【技术实现步骤摘要】
基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法
[0001]本专利技术属于滑坡监测预报领域,具体涉及一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法。
技术介绍
[0002]当前针对滑坡变形趋势预测的研究多集中于对滑坡的累计位移进行预测,而对滑坡滑动速率进行预测的研究则相对较少。相比较滑坡累计位移,滑动速率指标更为直观,且可通过对位移速率划分等级等方式,更好地运用于滑坡的预警中。
[0003]阶跃型滑坡是指一种在其累计位移上呈现出“阶跃段”与“平稳段”交替变化的滑坡,其广泛存在于三峡库区和东南沿海丘陵山地。该类型滑坡的滑动速率常呈现如下特点:(1)当滑坡处于“平稳段”时,其位移速率很小,滑坡仅发生相对微小的移动;(2)当滑坡处于“阶跃段”时,其位移速率会突然从上述较小值突升到一个较大值,随后以一定范围的速率变动;(3)受降雨等因素的影响,总体而言,阶跃型滑坡中“平稳段数据”较“阶跃段数据”要更多。上述特点造成了大多数人工智能模型在对阶跃型滑坡位移速率进行训练时存在过拟合,进而导致对该类型滑坡位移速率预测效果不佳、在峰值出现滞后性现象。因此,需要一种能适用于阶跃型滑坡位移速率特点的人工智能模型,实现对阶跃型滑坡位移速率的准确预测。
技术实现思路
[0004]有鉴于此,本专利技术的目的在于提供一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法,实现对阶跃型滑坡位移速率的准确预测。
[0005]为实现上述目的,本专利技术采用 ...
【技术保护点】
【技术特征摘要】
1.一种基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法,其特征在于,包括以下步骤:步骤S1:采集滑坡相关数据并处理,获得以日为单位的滑坡位移速率及降雨量、孔隙水压力因素数据;步骤S2:基于斯皮尔曼等级相关系数法以及灰色关联度分析法的结果对滑坡位移速率与各因素的关联程度综合考虑,双重选择预测模型的输入特征;步骤S3:将步骤S2获取的输入特征及滑坡位移速率历史数据构建数据集;步骤S4:构建LSO
‑
RF模型,基于训练集训练,得到训练后的LSO
‑
RF模型,并基于训练后的LSO
‑
RF模型,对滑坡位移速率进行预测。2.根据权利要求1所述的基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述步骤S1具体为:以小时为单位,通过野外监测站获取滑坡的累计位移、孔隙水压力、小时降雨量;将累计位移、孔隙水压力、小时降雨量数据进行处理,以天为单位,转换为滑坡的位移速率,日平均孔隙水压力、日降雨量;以天为单位,通过气象站资料,获取滑坡区域的云量、湿度、土壤有效持水量、地表径流。3.根据权利要求2所述的基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述步骤S2具体为:S21:将滑坡位移速率视为因变量Y,滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流视为自变量X,分别探究X与Y之间的斯皮尔曼等级相关系数;S22:将滑坡位移速率时间序列视为参考时间序列,将滑坡日平均孔隙水压力、日降雨量、云量、湿度、土壤有效持水量、地表径流时间序列视为比较时间序列,将参考时间序列与比较时间序列均值化后,计算参考时间序列同各个比较时间序列间的灰色关联度;S23:综合对比斯皮尔曼等级相关系数和灰色关联度的分析结果,选取在两种分析中均满足预设要求的因素,作为模型的输入特征。4.根据权利要求3所述的基于LSO
‑
RF模型的阶跃型滑坡位移速率预测方法,其特征在于,所述斯皮尔曼等级相关系数的计算步骤如下:(1)首先对两变量(X、Y)的数据各自进行排序,然后记录下排序以后的位置;此时某个数据i的位置,即为X
i
或Y
i
的秩次;(2)而后对斯皮尔曼相关系数r
s
按如下公式计算:其中d
i
为X
i
与Y
i
之间的秩次差;n为序列中的样本数。5.根据权利要求3所述...
【专利技术属性】
技术研发人员:简文彬,黄智杰,夏昌,樊秀峰,赖增荣,林立鹏,
申请(专利权)人:福州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。