基于GIS的耦合模型在斜坡稳定分析中的应用

在数字高程模型(DEM)的基础上,耦合无限斜坡稳定模型与稳定状态的水文模型研究浅层滑坡的分布问题。以楚雄双柏某一斜坡作为试验研究工点,研究降雨对滑坡发生、分布的影响机理以及斜坡在不同降雨条件下的变形失稳的定量预测问题,实现GIS支持下对斜坡体的稳定性进行可视化的分析与预测。并将预测结果与实际滑坡体作对比分析,在此基础上推算出该斜坡体及此区域的滑坡降雨阈值,为降雨型滑坡提供一种有效的预测与分析方法。     

基于证据权和卡方自动交互检测决策树的滑坡易发性预测

滑坡与其环境因子间的非线性关联计算影响滑坡易发性预测建模的不确定性。为研究不确定性因素下易发性建模规律,以中国延长县为例,获取82处滑坡和14种环境因子,通过频率比(Frequency Ratio,FR)和证据权(Weight of Evidence,WOE)等关联法与卡方自动交互检测(Chi-squared Automatic Interaction Detector,CHAID)决策树相耦合进行建模,并用原始环境因子(称为“原始因子数据"”)作为输入变量的单独CHAID决策树进行对比。使用精度、易发性指数均值、标准差和平均秩等评价易发性建模的不确定性。结果表明:WOE-CHAID模型预测的滑坡易发性不确定性低于FR-CHAID模型,可见WOE具有较优秀的非线性关联性能;单独CHAID决策树预测的易发性精度整体略低于WOE-CHAID和FR-CHAID模型,但其建模效率较高;在体现滑坡与其环境因子空间关联性方面,考虑FR和WOE关联法的CHAID决策树模型优势显著。WOE是更优秀的关联分析法,CHAID决策树预测性能好且预测效率高,WOE-CHAID决策树模型的易发性预测不确定性较低且更符合实际滑坡概率分布特征。     

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP), 在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度. 结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.     

滑坡易发性预测建模的不确定性：不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律，拟用5种方式，即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量（IV）法、半监督法来选择出与滑坡等比例的非滑坡样本；进一步将各选择方式与随机森林（RF）耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例，获取高程、岩性、公路密度等19种环境因子和233个滑坡编录，将滑坡编录划分为2 598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题，在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明：1）低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型，可见准确选择非滑坡样本对易发性建模至关重要；2）半监督RF模型选择非滑坡样本的建模性能最优，且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。     

降雨诱发斜坡失稳风险的气象预警

采用基准阈值和阈值调整方案构建斜坡尺度的降雨诱发斜坡失稳风险的气象预警模型,开展精细化滑坡风险管理.采用降雨强度-持续时间模型确定基准阈值;分析斜坡地质环境特征,从斜坡几何结构、岩土抗剪强度、水文地质条件、植被等方面选取调整因子,并确定基准斜坡;针对降雨入渗过程分析地质环境变化造成的斜坡稳定性变化,得出阈值调整方案.以浙江省平阳县为研究区,提出当地阈值计算公式,并根据各斜坡的地质环境形成各自不同等级的预警判据,综合预警有效率达到72%,效果良好.提出斜坡尺度的风险预警模型,实现了斜坡单元级别的精准预警,能够为“一区一阈值”精细化滑坡气象预警与风险管控提供新思路和参考.     

基于Boosting-决策树C5.0的岩体结构面粗糙度预测

针对目前岩体结构面粗糙度系数（JRC）定量评价模型构建困难且预测精度较低的问题，搜集包括10条Barton标准剖面线在内的112条岩体结构面JRC，统计各剖面线的8种形态参数. 采用主成分分析降维处理形态参数，共得到5个主成分. 以前102组剖面线参数作为训练样本，采用Boosting-决策树C5.0算法构建模型，以10条Barton标准剖面线验证模型精度. 对比决策树C5.0模型、CHAID决策树模型、支持向量机（SVM）模型、类神经网络模型，分析各模型预测效果. 结果表明，Boosting-决策树C5.0模型的预测结果平均误差、均方根误差均最小. 建立的显式JRC预测模型，包含8层共计68节点的判别阈值.     

基于运动波壤中流理论与无限边坡稳定分析理论的滑坡预测模型

滑坡往往发生在强降雨时期的陡峭山坡区域,建立滑坡预警模型是山坡地防灾重要策略之一。论文结合山坡运动波壤中流理论与无限边坡稳定分析理论,构建了降雨型浅层滑坡的预警模型。将模型应用于台湾高雄市那玛夏区达喀尔努瓦里,研究发现在莫拉克台风期间滑坡发生的预测位置与卫星影像图所得到的结果一致,率定的土壤参数物理意义明显,说明此模型具有一定的可靠性。同时研究了双峰降雨过程中坡面安全系数的变化,随着降雨量增大,壤中流流量快速增大,出口处饱和水位快速上升,坡面安全系数快速减小;当降雨量减少时,土壤排水速率大于降雨强度,饱和水位缓慢下降,安全系数缓慢增大至天然状态条件下的安全系数。此外,为了研究对称双峰降雨条件下表层土壤厚度对坡面稳定性的影响,对设计坡面进行降雨径流模拟与稳定性分析。结果显示土壤厚度增大,坡面安全系数减小。在两种不同的雨型条件下,在先小后大的降雨条件下土壤汇集的水量较多,发生滑坡的可能性增大。上述土壤蓄水机制的研究,可以为滑坡预警模型提供物理依据。     

基于耦合信息量法选择负样本的区域滑坡易发性预测

机器学习(Machine Learning, ML)模型预测滑坡易发性时选择合理的负样本对预测结果具有重要影响,现有研究大多从整个研究区或从低坡度等特定属性区内随机选择负样本,这些负样本往往不够准确或以偏概全,降低了易发性制图的可靠性。为解决这一问题,拟提出耦合信息量法(Information Value, IV)的ML模型开展易发性建模。以江西省瑞金市为例,采用IV法将环境因子的属性值转化为对滑坡贡献的信息量值,划定极低和低易发区并从中随机选择出ML模型训练验证用的负样本数据,构建全新的信息量-支持向量机(IV-SVM)、信息量-随机森林(IV-RF)耦合模型并预测瑞金滑坡易发性;进一步与从全区随机选择负样本的单独SVM和RF模型,以及从坡度小于2°的特定属性区内随机选负样本的低坡度SVM和RF模型做对比研究;最后采用Kappa系数和ROC曲线等指标验证和比较建模结果。IV-SVM和IV-RF模型的Kappa系数为0.828和0.9146且对应ROC曲线的AUC值为0.876和0.939,分别高于单独SVM、RF和低坡度SVM、RF模型;同时,IV-SVM和IV-RF模型的易发性概率分布的平均值较小而标准差较大。结果表明：1) IV-SVM和IV-RF模型具有比单独SVM和RF模型,以及低坡度SVM和RF模型更高的滑坡易发性预测精度且更有效的反映了瑞金滑坡易发性分布规律;2) RF模型相较于SVM模型具有更高的预测精度;3) IV-RF等耦合模型能够弥补单独模型存在的负样本采样不准确和低坡度模型对坡度因子区间选择的缺点而提高预测精度更加合适机器学习的滑坡易发性预测建模。总之,本文研究为机器学习预测滑坡易发性的负样本采样方法提供新思路。     

降雨诱发滑坡机制研究

以三峡区几个典型滑坡为实例,分别研究了降雨诱发坡的机制,结果裂,长江三峡地区鸡扒子滑坡是典型的暴雨诱发滑坡,新滩滑坡（姜家坡滑坡）是典型的久雨诱发滑坡。     

不同分级方法对区域滑坡易发性区划的影响

易发性分区是开展区域地质灾害风险评价的基础步骤，选取合理的分级方法对有效绘制区域滑坡易发性图意义显著，但鲜有研究对比了各易发性分级方法的优缺点，尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题，以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数，即分类和回归树、随机森林和径向基函数；设计了5种易发性分级方法，划分不同的滑坡易发性等级，包括4种常规的基于地理信息系统的分级方法（自然断点、等间隔、分位数和几何间隔），同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明：3种模型的受试者工作特征（ROC）曲线下面积均大于0.75，但划分的易发性分级图分布模式却存在较大差异，使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡，但这两种方法划分的极高和高易发区的总面积过大；使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大，说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级，能为易发性的准确分区提供思路，为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考，提高地质安全评估及应急管理能力。     

吉林地区M ≥ 4.0的地震预警模型研究

利用复发间隔公式和地震发生概率模型计算了吉林地区2006—2022年4.0级以上(M≥4.0)地震的相关数据,得到了研究区内4个震级档的平均复发间隔和发生概率,并以此建立了吉林地区M≥4.0地震的4级预警模型.利用吉林地区的地震数据对目前吉林地区4个震级档所处的地震预警级别进行预测显示: M≥ 4.0的地震目前不在预警范围内, M≥4.5和M≥5.5的地震处于C级黄色预警级别, M≥5.0的地震处于D级蓝色预警级别.该研究结果可为吉林地区的地震预警工作提供参考.     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

基于遗传模拟退火算法的滑坡位移预测方法

滑坡是一种常见的地质灾害,通常在复杂的地质条件下演化和发生,给社会和人类的生命财产安全造成了极大的危害.了解滑坡的发展规律,对灾害防治具有重要意义.在现有滑坡累积位移时间序列的基础上,提出了一种基于遗传模拟退火算法的滑坡位移预测方法.采用遗传模拟退火算法-BP神经网络对白水河滑坡预警区Z118观测点进行分析,利用前3个...     

基于决策树组合分类器的气温预测

气象数据挖掘是近年来研究的热点,组合分类器能够实现协同计算以提高效率和准确性,就此本文采用数据挖掘方法中的决策树组合分类器对某地气象进行了气温预测,主要依据C4.5经典算法、Bagging集成方法构建组合决策树,并加入协同的思想建立了预测气温的决策树协同分析模型.实验表明,基于Bagging的决策树协同模型对于局部区域的气温预测具有较高的准确率.     

心外科手术患者重症监护室住院时间预测模型研究

心外科患者重症监护室ICU住院时间的影响因素分析和预测有利于住院患者的早期干预和成本控制,对心脏外科患者的治疗和护理具有重要意义。本文使用重症监护数据库MIMIC-IV作为实验数据集,纳入7567名患者数据,采用最小绝对收缩选择算子Lasso从126个影响因子中筛选出41个重要预测因子。基于梯度增强决策树GBDT算法构建了心外科重症监护室住院时间预测模型。实验结果显示,训练全部预测因子的GBDT模型平均准确率为0.688,高于传统逻辑回归LR算法平均准确率0.603,基于筛选出的重要预测因子的GBDT算法与基于全体因子的GBDT算法在最终平均准确率上效果相同,说明该方法可优化数据采集,准确预测住院时间,为临床决策支持系统提供算法支撑。     

堆积层滑坡卸加载响应比基本原理及其应用

在系统分析降雨型堆积层滑坡位移与失稳动因与机制的基础上,首次提出卸加载响应比理论的基本原理.将降雨量的变化作为滑坡的卸加载参数,相应平均位移速率的变化值为卸加载响应参数,由此确定的位移卸加载响应比作为位移动力学参数,根据堆积层滑坡位移动力学规律论证了该位移动力学参数在滑坡预测预报的可行性和有效性,建立卸加载响应比预测模型.以新滩滑坡分析为例,运用卸加载响应比预测模型对新滩滑坡关键部位监测点A3、B3进行了卸加载响应比计算,发现这两点的卸加载响应比时序曲线均在失稳前发生突变,其突变时间与边坡实际失稳时间完全吻合.上述研究结果证明了卸加载响应比理论是可以应用于堆积层滑坡中短期预测预报的一种有效方法.