一种V/S和LSTM结合的滑坡变形分析方法

滑坡变形的产生是坡体自身地质条件和外部诱发条件共同作用的结果，滑坡变形定量预测是滑坡监测预警的关键。传统的基于滑坡累计位移-时间曲线分析滑坡变形的方法，忽略了滑坡变形演化的影响因素，难以对滑坡变形进行准确预测。三峡库区滑坡研究多集中在滑坡时空分布特征和滑坡整体稳定性分析方面，亟需开展单体滑坡综合变形分析。以三峡库区白水河滑坡为例，基于滑坡宏观变形和位移监测数据，利用重标方差（rescaled variance statistic，V/S）分析法对滑坡整体和局部变形趋势进行分析，进而构建考虑库水位波动和降雨滞后性影响因素的可有效利用长期依赖信息的长短记忆（long short-term memory，LSTM）神经网络模型，定量预测滑坡位移。研究结果表明，滑坡体属牵引式滑坡，北东部稳定性较差，西部和后缘相对稳定，预测值的均方根误差为8.95 mm，证明该模型是一种高性能的滑坡变形分析方法。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

基于主成分分析与粒子群优化的遥感影像变化检测

针对变化检测中差异影像上变化阈值选择困难的问题,该文提出了使用粒子群优化算法自动地从差异影像上选择最优变化阈值的方法。该方法首先利用主成分分析法从影像中提取包含最大信息的主分量,利用主分量构建差异影像;在此基础上,使用高斯混合模型估算差异影像的初始阈值,最后通过粒子群算法计算出最优的变化阈值。实验结果表明,该方法能够迅速地获取变化阈值,避免了人工选择时繁琐重复的尝试,且检测结果精度较高。