基于信息分解条件的滑坡变形预测

[目的] 有效掌握滑坡变形规律,实现对滑坡变形的高精度预测。[方法] 基于滑坡现场变形监测成果,先利用优化经验模态实现其变形数据的信息分解,再利用优化径向基神经网络和马尔科夫链完成滑坡变形的分项组合预测;最后,利用季节性Kendall检验判断滑坡变形趋势,以验证预测结果的可靠性。[结果] 经验模态能有效分解滑坡变形信息,且通过优化处理,能进一步提高分解效果,并以互补式集合经验模态的分解效果最优;同时,预测结果的平均相对误差均小于2%,具有较高的预测精度,验证了预测模型的有效性,且变形趋势判断结果与预测结果较为一致,说明预测过程较为可靠,两者均得出滑坡变形呈持续增加趋势。[结论] 由于滑坡变形具增加趋势,其稳定性趋于不利方向发展,应尽快开展滑坡灾害防治。     

秭归县鸡鸣寺滑坡监测预报方法初报

鸡鸣寺大型滑坡,由于滑前开展了系统的监测工作,做到了预报准确、报警及时,极大地减少了滑坡损失。为验证滑坡监测预报的科学性,采用不稳定斜坡危险度判别法、滑坡位移历时曲线法进行了检验。结果表明,鸡鸣寺滑坡的监测预警、预报的准确性,具有一定的科学性和理论依据,其预报方法值得推广。     

基于多维建模的滑坡监测数据挖掘

安全监测是研究和防治滑坡的重要手段之一,而位移监测又是滑坡监测中一种最常用的监测手段.滑坡位移监测数据的分析一般基于平面文件进行,而本研究则基于数据仓库的概念,深入分析滑坡位移监测时间序列数据,使用建模工具Power Designer建立了滑坡位移监测多维模型,在多维数据集的基础上进行数据挖掘分析.以长江三峡库区白水河滑坡位移监测数据为例,设计了滑坡监测数据多维数据集的维、概念层次和度量等,并在SQL Server 2005 Analysis Services软件中使用Microsoft时序算法实现数据挖掘,对滑坡位移进行预测分析,得到的预测数据与实测数据误差很小,表明Microsoft时序算法可用于滑坡监测数据的短期预测.     

基于改进粒子滤波的农用车辆导航定位方法

针对农业机械导航系统中常用的Kalman滤波对多传感器数据进行融合的算法不适用于非线性农用车辆导航系统的问题,该文采用粒子滤波方法进行数据融合,以获得准确的导航定位信息;该算法增加抗野值步骤,有效削弱GPS跳变引起的误差;通过对重要密度函数进行改进,引入无迹卡尔曼滤波方法（UKF）,并采用不同重采样方法,有效抑制了粒子退化;增加MCMC步骤,减少了样本枯竭现象。仿真结果表明,改进后粒子滤波方法,可有效提高精度,减小导航误差,可满足农用车辆与作业机械的导航要求。     

滑坡的多模型综合预测预报研究

由于滑坡的复杂性以及预报模型和方法的局限性,简单地利用单一的滑坡预测预报模型准确地预报滑坡的滑动时间还很困难。为了提高滑坡预报的准确度,提出了在滑坡原型调研和机制研究的基础上,以滑坡的监测资料为依据,通过监测点的选取、监测信息的处理和变形阶段的判别,选择多个与所预报滑坡相适宜的预测预报模型对滑坡的滑动时间进行预测预报,并对多个模型的预报结果进行综合评判得出预报结果,最后以黄龙西村滑坡实例进行了应用。     

河南省淤地坝安全自动化监测系统设计与应用

[目的] 设计淤地坝安全自动化监测系统,实现淤地坝监测数据的实时传输与预警,提升河南省淤地坝安全管理能力。[方法] 选取5座典型淤地坝作为试点,进行淤地坝安全自动化监测系统的设计、施工、安装和试运行,初步建立了淤地坝安全预报模型。[结果] 监测系统实现了淤地坝雨量、水位、渗压、变形和位移、应力、视频等监测数据的自动化采集和安全隐患预测预警,提升了淤地坝安全监控能力。[结论] 系统运行后有助于增强河南省全省的淤地坝系统安全管理,为黄土高原地区淤地坝汛期安全运行提供一种全新的信息化管理模式。     

黄土滑坡稳定性评价的集合卡尔曼滤波同化方法

[目的] 为提升区域滑坡稳定性评价模型的预测精度,解决传统滑坡稳定性分析基于静态的物理模型过度简化滑坡发生机理与力学机制,导致过度预测的缺点,以及模型参数通常具有的时空变异性、不确定性的问题。[方法] 基于集合卡尔曼滤波的数据同化方法,以甘肃省兰州市北环路周边区域为例,构建了基于TRIGRS模型和SBAS-InSAR观测数据的区域滑坡数据同化方案,对模型中的安全系数(F_s)进行同化,更新模型参数内摩擦角,进而修正滑坡稳定性,并利用均方根偏差(RMSD)检验同化值的精度。[结果] 同化后研究区域滑坡安全系数明显高于模型预测的结果,不稳定区域的面积比例由12 %降低至7 %,与实际观测更为接近;试验使内摩擦角参数逐渐向观测值方向改正,实现了模型参数的动态更新;均方根偏差从0.33减小到0.04左右。[结论] 基于集合卡尔曼滤波的数据同化方法有效修正了模型稳定性预测结果,可以更准确体现当前区域滑坡实际情况,具有更高的预测精度。     

基于支持向量机和BP神经网络的滑坡变形复合式预测

[目的]探讨复合式组合预测模型对滑坡两变形时间序列的预测效果,为滑坡的变形预测提供一种新的思路。[方法]基于支持向量机和BP神经网络,构建滑坡位移序列和速率序列的复合式预测模型,首先,对滑坡环境因素进行分析,提取其基本信息;其次,利用2种预测方法构建回归结构预测模型和多因素预测模型,并对两时间序列进行一重预测;最后,利用BP神经网络对一重预测结果进行了二重组合优化。[结果]滑坡库水位与滑坡两变形序列均具有较大的相关性,滑坡的稳定性很大程度上会出现周期性疲劳减弱的可能,且通过对滑坡变形的复合式预测。[结论]该方法的相对预测误差均较小,很大程度上提高了滑坡变形的预测精度和稳定性,证明了该预测模型的有效性。     

基于傅里叶函数拟合的滑坡变形监测分析

滑坡变形监测和预测对滑坡灾害治理决策具有重要的参考意义,而研究计算简便、精度较高的数学模型来分析处理滑坡变形监测数据是关键。以G316线稍子坡段(K2556+345～K2563+000)10~#滑坡的深部位移监测数据为例,根据累计位移-深度曲线上突变位置在滑坡纵剖面上确定出滑动面,利用MATLAB软件中的curve fitting tool曲线拟合工具,通过多种拟合函数拟合效果对比分析,确定利用傅里叶函数拟合位移-时间监测数据,并利用拟合曲线进行滑坡变形趋势预测。该方法对小数据量的监测数据能够达到较高的预测精度,并具有计算简便的特点。     

动态聚类最近邻法在湖库蓝藻水华预测中的应用

[目的]探索湖库蓝藻水华的有效预测方法,为水环境污染防治关键问题的解决提供科学依据。[方法]结合蓝藻水华演化中表现出的混沌类随机特点,提出一种基于有效性函数优化的动态聚类算法,以实现蓝藻水华动态、小范围近邻优化预测的目的。首先,基于动态聚类算法对监测数据进行典型类的客观划分,为后续有效减小搜索空间,提高预测精度奠定基础;而后采用粒子群算法优化得到各类的最佳近邻个数,以确定参与回归建模的观测值数量;最后依据最近邻观测数据建立动态回归预测模型。[结果]采用太湖金墅监测站点2011年叶绿素a浓度测定值进行建模,之后对2012年叶绿素a浓度进行短期预测。新建模型的预测值与实际值运行趋势一致,且相对误差为12.02%,而基于传统聚类线性回归算法的相对误差为15.21%,基于BP神经网络预测算法的相对误差为19.51%,相空间重构算法的相对误差为38.42%。[结论]算例结果表明该方法的预测精度相对较高,证明了所提优化预测方法的可行性与有效性。     

基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用

[目的]对基于细菌觅食优化算法的支持向量机在土壤墒情预测中的应用进行探讨,为现代农业研究中土壤墒情预测及农业生产提供支持。[方法]基于支持向量回归机方法建立土壤墒情预测模型,利用细菌觅食优化算法优化支持向量机预测模型的相关参数。根据从种植区采集的田间数据对模型进行建模和测试。[结果]与仅利用支持向量回归机和利用粒子群优化的支持向量回归机分别建立的模型进行对比,发现本研究所提算法建立的预测模型的预测效果更佳。[结论]该模型预测效果较好,所建模型已应用于实际项目,预测精度基本满足要求,且运行稳定。进而证明了该研究所提算法的有效性和可行性。     

基于GBDT-LR和信息量模型耦合的滑坡易发性评价

[目的]探索准确、快速的滑坡易发性区划方法,为区域安全监测提供参考,为政府治理滑坡灾害提供科学依据。[方法]以安徽省池州市贵池区为研究区域,采用梯度提升决策树—逻辑回归(GBDT-LR)和信息量(I)模型耦合的方法,实现区域滑坡易发性评价。该方法通过对原样本地学习,组合产生新的模拟样本,从而增强易发性评价模型对滑坡的拟合能力;采用Borderline-Smote算法解决样本数据不对称的问题。选用r.slopeunits软件划分的斜坡单元作为最小评价单元,选取坡度、坡向、地形曲率、剖面曲率、平面曲率、地形湿度指数(TWI)、地形起伏度、归一化植被指数(NDVI)、距断裂距离和距水系距离总计10个评价因子。分别从频率比、滑坡灾害点及隐患点密度、ROC曲线3个方面对构建的滑坡易发性模型进行评价。[结果]试验结果表明：耦合模型I-GBDT-LR分别比I,LR,I-LR模型的高易发区频率比所占比例提升约10%,13%,7%,高易发区滑坡灾害点及隐患点密度分别提升约9,11,7,ROC精度提升约10%,9%,5%。[结论]从检验指标综合来看,耦合模型的精度均高于单一模型,所提出耦合模型精度又高于I...     

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的] 选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。 [方法] 以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。 [结果] 提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R²)为0.973 920,均方根差(RMSE)为0.003 012,平均绝对误差(MAE)为0.002 105。 [结论] 使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。     

基于数量化理论Ⅲ的滑坡变形组合预测研究

[目的]探讨基于数量化理论Ⅲ的组合预测模型在滑坡变形组合中的适用性,为滑坡变形组合预测提供新的思路。[方法]选取GM(1,1)、支持向量机、BP神经网络及MC预测作为滑坡变形的单一预测模型,并利用数量化理论Ⅲ分析单项预测的相对误差区间的重要性,进而确定区间权重,再结合预测误差确定的组间权重,综合确定组合预测的权值。[结果]组合预测结果相对误差的平均值为1.1%,方差为0.16。[结论]组合预测较单一预测模型的预测精度及稳定性都有较大的提高。     

基于MaxEnt模型的滑坡易发性评价--以攀枝花市为例

为了客观评价滑坡影响因子的贡献度和构建滑坡预测模型,以滑坡灾害发生较多的攀枝花市为研究区,通过筛选后选取高程、坡度、坡向、土地利用类型、归一化植被指数(NDVI)和人口密度6项因子作为滑坡易发性的评价指标;基于最大熵(maxEnt)模型和ArcGIS空间分析模块对研究区滑坡易发性进行了定量预测和分析研究。结果表明:maxEnt模型在研究区滑坡易发性研究方面的适用性等级为优秀(AUC=0.96),Kappa系数为0.86;随机选取75%的数据集用于训练模型,其余25%用于验证模型,得到的AUC值最稳定且精度最高,模型预测可信度最高;研究区高易发生和极易发生区分别占总面积的2.57%,0.80%,主要分布在人口比较密集的东部和西部地区,部分沿着金沙江、雅砻江、巴关河、安宁河和主要道路两侧发育;植被覆盖度和坡度是决定研究区滑坡易发性空间分布格局最重要的环境影响因子。