一种基于驱动因子的多动力滑坡预测方法及系统

1.本发明属于滑坡技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.本发明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。
6.本发明的技术方案为：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：
7.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；
8.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；
9.s3、基于时间不重叠规则确定出各驱动因子的叠加概率；
10.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。
11.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。
12.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，ri为第i日的日降雨量，r
mj
为第i月的月降雨量，ti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，本发明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，本发明具备以下有益效果：
[0024]
本发明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，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[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，具体包括用于计算分析极端前期降雨、极端早期干旱的日降雨数据、用于计算分析极端升温频率的地表气温数据以及区域的历史地震数据和震中与滑坡点距离等。
[0034]
步骤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。
[0035]
在本技术实施例中，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。
[0036]
在具体场景中，以易贡滑坡、白格滑坡和新磨村滑坡为例：
[0037]
易贡滑坡2000年2月干旱spi指标为-1.67，发生频率为0.05(2/40，低于15％)；4.1-4.9期间经历了极端升温，平均温度为4.63℃，发生频率为0.075(3/40，低于15％)；2000年4月9日临灾小地震在滑坡位置产生的地震加速度为43.32gal，发生频率为0.1522(7/46，接近15％)；易贡滑坡发生前的1月1日-4月9日前期累积降水为107.9mm，小于同期平均降水，发生频率为0.6744(29/43，大于50％)；
[0038]
白格滑坡发生当年3-5月的冬春最低平均温度为-1.2℃，发生频率为0.0172(1/
58)；2018年7月1日到10月10日的前期累积降雨为530.2mm，发生频率为0.0323(2/62，低于15％)；白格滑坡发生前的冬春最低spi为-0.4，接近于同期平均spi，干旱发生频率为0.459(28/61)；
[0039]
新磨村滑坡发生前2017年1月spi为冬春最低-1.61，发生频率为0.1364(9/66，低于15％)；新磨村滑坡发生当年3-5月的冬春最低平均温度为-1.8℃，发生频率为0.0408(2/49，低于15％)；新磨村滑坡发生前2017年3月1日到6月24日的前期累积降雨为342.9mm，发生频率为0.1493(10/67，低于15％)。
[0040]
步骤s3、基于时间不重叠规则确定出各驱动因子的叠加概率。
[0041]
在本技术实施例中，所述步骤s3中具体通过如下公式确定叠加概率p：
[0042][0043][0044]
式中，t为预测月，d为预测日，ri为第i日的日降雨量，r
mj
为第i月的月降雨量，ti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。
[0045]
在具体应用场景中，易贡滑坡在2020年4月9日各驱动因子的叠加概率为2598年一遇也即
[0046]
白格滑坡在2018年10月10日各驱动因子的叠加概率为3922年一遇
[0047]
新磨村滑在2017年6月24日各驱动因子的叠加概率为1203年一遇
[0048]
在本技术实施例中，预设阈值为基于历史滑坡数据进行确定，也即是说基于监测点历史滑坡数据进行确定，也可以是同等地质条件的滑坡点的历史滑坡数据进行确定，本技术方案选择的是
[0049]
步骤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。
[0050]
由于多动力滑坡属于低频率事件，所以本实施例选用的案例可以通过发生时间和发生机制进行验证。易贡滑坡发生在2020年4月9日，是在冬春干热和临灾4.8级地震背景下发生的；白格滑坡发生在2018年10月10日，是在极端前期降雨和冬春干热的作用下发生的；新磨村滑发生在2017年6月24日，是在前期雨量和冬春干热的作用下发生的。发生时间与本预测方法计算结果一致，发生原因与已有文献研究一致，因此该方法适用于大规模多动力滑坡预测。
[0051]
基于上述的基于驱动因子的多动力滑坡预测方法，本说明一个或多个实施例还提供一种基于驱动因子的多动力滑坡预测的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“模块”可
以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。
[0052]
具体地，图2是本说明书提供的基于驱动因子的多动力滑坡预测装置一个实施例的模块结构示意图，如图2所示，本说明书中提供的基于驱动因子的多动力滑坡预测装置包括：
[0053]
响应模块201，用于响应于用户访问请求，对用户使用的api进行数据采集；
[0054]
转换模块202，用于将采集到的数据进行格式转换得到第一数据；
[0055]
标注模块203，用于根据预设标注模型和用户权限对所述第一数据进行权限分类分级标注；
[0056]
返回模块204，用于基于所述用户访问请求和所述权限分类分级标注向用户返回请求数据。
[0057]
需要说明的是，上述的系统根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
[0058]
本技术实施例还提供了一种电子设备，包括：
[0059]
处理器；
[0060]
用于存储所述处理器可执行指令的存储器；
[0061]
所述处理器被配置为用于执行如上述实施例提供的方法。
[0062]
本技术实施例提供的电子设备，通过存储器存储处理器的可执行指令，当处理器执行该可执行指令时，能够对用户使用的api进行数据采集；然后将采集到的数据进行格式转换得到第一数据；接着根据预设标注模型和用户权限对所述第一数据进行权限分类分级标注；最后基于所述用户访问请求和所述权限分类分级标注向用户返回请求数据，能够极大地降低数据安全防护的成本，并有效地提高了安全防护的灵活性和准确性。
[0063]
以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0064]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

技术特征：
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。4.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，所述预设阈值为基于历史滑坡数据进行确定。5.如权利要求4所述的基于驱动因子的多动力滑坡预测方法，其特征在于，所述预设阈值具体为6.一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。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；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；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。

技术总结
本发明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。


技术研发人员：陈宁生 田树峰 黄娜
受保护的技术使用者：中国科学院、水利部成都山地灾害与环境研究所
技术研发日：2023.04.07
技术公布日：2023/8/1