考虑时滞效应的库区滑坡位移预测——以新铺滑坡为例

库区滑坡失稳每年不同程度影响区内人民生活和生产安全,滑坡位移精准预测对于灾害风险预警及防灾减灾十分重要。常规的位移预测方法未充分考虑降雨、库水位波动等诱发因素对滑坡变形的时滞效应,无法精确识别滞后天数及各因素的影响程度,制约了预测精度的提高。本文以三峡库区新铺滑坡为例,根据2021年度的位移监测与水文气象数据集,利用皮尔逊相关系数法定量描述了山坡尺度上降雨、库水位波动对滑坡变形的时滞效应,结合BP神经网络建立了一种考虑时滞效应的滑坡位移预测模型。分析结果表明:在山坡尺度上,库水位波动对地表变形的时滞效应明显,滞后时间呈现出从近岸向远岸逐渐增加的规律;降雨量对地表变形的时滞效应较弱,在山坡尺度上呈现相关度不高、滞后天数较短的规律;与未考虑时滞因素的模型相比,本研究中的滑坡位移预测模型拟合优度提升了55.77%,均方根误差降低了31.60%,模型预测精度显著提高。研究成果一定程度上揭示了特大型库区滑坡的变形机理,并为同类滑坡的位移精准预测提供了参考依据。     

基于数据挖掘的三峡库区特大滑坡变形关联规则研究

从实测数据中分析滑坡灾害的成因机理,对于准确识别潜在危险区与及时制定防治措施十分重要。由于现场监测数据的数量庞大、来源多样,常规的数据处理方法难以从海量监测数据中提取出有用的信息,进而对滑坡变形演化趋势作出正确评价和预测。本文基于经典数据挖掘方法中的两步聚类法与关联规则分析,提出了滑坡变形行为的关联分析挖掘技术,并以长江三峡库区新铺滑坡为例,对库水位波动及降雨影响下的特大滑坡位移速率进行了关联分析。结果表明:该滑坡的变形受库水位高程水平、库水位波动速率与降雨强度等因素的多重影响,水位下降、强降雨与滑坡变形密切相关;滑坡不同空间位置处的变形影响因素存在差异,由坡脚至坡顶,库水位波动的影响水平依次降低,降雨强度的影响水平逐渐增强。本文提出的数据挖掘方法可定量分析滑坡变形的控制因素,并通过与实测数据的对比验证了相关规则的可靠性,这对于海量监测数据条件下滑坡灾害的成因分析有重要意义。