一种基于全站扫描的特征点自约束点云变形分析方法

为了对大坝、高层建筑、滑坡区、采空区等危险变形体进行变形观测,针对智能全站仪、GNSS测量、三维激光扫描等变形监测技术无法很好地实现变形特征点和点云的综合变形分析问题,提出了基于全站扫描特征点自约束点云变形分析方法,获取变形体的离散特征点和整体点云变形数据,利用特征点形变矢量求取点云至模型的形变量,从而刻画变形体的整体形变信息。试验结果表明,利用本文所提出的方法能够成功计算出点云至模型的形变量,经统计分析,所有点的形变量真误差的期望值为-0.04 mm,结果精度为1.2 mm。试验结果能够反映变形体的整体形变信息,且具有较高精度。     

变形体的稳定性及其定量分析方法初探

变形体的稳定性是变形体性质的重要内容，它是工程实际中极为关注的问题，但从变形监测的角度上来分析变形的稳定性目前在国内外还未见任何实质性的报导。本文讨论了从变形监测角度上分析变形体稳定性的一般方法，进行变形稳定性的分类，初步研究了变形体稳定性的定量分析方法，定义了一系列量化指标，如稳定度、因素的影响域与因素的稳定域等。这些有利于把稳定性分析推向应用和深入，从而提高变形监测在变形体定性分析中的地位，增     

沉降变形分析的假设检验法

沉降变形体稳定性评估有参数回归法和人工根据经验判断。沉降变形受众多因素的影响,往往无法通过参数回归法分析,人工根据经验判断沉降变形体是否处于稳定状态缺乏科学性和严谨性。探究χ^2检验法评估沉降变形体状态稳定性的合理性,实例验证表明:χ^2检验方法对沉降变形体稳定性的判断吻合沉降变形的变化过程,χ^2检验能够科学合理准确地分析沉降变形体的变化状态和稳定状态。     

监测网的几何分析

为了探测地壳或工程建筑物的变形，通常选择一组有代表性的离散特征点来代表变形体，从而建立起监测网，通过预测分析网的变化，即可推知变形体的变形状态，同时民为其它观测点的变形分析提供依据。监测网的变形网分析，一般分为几何分析和物理分析两部分，所谓几何分析，其实质就是分析得到眯位的空间位移量，提供变形体的几何状态，而物理分析则主要是解释变形与变形原因之间的关系。本文将对监测网的几何分析进行探讨，主要讨论变     

基于激光点云的巨型倾倒大变形体监测研究

以某特高岸水库巨型变形体为研究对象,应用地面三维激光扫描仪采集变形体表面激光点云数据,建立变形体DEM模型,几何量测提取点、线、面(体)成果,对比及叠加分析,得到特定点、线、面及整个变形体位移量信息。研究结果表明,高密度激光点云数据可弥补传统监测成果单一及分析局限或以点概全的不足,以其丰富多样的监测成果全面反映变形体的变形信息,尤其对速滑变形在时效性和精度匹配上更有效,可达到应急预报要求。     

对地铁结构监测基准点稳定性的研究

本文在研究大量变形监测技术与监测成果的基础上,注意到基准点的稳定性,它直接影响到监测成果的可靠性和客观性,尤其当基准点的稳定性超过两倍测量中误差时,监测成果不仅不能客观反映变形体的变形量,甚至出现较大偏差或错误,从而导致人们对变形体的变形趋势和安全性分析失准。因此,本文对监测基准点稳定性进行深入研究,并通过应用实例提出监测基准点的布设方法和稳定性分析方法。     

GBInSAR河流滑坡变形监测应用

对城市中河流滑坡进行变形监测与分析掌握滑坡体形变规律,是滑坡安全性评估的重要手段。针对南宁邕江柳沙半岛滑坡灾后加固过程中稳定性,采用GBInSAR技术对该滑坡进行连续高精度变形监测,同时结合时间序列分析方法获取了该滑坡体的二维形变时间序列图以及特征点的形变时间序列。变形监测与分析结果表明,滑坡体上的加固带处已基本稳定,加固带上大部分PS点的形变在1 mm以内;滑坡体的大部分区域的形变基本在4 mm以内,且形变呈明显的非线性变化;GBInSAR技术可以快速、有效地获取河流滑坡整体形变信息及形变的演化过程。     

变形信号与噪声的分离方法及其应用

在对变形体进行监测的时候会得到一系列不同时间的观测结果,比如对滑坡的位移监测,得到一系列的坐标,通过与首期观测数据的比较可获得变形量,然而测量中不可避免的含有误差,如何将变形信息和观测噪声分离是一个需要解决的问题。本文在变形是一个连续过程的假设下,以给定的验前方差为约束条件,通过三次连续逼近样条函数建立变形曲线,达到变形信号与噪声分离的目的,文中通过对某滑坡多年监测数据的分析验证了该方法的可行性。     

四川省北川县安子坪滑坡监测与分析

滑坡监测的主要任务是监测滑坡的实时动态变化、诱发因素等,以获取空间变形数据,用以滑坡的稳定性评价、预测预报及治理等。文章以北川县安子坪滑坡为例,建立系统化、立体化监测系统,及时测定和预报滑坡的位移等变化情况,并为长期稳定性预测研究提供资料。     

利用移动最小二乘法进行点云变形分析的研究

三维激光扫描仪能够高精度快速翔实地获得变形体的空间信息,同时诸多变形体的变形情况也需要完整的描述和分析。为此,本文通过三维激光扫描仪获取变形体变形前后的点云数据,并利用移动最小二乘法进行均匀格网拟合内插来提取变形信息。通过模拟简支梁加载试验和上述方法进行变形分析,并与TS30高精度测量机器人的测量结果进行对比,结果表明两者精度相当,能够探测到毫米级变形。     

Virtual reality and its application to slide annimation of landslide

A few researches adopt virtual reality in landslide. So it is significant to combine the physics-based deformable method with the process simulation of a sliding landslide, this way the dynamic process of a going landslide can be simulated. The analysis of the dynamic law of landslide provides a foundation to forecast and make it realiable to foretell disasters. After recounting the condition of VR and landsliding body simulation, this paper puts forward simulating landslide by the physics-based deformable method. The method divides landsliding into deformable body and rigid one. The deformation of deformable body can be compute by DDA and FEM, and DDA fits the great deformation and FEM is good for the tiny deformation. This paper shows it is feasible to simulate the landslide animation by this method.     

Virtual reality and its application to slide annimation of landslide

A few researches adopt virtual reality in landslide. So it is significant to combine the physicsbased deformable method with the process simulation of a sliding landslide, this way the dynamic process of a going landslide can be simulated. The analysis of the dynamic law of landslide provides a foundation to forecast and make it realiable to foretell disasters. After recounting the condition of VR and landsliding body simulation, this paper puts forward simulating landslide by the physics-based deformable method. The method divides landsliding into deformable body and rigid one. The deformation of deformable body can be compute by DDA and FEM, and DDA fits the great deformation and FEM is good for the tiny deformation. This paper shows it is feasible to simulate the landslide animation by this method.     

贫信息条件下的多点变形预测模型及其应用

常用的单点变形分析方法没有利用监测点间相互关系的信息，不足以反映变形体整体的变形规律。本文将单点的变形预测模型扩展为多点的变形预测模型，建立了贫信息条件下的多点预测模型。进行了实例建模与分析，结果表明，多点预测模型为解决少数据，多因子的动态系统预测与分析提供了新的途径。     

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。     

Spatial Prediction of Rainfall-Induced Landslides Using Aggregating One-Dependence Estimators Classifier

In this study, the spatial prediction of rainfall-induced landslides at the Pauri Gahwal area, Uttarakhand, India has been done using Aggregating One-Dependence Estimators (AODE) classifier which has not been applied earlier for landslide problems. Historical landslide locations have been collated with a set of influencing factors for landslide spatial analysis. The performance of the AODE model has been assessed using statistical analyzing methods and receiver operating characteristic curve technique. The predictive capability of the AODE model has also been compared with other popular landslide models namely Support Vector Machines (SVM), Radial Basis Function Neural Network (ANN-RBF), Logistic Regression (LR), and Naïve Bayes (NB). The result of analysis illustrates that the AODE model has highest predictability, followed by the SVM model, the ANN-RBF model, the LR model, and the NB model, respectively. Thus AODE is a promising method for the development of better landslide susceptibility map for proper landslide hazard management.     

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。     

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。     

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。     

GIS在地震地质灾害信息管理中的应用--滑坡稳定性分析技术

地震及降雨等因素对于滑坡发生有明显的控制作用。为了有效地将地表地形与滑坡运动特征结合起来,进行了滑坡的稳定性分析。在GIS中了实现对滑坡快速有效的分析、预测,并建立了滑坡稳定的综合判定标准。