基于位移的滑坡时间概率预测方法

滑坡位移是滑坡稳定性状态的重要表观特征。对数拟合法是一种基于位移观测数据对滑坡时间进行预测的常用方法。在实际应用中,受测量误差、环境噪声和模型假设等因素的影响,滑坡时间很难准确预测。本文将滑坡时间预测中的不确定性分为观测不确定性和模型不确定性两类。基于残差Bootstrap方法,提出了观测不确定性的标定方法;搜集了降雨型滑坡案例,标定了对数拟合法预测降雨型滑坡时间的模型不确定性。在此基础上,提出了可同时考虑以上两种不确定性的滑坡时间概率预测方法。算例表明,概率方法既能提供滑坡最可能发生的时间,也能提供滑坡在不同时间点之前发生的概率水平,其预测结果与实际观测滑坡时间更为符合,可为滑坡灾害的灾害预警提供有用的信息。     

利用粗糙集的滑坡分阶段位移预测方法——以白家包滑坡为例

为解决大数据量下滑坡的位移数值精确预测,采用数据挖掘技术对滑坡多源监测数据进行预处理,进而采取粗糙集理论对输入变量集进行定量评价、约减并完成滑坡变形阶段预测,在此基础上利用不同算法进行滑坡变形位移数值预测。实验显示,粗糙集对滑坡变形阶段划分的准确度达到96.5%,在此基础上利用分类回归树预测滑坡位移的精度达到6.5 mm。结果表明,分阶段的位移预测方法是可行的,其提供的预测精度显著优于普通方法并且达到了工程应用的需求。     

基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例

三峡库区滑坡地表位移-时间曲线多呈台阶型特征。基于位移响应成分模型的滑坡位移预测方法是该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成分与低频成分的问题,提出了基于时间序列集合经验模态分解(EEMD)与重构的粒子群优化-支持向量机回归(PSO-SVR)位移预测方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其他常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其他5个台阶型滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

基于信息维的滑坡时间位移序列分析

以白水河滑坡时间位移序列作为研究对象,提出了用信息维来研究滑坡时间位移序列的方法。对ZG93监测点的时间序列进行了分年信息维数计算,同时对2006—2009年预警区内所有监测点时间序列进行了分维异常分析。结果表明,时间位移序列的信息维数大小与序列的频变和骤变有关;分维异常图可以反映滑坡空间范围内各部位的相对变形情况。     

基于变系数回归模型的三峡库区滑坡位移预测

降雨-库水联合作用影响着三峡库区滑坡,而降雨、库水分别对滑坡演化的贡献及作用规律迄今尚不明确.以库区树坪滑坡和八字门滑坡为例,通过分析降雨和库水位资料,采用变系数回归模型,对滑坡位移进行预测.实验结果表明:经过改进的变系数回归模型方法不仅比传统的线性回归模型、自回归积分滑动平均模型、支持向量机模型方法具有更高的预测精度,而且能定量地给出各影响因素对滑坡位移的贡献.      

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。     

三峡库区滑坡台阶状位移趋势预测的警戒速度方法

对不同类型的35个滑坡进行统计分析,发现滑坡临滑前加速度和速度符合Voight模型的幂函数关系。由于无法准确判断三峡库区具台阶状位移特征的滑坡何时处于最后加速失稳阶段,故不能直接应用该模型进行预报。根据台阶状位移特征的滑坡变形特征,本文采用了基于Voight模型的警戒速度方法。该方法是基于Voight模型采用非线性回归分析求得模型参数,按不同风险级别要求求得紧急状态、警戒状态、提前警戒状态的速度阀值,并与实际监测的速度对比去预报滑坡所处的危险等级。采用警戒速度方法对白水河滑坡和新滩滑坡进行了分析,发现预测结果与实际较为接近,预测效果较好。     

滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测

三峡库区某些库岸滑坡在强降雨、库水位涨落等诱发因素影响下,其位移时间序列表现出阶跃式变化特征且可能存在混沌特性.但目前常用于滑坡位移预测的混沌模型,均建立在单变量混沌理论的基础之上.且已有的考虑了诱发因素的常规多变量模型,大都采用经验性的方法来选取输入变量;常规多变量模型对滑坡位移序列的非线性特征,及其与诱发因素间的动态响应关系缺乏数学理论上的深入分析.因此,提出一种基于指数平滑法、多变量混沌模型和极限学习机（extreme learing machine,ELM）的滑坡位移组合预测模型.指数平滑多变量混沌ELM模型首先对滑坡累积位移序列的混沌特性进行识别;然后用指数平滑法对累积位移进行预测,得到趋势项位移,并用累积位移减去趋势项位移得到剩余的波动项位移;之后对波动项位移及降雨量、库水位变化量这3个因子进行多变量相空间重构,并用ELM模型对多变量重构后的波动项位移进行预测;最后将预测得到的趋势项和波动项位移值相加,得到最终的累积位移预测值.以三峡库区白水河滑坡ZG93监测点的累积位移作为实例进行分析,并将模型与指数平滑多变量混沌粒子群-支持向量机（PSO-SVM）模型、指数平滑单变量混沌ELM模型作对比.结果表明滑坡位移序列存在混沌特性,模型能有效预测滑坡位移,其预测效果优于对比模型.且本文模型从混沌理论的角度将波动项位移与降雨量、库水位变化量的动态响应关系进行综合分析,更能反映滑坡位移系统演化的物理本质.      

滑坡宏观机理研究——以长江三峡库区为例

在长江三峡库区310个滑坡调查和统计分析的基础上,将库区滑坡宏观变形机理分为滑动面控制、滑体控制和两者组合控制3类。滑动面控制机理表现为顺层斜坡的滑体边界没有明显形成之前,由于暴雨诱发,滑动面先丧失内聚力和摩擦阻力而引起滑体快速滑动．在滑动过程中滑坡边界破裂才发生;其显著特征是没有明显的滑动前兆、暴雨突然诱发、集中群发、单个滑体较薄、滑动面倾角陡、滑动面上没有擦痕和摩擦薄膜,并具有流一滑的特征。滑体控制机理表现为潜在滑体边界先发生宏观破裂,在重力和其他动力作用下发生蠕变滑动,然后克服潜在软弱面的摩擦阻力而发生快速滑动;其主要特征是滑坡有先存边界,滑动面上有大量擦痕和摩擦薄膜。两者组合控制机制表现为滑体边界破裂和滑动面蠕滑同时组合作用,导致滑坡快速滑动,多为可能多次发生滑动的老滑坡。     

基于机器学习的滑坡灾害易发性评价——以三峡库区为例

三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17 个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC（Area Under Curve）精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。     

基于主控因子分析与GM-IAGA-WNN联合模型的平推式滑坡位移预测研究——以垮梁子滑坡为例

滑坡位移预测模型是滑坡预警系统建立的核心,而模型可靠性与精确性关键在于主控因子的选取与基础理论模型的构建。学者们通过大量滑坡实例研究,已取得了诸多成果,但是由于滑坡位移变化具有强烈的个性特征及趋势发展的不确定性问题,在多因子联合作用下的位移预测模型尚有不足之处。本文以西南地区普遍存在的平推式滑坡——垮梁子滑坡为研究对象,结合前人已有的研究成果,综合考虑坡体内外各项影响因子,利用灰色关联度与相关性分析对坡体变形主控因子进行优化筛选。以此为基础,提出一种基于GM（1,1）灰色模型与改进型自适应遗传算法（IAGA）进行优化的小波神经网络（WNN）联合预测模型构建方案。通过对垮梁子滑坡历时5年的监测数据挖掘分析,得知滑坡变形受累计降雨、渗压、地下水位及土体含水率影响显著,预测结果与实际监测比较吻合。相较于传统BP神经网络模型、小波神经网络模型和未优化遗传算法-小波神经网络联合模型,该联合模型具有更好的稳定性与精度优势,在滑坡预警预报研究中具有良好的应用前景。     

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.     

基于风险管控的滑坡防治工程设计理念——以三峡库区巫山干井子滑坡为例

风险管控是指对项目目标的主动控制,以实现防治工程目标为目的,对工程中出现的风险进行控制。本文以三峡库区巫山干井子滑坡防治工程为例,在滑坡防治工程设计中引入风险管控理念,在达到工程目的的基础上,实现治理效果与经济效益双赢,符合目前滑坡防治工程的发展需求,也是今后滑坡防治工程的研究方向。     

基于SVM-ANN模型的滑坡易发性评价——以三峡库区巫山县为例

本文以三峡库区巫山县为研究区,利用收集的资料,提取出9类指标因子(高程、坡度、坡向、地形湿度指数TWI、地表粗糙度指数TRI、地层岩性、水系距离、构造距离、植被覆盖指数NDVI),利用相关性分析剔除高程因子。将灾害点和指标因子数据带入支持向量机(SVM)和人工神经网络(ANN)模型,得到研究区滑坡易发性区划图。根据ROC曲线对模型的精确度进行评价,得到SVM模型的成功率和预测率曲线的AUC值分别为0.919和0.862,ANN模型分别为0.86和0.837,表明两个模型均适用于研究区滑坡易发性评价。根据以上工作,本文提出了基于Max{LSI(SVM);LSI(ANN)}函数的SVM-ANN模型,并将其应用到该区的滑坡易发性评价中。SVM、ANN和SVM-ANN模型中,历史滑坡灾害点分布在高-极高易发区的比例分别为90.06%、83.18%和94.01%,表明SVM-ANN模型更适用于滑坡灾害风险分析的实际应用。     

区域滑坡灾害风险评估——以长江三峡库区秭归县为例

以滑坡灾害突出的三峡库区秭归县为研究区。在深入分析滑坡孕灾环境、诱发因素、滑坡编录和承灾体信息的基础上,利用Logistic回归模型和统计分析方法相结合进行了滑坡危险性评价。通过滑坡灾害致灾强度与承灾体抗灾能力分析了人口、建筑物、生命线工程和土地资源的易损性。采用成本价值核算法对各类承灾体进行了价值核算,最后通过风险模型预测了研究区内未来10年滑坡灾害的生命与经济风险。生命和经济高风险区分别占整个研究区面积的1.11%和2.71%,主要分布在集镇和学校、企事业单位等人口密集区以及交通建设用地等经济价值大的地区;中风险区分别占13.21%和20.66%,主要分布于农村居民生活居住和耕地活动区;低风险区分别占85.68%和76.63%,则分布在经过地质灾害治理和人类活动较为稀少的未利用地及林地等区域。通过实地调查分析与对比验证,发现预测结果与实际灾情较吻合。研究表明,集镇和学校、企事业单位等人口集中区和交通建设用地区是今后减灾防灾部署工作的重中之重。     

再论“滑坡群”——以三峡库区为例

在前人有关地质灾害的研究中,滑坡地质灾害以群体式出现的专业术语有"滑坡群"和"滑坡带"两种,但对其内涵的认识存在模糊性和局限性,缺乏层次性,多数情况下其只是对多个滑坡聚集的简称,没有体现出对地质灾害研究的指导意义。本文修正了"滑坡群"的概念,丰富了"滑坡群"的内涵,将"滑坡群"与相同的局部构造、活动构造相联系,使"滑坡群"内部的个体滑坡、相同新构造活动区域"滑坡群"之间的对比成为可能,实现了基础地质研究与灾害地质研究的有机结合。在此指导下提出了"滑坡群"评价方法,包括局部构造样式以及形成机理、局部构造与地质灾害空间演化规律、"滑坡群"内部个体滑坡对比,并建立了"滑坡群"时空演化模式,为预测滑坡破坏过程提供依据。     

黄河三峡库区滑坡诱发的涌浪预测方法

黄河三峡库区的涌浪灾害风险不容忽视,经验公式是宜优先考虑的涌浪快捷评价方法.对黄河三峡焦家崖头2012年2月7日的黄土滑坡和涌浪进行调查,分析了黄土滑坡及涌浪的特征.采用9种涌浪经典计算公式,计算了涌浪的初始浪高、对岸爬高等特征参数.与调查结果对比表明,采用美国土木工程师协会推荐法、水科院算法、Huber and Hager模型和潘家铮算法获取的焦家崖头黄土滑坡诱发的涌浪特征参数均接近实际,其确定的校正系数分别为2.14、1.92、0.6和0.66,对比考虑安全性和经济性后推荐采用潘家铮算法预测黄河三峡的涌浪.