基于EEMD分形和LS-SVM的次声信号识别泥石流类型

基于无接触的泥石流次声信号的有效波形特征提取识别不同类型的泥石流及预警泥石流规模、危害是国内外泥石流研究的新方向。本研究利用室内实验采集到的65次稀性、过渡性和粘性泥石流次声信号数据,采用集成经验模式分解(EEMD)对次声信号进行分解,提取本征模态函数(IMF)主分量,对比分析了原始信号和主分量信号STFT分布的时频特性差异,计算了主分量IMF盒维数值,并将其作为特征值输入最小二乘支持向量机(LS-SVM)分类器进行训练和分类,初步实现了基于次声分形特征指标识别泥石流类型。研究表明:(1)通过对EEMD重构的主IMF分量信号进行短时傅立叶变换(STFT)时频分析后,主分量信号具有优良的时频聚焦性能,提升了信号识别的准确性和精度;(2)稀性、过渡性和粘性泥石流的原始次声信号盒维数值分别为1.625、1.578和1.519,利用次声盒维数值可以识别泥石流的类型;(3)通过LS-LSVM模型训练测试,正确识别率达87%,其中稀性和过渡性泥石流为80%,粘性泥石流为100%。本研究利用次声特征指标无接触判识了泥石流类型,为次声自动识别、监测和预警泥石流灾害做了积极探索。     

基于多源遥感数据的高位滑坡特征分析——以广元市利州区荣山镇岩窝村滑坡为例

2021年10月6日13时许，四川省广元市利州区荣山镇岩窝村三组发生高位滑坡灾害。滑坡造成4处民房、3条电力线路被毁，掩埋170 m长的乡村公路，堵塞河道350 m。利用高位滑坡滑前多期卫星数据、滑坡滑后高精度无人机航空影像以及机载LiDAR数据等多源遥感信息源，采用三维立体+时间的四维分析方法，研究高位滑坡特征及其滑动模式。从高位滑坡发育背景入手，通过高位滑坡滑前变形特征以及高位滑动过程动态分析，总结高位滑坡变形破坏特征及滑动模式。根据滑坡已经发生过程推演及后部残留滑坡体稳定性分析结果，预测分析高位滑坡未来滑动的三种滑动模式：一是滑坡后缘继续错落和活动，挤压前部滑坡体直接剪出；二是滑坡后缘继续错落和活动，沿着已有滑坡通道发生推移式滑坡；三是前部滑坡体启动，引发中后部滑坡体发生牵引式滑坡。高位滑坡在西南山区屡见不鲜，在早期地质灾害隐患调查中应有效识别、加强防灾减灾措施。