【技术实现步骤摘要】
本专利技术涉及水旱灾害数据处理，特别涉及一种边坡垮塌风险评估方法及系统。
技术介绍
1、随着气候变化和城市化进程的加快，边坡垮塌事件是防灾减灾的关注重点，尤其在暴雨情况下边坡状态变化复杂，亟需建立完善的暴雨边坡垮塌风险评估机制。
2、关于边坡垮塌风险评估，大致分为数理统计模型和物理模拟模型两个方向。数理统计模型一般是通过建立对象-事件-影响度数据集，将坡度、土壤亲水性、降雨强度等参数作为指标，通过统计大量历史案例数据，采用不同的模型/算法计算各个指标的权重，最后得出区域内的边坡垮塌风险性期望；物理模拟模型一般是基于实际降雨数据计算降雨入渗改变土体重度、降低土体抗剪强度、降低土体有效应力等多维度的数值，以此来评判边坡垮塌的风险性。
3、然而，这两种暴雨边坡垮塌风险评估方法仍有不足。数理统计模型高度依赖于历史案例数据的质量和数量，通常忽略边坡垮塌的动态过程和时间效应，难以准确反映边坡在不同时间尺度上的稳定性变化。物理模拟模型需要大量的计算资源和复杂的数值算法，计算过程耗时且对计算条件要求较高，且物理模拟模型需要设定合理的边界条件，而这些条件的设定往往依赖于地质勘探或假设/简化的工程经验，可能与实际情况存在偏差。上述两种模型基本都缺乏对水文过程的深入理解和量化分析，难以准确预测和评估暴雨条件下边坡的动态变化和潜在风险。
技术实现思路
1、针对现有技术的不足，本专利技术的目的在于提供一种边坡垮塌风险评估方法及系统，本专利技术可实现对降雨情景下边坡垮塌风险的动态监测和
2、为了实现上述目的，本专利技术是通过如下技术方案来实现的：
3、一种边坡垮塌风险评估方法，包括如下步骤：
4、基于研究区域的表面结构，构建若干个网格单元，并获取研究区域数据组，以于每一所述网格单元上构造若干个包括时间节点的数据矩阵；
5、基于所述研究区域的气象预报模型及若干个所述数据矩阵，获取未来降雨概率分布；
6、基于若干个所述网格单元、若干个所述数据矩阵及所述未来降雨概率分布，生成未来降雨情景库；
7、获取所述研究区域的土壤水文数据组，构建土壤水文机理模型；
8、基于所述未来降雨情景库及所述土壤水文机理模型，获取若干个洪峰要素结果，以计算不确定度；
9、自若干个所述数据矩阵中提取水文数据，并输入所述土壤水文机理模型，以获取水文机理数据组；
10、根据故障贝叶斯网结构，建立边坡垮塌事件的故障树模型，并基于所述故障树模型及所述水文机理数据组，评估所述研究区域的边坡垮塌风险期望，并根据所述不确定度评估所述边坡垮塌风险期望的准确性。
11、与现有技术相比，本专利技术的有益效果在于：对待研究的边坡进行精确的网格化、单元化，并在形成的若干个网格单元上建立与时间尺度相关的所述数据矩阵，将所述数据矩阵中的数据作为所述土壤水文机理模型的输入，所述土壤水文机理模型以真实的监测及研究数据为背景建立，可模拟水文循环的全过程，相较于传统的数理统计模型或物理模拟模型，采用所述土壤水文机理模型的评估方法对水文过程的理解更加深入，并且建立在包括所述时间节点的数据的基础上进行分析，可获得动态的边坡情况变化过程；通过获取所述未来降雨概率分布，将气象预报中提取的降雨预测的不确定性纳入数据分析中，并通过采样生成所述未来降雨情景库，以结合所述土壤水文机理模型，对不同情景下的土壤水文要素的时空分布进行模拟及数学分析，量化多个模型间传递的不确定性，为评估出的风险期望的准确性、可靠性作支撑；通过构建所述故障树模型，进而可通过所述故障贝叶斯网结构计算各节点的条件概率分布，可量化地计算待研究的边坡的垮塌风险期望，以达到对垮塌风险精准、直观地量化，有益于对暴雨灾害及时做出准确的决策。
12、进一步，所述数据矩阵的公式为：
13、
14、其中，为矩阵，为网格单元的编号，为数据属性的编号，为到时间节点内第种属性的值，，，为网格单元的总数量，为时间节点的总数量。
15、更进一步，所述基于所述研究区域的气象预报模型及若干个所述数据矩阵，获取未来降雨概率分布的步骤包括：
16、自若干个所述数据矩阵中提取若干个气象数据，并将所述气象数据输入所述研究区域的气象预报模型，以获取若干个降雨预测数据；
17、对所述降雨预测数据进行统计分析，生成未来降雨概率分布。
18、更进一步，所述基于若干个所述网格单元、若干个所述数据矩阵及所述未来降雨概率分布，生成未来降雨情景库的步骤包括：
19、自若干个所述数据矩阵中提取若干个历史降雨数据；
20、基于所述历史降雨数据对所述未来降雨概率分布进行采样，生成若干个降雨时间情景及若干个降雨空间情景，若干个所述降雨空间情景与若干个所述网格单元一一对应，以构成未来降雨情景库。
21、更进一步，所述土壤水文数据组包括河流上下游条件、降雨数据、地形数据、下渗系数及土壤含水率。
22、更进一步，所述不确定度的计算公式为：
23、
24、其中，为不确定度，为第一子不确定度，用于表示土壤水文要素时空分布的不确定性，为第二子不确定度，用于表示时空分布耦合的不确定性；
25、所述第一子不确定度的计算公式为：
26、
27、其中，表示降雨空间情景的总数，表示降雨时间情景的总数，表示于第种降雨时间情景下模拟的洪峰要素结果，表示于第种降雨空间情景下模拟的洪峰要素结果，表示于所有降雨时间情景及降雨空间情景下模拟的若干个洪峰要素结果的均值；
28、所述第二子不确定度的计算公式为：
29、
30、其中，表示于第种降雨时间情景及第种降雨空间情景下模拟的洪峰要素结果。
31、再进一步，所述根据故障贝叶斯网结构，建立边坡垮塌事件的故障树模型，并基于所述故障树模型及所述水文机理数据组，评估所述研究区域的边坡垮塌风险期望的步骤包括：
32、自所述研究区域的边坡垮塌事件中提取若干个诱因事件，并自每一所述诱因事件中提取若干个基本事件，每一所述基本事件对应一个影响指标，基于所述基本事件建立若干个风险评价等级；
33、将所述边坡垮塌事件作为目标节点，将若干个所述诱因事件作为若干个中间节点，将若干个所述基本事件作为若干个证据节点，以建立所述边坡垮塌事件的故障树模型，并确立若干个所述影响指标在不同的所述风险评价等级下的取值范围；
34、自所述水文机理数据组中提取与若干个所述影响指标对应的若干个变量，并将若干个所述变量均标准化为无量纲的若干个归一化指标；
35、基于所述故障树模型，计算若干个所述基本事件的概率重要度及临界重要度，以评估所述研究区域的边坡垮塌风险期望。<本文档来自技高网...
【技术保护点】
1.一种边坡垮塌风险评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述数据矩阵的公式为：
3.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述基于所述研究区域的气象预报模型及若干个所述数据矩阵，获取未来降雨概率分布的步骤包括：
4.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述基于若干个所述网格单元、若干个所述数据矩阵及所述未来降雨概率分布，生成未来降雨情景库的步骤包括：
5.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述土壤水文数据组包括河流上下游条件、降雨数据、地形数据、下渗系数及土壤含水率。
6.根据权利要求4所述的边坡垮塌风险评估方法，其特征在于，所述不确定度的计算公式为：
7.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述根据故障贝叶斯网结构，建立边坡垮塌事件的故障树模型，并基于所述故障树模型及所述水文机理数据组，评估所述研究区域的边坡垮塌风险期望的步骤包括：
8.一种边坡垮塌风险评估系统，应
...【技术特征摘要】
1.一种边坡垮塌风险评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述数据矩阵的公式为：
3.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述基于所述研究区域的气象预报模型及若干个所述数据矩阵，获取未来降雨概率分布的步骤包括：
4.根据权利要求1所述的边坡垮塌风险评估方法，其特征在于，所述基于若干个所述网格单元、若干个所述数据矩阵及所述未来降雨概率分布，生成未来降雨情景库的步骤包括：
5.根据权利要求1所述的边坡垮塌风险评估方法...
【专利技术属性】
技术研发人员：刘明，傅韬，王琛珏，邓武彬，夏继平，黄韬，郭颖，朱雅莲，王忠信，黄长柏，周铭华，李志珍，熊毅，刘亮，
申请(专利权)人：江西省水投江河信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。