利用多元Logistic回归进行道路网匹配

识别同名道路在多源异构道路网匹配过程中十分关键。提出了一种多元Logistic模型的道路网匹配算法。首先选取并设计了能有效综合空间与非空间信息进行道路不相似性描述与区分的三种特征,即最小方向变化角、综合中值Hausdorff距离和语义差异三种不相似性特征,然后利用此三项特征结合多元Logistic回归模型构建准确的道路网匹配模型。利用该模型对道路网中待匹配道路进行匹配概率预测,从而获取道路的匹配结果,实现路网匹配。实验结果表明,本文方法避免了组合特征精确权值与阈值的设定,并能有效解决匹配结果对单元变量过于依赖的问题,具有良好的适应性、较高的准确率和召回率。     

第三系砂岩波速特性探讨及统计分析

波速测试技术作为一种简便、快捷的测试技术被广泛应用于各种工程实践中, 第三系砂岩是非常具有代表性的软岩, 对第三系砂岩波速测试的研究具有重要意义。本文以吉阳核电厂址的第三系砂岩为研究对象, 通过整理单孔波速、跨孔波速方法获得的参数, 分析半成岩岩体波速的空间分布规律及特性, 寻找波速与埋深深度、标贯动探参数之间的关系。结果表明单孔、跨孔波速测试波速值随深度增加而增加, 埋深5m以上增加幅度明显, 埋深5m以下增加趋势减缓, 平面上不同位置各孔的波速值基本一致, 说明第三系半成砂岩岩体分布较均匀。剪切波速与埋置深度线性回归拟合效果较好, 对数拟合优度在0.95以上, 精度最高, 相对可靠, 剪切波速与标贯击数之间相关性不明显, 与动探击数之间基本不相关。     

太原大气能见度影响因子分析及能见度预报

利用2017年1月—2019年12月太原地区逐时气象资料,分析了能见度及其主要影响因子的变化特征,并对两次低能见度过程进行深入分析,构建了能见度预报模型并进行检验,结果表明:(1)从空间分布看,太原北部能见度明显高于南部地区。从时间分布看,太原地区平均能见度最大值出现在5月,最小值出现在1月;日间最低值出现在06:00(北京时,下同),冬季略向后推移,最高值出现在15:00前后。(2)2017—2019年太原地区低能见度分别出现93、84、79 d;低能见度发生时,干霾、湿霾发生频率分别为59.27%、40.73%;湿霾发生时,能见度降低更加明显。(3)所选个例中,能见度均随各影响因子有所起伏,干霾、湿霾过程中能见度分别与颗粒物浓度、相对湿度变化一致。(4)采用神经网络方法构建太原地区能见度预报模型,预报模型相关系数为0.81,均方根为4.43 km,平均绝对误差为17.39%,轻微级能见度的TS评分为87%。神经网络方法对太原地区能见度预报具有较高的参考价值。     

高速公路交通事故与气象条件的关系研究

选取2013—2017年河北高速公路逐日发生的一般等级以上交通事故起数、伤亡人数、经济损失及同期气象要素资料,基于序关系分析法将事故量及等级量化为事故指数,分析了对高速通行高影响的雾天、雨天和雪天事故的年际、月际及日变化特征,并构建日均交通事故指数与气象要素的非线性回归模型。研究表明：（1）交通事故发生时不利天气条件下交通事故总起数、死亡事故起数及人数、经济损失为雾天>雨天>雪天,而伤人事故及人数为雨天>雾天>雪天。（2）雨天、雪天交通事故峰值与当年雨雪极端天气事件有关,雾天单起交通事故的直接经济损失呈上升趋势;事故月、日分布有显著性差异,表现为雾天事故高发月份在9月至翌年2月、雨天事故多发于在5—10月、雪天事故多发于1—2月、12月;05—08时和00时为事故高发时段。（3）分别针对不同等级日雨量和能见度与日均交通事故指数建立了一般等级以上交通事故模型,非线性回归效果显著。

     

中国美丽乡村空间格局演变及其影响因素

以2014年、2017年、2020年对应的140、560、1216个美丽乡村为研究对象,运用GIS空间分析方法研究美丽乡村空间格局演变特征,采用地理探测器和多尺度地理加权回归探究美丽乡村空间格局的影响因素及其在空间上的分异。研究表明：① 美丽乡村空间分布的集聚性增强,主要集聚区呈现“带状-网状-面状”分布的演变趋势,热点区由沿海地带向内扩散。② 美丽乡村的空间分异是多因素共同作用的结果,但各影响因素对美丽乡村空间分异的解释度呈显著差异,其中非物质文化遗产、5A级景区、人口密度对美丽乡村空间分布的解释力最大。③ 主要影响因素对美丽乡村空间分布的影响作用存在空间差异,且局部不平衡性显著,正相关和负相关分析单元具有呈块状与带状的聚集特征。     

磁异常探测中磁场矢量导数快速计算方法

目的 针对计算磁位高阶导数常用的频率域快速傅立叶变换方法在实际应用中存在边界效应的问题,提出了分别在x和y方向上移相π/2二维余弦变换定义及其时域微分定理,推导出了磁场矢量分量的导数计算公式,并将其应用于方向解析信号的磁异常边界识别方法。通过棱柱体源磁场理论数据对比分析,验证了基于余弦变换计算磁位高阶导数的方法在不需要扩边或滤波处理、未增加额外处理数据和算法复杂度的前提下,可避免或减小边界效应,算法稳定性更好,计算结果精度更高。     

基于深部位移的蠕滑型滑坡预警指标及预警预报研究

基于边坡监测数据建立数学模型,是边坡变形和稳定性分析的重要方法。但是单一预测模型的形式和应用范围具有一定的确定性,不同模型对数据的利用程度也有所差别,往往不能充分运用已知信息,导致模型精度不高,适用性不强。针对单一预测模型存在的问题,提出一种基于熵权法的PSO-SVR-NGM优化组合模型。该模型结合高精度变权缓冲NGM(1,1,k,c)模型和PSO-SVR模型,能够减小单一预测模型的误差,大幅度提高预测精度。首先通过引入变权缓冲算子λ和背景值权重系数η、κ改进无偏NGM(1,1,k,c)模型,构建新的3参数变权缓冲NGM(1,1,k,c)模型。结合最大灰色关联度和最小平均相对拟合误差重新构造粒子群算法的适应度函数,利用改进的粒子群算法对提出的变权缓冲模型进行搜索寻优,确定最佳的参数组合。然后通过熵权法对改进的变权缓冲NGM(1,1,k,c)模型和PSO-SVR模型进行赋权建立优化组合模型。最后,将该组合模型应用于3个不同变形特征的边坡工程中,并与其他单一模型进行对比分析。结果表明,相对于单一模型,本文所提出的组合模型的拟合和预测误差较小,与原始位移数据的相关性较好,能够更真实地反映边坡变形规律,具有较强的工程适应性。同时组合模型的提出与发展也促进了单一模型的优化改进,为解决实际工程问题提供了良好的思路。     

基于支持向量机回归的电阻率成像反演

以电阻率成像为应用背景,研究了在有限学习样本下,支持向量机回归在电法反演中的建模方法,对反演建模时样本划分、数据预处理、反演流程、评估指标等关键技术进行了分析,给出了一种基于交叉验证(CV)的支持向量机参数寻优方法;通过比较RBF核函数在不同的参数ε下对反演结果的影响,建立了优化的电阻率成像SVR反演模型.     

基于分层自适应部分模型的遥感图像飞机目标检测

提出一种基于分层自适应部分模型(HAPM,hierarchical adaptive part-based model)的目标检测方法,用于遥感图像的飞机目标检测。针对目前目标检测方法在子类型数目确定、模型多分辨率结构关系方面存在的不足,构造如下算法:首先构建一个扩展的Part-based Model模型;其次,分别从子类型的自适应选择、子类型的多层次建模和检测阶段加权距离变换的形变优化等方面对其进行改进;最后,HAPM算法充分考虑了模型的形变,同时结合多层次的建模思想使得目标的检测精度和算法适用性大大增强。用收集的10大国际机场的真实遥感图像数据进行实验验证,证明了算法的有效性。     

The use of digital technologies for landslide disaster risk research and disaster risk management: progress and prospects

Landslide is a serious natural disaster next only to earthquake and flood, which will cause a great threat to people’s lives and property safety. The traditional research of landslide disaster based on experience-driven or statistical model and its assessment results are subjective , difficult to quantify, and no pertinence. As a new research method for landslide susceptibility assessment, machine learning can greatly improve the landslide susceptibility model’s accuracy by constructing statistical models. Taking Western Henan for example, the study selected 16 landslide influencing factors such as topography, geological environment, hydrological conditions, and human activities, and 11 landslide factors with the most significant influence on the landslide were selected by the recursive feature elimination (RFE) method. Five machine learning methods [Support Vector Machines (SVM), Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Linear Discriminant Analysis (LDA)] were used to construct the spatial distribution model of landslide susceptibility. The models were evaluated by the receiver operating characteristic curve and statistical index. After analysis and comparison, the XGBoost model (AUC 0.8759) performed the best and was suitable for dealing with regression problems. The model had a high adaptability to landslide data. According to the landslide susceptibility map of the five models, the overall distribution can be observed. The extremely high and high susceptibility areas are distributed in the Funiu Mountain range in the southwest, the Xiaoshan Mountain range in the west, and the Yellow River Basin in the north. These areas have large terrain fluctuations, complicated geological structural environments and frequent human engineering activities. The extremely high and highly prone areas were 12043.3 km² and 3087.45 km², accounting for 47.61% and 12.20% of the total area of the study area, respectively. Our study reflects the distribution of landslide susceptibility in western Henan Province, which provides a scientific basis for regional disaster warning, prediction, and resource protection. The study has important practical significance for subsequent landslide disaster management.