基于卷积神经网络的福建省区域滑坡灾害预警模型

福建省滑坡灾害频发,开展区域尺度上的滑坡灾害预警是防灾减灾的重要手段,但由于滑坡成灾机理复杂,传统的区域滑坡预警方法存在精度不足等问题。深度学习是指通过构建神经网络模型进行特征的提取、抽象、表示与学习的技术,是机器学习的一种。卷积神经网络作为一种经典的深度学习算法,具有比传统机器学习更强大的分类能力与表征能力。文章以福建省为研究区,将卷积神经网络引入滑坡灾害预警领域,构建福建省区域滑坡预警模型,过程及结果如下:(1)采用SMOTE优化算法对2010—2018年福建省滑坡灾害样本库进行优化,扩充正样本的个数,将正负样本比例从1∶3.4扩充到1∶2,样本总量达到18040个;(2)构建卷积神经网络模型结构,模型结构包括一个输入层、两个卷积层、两个最大池化层和一个全连接层以及一个输出层;(3)使用卷积神经网络对优化后的样本(2010—2018年样本的80%作为训练集)进行训练,并用贝叶斯优化算法优化模型超参数,得到福建省区域滑坡预警模型;(4)以2010—2018年样本的20%作为测试集对模型进行测试,采用混淆矩阵、ROC曲线进行模型测试,结果显示模型准确度为0.96~0.97,AUC值达到0.977,模型精度与泛化能力良好;(5)以2019年汛期滑坡灾害实况作为正样本,通过时空采样的方法采集负样本,构建2019年区域滑坡样本校验集(样本数603个),对模型进行进一步实况校验,采用混淆矩阵、ROC曲线进行模型校验,结果显示模型准确度为0.75~0.85,AUC值为0.852。虽然仅用了2019年汛期的滑坡实况样本进行校验,但也达到较好的效果。将卷积神经网络算法应用到区域滑坡预警中,为建立区域滑坡预警模型提供了一种新的途径,初步校验表明,模型效果良好,今后将在福建省对模型进行进一步的应用与校验。

鄂尔多斯盆地纳岭沟铀矿床含矿层位的特征分析

近些年来,我国砂岩型铀矿勘查取得了重大的突破,在北方发现了多个中-大型砂岩型铀矿床,其中以鄂尔多斯盆地北部为代表,继在新疆伊犁和吐哈等山间盆地发现可地浸层间氧化带砂岩型铀矿床之后,又发现了皂火壕、大营、纳岭沟等砂岩型铀矿床,其资源量丰富,已引起业内的广大关注。且从2000年至今的鄂尔多斯北部找矿阶段主要是以古层间氧化带型砂岩铀矿为主,该模式打破了以往的卷型铀矿床、次造山带及渗入型盆地理论的常规阶段。本文则以纳岭沟矿床为例。

鄂尔多斯盆地纳岭沟铀矿床目的层岩石学特征

纳岭沟铀矿床是我国近年发现的可地浸砂岩型铀矿床之一,其铀矿体产于中侏罗统直罗组下段辫状河砂体中,受古层间氧化带控制,呈板状。本文通过对纳岭沟铀矿床所取的样品进行镜下分析,对其岩性特征进行镜下阐述,分析矿石的镜下特征,这对以后的找矿有着一定的指示意义。

基于RF和概率分级的滑坡临界降水阈值的确定方法

针对临界降水阈值模型在滑坡区域预警中应用广泛,其中最为关键的阈值曲线函数的确定尚无统一方法的问题,依托滑坡区域预警的激发雨量-有效雨量临界阈值模型,提出了一种基于随机森林(RF)和概率分级的滑坡临界降水阈值确定方法,并以福建省为例开展模型构建和实况检验。首先,假定阈值曲线函数为线性函数,引入机器学习中的随机森林算法,采用重要性指标函数,计算各输入降水特征参数对滑坡发生的贡献,计算阈值曲线斜率;然后,基于历史滑坡样本数量的概率分级,确定不同预警等级阈值曲线截距,从而确定滑坡灾害临界降水阈值线性函数。以福建省为研究区,以2010-2018年福建省滑坡灾害样本库为基础,采用文中提出方法,分区建立临界降水阈值判据。以2019年福建新发滑坡灾害主要落区(6个预警分区)为例开展实况校验。结果显示,平均79.0%、53.1%和20.8%的新发滑坡落在黄色以上、橙色以上和红色以上预警区范围内,与80%、60%、20%的黄橙红预警分级标准一致。后续需要根据新发滑坡样本累积,持续跟踪灾害发生实况进行校验,不断更新研究区临界降水阈值判据。

煤炭矿业地质灾害勘察与防治方法研究

煤炭矿业地质勘探工作与其施工质量安全密切相关。这是一项复杂的系统工作,容易受到气候和位置等客观因素以及研究中使用的分析手段和方法等主观因素的影响。鉴于地质调查报告在工程施工中的重要作用,工程技术人员必须高度重视地质勘察,确保调查结果的可靠性和准确性。本文着重分析和探讨煤矿地质研究和地质灾害防治。

建筑底板承压水疏导与全装配净化池回收利用施工

通过对柳州南庆安置房项目"底板承压水疏导与全装配净化池回收利用施工工艺"的应用,实现施工降水、底板抗浮、地下水净化利用的实施效果,达到"节水与水资源利用"的绿色施工实施目标。