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。     

基于动态指数平滑模型的降雨诱发型滑坡预测

为了快速而准确地分析降雨型滑坡的变形趋势,以指数平滑法为数学基础,从滑坡的实际演化阶段出发,建立外界主要诱发因素与模型参数的关联,引入月累积降雨量作为模型参数动态评估因子,对白家包滑坡90期累积位移数据进行了拟合及预测。最终拟合的累计位移平均绝对误差和相关系数分别为11.346和0.933。与传统的静态参数方法相比,这种方法更符合降雨型滑坡发展的一般规律,预测精度更高。     

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。     

时序InSAR滑坡形变监测与预测的N-BEATS深度学习法——以新铺滑坡为例

滑坡通常发生突然,破坏力巨大,经常造成重大生命安全事故和财产损失。高可靠性、高精度及具有抗差性能的滑坡形变监测预测手段和方法对于国家防灾减灾需求具有切实意义。InSAR技术是一种能够全天时和全天候观测获取高空间分辨率和宽覆盖率影像,高灵敏性捕捉时空维动态变化的监测手段,然而目前应用InSAR时序影像对滑坡区进行滑坡预测的工作仅是凤毛麟角。基于时序InSAR观测结果,本文提出了一种能够有效解决中短期滑坡预测问题的深度学习滑坡预测方法。在三峡新铺滑坡区应用N-BEATS网络模型和Sentinel-1 SAR数据进行形变预测,以均方根误差1.1 mm的预测精度完成了滑坡预测工作,并对预测结果进行了数据结构影响的规律性分析、传统方法效果对比、抗差性评估及置信区间估计等多方位的剖析,结果显示出了其高精度、高可靠性及具有一定抗差能力的突出优势。     

顾及地下水位因子的卡尔曼滤波模型在滑坡变形预测中的应用

介绍了白水河滑坡的地质环境和监测系统。将滑坡变形看作是时间和地下水位的函数,使用泰勒级数建立滑坡变形与时间和地下水位的函数关系,并将泰勒级数的余项及时间变化的二次方和地下水位变化的二次方的系数的变化量等看作数学期望为0的动态噪声,建立了卡尔曼滤波模型,并用于滑坡变形的预测预报。实例计算表明,模型的拟合效果和预测效果较好。     

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。     

GIS支持下滑坡灾害空间预测方法研究

滑坡预测在防灾减灾工作中具有重要意义,它包括空间、时间预测两个方面。基于统计模型进行区域评价与空间预测是滑坡灾害研究的重要方向,但是预测结果往往依赖样本数量和空间分布等。本文以马来西亚金马伦高原为研究区,选择高程、坡度、坡向、地表曲率、构造、土地覆盖、地貌类型、道路和排水系统作为评价因子,探讨运用地理信息系统(GIS)和遥感(RS)获取与管理滑坡灾害信息,以及热带雨林地区湿热环境下滑坡空间预测的方法。支持向量机(SVM)和逻辑(Logistic)回归模型分别应用于滑坡空间预测,结果显示平均预测精度分别为95.9%和86.2%,SVM法具有较高的描述精度,值得推荐;同时,基于SVM模型的滑坡空间预测受样本影响较小,预测结果相对比较稳定,这对于滑坡灾害区域评价与预测的快速实现具有实际意义。     

基于GM(1,1)数据融合算法的滑坡预测研究

滑坡会对人类生命和财产造成巨大损失,预测预报是预知滑坡灾害发生并减少其影响的重要手段。GM(1,1)算法在滑坡预测中得到普遍应用,该算法具有较少数据量建模的优点。对于滑坡不需要了解各种影响因子的具体状态,但存在建模数据量选取不确定性和长时距预测精度降低的问题,以GM(1,1)模型为基础,引用数据融合技术,对滑坡变形量进行预测,并用实测数据进行验算,结果表明该方法能提高滑坡的预测精度。     

基于半参数模型的滑坡段数据估计与预测

在滑坡段数据的参数平差模型的基础上,通过在模型中增加表示模型误差或系统误差的非参数分量,将半参数模型的估计理论应用到滑坡段参数估计与预测中,分离出数据中的系统误差,给出了滑坡稳定系数的预测公式;并以云阳-奉节长江顺层岸滑坡段实测数据为例,将半参数估计方法与最小二乘方法进行了比较分析,验证了半参数估计方法应用到估计和预测滑坡段数据的可行性和有效性。     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。