CN113268867B - 一种基于水热组合的冰川泥石流区域预警方法 - Google Patents
一种基于水热组合的冰川泥石流区域预警方法 Download PDFInfo
- Publication number
- CN113268867B CN113268867B CN202110532903.4A CN202110532903A CN113268867B CN 113268867 B CN113268867 B CN 113268867B CN 202110532903 A CN202110532903 A CN 202110532903A CN 113268867 B CN113268867 B CN 113268867B
- Authority
- CN
- China
- Prior art keywords
- debris flow
- early warning
- glacier
- area
- curve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000001556 precipitation Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 239000011435 rock Substances 0.000 claims 5
- 238000009825 accumulation Methods 0.000 claims 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Emergency Alarm Devices (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于水热组合的冰川泥石流区域预警方法，包括以下几个步骤：S1、在冰川泥石流预警建模研究区域内采集冰川泥石流相关数据；S2、构建预警阈值曲线模型；S4、根据S3构建的预警阈值曲线，结合需预警地的气象条件是否落在预警阈值曲线上的位置关系，进行预警：若气象条件落在曲线及其以上区域，则按照曲线及其以上的泥石流事件出现统计概率进行相应预警。本发明解决了现有技术一直未能解决的冰川泥石流地区定量预警的问题，提供了一种能随着泥石流数据的增多持续有效性提升预警结果的冰川泥石流区域预警曲线和预警方法，为今后对冰川泥石流区域预警提供了量化指导和理论基础，具有普适意义。
Description
技术领域
本发明涉及冰川泥石流领域，具体涉及一种基于水热组合的冰川泥石流区域预警方法。
背景技术
随着经济建设和社会发展需要，人们逐步在高海拔冰川山地地区进行工程建设，在这工程建设过程中，不可避免的会遇到冰川泥石流灾害，因此有必要对冰川泥石流发生建立预警机制。
相比雨季的暴雨泥石流，冰川泥石流本身属于更小概率的事件，其起动机理研究仍处于起步阶段，再加上目前冰川泥石流数据存在样本量小、样本噪声大的问题，现有冰川泥石流预警则更多是停留在局地经验取值的层面或群测群防(即监测员巡查)，因此，无论是实际应用还是工程设计规范推荐的泥石流相关计算方法都是以简单经验性的公式计算，缺乏区域普适性应用价值。复杂的方法(如机器学习)在这个方向上，由于多数研究仅为针对单个冰川或少数次泥石流事件的分析，无法建立区域普适性的冰川泥石流有效预警方法。现阶段急需一种应对冰川泥石流区域预警的普适性有效预警方法。
发明内容
为解决上述问题，本发明目的在于提供一种基于水热组合的冰川泥石流区域预警方法，该方法解决了现有技术一直未能解决的冰川泥石流地区定量预警的问题，提供了一种能随着泥石流数据的增多持续有效性提升预警结果准确性的冰川泥石流区域预警曲线和预警方法，为今后对冰川泥石流区域预警提供了量化指导和理论基础，具有普适意义。
本发明通过下述技术方案实现：
一种基于水热组合的冰川泥石流区域预警方法，其特征在于，包括以下几个步骤：S1、在冰川泥石流预警建模研究区域内采集冰川泥石流相关数据；S2、构建预警阈值曲线模型：SS1、基于S1中采集的冰川泥石流相关数据，选取有效累积雨量Re和有效正积温ATe作为泥石流预警的关键气象因子，然后对冰川泥石流预警建模研究区域内的每个地理位置每次泥石流发生前一个月内的关键气象因子进行计算，并对计算结果进行泥石流事件和非泥石流事件的标签分类；SS2、构造泥石流事件关键气象因子的概念函数：ATe＝αRe β,----------公式(1)，其中α和β为待定参数；SS3、获得参数α和β，形成冰川泥石流区域预警阈值曲线：利用随机函数，生成均匀分布的随机初始种子，作为α和β待定参数的初值，设定拟提出的泥石流事件出现的概率值，再将标签分类后的泥石流事件和非泥石流事件的有效正积温和有效累积降雨数据代入其中，通过至少50000次以上的循环迭代，获得满足条件的最优α和β的参数，最终形成冰川泥石流区域预警阈值曲线；SS4、根据SS3构建的预警阈值曲线，结合需预警区域监测或预报的气象条件是否落在预警阈值曲线上的位置关系，进行预警：若气象条件落在曲线上方区域内，则按照曲线以上的泥石流事件出现统计概率进行相应预警。
其中，标签分类的分类标准是：有历史泥石流记录对应的气象条件被标记为泥石流事件样本，每次泥石流暴发前随机抽取的多次非泥石流事件对应的气象条件被标记为非泥石流事件样本。
所述冰川泥石流预警建模研究区域的选择原则包括：(1)、冰川泥石流所处的研究区内多数流域上游物源区现在处于冰川环境，(2)、气象观测数据或高分辨率气象再分析资料覆盖的时间段内区域发生泥石流次数不少于20次。
S2中有效累积降雨量Re表示为：
其中Re是有效降水量；右侧第一项为泥石流发生前n天的有效前期降水量，Ri为第i天的累积降水量；R0为泥石流发生当天的日降水量；K是前期降雨作用的衰减因子，表明前期降雨对泥石流形成的影响大小，K和n可根据经验设置或实验测定；具体的，K根据邻近区域的已有研究取值，或当地开展水力学和土力学模型实验取值。
S2中冰雪区的有效正积温ATe表示为：
进一步的，SS3中随机函数为Python的random.uniform函数，参数α和β在既定预警概率的约束条件下，通过蒙特卡洛采样与筛选方法进行确定。本文的随机函数不局限于上述函数，实施例中以Python的random.uniform函数为例进行具体的计算说明。
本发明将有效正积温和有效累积降雨作为关键气象因子，基于关键气象因子构建预警函数，通过对预警函数的创新构建和以可靠性概率为约束条件的结合，构建了能够将泥石流和非泥石流二者的气象特征分离开的分级阈值预警曲线，一方面基于对高易发泥石流气象条件的提取，解决了目前冰川泥石流样本量小、样本噪声大的问题，另一方面降低了预警误判的可能性。在本发明中，预警函数的创新构建和以可靠性概率为约束条件的结合主要是基于“舍弃对极小概率事件的预警，将重心放在相对高概率的事件”的大胆构思，具体可理解为：舍弃较低概率的有效累积雨量和有效正积温组合条件下极易与非泥石流气象条件混淆的小概率事件，而注重较高概率的有效累积雨量和有效正积温组合条件下那些不易与非泥石流气象条混淆件的大概率事件。
实施预警时，α和β确定进行拟合曲线后，当预警地的气象条件落到拟合的曲线以上区域内，则按照曲线以上区域的泥石流事件出现统计概率进行相应预警。倘若拟合了不同概率下的曲线模型，则可实现分级预警。如同时拟合50％和80％概率的两条曲线模型，则根据预警区域内的实际气象条件落在这两条曲线划分的几个区域位置关系进行分级预警。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明能够根据泥石流样本的可获得性，自定义寻找不同概率的冰川泥石流气象预警曲线，为当地气象、地灾部门的分级预警提供参考；
2、本发明能够突破以往冰川泥石流预警时简单经验式公式预测的局限性，具有普遍应用价值。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为实施例中不同气象组合条件下的泥石流概率发生分析图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
冰川泥石流预警流程具体实施如下：
1、选择冰川泥石流频发的藏东南帕隆藏布中下游区域开展实施例演示。研究区受印度洋夏季风影响，沿海拔高度有较大的降水梯度。该流域的年降雨量随着海拔高度的增加而减少，波密气象站的降雨量约为900mm。由于强烈的夏季风和孟加拉湾潮湿的气候，帕隆藏布成为高原上气候最湿润的地区。由于高山环境的降温作用，形成了中国最大的海洋冰川分布区。大量冰川泥石流严重威胁着川藏国道、川藏铁路及少数民族村镇。
2、以往由于当地许多泥石流未造成较严重社会经济损失，因此没有得到及时记录，泥石流发生的准确信息很难获得。在这个实例中，收集了24个灾害性冰川泥石流时间，包括地点和精确到日的日期。收集了高分辨率网格化气温和降水数据集，记录跨度为1979-2018年，时空分辨率为3小时和0.1°。此外，结合中国第二次冰川资源清查数据集和遥感解译，提取了包括面积、边界和位置在内的冰川信息，最终按照上述的泥石流预警建模研究区域选择原则，选择如表1中展示的地理位置作为泥石流预警建模研究区域。
表1泥石流资料
3、在上述泥石流预警建模研究区域内，收集每个地理位置处每次泥石流发生前一个月的冰川泥石流降水量和温度数据，选取有效累积雨量Re和有效正积温ATe作为泥石流预警的关键气象因子，用
计算有效累积雨量Re，其中Re是有效降水量；右侧第一项为泥石流发生前n天的有效前期降水量，Ri为第i天的累积降水量；R0为泥石流发生当天的日降水量；K是前期降雨作用的衰减因子，表明前期降雨对泥石流形成的影响大小，K和n可根据经验设置或实验测定；用
计算有效正积温ATe，右侧第一项为表示冰川泥石流预警建模研究区域内的每个地理位置每次泥石流发生前n天大于0摄氏度的有效积温部分，Ti为第i天的正积温，而泥石流发生当天的正积温，通过天气预报获取，结果如表2。
表2泥石流事件7日有效雨量和3个月有效累积温度
4、对上述计算得到的关键气象因子：有效累积雨量Re和有效正积温ATe进行泥石流事件和非泥石流事件的标签分类。标签分类的分类标准是：有历史泥石流记录对应的气象条件被标记为泥石流事件样本，每次泥石流暴发前随机抽取的多次非泥石流事件对应的气象条件被标记为非泥石流事件样本。
5、构造泥石流事件关键气象因子的概念函数的有效正积温与有效累积雨量的概念函数：
ATe＝αRe β,如图1所示，设定拟提出的预警对应的所有事件中泥石流出现的概率值为80％，用random.uniform函数，生成均匀分布的随机初始种子，作为α和β为待定参数的初值，再将所有记录的泥石流事件和非泥石流事件的有效正积温和有效累积降雨数据代入其中，通过50000次的循环迭代，获得满足条件的最优α＝2423.40，β＝-0.479。
6、预警：如图1所示，已经拟合出泥石流爆发率为80％的曲线，预警时，若当前获得的关键气象因子落到曲线以上区域(包括曲线上)，则按照曲线以上的泥石流事件出现统计概率进行相应预警，即进行泥石流发生概率在80％以上的预警。
7、分级预警：拟合了不同泥石流出现概率下的曲线模型，则可实现分级预警。如拟合泥石流出现概率分别为80％、50％的两条曲线模型，如图1所示，预警时，根据计算得出的关键气象因子落在图上的位置关系，可进行分级预警。
值得说明的是，后续随着日后泥石流事件样本量的增加，泥石流事件与非泥石流事件的可区分性会越来越强，分级预警程度将更为精细化，预报的准确性将得到持续提升。
本发明解决了现有技术一直未能解决的冰川泥石流地区定量预警的问题，提供了一种能随着泥石流数据的增多持续有效性提升预警结果的冰川泥石流区域预警曲线和预警方法，为今后对冰川泥石流区域预警提供了量化指导和理论基础。
本发明中，未详细描述的均是现有技术。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于水热组合的冰川泥石流区域预警方法，其特征在于，包括以下几个步骤：S1、在冰川泥石流预警建模研究区域内采集冰川泥石流相关数据；S2、构建预警阈值曲线模型：SS1、基于S1中采集的冰川泥石流相关数据，选取有效累积雨量Re和有效正积温ATe作为泥石流预警的关键气象因子，然后对冰川泥石流预警建模研究区域内的每个地理位置每次泥石流发生前一个月内的关键气象因子进行计算，并对计算结果进行泥石流事件和非泥石流事件的标签分类；SS2、构造泥石流事件关键气象因子的概念函数：
ATe＝αRe β,----------公式(1)，其中α和β为待定参数；SS3、获得参数α和β，形成冰川泥石流区域预警阈值曲线：利用随机函数，生成均匀分布的随机初始种子，作为α和β两个待定参数的初值，设定拟提出的泥石流事件出现的概率值，再将标签分类后的泥石流事件和非泥石流事件的有效正积温和有效累积降雨数据代入其中，通过至少50000次的循环迭代，获得满足条件的最优α和β的参数，最终形成冰川泥石流区域预警阈值曲线；SS4、根据SS3构建的预警阈值曲线，结合需预警区域监测或预报的气象条件是否落在预警阈值曲线上的位置关系，进行预警：若气象条件落在曲线及其上方区域内，则按照曲线及其以上的泥石流事件出现统计概率进行相应预警。
2.根据权利要求1所述的基于水热组合的冰川泥石流区域预警方法，其特征在于，所述冰川泥石流预警建模研究区域的选择原则包括：(1)、冰川泥石流所处的研究区内多数流域上游物源区正处于冰川环境；(2)、气象观测数据或高分辨率气象在分析资料覆盖的时间段内区域发生泥石流次数不少于20次。
3.根据权利要求1所述的基于水热组合的冰川泥石流区域预警方法，其特征在于，S2中有效累积降雨量Re表示为：
其中Re是有效降水量；右侧第一项为泥石流发生前n天的有效前期降水量，Ri为第i天的累积降水量；R0为泥石流发生当天的日降水量；K是前期降雨作用的衰减因子，表明前期降雨对泥石流形成的影响大小，K和n可根据经验设置或实验测定。
4.根据权利要求1所述的基于水热组合的冰川泥石流区域预警方法，其特征在于，S2中冰雪区的有效正积温ATe表示为：
5.根据权利要求1所述的基于水热组合的冰川泥石流区域预警方法，其特征在于，SS3中随机函数为Python的random.uniform函数，参数α和β在既定预警概率的约束条件下，通过蒙特卡洛采样与筛选方法进行确定。
6.根据权利要求1所述的基于水热组合的冰川泥石流区域预警方法，其特征在于，标签分类的分类标准是：有历史泥石流记录对应的气象条件标记为泥石流事件样本，每次泥石流暴发前随机抽取的多次非泥石流对应的气象条件标记为非泥石流事件样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110532903.4A CN113268867B (zh) | 2021-05-17 | 2021-05-17 | 一种基于水热组合的冰川泥石流区域预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110532903.4A CN113268867B (zh) | 2021-05-17 | 2021-05-17 | 一种基于水热组合的冰川泥石流区域预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113268867A CN113268867A (zh) | 2021-08-17 |
| CN113268867B true CN113268867B (zh) | 2023-05-26 |
Family
ID=77231092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110532903.4A Active CN113268867B (zh) | 2021-05-17 | 2021-05-17 | 一种基于水热组合的冰川泥石流区域预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268867B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115083116B (zh) * | 2022-06-14 | 2023-08-01 | 成都理工大学 | 一种冰川消融期初期冰水泥石流的预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005115639A (ja) * | 2003-10-07 | 2005-04-28 | Yamaguchi Technology Licensing Organization Ltd | 土砂災害の発生限界線、避難基準線及び警戒基準線の作成方法とそのプログラム及び土砂災害の警戒避難支援システム |
| CN105513285A (zh) * | 2016-01-28 | 2016-04-20 | 成都理工大学 | 冰湖溃决预警方法 |
| CN110930649A (zh) * | 2019-11-05 | 2020-03-27 | 清华大学 | 冰川物质平衡量获取方法、装置、计算机设备及存储介质 |
| CN111608139A (zh) * | 2020-06-20 | 2020-09-01 | 中国科学院、水利部成都山地灾害与环境研究所 | 超大规模洪水泥石流防治方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012198886A (ja) * | 2011-03-10 | 2012-10-18 | Yamaguchi Univ | 火山活動度に応じた土砂災害発生危険度評価システムとそのプログラム |
| CN102169617B (zh) * | 2011-04-15 | 2013-02-20 | 中国科学院水利部成都山地灾害与环境研究所 | 一种雨量资料短缺地区的泥石流预警方法 |
| CN102831752B (zh) * | 2012-09-13 | 2014-08-27 | 中国科学院水利部成都山地灾害与环境研究所 | 一种冰湖溃决预警方法 |
| CN104318058B (zh) * | 2014-09-25 | 2017-06-20 | 航天科工惯性技术有限公司 | 基于雨量监测的泥石流预警方法 |
| CN106127121B (zh) * | 2016-06-15 | 2019-03-08 | 四川省遥感信息测绘院 | 一种基于夜间灯光数据的建成区智能化提取方法 |
| CN107564245B (zh) * | 2017-09-28 | 2019-07-12 | 成都理工大学 | 一种考虑降雨的冰湖溃决的预报方法 |
| CN107749144B (zh) * | 2017-09-28 | 2019-11-22 | 成都理工大学 | 一种冰湖溃决的溢流水位预警方法及其应用 |
| CN110503805A (zh) * | 2018-05-16 | 2019-11-26 | 中国石油化工股份有限公司天然气分公司 | 管道地质灾害监测预警方法及装置 |
| CN110706456B (zh) * | 2019-10-19 | 2021-06-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流快速预警系统 |
| CN110929923B (zh) * | 2019-11-08 | 2023-04-07 | 温州设计集团有限公司 | 基于数字孪生技术的城市安全风险管控系统 |
| CN111768597B (zh) * | 2020-06-22 | 2022-06-21 | 核工业西南勘察设计研究院有限公司 | 一种泥石流预警防护方法 |
| CN112735511B (zh) * | 2021-01-13 | 2023-11-03 | 西北农林科技大学 | 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 |
-
2021
- 2021-05-17 CN CN202110532903.4A patent/CN113268867B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005115639A (ja) * | 2003-10-07 | 2005-04-28 | Yamaguchi Technology Licensing Organization Ltd | 土砂災害の発生限界線、避難基準線及び警戒基準線の作成方法とそのプログラム及び土砂災害の警戒避難支援システム |
| CN105513285A (zh) * | 2016-01-28 | 2016-04-20 | 成都理工大学 | 冰湖溃决预警方法 |
| CN110930649A (zh) * | 2019-11-05 | 2020-03-27 | 清华大学 | 冰川物质平衡量获取方法、装置、计算机设备及存储介质 |
| CN111608139A (zh) * | 2020-06-20 | 2020-09-01 | 中国科学院、水利部成都山地灾害与环境研究所 | 超大规模洪水泥石流防治方法 |
Non-Patent Citations (1)
| Title |
|---|
| 岷江上游泥石流预警报模型构建及其应用;王英杰;《中国优秀硕士学位论文全文数据库 基础科学辑》(第8期);第A011-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113268867A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Slater et al. | Nonstationary weather and water extremes: a review of methods for their detection, attribution, and management | |
| Fish et al. | Atmospheric river families: Definition and associated synoptic conditions | |
| Schumacher | Heavy rainfall and flash flooding | |
| Emerton et al. | Continental and global scale flood forecasting systems | |
| Alfieri et al. | A European precipitation index for extreme rain‐storm and flash flood early warning | |
| Verbout et al. | Evolution of the US tornado database: 1954–2003 | |
| Clark et al. | CONUS-wide evaluation of National Weather Service flash flood guidance products | |
| Boneh et al. | Fog forecasting for Melbourne Airport using a Bayesian decision network | |
| Dalezios et al. | Regional design storm of Greece within the flood risk management framework | |
| Otto et al. | Climate change increased rainfall associated with tropical cyclones hitting highly vulnerable communities in Madagascar, Mozambique & Malawi | |
| Yang et al. | On the flood peak distributions over China | |
| Shen et al. | A comprehensive database of flood events in the contiguous United States from 2002 to 2013 | |
| Sorensen et al. | Community response to hurricane threat: Estimates of warning issuance time distributions | |
| Li et al. | Flash flood early warning research in China | |
| CN113268867B (zh) | 一种基于水热组合的冰川泥石流区域预警方法 | |
| CN118351659A (zh) | 基于gps定位与无线传感器网络的管道堵塞预警方法及系统 | |
| Garba et al. | Extreme rainfall characterisation under climate change and rapid population growth in the city of Niamey, Niger | |
| Singh et al. | Climate change induced disasters and highly vulnerable infrastructure in Uttarakhand, India: current status and way forward towards resilience and long-term sustainability | |
| Tuel et al. | Evaluating extreme precipitation in gridded datasets with a novel station database in Morocco | |
| Fior et al. | Correlating extreme weather conditions with road traffic safety: A unified latent space model | |
| Ali et al. | Raingauge network optimization in a tropical urban area by coupling cross-validation with the geostatistical technique | |
| Barclay et al. | Assessment of advanced LiDAR based tools for enhanced flood prediction | |
| Ekeu-Wei et al. | Accounting for the effects of climate variability in regional flood frequency estimates in Western Nigeria | |
| CN105095667B (zh) | 基于雨雾凇判识的最大连续覆冰日数计算方法 | |
| Chand et al. | A Bayesian regression approach to seasonal prediction of tropical cyclones affecting the Fiji region |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |