基于时间序列与CNN-GRU的滑坡位移预测模型研究

滑坡位移预测是滑坡预警的重要依据之一。针对以往预测模型在预测精度上存在的不足,提出了一种基于时间序列与卷积门控循环单元(CNN-GRU)的滑坡位移动态预测模型。首先,利用小波分析确定存在趋势项位移后,利用指数平滑法对累计位移分解得到趋势项与周期项位移,将趋势项采用五次多项式拟合;之后,采用自相关函数检验位移的周期特征,利用灰色关联法判断各因子与周期项之间的关联度,并将周期项与影响因子一起输入CNN-GRU模型进行预测;最终,叠加得到累计位移预测值。以三峡库区白水河滑坡为例,选取2004年1月至2012年12月数据进行研究,最终预测结果平均绝对误差百分比仅为0.525%,RMSE为9.614、R^(2)为0.993。试验结果表明,CNN-GRU具有更高的预测精度。

基于博弈论赋权信息量模型的滑坡易发性评价

针对利用信息量模型进行滑坡易发性区划时,直接将各影响因子的信息量相加或乘以单一权重相加,未同时考虑因子的主、客观权重的问题,提出基于博弈论赋权信息量模型的滑坡易发性评价方法。首先采用层次分析法(AHP)计算出主观权重,通过变异系数法确定客观权重,然后利用博弈论原理进行主、客观权重的优化组合,得到组合权重;基于组合权重对各评价因子的信息量图层进行加权求和,通过自然间断点法将评价结果分为5类。最后以陕西山阳县为研究区,分别从滑坡易发性区划图、分区点密度及ROC曲线,将所提模型与单一权重的信息量模型进行了对比。结果表明,所提方法的准确性、可靠性优于传统的加权信息量法。

基于信息量与SHO-SVM的滑坡危险性评价研究

滑坡危险性评价研究对于地区发展规划而言具有很强的指导意义,为提高滑坡灾害危险性评价准确率,将信息量模型(information value,I)、支持向量机(support vector machine,SVM)、斑点鬣狗优化算法(spotted hyena optimizer,SHO)相耦合,提出一种基于I-SHO-SVM的滑坡危险性评价模型。结合前人经验与信息增益比法选择高程、坡向、坡度、归一化植被指数、土地利用、降雨量等9项影响因子构建滑坡危险性指标体系,利用ArcGis对结果分类并绘制滑坡危险分区图。以信息量模型、SVM模型为对比,选择陕西省宁强县作为研究地区,使用受试者特征曲线检验模型精度,结果准确率分别为0.981、0.792、0.821,相较于对比模型准确率分别提升了0.159与0.188。表明该模型具有良好的可行性,可以为研究地区防灾减灾工作提供参考意见。

基于组合赋权与物元分析法的滑坡危险性评价

滑坡危险性评价能够为防灾减灾和区域规划提供有效的理论依据,为使滑坡危险性区域评价结果更为客观、准确,首次引入物元分析理论,结合组合赋权,构建基于物元分析法与组合赋权的滑坡危险性评价模型。首先结合前人研究选取高程、坡度、坡向、土地类型、道路距离、水文条件、降雨量、断裂距离和地层岩性等9个滑坡影响因子,利用改进层次分析法(analytic hierarchy process,AHP)确定各指标的主观权重,确保了判断矩阵的一致性检验更易满足。其次根据熵权法计算各指标的客观权重。基于博弈论原理组合赋权,将组合权重作为物元分析法的输入权重,建立滑坡危险性评价模型。最后,为了验证上述所提模型的有效性,以陕西省商洛市山阳县为研究区,对其进行滑坡危险性评价,所得评价结果准确率为96%,相较于AHP-FCE模型和改进AHP-物元分析模型分别提高了0.22、0.07,为其他同类型的研究区域的滑坡危险性评价提供了借鉴。

基于PSO-LSSVM的广西花岗岩分布区滑坡易发性评价

广西花岗岩分布区地质构造复杂,岩体风化严重,滑坡灾害较为频繁。提出一种粒子群算法优化的最小二乘支持向量机(particle swarm optimization-least squares support vector machine, PSO-LSSVM)模型对该地区滑坡易发性进行评价。首先,利用灰色关联度分析(grey relation analysis, GRA),从高程、坡度、地质构造、断裂带密度、植被覆盖率、年均降雨量、日均降雨量、岩土特性8种因子中提取出对滑坡发生影响较大的诱发因子,将其作为LSSVM模型的输入;其次,针对LSSVM存在过拟合的问题,使用PSO对LSSVM模型的惩罚因子γ、核参数σ进行了优化,能够更有效地减少LSSVM陷入局部最优解的情形。将PSO-LSSVM应用到该地区滑坡灾害的易发性评价中,模型预测结果与实际值基本一致。最后,将PSO-LSSVM模型与遗传算法优化的LSSVM模型(genetic algorithm-least squares support vector machine, GA-LSSVM)和LSSVM模型进行对比,从实验结果得出PSO-LSSVM模型的平均绝对误差和均方根误差均小于其他两种模型,拟合优度为93.6%,评价结果具有较高的精度,为广西地区滑坡灾害易发性评价提供了新思路。

基于STM32和DBO-BP的滑坡预警系统

滑坡是一种常见的地质灾害,由于其突发性和破坏力,往往给人类的生命和财产安全造成严重的威胁,故建立精准的滑坡灾害实时监测预警系统至关重要。以STM32F103为核心控制器设计了滑坡监测预警系统,采集了降雨量、压力、位移、土壤含水率4种滑坡的主要影响因子,采用通用分组无线服务(general packet radio service,GPRS)方式将数据传送至现场预警终端,判断是否超过设置的阈值,若超过立即报警,未超过则将数据传送至远程控制中心进行分析处理,控制中心将数据输入到蜣螂算法(dung beetle optimizer,DBO)优化后的反向传播神经网络(back propagation neural network,BPNN)中进行当前滑坡发生概率预测,根据概率预测结果划分滑坡预警等级,实现滑坡实时监测与预警。通过支持向量机(support vector machines,SVM)、BP、遗传算法(genetic algorithm,GA)优化BP、麻雀搜索算法(sparrow search algorithm,SSA)优化BP模型与DBO-BP模型对比实验,得出DBO-BP预测精度更高,其拟合优度达98.8%,更接近真实值,并且相较于北斗、全球定位系统(global positioning system,GPS)等技术在滑坡预警时昂贵的成本,基于嵌入式的滑坡灾害监测预警系统降低了的成本,具有一定的工程应用价值。

基于滑坡累积位移的滑坡体危险状态分析

针对单体滑坡危险状态分析不全面的问题,提出了一种基于滑坡累积位移的滑坡体危险状态多角度分析方法。首先,利用极限位移准则确定滑坡所处预警阶段;其次,利用尖点突变理论对滑坡稳定状态进行评价;再次,采用重标极差分析确定滑坡体的发展趋势;然后,建立模糊矩阵确定滑坡体危险状态,但由于单个检测点无法准确反映滑坡整体危险状态,故采用多个监测点综合判断滑坡整体危险状态;最后,将该方法应用于八字门滑坡,验证其有效性。结果表明该方法能够有效地判断滑坡局部及整体的危险状态。