基于粗糙集的支持向量机滑坡易发性评价

区域滑坡易发性评价对灾害中长期预测预报具有重要意义。以三峡库区秭归至巴东段为研究区,利用粗糙集理论对20个初始评价因子进行属性约简,去掉冗余或干扰信息,得到13个核心评价因子,并以此作为支持向量机的输入特征集,构建支持向量机模型,实现滑坡易发性评价。在易发性分区图中高易发区占8.2%,主要分布在童庄河右岸、归州河沿岸、青干河左岸、树坪至范家坪长江右岸、牛口到东壤口长江左岸和巴东附近;不易发区占 52.7%,主要分布于店子湾至巴东旧城以及远离长江水系及植被覆盖度高的区域。通过验证与分析,粗糙集-支持向量机模型在高中易发区中的预测精度为85.6%,其预测能力优于支持向量机模型;与野外调查对比,预测结果与实际情况吻合较好。研究表明,应用粗糙集和支持向量机相结合进行滑坡易发性评价具有预测能力强、计算效率高等优点。     

基于粒子群优化支持向量机的瓦斯突出层研究

瓦斯突出是具有很强破坏性的地质灾害,是亟需解决的国际性技术难题。瓦斯突出与构造煤发育息息相关,通过识别构造煤的发育位置,制定针对措施,规避风险。粒子群算法可以将支持向量机参数选择最优化,以支持向量机理论、测井解释和岩心为基础,测井数据作为输入,构建预测模型,对鹤岗煤田煤层进行判别,将结果与取心情况进行对比,平均正确率可以达到90%以上。结果表明,粒子群优化的支持向量机方法具有速度快,精度高,操作简单的优势,将方法运用到构造煤的识别中具有较高的应用前景,为规避瓦斯突出灾害提供了理论依据并指明了方向,对安全生产具有指导性意义。     

基于粒子群算法优化小波支持向量机的岩土力学参数反演

常用的确定岩土力学参数的方法有原位测试和室内试验两种,但都存在一定的局限性,参数选择的合理与否,对设计计算及数值模拟分析结果的有效性影响很大。支持向量机法在理论基础和求解算法方面都具有明显优势,为确保岩土力学参数取值的合理性,采用支持向量机法对岩土力学参数进行反演。先通过小波分析理论构造出支持向量机的核函数,再用粒子群算法(PSO)分别优化Morlet小波、Mexico小波和RBF函数的支持向量机模型参数,通过小波支持向量机模型建立反演参数与沉降值间的非线性映射关系。根据正交试验和均匀试验对需反演的岩土力学参数进行设计,结合有限元软件进行计算分析,得到学习样本和测试样本。分别采用Morlet小波、Mexico小波和RBF函数得出的预测结果和原始数据进行对比分析,发现采用Morlet小波核函数预测效果更佳。使用Morlet小波核函数预测的参数输入到Midas模型中计算建筑物最终沉降量,比较计算值与实际监测值,其相对误差不超过8.1%。研究结果表明,该方法在岩土工程参数的反演中具有良好的应用价值,对今后岩土力学参数的确定及校核提供了一种新方法。     

基于粒子群优化支持向量机的煤层底板突水量等级预测

为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。     

基于滑坡分类的西宁市滑坡易发性评价

以往的滑坡易发性评价多以全体滑坡为研究对象,忽视了滑坡类型的区别。各评价指标对不同类型滑坡的影响程度不同,也导致指标权重无法精确地反映其对滑坡的影响。为更准确地对滑坡灾害进行空间预测,针对西宁市滑坡特征及发育机理,将全区滑坡分为土质滑坡和岩质滑坡;在野外实际调查的基础上,结合相关性分析,选取坡度、坡向、剖面曲率、平面曲率、工程地质岩组,以及滑坡点距断层、水系、道路的距离远近等8项因素作为滑坡易发性评价指标,并通过滑坡点分布密度和滑坡点相对分布密度,分析各评价指标分别对土质滑坡和岩质滑坡的影响;利用信息量模型,计算各评价指标对两类滑坡的信息量值,利用人工神经网络模型,赋予各评价指标对两类滑坡的权重;最后基于GIS平台利用加权信息量模型对研究区进行易发性评价。通过统计方法和ROC曲线法分别计算滑坡易发性评价成功率,结果表明:评价成功率可达到82.61%和82.30%,与未经滑坡分类的成功率比较,分别提高了10.9%和5.2%;同时,经过滑坡分类后,湟水河两岸地质条件较差的地区转变为滑坡高易发区。     

基于粒子群优化支持向量机的矿区土壤有机质含量高光谱反演

为了监测复垦矿区土壤的有机质含量, 综合利用光谱分析、统计学习理论与方法以及智能优化理论与方法, 研究了矿区复垦土壤有机质含量与土壤光谱之间的关系, 在此基础上建立了土壤有机质含量高光谱反演模型, 实现土壤有机质含量定量检测.首先对原始土壤光谱数据进行预处理, 然后进行相关性分析, 提取450 nm、500 nm、650 nm、770 nm、1 460 nm和2 140 nm作为特征波段, 最后利用多元线性回归(multiple linear regression, MLR)、偏最小乘回归(partial least squares regression, PLSR)和粒子群优化支持向量机回归(particle swarm optimization support vector machine regression, PSO-SVM)方法建立了土壤有机质含量的高光谱定量反演模型, 并对模型进行验证.3种模型的验证结果如下: MLR、PLSR和PSO-SVM模型的R2分别为0.79、0.83和0.85, RMSE分别为5.26、4.93和4.76.实验结果表明, 无论从模型的稳定性还是预测能力上, PSO-SVM都要优于其他两个模型.      

基于粒子群优化相关向量机的岩层可钻性预测

本文提出了一种基于粒子群优化相关向量机（PSO-RVM）的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。     

基于贝叶斯优化机器学习超参数的滑坡易发性评价

利用机器学习模型进行滑坡易发性评价时,不同的超参数设置往往会导致评价结果的不同.采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化,探索了该算法对滑坡易发性机器学习模型的优化效果.以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说...     

基于信息量法和支持向量机的芦山县滑坡危险性评价

地质滑坡对人员和经济形成了巨大威胁,因此,区域地质滑坡危险性评价变得极其重要.为了将滑坡带来的损失降到最低,这里以芦山县作为研究区,分析研究区内地质环境的滑坡成因等相关特征,选择12种滑坡因子作为其滑坡危险性评价指标,采用AHP层次分析法确定滑坡因子权重,使用基于径向基核函数的支持向量机模型和信息量模型,对芦山区域进行...     

基于粒子群支持向量机的三维含水层渗流参数反馈识别

实际岩土体含水层渗流一般是三维、空间各向异性的。针对三维渗流参数识别的数值正算时间过长,易限于局部最优解的问题,提出了一种基于支持向量机和粒子群优化算法的含水层渗流参数反馈识别方法。采用正交试验设计和有限元程序生成学习样本,利用支持向量机高度非线性映射能力,建立水头与渗流参数之间的映射关系,进而以识别误差目标函数为适应值,通过粒子群优化算法反馈搜索得到渗流参数。该方法可直接利用现有大规模渗流有限元程序进行三维含水层渗流参数识别。算例表明,该方法具有良好的效率和精度。     

基于层次分析法的滑坡易发性评价分析

结合甘肃环县地质灾害详细调查实例,基于层次分析法(AHP)建立了滑坡易发性综合评价模型,并应用其对环县境内9处典型滑坡的易发性进行了评价。所建模型不仅反映滑坡地质灾害各影响因素与评价指标间的逻辑关系,且体现滑坡易发性评价过程中的层次性和全面性;模型评价结果与实际调查结果较吻合,具有较好地实用性;为其它地区滑坡地质灾害易发性的评价和防治具有重要借鉴作用。     

基于SOM-I-SVM耦合模型的滑坡易发性评价

在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能有效提高滑坡易发性预测准确率。     

基于相空间重构和小波分析-粒子群向量机的滑坡地下水位预测

预测滑坡地下水位的动态演变过程对滑坡稳定性分析具有重要意义, 三峡库区库岸滑坡地下水位时间序列受多种因素影响, 呈现出高度非线性非平稳的特征.为对其进行预测, 提出一种基于相空间重构的小波分析-粒子群优化支持向量机(wavelet analysis-support vector machine, 简称WA-PSVM)模型.该模型引入小波变换法对地下水位序列进行时频分解, 将非平稳的地下水位序列转变为多个不同分辨率尺度下的较平稳的地下水位子序列; 然后重构各子序列的相空间, 再利用PSVM(全称support vector machine)模型对地下水位各子序列进行预测, 最后将各子序列预测值相加得到最终预测结果.以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例, 首先分析滑坡前缘地下水位变化的影响因素, 再将WA-PSVM模型应用于地下水位预测, 并与单独PSVM模型和小波分析-BP网络模型(wavelet analysis-back propagation, 简称WA-BP)作对比.结果表明: 滑坡前缘地下水位受降雨和库水位影响较大, 利用WA-PSVM模型对STK-1水文孔地下水位进行预测的均方根误差为0.073m、拟合优度为0.966, WA-PSVM模型预测精度高于单独PSVM模型和WA-BP模型.WA-PSVM模型解决了地下水位序列非线性非平稳的问题, 在不考虑影响因素的情况下能获得满意的预测效果, 具有较高的建模效率和较强的实用性.      

基于遗传算法-支持向量机的滑坡渗透系数反演

求解库岸边坡岩土体的渗透系数是研究滑坡渗流场及多场演化的基础,一般通过原位试验和室内试验求得,但试验成本较高且试验位置具有一定的随机性。本文以三峡库区马家沟滑坡为例,提出一种利用地下水位动态观测资料反演滑坡岩土层渗透系数的方法。具体步骤为:（1）依据滑坡的勘察资料和水位观测数据,构建滑坡数值模型;（2）利用SPSS生成不同渗透系数正交试验组合,并将渗透系数代入数值模型中计算监测井的水位,得到不同渗透系数及其对应的模拟水位数据;（3）应用遗传算法优化的支持向量机构建坡体模拟水位与渗透系数的非线性映射关系,再通过代入实际动态监测水位值求得滑坡岩土层的渗透系数;（4）将求得的渗透系数代入数值模型,用计算的模拟水位与实际观测水位进行对比验证。研究结果表明:遗传算法优化的支持向量机具有良好的学习预测效果,能准确预测渗透系数与水位的关系。该反演方法具有高效、准确的优点,反演结果的精度满足实际应用需要。     

基于GIS的哀牢山戛洒镇小流域滑坡易发性评价

根据研究区的基本情况,选择坡度、坡向、地层岩性、距断层距离、降雨、土地利用等6个评价因子,采用滑坡灾害易发性评价的GIS与AHP耦合模型进行戛洒镇滑坡灾害易发性评价,并将滑坡灾害分为极高、高、中、低和极低易发区5个区域进行了滑坡灾害易发性评价结果分析,以期为后期的小流域滑坡风险评估研究服务。     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

陕西凤县滑坡易发性评价研究

滑坡易发性评价是滑坡早期预警的基础,为了探索适用于秦岭山区的区域滑坡易发性评价方法,本文在陕西凤县1:5万详细调查的基础上,针对山区地质灾害调查的特点,对传统信息量模型进行改进,利用ArcGIS软件基于改进的信息量模型完成了凤县滑坡易发性评价。结果显示:凤县地质灾害分布主要与植被覆盖率、河流侵蚀和人类工程活动相关。根据评价结果将凤县滑坡易发性划分为四个等级:高易发区面积165 km2,占全县总面积的5.2%;中易发区面积686 km2,占21.5%;低易发区面积1195 km2,占37.5%;基本安全区面积1141 km2,占35.8%。根据此评价结果,为陕西凤县土地利用规划和滑坡防治提供依据,并为秦岭山区的区域滑坡易发性评价提供思路和方法。     

基于信息量法的湖北省秭归县滑坡易发性评价

本文以湖北省秭归县为研究区,选取高程、水系距离、道路距离、岩土体类型、坡向、坡度、土地覆盖类型、年降雨量等8个评价因子开展滑坡易发性评价工作,依据ArcGIS软件数据分析工具完成各评价因子相关性分析。对评价因子相关性值|r|>0.1的高程、坡向因子剔除,计算各因子信息量值。利用信息量模型进行滑坡易发性评价,将研究区划分为四个区域：(1)极高易发区,面积140.0864 km²,占研究区总面积6.18%,主要分布在长江及支流沿岸;(2)高易发区,面积1002.445 km²,占研究区总面积44.23%,主要呈带状分布在极高易发区两侧,部分位于两河口镇、磨坪乡周边区域;(3)中易发区,面积833.8711 km²,占研究区总面积36.79%,呈带状分布在极高易发区两侧,零散分布;(4)低易发区,面积290.2564 km²,占研究区总面积12.80%,多分布在高山人稀区域。本文研究结果能够较好地反映研究区滑坡灾害分布规律,可为秭归县防灾减灾工作提供依据。     

基于粗糙集和BP神经网络的滑坡易发性评价

区域滑坡易发性评价是国土规划和滑坡中长期防治的重要依据。为进一步提高滑坡易发性评价的准确性,以恩施市龙凤镇为研究区,运用地理信息系统GIS技术,获取了包括工程岩组、坡度、地质构造等在内的13个初始评价因子,利用基于遗传约简算法的粗糙集理论对初始评价因子进行属性约简,去掉冗余属性后获得最小约简,即8个核评价因子：工程岩组、高程、地形曲率、道路、水系、坡度、坡向、径流强度指数,并以此作为BP神经网络的输入层,构建RS-BPNN预测模型,获得滑坡易发性指数LSI及滑坡易发性等级分区图。其中高易发区面积占总面积的12.82%,该区包含的滑坡面积占总滑坡面积的78.11%,通过ROC曲线测试,模型预测精度为90.9%。结果表明,RS-BPNN模型预测性能良好,进一步提高了滑坡易发性评价的精度和准确性,有较高的工程实用价值。     

贵州省都匀市滑坡易发性评价研究

都匀市是贵州省城镇滑坡地质灾害多发频发区。文章以都匀市沙包堡镇为研究区,采用栅格单元提取高程、坡度、岩性、水系等9项致灾因子,分别使用都基于数学统计模型的定量分析方法（二元逻辑回归模型、信息量模型）和定性分析方法（层次分析模型）对都匀市研究区滑坡地质灾害易发性进行评价。结果表明:二元逻辑回归模型预测精度与预测效果均为最优,其ROC曲线下面积AUC值为0.873,易发性分区中高易发区和中易发区内预测发生滑坡面积比占95.41%,且最符合野外实地调查验证情况。评价方法与结果可为贵州城镇地区滑坡地质灾害评价和防治提供借鉴。