论文部分内容阅读
中国是一个地质灾害多发的国家,其中滑坡地质灾害因其发生频率高、影响范围广和持续时间长而成为诸多地质灾害中的严重灾种。滑坡地质灾害在威胁人民生命财产安全的同时,也对经济社会、自然环境等造成了重大影响。比如从2015年的《全国地质灾害通报》可知,全国发生的各类地质灾害总计8224起,其中滑坡灾害总计5616起,占地质灾害总数的68.3%,可见滑坡地质灾害的严重性。长江流域的三峡库区是全国滑坡地质灾害防治的重点区域。三峡库区的地质条件较复杂,且库区受各种影响因素如人类工程活动、强降雨和库水位涨落等的作用,近三十年的地质灾害环境监测表明自2003年以来,库区滑坡地质灾害隐患显著增加。因此,对三峡库区滑坡灾害进行监测与预测具有重要的理论和实践意义。目前,以地理信息系统(Geographical Information System,GIS)、遥感(Remote Sensing,RS)和全球导航定位系统(Globe Positioning System,GPS)组成的“3S”技术在滑坡灾害基础数据获取、滑坡监测与预测等领域,得到了广泛的关注。在3S技术基础上,以最近邻分类算法、人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)等机器学习算法为主的人工智能也在滑坡位移时间序列预测和区域滑坡易发性评价中得到了广泛的应用,成为滑坡预测的主要模型之一。此外,将人工智能模型与混沌理论等非线性时间序列分析法相结合,并将组合模型应用于滑坡位移时间序列预测,能获得更好的预测效果。但是,已有研究在将3S技术应用于滑坡监测与预测时,还存在一些缺点,比如联合3S技术和人工智能的单体滑坡灾害监测与评价还缺乏有效的案例分析,基于人工智能的滑坡位移预测模型未能充分考虑滑坡位移时间序列的非线性和混沌特征,区域滑坡易发性评价的人工智能模型在建模时存在预测效率低和非滑坡栅格单元随机选取的问题。因此,本文针对已有研究存在的问题,在获取三峡库区塘角滑坡近12年的高分辨率遥感影像、典型库岸滑坡的GPS监测位移时间序列、降雨量、以及万州区滑坡自然地理信息的基础上,对3S技术和人工智能在单体滑坡与区域滑坡灾害监测、单体滑坡位移预测以及区域滑坡易发性评价等领域开展了全面探讨,取得了以下重要的结论和成果:(1)联合采用面向对象的高分辨率遥感影像变化检测技术、最近邻分类法、GIS的空间分析功能和静态实时GPS监测控制网,为3S技术和人工智能在单体滑坡监测中的应用提供了一个优秀的案例。面向对象变化检测技术在高分辨率遥感影像变化检测中应用越来越广泛,比传统的基于像素单元的变化检测技术更受欢迎。然而,极少有相关研究将面向对象变化检测技术用于单体滑坡灾害的土地利用变化检测。本研究采用面向对象技术、最近邻分类法和GIS空间分析功能将2002、2005、2010和2013年获取的四景高分遥感影像应用于三峡库区塘角滑坡强变形区土地利用变化检测。面向对象分类结果表明2005、2010和2013年的塘角滑坡强变形区高分影像分类精度都达到92%以上,Kappa系数不低于89%,只有2002年的IKONOS影像分类精度较低。与此同时,采用静态实时GPS控制网对塘角滑坡典型剖面进行监测。在滑坡土地利用变化图和变形监测数据基础上,得到了塘角滑坡强变形区的灾害破坏情况、以及变形破坏的诱发因素。(2)本文对三峡库区万州区基础地质条件进行了详细的分析,然后采用3S技术获取万州区的滑坡孕灾环境因子,并对万州区基础地理数据进行空间分析和实地验证,确认万州区滑坡数量为639个。采用频率比和相关系数法确定万州区滑坡易发性评价的九个关键环境因子——高程、坡度、剖面曲率、平面曲率、地形起伏度、地层岩性、地质构造、归一化植被指数和距离水系的距离。之后再采用人工智能模型对区域滑坡易发性进行评价。(3)三峡库区某些库岸滑坡在强降雨、库水位涨落等诱发因素影响下,其GPS监测的位移序列表现出阶跃式变化特征且可能存在混沌特性。但传统的用于滑坡位移预测的混沌模型,大都是建立在单变量位移序列的基础上;且已有的考虑了诱发因素的常规多变量模型,大都采用经验性的方法来选取输入变量。这些模型对滑坡位移序列的非线性特征,及其与诱发因素间的动态响应关系缺乏数学理论上的深入分析。因此,提出一种基于多变量混沌模型和极限学习机(Extreme Learning Machine,ELM)的滑坡位移组合预测模型。以三峡库区白水河滑坡的GPS累积监测位移为例,结果表明滑坡位移序列存在混沌特性,本文模型能有效预测滑坡位移。并与多变量混沌粒子群(Particle Swarm Optimization,PSO)优化SVM模型和单变量混沌ELM模型作对比,结果表明多变量混沌ELM模型预测效果优于对比模型。(4)近年来,机器学习模型已经广泛应用于区域滑坡易发性评价。但是这些机器学习模型,比如SVM模型,存在耗时较长和预测精度有待提高的问题;另外在对机器学习模型进行训练和测试时,经常随机地和主观地选取非滑坡栅格单元。针对这些问题,本文提出基于自组织映射神经网络——极限学习机(SOM-ELM)的滑坡易发性评价模型。SOM-ELM模型首先对SOM模型聚类结果进行分析,从极低易发性分区中选择非滑坡栅格单元,这样保证了所选择的非滑坡栅格单元发生滑坡的概率尽可能低;然后采用训练速度快和预测精度高的ELM模型对万州区滑坡易发性进行计算。将得到的万州区易发性分区图与随机选取非滑坡栅格单元的单独ELM模型,以及在SOM网络模型基础上建立的SVM模型进行对比。结果表明SOM模型能很好的将万州区滑坡易发性等级进行分类,且具有比K均值聚类模型更高的分类精度;同时结果也显示SOM-ELM模型具有比单独ELM模型和SOM-SVM模型更高的成功率和预测率,且ELM模型具有比SVM模型更高的预测效率。