支持向量机与Newmark模型结合的地震滑坡易发性评估研究

Newmark位移模型是研究地震滑坡易发性的经典模型,机器学习方法支持向量机模型也越来越多的应用到滑坡易发性评估研究。本文将Newmark位移模型与支持向量机模型相结合,建立基于物理机理的地震滑坡易发性评估模型并应用于2008年汶川地震重灾区汶川县。从震后遥感影像目视解译出汶川县1900处地震诱发滑坡,并将其随机划分为70%的训练数据集和30%的验证数据集。选择地形起伏度、坡度、地形曲率、与构造断裂带距离、与水系距离、与道路距离6个因子与Newmark位移值共同作为地震滑坡易发性影响因素。利用ROC曲线和模型不确定性等指标对模型结果进行评估,并与二元统计模型频率比和多元统计模型Logistic回归的结果进行对比。结果表明：与频率比和Logistic回归模型相比,支持向量机模型的正确率最高,训练集和验证集ROC曲线下的面积分别为0.876和0.851。将模型应用于绘制汶川县地震滑坡易发性图,结果显示滑坡易发性图与实际的滑坡点位分布一致性较高,有80.4%的滑坡位于极高和高易发区。这说明支持向量机与Newmark位移方法结合建立的地震滑坡易发性评估模型有较高的预测价值,可以为滑坡风险评估和管理提供依据。     

基于MRVM的多输出边坡变形预测模型

为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机（MRVM）的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP 神经网络、支持向量机（SVM）、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP 神经网络、支持向量机（SVM）、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。     

基于智慧城市多源时空数据脉动规律认知的城市病研究

随着智慧城市上升为国家战略和《新型智慧城市评价指标》出台,各级政府不断推进新型智慧城市建设,各类便民惠民项目争相落地,产业规模呈现快速增长态势。针对常见城市病,利用我们在智慧城市建设中形成的空间信息公共平台所汇聚的各类数据,运用大数据思维和科学的数据挖掘手段,全方位、多角度揭示城市潜藏规律,把脉城市健康脉搏,辅助城市管理、规划决策和应急响应。依托"城市脉动"基本理念,针对城市交通拥堵、城乡垃圾堆放、城市热岛涌现、社会案件频发等常见"城市病",融合数据挖掘技术和深度学习手段对长序列时空大数据进行分析,揭示"城市脉动"变化规律并进行可视化展示,最终为城市规划和管理决策者提供科学指导,提升智慧城市公共服务效率。     

基于多尺度最小二乘支持向量机优化的克里金插值方法

克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM_2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。     

矢量数据属性信息无损栅格化的实现方法——以全国1:25万土地覆被数据为例

矢量和栅格是GIS应用中两种基本的地学数据格式。与矢量数据相比,栅格数据利于空间建模和空间分析,且是空间尺度分析应用中常用的数据格式。一般来讲,较大尺度的矢量数据,涉及到保密性和知识产权的问题,若将这类矢量数据栅格化后,所得栅格数据由于其空间坐标精度相对降低而更易于实现数据共享。随着地学信息收集技术的不断发展,栅格数据正逐渐成为地学应用主要的数据格式。然而,传统的栅格化是一个伴随有属性信息损失的过程,主要原因在于一个栅格单元区域内存在混合类型。针对现阶段栅格化过程中的这个问题,本文以2005年全国1:25万土地覆被矢量数据为例,提出了一种在ArcGIS软件环境下,依据"在一个单元格网中,一种土地覆被类型表达为一个GRID图层"的原则,结合POLYGRID命令及其{LOOKUP_TABLE} INFO文件进行土地覆被矢量数据无属性信息损失栅格化的方法。该方法可为相关研究人员在今后处理和分析地理空间数据的工作提供新的思路,以及为空间尺度的应用研究提供有价值的参考。     

面向P2P环境的分布式矢量地理数据组织模式研究

P2P技术有助于解决集中式架构与生俱来的"单点故障"和"热点瓶颈"之类的性能问题。目前,P2P的栅格地理数据服务虽已得到广泛应用,但是,将P2P技术和矢量地理数据服务有效结合仍然面临诸多问题,尤其需要对P2P网络模型和相应的分布式矢量地理数据组织模式深入分析。面向矢量数据服务的Chord+Quad的P2P混合索引网络模型,兼顾了结构化P2P网络和层次化P2P网络的优点,既能发挥Chord网负载均衡的优点,又能发挥层次化P2P网络查询效率高的特性,并能够适应高动态的网络环境。基于Linking机制的分布式矢量地理数据组织模式的设计,通过各层次的Linking信息和分割衍生对象内的拓扑连接信息,形成一种松散的全局分布式拓扑,这种分布式拓扑支持对矢量地理数据,进行分布式索引和无损快速重建,以及各种矢量拓扑分析算法在分布式环境下的扩展。与JTS的实验对比表明,通过在分割时增加少量Linking信息,矢量数据重建时间显著缩短,重建结果无损可靠,在分块数较多时,其对JTS的优势更为明显,从而表明,Linking机制的分布式矢量地理数据组织模式理论及相关算法的有效性、高效性和稳健性,为其实际应用提供了有力支持。     

Forecasting the ionospheric f0F2 parameter one hour ahead using a support vector machine technique

This paper proposes a method for forecasting the ionospheric critical frequency, f₀F₂, 1 h in advance, using the support vector machine (SVM) approach. The inputs to the SVM network are the time of day, seasonal information, 2 month running mean sunspot number (R2), 3 day running mean of the 3 h planetary magnetic ap index, the solar zenith angle, the present value f₀F₂(t) and its first and second increments, the observation of f₀F₂ at t?23 h, the 30-day mean value at time, t, f_mF₂ (t) and the previous 30 day running mean of f₀F₂ at t?23 h f_mF₂(t?23). The output is the predicted f₀F₂ 1 h ahead. The network is trained to use the ionospheric sounding data at Haikou, Guangzhou, Chongqing, Lanzhou, Beijing, Changchun and Manzhouli stations at high and low solar activities. The performance of the SVM model was verified with observed data. It is shown that the predicted f₀F₂ has good agreement with the observed f₀F₂. The performance of the SVM model is superior to that of the autocorrelation and persistence models, and that it is comparable to that of the neural network model.     

v-SVC算法在地震与爆破识别及窗长度选取中的应用

对天然地震与人工爆破的波形记录,本文用v—SVC支持向量分类机对由波形记录获取的香农熵特征进行了分类识别,效果较好;并对波形记录选取不同的信号窗长度,用v—SVC支持向量分类机分别进行了识别检验。结果表明:窗长度对识别效果有影响,以窗长度为2000点的识别效果最好,识别率达98%。这也表明,在地震与爆破的识别中,合理地选取波形记录的信号窗长度也是重要的。     

滑坡位移的多模态支持向量机模型预测

将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性     

原发于骨上皮样血管内皮瘤的影像对比分析

目的:提高对骨上皮样血管内皮瘤(EHE)的认识和影像诊断水平。方法:回顾性分析经手术病理证实的6例骨上皮样血管内皮瘤的X线平片、CT、MR和临床病理,结合文献对比分析各检查方法的影像特征。结果:3个病例表现为多发病灶,分别位于股骨下段、胫腓骨及足部;2个病例病灶位于胫骨下段;1例病灶位于股骨近端。X线平片及CT平扫示多灶性溶骨性骨破坏、硬化边,部分病灶内见“栅栏样”骨嵴,MR上病灶呈稍长T1、长T2信号,增强后呈明显强化。免疫组化提示肿瘤细胞表达血管内皮细胞标记如CD3l、CD34、Vimentin、CK呈阳性。结论:骨上皮样血管内皮瘤有一定的影像学特征,X线平片、CT和MR检查能为临床诊断及鉴别诊断提供有价值的信息。