-
公开(公告)号：CN117892997A
公开(公告)日：2024-04-16
申请号：CN202311250999.0
申请日：2023-09-26
IPC: G06Q10/0635 , G06Q10/0639 , G06Q50/26 , G06F16/29
Abstract: 本发明涉及多重灾害风险评估技术领域，具体涉及一种基于GIS的多重灾害风险评估的方法，包括以下步骤:(1)基于一组明确识别的指标，使用归一化指数为每种社会自然灾害绘制强度图;(2)绘制综合灾害图，覆盖所有考虑的灾害;(3)根据与所考虑的危害相关的暴露、敏感性和适应能力指标，绘制脆弱性地图;(4)由综合灾害图和脆弱性图的值乘积得到综合风险图。本发明的评估方法有助于可视化整个城市的空间分布和风险集中情况，从而有助于制定能够在局部范围内减少风险的措施，为城市规划者和政策制定者提供准确形象的视觉指导，帮助其根据城市特定地区当前和未来存在的风险确定风险管理和适应行动的优先次序。
-
公开(公告)号：CN115526108B
公开(公告)日：2024-01-16
申请号：CN202211241465.7
申请日：2022-10-11
IPC: G06F30/27 , G06F119/02 , G06F111/10
Abstract: 本发明涉及地质灾害防治方法领域，具体涉及一种基于多源监测数据的滑坡稳定性智能动态预测方法，获取地质背景条件、物理学参数和历史监测数据，基于获取的数据通过数值模拟手段建立数值模型；设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点历史的渗流场和应力场的变化，并结合滑坡稳定性计算方法计算获得目标滑坡隐患点不同时间阶段的稳定系数；形成供输入机器学习模型进行训练和验证的数据集，对基础机器学习模型进行训练、验证和测试，生成训练集和测试集；选取得到集成学习的基学习器，并得到性能最优的学习堆叠模型，进行稳定系数获取。本发明实现了滑坡(56)对比文件朱庆;丁雨淋;苗双喜;曹振宇.动态观测数据驱动的滑坡灾害精准模拟分析方法.西南交通大学学报.2016,(第02期),全文.
-
公开(公告)号：CN115394052B
公开(公告)日：2023-06-27
申请号：CN202211049546.7
申请日：2022-08-30
Abstract: 本发明涉及地质灾害预测技术领域，具体涉及一种基于机器学习获得地质灾害预警关键参数预测值的方法，包括：S1、梳理地质灾害预警系统中目标地质灾害隐患点的监测参数；S2、获取目标地质灾害隐患点监测参数的历史数据；S3、把所有监测参数分成第一类监测参数与第二类监测参数；S4、基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集，将第一类监测参数的历史数据或实时数据作为输入，将第二类监测参数的实时数据作为输出，通过机器学习算法进行训练和预测，得到地质灾害预警关键参数预测值。本发明解决了难以降低地质灾害预警系统的故障率的技术问题。
-
公开(公告)号：CN115546994A
公开(公告)日：2022-12-30
申请号：CN202211260489.7
申请日：2022-10-14
Applicant: 重庆地质矿产研究院
Inventor： 廖云平 , 董平 , 余瞻 , 陈立川 , 杨勇 , 吴斌 , 李辉 , 李柏佚 , 闫奇 , 任晓虎 , 廖敏言 , 唐小军 , 任世聪 , 康燕飞 , 廖蔚茗 , 徐洪 , 陈正华 , 刘满乾 , 彭建梅 , 张俊杰
Abstract: 本发明实施例涉及地质灾害监测预警预报方法研究领域，公开了一种基于自组网式监测点的滑坡临灾预警预报方法，该方法包括：获取滑坡周界范围和主滑方向；沿着滑坡主滑方向和垂直于主滑方向布置阵列式监测点；在阵列式所述监测点布放用于采集敏感反应滑坡特征的传感器；在滑坡周界范围内布置监测控制主机获取监测点传感器数据，并将分析处理后的监测点传感器数据发送到云平台；云平台分析传感器数据大于或等于预设阈值的数量，若预设百分比数量的所述传感器数据大于或等于预设阈值时，云平台发出预警指令。本方案能够间接监测到坡体内滑动面的发展和贯通情况，对提高滑坡预警预报的及时性和准确性有重要意义；能够对多种滑坡进行预警，具有普适性。
-
公开(公告)号：CN115455791A
公开(公告)日：2022-12-09
申请号：CN202211242391.9
申请日：2022-10-11
IPC: G06F30/23 , G06F30/27 , G06K9/62 , G06N20/00 , G06F111/10 , G06F119/12 , G06F119/14
Abstract: 本发明涉及滑坡位移预测方法领域，具体涉及一种基于数值模拟技术提高滑坡位移预测准确率的方法，包括：获取目标滑坡隐患点的地质条件参数、物理力学参数、土水特征曲线、渗透系数函数、历史监测数据；对历史监测数据进行预处理，得到实际监测数据的时间序列；建立目标滑坡隐患点的数值分析模型；拟合计算得到目标滑坡隐患点上与实际监测位置相对应的水位、地表位移、深部位移、应力的时间序列数据；对两组已经得到的时间序列进行相似性分析和准确性分析；判断相似性分析和准确性分析是否满足预设要求，若满足，则进行滑坡位移预测，若不满足，根据两个时间序列的差异进行调试，直到满足预设要求。本发明提升滑坡位移预测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN115394052A
公开(公告)日：2022-11-25
申请号：CN202211049546.7
申请日：2022-08-30
Abstract: 本发明涉及地质灾害预测技术领域，具体涉及一种基于机器学习获得地质灾害预警关键参数预测值的方法，包括：S1、梳理地质灾害预警系统中目标地质灾害隐患点的监测参数；S2、获取目标地质灾害隐患点监测参数的历史数据；S3、把所有监测参数分成第一类监测参数与第二类监测参数；S4、基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集，将第一类监测参数的历史数据或实时数据作为输入，将第二类监测参数的实时数据作为输出，通过机器学习算法进行训练和预测，得到地质灾害预警关键参数预测值。本发明解决了难以降低地质灾害预警系统的故障率的技术问题。
-
公开(公告)号：CN115359630A
公开(公告)日：2022-11-18
申请号：CN202211016999.X
申请日：2022-08-22
Applicant: 重庆地质矿产研究院
Abstract: 本发明涉及一种基于XGB和CatBoost双重提升树算法的滑坡预警方法，包括：S1：获取待测地区的历史地质因素特征数据和历史降雨特征数据；S2：对数据进行预处理，构建数据样本集；S3：建立XGB模型和CatBoost模型；S4：对XGB模型和CatBoost模型进行训练，其中基于数据样本集和XGB模型的预测的孔隙水压力数据集对CatBoost模型进行训练；S5：获取待测地区的实时地质因素特征数据和实时降雨特征数据，并将数据输入到XGB模型和CatBoost模型中，获得滑坡失稳的临界FOS值。S6：根据将滑坡失稳的临界FOS值的预设阈值得到预警级别。本发明通过搭建XGB和CatBoost双重提升树算法预警框架，通过结合近实时预测坡体的孔隙水压力，在较低的输入条件下对降雨诱发滑坡演变过程保持准确、高效的滑坡灾害预警。
-
公开(公告)号：CN115184871A
公开(公告)日：2022-10-14
申请号：CN202210764207.0
申请日：2022-06-29
Applicant: 重庆地质矿产研究院
Abstract: 本发明涉及地质监测领域，公开了一种面向InSAR形变测量的跨平台泛用人工反射器，包括：龙勃透镜、可伸缩的信号反射装置、GPS对时仪和向GPS对时仪和信号反射装置供电的电池；所述信号反射装置用于反射龙勃透镜汇聚的电磁波；所述GPS对时仪用于信号反射装置的对时。本方案采用龙勃透镜与信号反射装置的设计，相较传统角反射器可显著降低尺寸与重量，便于在野外复杂条件下的设备运输与安装；能够在多个波段(如X波段、C波段和L波段)提供良好的RCS；仅需要为伸缩的信号反射装置及GPS对时仪供电，设备复杂程度与所需供电功率将低于电子反射器，因而可以在不变更换电池或太能电池板工作受限的恶劣环境地区长时间工作，具备更好的严苛环境适用性能。
-
公开(公告)号：CN114973606A
公开(公告)日：2022-08-30
申请号：CN202210730230.8
申请日：2022-06-24
Applicant: 重庆地质矿产研究院
Abstract: 本发明涉及滑坡监测技术领域，公开了一种基于树莓派控制模块的滑坡监测预警方法，包括以下步骤：S1：在服务器端建立滑坡累计位移‑时间曲线样本库；S2：提取滑坡累计位移‑时间曲线的标签数据：α和CP；S3：构建α、CP之间的预测关系模型；S4：样本库更新同步更新预测关系模型；S5：预测关系模型同步到树莓派中，位移监测数据传输到树莓派数据预处理模块中，并对实时监测数据进行标签数据α的提取；S6：树莓派计算加速变形阶段完成率预测值CP′；S7：树莓派将CP′和预警阈值进行匹配，并发出预警指令。本发明通过预测关系模型解决改进切线角滑坡预警机制的漏报问题，解决了因数据传输至服务器而导致的预警发布滞后问题。
-
公开(公告)号：CN114880954A
公开(公告)日：2022-08-09
申请号：CN202210657465.9
申请日：2022-06-10
IPC: G06F30/27 , G06F119/02
Abstract: 本发明涉及滑坡灾害预测领域，公开了一种基于机器学习的滑坡敏感性的评估方法。本发明是通过使用不同的机器学习方法来提升滑坡敏感性图的可靠性，其原理是两个或多个模型可能具有非常相似的预测性能，即使它们包含不同的环境预测因子和/或它们产生截然不同的空间预测，因此很难知道使用哪个等效的候选模型，几种模型的组合表明，它们产生的输出比单一模型更强大、更稳定的集合预测。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.028 seconds)
