基于不同模型和单元的滑坡易发性评价比较

基于地理信息系统的滑坡灾害空间预测研究发展迅速,出现了多种滑坡空间预测模型。在总结滑坡灾害空间预测研究现状的基础上,简要介绍了决策树和支持向量机2种模型的基本原理。以秭归县一个研究区为例,选取11个滑坡影响因子,采用2种不同的研究单元,分别建立了决策树和支持向量机模型并对滑坡易发性作出了评价。结果表明针对同一模型,面向对象单元的滑坡易发性评价精度优于栅格单元;针对同一数据单元,支持向量机模型的滑坡易发性评价精度优于决策树模型。     

机器学习辅助下的概率积分法参数预计模型寻优

收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。     

最小二乘支持向量机在沉降量预测中的应用

高层建筑物的地基沉降量是高层建筑物安全的一个重要指标,根据已有的观测数据对未来的沉降量进行观测可以有效预防灾害的发生。由于沉降量是一个复杂的非线性过程,采用非线性预测方法是一种可行有效的方法。本文将最小二乘支持向量机应用于高层建筑物地基沉降量的预测,对参数分别用交叉验证和遗传算法进行了优化。经过实例验证,最小二乘支持向量机应用于沉降量的预测是可行的,并且遗传算法优化的最小二乘支持向量机的预测沉降量精度更优。     

改进布谷鸟算法优化支持向量机的隧道变形预测分析

传统支持向量机参数寻优时间较长,模型的稳定性也较差。为解决传统支持向量机预测模型在隧道围岩变形预测中精度较低的问题,引入布谷鸟算法,同时改进布谷鸟算法中的搜索公式,从而提出一种基于改进布谷鸟算法的支持向量机组合预测模型。将此模型运用到云南省昆明市阳宗隧道围岩位移预测中,并与标准布谷鸟算法的支持向量机组合模型以及单一的支持向量机模型比较,实验结果表明:基于改进布谷鸟算法的支持向量机模型精度更高,更具有优势。     

基于灰色支持向量机的地铁沉降滚动预测

为了确保地铁隧道主体结构和周边环境安全,必须对地铁隧道结构进行沉降监测,对监测数据进行及时分析与反馈,并对以后的沉降情况作出预测,对防止事故发生有着重要的现实意义。本文结合灰色系统理论和支持向量机(SVM)的基本原理,采用滚动预测的方式建立灰色支持向量机沉降预测模型,以提高沉降预测精度。通过工程实例的预测结果对比表明,组合模型与灰色和SVM两个单独预测模型相比能够更准确的反映实际的沉降过程,具有很大的应用价值。     

支持向量机模型的登革热时空扩散预测

针对登革热传播速度及破坏力呈显著上升趋势,但其预测存在一定难度的现状,该文将GIS与支持向量机模型相结合,预测广州市主城区2014年9月登革热时空扩散趋势。在综合分析登革热空间分布模式的基础上,将格网区域周边8个Queen邻域作为影响因子,建立基于支持向量机的登革热时空扩散模型的方法。研究表明,支持向量机模型在样本训练阶段和预测阶段都具有良好的模拟精度,均方根误差分别为1.58、3.72。支持向量机能有效预测登革热时空扩散趋势,能够描述登革热时空扩散过程中复杂的非线性关系,综合预测正确率达81.3%。该模型同样适用于其他疾病时空预测。     

支持向量机在建筑物变形监测中的应用探讨

论述了支持向量机的回归算法和基于时间序列支持向量回归的建筑物变形预测方法,并用MATLAB6.5工具箱编制基于时间序列支持向量回归程序,建立了基于时间序列支持向量回归模型。最后以实例数据讨证基于时间序列支持向量机回归模型的预测方法。研究表明:用时间序列支持向量回归模型建立的建筑物变形监测的预测模型是可行的和有效的。     

遗传算法优化支持向量机矿产预测方法

针对矿产预测中已知矿点的样本数目较少的问题,该文提出了一种基于遗传算法优化的支持向量机矿产预测方法。采用遗传算法优化支持向量机的惩罚因子和径向基核函数参数,避免了参数选择不当对支持向量机预测结果的影响,从而提高矿产预测的精度。以空间建模工具ArcSDM中的卡林型金矿床数据为例进行实验。结果表明,支持向量机模型的预测准确率为89.3%,查准率为70.2%;而证据权方法的预测准确率为79.4%,查准率为50%,均小于支持向量机预测结果,说明遗传算法优化的支持向量机是一种有效的矿产预测方法。     

基于核主成分分析和粒子群优化支持向量机的滑坡位移预测

利用核主成分分析法对滑坡位移影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数通过粒子群算法进行选择优化,构建出核主成分分析和粒子群优化支持向量机协同模型,对滑坡相对位移进行预测.预测结果的平均绝对误差和相对误差分别为0.760和7.563％,与其他预测模型相比,其拟合和泛化能力最优,表明核主成分分析和粒子群优化支持向量机协同模型的预测结果与实际监测值具有很好的一致性.     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

基于AEPSO改进支持向量机的堤基沉降预测

在支持向量机的预测模型中,关键参数的选取是最重要的一步。在此基础上提出基于AEPSO改进的支持向量机预测模型。利用AEPSO的局部和全局搜索能力,提高支持向量机关键参数寻优的精度。文中详细介绍模型建立的过程,以莆田市木兰溪防洪工程为例,应用改进的模型进行堤基沉降预测,并与标准PSO支持向量机预测模型相对比。结果表明,基于AEPSO改进的支持向量机预测模型提高了预测的精度。     

沂蒙山区金银花种植的遥感动态监测

沂蒙山区山东省平邑县是“中国金银花之乡”,金银花种植面积监测对于当地种植规划和管理具有重要意义。根据金银花花期,遴选2013-2018年5月至6月Landsat-8 OLI影像12景,在野外调查的基础上构建了两层决策树分类模型。决策树分类后,对结果进行形态学滤波。然后分别基于决策树和支持向量机分类模型提取金银花种植面积,并进行了对比分析,前者提取的结果与官方面积数据基本一致。精度评价显示6个时相的总体分类精度与Kappa系数均较高。结果表明：利用遥感影像监测金银花种植面积动态变化是有效的,可以为规模化种植的监测与管理提供科学参考。     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

机器学习算法在森林地上生物量估算中的应用

森林地上生物量是森林生产力的重要评价指标,对其进行高效监测对维持全球碳平衡和保护生态系统具有重要意义。本文首先基于冠层高度模型数据,通过分水岭分割算法得到单木冠幅边界;然后在单木冠幅范围内提取23个LiDAR变量,结合佩诺布斯科特试验森林的87组实测数据,利用随机森林和支持向量机建立森林地上生物量估算模型;最后对样地模型估算的结果进行了比较,讨论了预测结果及其精度。结果表明:本文选用的随机森林模型和支持向量机模型在估算森林地上生物量的应用中获得了较高的精度;并且,随机森林模型在基于机载雷达数据估测森林地上生物量中的估算精度更高,模型泛化能力更强,制图精度也更好,具有更好的适用性。     

随机森林回归模型的悬浮泥沙浓度遥感估算

三峡工程蓄水以来,清水下泄,坝下游河段发生了长时间、长距离的沿程冲刷,河流悬浮泥沙浓度发生改变,给沿岸生态系统带来了不利影响。随机森林算法灵活、稳健,已被广泛应用于各类生态环境变量的回归预测分析,但其在水体悬浮泥沙浓度估算方面的能力尚未得到充分认识。基于泥沙站点监测数据和MODIS卫星遥感反射率数据,通过构建随机森林非参数回归预测模型,对三峡工程坝下游宜昌至城陵矶河段在建坝前后14年间(2002年—2015年)各月的悬浮泥沙浓度进行遥感估算。研究表明:(1)基于随机森林的悬浮泥沙浓度估算模型表现较好,模型预测值与实测值间相关性好、预测精度高,优于其他模型(线性回归、支持向量机、人工神经网络模型)。(2)在参与模型构建的MODIS波段变量中,红波段被认为是最重要的预测变量,但不能单独使用它进行预测,悬浮泥沙遥感预测需要多变量共同参与。(3)将悬浮泥沙数据按季节分类所构建的随机森林模型,其平均误差为0.46 mg/L,平均相对均方根误差为12.33%,估算效果最优,能够满足较高精度下悬浮泥沙浓度估算的需求。综上,可以考虑以季节为划分依据,用随机森林回归模型估算悬浮泥沙浓度,并用于后期坝下游河道悬浮泥沙浓度时空反演。     

基于SVM的高耸圆形建筑物沉降数据分析及预报研究

随着高耸圆形建筑物大量修建,高耸圆形建筑物监测成为防治和减少灾害发生的一项极为重要的工作之一。针对小波降噪的平稳特性、小样本条件下支持向量机机器学习和预测的准确性,建立了高耸圆形建筑物的小波去噪、支持向量机机器学习和预测分析模型。实验表明,不确定性支持向量机的预测结果和学习效果的均方差比遗传算法更小,可即时发现高耸圆形建筑物不均匀下沉或倾斜现象。这种数据处理方法经试验表明可以应用到其他预测方面。     

基于决策树的CBERS遥感影像分类及分析评价

以江苏省徐州市为研究区,以城市土地利用遥感分类为目标,采用CBERS多光谱数据的近红外波段、全球环境监测植被指数(GEMI)、归一化植被指数(NDVI)及主成分分析得出的第一和第二主成分作为分类的特征数据,基于先验知识和统计分析构建层次分类决策树,进而发展和改进了决策树交互式构建算法,实现了城市土地利用遥感分类。通过与最大似然分类器(MLC)和支持向量机分类器(SVM)分类结果的比较分析,表明基于多种特征的决策树分类器能够有效应用于CBERS遥感数据分类,在研究区具有良好的推广性。     

利用PRO4SAIL与支持向量机回归的组合模型反演植被等效水厚度

为监测路域植被生态环境,利用遥感影像和辐射传输模型物理基础实现了对植被冠层等效水厚度（EWT）的估测。提出了利用PRO4SAIL与支持向量机回归的组合模型对等效水厚度进行反演的方法。选取Landsat7 ETM+影像,结合实测数据探索验证了PRO4SAIL与支持向量机回归的组合模型的植被参数反演的实用性和准确性。研究表明,该组合模型具有较好的预测能力,反演得到的等效水厚度含量精度较高,为支持向量机模型应用于遥感影像反演植被参数提高了有力支撑。     

两种不同的SVM建模方法在大坝变形预测中的应用

用支持向量机对大坝变形监测数据建模分析和预测一般有两种方法:一是仅用大坝的变形数据作为输入端和输出端,构建支持向量机模型;二是用温度、水压等大坝变形的影响因子作为输入端,大坝变形数据作为输出端,构建支持向量机模型。两种建模方法比较研究鲜有讨论,文中用这两种建模方法对福建省某一大坝进行建模预测。结果表明,第二种方法建模预测速度更快,预测精度更高。     

基于支持向量机的建筑物沉降预测模型研究

建立基于支持向量机的建筑物沉降预测模型，并将其应用于建筑物的沉降预测。与采用BP神经网络的预测结果相比，支持向量机取得较好的预测结果。实例表明支持向量机在小样本数据的预测上具有精度高、泛化能力强的特点，为建筑物的沉降预测提供一种新的方法。