CN112233381B - 一种基于机理和机器学习耦合的泥石流预警方法与*** - Google Patents
一种基于机理和机器学习耦合的泥石流预警方法与*** Download PDFInfo
- Publication number
- CN112233381B CN112233381B CN202011096908.9A CN202011096908A CN112233381B CN 112233381 B CN112233381 B CN 112233381B CN 202011096908 A CN202011096908 A CN 202011096908A CN 112233381 B CN112233381 B CN 112233381B
- Authority
- CN
- China
- Prior art keywords
- debris flow
- unit
- small watershed
- model
- machine learning
- 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.)
- Expired - Fee Related
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 230000008878 coupling Effects 0.000 title claims abstract description 14
- 238000010168 coupling process Methods 0.000 title claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000001556 precipitation Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于机理和机器学习耦合的泥石流预警***,包括特征向量集单元、数据输入单元、模型训练单元;所述数据输入单元用于将特征向量集单元输入机器学习模型;所述模型训练单元,通过调用机器学习库sklearn中的函数接口训练机器学习模型并进行机器学习模型测试。还公开了一种泥石流预警方法,包括以下步骤:S1、构建不稳定小流域单元和稳定小流域单元二者的特征向量集;S2、基于所述特征向量集的数据特性,选择机器学习模型基于内置合适核函数的机器学习库sklearn进行泥石流灾害预报模型搭建;S3、预报。本发明能有效提升预报准确性,降低模型的误报率。
Description
技术领域
本发明涉及降雨诱发泥石流的预警,属于泥石流灾害防治技术领域,具体涉及一种基于机理和机器学习耦合的泥石流预警方法与***。
背景技术
漏报率和误报率是评价地质灾害预警报***的业务水平的主要参数,目前包括统计预报模式在内的***漏报率均比较低,但是都无法避免误报率高的问题。四川省气象局的应用结果表明,新***的误报率已经由统计预报的80%-90%降低到了30%左右,这与2017年重庆市国土局运行的地质灾害预警报***的漏报率水平(约35%左右)相符。这表明,在物理框架下支撑的地质灾害预警报***在误报率方面已有了很大的改观,但与地质灾害防灾减灾的需求仍存在一定的距离。影响地质灾害误报率较高的因素很多,但总的来说可以归纳为两点:(1)地质灾害形成过程极为复杂,地质灾害物理模型的建立存在诸多的输入和输出边界的假定,模型无法全面的反映出地质灾害的整个物理过程,这是影响其预警精度的原因之一;(2)预警模型所需的下垫面数据存在精度上的缺陷,例如影响坡体稳定性的力学参数、影响水文过程的水文参数精度等。这两个问题都是理论和技术上难以在短期之内完美解决的关键问题,进而导致预警模型和应用***的误报率居高不下,逐步成为了目前地质灾害预警报的技术瓶颈。所以,在上述关键难点无法完美解决的局限下,关键的问题是如何借助其他的外力手段解决目前存在于地质灾害预警报技术的难题,突破技术瓶颈。
大数据环境下的机器学习与栅格单元或小流域单元结合的模式下,一般以降雨、下垫面参数(如地形、地质)、泥石流灾害事件(包括发生的位置和时间)等参数作为训练的对象,通过智能化调整每个栅格单元或小流域单元稳定性的权重系数,实现对区域泥石流预警的目的。大数据环境下的机器学习方法相比传统的统计模式,其分析、挖掘数据的能力有了极大提升。但,目前以栅格或小流域单元为预报单元的机器学习模式并没有考虑到泥石流的机理过程,仍属于数理统计的范畴。
发明内容
为解决上述问题,本发明在考虑泥石流形成机理的基础上,将基于机理模式下产出的泥石流预警结果作为一项新的训练指标,使得泥石流预警结果和降雨因素、下垫面建立相关性,以此来实现泥石流形成机理与机器学习的耦合算法,降低了模型的误报率。
本发明通过下述技术方案实现:
一种基于机理和机器学习耦合的泥石流预警***,包括特征向量集单元、数据输入单元、模型训练单元;所述特征向量集单元的特征值参数包括历史降水值、预报降水值、下垫面数据值、基于小流域单元的泥石流发生危险等级值Pi,i为区域的小流域单元总数量;
所述数据输入单元用于将特征向量集单元输入机器学习模型;
所述模型训练单元,用于根据特征向量集的数据特性,通过调用机器学习库sklearn中的函数接口训练机器学习模型并进行机器学习模型测试。
所述机器学习模型为支持向量机SVM、线性回归、K近邻、回归树、集成模型中的一种。
进一步的,所述机器学习模型为支持向量机SVM。
还包括用于向特征向量集单元提供数据支撑的数据库,所述数据库包括泥石流灾害数据、降雨数据和下垫面数据。本发明中所述泥石流的灾害数据是指:搜集研究区历年的泥石流灾情数据,灾情数据包括泥石流发生的位置(经纬度)以及泥石流发生的时间。
一种基于机理和机器学习耦合的泥石流预警方法,包括以下步骤:
S1、构建不稳定小流域单元和稳定小流域单元二者的特征向量集,特征向量集的特征参数值为:历史降水值QPE、预报降水值QPF、下垫面数据值、基于小流域单元的泥石流发生危险等级值Pi,i为区域的小流域单元总数量,其中不稳定小流域单元为包含泥石流灾害点的小流域单元,记为小流域类型a,稳定小流域单元为不包含泥石流灾害点中随机提取出与不稳定小流域数量相同的小流域单元,记为小流域类型b;
S2、基于所述特征向量集的数据特性,选择机器学习模型基于内置合适核函数的机器学习库sklearn进行泥石流灾害预报模型搭建,对泥石流灾害预报模型进行训练、测试,最终通过测试数据得到泥石流灾害预报的模型评价,模型评价的标准为受试者工作特征曲线以及准确率;
S3、预报:将待预报区的特征向量集输入泥石流预报模型,获得泥石流发生的危险等级值,即可进行泥石流预报。本发明中,小流域具体指集水面积在100km2以下的相对独立和封闭的自然汇水区域。
本发明中,根据需要在测试后,还可以进行参数调优。
所述下垫面参数值的获得是:提取研究区的小流域单元,对每个小流域单元进行编号,最大编号记为Nmax,然后将多边形文件转化为栅格文件,像元尺寸与数字高程模型相同,统计每个小流域单元包含的栅格数量Ncatch。每个小流域单元所包含的栅格数量,以及每个栅格在数字高程模型中的行数和列数,构成了小流域单元的数据库。将土地利用类型、植被指数、土壤厚度、土壤水力学参数和岩土力学参数等下垫面数据均转化为像元尺寸与原始DEM相同的栅格数据。提取研究区小流域单元的方法具体可依照“A Regional-ScaleMethod of Forecasting Debris Flow Events Based on Water-Soil CouplingMechanism”中所述。
内置核函数为线性核函数linear、多项式核函数、高斯核函数中的一种。进一步的,内置核函数为线性核函数linear。
历史降水值是定量估测降水,用于估测泥石流的有效前期雨量;预报降水值是定量降水预报值。降雨数据以泥石流发生的时间为界限分为两类。一类是历史降水,是气象局提供的定量估测降水QPE,用于估测泥石流的有效前期雨量;另外一类是气象局提供的定量降水预报QPF主要任务是准确预测未来一段时间内区域每个栅格的降雨量数值。目前中国气象局以及各个省气象台所的QPF可提供区域内未来3小时,6小时和24小时的降雨产品。
每一组QPE和QPF对应着一场泥石流过程,若是搜集到n次不同时间点的泥石流事件(每次不同时间点在区域内诱发的泥石流数量大于等于1),那么便会有n组不同的QPE和QPF降雨过程。
进一步的,基于小流域单元的泥石流发生危险等级值Pi,是以n组不同的历史降水和预报降水过程作为基于小流域单元的泥石流预警物理模型的输入,进行n次泥石流预警计算所得。本发明中基于小流域单元的泥石流发生危险等级值Pi的计算是以搜集到的n组不同的QPE和QPF降雨过程作为基于小流域单元的泥石流预警物理模型的输入,该物理模型可进行n次的泥石流预警计算(可参见现有技术CN201210193426.4),并生成n个泥石流预警结果(实际上,若是输入24小时的降雨产品,每次降雨过程便会生成24个预警结果,每个结果对应着未来某个小时的泥石流分布情况),如此区域内的每个小流域单元都会被标记发生泥石流的危险等级值Pi(i为区域的小流域单元总数量)。
本发明在构建地质灾害机器学习标准数据仓库的基础上,研究泥石流形成机理框架下的机器学习与地质灾害预警模型的耦合机制,采用有监督条件的深度机器学习模式,降低模型的误报率。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明在考虑泥石流形成机理的基础上,将基于机理模式下产出的泥石流预警结果作为一项新的训练指标,让泥石流预警结果和降雨因素、下垫面建立相关性,对于预报结果更加全面准确,此种方式完全突破了以往仅仅考虑泥石流诱发因子的训练模式,转而通过考虑泥石流形成机理过程的智能化预警模式,突破目前地质灾害预警模型误报率偏高的关键技术瓶颈,也突破了仅仅依靠机器学习构建出类似于统计模式的降雨阈值的模式。
2、本发明能有效提升预报准确性,降低模型的误报率,误报率进一步降低了13%以上。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为泥石流灾害预报模型的ROC曲线图。
图2为泥石流灾害预警***结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图2所示,一种基于机理和机器学习耦合的泥石流预警***,包括特征向量集单元、数据输入单元、模型训练单元;所述特征向量集单元的特征值参数包括历史降水值、预报降水值、下垫面数据值、基于小流域单元的泥石流发生危险等级值Pi,i为区域的小流域单元总数量;
所述数据输入单元用于将特征向量集单元输入机器学习模型;
所述模型训练单元,用于根据特征向量集的数据特性,通过调用机器学习库sklearn中的函数接口训练机器学习模型并进行机器学习模型测试和参数调优。
在实施中,机器学习模型可以为支持向量机SVM、线性回归、K近邻、回归树、集成模型中的一种。
当测试通过后,进行预报时,将待预报区的特征向量集单元输入机器学习模型即可进行计算危险等级值,根据危险等级值就可以进预报。
实施例2
以支持向量机SVM、核函数内置核函数为线性核函数linear进行进一步说明。
一种基于机理和机器学习耦合的泥石流预警方法,包括以下步骤:
(1)构建地质灾害与降雨数据库。
①泥石流的灾害数据:搜集研究区历年的泥石流灾情数据,灾情数据包括泥石流发生的位置(经纬度)以及泥石流发生的时间。
②下垫面数据:采用论文“A Regional-Scale Method of Forecasting DebrisFlow Events Based on Water-Soil Coupling Mechanism”的方法提取研究区的小流域单元。对每个小流域单元进行编号(最大编号记为Nmax)。而后将多边形文件转化为栅格文件,像元尺寸与数字高程模型(DEM)相同。统计每个小流域单元包含的栅格数量Ncatch。每个小流域单元所包含的栅格数量,以及每个栅格在DEM中的行数和列数,构成了小流域单元的数据库。将土地利用类型、植被指数、土壤厚度、土壤水力学参数和岩土力学参数等下垫面数据均转化为像元尺寸与原始DEM相同的栅格数据。这些数据均为静态数据,不需要实时更替。
③降雨数据:降雨数据以泥石流发生的时间为界限分为两类。一类是历史降水,是气象局提供的定量估测降水(QPE),用于估测泥石流的有效前期雨量;另外一类是气象局提供的定量降水预报(QPF)主要任务是准确预测未来一段时间内区域每个栅格的降雨量数值。目前中国气象局以及各个省气象台所的QPF可提供区域内未来3小时,6小时和24小时的降雨产品。
每一组QPE和QPF对应着一场泥石流过程,若是搜集到n次不同时间点的泥石流事件(每次不同时间点在区域内诱发的泥石流数量大于等于1),那么便会有n组不同的QPE和QPF降雨过程。
(2)在泥石流形成机理的框架下,构建基于小流域单元的泥石流预警物理模型,具体的技术方案可参考(CN201210193426.4)。
以搜集到的n组不同的QPE和QPF降雨过程作为基于小流域单元的泥石流预警模型的输入,模型可进行n次的泥石流预警计算,并生成n个泥石流预警结果(实际上,若是输入24小时的降雨产品,每次降雨过程便会生成24个预警结果,每个结果对应着未来某个小时的泥石流分布情况),如此区域内的每个小流域单元都会被标记发生泥石流的危险等级值Pi(i为区域的小流域单元总数量)。
(3)提取泥石流灾害数据的正、反例,便于机器学习算法对(2)中生成的泥石流物理预警结果进行训练。
①正例:基于提取出的小流域单元和已查明的泥石流灾害点,应用空间分析提取出包含泥石流灾害点的小流域单元,视之为不稳定小流域,记为小流域类型a。
②反例:在其余的小流域单元中,随机提取出与不稳定小流域数量相同的小流域单元,视之为稳定的小流域单元,记为小流域类型b。
(4)构建正反例中每个小流域单元的特征向量集
①分别提取小流域类型a与b的相关地质参数和地形地貌参数,如土体力学参数、坡度和植被指数等;提取a和b小流域元内的各前期雨量、预报降雨;并提取(2)中生成的a和b小流域元发生泥石流的预报危险等级值Pi,如此便可以每个小流域单元为基本存储单元,构建a和b类中每个小流域单元的特征向量集合。
②构建特征向量集:将提取的土体力学参数、坡度和植被指数、前期历史降水、预报降水、发生泥石流的预报危险等级值Pi等特征参数,进行标准化转换,从而构建a和b中的每个小流域单元的特征向量集。
λa=[土体力学参数、坡度、前期有效降雨量、预报降雨量、泥石流预报危险等级值]。
λb=[土体力学参数、坡度、前期有效降雨量、预报降雨量、泥石流预报危险等级值]。
(4)泥石流灾害预报模型的搭建
①基于特征向量集的数据特性,选择支持向量机SVM作为智能学习模型,通过机器学习库sklearn来实现,内置核函数选择线性核函数linear,搭建获得适用于该数据集特性的泥石流灾害预报模型。
②泥石流灾害预报模型的训练:将收集到的泥石流灾害特征向量集和非泥石流灾害特征向量集混合在一起并打散,按照4:1的比例随机划分为训练数据和测试数据,对建立的预报模型进行训练与测试以及参数调优等操作。最终,通过测试数据得到模型的受试者工作特征曲线(简称ROC曲线,如图1)以及模型的准确率为0.83。其中,ROC曲线下方的面积可达0.87。可见,该预报模型具有较高的准确率。
基于机器学习的预报模型应用检测
提取了一个泥石流灾害点和非泥石流灾害点的下垫面数据,以及泥石流灾害发生前24小时起(预报起始时间),往前推15天的历史降水数据和预报起始时间的未来24小时预报降水数据。同时也提取了泥石流灾害物理预报模型在这个泥石流灾害点以及非泥石流灾害点的泥石流发生危险等级值。构建泥石流灾害点的c、fan、历史降水、预报降水、泥石流发生危险等级值的特征向量集λa=[20.89、12.98、74.3、29.2、2]。将λa输入泥石流灾害预报模型,得到泥石流发生危险等级值为4。与实际结果比较吻合。构建非泥石流灾害点的c、fan、历史降水、预报降水、泥石流发生危险等级值的特征向量集λb=[17.04、16.94、112.33、20.3、2]。将λb输入泥石流灾害预报模型,得到泥石流发生危险等级值为1。与实际结果比较吻合。
总之,本发明以每个小流域单元发生泥石流的危险等级值为纽带,作为机器学习方法中的特征向量参数之一,构建了泥石流发生概率与下垫面、降雨量等泥石流因子的相关性,将泥石流机理和单纯的影响因子有机结合,提高了预报的准确性,降低了漏报率。
本发明中,泥石流发生的危险等级值也相当于一般意义上的发生概率值,因此,凡是将危险等级值替换为泥石流发生概率值的,皆在本发明保护范围内。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于机理和机器学习耦合的泥石流预警***,其特征在于,包括具有不稳定小流域单元和稳定小流域单元二者的特征向量集单元、数据输入单元、模型训练单元;所述特征向量集单元的特征值参数包括历史降水值、预报降水值、下垫面数据值、基于小流域单元的泥石流发生危险等级值Pi,i为区域的小流域单元总数量,所述泥石流发生危险等级值Pi的计算是以搜集到的n组不同的历史降水值QPE和预报降水值QPF降雨过程作为基于小流域单元的泥石流预警物理模型的输入,该物理模型可进行n次的泥石流预警计算,并生成n个泥石流预警结果;其中不稳定小流域单元为包含泥石流灾害点的小流域单元,记为小流域类型a,稳定小流域单元为不包含泥石流灾害点中随机提取出与不稳定小流域数量相同的小流域单元,记为小流域类型b;
所述数据输入单元用于将特征向量集单元输入机器学习模型;
所述模型训练单元,用于根据特征向量集的数据特性,通过调用机器学习库sklearn中的函数接口训练机器学习模型并进行机器学习模型测试。
2.根据权利要求1所述的泥石流预警***,其特征在于,所述机器学习模型为支持向量机SVM、线性回归、K近邻、回归树、集成模型中的一种。
3.根据权利要求2所述的泥石流预警***,其特征在于,所述机器学习模型为支持向量机SVM。
4.根据权利要求1所述的泥石流预警***,其特征在于,还包括用于向特
征向量集单元提供数据支撑的数据库,所述数据库包括泥石流灾害数据、降雨数据和下垫面数据。
5.一种基于机理和机器学习耦合的泥石流预警方法,其特征在于,包括以下步骤:
S1、构建不稳定小流域单元和稳定小流域单元二者的特征向量集,特征向量集的特征参数值为:历史降水值、预报降水值、下垫面数据值、基于小流域单元的泥石流发生危险等级值Pi,i为区域的小流域单元总数量,所述泥石流发生危险等级值Pi的计算是以搜集到的n组不同的历史降水值QPE和预报降水值QPF降雨过程作为基于小流域单元的泥石流预警物理模型的输入,该物理模型可进行n次的泥石流预警计算,并生成n个泥石流预警结果,其中不稳定小流域单元为包含泥石流灾害点的小流域单元,记为小流域类型a,稳定小流域单元为不包含泥石流灾害点中随机提取出与不稳定小流域数量相同的小流域单元,记为小流域类型b;
S2、基于所述特征向量集的数据特性,选择机器学习模型基于内置合适核函数的机器学习库sklearn进行泥石流灾害预报模型搭建,对泥石流灾害预报模型进行训练、测试操作,最终通过测试数据得到泥石流灾害预报的模型评价,模型评价的标准为受试者工作特征曲线以及准确率;
S3、预报:将待预报区的特征向量集输入泥石流预报模型,获得泥石流发生的危险等级值,即可进行泥石流预报。
6.根据权利要求5所述的泥石流预警方法,其特征在于,所述下垫面参数值的获取是:提取研究区的小流域单元,对每个小流域单元进行编号,最大编号记为N max ,然后将多边形文件转化为栅格文件,像元尺寸与数字高程模型相同,统计每个小流域单元包含的栅格数量N catch ,每个小流域单元所包含的栅格数量,以及每个栅格在数字高程模型中的行数和列数,构成了小流域单元的数据库,将下垫面数据转化为像元尺寸与原始DEM相同的栅格数据。
7.根据权利要求5所述的泥石流预警方法,其特征在于,内置核函数为线性核函数linear、多项式核函数、高斯核函数中的一种。
8.根据权利要求5所述的泥石流预警方法,其特征在于,历史降水值是定量估测降水,用于估测泥石流的有效前期雨量;预报降水值是定量降水预报值,用于预测未来一段时间内区域的降雨量数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096908.9A CN112233381B (zh) | 2020-10-14 | 2020-10-14 | 一种基于机理和机器学习耦合的泥石流预警方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096908.9A CN112233381B (zh) | 2020-10-14 | 2020-10-14 | 一种基于机理和机器学习耦合的泥石流预警方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233381A CN112233381A (zh) | 2021-01-15 |
CN112233381B true CN112233381B (zh) | 2022-06-03 |
Family
ID=74112718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096908.9A Expired - Fee Related CN112233381B (zh) | 2020-10-14 | 2020-10-14 | 一种基于机理和机器学习耦合的泥石流预警方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233381B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966722A (zh) * | 2021-02-07 | 2021-06-15 | 南昌大学 | 基于半监督随机森林模型的区域滑坡易发性预测方法 |
CN113470316B (zh) * | 2021-05-24 | 2022-03-25 | 电子科技大学 | 一种基于自编码单分类模型的泥石流监测预警方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002208075A (ja) * | 2001-01-12 | 2002-07-26 | Toshiba Corp | 土石流発生予知方法及び装置 |
CN102902870B (zh) * | 2012-06-13 | 2016-04-06 | 中国科学院水利部成都山地灾害与环境研究所 | 一种基于流域水土耦合的泥石流预报方法 |
CN107622333B (zh) * | 2017-11-02 | 2020-08-18 | 北京百分点信息科技有限公司 | 一种事件预测方法、装置及*** |
CN209433536U (zh) * | 2019-01-14 | 2019-09-24 | 西安工程大学 | 一种泥石流监测预警装置 |
CN111311879B (zh) * | 2020-01-16 | 2021-04-20 | 广州地理研究所 | 一种泥石流的预警方法及装置 |
-
2020
- 2020-10-14 CN CN202011096908.9A patent/CN112233381B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112233381A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Random forest regression evaluation model of regional flood disaster resilience based on the whale optimization algorithm | |
CN112070286B (zh) | 复杂地形流域的降水预报预警*** | |
CN106651211B (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
Park et al. | Soil erosion risk in Korean watersheds, assessed using the revised universal soil loss equation | |
Sun et al. | Assessment of landslide susceptibility along mountain highways based on different machine learning algorithms and mapping units by hybrid factors screening and sample optimization | |
Dehshiri et al. | A new application of multi-criteria decision making in identifying critical dust sources and comparing three common receptor-based models | |
CN112233381B (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与*** | |
CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及*** | |
CN104318717A (zh) | 一种历史数据短缺条件下的暴雨泥石流预警方法 | |
Zhao et al. | A spatial case-based reasoning method for regional landslide risk assessment | |
Hong et al. | Effects of land cover changes induced by large physical disturbances on hydrological responses in Central Taiwan | |
Li et al. | Flood risk assessment by using an interpretative structural modeling based Bayesian network approach (ISM-BN): an urban-level analysis of Shenzhen, China | |
CN108269016A (zh) | 一种基于信息扩散的小流域山洪灾害风险分析方法 | |
CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
CN108364129A (zh) | 一种基于遥感大数据的区域生态安全预警预报方法 | |
Wu et al. | Increasing flood risk under climate change and social development in the Second Songhua River basin in Northeast China | |
CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
Ching et al. | Predicting rainfall-induced landslide potential along a mountain road in Taiwan | |
Liu et al. | Multi-target prediction model of urban distribution system rainfall-caused outage based on spatiotemporal fusion | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和*** | |
Zhang et al. | Spatiotemporal characteristics of regional precipitation events in the Jing‐Jin‐Ji region during 1989–2018 | |
Farina et al. | Development of an early warning system for shallow landslide hazard in the Grasberg area, Indonesia | |
Zhang et al. | Urban waterlogging prediction and risk analysis based on rainfall time series features: A case study of Shenzhen | |
Fan et al. | Operational flood forecasting system to the Uruguay River Basin using the hydrological model MGB-IPH | |
Zeng et al. | Development of GIS-based FFPI for China's flash flood forecasting |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220603 |