基于一元线性回归模型八字门滑坡累积位移预测

我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以三峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"（6~8月份）的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。     

知识图谱优化卡尔曼滤波预测库岸滑坡位移

中国三峡库区库岸滑坡灾害频发，预测库岸滑坡位移是降低风险的重要措施之一。文章构建了库岸滑坡中文知识图谱，提出了知识图谱优化卡尔曼滤波预测库岸滑坡位移模型KG-MTKF。以三峡库区奉节县新铺滑坡为例，采用现场监测数据验证了模型有效性。结果表明，与监测数据系列相比，多因素卡尔曼滤波模型（MT-KF）和知识图谱优化卡尔曼滤波模型（KG-MTKF）用于预测库岸滑坡时，在稳定变形阶段均表现出良好的一致性；在滑坡变形的初始阶段和阶跃段，KGMTKF模型预测精度更高。初始段两种模型存在误差，主要由于滑坡初期变形值较小、系统噪声显著所导致。在阶跃段、平稳段与整个监测周期中，两种模型的误差都较小，且KG-MTKF模型的预测精度显著高于MT-KF模型。对于新铺滑坡这类非线性动力系统，KG-MTKF预测模型在不同位置与变形阶段均能保持高精度与强鲁棒性。     

滑坡位移分解预测中的平滑先验分析方法

目前在滑坡位移预测研究中,先将滑坡位移数据分解为趋势项及周期项后再分别进行预测已成为普遍做法。平滑先验分析法(Smoothness Priors Approach,SPA)是一种计算过程简单、计算量极小,且能快速分离原始数据趋势项和周期项的数据处理方法。在介绍SPA基本原理基础上,以三峡库区白家包滑坡典型监测点位移数据为例,对通过调节SPA正则化参数而获得的不同趋势项及周期项进行特征分析;进而结合对滑坡变形演化机制过程的先验分析,根据位移分解特征确定合理的参数取值;最后针对不同参数SPA位移分解数据,采用支持向量机进行位移预测对比分析。结果表明,SPA是一种适用于滑坡位移预测的位移分解方法,通过调节正则化参数并结合滑坡变形机制先验分析,能够获得较为合理的位移分解结果,进而提高滑坡位移预测精度。     

滑坡位移动态实时跟踪预测

在滑坡动态观测数据时序系统建模理论方法基础上 ,采用限定记忆最小二乘递推法 ,提出滑坡位移动态跟踪预测问题 ,介绍了该方法的基本原理及预测步骤 ,通过实例的综合研究进一步证明了该动态跟踪预测方法的可行性 ,并达到一定的预测精度 ,可以对一定条件下的滑坡变形位移作出超前动态预测     

考虑时滞效应的库区滑坡位移预测——以新铺滑坡为例

库区滑坡失稳每年不同程度影响区内人民生活和生产安全,滑坡位移精准预测对于灾害风险预警及防灾减灾十分重要。常规的位移预测方法未充分考虑降雨、库水位波动等诱发因素对滑坡变形的时滞效应,无法精确识别滞后天数及各因素的影响程度,制约了预测精度的提高。本文以三峡库区新铺滑坡为例,根据2021年度的位移监测与水文气象数据集,利用皮尔逊相关系数法定量描述了山坡尺度上降雨、库水位波动对滑坡变形的时滞效应,结合BP神经网络建立了一种考虑时滞效应的滑坡位移预测模型。分析结果表明：在山坡尺度上,库水位波动对地表变形的时滞效应明显,滞后时间呈现出从近岸向远岸逐渐增加的规律;降雨量对地表变形的时滞效应较弱,在山坡尺度上呈现相关度不高、滞后天数较短的规律;与未考虑时滞因素的模型相比,本研究中的滑坡位移预测模型拟合优度提升了55.77%,均方根误差降低了31.60%,模型预测精度显著提高。研究成果一定程度上揭示了特大型库区滑坡的变形机理,并为同类滑坡的位移精准预测提供了参考依据。     

滑坡位移动实时跟踪预测

在滑坡动态观测数据时序系统建模理论方法基础上，采用限定记忆最小二乘递推法，提出滑坡位移动态跟踪预测问题，介绍了该方法的基本原理及预测步骤，通过实例的综合研究进一步证明了该动态跟踪预测方法的可行性，并达到一定的预测精度，可以对一定条件下的滑坡变形位移作出超前动态预测。     

基于滑坡灾害预警分级的应急处置措施

滑坡灾害应急处置能力是地质灾害减灾防灾的重要方面。目前,基于滑坡灾害预测和预警分级成果,系统性的应急措施分类研究还鲜有展开,因此,以三峡库区白水河滑坡为例,运用时间序列加法模型将滑坡累计位移分解为趋势项位移与周期项位移,并分别应用多项式拟合及自回归(AR)模型对2个分量进行预测,在此结果上采用聚类分析方法将滑坡变形分为匀速变形与加速变形阶段,综合判断滑坡灾害预警等级,开展了针对滑坡预警分级的应急措施研究。结果表明:白水河滑坡预警等级主要为蓝色和黄色2种类型,对处于不同的预警等级下的滑坡,可根据滑坡变形特征快速决策,基于滑坡灾害预测和预警分级结果能更有效地指导滑坡应急处置。     

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。     

基于状态划分的滑坡位移预测方法研究

滑坡位移预测是滑坡灾害研究中的一个重要内容,然而现有研究将滑坡视为一个对外界响应稳定的系统,即相同的外界条件下,滑坡的位移变化是相同的。实际上,随着时间的推移,滑坡所处状态不断变化,相同的外界激励下的位移响应相差甚远。从滑坡状态与位移的响应规律出发,提出了一种基于状态划分的滑坡位移预测方法以实现更高精度的滑坡位移预测。采用K均值聚类法对滑坡变形速度和加速度进行了聚类分析,获取了表征滑坡变形程度和变形趋势的状态标签。根据状态标签对监测数据进行了划分,对每一类数据均单独构造一个BP神经网络,并依据上一时刻的状态标签选择对应的预测器来完成滑坡位移预测。将该方法运用到白水河滑坡的工程实例研究中,结果表明此方法具有较高的预测精度。     

基于BP神经网络的滑坡监测多源异构数据融合算法研究

针对滑坡监测中的多源异构数据融合问题,论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量,以滑坡位移变化量数据作为期望输出数据,并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选,以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验,结果表明:反向传播（Back-Propagation,BP）神经网络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;在进行环境变量因子筛选后,BP神经网络数据融合算法的决定系数达到0.985,均方根误差（RMSE）达到0.4787 mm,从而有效提高了变形预测结果的精度。      

基于集对分析的滑坡变形动态建模研究

滑坡是一个确定-不确定的动态系统,其变形表现出复杂的非线性演化特征。为了克服传统分析方法在处理系统不确定性方面的不足,将集对分析法（SPA）引入岩土变形监测分析领域,并结合层次分析法（AHP）提出了滑坡变形动态预测模型,给出了基于概率论的最优预测算法,提出并证明了集对论中最大同一度在等势条件下存在极限解,据此提出位移势的概念。在位移势的基础上,进行SPA二次建模,提出了基于SPA的滑坡变形与水库蓄水过程相关性动态分析模型。运用上述预测模型对新近发生的刘家沱滑坡进行变形监测定量分析,实践证明：最优预测值具有良好的短期预报精度;位移势能够表征系统当前状态下位移所能达到的最大潜力,可作为短期预测的上限值,其变化能够反映系统宏观层面上的演化特征,对滑坡演变加速预警具有指导意义;运用集对分析方法进行滑坡变形响应滞后效应的定量研究是一条可行的新思路,反演结果与实际情况吻合;该方法在岩土监测分析领域有良好的应用前景。     

多元时间序列分析的滑坡演化阶段划分

滑坡的时间-位移曲线一般具有3个阶段特征,即初始变形阶段、等速变形阶段和加速变形阶段,不同演化阶段加速度具有不同的变化特点.目前往往是依据对加速度曲线特征的分析来人为划分演化阶段,缺少相应的理论支持和定量计算.针对上述问题,选取月降雨量、月库水位高程变化量对滑坡的累计位移建立多因素的时间序列预测模型.然后利用Chow分割点检验理论,以所建模型中F和LR统计量最大值点作为分割点对滑坡演化阶段进行划分.以新滩滑坡和三峡库区白水河滑坡为例,利用累计位移、降雨及库水位变化数据进行计算验证.结果表明,对多元时间序列模型进行Chow分割点检验可对滑坡的演化阶段进行准确划分,为滑坡的临滑预警预报提供重要判据.      

基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程.为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型.以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据.     

滑坡位移时序预测的核函数构造

获得支持向量机(SVM)背景下滑坡位移时序准确预测的关键,是构造或选择一合适的核函数。通过分析滑坡位移时序曲线特征以及不同类型Mercer核的性质,从基于核函数上的封闭运算角度,构造出支持向量机背景下预测滑坡位移时序的最佳核函数。利用3组不同特征的滑坡位移时序,对构造出的核函数进行性能检验,数值实验表明：对于典型的3组滑坡时序,LPG与MPG核的学习性能要优于简单核,且前者适合复杂位移时序的回归预测,而后者更适合规律性较强的简单时序曲线的建模预测。此外,探讨了这两种核函数下的核参数取值对模型精度的影响。     

工程先验知识辨识下的滑坡非平稳变形支持向量机预测

针对缺乏非平稳变形（阶段性、反复性及突变性）特征数据导致的滑坡预测与评估不完全符合工程实际的情况,通过分析变形时序的物理意义与类型,在定义了非平稳变形趋势变化外延模式的基础上,提出了综合考虑滑坡当前变形阶段、观测变形数据特征以及待预测时段外界诱发因素的时序外延模式辨识方法,并进一步在工程先验知识指导下建立了支持向量机（SVM）预测模型。通过2个工程实例对方法进行应用验证。结果表明,工程先验知识能够有效补充非平稳变形的观测数据信息,对预测建模具有指导性作用;融入外延模式的SVM模型与一般性SVM的外推预测,其平均相对误差可降低2～3倍,预测的可靠性与准确性得到了显著增强。     

基于数值模拟的三峡库区典型堆积层滑坡变形预测方法

目前对堆积层滑坡的变形预测大多基于数学模型或方法,忽略了引起滑坡位移显著变化的动力外因及滑坡自身的地质特征,因此,预报准确度和可信度较低。以三峡库区典型堆积层滑坡--鹤峰场镇滑坡为例,通过4组主要控制因素科学组合构建了滑坡的基本地质模型;以此为基础,重点考虑引起滑坡发生变形的库水作用动力因素,建立滑坡的数值-力学模型。通过实际监测点的变形监测结果与数值-力学模型中模型监测点的变形进行拟合分析,获取了实际时间与数值-力学模型中时步的等效关系;基于时间-时步等效关系及三峡水库设计水位调度曲线,得到了不同时步水位的波动特征;通过时步的外延,并在相应的时步段对数值-力学模型施加等效时间的库水作用,预测了滑坡在未来库水位变动条件下的变形。该预测方法既考虑了滑坡的工程地质模型又考虑了地下水作用效应,克服了纯数学方法预测的不足。     

滑坡变形预测与失稳预报问题的几点讨论

滑坡问题的研究关系到水利、交通、能源等基本工程建设,并与人们生命财产安全、生态环境保护及可持续发展问题相关,因此一直备受关注。滑坡是一个复杂的地质体,影响滑坡稳定的内外各种因素多种多样,影响程度各异,并且各因素又是动态变化的,决定了滑坡变形机制与变形特点十分复杂,因此滑坡变形预测与失稳预报十分困难。文章认为,变形突变预测、失稳时间预报及失稳判据是滑坡预测预报的3个核心问题,变形突变预测是为了预测出滑坡从匀速变形阶段进入加速变形阶段的特征点或时间,是回答滑坡能否失稳的关键,是提高预测结果可靠性及提高预测研究水平的基础。分析了目前各种预测模型的特点及可靠性情况,模型的优缺点。探讨了变形突变难以预测的实质,并指出采用多因素预测模型进行探索性研究。文章还对失稳时间预报的预报尺度、预测误差的计算、滑坡空间预测及多测点协同预测等问题进行分析,并对可能的解决办法提出了建议或展望。     

Landslide displacement prediction based on combining method with optimal weight

Predicting the deformation and evolution tendency of landslides is essential to landslide disaster prevention and mitigation. At present, most of the proposed models for landslide displacement prediction belong to single models. It is difficult to accurately describe the deformation and evolution law only by a single model for the complexity of landslides and limitation of the models. In this paper, we presented an application of linear combination model with optimal weight in landslide displacement prediction. We took Huanlongxicun and Saleshan landslides in Gansu province of China as examples, firstly to build GM(1,1) and Verhulst models for displacement prediction of the two landslides; then build two linear combination models of the two landslides, on the basis of the combining theory with optimal weight and the prediction results of the GM(1,1) and Verhulst models. The results show that the prediction accuracies of the combining models are much higher than those of the single models for both Huanglongxicun landslide and Saleshan landslide. Therefore, the combining model with optimal weight is an effective and feasible method to further improve accuracy for landslide displacement prediction.