基于GIS的滑坡地质灾害预警预测系统研究

应用地理信息系统(Geographical Information System,GIS)技术在对某滑坡地质灾害进行现场调查统计的基础上,应用刚体极限平衡分析法(SARMA)及有限元法(FEM)对该滑坡的稳定性进行了分析研究;采用灰色系统理论方法对滑坡的发生趋势进行了预测,开发研制了基于GIS的滑坡地质灾害预警预测系统.系统运行结果表明:该滑坡的稳定性较好,水对该滑坡体稳定性影响较大;开发完成的滑坡地质灾害预警预测系统实现了地质灾害有关数据的统一管理和预测;构建完成的滑坡地质灾害三维模型能够准确地反映灾害发生地的地质地貌情况;该系统为实现地质灾害网络地理信息系统(Web GIS)进行资源共享打下了坚实的基础.     

基于智能学习的灾害危险性评估技术研究及应用

面向地质灾害危险性评估的技术路线及方法体系研究问题,以滑坡灾害为例,开展基于智能学习的灾害危险性评估技术研究及应用。提出了一套基于GIS的从数据准备、分析建模到结果计算与检验,完整的滑坡危险性评估研究的技术路线和方法理论体系。结合GIS可视化分析显示技术、数据驱动型方法、智能学习方法等以重庆万州区为示例研究区域进行了滑坡危险性评估研究,并科学地评估了这些方法的分析结果,成功绘制出与已有滑坡分布吻合较好的滑坡危险性连续分布图及区划图。实验结果表明了本文方法和技术的有效性。     

基于GIS的地质灾害数据库设计

为进行地质灾害区划研究,作者调查了云南省地质灾害的发育状况.在建立数据库的基础上,提取数据并采用GIS方法分析数据;从地质灾害调查数据和数据库功能出发,着重介绍了地质灾害数据库属性库的建设,并详细地分析了地质灾害数据库中实体、属性以及实体间的相互关系;通过查询、统计分析功能,为区域地质灾害易发性、危险性区划提供直接的数据支持.     

基于GIS的地质灾害数据库设计

为进行地质灾害区划研究,作者调查了云南省地质灾害的发育状况.在建立数据库的基础上,提取数据并采用GIS方法分析数据;从地质灾害调查数据和数据库功能出发,着重介绍了地质灾害数据库属性库的建设,并详细地分析了地质灾害数据库中实体、属性以及实体间的相互关系;通过查询、统计分析功能,为区域地质灾害易发性、危险性区划提供直接的数据支持.     

基于知识图谱的公路工程领域GIS应用研究现状

为洞悉我国公路工程领域地理信息系统（Geographic Information System,GIS）应用研究的现状及热点,以2010—2020年中国知网（CNKI）数据库中的相关文献为数据源,综合运用COOC、GIGO、SPSS与UCINET等软件,通过聚类树状图分析、因子分析与多维尺度分析对公路工程领域GIS研究的高频关键词进行研究主题归类;采用社会网络分析法对公路工程领域GIS研究的关键词进行共现网络图谱绘制与中心性分析,以直观揭示其研究热点与结构. 研究结果表明:公路工程领域GIS研究的热点关键词为路线设计、边坡地质灾害易发性评价、滑坡监测和路面管理系统等;研究主题主要可分为GIS多样化研究及应用、公路交通网与地质灾害评价、公路管理信息化与可视化3大类.     

地质资源与地质工程博士授权学科——地质灾害与地质工程方向简介

<正>地质灾害与地质工程学科是我校博士学位授权学科——地质资源与地质工程学科的主要研究方向之一.本学科方向以地质工程理论与技术方法为研究重点,主要在地质灾害防治理论及应用、工程地质体稳定分析等领域开展工作,本方向的研究拓展了水利水电、城市建设、交通等工程中的地质工程理论及其运用技术,形成了独具特色的研究理论与技术应用体系.通过多年的理论攻关、实验研究、工程应用,取得了具有较大影响的研究成果,为我国多个大型水利水电工程建设提供了理论与技术支持.针对我国大型工程建设中的地质灾害问题,在边坡稳定分析、滑坡预测预报与防治领域提出了基于信息系统科学与工程地质力学理论相融合的地质工程研究方法,建立了等维信息外     

基于GIS和突变理论的区域地震危险度多准则评价

针对地震孕灾环境的复杂性和危险度的随机性、模糊性,在分析区域地震环境影响因素和突变行为的基础上,基于尖点突变模型,建立了区域地震环境突变分析模型,并构建了区域地震危险度突变层次结构体系,划分了区域地震危险度指标分级标准;基于经典突变理论及其推广形式,提出了区域地震危险度评价的突变方法,结合GIS空间分析技术实现区域地震潜在危险度的可视化.该方法首先利用GIS技术对底层评价指标赋值且量纲为一化,根据各层次指标体系的特点选取相应的突变模型,并逐层递归运算出区域地震危险度的总突变值,与地震危险度多准则评价标准比较得到危险分级;其次,利用GIS的可视化功能绘制出区域地震潜在危险度评价图,从而综合评判区域的地震危险度.最后,通过实例计算与分析,验证了该方法的可行性和合理性,评价结果可为区域地震危险度分析和潜在地震危险度评价提供理论依据.     

基于GIS的黄土滑坡危险性评价指标体系的建立

为了建立地质灾害的危险性评价指标体系，提高区域地质灾害灾情评估研究的现代化水平和实际操作效率，为区域地质环境管理和地质灾害评估的信息化提供参考．以宁夏西吉县为研究区，将先进的GIS技术应用于区域地质灾害灾情评估，全面考虑了滑坡灾害危险性及构成危险性各因素的相似性与差异性，从而确定了合理的黄土地区滑坡危险性评价指标．     

基于GIS的玉林-铁山港公路地质灾害危险性评价

以玉林-铁山港高速公路崩塌和滑坡、岩溶塌陷地质灾害为研究对象,结合评价区实际情况,选取了12个具体的评价因子,其评判模型的影响因素集U={岩溶塌陷点数,滑坡和崩塌点数,地层岩性,断裂构造,岩土体结构,水文特征,地貌类型,地形坡度,地形坡向,年平均降雨量,地震,人类工程活动},确定了研究路段地质灾害危险性评价等级评判集V={轻度,中度,中高度,高度}.运用基于GIS技术的信息量法和MORPAS30中信息量计算模块,对研究路段崩塌-滑坡、岩溶塌陷灾害进行了危险性评价:该段地质灾害危险性等级以轻度—中度为主,高度危险区仅在局部发育,公路沿线地质灾害易发程度弱—中等.综合评价结果与地质灾害发育情况现状和分布特征吻合较好     

基于GlS的玉林-铁山港公路地质灾害危险性评价

以玉林-铁山港高速公路崩塌和滑坡、岩溶塌陷地质灾害为研究对象,结合评价区实际情况,选取了12个具体的评价因子,其评判模型的影响因素集U={岩溶塌陷点数,滑坡和崩塌点数,地层岩性,断裂构造,岩土体结构,水文特征,地貌类型,地形坡度,地形坡向,年平均降雨量,地震,人类工程活动},确定了研究路段地质灾害危险性评价等级评判集V={轻度,中度,中高度,高度}。运用基于GIS技术的信息量法和MORPAS3．0中信息量计算模块,对研究路段崩塌一滑坡、岩溶塌陷灾害进行了危险性评价：该段地质灾害危险性等级以轻度一中度为主,高度危险区仅在局部发育,公路沿线地质灾害易发程度弱一中等。综合评价结果与地质灾害发育情况现状和分布特征吻合较好。     

基于集成学习的山区中小流域滑坡易发区早期识别优化试验

滑坡作为山洪水沙耦合运动的物源和动力基础,其易发区的识别是山洪水沙灾害预报预警和风险评估的重要前提。以往的山洪水沙灾害防治研究主要关注洪水的影响,而忽视了固体物源的作用。为完善山区中小流域山洪水沙灾害防控体系,提出基于集成学习的山区中小流域滑坡易发区早期识别方法,针对数据样本构建和影响因子选取过程进行优化试验。利用滑坡单元下垫面环境因子频率比作为无监督学习算法数据样本进行聚类分析,根据聚类算法易发性分区结果选取非滑坡单元,结合滑坡单元构建集成学习分类算法数据样本集,比较单体算法和融合算法的易发性分区结果准确率和覆盖度。选取研究区域高分卫星遥感影像建立松散堆积物直接解译标志,基于目视解译识别松散堆积物面积,通过回归分析构建松散堆积物面积-体积幂律关系,形成研究区域松散堆积物空间分布图。将固体物源作为下垫面环境因子,比较引入物源因子前后的滑坡易发性分区结果准确率和覆盖度。结果表明：K-Means-RF（K-Means-AdaBoost）融合算法输出的高易发区覆盖率相对于K-Means单体算法提高9.3%（12.1%）。两类融合算法的易发性分区准确率和泛化能力比较接近,K-Means-AdaBoost融合算法对于滑坡点的预测效果更优。考虑物源因子后的K-Means-RF和K-Means-AdaBoos融合算法易发性分区中的高易发区覆盖率分别提高14.2%和17.7%,召回率都提高12.1%。     

AdaBoost算法的推广——一组集成学习算法

针对AdaBoost算法只适合于不稳定学习算法这一不足,基于增加新分类器总是希望降低集成分类器训练错误率这一思想,提出了利用样本权值来调整样本类中心的方法,使AdaBoost算法可以与一些稳定的学习算法结合成新的集成学习算法,如动态调整样本属性中心的集成学习算法、基于加权距离度量分类的集成学习算法和动态组合样本属性的集成学习算法,大大拓展了AdaBoost算法适用范围。针对AdaBoost算法的组合系数和样本权值调整策略是间接实现降低训练错误率目标,提出了直接面向目标的集成学习算法。在UCI数据上的实验与分析表明,提出的AdaBoost推广算法不仅有效,而且部分算法比AdaBoost算法效果更好。     

人工神经网络应用于时间序列预测的探讨

介绍了时间序列方法和适用场合,突出了基于神经网络的时间序列信息预测方法的重要性,进一步研究了BP神经网络技术,包括BP网络模型结构、BP网络学习过程、BP算法,并概括了BP算法存在的不足和改进方向。     

Prediction of landslide displacement with dynamic features using intelligent approaches

Landslide displacement prediction can enhance the efficacy of landslide monitoring system, and the prediction of the periodic displacement is particularly challenging. In the previous studies, static regression models (e.g., support vector machine (SVM)) were mostly used for predicting the periodic displacement. These models may have bad performances, when the dynamic features of landslide triggers are incorporated. This paper proposes a method for predicting the landslide displacement in a dynamic manner, based on the gated recurrent unit (GRU) neural network and complete ensemble empirical decomposition with adaptive noise (CEEMDAN). The CEEMDAN is used to decompose the training data, and the GRU is subsequently used for predicting the periodic displacement. Implementation procedures of the proposed method were illustrated by a case study in the Caojiatuo landslide area, and SVM was also adopted for the periodic displacement prediction. This case study shows that the predictors obtained by SVM are inaccurate, as the landslide displacement is in a pronouncedly step-wise manner. By contrast, the accuracy can be significantly improved using the dynamic predictive method. This paper reveals the significance of capturing the dynamic features of the inputs in the training process, when the machine learning models are adopted to predict the landslide displacement.     

神经网络集成的免疫学习算法

针对神经网络集成中个体独立训练的低效性，提出一种神经网络集成的免疫学习算法NEIL，通过对集成单体神经网络的免疫优化，借助免疫算法的多峰值搜索和并行优化特性，将最终的收敛抗体群分别对应神经网络集成的各个单体，实现集成的同时训练过程，仿真结果表明NEIL算法是有效的，既保持了启发式优化方法的并行性，提高了神经网络集成的学习效率，又可保证单体网络之间相互独立，具有较大的差异度，进一步增强神经网络集成的泛化性能。     

Landslide hazards mapping using uncertain Na?ve Bayesian classification method

Landslide hazard mapping is a fundamental tool for disaster management activities in Loess terrains. Aiming at major issues with these landslide hazard assessment methods based on Na?ve Bayesian classification technique, which is difficult in quantifying those uncertain triggering factors, the main purpose of this work is to evaluate the predictive power of landslide spatial models based on uncertain Na?ve Bayesian classification method in Baota district of Yan'an city in Shaanxi province, China. Firstly, thematic maps representing various factors that are related to landslide activity were generated. Secondly, by using field data and GIS techniques, a landslide hazard map was performed. To improve the accuracy of the resulting landslide hazard map, the strategies were designed, which quantified the uncertain triggering factor to design landslide spatial models based on uncertain Na?ve Bayesian classification method named NBU algorithm. The accuracies of the area under relative operating characteristics curves(AUC) in NBU and Na?ve Bayesian algorithm are 87.29% and 82.47% respectively. Thus, NBU algorithm can be used efficiently for landslide hazard analysis and might be widely used for the prediction of various spatial events based on uncertain classification technique.     

一种基于小生境的负相关神经网络集成算法

提出了一种基于小生境的负相关神经网络集成算法.所提方法结合了负相关学习和进化算法,采用同时训练的方式对多个神经网络进行训练,不仅能使网络之间产生有效的差异度,而且能促进网络之间的交互性和合作性.此外,在进化过程中引入了一种改进的小生境技术,能更有效地维持网络种群的多样性,从而保证神经网络集成的差异度.所提方法在6个分类数据集上进行了测试,并且与一些相关神经网络集成方法进行对比.实验结果表明所提方法能得到一个有效的神经网络集成.     

基于聚类技术的集成学习差异性研究

目前,集成学习特别是选择性集成学习研究已经成为统计机器学习研究的一大热点,从众多的个体学习器中选择差异大且效果好的进行集成已被学术界达成共识,但如何度量个体学习器彼此之间的差异性依然是一个难点。本文提出了一种利用变相似度聚类技术来进行选择性集成学习的算法——SE—Bagging Trees算法。模拟数据表明,该算法往往比简单集成学习算法具有更好的学习效果。     

基于宽带时频图的多路摩尔斯信号自动检测

针对现有算法没有涉及的宽带环境下多路摩尔斯信号自动检测问题,提出一种基于宽带时频图和集成学习分类器的算法.首先,通过提出一种基于宽带时频图的信号快速窄带滤波方法,实现噪声背景中各类型信号窄带时频图的快速获取;然后,为从上述窄带时频图中识别出多路摩尔斯信号,提出3个新特征与局部二值模式特征构成特征向量;最后,采用集成学习算法设计分类器实现摩尔斯信号的自动检测.与现有算法对比实验结果表明:针对多组实际数据,该算法的正确率均可达95%以上,同时误检率低于10%,具有良好的鲁棒性和应用价值.