CN115083118A - 一种局部地区滑坡多级预警方法 - Google Patents
一种局部地区滑坡多级预警方法 Download PDFInfo
- Publication number
- CN115083118A CN115083118A CN202211014107.2A CN202211014107A CN115083118A CN 115083118 A CN115083118 A CN 115083118A CN 202211014107 A CN202211014107 A CN 202211014107A CN 115083118 A CN115083118 A CN 115083118A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- landslide
- curve
- early warning
- local area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 38
- 230000001186 cumulative effect Effects 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 7
- 239000002689 soil Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种局部地区滑坡多级预警方法,属于滑坡灾害防控技术领域。该方法先将待预警区域划分为局部地区单元,然后采集连续多年来的降雨量和滑坡历史数据,划分降雨过程后,形成导致与未导致滑坡的降雨强度、持续时长数据序列;数据序列服从于(0‑1)伯努利分布,计算出参数α、β;根据导致和未导致滑坡降雨量数据序列验证阈值的精度;通过降雨数据序列与阈值相减,得到不同时刻下的差值;利用核密度估计方法形成差值的概率密度分布,得到不同累积概率条件下的预警曲线,进而形成滑坡局部地区降雨量四级预警。通过本方法构建的降雨阈值能够提高滑坡预警的客观性和准确度,实现滑坡降雨量多级预警,具有可信度高、操作简便、投入少等优势。
Description
技术领域
本发明属于滑坡灾害防控技术领域,具体涉及一种局部地区滑坡多级预警方法。
背景技术
我国山地丘陵约占国土面积三分之二,地形地质和气象环境条件复杂,滑坡灾害具有点多面广、隐蔽性强、危害大、全面治理难度大等特点,尤其近些年来,以技术和经济条件为支撑的工程活动对水文生态地质环境扰动逐渐加强,加之极端气候条件频发,致使滑坡灾害越来越严重,防灾减灾形势异常严峻。降雨是滑坡的主要诱发因素,90%以上的滑坡是由降雨造成的,降雨型滑坡每年均会造成几十人的伤亡和数以千万计的经济损失,降雨型滑坡灾害的防控对于我国防灾减灾战略的实施意义重大。
建立滑坡的临界降雨阈值条件,进而利用局部地区观测得到的降雨量进行实时预警,是主动防控降雨型滑坡灾害的重要途径,但目前关于滑坡降雨阈值的确定及其预警方法问题尚未得到解决:(1)降雨阈值曲线多采用数据拟合获得,难以统筹考虑所有相关历史数据,客观性和准确度难以满足;(2)一个降雨事件可定义为一个连续的降雨过程,或者由多个无雨间隔分开的非连续降雨过程,滑坡前期无雨间隔时长还未形成定论;(3)基于降雨阈值的滑坡发生概率及其预警方法鲜见报道。相关代表性国内外文献包括:Segoni S.,Piciullo L., Gariano LS.. A review of the recent literature on rainfallthresholds for landslide occurrence[J]. Landslides, 2018, 15(8):1483-1501;王秀英, 王朝明, 廖留峰, 陈卓, 田奇灵, 陈莹. 基于降雨强度与历时的红层区滑坡降雨阈值分析-以普洱为例[J]. 气象科技, 2020, 48(5): 758-765。
申请公布号为CN 103714661 A的发明专利:降雨阈值自适应的滑坡实时预警方法,公布了滑坡(泥石流)区域降雨量预警方法,能够用于构建区域滑坡预报(警)图、确定滑坡可能发生位置,形成预警方法,但是滑坡(泥石流)的阈值参数采用拟合的方法获取,通过插值方法得到预报(警)图,且未给出滑坡预警级别对应的概率,缺乏客观性和准确度,尤其对于地形起伏变化的高原山区。
申请公布号为CN 113012399 A的发明专利:一种降雨型滑坡预警方法及***,公布了一种基于数值模拟的滑坡降雨阈值预警方法,但是对于斜坡分布普遍的高原山区,数值计算量很大;另外,鉴于目前岩土体的数值模型和计算参数不确定因素较多,计算结果的准确性也难以保障,因而该预警方法的准确性是不言而喻的。
因此如何克服现有技术的不足是目前滑坡灾害防控技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种局部地区滑坡多级预警方法。本发明滑坡降雨阈值借助伯努利分布推断法获得,且能够自行验证误差,保障精度要求;该多级预警方法是基于降雨阈值曲线、利用核密度估计得到,实现了4级累积概率预警。本方法具有客观性、准确性、可信度高、投入少、操作简便等优势。
为实现上述目的,本发明采用的技术方案如下:
一种局部地区滑坡多级预警方法,包括如下步骤:
步骤(1),将待预警区域进行划分,划分为局部地区单元,并采集局部地区单元连续多年来的降雨量和滑坡历史数据;
步骤(2),将采集局部地区单元连续多年来的降雨划分为n个降雨过程;
步骤(3),将每一个降雨过程累计降雨量除以降雨持续时长D得到降雨强度I,将每一个降雨过程中数据整理成降雨强度I与降雨持续时长D数据序列(Ii、Di),i=1、2、3、…、n,将(Ii、Di)分为导致滑坡的数据序列(ILi、DLi),i=1、2、3、…、m,和未导致滑坡的数据序列(IuLi、DuLi),i=1、2、3、…、k;n=m+k;
步骤(4),滑坡降雨量经验阈值表达式为:
式中,I为降雨强度,D为降雨持续时长,α、β为曲线参数;参数α服从于[0.01、10]的均匀分布;参数β服从于[0.1、2]的均匀分布;
数据序列(Ii、Di)服从于(0-1)伯努利分布,即:
其中,
式中,X为伯努利分布随机变量,θ为伯努利分布参数;
步骤(5),将数据序列(Ii、Di)代入式(8),得到不同时刻D的差值d序列;
式中,d i (D i )为第D i 时降雨强度差值;I i (D i )为统计得到的第D i 时降雨强度;
通过核密度估计方法,获得d的概率密度分布和累积概率分布,分布图上横坐标为差值d,纵坐标分别为概率密度和累积概率;
步骤(6),累积概率分布曲线上累积概率为0%、50%、80%、90%对应的差值,分别计为d T0 、d T50 、d T80 、d T90 ;
各预警曲线参数α T0、α T50、α T80、α T90通过式(9)计算得到;
α Tj= α-d Tj (9)
式中,α Tj为累积概率为j%条件下预警曲线参数,d Tj 为累积概率为j%条件下的降雨强度差值;
将α T0、α T50、α T80、α T90分别作为α代入式(1),β保持不变,得到不同累积概率条件下预警曲线,分别记为T0曲线、T50曲线、T80曲线、T90曲线;
步骤(7),当待预警区域的降雨条件在T0曲线以上时,滑坡预警级别定义为警报级,发生滑坡的概率达到95%以上;当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别定义为警戒级,发生滑坡的概率为50%至95%;当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别定义为警示级,发生滑坡的概率为20%至50%;当降雨条件在T80曲线下,且在T90曲线以上时,预警级别定义为注意级,发生滑坡的概率为10%至20%。
进一步,优选的是,局部地区单元尺寸面积不超过1000km2。
进一步,优选的是,采集局部地区单元连续多年来的降雨量和滑坡历史数据,具体包括:小时降雨量、降雨量监测站坐标位置、滑坡发生时间和规模。
进一步,优选的是,步骤(2)划分时,选取无雨间隔时间来划分降雨过程;旱季时,若相邻两次降雨中无雨间隔时间超过12h,则将该两次降雨划分为两次降雨过程,若不超过12h,则将该两次降雨记为1次降雨过程;雨季时,若相邻两次降雨中无雨间隔时间超过24h,则将该两次降雨划分为两次降雨过程,若不超过24h,则将该两次降雨记为1次降雨过程。
进一步,优选的是,步骤(4)中,α初值在4~10之间选取,β为0.2~0.6之间选取。
进一步,优选的是,步骤(4)中,计算时,将未导致滑坡的数据序列(IuLi、DuLi),i=1、2、3、…、k,和导致滑坡的数据序列(ILi、DLi),i=1、2、3、…、m,分别代入式(1),若不能同时满足序列数与k的比值大于95%和序列数与m的比值大于95%时,则重新计算,直至大于95%为止。
进一步,优选的是,当降雨条件位于T0曲线以上时,滑坡预警级别为红色预警;
当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别为橙色预警;
当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别为黄色预警;
当降雨条件在T80曲线下,且在T90曲线以上,滑坡预警级别为蓝色预警。
本发明中,划分局部地区单元时,若地形地质条件复杂,则局部地区单元尺寸面积宜更小。
本发明中,将待预警区域进行划分,划分为局部地区单元的具体方法为:收集待预警区域环境条件信息,依据诱发滑坡的地形地质条件和外界因素的相似性定性划分局部地区单元,具体划分方法见表1(但不限于此),局部地区单元尺寸面积不超过1000km2。
表1 局部地区单元确定概要
本发明中滑坡规模是指滑坡体的尺寸,为长×宽×深。
本发明与现有技术相比,其有益效果为:
(1)本发明基于降雨量和滑坡历史数据,利用伯努利分布、核密度估计方法等确定滑坡降雨阈值及分级预警方法,且能够自行验证误差,精度提高至95%以上,具有客观性和准确性,可信程度高;
(2)本发明均通过计算机语言实现,操作简便,计算量小,投入少,具备历史数据条件下可在1小时内确定多级降雨量预警阈值;
(3)本预警方法给出了滑坡发生的量化概率,便于灾害防控相关人员采取应急措施。
附图说明
图1为本发明局部地区滑坡多级预警方法流程图;
图2为本发明应用实例通过WinBUGS计算获取滑坡降雨阈值;
图3为本发明应用实例通过R软件计算获得的滑坡多级预警曲线和概率分布;
图4为本发明应用实例差值d的概率密度分布图;
图5为本发明应用实例差值d的累积概率分布图;横坐标为差值,纵坐标为累积概率;
图6为本发明应用实例对数坐标系下显示的预警阈值和分级预警图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
实施例1
如图1所示,一种局部地区滑坡多级预警方法,包括如下步骤:
步骤(1),将待预警区域进行划分,划分为局部地区单元,并采集局部地区单元连续多年来的降雨量和滑坡历史数据;
步骤(2),将采集局部地区单元连续多年来的降雨划分为n个降雨过程;
步骤(3),将每一个降雨过程累计降雨量除以降雨持续时长D得到降雨强度I,将每一个降雨过程中数据整理成降雨强度I与降雨持续时长D数据序列(Ii、Di),i=1、2、3、…、n,将(Ii、Di)分为导致滑坡的数据序列(ILi、DLi),i=1、2、3、…、m,和未导致滑坡的数据序列(IuLi、DuLi),i=1、2、3、…、k;n=m+k;
步骤(4),滑坡降雨量经验阈值表达式为:
式中,I为降雨强度,D为降雨持续时长,α、β为曲线参数;参数α服从于[0.01、10]的均匀分布;参数β服从于[0.1、2]的均匀分布;
数据序列(Ii、Di)服从于(0-1)伯努利分布,即:
其中,
式中,X为伯努利分布随机变量,θ为伯努利分布参数;
步骤(5),将数据序列(Ii、Di)代入式(8),得到不同时刻D的差值d序列;
式中,d i (D i )为第D i 时降雨强度差值;I i (D i )为统计得到的第D i 时降雨强度;
通过核密度估计方法,获得d的概率密度分布和累积概率分布,分布图上横坐标为差值d,纵坐标分别为概率密度和累积概率;
步骤(6),累积概率分布曲线上累积概率为0%、50%、80%、90%对应的差值,分别计为d T0 、d T50 、d T80 、d T90 ;
各预警曲线参数αT0、αT50、αT80、αT90通过式(9)计算得到;
α Tj= α-d Tj (9)
式中,α Tj为累积概率为j%条件下预警曲线参数,d Tj 为累积概率为j%条件下的降雨强度差值;
将α T0、α T50、α T80、α T90分别作为α代入式(1),β保持不变,得到不同累积概率条件下预警曲线,分别记为T0曲线、T50曲线、T80曲线、T90曲线;
步骤(7),当待预警区域的降雨条件在T0曲线以上时,滑坡预警级别定义为警报级,发生滑
坡的概率达到95%以上;当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别定义为警戒级,发生滑坡的概率为50%至95%;当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别定义为警示级,发生滑坡的概率为20%至50%;当降雨条件在T80曲线下,且在T90曲线以上时,预警级别定义为注意级,发生滑坡的概率为10%至20%。
实施例2
如图1所示,一种局部地区滑坡多级预警方法,包括如下步骤:
步骤(1),将待预警区域进行划分,划分为局部地区单元,并采集局部地区单元连续多年来的降雨量和滑坡历史数据;
步骤(2),将采集局部地区单元连续多年来的降雨划分为n个降雨过程;
步骤(3),将每一个降雨过程累计降雨量除以降雨持续时长D得到降雨强度I,将每一个降雨过程中数据整理成降雨强度I与降雨持续时长D数据序列(Ii、Di),i=1、2、3、…、n,将(Ii、Di)分为导致滑坡的数据序列(ILi、DLi),i=1、2、3、…、m,和未导致滑坡的数据序列(IuLi、DuLi),i=1、2、3、…、k;n=m+k;
步骤(4),滑坡降雨量经验阈值表达式为:
式中,I为降雨强度,D为降雨持续时长,α、β为曲线参数;参数α服从于[0.01、10]的均匀分布;参数β服从于[0.1、2]的均匀分布;
数据序列(Ii、Di)服从于(0-1)伯努利分布,即:
其中,
式中,X为伯努利分布随机变量,θ为伯努利分布参数;
步骤(5),将数据序列(Ii、Di)代入式(8),得到不同时刻D的差值d序列;
式中,d i (D i )为第D i 时降雨强度差值;I i (D i )为统计得到的第D i 时降雨强度;
通过核密度估计方法,获得d的概率密度分布和累积概率分布,分布图上横坐标为差值d,纵坐标分别为概率密度和累积概率;
步骤(6),累积概率分布曲线上累积概率为0%、50%、80%、90%对应的差值,分别计为d T0 、d T50 、d T80 、d T90 ;
各预警曲线参数αT0、αT50、αT80、αT90通过式(9)计算得到;
α Tj= α-d Tj (9)
式中,α Tj为累积概率为j%条件下预警曲线参数,d Tj 为累积概率为j%条件下的降雨强度差值;
将α T0、α T50、α T80、α T90分别作为α代入式(1),β保持不变,得到不同累积概率条件下预警曲线,分别记为T0曲线、T50曲线、T80曲线、T90曲线;
步骤(7),当待预警区域的降雨条件在T0曲线以上时,滑坡预警级别定义为警报级,发生滑坡的概率达到95%以上;当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别定义为警戒级,发生滑坡的概率为50%至95%;当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别定义为警示级,发生滑坡的概率为20%至50%;当降雨条件在T80曲线下,且在T90曲线以上时,预警级别定义为注意级,发生滑坡的概率为10%至20%。局部地区单元尺寸面积不超过1000km2。
采集局部地区单元连续多年来的降雨量和滑坡历史数据,具体包括:小时降雨量、降雨量监测站坐标位置、滑坡发生时间和规模。
步骤(2)划分时,选取无雨间隔时间来划分降雨过程;旱季时,若相邻两次降雨中无雨间隔时间超过12h,则将该两次降雨划分为两次降雨过程,若不超过12h,则将该两次降雨记为1次降雨过程;雨季时,若相邻两次降雨中无雨间隔时间超过24h,则将该两次降雨划分为两次降雨过程,若不超过24h,则将该两次降雨记为1次降雨过程。
步骤(4)中,α初值在4~10之间选取,β为0.2~0.6之间选取。
步骤(4)中,计算时,将未导致滑坡的数据序列(IuLi、DuLi),i=1、2、3、…、k,和导致滑坡的数据序列(ILi、DLi),i=1、2、3、…、m,分别代入式(1),若不能同时满足序列数与k的比值大于95%和序列数与m的比值大于95%时,则重新计算,直至大于95%为止。
当降雨条件位于T0曲线以上时,滑坡预警级别为红色预警;
当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别为橙色预警;
当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别为黄色预警;
当降雨条件在T80曲线下,且在T90曲线以上,滑坡预警级别为蓝色预警。
实施例3
一种局部地区滑坡多级预警方法,包括如下步骤:
步骤1:收集数据
(1)收集区域地形地貌、岩土结构、地层岩性、降雨量环境条件,依据诱发滑坡的地形地貌、岩土结构、地层岩性、基础条件的相似度和降雨量外界因素的相似度划分出局部地区单元。划分方法见下表2。
表2 局部地区单元确定概要
根据研究成果认为,为保障预警准确性要求局部地区尺寸面积不宜超过1000km2,地形地质条件复杂且变化较大时面积要更小;
(2)收集局部地区近年间的降雨量和滑坡历史数据,主要包括小时降雨量、降雨量监测站坐标位置、滑坡发生时间和规模。
步骤2:整理数据
(1)一个降雨事件可定义为一个连续的降雨过程,或者由多个无雨间隔分开的非连续降雨过程,申请人研究结果表明对于后者无雨间隔时间的上限值为12h(旱季)+24h(雨季);
(2)将多年降雨划分为n个降雨过程,对于每一个降雨过程,降雨量累积求和得到累积降雨量,将累积降雨量(mm)除以降雨持续时长(d)得到降雨强度I(mm/d);将所有降雨过程数据整理形成降雨强度I与持续时长D数据序列(Ii、Di)(i=1、2、3、…、n),(Ii、Di),又区分为导致滑坡的降雨强度I与持续时长D数据序列(ILi、DLi)(i=1、2、3、…、m)与未导致滑坡的降雨强度I与持续时长D数据序列(IuLi、DuLi)(i=1、2、3、…、k);其中n=m+k。
步骤3:确定滑坡降雨阈值
(1)被广泛采用的滑坡降雨量经验阈值表达式为:
式中,I为降雨强度,D为降雨持续时长,α、β为计算参数;要想获得降雨阈值,首要获得参数α、β,为此式(1)变换后得到:
(2)对于数据序列(Ii、Di),或者会导致滑坡,或者不会导致滑坡,服从于(0-1)的伯努利分布,即:
(3)通过申请人研究认为,式(4)和(5)中θ的表达式分别为:
(4)参数α、β设置为服从于[0.01、10]、[0.1、2]的均匀分布,α、β初值分别在4~10、0.2~0.6之间选取,将数据序列(Ii、Di)代入式(3)至(7),进行反复计算;
(5)基于WinBUGS软件平台,进行反复运算,估算出参数α、β数值,代入式(1)获得局部地区滑坡降雨阈值;
步骤4:建立多级预警方法
(1)将未导致滑坡的数据序列(IuLi、DuLi)分别代入式(2),若不能同时满足序列数与k的比值大于95%和序列数与m的比值大于95%时,重复步骤3,重新运算,直至大于95%为止,以此满足精度95%的要求;
(2)将数据序列(Ii、Di)代入式(8),得到不同时刻D差值d,如下式:
(3)通过核密度估计方法,通过编写R语言实现获得差值d的概率密度分布;
(4)选取累积概率为0(T0)、50%(T50)、80%(T80)、90%(T90)对应的曲线作为预警曲线,各预警曲线参数αT由式(9)计算得到,参数β保持不变;
(5)当降雨条件大于T0曲线时滑坡预警级别定义为警报级(红色),发生滑坡的概率达到95%以上;当降雨条件介于T0~T50曲线之间时滑坡预警级别定义为警戒级(橙色),发生滑坡的概率为50%至95%;当降雨条件介于T50~T80曲线之间时滑坡预警级别定义为警示级(黄色),发生滑坡的概率为20%至50%;当降雨条件介于T80~T90曲线之间时预警级别定义为注意级(蓝色),发生滑坡的概率为10%至20%。
应用实例
1、通过现场调查、搜集资料、理论分析,获得云南省贡山县的地形地貌、降雨、地层岩性、岩土体结构环境条件,分析计算相似度,划分确定局部地区单元,该局部地区单元面积约为530km2;向气象、国土资源、交通部门收集近10年内的小时降雨量、滑坡发生时间与规模历史数据;
2、根据该地区多年月平均降雨量分布来看,旱季为9月至次年3月,雨季为4月至8月,按照无雨间隔时间不超过12h(旱季)+24h(雨季)的要求,通过EXCEL VBA将10年降雨分为405个降雨过程;
3、将每一个降雨过程中的降雨数据整理形成降雨强度I与持续时长D数据序列(Ii、Di)(i=1、2、3、…、405),(Ii、Di)又区分为导致滑坡的数据序列(ILi、DLi)(i=1、2、3、…、36)与未导致滑坡的数据序列(IuLi、DuLi)(i=1、2、3、…、369);相关数据见表3和表4。
表3 未导致滑坡的持续时长与降雨强度数据序列
序号 | D<sub>uLi</sub> | I<sub>uLi</sub> | 序号 | D<sub>uLi</sub> | I<sub>uLi</sub> | 序号 | D<sub>uLi</sub> | I<sub>uLi</sub> | 序号 | D<sub>uLi</sub> | I<sub>uLi</sub> |
1 | 13 | 0.261538 | 101 | 3 | 0.166667 | 201 | 104 | 0.216346 | 301 | 2 | 0.2 |
2 | 15 | 0.366667 | 102 | 3 | 1.666667 | 202 | 112 | 0.09375 | 302 | 50 | 0.054 |
3 | 71 | 0.340845 | 103 | 148 | 0.135135 | 203 | 14 | 0.164286 | 303 | 86 | 0.268605 |
4 | 17 | 0.329412 | 104 | 189 | 0.551852 | 204 | 54 | 0.162963 | 304 | 292 | 0.435274 |
5 | 69 | 0.075362 | 105 | 43 | 0.04186 | 205 | 3 | 0.1 | 305 | 60 | 0.176667 |
6 | 119 | 0.30084 | 106 | 166 | 0.370482 | 206 | 4 | 0.3 | 306 | 190 | 0.227368 |
7 | 1 | 3.2 | 107 | 20 | 0.135 | 207 | 33 | 0.09697 | 307 | 7 | 0.057143 |
8 | 74 | 0.752703 | 108 | 2 | 0.6 | 208 | 156 | 0.480769 | 308 | 58 | 0.146552 |
9 | 85 | 0.66 | 109 | 53 | 0.341509 | 209 | 446 | 0.356278 | 309 | 52 | 0.326923 |
10 | 87 | 0.644828 | 110 | 93 | 0.192473 | 210 | 311 | 0.246302 | 310 | 319 | 0.222884 |
11 | 35 | 1.128571 | 111 | 6 | 1.35 | 211 | 1 | 0.1 | 311 | 26 | 0.530769 |
12 | 103 | 0.524272 | 112 | 1 | 0.1 | 212 | 47 | 0.210638 | 312 | 146 | 0.247945 |
13 | 23 | 0.321739 | 113 | 23 | 0.921739 | 213 | 26 | 1.692308 | 313 | 231 | 0.217749 |
14 | 40 | 0.0725 | 114 | 5 | 0.16 | 214 | 31 | 0.570968 | 314 | 148 | 0.517568 |
15 | 141 | 0.726241 | 115 | 49 | 0.802041 | 215 | 19 | 1.126316 | 315 | 34 | 0.064706 |
16 | 146 | 0.546575 | 116 | 28 | 0.096429 | 216 | 47 | 0.340426 | 316 | 105 | 0.095238 |
17 | 2 | 0.1 | 117 | 5 | 0.06 | 217 | 36 | 0.105556 | 317 | 270 | 0.418148 |
18 | 1 | 0.7 | 118 | 1 | 0.1 | 218 | 240 | 0.447083 | 318 | 355 | 0.387887 |
19 | 148 | 0.455405 | 119 | 44 | 0.081818 | 219 | 6 | 0.433333 | 319 | 86 | 0.104651 |
20 | 19 | 1.010526 | 120 | 128 | 0.130469 | 220 | 42 | 0.516667 | 320 | 5 | 0.2 |
21 | 22 | 0.127273 | 121 | 28 | 0.057143 | 221 | 12 | 0.041667 | 321 | 141 | 0.219858 |
22 | 118 | 0.038136 | 122 | 207 | 0.424155 | 222 | 121 | 0.343802 | 322 | 110 | 0.176364 |
23 | 111 | 0.198198 | 123 | 92 | 0.307609 | 223 | 17 | 0.570588 | 323 | 5 | 0.56 |
24 | 146 | 0.393151 | 124 | 38 | 0.978947 | 224 | 103 | 0.217476 | 324 | 73 | 0.152055 |
25 | 44 | 0.604545 | 125 | 1 | 0.2 | 225 | 31 | 0.145161 | 325 | 437 | 0.31762 |
26 | 175 | 0.332 | 126 | 50 | 1.164 | 226 | 4 | 0.25 | 326 | 21 | 0.02381 |
27 | 8 | 0.0375 | 127 | 90 | 0.725556 | 227 | 1 | 0.1 | 327 | 12 | 0.066667 |
28 | 17 | 0.041176 | 128 | 17 | 1.023529 | 228 | 12 | 0.458333 | 328 | 23 | 0.234783 |
29 | 111 | 0.181982 | 129 | 14 | 0.021429 | 229 | 2 | 0.15 | 329 | 57 | 0.526316 |
30 | 9 | 0.111111 | 130 | 13 | 0.369231 | 230 | 302 | 0.506623 | 330 | 3 | 1.8 |
31 | 16 | 0.175 | 131 | 57 | 0.492982 | 231 | 117 | 0.294872 | 331 | 4 | 1.4 |
32 | 1 | 0.2 | 132 | 438 | 0.232877 | 232 | 195 | 0.190256 | 332 | 44 | 0.636364 |
33 | 25 | 0.12 | 133 | 12 | 0.616667 | 233 | 114 | 0.505263 | 333 | 31 | 0.096774 |
34 | 2 | 0.25 | 134 | 177 | 0.459322 | 234 | 2 | 0.15 | 334 | 2 | 0.1 |
35 | 27 | 0.088889 | 135 | 22 | 0.154545 | 235 | 7 | 0.7 | 335 | 436 | 0.232569 |
36 | 49 | 0.038776 | 136 | 54 | 0.061111 | 236 | 2 | 0.55 | 336 | 314 | 0.48535 |
37 | 31 | 0.103226 | 137 | 5 | 0.14 | 237 | 1 | 0.1 | 337 | 4 | 1.3 |
38 | 62 | 0.206452 | 138 | 110 | 0.335455 | 238 | 246 | 0.521951 | 338 | 31 | 0.370968 |
39 | 62 | 0.093548 | 139 | 31 | 0.419355 | 239 | 127 | 0.408661 | 339 | 25 | 0.052 |
40 | 167 | 0.27485 | 140 | 11 | 0.372727 | 240 | 40 | 0.1725 | 340 | 136 | 0.136029 |
41 | 13 | 0.115385 | 141 | 27 | 0.477778 | 241 | 33 | 0.087879 | 341 | 5 | 0.2 |
42 | 62 | 0.104839 | 142 | 34 | 0.167647 | 242 | 115 | 0.34 | 342 | 14 | 0.164286 |
43 | 77 | 0.228571 | 143 | 25 | 0.112 | 243 | 219 | 0.315068 | 343 | 54 | 0.162963 |
44 | 81 | 0.497531 | 144 | 286 | 0.347902 | 244 | 19 | 0.031579 | 344 | 3 | 0.1 |
45 | 18 | 0.016667 | 145 | 321 | 0.25109 | 245 | 75 | 0.117333 | 345 | 4 | 0.3 |
46 | 14 | 0.492857 | 146 | 158 | 0.417089 | 246 | 1 | 0.1 | 346 | 220 | 0.424091 |
47 | 6 | 0.3 | 147 | 76 | 0.314474 | 247 | 121 | 0.873554 | 347 | 37 | 0.208108 |
48 | 9 | 0.755556 | 148 | 1 | 0.2 | 248 | 177 | 0.276271 | 348 | 31 | 0.045161 |
49 | 4 | 1.2 | 149 | 26 | 0.05 | 249 | 45 | 0.437778 | 349 | 157 | 0.477707 |
50 | 66 | 0.312121 | 150 | 9 | 1.133333 | 250 | 4 | 1.275 | 350 | 520 | 0.347885 |
51 | 44 | 1.145455 | 151 | 20 | 0.395 | 251 | 70 | 0.388571 | 351 | 119 | 0.317647 |
52 | 87 | 0.378161 | 152 | 6 | 0.05 | 252 | 26 | 0.215385 | 352 | 24 | 0.108333 |
53 | 166 | 0.550602 | 153 | 15 | 0.14 | 253 | 31 | 0.396774 | 353 | 1 | 0.3 |
54 | 85 | 0.355294 | 154 | 3 | 0.466667 | 254 | 3 | 0.166667 | 354 | 54 | 0.105556 |
55 | 55 | 0.070909 | 155 | 36 | 0.480556 | 255 | 203 | 0.26601 | 355 | 9 | 0.433333 |
56 | 116 | 0.221552 | 156 | 40 | 0.1875 | 256 | 58 | 0.046552 | 356 | 2 | 0.1 |
57 | 224 | 0.389732 | 157 | 2 | 0.3 | 257 | 140 | 0.238571 | 357 | 12 | 0.066667 |
58 | 5 | 0.18 | 158 | 20 | 0.27 | 258 | 9 | 0.344444 | 358 | 6 | 0.783333 |
59 | 242 | 0.260744 | 159 | 14 | 0.65 | 259 | 17 | 0.076471 | 359 | 99 | 0.332323 |
60 | 36 | 0.263889 | 160 | 53 | 0.85283 | 260 | 58 | 0.605172 | 360 | 97 | 0.243299 |
61 | 149 | 0.389933 | 161 | 86 | 0.819767 | 261 | 325 | 0.307385 | 361 | 531 | 0.332957 |
62 | 5 | 0.44 | 162 | 78 | 0.130769 | 262 | 158 | 0.351899 | 362 | 54 | 0.351852 |
63 | 6 | 3.35 | 163 | 2 | 0.55 | 263 | 4 | 1.675 | 363 | 12 | 0.975 |
64 | 28 | 0.075 | 164 | 2 | 0.25 | 264 | 88 | 0.242045 | 364 | 12 | 0.783333 |
65 | 9 | 1.555556 | 165 | 141 | 0.432624 | 265 | 17 | 1.111765 | 365 | 10 | 0.61 |
66 | 19 | 0.068421 | 166 | 46 | 0.38913 | 266 | 1 | 0.3 | 366 | 159 | 0.291195 |
67 | 116 | 0.560345 | 167 | 4 | 1.3 | 267 | 6 | 0.45 | 367 | 1 | 0.1 |
68 | 28 | 0.128571 | 168 | 9 | 1.2 | 268 | 16 | 0.08125 | 368 | 45 | 0.166667 |
69 | 53 | 0.358491 | 169 | 25 | 0.052 | 269 | 102 | 1.014706 | 369 | 432 | 0.254167 |
70 | 26 | 0.442308 | 170 | 60 | 0.533333 | 270 | 2 | 0.55 | |||
71 | 23 | 0.278261 | 171 | 198 | 0.425758 | 271 | 69 | 0.572464 | |||
72 | 28 | 0.046429 | 172 | 1 | 0.1 | 272 | 23 | 0.104348 | |||
73 | 89 | 0.31573 | 173 | 51 | 0.176471 | 273 | 1 | 0.1 | |||
74 | 15 | 0.26 | 174 | 104 | 0.165385 | 274 | 1 | 0.3 | |||
75 | 1 | 0.3 | 175 | 2 | 0.5 | 275 | 1 | 0.1 | |||
76 | 84 | 0.115476 | 176 | 46 | 0.182609 | 276 | 56 | 0.282143 | |||
77 | 33 | 0.012121 | 177 | 27 | 0.07037 | 277 | 284 | 0.249648 | |||
78 | 120 | 0.266667 | 178 | 4 | 4.025 | 278 | 106 | 0.485849 | |||
79 | 1 | 0.2 | 179 | 1 | 0.3 | 279 | 48 | 1.045833 | |||
80 | 69 | 0.665217 | 180 | 117 | 0.37265 | 280 | 229 | 0.448472 | |||
81 | 31 | 0.487097 | 181 | 107 | 0.420561 | 281 | 112 | 0.532143 | |||
82 | 1 | 0.2 | 182 | 1 | 1.5 | 282 | 30 | 0.356667 | |||
83 | 8 | 0.1125 | 183 | 154 | 0.204545 | 283 | 87 | 0.721839 | |||
84 | 11 | 0.227273 | 184 | 47 | 0.551064 | 284 | 295 | 0.442373 | |||
85 | 37 | 0.759459 | 185 | 5 | 0.22 | 285 | 117 | 0.212821 | |||
86 | 49 | 0.236735 | 186 | 36 | 0.519444 | 286 | 13 | 0.207692 | |||
87 | 1 | 0.1 | 187 | 2 | 0.2 | 287 | 25 | 0.388 | |||
88 | 20 | 0.805 | 188 | 8 | 0.075 | 288 | 44 | 0.252273 | |||
89 | 38 | 0.45 | 189 | 119 | 0.306723 | 289 | 114 | 0.631579 | |||
90 | 73 | 0.69589 | 190 | 10 | 0.65 | 290 | 1 | 1.6 | |||
91 | 50 | 0.088 | 191 | 4 | 0.125 | 291 | 6 | 0.45 | |||
92 | 11 | 0.481818 | 192 | 32 | 0.621875 | 292 | 145 | 0.570345 | |||
93 | 1 | 0.1 | 193 | 38 | 0.715789 | 293 | 194 | 0.436082 | |||
94 | 105 | 0.26 | 194 | 63 | 1.133333 | 294 | 81 | 0.351852 | |||
95 | 78 | 0.426923 | 195 | 49 | 0.161224 | 295 | 4 | 2.225 | |||
96 | 2 | 0.25 | 196 | 65 | 0.655385 | 296 | 2 | 0.15 | |||
97 | 65 | 0.166154 | 197 | 34 | 0.547059 | 297 | 60 | 0.281667 | |||
98 | 34 | 0.385294 | 198 | 27 | 0.125926 | 298 | 175 | 0.073714 | |||
99 | 18 | 0.044444 | 199 | 26 | 0.676923 | 299 | 4 | 0.35 | |||
100 | 166 | 0.238554 | 200 | 58 | 0.056897 | 300 | 76 | 0.443421 |
表4 导致滑坡的持续时长与降雨强度数据序列
序号 | D<sub>Li</sub> | I<sub>Li</sub> | 序号 | D<sub>Li</sub> | I<sub>Li</sub> |
1 | 132 | 1.317424 | 20 | 278 | 0.651439 |
2 | 297 | 1.220202 | 21 | 574 | 0.339721 |
3 | 184 | 1.586413 | 22 | 165 | 0.998182 |
4 | 67 | 2.485075 | 23 | 219 | 0.768037 |
5 | 123 | 1.834959 | 24 | 396 | 0.495707 |
6 | 112 | 0.75 | 25 | 164 | 1.293902 |
7 | 80 | 1.34375 | 26 | 162 | 0.808025 |
8 | 75 | 1.186667 | 27 | 150 | 0.874 |
9 | 100 | 0.592 | 28 | 72 | 1.234722 |
10 | 69 | 1.234783 | 29 | 148 | 1.104054 |
11 | 129 | 1.160465 | 30 | 56 | 1.660714 |
12 | 113 | 0.881416 | 31 | 333 | 0.562162 |
13 | 265 | 0.89283 | 32 | 555 | 0.436216 |
14 | 148 | 1.104054 | 33 | 195 | 1.650256 |
15 | 56 | 1.660714 | 34 | 103 | 0.959223 |
16 | 398 | 0.475879 | 35 | 20 | 2.625 |
17 | 75 | 1.438667 | 36 | 94 | 2.725532 |
18 | 85 | 1.222353 | |||
19 | 244 | 0.890164 |
4、滑坡的经验降雨阈值公式为;
5、对于数据序列(Ii、Di),导致滑坡36个,未导致滑坡369个,服从于(0-1)的伯努利分布,即:
6、式(3)和(4)中θ的表达式分别为:
7、参数α、β设置为服从于[0.01、10]、[0.1、2]的均匀分布,α、β初值分别设置为5、0.5;
8、基于WinBUGS软件平台反复运算,估算参数α、β数值分别为9.248、0.5001,获得局部地区滑坡降雨阈值,具体见图2所示;
10、将数据序列(Ii、Di)代入式(7),得到不同时刻D差值d序列,如下式:
相关数据见表5。
表5 持续时长与差值数据序列
序号 | D<sub>i</sub> | d<sub>i</sub>(D<sub>i</sub>) | 序号 | D<sub>i</sub> | d<sub>i</sub>(D<sub>i</sub>) | 序号 | D<sub>i</sub> | d<sub>i</sub>(D<sub>i</sub>) | 序号 | D<sub>i</sub> | d<sub>i</sub>(D<sub>i</sub>) |
1 | 13 | 2.564276 | 101 | 3 | 5.338749 | 201 | 104 | 0.90642 | 301 | 2 | 6.53887 |
2 | 15 | 2.387177 | 102 | 3 | 5.338749 | 202 | 112 | 0.873442 | 302 | 50 | 1.307353 |
3 | 71 | 1.097068 | 103 | 148 | 0.759801 | 203 | 14 | 2.47098 | 303 | 86 | 0.996793 |
4 | 17 | 2.242334 | 104 | 189 | 0.672341 | 204 | 54 | 1.257991 | 304 | 292 | 0.540891 |
5 | 69 | 1.112857 | 105 | 43 | 1.409776 | 205 | 3 | 5.338749 | 305 | 60 | 1.193423 |
6 | 119 | 0.847358 | 106 | 166 | 0.717417 | 206 | 4 | 4.623359 | 306 | 190 | 0.670568 |
7 | 1 | 9.248 | 107 | 20 | 2.067296 | 207 | 33 | 1.609307 | 307 | 7 | 3.494735 |
8 | 74 | 1.074596 | 108 | 2 | 6.53887 | 208 | 156 | 0.740059 | 308 | 58 | 1.213829 |
9 | 85 | 1.002641 | 109 | 53 | 1.269806 | 209 | 446 | 0.437638 | 309 | 52 | 1.28196 |
10 | 87 | 0.991047 | 110 | 93 | 0.958538 | 210 | 311 | 0.524105 | 310 | 319 | 0.51749 |
11 | 35 | 1.562642 | 111 | 6 | 3.774804 | 211 | 1 | 9.248 | 311 | 26 | 1.813091 |
12 | 103 | 0.91081 | 112 | 1 | 9.248 | 212 | 47 | 1.34844 | 312 | 146 | 0.764989 |
13 | 23 | 1.927737 | 113 | 23 | 1.927737 | 213 | 26 | 1.813091 | 313 | 231 | 0.608143 |
14 | 40 | 1.461698 | 114 | 5 | 4.135166 | 214 | 31 | 1.66042 | 314 | 148 | 0.759801 |
15 | 141 | 0.778437 | 115 | 49 | 1.320629 | 215 | 19 | 2.121012 | 315 | 34 | 1.58546 |
16 | 146 | 0.764989 | 116 | 28 | 1.747125 | 216 | 47 | 1.34844 | 316 | 105 | 0.902092 |
17 | 2 | 6.53887 | 117 | 5 | 4.135166 | 217 | 36 | 1.540781 | 317 | 270 | 0.5625 |
18 | 1 | 9.248 | 118 | 1 | 9.248 | 218 | 240 | 0.596629 | 318 | 355 | 0.490545 |
19 | 148 | 0.759801 | 119 | 44 | 1.393661 | 219 | 6 | 3.774804 | 319 | 86 | 0.996793 |
20 | 19 | 2.121012 | 120 | 128 | 0.817019 | 220 | 42 | 1.426464 | 320 | 5 | 4.135166 |
21 | 22 | 1.971071 | 121 | 28 | 1.747125 | 221 | 12 | 2.669004 | 321 | 141 | 0.778437 |
22 | 118 | 0.850941 | 122 | 207 | 0.642438 | 222 | 121 | 0.840324 | 322 | 110 | 0.881348 |
23 | 111 | 0.877368 | 123 | 92 | 0.963735 | 223 | 17 | 2.242334 | 323 | 5 | 4.135166 |
24 | 146 | 0.764989 | 124 | 38 | 1.499678 | 224 | 103 | 0.91081 | 324 | 73 | 1.081932 |
25 | 44 | 1.393661 | 125 | 1 | 9.248 | 225 | 31 | 1.66042 | 325 | 437 | 0.442123 |
26 | 175 | 0.698722 | 126 | 50 | 1.307353 | 226 | 4 | 4.623359 | 326 | 21 | 2.017465 |
27 | 8 | 3.268982 | 127 | 90 | 0.974386 | 227 | 1 | 9.248 | 327 | 12 | 2.669004 |
28 | 17 | 2.242334 | 128 | 17 | 2.242334 | 228 | 12 | 2.669004 | 328 | 23 | 1.927737 |
29 | 111 | 0.877368 | 129 | 14 | 2.47098 | 229 | 2 | 6.53887 | 329 | 57 | 1.224432 |
30 | 9 | 3.081989 | 130 | 13 | 2.564276 | 230 | 302 | 0.531859 | 330 | 3 | 5.338749 |
31 | 16 | 2.311359 | 131 | 57 | 1.224432 | 231 | 117 | 0.854571 | 331 | 4 | 4.623359 |
32 | 1 | 9.248 | 132 | 438 | 0.441618 | 232 | 195 | 0.661914 | 332 | 44 | 1.393661 |
33 | 25 | 1.849005 | 133 | 12 | 2.669004 | 233 | 114 | 0.865744 | 333 | 31 | 1.66042 |
34 | 2 | 6.53887 | 134 | 177 | 0.694763 | 234 | 2 | 6.53887 | 334 | 2 | 6.53887 |
35 | 27 | 1.779192 | 135 | 22 | 1.971071 | 235 | 7 | 3.494735 | 335 | 436 | 0.44263 |
36 | 49 | 1.320629 | 136 | 54 | 1.257991 | 236 | 2 | 6.53887 | 336 | 314 | 0.521595 |
37 | 31 | 1.66042 | 137 | 5 | 4.135166 | 237 | 1 | 9.248 | 337 | 4 | 4.623359 |
38 | 62 | 1.174013 | 138 | 110 | 0.881348 | 238 | 246 | 0.589306 | 338 | 31 | 1.66042 |
39 | 62 | 1.174013 | 139 | 31 | 1.66042 | 239 | 127 | 0.82023 | 339 | 25 | 1.849005 |
40 | 167 | 0.715266 | 140 | 11 | 2.787708 | 240 | 40 | 1.461698 | 340 | 136 | 0.79262 |
41 | 13 | 2.564276 | 141 | 27 | 1.779192 | 241 | 33 | 1.609307 | 341 | 5 | 4.135166 |
42 | 62 | 1.174013 | 142 | 34 | 1.58546 | 242 | 115 | 0.861971 | 342 | 14 | 2.47098 |
43 | 77 | 1.05345 | 143 | 25 | 1.849005 | 243 | 219 | 0.624585 | 343 | 54 | 1.257991 |
44 | 81 | 1.027104 | 144 | 286 | 0.546536 | 244 | 19 | 2.121012 | 344 | 3 | 5.338749 |
45 | 18 | 2.179145 | 145 | 321 | 0.515875 | 245 | 75 | 1.067406 | 345 | 4 | 4.623359 |
46 | 14 | 2.47098 | 146 | 158 | 0.735359 | 246 | 1 | 9.248 | 346 | 220 | 0.623164 |
47 | 6 | 3.774804 | 147 | 76 | 1.060359 | 247 | 121 | 0.840324 | 347 | 37 | 1.519813 |
48 | 9 | 3.081989 | 148 | 1 | 9.248 | 248 | 177 | 0.694763 | 348 | 31 | 1.66042 |
49 | 4 | 4.623359 | 149 | 26 | 1.813091 | 249 | 45 | 1.378086 | 349 | 157 | 0.737698 |
50 | 66 | 1.137873 | 150 | 9 | 3.081989 | 250 | 4 | 4.623359 | 350 | 520 | 0.405298 |
51 | 44 | 1.393661 | 151 | 20 | 2.067296 | 251 | 70 | 1.104878 | 351 | 119 | 0.847358 |
52 | 87 | 0.991047 | 152 | 6 | 3.774804 | 252 | 26 | 1.813091 | 352 | 24 | 1.88714 |
53 | 166 | 0.717417 | 153 | 15 | 2.387177 | 253 | 31 | 1.66042 | 353 | 1 | 9.248 |
54 | 85 | 1.002641 | 154 | 3 | 5.338749 | 254 | 3 | 5.338749 | 354 | 54 | 1.257991 |
55 | 55 | 1.2465 | 155 | 36 | 1.540781 | 255 | 203 | 0.648738 | 355 | 9 | 3.081989 |
56 | 116 | 0.858247 | 156 | 40 | 1.461698 | 256 | 58 | 1.213829 | 356 | 2 | 6.53887 |
57 | 224 | 0.617574 | 157 | 2 | 6.53887 | 257 | 140 | 0.781213 | 357 | 12 | 2.669004 |
58 | 5 | 4.135166 | 158 | 20 | 2.067296 | 258 | 9 | 3.081989 | 358 | 6 | 3.774804 |
59 | 242 | 0.594158 | 159 | 14 | 2.47098 | 259 | 17 | 2.242334 | 359 | 99 | 0.929032 |
60 | 36 | 1.540781 | 160 | 53 | 1.269806 | 260 | 58 | 1.213829 | 360 | 97 | 0.938563 |
61 | 149 | 0.757247 | 161 | 86 | 0.996793 | 261 | 325 | 0.51269 | 361 | 531 | 0.401077 |
62 | 5 | 4.135166 | 162 | 78 | 1.046674 | 262 | 158 | 0.735359 | 362 | 54 | 1.257991 |
63 | 6 | 3.774804 | 163 | 2 | 6.53887 | 263 | 4 | 4.623359 | 363 | 12 | 2.669004 |
64 | 28 | 1.747125 | 164 | 2 | 6.53887 | 264 | 88 | 0.985399 | 364 | 12 | 2.669004 |
65 | 9 | 3.081989 | 165 | 141 | 0.778437 | 265 | 17 | 2.242334 | 365 | 10 | 2.923801 |
66 | 19 | 2.121012 | 166 | 46 | 1.363021 | 266 | 1 | 9.248 | 366 | 159 | 0.733042 |
67 | 116 | 0.858247 | 167 | 4 | 4.623359 | 267 | 6 | 3.774804 | 367 | 1 | 9.248 |
68 | 28 | 1.747125 | 168 | 9 | 3.081989 | 268 | 16 | 2.311359 | 368 | 45 | 1.378086 |
69 | 53 | 1.269806 | 169 | 25 | 1.849005 | 269 | 102 | 0.915265 | 369 | 432 | 0.444675 |
70 | 26 | 1.813091 | 170 | 60 | 1.193423 | 270 | 2 | 6.53887 | 370 | 132 | -0.51288 |
71 | 23 | 1.927737 | 171 | 198 | 0.656879 | 271 | 69 | 1.112857 | 371 | 297 | -0.68388 |
72 | 28 | 1.747125 | 172 | 1 | 9.248 | 272 | 23 | 1.927737 | 372 | 184 | -0.905 |
73 | 89 | 0.979846 | 173 | 51 | 1.29447 | 273 | 1 | 9.248 | 373 | 67 | -1.35573 |
74 | 15 | 2.387177 | 174 | 104 | 0.90642 | 274 | 1 | 9.248 | 374 | 123 | -1.0015 |
75 | 1 | 9.248 | 175 | 2 | 6.53887 | 275 | 1 | 9.248 | 375 | 112 | 0.123442 |
76 | 84 | 1.008593 | 176 | 46 | 1.363021 | 276 | 56 | 1.235319 | 376 | 80 | -0.31025 |
77 | 33 | 1.609307 | 177 | 27 | 1.779192 | 277 | 284 | 0.548458 | 377 | 75 | -0.11926 |
78 | 120 | 0.843819 | 178 | 4 | 4.623359 | 278 | 106 | 0.897826 | 378 | 100 | 0.332374 |
79 | 1 | 9.248 | 179 | 1 | 9.248 | 279 | 48 | 1.334317 | 379 | 69 | -0.12193 |
80 | 69 | 1.112857 | 180 | 117 | 0.854571 | 280 | 229 | 0.610793 | 380 | 129 | -0.34662 |
81 | 31 | 1.66042 | 181 | 107 | 0.89362 | 281 | 112 | 0.873442 | 381 | 113 | -0.01185 |
82 | 1 | 9.248 | 182 | 1 | 9.248 | 282 | 30 | 1.687872 | 382 | 265 | -0.32505 |
83 | 8 | 3.268982 | 183 | 154 | 0.74485 | 283 | 87 | 0.991047 | 383 | 148 | -0.34425 |
84 | 11 | 2.787708 | 184 | 47 | 1.34844 | 284 | 295 | 0.538133 | 384 | 56 | -0.4254 |
85 | 37 | 1.519813 | 185 | 5 | 4.135166 | 285 | 117 | 0.854571 | 385 | 398 | -0.0126 |
86 | 49 | 1.320629 | 186 | 36 | 1.540781 | 286 | 13 | 2.564276 | 386 | 75 | -0.37126 |
87 | 1 | 9.248 | 187 | 2 | 6.53887 | 287 | 25 | 1.849005 | 387 | 85 | -0.21971 |
88 | 20 | 2.067296 | 188 | 8 | 3.268982 | 288 | 44 | 1.393661 | 388 | 244 | -0.29845 |
89 | 38 | 1.499678 | 189 | 119 | 0.847358 | 289 | 114 | 0.865744 | 389 | 278 | -0.09709 |
90 | 73 | 1.081932 | 190 | 10 | 2.923801 | 290 | 1 | 9.248 | 390 | 574 | 0.046038 |
91 | 50 | 1.307353 | 191 | 4 | 4.623359 | 291 | 6 | 3.774804 | 391 | 165 | -0.27859 |
92 | 11 | 2.787708 | 192 | 32 | 1.634264 | 292 | 145 | 0.767622 | 392 | 219 | -0.14345 |
93 | 1 | 9.248 | 193 | 38 | 1.499678 | 293 | 194 | 0.663618 | 393 | 396 | -0.03126 |
94 | 105 | 0.902092 | 194 | 63 | 1.164656 | 294 | 81 | 1.027104 | 394 | 164 | -0.57212 |
95 | 78 | 1.046674 | 195 | 49 | 1.320629 | 295 | 4 | 4.623359 | 395 | 162 | -0.0818 |
96 | 2 | 6.53887 | 196 | 65 | 1.146594 | 296 | 2 | 6.53887 | 396 | 150 | -0.11928 |
97 | 65 | 1.146594 | 197 | 34 | 1.58546 | 297 | 60 | 1.193423 | 397 | 72 | -0.1453 |
98 | 34 | 1.58546 | 198 | 27 | 1.779192 | 298 | 175 | 0.698722 | 398 | 148 | -0.34425 |
99 | 18 | 2.179145 | 199 | 26 | 1.813091 | 299 | 4 | 4.623359 | 399 | 56 | -0.4254 |
100 | 166 | 0.717417 | 200 | 58 | 1.213829 | 300 | 76 | 1.060359 | 400 | 333 | -0.05567 |
401 | 555 | -0.04391 | |||||||||
402 | 195 | -0.98834 | |||||||||
403 | 103 | -0.04841 | |||||||||
404 | 20 | -0.5577 | |||||||||
405 | 94 | -1.77211 |
11、通过核密度估计方法(采用高斯核函数),通过编写R语言实现获得d的概率密度分布,具体见图3至图5所示。
12、选取累积概率为0(T0)、50%(T50)、80%(T80)、90%(T90)对应的曲线作为预警曲线,各预警参数αT由式(8)计算得到,参数β保持不变;
13、当降雨条件大于T0曲线时滑坡预警级别定义为警报级(红色),发生滑坡的概率达到95%以上;当降雨条件介于T0~T50曲线之间时滑坡预警级别定义为警戒级(橙色),发生滑坡的概率为50%至95%;当降雨条件介于T50~T80曲线时滑坡预警级别定义为警示级(黄色),发生滑坡的概率为20%至50%;当降雨条件介于T80~T90曲线时滑坡预警级别定义为注意级(蓝色),发生滑坡的概率为10%至20%,具体见图6所示。
14、经应用于云南省贡山县滑坡灾害监测预警显示,预警精度和准确率高,预警效果显著。
与现有技术相比,结果如表6。
表6 技术对比分析
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种局部地区滑坡多级预警方法,其特征在于,包括如下步骤:
步骤(1),将待预警区域进行划分,划分为局部地区单元,并采集局部地区单元连续多年来的降雨量和滑坡历史数据;
步骤(2),将采集局部地区单元连续多年来的降雨划分为n个降雨过程;
步骤(3),将每一个降雨过程累计降雨量除以降雨持续时长D得到降雨强度I,将每一个降雨过程中数据整理成降雨强度I与降雨持续时长D数据序列(Ii、Di),i=1、2、3、…、n,将(Ii、Di)分为导致滑坡的数据序列(ILi、DLi),i=1、2、3、…、m,和未导致滑坡的数据序列(IuLi、DuLi),i=1、2、3、…、k;n=m+k;
步骤(4),滑坡降雨量经验阈值表达式为:
式中,I为降雨强度,D为降雨持续时长,α、β为曲线参数;参数α服从于[0.01、10]的均匀分布;参数β服从于[0.1、2]的均匀分布;
数据序列(Ii、Di)服从于(0-1)伯努利分布,即:
其中,
式中,X为伯努利分布随机变量,θ为伯努利分布参数;
步骤(5),将数据序列(Ii、Di)代入式(8),得到不同时刻D的差值d序列;
式中,d i (D i )为第D i 时降雨强度差值;I i (D i )为第D i 时降雨强度;
通过核密度估计方法,获得d的概率密度分布和累积概率分布,分布图上横坐标为差值d,纵坐标分别为概率密度和累积概率;
步骤(6),累积概率分布曲线上累积概率为0%、50%、80%、90%对应的差值,分别计为d T0 、d T50 、d T80 、d T90 ;
各预警曲线参数α T0、α T50、α T80、α T90通过式(9)计算得到;
α Tj= α-d Tj (9)
式中,α Tj为累积概率为j%条件下预警曲线参数,d Tj 为累积概率为j%条件下的降雨强度差值;
将α T0、α T50、α T80、α T90分别作为α代入式(1),β保持不变,得到不同累积概率条件下预警曲线,分别记为T0曲线、T50曲线、T80曲线、T90曲线;
步骤(7),当待预警区域的降雨条件在T0曲线以上时,滑坡预警级别定义为警报级,发生滑坡的概率达到95%以上;当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别定义为警戒级,发生滑坡的概率为50%至95%;当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别定义为警示级,发生滑坡的概率为20%至50%;当降雨条件在T80曲线下,且在T90曲线以上时,预警级别定义为注意级,发生滑坡的概率为10%至20%。
2.根据权利要求1所述的局部地区滑坡多级预警方法,其特征在于局部地区单元尺寸面积不超过1000km2。
3.根据权利要求1所述的局部地区滑坡多级预警方法,其特征在于,采集局部地区单元连续多年来的降雨量和滑坡历史数据,具体包括:小时降雨量、降雨量监测站坐标位置、滑坡发生时间和规模。
4.根据权利要求1所述的局部地区滑坡多级预警方法,其特征在于,步骤(2)划分时,选取无雨间隔时间来划分降雨过程;旱季时,若相邻两次降雨中无雨间隔时间超过12h,则将该两次降雨划分为两次降雨过程,若不超过12h,则将该两次降雨记为1次降雨过程;雨季时,若相邻两次降雨中无雨间隔时间超过24h,则将该两次降雨划分为两次降雨过程,若不超过24h,则将该两次降雨记为1次降雨过程。
5.根据权利要求1所述的局部地区滑坡多级预警方法,其特征在于,步骤(4)中,α初值在4~10之间选取,β为0.2~0.6之间选取。
7.根据权利要求1所述的局部地区滑坡多级预警方法,其特征在于,
当降雨条件位于T0曲线以上时,滑坡预警级别为红色预警;
当降雨条件在T0曲线下,且在T50曲线以上时,滑坡预警级别为橙色预警;
当降雨条件在T50曲线下,且在T80曲线以上时,滑坡预警级别为黄色预警;
当降雨条件在T80曲线下,且在T90曲线以上时,滑坡预警级别为蓝色预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014107.2A CN115083118B (zh) | 2022-08-23 | 2022-08-23 | 一种局部地区滑坡多级预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014107.2A CN115083118B (zh) | 2022-08-23 | 2022-08-23 | 一种局部地区滑坡多级预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115083118A true CN115083118A (zh) | 2022-09-20 |
CN115083118B CN115083118B (zh) | 2022-12-16 |
Family
ID=83244022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211014107.2A Active CN115083118B (zh) | 2022-08-23 | 2022-08-23 | 一种局部地区滑坡多级预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083118B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099662A (ja) * | 2004-09-30 | 2006-04-13 | Non-Life Insurance Rating Organization Of Japan | 確率的及び工学的な水災評価方法 |
WO2013009160A2 (en) * | 2011-07-11 | 2013-01-17 | Universiti Sains Malaysia | A geometric method for predicting landslide disaste |
CN103700221A (zh) * | 2012-09-28 | 2014-04-02 | 中国石油天然气股份有限公司 | 一种油气管道山洪灾害监测方法 |
CN106952005A (zh) * | 2016-01-06 | 2017-07-14 | 四川大学 | 一种考虑降雨型滑坡地质灾害的电力***风险评估方法 |
CN108221842A (zh) * | 2018-01-31 | 2018-06-29 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流格子坝过坝流速、流量计算方法 |
CN109918610A (zh) * | 2019-02-25 | 2019-06-21 | 南京泛在地理信息产业研究院有限公司 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
CN111898249A (zh) * | 2020-07-02 | 2020-11-06 | 华能澜沧江水电股份有限公司 | 滑坡位移非参数概率密度预测方法、设备及存储介质 |
CN111898247A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
US20210233388A1 (en) * | 2016-08-22 | 2021-07-29 | Rapidsos, Inc. | Predictive analytics for emergency detection and response management |
CN113487105A (zh) * | 2021-07-27 | 2021-10-08 | 成都理工大学 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
-
2022
- 2022-08-23 CN CN202211014107.2A patent/CN115083118B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099662A (ja) * | 2004-09-30 | 2006-04-13 | Non-Life Insurance Rating Organization Of Japan | 確率的及び工学的な水災評価方法 |
WO2013009160A2 (en) * | 2011-07-11 | 2013-01-17 | Universiti Sains Malaysia | A geometric method for predicting landslide disaste |
CN103700221A (zh) * | 2012-09-28 | 2014-04-02 | 中国石油天然气股份有限公司 | 一种油气管道山洪灾害监测方法 |
CN106952005A (zh) * | 2016-01-06 | 2017-07-14 | 四川大学 | 一种考虑降雨型滑坡地质灾害的电力***风险评估方法 |
US20210233388A1 (en) * | 2016-08-22 | 2021-07-29 | Rapidsos, Inc. | Predictive analytics for emergency detection and response management |
CN108221842A (zh) * | 2018-01-31 | 2018-06-29 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流格子坝过坝流速、流量计算方法 |
CN109918610A (zh) * | 2019-02-25 | 2019-06-21 | 南京泛在地理信息产业研究院有限公司 | 基于地理环境相似度的负样本可信度度量方法及负样本采用方法 |
CN111898249A (zh) * | 2020-07-02 | 2020-11-06 | 华能澜沧江水电股份有限公司 | 滑坡位移非参数概率密度预测方法、设备及存储介质 |
CN111898247A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN113487105A (zh) * | 2021-07-27 | 2021-10-08 | 成都理工大学 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
Non-Patent Citations (5)
Title |
---|
S. LEE: "Regional susceptibility, possibility and risk analyses of landslide in Ulsan Metropolitan City, Korea", 《IGARSS 2001. SCANNING THE PRESENT AND RESOLVING THE FUTURE. PROCEEDINGS. IEEE 2001 INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (CAT. NO.01CH37217)》 * |
XIA LI: "Research on Landslide Risk Assessment Based on Convolutional Neural Network", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
朱晓霞: "降雨引发的兰州黄土滑坡时空规律分析和临界降雨量预测", 《中国地质灾害与防治学报》 * |
李骅锦: "运用深度学习和统计学习方法预测库岸滑坡变形", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
胡良柏: "基于核密度分析与关联规则的天水盆地黄土滑坡规律研究", 《测绘空间与地理信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115083118B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Contributions of climate change and human activities to vegetation dynamics in Qilian Mountain National Park, northwest China | |
CN109887241A (zh) | 一种山洪灾害气象预警计算方法及*** | |
CN102831752B (zh) | 一种冰湖溃决预警方法 | |
CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
CN112149871B (zh) | 一种基于gis空间统计与随机模拟相结合的污染物点源解析方法 | |
CN112785031B (zh) | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 | |
CN110555553B (zh) | 多因素骤旱综合识别方法 | |
KR20140021179A (ko) | 일사량 예측 방법 및 장치 | |
CN115953085B (zh) | 一种评估复合干热事件对植被生长影响的方法 | |
Wang et al. | Effects of restoration practices on controlling soil and water losses in the Wei River Catchment, China: An estimation based on longitudinal field observations | |
Wang et al. | The cooling effect of hybrid land-use patterns and their marginal effects at the neighborhood scale | |
Sun et al. | Classification of circulation patterns during the formation and dissipation of continuous pollution weather over the Sichuan Basin, China | |
CN108304610A (zh) | 一种大气高污染过程动态追踪方法 | |
Yang et al. | Effects of different types of heat wave days on ozone pollution over Beijing-Tianjin-Hebei and its future projection | |
CN115083118B (zh) | 一种局部地区滑坡多级预警方法 | |
Liu et al. | Evaluating urban and nonurban PM2. 5 variability under clean air actions in China during 2010–2022 based on a new high-quality dataset | |
Gong | Spatio-temporal distribution characteristics and influencing factors of drought in the Liaohe river basin, China | |
CN113268867B (zh) | 一种基于水热组合的冰川泥石流区域预警方法 | |
CN102867123A (zh) | 一种泥石流一次性冲出量期望值的优化方法及其应用 | |
Adnan et al. | The comparison of accuracy on classification climate change data with logistic regression | |
CN116070955B (zh) | 一种用于山洪沟流域的区域可能最大降雨确定方法 | |
Jaafar et al. | Flood Risk Trend by using PCA and SPC Analysis at Muda River, Kedah | |
Manaouch et al. | Integrating WaTEM/SEDEM model and GIS-based FAHP Method for Identifying Ecological Rainwater Harvesting Sites in Ziz upper watershed, SE Morocco | |
CN116934518B (zh) | 一种基于标准化陆地水储量指数的干旱遥感监测方法 |
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 |