论文部分内容阅读
我国地域辽阔,地理环境复杂多样,地质灾害频繁发生,给人民生命财产造成了极大的危害。党和国家高度重视地质灾害防治工作,国务院专门成立灾害应急管理部,加强地质灾害防治工作,将地质灾害系统预报提到议事日程。传统的地质灾害预报系统存在监测仪器落后、布设量少、参数单一以及预报模型简单等问题,预报准确率较低。文章以滑坡地质灾害为例,通过对山阳县滑坡地质灾害影响因子的筛选,结合机器学习相关理论,对比分析多种预报模型精度,建立了基于XGBoost优化的Bagging集成预报模型,实现较高精度的滑坡地质灾害预报。文章以陕西省山阳县重点地质灾害监测项目12个监测站的监测数据为研究对象,在研究山阳县地形地貌的基础上,对其灾害发生类型、规模及分布特点进行分析,确定滑坡地质灾害发生的主要影响因素。首先基于课题组设计的滑坡地质灾害监测硬件平台,采集到研究区2014年4月到2015年4月的数据作为样本数据;其次采用核主成分分析法对滑坡灾害的影响因子降维处理,提取得到滑坡灾害的8个主要成灾因子,并运用小波结合Kalman滤波算法进行多传感器数据融合,筛选出有效的数据作为训练样本;然后分别建立RBF神经网络、支持向量机、Bagging集成学习模型,实现对滑坡灾害的预测;最后使用R~2、RMSE指标对测试集的170组数据进行模型精度分析,结果表明三种算法都取得较高的预测精度,且集成算法明显优于单个弱分类器模型的预测效果。为了进一步提高预报模型的精度,本课题使用XGBoost对集成算法参数进行优化。结果表明优化后的集成算法可以提升模型的预测精度,R~2指标均在0.9以上,相比原始集成算法平均提高了10%,进一步保证了预报数据的可靠性,同时也提高了滑坡灾害的预报精度,具有一定的理论研究与实践意义。图45幅,表13个,参考文献69篇。