Displacement Prediction of Reservoir Bank Landslide Based on Optimal Decomposition Mode and GRU Model
-
摘要: 在滑坡位移综合预测研究中，常因滑坡随机位移分量无法准确提取、最优训练数据集及时效性无法确定等，造成多源监测数据利用不充分、位移预测结果不稳定。鉴于此，引入变分模态分解，在滑坡位移时序分析的基础上，结合门控循环单元递归神经网络，提出一种新型滑坡位移综合预测模型。以三峡库区白水河滑坡为例，选取2003-07—2012-12的位移监测数据和同时期库水位及降雨数据进行分析研究，综合模型预测结果的均方根误差为9.715 mm，判定系数为0.967。对比实验分析表明，该模型在保证高预测精度的同时，在有效预测时长和时效性上同样优势明显，在库岸滑坡位移预测研究中具有很强的应用和推广价值。Abstract:Objectives The inadequate utilization of multisource monitoring data and the unstable results of displacement prediction are often caused by inaccurate extraction of random components, uncertain optimal training data set and timeliness in the comprehensive landslide displacement prediction study.Methods On that account, a new landslide prediction model is proposed by integrating the variational mode decomposition with the gated recurrent unit recurrent neural network on the basis of landslide displacement time series analysis.Results Taking Baishuihe landslide in the Three Gorges Reservoir Area as an example, the monitoring data including displacement and reservoir water level and rainfall data from July 2003 to December 2012 are selected for analysis and research. The root mean square error of the predicted value of the model is 9.715 mm and the coefficient of determination is 0.967. The results show that the model guarantees high prediction accuracy and has obvious advantages in effectiveness and timeliness as well.Conclusion Therefore, it has a strong application and popularization value in reservoir bank landslide displacement prediction research.
-
随着中国经济的飞速发展，工业、交通也迅猛发展，城市扩张，人口集中，各种环境问题也层出不穷，其中大气污染，尤其是颗粒物(气溶胶)污染具有广泛的空间分布，对人体健康产生较大危害[1]。空气动力学当量直径小于10 μm的颗粒物被称为PM10，直径小于2.5 μm的颗粒物被称为PM2.5，二者均具有可吸入性，前者通常可以沉积到上呼吸道，而后者可以进入肺泡，对身体危害极大；同时细颗粒物在大气中停留时间长，也影响了大气能见度和大气环境质量[1-3]。
在颗粒物污染监测中，近地表的监测备受人们关注，各个城市中普遍设立了空气质量监测站，同时监测颗粒物浓度(PM10、PM2.5)、硫氧化物、氮氧化物等参数，能够测量站点附近大气污染的详细参数，测量精度高，但受制于成本，不能广泛布站，覆盖区域的测量很难实现，无法全面反映气溶胶的分布。激光雷达作为一种遥感手段，能够进行长距离、高频次的探测，探测结果可以有效反映激光传输路径内的气溶胶分布情况，是当前遥感探测颗粒物污染的有效手段，被广泛应用于城市大气污染探测中[4-11]。国内外多家单位开展了激光雷达用于大气探测的研究，其中中科院安光所[4-7]、武汉大学[8]、西安理工大学[9]等多家国内单位，以及法国索邦大学[10]、日本国立环境研究所[11-12]、意大利[13]、美国NOAA[14]等国外研究机构均利用激光雷达进行了颗粒物探测。
当前国内外的研究中，都是单独进行垂直探测[1, 5, 8-10, 12-17]或者水平探测[4, 6-7]，鲜有结合三维探测的激光雷达数据进行相关研究。垂直探测可以确定探测地点上空的气团垂直分布和运动，但是不能获得区域性的颗粒物分布；水平探测可用于识别该区域的颗粒物水平分布，但牺牲了时间分辨率，无法获得颗粒物的传输规律；而同时结合垂直和水平探测组成的三维数据，即可实现两种探测方式的优势互补，从而实现对颗粒物更全面的监测和研究。本文即利用两台微脉冲激光雷达对天津市武清区中心城区进行了全天时的遥感探测，其中一台激光雷达进行垂直测量，探测颗粒物的传输、沉降；另外一台激光雷达架设于高楼顶，进行水平扫描，探测颗粒物的水平分布。通过对两台激光雷达的三维数据的分析，揭示区域性的颗粒物污染分布和传输情况。
1 三维大气污染探测原理与方法
1.1 大气探测激光雷达原理
激光雷达是一种主动探测设备，它向大气中发射激光脉冲，激光束与大气气溶胶粒子和大气分子等发生相互作用，产生回波信号被接收望远镜接收，然后对回波信号进行采集、反演就可以得到大气气溶胶的光学特征信息。激光雷达探测大气颗粒物具有很高的空间和时间分辨率，是目前有效获得大气颗粒物垂直分布廓线的重要手段。
1.2 实验方法和研究区域介绍
本文研究中为了获取大气颗粒物的三维数据，同时采用了两台激光雷达分别进行大气垂直和水平扫描探测。垂直探测和水平扫描激光雷达的技术指标如表 1所示。在大气激光雷达探测中一般采用的是Nd:YAG激光器的基频光，即1 064 nm，因此本文采用的激光雷达的激光波长均为1 064 nm。同时对激光雷达进行了一体化设计，并加入窄带滤光片，使得其具有全天时、全天候工作能力，从而实现24 h连续监测。
表 1 激光雷达技术参数Table 1. Parameters of the Two LiDARs参数 垂直LiDAR 水平LiDAR 波长/nm 1 064 1 064 能量/μJ ＞100 ＞20 脉冲频率/kHz 1 1 望远镜口径/ mm 100 100 距离分辨率/m 30 15 滤光片带宽/nm 0.5 0.5 激光雷达的布设区域选择在天津市武清区城区。武清城区处于京津冀的中心地带，其大气颗粒物污染受外地源影响较为明显，希望通过激光雷达遥感探测的手段找出污染的传输方向，并初步判定污染源。垂直探测激光雷达和水平探测激光雷达分别部署于同一小区中不同建筑楼顶，为保证水平探测路径内无遮挡，将水平探测激光雷达部署于城区内的一栋33层居民楼楼顶，具体地理位置在水平扫描结果中可见。
1.3 垂直探测激光雷达反演算法
大气探测激光雷达信号反演中一般采用Fernald算法[18]，该算法主要是区分了大气气溶胶和大气分子，并引入激光雷达比的概念，进行大气气溶胶消光系数和后向散射系数的计算。具体如下：
$$ {P(r) = EC{r^{ - 2}}\beta (r)\exp \left[ { - 2\int_0^r \sigma (r){\rm{d}}r} \right]} $$ (1) $$ {{S_1} = {\sigma _1}(r)/{\beta _1}(r)} $$ (2) $$ {{S_2} = {\sigma _2}(r)/{\beta _2}(r)} $$ (3) $$ \begin{array}{l} {\sigma _1}(I - 1) + \frac{{{S_1}}}{{{S_2}}}{\sigma _2}(I - 1) = X(I - 1) \times \\ \exp [ + A(I - 1, I)]/\left\{ {\frac{{X(I)}}{{{\sigma _1}(I) + \left( {{S_1}/{S_2}} \right){\sigma _2}(I)}} + } \right.\\ X(I)\Delta r + X(I - 1)\exp [ + A(I - 1, I)]\Delta r\} \end{array} $$ (4) 式(1)为典型的大气激光雷达方程，是大气颗粒物探测的基本方程，所有利用激光雷达进行大气探测均是基于该方程进行的，其中，P为激光雷达回波信号强度功率；r代表探测距离；E为激光雷达固定参数，包括发射激光功率等；C为矫正常数；β为大气后向散射系数；σ为大气消光系数。式(2)和式(3)分别是大气气溶胶和大气分子的激光雷达比计算方程，是Fernald算法的核心，其中S1和S2分别是大气气溶胶和大气分子的激光雷达比；大气分子的激光雷达比为固定值8π/3，下标1表示大气颗粒物/气溶胶，下标2表示大气分子。式(4)为利用Fernald算法进行消光系数的后向积分方程，其中I代表高度相关的计数值。
通过确定激光雷达比、标定高度和标定高度处的大气气溶胶消光系数3个参数后，即可以利用Fernald算法进行气溶胶消光系数的计算。其中激光雷达比一般采用定值简化计算，本文设定为50；标定高度选择在相对洁净、大气气溶胶少的区域，本文选择高度10 km为标定高度rc，该处的气溶胶消光系数计算采用经验公式a1(rc)=(1.01-1)a2(rc)计算[18]，其中分子的消光系数由大气模式给出。
1.4 水平扫描激光雷达反演算法
水平扫描激光雷达信号处理算法是在垂直探测算法的基础上完成的。目前一般采用的是斜率法或者Fernald法，但前者的问题在于其假定的大气分布均匀状态在实际情况下不成立，而后者的弊端在于无法获得标定高度(距离)及在此处的气溶胶消光系数[18-21]。
为减小反演误差，本文结合斜率法和Fernald算法，提出了一种新的水平扫描反演算法。斜率法不存在激光雷达比的问题，但水平方向上某小段距离内可以认为大气状态均匀，在本次实验中，先根据原始激光雷达信号确定大气分布均匀的一段距离，并以斜率法获取该处的气溶胶平均消光系数，将结果作为Fernald算法的标定高度(距离)和此处的消光系数标定值。
由于获取的是中间距离的消光系数，因此利用Fernald算法时，分别进行前向和后向积分，从而得到较为准确的大气气溶胶消光系数反演结果。
2 三维大气污染探测实验与结果分析
本文选取2018年7月16日水平和垂直激光雷达数据进行反演，揭示该地区的颗粒物三维分布特征，并同地面空气质量国控站点的PM数据进行校正和对比分析。
2.1 垂直探测结果分析
对7月16日连续24 h的垂直探测结果，利用Fernald算法进行反演，标定高度选为10 km，图 1(a)为2018年7月16日凌晨00:30时刻的单条垂直激光雷达距离校正信号，可以看出激光传输距离较远，表明高层大气较为洁净，在高度0.5 km附近，信号强度先增加后减小是由于overlap效应造成的，即激光没有完全进入望远镜视场；在高度2.5 km处，激光雷达回波信号出现突增现象，表明此处有明显的云层，但厚度较薄，穿过云层后激光的衰减较小，继续传输至高空中。
图 1(b)是7月16日连续24 h垂直探测得到的大气气溶胶消光系数，通过消光系数可以直接反映出大气气溶胶的浓度情况，其中高度2.5 km处的消光系数出现极大值，是由于云层造成的，不在本文的研究范围内。
一般情况下，气溶胶主要集中在边界层内，由于探测时间为夏天，边界层高度较高，利于污染物扩散。根据查询到的气象数据，激光雷达探测从0时至早上8时左右，边界层以下的颗粒物浓度较低，且呈逐渐消散(扩散)的趋势；但从早上8时左右开始，上午低空的气溶胶消光系数持续增加，可以看出，颗粒物污染也持续增加，表明当地的人为颗粒物排放较为严重，同时颗粒物由低空向高空传输的特征明显，因此可以判定当天的大气气溶胶污染主要是本地源，即从地面向高空扩散；白天污染持续增加，到夜晚24时达到顶峰，这一现象主要是人为活动造成的。武清区是天津和北京的交界处，该处白天和夜晚的交通活动较强，同时夜晚气溶胶浓度持续增加的主要原因不排除当地企业夜间生产偷排的情况。
2.2 水平扫描结果分析
通过布设在居民楼顶的水平扫描激光雷达(117.04°E，39.39°N)探测气溶胶在水平方向上的分布。为了保证信噪比，将单次扫描角度时间设置为20 s，扫描步进角度为2°，水平方向顺时针扫描一圈时间为1 h。利用本文提出的水平反演算法进行了消光系数反演，图 2(a)为7月16日凌晨00:30激光雷达单次扫描得到的距离校正信号，同图 1(a)相比，水平探测中，由于地表附近较高空气溶胶浓度高，因此回波信号随距离增加而衰减的程度较大；同时由于水平气溶胶分布的不均匀性，水平探测的回波信号波动也较大，采用斜率法进行反演会造成一定的反演误差。
图 2(b)为水平方向上1 h(16日凌晨00:25-01:25)探测得到的大气气溶胶消光系数分布图，其中A为激光雷达站点位置，图中消光系数较大的区域气溶胶浓度较高，此段时间内污染集中在以探测点为中心的主城区内，以及南部高铁站附近。由于是凌晨，气溶胶污染主要集中在城区附近，人口密度高，与生产、生活、交通的污染排放有关，而郊区的人类活动和生产较少，污染较低。
图 2(c)为一天24 h连续探测后的数据融合结果，反映24 h内区域中的污染较大区域分布。采取的方法是提取高污染区域的颗粒物数据，剔除低污染部分，并融合到一张图中。可以看出，当天24 h内共有8个污染较重的区域，标号3~8的污染区域主要集中在城区中，表明城区人为活动是造成颗粒物污染的主要原因；1号、2号区域位于远城区，人类活动较少，但实际污染程度也较大，根据实地调查，两处地区有本地工厂，工业活动是造成该区域气溶胶浓度上升的主要原因。
根据垂直激光雷达探测的结果，如图 1(a)所示，可知当天气溶胶污染源主要是本地源，结合图 2(c)，充分表明在本地污染源起主导作用的情况下，大气气溶胶污染主要集中在城区部分；同时结合图 2(b)可知，城区地区发达的交通和密集的人口加重了武清区的夜间污染，且密集的建筑物使得气溶胶扩散不易。
3 讨论
需要说明的是，激光雷达探测反演得到的颗粒物消光系数是相对值，可以在一定程度上反映出观测区域中的颗粒物浓度情况，一般情况下，这种探测结果结合地面国控站数据即可实现区域内的颗粒物密集监测，但无法直接将颗粒物的消光系数转换到绝对的颗粒物浓度值。研究表明，颗粒物浓度同激光雷达探测得到的消光系数间存在一定的线性关系，尤其是颗粒物消光系数和PM10之间的线性关系更为明显。因此在完成垂直和水平激光雷达探测实验后，为初步验证激光雷达探测结果的准确性，将激光雷达水平扫描结果同地面站点数据进行对比，地面站点数据采用的是扫描区域内的国控站点PM10数据。
需要指出的是，由于激光雷达是位于高点处进行扫描的，其探测结果同地面国控站点间必定存在一定的偏差，因此在进行相关性计算时，需要考虑到当天的风速和风向，若风速较大，需要以下风处的气溶胶消光系数平均值作为对比值，为了降低对比误差，本文此次选取了风速较低的情况下的数据。
图 3是激光雷达探测到的气溶胶消光系数同PM10间的相关性对比，由于水平激光雷达数据获取周期为1 h，因此对国控站的PM10数据进行小时平均，采用223组对比数据，即近10 d的数据，拟合得到的颗粒物消光系数反演PM10浓度的经验公式为：y=767.82x+10.08，R2为0.85，表明二者间的线性关系较为明显，即颗粒物的消光系数可以转换为精度较高的颗粒物浓度数据。若通过长期数据积累，可以得到更为准确的经验公式。
![]()
图 3 气溶胶消光系数和PM10的相关性对比分析图Figure 3. Comparison and Analysis of Correlation Between Aerosol Extinction Coefficient and PM10通过上述实际数据对比分析，可以认为气溶胶消光系数和颗粒物浓度(尤其是PM10)间的线性程度较高，因此，在获取一定时间内的经验公式后，可以利用激光雷达探测到的气溶胶消光系数的水平分布图，直接反映扫描区域内颗粒物浓度的分布情况。
4 结语
本文利用两台激光雷达分别进行垂直方向和水平扫描探测，获得了区域性的气溶胶三维分布结果。其中利用垂直探测得到气溶胶的垂直分布，并说明一天24 h内边界层高度变化下低层大气气溶胶的扩散情况，初步揭示当天的气溶胶污染源是本地或是外地；同时利用布设在高楼顶的水平扫描激光雷达获取气溶胶的水平分布结果，探明扫描区域内的气溶胶污染分布情况。三维数据的激光雷达相比于传统的被动站点布设，能以更少的成本反映区域的气溶胶分布情况以及变化趋势，为城市颗粒物监测和治理提供了有效的测量手段。
需要指出的是，单独的激光雷达只能对区域气溶胶进行实时监测，若加上偏振通道，则可以区分本地和外源沙尘性气溶胶，但仍然无法实现对污染物的溯源、预测。而卫星遥感手段能够对大尺度的PM2.5、PM10进行监测，结合气象数据，构建后向轨迹模型，追溯气团运动轨迹，可以实现对颗粒物污染的追踪和预测，这也是下一步需要完善的工作。
致谢: 感谢国家冰川冻土沙漠科学数据中心提供滑坡数据。 -
![]()
图 2 滑坡累计位移曲线-月降雨量-库水位高程关系图
Figure 2. Curves of Landslide Cumulative Displacement Monthly Rainfall, and Reservoir Water Level Elevation
![]()
图 4 周期项位移与库水位变化关系
Figure 4. Relation Between Periodic Displacement and Reservoir Water Level Change
![]()
图 7 2009-07-24—2011-07-21的滑坡累计位移预测结果与绝对误差
Figure 7. Prediction Results and Absolute Errors of Landslide Cumulative Displacements from 24 July 2009 to 21 July 2011
![]()
图 8 2011-08-09—2012-11-22的滑坡累计位移预测结果与绝对误差
Figure 8. Prediction Results and Absolute Errors of Landslide Cumulative Displacements from 9 August 2011 to 22 November 2012
表 1 各分组模型的训练数据
Table 1 Trained Data of Grouped Models
模型编号 数据组所属时间 数据量/条 2003-07—2004-07 2004-07—2005-07 2005-07—2006-07 2006-07—2007-07 2007-07—2008-07 2008-07—2009-07 ① √ 12 ② √ √ 24 ③ √ √ √ 36 ④ √ √ √ √ 48 ⑤ √ √ √ √ √ 60 ⑥ √ √ √ √ √ √ 72 
下载: 导出CSV
表 2 GRU神经元个数对比
Table 2 Comparison of the Number of Neurons of GRU
神经元个数 RMSE/mm 时间/s 20 28.581 55.295 40 19.602 56.638 60 17.988 57.699 80 12.603 60.307 100 10.175 60.649 120 10.894 61.635 140 11.131 62.281
下载: 导出CSV
表 3 滑坡位移预测结果
Table 3 Prediction Results of Landslide Displacement
模型编号 周期项位移 随机项位移 累计位移 RMSE/mm $ {R}^{2} $ RMSE/mm $ {R}^{2} $ RMSE/mm $ {R}^{2} $ ① 21.562 0.503 9.647 0.507 24.165 0.917 ② 20.722 0.541 8.729 0.597 26.043 0.904 ③ 18.741 0.624 8.127 0.651 20.367 0.941 ④ 14.042 0.789 9.107 0.569 18.582 0.952 ⑤ 11.171 0.867 9.196 0.552 20.106 0.943 ⑥ 10.175 0.889 9.468 0.514 18.742 0.951 最优组合 12.301 0.979
下载: 导出CSV
表 4 模型预测结果对比
Table 4 Comparison of Prediction Results Obtained by Different Models
模型名称 预测时长/月 ZG93站点的RMSE/mm 本文模型 17 9.715 GWO-MIC-SVR 18 14.024 V/S-LSTM 8 8.950 AMPSO-SVM 12 11.913 Chaotic DWT-ELM 15 23.330 Multi-Chaotic ELM 20 23.710
下载: 导出CSV
-
[1] 杜娟, 殷坤龙, 柴波. 基于诱发因素响应分析的滑坡位移预测模型研究[J]. 岩石力学与工程学报, 2009, 28(9): 1783-1789. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200909008.htm Du Juan, Yin Kunlong, Chai Bo. Study of Displacement Prediction Model of Landslide Based on Response Analysis of Inducing Factors[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(9): 1783-1789. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200909008.htm
[2] 李麟玮, 吴益平, 苗发盛. 基于灰狼支持向量机的非等时距滑坡位移预测[J]. 浙江大学学报(工学版), 2018, 52(10): 1998-2006. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201810020.htm Li Linwei, Wu Yiping, Miao Fasheng. Prediction of Non-equidistant Landslide Displacement Time Series Based on Grey Wolf Support Vector Machine[J]. Journal of Zhejiang University (Engineering Science), 2018, 52(10): 1998-2006. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201810020.htm
[3] 冯非凡, 武雪玲, 牛瑞卿, 等. 一种V/S和LSTM结合的滑坡变形分析方法[J]. 武汉大学学报(信息科学版), 2019, 44(5): 784-790. doi: 10.13203/j.whugis20170218 Feng Feifan, Wu Xueling, Niu Ruiqing, et al. A Landslide Deformation Analysis Method Using V/S and LSTM[J]. Geomatics and Information Science of Wuhan University, 2019, 44(5): 784-790. doi: 10.13203/j.whugis20170218
[4] 李麟玮, 吴益平, 苗发盛, 等. 基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究[J]. 岩石力学与工程学报, 2018, 37(6): 1395-1406. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201806008.htm Li Linwei, Wu Yiping, Miao Fasheng, et al. Displacement Prediction of Landslides Based on Variational Mode Decomposition and GWO-MIC-SVR Model[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(6): 1395-1406. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201806008.htm
[5] Xu S L, Niu R Q. Displacement Prediction of Baijiabao Landslide Based on Empirical Mode Decomposition and Long Short-Term Memory Neural Network in Three Gorges Area, China[J]. Computers & Geosciences, 2018, 111: 87-96.
[6] Lian C, Zeng Z G, Yao W, et al. Extreme Learning Machine for the Displacement Prediction of Landslide Under Rainfall and Reservoir Level[J]. Stochastic Environmental Research and Risk Assessment, 2014, 28(8): 1957-1972. doi: 10.1007/s00477-014-0875-6
[7] Ren F, Wu X L, Zhang K X, et al. Application of Wavelet Analysis and a Particle Swarm-Optimized Support Vector Machine to Predict the Displacement of the Shuping Landslide in the Three Gorges, China[J]. Environmental Earth Sciences, 2015, 73(8): 4791-4804. doi: 10.1007/s12665-014-3764-x
[8] Dragomiretskiy K, Zosso D. Variational Mode Decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544. doi: 10.1109/TSP.2013.2288675
[9] 罗亦泳, 姚宜斌, 黄城, 等. 基于改进VMD的变形特征提取与分析[J]. 武汉大学学报(信息科学版), 2020, 45(4): 612-619. doi: 10.13203/j.whugis20180286 Luo Yiyong, Yao Yibin, Huang Cheng, et al. Deformation Feature Extraction and Analysis Based on Improved Variational Mode Decomposition[J]. Geomatics and Information Science of Wuhan University, 2020, 45(4): 612-619. doi: 10.13203/j.whugis20180286
[10] 蒋永华, 汤宝平, 刘文艺, 等. 基于参数优化Morlet小波变换的故障特征提取方法[J]. 仪器仪表学报, 2010, 31(1): 56-60. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201001011.htm Jiang Yonghua, Tang Baoping, Liu Wenyi, et al. Feature Extraction Method Based on Parameter Optimized Morlet Wavelet Transform[J]. Chinese Journal of Scientific Instrument, 2010, 31(1): 56-60. https://www.cnki.com.cn/Article/CJFDTOTAL-YQXB201001011.htm
[11] Mirjalili S, Mirjalili S M, Lewis A. Grey Wolf Optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61.
[12] Chung J, Gulcehre C, Cho K, et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[EB/OL]. [2020-10-12]. https://arxiv.org/abs/1412.3555.
[13] Gao S, Huang Y F, Zhang S, et al. Short-Term Runoff Prediction with GRU and LSTM Networks Without Requiring Time Step Optimization During Sample Generation[J]. Journal of Hydrology, 2020, 589: 125188.
[14] Lian C, Zeng Z G, Yao W, et al. Multiple Neural Networks Switched Prediction for Landslide Displacement[J]. Engineering Geology, 2015, 186: 91-99.
[15] Zhu X, Xu Q, Tang M G, et al. A Hybrid Machine Learning and Computing Model for Forecasting Displacement of Multifactor-Induced Landslides[J]. Neural Computing and Applications, 2018, 30(12): 3825-3835.
[16] 徐峰, 范春菊, 徐勋建, 等. 基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测[J]. 上海交通大学学报, 2018, 52(10): 1388-1395. https://www.cnki.com.cn/Article/CJFDTOTAL-SHJT201810031.htm Xu Feng, Fan Chunju, Xu Xunjian, et al. Displacement Prediction of Landslide Based on Variational Mode Decomposition and AMPSO-SVM Coupling Model[J]. Journal of Shanghai Jiao Tong University, 2018, 52(10): 1388-1395. https://www.cnki.com.cn/Article/CJFDTOTAL-SHJT201810031.htm
[17] Huang F M, Yin K L, Zhang G R, et al. Landslide Displacement Prediction Using Discrete Wavelet Transform and Extreme Learning Machine Based on Chaos Theory[J]. Environmental Earth Sciences, 2016, 75(20): 1376.
[18] 黄发明, 殷坤龙, 杨背背, 等. 基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测[J]. 地球科学, 2018, 43(3): 887-898. https://www.cnki.com.cn/Article/CJFDTOTAL-DQKX201803020.htm Huang Faming, Yin Kunlong, Yang Beibei, et al. Step-Like Displacement Prediction of Landslide Based on Time Series Decomposition and Multivariate Chaotic Model[J]. Earth Science, 2018, 43(3): 887-898. https://www.cnki.com.cn/Article/CJFDTOTAL-DQKX201803020.htm
-
期刊类型引用(3)
1. 陶叶青，束明聪，陈浩. 基于分类估计的异质数据融合M_(split)模型. 淮阴师范学院学报(自然科学版). 2025(01): 45-51 . 
百度学术
2. 张双成，赵颖，张成龙，张菊清，樊茜佑，司锦钊，张雅斐，朱武，李振洪. 联合光学遥感和SAR影像青海玛多Ms 7.4地震同震形变场分析. 武汉大学学报(信息科学版). 2025(03): 469-482 . 百度学术
3. 丁明涛，陈浩杰，李振洪，刘振江. 利用光学遥感影像光流场模型进行地表形变分析. 武汉大学学报(信息科学版). 2024(08): 1314-1329 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 455
- HTML全文浏览量: 102
- PDF下载量: 85
- 被引次数: 5
