CN114360214B - 一种特大规模冰川泥石流预警方法 - Google Patents
一种特大规模冰川泥石流预警方法 Download PDFInfo
- Publication number
- CN114360214B CN114360214B CN202210275911.XA CN202210275911A CN114360214B CN 114360214 B CN114360214 B CN 114360214B CN 202210275911 A CN202210275911 A CN 202210275911A CN 114360214 B CN114360214 B CN 114360214B
- Authority
- CN
- China
- Prior art keywords
- debris flow
- glacier
- basin
- snow
- large scale
- 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 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 87
- 238000001556 precipitation Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 239000000463 material Substances 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 44
- 238000012937 correction Methods 0.000 claims description 31
- 238000009825 accumulation Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000000556 factor analysis Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 102200010049 rs869025189 Human genes 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 108020001568 subdomains Proteins 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 241000711981 Sais Species 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及地质灾害预警领域，其公开了一种特大规模冰川泥石流预警方法，解决现有技术中的预警方案存在的预警精度低、难以实施的问题。该方法包括：S1、计算区域范围流域物质能量参数，筛选出需要重点监测的冰川泥石流流域；S2、对重点监测的冰川泥石流流域进行水源因子分析计算，所述水源因子包括泥石流形成区的气温、降水及雪水当量；S3、基于步骤S2计算获取的参数，利用特大规模冰川泥石流灾变气候判定模型及灾变气象判定模型依次进行灾变气候判定和灾变气象判定；若均满足变气候判定条件和灾变气象判定条件，则满足预警条件；S4、对满足预警条件的冰川泥石流流域进行泥石流灾害报警。
Description
技术领域
本发明涉及地质灾害预警领域，具体涉及一种特大规模冰川泥石流预警方法。
背景技术
冰川泥石流是高海拔山区特殊的地质灾害类型之一，特别是特大规模冰川泥石流（＞50×104m3）对高海拔山区经济发展、居民安全造成严重威胁。高海拔山区冰川泥石流的形成与一般山区泥石流的形成有所不同，水源激发条件除了降雨外，还受到冰雪融水影响。综合考虑沟道地形、沟道内松散物源及降雨和冰雪融水的耦合触发影响，才能在高海拔山区对冰川泥石流进行有效监测预警。
当前，针对冰川泥石流灾害构建的预警方案主要有：
申请号为202110532903.4，名称为《一种基于水热组合的冰川泥石流区域预警方法》的专利申请方案利用积温与累积降雨统计获得预警模型，其中累积积温无法客观反映冰川泥石流沟道内冰川积雪消储备及消融情况，冰川泥石流灾害预警精度有限；
申请号为202110154503.4，名称为《一种基于孕灾背景的冰川泥石流灾害预警方法》的专利申请方案采用的诸多指标参数，如冰川变化量、雪崩堆积量及冰川、雪崩逐日变化量，获取存在现实困难，预警工作较难实施。
此外，上述专利所采用的气温、降雨数据均来源于临近气象观测站或区域遥感资料，这些数据被直接使用时会与泥石流形成区气象条件存在较大差异，且在预警灾害对象上并未区别所适用的冰川泥石流灾害规模，模糊的灾害样本将导致预警结果存在偏失，预警目标不明确将会造成无法开展具有针对性的灾害应急处置工作。
发明内容
本发明所要解决的技术问题是：提出一种特大规模冰川泥石流预警方法，解决现有技术中的预警方案存在的预警精度低、难以实施的问题。
本发明解决上述技术问题采用的技术方案是：
一种特大规模冰川泥石流预警方法，其特征在于，包括以下步骤：
S1、根据冰川泥石流流域主沟的纵坡比降和松散物源，计算监测区域范围内各冰川泥石流流域的物质能量参数，并根据物质能量参数筛选出需要重点监测的冰川泥石流流域；
S2、对重点监测的冰川泥石流流域，分别进行水源因子分析计算，所述水源因子包括泥石流形成区的气温、降水及雪水当量；
S3、基于步骤S2中水源因子分析计算的结果，利用特大规模冰川泥石流灾变气候判定模型进行灾变气候判定，利用特大规模冰川泥石流灾变气象判定模型进行灾变气象判定；若灾变气候判定及灾变气象判定两者，均满足其对应的灾变气候判定条件和灾变气象判定条件，则满足预警条件，否则不满足预警条件；
S4、对满足预警条件的冰川泥石流流域进行泥石流灾害报警。
进一步的，所述步骤S1，包括：
S11、基于光学遥感影像，解译并识别流域内所分布松散物源的范围，并根据识别的范围计算松散物源面积μ i ，所述松散物源包括冰碛物和坡积物；
S12、利用数字高程模型提取流域的范围、沟道形成区最高点至沟口的高差h以及沟道形成区最高点至沟口的水平距离l；根据流域的范围计算流域面积Area basin ，根据高差和水平距离计算主沟纵坡比降s：s=h/l×100%；
S13、计算物质能量参数，包括主沟纵坡比降归一化指数σ i 和主沟松散物源指数M i ：
其中，s i 为当前计算流域的主沟纵坡比降，s j 为当前计算流域所在母流域内子流域的主沟纵坡比降，n为当前计算流域所属母流域内子流域的数量，μ i 为当前计算流域的松散物源面积，i为当前计算流域的序号；
S14、根据物质能量参数计算流域的物质能量值E i ：
E i = k 1 σ i +k 2 M i
其中，k 1 、k 2 为加权系数；
S15、将物质能量值E i 大于预设的特大规模冰川泥石流物质能量条件阈值的冰川泥石流流域判定为需要重点监测的冰川泥石流流域。
进一步的，所述步骤S2，包括：
S21、对目标流域进行区域气温插值；
S22、基于区域气温插值和监测点气温观测数据进行局部气温修正；
S23、获取区域降水反演数据；
S24、基于区域降水反演数据和监测点降雨观测数据进行局部降水修正；
S25、获取区域积雪反演数据；
S26、基于区域积雪反演数据进行区域总体雪水当量计算。
具体的，步骤S21中，所述对目标流域进行区域气温插值，具体包括：
利用目标流域的临近气象站的逐日气温观测数据及目标流域的地形数据，基于薄盘光滑样条法插值法对目标流域进行区域气温插值：
T i = f（x i ）+bT y i +e i
其中，T i 为目标流域内网格i的气温插值结果，f（x i ）为网格x i 的气温估算值，b为地形协变量系数，y i 为网格x i 的高程值，e i 为随机误差。
具体的，步骤S22中，所述基于区域气温插值和监测点气温观测数据进行局部气温修正，具体包括：
S221、通过在目标流域的各个监测站点安装的气温监测设备，获得监测站点的逐日气温观测数据t i ，并与监测站点所属网格x i 的气温插值结果T i 作差，获得气温插值与观测值的单点气温修正值R Ti ；
S222、基于目标流域内的各个监测站点的气温修正值R Ti 构建泰森多边形，并进行空间插值，生成局部气温修正数据R T ；
S223、将区域气温插值结果与局部气温修正数据R T 统一分辨率后相加，计算得到局部气温优化数据T R 。
具体的，步骤S23中，基于全球降水遥感资料GPM或TRMM，获得区域降水反演数据P。
具体的，步骤S24中，所述基于区域降水反演数据进行局部降水修正，具体包括：
S241、通过在目标流域的各个监测点安装的降雨监测设备获得监测点的逐日降雨数据p i ，提取区域降水数据P中监测点所属网格x i 的降水反演数据P i ，通过与逐日降雨数据p i 作差获得局部降雨修正值R Pi ；
S242、基于目标流域的各监测站点获得的降雨修正数据R Pi 构建泰森多边形，并进行空间插值生成局部降水修正数据R P ；
S243、将区域降水反演数据P与局部降水修正数据R P 统一分辨率后相加，计算得到局部降水优化数据P R 。
具体的，步骤S25中，所述获取区域积雪反演数据，具体包括：
通过MODIS逐日积雪数据的解译获得目标流域的泥石流形成区积雪覆盖面积Area snow ，并利用AMSR-E微波雪深数据获得积雪区积雪厚度Depth snow 。
具体的，步骤S26中，所述基于区域积雪反演数据进行区域总体雪水当量计算，具体包括：
首先，计算单位面积内雪水当量SWE：
其中，Depth s_k 为第k天的积雪深度，ρ w 表示水的密度，ρ 0 为新鲜积雪密度，SD k 为第k天积雪深度，ρ s_k 是第k天积雪密度，n表示目标流域监测当日至其相邻冬半年起始日的天数。
进一步的，所述步骤S3中，所述特大规模冰川泥石流灾变气候判定模型为：
S31、计算目标流域监测当日至其相邻冬半年起始日这一时间区间内，泥石流形成区的积温指数λ和雪水当量流域比SA；
S32、基于灾害历史样本，计算灾害发生当年及与灾害发生当年相邻且未发生灾害年度的积温指数λ和雪水当量流域比SA，以与灾害发生日相邻的冬半年起始日作为起算日，所述相邻年度的时间区间为当前公历年的起算日日期至其前一公历年的起算日日期这一区间，所述灾害发生当年的时间区间则为起算日至灾害发生当日这一区间；
S33、构建雪水当量流域比SA与积温指数λ的二维空间，并将灾害发生当年以及与灾害发生当年相邻未发生灾害年度的数据投影至二维空间，并进行回归分析；
S34、基于步骤S31获得的积温指数λ和雪水当量流域比SA，根据步骤S33获得的分析结果，判定目标流域的气候条件是否符合特大规模冰川泥石流暴发的气候条件。
具体的，所述泥石流形成区的积温指数λ的计算方法为：
其中，AT为泥石流形成区有效积温，通过指定时间区间内逐日气温优化数据T R 累加得到，若为正温，则累加，否则不累加；D为指定时间区间内累积的正温天数；k为回归拟合系数；
所述指定时间区间即步骤S31和步骤S32中指定的时间区间。
具体的，步骤S31中，所述泥石流形成区的雪水当量流域比SA的计算方法为：
其中，SnowMass accum 为指定时间区间内的累积雪水当量，通过单位面积内雪水当量SWE累积计算得到；Area snow 为泥石流形成区积雪覆盖面积；days表示指定时间区间内的有效天数；∆SWE为后一天与前一天的雪水当量差，若差为正数，则计入累积雪水当量中，若为负数，表明无新增雪量，则不累计；所述指定时间区间即步骤S31和步骤S32中指定的时间区间。
具体的，所述步骤S33的回归分析，是求解二维空间的最优分割超平面；所述步骤S34中，基于步骤S31获得的积温指数λ和雪水当量流域比SA，根据步骤S33获得的二维空间最优分割超平面，判定目标流域的气候条件是否符合特大规模冰川泥石流暴发的气候条件，具体包括：
根据目标流域的积温指数λ和雪水当量流域比SA，计算灾变气候判定因子T D-year ：
T D-year = k 3 SA+k 4 λ
其中，k 3 、k 4 为积温指数λ和雪水当量流域比SA所构建二维空间的最优分割线的拟合系数；
根据二维空间的最大几何间隔，设定灾变气候阈值T y-threshold ：
其中，w、b为灾害发生与未发生样本的二维空间最小向量距离分割面参数；
判断灾变气候判定因子T D-year 与灾变气候阈值T y-threshold 的大小关系，若满足T D-year ＞T y-threshold ，则判定符合特大规模冰川泥石流暴发气候条件。
进一步的，所述步骤S3中，所述特大规模冰川泥石流灾变气象判定模型为：
S35、计算目标流域泥石流形成区近30日的平均气温T Ave30 以及累积降雨量P Acc30 ；
S36、基于灾害历史样本，计算灾变当日近30日的平均气温T Ave30 以及累积降雨量P Acc30 ，计算与灾害发生当年相邻且未发生灾害年度的同期平均气温T Ave30 以及累积降雨量P Acc30 ；
S37、构建平均气温T Ave30 以及累积降雨量P Acc30 的二维空间，并将灾害发生当年以及与灾害发生当年相邻未发生灾害年度的数据投影至二维空间，并进行回归分析；
S38、基于步骤S35获得的平均气温T Ave30 以及累积降雨量P Acc30 ，根据步骤S37获得的分析结果，判定目标流域的气象条件是否符合特大规模冰川泥石流暴发的气象条件。
具体的，步骤S35中，所述近30日平均气温T Ave30 以及累积降雨量P Acc30 的计算方法为：
其中，T Ri 和P Ri 分别为泥石流形成区第i日的优化后的气温值和优化后的降雨值。
具体的，所述步骤S37的回归分析，是求解二维空间的最优分割超平面；所述步骤S38中，基于步骤S35获得的平均气温T Ave30 以及累积降雨量P Acc30 ，根据步骤S37获得的二维空间最优分割超平面，判定目标流域的气象条件是否符合特大规模冰川泥石流暴发的气象条件，具体包括：
根据目标流域平均气温T Ave30 以及累积降雨量P Acc30 ，计算灾变气象判定因子T D-day ：
T
D-day
= k
5
P
Acc30
+k
6
T
Ave30
其中，k 5 、k 6 为平均气温T Ave30 以及累积降雨量P Acc30 所构建二维空间的最优分割线的拟合系数；
根据二维空间的最大几何间隔，设定灾变气象阈值T d-threshold ：
其中，w、b为灾害发生与未发生样本的二维空间最小向量距离分割面参数；
判断灾变气象判定因子T D-day 与灾变气象阈值T d-threshold 的大小关系，若满足T D-day ＞T d-threshold ，则判定符合特大规模冰川泥石流暴发气象条件。
本发明的有益效果是：
基于高海拔山区已暴发的特大规模冰川泥石流样本数据，充分利用冰川泥石流沟道冰川积雪数据，在高精度插值获取泥石流沟形成区的气温和降雨数据的基础上，分别计算特大规模冰川泥石流形成的气候和气象双重特征，方法中涉及到的系列参数，如冰碛物、坡积物等松散物源面积以及流域面积、泥石流沟纵坡比降，可通过遥感解译及地形数据精确获得，且泥石流形成区插值优化后的气象数据较传统方法中仅利用临近气象站点数据分析更加精确，以此进行特大规模冰川泥石流灾害预警，易实施，且预警分析计算精度较高。
附图说明
图1为本发明中的特大规模冰川泥石流预警方法流程图。
具体实施方式
本发明旨在提出一种特大规模冰川泥石流预警方法，解决现有技术中的预警方案存在的预警精度低、难以实施的问题。如图1所示，该方案包括：S1、物质能量参数计算：完成区域范围流域物质能量参数计算，利用典型冰川泥石流物质能量回归判定模型筛选需要重点监测的冰川泥石流流域；S2、水源因子分析计算：对重点监测的冰川泥石流进行水源因子分析计算，包括泥石流形成区的气温、降水及雪水当量计算；S3、预警分析计算：以已发生的特大规模冰川泥石流作为样本数据，分析获得特大规模冰川泥石流灾变气候判定模型及灾变气象判定模型，基于水源因子分析的计算参数，依次进行灾变气候判定和灾变气象判定；S4、报警：对同时满足灾变气候及气象阈值判定条件的单次事件进行报警。
实施例：
本实施例中的特大规模冰川泥石流预警方法包括以下实施步骤：
S1、物质能量参数计算：
S11、利用分辨率优于1m的高分辨率光学遥感影像，解译并识别流域内所分布松散物源的范围，并根据识别的范围计算松散物源面积μ i ，所述松散物源包括冰碛物和坡积物；
S12、利用地形精度优于1:5万的数字高程模型，提取流域的范围、沟道形成区最高点至沟口的高差h以及沟道形成区最高点至沟口的水平距离l；根据流域的范围计算流域面积Area basin ，根据高差和水平距离计算主沟纵坡比降s：
s=h/l×100%
S13、计算物质能量参数，包括主沟纵坡比降归一化指数σ i 和主沟松散物源指数M i ：
其中，s i 为当前计算流域的主沟纵坡比降，s j 为当前计算流域所在母流域内子流域的主沟纵坡比降，n为当前计算流域所属母流域内子流域的数量，μ i 为当前计算流域的松散物源面积，i为当前计算流域的序号；
S14、根据物质能量参数计算流域的物质能量值E i ：
E i = k 1 σ i +k 2 M i
其中，k 1 、k 2 为加权系数；
S15、将物质能量值E i 大于预设的特大规模冰川泥石流物质能量条件阈值的冰川泥石流流域判定为需要重点监测的冰川泥石流流域。
根据已发生特大灾害的样本数据及工程防治经验，k 1 =1，k 2 =60.83，特大规模冰川泥石流物质能量条件阈值为59。也即判定E i ＞59的泥石流沟具有暴发特大规模冰川泥石流的物质能量条件，即为需要重点监测的冰川泥石流沟。
S2、水源因子分析计算：
S21、利用目标流域的临近国家气象站逐日气温观测数据、优于1:5万地形数据，基于薄盘光滑样条法插值法对需要重点监测的冰川泥石流流域进行区域气温插值，计算生成目标流域分辨率优于5m的区域气温插值结果。薄盘光滑样条法插值法公式如下：
T i = f（x i ）+bT y i +e i
其中，T i 为目标流域内网格i的气温插值结果，f（x i ）为网格x i 的气温估算值，b为地形协变量系数，y i 为网格x i 的高程值，e i 为随机误差；
S22、在待监测流域安装气温监测设备3台以上，获得监测点所属网格x i 的逐日气温观测数据t i ，并与监测点x i 气温插值结果T i 相减，获得气温插值与观测值的单点气温修正值R Ti ；
S23、基于各监测站点获得的降雨修正数据R Ti 构建空间泰森多边形，并进行空间插值，生成分辨率优于5m的局部气温修正数据R T ；
S24、将区域气温插值结果T与局部气温修正数据R T 统一分辨率后相加，计算得到局部气温优化数据T R ；
S25、通过使用全球降水遥感资料GPM或TRMM，获得区域降水反演数据P；
S26、在待监测流域安装降雨监测设备3台以上，获得监测点所属网格x i 的逐日降雨数据p i ，并通过降雨监测点提取区域降水数据P中监测点所属网格x i 的遥感降水反演数据P i ，通过p i 与P i 相减，获得局部降雨修正值R Pi ；
S27、基于各监测站点获得的降雨修正数据R Pi 构建空间泰森多边形，并进行空间插值生成分辨率优于5m的区域降水修正数据R P ；
S28、将区域降水反演数据P与局部修正数据R P 统一分辨率后相加，计算得到局部降水优化数据P R ；
S29、使用MODIS逐日积雪产品解译获得监测流域形成区积雪覆盖面积Area snow ，并利用AMSR-E微波雪深数据获得积雪区积雪厚度Depth snow ；
S210、计算单位面积内雪水当量SWE，公式如下：
其中，Depth s_k 为第k天的积雪深度，ρ w 表示水的密度，ρ 0 为新鲜积雪密度，SD k 为第k天积雪深度，ρ s_k 是第k天积雪密度，n表示目标流域监测当日至其相邻冬半年起始日的天数。在高海拔山区按其气候特征分为冬半年和夏半年，在四川地区的高海拔山区，冬半年为9月至次年2月，夏半年为3月至8月。
S3、预警分析计算：
定义积温指数λ如下：
其中，λ为泥石流形成区积温指数，AT为泥石流形成区有效积温，通过指定时间区间内逐日气温优化数据T R 累加得到，若为正温，则累加，否则不累加；D为指定时间区间内累积正温天数，k为回归拟合系数。
利用单日雪水当量，逐日累积计算泥石流形成区积雪的累积雪水当量SnowMass accum ，并定义雪水当量流域比SA：
其中，SnowMass accum 为指定时间区间内的累积雪水当量，通过单位面积内雪水当量SWE累积计算得到；Area snow 为泥石流形成区积雪覆盖面积；days表示指定时间区间内的有效天数，∆SWE为后一天与前一天的雪水当量差，若差为正数，则计入累积雪水当量中，若为负数，表明无新增雪量，则不累计。
基于局部气温优化数据T R 计算泥石流形成区近30日平均气温T Ave30 ，基于局部降水优化数据P R 计算泥石流近30日累积降雨量P Acc30 ：
其中，T Ri 和P Ri 分别为泥石流形成区第i日的优化后的气温值和优化后的降雨值。
S31、计算目标流域监测当日至其相邻冬半年起始日这一时间区间内，泥石流形成区的积温指数λ和雪水当量流域比SA。
S32、基于灾害历史样本，计算灾害发生当年及与灾害发生当年相邻且未发生灾害年度的积温指数λ和雪水当量流域比SA，以与灾害发生日相邻的冬半年起始日作为起算日，所述相邻年度的时间区间为当前公历年的起算日日期至其前一公历年的起算日日期这一区间，所述灾害发生当年的时间区间则为起算日至灾害发生当日这一区间。
所述与灾害发生日相邻的冬半年起始日，也即：当灾害发生日位于夏半年时，则为其上一冬半年的起始日；当灾害发生日位于冬半年时，则为该冬半年的起始日。
同时，由于冬半年通常跨域公历年，所述相邻年度的时间区间的起止以起算日的日期作为分界，年度时间区间为当前公历年的起算日日期至其前一公历年的起算日日期这一区间。以相邻前一年为例，即起算日至其前一公历年的同日这一区间，并以此类推。
未发生灾害年度的数据可以仅采用一年，也可以采用多年，但为保证气候的相似性，必须是相邻的年度。在后续的验证过程中，均为灾害发生当年的前一年。
S33、构建雪水当量流域比SA与积温指数λ的二维空间，并将灾害发生当年以及与灾害发生当年相邻未发生灾害年度的数据投影至二维空间，利用SVM支持向量机求解二维空间的最优分割超平面，所述最优分割超平面的公式为：
w T x i +y i +b=0
其中，w、b为最优分割超平面系数，x i 为二维空间灾害样本点x轴坐标集，y i 为二维空间灾害样本点y轴坐标集；雪水当量流域比SA与积温指数λ，与xy可以是任意的，在后续的验证过程中，λ为x，SA为y。
S34、基于步骤S31获得的积温指数λ和雪水当量流域比SA，根据步骤S33获得的二维空间最优分割超平面，判定目标流域的气候条件是否符合特大规模冰川泥石流暴发的气候条件，具体的讲：
根据目标流域的积温指数λ和雪水当量流域比SA，计算灾变气候判定因子T D-year ：
T D-year = k 3 SA+k 4 λ
其中，k 3 、k 4 为积温指数λ和雪水当量流域比SA所构建二维空间的最优分割线的拟合系数；
根据二维空间的最大几何间隔，设定灾变气候阈值T y-threshold ：
其中，w、b为灾害发生与未发生样本的二维空间最小向量距离分割面参数；
判断灾变气候判定因子T D-year 与灾变气候阈值T y-threshold 的大小关系，若满足T D-year ＞T y-threshold ，则判定符合特大规模冰川泥石流暴发气候条件。
上述二维空间最小向量距离通过下式求解：
S35、计算目标流域泥石流形成区近30日的平均气温T Ave30 以及累积降雨量P Acc30 。
S36、基于灾害历史样本，计算灾变当日近30日的平均气温T Ave30 以及累积降雨量P Acc30 ，计算与灾害发生当年相邻且未发生灾害年度的同期平均气温T Ave30 以及累积降雨量P Acc30 。未发生灾害年度可以仅为一年，也可以为多年，在后续的验证过程中均为灾害发生当年的前五年。
S37、构建平均气温T Ave30 以及累积降雨量P Acc30 的二维空间，并将灾害发生当年以及与灾害发生当年相邻未发生灾害年度的数据投影至二维空间，利用SVM支持向量机求解二维空间的最优分割超平面，所述最优分割超平面的公式为：
w T x i +y i +b=0
其中，w、b为最优分割超平面系数，x i 为二维空间灾害样本点x轴坐标集，y i 为二维空间灾害样本点y轴坐标集；平均气温T Ave30 以及累积降雨量P Acc30 ，与xy可以是任意的，在后续的验证过程中，x轴坐标为30日平均气温T Ave30 ，y轴坐标为30日累积降雨量P Acc30 。
S38、基于步骤S35获得的平均气温T Ave30 以及累积降雨量P Acc30 ，根据步骤S37获得的二维空间最优分割超平面，判定目标流域的气象条件是否符合特大规模冰川泥石流暴发的气象条件，具体的讲：
根据目标流域平均气温T Ave30 以及累积降雨量P Acc30 ，计算灾变气象判定因子T D-day ：
T
D-day
= k
5
P
Acc30
+k
6
T
Ave30
其中，k 5 、k 6 为平均气温T Ave30 以及累积降雨量P Acc30 所构建二维空间的最优分割线的拟合系数；
根据二维空间的最大几何间隔，设定灾变气象阈值T d-threshold ：
其中，w、b为灾害发生与未发生样本的二维空间最小向量距离分割面参数；
判断灾变气象判定因子T D-day 与灾变气象阈值T d-threshold 的大小关系，若满足T D-day ＞T d-threshold ，则判定符合特大规模冰川泥石流暴发气象条件。
上述二维空间最小向量距离通过下式求解：
S4、对同时满足灾变气候判定条件和灾变气象判定条件的事件进行特大规模冰川泥石流灾害发生报警，此外，还可以将本次特大规模冰川泥石流的样本数据入库，扩充下次事件计算分析样本，从而进一步提升后续预警的准确性。
为进一步验证本发明提供的特大规模冰川泥石流预警方法对于高海拔山区特大规模冰川泥石流灾害预警的有效性，下面以2005年7月30日古乡沟特大冰川泥石流、2007年9月4日培龙沟特大冰川泥石流、2010年7月25天摩沟特大冰川泥石流为具体验证案例进行验证。
验证例1：
古乡沟位于西藏高原帕隆藏布流域，地理坐标为29.92°N、95.44°E，通过光学遥感和地形数据，计算获得σ=0.65，M=0.96，E=59.06。
判定E＞59，为需要重点监测的冰川泥石流流域。
古乡沟灾变当日为2005年7月30日，计算古乡沟泥石流形成区当年优化后逐日气温、降雨及累积雪水当量，得到古乡沟灾变当年雪水当量指数为SA=0.33，λ=1.62。
基于已有灾害样本灾变当年及前一年同期雪水当量指数及积温指数，进行二维空间回归统计，并通过最优二维空间分割求解，计算得到k3=1、k4=3.18、Ty-threshold=5.46。
将计算得到的灾变当年雪水当量指数SA=0.33、积温指数λ=1.62带入公式
TD-year= SA+3.18λ
计算得到TD-year=5.48，TD-year＞5.46，判定符合特大规模冰川泥石流暴发气候条件。
基于已有灾害样本发生当日及相邻前五个年度的同期前连续30日平均气温TAve30及累积降雨量PAcc30，进行二维空间回归统计，并通过最优二维空间分割求解，计算得到k5=1，k6=33.47，Td-threshold=518.02。
计算古乡沟2005年7月1日-7月30日连续30日平均气温TAve30和累积降雨量PAcc30，得到TAve30=14.02℃、PAcc30=82.13mm，进而求解得到TD-day=551.38， TD-day＞518.02，判定2005年7月30日古乡沟气象条件符合特大规模冰川泥石流暴发短历时气象条件，发出报警。
验证例2：
培龙沟位于西藏高原帕隆藏布流域，地理坐标为30.04°N、95.01°E，通过光学遥感和地形数据，计算获得σ=0.04，M=0.99，E=60.26。
判定E＞59，为需要重点监测的冰川泥石流流域。
培龙沟灾变当日为2007年9月4日，计算培龙沟泥石流形成区当年优化后逐日气温、降雨及累积雪水当量，得到培龙沟灾变当年雪水当量指数为SA=0.47，λ=1.67。
基于已有灾害样本灾变当年及前一年同期雪水当量指数及积温指数，进行二维空间回归统计，并通过最优二维空间分割求解，计算得到k3=1、k4=3.04、Ty-threshold=5.31。
将计算得到的灾变当年雪水当量指数SA=0.47、积温指数λ=1.67带入公式
TD-year= SA+3.04λ
计算得到TD-year=5.55，TD-year＞5.31，判定符合特大规模冰川泥石流暴发气候条件。
基于已有灾害样本发生当日及相邻前五个年度的同期前连续30日平均气温TAve30及累积降雨量PAcc30，进行二维空间回归统计，并通过最优二维空间分割求解，计算得到k5=1，k6=31.19，Td-threshold=460.83。
计算培龙沟2007年8月6日-9月4日连续30日平均气温TAve30和累积降雨量PAcc30，得到TAve30=12.83℃、PAcc30=97.77mm，进而求解得到TD-day=497.93， TD-day＞460.83，判定2007年9月4日培龙沟气象条件符合特大规模冰川泥石流暴发短历时气象条件，发出报警。
验证例3：
天摩沟位于西藏高原帕隆藏布流域，地理坐标为29.99°N、95.32°E，通过光学遥感和地形数据，计算获得σ=0.04，M=0.99，E=60.26。
判定E＞59，为需要重点监测的冰川泥石流流域。
天摩沟灾变当日为2010年7月25日，计算天摩沟泥石流形成区当年优化后逐日气温、降雨及累积雪水当量，得到天摩沟灾变当年雪水当量指数为SA=0.45，λ=1.61。
基于已有灾害样本灾变当年及前一年同期雪水当量指数及积温指数，进行二维空间回归统计，并通过最优二维空间分割求解，计算得到k3=1、k4=3.38、Ty-threshold=5.62。
将计算得到的灾变当年雪水当量指数SA=0.45、积温指数λ=1.61带入公式
TD-year= SA+3.38λ
计算得到TD-year=5.89，TD-year＞5.62，判定符合特大规模冰川泥石流暴发气候条件。
基于已有灾害样本发生当日及相邻前五个年度的同期前连续30日平均气温TAve30及累积降雨量PAcc30，进行二维空间回归统计，并通过最优二维空间分割求解，计算得到k5=1，k6=30.89，Td-threshold=453.22。
计算天摩沟2010年6月25日-7月25日连续30日平均气温TAve30和累积降雨量PAcc30，得到TAve30=14.31℃、PAcc30=108.23mm，进而求解得到TD-day=550.26， TD-day＞453.22，判定2010年7月25日天摩沟气象条件符合特大规模冰川泥石流暴发短历时气象条件，发出报警。
尽管这里参照本发明的实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (15)
1.一种特大规模冰川泥石流预警方法，其特征在于，包括以下步骤：
S1、根据冰川泥石流流域主沟的纵坡比降和松散物源，计算监测区域范围内各冰川泥石流流域的物质能量参数，并根据物质能量参数筛选出需要重点监测的冰川泥石流流域；具体包括步骤S11-S15：
S11、基于光学遥感影像，解译并识别流域内所分布松散物源的范围，并根据识别的范围计算松散物源面积μ i ，所述松散物源包括冰碛物和坡积物；
S12、利用数字高程模型提取流域的范围、沟道形成区最高点至沟口的高差h以及沟道形成区最高点至沟口的水平距离l；根据流域的范围计算流域面积Area basin ，根据高差和水平距离计算主沟纵坡比降s：
s=h/l×100%；
S13、计算物质能量参数，包括主沟纵坡比降归一化指数σ i 和主沟松散物源指数M i ：
其中，s i 为当前计算流域的主沟纵坡比降，s j 为当前计算流域所在母流域内子流域的主沟纵坡比降，n为当前计算流域所属母流域内子流域的数量，μ i 为当前计算流域的松散物源面积，i为当前计算流域的序号；
S14、根据物质能量参数计算流域的物质能量值E i ：
E i = k 1 σ i +k 2 M i
其中，k 1 、k 2 为加权系数；
S15、将物质能量值E i 大于预设的特大规模冰川泥石流物质能量条件阈值的冰川泥石流流域判定为需要重点监测的冰川泥石流流域；
S2、对重点监测的冰川泥石流流域，分别进行水源因子分析计算，所述水源因子包括泥石流形成区的气温、降水及雪水当量；
S3、基于步骤S2中水源因子分析计算的结果，利用特大规模冰川泥石流灾变气候判定模型进行灾变气候判定，利用特大规模冰川泥石流灾变气象判定模型进行灾变气象判定；若灾变气候判定及灾变气象判定两者，均满足其对应的灾变气候判定条件和灾变气象判定条件，则满足预警条件，否则不满足预警条件；
S4、对满足预警条件的冰川泥石流流域进行泥石流灾害报警。
2.如权利要求1所述的一种特大规模冰川泥石流预警方法，其特征在于，步骤S2中，所述对重点监测的冰川泥石流流域，分别进行水源因子分析计算，具体包括：
S21、对目标流域进行区域气温插值；
S22、基于区域气温插值和监测点气温观测数据进行局部气温修正；
S23、获取区域降水反演数据；
S24、基于区域降水反演数据和监测点降雨观测数据进行局部降水修正；
S25、获取区域积雪反演数据；
S26、基于区域积雪反演数据进行区域总体雪水当量计算。
3.如权利要求2所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S21中，所述对目标流域进行区域气温插值，具体包括：
利用目标流域的临近气象站的逐日气温观测数据及目标流域的地形数据，基于薄盘光滑样条法插值法对目标流域进行区域气温插值：
T i = f（x i ）+bT y i +e i
其中，T i 为目标流域内网格i的气温插值结果，f（x i ）为网格x i 的气温估算值，b为地形协变量系数，y i 为网格x i 的高程值，e i 为随机误差。
4.如权利要求2所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S22中，所述基于区域气温插值和监测点气温观测数据进行局部气温修正，具体包括：
S221、通过在目标流域的各个监测站点安装的气温监测设备，获得监测站点的逐日气温观测数据t i ，并与监测站点所属网格x i 的气温插值结果T i 作差，获得气温插值与观测值的单点气温修正值R Ti ；
S222、基于目标流域内的各个监测站点的气温修正值R Ti 构建泰森多边形，并进行空间插值，生成局部气温修正数据R T ；
S223、将区域气温插值结果与局部气温修正数据R T 统一分辨率后相加，计算得到局部气温优化数据T R 。
5.如权利要求2所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S23中，基于全球降水遥感资料GPM或TRMM，获得区域降水反演数据P。
6.如权利要求2所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S24中，所述基于区域降水反演数据进行局部降水修正，具体包括：
S241、通过在目标流域的各个监测点安装的降雨监测设备获得监测点的逐日降雨数据p i ，提取区域降水数据P中监测点所属网格x i 的降水反演数据P i ，通过与逐日降雨数据p i 作差获得局部降雨修正值R Pi ；
S242、基于目标流域的各监测站点获得的降雨修正数据R Pi 构建泰森多边形，并进行空间插值生成局部降水修正数据R P ；
S243、将区域降水反演数据P与局部降水修正数据R P 统一分辨率后相加，计算得到局部降水优化数据P R 。
7.如权利要求2所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S25中，所述获取区域积雪反演数据，具体包括：
通过MODIS逐日积雪数据的解译获得目标流域的泥石流形成区积雪覆盖面积Area snow ，并利用AMSR-E微波雪深数据获得积雪区积雪厚度Depth snow 。
8.如权利要求2所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S26中，所述基于区域积雪反演数据进行区域总体雪水当量计算，具体包括：
首先，计算单位面积内雪水当量SWE：
其中，Depth s_k 为第k天的积雪深度，ρ w 表示水的密度，ρ 0 为新鲜积雪密度，SD k 为第k天积雪深度，ρ s_k 是第k天积雪密度，n表示目标流域监测当日至其相邻冬半年起始日的天数。
9.如权利要求1所述的一种特大规模冰川泥石流预警方法，其特征在于，
所述步骤S3中，所述特大规模冰川泥石流灾变气候判定模型为：
S31、计算目标流域监测当日至其相邻冬半年起始日这一时间区间内，泥石流形成区的积温指数λ和雪水当量流域比SA；
S32、基于灾害历史样本，计算灾害发生当年及与灾害发生当年相邻且未发生灾害年度的积温指数λ和雪水当量流域比SA，以与灾害发生日相邻的冬半年起始日作为起算日，所述相邻年度的时间区间为当前公历年的起算日日期至其前一公历年的起算日日期这一区间，所述灾害发生当年的时间区间则为起算日至灾害发生当日这一区间；
S33、构建雪水当量流域比SA与积温指数λ的二维空间，并将灾害发生当年以及与灾害发生当年相邻未发生灾害年度的数据投影至二维空间，并进行回归分析；
S34、基于步骤S31获得的积温指数λ和雪水当量流域比SA，根据步骤S33获得的分析结果，判定目标流域的气候条件是否符合特大规模冰川泥石流暴发的气候条件。
10.如权利要求9所述的一种特大规模冰川泥石流预警方法，其特征在于，
所述泥石流形成区的积温指数λ的计算方法为：
其中，AT为泥石流形成区有效积温，通过指定时间区间内逐日气温优化数据T R 累加得到，若为正温，则累加，否则不累加；D为指定时间区间内累积的正温天数；k为回归拟合系数；
所述指定时间区间即步骤S31和步骤S32中指定的时间区间。
11.如权利要求9所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S31中，所述泥石流形成区的雪水当量流域比SA的计算方法为：
其中，SnowMass accum 为指定时间区间内的累积雪水当量，通过单位面积内雪水当量SWE累积计算得到；Area snow 为泥石流形成区积雪覆盖面积；days表示指定时间区间内的有效天数；∆SWE为后一天与前一天的雪水当量差，若差为正数，则计入累积雪水当量中，若为负数，表明无新增雪量，则不累计；所述指定时间区间即步骤S31和步骤S32中指定的时间区间。
12.如权利要求9所述的一种特大规模冰川泥石流预警方法，其特征在于，所述步骤S33的回归分析，是求解二维空间的最优分割超平面；所述步骤S34中，基于步骤S31获得的积温指数λ和雪水当量流域比SA，根据步骤S33获得的二维空间最优分割超平面，判定目标流域的气候条件是否符合特大规模冰川泥石流暴发的气候条件，具体包括：
根据目标流域的积温指数λ和雪水当量流域比SA，计算灾变气候判定因子T D-year ：
T D-year = k 3 SA+k 4 λ
其中，k 3 、k 4 为积温指数λ和雪水当量流域比SA所构建二维空间的最优分割线的拟合系数；
根据二维空间的最大几何间隔，设定灾变气候阈值T y-threshold ：
其中，w、b为灾害发生与未发生样本的二维空间最小向量距离分割面参数；
判断灾变气候判定因子T D-year 与灾变气候阈值T y-threshold 的大小关系，若满足T D-year ＞T y-threshold ，则判定符合特大规模冰川泥石流暴发气候条件。
13.如权利要求1或9任一项所述的一种特大规模冰川泥石流预警方法，其特征在于，
所述步骤S3中，所述特大规模冰川泥石流灾变气象判定模型为：
S35、计算目标流域泥石流形成区近30日的平均气温T Ave30 以及累积降雨量P Acc30 ；
S36、基于灾害历史样本，计算灾变当日近30日的平均气温T Ave30 以及累积降雨量P Acc30 ，计算与灾害发生当年相邻且未发生灾害年度的同期平均气温T Ave30 以及累积降雨量P Acc30 ；
S37、构建平均气温T Ave30 以及累积降雨量P Acc30 的二维空间，并将灾害发生当年以及与灾害发生当年相邻未发生灾害年度的数据投影至二维空间，并进行回归分析；
S38、基于步骤S35获得的平均气温T Ave30 以及累积降雨量P Acc30 ，根据步骤S37获得的分析结果，判定目标流域的气象条件是否符合特大规模冰川泥石流暴发的气象条件。
14.如权利要求13所述的一种特大规模冰川泥石流预警方法，其特征在于，
步骤S35中，所述近30日平均气温T Ave30 以及累积降雨量P Acc30 的计算方法为：
其中，T Ri 和P Ri 分别为泥石流形成区第i日的优化后的气温值和优化后的降雨值。
15.如权利要求13所述的一种特大规模冰川泥石流预警方法，其特征在于，
所述步骤S37的回归分析，是求解二维空间的最优分割超平面；所述步骤S38中，基于步骤S35获得的平均气温T Ave30 以及累积降雨量P Acc30 ，根据步骤S37获得的二维空间最优分割超平面，判定目标流域的气象条件是否符合特大规模冰川泥石流暴发的气象条件，具体包括：
根据目标流域平均气温T Ave30 以及累积降雨量P Acc30 ，计算灾变气象判定因子T D-day ：
T
D-day
= k
5
P
Acc30
+k
6
T
Ave30
其中，k 5 、k 6 为平均气温T Ave30 以及累积降雨量P Acc30 所构建二维空间的最优分割线的拟合系数；
根据二维空间的最大几何间隔，设定灾变气象阈值T d-threshold ：
其中，w、b为灾害发生与未发生样本的二维空间最小向量距离分割面参数；
判断灾变气象判定因子T D-day 与灾变气象阈值T d-threshold 的大小关系，若满足T D-day ＞T d-threshold ，则判定符合特大规模冰川泥石流暴发气象条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210275911.XA CN114360214B (zh) | 2022-03-18 | 2022-03-18 | 一种特大规模冰川泥石流预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210275911.XA CN114360214B (zh) | 2022-03-18 | 2022-03-18 | 一种特大规模冰川泥石流预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114360214A CN114360214A (zh) | 2022-04-15 |
| CN114360214B true CN114360214B (zh) | 2022-06-21 |
Family
ID=81095108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210275911.XA Active CN114360214B (zh) | 2022-03-18 | 2022-03-18 | 一种特大规模冰川泥石流预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114360214B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115083115B (zh) * | 2022-06-14 | 2023-11-03 | 成都理工大学 | 一种降雨与温度升高共同作用诱发的泥石流预警方法 |
| CN115638832B (zh) * | 2022-12-23 | 2023-03-07 | 中国科学院、水利部成都山地灾害与环境研究所 | 河道边坡物源监测装置 |
| CN115953705B (zh) * | 2023-03-09 | 2023-05-16 | 昆明理工大学 | 一种冰川冰湖溃决型泥石流判识方法及*** |
| CN116416762B (zh) * | 2023-06-09 | 2023-08-15 | 四川川核地质工程有限公司 | 基于人工智能的泥石流预警方法及*** |
| CN118211008A (zh) * | 2024-05-20 | 2024-06-18 | 中国电建集团西北勘测设计研究院有限公司 | 一种冰川泥石流物源储量计算方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59185224A (ja) * | 1983-04-04 | 1984-10-20 | Japan Radio Co Ltd | 土石流予警報装置 |
| CN104821065A (zh) * | 2015-01-28 | 2015-08-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地灾害监测预测及预警*** |
| CN105160193A (zh) * | 2015-09-21 | 2015-12-16 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于动力过程的泥石流动态风险分析***及方法 |
| CN109447493A (zh) * | 2018-11-07 | 2019-03-08 | 成都理工大学 | 一种基于物源活动强度的震后泥石流危险性评价方法 |
| CN109859442A (zh) * | 2019-04-02 | 2019-06-07 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地灾害链预测预报及监测预警***及实现流程 |
| KR102057109B1 (ko) * | 2019-09-09 | 2019-12-18 | 김정완 | IoT 기반의 비탈면 안정성 모니터링을 포함한 예·경보 시스템 및 방법 |
| CN113409550A (zh) * | 2021-06-25 | 2021-09-17 | 西藏林芝市气象局 | 基于径流汇流模拟的泥石流灾害预警方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105157493B (zh) * | 2015-09-30 | 2016-08-24 | 马卫国 | 一种***用膨胀管及其***方法 |
-
2022
- 2022-03-18 CN CN202210275911.XA patent/CN114360214B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS59185224A (ja) * | 1983-04-04 | 1984-10-20 | Japan Radio Co Ltd | 土石流予警報装置 |
| CN104821065A (zh) * | 2015-01-28 | 2015-08-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地灾害监测预测及预警*** |
| CN105160193A (zh) * | 2015-09-21 | 2015-12-16 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于动力过程的泥石流动态风险分析***及方法 |
| CN109447493A (zh) * | 2018-11-07 | 2019-03-08 | 成都理工大学 | 一种基于物源活动强度的震后泥石流危险性评价方法 |
| CN109859442A (zh) * | 2019-04-02 | 2019-06-07 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地灾害链预测预报及监测预警***及实现流程 |
| KR102057109B1 (ko) * | 2019-09-09 | 2019-12-18 | 김정완 | IoT 기반의 비탈면 안정성 모니터링을 포함한 예·경보 시스템 및 방법 |
| CN113409550A (zh) * | 2021-06-25 | 2021-09-17 | 西藏林芝市气象局 | 基于径流汇流模拟的泥石流灾害预警方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 基于空间分布特征的川九公路沿线地质灾害诱发条件分析;李升甫;《地理与地理信息科学》;20200531;第36卷(第3期);全文 * |
| 泥石流松散物源堆积体启动预警判据研究;翟淑花;《人民长江》;20171231;第48卷(第增刊2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114360214A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114360214B (zh) | 一种特大规模冰川泥石流预警方法 | |
| US7219015B2 (en) | Methods for generating data set | |
| Jayakrishnan et al. | Comparison of raingage and WSR-88D Stage III precipitation data over the Texas-Gulf basin | |
| Lewis et al. | Impacts of logging on storm peak flows, flow volumes and suspended sediment loads in Caspar Creek, California | |
| Eckert et al. | Cross-comparison of meteorological and avalanche data for characterising avalanche cycles: the example of December 2008 in the eastern part of the French Alps | |
| Czuba et al. | Geomorphic analysis of the river response to sedimentation downstream of Mount Rainier, Washington | |
| CN114373283B (zh) | 一种冰崩型冰碛湖溃决灾害预警方法 | |
| JP6450129B2 (ja) | 斜面崩壊予測方法及び斜面崩壊予測装置 | |
| CN117057616A (zh) | 基于数字孪生的水利监测方法及*** | |
| CN112800379A (zh) | 一种modis遥感积雪信息的处理方法和装置 | |
| Verstraten et al. | Sensitivity of Australian roof drainage structures to design rainfall variability and climatic change | |
| CN103886177A (zh) | 一种基于空间网格预测雷击火日发生概率的方法 | |
| Sabӑu et al. | Combining radar quantitative precipitation estimates (QPEs) with distributed hydrological model for controlling transit of flash-flood upstream of crowded human habitats in Romania | |
| Göppert et al. | Flood forecast model for improved reservoir management in the Lenne River catchment, Germany | |
| Al-Rawas | Flash flood modelling in Oman wadis | |
| JPH08194070A (ja) | 送電線雪害警報システム及び雪害判定装置 | |
| Schaffner et al. | Application of the KINEROS2 site specific model to south-central NY and northeast PA: forecasting gaged and ungaged fast responding watersheds | |
| CN117688790B (zh) | 基于多维实时监测与大数据分析的内涝积淹点预判方法 | |
| CN117037457B (zh) | 一种山体滑坡监测预警方法 | |
| CN117556643B (zh) | 一种洪水预警预报方法及预报*** | |
| Hu | Combining Continuous and Event-based Hydrologcial Modeling in Kävlinge river Basin with HEC-HMS | |
| Nakajo et al. | Applicability of D4PDF dataset to Global Stochastic Tropical Cyclone Model | |
| Kim et al. | An Ultra-high Resolution Synthetic Precipitation Data for Ungauged Sites | |
| Ningrum et al. | Statistical Assessment of High-Resolution Climate Model Rainfall Data in the Ciliwung Watershed, Indonesia | |
| CN118365147A (zh) | 一种基于下垫面特征修正的暴雨洪涝灾害风险预估方法 |
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 |