一种基于时空多动力作用因素判识山地灾害的方法及系统
本发明涉及自然科学研究,具体涉及一种基于时空多动力作用因素判识山地灾害的方法及系统,尤其适用于滑坡及泥石流地质灾害的判识。
背景技术:
1、滑坡、泥石流等地质灾害的发生受地球内动力与外部动力作用影响显著。其中,地球内动力以构造活动为主,表现为地壳隆升与沉降,构造作用控制着灾害的大尺度分布格局;外动力环境主要为以降雨、气温为代表的气候作用,地表岩土体在含水率变化和温度变化作用下,水土相互作用成为滑坡和泥石流灾害发生的重要机制。
2、目前,多动力耦合作用已成为地质灾害研究的重要趋势。例如,公开号cn120338295a的专利提出了基于构造隆升与强水弱岩土的叠加作用判识隐伏型滑坡灾害的技术。然而,目前地质灾害区域尺度内外动力的量化指标多样,构造作用影响多采用断层距离、断层密度和隆升速率,但大范围空间的隆升速率获取难度大,不利于地质灾害的有效判识与风险评估。公开号cn116502355a的专利公布了一种基于驱动因子的多动力滑坡预测技术,该技术聚焦于滑坡灾害点的降雨、温度和地震数据变化频率,但不涉及灾害空间分布量化,且未考虑构造作用影响,导致判识的准确性有限。
3、鉴于评估因子的选取对地质灾害发生的区域判识至关重要,独立于机器学习等智能模型建立技术,是灾害评估的基础,而目前地质灾害评估在内外多动力方面缺乏有效的时空量化指标以及系统的区域评估方法。为此,有必要研究一种基于时空多动力作用因素的新判识技术。
技术实现思路
1、本发明针对上述现有技术存在的不足和缺陷,提出了一种基于时空多动力作用因素判识山地灾害的方法及系统,通过获取研究区内外动力作用因子的时空分布特征,并根据历史灾害筛选出与研究区最相关的多动力关键因子,再结合研究区内发生极端干湿事件的灾害重现期因子,实现山地灾害的精细化风险判识,解决了现有技术因内外多动力时空量化指标不足导致影响判识准确性的技术问题。
2、为实现上述目的,本发明采用的技术方案如下:
3、一种基于时空多动力作用因素判识山地灾害的方法,包括以下步骤:
4、s1:获取内动力空间分布因子;
5、提取研究区的河流河网,根据河流河网得到包括陡峭指数、chi指数和面积高程积分指数的内动力空间分布因子;
6、s2:获取外动力时空分布因子;
7、设定研究年限为n年,将每一年划分为w个时间周期;获取研究区的空间网格及每一空间网格在n年内的降雨数据、土壤含水量数据和地表温度数据;
8、根据降雨数据计算每一个空间网格在不同时间周期的降雨量指标
spi,根据土壤含水量数据计算每一个空间网格在不同时间周期的土壤含水量指标
ssi;根据降雨量指标
spi和土壤含水量指标
ssi得出发生极端干湿突变事件和普适化干湿循环事件的外动力时空分布因子;根据地表温度数据得出发生冻融事件的外动力时空分布因子;所述外动力时空分布因子包括频次、强度和时间;
9、s3:获取灾害空间密度因子;
10、获取研究区内所有历史灾害的空间位置和发生时间,根据空间位置的分布情况确定单位区域面积内灾害的数量,获得灾害空间密度因子;
11、s4:筛选多动力关键因子;
12、分别将每个历史灾害所对应空间位置的经纬度坐标叠加到内动力空间分布因子上、外动力时空分布因子和灾害空间密度因子分布上,获得每个历史灾害处以内动力空间分布因子和外动力时空分布因子为特征变量的数据集,以及对应的灾害空间密度因子;利用数据集和灾害空间密度因子训练模型,建立起以特征变量为输入、以灾害空间密度因子为输出的非线性关系,在模型收敛后,利用模型计算每个数据集中各特征变量的shap值,并根据shap值筛选出多动力关键因子;
13、s5:确定发生极端干湿事件的灾害重现期因子;
14、统计每个历史灾害位置处空间网格n年内极端干湿突变事件的持续时间
tx和强度
qy,基于以上n年的数据确定持续时间
tx和强度
qy的边缘概率密度分布函数,并在copula理论框架下构造二维随机向量的联合分布函数,根据联合分布函数绘制持续时间和强度的概率密度分布曲线;然后根据每个历史灾害的发生时间,查找距离灾害发生时间最近一次极端干湿突变事件的持续时间
tx和强度
qy,最后根据概率密度分布曲线得到灾害最近一次发生极端干湿事件的灾害重现期因子;
15、s6:联合判识;
16、根据筛选出的多动力关键因子和灾害重现期因子对研究区进行风险判识。
17、s1中,获取内动力空间分布因子的具体过程为:
18、s11:获取研究区的数字高程模型,对数字高程模型进行填洼处理,并计算流向与流量累积,最后根据阈值提取研究区的河流河网;
19、s12:根据河流河网提取出每段河道的河流高程剖面,基于每段河道的河流高程剖面,分析每段河道的河流高程变化特征,基于给定的汇水面积阈值,建立河道坡度与汇水面积的数学关系,采用回归模型计算每段河道坡度与汇水面积的对数值,根据对数值获得陡峭指数;同时基于获取的数学关系,采用积分法计算得到chi指数;
20、s13:根据河流河网对河流流域进行面状分析,以流域内任一高程之下的面积与流域总面积的比值为横轴,以流域内任一高程与流域高程最低值的差值和流域高程起伏最值的比值为纵轴,投射成高程面积比例曲线,该曲线与横轴坐标圈定的面积即为面积高程积分指数。
21、s2中,降雨量指标
spi的计算方法为:根据降雨数据分别计算每一个空间网格在不同时间周期的降雨值,并确定每一个降雨值在n年的排序位次,然后结合经验修正公式计算每一个降雨值的累积经验分布p1,并根据累积经验分布p1进行正态分布反函数计算,得到每一个空间网格在不同时间周期的降雨量指标
spi。
22、s2中,降雨量指标
spi的计算公式为:
23、
24、
25、式中,为降雨值在n年的排序位次。
26、s2中,土壤含水量指标
ssi的计算方法为:根据土壤含水量数据分别计算每一个空间网格在不同时间周期的土壤含水值,并确定每一个土壤含水值在n年的排序位次,然后结合经验修正公式计算每一个土壤含水值的累积经验分布p2,并根据累积经验分布p2进行正态分布反函数计算,得到每一个空间网格在不同时间周期的土壤含水量指标
ssi。
27、s2中,土壤含水量指标
ssi的计算公式为:
28、
29、
30、式中,为土壤含水值在n年的排序位次。
31、s2中,所述降雨数据为小时降雨量,土壤含水量数据为地表0-7cm深度的土壤小时含水量,地表温度数据为地表0-7cm深度的小时温度。
32、s2中,根据降雨量指标
spi和土壤含水量指标
ssi得出发生极端干湿突变事件的外动力时空分布因子过程为:
33、分别统计连续时间周期的降雨量指标
spi和土壤含水量指标
ssi,当满足有至少三个连续时间周期的土壤含水量指标
ssi小于-1、后一时间周期内的降雨量指标
spi大于1/后续连续多个时间周期内的降雨量指标
spi均大于1、以及湿润期第一个时间周期对应的土壤含水量指标ssi大于前一时间周期对应的土壤含水量指标
ssi的条件时,判定发生一次极端干湿突变事件;将每次极端干湿突变事件对应的降雨量指标
spi与土壤含水量指标
ssi进行绝对值求和,得出对应极端干湿突变事件的强度;
34、将每次极端干湿突变事件中,所有土壤含水量指标
ssi小于-1的时间周期和所有土壤含水量指标
ssi大于1的时间周期进行求和,得出对应极端干湿突变事件的持续时间;
35、统计所有极端干湿突变事件的次数,得出发生极端干湿突变事件的频率。
36、s2中,根据降雨量指标
spi和土壤含水量指标
ssi得出发生普适化干湿循环事件的外动力时空分布因子过程为:在三个连续时间周期内依次出现土壤含水量指标
ssi小于-1、降雨量指标
spi大于1和土壤含水量指标
ssi小于-1,判定发生一次普适化干湿循环事件,统计所有普适化干湿循环事件的次数,得出发生普适化干湿循环事件的频次。
37、s2中,根据地表温度数据得出发生冻融事件的外动力时空分布因子的过程为:根据地表温度数据,对于每个空间网格,统计每年每天的小时温度数组,当每天的小时温度数组中出现了小于0℃和大于0℃的数据,判定出现一次冻融循环;统计每天所有冻融循环的次数,得出日冻融循环的频次;并将每天的最大温度与最小温度的日温度差值作为日冻融循环的强度;将每个季节的最高温度与最低温度的季节温度差值作为季节冻融循环的强度。
38、s3中,同一空间位置发生多次历史灾害的,灾害的数量记为多次。
39、s4中,所述模型为xgboost算法模型,训练模型的过程为:将每个数据集按7:3比例随机划分为训练集和测试集,对训练集中和测试集中的所有特征变量进行z-score标准化处理;训练过程中,采用网格搜索法对决策树数量、最大树深和学习率进行优化,并以测试集上的均方误差最小化为目标确定最终模型。
40、s4中,筛选多动力关键因子的具体过程为:获取每个特征变量在所有数据集中的shap值,计算每个特征变量所有shap值的绝对值的平均值,选取超过设定shap阈值的平均值所对应的特征变量作为多动力关键因子。
41、s4中,所述多动力关键因子包括至少一个内动力空间分布因子、极端干湿突变事件/普适化干湿循环事件中的至少一个外动力时空分布因子、冻融事件中的至少一个外动力时空分布因子。
42、s5中,构造的二维随机向量的联合分布函数为:
43、
44、式中,是二维copula函数的密度函数;和分别为变量tx和qy的边缘概率密度分布函数。
45、s6中,对研究区进行风险判识的具体过程为:
46、根据筛选出的多动力关键因子和灾害重现期因子,结合常规灾害发育因子、坡体变形因子和泥石流物源分布因子对研究区进行综合分析,并给出研究区发生高、中、低灾害风险的结论。
47、一种基于时空多动力作用因素判识山地灾害的系统,包括:
48、内动力空间分布因子获取模块,用于提取研究区的河流河网,根据河流河网得到包括陡峭指数、chi指数和面积高程积分指数的内动力空间分布因子;
49、外动力时空分布因子获取模块,用于设定研究年限为n年,将每一年划分为w个时间周期;用于获取研究区的空间网格及每一空间网格在n年内的降雨数据、土壤含水量数据和地表温度数据;用于根据降雨数据计算每一个空间网格在不同时间周期的降雨量指标
spi,根据土壤含水量数据计算每一个空间网格在不同时间周期的土壤含水量指标
ssi;根据降雨量指标
spi和土壤含水量指标
ssi得出发生极端干湿突变事件和普适化干湿循环事件的外动力时空分布因子;用于根据地表温度数据得出发生冻融事件的外动力时空分布因子;所述外动力时空分布因子包括频次、强度和时间;
50、灾害空间密度因子获取模块,用于获取研究区内所有历史灾害的空间位置和发生时间,并根据空间位置的分布情况确定单位区域面积内灾害的数量,获得灾害空间密度因子;
51、多动力关键因子筛选模块,用于分别将每个历史灾害所对应空间位置的经纬度坐标叠加到内动力空间分布因子上、外动力时空分布因子和灾害空间密度因子分布上,获得每个历史灾害处以内动力空间分布因子和外动力时空分布因子为特征变量的数据集,以及对应的灾害空间密度因子;利用数据集和灾害空间密度因子训练模型,建立起以特征变量为输入、以灾害空间密度因子为输出的非线性关系,在模型收敛后,利用模型计算每个数据集中各特征变量的shap值,并根据shap值筛选出多动力关键因子;
52、灾害重现期因子确定模块,用于统计每个历史灾害位置处空间网格n年内极端干湿突变事件的持续时间
tx和强度
qy,基于以上n年的数据确定持续时间
tx和强度
qy的边缘概率密度分布函数,并在copula理论框架下构造二维随机向量的联合分布函数,根据联合分布函数绘制持续时间和强度的概率密度分布曲线;然后根据每个历史灾害的发生时间,查找距离灾害发生时间最近一次极端干湿突变事件的持续时间
tx和强度
qy,最后根据概率密度分布曲线得到灾害最近一次发生极端干湿事件的灾害重现期因子;
53、联合判识模块,用于根据筛选出的多动力关键因子和灾害重现期因子对研究区进行风险判识。
54、与现有技术相比,采用本发明的有益效果在于:
55、本发明的核心构思是先获取研究区内外动力作用因子的时空分布特征,再根据历史灾害筛选出与研究区最相关的多动力关键因子,并结合研究区内发生极端干湿事件的灾害重现期因子,实现山地灾害的精细化风险判识。其中,内动力空间分布因子主要体现研究区的构造活动,基于流域地貌特征来表征构造作用时空强度,通过对研究区的数字高程模型进行河流剖面及流域面状分析,获取包括河流陡峭指数、chi指数指标和面积高程积分指数的空间分布量化结果。外动力时空分布因子为降雨、土壤湿度和地表温度变化影响,基于时空尺度气候及地表数据,定义不同的干湿、冻融作用事件,获取极端干湿突变事件的频次、强度和持续时间,普适化干湿循环事件的作用次数,冻融循环作用次数及其强度指标的时空分布量化结果。根据滑坡、泥石流等山地灾害发生的具体位置,统计灾害发生上述10个内外动力因子的特征,基于空间因子相关性和数据智能算法shap分析手段,确定研究区灾害发生的多动力关键因子。最后根据历史滑坡、泥石流灾害等山地灾害的发生时间,分别确定近期发生极端干湿事件灾害重现期因子,辅助灾害的预警及区域判识,融合构造、干湿、冻融的主控动力因子,可开展区域灾害的发生风险的准确判识,有效地提升了判识的准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com