CN115512531B - 一种基于形变有序性的滑坡灾害多监测点融合预警方法 - Google Patents
一种基于形变有序性的滑坡灾害多监测点融合预警方法 Download PDFInfo
- Publication number
- CN115512531B CN115512531B CN202211195279.4A CN202211195279A CN115512531B CN 115512531 B CN115512531 B CN 115512531B CN 202211195279 A CN202211195279 A CN 202211195279A CN 115512531 B CN115512531 B CN 115512531B
- Authority
- CN
- China
- Prior art keywords
- deformation
- monitoring
- early warning
- entropy
- deformation rate
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及地质灾害监测技术领域,公开了一种基于形变有序性的滑坡灾害多监测点融合预警方法,包括以下步骤:获取滑坡多个监测点的监测传感器预设时刻的形变速率;根据形变速率计算获得形变速率信息熵HV(t);计算监测形变方向和目标形变方向的形变方向关联熵HD(t);根据形变速率信息熵HV(t)的状态和形变方向关联熵HD(t)的状态,获取滑坡预警等级。本方案利用同一滑坡体上不同监测点的形变速率和形变方向特征,做到多监测点的融合利用,从滑坡的整体角度进行预警预报,从而避免现有预警预报方法的疏漏和不足;结合形变速率有序性和形变方向有序性,建立预警依据,与现有的预警模型形成互补,提升灾害预警预报的可靠性和准确性。
Description
技术领域
本发明涉及地质灾害监测技术领域,具体涉及一种基于形变有序性的滑坡灾害多监测点融合预警方法。
背景技术
滑坡的监测预警是滑坡灾害由“事后救助”向“事前预防”转变的关键环节,如何提升滑坡预警预报的可靠性是滑坡监测预警工作的重点和难点。当前主流的监测预警主要以滑坡位移作为主要参数,在预警过程中则主要采用单个监测点的形变时间曲线进行预警。由于单一曲线往往仅能代表监测点局部附近很小范围内的变形情况,而无法反应整个坡体的变形特性,从而往往出现误报、漏报的现象。因此,如何综合利用同一滑坡体上不同监测点的形变特征,做到多监测点的融合利用,从滑坡整体角度进行预警预报,从而避免现有预警预报方法的疏漏和不足,是新形势下滑坡监测预警需要解决的紧迫问题。
发明内容
本发明意在提供一种滑坡灾害多监测点融合预警方法,以解决单个监测点的形变曲线进行预警的疏漏和不足。
为达到上述目的,本发明采用如下技术方案:一种基于形变有序性的滑坡灾害多监测点融合预警方法,包括以下步骤:
S1:获取滑坡多个监测点的监测传感器预设时刻的形变速率;
S2:根据形变速率计算获得形变速率信息熵HV(t);
S3:根据地形地貌特征获取滑坡变形主方向,即目标形变方向;
S4:获取各监测点形变方向,即监测形变方向;
S5:计算监测形变方向和目标形变方向的形变方向关联熵HD(t);
S6:根据形变速率信息熵HV(t)的状态和形变方向关联熵HD(t)的状态,获取滑坡预警等级。
优选的,作为一种改进,所述根据形变速率计算获取形变速率信息熵的具体步骤包括:根据形变速率的大小进行分组,并获取形变速率组间距L;获取形变速率组内每个形变速率在当前形变速率组内出现的概率Pi(t);计算多个监测传感器的预设时刻形变速率的形变速率信息熵。
优选的,作为一种改进,所述形变速率组间距L为:
其中,xmax,xmin分别为监测点形变速率的最大和最小值,K为形变速率分组数。
优选的,作为一种改进,所述形变速率组内每个形变速率在当前形变速率组内出现的概率Pi(t)为:
其中,Ni(t)为预设时刻形变速率落在第i个分组区间内的监测传感器数量,N为监测传感器总数。
优选的,作为一种改进,所述形变速率信息熵HV(t)具体为:
其中,i表示第i个形变速率的分组。
优选的,作为一种改进,所述根据形变速率的大小进行分组具体包括:根据监测传感器数量确定分组数,根据分组数和形变速率的大小对形变速率进行分组。
优选的,作为一种改进,所述形变方向关联熵HD(t)具体为:
其中,i表示第i个监测点,pi为关联系数概率,N为监测传感器总数。
优选的,作为一种改进,所述计算监测形变方向和目标形变方向的形变方向关联熵HD(t)具体包括:根据方位角表达监测形变方向序列和目标形变方向序列;对监测形变方向序列和目标形变方向序列进行归一化处理;对归一化处理后的监测形变方向序列和目标形变方向序列进行灰关联度计算;就根据灰关联度计算关联系数概率分布;根据关联系数概率分布计算形变方向关联熵HD(t)。
优选的,作为一种改进,所述预警等级包括:蓝色预警、黄色预警、橙色预警和红色预警。
优选的,作为一种改进,所述形变速率信息熵HV(t)状态包括SHV-1、SHV-2和SHV-3,其中,所述SHV-1表示形变速率信息熵HV(t)随时间的变化平稳发展或围绕中轴线上下波动,无明显的增加或降低趋势,所述SHV-2表示形变速率信息熵HV(t)随时间的变化具有明显的下降趋势,所述SHV-3表示形变速率信息熵HV(t)随时间的变化持续保持下降趋势,且逐步逼近于零;
所述形变方向关联熵HD(t)状态SHD-1、SHD-2、SHD-3表示,其中,所述SHD-1表示形变方向关联熵HD(t)随时间的变化平稳发展或围绕中轴线上下波动,无明显的增加或降低趋势,所述SHD-2表示形变方向关联熵HD(t)随时间的变化具有明显的上升趋势,所述SHD-3表示形变方向关联熵HD(t)随时间的变化持续保持上升趋势,且逐步逼近于-ln(1/N),其中N为为同一滑坡体上的监测传感器数量;
所述形变速率信息熵HV(t)状态为SHV-1和形变方向关联熵HD(t)状态为SHD-1时,所述预警等级为蓝色预警;所述形变速率信息熵HV(t)状态为SHV-1和形变方向关联熵HD(t)状态为SHD-2时或所述形变速率信息熵HV(t)状态为SHV-2和形变方向关联熵HD(t)状态为SHD-1时,所述预警等级为黄色预警;所述形变速率信息熵HV(t)状态为SHV-1和形变方向关联熵HD(t)状态为SHD-3时、所述形变速率信息熵HV(t)状态为SHV-2和形变方向关联熵HD(t)状态为SHD-2时或所述形变速率信息熵HV(t)状态为SHV-3和形变方向关联熵HD(t)状态为SHD-1时,所述预警等级为橙色预警;所述形变速率信息熵HV(t)状态为SHV-2和形变方向关联熵HD(t)状态为SHD-3时、所述形变速率信息熵HV(t)状态为SHV-3和形变方向关联熵HD(t)状态为SHD-2时或所述形变速率信息熵HV(t)状态为SHV-3和形变方向关联熵HD(t)状态为SHD-3时,所述预警等级为红色预警。
本方案利用同一滑坡体上不同监测点的形变速率和形变方向特征,做到多监测点的融合利用,从滑坡的整体角度进行预警预报,从而避免现有预警预报方法的疏漏和不足;滑坡在进入加速变形阶段时对地表起控制作用的是滑坡的整体运动,局部微地貌控制作用明显减弱,此时地表的变形趋于有序,根据有序性演化过程可以对滑坡变形破坏阶段进行定量描述,从而可以根据有序性进行滑坡预警,本方案利用监测传感器的获取滑坡的形变速率,通过形变速率有序性演化过程来对滑坡变形阶段进行定量描述,同时选取确认主滑方向作为目标方向,根据监测点监测得到的形变方向与主滑方向的关联程度来表示形变方向有序性,再结合形变速率有序性和形变方向有序性,建立预警依据,与现有的预警模型形成互补,提升灾害预警预报的可靠性和准确性;利用滑坡形变的两个重要参数:形变速率和形变方向两个参数,参数较少,能够描述滑坡变形破坏阶段且减少预警误差。
附图说明
图1为本发明实施例的形变速率求取示意图。
图2为本发明实施例的形变方向计算示意图。
图3为本发明实施例的示例滑坡的图3为形变速率信息熵随时序演化过程曲线。
图4为本发明实施例的合位移方向计算示意图。
图5为本发明实施例的形变速率信息熵HV(t)随时间的变化图。
图6为本发明实施例的形变方向关联熵HD(t)随时间的变化图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例:
一种基于形变有序性的滑坡灾害多监测点融合预警方法,具体包括以下步骤:
S1:获取滑坡多个监测点的监测传感器预设时刻的形变速率;
完整的滑坡监测数据分为初始变形阶段、等速变形阶段、加速变形阶段。在滑坡变形破坏过程中,形变速率是表征滑坡稳定状态的一个重要参数,当某一滑坡表面所安装的位移传感设备达到一定的规模,符合统计条件,则可以从统计学角度对滑坡总体形变速率有序性进行分析。具体过程如下:
提取某一时刻不同监测传感器的形变速率,具体过程如图1所示;
首先在滑坡变形时序曲线上,按照固定的时间段(一般以天或小时为单位进行计算),在时间轴上将时间位移曲线划分为若干小段,计算t时刻的形变速率时,提取(t-△t,t)时间段内的形变增量△S,则t时刻形变速率为:
S2:利用形变速率,对形变速率大小进行分组,组数采用美国学者斯特吉斯提出的经验公式,即:
K=1+3.322×log(N) (2)
式中:K为形变速率分组数,N为同一滑坡体上的监测传感器数量。上述计算结果存在小数的,按照四舍五入规则处理。
S21:根据形变速率组数,求组间距,即:
式中:L为形变速率组间距,xmax,xmin分别为监测点形变速率的最大和最小值;
S22:根据速率分组结果,统计每一区间内,形变速率在该区间内的传感器数量,并计算该区间内的概率,即:
式中:Pi(t)为t时刻第i个分组区间内形变速率出现的概率,Ni(t)为t时刻形变速率落在第i个分组区间内的传感器数量,N为传感器总数。
S23:引入信息熵理论,定量计算某一时刻形变速率有序性:
S24:对0~t整个时间段内任意一个时刻t分别计算有序性,则可获得形变速率有序性随时间演化过程曲线。
以下是获得形变速率有序性随时间演化过程曲线其中一个示例,例如某一滑坡上设有20个形变监测点,以周为时间单位计算,统计从计算当周起前10周的形变速率情况,按照式(1)对每一天的形变速率进行计算,得到最大最小形变速率统计如下:
式中,t0表示当周,t1表示计算时间前1周,以此类推。
(1)则根据上述信息可知N=20,相应的按照式(2)可得到分组数K=5.322,取K=5。
分别建立t0~t9共计10周内形变速率直方图,以t0为例进行说明。
(2)首先根据式(3)及表1,计算t0时刻直方图组间距,L0:
(3)于是可以建立t0时刻的分组规则:
[1.2~1.6)、[1.6~2.0)、[2.0~2.4)、2.4~2.8)、[2.8~3.2]
(4)根据上述分组规则,按照式(4)统计行不速率出现在各个区间内的频率,P1(t0)、P2(t0)、P3(t0)、P4(t0)、P5(t0),通过计算得到:P1(t0)=0.15、P2(t0)=0.14、P3(t0)=0.36、P4(t0)=0.21、P5(t0)=0.14。
(5)根据式(5)计算t0时刻形变速率信息熵:
(6)依次对t0、t1、t2、t3、t4、t5、t6、t7、t8、t9时刻的形变速率信息熵进行计算得到形变速率有序性随时间演化曲线,具体如图3所示,图3为形变速率信息熵随时序演化过程曲线。
S3:根据地形地貌特征获取滑坡变形主方向,即目标形变方向。
对于典型地质灾害而言,在调查过程中通常会确定一个主滑方向,此主滑方向可以作为我们的目标方向。
S4:获取各监测点形变方向,即监测形变方向;
根据各监测点监测得到的形变方向与主滑方向的关联程度来表示形变方向有序性,显然,关联程度越大,形变方向***有序性更强,根据灰色理论,这一关联性可用灰关联系数来表示。
S51:在进行有序性分析过程中,仅考虑平面方向,按照S1中形变速率求解时所确定的时间间隔,通过矢量计算,得到形变平面合方向,并以空间方位角表示。
传感器上直接获取的形变增量包括x方向的形变增量ΔSx和y方向的形变增量ΔSy结合图4(合位移方向计算示意图)可以通过计算得到合位移方向角α:
当ΔSx>0且ΔSy≥0,则为第一象限,此时合位移方向角α=α;
当ΔSx<0且ΔSy≥0,则为第二象限,此时和位移方向角α=180°-α;
当ΔSx<0且ΔSy<0,则为第三象限,此时和位移方向角α=180°+α;
当ΔSx>0且ΔSy<0,则为第四象限,此时和位移方向角α=360°-α;
当ΔSx=0且ΔSy>0,则α=90°;
当ΔSx=0且ΔSy<0,则α=270°;
S52:形变方向序列表达:设x=(x1,x2,…,xN)为某一时刻t灾害体上各监测点构成的形变方向序列,y=(y1,y2,…,yN)为目标形变方向序列,此处的y1=y2=,…,yN=y*,y*为滑坡的主滑方向。形变方向以方位角表示,由于方位角范围在0~360°之间,各监测点形变方向与主滑方向的差异不能完全按照普通数列来处理,具体如如图2所示。
当方位角x未超过y*+180°时,x与y*的角度差可以直接将二者相减,而当x超过y*+180°时,x与y*的差值实际上应该为x-360°后再与y*作差。于是可将x形变序列划分为两个部分,即:
S53:形变方向归一化处理:对形变方向观测值序列x=(x1,x2,…,xN)和目标方向序列y=(y1,y2,…,yN)作归一化处理,结果如下:
式中:xi为t时刻第i个监测点的形变方向值,xmin,xmax分别为t时刻监测点方向的最大最小值。显然,对于目标方向序列y,由于各监测点的目标方向均为滑坡主滑方向,因此其无量纲化后的结果为全为1,即:y′i=1。
S54:灰关联度计算:t时刻序列x'和y'的灰关联系数表示为:
式中:Δ(min)=min(|x′i-y′i|),Δ(max)=max(|x′i-y′i|),0<ρ<1为分辨系数,通过调节该值可以改变关联系数的显著性,这里取ρ=0.5。
S55:计算关联系数概率分布:
S56:计算监测形变方向和目标形变方向的形变方向关联熵HD(t),形变方向关联熵HD(t)具体为:
式中,pi(t)表示在t时刻的关联系数概率。
S6:根据形变速率信息熵HV(t)的状态和形变方向关联熵HD(t)的状态,获取滑坡预警等级。
公式(5)为形变速率有序性的最终表达式,从该表达式及其分析过程可知,速率的信息熵随着有序性的增强而减小,当所有的监测点形变速率趋于统一值时,形变速率信息熵趋于零,此时可以认为滑坡即将发生。因此,可以将形变速率趋于零作为形变速率有序性预警判据。
对于形变方向有序性,采用式(9)计算其灰关联熵,显然,对于式(9)中所确定的灰关联熵,HD越大,形变方向的有序性越强,当所有形变方向都趋于一个方向时,ξi为常数,此时pi=1/N,灰关联熵达到最大,其最大值为-ln(1/N)。因此可以通过实际获得的形变方向灰关联熵与最大灰关联熵-ln(1/N)的对比,来确定预警判据。
滑坡在临近发生的时候,其形变的速率和方向均趋于一致,因此单一利形变速率和形变方向进行预警,往往容易造成误报和漏报,因此有必要将二者结合起来,通过二者的相互补充和应证,来提升滑坡预警预报的准确性。
首先定义形变速率信息熵和形变方向关联熵的三种状态,其中形变速率信息熵状态SHV-1、SHV-2、SHV-3表示,形变方向关联熵状态以SHD-1、SHD-2、SHD-3表示,各状态具体定义如下:
形变速率信息熵HV(t)随时间的变化具体如附图5(形变速率有序性等级划分示意图)所示。
SHV-1表示形变速率信息熵HV(t)随时间的变化平稳发展或围绕中轴线上下波动,无明显的增加或降低趋势;
SHV-2表示形变速率信息熵HV(t)随时间的变化具有明显的下降趋势(连续三个以上时间间隔内的变化速率基本一致或有所增加);
SHV-3表示形变速率信息熵HV(t)随时间的变化持续保持下降趋势,且逐步逼近于零。
形变方向关联熵HD(t)随时间的变化具体如附图6(形变方向有序性等级划分示意图)所示。
SHD-1表示形变方向关联熵HD(t)随时间的变化平稳发展或围绕中轴线上下波动,无明显的增加或降低趋势;
SHD-2表示形变方向关联熵HD(t)随时间的变化具有明显的上升趋势(连续三个以上时间间隔内的变化速率基本一致或有所增加);
SHD-3表示形变方向关联熵HD(t)随时间的变化持续保持上升趋势,且逐步逼近于-ln(1/N)。
基于上述两种熵值的状态定义,构建预警判据矩阵如下:
本方案利用同一滑坡体上不同监测点的形变速率和形变方向特征,做到多监测点的融合利用,从滑坡的整体角度进行预警预报,从而避免现有预警预报方法的疏漏和不足;滑坡在进入加速变形阶段时对地表起控制作用的是滑坡的整体运动,局部微地貌控制作用明显减弱,此时地表的变形趋于有序,根据有序性演化过程可以对滑坡变形破坏阶段进行定量描述,从而可以根据有序性进行滑坡预警,本方案利用监测传感器的获取滑坡的形变速率,通过形变速率有序性演化过程来对滑坡变形阶段进行定量描述,同时选取确认主滑方向作为目标方向,根据监测点监测得到的形变方向与主滑方向的关联程度来表示形变方向有序性,再结合形变速率有序性和形变方向有序性,建立预警依据,与现有的预警模型形成互补,提升灾害预警预报的可靠性和准确性;利用滑坡形变的两个重要参数:形变速率和形变方向两个参数,参数较少,能够描述滑坡变形破坏阶段且减少预警误差。
以上所述的仅是本发明的实施例,方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明技术方案的前提下,还可以作出若干变形和改进,在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种基于形变有序性的滑坡灾害多监测点融合预警方法,其特征在于,包括以下步骤:
S1:获取滑坡多个监测点的监测传感器预设时刻的形变速率;
S2:根据形变速率计算获得形变速率信息熵HV(t);
S3:根据地形地貌特征获取滑坡变形主方向,即目标形变方向;
S4:获取各监测点形变方向,即监测形变方向;
S5:计算监测形变方向和目标形变方向的形变方向关联熵HD(t);
S6:根据形变速率信息熵HV(t)的状态和形变方向关联熵HD(t)的状态,获取滑坡预警等级;
所述根据形变速率计算获取形变速率信息熵的具体步骤包括:根据形变速率的大小进行分组,并获取形变速率组间距L;获取形变速率组内每个形变速率在当前形变速率组内出现的概率Pi(t);计算多个监测传感器的预设时刻形变速率的形变速率信息熵;
所述计算监测形变方向和目标形变方向的形变方向关联熵HD(t)具体包括:根据方位角表达监测形变方向序列和目标形变方向序列;对监测形变方向序列和目标形变方向序列进行归一化处理;对归一化处理后的监测形变方向序列和目标形变方向序列进行灰关联度计算;就根据灰关联度计算关联系数概率分布;根据关联系数概率分布计算形变方向关联熵HD(t)。
5.根据权利要求1所述的一种基于形变有序性的滑坡灾害多监测点融合预警方法,其特征在于:所述根据形变速率的大小进行分组具体包括:根据监测传感器数量确定分组数,根据分组数和形变速率的大小对形变速率进行分组。
7.根据权利要求1所述的一种基于形变有序性的滑坡灾害多监测点融合预警方法,其特征在于:所述预警等级包括:蓝色预警、黄色预警、橙色预警和红色预警。
8.根据权利要求7所述的一种基于形变有序性的滑坡灾害多监测点融合预警方法,其特征在于:所述形变速率信息熵HV(t)状态包括SHV-1、SHV-2和SHV-3,其中,所述SHV-1表示形变速率信息熵HV(t)随时间的变化平稳发展或围绕中轴线上下波动,无明显的增加或降低趋势,所述SHV-2表示形变速率信息熵HV(t)随时间的变化具有明显的下降趋势,所述SHV-3表示形变速率信息熵HV(t)随时间的变化持续保持下降趋势,且逐步逼近于零;
所述形变方向关联熵HD(t)状态SHD-1、SHD-2、SHD-3表示,其中,所述SHD-1表示形变方向关联熵HD(t)随时间的变化平稳发展或围绕中轴线上下波动,无明显的增加或降低趋势,所述SHD-2表示形变方向关联熵HD(t)随时间的变化具有明显的上升趋势,所述SHD-3表示形变方向关联熵HD(t)随时间的变化持续保持上升趋势,且逐步逼近于-ln(1/N),其中N为为同一滑坡体上的监测传感器数量;
所述形变速率信息熵HV(t)状态为SHV-1和形变方向关联熵HD(t)状态为SHD-1时,所述预警等级为蓝色预警;所述形变速率信息熵HV(t)状态为SHV-1和形变方向关联熵HD(t)状态为SHD-2时或所述形变速率信息熵HV(t)状态为SHV-2和形变方向关联熵HD(t)状态为SHD-1时,所述预警等级为黄色预警;所述形变速率信息熵HV(t)状态为SHV-1和形变方向关联熵HD(t)状态为SHD-3时、所述形变速率信息熵HV(t)状态为SHV-2和形变方向关联熵HD(t)状态为SHD-2时或所述形变速率信息熵HV(t)状态为SHV-3和形变方向关联熵HD(t)状态为SHD-1时,所述预警等级为橙色预警;所述形变速率信息熵HV(t)状态为SHV-2和形变方向关联熵HD(t)状态为SHD-3时、所述形变速率信息熵HV(t)状态为SHV-3和形变方向关联熵HD(t)状态为SHD-2时或所述形变速率信息熵HV(t)状态为SHV-3和形变方向关联熵HD(t)状态为SHD-3时,所述预警等级为红色预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195279.4A CN115512531B (zh) | 2022-09-28 | 2022-09-28 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211195279.4A CN115512531B (zh) | 2022-09-28 | 2022-09-28 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115512531A CN115512531A (zh) | 2022-12-23 |
CN115512531B true CN115512531B (zh) | 2023-06-23 |
Family
ID=84508786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195279.4A Active CN115512531B (zh) | 2022-09-28 | 2022-09-28 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512531B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2492959A1 (en) * | 2002-07-19 | 2004-07-15 | Smiths Detection-Pasadena, Inc. | Non-specific sensor array detectors |
US11169288B1 (en) * | 2017-12-07 | 2021-11-09 | Triad National Security, Llc | Failure prediction and estimation of failure parameters |
CN108538026A (zh) * | 2018-02-23 | 2018-09-14 | 青岛理工大学 | 一种边坡稳定性的多指标综合评价与预警方法 |
CN111474544B (zh) * | 2020-03-04 | 2022-11-18 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
CN111896950B (zh) * | 2020-08-06 | 2021-06-15 | 华能澜沧江水电股份有限公司 | 一种基于地基雷达的滑坡灾害应急监测方法 |
CN112526104A (zh) * | 2020-11-06 | 2021-03-19 | 马鞍山矿山研究总院股份有限公司 | 一种边坡稳定性监测测预警方法、***、介质 |
CN112632773B (zh) * | 2020-12-21 | 2024-04-05 | 北京华能新锐控制技术有限公司 | 一种风电机组可靠性预测方法 |
CN113627066B (zh) * | 2021-08-03 | 2022-08-16 | 成都理工大学 | 一种水库库岸滑坡的位移预测方法 |
CN113866764B (zh) * | 2021-08-13 | 2023-05-26 | 成都理工大学 | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 |
CN114493319A (zh) * | 2022-02-11 | 2022-05-13 | 中国科学院沈阳应用生态研究所 | 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 |
-
2022
- 2022-09-28 CN CN202211195279.4A patent/CN115512531B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115512531A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN109365769B (zh) | 一种基于混合模型判断的结晶器漏钢预报方法 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN112150769A (zh) | 一种基于大数据的地质灾害岩体崩塌智能监测预警*** | |
CN112923727B (zh) | 一种基于温度趋势特征提取的焙烧炉实时炉况评估方法 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警*** | |
CN115410342B (zh) | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 | |
CN117609929B (zh) | 基于大数据的工业生产线故障在线诊断方法及*** | |
CN115744839A (zh) | 基于物联网的制氮制氧设备远程控制方法 | |
CN117014646A (zh) | 一种基于人工智能的车载视频传输监管*** | |
CN115512531B (zh) | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 | |
CN113534727B (zh) | 基于人工智能平台的渔船用制冷设备的预警控制*** | |
CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及*** | |
CN113780432B (zh) | 基于增强学习的网络信息***运维异常智能检测方法 | |
CN117072460B (zh) | 一种基于振动数据和专家经验的离心泵状态监测方法 | |
KR102045626B1 (ko) | 설비 상태 평가 장치 및 방법 | |
CN114723204A (zh) | 一种基于监督学习的输电线路舞动分级预警方法 | |
CN117218786A (zh) | 一种基于物联网的火灾智能监测预警***及方法 | |
CN110047167B (zh) | 车辆急转弯次数等效统计方法 | |
US20230359192A1 (en) | Condition monitoring system and data analyzer | |
CN109684784B (zh) | 起重机钢丝绳寿命监测方法 | |
WO2020183781A1 (ja) | 異常診断装置 | |
CN108090673B (zh) | 一种冷轧带钢的实物板形的评价方法 | |
CN106874557B (zh) | 一种基于比例分布的风速预测校正方法 |
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 |