CN116611323B - 一种滑坡演化模态变化智能判识方法及系统 - Google Patents

一种滑坡演化模态变化智能判识方法及系统 Download PDF

Info

Publication number
CN116611323B
CN116611323B CN202310525698.8A CN202310525698A CN116611323B CN 116611323 B CN116611323 B CN 116611323B CN 202310525698 A CN202310525698 A CN 202310525698A CN 116611323 B CN116611323 B CN 116611323B
Authority
CN
China
Prior art keywords
landslide
displacement
data
actual measurement
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310525698.8A
Other languages
English (en)
Other versions
CN116611323A (zh
Inventor
周超
陈玲
曹颖
王悦
汪洋
徐光黎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202310525698.8A priority Critical patent/CN116611323B/zh
Publication of CN116611323A publication Critical patent/CN116611323A/zh
Application granted granted Critical
Publication of CN116611323B publication Critical patent/CN116611323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种滑坡演化模态变化智能判识方法及系统，包括步骤：获取滑坡地表的位移实测数据；通过位移实测数据和人工蜂群‑核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；通过位移实测数据和位移预测数据，分别绘制滑坡实测位移‑时间曲线和滑坡预测位移‑时间曲线；对滑坡实测位移‑时间曲线和滑坡预测位移‑时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。本发明利用时间序列InSAR技术获取精确的滑坡实测数据，结合机器学习模型的训练开展滑坡位移预测工作，通过求解滑坡实测位移‑时间曲线和滑坡预测位移‑时间曲线之间切线的夹角，并基于切线夹角值，可以准确地判识滑坡演化模态是否改变。

Description

一种滑坡演化模态变化智能判识方法及系统
技术领域
本发明涉及滑坡灾害预测预报领域，尤其涉及一种滑坡演化模态变化智能判识方法及系统。
背景技术
滑坡灾害的发生对人类生命财产乃至整个社会经济系统造成了严重的威胁。判识滑坡演化模态是滑坡早期预警系统的重要组成部分，是地质灾害防灾减灾工作的主要任务。
准确的滑坡变形实测是判识滑坡演化模态的重要前提，常规的实测手段存在着部分缺陷：(1)GPS全球定位系统实测精度较高但成本昂贵；(2)传统的人工实测技术虽成本较低但实测精度不够。而时间序列InSAR技术实测精度高，范围大，费用低，可以为滑坡演化模态判识工作提供可靠的基础数据。
现有判识滑坡演化模态的技术手段，主要为基于专家经验设置判识阈值，判识滑坡演化模态是否发生改变，但该方法存在专家经验依赖度高，推广应用难度大等问题。
发明内容
为解决上述技术问题，本发明提供一种滑坡演化模态变化智能判识方法，包括步骤：
S1：通过时序InSAR技术获取滑坡地表的位移实测数据；
S2：通过位移实测数据和人工蜂群-核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
S3：通过位移实测数据和位移预测数据，分别绘制滑坡实测位移-时间曲线和滑坡预测位移-时间曲线；
S4：对滑坡实测位移-时间曲线和滑坡预测位移-时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。
优选的，步骤S1具体为：
通过时序InSAR技术获取预设时间内滑坡地表位移的雷达影像数据，通过插值法补充雷达影像数据中的缺失数据，并按照时间等间距的将雷达影像数据划分为等频数据，获得滑坡地表的位移实测数据。
优选的，步骤S2具体为：
S21：获取位移实测数据的滑坡累积总位移数据，通过离散小波函数剔除滑坡累积总位移数据中的系统噪音，获得剔除噪音后的滑坡累积总位移数据；
S22：将剔除噪音后的滑坡累积总位移数据分解为趋势项位移数据和周期项位移数据；
S23：将分解后的趋势项位移数据和周期项位移数据分别进行归一化处理，获得归一后的趋势项位移数据和归一后的周期项位移数据；
S24：通过归一后的趋势项位移数据训练人工蜂群-核极限学习机耦合模型，获得预测滑坡的趋势项位移数据；
S25：通过归一后的周期项位移数据训练人工蜂群-核极限学习机耦合模型，获得预测滑坡的周期项位移数据；
S26：将预测滑坡的趋势项位移数据和预测滑坡的周期项位移数据相加，获得滑坡地表的位移预测数据。
优选的，步骤S3具体为：
S31：构建滑坡地表的位移与时间的关系图，关系图的横轴为离散的时刻ti，i为横轴上时刻的序号，关系图的纵轴为累积位移；
S32：将位移实测数据在各时刻的滑坡累积位移实测值在关系图中依次连接，获得滑坡实测位移-时间曲线；
S33：将位移预测数据在各时刻的滑坡累积位移预测值在关系图中依次连接，获得滑坡预测位移-时间曲线。
优选的，步骤S4具体为：
S41：求解ti时刻滑坡实测位移-时间曲线和滑坡预测位移-时间曲线切线间的夹角αi，其中，i为时刻的序号；
S42：当αi介于[-10°,10°]时，表明ti时刻较之前时刻滑坡的演化模态没有发生改变；
当αi小于-10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出减缓的趋势；
当αi大于10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出加速的趋势。
优选的，夹角αi的计算公式为：
其中，yi为ti时刻的滑坡累积位移实测值，yi+1为ti+1时刻的滑坡累积位移实测值，zi为ti时刻的滑坡累积位移预测值，zi+1为ti+1时刻的滑坡累积位移预测值。
一种滑坡演化模态变化智能判识系统，包括步骤：
位移实测数据获取模块，用于通过时序InSAR技术获取滑坡地表的位移实测数据；
位移预测数据获取模块，用于通过位移实测数据和人工蜂群-核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
曲线绘制模块，用于通过位移实测数据和位移预测数据，分别绘制滑坡实测位移-时间曲线和滑坡预测位移-时间曲线；
演化模态判断模块，用于对滑坡实测位移-时间曲线和滑坡预测位移-时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。
本发明具有以下有益效果：
1、利用时间序列InSAR技术获取精确的滑坡实测数据，结合机器学习模型的训练开展滑坡位移预测工作，通过将位移实测数据分解、训练、再融合可以提升数据的预测精度，使最终预测结果精度更高且模型性能更稳定，具备较强的通用性；
2、通过求解滑坡实测位移-时间曲线和滑坡预测位移-时间曲线之间切线的夹角，并基于切线夹角值位于的数据区间实现滑坡演化模态的数据量化判断，可以准确地判识滑坡演化模态是否改变，以便启动相应的预警措施。
附图说明
图1为本发明实施例方法流程图；
图2为树坪滑坡及木鱼包滑坡位移实测点的布置图；
图3为树坪滑坡及木鱼包滑坡的滑坡累积总位移数据分解图；
图4为两条滑坡实测位移-时间曲线和滑坡预测位移-时间曲线的切线夹角示意图；
图5为树坪滑坡及木鱼包滑坡的滑坡实测位移-时间曲线和滑坡预测位移-时间曲线的关系图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供一种滑坡演化模态变化智能判识方法，可为滑坡预警提供更可靠的技术支撑，对于保障人民的生命财产安全具有十分重要的意义；
包括步骤：
S1：通过时序InSAR技术获取滑坡地表的位移实测数据；
S2：通过位移实测数据和人工蜂群-核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
S3：通过位移实测数据和位移预测数据，分别绘制滑坡实测位移-时间曲线和滑坡预测位移-时间曲线；
S4：对滑坡实测位移-时间曲线和滑坡预测位移-时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。
进一步的，步骤S1具体为：
通过时序InSAR技术获取预设时间内滑坡地表位移的雷达影像数据，通过插值法补充雷达影像数据中的缺失数据，并按照时间等间距的将雷达影像数据划分为等频数据，获得滑坡地表的位移实测数据。
本实施例中，研究区为位于三峡库区的两个滑坡--树坪滑坡和木鱼包滑坡，如图2所示为树坪滑坡及木鱼包滑坡位移实测点的布置图，在获取研究区自2016年3月10日至2017年9月13日滑坡地表位移的雷达影像数据后，利用插值技术补充缺失数据，按照等间距的分类手段将上述影像数据划分为频率为12天的47组滑坡地表的位移实测数据。
进一步的，基于InSAR技术获取的位移实测数据，利用机器学习模型(人工蜂群-核极限学习机耦合模型)构建滑坡变形与其诱发因素的响应关系，开展未来一定时间段内的滑坡位移预测工作，具体如步骤S2所示；
步骤S2具体为：
S21：获取位移实测数据的滑坡累积总位移数据，通过离散小波函数剔除滑坡累积总位移数据中的系统噪音，获得剔除噪音后的滑坡累积总位移数据；
具体的，根据时间序列分析原理将InSAR技术获取的滑坡累积总位移数据分解为趋势项位移数据、周期项位移数据和系统噪音三部分，公式如下：
Dt＝Tt+Pt+Nt
上述公式中，t为时刻，Dt为滑坡累积总位移数据，Tt为趋势项位移数据，Pt为周期项位移数据，Nt为系统噪音；
如图3所示为树坪滑坡及木鱼包滑坡的滑坡累积总位移数据分解图；
应用离散小波函数的小波分解中的一维去噪方法剔除滑坡累积总位移数据中的系统噪音，离散小波函数的定义如下：
上述公式中，m为尺度缩放常数，n为平移常数，s(t)是指信号时间序列，σ*为复共轭函数；
S22：将剔除噪音后的滑坡累积总位移数据分解为趋势项位移数据和周期项位移数据；
S23：将分解后的趋势项位移数据和周期项位移数据分别进行归一化处理，获得归一后的趋势项位移数据和归一后的周期项位移数据；
具体的，机器学习算法对值域范围在[0,1]的数据更为敏感，将滑坡各项位移数据进行归一化处理，计算公式如下：
上述公式中，d为归一化后的位移值，d为原始位移值，dmax为位移序列中的最大值，dmin为位移序列中的最小值；
S24：通过归一后的趋势项位移数据训练人工蜂群-核极限学习机耦合模型，获得预测滑坡的趋势项位移数据；
具体的，趋势项位移数据由滑坡自身的地质条件控制，将2016年3月10日至2017年4月22日的趋势项位移数据作为训练集，训练人工蜂群-核极限学习机耦合模型，预测2017年5月4日至9月13日滑坡的趋势项位移数据，模型输出函数的定义如下：
上述公式中，K(x,xi)为核函数，i为样本编号，N为样本总数，1/C为常数，H为隐含层输出矩阵，Y为网络输出；
S25：通过归一后的周期项位移数据训练人工蜂群-核极限学习机耦合模型，获得预测滑坡的周期项位移数据；
具体的，周期项位移数据受外部诱发因素的影响，本实施例选择累积前12天降雨量，累积前24天降雨量，前12天库水位升降幅度，前12天库水位平均高程，过去12天的滑坡位移，过去24天的滑坡位移及过去36天的滑坡位移共7个滑坡变形诱发因素作为模型输入项，预测滑坡的周期项位移数据作为模型输出项；将2016年3月10日至2017年4月22日的周期项位移数据作为训练集，训练人工蜂群-核极限学习机耦合模型，预测2017年5月4日至9月13日滑坡的周期项位移数据；
S26：将预测滑坡的趋势项位移数据和预测滑坡的周期项位移数据相加，获得滑坡地表的位移预测数据。
进一步的，步骤S3具体为：
S31：构建滑坡地表的位移与时间的关系图，关系图的横轴为离散的时刻ti，i为横轴上时刻的序号，关系图的纵轴为累积位移；
S32：将位移实测数据在各时刻的滑坡累积位移实测值在关系图中依次连接，获得滑坡实测位移-时间曲线；
S33：将位移预测数据在各时刻的滑坡累积位移预测值在关系图中依次连接，获得滑坡预测位移-时间曲线。
进一步的，步骤S4具体为：
S41：求解ti时刻滑坡实测位移-时间曲线和滑坡预测位移-时间曲线切线间的夹角αi，其中，i为时刻的序号，如图4所示为两条滑坡实测位移-时间曲线和滑坡预测位移-时间曲线的切线夹角示意图；
S42：当αi介于[-10°,10°]时，表明ti时刻较之前时刻滑坡的演化模态没有发生改变；
当αi小于-10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出减缓的趋势；
当αi大于10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出加速的趋势。
具体的，如图5所示，2017年5月4日至9月13日，树坪滑坡两条累积总位移-时间曲线切线的夹角值均介于[-10°,10°]，表明在此时间段内滑坡较之前的演化模态没有发生改变，仍处于等速变形阶段；
2017年5月4日至9月13日，木鱼包滑坡两条累积总位移-时间曲线切线的夹角值均介于[-10°,10°]，表明在此时间段内滑坡较之前的演化模态没有发生改变，仍处于等速变形阶段；
针对滑坡演化模态的变化，启动相应的预警措施，以降低滑坡灾害带来的损失。
进一步的，夹角αi的计算公式为：
其中，yi为ti时刻的滑坡累积位移实测值，yi+1为ti+1时刻的滑坡累积位移实测值，zi为ti时刻的滑坡累积位移预测值，zi+1为ti+1时刻的滑坡累积位移预测值。
本发明提供一种滑坡演化模态变化智能判识系统，包括步骤：
位移实测数据获取模块，用于通过时序InSAR技术获取滑坡地表的位移实测数据；
位移预测数据获取模块，用于通过位移实测数据和人工蜂群-核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
曲线绘制模块，用于通过位移实测数据和位移预测数据，分别绘制滑坡实测位移-时间曲线和滑坡预测位移-时间曲线；
演化模态判断模块，用于对滑坡实测位移-时间曲线和滑坡预测位移-时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种滑坡演化模态变化智能判识方法，其特征在于，包括步骤：
S1：通过时序InSAR技术获取滑坡地表的位移实测数据；
S2：通过位移实测数据和人工蜂群-核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
S3：通过位移实测数据和位移预测数据，分别绘制滑坡实测位移-时间曲线和滑坡预测位移-时间曲线；
S4：对滑坡实测位移-时间曲线和滑坡预测位移-时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化；
步骤S4具体为：
S41：求解ti时刻滑坡实测位移-时间曲线和滑坡预测位移-时间曲线切线间的夹角αi，其中，i为时刻的序号；
S42：当αi介于[-10°,10°]时，表明ti时刻较之前时刻滑坡的演化模态没有发生改变；
当αi小于-10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出减缓的趋势；
当αi大于10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出加速的趋势；
夹角αi的计算公式为：
其中，yi为ti时刻的滑坡累积位移实测值，yi+1为ti+1时刻的滑坡累积位移实测值，zi为ti时刻的滑坡累积位移预测值，zi+1为ti+1时刻的滑坡累积位移预测值。
2.根据权利要求1所述的滑坡演化模态变化智能判识方法，其特征在于，步骤S1具体为：
通过时序InSAR技术获取预设时间内滑坡地表位移的雷达影像数据，通过插值法补充雷达影像数据中的缺失数据，并按照时间等间距的将雷达影像数据划分为等频数据，获得滑坡地表的位移实测数据。
3.根据权利要求1所述的滑坡演化模态变化智能判识方法，其特征在于，步骤S2具体为：
S21：获取位移实测数据的滑坡累积总位移数据，通过离散小波函数剔除滑坡累积总位移数据中的系统噪音，获得剔除噪音后的滑坡累积总位移数据；
S22：将剔除噪音后的滑坡累积总位移数据分解为趋势项位移数据和周期项位移数据；
S23：将分解后的趋势项位移数据和周期项位移数据分别进行归一化处理，获得归一后的趋势项位移数据和归一后的周期项位移数据；
S24：通过归一后的趋势项位移数据训练人工蜂群-核极限学习机耦合模型，获得预测滑坡的趋势项位移数据；
S25：通过归一后的周期项位移数据训练人工蜂群-核极限学习机耦合模型，获得预测滑坡的周期项位移数据；
S26：将预测滑坡的趋势项位移数据和预测滑坡的周期项位移数据相加，获得滑坡地表的位移预测数据。
4.根据权利要求1所述的滑坡演化模态变化智能判识方法，其特征在于，步骤S3具体为：
S31：构建滑坡地表的位移与时间的关系图，关系图的横轴为离散的时刻ti，i为横轴上时刻的序号，关系图的纵轴为累积位移；
S32：将位移实测数据在各时刻的滑坡累积位移实测值在关系图中依次连接，获得滑坡实测位移-时间曲线；
S33：将位移预测数据在各时刻的滑坡累积位移预测值在关系图中依次连接，获得滑坡预测位移-时间曲线。
5.一种滑坡演化模态变化智能判识系统，其特征在于，包括步骤：
位移实测数据获取模块，用于通过时序InSAR技术获取滑坡地表的位移实测数据；
位移预测数据获取模块，用于通过位移实测数据和人工蜂群-核极限学习机耦合模型，计算获得滑坡地表的位移预测数据；
曲线绘制模块，用于通过位移实测数据和位移预测数据，分别绘制滑坡实测位移-时间曲线和滑坡预测位移-时间曲线；
演化模态判断模块，用于对滑坡实测位移-时间曲线和滑坡预测位移-时间曲线进行切线夹角分析，判识滑坡的演化模态是否变化；
演化模态判断模块的工作流程具体为：
S41：求解ti时刻滑坡实测位移-时间曲线和滑坡预测位移-时间曲线切线间的夹角αi，其中，i为时刻的序号；
S42：当αi介于[-10°,10°]时，表明ti时刻较之前时刻滑坡的演化模态没有发生改变；
当αi小于-10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出减缓的趋势；
当αi大于10°时，滑坡变形与其诱发因素之间的响应关系发生改变，表明ti时刻较之前时刻滑坡的演化模态发生了改变，变形表现出加速的趋势；
夹角αi的计算公式为：
其中，yi为ti时刻的滑坡累积位移实测值，yi+1为ti+1时刻的滑坡累积位移实测值，zi为ti时刻的滑坡累积位移预测值，zi+1为ti+1时刻的滑坡累积位移预测值。
CN202310525698.8A 2023-05-10 2023-05-10 一种滑坡演化模态变化智能判识方法及系统 Active CN116611323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310525698.8A CN116611323B (zh) 2023-05-10 2023-05-10 一种滑坡演化模态变化智能判识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310525698.8A CN116611323B (zh) 2023-05-10 2023-05-10 一种滑坡演化模态变化智能判识方法及系统

Publications (2)

Publication Number Publication Date
CN116611323A CN116611323A (zh) 2023-08-18
CN116611323B true CN116611323B (zh) 2024-04-16

Family

ID=87675798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310525698.8A Active CN116611323B (zh) 2023-05-10 2023-05-10 一种滑坡演化模态变化智能判识方法及系统

Country Status (1)

Country Link
CN (1) CN116611323B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012225015A (ja) * 2011-04-18 2012-11-15 Railway Technical Research Institute 地盤変位の予測方法および予測装置
CN105239608A (zh) * 2015-09-28 2016-01-13 中国地质大学（武汉） 一种基于wt-rs-svr相结合的滑坡位移预测方法
CN112270400A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于多影响因子的滑坡位移动态预测方法
CN113627066A (zh) * 2021-08-03 2021-11-09 成都理工大学 一种水库库岸滑坡的位移预测方法
CN114444258A (zh) * 2021-12-20 2022-05-06 苏州理工雷科传感技术有限公司 一种基于切线角与多种滑坡模型的智能滑坡预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012225015A (ja) * 2011-04-18 2012-11-15 Railway Technical Research Institute 地盤変位の予測方法および予測装置
CN105239608A (zh) * 2015-09-28 2016-01-13 中国地质大学（武汉） 一种基于wt-rs-svr相结合的滑坡位移预测方法
CN112270400A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于多影响因子的滑坡位移动态预测方法
CN113627066A (zh) * 2021-08-03 2021-11-09 成都理工大学 一种水库库岸滑坡的位移预测方法
CN114444258A (zh) * 2021-12-20 2022-05-06 苏州理工雷科传感技术有限公司 一种基于切线角与多种滑坡模型的智能滑坡预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Displacement prediction of step-like landslide by applying a novel kernel extreme learning machine method;Zhou Chao等;《Landslides》(第15期);全文 *
基于深部位移的蠕滑型滑坡预警指标及预警预报研究;陈贺等;岩石力学与工程学报(第S1期);全文 *
滑坡位移非线性时间序列预测模型研究;刘勇等;地质科技情报(第05期);全文 *
由树坪滑坡自动监测曲线分析滑坡诱因与预警判据;苑谊等;水文地质工程地质(第05期);全文 *
集成时间序列InSAR技术的滑坡早期识别与预测研究;周超;《中国博士学位论文全文数据库(基础科学辑)》(第6期);第1-156页 *
马光胜等.切线角及GM(1,1)模型在滑坡预警中的应用.中国勘察设计.2014,(第02期),全文. *

Also Published As

Publication number Publication date
CN116611323A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Ma et al. Real-time monitoring of water quality using temporal trajectory of live fish
CN102722706B (zh) 基于粒子滤波的红外弱小目标检测与跟踪方法及装置
Kitsiou et al. Categorical mapping of marine eutrophication based on ecological indices
CN116259005B (zh) 基于屋顶光伏消防的智能监控系统
CN113822352B (zh) 基于多特征融合的红外弱小目标检测方法
Kleynhans et al. Land cover change detection using autocorrelation analysis on MODIS time-series data: Detection of new human settlements in the Gauteng province of South Africa
Meng et al. Improving automobile insurance claims frequency prediction with telematics car driving data
CN111753776B (zh) 基于回声状态与多尺度卷积联合模型的结构损伤识别方法
CN116611323B (zh) 一种滑坡演化模态变化智能判识方法及系统
CN103366373A (zh) 基于模糊相容图的多时相遥感影像变化检测方法
CN114418970A (zh) 基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置
Alfó et al. Finite mixture models for mapping spatially dependent disease counts
CN116108961A (zh) 一种基于arima-svm模型的干旱预测方法及系统
CN116030300A (zh) 一种用于零样本sar目标识别的渐进式域自适应识别方法
CN114469017A (zh) 脉象数据检测方法以及系统
CN112836669B (zh) 一种司机分心驾驶检测方法
CN115205680A (zh) 基于显著性迁移的雷达目标sar图像联合检测识别方法
Mazni et al. An investigation into real-time surface crack classification and measurement for structural health monitoring using transfer learning convolutional neural networks and Otsu method
CN111522860B (zh) 一种基于生物行为的水质预警分析方法及其系统
CN113591714A (zh) 一种基于卫星遥感图像洪涝检测方法
CN110969209A (zh) 一种陌生人识别方法、装置、电子设备及存储介质
CN112036263A (zh) 一种湖泊采砂船遥感识别方法
CN102214292A (zh) 人脸图像的光照处理方法
CN117636075B (zh) 一种基于计算机视觉的特种设备仪表识别系统
CN114283296B (zh) 一种基于结构相似度的目标识别自评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant