百寿镇天气 百寿镇景点

乐山大佛都被淹了20厘米，这次暴雨究竟带来了哪些灾害？

民房被淹、公路被洪水淹没、受洪水影响百寿镇天气，1020名民众被困孤岛。

受持续特大暴雨影响，四川乐山大佛景区遭受洪涝灾害。为全力保护人民群众和游客生命财产安全，乐山市公安局大佛景区公安分局全体民辅警昼夜奋战一线，全力以赴投入抗洪抢险救灾工作。

期间，乐山市公安局大佛景区公安分局党委书记、局长余友谊等局领导带队，组织乐山市公安局大佛景区公安分局全体民辅警先后成功解救市中区任家坝村8组被困残疾老人，嘉定坊、游客中心被困游客，乌尤坝水运局被困老人。

扩展资料

大渡河、青衣江、岷江三江汇流处江水滔滔，水声震耳欲聋。浑浊百寿镇天气的洪水裹挟着树枝从乐山大佛“脚趾”旁流过。顺着大佛的视线望去，只见江中心的凤洲岛陆地几乎被完全淹没。

在四川乐山大佛景区见到了洪水过境的震撼一幕。这是1949年来，乐山大佛首次被洪水淹至“脚趾”。

参考资料来源百寿镇天气：人民网—四川乐山城区内涝严重 乐山大佛“脚趾”被淹

参考资料来源：人民网—四川乐山遭强降雨袭击 民警紧急疏散转移大佛景区被困群众

相关问答

Q1: 老人晕倒在地辅警如何帮助？

这几天，广西桂林天气炎热，热浪袭人。而一名老人意外晕倒在公路上，正因天气原因，及时赶来的一名辅警为其举着大伞遮阳，撑了20多分钟，直至救护车到来。

9月27日，据永福县公安局办公室工作人员小李介绍说，事发当日下午14时20分许，永福百寿派出所副所长李正仁接到110指挥中心转警，群众报警称在百寿镇出口往三皇镇方向的公路上，有一名老人躺在地上无法动弹。

李正仁带领辅警漆家伶赶到现场后，只见一老人躺在公路上，意识不清，旁有拐杖和红色袋子。李正仁不敢贸然移动老人身体，便拨打了120急救电话。一群众借来一把“巨伞”递给了辅警漆家伶。而此时气温达30多度，为防止老人受到二次伤害，李正仁将围观人员疏散，并在道路两端设置警示标志。

漆家伶将这把20多斤重的“巨伞”扛在肩上给老人遮太阳。烈日下不时有风吹过来，给这把 “巨伞”增添了重量。漆家伶只得将伞死死抓在手里，不敢随便移动。这一举动引来路过群众及司机纷纷点赞。

约20多分钟后，医护人员赶来并将老人送往医院。而此时，扛着“巨伞”的漆家伶身上警服早已被汗水浸湿。老人清醒后自称姓黄，住在百寿敬老院。下午他拄着拐杖外出，突然晕倒在地。

希望好人有好报吧。

Q2: 极端气温、降雨-洪水模型(BP神经网络)的建立

极端气温、降雨与洪水之间有一定百寿镇天气的联系。根据1958～2007年广西西江流域极端气温、极端降雨和梧州水文站洪水数据，以第5章相关分析所确定的显著影响梧州水文站年最大流量的测站的相应极端气候因素(表4.22)为输入，建立人工神经网络模型。

4.5.1.1 BP神经网络概述

(1)基于BP算法的多层前馈网络模型

采用BP算法的多层前馈网络是至今为止应用最广泛的神经网络，在多层的前馈网的应用中，如图4.20所示的三层前馈网的应用最为普遍，其包括百寿镇天气了输入层、隐层和输出层。

图4.20 典型的三层BP神经网络结构

在正向传播中，输入信息从输入层经隐含层逐层处理，并传向输出层。如果输出层不能得到期望的输出结果，则转入反向传播，将误差信号沿原来的连同通路返回，通过修改各层神经元的权值，使得误差最小。BP算法流程如图4.21所示。

图4.21 BP算法流程图

容易看出，BP学习算法中，各层权值调整均由3个因素决定，即学习率、本层输出的误差信号以及本层输入信号y(或x)。其中，输出层误差信号同网络的期望输出与实际输出之差有关，直接反映了输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出层开始逐层反传过来的。

1988年，Cybenko指出两个隐含层就可表示输入图形的任意输出函数。如果BP网络只有两个隐层，且输入层、第一隐含层、第二隐层和输出层的单元个数分别为n，p，q，m，则该网络可表示为BP(n，p，q，m)。

(2)研究区极端气温、极端降雨影响年最大流量过程概化

极端气温、极端降雨影响年最大流量的过程极其复杂，从极端降雨到年最大流量，中间要经过蒸散发、分流、下渗等环节，受到地形、地貌、下垫面、土壤地质以及人类活动等多种因素的影响。可将一个极端气候-年最大流量间复杂的水过程概化为小尺度的水系统，该水系统的主要影响因子可通过对年最大流量影响显著的站点的极端气温和极端降雨体现出来，而其中影响不明显的站点可忽略，从而使问题得以简化。

BP神经网络是一个非线形系统，可用于逼近非线形映射关系，也可用于逼近一个极为复杂的函数关系。极端气候-年最大流量水系统是一个非常复杂的映射关系，可将之概化为一个系统。BP神经网络与研究流域的极端气候-年最大流量水系统的结构是相似的，利用BP神经网络，对之进行模拟逼近。

(3)隐含层单元数的确定

隐含层单元数q与所研究的具体问题有关，目前尚无统一的确定方法，通常根据网络训练情况采用试错法确定。在训练中网络的收敛采用输出值Ykp与实测值tp的误差平方和进行控制

变环境条件下的水资源保护与可持续利用研究

作者认为，虽然现今的BP神经网络还是一个黑箱模型，其参数没有水文物理意义，在本节的研究过程中，将尝试着利用极端气候空间分析的结果来指导隐含层神经元个数的选取。

(4)传递函数的选择

BP神经网络模型算法存在需要较长的训练时间、完全不能训练、易陷入局部极小值等缺点，可通过对模型附加动量项或设置自适应学习速率来改良。本节采用MATLAB工具箱中带有自适应学习速率进行反向传播训练的traingdm(　)函数来实现。

(5)模型数据的归一化处理

由于BP网络的输入层物理量及数值相差甚远，为了加快网络收敛的速度，使网络在训练过程中易于收敛，对输入数据进行归一化处理，即将输入的原始数据都化为0～1之间的数。本节将年极端最高气温的数据乘以0.01;将极端最低气温的数据乘以0.1;年最大1d、3d、7d降雨量的数据乘以0.001;梧州水文站年最大流量的数据乘以0.00001，其他输入数据也按类似的方法进行归一化处理。

(6)年最大流量的修正

梧州水文站以上的流域集水面积为32.70万km2，广西境内流域集水面积为20.24万km2，广西境内流域集水面积占梧州水文站以上的流域集水面积的61.91%。因此，选取2003～2007年梧州水文站年最大流量和红水河的天峨水文站年最大流量，分别按式4.10计算每年的贡献率(表4.25)，取其平均值作为广西西江流域极端降雨对梧州水文站年最大流量的平均贡献率，最后确定平均贡献率为76.88%。

变环境条件下的水资源保护与可持续利用研究

表4.25 2003～2007年极端降雨对梧州水文站年最大流量的贡献率

建立“年极端气温、降雨与梧州年最大流量模型”时，应把平均贡献率与梧州水文站年最大流量的乘积作为模型输入的修正年最大流量，而预测的年最大流量应该为输出的年最大流量除以平均贡献率76.88%，以克服极端气温和降雨研究范围与梧州水文站集水面积不一致的问题。

4.5.1.2年极端气温、年最大1d降雨与梧州年最大流量的BP神经网络模型

(1)模型的建立

以1958～1997年年极端最高气温、年极端最低气温、年最大1d降雨量与梧州水文站年最大流量作为学习样本拟合、建立“年极端气温、年最大1d降雨-梧州年最大流量BP神经网络模型”。以梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，榜圩、马陇、三门、黄冕、沙街、勾滩、天河、百寿、河池、贵港、金田、平南、大化、桂林、修仁、五将雨量站的年最大1d降雨量为输入，梧州水文站年最大流量为输出，隐含层层数取2，建立(19，p，q，1)BP神经网络模型，其中神经元数目p，q经试算分别取16和3，第一隐层、第二隐层的神经元采用tansig传递函数，输出层的神经元采用线性传递函数，训练函数选用traingdm，学习率取0.1，动量项取0.9，目标取0.0001，最大训练次数取200000。BP网络模型参数见表4.26，结构如图4.22所示。

图4.22年极端气温、年最大1d降雨-梧州年最大流量BP模型结构图

表4.26 BP网络模型参数一览表

从结构上分析，梧州水文站年最大流量产生过程中，年最高气温、年最低气温和各支流相应的流量都有其阈值，而极端气温和极端降雨是其输入，年最大流量是其输出，这类似于人工神经元模型中的阈值、激活值、输出等器件。输入年最大1d降雨时选用的雨量站分布在14条支流上(表4.27)，极端降雨发生后，流经14条支流汇入梧州，在这一过程中极端气温的变化影响极端降雨的蒸散发，选用的雨量站分布在年最大1d降雨四个自然分区的Ⅱ、Ⅲ、Ⅳ3个区。该过程可与BP神经网络结构进行类比(表4.28)，其中， 14条支流相当于第一隐含层中的14个神经元，年最高气温和年最低气温相当于第一隐含层中的2个神经元，年最大1d降雨所在的3个分区相当于第二隐含层的3个神经元，年最高气温、年最低气温的影响值和各支流流量的奉献值相当于隐含层中人工神经元的阈值，从整体上来说，BP神经网络的结构已经灰箱化。

表4.27 选用雨量站所在支流一览表

表4.28 BP神经网络构件物理意义一览表

(2)训练效果分析

训练样本为40个，经过113617次训练，达到精度要求。在命令窗口执行运行命令，网络开始学习和训练，其训练过程如图4.23所示，训练结果见表4.29和图4.24。

表4.29年最大流量训练结果

图4.23 神经网络训练过程图

图4.24年最大流量神经网络模型训练结果

从图4.26可知，训练后的BP网络能较好地逼近给定的目标函数。从训练样本检验结果(表4.5)可得:1958～1997年40年中年最大流量模拟值与实测值的相对误差小于10%和20%的分别为39年，40年，合格率为100%。说明“年极端气温、年最大1d降雨- 梧州年最大流量预测模型”的实际输出与实测结果误差很小，该模型的泛化能力较好，模拟结果较可靠。

(3)模型预测检验

把1998～2007年梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，榜圩、马陇、三门、黄冕、沙街、勾滩、天河、百寿、河池、贵港、金田、平南、大化、桂林、修仁、五将雨量站的年最大1d降雨量输入到“年极端气温、年最大1d降雨梧州年最大流量BP神经网络模型”。程序运行后网络输出预测值与已知的实际值进行比较，其预测检验结果见图4.25，表4.30。

图4.25年最大流量神经网络模型预测检验结果

表4.30 神经网络模型预测结果与实际结果比较

从预测检验结果可知:1998～2007年10年中年最大流量模拟值与实测值的相对误差小于20%的为9年，合格率为90%，效果较好。

4.5.1.3年极端气温、年最大7d降雨与梧州年最大流量的BP神经网络模型

(1)模型的建立

以1958～1997年年极端最高气温、年极端最低气温、年最大7d降雨量和梧州水文站年最大流量作为学习样本来拟合、建立“年极端气温、年最大7d降雨- 梧州年最大流量BP神经网络模型”。以梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，凤山、都安、马陇、沙街、大湟江口、大安、大化、阳朔、五将雨量站的年最大7d降雨量为输入，梧州水文站年最大流量为输出，隐含层层数取2，建立(12，p，q，1)BP神经网络模型，其中，神经元数目p，q经试算分别取10和4，第一隐层、第二隐层的神经元采用tansig传递函数，输出层的神经元采用线性传递函数，训练函数选用traingdm，学习率取0.1，动量项取0.9，目标取0.0001，最大训练次数取200000。BP网络模型参数见表4.31，结构如图4.26所示。

表4.31 BP网络模型参数一览表

图4.26年极端气温、年最大7d降雨-梧州年最大流量BP模型结构图

本节输入年最大7d降雨时选用的雨量站分布在8条支流上(表4.32)，在发生极端降雨后，流经8条支流汇入梧州，在这一过程中极端气温的变化影响极端降雨的蒸散发，且选用的雨量站分布在年最大7d降雨四个自然分区的Ⅰ、Ⅱ、Ⅲ、Ⅳ4个区中。该过程可与BP神经网络结构进行类比(表4.33)，其中，8条支流相当于第一隐含层中的8个神经元，年最高气温和年最低气温相当于第一隐含层中的2个神经元，年最大7d降雨所在的4个分区相当于第二隐含层的4个神经元，整体上来说，BP神经网络的结构已经灰箱化。

表4.32 选用雨量站所在支流一览表

表4.33 BP神经网络构件物理意义一览表

(2)训练效果分析

训练样本为40个，经过160876次的训练，达到精度要求，在命令窗口执行运行命令，网络开始学习和训练，其训练过程如图4.27所示，训练结果见表4.34，图4.28。

图4.27 神经网络训练过程图

表4.34年最大流量训练结果

图4.28年最大流量神经网络模型训练结果

从图4.28可知，训练后的BP网络能较好地逼近给定的目标函数。由训练样本检验结果(表4.34)可得:1958～1997年40年中年最大流量模拟值与实测值的相对误差小于10%和20%的，分别为38年、40年，合格率为100%。说明“年极端气温、年最大7d降雨-梧州年最大流量BP神经网络模型”的泛化能力较好，模拟的结果较可靠。

(3)模型预测检验

把1998～2007年梧州气象站的年极端最高气温，桂林、钦州气象站的年极端最低气温，凤山、都安、马陇、沙街、大湟江口、大安、大化、阳朔、五将雨量站的年最大7d降雨量输入到“年极端气温、年最大7d降雨- 梧州年最大流量BP神经网络模型”。程序运行后网络输出预测值与已知的实际值进行比较，其预测结果见图4.29和表4.35。

图4.29年最大流量神经网络模型预测检验结果

表4.35 神经网络模型预测结果与实际结果比较

由预测检验结果可知:1998～2007年10年中年最大流量模拟值与实测值的相对误差小于20%的为7年，合格率为70%，效果较好。

4.5.1.4 梧州年最大流量-年最高水位的BP神经网络模型

(1)模型的建立

以1941～1997年梧州水文站的年最大流量与年最高水位作为学习样本来拟合、建立梧州水文站的“年最大流量-年最高水位BP神经网络模型”。以年最大流量为输入，年最高水位为输出，隐含层层数取1，建立(1，q，1)BP神经网络模型，其中，神经元数目q经试算取7，隐含层、输出层的神经元采用线性传递函数，训练函数选用traingdm，学习率取0.1，动量项取0.9，目标取0.00001，最大训练次数取200000。BP网络模型参数见表4.36，结构如图4.30所示。

表4.36 BP网络模型参数一览表

图4.30 梧州年最大流量—年最高水位BP模型结构图

广西西江流域主要河流有南盘江、红水河、黔浔江、郁江、柳江、桂江、贺江。7条主要河流相当于隐含层中的7个神经元(表4.37)，整体上来说，BP神经网络的结构已经灰箱化。

表4.37 BP神经网络构件物理意义一览表

(2)训练效果分析

训练样本为57个，经过3327次训练，误差下降梯度已达到最小值，但误差为3.00605×10-5，未达到精度要求。在命令窗口执行运行命令，网络开始学习和训练，其训练过程如图4.31所示，训练结果见图4.32和表4.38。

表4.38年最高水位训练结果

从图4.32和表4.19可看出，训练后的BP网络能较好地逼近给定的目标函数。对于训练样本，从检验结果可知:1941～1997年57年中年最高水位模拟值与实测值的相对误差小于10%和20%的分别为56a，57a，合格率为100%。说明“年最大流量-年最高水位BP神经网络模型”的实际输出与实测结果误差很小，该模型的泛化能力较好，模拟的结果比较可靠。

图4.31 神经网络训练过程图

图4.32年最高水位神经网络模型训练结果

(3)模型预测检验

把1998～2007年梧州水文站年最大流量输入到“年最大流量-年最高水位BP神经网络模型”。程序运行后网络输出预测值与已知的实际值进行比较，其预测结果见图4.33，表4.39。

表4.39 神经网络模型预测结果与实际结果比较

从预测检验结果可知:1998～2007年10年中，年最高水位模拟值与实测值的相对误差小于20%的为10年，合格率为100%，效果较好。

图4.33年最高水位量神经网络模型预测检验结果

Q3: 桂林有哪些适合老人游玩的地方？

遇龙河，“春日到桂林，我为山水而去，却被花海勾走了魂。”听说遇龙河河水清幽，平缓流淌。两岸山峰清秀迤逦，连绵起伏，形态万千。春天的遇龙河却别有一番风光。河畔千亩油菜花田便竞相绽放，美轮美奂。这时乘竹筏，看远山青黛，两岸油菜花海，一派田园风光，赏心悦目。遇龙河畔的油菜花很高，及肩及腰，穿行在花海间，还可以捉迷藏，有趣极了。

Q4: 四十八弄有美景

从鹿寨到中渡的公路就在四十八弄的山间盘桓，不但坡陡还弯多，有些路段连续几个几乎九十度转弯的陡坡，使人紧张得不禁双手紧抓方向盘，常常因为用力过度而手发酸，过后松手一看掌心通红留下一道深深的手把印，就连坐车的人也不敢有丝毫的大意，一直都是伸长脖子全神贯注地盯着前方。我在雨雪和大雾的天气里开车到过龙胜、资源和湖南的双牌，觉得其紧张的心情也不过如此。

四十八弄的弄，是山与山之间形成的洼地或较为平坦的空地，这些空地有自然村落和农田，如积水的洼地则成天然塘堰，山弄里或怪石密布，或草芥蔓生，各具风景。居民则以壮族为主，还有侗、瑶、苗等少数民族，他们散居在各弄之间，或独处，或群居，有的单门独户，有的整村整寨居住。由于山路崎岖，交通不便，各户、各村寨之间来往稀疏，有的几乎与世隔绝，就像桃花源一般闲静。弄名也随意而取，如布袋弄、秤杆弄、麻花弄、大向弄、野猫弄、吊井弄等等，其实“四十八弄”并非具体数目，而是泛指很多的意思。

四十八弄的山，层峦叠嶂，峰峦兀起，山形陡峭，灌木覆盖，直耸入云，令人生畏。四十八弄还是典型的喀斯特地貌，山山有洞，洞洞相连；地上，怪石突兀，沟壑纵横，犬牙交错；地下，坑洞星罗棋布，暗河无数。弄里山重水绕，地形复杂，如同迷宫，弄与弄之间以及与外界的联系仅通过石峰之间的隘口相通。由于地形险峻，历史上四十八弄屡屡成为土匪和绿林豪杰的聚啸之地，明代的韦朝威、韦银豹，清代的陆亚发，都曾率部众盘踞于此，与朝廷对抗。而智有小诸葛之称的新桂系将领白崇禧在民国时期的1925年4月，率军追击沈鸿英残部至四十八弄的金竹坳（临桂、永福交界处）时亦畏险峻，生怕中伏只好知难而退，另行计谋。

其实四十八弄并不是一个行政区域的名称，它古已有之，是当地人对一片具有典型地形、地貌特点区域的概括，如今的四十八弄包括鹿寨、融安、永福等县域的山区。

古时从桂林到柳州的陆路交通因为大山的阻隔极其不便，当时有两条路到柳州，其中一条是经荔浦、鹿寨到柳州，虽然基本上是平原地带，但为了绕过架桥岭这座大山，拐了一个大弯，路途遥远，在以人力步行的时代，其艰难可想而知。还有一条经百寿、中渡到柳州，虽然要从四十八弄的大山中穿行，但还算便捷，因此，一般的商贾都选择从此路到柳州。四十八弄的水路洛江也流经中渡。中渡镇就位于洛江边上，扼四十八弄出入隘口与洛江水道和桂林到柳州的陆路要冲，向来是商贾往来，军旅盘桓之地，是明清时期繁华的古驿道。现在从这里有公路通向大山深处永福县百寿镇和融安县的泗顶镇，新修的湘桂高铁也从这里穿过西眉山隧道后在不远处建有鹿寨北站。

经过一路颠簸终于看到了路边竖立的中渡路牌，首先映入眼帘的就是一座矗立在山顶上有棱有角的灰色楼堡，有人说是水塔，我觉得不像，哪有方形的水塔呢？当地人说，那是炮楼，清咸丰二年（1852年）当地政府为防备太平天国农民起义军在中渡城制高点西眉山顶修筑的。该炮楼分两层，一层用山石砌成，用混合灰砂夯实；二层为青砖木板楼结构，设有瞭望孔、炮孔、枪孔。当年它居高临下，扼控中渡城和通往四十八弄的通道。

西眉山是中渡的胜景之一，位于古镇西面，它拔地而起，雄奇俊秀，树木葱茏繁茂，山顶炮台凌空而起，在蒙蒙细雨中，山上云缠雾绕，景象颇为壮观。在上山的入口处立有《西眉山碑记》，上刻有邑人赞西眉山胜景诗一首：

西眉耸翠可人看，矗立碉楼接蔚蓝。袅袅云烟漠漠雨，天然图画米家山。

关于百寿镇天气和百寿镇景点的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。