诱发因素影响下的滑坡参数优化预测模型研究

在降雨等外界诱发因素的综合作用下,滑坡位移预测是一个复杂的动力系统问题。利用三峡库区白家包滑坡综合监测数据,分析滑坡演化实时特征,提取影响滑坡变形的最相关因素,研究发现白家包滑坡为降雨主导型堆积层滑坡;采用自回归综合移动模型（ARIMA）模型进行拟合及预测,引入月累积降雨量对模型季节性趋势参数进行评估优化,对白家包滑坡72期月相对位移数据进行拟合及预测研究,最终模型结果和实测值的平均绝对误差和相关系数分别为2.873和0.983。研究结果表明,与传统经验法相比,优化参数模型更符合滑坡变形的一般规律。     

基于最优分解模态和GRU模型的库岸滑坡位移预测研究

在滑坡位移综合预测研究中,常因滑坡随机位移分量无法准确提取、最优训练数据集及时效性无法确定等,造成多源监测数据利用不充分、位移预测结果不稳定。鉴于此,引入变分模态分解,在滑坡位移时序分析的基础上,结合门控循环单元递归神经网络,提出一种新型滑坡位移综合预测模型。以三峡库区白水河滑坡为例,选取2003-07—2012-12的位移监测数据和同时期库水位及降雨数据进行分析研究,综合模型预测结果的均方根误差为9.715 mm,判定系数为0.967。对比实验分析表明,该模型在保证高预测精度的同时,在有效预测时长和时效性上同样优势明显,在库岸滑坡位移预测研究中具有很强的应用和推广价值。     

GIS支持下应用PSO-SVM模型预测滑坡易发性

滑坡灾害易发性预测是滑坡监测、预警与评估的关键技术。如何有效地选取评价因子和构建预测模型是滑坡灾害定量预测研究中的难题。本文以三峡库区长江干流岸坡作为研究区,通过地形、地质和遥感等多源数据融合,提取滑坡孕灾环境和诱发因素的信息作为评价因子。在此基础上,针对滑坡灾害的非线性和不确定性特征,采用粒子群算法对支持向量机模型参数进行全局寻优,构建粒子群算法(particle swarm optimization,PSO)-支持向量机(support vector machine,SVM)模型,定量预测滑坡易发性。最后通过分类精度比较分析基于格网单元和对象单元的滑坡易发性预测精度,结果表明,基于对象单元的PSO-SVM预测精度较高,其曲线下面积为0.841 5,Kappa系数为0.849 0,预测结果与野外实际调查情况较为一致,可为三峡库区滑坡防灾减灾工作提供参考。     

三峡库区“阶跃”型滑坡变形机理与预警模型

自2003年蓄水以来,三峡库区已查明的滑坡或潜在滑坡高达5000余处,这些灾害对三峡水库的持续运营、大坝、航道及库区居民的安全造成了严重的威胁。通过研究滑坡的变形特征、诱发因素及失稳机制,有助于开展滑坡的稳定性评价,并构建预警预报模型。以三峡库区八字门滑坡为研究对象,综合分析降雨、库水位、人工和自动GNSS监测等数据,结合勘查资料及野外宏观巡查,研究了滑坡的变形特征及失稳机理,并确定合理的预警判据及阈值。研究表明:①八字门滑坡整体变形明显,处于蠕动变形阶段,滑坡变形主要集中于每年5—9月,滑坡累积曲线呈现典型的“阶跃”状变形特性。②滑坡的变形受斜坡结构、岩性等因素的控制,水库水位下降是滑坡变形的主要驱动因素,并与库水下降速率正相关。另外,特大暴雨和持续降雨在水位下降阶段、水库低水位运行期及水位上升期会促进滑坡变形,是滑坡的次要驱动因素。③通过精细化数据分析以及改进切线角法获取的八字门滑坡出现“阶跃”变形的位移速率阈值为4.6 mm/d,7 d累积降雨量阈值为60 mm,库水位阈值为159 m,库水位下降速率阈值0.4 m/d。     

滑坡表面位移的无人机航测点云比对监测方法

滑坡单点式位移监测难以反映滑坡的整体位移状态,采用多尺度模型到模型的点云比对算法（M3C2）可实现对滑坡的面域监测。本文首先通过对无人机采集的影像进行运动恢复结构（SfM）分析,还原滑坡三维点云模型;然后利用点云比对算法对两期点云数据进行处理,以色值大小体现滑坡区域的位移,进而识别滑坡表面位移变化;最后将该方法运用于实际边坡的表面位移监测。试验结果表明,应用M3C2算法可成功识别边坡变动区域,捕捉到1 cm的水平或垂直位移变化,能直观反映滑坡面域的变形状况。该方法适用于复杂地形条件下的滑坡位移整体监测,识别精度达到厘米级,性能优于两云直接比对算法（C2C）。     

滑坡位移EEMD-SVR预测模型

滑坡位移预测是滑坡灾害实时监测预警的重要组成部分,良好的滑坡位移预测模型有助于预测地质灾害发生。滑坡变形受多种外界因素影响呈现出随机性和非线性的特点,在现有的滑坡位移预测方法中,机器学习方法在滑坡位移预测中得到了广泛的应用。针对滑坡位移预测是趋势项位移和周期项叠加的特点,本文研究采用基于集成经验模态分解(EEMD)的滑坡趋势项和周期项位移提取方法,结合支持向量回归(SVR)模型实现对滑坡的位移预测。首先,详细介绍了该模型的构建过程和预测性能,并以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R²)作为评估模型的预测性能指标。然后,分别利用EEMD-SVR、SVR、Elman模型对贵州省岩溶山区的一处滑坡进行位移预测,结果表明,EEMD-SVR模型连续1 d预测的RMSE值、MAPE值和R²值分别为0.648 mm、0.518%和0.996 8,可以提供更高可靠的滑坡位移预测精度,对同类滑坡的位移预测具有一定的参考价值。     

顾及降雨影响的动态优化时滞时序GM(1,2)模型在滑坡位移预测中的应用

滑坡体除了因自身重力产生位移外,还受到降雨的影响,但通常降雨对滑坡位移的作用具有滞后性。为了分析并预测降雨对滑坡位移的影响,本文提出一种顾及降雨影响的动态优化时滞时序GM(1,2)滑坡位移预测模型。首先,利用经验模态分解(EMD)分解位移序列并通过时间序列重构得到周期位移序列和趋势位移序列,对降雨数据和滑坡周期位移序列进行时滞分析和相关分析,确定时滞时间和影响程度,建立基于背景值优化的动态时滞GM(1,2)模型预测降雨量变化导致的滑坡周期位移变化;然后,建立门限自回归模型预测滑坡趋于自然变化的趋势位移;最后,通过时序叠加得到顾及降雨影响的滑坡预测位移,建立了顾及降雨因素的动态优化时滞时序GM(1,2)组合预测方法。本文以福宁高速公路八尺门滑坡和秭归县八字门滑坡监测数据为例,验证了动态优化时滞GM(1,2)模型的精度,并与其他模型的预测结果进行了对比分析。试验结果表明,动态优化时滞时序GM(1,2)组合预测模型能准确地预测降雨影响导致的滑坡位移变化,预测效果较好,该组合模型对滑坡灾害的预警与防治具有一定的参考价值。     

基于鸟群优化BP神经网络的滑坡处治后变形预测

滑坡变形程度是判断处治后滑坡是否稳定的关键评价指标，开展处治后滑坡变形预测可提前掌握滑坡稳定性情况，有利于滑坡失稳风险分析，便于开展地质灾害防灾减灾工作。为了准确预测处治后滑坡变形情况，本文提出了一种采用鸟群算法（BSA）优化BP神经网络的滑坡变形预测方法，借助BSA-BP神经网络构建了广西某高速公路滑坡变形预测模型，对比分析了BSA-BP神经网络与BP神经网络的预测结果。结果表明，BSA-BP神经网络预测结果的均方误差和相关系数分别为0.053 4和0.997 6,BP神经网络预测结果的均方误差和相关系数分别为2.225 6和0.968，鸟群算法可有效提高BP神经网络模型的预测精度，能有效应用于处治后滑坡变形预测，研究结果可为处治后滑坡失稳风险预测提供参考。     

四川省北川县安子坪滑坡监测与分析

滑坡监测的主要任务是监测滑坡的实时动态变化、诱发因素等,以获取空间变形数据,用以滑坡的稳定性评价、预测预报及治理等。文章以北川县安子坪滑坡为例,建立系统化、立体化监测系统,及时测定和预报滑坡的位移等变化情况,并为长期稳定性预测研究提供资料。     

基于地面三维激光扫描技术的滑坡模型监测与预测

地面三维激光扫描技术可以高精度、高密度、高速度、非接触地测量滑坡表面三维空间坐标,从而得到滑坡模型地表的整体变形资料.文章结合滑坡模型试验,利用灰色模型GM(1,1)对模型中提取的两个监测点的三维坐标位移进行预测,经由实测值与预测值比较、误差检验、图形对比等得出结论:灰色模型可以应用于长期的滑坡控制点三维坐标位移预测中.     

滑坡遥感调查、监测与评估

滑坡遥感调查包括滑坡识别、基本信息获取和滑坡空间分析等，本文以天台乡滑坡遥感调查中用特征点法确定滑坡边界、影响带及滑坡运动特征及规模为例说明。滑坡遥感监测可分为直接监测和间接监测。由于突发的高速超高速崩塌、滑坡及泥石流活动时间难以预测，滑坡运动的规模相对于遥感地面分辨率较小，获取遥感数据的不连续性及价格昂贵等原因，目前较少应用遥感技术直接监测滑坡活动； 遥感监测滑坡运动引起的环境变化，称为间接滑坡监测，以遥感监测易贡大滑坡引起的易贡湖水面变化及溃坝造成的下游灾害为例说明。滑坡遥感评估指在获取滑坡及其发育环境基本信息的基础上，评估滑坡的稳定性，预测其未来活动性，评估区域滑坡的影响因子和进行区域滑坡危险性评价，文中以天台乡滑坡、千将坪滑坡稳定性评估及三峡库区中前段区域滑坡危险性评价为例说明。     

金坪子滑坡动态稳定性分析研究

外界因素是影响滑坡变形和稳定状态的重要因素。进行滑坡的稳定性分析,依据监测资料进行预警预报,都有必要考虑外界因素的作用。以云南省昆明市的金坪子滑坡为背景,运用GIS及3DSlopeGIS的三维极限平衡分析方法,从地震、库水位、降雨三个外界因素单独或复合作用下的安全系数的变化情况,研究滑坡的动态稳定性。研究表明,在外界因素的作用下,通过分析安全系数—地震烈度曲线、安全系数—库水位高度曲线以及安全系数—时间曲线,可以定量判断地震、降雨、库水位对滑坡的影响,以及三者对滑坡影响力的高低顺序,为工程的预警预报提供重要参考。     

基于深度学习的滑坡位移时空预测

滑坡变形监测数据是认识滑坡变形演化规律的直接依据,对该数据深度挖掘是实现滑坡灾害预警预报的有力保障。现有的滑坡位移预测模型多局限于单个监测点的时序预测,且未考虑监测点间的空间相关性。针对上述问题,本文提出了一种基于深度学习的滑坡位移时空预测模型:首先,构建表达所有点间空间相关性的加权邻接矩阵;其次,引入外界影响因素加强属性特征矩阵,以构建图结构数据;最后,采用集合图卷积网络(GCN)和门控循环单元(GRU)的深度学习模型,并通过多组试验寻找最优超参数,实现滑坡位移的时空预测。本文模型结果的均方根误差为4.429 mm,与对比模型相比至少降低了47.3%。而消融试验结果也显示,引入外界影响因素的属性增强可进一步提高模型的预测性能,均方根误差相对于未属性增强结果减少了28.4%。结果表明,该方法可用于滑坡位移或其他地质灾害中同样具有时空关联属性的观测量的时空预测。     

中国滑坡遥感及新进展

自本世纪初起，由于采用了“数字滑坡技术”和高分辨率遥感数据，滑坡遥感成为能更准确的定性、定位、定量的滑坡调查 手段，可进行区域的和大型个体滑坡的详细调查和监测研究。“数字滑坡”技术的实现基于滑坡地学原理并依赖遥感技术、数字摄 影测量及图像处理技术、GIS技术和计算机技术的支持。该项技术大致可分为4大部分：滑坡识别、滑坡基本信息获取、信息存贮和 管理及空间分析。20世纪末期以来，数字滑坡技术在应用中不断完善和获得新进展。     

利用高分影像与特征匹配算法标定滑坡位移场

滑坡灾害是世界上破坏力极大的自然灾害之一,滑坡监测是预防滑坡灾害的重要基础。针对SIFT算法在滑坡遥感监测应用中存在特征点数量少、分布不均的问题,提出了一种将ASIFT算法和CSIFT算法相结合进行滑坡位移场标定的方法,即利用ASIFT处理全色影像,利用CSIFT处理多光谱融合影像,将两种方法提取的互不相同的特征点叠加综合得到更多的特征匹配点。该方法在露天矿滑坡的应用结果表明：与SIFT算法相比,新改进的方法大幅度增加了特征点数量,提高了滑坡位移场标定精度,且成本低、效率高,非常适合于大型滑坡后期大变形场监测。     

滑坡外观监测几个问题的探讨

滑坡是人类面临的主要地质灾害之一,而滑坡监测是减少滑坡灾害的有效方法之一,其中外观监测具有能监测滑坡体的运动特征等优势,在滑坡监测系统中占据了重要的地位。从滑坡监测控制网布设、监测点布置以及观测频率和周期的确定3个方面,结合滑坡的等级、变形阶段、滑坡类型以及变形特征等方面进行针对性布设实施,使其滑坡监测不仅经济合理且同时能较好地反映滑坡变形趋势,为后期预测预报分析提供可靠数据支撑。     

雷达遥感滑坡隐患识别与形变监测

滑坡是全球发生最为频繁、造成损失最严重的自然灾害之一,滑坡表面形变测量对于滑坡的早期识别、监测和预警具有重要意义。雷达遥感具有非接触式大范围空间连续覆盖和高精度形变测量等优势,在滑坡地质灾害领域中取得了广泛的应用。本文概述武汉大学干涉雷达遥感团队近几年在利用雷达遥感监测滑坡形变方面的研究内容,包括：雷达遥感在滑坡形变监测中的可行性和适用性分析、大范围滑坡隐患识别、复杂山区滑坡形变测量、大梯度滑坡形变测量、滑坡三维形变提取等。