基于粒子群优化的WA-SVM模型在滑坡位移预测中的应用

针对滑坡位移时间序列含大量噪声、具有明显的非线性等特征,本文提出了一种基于粒子群优化(PSO)的小波分析(WA)-支持向量机(SVM)滑坡位移预测模型(即WA-SVM模型)。该模型在混沌分析的基础上,首先用WA将滑坡位移序列分解成不同频率的分量,然后采用PSO算法优选SVM模型参数,并利用SVM模型预测各分量值,最后将各分量预测值组合得到最终预测值。结合滑坡位移序列实例,将基于粒子群优化的WA-SVM模型的预测结果与WA-BP模型、单独SVM模型进行对比,结果表明该滑坡位移序列存在混沌特性,基于粒子群优化的WA-SVM模型克服了噪声的干扰和参数优选的问题,具有较高的预测精度和预测效率,为滑坡位移的预测提供了一种新的方法。     

基于经验模态分解-支持向量机的滑坡位移预测方法研究

滑坡位移时间序列在外因的影响下呈现出单调非平稳的曲线特征,利用经验模态分解法(Empirical Mode Decomposition,EMD)将滑坡累计位移分解为周期项和趋势项,建立支持向量回归(Support Vector Regression,SVR)-布朗单一参数指数平滑(Browns Single Parameter Exponential Smoothing,Browns)模型对滑坡位移进行预测。以三峡库区木鱼包滑坡为例,首先在考虑降雨量和库水位等影响因子的基础上,采用SVR模型对周期项位移进行预测;然后采用Browns模型对趋势项位移进行预测;最后通过时间序列加法模型得到滑坡累计位移预测值,计算得到测试样本的平均绝对误差为13.31mm,均方根误差和判定系数分别为16.6mm和0.83。通过对比分析,结果表明:基于EMD与SVR-Browns模型的滑坡位移预测精度明显优于SVR模型和Browns模型,证明该模型是一种有效的滑坡位移预测方法。     

基于影响因子分析的滑坡位移预测模型研究

将滑坡的影响因索引入到滑坡的位移预测模型中．从滑坡的位移动态变化特征和响应组成组分研究入手,将滑坡的位移分解为趋势项、周期项、脉动项和随机项．针对每一项进行研究,分别选取合适的影响因子变量和函数关系来模拟,并将各项耦合在一起得到位移的初步预测模型。通过对监测数据进行非线性多元统计回归分析,得到位移的最终预测模型。以长江三峡库区的新滩滑坡为实例,通过验证研究,发现将滑坡的影响因子引入滑坡的预测预报模型中的思路是有效可行的,而且可以明显地改善预测预报的时间尺度。     

ARIMA模型和GM(1,1)与ARMA(p,q)组合模型在滑坡短期预报中的对比分析

滑坡的短期预报研究是当前国内外滑坡领域的重要研究方向之一。在滑坡的中短期时间预报中,基于统计学的预测模型是主要的分析预测工具。采用两种理论上比较成熟的ARIMA模型和GM(1,1)与ARMA(p,q)组合模型来模拟滑坡的累积位移量,并对这两种模型的优缺点以及各自适用条件进行了对比分析。结果表明:两种模型都能较好地拟合滑坡累积位移量时间序列并做出一定精度的预测,但是两种模型的适用条件不同。本研究可为滑坡短期预报提供借鉴和参考。     

基于经验模态分解和神经网络的滑坡变形预测研究

受岩土体性质和多种诱发因素(降雨、地震、库水位等)的影响,滑坡的位移演化必然包含着多层次的信息,难以采用单一的灰色预测、神经网络、时间序列等模型进行有效、准确的预测.本文引入信号分析中的经验模态分解(EMD)方法,同时结合对非线性函数具有很强的逼近能力的BP神经网络,建立了滑坡变形预测的EMD-BP神经网络模型,并以三峡库区树坪滑坡为例,应用该模型对ZG88监测点的累积位移进行了预测,最后将其预测值与实际监测值以及其他模型预测结果进行了对比分析,结果表明该模型的预测值与实际监测值基本一致,且模型预测精度比单一的BP神经网络和GM(1,1)模型要高,从而验证了该模型具有一定的适用性和较高的预测精度.     

基于ICEEMDAN分解和MHA-LSTM神经网络的滑坡位移预测

深度学习在机器视觉等各个领域的兴起，使长短时间记忆(LSTM)神经网络也越来越常用于滑坡预测工作中。为加强对历史信息的提取与捕捉，提出一种多头自注意力长短时间记忆(MHA-LSTM)神经网络用来预测滑坡位移。首先采用改进版的自适应噪声完备集合经验模态分解(ICEEMDAN)算法将滑坡位移分解成趋势项、周期项和噪声项；然后采用MHA-LSTM神经网络拟合带噪声的滑坡位移趋势项和周期项，两者相加即可得到滑坡总位移的预测结果；最后以白水河滑坡实测数据为例，考虑月降雨量和库水位因素的影响，对该滑坡位移的周期项和趋势项进行预测，并与其他传统神经网络的预测结果进行对比。结果表明：MHA-LSTM神经网络模型相较于其他传统神经网络模型，能更好地捕捉历史的信息特征，预测效果更佳，可为滑坡预测提供新的技术方法。     

基于诱发因素响应与DE-SVM模型的滑坡位移预测

三峡库区滑坡的稳定性直接影响到库区沿岸居民的生命及财产安全,而对滑坡变形的预测对于地质灾害防治有着重要意义。基于三峡库区涉水滑坡多存在阶跃式的变形特征和位移监测数据,采用差分进化(DE)算法对支持向量机(SVM)模型参数进行全局优化,并利用优化后的差分进化-支持向量机(DE-SVM)模型对滑坡位移监测数据进行训练,最终实现了对滑坡位移量的预测。以三峡库区典型滑坡——奉节县藕塘滑坡为例,运用DESVM模型并考虑库水位和降雨作为该滑坡的诱发因素,对该滑坡的变形及其发展趋势进行了预测研究。结果表明:基于诱发因素响应的DE-SVM模型对藕塘滑坡变形的预测结果与该滑坡的实际变形特征基本一致,表明该模型的预测精度高,对三峡库区涉水滑坡位移的预测具有重要的参考价值。     

库水位响应滞后影响下的滑坡位移预测模型研究

滑坡的位移变化不仅与其地质环境有关,还取决于外界诱发因素的动态变化,如降雨和库水位变化。本文以白家包滑坡监测数据为依据,对滑坡诱发因素与滑坡位移变化之间的影响关系进行了综合分析,并选取月降雨量与库水响应滞后影响下的库水位月平均变化量为诱发因子,采用时间序列分析方法,通过构建差分自回归移动平均(ARIMA)模型,对该滑坡的位移进行了动态预测。结果表明:该模型可以较好地反映滑坡位移在外界诱发因素影响下的动态变化,可有效提高模型预测精度,且简单易行,为判断滑坡的动态变化提供了可靠的理论依据。     

基于I、SVM、I-SVM的滑坡灾害易发性评价模型研究

为研究信息量(I)模型和支持向量机(SVM)模型以及其耦合模型(I-SVM)3种模型在滑坡灾害易发性评价中的可靠性,以宜昌市五峰县采花乡栗子坪村及其周边部分区域为研究区,通过对评价因子进行相关性和重要性检验,筛选出相对高差、坡度、斜坡结构、工程地质岩组、距构造距离、距水系距离6个评价因子,建立滑坡灾害易发性评价指标体系,并利用曲线下面积(AUC-ROC)方法对模型预测精度进行检验。结果表明：3种评价模型的AUC值分别为0.809、0.866、0.930,I-SVM耦合模型相较于单一模型其预测精度分别提高了14.96%和7.39%,说明I-SVM耦合模型能够有效提高滑坡灾害易发性预测精度。     

降雨作用下三峡库区秭归谭家湾滑坡监测预警研究

三峡库区秭归谭家湾滑坡是一座典型的具有“阶跃型”位移特征的降雨诱发型堆积层滑坡,它的变形破坏严重威胁着公路行车和周围居民的生命及财产安全。为研究谭家湾滑坡位移-降雨间的响应关系,首先利用皮尔逊相关分析法,探讨了谭家湾滑坡累计位移与累计降雨量之间的相关性,得到滑坡中前缘区域累计位移与累计降雨量的相关性最强,滑坡中后缘及左侧冲沟附近累计位移与累计降雨量的相关性次之;然后,定义了非相似度用于研究滑坡变形各个监测点与G11监测点位移序列间的相似性,从空间上将滑坡变形划分为3个主要变形区,并依据滑坡所处的变形状态,从时间上将2020年滑坡变形过程划分为3个变形时段;最后根据滑坡变形特征和各个变形区域的差异,确定降雨诱发型滑坡进入加速变形阶段的前期降雨量与当次降雨量阈值,得到了滑坡不同变形区域各个演化阶段的位移速率阈值,并结合现场巡查的滑坡宏观变形建立了基于滑坡位移-降雨响应的4级综合动态预警模型,再利用2021年谭家湾滑坡变形监测数据对该模型进行了验证。