区域地震滑坡危险性评估技术研究

发布时间：2017-10-03 02:15

  本文关键词：区域地震滑坡危险性评估技术研究

  更多相关文章： GIS 滑坡预测评估 证据权 多元逻辑回归 BP神经网络 粒子群优化 Arc Engine

【摘要】：地震滑坡因巨大的破坏程度成了近些年广为研究的重大课题。3S(地理信息系统、遥感、全球定位)技术,在提供多角度、多层次、不同深度的海量数据的同时,也提供了大量的空间数据处理分析工具。为了减轻地震滑坡造成的损失,本文基于GIS(地理信息系统)和遥感相关技术,利用定性和定量相结合的方法,进行了区域地震滑坡危险性评估技术研究。本文主要取得了以下成果:1)本文通过GIS平台处理汶川滑坡,转换成栅格格网并进行分级表达;在滑坡面的重心生成滑坡样本,在未发生滑坡地区随机生成不滑样本,最终获得17286个样本。在数据处理基础上,分别使用了证据权、二分类逻辑回归、BP神经网络三种数学模型对研究区范围(E103°~E105°,N30.8°~N32°)开展了地震滑坡危险性评价研究。2)根据证据权模型,求取汶川区域地震研究区各地震滑坡影响因子的证据权权重,然后运用GIS空间叠置法对各个影响因子进行综合分析,最后获取研究区的地震滑坡危险性专题图,并利用面积占有比累积曲线评价滑坡危险性区划的有效率,评价曲线呈显出陡凸的走势,曲线下面积为90.24%。利用SPSS回归分析软件,对17286个地震滑坡记录进行二分类逻辑回归分析,获取各贡献因子的贡献系数,并通过空间叠加各个影响因子图层,获取地震滑坡危险性评价专题图,面积占有比累积曲线下面积占有比达到了81.94%。利用神经网络方法,对汶川研究区内汶川地震滑坡进行识别以及易发性评价研究。结果显示:用BP神经网络对滑坡的识别正确率达到了85.3%。曲线下面积比达到了83.94%,评价曲线呈现出陡凸趋势。3)通过三种粒子群优化神经网络算法对汶川滑坡样本进行了识别研究,并与未进行优化神经网络的滑坡识别结果进行了对比,结果表明:优化后的神经网路收敛速度明显加快,识别正确率和评价曲线下面积占优比提高了约3个百分点。4)通过C#可视化编程环境和二次开发组件ArcEngine编写区域地震滑坡危险评价地理信息系统,为相关部门进行区域地震滑坡抢险、救援技术提供支持。
【关键词】：GIS 滑坡预测评估 证据权 多元逻辑回归 BP神经网络 粒子群优化 Arc Engine
【学位授予单位】：河南工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P642.22
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-15
• 1.1 研究背景和意义9-10
• 1.2 研究近况以及存在问题10-12
• 1.3 论文研究思路和研究内容12-15
• 2 地震滑坡危险性评价的理论基础15-25
• 2.1 影响地震滑坡的主要因素15-16
• 2.2 本文地震滑坡危险性预估的技术路线16
• 2.3 证据权滑坡预测模型16-17
• 2.4 二分类逻辑回归17-18
• 2.5 人工神经网络18-22
• 2.6 粒子群优化算法22-24
• 2.7 本章小结24-25
• 3 GIS相关技术和数据处理25-39
• 3.1 GIS介绍25-26
• 3.2 GIS空间分析26-28
• 3.3 二次开发技术介绍28-31
• 3.4 样本因子选取31-38
• 3.5 本章小结38-39
• 4 汶川区域地震滑坡危险性评价39-59
• 4.1 基于证据权模型的区域地震滑坡危险性评价39-49
• 4.2 基于二分类逻辑回归的区域地震危险性评价49-51
• 4.3 基于人工神经网络的区域地震滑坡危险性评价51-57
• 4.4 三种方式比较及地震滑坡危险性区划57-58
• 4.5 本章小结58-59
• 5 基于粒子群优化神经网络的汶川滑坡识别59-67
• 5.1 基于粒子群协同神经网络权值方法59-61
• 5.2 基于粒子群混合神经网络的权值优化算法61-63
• 5.3 基于模拟退火的粒子群优化算法63-64
• 5.4 三种粒子群优化算法在汶川滑坡识别中的应用64-66
• 5.5 本章小结66-67
• 6 区域地震滑坡危险性评价系统67-71
• 6.1 开发平台的选择67-68
• 6.2 基于组件式GIS的区域地震滑坡危险性评价系统68-69
• 6.3 系统展示69-70
• 6.4 本章小结70-71
• 7 总结与展望71-73
• 7.1 总结71
• 7.2 展望71-73
• 参考文献73-77
• 致谢77-78
• 个人简历78

【参考文献】

中国期刊全文数据库 前10条

1 高宁;;半参数GM(1,1)模型参数辨识及滑坡变形预测[J];辽宁工程技术大学学报(自然科学版);2016年03期

2 贺可强;;复杂堆积层滑坡的稳定性评价方法分析与展望[J];青岛理工大学学报;2016年01期

3 张羽;尹明玉;魏美璇;李娜;乔天罡;杨清福;;基于GIS的吉林省预测地震滑坡区划研究[J];东北师大学报(自然科学版);2015年04期

4 刘超云;尹小波;张彬;;基于Kalman滤波数据融合技术的滑坡变形分析与预测[J];中国地质灾害与防治学报;2015年04期

5 高彩云;崔希民;;滑坡变形预测灰色神经网络耦合模型的构建及适用性分析[J];大地测量与地球动力学;2015年05期

6 张如前;;基于强度折减法和神经网络的边坡失稳预测方法[J];山西建筑;2015年26期

7 吴维义;;滑坡预测预报技术浅谈[J];水利科技与经济;2015年03期

8 庾露;单新建;陈晓利;;基于综合指标法的芦山地震滑坡危险区等级快速划分[J];地震地质;2014年04期

9 刘丽娜;许冲;徐锡伟;陈剑;;GIS支持下基于AHP方法的2013年芦山地震区滑坡危险性评价[J];灾害学;2014年04期

10 张铎;吴中海;李家存;蒋瑶;;国内外地震滑坡研究综述[J];地质力学学报;2013年03期

中国博士学位论文全文数据库 前1条

1 陈晓利;人工智能在地震滑坡危险性评价中的应用[D];中国地震局地质研究所;2007年

，

本文编号：962585