基于机器学习的滑坡稳定性评价及系统研发
发布时间：2022-08-01 21:47
滑坡稳定性是指滑坡在正常工况或暴雨工况下能否保持稳定的状态。近年来国内滑坡灾害频发,在所有地质灾害中占比60%以上,对国民经济造成了难以估量的损失。正确评价滑坡的稳定性状态,是进行滑坡防治的前提。建立一个滑坡稳定性快速评价模型,对于滑坡防治具有重要的意义。本文以四川省宁南县为研究区域,对宁南县2008~2016年的滑坡数据进行处理,分析计算研究区内影响滑坡稳定性的评价因子并进行卡方检验。在此基础上使用4种机器学习方法构建滑坡稳定性评价模型并进行模型融合,将融合模型在甘洛县进行应用。最后基于上述研究设计并实现了滑坡稳定性评价系统。本文主要结论如下:（1）在滑坡稳定性评价因子中,降雨量和坡度的重要性程度最高,坡向和房屋位置的重要性程度最低。对15个评价因子进行卡方检验,降雨量和坡度的得分最高,而坡向和房屋位置在保留两位小数的情况下得分为0,在后续建模过程中剔除坡向和房屋位置这两个因子。（2）采用XGBoost、随机森林、LightGBM和逻辑回归四种算法建模进行宁南县滑坡稳定性评价,结果表明XGBoost评价模型的效果最好,评价准确率为89%,高于其他模型1%~9%,AUC值为0.87,高...
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容和技术路线
1.3.1 主要研究内容
1.3.2 技术路线
1.4 论文结构安排
1.5 本章小结
第二章 研究区概况与主要研究方法
2.1 宁南县区域环境概况
2.1.1 气象水文
2.1.2 地形地貌
2.1.3 地层岩性
2.1.4 地质构造
2.2 研究方法
2.2.1 传递系数法
2.2.2 集成学习原理
2.2.3 XGBoost原理
2.2.4 K-means聚类
2.2.5 模型优化方法
2.2.6 遗传算法
2.3 数据来源
2.4 本章小结
第三章 滑坡稳定性评价因子优选
3.1 评价因子的选择
3.2 评价因子的计算
3.2.1 地形地貌
3.2.2 地质条件
3.2.3 环境条件
3.2.4 其他因素
3.3 剖面形状
3.3.1 剖面形状评价因子的聚类
3.3.2 剖面形状评价因子的分类
3.4 评价因子筛选
3.4.1 样本滑坡灾害稳定特征统计
3.4.2 卡方检验
3.5 本章小结
第四章 基于机器学习的滑坡稳定性评价方法构建
4.1 数据预处理
4.2 基于机器学习的滑坡稳定性评价
4.2.1 XGBoost分类算法
4.2.2 随机森林分类算法
4.3 基于遗传算法的模型优化
4.4 多种机器学习方法的评价精度比较
4.5 滑坡稳定性评价融合模型的构建
4.5.1 模型融合策略
4.5.2 模型融合效果评价
4.6 本章小结
第五章 滑坡稳定性评价模型的应用
5.1 模型应用区概况
5.2 应用区滑坡灾害因子计算
5.2.1 甘洛县地形地貌
5.2.2 甘洛县地质条件
5.2.3 甘洛县环境条件
5.2.4 其他因素
5.3 评价结果与分析
5.4 本章小结
第六章 滑坡稳定性评价系统研发
6.1 需求分析
6.2 系统软件架构和开发环境
6.3 系统结构设计
6.3.1 系统设计目标
6.3.2 系统层次设计
6.3.3 系统数据库设计
6.4 系统功能模块设计
6.4.1 用户信息管理
6.4.2 滑坡数据录入与删除
6.4.3 滑坡稳定性评价
6.4.4 滑坡稳定性地图查询
6.5 系统测试
6.5.1 测试环境
6.5.2 系统健壮性测试
6.5.3 系统功能测试
6.6 本章小结
第七章 总结与展望
7.1 工作总结
7.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
本文编号：3668233
【文章页数】：90 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容和技术路线
1.3.1 主要研究内容
1.3.2 技术路线
1.4 论文结构安排
1.5 本章小结
第二章 研究区概况与主要研究方法
2.1 宁南县区域环境概况
2.1.1 气象水文
2.1.2 地形地貌
2.1.3 地层岩性
2.1.4 地质构造
2.2 研究方法
2.2.1 传递系数法
2.2.2 集成学习原理
2.2.3 XGBoost原理
2.2.4 K-means聚类
2.2.5 模型优化方法
2.2.6 遗传算法
2.3 数据来源
2.4 本章小结
第三章 滑坡稳定性评价因子优选
3.1 评价因子的选择
3.2 评价因子的计算
3.2.1 地形地貌
3.2.2 地质条件
3.2.3 环境条件
3.2.4 其他因素
3.3 剖面形状
3.3.1 剖面形状评价因子的聚类
3.3.2 剖面形状评价因子的分类
3.4 评价因子筛选
3.4.1 样本滑坡灾害稳定特征统计
3.4.2 卡方检验
3.5 本章小结
第四章 基于机器学习的滑坡稳定性评价方法构建
4.1 数据预处理
4.2 基于机器学习的滑坡稳定性评价
4.2.1 XGBoost分类算法
4.2.2 随机森林分类算法
4.3 基于遗传算法的模型优化
4.4 多种机器学习方法的评价精度比较
4.5 滑坡稳定性评价融合模型的构建
4.5.1 模型融合策略
4.5.2 模型融合效果评价
4.6 本章小结
第五章 滑坡稳定性评价模型的应用
5.1 模型应用区概况
5.2 应用区滑坡灾害因子计算
5.2.1 甘洛县地形地貌
5.2.2 甘洛县地质条件
5.2.3 甘洛县环境条件
5.2.4 其他因素
5.3 评价结果与分析
5.4 本章小结
第六章 滑坡稳定性评价系统研发
6.1 需求分析
6.2 系统软件架构和开发环境
6.3 系统结构设计
6.3.1 系统设计目标
6.3.2 系统层次设计
6.3.3 系统数据库设计
6.4 系统功能模块设计
6.4.1 用户信息管理
6.4.2 滑坡数据录入与删除
6.4.3 滑坡稳定性评价
6.4.4 滑坡稳定性地图查询
6.5 系统测试
6.5.1 测试环境
6.5.2 系统健壮性测试
6.5.3 系统功能测试
6.6 本章小结
第七章 总结与展望
7.1 工作总结
7.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
本文编号：3668233
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3668233.html
