CN113516407B - 一种高铁沿线地区积雪灾害分布识别方法及*** - Google Patents

一种高铁沿线地区积雪灾害分布识别方法及*** Download PDF

Info

Publication number
CN113516407B
CN113516407B CN202110875633.7A CN202110875633A CN113516407B CN 113516407 B CN113516407 B CN 113516407B CN 202110875633 A CN202110875633 A CN 202110875633A CN 113516407 B CN113516407 B CN 113516407B
Authority
CN
China
Prior art keywords
snow
risk
data
years
disaster
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
Application number
CN202110875633.7A
Other languages
English (en)
Other versions
CN113516407A (zh
Inventor
郭建侠
韩书新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CMA Meteorological Observation Centre
Original Assignee
CMA Meteorological Observation Centre
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CMA Meteorological Observation Centre filed Critical CMA Meteorological Observation Centre
Priority to CN202110875633.7A priority Critical patent/CN113516407B/zh
Publication of CN113516407A publication Critical patent/CN113516407A/zh
Application granted granted Critical
Publication of CN113516407B publication Critical patent/CN113516407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/61—Scene description

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种高铁沿线地区积雪灾害分布识别方法及***。该方案包括获取待检索区域，进行监测区域划分，生成风险识别区域，并提取风险识别区域内的高程信息和坡度信息；获取历史监测数据，进行20年内和5年的积雪变化数据提取；获取20年内积雪变化数据，进行风险区域识别，生成一类风险区块和二类风险区块；获取历史监视数据，进行最大积雪深度和积雪指数的提取；获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；根据危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估，进而确定积雪灾害风险等级。该方案通过提供风险区域与积雪风险触发方式的融合，进而确保快速监视积雪风险。

Description

一种高铁沿线地区积雪灾害分布识别方法及***
技术领域
本发明涉及气象监测技术领域，更具体地，涉及一种高铁沿线地区积雪灾害分布识别方法及***。
背景技术
雪是常见的气象类型，由于长时间大规模量降雪以至积雪成灾，影响铁路交通的一种自然灾害现象。大雪或大量积雪可能造成道路堵塞、电力损坏等情况。尤其是，在高海拔的北方地区，产生积雪的天气可能性极大。
在本技术之前，现有的技术主要是通过气象卫星或气象局的采集设备进行在线的监视，但是尚无法实现对于单个铁路的在线的、可靠的数据监测。但是，这种方式尚无法完成对于积雪风险的有效辨识。
发明内容
鉴于上述问题，本发明提出了一种高铁沿线地区积雪灾害分布识别方法及***，该方案通过提供风险区域与积雪风险触发方式的融合，进而确保快速监视积雪风险。
根据本发明实施例第一方面，提供一种高铁沿线地区积雪灾害分布识别方法。
在一个或多个实施例中，优选地，所述的一种高铁沿线地区积雪灾害分布识别方法包括：
获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息；
获取历史监测数据，进行20年内和5年的积雪变化数据提取；
获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块；
获取历史监视数据，进行最大积雪深度和积雪指数的提取；
获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；
根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估；
根据每个所述风险评价区域的所述积雪灾害评价权重因子确定积雪灾害风险等级。
在一个或多个实施例中，优选地，所述获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息，具体包括：
获取待检索区域，其中，所述待检索区域为高铁沿线距离50km内的区域；
以所述待检索区域为边界线在地图上获取所述风险识别区域，其中，所述风险识别区域的总宽度为每个5km，当区域长度不足5千米时，以当前区域的与相邻的一个5km宽度区域加和，生成一个大于5千米的风险识别区域；
获取所有的所述风险识别区域内的高程信息、坡度信息；
对所述高程信息进行低分辨率化，转化为1km×1km分辨率的高程信息；
对所述坡度信息进行低分辨率化，转化为1km×1km分辨率的坡度信息。
在一个或多个实施例中，优选地，所述获取历史监测数据，进行20年内和5年的积雪变化数据提取，具体包括：
获取历史监测数据，提取近20年内的积雪变化数据；
根据所述积雪变化数据，提取所述风险识别区域20年的积雪覆盖平均值；
根据所述积雪变化数据，提取所述风险识别区域5年的积雪覆盖率平均值；
其中，所述20年的积雪覆盖平均值利用第一计算公式获得；
其中，所述5年的积雪覆盖平均值利用第二计算公式获得；
所述第一计算公式为：
其中，SAVG20为所述20年的积雪覆盖平均值，sij为第j个前i年积雪覆盖率，i为5至20的整数，s1j为第j个前5年积雪覆盖率，s2j为第j个前4年积雪覆盖率，s3j为第j个前3年积雪覆盖率，s4j为第j个前2年积雪覆盖率，s5j为第j个前1年积雪覆盖率，j为测点编号；
所述第二计算公式为：
SAVG5＝0.4×(0.2×∑s1j+0.2×∑s2j+0.2×∑s3j)+0.6×(0.2×∑s4j+0.2×∑s5j)
其中，SAVG5为所述5年的积雪覆盖平均值。
在一个或多个实施例中，优选地，所述获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块，具体包括：
获取所述20年内积雪变化数据；
提取所述20年内积雪变化数据大于80％的所述风险识别区域，保存为一类风险区块；
提取所述20年内积雪变化数据大于40％的所述风险识别区域，保存为二类风险区块。
在一个或多个实施例中，优选地，所述获取历史监视数据，进行最大积雪深度和积雪指数的提取，具体包括：
获取所述历史监测数据，进行最大积雪深度提取；
将全部的所述最大积雪深度填充到所述风险识别区域内；
判断是否有所述风险识别区域内不存在所述最大积雪深度数据；
当存在所述风险识别区域内不存在所述最大积雪深度数据时，提取与当前风险识别区域相邻的区域内的最大积雪深度数据，利用第三计算公式确定最大积雪深度数据；
利用第四计算公式对所述最大积雪深度数据进行归一化处理，生成每个所述风险识别区域内的积雪指数；
所述第三计算公式：
maxi＝max(deepi1,deepi2,……,deepin)
其中，maxi为所述最大积雪深度数据，deepi1、deepi2、……、deepin为第1、2、……、n个风险识别区域i的积雪深度数据；
所述第四计算公式：
其中，k为所述风险识别区域的数量，stai为第i个所述风险识别区域内的积雪指数。
在一个或多个实施例中，优选地，所述获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子，具体包括：
获取积雪灾害判别数据，其中，积雪灾害判别数据包括高程信息、坡度信息、坡向信息、土地覆盖率、积雪覆盖日数据、最大积雪深度；
获取所述积雪灾害评价权重因子，其中，所述积雪灾害评价权重因子包括海拔因子、坡度因子、坡向因子、土地覆盖因子、积雪覆盖日数据因子、最大积雪深度因子；
获取所述危险性评价因子，其中，所述危险性评价因子包括海拔评价因子、坡度评价因子、坡向评价因子、土地覆盖评价因子、积雪覆盖日数据评价因子、最大积雪深度评价因子。
在一个或多个实施例中，优选地，所述根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估，具体包括：
根据所述危险性评价因子，利用第五计算公式确定海拔风险；
根据所述危险性评价因子，利用第六计算公式确定坡度风险；
根据所述危险性评价因子，利用第七计算公式确定坡向风险；
根据所述危险性评价因子，利用第八计算公式确定土地覆盖风险；
根据所述危险性评价因子，利用第九计算公式确定高积雪覆盖率风险；
根据所述危险性评价因子，利用第十计算公式确定深积雪深度风险；
所述第五计算公式为：
P1＝A3(1-A)2
其中，P1为所述海拔风险，A为所述海拔评价因子；
所述第六计算公式为：
P2＝BC+B2C
其中，P2为所述坡度风险，B为所述坡度评价因子；
所述第七计算公式为：
P3＝BC+BC2
其中，P3为所述坡向风险，C为所述坡向评价因子；
所述第八计算公式为：
P4＝D2+D
其中，P4为所述土地覆盖风险，D为所述土地覆盖评价因子；
所述第九计算公式为：
P5＝A+E2(1+A)
其中，P5为所述高积雪覆盖率风险，E为所述积雪覆盖日数据评价因子；
所述第十计算公式为：
P6＝A2+AF3
其中，P6为所述深积雪深度风险，F为所述最大积雪深度评价因子。
在一个或多个实施例中，优选地，所述根据每个所述风险评价区域的所述积雪灾害评价权重因子确定积雪灾害风险等级，具体包括：
根据每个所述风险评价区域的所述积雪灾害评价权重因子，利用第十一计算公式确定每个所述风险评价区域的所述积雪灾害风险等级；
所述第十一计算公式为：
Pz＝K1P1+K2P2+K3P3+K4P4+K5P5+K6P6
其中，Pz为所述积雪灾害风险等级，K1、K2、K3、K4、K5、K6分别为第一至第六风险系数。
根据本发明实施例第二方面，提供一种高铁沿线地区积雪灾害分布识别***。
在一个或多个实施例中，优选地，所述的一种高铁沿线地区积雪灾害分布识别***包括：
地理信息提取子模块，用于获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息；
历史数据提取子模块，用于获取历史监测数据，进行20年内和5年的积雪变化数据提取；
风险领域识别子模块，用于获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块；
深度指数提取子模块，用于获取历史监视数据，进行最大积雪深度和积雪指数的提取；
危险性评价因子提取子模块，用于获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；
综合数据提取子模块，用于根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估；
积雪灾害等级生成子模块，用于根据每个所述风险评价区域的所述积雪灾害评价权重因子确定积雪灾害风险等级。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，提供了一种根据积雪灾害的等级进行积雪监测方式布置的方法，提升积雪监测的可靠性。
2)本发明实施例中，提供了一种危险性评价因子的计算方法，结合了历史上的积雪监视数据，进行在线的积雪指数分析；
3)本发明实施例中，对不存在监测点，导致无法获知最大积雪深度的历史数据，提供了补充数据，能够根据此数据进行积雪深度图的绘制。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法的流程图。
图2是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息的流程图。
图3是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取历史监测数据，进行20年内和5年的积雪变化数据提取的流程图。
图4是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块的流程图。
图5是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取历史监视数据，进行最大积雪深度和积雪指数的提取的流程图。
图6是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子的流程图。
图7是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估的流程图。
图8是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别***的示意图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
雪是常见的气象类型，由于长时间大规模量降雪以至积雪成灾，影响铁路交通的一种自然灾害现象。大雪或大量积雪可能造成道路堵塞、电力损坏等情况。尤其是，在高海拔的北方地区，产生积雪的天气可能性极大。
在本技术之前，现有的技术主要是通过气象卫星或气象局的采集设备进行在线的监视，但是尚无法实现对于单个铁路的在线的、可靠的数据监测。但是，这种方式尚无法完成对于积雪风险的有效辨识。
本发明实施例中，提供了一种高铁沿线地区积雪灾害分布识别方法及***。该方案通过提供风险区域与积雪风险触发方式的融合，进而确保快速监视积雪风险。
图1是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法的流程图。
如图1所示，根据本发明实施例第一方面，提供一种高铁沿线地区积雪灾害分布识别方法。
在一个或多个实施例中，优选地，所述的一种高铁沿线地区积雪灾害分布识别方法包括：
S101、获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息；
S102、获取历史监测数据，进行20年内和5年的积雪变化数据提取；
S103、获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块；
S104、获取历史监视数据，进行最大积雪深度和积雪指数的提取；
S105、获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；
S106、根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估；
S107、根据每个所述风险评价区域的所述积雪灾害评价权重因子确定积雪灾害风险等级。
图2是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息的流程图。
在本发明实施例中，获取了海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度等信息，进而提供了一种根据积雪灾害的等级进行积雪监测方式布置的方法，提升积雪监测的可靠性；进而提供了一种危险性评价因子的计算方法，结合了历史上的积雪监视数据，进行在线的积雪指数分析。
如图2所示，在一个或多个实施例中，优选地，所述获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息，具体包括：
S201、获取待检索区域，其中，所述待检索区域为高铁沿线距离50km内的区域；
S202、以所述待检索区域为边界线在地图上获取所述风险识别区域，其中，所述风险识别区域的总宽度为每个5km，当区域长度不足5千米时，以当前区域的与相邻的一个5km宽度区域加和，生成一个大于5千米的风险识别区域；
S203、获取所有的所述风险识别区域内的高程信息、坡度信息；
S204、对所述高程信息进行低分辨率化，转化为1km×1km分辨率的高程信息；
S205、对所述坡度信息进行低分辨率化，转化为1km×1km分辨率的坡度信息。
在本发明实施例中，根据全部的地形数据，进行了深度的分析，首先根据实际的地图获取高铁沿线的所处位置，进而根据高铁沿线确定待检索区域，根据所述待检索区域确定了一个宽度最小为5km的风险识别区域，最终根据风险识别区域，确定了一个分辨率相对高的坡度和高程监测范围，其中，坡度监测的精度和高程监测的精度，均为1km，原因是一千米的区域内，天气变化相对较小。若选择过大的监测的精度，可能导致检测变化过多，而产生辨识的盲区，若选择过小的监测的精度，可能会导致，监测信息无变化，造成数据浪费。
图3是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取历史监测数据，进行20年内和5年的积雪变化数据提取的流程图。
如图3所示，在一个或多个实施例中，优选地，所述获取历史监测数据，进行20年内和5年的积雪变化数据提取，具体包括：
S301、获取历史监测数据，提取近20年内的积雪变化数据；
S302、根据所述积雪变化数据，提取所述风险识别区域20年的积雪覆盖平均值；
S303、根据所述积雪变化数据，提取所述风险识别区域5年的积雪覆盖率平均值；
其中，所述20年的积雪覆盖平均值利用第一计算公式获得；
其中，所述5年的积雪覆盖平均值利用第二计算公式获得；
所述第一计算公式为：
其中，SAVG20为所述20年的积雪覆盖平均值，sij为第j个前i年积雪覆盖率，i为5至20的整数，s1j为第j个前5年积雪覆盖率，s2j为第j个前4年积雪覆盖率，s3j为第j个前3年积雪覆盖率，s4j为第j个前2年积雪覆盖率，s5j为第j个前1年积雪覆盖率，j为测点编号；
所述第二计算公式为：
SAVG5＝0.4×(0.2×∑s1j+0.2×∑s2j+0.2×∑s3j)+0.6×(0.2×∑s4j+0.2×∑s5j)
其中，SAVG5为所述5年的积雪覆盖平均值。
在本发明实施例中，积雪覆盖率的历史数据能够反映该地区的积雪是否可能处于常年积雪状态下，这种情况下，高铁沿线的气温、设备等的要求将会增加，同时利用5年和20年的数据，可以判断出近年来的积雪率是否发生了变化，进而降低监测设备的布点等措施。
图4是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块的流程图。
如图4所示，在一个或多个实施例中，优选地，所述获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块，具体包括：
S401、获取所述20年内积雪变化数据；
S402、提取所述20年内积雪变化数据大于80％的所述风险识别区域，保存为一类风险区块；
S403、提取所述20年内积雪变化数据大于40％的所述风险识别区域，保存为二类风险区块。
在本发明实施例中，为了能够进行详细的积雪状态的评估，分别将80％积雪和40％的区域进行了划分，在实际操作中可以直接染色为不同颜色，进行可视化展示，进而可以实现积雪状态的预测。
图5是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获取历史监视数据，进行最大积雪深度和积雪指数的提取的流程图。
如图5所示，在一个或多个实施例中，优选地，所述获取历史监视数据，进行最大积雪深度和积雪指数的提取，具体包括：
S501、获取所述历史监测数据，进行最大积雪深度提取；
S502、将全部的所述最大积雪深度填充到所述风险识别区域内；
S503、判断是否有所述风险识别区域内不存在所述最大积雪深度数据；
S504、当存在所述风险识别区域内不存在所述最大积雪深度数据时，提取与当前风险识别区域相邻的区域内的最大积雪深度数据，利用第三计算公式确定最大积雪深度数据；
S505、利用第四计算公式对所述最大积雪深度数据进行归一化处理，生成每个所述风险识别区域内的积雪指数；
所述第三计算公式：
maxi＝max(deepi1,deepi2,……,deepin)
其中，maxi为所述最大积雪深度数据，deepi1、deepi2、……、deepin为第1、2、……、n个风险识别区域i的积雪深度数据；
所述第四计算公式：
其中，k为所述风险识别区域的数量，stai为第i个所述风险识别区域内的积雪指数。
在本发明实施例中，由于最大积雪深度存在一定的偏差，且有的监测区域内可能不存在监测点，导致无法获知最大积雪深度的历史数据，因此采用上述方法补充了数据，并进行了归一化的处理，确保每个风险识别区域都存在最大积雪深度数据，并能够根据此数据进行积雪深度图的绘制。
图6是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子的流程图。
如图6所示，在一个或多个实施例中，优选地，所述获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子，具体包括：
S601、获取积雪灾害判别数据，其中，积雪灾害判别数据包括高程信息、坡度信息、坡向信息、土地覆盖率、积雪覆盖日数据、最大积雪深度；
S602、获取所述积雪灾害评价权重因子，其中，所述积雪灾害评价权重因子包括海拔因子、坡度因子、坡向因子、土地覆盖因子、积雪覆盖日数据因子、最大积雪深度因子；
S603、获取所述危险性评价因子，其中，所述危险性评价因子包括海拔评价因子、坡度评价因子、坡向评价因子、土地覆盖评价因子、积雪覆盖日数据评价因子、最大积雪深度评价因子。
在本发明实施例中，为了能够全面的进行风险评估，获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子，进而可以利用积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子进行综合运算，生成不同类型的风险等级。
图7是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别方法中的根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估的流程图。
如图7所示，在一个或多个实施例中，优选地，所述根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估，具体包括：
S701、根据所述危险性评价因子，利用第五计算公式确定海拔风险；
S702、根据所述危险性评价因子，利用第六计算公式确定坡度风险；
S703、根据所述危险性评价因子，利用第七计算公式确定坡向风险；
S704、根据所述危险性评价因子，利用第八计算公式确定土地覆盖风险；
S705、根据所述危险性评价因子，利用第九计算公式确定高积雪覆盖率风险；
S706、根据所述危险性评价因子，利用第十计算公式确定深积雪深度风险；
所述第五计算公式为：
P1＝A3(1-A)2
其中，P1为所述海拔风险，A为所述海拔评价因子；
所述第六计算公式为：
P2＝BC+B2C
其中，P2为所述坡度风险，B为所述坡度评价因子；
所述第七计算公式为：
P3＝BC+BC2
其中，P3为所述坡向风险，C为所述坡向评价因子；
所述第八计算公式为：
P4＝D2+D
其中，P4为所述土地覆盖风险，D为所述土地覆盖评价因子；
所述第九计算公式为：
P5＝A+E2(1+A)
其中，P5为所述高积雪覆盖率风险，E为所述积雪覆盖日数据评价因子；
所述第十计算公式为：
P6＝A2+AF3
其中，P6为所述深积雪深度风险，F为所述最大积雪深度评价因子。
在本发明实施例中，为了能够形成综合的风险评价，根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估，进而生成多个维度的源数据，利用所有的源数据则可以宗科进行积雪灾害的综合评价。
在一个或多个实施例中，优选地，所述根据每个所述风险评价区域的所述积雪灾害评价权重因子确定积雪灾害风险等级，具体包括：
根据每个所述风险评价区域的所述积雪灾害评价权重因子，利用第十一计算公式确定每个所述风险评价区域的所述积雪灾害风险等级；
所述第十一计算公式为：
Pz＝K1P1+K2P2+K3P3+K4P4+K5P5+K6P6
其中，Pz为所述积雪灾害风险等级，K1、K2、K3、K4、K5、K6分别为第一至第六风险系数。
在本发明实施例中，在获得具体的计算结果后，根据不同的风险评价区域的等级值，进而可以在线的可视化显示积雪灾害等级。
根据本发明实施例第二方面，提供一种高铁沿线地区积雪灾害分布识别***。
图8是本发明一个实施例的一种高铁沿线地区积雪灾害分布识别***的示意图。
如图8所示，在一个或多个实施例中，优选地，所述的一种高铁沿线地区积雪灾害分布识别***包括：
地理信息提取子模块801，用于获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息；
历史数据提取子模块802，用于获取历史监测数据，进行20年内和5年的积雪变化数据提取；
风险领域识别子模块803，用于获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块；
深度指数提取子模块804，用于获取历史监视数据，进行最大积雪深度和积雪指数的提取；
危险性评价因子提取子模块805，用于获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；
综合数据提取子模块806，用于根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估；
积雪灾害等级生成子模块807，用于根据每个所述风险评价区域的所述积雪灾害评价权重因子确定积雪灾害风险等级。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，提供了一种根据积雪灾害的等级进行积雪监测方式布置的方法，提升积雪监测的可靠性。
2)本发明实施例中，提供了一种危险性评价因子的计算方法，结合了历史上的积雪监视数据，进行在线的积雪指数分析；
3)本发明实施例中，对不存在监测点，导致无法获知最大积雪深度的历史数据，提供了补充数据，能够根据此数据进行积雪深度图的绘制。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种高铁沿线地区积雪灾害分布识别方法，其特征在于，该方法包括：
获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息；
获取历史监测数据，进行20年内和5年的积雪变化数据提取；
获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块；
获取历史监视数据，进行最大积雪深度和积雪指数的提取；
获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；
根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估；
根据每个所述风险识别区域的所述积雪灾害评价权重因子确定积雪灾害风险等级；
其中，所述获取历史监视数据，进行最大积雪深度和积雪指数的提取，具体包括：
获取所述历史监测数据，进行最大积雪深度提取；
将全部的所述最大积雪深度填充到所述风险识别区域内；
判断是否有所述风险识别区域内不存在所述最大积雪深度数据；
当存在所述风险识别区域内不存在所述最大积雪深度数据时，提取与当前风险识别区域相邻的区域内的最大积雪深度数据，利用第三计算公式确定最大积雪深度数据；
利用第四计算公式对所述最大积雪深度数据进行归一化处理，生成每个所述风险识别区域内的积雪指数；
所述第三计算公式：
maxi＝max(deepi1,deepi2,……,deepin)
其中，maxi为所述最大积雪深度数据，deepi1、deepi2、……、deepin为第1、2、……、n个风险识别区域i的积雪深度数据；
所述第四计算公式：
其中，k为所述风险识别区域的数量，stai为第i个所述风险识别区域内的积雪指数。
2.如权利要求1所述的一种高铁沿线地区积雪灾害分布识别方法，其特征在于，所述获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息，具体包括：
获取待检索区域，其中，所述待检索区域为高铁沿线距离50km内的区域；
以所述待检索区域为边界线在地图上获取所述风险识别区域，其中，所述风险识别区域的总宽度为每个5km，当区域长度不足5千米时，以当前区域的与相邻的一个5km宽度区域加和，生成一个大于5千米的风险识别区域；
获取所有的所述风险识别区域内的高程信息、坡度信息；
对所述高程信息进行低分辨率化，转化为1km×1km分辨率的高程信息；
对所述坡度信息进行低分辨率化，转化为1km×1km分辨率的坡度信息。
3.如权利要求1所述的一种高铁沿线地区积雪灾害分布识别方法，其特征在于，所述获取历史监测数据，进行20年内和5年的积雪变化数据提取，具体包括：
获取历史监测数据，提取近20年内的积雪变化数据；
根据所述积雪变化数据，提取所述风险识别区域20年的积雪覆盖平均值；
根据所述积雪变化数据，提取所述风险识别区域5年的积雪覆盖率平均值；
其中，所述20年的积雪覆盖平均值利用第一计算公式获得；
其中，所述5年的积雪覆盖平均值利用第二计算公式获得；
所述第一计算公式为：
其中，SAVG20为所述20年的积雪覆盖平均值，sij为第j个前i年积雪覆盖率，i为5至20的整数，s1j为第j个前5年积雪覆盖率，s2j为第j个前4年积雪覆盖率，s3j为第j个前3年积雪覆盖率，s4j为第j个前2年积雪覆盖率，s5j为第j个前1年积雪覆盖率，j为测点编号；
所述第二计算公式为：
SAVG5＝0.4×(0.2×∑s1j+0.2×∑s2j+0.2×∑s3j)+0.6×(0.2×∑s4j+0.2×∑s5j)
其中，SAVG5为所述5年的积雪覆盖平均值。
4.如权利要求1所述的一种高铁沿线地区积雪灾害分布识别方法，其特征在于，所述获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块，具体包括：
获取所述20年内积雪变化数据；
提取所述20年内积雪变化数据大于80％的所述风险识别区域，保存为一类风险区块；
提取所述20年内积雪变化数据大于40％的所述风险识别区域，保存为二类风险区块。
5.如权利要求1所述的一种高铁沿线地区积雪灾害分布识别方法，其特征在于，所述获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子，具体包括：
获取积雪灾害判别数据，其中，积雪灾害判别数据包括高程信息、坡度信息、坡向信息、土地覆盖率、积雪覆盖日数据、最大积雪深度；
获取所述积雪灾害评价权重因子，其中，所述积雪灾害评价权重因子包括海拔因子、坡度因子、坡向因子、土地覆盖因子、积雪覆盖日数据因子、最大积雪深度因子；
获取所述危险性评价因子，其中，所述危险性评价因子包括海拔评价因子、坡度评价因子、坡向评价因子、土地覆盖评价因子、积雪覆盖日数据评价因子、最大积雪深度评价因子。
6.如权利要求5所述的一种高铁沿线地区积雪灾害分布识别方法，其特征在于，所述根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估，具体包括：
根据所述危险性评价因子，利用第五计算公式确定海拔风险；
根据所述危险性评价因子，利用第六计算公式确定坡度风险；
根据所述危险性评价因子，利用第七计算公式确定坡向风险；
根据所述危险性评价因子，利用第八计算公式确定土地覆盖风险；
根据所述危险性评价因子，利用第九计算公式确定高积雪覆盖率风险；
根据所述危险性评价因子，利用第十计算公式确定深积雪深度风险；
所述第五计算公式为：
P1＝A3(1-A)2
其中，P1为所述海拔风险，A为所述海拔评价因子；
所述第六计算公式为：
P2＝BC+B2C
其中，P2为所述坡度风险，B为所述坡度评价因子；
所述第七计算公式为：
P3＝BC+BC2
其中，P3为所述坡向风险，C为所述坡向评价因子；
所述第八计算公式为：
P4＝D2+D
其中，P4为所述土地覆盖风险，D为所述土地覆盖评价因子；
所述第九计算公式为：
P5＝A+E2(1+A)
其中，P5为所述高积雪覆盖率风险，E为所述积雪覆盖日数据评价因子；
所述第十计算公式为：
P6＝A2+AF3
其中，P6为所述深积雪深度风险，F为所述最大积雪深度评价因子。
7.如权利要求6所述的一种高铁沿线地区积雪灾害分布识别方法，其特征在于，所述根据每个所述风险识别区域的所述积雪灾害评价权重因子确定积雪灾害风险等级，具体包括：
根据每个所述风险识别区域的所述积雪灾害评价权重因子，利用第十一计算公式确定每个所述风险识别区域的所述积雪灾害风险等级；
所述第十一计算公式为：
Pz＝K1P1+K2P2+K3P3+K4P4+K5P5+K6P6
其中，Pz为所述积雪灾害风险等级，K1、K2、K3、K4、K5、K6分别为第一至第六风险系数。
8.一种高铁沿线地区积雪灾害分布识别***，其特征在于，该***包括：
地理信息提取子模块，用于获取待检索区域，进行监测区域划分，生成风险识别区域，并提取所述风险识别区域内的高程信息和坡度信息；
历史数据提取子模块，用于获取历史监测数据，进行20年内和5年的积雪变化数据提取；
风险领域识别子模块，用于获取20年内积雪变化数据，进行风险区域识别，生成大于第一风险裕度的一类风险区块和大于第二风险裕度的二类风险区块；
深度指数提取子模块，用于获取历史监视数据，进行最大积雪深度和积雪指数的提取；
危险性评价因子提取子模块，用于获得积雪灾害判别数据、积雪灾害评价权重因子、危险性评价因子；
综合数据提取子模块，用于根据所述危险性评价因子，进行海拔、坡度、坡向、土地覆盖、积雪覆盖率、积雪深度的风险评估；
积雪灾害等级生成子模块，用于根据每个所述风险识别区域的所述积雪灾害评价权重因子确定积雪灾害风险等级；
其中，所述获取历史监视数据，进行最大积雪深度和积雪指数的提取，具体包括：
获取所述历史监测数据，进行最大积雪深度提取；
将全部的所述最大积雪深度填充到所述风险识别区域内；
判断是否有所述风险识别区域内不存在所述最大积雪深度数据；
当存在所述风险识别区域内不存在所述最大积雪深度数据时，提取与当前风险识别区域相邻的区域内的最大积雪深度数据，利用第三计算公式确定最大积雪深度数据；
利用第四计算公式对所述最大积雪深度数据进行归一化处理，生成每个所述风险识别区域内的积雪指数；
所述第三计算公式：
maxi＝max(deepi1,deepi2,……,deepin)
其中，maxi为所述最大积雪深度数据，deepi1、deepi2、……、deepin为第1、2、……、n个风险识别区域i的积雪深度数据；
所述第四计算公式：
其中，k为所述风险识别区域的数量，stai为第i个所述风险识别区域内的积雪指数。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN202110875633.7A 2021-07-30 2021-07-30 一种高铁沿线地区积雪灾害分布识别方法及*** Active CN113516407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110875633.7A CN113516407B (zh) 2021-07-30 2021-07-30 一种高铁沿线地区积雪灾害分布识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110875633.7A CN113516407B (zh) 2021-07-30 2021-07-30 一种高铁沿线地区积雪灾害分布识别方法及***

Publications (2)

Publication Number Publication Date
CN113516407A CN113516407A (zh) 2021-10-19
CN113516407B true CN113516407B (zh) 2023-09-26

Family

ID=78068028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110875633.7A Active CN113516407B (zh) 2021-07-30 2021-07-30 一种高铁沿线地区积雪灾害分布识别方法及***

Country Status (1)

Country Link
CN (1) CN113516407B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577719A (zh) * 2013-11-29 2014-02-12 民政部国家减灾中心 一种区域雪灾风险估计方法
CN105930817A (zh) * 2016-05-05 2016-09-07 中国科学院寒区旱区环境与工程研究所 一种基于多源遥感数据的公路积雪灾害监测与预警方法
CN106651211A (zh) * 2016-12-30 2017-05-10 吉林师范大学 一种不同尺度区域洪水灾害风险评估的方法
CN109214687A (zh) * 2018-09-11 2019-01-15 中国科学院地理科学与资源研究所 滑雪场选址方法和装置
CN110162582A (zh) * 2018-04-13 2019-08-23 山东百世通大数据科技有限公司 复杂地形下高速公路气象观测站智能选址***及应用方法
JP2020094472A (ja) * 2018-12-10 2020-06-18 公益財団法人鉄道総合技術研究所 融雪期斜面災害の危険度評価方法および融雪期斜面災害の危険度評価システム
CN112949998A (zh) * 2021-02-04 2021-06-11 成都鼎安华智慧物联网股份有限公司 一种动态构建区域自然灾害风险云图的***及方法
CN113128811A (zh) * 2019-12-31 2021-07-16 贵州电网有限责任公司 一种基于强降水的电网***地质灾害风险评估方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577719A (zh) * 2013-11-29 2014-02-12 民政部国家减灾中心 一种区域雪灾风险估计方法
CN105930817A (zh) * 2016-05-05 2016-09-07 中国科学院寒区旱区环境与工程研究所 一种基于多源遥感数据的公路积雪灾害监测与预警方法
CN106651211A (zh) * 2016-12-30 2017-05-10 吉林师范大学 一种不同尺度区域洪水灾害风险评估的方法
CN110162582A (zh) * 2018-04-13 2019-08-23 山东百世通大数据科技有限公司 复杂地形下高速公路气象观测站智能选址***及应用方法
CN109214687A (zh) * 2018-09-11 2019-01-15 中国科学院地理科学与资源研究所 滑雪场选址方法和装置
JP2020094472A (ja) * 2018-12-10 2020-06-18 公益財団法人鉄道総合技術研究所 融雪期斜面災害の危険度評価方法および融雪期斜面災害の危険度評価システム
CN113128811A (zh) * 2019-12-31 2021-07-16 贵州电网有限责任公司 一种基于强降水的电网***地质灾害风险评估方法及***
CN112949998A (zh) * 2021-02-04 2021-06-11 成都鼎安华智慧物联网股份有限公司 一种动态构建区域自然灾害风险云图的***及方法

Also Published As

Publication number Publication date
CN113516407A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN105095589B (zh) 一种山区电网风区分布图绘制方法
CN103593973B (zh) 一种城市道路交通态势评估***
CN104504099A (zh) 基于位置轨迹的交通出行状态切分方法
CN104809112A (zh) 一种基于多源数据的城市公交发展水平综合评价方法
CN107704992A (zh) 输电线路雷击风险评估的方法及装置
CN110146789B (zh) 一种智能运检通报方法及装置
CN104916133B (zh) 一种基于交通轨迹数据的道路海拔信息提取方法及***
CN103955596A (zh) 一种基于交通事故采集技术的事故热点综合判定方法
CN113298295B (zh) 一种面向电力生产的气象预报***
CN110162582A (zh) 复杂地形下高速公路气象观测站智能选址***及应用方法
CN107133687A (zh) 一种输电线路不均匀风压实时监测与台风预警***
CN108108859A (zh) 一种基于大数据分析的交通管理勤务优化方法
US7426454B2 (en) Method and system for determining a location of a wind-powered electrical energy facility
CN113516407B (zh) 一种高铁沿线地区积雪灾害分布识别方法及***
CN117455032A (zh) 基于地理模型的路网规划优化方法及***
CN104463442A (zh) 一种城乡建设集聚性的探测方法
CN113516408A (zh) 一种基于实时观测分析的高铁沿线积雪测点布置方法
CN111292018B (zh) 一种城市易损性模型构建方法
CN113570133A (zh) 一种应对强降雨的输配电线路风险预测方法及***
Pagano Evaluation of Mekong River Commission operational flood forecasts, 2000-2012.
CN113379162A (zh) 农村公路机动车行驶量估计方法
Fior et al. Estimating the incidence of adverse weather effects on road traffic safety using time series embeddings
JP6535260B2 (ja) 吹きだまり予測モデルの構築方法、吹きだまり予測方法及び吹きだまり予測装置
Zhao et al. Prediction Method of Optical Cable Line Fault Probability Based on Improved KNN Algorithm
CN117151578B (zh) 一种基于三维gis的辅助规划监管***及方法

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