地表糙度与水力糙率系数的关系

通过室内人工模拟降雨实验,初步探讨了地表糙度与水力糙率系数间的关系,得出了两者表征阻力特征相一致的阈值为0．979,并回归得到小于该值求算地表糙度的计算模型Y=2．4234e^0.3005ln(x）,R=0．769,其中Y为地表糙度;X为曼宁糙率系数。     

坡面动力侵蚀过程的实验研究进展

本文首先总结了坡面流及坡面动力侵蚀过程的实验设备、技术手段及实验内容方面的进展,然后全面探讨了坡面侵蚀实验方面的国内外研究最新进展,最后作者分析了实验研究方面存在的问题,并提出了前景展望。     

河道糙率系数变化对全新世古洪水流量计算的影响研究

洪水流量计算中河道糙率是一个重要的灵敏度参数。以汉江上游郧县尚家河台地前沿记录的四期古洪水流量计算为例,研究河道糙率系数在比降-面积法和HEC-RAS模型中对古洪水流量计算结果的影响。结果表明：其他水文参数一定时,河道糙率系数以±15%变幅,比降-面积法重建的古洪水流量变幅在-13.04%～17.65%,HEC-RAS模型计算的流量变幅在-4.32%～4.57%;若河道糙率系数以±25%变幅,比降-面积法和HEC-RAS模型计算的流量变幅分别为-20%～33.33%和-7.79%～9.18%,说明采用HEC-RAS模型重建古洪水流量,可减少河道糙率系数对计算结果的影响,使古洪水流量计算结果更为可靠。此外,假定其他参数不变,主河槽和左、右岸糙率系数依次变幅±25%,主河槽糙率系数变化对流量计算结果影响最大,说明洪水流量计算时应准确选取主河槽的糙率系数。该结果对水利工程建设具有重要的现实意义。     

坡面土壤侵蚀临界坡度问题的理论与实验研究

本文首先在分析坡度对坡面流及坡面侵蚀的基础上,运用能量法及泥沙运动力学两种方法从不同理论角度探讨了坡面土壤侵蚀临界坡度问题;其次,通过室内外实验观测资料,结合与其他学者观点的比较分析,最后得出结论：坡面侵蚀以溅蚀为主时,临界坡度应小于２２°;以面蚀为主时,临界坡度为２２°～２６°左右;以沟蚀为主时,临界坡度会超过３０°;若以重力侵蚀为主,临界坡度可能会更大。     

缓坡坡面径流在土粒分散阶段的作用

通过水文及水力理论 ,采用微积分方法推得超渗产流模式下 ,均匀降雨在平整坡面单位面积上产生的径流能量为(ρg/ 4)Lqsin2θ ;在 3°～ 15°坡面上 ,模拟黄土高原暴雨的特征雨强 (0 8mm/min～ 4 0mm/min) ,控制相同水量 ,分别以径流形式及降雨形式及降雨形式作用于 1m× 1m坡面小区 ,测量其产生的分散土粒量 ,发现坡度对分散量的影响远大于径流的影响 ,雨滴击溅产生的松散颗粒占总分散量的百分数随坡度增大呈下降趋势 ,径流产生的则恰相反 ,随坡度增大呈上升趋势 ,从6°时的 2 0 %上升为 15°时的 70 % ,说明其存在一个两者相等的临界坡度 (在实验条件下约为 2 1°) ,坡度大于这个值 ,径流的冲刷量将大于雨滴的击溅量     

坡面地表下的风场的风洞实验与数值模拟

 针对传统近地层风沙流的理论与数值模拟研究以及风洞实验大多是基于理想条件（平坦床面、定常风速）,而实际风沙运动通常发生在复杂环境下（如复杂地形、湍流结构风场等）,沙漠最基本的地貌形态如沙丘、沙波纹等迎风面坡度对颗粒起动和输沙率影响很大。基于此,应用相位多普勒粒子分析仪（PDPA）对坡面近地表风场进行测量,得到迎风坡及背风坡的风场特性,并且采用SIMPLE算法对坡面风场进行了数值模拟。通过对数值模拟及风洞实验结果进行对比分析后,发现数值模型不仅能够有效地模拟风洞实验中坡面地表的风场特性,而且能够较为直观全面的展现迎风坡面、特别是背风坡面的风场结构特性。     

用坡面增量系数进行区域地势评价的尝试--以江西省泰和县为例

选择山地、丘陵、河谷平原等层状地形构造特征突出的江西省泰和县为例,基于Arc/Info和Arcview等GIS软件的空间分析功能,使用25 m×25m的DEM数据源建立了数字坡度模型,并与乡级行政区划图进行叠加分析,计算出以乡(镇)为单位的地表坡面面积增量.进而根据坡地的坡度越陡其地表面积增量越大的原理,将坡面面积增量与其投影面积的比定义为坡面增量系数(Increment Coefficient if Slope Area,ICSA),以ICSA为量化指标,探讨了区域地势评价的方法.     

坡面泥石流发生的坡度阀值研究

对重庆市北碚区的21个坡面泥石流的实地调查表明,坡度对坡面泥石流发生具有重要的控制性作用。在对坡面泥石流流域大量原始坡度进行统计分析后发现,各坡面泥石流的坡度服从正态分布规律。根据这一分布规律,将本区坡面泥石流发生的坡度阀值确定为三类。文章从定量的角度阐述了坡度阀值与坡面泥石流发生的关系,为生态脆弱区的划分、工程建设、防灾减灾和政府决策提供服务。     

坡面流与坡面侵蚀动力过程研究的最新进展*

在回顾了坡面流及坡面侵蚀过程研究的简史与现状的基础之上,全面总结了坡面流形成机理及其模式、坡面流水动力学特性、坡面侵蚀动力过程及其侵蚀产沙模型诸方面研究的最新进展,并对坡面流各要素分析及坡面小侵蚀陡坎的形成等进行了一些探讨。最后,提出了坡面流及坡面侵蚀过程研究中存在的主要问题及未来展望。     

“红壤坡面侵蚀与水土流失防治”的实验与探索

一、实验活动的背景 我国红壤丘陵区水土流失严重,对区域的地貌、植被、水文和人类活动（农业、工业、交通等）产生了重大影响。学校所在地区江西省景德镇市,为我国亚热带红壤丘陵区的典型地区,水热资源丰富,年降水量超过1200毫米,但分配不均;加之长期以来土地资源不合理的开发与利用,水土流失严重。高一必修1教材有一实验活动“如何保持土壤不被冲刷”,本文为教师指导学生针对实验目的,自行设计红壤坡面水土流失与水土流失防治的实验活动,探索分析坡形、坡度、地表覆盖物、工程措施等地理要素对红壤丘陵水土流失的差异影响。     

基于SVM的泥石流危险度评价研究

选取泥石流一次(可能)最大冲出量(L₁)、泥石流发生频率(L₂)、流域面积(S₁)、主沟长度(S₂)、流域最大相对高差(S₃)、流域切割密度(S₆)和泥沙补给段长度比(S₉)7个因子作为泥石流沟谷危险度评价因子,运用支持向量机理论,以云南省37条泥石流沟的259个基础数据为样本进行学习训练和测试,建立泥石流危险度评价的支持向量机模型,通过实例验证,取得良好效果。     

BP神经网络和SVM在矿山环境评价中的应用分析

矿山环境的影响因素多样,定量评价过程易受人为因素干预。BP神经网络与SVM算法能够自动模拟各因子间的非线性关系。首次将其引入到矿山环境评价中,选取160个单元作为训练样本,以自然地理、基础地质、开发占地及地质环境等4个大类的14个变量指标为输入向量,以单元评价得分为输出向量,分别建立BP神经网络与SVM矿山环境评价模型。结果表明：两种模型均能满足矿山环境评价的精度要求;SVM模型收敛速度较BP神经网络快,MSE小于BP神经网络,更适合矿山环境评价工作;将定量模型应用于研究区,评价得分划分为4个级别,与定性评价结果一致,为矿山环境评价工作提供了新思路。     

GIS支持下基于支持向量机的滑坡危险性评价

以仙游县为例,探讨了将地理信息系统技术(GIS)和支持向量机(SVM)算法应用于滑坡灾害危险性评价的基本思路和技术路线。主要内容包括SVM的基本原理和方法、滑坡灾害危险性评价指标的选取和量化、SVM模型的建立以及具体的实现过程。实践证明该方法是一种较好的滑坡灾害危险性评价方法。     

基于GANBPSO-SVM的高光谱影像特征选择方法

为了在保持对目标检测和分类分析所需信息的同时,降低高光谱影像的维度,提出了一种混合优化策略的特征选择方法。该方法将遗传算法和二进制粒子群优化算法融合成一种新的混合优化策略（GANBPSO）,自动选择最优波段组合,同时优化分类器支持向量机（RBF-SVM）的参数,以提高分类器的分类性能。为了说明所提出方法的有效性,采用了在高光谱分类中广泛使用的Indian Pines（AVIRIS 92AV3C）数据集进行测试。结果表明所提出方法（GANBPSO-SVM）能够自动选择包含最多信息的特征子集以保证分类精度,而不需要预先设置所需要的特征子集数量,本方法与传统方法相比具有更好的分类效果。     

基于PCA-GASVM的晋陕甘宁地区生态环境评价

我国新型城镇化进程中产生较严重的生态环境问题。选取晋陕甘宁地区为研究对象,从城镇生态压力、状态、响应3个方面构建了生态环境的评价指标体系,并通过2013年中国统计年鉴整理到相关数据,利用PCA-GA-SVM对晋陕甘宁地区生态环境进行评价。结果表明:PCA-GASVM生态环境评价比GASVM评价具有更高的准确率,而且PCA-GASVM比GASVM评价收敛速度更快。甘肃、宁夏的自然保护区占辖区面积比重指标排名比山西、陕西两个省名次靠前,从森林覆盖率分析只有陕西位于第11位,山西、甘肃、宁夏森林覆盖率均位于后20名;从SO₂排放量、烟尘(粉尘)排放量、工业废弃物产生量、废水排放量上分析,在晋陕甘宁地区中,宁夏最优,甘肃次之,陕西、山西排放很严重。晋陕甘宁地区生态环境保护应在\"新常态\"下要有\"新状态\",将市场机制与政府的补贴、税收等政策宏观调控相结合,严守生态红线,发展生态经济绿色科技、清洁生产,减少工业废弃物排放,建立环保交易市场,推行污染第三方治理,完善生态补偿制度,走集约、智能、绿色、低碳的新型城镇化道路。     

基于TerraSAR-X影像的格陵兰岛海岸水边线提取

海岸线是海洋与陆地的交界线,全球气候变化将引起海岸线的变迁,极地区域拥有最大的冰川,冰川的消融将导致全球海岸线的迅速变迁,因此研究极地海岸线具有重要的科学意义。由于潮汐等影响,卫星影像提取的海洋与陆地的交界线只是海岸水边线,本文以格陵兰岛海岸为实验对象,采用Gamma滤波方法对合成孔径雷达(SAR)数据的相干斑进行预处理,提出了应用支持向量机(SVM)和Canny边缘检测算子的海岸水边线提取方法,基于Terra SARX影像的实验结果表明,本文提取的格陵兰海岸水边线准确率都达60%以上。     

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。     

基于土壤反射光谱特性的广东省稻田土壤快速分类

选择广东省215个村镇稻田的土壤样本,首先利用ASD Field Spec3测量土壤样本在350~2 500 nm的光谱,并采用S-G一阶导数平滑滤波降低样本测量中光照差异的影响,然后将遗传算法（Genetic Algorithm,GA）和支持向量机分类（Support Vector Machine,SVM）分别用于提取分类光谱特征和建立分类模型,分别在土纲、亚纲、土类3个层次进行土壤分类。结果表明：1）在不同的分类层次下,与铁氧化物密切相关的650~710以及900 nm附近光谱,与羟基矿物吸收有关的2 207~2 237和2 377~2 397 nm区间均被作为分类特征变量。2）随着土壤类型的细分,分类所需变量增多。在土类级,对有机质敏感的2 080 nm附近的光谱也被引入分类定标模型中,土纲和亚纲下分类精度＞67%,土类级分类精度为58.67%。利用遗传算法提取光谱特征,进行基于支持向量机的土壤分类具有一定优势。     

Landslide susceptibility mapping based on Support Vector Machine: A case study on natural slopes of Hong Kong, China

The Support Vector Machine (SVM) is an increasingly popular learning procedure based on statistical learning theory, and involves a training phase in which the model is trained by a training dataset of associated input and target output values. The trained model is then used to evaluate a separate set of testing data. There are two main ideas underlying the SVM for discriminant-type problems. The first is an optimum linear separating hyperplane that separates the data patterns. The second is the use of kernel functions to convert the original non-linear data patterns into the format that is linearly separable in a high-dimensional feature space. In this paper, an overview of the SVM, both one-class and two-class SVM methods, is first presented followed by its use in landslide susceptibility mapping. A study area was selected from the natural terrain of Hong Kong, and slope angle, slope aspect, elevation, profile curvature of slope, lithology, vegetation cover and topographic wetness index (TWI) were used as environmental parameters which influence the occurrence of landslides. One-class and two-class SVM models were trained and then used to map landslide susceptibility respectively. The resulting susceptibility maps obtained by the methods were compared to that obtained by the logistic regression (LR) method. It is concluded that two-class SVM possesses better prediction efficiency than logistic regression and one-class SVM. However, one-class SVM, which only requires failed cases, has an advantage over the other two methods as only “failed” case information is usually available in landslide susceptibility mapping.