利用近景摄影测量技术的滑坡监测新方法

将近景摄影测量技术应用于山体滑坡监测中,提出一种无需二次控制的、非接触的、快速的滑坡监测方法。方法采用旋转摄影或正射平行摄影的方式,对监测区域进行摄影,根据摄影测量原理获取目标监测区域的DEM模型。通过自动匹配控制点以及对两期DEM模型进行叠加分析,计算出山体在该时间段内的滑坡绝对位移量以及滑坡区域的局部变化量。利用模拟数据进行实验,结果表明该方法行之有效,能够方便地对滑坡体进行快速、准确的监测。     

基于迁移学习的低空摄影测量滑坡方量估算方法

针对现有方法难以准确地估算山体滑坡体积的问题,引入人工智能算法,提出耦合迁移学习与微分算法的低空摄影测量山体滑坡方量估算方法。首先,利用SfM与SGM密集匹配等算法从低空无人机立体影像中解算出高精度三维密集点云,结合可见光植被指数和双边滤波算法从密集点云中剥离出目标区地面点云;然后,构建深度神经网络插值模型来表征二维坐标与高程之间的非线性映射关系,并基于参数共享的迁移学习来自适应优化深度神经网络以实现滑坡目标区高程值预测,进而重构滑坡区域的数字地表模型;最后,基于目标区滑坡前后数字地表模型高程差值和微分算法实现山体滑坡方量估算。实验结果表明,该方法平均相对误差为2.7%,相比常用的方法,显著提高了滑坡方量估计精度,并能适应不同地形条件下滑坡方量估算。     

优化GD-模糊规则的滑坡预报模型研究

为了提高滑坡灾害预报准确率，改善传统的滑坡监测和预报中存在的参数选取困难及模糊控制系统作为预报模型精确度不高的问题，首先采用山体结构稳定性分析法进行滑坡灾害参数的选取，得出降雨量、含水率、土压力及岩土表面位移增量作为预报参数的结论；其次将选取的参数作为模糊系统的输入，建立滑坡灾害发生概率模型，并引入优化的GD算法修正预报模型中的动态参数，使模糊控制模型具有自适应性；同时与未优化的模糊控制模型以及单独模糊控制模型进行仿真对比，仿真结果表明，该控制算法收敛速度快，具有很好的收敛性；最后将该模型在某滑坡重点灾区实验区进行实验测试，实验结果显示该模型具有较好的收敛性，且预报精度达到90%。     

基于模糊控制的滑坡监测预警系统设计

针对目前用于滑坡灾害监测预警的诸多方法中存在的传感器选择种类单一、预警功能与监测数据相分离等问题,设计一种基于模糊控制的滑坡灾害监测预警系统。设计以导致滑坡灾害的主要因素为切入点,运用智能传感器组群对山体进行实时监测,对采集到的实时数据运用模糊控制系统进行处理,最终实现对滑坡灾害发生概率的预测。实验结果表明,该系统对滑坡灾害发生概率的预测达到了较为理想的效果,可为滑坡灾害监测人员的工作提供便利与支持。     

滑坡稳定性与土地利用关联规则挖掘及应用 ——以三峡库区秭归到巴东段为例

三峡库区滑坡灾害广泛发育,其稳定性受土地利用变化等人类工程活动的影响。采用数据挖掘技术研究库区土地利用变化对滑坡稳定性的影响及其规律,利用三个时相的遥感影像得到实验区滑坡面上两个时段间的土地利用变化监测图,用Apriori算法挖掘出滑坡稳定性与土地利用变化类型之间的强规则,用马尔可夫链模型预测滑坡面上土地利用的变化趋势,将预测结果用于对滑坡稳定性发展的分析评估。通过实验分析,所采用的方法可用于预测滑坡稳定性变化趋势,为滑坡灾害的监测预警提供决策支持。     

基于ARIMA-MC模型的滑坡位移预测

中国是一个滑坡灾害极为频繁的国家,三峡库区更是滑坡灾害的多发区和重灾区,GPS地表位移监测是滑坡稳定性监测的重要手段。以三峡库区树坪滑坡为例,先利用自回归移动平均模型（ARIMA）对树坪滑坡GPS监测点的累积位移数据进行时序拟合,之后利用马尔可夫链模型（MC）对拟合结果进行拟合优化,最后建立自回归移动平均-马尔可夫链模型,并将其用于对树坪滑坡位移的时序预测之中。拟合和预测结果表明,该模型能够有效提高滑坡位移预测精度并实现短期内的动态滚动预测。     

低空无人机航空摄影高度自动测量方法研究

为控制低空无人机摄影高度,获得更加清晰的地理信息图像,需要对低空无人机摄影高度自动测量方法进行优化研究;当前方法主要利用射影几何知识的自动化标定方法实现低空无人机航空摄影高度的自动测量;该方法存在噪声影响严重,且测量误差较大的问题;为此,提出一种基于多传感器与卡尔曼滤波相结合的低空无人机航空摄影高度自动测量方法;该方法首先通过分析气压测量法计算各种气压因素对低空无人机航空摄影高度的影响,然后推导出大气对流层内气压随低空无人机航空摄影高度的变化;然后采用双GPS系统同时工作,对GPS、气压高度计和IMU测量获得的低空无人机航空摄影高度信号进行冗余备份;采用基于二阶多项式的修正方法对低空无人机航空摄影传感器输出值进行补偿和修正;根据动力学方程建立低空无人机航空摄影的动力学方程获得高度测量状态方程;最后采用卡尔曼滤波的线性最小方差估计准则对低空无人机航空摄影高度进行均方差估计计算,实现低空高度自动测量与校正。实验结果表明,所提方法具有精度高、收敛性好且滤波效果理想的优势。     

GNSS技术与多传感器融合的滑坡监测系统研究

本文设计了一种基于GNSS技术与多传感器融合的滑坡监测系统,该系统采用低功耗设计思路,通过RT-Thread操作系统实现多任务处理与低功耗模式运行,具有与滑坡监测预警云平台通信、GNSS网络RTK实时动态高精度定位、多传感器融合、监测数据实时采集处理、滑坡地质灾害预警等功能。实验结果表明,该系统运行功耗低、数据传输速度快、可靠性高、位移监测精度可达毫米级,满足对滑坡体进行高精度变形监测预警的需求。     

基于地表变形的摄影测量方法研究

开采矿山会破坏岩层内部的应力平衡状态,进而导致地表产生滑坡或移动等变形。因此,安全监视矿区可能产生的地表变形尤为重要。摄影测量技术是一种非接触的测量手段,利用该技术不仅能有效监测地形情况,还能随意定向,瞬间获取地表信息。就摄影测量技术在地表变形监测中的应用进行了分析,以供参考。     

微震监测技术在顶板来压预测预报中的应用

介绍了微震监测系统在千秋煤矿预测预报顶板来压中的应用情况。实践结果表明,微震监测系统可实现对综放工作面老顶初次来压的预测判断;微震监测与日常钻屑量监测、矿压监测等数据较为一致,采用综合性的冲击地压预测预报技术能更有效地对采场动力灾害进行预测预报;用大能量事件频次作为微震监测系统的有效参数可较准确地对采场动力现象进行预测预报,并总结出顶板来压的前兆信息模式,该项结论能有效预防采场动力现象和冲击地压事故的发生。     

无人机航空摄影技术在公路建设引起的滑坡监测的应用

我国众多山区公路带来的滑坡灾害严重,如何采取有效措施应对滑坡的发生以及对已产生滑坡的治理一直是学者和工程师们关心的问题,而滑坡监测作为防治滑坡最主要和最有效的手段,已得到广泛认可,对减少公路滑坡灾害的损失及制定滑坡防治方案具有非常重要的现实意义。如今各种监测技术广泛应用,其中无人机遥感技术作为近年来兴起的新兴技术手段,具有时效性高、数据精度高、操作方便快捷的特点。本文通过总结滑坡监测技术在国内外的发展状况并比较现有方法和传统方法的优缺点,得出无人机遥感技术在未来的滑坡监测方面的应用及现实意义。     

基于HMIGW特征选择和XGBoost的毕业生就业预测方法

为了使高校的就业指导工作更具针对性,可以有针对性地培养学生,本文收集了毕业生的相关信息及其各自的就业情况,构建了基于HMIGW特征选择和XGBoost的分类预测建模算法,并将其应用于毕业生就业预测.本文首先考虑到学生信息数据具有离散型和连续型混合的特点,提出一种适应于就业预测的基于互信息和权重的混合（Hybrid feature selection based on Mutual Information and Gain Weight,以下简称HMIGW）特征选择算法,该方法先对学生数据的特征做相关性估值,然后采用前向特征添加后向递归删除策略进行特征选择,最后基于选择后的最优特征子集数据用XGBoost预测模型进行训练与结果预测.通过对比不同算法的结果,本文采用的预测方法在准确率和时间等评价指标上有较好的表现,对于毕业生培养就业指导具有积极作用.     

基于多模式的我国冬季风速预报误差特性分析

风电在我国能源结构转型中具有重要地位,但其波动性也带来严峻挑战。数值模式预报的风速数据是风电出力预测和高效消纳的重要基础,需要评估不同模式的预报效果。本文通过对比分析4种主流数值模式的风速预报效果,全面评估它们在我国冬季不同区域和不同条件下的预报精度,以期为我国冬季大风期风速预报提供参考。基于不同分辨率、不同初始场、不同同化方案的4种数值预报模式,结合我国131个站点观测资料,对预报风速的误差分布特征与预报能力进行了研究与分析;同时聚焦典型站点,分析了不同风速段、不同区域的预报误差特征及预报能力。研究结果表明：集合预报模式的预报结果在复杂地形条件下更科学;高分率单一模式对简单下垫面的风速波动性预报较好;白天预报效果好于夜间;对平原风速预报效果最好。     

基于时序分解的用电负荷分析与预测

在智能电网普及的大数据背景下,对电力数据进行精准的分析和预测对电网规划和经济部门的管理决策具有重要的指导意义,但大多数模型都只是在单一的时间尺度上进行研究。针对这一问题提出一种基于时序分解的后向传播算法的循环神经网络预测模型。通过对真实的居民用电消费数据以及外部因素数据统计处理,深入地分析了居民用电特点以及行为规律,并根据其数据的特征以及天气、节假日等外部因素对用户用电行为的影响建立预测模型,对用户未来时段的用电量进行预测。此外,考虑到居民用电消费数据的时序特征在不同时间尺度呈现不同的变化规律,通过时序分解建立预测模型来对用户用电行为的周期性和趋势性进行建模,并通过加权融合达到一起训练的效果,具有一定的协同性,提升预测精度。     

基于最优定权组合法的大气污染物SO2预测

为了提高对大气污染物SO₂的预测准确率,基于多个空气质量预测模式（WRF-CHEM、CMAQ、CAMx）,以过去一段时间内各单项空气质量预测模式的组合预测误差平方和最小为原则,构建出针对大气污染物SO₂的最优定权组合预测模型.选取2018年云南省楚雄、昭通、蒙自三个站点1至5月份的实际观测数据和前述三个空气质量模式的预测数据作为实验样本,然后分别采用多元线性回归法和动态权重更新法在相同的实验条件下与所提的最优定权组合预测法进行预测对比实验.实验结果表明,所提方法的预测值相较其他两种方法更加贴近实际观测值,其两项误差评估指标值均最小.总体而言,最优定权组合预测模型很好地综合了各单项空气质量预测模式的优势,提高了SO₂的预测精度.     

MDT-CNN-LSTM模型的股价预测研究

股价预测一直是投资者在股票市场中关注的焦点.近年来,深度学习技术在这一领域得到广泛应用.在融合卷积神经网络(CNN)和长短时记忆网络(LSTM),构建CNN-LSTM模型的基础上,引入多向延迟嵌入的张量处理技术MDT(mutiway-delay-embedding),对每日股票因子向量进行因子重构,生成汉克尔矩阵,按时...