CN117828384A - 地质灾害风险点监测与应急响应系统及方法 - Google Patents
地质灾害风险点监测与应急响应系统及方法 Download PDFInfo
- Publication number
- CN117828384A CN117828384A CN202410238987.4A CN202410238987A CN117828384A CN 117828384 A CN117828384 A CN 117828384A CN 202410238987 A CN202410238987 A CN 202410238987A CN 117828384 A CN117828384 A CN 117828384A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- risk
- monitoring station
- training
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000004044 response Effects 0.000 title claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 150
- 238000009792 diffusion process Methods 0.000 claims abstract description 83
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 198
- 239000013598 vector Substances 0.000 claims description 66
- 238000013480 data collection Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了地质灾害风险点监测与应急响应系统及方法，涉及地质灾害预警技术领域，预先训练滑坡概率预测模型和滑坡加速度预测模型，基于地质数据和建筑风险数据，选择监测点，并设置监测站，每个监测站实时收集环境数据并获得预测滑坡概率，发起预测滑坡报警，将发生滑坡的监测站作为风险监测站，收集风险监测站的实时滑坡速度和滑坡方向，筛选出扩散监测站和扩散区域，风险监测站为每个扩散监测站和扩散区域生成滑坡抵达时间预警；实现了应急预警的提前通知，提高了应急预警时间的准确性，从而更有效地保障周围人员的人身和财产安全。
Description
技术领域
本发明涉及地质灾害预警技术领域，具体是地质灾害风险点监测与应急响应系统及方法。
背景技术
地质灾害，包括滑坡、泥石流、地震等，是自然界常见的灾害类型，对人类社会的生命财产安全构成了巨大威胁。随着全球气候变化和人类活动的增加，这些灾害的发生频率和影响范围似乎在不断扩大。传统上，地质灾害的监测依赖于地面观测站和人工巡查，而应急响应则依赖于事先制定的预案和灾后评估。然而，这些方法往往反应不够及时，且难以覆盖所有潜在的风险区域。
现有的使用人工智能技术来对滑坡进行预警的方法往往是在考虑滑坡发生的时间和地点，而未能考虑在山体上监测点应该如何选择和设置，以及在滑坡发生后，如何对滑坡到达人员密集区域的剩余时间进行准确的预测；
授权公告号为CN111784978B的中国发明专利公开了一种基于日位移速率的高原山地滑坡灾害预警系统，包括高原山地滑坡预警防护系统，地貌状况系统、日位移计算系统以及智能预警系统，所述日位移计算系统用于得出滑坡泥石流发生的地点、路程、速度以及时间的作用，所述建筑距离测量模块用于测量建筑物距离泥石流之间的距离，所述滑坡倒计时模块用于测量泥石流到达对应建筑物的时间，所述地理信息模块内部固定设置有高原山地位置模块以及海拔样貌分析模块，所述土质信息模块内部固定设置有土质种类分析模块以及流动性分析模块；然而该方法未能实现对滑坡发生前的预警，在对滑坡进行倒计时时，仅根据滑坡泥石流发生的地点、路程、速度、时间和距离来计算倒计时，却并未考虑到滑坡所经过的地形地貌，也未能对倒计时进行偏差纠正，仅为粗糙的估算，缺乏准确性；
为此，本发明提出地质灾害风险点监测与应急响应系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出地质灾害风险点监测与应急响应系统及方法，实现了应急预警的提前通知，提高了应急预警时间的准确性，从而更有效的保障周围人员的人身和财产安全。
为实现上述目的，提出地质灾害风险点监测与应急响应方法，包括以下步骤：
步骤一：预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据；
步骤二：以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；
以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；
步骤三：在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数；
步骤四：为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型；
步骤五：每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，否则，重复执行步骤五；
步骤六：各个监测站实时接收预期到达时间；各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，并执行步骤七；否则，重复执行步骤六；
步骤七：收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域；
步骤八：风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警；重复执行步骤六至步骤八；
所述预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据的方式为：
选择N个实验山体，在各个实验山体上设置不同数量的训练数据收集点；N为选择的实验山体的数量；
收集每个训练数据收集点的地质训练数据、环境训练数据以及每一时刻是否发生滑坡的滑坡概率标签；
每组所述地质训练数据和所述环境训练数据组成滑坡概率训练特征向量，所有训练数据收集点的滑坡概率训练特征向量组成滑坡概率训练特征数据；
所述滑坡概率标签为0或1中的一个；
所有训练数据收集点的滑坡概率标签组成滑坡概率标签数据；
对于滑坡概率标签为1的训练数据收集点，实时收集滑坡加速度标签；所述滑坡加速度标签为当前滑坡速度减去上一时刻的滑坡速度；
对于滑坡概率标签为1的训练数据收集点，其对应的所述地质训练数据和所述环境训练数据组成滑坡加速度训练特征向量；
所有训练数据收集点的滑坡加速度训练特征向量组成滑坡加速度训练特征数据；
所有训练数据收集点的滑坡加速度标签组成滑坡加速度标签数据；
所述训练滑坡概率预测模型的方式为：
将滑坡概率训练特征数据中的每个训练数据收集点的滑坡概率训练特征向量作为滑坡概率预测模型的输入，所述滑坡概率预测模型以对每组滑坡概率训练特征向量的滑坡概率的预测值作为输出，所述滑坡概率的预测值的取值范围为[0,1]，以该组滑坡概率训练特征向量对应的滑坡概率标签作为预测目标，以滑坡概率的预测值和滑坡概率标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对滑坡概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练；
所述训练滑坡加速度预测模型的方式为：
将滑坡加速度训练特征数据中的每个训练数据收集点的滑坡加速度训练特征向量作为滑坡加速度预测模型的输入，所述滑坡加速度预测模型以对每组滑坡加速度训练特征向量的滑坡加速度的预测值作为输出，以该组滑坡加速度训练特征向量对应的滑坡加速度标签作为预测目标，以滑坡加速度的预测值和滑坡加速度标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对滑坡加速度预测模型进行训练，直至第二预测误差之和达到收敛时停止训练；
所述在待监测山体选择N1个候选风险点的方式可以是：
预设海拔标准差值，在待监测山体上，每隔海拔标准差值，在同一海拔高度，设置N3个候选风险点，其中，N3个候选风险点为沿着山体表面等距离设置；其中，，其中，h0为海拔标准差值，H为待监测山体的海拔高度；
所述人员风险数据包括各个候选风险点与各个人员密集区域的海拔高度差和水平面直线距离；
所述从N1个候选风险点中选择N2个候选风险点作为监测点的方式为：
计算每个候选风险点的地质危险系数D和人员风险系数R；
其中，所述地质危险系数D的计算公式为；其中，ci为预设的候选风险点对应土壤类型的土壤类型风险系数，M为土壤密度、Q为地形陡峭度、F为植被覆盖率、H1为地下水位的初始高度；b1、b2、b3和b4均为预设的比例系数；
其中，所述人员风险系数R的计算公式为：；其中，j为人员密集区域的编号，Gj为候选风险点和第j个人员密集区域的海拔高度差，Lj为候选风险点和第j个人员密集区域的水平面直线距离；b5和b6均为预设的比例系数；
计算每个候选风险点的综合风险系数Z，所述综合风险系数Z的计算公式为：；其中，b7和b8均为预设的比例系数；
将N1个候选风险点按综合风险系数Z从大到小进行排序，并选择前N2个候选风险点作为监测点；
所述获得预测滑坡概率的方式为：
将各个监测站采集的环境数据、地质数据组成滑坡概率特征向量，并将滑坡概率特征向量输入滑坡概率预测模型，获得滑坡概率预测模型输出的滑坡概率的预测值，并将滑坡概率的预测值作为该监测站的预测滑坡概率；
所述基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域的方式为：
对于每个监测站，连接监测站和风险监测站，并以风险监测站指向监测站作为方向，构建出监测站向量，若监测站向量与滑坡方向的夹角小于90度，则该监测站作为扩散监测站；
对于每个人员密集区域，连接监测站和人员密集区域，并以风险监测站指向人员密集区域作为方向，构建出密集区域向量，若密集区域向量与滑坡方向的夹角小于90度，则该人员密集区域作为扩散区域；
所述为每个扩散监测站和扩散区域生成滑坡抵达时间预警的方式为：
对于任意扩散单位，所述扩散单位包括扩散监测站和扩散区域：
计算实时滑坡速度在扩散单位向量上的速度分量，将该速度分量标记为v；所述扩散单位向量包括监测站向量和密集区域向量；
计算扩散单位与风险监测站的平均坡度，所述平均坡度为arctan(），其中，G为风险监测站与扩散单位的海拔高度差，L为风险监测站与扩散单位的水平面直线距离；
将风险监测站的地质数据中的地形坡度替换为平均坡度，将风险监测站的地质数据和环境数据组成滑坡加速度特征向量，并输入至滑坡加速度预测模型中，获得输出的滑坡加速度预测值，将该滑坡加速度预测值标记为a；
建立方程式，求解其中的变量t，将求解的变量t的值标记为公式剩余时间t0；
风险监测站向各个扩散单位发送预期到达时间t1，其中，；其中，k为纠偏系数；k的计算方式为：
若风险监测站在成为风险监测站前未接收到任何预期到达时间，则k为1；
否则，，其中，t2为风险监测站成为风险监测站的时间，t3为风险监测站最后接收到预期到达时间的时间，t4为最后接收到的预期到达时间。
提出地质灾害风险点监测与应急响应系统，包括训练数据收集模块、模型训练模块、监测点选取模块以及监测应急预警模块；其中，各个模块之间通过电性方式连接；
训练数据收集模块，用于预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据，并将滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据发送至模型训练模块；
模型训练模块，用于以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型，以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；并将滑坡概率预测模型和滑坡加速度预测模型发送至监测应急预警模块；
监测点选取模块，用于在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数，并将监测点位置发送至监测应急预警模块；
监测应急预警模块，用于为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型，每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则收集实时滑坡速度和滑坡方向，基于实时滑坡速度、建筑风险数据、各个监测站位置以及滑坡加速度预测模型，生成滑坡抵达时间预警。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的地质灾害风险点监测与应急响应方法。
一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的地质灾害风险点监测与应急响应方法。
与现有技术相比，本发明的有益效果是：
（1）本发明通过预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据，以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型，在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数，为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型，每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警；通过训练滑坡概率预测模型，在滑坡发生前自动预测滑坡是否会发生，为人员撤离提供充分的时间保障；
（2）本发明进一步地通过在各个监测站中实时接收预期到达时间，各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域，风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警；通过在滑坡扩散的过程中，每经过一个监测站，不断地进行滑坡剩余时长计算和纠偏，提高了应急预警时间的准确性，从而更有效地保障周围人员的人身和财产安全。
附图说明
图1为本发明的实施例1中地质灾害风险点监测与应急响应方法的一个流程图；
图2为本发明的实施例2中地质灾害风险点监测与应急响应方法的另一个流程图；
图3为本发明的实施例3中地质灾害风险点监测与应急响应系统的模块连接关系图；
图4为本发明实施例4中的电子设备结构示意图；
图5为本发明实施例5中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，地质灾害风险点监测与应急响应方法，包括以下步骤：
步骤一：预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据；
步骤二：以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；
以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；
步骤三：在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数；
步骤四：为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型；
步骤五：每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，否则，重复执行步骤五；
其中，所述预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据的方式为：
选择N个实验山体，在各个实验山体上设置不同数量的训练数据收集点；需要说明的是，具体训练数据收集点的数量和位置根据实际需求和经验设定；所述实验山体可以是从历史山体滑坡记录中选择，也可以是通过模拟建模的方式，构造不同山体的三维模型或等比例缩放的人工制造的山体模型；N为选择的实验山体的数量；
收集每个训练数据收集点的地质训练数据、环境训练数据以及每一时刻是否发生滑坡的滑坡概率标签；
其中，所述地质训练数据为衡量每个训练数据收集点的地质情况的特征集合；具体的，所述地质训练数据包括但不限于土壤类型、土壤密度、地形陡峭度、地形坡度、地形坡向以及植被覆盖率等；
所述环境训练数据为衡量每个训练数据收集点所处环境的实时环境特征集合；具体的，所述环境训练数据包括但不限于降雨量、地下水位高度、地下水位高度变化量、土壤湿度、地表位移量等；
每组所述地质训练数据和所述环境训练数据组成滑坡概率训练特征向量，所有训练数据收集点的滑坡概率训练特征向量组成滑坡概率训练特征数据；
所述滑坡概率标签为0或1中的一个；具体的，当在某一特定的滑坡概率训练特征向量下，训练数据收集点发生了滑坡，则将该滑坡概率训练特征向量对应的滑坡概率标签设置为1，否则设置为0；
所有训练数据收集点的滑坡概率标签组成滑坡概率标签数据；
对于滑坡概率标签为1的训练数据收集点，实时收集滑坡加速度标签；所述滑坡加速度标签为当前滑坡速度减去上一时刻的滑坡速度；可以理解的是，滑坡速度可以通过使用位移传感器，计算单位时刻地表位移量获得；
对于滑坡概率标签为1的训练数据收集点，其对应的所述地质训练数据和所述环境训练数据组成滑坡加速度训练特征向量；
所有训练数据收集点的滑坡加速度训练特征向量组成滑坡加速度训练特征数据；
所有训练数据收集点的滑坡加速度标签组成滑坡加速度标签数据；
进一步的，所述以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型的方式为：
将滑坡概率训练特征数据中的每个训练数据收集点的滑坡概率训练特征向量作为滑坡概率预测模型的输入，所述滑坡概率预测模型以对每组滑坡概率训练特征向量的滑坡概率的预测值作为输出，所述滑坡概率的预测值的取值范围为[0,1]，以该组滑坡概率训练特征向量对应的滑坡概率标签作为预测目标，以滑坡概率的预测值和滑坡概率标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对滑坡概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练，训练出根据静态的地质数据和动态的环境数据，预测发生滑坡的概率的滑坡概率预测模型；滑坡概率预测模型是深度神经网络或深度信念网络模型中的任意一个；所述预测误差之和可以是均方误差或交叉熵；
进一步的，所述以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型的方式为：
将滑坡加速度训练特征数据中的每个训练数据收集点的滑坡加速度训练特征向量作为滑坡加速度预测模型的输入，所述滑坡加速度预测模型以对每组滑坡加速度训练特征向量的滑坡加速度的预测值作为输出，以该组滑坡加速度训练特征向量对应的滑坡加速度标签作为预测目标，以滑坡加速度的预测值和滑坡加速度标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对滑坡加速度预测模型进行训练，直至第二预测误差之和达到收敛时停止训练，训练出根据静态的地质数据和动态的环境数据，预测在监测点，滑坡的及速度的滑坡加速度预测模型；滑坡加速度预测模型是深度神经网络或SVR模型中的任意一个；所述预测误差之和可以是均方误差；
在一个优选的实施例中，所述在待监测山体选择N1个候选风险点的方式可以是：
预设海拔标准差值，在待监测山体上，每隔海拔标准差值，在同一海拔高度，设置N3个候选风险点，其中，N3个候选风险点为沿着山体表面等距离设置；其中，，其中，h0为海拔标准差值，H为待监测山体的海拔高度；
进一步的，所述地质数据的收集方式与地质训练数据的收集方式一致；
所述人员风险数据包括各个候选风险点与各个人员密集区域的海拔高度差和水平面直线距离；可以理解的是，建筑密集区域是指在山体周围的具有密集人类活动的区域，具体的区域选定根据实际经验设置，例如山区周边的村落、住宅区或施工区域等；
所述基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点的方式为：
计算每个候选风险点的地质危险系数D和人员风险系数R；
其中，所述地质危险系数D的计算公式为；其中，ci为预设的候选风险点对应土壤类型的土壤类型风险系数，M为土壤密度、Q为地形陡峭度、F为植被覆盖率、H1为地下水位的初始高度；b1、b2、b3和b4均为预设的比例系数；
其中，所述人员风险系数R的计算公式为：；其中，j为人员密集区域的编号，Gj为候选风险点和第j个人员密集区域的海拔高度差，Lj为候选风险点和第j个人员密集区域的水平面直线距离；b5和b6均为预设的比例系数；
计算每个候选风险点的综合风险系数Z，所述综合风险系数Z的计算公式为：；其中，b7和b8均为预设的比例系数；
将N1个候选风险点按综合风险系数Z从大到小进行排序，并选择前N2个候选风险点作为监测点；
进一步的，所述环境数据的收集方式与环境训练数据的收集方式一致；
所述基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率的方式为：
将各个监测站采集的环境数据、地质数据组成滑坡概率特征向量，并将滑坡概率特征向量输入滑坡概率预测模型，获得滑坡概率预测模型，输出的滑坡概率的预测值，并将滑坡概率的预测值作为该监测站的预测滑坡概率；
实施例2
鉴于实施例1中仅考虑了在未发生滑坡时的预警，而未能考虑到滑坡成为既定事实后，如何进行应急预警的问题，进一步的提出本实施例；
如图2所示，地质灾害风险点监测与应急响应方法还包括：
步骤六：各个监测站实时接收预期到达时间；各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，并执行步骤七；否则，重复执行步骤六；
步骤七：收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域；
步骤八：风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警；重复执行步骤六至步骤八；
进一步的，所述各个监测站实时监测滑坡是否发生的方式为：
各个监测站通过使用位移传感器实时获取地表的位移速度，若地表位移速度大于预设的滑坡概率阈值，则判断为该监测站处已发生滑坡，否则，判断为该监测站处未发生滑坡；
其中，所述实时滑坡速度为监测站所处地表的位移速度；所述滑坡方向为监测站所处地表的位移方向；
进一步的，所述基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域的方式为：
对于每个监测站，连接监测站和风险监测站，并以风险监测站指向监测站作为方向，构建出监测站向量，若监测站向量与滑坡方向的夹角小于90度，则该监测站作为扩散监测站；
对于每个人员密集区域，连接监测站和人员密集区域，并以风险监测站指向人员密集区域作为方向，构建出密集区域向量，若密集区域向量与滑坡方向的夹角小于90度，则该人员密集区域作为扩散区域；可以理解的是，扩散监测站和扩散区域均具有滑坡的风险；
进一步的，所述基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警的方式为：
对于任意扩散单位，所述扩散单位包括扩散监测站和扩散区域：
计算实时滑坡速度在扩散单位向量上的速度分量，将该速度分量标记为v；所述扩散单位向量包括监测站向量和密集区域向量；
计算扩散单位与风险监测站的平均坡度，所述平均坡度为arctan(），其中，G为风险监测站与扩散单位的海拔高度差，L为风险监测站与扩散单位的水平面直线距离；
将风险监测站的地质数据中的地形坡度替换为平均坡度，将风险监测站的地质数据和环境数据组成滑坡加速度特征向量，并输入至滑坡加速度预测模型中，获得输出的滑坡加速度预测值，将该滑坡加速度预测值标记为a；可以理解的是，将地形坡度替换为平均坡度的原因在于地形坡度衡量的是在风险监测站处的短距离的坡度，其无法作为风险监测站和扩散单位之间的坡度，因此，该处的实时的滑动加速度是不可持续的，也无法作为后续预测扩散时间的参考；
则建立方程式，求解其中的变量t，将求解的变量t的值标记为公式剩余时间t0；
风险监测站向各个扩散单位发送预期到达时间t1，其中，；其中，k为纠偏系数；k的计算方式为：
若风险监测站在成为风险监测站前未接收到任何预期到达时间，则k为1；
否则，，其中，t2为风险监测站成为风险监测站的时间，t3为风险监测站最后接收到预期到达时间的时间，t4为最后接收到的预期到达时间；可以理解的是，当k>1，说明风险监测站实际监测到滑坡发生的时间要晚于预期的时间，因此说明滑坡的速度或加速度要低于预期，因此，可以适当地进行延时纠偏，反之，进行缩时纠偏，通过在滑坡沿途的风险监测站不断地进行滑坡剩余时长计算和纠偏，提高了应急预警时间的准确性，从而更有效地保障周围人员的人身和财产安全。
实施例3
如图3所示，地质灾害风险点监测与应急响应系统，包括训练数据收集模块、模型训练模块、监测点选取模块以及监测应急预警模块；其中，各个模块之间通过电性方式连接；
训练数据收集模块，用于预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据，并将滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据发送至模型训练模块；
模型训练模块，用于以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型，以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；并将滑坡概率预测模型和滑坡加速度预测模型发送至监测应急预警模块；
监测点选取模块，用于在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数，并将监测点位置发送至监测应急预警模块；
监测应急预警模块，用于为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型，每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则收集实时滑坡速度和滑坡方向，基于实时滑坡速度、建筑风险数据、各个监测站位置以及滑坡加速度预测模型，生成滑坡抵达时间预警。
实施例4
图4是本申请一个实施例提供的电子设备结构示意图。如图4所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器，所述处理器可以包括CPU102和GPU109。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的地质灾害风险点监测与应急响应方法。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107、GPU109等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的地质灾害风险点监测与应急响应方法。地质灾害风险点监测与应急响应方法包括以下步骤：步骤一：预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据；步骤二：以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；步骤三：在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数；步骤四：为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型；步骤五：每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，否则，重复执行步骤五；步骤六：各个监测站实时接收预期到达时间；各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，并执行步骤七；否则，重复执行步骤六；步骤七：收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站；基于滑坡方向和建筑风险数据，筛选出扩散区域；步骤八：风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警；重复执行步骤六至步骤八。
进一步地，电子设备100还可包括用户界面108。当然，图4所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图4示出的电子设备中的一个或多个组件。
实施例5
图5是本申请一个实施例提供的计算机可读存储介质结构示意图。如图5所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的地质灾害风险点监测与应急响应方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (12)
1.地质灾害风险点监测与应急响应方法，其特征在于，包括以下步骤：
步骤一：预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据；
步骤二：以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型；以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；
步骤三：在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数；
步骤四：为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型；
步骤五：每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，否则，重复执行步骤五；
步骤六：各个监测站实时接收预期到达时间；各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则将该监测站作为风险监测站，并执行步骤七；否则，重复执行步骤六；
步骤七：收集风险监测站的实时滑坡速度和滑坡方向，基于滑坡方向和监测站位置，筛选出扩散监测站，并筛选出扩散区域；
步骤八：风险监测站基于预期到达时间、实时滑坡速度、建筑风险数据、各个扩散监测站以及滑坡加速度预测模型，为每个扩散监测站和扩散区域生成滑坡抵达时间预警。
2.根据权利要求1所述的地质灾害风险点监测与应急响应方法，其特征在于，所述预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据的方式为：
选择N个实验山体，在各个实验山体上设置不同数量的训练数据收集点；N为选择的实验山体的数量；
收集每个训练数据收集点的地质训练数据、环境训练数据以及每一时刻是否发生滑坡的滑坡概率标签；
每组所述地质训练数据和所述环境训练数据组成滑坡概率训练特征向量，所有训练数据收集点的滑坡概率训练特征向量组成滑坡概率训练特征数据；
所述滑坡概率标签为0或1中的一个；
所有训练数据收集点的滑坡概率标签组成滑坡概率标签数据；
对于滑坡概率标签为1的训练数据收集点，实时收集滑坡加速度标签；所述滑坡加速度标签为当前滑坡速度减去上一时刻的滑坡速度；
对于滑坡概率标签为1的训练数据收集点，其对应的所述地质训练数据和所述环境训练数据组成滑坡加速度训练特征向量；
所有训练数据收集点的滑坡加速度训练特征向量组成滑坡加速度训练特征数据；
所有训练数据收集点的滑坡加速度标签组成滑坡加速度标签数据。
3.根据权利要求2所述的地质灾害风险点监测与应急响应方法，其特征在于，所述训练滑坡概率预测模型的方式为：
将滑坡概率训练特征数据中的每个训练数据收集点的滑坡概率训练特征向量作为滑坡概率预测模型的输入，所述滑坡概率预测模型以对每组滑坡概率训练特征向量的滑坡概率的预测值作为输出，所述滑坡概率的预测值的取值范围为[0,1]，以该组滑坡概率训练特征向量对应的滑坡概率标签作为预测目标，以滑坡概率的预测值和滑坡概率标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对滑坡概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练。
4.根据权利要求3所述的地质灾害风险点监测与应急响应方法，其特征在于，所述训练滑坡加速度预测模型的方式为：
将滑坡加速度训练特征数据中的每个训练数据收集点的滑坡加速度训练特征向量作为滑坡加速度预测模型的输入，所述滑坡加速度预测模型以对每组滑坡加速度训练特征向量的滑坡加速度的预测值作为输出，以该组滑坡加速度训练特征向量对应的滑坡加速度标签作为预测目标，以滑坡加速度的预测值和滑坡加速度标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对滑坡加速度预测模型进行训练，直至第二预测误差之和达到收敛时停止训练。
5.根据权利要求4所述的地质灾害风险点监测与应急响应方法，其特征在于，所述在待监测山体选择N1个候选风险点的方式是：
预设海拔标准差值，在待监测山体上，每隔海拔标准差值，在同一海拔高度，设置N3个候选风险点，其中，N3个候选风险点为沿着山体表面等距离设置；其中，，其中，h0为海拔标准差值，H为待监测山体的海拔高度。
6.根据权利要求5所述的地质灾害风险点监测与应急响应方法，其特征在于，所述从N1个候选风险点中选择N2个候选风险点作为监测点的方式为：
计算每个候选风险点的地质危险系数D和人员风险系数R；
其中，所述地质危险系数D的计算公式为；其中，ci为预设的候选风险点对应土壤类型的土壤类型风险系数，M为土壤密度、Q为地形陡峭度、F为植被覆盖率、H1为地下水位的初始高度；b1、b2、b3和b4均为预设的比例系数；
其中，所述人员风险系数R的计算公式为：；其中，j为人员密集区域的编号，Gj为候选风险点和第j个人员密集区域的海拔高度差，Lj为候选风险点和第j个人员密集区域的水平面直线距离；b5和b6均为预设的比例系数；
计算每个候选风险点的综合风险系数Z，所述综合风险系数Z的计算公式为：；其中，b7和b8均为预设的比例系数；
将N1个候选风险点按综合风险系数Z从大到小进行排序，并选择前N2个候选风险点作为监测点。
7.根据权利要求6所述的地质灾害风险点监测与应急响应方法，其特征在于，所述基于滑坡方向和监测站位置，筛选出扩散监测站，并筛选出扩散区域的方式为：
对于每个监测站，连接监测站和风险监测站，并以风险监测站指向监测站作为方向，构建出监测站向量，若监测站向量与滑坡方向的夹角小于90度，则该监测站作为扩散监测站；
对于每个人员密集区域，连接监测站和人员密集区域，并以风险监测站指向人员密集区域作为方向，构建出密集区域向量，若密集区域向量与滑坡方向的夹角小于90度，则该人员密集区域作为扩散区域。
8.根据权利要求7所述的地质灾害风险点监测与应急响应方法，其特征在于，所述为每个扩散监测站和扩散区域生成滑坡抵达时间预警的方式为：
对于任意扩散单位，所述扩散单位包括扩散监测站和扩散区域：
计算实时滑坡速度在扩散单位向量上的速度分量，将该速度分量标记为v；所述扩散单位向量包括监测站向量和密集区域向量；
计算扩散单位与风险监测站的平均坡度，所述平均坡度为arctan(），其中，G为风险监测站与扩散单位的海拔高度差，L为风险监测站与扩散单位的水平面直线距离；
将风险监测站的地质数据中的地形坡度替换为平均坡度，将风险监测站的地质数据和环境数据组成滑坡加速度特征向量，并输入至滑坡加速度预测模型中，获得输出的滑坡加速度预测值，将该滑坡加速度预测值标记为a；
建立方程式，求解其中的变量t，将求解的变量t的值标记为公式剩余时间t0；
风险监测站向各个扩散单位发送预期到达时间t1，其中，；其中，k为纠偏系数。
9.根据权利要求8所述的地质灾害风险点监测与应急响应方法，其特征在于，k的计算方式为：
若风险监测站在成为风险监测站前未接收到任何预期到达时间，则k为1；
否则，，其中，t2为风险监测站成为风险监测站的时间，t3为风险监测站最后接收到预期到达时间的时间，t4为最后接收到的预期到达时间。
10.地质灾害风险点监测与应急响应系统，其用于实现权利要求1-9中任意一项所述的地质灾害风险点监测与应急响应方法，其特征在于，包括训练数据收集模块、模型训练模块、监测点选取模块以及监测应急预警模块；其中，各个模块之间通过电性方式连接；
训练数据收集模块，用于预先收集滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据，并将滑坡概率训练特征数据、滑坡概率标签数据、滑坡加速度训练特征数据以及滑坡加速度标签数据发送至模型训练模块；
模型训练模块，用于以滑坡概率训练特征数据作为输入，以滑坡概率标签数据作为输出，训练滑坡概率预测模型，以滑坡加速度训练特征数据作为输入，以滑坡加速度标签数据作为输出，训练滑坡加速度预测模型；并将滑坡概率预测模型和滑坡加速度预测模型发送至监测应急预警模块；
监测点选取模块，用于在待监测山体选择N1个候选风险点，并收集每个候选风险点的地质数据和人员风险数据，并基于地质数据和建筑风险数据，从N1个候选风险点中选择N2个候选风险点作为监测点，并设置监测站；N1和N2为预设的数量参数，并将监测点位置发送至监测应急预警模块；
监测应急预警模块，用于为每个监测站导入滑坡概率预测模型和滑坡加速度预测模型，每个监测站实时收集环境数据，并基于环境数据、地质数据和滑坡概率预测模型，获得预测滑坡概率；若任意一个监测站的预测滑坡概率大于预设的概率阈值，发起预测滑坡报警，各个监测站实时监测滑坡是否发生，若任意一个监测站发现滑坡发生，则收集实时滑坡速度和滑坡方向，基于实时滑坡速度、建筑风险数据、各个监测站位置以及滑坡加速度预测模型，生成滑坡抵达时间预警。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1-9中任意一项所述地质灾害风险点监测与应急响应方法。
12.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行实现权利要求1-9中任意一项所述地质灾害风险点监测与应急响应方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238987.4A CN117828384B (zh) | 2024-03-04 | 2024-03-04 | 地质灾害风险点监测与应急响应系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238987.4A CN117828384B (zh) | 2024-03-04 | 2024-03-04 | 地质灾害风险点监测与应急响应系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117828384A true CN117828384A (zh) | 2024-04-05 |
| CN117828384B CN117828384B (zh) | 2024-05-07 |
Family
ID=90521258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410238987.4A Active CN117828384B (zh) | 2024-03-04 | 2024-03-04 | 地质灾害风险点监测与应急响应系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828384B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018005264A (ja) * | 2016-06-27 | 2018-01-11 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
| US20190033476A1 (en) * | 2017-07-27 | 2019-01-31 | Oregon State University | Method and system for forecasting earthquakes and generating earthquake alerts |
| CN110363964A (zh) * | 2019-07-12 | 2019-10-22 | 新疆维吾尔自治区测绘科学研究院 | 一种滑坡和泥石流地质灾害监测与应急响应方法 |
| CN116415481A (zh) * | 2022-10-21 | 2023-07-11 | 杭州鲁尔物联科技有限公司 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
| CN116597320A (zh) * | 2023-05-11 | 2023-08-15 | 电子科技大学 | 一种适合复杂山区的滑坡地质灾害时空预测方法 |
-
2024
- 2024-03-04 CN CN202410238987.4A patent/CN117828384B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018005264A (ja) * | 2016-06-27 | 2018-01-11 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
| US20190033476A1 (en) * | 2017-07-27 | 2019-01-31 | Oregon State University | Method and system for forecasting earthquakes and generating earthquake alerts |
| CN110363964A (zh) * | 2019-07-12 | 2019-10-22 | 新疆维吾尔自治区测绘科学研究院 | 一种滑坡和泥石流地质灾害监测与应急响应方法 |
| CN116415481A (zh) * | 2022-10-21 | 2023-07-11 | 杭州鲁尔物联科技有限公司 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
| CN116597320A (zh) * | 2023-05-11 | 2023-08-15 | 电子科技大学 | 一种适合复杂山区的滑坡地质灾害时空预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 尚敏 等: "基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究", 《工程地质学报》, vol. 30, no. 2, 31 December 2022 (2022-12-31), pages 575 - 588 * |
| 李炯;牛瑞卿;: "滑坡稳定性与土地利用关联规则挖掘及应用――以三峡库区秭归到巴东段为例", 《计算机工程与应用》, vol. 49, no. 06, 31 December 2013 (2013-12-31), pages 234 - 239 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117828384B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Genz et al. | The predictive accuracy of shoreline change rate methods and alongshore beach variation on Maui, Hawaii | |
| Gesch | Consideration of vertical uncertainty in elevation-based sea-level rise assessments: Mobile Bay, Alabama case study | |
| CN111795681A (zh) | 一种山洪灾害预警方法、装置、服务器及存储介质 | |
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| KR101761707B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 | |
| CN109238227B (zh) | 一种表征地面沉降时空演变的方法 | |
| US10762588B2 (en) | Flood-recovery options tool | |
| US20230259798A1 (en) | Systems and methods for automatic environmental planning and decision support using artificial intelligence and data fusion techniques on distributed sensor network data | |
| CN116151483B (zh) | 一种区域级降雨滑坡概率性预测方法及预测终端 | |
| CN112200354A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Oumeraci et al. | XtremRisK—integrated flood risk analysis for extreme storm surges at open coasts and in estuaries: methodology, key results and lessons learned | |
| CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Oppikofer et al. | Quantification of casualties from potential rock-slope failures in Norway | |
| KR101934283B1 (ko) | 복수의 카테고리로 구분되는 해안의 특성을 고려한 총수위 예측 방법 및 이를 이용한 서버 | |
| CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN117828384B (zh) | 地质灾害风险点监测与应急响应系统及方法 | |
| CN113011747A (zh) | 建筑物监测方法、装置、电子设备及存储介质 | |
| CN115311574B (zh) | 一种建筑物监测方法、设备及介质 | |
| CN115457739B (zh) | 一种地质灾害预警方法、装置、电子设备及存储介质 | |
| CN116822285A (zh) | 一种边坡失稳规模的估算方法、装置、设备及存储介质 | |
| Rossi et al. | Analysis of a statistically initialized fuzzy logic scheme for classifying the severity of convective storms in F inland | |
| Koshimura et al. | Advances of tsunami inundation forecasting and its future perspectives | |
| CN114187744A (zh) | 一种滑坡泥石流监测预警方法、设备、系统及介质 | |
| Parvaze et al. | Flood forecasting in the sparsely gauged jhelum river basin of greater himalayas using integrated hydrological and hydraulic modelling approach | |
| Wang et al. | Life loss estimation based on dam-break flood uncertainties and lack of information in mountainous regions of Western China |
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 |