CN113591700A - 一种潜在滑坡堵江预测方法 - Google Patents

一种潜在滑坡堵江预测方法 Download PDF

Info

Publication number
CN113591700A
CN113591700A CN202110870294.3A CN202110870294A CN113591700A CN 113591700 A CN113591700 A CN 113591700A CN 202110870294 A CN202110870294 A CN 202110870294A CN 113591700 A CN113591700 A CN 113591700A
Authority
CN
China
Prior art keywords
river
landslide
plugging
potential
data
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.)
Pending
Application number
CN202110870294.3A
Other languages
English (en)
Inventor
陈冠
金佳成
张毅
孟兴民
蒋万钰
杨云鹏
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.)
Lanzhou University
Original Assignee
Lanzhou University
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 Lanzhou University filed Critical Lanzhou University
Priority to CN202110870294.3A priority Critical patent/CN113591700A/zh
Publication of CN113591700A publication Critical patent/CN113591700A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明提供了一种潜在滑坡堵江预测方法，涉及遥感测绘与地质灾害链防灾减灾的综合应用领域。该方法是先建立目标区域历史滑坡堵江编目，选取合适的堵江要素，然后利用机器学习方法建立适用于本区域的滑坡堵江危险性预测模型，并使用SBAS‑InSAR方法进行目标区域的潜在滑坡早期识别，接着通过潜在滑坡堵江要素预测模型获取目标区域潜在滑坡的堵江要素数据，从而对潜在滑坡进行堵江危险性预测，最终实现潜在滑坡堵江的空间位置预测。本发明的方法改善了地貌指数与传统统计模型精度较低的问题，一定程度上弥补了现有技术中滑坡堵江早期判识的缺失。

Description

一种潜在滑坡堵江预测方法
技术领域
本发明涉及遥感测绘与地质灾害链防灾减灾的综合应用领域，具体涉及一种结合时序InSAR技术与机器学习的潜在滑坡堵江预测方法。
背景技术
滑坡堵江是一种广泛发育于世界各地山区的地质灾害链。近年来，伴随着全球气候变化与活跃的地震活动，在我国青藏高原及其周边地区，滑坡堵江灾害尤为严重，如2000年西藏易贡滑坡堵江、2010年中巴经济走廊Attabad滑坡堵江与2018年金沙江白格滑坡堵江等，均造成了严重的经济损失和广泛的社会影响。相较于单一灾种，滑坡堵江往往会对坝址上下游造成灾难性的后果，包括上游回水淹没及下游溃坝洪水等。然而，由于滑坡堵江发生的突发性与不确定性，加之大多数滑坡坝持续时间短，据相关研究，50％的滑坡坝都将在一周内溃决，这将对滑坡堵江的灾害管理与应急处置提出极大地挑战。因此，进行潜在滑坡堵江的预测对滑坡堵江的早期识别与风险管控具有重要意义。
InSAR(Interferometry Synthetic Aperture Radar)技术是利用微波合成孔径雷达图像(SAR)数据对地表重复观测形成的微波(1毫米～1米)相位差计算地表形变，精度可以达到毫米级。InSAR技术是公认的进行地表变形调查和监测的高效手段。
过去几十年中，研究者们在滑坡堵江的形成方面进行了大量的工作，提出了包括地貌指数法、数值模拟法、统计方法等一系列预测滑坡堵江的方法。地貌指标评价参数易于获取，但评价结果存在较大的区域差异、数据获取的依赖性及不确定性。数值模拟方法可考虑滑坡堵江物理机制，定量描述滑坡堵江成坝的动力过程，并获取坝体形态、堰塞湖范围等关键参数信息，但由于需要较为详细的岩土力学参数，在区域预测中存在明显的局限性。相比之下，基于数据驱动的统计方法与机器学习方法更适用于区域尺度的堵江危险性评价，并在一定程度上推动滑坡堵江判别由半经验向定量化阶段发展。然而，上述研究仅针对历史滑坡进行堵江判别，缺乏对潜在滑坡堵江进行预测的相关研究方法和模型。
发明内容
本发明的目的在于针对上述现有技术中存在的缺陷或不足之处，提供一种结合InSAR技术与机器学习的潜在滑坡堵江预测方法，以实现目标区域潜在滑坡堵江的空间位置预测，为该地区滑坡堵江的监测预警与应急处置提供一定的科技支撑。
为了实现上述目的，本发明采用的技术方案如下：
一种潜在滑坡堵江预测方法，包括：
(1)通过历史资料收集、遥感图像解译与野外调查，分别建立目标区域堵江滑坡与未堵江滑坡编目；
(2)以目标区域历史滑坡堵江作为样本数据，选取合适的堵江要素，使用机器学习方法，建立滑坡堵江危险性预测模型，并进行精度评价与危险性分级；
(3)通过SBAS-InSAR方法对目标区域SAR数据进行处理，获取目标区域地表变形速率，圈定潜在滑坡范围；
(4)以目标区域历史滑坡作为样本数据，通过经验公式或机器学习方法，建立潜在滑坡堵江影响要素预测模型，并计算识别出的潜在滑坡的堵江要素值；
(5)将潜在滑坡的堵江要素值代入滑坡堵江危险性预测模型，计算目标区域每个潜在滑坡的堵江危险性，并对潜在滑坡的堵江危险性进行分级。
进一步的，在步骤(1)中，通过历史资料收集目标区域滑坡堵江案例，并通过分析区域滑坡堵江特征建立相应的遥感解译标志，结合遥感解译与野外调查完善目标区域历史滑坡堵江编目；同时，等量选取临江而未堵江的滑坡建立未堵江滑坡编目，使堵江样本数：未堵江样本数＝1:1，两个编目分别作为堵江滑坡样本与未堵江滑坡样本用于构建滑坡堵江危险性预测模型。
进一步的，所述步骤(2)的流程具体包括：
1)通过文献调研情况以及对目标区域滑坡堵江成灾背景的具体分析，选取对滑坡堵江影响较为显著的特征，并将其确定为堵江要素；
2)基于确定的堵江要素，通过文献资料收集、GIS空间分析、遥感影像测量以及野外实地测量手段，获取所需堵江要素数据，构建堵江滑坡样本与未堵江滑坡样本堵江要素数据集；
3)将上述堵江要素数据集的原数据标准化为统一数据类型，按一定比例分成训练数据和测试数据，将训练数据输入机器学习方法中进行滑坡堵江预测模型构建，所述机器学习方法包括但不限于随机森林、人工神经网络、支持向量机；
4)使用测试数据对所建立的模型进行精度评价，评价方法包括混淆矩阵与ROC曲线；
5)通过自然断点法，将目标区域样本数据的危险性预测值分为极低、低、中、高、极高五个等级。
进一步的，在步骤(3)中，通过SBAS-InSAR方法SAR数据进行处理，以得到目标区域形变速率，通过形变速率标准差来确定稳定区域与不稳定区域的临界阈值，同时，结合野外裂缝调查，以确定发生形变区域的边界，并最终圈定潜在滑坡的范围。
进一步的，在步骤(4)中，由于潜在滑坡的部分堵江要素数据无法直接获取，因此，需要通过经验公式或机器学习方法建立潜在滑坡的体积、滑距在内的堵江要素预测模型；在建立堵江要素预测模型时，所选取的预测参数通过潜在滑坡范围结合区域DEM、地质图在内的基础资料进行获取。
与现有技术相比，本发明具有如下有益技术效果：
本发明通过建立目标区域历史滑坡堵江编目，选取合适的堵江要素，通过更先进的机器学习方法建立了适用于本区域的滑坡堵江危险性预测模型，改善了地貌指数与传统统计模型精度较低的问题；其次，使用SBAS-InSAR方法进行了目标区域的潜在滑坡早期识别，并通过潜在滑坡堵江要素预测模型获取了目标区域潜在滑坡的堵江要素数据，从而对潜在滑坡进行堵江危险性预测，最终实现了潜在滑坡堵江的空间位置预测，一定程度上弥补了现有技术中滑坡堵江早期判识的缺失。
附图说明
图1为本发明一实施例的潜在滑坡堵江预测方法的流程图；
图2为本发明实施例中堵江滑坡与不堵江滑坡空间分布图；
图3为本发明实施例中相关性热点矩阵图；
图4为本发明实施例中ROC曲线图；
图5为本发明实施例中区域形变速率图；
图6为本发明实施例中潜在滑坡分布图；
图7为本发明实施例中滑坡面积-体积经验关系图；
图8为本发明实施例中潜在滑坡堵江危险性评价图。
具体实施方式
下面将结合实施例及附图说明中的附图，对本发明的技术方案进行更清楚、完整地描述。
实施例
请结合参阅附图1所示，本实施例提供的一种潜在滑坡堵江预测方法，以白龙江地区为实例区域，包括以下步骤：
(1)通过历史资料收集、遥感图像解译与野外调查，建立目标区域的堵江滑坡与未堵江滑坡编目。
本实例区域历史堵江滑坡共收集73例，因此等量选取73例临江而未堵江滑坡作为未堵江滑坡样本，使堵江样本数：未堵江样本数＝1:1；同时，也使干流以及每条支流中的堵江滑坡样本与未堵江滑坡样本比例接近1:1，以尽量减小因河流等级不同而造成的水文条件差异，结果如图2所示。
(2)通过机器学习方法构建滑坡堵江危险性预测模型，具体步骤如下：
1)滑坡堵江的影响要素可以分为滑坡本体特征与河流水文特征，滑坡本体特征一般反映了滑坡的形态与物质组成，而河流水文特征一般反映了河流冲刷能力与能量条件，通过文献调研情况以及对目标区域滑坡堵江成灾背景的具体分析，最终选取滑坡体积、滑坡高差、滑坡滑距、河流比降、河流宽度与河流流量六个因子作为堵江要素。
2)针对所选取的六个堵江要素，通过文献资料收集、GIS空间分析、遥感影像测量以及野外实地测量手段，获取所需堵江要素数据，构建堵江滑坡样本与未堵江滑坡样本堵江要素数据集；其中，滑坡体积与河流流量主要通过历史资料与文献查阅获取，滑坡高差、滑坡滑距、河流比降、河流宽度则可以通过目标区域30m分辨率DEM、卫星图像以及野外调查获取。
3)将上述样本数据集的原数据归一化为统一数据类型，归一化公式为：
Figure BDA0003188668910000061
式中，Xij为第i个指标(i＝1，2，……，n)第j个数据(j＝1，2，……，m)归一化后的取值，xij为第i个指标第j个数据的原始取值，maxxi与minxi分别为第i个指标所有样本的最大值与最小值。
选取80％的堵江滑坡样本数据和未堵江滑坡样本数据进行模型训练，剩余20％的堵江滑坡样本数据和未堵江滑坡样本数据进行模型测试，即训练样本数：测试样本数＝8:2，将训练数据输入机器学习方法中进行滑坡堵江预测模型构建。
本实例以支持向量机方法为例。支持向量机的基本概念是解决分离超平面，可以正确分割训练数据集，并提供最大的几何区间。
在模型训练前，对堵江要素进行了相关性分析，结果如图3所示。其中，滑坡滑距与滑坡体积和滑坡高差均存在较强的相关性，因此，在剔除了滑坡滑距后，滑坡体积、滑坡高差、河流比降、河流宽度、河流流量5个堵江要素被最终纳入模型。
在训练中，由于支持向量机的参数取值对学习机器的性能有很大的影响，我们使用网格搜索来进行参数的自动优化选取，进一步提高了计算精度及全局寻优能力，由此得到的预测模型具有更好的学习和泛化能力。
4)使用测试数据对所建立的模型进行精度评价。评价方法主要为混淆矩阵与ROC曲线。
本实例训练数据总体精度为91.38％，验证数据总体精度为96.67％；而本实例ROC曲线如图4所示，训练数据AUC＝0.958，而验证数据AUC＝0.991。
5)通过自然断点法，将本实例样本数据的危险性预测值划分为0-0.15、0.15-0.34、0.34-0.56、0.56-0.81与0.81-1.00，对应分为极低、低、中、高、极高五个危险性等级。
(3)通过SBAS-InSAR方法对目标区域SAR数据进行处理，获取目标区域地表变形速率，圈定潜在滑坡范围。首先下载覆盖研究区的高精度的DEM数据与高分辨率的Sentinel-1A影像，本实例选取2018年3月至2019年3月的60景Sentinel-1A数据，数据均沿同一降轨获取，DEM使用美国宇航局(NSAS)的SRTM DEM数据；之后对数据进行裁剪、采用多幅主影像，以短时空基线为原则生成干涉图并进行差分干涉处理；去除地形相位；并依据相干性阈值选取高相干点，选择高斯滤波对噪声进行滤波处理、最小费用流方法进行相位解缠；矩阵奇异值分解，将因空间基线过大而失相干的影像再次链接，形成若干子集；最后利用时空滤波估计和去除大气相位，得到白龙江流域毫米级长时间序列地表变形结果，如图5所示；通过形变速率结果根据相干点目标的平均值和标准差确定稳定阈值，白龙江流域的形变阈值为±10mm/yr；结合野外裂缝调查，最终圈定潜在滑坡的范围，共得到白龙江流域70处潜在滑坡，结果如图6所示。
(4)本实例建立的滑坡堵江危险性预测模型包含滑坡体积、滑坡高差、河流宽度与河流流量四个堵江要素，由于潜在滑坡的体积无法直接获取，因此，拟通过白龙江流域历史滑坡数据，通过滑坡面积-体积经验公式，建立潜在滑坡体积预测方程。
滑坡面积-体积经验关系是一种常用的区域尺度上计算滑坡规模的方法，通过在双对数坐标系下将滑坡的面积与体积进行拟合，其函数形式为：
V＝ε×Aα
式中，V为滑坡体积，A为滑坡面积，ε与α为曲线拟合参数。本实例通过白龙江流域80例历史滑坡的面积与体积数据进行公式拟和，结果如图7所示。
(5)将潜在滑坡的堵江要素值代入滑坡堵江危险性预测模型，计算目标区域每个潜在滑坡的堵江危险性，并对潜在滑坡的堵江危险性进行分级，结果如图8所示。
最后应说明的是：以上所述仅为优选实施案例，并不用于限制本专利，尽管参照前述案例进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施案例所描述的技术方案进行修改或组合，或者对其中部分技术特征进行等同替换，凡在本专利的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利的保护范围以内。

Claims (7)

1.一种潜在滑坡堵江预测方法，其特征在于，包括：
(1)通过历史资料收集、遥感图像解译与野外调查，分别建立目标区域历史堵江滑坡编目与未堵江滑坡编目；
(2)以目标区域历史滑坡堵江作为样本数据，选取合适的堵江要素，使用机器学习方法，建立滑坡堵江危险性预测模型，并进行精度评价与危险性分级；
(3)通过SBAS-InSAR方法对目标区域SAR数据进行处理，获取目标区域地表形变速率，圈定潜在滑坡范围；
(4)以目标区域历史滑坡作为样本数据，通过经验公式或机器学习方法，建立潜在滑坡堵江影响要素预测模型，并计算识别出的潜在滑坡的堵江要素值；
(5)将潜在滑坡的堵江要素值代入滑坡堵江危险性预测模型，计算目标区域每个潜在滑坡的堵江危险性，并对潜在滑坡的堵江危险性进行分级。
2.根据权利要求1所述潜在滑坡堵江预测方法，其特征在于：在步骤(1)中，通过历史资料收集目标区域滑坡堵江案例，并通过分析区域滑坡堵江特征建立相应的遥感解译标志，结合遥感解译与野外调查完善目标区域历史滑坡堵江编目；且等量选取临江而未堵江的滑坡建立未堵江滑坡编目，使堵江样本数：未堵江样本数＝1:1，堵江滑坡编目与未堵江滑坡编目分别作为堵江滑坡样本与未堵江滑坡样本用于构建滑坡堵江危险性预测模型。
3.根据权利要求2所述潜在滑坡堵江预测方法，其特征在于：步骤(2)的流程具体包括：
1)通过文献调研情况以及对目标区域滑坡堵江成灾背景的具体分析，选取对滑坡堵江影响较为显著的特征，并将其确定为堵江要素；
2)基于确定的堵江要素，通过文献资料收集、GIS空间分析、遥感影像测量以及野外实地在内的测量手段，获取所需堵江要素数据，构建堵江滑坡样本与未堵江滑坡样本堵江要素数据集；
3)将步骤2)的堵江要素数据集的原数据标准化为统一数据类型，按一定比例分成训练数据和测试数据，将训练数据输入机器学习方法中进行滑坡堵江预测模型构建；
4)使用测试数据对所建立的模型进行精度评价，评价方法包括混淆矩阵与ROC曲线；
5)通过自然断点法，将目标区域样本数据的危险性预测值分为极低、低、中、高、极高五个等级。
4.根据权利要求3所述潜在滑坡堵江预测方法，其特征在于：所述机器学习方法包括但不限于随机森林、人工神经网络、支持向量机。
5.根据权利要求4所述潜在滑坡堵江预测方法，其特征在于：在步骤(3)中，通过形变速率标准差来确定稳定区域与不稳定区域的临界阈值，且结合野外裂缝调查以确定发生形变区域的边界，最终圈定潜在滑坡的范围。
6.根据权利要求5所述潜在滑坡堵江预测方法，其特征在于：在步骤(4)中，潜在滑坡的部分堵江要素数据无法直接获取，需要通过经验公式或机器学习方法建立潜在滑坡的堵江要素预测模型；在建立堵江要素预测模型时，所选取的预测参数通过潜在滑坡范围结合区域DEM、地质图在内的基础资料进行获取。
7.根据权利要求6所述潜在滑坡堵江预测方法，其特征在于：所述堵江要素包括但不限于滑坡体积、滑坡高差、滑坡滑距、河流比降、河流宽度和河流流量。
CN202110870294.3A 2021-07-30 2021-07-30 一种潜在滑坡堵江预测方法 Pending CN113591700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110870294.3A CN113591700A (zh) 2021-07-30 2021-07-30 一种潜在滑坡堵江预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110870294.3A CN113591700A (zh) 2021-07-30 2021-07-30 一种潜在滑坡堵江预测方法

Publications (1)

Publication Number Publication Date
CN113591700A true CN113591700A (zh) 2021-11-02

Family

ID=78252435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110870294.3A Pending CN113591700A (zh) 2021-07-30 2021-07-30 一种潜在滑坡堵江预测方法

Country Status (1)

Country Link
CN (1) CN113591700A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331160A (zh) * 2021-12-30 2022-04-12 四川大学 一种基于滑坡堵江形态的堰塞坝溃决灾害链模式识别方法
CN114708499A (zh) * 2022-03-24 2022-07-05 中国长江三峡集团有限公司 一种滑坡物源面积的计算方法及装置
CN114969355A (zh) * 2022-04-29 2022-08-30 水利部交通运输部国家能源局南京水利科学研究院 一种溃坝应急预案本体模型构建方法
CN115217152A (zh) * 2022-07-29 2022-10-21 招商局重庆交通科研设计院有限公司 一种沉管隧道管节接头张合变形的预测方法及装置
CN115331394A (zh) * 2022-08-30 2022-11-11 重庆地质矿产研究院 基于关键参数预测值降低地质灾害预警***故障率的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140046358A (ko) * 2012-10-10 2014-04-18 이명진 산사태 위험성 분석 시스템 및 방법
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN108459318A (zh) * 2018-02-02 2018-08-28 中国铁路设计集团有限公司 基于遥感技术的潜在滑坡早期识别方法
CN109613513A (zh) * 2018-12-20 2019-04-12 长安大学 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140046358A (ko) * 2012-10-10 2014-04-18 이명진 산사태 위험성 분석 시스템 및 방법
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN108459318A (zh) * 2018-02-02 2018-08-28 中国铁路设计集团有限公司 基于遥感技术的潜在滑坡早期识别方法
CN109613513A (zh) * 2018-12-20 2019-04-12 长安大学 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张诗茄等: "基于SBAS技术的崛江流域潜在滑坡识别", 山地学报, vol. 36, no. 1, pages 91 - 97 *
陈冠: "基于统计模型与现场试验的白龙江中游滑坡敏感性分析研究", 中国博士学位论文全文数据库 基础科学辑, pages 40 - 86 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331160A (zh) * 2021-12-30 2022-04-12 四川大学 一种基于滑坡堵江形态的堰塞坝溃决灾害链模式识别方法
CN114331160B (zh) * 2021-12-30 2023-04-28 四川大学 一种基于滑坡堵江形态的堰塞坝溃决灾害链模式识别方法
CN114708499A (zh) * 2022-03-24 2022-07-05 中国长江三峡集团有限公司 一种滑坡物源面积的计算方法及装置
CN114708499B (zh) * 2022-03-24 2023-07-14 中国长江三峡集团有限公司 一种滑坡物源面积的计算方法及装置
CN114969355A (zh) * 2022-04-29 2022-08-30 水利部交通运输部国家能源局南京水利科学研究院 一种溃坝应急预案本体模型构建方法
CN115217152A (zh) * 2022-07-29 2022-10-21 招商局重庆交通科研设计院有限公司 一种沉管隧道管节接头张合变形的预测方法及装置
CN115331394A (zh) * 2022-08-30 2022-11-11 重庆地质矿产研究院 基于关键参数预测值降低地质灾害预警***故障率的方法
CN115331394B (zh) * 2022-08-30 2023-09-01 重庆地质矿产研究院 基于关键参数预测值降低地质灾害预警***故障率的方法

Similar Documents

Publication Publication Date Title
CN113591700A (zh) 一种潜在滑坡堵江预测方法
Pi et al. Mapping global lake dynamics reveals the emerging roles of small lakes
Zhu et al. A comparative study of an expert knowledge-based model and two data-driven models for landslide susceptibility mapping
Merheb et al. Hydrological response characteristics of Mediterranean catchments at different time scales: a meta-analysis
Hamshaw et al. A new machine‐learning approach for classifying hysteresis in suspended‐sediment discharge relationships using high‐frequency monitoring data
Clubb et al. Objective extraction of channel heads from high‐resolution topographic data
Kalantari et al. A method for mapping flood hazard along roads
Wan A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map
CN106767687A (zh) 一种利用遥感含水量测量滩涂高程的方法
Jin et al. Spatio-temporal distribution of NDVI and its influencing factors in China
Sahana et al. Assessing the degree of soil salinity in the Indian Sundarban Biosphere Reserve using measured soil electrical conductivity and remote sensing data–derived salinity indices
Yu et al. Secchi depth inversion and its temporal and spatial variation analysis—A case study of nine plateau lakes in Yunnan Province of China
Azarakhsh et al. Estimation, modeling, and prediction of land subsidence using Sentinel-1 time series in Tehran-Shahriar plain: A machine learning-based investigation
Xuchao et al. Simulating soil erodibility in southeastern China using a sequential Gaussian algorithm
CN105528523A (zh) 一种基于遥感数据的土壤厚度反演方法
Wan et al. The knowledge rules of debris flow event: A case study for investigation Chen Yu Lan River, Taiwan
Wei et al. Data mining methods for hydroclimatic forecasting
Wang et al. Research on habitat quality assessment and decision-making based on Semi-supervised Ensemble Learning method—Daxia River Basin, China
Meira et al. Quality control procedures for sub-hourly rainfall data: An investigation in different spatio-temporal scales in Brazil
Ju et al. Power laws for accurate determination of landslide volume based on high-resolution LiDAR data
CN116486279A (zh) 一种基于InSAR的泥石流灾害易发性动态评价方法
Reinwarth et al. Applying regularized logistic regression (RLR) for the discrimination of sediment facies in reservoirs based on composite fingerprints
CN115879594A (zh) 一种基于地理探测器的城市定居人口分布趋势预测方法
Ozerdem et al. Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns
Finck et al. A streamflow regionalization method using hydrological data and geoprocessing tools—a Brazilian midwest analysis

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