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。     

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。     

基于水文-气象阈值的区域降雨型滑坡预测研究

目前区域降雨型滑坡预测主要依赖降雨阈值开展,然而从降雨诱发滑坡机理可知,除降雨入渗导致的土壤含水量变化外,降雨入渗前的土壤含水量也是影响边坡失稳的重要因素,无法考虑降雨入渗前的土壤湿度情况,被认为是降雨阈值在滑坡预测中表现差的主要原因。针对这一问题,本文以四川省都江堰地区作为试验区域,提出考虑前期土壤湿度的区域降雨型滑坡预测思路,通过统计分析历史滑坡数据,构建了基于前期土壤湿度和近期降雨情况的水文-气象阈值模型,其中前期土壤湿度情况由改进的前期有效降雨指数刻画,近期降雨情况由最近的累积降雨量表示。试验结果表明:在试验区域的降雨型滑坡预测中,水文-气象阈值模型表现出较好的命中率和较低的误报率。本文构建的水文-气象阈值模型,可同时考虑前期土壤湿度和近期降雨对滑坡发生的影响,模型所需数据少、所用方法简单易操作且预测性能较优,适合在区域降雨型滑坡预测中推广应用。     

基于诱导有序加权平均算子的滑坡位移相关性组合预测方法

针对当前单项模型滑坡位移预测精度不高的问题,本文从相关性组合预测的角度出发,结合诱导有序加权平均算子(IOWA)提出了基于诱导有序加权平均算子的滑坡位移相关性组合模型,根据新陈代谢思想提出了基于诱导有序加权平均算子的滑坡位移相关性组合模型的新陈代谢预测精度评价指标,通过引入拟合预测评价指标,对该模型的拟合与预测效果进行评价。实例验证结果表明,基于诱导有序加权平均算子的滑坡位移相关性组合模型的拟合评价指标均优于选用的单项模型以及相关性组合模型,预测指标也较原方法有了一定的提高。     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

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。     

基于核主成分分析和粒子群优化支持向量机的滑坡位移预测

利用核主成分分析法对滑坡位移影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数通过粒子群算法进行选择优化,构建出核主成分分析和粒子群优化支持向量机协同模型,对滑坡相对位移进行预测.预测结果的平均绝对误差和相对误差分别为0.760和7.563％,与其他预测模型相比,其拟合和泛化能力最优,表明核主成分分析和粒子群优化支持向量机协同模型的预测结果与实际监测值具有很好的一致性.     

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。     

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。     

基于GPS的降雨型滑坡变形监测及数据处理

滑坡是地质灾害的一种,降雨是诱发山体滑坡的最重要因素。本文通过在重庆云阳王家湾建立滑坡监测点,利用灰色系统和回归分析,分析滑坡位移同降雨的定量关系,建立滑坡预报模型。     

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。     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

北斗监测滑坡及其梯度增强多元回归位移预测北大核心CSCD

山体滑坡位移量预测精度主要受预测模型和参量的影响,而基于回归模型和灰度预测模型的传统滑坡预测模型主要存在模型预测结构单调、引入的预测影响参量不全面、长期性预测精度低等问题,因此,本文基于北斗数据提出了一种基于梯度增强多元回归算法的滑坡预测方法。梯度增强多元回归模型在考虑多重因素的前提下,使用如降水量、土壤湿度、地形参数等滑坡主影响因子作为回归模型参量,同时结合梯度增强方法,可以增强预测模型的有效结构,提升数据的使用率,进而提高长、短期的滑坡位移量预测精度。最后以西宁市南山寺滑坡带为例,考虑降水、地面沉降、地形地貌等诱发滑坡的关键因素,分别基于梯度增强多元回归模型、贝叶斯岭回归模型、弹性网络回归模型及支持向量机回归模型进行试验。结果表明,梯度增强多元回归模型的方差(EV)结果为0.99 mm^(2),均方差(MSE)结果为0.04 mm,平均绝对误差(MAE)结果为0.15 mm,且利用梯度增强多元回归模型对2020年12月的表面位移量进行预测,发现相对误差区间为(-0.8%,0.8%],预测精度最高。因此,相对而言,梯度增强多元回归预测模型精度更优、效率更高,更能准确反映滑坡表面位移量的变化状态,精确地对滑坡体进行全天候监控、预警,保障滑坡体周边环境的安全。     

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。     

利用互信息和IPSO-LSTM进行滑坡监测多源数据融合

针对滑坡监测中的多源异构数据融合问题,结合互信息(mutual information, MI)、改进粒子群优化算法(improved particle swarm optimization, IPSO)和长短期记忆神经网络(long short-term memory,LSTM),提出一种新的多源异构监测数据融合方法。该方法基于互信息对影响滑坡变形的多个环境因子变量进行筛选,将筛选后的环境因子变量作为LSTM模型的输入变量,以滑坡累计位移量数据作为期望输出数据,并通过改进的粒子群寻优方法对模型进行参数寻优,获取模型的最优参数组合,进一步提高融合模型的预测精度。采用中国贵州省六盘水市水城县发耳滑坡的全球导航卫星系统(global navigation satellite system,GNSS)实测数据进行实验,结果表明:基于互信息和IPSO-LSTM的数据融合算法适用于具有多源异构监测数据的滑坡变形预测,且基于互信息的环境因子变量筛选方法优于Pearson相关系数筛选方法,经改进粒子群算法参数寻优后,融合模型的均方根误差(root mean square error,RMSE)达到2.6 mm,平均绝对误差达到1.7 mm,拟合优度达0.994。     

一种无偏模型在变形监测中的应用

针对变形发展趋势多样性的特点,将无偏NGM(1,1,k)模型应用于变形监测数据的分析预测中,说明无偏NGM(1,1,k)模型可分别用于拟合近似线性-指数增长趋势变形序列、近似非齐次指数变形序列和近似齐次指数变形序列。根据监测数据的发展特点可选择适合的建模方法。实例分析结果显示,无偏NGM(1,1,k)模型具有良好的拟合和预测精度,可用于滑坡位移的分析预测中。     

Logistic模型的兰州市降雨型黄土滑坡预警研究

为了综合考虑降雨与岩性地层实际渗水能力的关系及多种滑坡致灾因子,该文基于logistic回归模型构建了兰州市降雨型黄土滑坡预警模型。该模型首先以坡度、坡向、植被指数、不透水层、不同岩性渗水能力和公路数据为滑坡发生的关键影响因子;其次,选取实验区相关数据并通过SPSS计算得到权值函数;最后,通过logistic回归模型计算滑坡发生的概率,获得不同降雨量下的黄土滑坡风险区划图。模型结果显示,研究区内滑坡发生风险较高的区域随着降雨量的增加而增大,在低降雨量下与公路边坡的稳定性的关系十分密切,在高降雨量下与岩性的渗水能力关系较大,且预警降雨量为30 mm,通过历史发生的滑坡数据进行验证,发生在滑坡概率为中以上的滑坡点占比超过87.1%,验证结果显示该模型的预测精度较高,更满足实际滑坡预测的需求。     

单视线向D-InSAR的地表沉陷预测参数反演方法

为了提高非充分采动条件下地表沉陷预测参数反演精度,提出基于单视线向差分合成孔径雷达的地表沉陷预测参数反演方法。根据单视线向位移量和概率积分法预测模型中的位移量(下沉和水平移动)之间函数关系,推导了视线向位移与地表沉陷预测参数之间的函数关系。开展了参数反演模拟实验,结果表明,利用在无噪声、低噪声、高噪声条件下反演的地表沉陷预测参数,模拟地表走向和倾向位移量,拟合误差不超过10 mm,求取的地表沉陷预测参数的相对误差均能保持在5%以内。利用本文提出的参数反演方法进行全局最优拟合,得到实验区地表沉陷预测参数,将实测下沉量与预测下沉量进行对比,均方根误差为11.8 mm,预测精度能够满足工程要求。     

半参数改进灰色模型在滑坡变形预测中的应用

滑坡灰色模型的模型误差主要来自降雨量、温度等外界影响因子,传统的半参数灰色模型没有考虑这些对滑坡变形影响较大的外界因子,而把相邻时刻的模型误差当作是不变的,预测精度较低。针对这一问题,该文提出了将这些影响因子当作非参数变量引入模型,通过改进正规矩阵来建立半参数改进灰色模型,可以得到更加准确的模型误差,并且能够将其补偿到观测序列中,使预测结果更加准确。计算结果表明,本文所述模型在观测序列的拟合和预测中均有较好的结果,能够充分地利用在滑坡中采集到的各种信息,并且达到更优的结果。     

浅层堆积降雨诱发滑坡监测试验研究

针对降雨诱发滑坡突发、群发的灾害特点,在广东省某地开展了浅层堆积性岩土混合斜坡降雨诱发滑坡的试验,实验采集滑坡成灾演化过程的GPS监测地表形变位移、人工降雨量、岩土参数变化同步数据,形成从蠕动变形、滑动、加速、灾变一直到再次稳定的整个成灾过程的连续动态监测数据。通过对降雨量、地表形变、土壤含水率、滑坡稳定性指标等进行定量比对和相关性分析,建立了滑坡成灾演化阶段的映射关系,并提取降水诱发滑坡灾变过程的显性因子,作为实验滑坡灾变的判据,建立了综合判据滑坡隐患分析评价模型。最后,将监测结果与宏观现象监测进行比对,验证了监测和分析方法的有效性。