基于GIS的滑坡综合预测预报信息系统

由于滑坡的复杂性、随机性和不确定性,加之目前的滑坡灾害预测预报理论研究还存在局限性,大大增加了滑坡预报的难度。本文针对目前滑坡预测预报研究中的不足,提出了滑坡综合预测预报信息系统,并对该系统的结构、功能和内容等进行了详尽地设计和开发。滑坡综合预测预报信息系统以G IS为平台,利用智能决策支持系统的理论和方法将以监测资料为依据的滑坡定量预报与以专家经验知识为依据的滑坡定性预报有机结合起来,做到了各取所长,优势互补,实现了滑坡的综合预测预报,提高了滑坡的预报水平。运用该系统不仅可以判断滑坡体的变形破坏机制、目前的稳定性状况和破坏概率,而且可以对滑坡体的变形演化阶段以及滑动时间作出预测预报,从而给滑坡现场工程师的综合判断和决策提供了重要的参考和有关科学依据的实用化工具。     

滑坡变形预测与失稳预报问题的几点讨论

滑坡问题的研究关系到水利、交通、能源等基本工程建设,并与人们生命财产安全、生态环境保护及可持续发展问题相关,因此一直备受关注。滑坡是一个复杂的地质体,影响滑坡稳定的内外各种因素多种多样,影响程度各异,并且各因素又是动态变化的,决定了滑坡变形机制与变形特点十分复杂,因此滑坡变形预测与失稳预报十分困难。文章认为,变形突变预测、失稳时间预报及失稳判据是滑坡预测预报的3个核心问题,变形突变预测是为了预测出滑坡从匀速变形阶段进入加速变形阶段的特征点或时间,是回答滑坡能否失稳的关键,是提高预测结果可靠性及提高预测研究水平的基础。分析了目前各种预测模型的特点及可靠性情况,模型的优缺点。探讨了变形突变难以预测的实质,并指出采用多因素预测模型进行探索性研究。文章还对失稳时间预报的预报尺度、预测误差的计算、滑坡空间预测及多测点协同预测等问题进行分析,并对可能的解决办法提出了建议或展望。     

速度倒数法滑坡预警模型流变试验研究

滑坡失稳的预测预报研究是地质工程领域中的一项重要课题,准确地确定预测预报理论模型的参数是实际应用中的难点。在实际滑坡监测中通常可以观察到位移曲线呈现阶梯形,这些阶梯形位移变化点就是滑坡的变形突变点。为研究滑坡变形突变点的变形特征,进行了不同荷载作用下的天然试样以及不同荷载、不同含水率作用下的浸水试样的流变试验,得到了累计位移-时间曲线以及变形速度-时间曲线。依据秦四清的锁固段理论以及速度倒数法滑坡预警模型对试验结果进行分析。研究结果表明：荷载和含水率的变化对模型参数没有影响,模型参数是关于材料属性的函数;变形过程中突变点的变形特征与破坏时的变形特征相似,并且速度倒数法预警模型在突变点和破坏点确定的模型参数基本一致。因此,滑坡监测曲线中早期位移突变点确定的模型参数可以用于确定滑坡破坏时的预警模型。     

基于Verhulst模型的滑坡位移预测研究及其程序化实现

以甘肃省黄茨滑坡位移时间预测为例,在滑坡工程地质条件、成因、发生与发展过程分析的基础上,结合地面监测桩以及位移计监测的位移时间数据,运用Verhulst预测模型建立了该滑坡位移预测研究的思路.在此基础上,运用Ex-cel内嵌的VBA语言编写了相应的位移时间预测预报程序,解决了笔算困难问题.通过具体实例分析,将Verhulst模型、灰色GM(1,1)模型预测结果与实际监测结果进行对比分析,验证了该模型在滑坡位移时间预测中的适用性以及程序的可靠性.研究结果表明,Verhulst预测模型适宜于滑坡临滑预报,而灰色GM(1,1)预测模型适宜于滑坡中短期预测预报,通过Ver-hulst模型预测黄茨滑坡的临滑时间在1995-01-26至1995-01-27之间,预测结果与滑坡实际滑动时间较为一致,由此说明运用Verhulst预测模型对滑坡进行临滑预报是可行的.     

阶跃型位移特征滑坡时间预测预报研究

滑坡时间预测预报目前主要以滑坡最终破坏的时间为目标函数,但对于变形特征为阶跃型的滑坡却难以准确地预测其破坏时间。为此,提出以位移作为此类滑坡时间预报的目标函数。将滑坡位移分解为蠕变位移和波动位移,采用二次移动平均法分别提取,然后采用多项式拟合和灰色GM(1,1)模型分别对蠕变位移和波动位移进行预测,最后将两部分预测位移相加得到滑坡预测的总位移。以典型阶跃型位移特征滑坡——三峡库区八字门滑坡为例,运用其位移监测数据进行验证,并对多模型预测结果进行对比分析,结果表明,该位移预测模型预测精度良好,能较好地预测阶跃型位移特征滑坡位移。     

滑坡的变形破坏行为与内在机理

自20世纪60年代日本学者斋藤借助于蠕变试验成果进行滑坡预测预报以来,人们就一直不停地对斜坡变形破坏行为和滑坡预报方法进行研究和探索,先后提出了数十种滑坡预测预报模型和方法。随着滑坡变形监测实例的不断增多,其变形监测资料越来越丰富,各式各样的变形-时间曲线相继产生。斜坡变形-时间曲线的类型、特征以及形成这些变形-时间曲线的力学条件等诸多问题都是滑坡预警预报必须查明的最基本科学问题。本文通过对各类滑坡变形破坏行为和变形-时间曲线的分析总结,结合岩土体流变试验成果,根据斜坡变形-时间曲线特征,将滑坡分为稳定型、渐变型、突发型3类,并给出了产生这3类变形行为的力学条件。同时,从细观力学的角度分析认为,斜坡产生宏观变形破坏行为的主要原因是岩土体细观尺度颗粒的"流动"和"微破裂",但在不同岩性组成的斜坡和同一斜坡的不同变形阶段,"流动"和"微破裂"将分别发挥不同的作用。     

基于斋藤模型的滑坡临滑时间预报方法改进及应用

滑坡临滑时间预报可根据滑坡变形时间曲线来建立,但现有临滑时间预报模型并未统一计算区间,因此相同模型在不同计算区间得出时间预报值可能存在较大差异。以贵州省龙井村滑坡为例,通过分析滑坡精细化变形数据,以斋藤时间预报模型为基础,确定出进行临滑时间预报的变形计算区间为切线角70°~75°之间,并根据变形曲线在临滑时具有明显上翘特征,导致滑坡发生时间提前的特点,通过分析切线角斜率与计算区间斜率的比例关系,引入修正系数0.5对滑坡时间预报值进行修正。通过近年来甘肃黑方台多次黄土滑坡的精细化变形数据进行检验验证,结果表明,改进的滑坡变形临滑时间预报方法具有良好的准确性和一定的普适性,为滑坡时间预报提供了较为准确的新方法。     

滑坡灾害预测预报分类

有人主张滑坡灾害的空间和时间预测预报应是并存的,即脱离时间预测预报的空间预测是不可取的。但也有人认为两者可以相互独立而又互为补充。事实上,空间预测是时间预测预报的先决条件,只有在明确了预测的对象之后,方可有目的地开展滑坡灾害的时间预测预报。因而,一般地讲,滑坡灾害空间和时间预测具有先后序次关系。但从减灾的角度考虑,二者又具有相对的独立性。即可以在时间预测之外进行空间预测。目前对滑坡灾害预测预报分类的系统研究不多,所开展的预测预报事例报导基本上属于个例研究。论文将滑坡灾害预测预报分为空间和时间2大类,并进一步将空间预测划分成区域空间预测、地段空间预测和场地空间预测;将时间预测预报划分成长期时间预测、短期时间预测和临滑时间预测预报。文章针对滑坡灾害时间预测预报的特点,对预测预报的信息源进行了分析和分类。并对不同的工程阶段所要预测的滑坡灾害问题进行了分类归纳。     

基于数值模拟的三峡库区典型堆积层滑坡变形预测方法

目前对堆积层滑坡的变形预测大多基于数学模型或方法,忽略了引起滑坡位移显著变化的动力外因及滑坡自身的地质特征,因此,预报准确度和可信度较低。以三峡库区典型堆积层滑坡--鹤峰场镇滑坡为例,通过4组主要控制因素科学组合构建了滑坡的基本地质模型;以此为基础,重点考虑引起滑坡发生变形的库水作用动力因素,建立滑坡的数值-力学模型。通过实际监测点的变形监测结果与数值-力学模型中模型监测点的变形进行拟合分析,获取了实际时间与数值-力学模型中时步的等效关系;基于时间-时步等效关系及三峡水库设计水位调度曲线,得到了不同时步水位的波动特征;通过时步的外延,并在相应的时步段对数值-力学模型施加等效时间的库水作用,预测了滑坡在未来库水位变动条件下的变形。该预测方法既考虑了滑坡的工程地质模型又考虑了地下水作用效应,克服了纯数学方法预测的不足。     

基于一元线性回归模型八字门滑坡累积位移预测

我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以三峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"（6~8月份）的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

考虑监测离群值朱家店滑坡位移预测研究

滑坡位移预测预报是滑坡防灾减灾的重要组成部分,提高滑坡位移预测的准确性与精确度是该项研究的重点与难点。本文在滑坡位移预测中考虑了监测样本的离群值,通过忽略、指定与修正离群值3种方式,研究滑坡位移预测样本离群值的最优处理方式。以三峡库区朱家店滑坡为例,基于ARIMA(p,d,q)模型,分别对累积位移与位移速率时间序列开展了预测研究。研究结果表明:修正离群值的预测结果介于忽略和指定离群值两者之间,更适用于存在监测离群值的滑坡位移预测;对于ARIMA模型,更适合采用位移速率进行预测预报;使用位移速率时间序列ARIMA(1,0,1)并修正离群值的预测结果为:2016年和2017年6月份滑坡前缘GP3"阶跃"位移分别为79. 0 mm和70. 2 mm,截止2017年8月,GP3累积位移将达1647. 7 mm。     

基于集对分析的滑坡变形动态建模研究

滑坡是一个确定-不确定的动态系统,其变形表现出复杂的非线性演化特征。为了克服传统分析方法在处理系统不确定性方面的不足,将集对分析法（SPA）引入岩土变形监测分析领域,并结合层次分析法（AHP）提出了滑坡变形动态预测模型,给出了基于概率论的最优预测算法,提出并证明了集对论中最大同一度在等势条件下存在极限解,据此提出位移势的概念。在位移势的基础上,进行SPA二次建模,提出了基于SPA的滑坡变形与水库蓄水过程相关性动态分析模型。运用上述预测模型对新近发生的刘家沱滑坡进行变形监测定量分析,实践证明：最优预测值具有良好的短期预报精度;位移势能够表征系统当前状态下位移所能达到的最大潜力,可作为短期预测的上限值,其变化能够反映系统宏观层面上的演化特征,对滑坡演变加速预警具有指导意义;运用集对分析方法进行滑坡变形响应滞后效应的定量研究是一条可行的新思路,反演结果与实际情况吻合;该方法在岩土监测分析领域有良好的应用前景。     

Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model

Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior.     

Landslide displacement prediction based on combining method with optimal weight

Predicting the deformation and evolution tendency of landslides is essential to landslide disaster prevention and mitigation. At present, most of the proposed models for landslide displacement prediction belong to single models. It is difficult to accurately describe the deformation and evolution law only by a single model for the complexity of landslides and limitation of the models. In this paper, we presented an application of linear combination model with optimal weight in landslide displacement prediction. We took Huanlongxicun and Saleshan landslides in Gansu province of China as examples, firstly to build GM(1,1) and Verhulst models for displacement prediction of the two landslides; then build two linear combination models of the two landslides, on the basis of the combining theory with optimal weight and the prediction results of the GM(1,1) and Verhulst models. The results show that the prediction accuracies of the combining models are much higher than those of the single models for both Huanglongxicun landslide and Saleshan landslide. Therefore, the combining model with optimal weight is an effective and feasible method to further improve accuracy for landslide displacement prediction.     

基于光纤监测和PSO-SVM模型的马家沟滑坡深部位移预测研究

滑坡位移预测效果一方面取决于预测模型的优劣,另一方面取决于野外监测数据的质量。针对目前滑坡常规监测技术与评价方法的不足,本文采用光纤监测技术、监测数据与PSO-SVM预测模型相结合的评价方法,对三峡马家沟Ⅰ号滑坡的深部位移进行了预测;通过对320个滑坡深部位移光纤监测数据分析,基于时间序列法,将滑坡位移分为趋势性位移和波动性位移;趋势性位移采用拟合法进行预测,波动性位移采用PSO-SVM模型进行预测;最后将趋势项和波动项位移预测值叠加得到累积位移的预测值。研究结果表明,PSO-SVM模型对波动性位移预测的均方根误差0.51 mm,平均绝对百分误差0.37 mm,能准确预测滑坡波动项位移;累积位移预测值与实测值的相关系数为0.98,均方根误差为0.54 mm,预测效果较好,可以用来对滑坡深部位移进行短期预测。     

Interval prediction of landslide displacement with dual-output least squares support vector machine and particle swarm optimization algorithms

For landslide displacement, interval predictions are generally more realistic and reliable compared with traditional point predictions. This paper presents a new interval prediction method for landslide displacement integrating dual-output least squares support vector machine (DO-LSSVM) and particle swarm optimization (PSO) algorithms. In this new method, the PSO algorithm is employed to optimize coefficients of the least squares support vector machine (LSSVM) model for obtaining point prediction results, and the interval prediction of the landslide displacement is made based on the dual-outputs obtained from the DO-LSSVM model. To assess the rationality of the predictions, three performance evaluation indicators, including the prediction interval coverage probability (PICP), normalized mean prediction interval width (NMPIW), and coverage width-based criterion (CWC), are established. Case studies of the Tanjiahe landslide and the Baishuihe landslide in the Three Gorges Reservoir region are then used to demonstrate the effectiveness of the proposed method in predicting the landslide displacement interval. The case study results demonstrate that this new method has the best overall performance compared with other existing methods, and this new method can provide accurate and reliable results for the medium- to long-term interval prediction of landslide displacement.

     

基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究

本文针对阶跃型滑坡变形定量预测困难,提出一种基于时间序列分解与混合核函数SA-SVR的滑坡位移预测模型.首先基于时间序列分解原理,反复使用指数平滑法将滑坡累积位移分解为趋势项位移和周期项位移,使分解后的趋势项位移较平滑且能保证周期项位移的预测精度.同时针对多项式预测容易过拟合造成预测值偏离真实值的问题,采用K-flod...