监测预警技术在泥石流灾害中的应用

我国幅员辽阔,地质环境多变,灾害分布范围广,常年受到地质灾害侵袭,给灾害多发区居民的生命财产安全带来极大危害,泥石流灾害的防治工作至关重要,研发泥石流灾害预警系统成为重中之重。针对目前泥石流灾害数据获取困难、数据量不足且预警准确率不高的问题,设计了用于泥石流影响因子数据采集和灾害预警的泥石流灾害监测预警系统。在系统中引入最优路径森林算法对泥石流灾害发生概率进行预测,测试结果表明,本系统采集的泥石流灾害影响因子数据准确可靠,能够对泥石流的发生概率做出准确预测,在泥石流灾害防治工作中采用监测预警系统是非常必要的。本研究为泥石流灾害防治工作提供了一种新的思路。      

基于改进KPCA与混合核函数LSSVR的泥石流预测

针对引发泥石流灾害的多重影响因素而导致的预测维数灾难，以及最小二乘支持向量回归（least squares support vector regression， LSSVR）模型中选取单核函数而导致的模型训练性能部分缺陷的问题，提出了一种基于改进的核主成分分析（kernel principal component analysis， KPCA）与混合核函数LSSVR的泥石流灾害预测方法.首先，将影响泥石流发生的7种初始因子赋予权重，利用加权KPCA法筛选出3个主成分影响因子作为模型输入；然后，将局部核函数与全局核函数相结合，运用到LSSVR模型上，进行泥石流发生概率预测，以平衡样本学习能力与泛化能力，并使用果蝇优化算法（fruit fly optimization algorithm， FOA）更新模型的最优参数；最后，以磨子沟监测数据进行仿真验证.结果表明，该方法能够有效地降低维数灾难并提升预测模型精确度，在误差允许范围内预测出泥石流发生概率值及对应的预警等级，为相关决策部门提供一定的借鉴经验.     

基于Xgboost优化的KELM滑坡预报模型研究

针对极限学习机对滑坡预测准确性低及在训练过程中模型不稳定的问题,引入RBF高斯核函数并使用极限梯度提升树算法Xgboost对KELM进行优化,建立了Xgboost优化后的Xgboost-KELM预测模型;首先采用高斯核RBF作为极限学习机的核函数,解决隐藏节点随机映射问题,增加模型稳定性及适用性;其次将清洗后的监测数据作为模型输入,并使用Xgboost寻优算法对核函数中的超参数进行优化,通过4组测试集进行Xgboost-KELM建模,依据均方误差迭代曲线得出最佳超参数;最后使用两组10%样本集验证模型评价指标及稳定性,实验结果AUC均值对比模型至少提高3个百分点,Precision、Accuracy及Recall至少高于对比模型1.7个百分点,同时Xgboost-KELM模型的方差及偏差都较小,证明该模型稳定性较好,实验结果说明Xgboost-KELM模型具有较好的预测效果,在滑坡灾害预测中有较好的预测能力。     

基于松鼠觅食算法优化LSSVM的泥石流预测

针对山区村镇泥石流影响因素多元复杂、LSSVM算法参数随机导致的精度不佳及陷入局部最优问题,采用核主成分分析KPCA降维、SSA算法参数寻优的方法建立LSSVM泥石流灾害预测模型。以山阳县中村镇泥石流为例,分析泥石流全域地形地貌成灾因子,对数据预处理清洗规范,利用KPCA主成分贡献率选取出6个成灾因子作为LSSVM算法的输入数据,泥石流发生概率为输出,建立泥石流预报模型,并用SSA算法进行模型参数的优化。将SSA寻优后的LSSVM预测结果与GA、GC参数寻优模型预测结果比对,结果表明SSA-LSSVM准确率达到93.2%,相比其他模型提高[4.8%-1.4%],且SSA算法优化的LSSVM模型的MAE、MSE和RMSE最小且接近于零,同时从泥石流发生的预报等级维度进行结果比对分析,结果进一步说明模型预测的精度及稳健性。本研究说明SSA-LSSVM算法可用于泥石流灾害发生概率的预测,为此类灾害预测提供了科学依据。     

基于宽度学习的地下水水位预测研究

地下水作为水资源的重要组成部分,过度开采将导致水资源紧缺,甚至可能诱发泥石流、滑坡等地质灾害,及时掌握地下水位及其变化趋势就显得十分重要。针对当前研究中地下水位预测准确度不高且预测时间过长的缺陷,借助宽度学习算法构建了基于宽度学习的地下水水位预测模型,并利用矩阵随机近似奇异值分解对模型进行优化建立了SVDBL模型,并通过济源市地下水位历史数据对模型进行验证。结果表明,SVDBL模型的预测准确率为92.12%,且具有较强的在线训练能力;也表明将该模型用于地下水水位预测是可行的。     

一种以神经网络为支撑的地下水位预测方法

鉴于地下水位情况对经济生产建设和人们日常生活的重要性,为解决目前地下水位预测研究中存在的预测精度不高和误差较大的问题,基于Elman神经网络和灰度理论,构建一种GM-Elman模型,并以济源市地下水位为例进行预测.以2014年～2018年该地区地下水位数据为样本,预测出2019年的地下水位情况.分别以GM、Elman和...     

苦咸水反渗透淡化技术的研究

随着社会的继续进步发展,与此同时原有的水资源受到了严重污染,使得地球上水资源日益紧缺.这不仅限制了社会的发展,还危害到了人类的生存.为了缓解水资源紧张的情况,苦咸水的处理再利用无疑成为了解决水问题的最佳途径.本文回顾了近年来国内外反渗透膜、新能源和能量回收技术在苦咸水反渗透淡化中的研究进展情况,并提出了一些发展中遇到的问题,为苦咸水反渗透淡化技术的发展提出了一些建议.     

基于KPCA-IA-SVM的边坡稳定性预测模型

为了解决当前研究中边坡稳定性预测模型计算量大且预测能力不佳的问题，提出了一种基于改进的主成分分析(PCA)和免疫算法优化扩展径向基函数(radial basis function, RBF)支持向量机的边坡安全系数预测方法。首先，在传统的主成分分析方法中引入了线性判别的思想，实现输入空间的降维。此外，利用对称正定矩阵对RBF核函数进行扩展，构建基于ERBF核函数的支持向量机模型，并用免疫算法记性优化。采用均方根误差(root mean squared error, RMSE)、平方和误差(sum of squares for error, SSE)、平均绝对误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)和可靠性来验证模型的性能。与网格搜索、粒子群优化算法和遗传算法相比，所提出方法的4种误差分别为0.022 6、0.005 8、0.073 5和0.012 1,数值偏差更小，预测结果更接近实际值且可靠性更高。此外，还将以上方法与强度折减法进行了对比，结果表明所提出方法与边坡安全系数计算...