ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD收录期刊
  • Caj-cd规范获奖期刊
  • Scopus 收录期刊
  • DOAJ 收录期刊
  • GeoRef收录期刊
欢迎扫码关注“i环境微平台”

基于机器学习的伊犁河谷黄土区泥石流易发性评估

李志, 陈宁生, 侯儒宁, 吴铭洋, 张瀛玉龙, 杜鹏

李志,陈宁生,侯儒宁,等. 基于机器学习的伊犁河谷黄土区泥石流易发性评估[J]. 中国地质灾害与防治学报,2024,35(3): 129-140. DOI: 10.16031/j.cnki.issn.1003-8035.202301007
引用本文: 李志,陈宁生,侯儒宁,等. 基于机器学习的伊犁河谷黄土区泥石流易发性评估[J]. 中国地质灾害与防治学报,2024,35(3): 129-140. DOI: 10.16031/j.cnki.issn.1003-8035.202301007
LI Zhi,CHEN Ningsheng,HOU Runing,et al. Susceptibility assessment of debris flow disaster based on machine learning models in the loess area along Yili Valley[J]. The Chinese Journal of Geological Hazard and Control,2024,35(3): 129-140. DOI: 10.16031/j.cnki.issn.1003-8035.202301007
Citation: LI Zhi,CHEN Ningsheng,HOU Runing,et al. Susceptibility assessment of debris flow disaster based on machine learning models in the loess area along Yili Valley[J]. The Chinese Journal of Geological Hazard and Control,2024,35(3): 129-140. DOI: 10.16031/j.cnki.issn.1003-8035.202301007

基于机器学习的伊犁河谷黄土区泥石流易发性评估

基金项目: 第二次青藏高原科学考察项目(2019QZKK0902);柯西河跨境水土资源管理和水灾害防控(131C11KYSB20200033);国家自然科学基金区域联合基金项目(U20A20110)
详细信息
    作者简介:

    李 志(1999—),男,四川德阳人,地质资源与地质工程专业,硕士研究生,研究方向为山地灾害评价与防治。 E-mail:1245736788@qq.com

    通讯作者:

    陈宁生(1965—),男,四川成都人,自然地理学专业,研究员,博导,研究方向为山地灾害形成机理与防治。 E-mail:chennsh@imde.ac.cn

  • 中图分类号: P642.23

Susceptibility assessment of debris flow disaster based on machine learning models in the loess area along Yili Valley

  • 摘要:

    伊犁河谷地处中−哈边境,南北疆结合带,是丝绸之路经济带的前沿,该区域生态环境脆弱,泥石流灾害多发。本研究采用随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)以及决策树(DT)四种机器学习模型,模型输入为遥感判别和野外考察确定的398条泥石流沟以及14个特征参数,计算各个评价因子权重并对泥石流易发性进行评价,最后绘制ROC曲线以及计算曲线下面积(AUC)对四种机器学习的模型的准确性进行评价。研究结果表明:(1)泥石流高易发区主要位于深切河谷地区的天山山地以及山前坡地的黄土覆盖区域;(2)地形起伏度、多年平均降雨量、干旱指数是控制泥石流空间发育的前三个重要因素;(3)四种模型的验证数据集AUC值分别为0.938 (RF)、0.932 (SVM)、0.89 (LR)、0.879(DT),随机森林模型在该区域的易发性评价中具有更好的预测能力;(4)研究区黄土的生态植被被破坏是泥石流多发的重要原因,应该重点进行生态治理和保护,减少水土流失,从源头治理泥石流灾害。

    Abstract:

    The Yili Valley, located on the border between China and Kazakhstan, serves as the juncture of North and South Xinjiang, and stands as a pivotal outpost on the Silk Road Economic Belt. This area possesses a fragile ecological environment and experiences frequent debris flow disasters. In this study, four machine learning models:Random Forest (RF), Logistic Regression (LR), Support Vector Machine (SVM), and Decision Tree (DT)-- were employed to evaluate the debris flow susceptibility and compute the weights of evaluation factors. The models were fed inputs comprising 398 identified debris flow channels and 14 feature parameters such as fault density, topographic relief, land use, NDVI, multi-year average rainfall, etc obtained through remote sensing and field surveys. Also, the accuracy of the four machine learning models was evaluated by ROC curves and calculating the Area Under the Curve (AUC). The research results show that: (1) High debris flow susceptibility areas are mainly located in the Tianshan Mountains in the deep river valley region and the loess-covered areas in the mountain front slopes; (2) Multi-year average rainfall, drought index, and topographic relief variability are the top three influential factors controlling the spatial development of debris flows; (3) The AUC values for the validation datasets of the four models were 0.938 (RF), 0.932 (SVM), 0.89 (LR), 0.79 (DT), with the Random Forest model exhibiting superior predictive capability in assessing susceptibility in the region; (4) The disruption of ecological vegetation in the loess-covered region of the study area is a significant cause of frequent debris flow occurrences. Ecological governance and protection efforts should be emplasized to reduce soil erosion and effectively mitigate debris flow disasters at their source.

  • 近年来,受全球变化影响[1],青海省地质灾害发生的频率明显上升[2],地质灾害进入相对活跃期,地质灾害呈现出频发、群发的态势[3-4],而地质灾害具有隐蔽性、突发性和周期性的特征,防灾形势十分严峻[5]。现阶段青海省地质灾害治理率低,许多地质灾害威胁城镇、学校等人员集中区[6]的重大地质灾害隐患点,工程治理或避险搬迁难度大、资金困难,基层预防和自我救助能力弱,地质灾害防治任重道远。

    2004年三峡库区着手建立了地质灾害监测预警信息管理系统[7],随后北京、江苏、贵州等省市也都分别针对本省的地质环境条件特点建立了基于WebGIS、CORS、物联网等的地质灾害监测预警系统[8-10],接着在甘肃兰州建立了基于普适性监测设备的黄土滑坡监测预警系统[11],同时“空天地一体化”地质灾害监测预警系统也有了理论基础[12],地质灾害监测预警平台蓬勃发展。

    因此,加强普适型地质灾害监测预警工作,加速地质灾害综合防治体系建设已迫在眉睫。“十三五”以来,青海省建立了已知地质灾害隐患点全覆盖的群测群防体系,防灾减灾成效显著,但仍存在群测群防员更换频繁、兼职、专业技术掌握不足、信息传递速度慢等问题。自动化专业监测仅处于初步阶段,尚未推广。省内地质灾害自动化监测应用极为缺乏,原有的地质灾害排查工作效率低、基层班组巡查工作量大、人工监测区域受限且频次低、应急抢险时效性差,与新形势下地质灾害防治工作的需求还相差甚远[13-14]

    为积极贯彻落实自然资源部关于推进地质灾害监测预警设备试点工作的相关精神,根据《中国地质调查局地质灾害监测预警普适型仪器设备示范试用工作方案》的总体要求。青海省在地质灾害防治信息化建设现有的基础上,结合地质灾害防治新理论、新方法,根据其行政管理各项需求,达到地质灾害不同来源,不同批次的灾害点信息统一管理,动态更新。

    青海省地处青藏高原东北部,地质条件复杂,生态环境脆弱。全省地形地貌以山地、丘陵为主,占全省总面积的72%,地质灾害极高易发区仅存在极少部分,占青海省全省面积的1.66%;高易发区占9.56%,中易发区占26.50%。地质灾害呈现范围广、数量多、群发突发、灾情严重、治理难等特点。

    全省各类地质灾害隐患点共有4279处,其中崩塌455处、滑坡1034处、泥石流1183处、不稳定斜坡1595处、地面塌陷9处、地裂缝1处、地面沉降2处。地质灾害隐患对20.36万人口和76.38亿元财产构成威胁。地质灾害隐患点主要分布在青海省东部地区西宁市、海东市和黄南藏族自治州,占全省地质灾害隐患点总数的54.6%,南部地区其次,数量占全省总数的27.7%(图1)。

    图  1  工作区隐患点分布
    Figure  1.  Distribution of hidden danger points in work area

    第一,以尚未规划或尚未实施搬迁、治理、威胁人数较多的监测等级达到二、三级的滑坡、崩塌、泥石流等地质灾害隐患点为主要监测对象。按照“统筹安排、重点突出、统一接口、融合共享、边建边用、以用促建”的原则,部署工作任务。

    第二,对于不同的地质灾害隐患类型,需有针对性地选取符合隐患特点的普适型监测设备,设备要求功能简单、精度得当、运行牢靠、成本适当、推广适用性强的特点。

    第三,根据以往建设经验,自动化监测效果的保障关键在于地质灾害隐患点可监测性的综合分析和科学研究,选取合理的隐患监测点位,制定监测方案,明确设备选型和布局,达到有效监测和预警预报的目的。同时系统应统一数据接口,不同厂商不同设备数据要通过统一数据结构标准进入系统进行处理。

    经过前期资料研究,现场实地踏勘、航测、复核、专家组综合分析论证的基础上进行甄选,选点合理。对威胁全省人数大于30人以上的422处高风险隐患点选取安装普适型自动化监测设备及自动报警设备,增加地质灾害隐患自动化监测覆盖面,监测点部署情况见表1

    表  1  青海省地质灾害监测预警总体部署表
    Table  1.  Qinghai Province geological disaster monitoring and early warning general deployment table
    市州监测预警点分布特征
    西宁市145共威胁人员8221人。其中西宁市区5处,湟中区85处,
    湟源县8处,大通县47处。
    海东市202共威胁人员24594人。其中乐都区64处,平安区4处,
    民和县42处,互助县44处,化隆县32处,循化县16处。
    黄南州19共威胁人员1902人。其中同仁市15处,尖扎县4处。
    海南州17共威胁人员2432人,其中共和县1处,同德县3处,
    贵南县2处,贵德县9处,兴海县2处。
    海北州3共威胁人员188人,门源县3处。
    果洛州10共威胁人员834人。其中玛沁县7处,
    班玛县2处、达日县1处。
    玉树州26共威胁人员2770人。其中囊谦县20处,
    玉树市5处,称多县1处。
    合计422其中滑坡247处,不稳定斜坡131处,
    崩塌4处,泥石流47处
    下载: 导出CSV 
    | 显示表格

    监测工程应尽量沿灾害体变形主体方向布设监测剖面,用来监测灾害体的总体变形,并检验仪器的适用性。剖面布设宜优先考虑“十”字型,即一条纵剖面和一条横剖面。在此基础上,可根据监测需求扩展为“卄”字型、“卅”字型、“#”字型或“丰”字型等。在有地形限制的情况下,可采用放射型。

    监测点应布设在地表变形显著部位;监测仪器设施的安装需严格执行有关技术要求说明;监测点布设应考虑其运行条件及解决方案;监测点布设在实现本项目目标的前提下应尽可能减少建设成本;为相互印证对比,同时从安全角度出发,监测点成组分布组成现场站。

    滑坡主要监测降雨、地表位移、土壤含水率等,对重要隐患点安装视频系统加强监测;崩塌主要监测降雨量、倾角、加速度等;不稳定斜坡按照发展趋势按潜崩或潜滑进行监测设备布设;泥石流主要监测降雨量、泥位等,同时安装视频监测系统进行监测预警。

    对布设普适性监测仪器的灾害点进行不间断监测,监测周期要求经地质人员综合分析确定地质灾害体变形阶段,以具体确定监测周期,在外界扰动较大时,如暴雨期间或汛期,应加密观测次数。

    在仪器的选择中,应选取普适型设备及组合针对性的开展专群结合监测预警(表2),对地质灾害体出现、发生过程及降雨等关键性指标和指示性信息开展实时监测[15]

    表  2  灾害类型与测项选择
    Table  2.  Types of hazards and selection of measurement items
    灾害类型监测设备声光报警备注
    测项GNSS裂缝倾角加速度含水率雨量泥位
    滑坡(潜滑)岩质按需布置具体安装位置及数量,根据灾害体规模及特征综合确定
    土质
    崩塌(潜崩)岩质
    土质
    泥石流沟谷型
    坡面型
      注:●为宜测项,⊙为选测项。来自《地质灾害专群结合监测预警技术指南(试行)》
    下载: 导出CSV 
    | 显示表格

    地质灾害监测预警系统一方面要实现地质灾害隐患多手段、多维度、多通道的监测数据融合,提高地质灾害隐患监测效果;达到常态巡查、专业排查、群测群防、自动化监测以及InSAR/LiDAR监测[16]等各类地质灾害监测数据的汇聚并与历史数据进行对比。另一方面要达到地质灾害隐患预警预报的自动化、智能化的目标。融合气象风险、群测群防、自动化监测实现针对气象局提供的多类型雨量数据、气象数据的查询、浏览、可视化,在此基础上综合气象风险预警预报分析的其他参数模型,进行地质灾害气象风险预警预报分析,并生成预警预报成果。能够签批管理预警预报产品成果,对政府工作人员决策支持起到一定辅助作用。对各类地质灾害风险进行预判,并在第一时间发布预警信息,实现地质灾害隐患监测预警自动化、智能化。

    地质灾害监测预警信息化平台在已有地质灾害信息化建设成果基础上,基于B/S架构,面向服务架构(SOA),采用WebGIS技术、物联网技术等关键技术,按照“一个中心、两个平台、多个应用”的总体架构建设,实现业务系统的统一用户身份认证、统一GIS服务、统一数据支撑、统一工作流引擎(图2[17]

    图  2  系统架构
    Figure  2.  System architecture

    基础支撑层:即支撑地质灾害监测预警信息化平台数据及软件系统的硬件设备与网络环境。

    数据中心与数据交换共享平台:数据中心包括基础地理数据库、业务数据库、智能数据仓库与相应的数据管理、分析、监控工具。数据交换共享平台主要与省级应急管理平台、气象数据、国家地质灾害平台对接。

    支撑平台:用于支撑整个地质灾害信息化应用系统建设,提供一套统一的技术支撑组件,包括业务需要使用的关系数据库、工作流、消息队列、消息通知、任务调度、报表服务等。另外为了让系统统一集成,支撑平台层提供快速开发框架以及单点登录系统用于统一构建业务系统,保证业务系统风格统一,集成方便。建设物联网云平台、Web三维地理信息平台、无人机调查公有云平台,支撑地质灾害监测应用。最后是开发大数据和机器学习组件,包含实时数据传输、NoSQL计算引擎、全文检索、机器学习算法库、深度学习算法库等。这样可以保证数据从数据仓库中获取之后,可以通过业务选择算法进行模型训练。

    应用平台系统:基于数据中心提供的数据,支撑平台提供相应的支持,展开各类业务应用平台建设,主要包括地质灾害调查评价系统、地质灾害监测预警系统、指挥调度决策支持管理系统、项目管理系统、信息管理发布系统等,包含地质灾害调查、监测预警、统计分析、综合防治、应急支撑、地质遗迹保护等地质灾害业务。

    整个系统平台以信息化推动地质灾害防治工作的系统化、科学化、规范化,支持地质灾害防灾、减灾,保障人民的生命财产安全,为青海省各级主管部门的地质灾害战略规划与工作部署提供技术支撑和决策支持服务。

    通过建立地质环境标准体系,需统一规范的地质环境业务工作流程、数据结构、数据处理标准以及系统界面、编码等。标准体系主要由基础设施标准、数据资源标准、应用开发标准、信息安全标准、业务系统建设管理标准等组成。确保地质环境数据从生产、汇交、整合、管理、更新、共享到应用整个过程的标准化、规范化。实现青海省地质环境数据的管理一体化(图3)。

    图  3  数据中心建设
    Figure  3.  Data center construction

    依据地质灾害大数据的创建要求,实现数据的一体化存储、管理和服务,为青海省地质灾害监测预警信息化平台建设提供数据支撑;为业务信息系统、专业软件及工具、应用系统提供统一的数据服务。最终形成地质灾害数据的一体化服务体系。

    平台采用Web三维地理信息平台,用于支持各类业务数据、空间数据、无人机三维模型等数据的三维叠加查看,同时可以提供三维量测、空间分析等基础工具。支持矢量点线面、icon、标注、DOM、DEM、模型、点云、场景、等高线、等值线、等值面、热点图、动态线、视频、全景图等几十种数据类型,支持谷歌地图、天地图、本地数据等不同种数据源。

    无人机监测主要包括重点项目、重点区域定期的无人机数据采集与调查。基于云计算技术,建立无人机数据处理云平台,实现无人机数据的半自动化到自动化采集、无人值守数据处理和数据分析、解译、应用。无人机云平台主要由3个部分组成,其中包括无人机数据采集平台、无人机数据云平台以及无人机数据发布平台等模块组成。

    物联网监测云平台提供地质灾害感知设备的接入,实现监测数据采集、数据传输、数据管理(包括数据接入、数据存储、数据处理、数据挖掘、数据转发)和数据应用。物联网监测系统包括前端传感器、物联网数据智能采集终端、物联网传输链路、物联网平台。基于物联网平台提供的接口,业务应用可以基于物联网监测数据,进行进一步的业务数据分析。

    围绕地质灾害监测预警服务应用,在总体技术架构基础上,对现有业务系统进行整合完善,建立集管理、查询、统计分析、报表生成等功能于一体的地质灾害监测预警信息平台,达到对地质灾害防治的全流程管控与决策支撑。

    青海省地质灾害监测预警信息化平台包括地质灾害调查评价系统、地质灾害监测预警系统、地质灾害气象预警系统、信息管理发布系统、指挥调度决策支持管理系统、项目管理系统、无人机调查云平台、移动端、监测预警系统(切线角方法)、气象风险预报系统,共10个部分(图4)。

    图  4  系统组成
    Figure  4.  System composition

    地质灾害调查评价系统针对实际工作中的地质灾害调查评价业务,包括以项目形式的调查评价以及日常巡查、排查工作。紧扣实际业务,整合完善现有的系统,建立集管理、审核、查询、统计分析、报表生成等功能于一体,主要有地质灾害调查评价、地质灾害巡、排查监管数据的管理维护、审核、查询、统计等。

    地质灾害监测预警系统满足对监测对象的自动、连续、实时的监测,并具备将不同厂商设备的实时监测数据根据统一数据格式进行实时接收和存储的功能;系统进行前端业务数据管理和监测数据分析展示界面以及相应数据服务和应用服务;同时系统能以信息采集和预报分析决策为基础,依据预警信息的预警等级和地质灾害波及范围,借助传真、短信、无线广播等预警方式及相对应的预警流程,快速精准的将预警信息传达到地质灾害可能危及的地区,使收到预警信息地区的人员依据实时掌握的地质灾害整体的安全状态,及时采取相应防范措施,最大程度的降低人员伤亡及财产损失(图5)。

    图  5  地质灾害监测预警系统
    Figure  5.  Geological disaster monitoring and early warning system

    地质灾害气象预警系统包括气象信息查询分析、预警模型管理、气象预警签批发布等模块。气象信息查询包括雨量站、历史雨量、预报雨量的查询浏览和实时雨量监测功能。预警模型管理包括预警参数设置与预警分析计算两部分内容。预警计算过程在界面上展示,用户可以实时看到预警计算的进度情况。预警计算完成后可发布预警信息。

    信息管理发布系统包括信息发布、文章发布、链接发布、通讯录管理和门户网站等模块。

    指挥调度决策支持管理系统主要建设灾险情、汛期值班、应急调查、应急资源管理、决策支持功能模块,完全满足对指挥调度决策支持管理体系的总体要求。

    项目管理系统包括项目管理、资料查阅、项目审批、专家库管理等模块。

    无人机云平台主要是处理空间数据,实现数据从采集到处理、再到服务发布的全流程管理。使用无人机APP,可以控制飞行路线、范围,实现无人机数据的采集与传输,数据传输至云端后,讲对数据进行处理。对于拍摄回来的数据,可以利用裂缝识别模型,对图片进行分析,查看哪些地方有裂缝。处理后的数据可以通过发布后,即可在一张图中进行浏览。

    地质灾害监测预警移动端主要建设灾险情速报、任务管理、巡查管理、项目过程管控、监测预警、调查处置、应急调查、信息发布、信息公开、微信公众号功能模块,完全满足对移动端的总体要求。

    围绕青海省在地质灾害防治方面面临的系列问题,借鉴国内外先进经验,在充分利用、整合已有地质灾害建设成果基础上,主要基于改进的切线角方法研发了独具青海特色的青海省滑坡地质灾害实时监测预警系统。主要的改进体现在两点,首先改进切线角α作为预警判据,同时考虑初始变形阶段、等速变形阶段和加速变形阶段的变形速率临界值V[18]。其次地灾预警是一个复杂的多方面的问题所以引入了神经网络模型收集监测数据不断优化预警阈值提高预警准确率(图6)。

    图  6  气象风险预警系统
    Figure  6.  Meteorological risk early warning system

    并且系统平台能够实现快速融合InSAR/LiDAR数据、无人机正射影像、三维倾斜模型、现场调查等地质灾害应急数据;通过ETL工具,提取气象、交通、受灾对象、应急物资等数据至系统智能数据仓库,构建青海省地质灾害综合信息模型,实现从数据汇聚、数据管理、动态监测、预警预报、指挥调度、综合防治等全过程信息化、智能化和标准化管理。

    同时基于青海省的地区分异也设计了独具青海特色的青海省地质灾害气象风险预警系统(图7)。气象风险预警分析主要包括不同自然区划的参数设置、预警计算等功能[19-23]

    图  7  气象风险预警系统
    Figure  7.  Meteorological risk early warning system

    根据监测预警机制,省级单位负责地质灾害专群结合监测预警工作的组织、协调、监督和管理。承担单位与设备供应商共同负责站点建设、运行维护工作。州、县级单位负责站点建设期间的协调工作。

    为加强和提升地质灾害监测预警管理能力,夯实监测预警的各项基础工作,打造“自下而上、分级管理、责任监督”的省、市、县、乡、村“五级管理”系统,提高地质灾害监测预警的日常监督和监管,适应新形势下的地质灾害监测预警大数据的采集、传输、存储、共享、分析和预警,从各方面提高基层地质灾害综合防治能力。

    根据地质灾害监测预警预报的等级分四级响应,分别为乡、县、市、省四级,分工有序、共同协作。乡级政府及时组织撤离、监测;县级政府组织技术单位调查、风险评估、制定处置措施;市级政府督导,技术支撑;省级监管,技术指导。预警信息遵守“政府主导,统一发布;属地管理,分级负责;纵向到底,全部覆盖。”的发布原则,由县级自然资源部门发布,第一时间将相应等级的预警信息告知有关防灾负责人、监测负责人、群测群防员、并根据有关规定决定是否向全社会发布。

    报警方式及响应结合专业监测的成果及灾害宏观地质现象专业监测人员评价灾害的稳定性,一旦达到预警级别需按照不同的等级进行处置。对应于四个预警等级,红色警报级、橙色警戒级、黄色警示级、蓝色注意级。报警方式及响应的内容也不同,按照各个等级给不同的对象发送预警信息。

    蓝色预警发出后,群测群防员应去现场对宏观迹象进行巡查,并将有关情况进行反馈至乡(镇、街道办事处)自然资源主管部门。

    黄色预警发出后,地质灾害隐患点监测责任人、群测群防员应去现场对宏观迹象进行巡查;技术支撑单位加强监测数据分析,开展中期预警,预测发展趋势,并到现场进一步核查,并将有关情况反馈至乡(镇、街道办事处)自然资源主管部门。

    橙色预警发出后,地质灾害隐患点监测责任人、群测群防员应去现场对宏观迹象进行巡查,加强对宏观变形迹象的监测;技术支撑单位加强监测数据分析,开展短期预警,预测发展趋势;乡(镇、街道办事处)防灾责任人会同技术支撑单位前往现场进一步核查,并将有关情况反馈至县(区)级自然资源主管部门。

    红色预警发出后,地质灾害隐患点监测责任人、群测群防员应去现场对宏观迹象进行巡排查,加强宏观变形监测及短临前兆监测,开展短临预警,由其根据现场宏观变形等实际情况判定是否提前组织地质灾害危险区群众进行转移。县级自然资源主管部门会同乡(镇、街道办事处)和技术支撑单位前往现场进一步调查处置,若确属灾险情,则立即按照应急预案和灾险情速报机制采取相应行动。地质灾害应急响应人员主要由各灾害点所在的村、乡(镇)相关负责人负责。

    监测预警日常管理以地质灾害点、地质灾害监测人员、自动化监测设备以及应急救援物资等为基础对象,坚持分层分级管理的原则,实现对群测群防日常地质灾害点的监测、巡检、综合管理等工作落实情况的监管,为上级地质灾害监管单位提供险情判断的有效依据。

    对于目前没有地质灾害隐患点的行政村,建立群众和地质灾害信息员(由村支部书记或村委会主任担任)上报机制,并通过监测预警管理平台实现地质灾害群测群防体系的落地。通过自动化监测设备的监测数据挖掘、分析和处理,综合历史数据和实时采集的降水量、形变等数据,利用平台设定的自动预警、报警功能和监测预警警戒值,实现自动化监测设备的自动化报警,为有关部门提供及时可靠的依据,从而有效预防事故。

    为保证自动化监测设备能持久可靠运行,一定要对监测设备、通信链路等进行实时检查校验,建立运行电子档案,及时处置任何可能影响系统运行的问题。在信息分发与反馈方面,实现向上下级或平级部门及时分发监测预警预报信息,及时反馈上下级单位部门或平级部门分发的信息。在层级管理方面,县、市、省三级分层管理,通过平台分别实现对所辖区域下级单位工作落实情况的量化监督管理和考核。在权责管理方面,地质灾害监测预警预报系统自动匹配对应管理权限的责任部门,建立台账确保所有通过平台的工作来往都有据可查,保障监测预警预报数据合理、有效和可靠。

    2021年8月20日青海省玉树藏族自治州囊谦县吉曲乡白玛俄林寺普适性监测预警设备成功预警,白玛俄林寺滑坡共布设有4台GNSS,2台裂缝计,1台GNSS基准站和1台雨量计(图8)。

    图  8  囊谦县吉曲乡白玛俄林寺
    Figure  8.  Baima elin temple, Jiqu Township, Nangqian County

    根据实时监测曲线(图9)和宏观变形趋势综合研判,监测预警设备首先发布了黄色预警信息通知群测群防员。随着滑坡不断发展,于当日04:09在白玛俄林寺的02GP01(地表位移GNSS)触发单参数预警,预警等级升级为橙色。设备及时记录预警信息通知市级主管人员加强值守指导和现场管控,做好紧急转移准备。

    图  9  2021年7—8月实时监测曲线
    Figure  9.  Real time monitoring curve from July to August in 2021

    (1) 青海省地质灾害监测预警信息化平台在设备布设、系统结构、功能搭建、数据中心、预警模型、数据库建设等方面形成了较为完整的体系,包涵了地质灾害监测、预警、应急、治理,核销的全生命周期信息的管理;

    (2) 信息化平台通过数据集成化、成果可视化、信息综合化、系统一体化等技术手段,实现了青海省地质灾害不同来源,不同批次灾害点信息的统一管理和动态更新,极大提高了青海省地质灾害隐患监测的预警效果;

    (3) 通过系统试运行,平台数据可靠,能够满足监测预警的需求。

    通过信息化平台的试运行已经获得了很多的预警信息,数据积累初见成效为以后的工作打下基础。信息化平台仍存在数据集成度较低、缺乏数据共享及服务和综合分析能力不足的缺陷。在未来的工作中将会主要着重于以下几个方面首先基于区块链技术保证可信数据平台;其次构建云网融合高性能的智能预警分析计算框架,大数据环境下地质灾害监测预警样本库;接着建立基于数据驱动的预警模型,实现动态阈值设定;最后实现基于人工智能的重大事件速报。充分满足各类用户需求,保障人民生命财产安全。

  • 图  1   研究区概况

    Figure  1.   Overview of the study area

    图  2   研究区地质图

    Figure  2.   Geological map of the study area

    图  3   研究技术路线

    Figure  3.   Research methodology and technology approach

    图  4   致灾因子空间分布特征

    Figure  4.   Spatial distribution characteristics of disaster-causing factors

    图  5   致灾因子Person相关系数热力图

    Figure  5.   Heatmap of person correlation coefficients of the causative factor

    图  6   四种模型易发性分级

    Figure  6.   Susceptibility classification using four models

    图  7   不同模型致灾因子贡献重要性

    Figure  7.   Importance of causative factors contribution in different models

    图  8   不同模型ROC曲线和AUC对比

    Figure  8.   Comparison of ROC curves and AUC among different models

    图  9   随机森林模型野外验证区域

    Figure  9.   Field validation area for the random forest model

    图  10   野外考察验证图集

    Figure  10.   Field investigation verification gallery

    表  1   泥石流致灾因子多源异构数据来源

    Table  1   Multi sources of heterogeneous data for debris flow causation factors

    因子 因子(英文) 格式、分辨率/m 数据来源
    流域面积 AREA shape file GIS分析及目视解译
    高差 HD shape file SRTM-30 m GIS分析
    坡度 Slope Tiff/30×30 SRTM-30 m GIS分析
    地形起伏度 RDLS Tiff/30×30 SRTM-30 m GIS分析
    高程变异系数 EVC Tiff/30×30 SRTM-30 m GIS分析
    归一化植被指数 NDVI Tiff/500×500 MODIS植被指数产品(1990—2020年)(https://modis.gsfc.nasa.gov/data/dataprod/mod13.php
    地层岩性 RS shape file 地质云1∶20万地质图
    土地利用类型 LC Tiff/30×30 欧空局Release of Esa's Worldcover MAP(https://esa-worldcover.org/en/data-access
    断层密度 FD shape file 地质云1∶20万地质图
    地形湿度指数 TWI Tiff/30×30 SRTM-30 m GIS分析
    道路密度 RD shape file 1∶25万全国基础地理数据库(https://www.webmap.cn/
    多年平均年降雨量 AAP Tiff/30×30 Google erath engine 下载CHIRPS Daily: Climate Hazards Group InfraRed Precipitation
    With Station Data(Version 2.0 Final)数据集(https://earthengine.google.com/
    归一化差异积雪指数 NDSI Tiff/500×500 MODIS/Terra Snow Cover Daily L3 Global 500m SIN Grid, Version 6 (MOD10A1) (https://modis.gsfc.nasa.gov/data/dataprod/mod13.php
    干旱指数 KBDI Tiff/1000×1000 Google erath engine 下载Keetch-Byram Drought Index数据集
    https://earthengine.google.com/
    下载: 导出CSV

    表  2   四种模型易发性分区统计

    Table  2   Statistical analysis of susceptibility zoning using four models

    模型 易发性分区 面积/km2 面积占比/% 分区内泥石流条数/条 泥石流条数占比/%
    随机森林 极高 7971.642 14.11 143 35.93
    17701.790 31.33 177 44.47
    11144.620 19.72 46 11.56
    11751.190 20.80 23 5.78
    极低 7930.759 14.04 9 2.26
    支持向量机 极高 7689.020 13.61 152 38.19
    17493.350 30.96 169 42.46
    11457.150 20.28 45 11.31
    11635.640 20.59 23 5.78
    极低 8224.840 14.56 9 2.26
    逻辑回归 极高 7634.988 13.51 127 31.91
    16051.380 28.41 178 44.72
    10676.710 18.90 50 12.56
    12377.990 21.91 28 7.04
    极低 9758.932 17.27 15 3.77
    决策树 极高 6979.475 12.35 129 32.41
    16973.330 30.04 175 43.97
    11080.390 19.61 56 14.07
    11712.370 20.73 26 6.53
    极低 9754.436 17.26 12 3.02
    下载: 导出CSV
  • [1] 陈宁生,田树峰,张勇,等. 泥石流灾害的物源控制与高性能减灾[J]. 地学前缘,2021,28(4):337 − 348. [CHEN Ningsheng,TIAN Shufeng,ZHANG Yong,et al. Soil mass domination in debris-flow disasters and strategy for hazard mitigation[J]. Earth Science Frontiers,2021,28(4):337 − 348. (in Chinese with English abstract)] DOI: 10.13745/j.esf.sf.2020.6.39

    CHEN Ningsheng, TIAN Shufeng, ZHANG Yong, et al. Soil mass domination in debris-flow disasters and strategy for hazard mitigation[J]. Earth Science Frontiers, 2021, 28(4): 337 − 348. (in Chinese with English abstract) DOI: 10.13745/j.esf.sf.2020.6.39

    [2] 宋友桂,史正涛. 伊犁盆地黄土分布与组成特征[J]. 地理科学,2010,30(2):267 − 272. [SONG Yougui,SHI Zhengtao. Distribution and compositions of loess sediments in Yili Basin,central Asia[J]. Scientia Geographica Sinica,2010,30(2):267 − 272. (in Chinese with English abstract)] DOI: 10.13249/j.cnki.sgs.2010.02.011

    SONG Yougui, SHI Zhengtao. Distribution and compositions of loess sediments in Yili Basin, central Asia[J]. Scientia Geographica Sinica, 2010, 30(2): 267 − 272. (in Chinese with English abstract) DOI: 10.13249/j.cnki.sgs.2010.02.011

    [3] 邵海,魏云杰,黄喆,等. 新疆伊宁克孜勒赛黄土滑坡堵溃型泥石流成灾模式[J]. 中国地质灾害与防治学报,2018,29(6):40 − 46. [SHAO Hai,WEI Yunjie,HUANG Zhe,et al. Kezilesai loess landslide dam-breaking debris flow hazards model in Yining County,Xinjiang[J]. The Chinese Journal of Geological Hazard and Control,2018,29(6):40 − 46. (in Chinese with English abstract)] DOI: 10.16031/j.cnki.issn.1003-8035.2018.06.06

    SHAO Hai, WEI Yunjie, HUANG Zhe, et al. Kezilesai loess landslide dam-breaking debris flow hazards model in Yining County, Xinjiang[J]. The Chinese Journal of Geological Hazard and Control, 2018, 29(6): 40 − 46. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2018.06.06

    [4]

    AHMED B,DEWAN A. Application of bivariate and multivariate statistical techniques in landslide susceptibility modeling in Chittagong City corporation,Bangladesh[J]. Remote Sensing,2017,9(4):304. DOI: 10.3390/rs9040304

    [5]

    LI Yongchao,CHEN Jianping,TAN Chun,et al. Application of the borderline-SMOTE method in susceptibility assessments of debris flows in Pinggu District,Beijing,China[J]. Natural Hazards,2021,105(3):2499 − 2522. DOI: 10.1007/s11069-020-04409-7

    [6] 徐艳琴,白淑英,徐永明. 基于两种方法的攀西泥石流易发性评价对比分析[J]. 水土保持研究,2018,25(3):285 − 291. [XU Yanqin,BAI Shuying,XU Yongming. Comparative analysis of debris flow susceptibility assessment based on two methods in Panxi District[J]. Research of Soil and Water Conservation,2018,25(3):285 − 291. (in Chinese with English abstract)] DOI: 10.13869/j.cnki.rswc.2018.03.040

    XU Yanqin, BAI Shuying, XU Yongming. Comparative analysis of debris flow susceptibility assessment based on two methods in Panxi District[J]. Research of Soil and Water Conservation, 2018, 25(3): 285 − 291. (in Chinese with English abstract) DOI: 10.13869/j.cnki.rswc.2018.03.040

    [7]

    LIANG Zhu,WANG Changming,ZHANG Zhimin,et al. A comparison of statistical and machine learning methods for debris flow susceptibility mapping[J]. Stochastic Environmental Research and Risk Assessment,2020,34(11):1887 − 1907. DOI: 10.1007/s00477-020-01851-8

    [8] 黄发明,胡松雁,闫学涯,等. 基于机器学习的滑坡易发性预测建模及其主控因子识别[J]. 地质科技通报,2022,41(2):79 − 90. [HUANG Faming,HU Songyan,YAN Xueya,et al. Landslide susceptibility prediction and identification of its main environmental factors based on machine learning models[J]. Bulletin of Geological Science and Technology,2022,41(2):79 − 90. (in Chinese with English abstract)]

    HUANG Faming, HU Songyan, YAN Xueya, et al. Landslide susceptibility prediction and identification of its main environmental factors based on machine learning models[J]. Bulletin of Geological Science and Technology, 2022, 41(2): 79 − 90. (in Chinese with English abstract)

    [9] 刘永垚,第宝锋,詹宇,等. 基于随机森林模型的泥石流易发性评价——以汶川地震重灾区为例[J]. 山地学报,2018,36(5):765 − 773. [LIU Yongyao,DI Baofeng,ZHAN Yu,et al. Debris flows susceptibility assessment in Wenchuan earthquake areas based on random forest algorithm model[J]. Mountain Research,2018,36(5):765 − 773. (in Chinese with English abstract)] DOI: 10.16089/j.cnki.1008-2786.000372

    LIU Yongyao, DI Baofeng, ZHAN Yu, et al. Debris flows susceptibility assessment in Wenchuan earthquake areas based on random forest algorithm model[J]. Mountain Research, 2018, 36(5): 765 − 773. (in Chinese with English abstract) DOI: 10.16089/j.cnki.1008-2786.000372

    [10]

    DI Baofeng,ZHANG Hanyue,LIU Yongyao,et al. Assessing susceptibility of debris flow in southwest China using gradient boosting machine[J]. Scientific Reports,2019,9:12532. DOI: 10.1038/s41598-019-48986-5

    [11]

    QING Feng,ZHAO Yan,MENG Xingmin,et al. Application of machine learning to debris flow susceptibility mapping along the china–pakistan karakoram highway[J]. Remote Sensing,2020,12(18):2933. DOI: 10.3390/rs12182933

    [12]

    MARINO P,SIVA SUBRAMANIAN S,FAN Xuanmei,et al. Changes in debris-flow susceptibility after the Wenchuan earthquake revealed by meteorological and hydro-meteorological thresholds[J]. CATENA,2022,210:105929. DOI: 10.1016/j.catena.2021.105929

    [13]

    ESPER ANGILLIERI M Y. Debris flow susceptibility mapping using frequency ratio and seed cells,in a portion of a mountain international route,dry central andes of argentina[J]. CATENA,2020,189:104504. DOI: 10.1016/j.catena.2020.104504

    [14] 李郎平,兰恒星,郭长宝,等. 基于改进频率比法的川藏铁路沿线及邻区地质灾害易发性分区评价[J]. 现代地质,2017,31(5):911 − 929. [LI Langping,LAN Hengxing,GUO Changbao,et al. Geohazard susceptibility assessment along the sichuan-tibet railway and its adjacent area using an improved frequency ratio method[J]. Geoscience,2017,31(5):911 − 929. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1000-8527.2017.05.004

    LI Langping, LAN Hengxing, GUO Changbao, et al. Geohazard susceptibility assessment along the sichuan-tibet railway and its adjacent area using an improved frequency ratio method[J]. Geoscience, 2017, 31(5): 911 − 929. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-8527.2017.05.004

    [15]

    WANG Jun,YU Yan,YANG Shun,et al. A modified certainty coefficient method (M-CF) for debris flow susceptibility assessment:A case study for the Wenchuan earthquake meizoseismal areas[J]. Journal of Mountain Science,2014,11(5):1286 − 1297. DOI: 10.1007/s11629-013-2781-7

    [16] 陈宁生,邓明枫,胡桂胜,等. 地震影响下西南干旱山区泥石流危险性特征与防治对策[J]. 四川大学学报(工程科学版),2010,42(增刊1):1 − 6. [CHEN Ningsheng,DENG Mingfeng,HU Guisheng,et al. Risk characteristics and prevention strategy of debris flow under the seismic influence in mountainous arid area,southwest China[J]. Journal of Sichuan University (Engineering Science Edition),2010,42(Sup 1):1 − 6. (in Chinese with English abstract)]

    CHEN Ningsheng, DENG Mingfeng, HU Guisheng, et al. Risk characteristics and prevention strategy of debris flow under the seismic influence in mountainous arid area, southwest China[J]. Journal of Sichuan University (Engineering Science Edition), 2010, 42(Sup 1): 1 − 6. (in Chinese with English abstract)

    [17]

    SONG Yougui,SHI Zhengtao,FANG Xiaomin,et al. Loess magnetic properties in the Ili Basin and their correlation with the Chinese Loess Plateau[J]. Science China Earth Sciences,2010,53(3):419 − 431. DOI: 10.1007/s11430-010-0011-5

    [18] 张军民. 伊犁河流域地质构造及其地形地貌特点的研究[J]. 石河子大学学报(自然科学版),2006,24(4):442 − 445. [ZHANG Junmin. Studies on the geological structures and characteristic of terrain and landform in Yili River Basin[J]. Journal of Shihezi University (Natural Science),2006,24(4):442 − 445. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1007-7383.2006.04.013

    ZHANG Junmin. Studies on the geological structures and characteristic of terrain and landform in Yili River Basin[J]. Journal of Shihezi University (Natural Science), 2006, 24(4): 442 − 445. (in Chinese with English abstract) DOI: 10.3969/j.issn.1007-7383.2006.04.013

    [19] 屈文军,张小曳,王丹,等. 西风带研究的重要意义[J]. 海洋地质与第四纪地质,2004,24(1):125 − 132. [QU Wenjun,ZHANG Xiaoye,WANG Dan,et al. The important significance of westerly wind study[J]. Marine Geology & Quaternary Geology,2004,24(1):125 − 132. (in Chinese with English abstract)] DOI: 10.16562/j.cnki.0256-1492.2004.01.018

    QU Wenjun, ZHANG Xiaoye, WANG Dan, et al. The important significance of westerly wind study[J]. Marine Geology & Quaternary Geology, 2004, 24(1): 125 − 132. (in Chinese with English abstract) DOI: 10.16562/j.cnki.0256-1492.2004.01.018

    [20]

    SUN Huilan,CHEN Yaning,LI Weihong,et al. Variation and abrupt change of climate in Ili River Basin,Xinjiang[J]. Journal of Geographical Sciences,2010,20(5):652 − 666. DOI: 10.1007/s11442-010-0802-9

    [21] 冯建辉,陶国强,梅志超,等. 新疆伊犁盆地地层划分与对比[J]. 断块油气田,1996,3(3):22 − 28. [FENG Jianhu,TAO Guoqiang,MEI Zhichao,et al. Stratigraphic classification and correlation in Yili Basin,Xinjiang[J]. Fault-Block Oil & Gas Field,1996,3(3):22 − 28.(in Chinese with English abstract)]

    FENG Jianhu, TAO Guoqiang, MEI Zhichao, et al. Stratigraphic classification and correlation in Yili Basin, Xinjiang[J]. Fault-Block Oil & Gas Field, 1996, 3(3): 22 − 28.(in Chinese with English abstract)

    [22]

    KORNEJADY A,OWNEGH M,BAHREMAND A. Landslide susceptibility assessment using maximum entropy model with two different data sampling methods[J]. CATENA,2017,152:144 − 162. DOI: 10.1016/j.catena.2017.01.010

    [23] 张明媚,薛永安. 斜坡地质灾害敏感性评价中地势起伏度提取最佳尺度研究[J]. 太原理工大学学报,2020,51(6):881 − 888. [ZHANG Mingmei,XUE Yongan. Optimal scale for extracting relief amplitude in slope geological hazard sensitivity evaluation[J]. Journal of Taiyuan University of Technology,2020,51(6):881 − 888. (in Chinese with English abstract)] DOI: 10.16355/j.cnki.issn1007-9432tyut.2020.06.015

    ZHANG Mingmei, XUE Yongan. Optimal scale for extracting relief amplitude in slope geological hazard sensitivity evaluation[J]. Journal of Taiyuan University of Technology, 2020, 51(6): 881 − 888. (in Chinese with English abstract) DOI: 10.16355/j.cnki.issn1007-9432tyut.2020.06.015

    [24] 张伟,李爱农. 基于DEM的中国地形起伏度适宜计算尺度研究[J]. 地理与地理信息科学,2012,28(4):8 − 12. [ZHANG Wei,LI Ainong. Study on the optimal scale for calculating the relief amplitude in China based on DEM[J]. Geography and Geo-Information Science,2012,28(4):8 − 12. (in Chinese with English abstract)]

    ZHANG Wei, LI Ainong. Study on the optimal scale for calculating the relief amplitude in China based on DEM[J]. Geography and Geo-Information Science, 2012, 28(4): 8 − 12. (in Chinese with English abstract)

    [25] 杨晓平,王萍,李晓峰,等. 地形坡度和高程变异系数在识别墨脱活动断裂带中的应用[J]. 地震地质,2019,41(2):419 − 435. [YANG Xiaoping,WANG Ping,LI Xiaofeng,et al. Application of topographic slope and elevation variation coefficient in identifying the Motuo active fault zone[J]. Seismology and Geology,2019,41(2):419 − 435. (in Chinese with English abstract)]

    YANG Xiaoping, WANG Ping, LI Xiaofeng, et al. Application of topographic slope and elevation variation coefficient in identifying the Motuo active fault zone[J]. Seismology and Geology, 2019, 41(2): 419 − 435. (in Chinese with English abstract)

    [26] 高云建,陈宁生,胡桂胜,等. 西南山区泥石流灾害与厄尔尼诺-拉尼娜事件时空耦合关系分析[J]. 长江科学院院报,2019,36(4):43 − 48. [GAO Yunjian,CHEN Ningsheng,HU Guisheng,et al. Temporal and spatial coupling relationship between debris flow and El Nino-La nina event in southwest China[J]. Journal of Yangtze River Scientific Research Institute,2019,36(4):43 − 48. (in Chinese with English abstract)]

    GAO Yunjian, CHEN Ningsheng, HU Guisheng, et al. Temporal and spatial coupling relationship between debris flow and El Nino-La nina event in southwest China[J]. Journal of Yangtze River Scientific Research Institute, 2019, 36(4): 43 − 48. (in Chinese with English abstract)

    [27] 于新洋,赵庚星,常春艳,等. 随机森林遥感信息提取研究进展及应用展望[J]. 遥感信息,2019,34(2):8 − 14. [YU Xinyang,ZHAO Gengxing,CHANG Chunyan,et al. Random forest classifier in remote sensing information extraction:A review of applications and future development[J]. Remote Sensing Information,2019,34(2):8 − 14. (in Chinese with English abstract)]

    YU Xinyang, ZHAO Gengxing, CHANG Chunyan, et al. Random forest classifier in remote sensing information extraction: A review of applications and future development[J]. Remote Sensing Information, 2019, 34(2): 8 − 14. (in Chinese with English abstract)

    [28] 黄发明,殷坤龙,蒋水华,等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程学报,2018,37(1):156 − 167. [HUANG Faming,YIN Kunlong,JIANG Shuihua,et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(1):156 − 167. (in Chinese with English abstract)] DOI: 10.13722/j.cnki.jrme.2017.0824

    HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(1): 156 − 167. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2017.0824

    [29]

    PROVOST F J,FAWCETT T. Robust classification for imprecise environments[J]. Machine Learning,2001,42(3):203 − 231. DOI: 10.1023/A:1007601015854

    [30] 王凤娘. 2010年极端干湿循环对我国西南山区大规模泥石流滑坡灾害的促进作用[C]//2015年全国工程地质学术年会论文集. 长春,2015:73 − 79. [WANG fengniang. Promoting impact of extreme dry-wet cycle in 2010 on the large-scale debris flows and landslides in southwest mountain areas of china[C]//Proceedings of the 2015 National Annual Conference on Engineering Geology. Changchun, 2015: 73 − 79. (in Chinese with English abstract)]

    WANG fengniang. Promoting impact of extreme dry-wet cycle in 2010 on the large-scale debris flows and landslides in southwest mountain areas of china[C]//Proceedings of the 2015 National Annual Conference on Engineering Geology. Changchun, 2015: 73 − 79. (in Chinese with English abstract)

    [31]

    BREIMAN L. Random forests[J]. Machine Learning,2001,45(1):5 − 32. DOI: 10.1023/A:1010933404324

  • 期刊类型引用(11)

    1. 周诗凯,刘正华,余丰华,朱浩濛,黄丽,佘恬钰. 浙江省地质灾害气象风险预警一体化建设的探索与实践. 中国地质灾害与防治学报. 2024(02): 21-29 . 本站查看
    2. 黄炜敏,陈全明,陈吉祥. 湖南省“631”地质灾害预警模式及避险案例研究. 中国地质灾害与防治学报. 2024(02): 74-80 . 本站查看
    3. 张志希,陈克勋,侯均洪,李迎. 危岩变形自动化监测预警技术与应用——以重庆市江北区唐郭路为例. 自然资源信息化. 2024(01): 35-41 . 百度学术
    4. 洛松群培,单增卓玛,单增顿珠,达娃,格桑扎西,吴传建. 普适型地质灾害监测预警系统应用及存在问题——以西藏拉萨、林芝为例. 西藏科技. 2024(05): 55-63 . 百度学术
    5. 施唯,王东明. 全国房屋设施抗震设防信息化管理平台设计与实现. 震灾防御技术. 2024(02): 229-240 . 百度学术
    6. 温兰冲,赵健赟,高崇越,王志超,陈风,杨成龙. 基于Cesium的湟水流域地质灾害三维可视化与信息系统设计. 科学技术与工程. 2024(21): 8843-8852 . 百度学术
    7. 李学良,李宏艳,白国良,李大猛,余洋. 深部条带老采空区覆岩破坏多参量监测研究. 矿业安全与环保. 2024(04): 156-161+167 . 百度学术
    8. 陈全明,黄炜敏,李姣. 基于改进切线角和变形速率的滑坡预警——以湖南省石门县雷家山滑坡为例. 中国地质灾害与防治学报. 2024(05): 133-140 . 本站查看
    9. 王雅洁,张成梅,杨鑫,秦梅元. 基于K-means-LSTM组合算法的地质灾害监测设备故障排查模型设计. 现代信息科技. 2024(20): 61-67 . 百度学术
    10. 罗昌华. 基于实景三维的地质灾害监测预警平台建设. 测绘标准化. 2024(04): 86-91 . 百度学术
    11. 委民正. 福建地质灾害监测预警专项平台设计与实现. 福建地质. 2023(03): 211-216 . 百度学术

    其他类型引用(1)

图(10)  /  表(2)
计量
  • 文章访问数:  882
  • HTML全文浏览量:  1003
  • PDF下载量:  166
  • 被引次数: 12
出版历程
  • 收稿日期:  2023-01-09
  • 修回日期:  2023-03-09
  • 录用日期:  2023-08-22
  • 网络出版日期:  2023-08-28
  • 刊出日期:  2024-06-24

目录

/

返回文章
返回