。
在优选的实施例中，调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡步骤，具体包括：调用地理高程数据库，查询获得每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据；其中，第一高程数据为候选滑坡区域距离目标河流轨迹点最近的位置点的高程数据，第二高程数据为目标河流轨迹点位置的河流水面距离河流底部的高程数据，目标河流轨迹点为对应河流径流中距离所述候选滑坡区域最近的轨迹点；计算所述第二高程数据与所述第一高程数据的高程比值，判断所述高程比值是否超过所述候选滑坡区域对应的预设比值，若是，判定所述候选滑坡区域会发生山体滑坡；其中，所述候选滑坡区域对应的预设比值与所述候选滑坡区域到目标河流轨迹点的最短距离正相关变化。
本实施例中，在确定初步滑坡区域后，需要获取区域范围内的河流径流，考虑河流对山体滑坡的促进影响。首先，通过计算初步滑坡区域的边缘位置到任意一条河流径流的河流轨迹点的最短距离是否小于预设距离值，以此判断每个初步滑坡区域是否受到河流的影响，进而从初步滑坡区域中提取出候选滑坡区域。进一步的，通过查询每个候选滑坡区域距离目标河流轨迹点最近位置点的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，利用第二高程数据与第一高程数据的高程比值来衡量河流对山体土壤的浸润效果。具体而言，在同一标准面的情况下，第二高程数据越高，则表明河流河水更深，进而山体区域的底部浸入河流的区域越多，河流对山体土壤的浸润效果更显著，在这样的情况下，山体区域更容易发生滑坡。由此，利用第二高程数据与第一高程数据的高程比值与预设比值的关系，可以从候选滑坡区域中选取出最终可能发生山体滑坡的区域。
在本实施例中，提供了一种基于气象数据的滑坡预测方法，通过从历史滑坡信息中提取出滑坡发生的多个诱导因素，利用诱导因素和目标预测时段的关联诱导参数确定初步滑坡区域，再根据河流与初步滑坡区域的位置关系筛选出候选滑坡区域，并判断候选滑坡区域是否会发生山体滑坡，由此，通过考虑多个诱导因素的共同作用以及河流对山体土壤浸润的影响，逐步缩小滑坡预测区域范围，最终实现对区域范围内的滑坡精准预测，解决了目前对河流引起的滑坡规模以及造成损失更大的山体滑坡进行预测的准确性不高的问题。
参照图3，图3为本发明基于气象数据的滑坡预测装置实施例的结构框图。
如图3所示，本发明实施例提出的基于气象数据的滑坡预测装置包括：
获取模块10，用于获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
生成模块20，用于根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
确定模块30，用于基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
提取模块40，用于获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
筛选模块50，用于提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
判断模块60，用于调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
本发明基于气象数据的滑坡预测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
此外，本发明还提出一种基于气象数据的滑坡预测设备，所述基于气象数据的滑坡预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于气象数据的滑坡预测程序，所述基于气象数据的滑坡预测程序被所述处理器执行时实现如上所述的基于气象数据的滑坡预测方法的步骤。
本申请基于气象数据的滑坡预测设备的具体实施方式与上述基于气象数据的滑坡预测方法各实施例基本相同，在此不再赘述。
此外，本发明还提出一种可读存储介质，所述可读存储介质包括计算机可读存储介质，其上存储有基于气象数据的滑坡预测程序。所述可读存储介质可以是图1的终端中的存储器1005，也可以是如ROM(Read-Only Memory，只读存储器)/RAM(Random AccessMemory，随机存取存储器)、磁碟、光盘中的至少一种，所述可读存储介质包括若干指令用以使得一台具有处理器的基于气象数据的滑坡预测设备执行本发明各个实施例所述的基于气象数据的滑坡预测方法。
本申请可读存储介质中的具体实施方式与上述基于气象数据的滑坡预测方法各实施例基本相同，在此不再赘述。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于气象数据的滑坡预测方法，其特征在于，包括以下步骤：
获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
2.如权利要求1所述的基于气象数据的滑坡预测方法，其特征在于，根据所述历史滑坡信息中的滑坡发生位置和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集步骤，具体包括：
提取所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，利用所述滑坡发生区域和所述滑坡发生时间，调用区域范围对应的滑坡诱导参数图，从所述滑坡诱导参数图中匹配获得每条历史滑坡事件对应的滑坡诱导参数；
从获得的若干条历史滑坡事件对应的滑坡诱导参数中，提取出滑坡诱导界限参数，生成滑坡诱导极限参数集；
其中，所述滑坡诱导参数包括滑坡发生区域的陡峭参数值和滑坡发生区域在滑坡发生时间的降雨参数值，所述滑坡诱导参数图包括等高线参数图和滑坡发生时间的降雨量分布图；
其中，所述滑坡诱导界限参数为若干条历史滑坡事件对应的滑坡诱导参数中的最小陡峭参数值和最小降雨参数值。
3.如权利要求2所述的基于气象数据的滑坡预测方法，其特征在于，调用区域范围对应的滑坡诱导参数图，从所述滑坡诱导参数图中匹配获得每条历史滑坡事件对应的滑坡诱导参数步骤，具体包括：
调用区域范围对应的等高线参数图，在所述等高线参数图中提取所述滑坡发生区域对应的陡峭参数值；其中，所述陡峭参数值为等高线参数图中经过滑坡发生区域的全部等高线的长度之和；
调用区域范围在滑坡发生时间的降雨量分布图，在所述降雨量分布图中提取所述滑坡发生区域的降雨参数值；其中，所述降雨参数值为降雨量分布图中滑坡发生区域的第一降雨参数和所述滑坡发生区域的浸润关联区域的第二降雨参数的数值之和。
4.如权利要求3所述的基于气象数据的滑坡预测方法，其特征在于，所述滑坡发生区域的第一降雨参数为所述滑坡发生区域中每个单位滑坡面积区域的降雨量总和；所述浸润关联区域为环绕所述滑坡发生区域的环形区域，所述浸润关联区域的第二降雨参数为所述环形区域中每个单位浸润面积区域的降雨量与单位浸润面积区域对应浸润比值的乘积之和；
其中，每个单位浸润面积区域对应浸润比值根据该单位浸润面积区域与所述滑坡发生区域的位置关系确定；
其中，当所述单位浸润面积区域的位置在所述滑坡发生区域中每个单位滑坡面积区域的上方时，所述单位浸润面积区域对应浸润比值为K1；当所述单位浸润面积区域的位置在所述滑坡发生区域中位置最高的单位滑坡面积区域与位置最低的单位滑坡面积区域之间时，所述单位浸润面积区域对应浸润比值为K2；当所述单位浸润面积区域的位置在所述滑坡发生区域中每个单位滑坡面积区域的下方时，所述单位浸润面积区域对应浸润比值为K3；
其中，1＞K1＞K2＞K3＞0。
5.如权利要求4所述的基于气象数据的滑坡预测方法，其特征在于，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域步骤，具体包括：
获取区域范围内目标预测时段的陡峭参数值和降雨参数预测值，根据所述滑坡诱导极限参数集，在所述区域范围内确定初步滑坡区域；
其中，所述初步滑坡区域为区域范围内目标预测时段的陡峭参数值不小于最小陡峭参数值或目标预测时段的降雨参数预测值不小于最小降雨参数值的区域。
6.如权利要求5所述的基于气象数据的滑坡预测方法，其特征在于，提取每个所述初步滑坡区域的位置信息，根据作用位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域步骤，具体包括：
获取每个所述初步滑坡区域的区域位置范围，提取所述区域位置范围的边缘位置坐标，判断每个所述初步滑坡区域中的边缘位置坐标到任意一条河流径流的河流轨迹点的最短距离是否小于预设距离值；
若是，将所述初步滑坡区域作为候选滑坡区域进行筛选提取。
7.如权利要求6所述的基于气象数据的滑坡预测方法，其特征在于，调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡步骤，具体包括：
调用地理高程数据库，查询获得每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据；其中，第一高程数据为候选滑坡区域距离目标河流轨迹点最近的位置点的高程数据，第二高程数据为目标河流轨迹点位置的河流水面距离河流底部的高程数据，目标河流轨迹点为对应河流径流中距离所述候选滑坡区域最近的轨迹点；
计算所述第二高程数据与所述第一高程数据的高程比值，判断所述高程比值是否超过所述候选滑坡区域对应的预设比值，若是，判定所述候选滑坡区域会发生山体滑坡；
其中，所述候选滑坡区域对应的预设比值与所述候选滑坡区域到目标河流轨迹点的最短距离正相关变化。
8.一种基于气象数据的滑坡预测装置，其特征在于，包括：
获取模块，用于获取区域范围内的全部历史滑坡事件，提取每条历史滑坡事件的历史滑坡信息；其中，所述历史滑坡信息包括滑坡发生区域和滑坡发生时间；
生成模块，用于根据所述历史滑坡信息中的滑坡发生区域和滑坡发生时间，获得每条历史滑坡事件的滑坡诱导参数，生成滑坡诱导极限参数集；
确定模块，用于基于气象数据，获得区域范围内目标预测时段的关联诱导参数，根据所述滑坡诱导极限参数集和区域范围内目标预测时段的关联诱导参数，确定区域范围内的初步滑坡区域；
提取模块，用于获取区域范围内的河流分布图，提取所述河流分布图中的河流分布信息；其中，所述河流分布信息包括由若干个河流轨迹点构成的河流径流；
筛选模块，用于提取每个所述初步滑坡区域的位置信息，根据所述位置信息和所述河流径流的河流轨迹点，从初步滑坡区域中筛选出候选滑坡区域；
判断模块，用于调用地理高程数据库，查询每个所述候选滑坡区域的第一高程数据和对应河流径流中目标河流轨迹点位置河流水面的第二高程数据，根据所述第一高程数据和所述第二高程数据，判断所述候选滑坡区域是否会发生山体滑坡。
9.一种基于气象数据的滑坡预测设备，其特征在于，所述基于气象数据的滑坡预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于气象数据的滑坡预测程序，所述基于气象数据的滑坡预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于气象数据的滑坡预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于气象数据的滑坡预测程序，所述基于气象数据的滑坡预测程序被处理器执行时实现如权利要求1至7中任一项所述的基于气象数据的滑坡预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410090823.1A CN117633139B (zh) | 2024-01-23 | 2024-01-23 | 基于气象数据的滑坡预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410090823.1A CN117633139B (zh) | 2024-01-23 | 2024-01-23 | 基于气象数据的滑坡预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633139A CN117633139A (zh) | 2024-03-01 |
| CN117633139B true CN117633139B (zh) | 2024-03-22 |
Family
ID=90030737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410090823.1A Active CN117633139B (zh) | 2024-01-23 | 2024-01-23 | 基于气象数据的滑坡预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633139B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496240A (zh) * | 2011-12-28 | 2012-06-13 | 南京葛南实业有限公司 | 泥石流预警系统 |
| CN102799756A (zh) * | 2012-06-08 | 2012-11-28 | 冉启华 | 一种降雨作用下的滑坡预测方法 |
| CN110489860A (zh) * | 2019-08-16 | 2019-11-22 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
| CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
| CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
| CN114440758A (zh) * | 2022-01-09 | 2022-05-06 | 西北大学 | 一种区域尺度上滑坡对降雨响应的分析方法 |
| CN114510851A (zh) * | 2022-04-20 | 2022-05-17 | 南京信息工程大学 | 一种评估气候变化下降水诱发滑坡灾害损失的评估方法 |
| CN115422766A (zh) * | 2022-09-26 | 2022-12-02 | 北京云庐科技有限公司 | 一种基于数字孪生技术的泥石流监测方法及系统 |
| CN115630336A (zh) * | 2022-10-30 | 2023-01-20 | 福州大学 | 基于域自适应迁移学习的无样本库区滑坡易发性预测方法 |
| CN116611546A (zh) * | 2023-04-14 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
| CN117312812A (zh) * | 2023-08-31 | 2023-12-29 | 同济大学 | 滑坡易发性评价模型建立方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
| US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
-
2024
- 2024-01-23 CN CN202410090823.1A patent/CN117633139B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496240A (zh) * | 2011-12-28 | 2012-06-13 | 南京葛南实业有限公司 | 泥石流预警系统 |
| CN102799756A (zh) * | 2012-06-08 | 2012-11-28 | 冉启华 | 一种降雨作用下的滑坡预测方法 |
| CN110489860A (zh) * | 2019-08-16 | 2019-11-22 | 兰州交通大学 | 一种新型滑坡风险评价方法 |
| CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
| CN113192086A (zh) * | 2021-05-11 | 2021-07-30 | 中国自然资源航空物探遥感中心 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
| CN114440758A (zh) * | 2022-01-09 | 2022-05-06 | 西北大学 | 一种区域尺度上滑坡对降雨响应的分析方法 |
| CN114510851A (zh) * | 2022-04-20 | 2022-05-17 | 南京信息工程大学 | 一种评估气候变化下降水诱发滑坡灾害损失的评估方法 |
| US11796695B1 (en) * | 2022-04-20 | 2023-10-24 | Nanjing University Of Information Science & Technology | Evaluation method for evaluating precipitation-induced landslide disaster loss under climate change |
| CN115422766A (zh) * | 2022-09-26 | 2022-12-02 | 北京云庐科技有限公司 | 一种基于数字孪生技术的泥石流监测方法及系统 |
| CN115630336A (zh) * | 2022-10-30 | 2023-01-20 | 福州大学 | 基于域自适应迁移学习的无样本库区滑坡易发性预测方法 |
| CN116611546A (zh) * | 2023-04-14 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
| CN117312812A (zh) * | 2023-08-31 | 2023-12-29 | 同济大学 | 滑坡易发性评价模型建立方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| "Landslide susceptibility mapping based on landslide history and analytic hierarchy process ";Myronidis, D 等;《 Nat Hazards》;20151114;第245–263页 * |
| "云南省地质灾害气象风险预警技术改进及应用检验";杨竹云 等;《灾害学》;20231019;第1-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633139A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7634266B2 (en) | Aggregating location accuracy data to estimate accuracy of a wireless locating system | |
| US20030069027A1 (en) | Location method for mobile networks | |
| US9146297B2 (en) | System and method for determining antenna probabilities in sub-areas of a geographical area | |
| JP5049745B2 (ja) | 位置情報解析装置、情報配信システムおよび位置情報解析方法 | |
| CN110837925A (zh) | 一种城市内涝预测方法和装置 | |
| JP2006311547A (ja) | レシーバシステムにおけるｒｆレシーバの位置を評価し、最適化する方法及びシステム | |
| CN117010726B (zh) | 用于城市防洪的智慧预警方法及系统 | |
| Shafiei et al. | Assessment of rain-gauge networks using a probabilistic GIS based approach | |
| CN107909192B (zh) | 土壤重金属含量的估测方法及装置 | |
| CN115600895A (zh) | 基于数字孪生的流域漫滩灾害风险评估方法及装置 | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| Johnson et al. | A comprehensive continent-wide regionalisation investigation for daily design rainfall | |
| CN117633139B (zh) | 基于气象数据的滑坡预测方法、装置、设备及存储介质 | |
| Antonakos et al. | Spatial interpolation for the distribution of groundwater level in an area of complex geology using widely available GIS tools | |
| Bredesen et al. | Comparison of hydrologic model performance statistics using rain gauge and NEXRAD precipitation input at different watershed spatial scales and rainfall return frequencies for the Upper St. Johns River, Florida USA | |
| CN116227929B (zh) | 通信数据的分析方法、装置、设备及存储介质 | |
| CN108712317A (zh) | 一种基于移动社交网络的城市人群时空动态感知方法和系统 | |
| CN114219166A (zh) | 一种在线动态分析暴雨灾害链概率的方法及终端 | |
| CN113573236B (zh) | 定位结果的置信度的评估方法和装置 | |
| CN114611777A (zh) | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 | |
| Sapkota et al. | A parsimonious rainfall-runoff model for flood forecasting: Incorporating spatially varied rainfall and soil moisture | |
| CN109544304B (zh) | 根据移动终端信息进行预警的方法 | |
| CN114118628A (zh) | 一种基于循环神经网络模型的灾害预警方法及相关设备 | |
| Hastings et al. | Evaluation of digital channel network derivation methods in a glaciated subalpine catchment | |
| CN117454122B (zh) | 基于定点定面关系的山洪灾害雨量预警分析方法及装置 |
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 |