Construction of Geological Hazard Trend Prediction Model and Early Warning System in Three Gorges Reservoir Area
-
摘要: 地质灾害预先发现、规模预测、受灾损失预测是地质灾害防治信息化建设的核心任务之一。尽管三峡库区地质灾害监测数据丰富，但此前并未建立全面、智能的地质灾害趋势预测体系。本文通过广泛收集三峡库区地质环境数据，选取了地形、地质、植被、气象水文、人类活动等方面的13 个因子，通过训练多种机器学习模型，对库区地质灾害进行易发性评价，并根据降雨实况和预报数据的粒度构建短中期和长期趋势预测模型。在此基础上，开发了基于WebGIS 的三峡库区地质灾害趋势预测预警系统。系统功能丰富，包括数据管理、地质灾害易发性评价、短中期和长期多尺度趋势预测等功能模块。系统首次实现了与传感网的直接对接，使传感数据能实时参与计算，保证了预测结果的及时性。通过历史灾、险情回代验证，建立的短中期和长期趋势预测模型均具有较好的预测效果，能为三峡库区地质灾害防灾减灾提供决策支持。Abstract: Early detection, disaster scale prediction, and loss assessment are core tasks of geological hazard prevention and control information systems. Although abundant geological disaster monitoring data exists for the Three Gorges Reservoir area, a comprehensive and intelligent geological hazard trend forecasting system has yet to be established. This study extensively compiled Three Gorges Reservoir geological environment data to select 13 factors related to topography, geology, vegetation, meteorological hydrology, and anthropogenic activities, and assessed geological hazard susceptibility with various machine learning models trained in the reservoir area. Then short-term, medium-term, and long-term trend forecasting models were constructed based on the granularity of actual and forecasted precipitation data. Besides that, a Three Gorges Reservoir geological hazard trend forecasting and early warning system was developed on a WebGIS platform, which contains diverse functional modules including data management, susceptibility assessments, and multi-scale short-term to long-term trend forecasts. The system pioneers direct integration with sensor networks, enabling real-time calculation using streaming sensor data for timely forecast updates. Historical disaster case backtesting indicates established short-term and long-term trend forecasting models demonstrate favorable forecasting capabilities, providing decision support for Three Gorges Reservoir geological hazard prevention and mitigation.
-
-
[1] 陈悦丽,赵琳娜,王英,王成鑫.2019.降雨型地质灾害预报方法研究进展[J].应用气象学报,30(2):142-153.
[2] 樊芷吟,苟晓峰,秦明月,范强,余建乐,赵建军.2018.基于信息量模型与Logistic 回归模型耦合的地质灾害易发性评价[J].工程地质学报,26(2):340-347.
[3] 何朝阳,巨能攀,赵建军,解明礼,范强.2018.基于ArcGIS 的降雨型地质灾害自动预警系统[J]. 人民长江,49(S2):246-250+254.
[4] 胡瑞林,范林峰,王珊珊,王立朝,王学良.2013.滑坡风险评价的理论与方法研究[J].工程地质学报,21(1):76-84.
[5] 胡志瑞.2012.基于WebGIS 的地质灾害预警预报系统研究[J].测绘与空间地理信息,35(11):56-59.
[6] 黄发明,陈佳武,范宣梅,黄劲松,周创兵.2022.降雨型滑坡时间概率的逻辑回归拟合及连续概率滑坡危险性建模[J].地球科学,47(12):4609-4628.
[7] 黄健,巨能攀,何朝阳,肖洋.2015.基于新一代信息技术的地质灾害监测预警系统建设[J]. 工程地质学报,23(1):140-147.
[8] 李芳,梅红波,王伟森,李正杰.2017.降雨诱发的地质灾害气象风险预警模型:以云南省红河州监测示范区为例[J].地球科学,42(9):1637-1646.
[9] 李媛,孟晖,董颖,胡树娥.2004.中国地质灾害类型及其特征——基于全国县市地质灾害调查成果分析[J].中国地质灾害与防治学报,15(2):32-37.
[10] 刘艳辉,唐灿,李铁锋,温铭生,连建发.2009.地质灾害与降雨雨型的关系研究[J].工程地质学报,17(5):656-661.
[11] 罗晓玲,刘明春,薛生梁,严志明.2009.石羊河流域武威市地质灾害预报预警服务系统[J].安徽农业科学,37(24):11631-11634+11652.
[12] 马寅生,张业成,张春山,王金山.2004.地质灾害风险评价的理论与方法[J].地质力学学报,10(1):7-18.
[13] 苏白燕,许强,黄健,梁繁.2018.基于动态数据驱动的地质灾害监测预警系统设计与实现[J].成都理工大学学报(自然科学版),45(5):615-625.
[14] 唐亚明,张茂省,李林,薛强.2011.滑坡易发性危险性风险评价例析[J].水文地质工程地质,38(2):125-129.
[15] 田乃满,兰恒星,伍宇明,李郎平.2020.人工神经网络和决策树模型在滑坡易发性分析中的性能对比[J].地球信息科学学报,22(12):2304-2316.
[16] 王佳佳,殷坤龙,肖莉丽.2014.基于GIS 和信息量的滑坡灾害易发性评价——以三峡库区万州区为例[J].岩石力学与工程学报,33(4):797-808.
[17] 王裕琴,杨迎冬,周翠琼,晏祥省.2015.基于GIS空间分析技术的云南省地质灾害气象风险预警系统[J].中国地质灾害与防治学报,26(1):134-137+144.
[18] 温铭生,陈春利,徐为,方志伟,刘艳辉.2019.地质灾害区域趋势预测理论方法与应用评估探讨[J].重庆大学学报,42(10):82-91.
[19] 文宝萍.1996.滑坡预测预报研究现状与发展趋势[J].地学前缘,3(1):86-92.
[20] 吴润泽,胡旭东,梅红波,贺金勇,杨建英.2021.基于随机森林的滑坡空间易发性评价:以三峡库区湖北段为例[J].地球科学,46(1): 321-330.
[21] 武雪玲,任福,牛瑞卿,彭令.2013.斜坡单元支持下的滑坡易发性评价支持向量机模型[J].武汉大学学报(信息科学版),38(12):1499-1503.
[22] 叶殿秀,陈鲜艳,张强,马占山.2014.1971~2003 年三峡库区诱发滑坡的临界降水阈值初探[J].长江流域资源与环境,23(9):1289-1294.
[23] 殷坤龙,陈丽霞,张桂荣.2007.区域滑坡灾害预测预警与风险评价[J].地学前缘,14(6):85-97.
[24] 殷跃平,李媛.1996.区域地质灾害趋势预测理论与方法[J].工程地质学报,(4):75-79.
[25] 张桂荣,殷坤龙,刘礼领,谢剑明,杜惠良.2005.基于WEBGIS和实时降雨信息的区域地质灾害预警预报系统[J].岩土力学,(8):1312-1317.
[26] 钟洛加,肖尚德,周衍龙.2007.基于WEBGIS的湖北省地质灾害气象预警预报[J].资源环境与工程,(S1):104-106.
[27] 周平根.2003.中国地质灾害早期预警体系建设与展望[J].地质通报,(7): 527-530.
[28] 周平根,毛继国,侯圣山,李昂,刘树东.2007.于WebGIS 的地质灾害预警预报信息系统的设计与实现[J].地学前缘,14(6):38-42.
[29] Goetz J N, Brenning A, Petschko H, Leopold P. 2015. Evaluating machine learning and statistical prediction techniques for landslide susceptibility modeling [J]. Computer & Geosciences, 81: 1-11.
[30] Reichenbach P, Rossi M, Malamud B D, Mihir M, Guzzetti F. 2018. A review of statistically-based landslide susceptibility models[J]. Earth-Science Reviews, 180: 60-91.
[31] Shrestha S, Kang T S. 2019. Assessment of seismically-induced landslide susceptibility after the 2015 Gorkha earthquake, Nepal [J]. Bulletin of Engineering Geology and the Environment, 78(3): 1829-1842.
-
计量
- 文章访问数: 1484
- PDF下载数: 120
- 施引文献: 0
下载: