一种基于驱动因子的多动力滑坡预测方法及系统技术方案

本发明专利技术公开了一种基于驱动因子的多动力滑坡预测方法及系统，该方法先获取监测地点预设范围内的历史数据，所述历史数据包括历史降水数据、历史地温数据和历史地震数据；然后基于所述历史数据确定各驱动因子，所述驱动因子包括极端降雨频率、极端干旱频率、极端升温频率和地震频率；接着基于时间不重叠规则确定出各驱动因子的叠加概率；最后当预测时刻的所述叠加概率小于预设阈值时，进行滑坡预警，实现了提高对多动力滑坡的预测精确度，降低预测成本和实施难度。本和实施难度。本和实施难度。

【技术实现步骤摘要】
一种基于驱动因子的多动力滑坡预测方法及系统


[0001]本专利技术属于滑坡
，具体涉及一种基于驱动因子的多动力滑坡预测方法及系统。

技术介绍

[0002]目前各地滑坡灾害频繁发生，往往导致群死群伤和重大经济损失，根据临灾资料，有一类滑坡在滑坡发生前没有监测到明显的强地震或强暴雨等显著激发因素。在研究分析气象灾害时，提出蝴蝶效应，这一效应表明某一微小因素的变化可能导致巨大灾害的发生，这也同样能够应用在滑坡中，上述类型的滑坡在发生时并没有强震或强暴雨的激发，却与许多气象因素的波动及弱地震组合具有显著的耦合关系，这些驱动因素都可以通过降低土体强度和增强水土耦合激发滑坡，因此该类由早期干旱、前期降水和临灾低级别地震等多个驱动因子叠加作用于坡体的滑坡为多动力滑坡。
[0003]现阶段针对滑坡主要通过在坡体安装变形监测设备或通过InSAR等手段获取变形数据，再或者通过强降雨强地震等阈值体系来实现，这些方法手段适用于常规滑坡。而多动力滑坡常常发育于高海拔山区，安装监测仪器难度大、成本高；InSAR变形监测覆盖全区多个隐患点难度大、在滑坡发生较大变形后InSAR数据存在失真、遥感影像精度等问题，成本和技术要求也相对较高，且针对上述多动力滑坡的预测精度较低。
[0004]因此，如何提高对多动力滑坡的预测精确度，降低预测成本和实施难度，是本领域技术技术人员有待解决的技术问题。

技术实现思路

[0005]本专利技术的目的是为了提高对多动力滑坡的预测精确度，降低预测成本和实施难度，提出了一种滑坡预测方法。
[0006]本专利技术的技术方案为：一种基于驱动因子的多动力滑坡预测方法，所述多动力滑坡具体为由非强降雨以及非强地震激发因素的驱动因子激发的滑坡，包括以下步骤：
[0007]S1、获取监测地点预设范围内的历史数据，所述历史数据包括历史降水数据、历史地温数据和历史地震数据；
[0008]S2、基于所述历史数据确定各驱动因子，所述驱动因子包括极端降雨频率、极端干旱频率、极端升温频率和地震频率；
[0009]S3、基于时间不重叠规则确定出各驱动因子的叠加概率；
[0010]S4、当预测时刻的所述叠加概率小于预设阈值时，进行滑坡预警。
[0011]进一步地，所述极端降雨频率具体为预测时刻当月以及前三个月的累积降雨量，所述极端干旱频率为预测时刻前一年12月至当年2月中标准降水指数最低值在历年同期出现的概率，若预测时刻属于1月，则为预测时刻前一年12月至当月标准降水指数最低值在历年同期出现的概率，所述极端升温频率为预测时刻前10天的平均地表气温在历年同期出现的频率，所述地震频率为预测时刻当天地震震中与监测地点的距离在历史数据中出现的频
率。
[0012]进一步地，所述步骤S3中具体通过如下公式确定叠加概率p：
[0013][0014][0015]式中，t为预测月，d为预测日，R
i
为第i日的日降雨量，R
mj
为第i月的月降雨量，T
i
为第i日的地表气温，P
s12
为前一年12月的SPI，P
s1
为当年1月的SPI，P
s2
为当年2月的SPI，T
mi
为第i月中最低地表气温小于0度天数的平均地表气温，L为震中与监测地点的距离。
[0016]进一步地，所述预设阈值为基于历史滑坡数据进行确定。
[0017]进一步地，所述预设阈值具体为
[0018]另一方面，本专利技术还提供了一种基于驱动因子的多动力滑坡预测系统，其特征在于，所述系统包括
[0019]获取模块，用于获取监测地点预设范围内的历史数据，所述历史数据包括历史降水数据、历史地温数据和历史地震数据。
[0020]第一确定模块，用于基于所述历史数据确定各驱动因子，所述驱动因子包括极端降雨频率、极端干旱频率、极端升温频率和地震频率；
[0021]第二确定模块，用于基于时间不重叠规则确定出各驱动因子的叠加概率；
[0022]预警模块，用于当预测时刻的所述叠加概率小于预设阈值时，进行滑坡预警。
[0023]与现有技术相比，本专利技术具备以下有益效果：
[0024]本专利技术通过先获取监测地点预设范围内的历史数据，所述历史数据包括历史降水数据、历史地温数据和历史地震数据；然后基于所述历史数据确定各驱动因子，所述驱动因子包括极端降雨频率、极端干旱频率、极端升温频率和地震频率；接着基于时间不重叠规则确定出各驱动因子的叠加概率；最后当预测时刻的所述叠加概率小于预设阈值时，进行滑坡预警，实现了提高对多动力滑坡的预测精确度，降低预测成本和实施难度。
附图说明
[0025]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1所示为本说明书实施例提供的基于驱动因子的多动力滑坡预测方法的流程示意图；
[0027]图2所示为本说明书实施例提供的基于驱动因子的多动力滑坡预测系统的结构示意图。
具体实施方式
[0028]为了使本领域普通技术人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0029]如图1所示为本说明实施例提供的数据安全访问方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
[0030]本说明实施例中提供的数据安全访问方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：
[0031]步骤S1、获取监测地点预设范围内的历史数据，所述历史数据包括历史降水数据、历史地温数据和历史地震数据。
[0032]具体的，监测地点也即是大规模滑坡隐患点，通过气象站等处获取监测地点预设范围内的历史数据，以使后续从历史数据中确定处驱动因子。
[0033]在具体应用场景中，以易贡滑坡、白格滑坡和新磨村滑坡为例，收集其附近气象站点自有记录以来的气象数据，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于驱动因子的多动力滑坡预测方法，其特征在于，所述多动力滑坡具体为由非强降雨以及非强地震激发因素的驱动因子激发的滑坡，包括以下步骤：S1、获取监测地点预设范围内的历史数据，所述历史数据包括历史降水数据、历史地温数据和历史地震数据；S2、基于所述历史数据确定各驱动因子，所述驱动因子包括极端降雨频率、极端干旱频率、极端升温频率和地震频率；S3、基于时间不重叠规则确定出各驱动因子的叠加概率；S4、当预测时刻的所述叠加概率小于预设阈值时，进行滑坡预警。2.如权利要求1所述的基于驱动因子的多动力滑坡预测方法，其特征在于，所述极端降雨频率具体为预测时刻当月以及前三个月的累积降雨量，所述极端干旱频率为预测时刻前一年12月至当年2月中标准降水指数最低值在历年同期出现的概率，若预测时刻属于1月，则为预测时刻前一年12月至当月标准降水指数最低值在历年同期出现的概率，所述极端升温频率为预测时刻前10天的平均地表气温在历年同期出现的频率，所述地震频率为预测时刻当天地震震中与监测地点的距离在历史数据中出现的频率。3.如权利要求1所述的基于驱动因子的多动力滑坡预测方法，其特征在于，所述步骤S3中具体通过如下公式确定叠加概率p：中具体通过如下公式确定叠加概率p：式中，t为预测月，d...

【专利技术属性】
技术研发人员：陈宁生，田树峰，黄娜，
申请(专利权)人：中国科学院，水利部成都山地灾害与环境研究所，
类型：发明
国别省市：