基于不同模型和单元的滑坡易发性评价比较

基于地理信息系统的滑坡灾害空间预测研究发展迅速,出现了多种滑坡空间预测模型。在总结滑坡灾害空间预测研究现状的基础上,简要介绍了决策树和支持向量机2种模型的基本原理。以秭归县一个研究区为例,选取11个滑坡影响因子,采用2种不同的研究单元,分别建立了决策树和支持向量机模型并对滑坡易发性作出了评价。结果表明针对同一模型,面向对象单元的滑坡易发性评价精度优于栅格单元;针对同一数据单元,支持向量机模型的滑坡易发性评价精度优于决策树模型。     

熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例

滑坡灾害易发性评价可为滑坡灾害风险管理、国土空间规划及滑坡监测提供科学依据。针对现有滑坡灾害易发性评价模型无法消除易发性评价指标因子在量纲、性质等方面的差异,尚未考虑易发性评价指标因子与滑坡灾害相关性,以及精度较高的经典机器学习模型训练效率较低、参数选取困难等问题,引入熵指数(index of entropy,IOE)和粒子群优化(particle swarm optimization,PSO)算法,提出IOE融入支持向量机(support vector machine, SVM)的滑坡灾害易发性评价方法。首先,基于滑坡灾害易发性评价指标因子,利用IOE模型计算SVM的调节因子;然后,采用PSO算法迭代求解SVM最优解,根据SVM二分类得到的隶属度来区分滑坡灾害易发性;最后,以陕西省作为实验区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面将所提方法与SVM方法进行了对比,实验结果表明所提方法的准确性、可靠性优于SVM方法。     

斜坡单元支持下的滑坡易发性评价支持向量机模型

针对传统滑坡预测手段数据源有限、数据更新周期长、难以发现隐藏在复杂滑坡系统中的规律等问题,本文以三峡库区为研究对象,从多源空间数据中提取滑坡孕灾环境和影响因素等信息,采用数字地形水文分析方法划分斜坡单元,对评价因子进行重采样,进而构建两类支持向量机模型。分析了多源影响因素与滑坡易发性的定量关系,并生成滑坡易发性分区图。采用成功率曲线和误差率评价预测结果,模型预测精度达到98.21%,与野外调查实际情况吻合较好。     

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。     

旋转森林模型在滑坡易发性评价中的应用研究

以三峡库区万州段为研究区,从多源空间数据中提取29个致灾因子作为区域滑坡易发性分析的评价指标,在数字高程模型基础上采用集水区重叠法划分斜坡单元,构建旋转森林集成学习模型,定量预测滑坡空间易发性,并生成滑坡易发性分区图。在易发性分区图中,高易发区占11.6%,主要分布在万州主城区和长江及支流两岸;不易发区占45.6%,主要分布在人类工程活动低、植被覆盖度高的区域。采用受访者工作特征曲线和曲线下面积对旋转森林模型的滑坡易发性进行评价,结果显示该模型的预测精度为90.7%,其预测能力优于C4.5决策树。研究表明,应用旋转森林进行滑坡易发性评价具有预测能力强、精度高等优点。     

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。     

顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价

滑坡灾害易发性分析评价对地质灾害的防治与管理具有重要意义。针对滑坡灾害样本选择策略,单核支持向量机多特征映射不合理的问题,本文提出顾及样本优化选择的多核支持向量机(multiple kernel support vector machine,MKSVM)滑坡灾害易发性分析评价方法。为了保证样本平衡性并提高负样本的合理性,采用相对频率比(relative frequency,RF)综合评价各状态对于滑坡灾害易发性影响的重要程度,实现各评价因子状态的合理划分;利用确定性系数法(certainty factor,CF)计算各评价因子各状态分级影响滑坡灾害的敏感性,并在此基础上进行加权求和得到各栅格单元的滑坡灾害易发性指数,在滑坡灾害易发性指数极低和低易发区内随机选择与滑坡灾害点数目一致的非滑坡灾害点作为负样本数据。利用MKSVM对各特征空间最优核函数进行线性组合,解决了单一核函数映射不合理的问题,提高了模型的分类准确率和预测精度。以湖南省湘西土家族苗族自治州为研究区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面对CF样本策略的MKSVM模型、CF样本策略的单核SVM模型、随机样本策略的MKSVM模型、随机样本策略的单核SVM模型进行了对比分析。结果表明,4种模型的受试者工作特征曲线(receiver operating characteristic,ROC)下的面积(area under curve,AUC)分别为0.859、0.809、0.798、0.766,验证了CF样本策略的合理性、有效性及MKSVM模型的可靠性。     

一种结合SMOTE和卷积神经网络的滑坡易发性评价方法

大规模的人类工程活动诱发和加剧了滑坡灾害的致灾情况,严重威胁工程安全和环境安全。滑坡易发性评价是滑坡监测预警的关键技术。针对传统滑坡监测手段数据源有限、缺乏挖掘滑坡灾害空间分布特征及其诱发因素的有效方法等问题,以位于三峡库区的中国重庆市万州区为研究区,基于地形、地质和遥感影像等多源数据,首先提取了22个滑坡易发性评价因子,并对这些因子进行多重共线性检验;然后采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)解决滑坡和非滑坡样本比例不平衡问题,建立输入训练集;最后构建卷积神经网络(convolutional neural networks,CNN)模型,定量预测滑坡易发性,生成滑坡易发性分区图。采用受试者工作特征曲线分析评价结果,测试数据集模型精度达89.50%,说明该模型是一种高性能的滑坡易发性评价方法。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

基于卷积神经网络的区域滑坡易发性评价:以三峡库区万州区为例

开展区域滑坡易发性评价是滑坡气象预警与风险评价的关键。针对目前诸多易发性研究未考虑滑坡发生与邻接环境有关的情况,本文提出了一种基于卷积神经网络(CNN)的区域滑坡易发性建模框架。以三峡库区万州区为例,选取坡度、坡向等12个因子构建评价指标体系,通过信息量法分析因子对滑坡发育的影响程度,采用二维矩阵构建数据集,运用CNN进行易发性建模,得到易发性评价图,同时探究构建样本时二维矩阵的大小对精度的影响。研究结果表明,越靠近水库带越易发生滑坡,水系和人类工程活动对于滑坡发育具有较大影响;CNN模型精度为0.925,相比机器学习模型精度明显提升;增大构建样本时的二维矩阵可提高精度。CNN模型在多维空间数据处理方面具有优势,它考虑了滑坡位置及其邻接环境的影响,是一种准确可靠的区域滑坡易发性评价方法。     

新源县汇水域单元滑坡灾害易发性评价

针对滑坡灾害易发性难以定量评价的问题,提出了以汇水域为基本统计单元,层次分析法与信息量法相结合的滑坡易发性评价模型。该模型是在综合分析已有监测数据的基础上,建立了坡度、黄土分布、土地表覆被、水系、断层、高程、地表粗糙度、坡向等8类要素与滑坡稳定性的相关性,根据评价结果将滑坡易发性划分为5个不同的等级。基于新疆新源县滑坡易发性评价的实验结果表明,该模型评价结果与滑坡实际分布情况相符,能够准确对不同汇水域灾害易发性进行分级评价,可以为相关部门进行防灾、预警提供一定的数据支持。提出了一种主观判断与客观分析相结合的方法,回答了"什么地方最容易发生地质灾害"的问题。     

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.     

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。     

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。     

基于优化随机森林模型的滑坡易发性评价

以三峡库区沙镇溪镇-泄滩乡为研究区,探索基于最短描述长度原则的信息增益法对滑坡连续型因子进行离散的效果,计算皮尔森系数去除高相关因子。利用信息量法预测的极低、低易发区随机抽取非滑坡样本点。通过迭代计算袋外误差估计确定较优的随机特征及其数目,将优化后的随机森林对研究区滑坡进行易发性评价,并与逻辑回归等方法进行比较。绘制各算法预测结果的接收灵敏度曲线,其中优化后的随机森林预测结果的曲线下面积较高,达91.8%,表明优化随机森林模型在滑坡易发性评价中具有较高的预测能力。     

最小二乘支持向量机优化模型在煤矿安全预测中的应用

针对传统信息融合技术在煤矿井下环境等级评价中的局限性,文章提出了一种智能算法:通过粒子群优化算法对最小二乘支持向量机进行参数寻优,建立多传感器信息融合模型PSO-LSSVM,克服参数选择的主观性、盲目性,从而提高算法的分类精度和收敛速度。实验结果表明,相比未经参数优化的最小二乘支持向量机模型、网格算法优化最小二乘支持向量机模型,PSO-LSSVM模型能很好地解决煤矿井下环境等级评价中小样本的高维、非线性、不确定性等方面的问题。     

灰色最小支持向量机模型在高程拟合中的应用

针对传统单一灰色最小二乘支持向量机(GLSSVM)高程拟合方法的不足以及LSSVM模型参数选择的随机性,该文提出了一种基于PSO-GA算法优化的灰色最小二乘支持向量机高程拟合模型。模型将灰色模型与最小二乘支持向量机模型相结合,建立GLSSVM模型,并结合粒子群算法与遗传优化算法寻找GLSSVM模型的最优参数组合。为进一步验证提出模型的可靠性与有效性,通过具体工程实例,并将拟合结果分别与粒子群算法优化的最小二乘支持向量机模型(PSO-GLSSVM),遗传算法优化的最小二乘支持向量机模型(GA-GLSSVM)及单一GLSSVM模型进行对比分析,结果表明,PSO-GA-GLSSVM模型拟合精度更好,可靠性更高,为高程拟合研究提供了一种思路。     

高光谱影像特征子集选择方法

针对高维遥感数据的降维困难问题,该文提出并构建了一种融合粒子群优化算法全局寻优能力和支持向量机优秀分类性能的高光谱遥感影像特征子集选择与分类方法。通过引入混沌优化搜索技术改进融合粒子群优化算法的全局寻优能力;提出并采用一种基于粒度的网格搜索策略对支持向量机模型参数进行优化;利用二进制融合粒子群优化算法进行特征选择;然后,支持向量机采用该特征子集所对应的训练数据集进行模型参数优化和分类。实验结果表明该方法能有效地提取出用于分类的最佳波段,具有较高的分类精度。为高光谱遥感影像的特征选择与分类探索出了一种可行的方法。     

层次分析法的黄河上游滑坡易发性评价

针对黄河上游龙羊峡至积石峡段滑坡灾害分布易发性评价与区划成图问题,该文以ArcGIS为平台,联系评价区的实际特点,选取地貌类型、地层岩性、降雨、断层、坡度为评价因子,运用层次分析法(AHP)确定各评价因子的权重,建立研究区滑坡易发性评价模型,结合GIS的空间分析功能实现研究区内滑坡灾害的易发性区划。结果表明,滑坡灾害主要集中在龙羊峡库区右岸和群科-尖扎盆地。区划结果与野外实际调查基本吻合,为今后GIS应用于地质灾害区划提供了思路,同时可为区内地质单位进行灾害监测提供基础数据和依据。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。