一种基于时滞相关性分析预测滑坡变形的方法技术

本发明专利技术公开了一种基于时滞相关性分析预测滑坡变形的方法，涉及滑坡预测技术领域，包括S1：获取观测序列、S2：数据的预处理、S3：时滞互相关分析、S4：确定预测模型参数、S5：时滞GM(1,3)模型预测、S6：模型对比评估，利用新浦滑坡的GNSS位移监测数据、奉节气象站降雨量数据以及三峡库区库水位数据，通过对监测区内9个GNSS点的位移速度序列与降雨量、库水位序列进行时滞互相关分析，确定出时滞参数，进而应用多参数的灰色系统理论方法，建立了时滞GM(1,N)预测模型，并对滑坡位移速率进行预测验证，本方法对滑坡的预测值相比传统模型预测值更准确。准确。准确。

【技术实现步骤摘要】
一种基于时滞相关性分析预测滑坡变形的方法


[0001]本专利技术涉及滑坡预测
，具体是涉及一种基于时滞相关性分析预测滑坡变形的方法。

技术介绍

[0002]我国每年地质灾害频发，滑坡在所有类型的地质灾害中占比近70％。三峡库区地质条件复杂，库岸裂隙发育，分布了多达2619处涉水滑坡，其中700余处滑坡在库区蓄水运营后有复活迹象，是我国地质灾害的重灾区。受季节性强降雨以及周期性库区水位涨落等因素影响，库岸滑坡的失稳变形机制十分复杂。因此，分析此类滑坡变形特征，研究如何充分利用库水位、降雨、位移等监测数据对滑坡进行预测预报对库岸滑坡防灾减灾具有切实意义。
[0003]现阶段的研究热点主要基于多源数据建立综合预测模型，即通过综合分析外界影响因子对滑坡的作用机制而建立的基于位移
‑
诱因的预测模型，并且取得了一系列成果。要实现对复杂滑坡系统的科学分析与预测，就必须对多影响因子进行综合分析，这一点已成为学界的共识。
[0004]灰色理论研究的是复杂、作用机理不明确的系统。在滑坡从缓慢蠕变到变形失稳的全过程中，受到多种因素的影响，一般包括地质地貌、地层岩性、降雨库水位等诱发因素、人类工程活动等。由于无法准确描述每项因素的影响程度与作用机理，导致滑坡的变形机理并不完全明确，多种影响因素并存也给定量分析滑坡形变带来了不确定因素。因此，滑坡具有明显的灰色系统特征。采用多变量的灰色系统建模方法，可以综合利用其顾及多影响因子以及灰色系统的特性，整体、全局、动态的分析预测滑坡位移。
[0005]然而，很多研究指出滑坡位移速率对降雨，库水位涨落等诱发因素的响应具有一定的滞后性，即当期降雨及库水位涨落的影响并不会立刻在滑坡位移速率上显现出来，而是会在若干天后才能在位移速率上体现。这是由于库水位快速下降会导致坡体内地下水与外部库水位产生高差，即坡体内地下水位下降速度滞后于库水位下降速度，进而产生一定的渗透压力，渗透力指向坡体外部。另一方面，长时间的降雨使得地表水渗入滑坡体中，增加了滑坡体的自重和下滑力，同时软化了滑带土，摩擦力减小，进而导致滑坡变形加速。在库水位下降和强降雨相互叠加的双重影响下，滑坡变形加剧。这些诱发因素对滑坡产生影响需要一定的时间，如果不顾及这一时滞因素，必将使得预测结果偏离，因此，在利用多源诱发因子进行分析预测时，首先要对该因素进行时滞分析。但是当前大多数对这一时滞特征的研究只停留在定性分析而少有定量研究。
[0006]因此亟需一种能够顾及多源诱发因子时滞特性的滑坡变形预测方法，以实现滑坡变形的超前预测预报。

技术实现思路

[0007]为解决上述技术问题，本专利技术提供了一种综合考虑多种滑坡诱发因素与滑坡变形
的滞后关系，以实现超前精准预测滑坡变形的方法。本专利技术的技术方案是：一种基于时滞相关性分析预测滑坡变形的方法，包括以下步骤：
[0008]S1：获取观测序列：在水库滑坡体上设置多个监测点，获取各监测点滑坡地表在一定时间内的累计位移变化数据、各监测点滑坡地表在一定时间内位移速率的变化数据、一定时间内日降雨量和水库水位高度变化数据；
[0009]S2：数据的预处理：对得到的波动较大位移速率时间序列，降雨量时间序列，水库水位高度变化序列进行粗差剔除与平滑处理；
[0010]S3：时滞互相关分析：对于各监测点位移速率的时间序列X1(k)和滑坡诱发因素的时间序列X2(k)，滑坡诱发因素为降雨量或库水位升降，求得二者的互相关函数，该函数取得最大值时即得到延迟时间τ，即为位移速率对降雨及库水位涨落的响应滞后时间，由此即得时滞参数τ；
[0011]S4：确定预测模型参数：通过S3中得到的各监测点的时滞参数τ，将各监测点的时滞参数τ代入时滞GM(1,3)模型中进行计算；
[0012]S5：时滞GM(1,3)模型预测：通过步骤S4计算得到后续一段时间的模型预测数值；
[0013]S6：模型对比评估：全面分析时滞GM(1,3)模型对滑坡位移的预测性能，基于相同数据，通过与GM(1,1)模型和未顾及时滞因素的GM(1,3)模型进行对比，选用均方根误差(RMSE)、平均绝对误差(MAD)以及决定系数(R2)对预测结果进行评价,分别评价模型实测值与预测值的差异水平、绝对误差及模型拟合优度。
[0014]进一步地，所述步骤S3中X1(k)与X2(k)的互相关函数为：
[0015][0016]其中，R(n)代表X1(k)与X2(k)的互相关函数，k代表时间，n为延迟时间，N为总时间。
[0017]当这一互相关函数取得最大值时，所对应的延迟时间为n。
[0018]进一步地，所述时滞GM(1,3)模型的具体算法为：
[0019]将滑坡位移速率时间序列设为
[0020][0021]其中，t为时间，角标(0)表示该序列未经累加操作；
[0022]其他时滞相关因子的时间序列为：
[0023][0024]其中，τ
i
为上一步互相关分析中所计算的延迟时间；
[0025]为的一阶累加生成序列，其中
[0026][0027]为的紧邻均值生成序列，即：
[0028][0029]对N个序列建立的GM(1,N)微分方程为：
[0030][0031]其中a，b
i
为微分方程的系数，用最小二乘法求解其系数向量
[0032][0033]其中，B为累加矩阵，Y为常数项向量，
[0034][0035]微分方程的解为：
[0036][0037]计算对做还原计算，
[0038][0039]即得预测值
[0040]进一步地，所述步骤S6中的均方根误差(RMSE)的函数算法为：
[0041][0042]n为预测样本组数，d
i
、分别为位移实测值与预测值。
[0043]进一步地，所述步骤S6中的平均绝对误差(MAD)的函数算法为：
[0044][0045]n为预测样本组数，d
i
、分别为位移实测值与预测值。
[0046]进一步地，所述步骤S6中的决定系数(R2)的函数算法为：
[0047][0048]n为预测样本组数，d
i
、分别为位移实测值与预测值，分别为实测值与预测
值的平均值，S
O
、S
P
分别为实测值与预测值的标准差。
[0049]进一步地，所述将步骤S6中所得到的均方根误差(RMSE)、平均绝对误差(MAD)以及决定系数(R2)与传统GM(1,1)模型和GM(1,3)模型所计算的数值制表，从表进行直观预测效果评价。
[0050]进一步地，将实测值、时滞GM(1,3)模型预测位移速率数据与传统GM(1,1)模型和GM(1,3)模型预测位移速率数据绘成曲线图进行对比，对时滞GM(1,3)模型预测值的拟合优度进行验证。
[0051]进一步地，在每次预测一个值，并将此值加入原来的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时滞相关性分析预测滑坡变形的方法，其特征在于，包括以下步骤：S1：获取观测序列：在水库滑坡体上设置多个监测点，获取各监测点滑坡地表在一定时间内的累计位移变化数据、各监测点滑坡地表在一定时间内位移速率的变化数据、一定时间内日降雨量和水库水位高度变化数据；S2：数据的预处理：对得到的波动较大位移速率时间序列，降雨量时间序列，水库水位高度变化序列进行粗差剔除与平滑处理；S3：时滞互相关分析：对于各监测点位移速率的时间序列X1(k)和滑坡诱发因素的时间序列X2(k)，滑坡诱发因素为降雨量或库水位升降，求得二者的互相关函数，该函数取得最大值时即得到延迟时间τ，即为位移速率对降雨及库水位涨落的响应滞后时间，由此即得时滞参数τ；S4：确定预测模型参数：通过S3中得到的各监测点的时滞参数τ，将各监测点的时滞参数τ代入时滞GM(1,3)模型中进行计算；S5：时滞GM(1,3)模型预测：通过步骤S4计算得到后续一段时间的模型预测数值；S6：模型对比评估：全面分析时滞GM(1,3)模型对滑坡位移的预测性能，基于相同数据，通过与GM(1,1)模型和未顾及时滞因素的GM(1,3)模型进行对比，选用均方根误差(RMSE)、平均绝对误差(MAD)以及决定系数(R2)对预测结果进行评价,分别评价模型实测值与预测值的差异水平、绝对误差及模型拟合优度。2.如权利要求1所述的一种基于时滞相关性分析预测滑坡变形的方法，其特征在于，所述步骤S3中X1(k)与X2(k)的互相关函数为：其中，R(n)代表X1(k)与X2(k)的互相关函数，k代表时间，n为延迟时间，N为总时间，当这一...

【专利技术属性】
技术研发人员：黄观文，白正伟，杜源，王铎，景策，王家兴，
申请(专利权)人：长安大学，
类型：发明
国别省市：