CN116777079A - 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 - Google Patents
一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 Download PDFInfo
- Publication number
- CN116777079A CN116777079A CN202310901609.5A CN202310901609A CN116777079A CN 116777079 A CN116777079 A CN 116777079A CN 202310901609 A CN202310901609 A CN 202310901609A CN 116777079 A CN116777079 A CN 116777079A
- Authority
- CN
- China
- Prior art keywords
- desertification
- railway
- disaster
- data
- invasion
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011229 interlayer Substances 0.000 title claims abstract description 17
- 230000009545 invasion Effects 0.000 claims abstract description 37
- 239000010410 layer Substances 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 239000002689 soil Substances 0.000 claims description 37
- 238000001556 precipitation Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000486463 Eugraphe sigma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法,该方法包括以下步骤:⑴收集青藏铁路沿线相关地理和气象数据,利用地理信息***对这些数据进行集成和空间分析,建立一个全面的空间数据集;⑵将青藏铁路沿线划分为多个空间层和时间层,确定形成数据特征向量的沙漠化侵扰铁路灾害特征属性项,然后采用贝叶斯统计学方法建立层间结构模型,并确定各层级的关系和参数;⑶基于历史数据和概率推断,进行铁路沿线沙漠化灾害的预测和评估;⑷根据预测结果,依据阈值设定或概率比较进行沙漠化侵扰铁路灾害判定,制定相应的沙漠化防治措施,以减轻或避免沙漠化灾害侵扰对铁路的影响。本发明可提高预测精度和准确性。
Description
技术领域
本发明涉及质灾害预测技术领域,尤其涉及一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法。
背景技术
青藏铁路是连接中国青海省西宁市和西藏自治区拉萨市的重要铁路线路,全长1956公里,被誉为世界上海拔最高的铁路。青藏铁路沿线地形复杂,地势起伏大,存在大量的河流和河谷,增加了沙尘暴和风蚀的可能性。同时,铁路沿线的降水量较少而蒸发量大,导致土壤水分亏缺,植被难以生长,容易形成裸露的土地表面,土地的裸露和水土流失会导致土壤贫瘠和植被的丧失,进一步加剧沙漠化的程度。因此,铁路沿线沙漠化所导致的土壤侵蚀、地表松散、路基沉降和风沙侵袭等问题,可能导致铁路线路的不稳定和损坏,对铁路沿线交通基础设施的稳定性和安全性构成了严峻挑战,甚至影响列车的正常运行。
导致侵扰铁路运营的沙漠化因素包括气候变化、降水、冻土退化和人类活动等多种因素,各因素之间存在复杂的相互关系和时空异质性。由于青藏高原地区存在地形复杂、气候条件多变以及数据不完整性等问题,目前针对沙漠化对青藏铁路侵扰灾害的预测方法一般采用传统的统计模型和经验模型,但这些模型在准确预测青藏高原地区沙漠化灾害方面不但存在局限性,而且存在调查成本高、数据量少、预测精度低、空间和时间不确定性大等问题。
发明内容
本发明所要解决的技术问题是提供一种提高预测精度和准确性的基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法。
为解决上述问题,本发明所述的一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法,包括以下步骤:
⑴收集青藏铁路沿线相关地理和气象数据,利用地理信息***(GIS)对这些数据进行集成和空间分析,建立一个全面的空间数据集;
⑵将青藏铁路沿线划分为多个空间层和时间层,确定形成数据特征向量的沙漠化侵扰铁路灾害特征属性项,然后采用贝叶斯统计学方法建立层间结构模型,并确定各层级的关系和参数;
⑶基于历史数据和概率推断,进行铁路沿线沙漠化灾害的预测和评估;
(4)根据预测结果,依据《青藏铁路养护标准2020版》阈值设定或概率比较进行沙漠化侵扰铁路灾害判定,制定相应的沙漠化防治措施,以减轻或避免沙漠化灾害侵扰对铁路的影响。
所述步骤⑵中数据特征向量的沙漠化侵扰铁路灾害特征属性项包括年的地表植被覆盖度、土壤温度、土壤湿度、冻土活动层厚度、空气温度、空气湿度、风向、风速、降水量、净辐射、土壤质地、高程、坡度、坡向、沙砾粒径、土壤含沙量和土壤胶结力。
本发明与现有技术相比具有以下优点:
1、本发明基于青藏高原多年冻土区沙漠化侵扰铁路灾害特征属性,利用贝叶斯层间结构模型综合考虑多个影响因素,包括土壤类型、降水量、气候变化等,以及各自变量因子相互关系,建立了一个灵活可调的层间结构模型。该模型通过对多个层级的分析和推断,能够准确预测铁路沿线沙漠化灾害的发生概率和演化趋势,从而有助于及时采取相应的防治措施,保障铁路运输的安全和可靠性。
2、本发明通过引入模型中小尺度误差贡献调参因子(α),并通过调整参数α的值,可以控制模型对小尺度误差的相对重要性,从而适应不同类型的数据和空间结构,并更好地解释和预测观测数据的空间变异性,提高了模型的时空预测准确率,实现了较好的沙漠化侵扰铁路灾害预警作用。
3、发明通过引入拉普拉斯平滑方法,解决了训练样本数据集数据较少,条件概率失真的问题,调高了模型预测的准确率。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明的工作流程图。
图2为本发明的可视化结果图。
具体实施方式
如图1所示,一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法,包括以下步骤:
⑴收集青藏铁路沿线相关地理和气象数据,利用地理信息***(GIS)对这些数据进行集成和空间分析,建立一个全面的空间数据集。
利用遥感图像、地面监测站点和相关数据库获取青藏铁路沿线2000-2020年的地表覆盖数据、土壤温度数据,土壤湿度数据、冻土分布数据和铁路沿线18个气象站点气象数据和历史沙漠化对青藏铁路侵扰灾害遥感影像资料(2000-2020年)。然后利用地理信息***(GIS)对这些数据进行集成和空间分析,以建立一个全面的空间数据集。其中2000-2010年为模型训练数据集,2011-2020年的模型测试数据集。
⑵将青藏铁路沿线划分为多个空间层和时间层,确定形成数据特征向量的沙漠化侵扰铁路灾害特征属性项,然后采用贝叶斯统计学方法建立层间结构模型,并确定各层级的关系和参数。
在空间层面,考虑到地理因素(如高程、坡度、坡向、冻土分布等)、气候条件(如降水量、温度、风速、风向等)以及土壤特性等对青藏铁路沙漠化侵扰灾害发生的影响。在时间层面,考虑到年份、季节、逐日时间因素对青藏铁路沙漠化侵扰灾害发生的影响。通过这种层间结构的建立,能够更好地反映青藏铁路沿线沙漠化现象的空间分布和时间变化特征,并据此进行历史沙漠化灾害对青藏铁路侵扰灾害程度分级。因此,数据特征向量的沙漠化侵扰铁路灾害特征属性项包括年的地表植被覆盖度、土壤温度、土壤湿度、冻土活动层厚度、空气温度、空气湿度、风向、风速、降水量、净辐射、土壤质地、高程、坡度、坡向、沙砾粒径、土壤含沙量和土壤胶结力。
考虑到训练样本集和测试样本集中由数据特征向量形成一条数据,为了避免数据过多和模型过拟合及复杂性(现实应用中模型越简单越易操作),沙漠化侵扰铁路灾害特征属性项可以是一个或多个。并从预设的沙漠化侵扰铁路灾害特征数据库中,获取多个由所述数据特征向量构成的数据,并将所获取的多个数据分别形成训练样本集和测试样本集后进一步进行数据离散化和归一化预处理,消除单位、数量级别差造成的对模型影响。
根据训练样本集中已预处理后的数据,建立青藏铁路沿线沙漠化侵扰灾害预测模型,确定各级关系和系数并计算先验概率,基于拉普拉斯平滑方法对沙漠化侵扰铁路灾害特征属性项数据取值频数进行平滑处理后,计算出所述数据特征向量中各自变量的条件概率。具体计算过程如下:
Yt(si)~f((si),μt(si),σ(si),ξ,α)…(1)
其中:Yt(si)是在第t年青藏铁路si位置沙漠化对青藏铁路侵扰灾害发生的可能性(概率);μt(si)是在第t年青藏铁路si位置的地理因素(高程、坡度、坡向、冻土分布)、气候条件(降水量、温度、风速、风向等)以及土壤特性(粉土,粘土,沙土)参数;σ(si)是在第t年青藏铁路si位置沙漠化的大小参数;ξ是在第t年青藏铁路si位置沙漠化形状参数(本发明例中假设所有的沙漠化形状相同,即是一个常数);α是该模型中小尺度误差贡献调参因子,通过调整参数α的值,可以控制模型对小尺度误差的相对重要性,从而适应不同类型的数据和空间结构,并更好地解释和预测观测数据的空间变异性。
本发明中0<α<1,即当α接近0时,小尺度误差对模型的贡献较小。这意味着模型更加关注剩余相关性或大尺度的空间结构,而对于小尺度的误差变动不敏感。在这种情况下,模型更加强调空间相关性的模式,并将小尺度误差视为次要因素。相反,当α接近1时,小尺度误差对模型的贡献较大。这意味着模型更加关注细节和局部特征,并对小尺度的误差变动更为敏感。在这种情况下,模型会更加平衡地考虑剩余相关性和小尺度误差,并将它们纳入建模过程中。
因为历史数据(2000-2020年高分辨遥感数据)表明在青藏铁路沿线任何空间位置上,沙漠化对青藏铁路侵扰灾害的发生可能性(概率)都是相同的,只是沙漠化对青藏铁路侵扰灾害的尺度和位置参数可能有所不同,即最大稳态过程(max-stable)。因此,沙漠化对青藏铁路侵扰灾害的发生Yt(si)可以用广义极值分布(GEV)进行量化描述,所以上述模式(式(1))可以转换为:
在广义极值分布(GEV)中,和/>可以通过下面的公式(3)和(4)计算:
其中:θt(s)为沙漠化对青藏铁路侵扰灾害空间残差依赖。
式(3)和(4)可以通过历史观测数据计算。
若式(1)中定义在(si),μt(si),σ(si),ξ和α的条件下年度沙漠化对青藏铁路侵扰灾害事件发生是独立的,可以被简化为一个一维GEV分布。则在气候变化对青藏铁路沙漠化侵扰灾害影响模式中通过历史沙漠化对青藏铁路侵扰灾害发生的具***置来模拟计算μt(si)和σ(si),而残差依赖可以通过GEV参数中的随机效应建模引入θt(s)来进行模拟计算。因此,可以通过θt(s)赋予沙漠化对青藏铁路侵扰灾害事件模型在未测量位置上预测年度沙漠化对青藏铁路侵扰灾害事件发生的概率。沙漠化对青藏铁路侵扰灾害空间残差(θt(s))可以通过式(5)来计算:
其中:Kernel方程ωl(s)1/α≥0,At,l是Kernel方程的系数。因为沙漠化对青藏铁路侵扰灾害是一个稳态过程,所以Kernel方程符合正态分布,即Kernel方程可以通过利用历史观测数据在方程(6)和方程(7)中进行计算:
其中:v1,...,vl是空间节点;τ是残差依赖的空间特征长度,τ必须保证在每个具***置上的空间节点之和等于1;同时,Kernel方程的系数At,l必须满足正稳态分布。
建设沙漠化对青藏铁路侵扰灾害位置系数(μt(si))是一个随时间的渐变,所以在式(1)中位置系数(μt(si))可以表示为:
μt(s)=μt-1(s)+μtrend,t-1(s)...(8)
μtrend,t(s)=μtrend,t-1(s)+ωt(s)...(9)
其中:ωt(s)是一个平均值为0的高斯分布过程,即ωt(s)~Gaussian process(0,c(s,s′;γσ,ρσ))。(s,s′;γσ,ρσ)是γσ和ρσ的协方差方程,通过标准差(SD)和沙漠化对青藏铁路侵扰灾害长度来进行计算,即v=2.5。因此,本发明中沙漠化对青藏铁路侵扰灾害初始状态和时空演变趋势,可以分别用式(10)和(11)来计算:
上式中,XT(s)是一个2×1的参考协变量向量,包含截距和每个位置的原有沙漠宽度,并且βμ是一个2×1的回归系数向量。使用沙漠宽度宽度作为协变量的理论依据是沙漠面积越大,特别是沙漠面向铁路线的切面越大,沙漠化对青藏铁路侵扰灾害发生的概率越大。
σ(s)是沙漠化对青藏铁路侵扰灾害尺度参数,即σ(si)是在第t年青藏铁路si位置沙漠化的大小参数,因为在现实情况下σ(s)必须大于0,所以取其对数可以确保施加这样的限制,其对数log(σ(s))可以被建模为一个空间过程:
⑶基于历史数据和概率推断,进行铁路沿线沙漠化灾害的预测和评估。
通过贝叶斯层间结构模型的建立,充分考虑了各影响因素(自变量)之间的关联性和时空变化,通过概率推断方法对未来沙漠化的发展趋势和潜在的灾害风险区域情况进行预测,清晰地反映出青藏铁路沿线沙漠化侵扰灾害发生的空间分布和时间变化特征,并据此进行历史沙漠化灾害对青藏铁路侵扰灾害程度评估并对相应灾害发生的可能性进行概率计算获得后验概率,进行沙漠化灾害的预测和区域分布评估。
具体过程:将步骤⑵中处理好的自变量(地表植被覆盖度、土壤温度、土壤湿度、冻土活动层厚度、空气温度、空气湿度、风向、风速、降水量、净辐射、土壤质地、高程、坡度、坡向、沙砾粒径、土壤含沙量和土壤胶结力),输入式(12),计算获取青藏铁路沿线沙漠化侵扰灾害发生概率,并基于R语言包rstan,对青藏铁路沿线沙漠化侵扰灾害构建出一个沙漠化灾害预测***。该***可以接收实时或定期更新的数据,并自动进行预测和评估,同时实现预测结果的可视化展示,如图2所示,可清晰准确地展示青藏铁路沿线沙漠化侵扰铁路灾害易发生地段。
(4)根据图2的预测结果,依据《青藏铁路养护标准2020版》阈值设定(道砟表面累积沙厚超过10cm)或概率(道砟表面累积沙年次数超过30%概率)比较进行沙漠化侵扰铁路灾害判定,形成相关的文字报告说明书,制定相应的沙漠化防治措施,包括土地治理、水资源管理等,以减轻或避免沙漠化灾害侵扰对铁路的影响。
Claims (2)
1.一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法,包括以下步骤:
⑴收集青藏铁路沿线相关地理和气象数据,利用地理信息***对这些数据进行集成和空间分析,建立一个全面的空间数据集;
⑵将青藏铁路沿线划分为多个空间层和时间层,确定形成数据特征向量的沙漠化侵扰铁路灾害特征属性项,然后采用贝叶斯统计学方法建立层间结构模型,并确定各层级的关系和参数;
⑶基于历史数据和概率推断,进行铁路沿线沙漠化灾害的预测和评估;
⑷根据预测结果,依据《青藏铁路养护标准2020版》阈值设定或概率比较进行沙漠化侵扰铁路灾害判定,制定相应的沙漠化防治措施,以减轻或避免沙漠化灾害侵扰对铁路的影响。
2.如权利要求1所述的一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法,其特征在于:所述步骤⑵中数据特征向量的沙漠化侵扰铁路灾害特征属性项包括年的地表植被覆盖度、土壤温度、土壤湿度、冻土活动层厚度、空气温度、空气湿度、风向、风速、降水量、净辐射、土壤质地、高程、坡度、坡向、沙砾粒径、土壤含沙量和土壤胶结力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310901609.5A CN116777079A (zh) | 2023-07-21 | 2023-07-21 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310901609.5A CN116777079A (zh) | 2023-07-21 | 2023-07-21 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777079A true CN116777079A (zh) | 2023-09-19 |
Family
ID=88009984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310901609.5A Pending CN116777079A (zh) | 2023-07-21 | 2023-07-21 | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777079A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744868A (zh) * | 2023-12-19 | 2024-03-22 | 中国科学院西北生态环境资源研究院 | 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 |
CN117933477A (zh) * | 2024-01-26 | 2024-04-26 | 中国科学院西北生态环境资源研究院 | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 |
CN117933476A (zh) * | 2024-01-26 | 2024-04-26 | 中国科学院西北生态环境资源研究院 | 一种青藏高原多年冻土区植被性状空间分布估算方法 |
-
2023
- 2023-07-21 CN CN202310901609.5A patent/CN116777079A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744868A (zh) * | 2023-12-19 | 2024-03-22 | 中国科学院西北生态环境资源研究院 | 基于贝叶斯层间结构的多年冻土区地下冰储藏量估算模型 |
CN117933477A (zh) * | 2024-01-26 | 2024-04-26 | 中国科学院西北生态环境资源研究院 | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 |
CN117933476A (zh) * | 2024-01-26 | 2024-04-26 | 中国科学院西北生态环境资源研究院 | 一种青藏高原多年冻土区植被性状空间分布估算方法 |
CN117933477B (zh) * | 2024-01-26 | 2024-06-07 | 中国科学院西北生态环境资源研究院 | 一种青藏高原多年冻土区植被特性时间变化趋势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102242977B1 (ko) | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 | |
Shahabi et al. | Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran | |
Soma et al. | Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia | |
Malik et al. | Meteorological drought prediction using heuristic approaches based on effective drought index: a case study in Uttarakhand | |
Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
Li et al. | GIS‐Based Landslide Susceptibility Mapping Using Information, Frequency Ratio, and Artificial Neural Network Methods in Qinghai Province, Northwestern China | |
Sampson et al. | The impact of uncertain precipitation data on insurance loss estimates using a flood catastrophe model | |
Abaza et al. | Sequential streamflow assimilation for short-term hydrological ensemble forecasting | |
Emamgholizadeh et al. | Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K) | |
Bari Abarghouei et al. | Prediction of drought in dry lands through feedforward artificial neural network abilities | |
Abd-Elmaboud et al. | Estimation of groundwater recharge using simulation-optimization model and cascade forward ANN at East Nile Delta aquifer, Egypt | |
Teegavarapu | Changes and trends in precipitation extremes and characteristics: Links to climate variability and change | |
Shastry et al. | Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations | |
Sušanj et al. | Methodology for developing hydrological models based on an artificial neural network to establish an early warning system in small catchments | |
Guzha et al. | Application of the distributed hydrological model, TOPNET, to the Big Darby Creek Watershed, Ohio, USA | |
Wan et al. | An assessment of the national water model’s ability to reproduce drought series in the northeastern United States | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
Ranjan et al. | ANN and GRNN-based coupled model for flood inundation mapping of the Punpun River Basin | |
Oliaye et al. | A new approach to weather radar adjustment for heavy rainfall events using ANFIS-PSO | |
Chen et al. | Construction of a sediment disaster risk assessment model | |
Nowrin et al. | Forecasting short-term road surface temperatures considering forecasting horizon and geographical attributes–an ANN-based approach | |
Moharana et al. | Modelling and prediction of soil organic carbon using digital soil mapping in the Thar desert region of India | |
Karamvand et al. | SMAP products for prediction of surface soil moisture by ELM network model and agricultural drought index | |
Lu et al. | Auto station precipitation data making up using an improved neuro net |
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 |