我國地域遼闊,地理環(huán)境復(fù)雜多樣,地質(zhì)災(zāi)害頻繁發(fā)生,給人民生命財(cái)產(chǎn)造成了極大的危害。黨和國家高度重視地質(zhì)災(zāi)害防治工作,國務(wù)院專門成立災(zāi)害應(yīng)急管理部,加強(qiáng)地質(zhì)災(zāi)害防治工作,將地質(zhì)災(zāi)害系統(tǒng)預(yù)報提到議事日程。傳統(tǒng)的地質(zhì)災(zāi)害預(yù)報系統(tǒng)存在監(jiān)測儀器落后、布設(shè)量少、參數(shù)單一以及預(yù)報模型簡單等問題,預(yù)報準(zhǔn)確率較低。文章以滑坡地質(zhì)災(zāi)害為例,通過對山陽縣滑坡地質(zhì)災(zāi)害影響因子的篩選,結(jié)合機(jī)器學(xué)習(xí)相關(guān)理論,對比分析多種預(yù)報模型精度,建立了基于XGBoost優(yōu)化的Bagging集成預(yù)報模型,實(shí)現(xiàn)較高精度的滑坡地質(zhì)災(zāi)害預(yù)報。文章以陜西省山陽縣重點(diǎn)地質(zhì)災(zāi)害監(jiān)測項(xiàng)目12個監(jiān)測站的監(jiān)測數(shù)據(jù)為研究對象,在研究山陽縣地形地貌的基礎(chǔ)上,對其災(zāi)害發(fā)生類型、規(guī)模及分布特點(diǎn)進(jìn)行分析,確定滑坡地質(zhì)災(zāi)害發(fā)生的主要影響因素。首先基于課題組設(shè)計(jì)的滑坡地質(zhì)災(zāi)害監(jiān)測硬件平臺,采集到研究區(qū)2014年4月到2015年4月的數(shù)據(jù)作為樣本數(shù)據(jù);其次采用核主成分分析法對滑坡災(zāi)害的影響因子降維處理,提取得到滑坡災(zāi)害的8個主要成災(zāi)因子,并運(yùn)用小波結(jié)合Kalman濾波算法進(jìn)行多傳感器數(shù)據(jù)融合,篩選出有效的數(shù)據(jù)作為訓(xùn)練樣本;然后分別建立RBF神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題來源和課題研究背景
        1.1.1 課題來源
        1.1.2 課題研究背景
    1.2 研究目的和意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 課題研究的內(nèi)容及技術(shù)路線
2 滑坡地質(zhì)災(zāi)害發(fā)育特征及形成因子
    2.1 研究區(qū)地形地貌
    2.2 研究區(qū)地質(zhì)發(fā)育特征
        2.2.1 地質(zhì)災(zāi)害主要類型及規(guī)模
        2.2.2 地質(zhì)災(zāi)害分布與規(guī)律
    2.3 滑坡地質(zhì)災(zāi)害主要誘發(fā)因素
        2.3.1 誘發(fā)內(nèi)因
        2.3.2 誘發(fā)外因
    2.4 本章小結(jié)
3 滑坡地質(zhì)災(zāi)害監(jiān)測預(yù)報系統(tǒng)
    3.1 系統(tǒng)硬件平臺
        3.1.1 傳感器選型及布放
        3.1.2 監(jiān)測終端
    3.2 系統(tǒng)應(yīng)用軟件實(shí)現(xiàn)
        3.2.1 滑坡地質(zhì)災(zāi)害監(jiān)測工作流程
        3.2.2 數(shù)據(jù)中心軟件
    3.3 本章小結(jié)
4 預(yù)報模型算法基礎(chǔ)研究
    4.1 滑坡地質(zhì)災(zāi)害預(yù)報模型的主要研究方法
    4.2 成災(zāi)因素篩選及多傳感器數(shù)據(jù)融合處理
        4.2.1 KPCA成災(zāi)因子篩選
        4.2.2 多傳感器數(shù)據(jù)融合
    4.3 機(jī)器學(xué)習(xí)算法
        4.3.1 RBF神經(jīng)網(wǎng)絡(luò)
        4.3.2 支持向量機(jī)
        4.3.3 集成學(xué)習(xí)
        4.3.4 XGBoost
    4.4 模型評價標(biāo)準(zhǔn)
    4.5 本章小結(jié)
5 滑坡地質(zhì)災(zāi)害預(yù)報模型研究
    5.1 數(shù)據(jù)來源及預(yù)處理
        5.1.1 數(shù)據(jù)來源
        5.1.2 數(shù)據(jù)預(yù)處理
    5.2 基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)報模型研究
        5.2.1 預(yù)報流程
        5.2.2 模型構(gòu)建
        5.2.3 實(shí)驗(yàn)分析
    5.3 基于支持向量機(jī)的預(yù)報模型研究
        5.3.1 預(yù)報流程
        5.3.2 SVM核函數(shù)
        5.3.3 模型構(gòu)建
        5.3.4 實(shí)驗(yàn)分析
    5.4 基于集成學(xué)習(xí)算法的預(yù)報模型研究
        5.4.1 模型構(gòu)建
        5.4.2 實(shí)驗(yàn)分析
        5.4.3 算法性能比較與分析
    5.5 XGBoost參數(shù)優(yōu)化
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
作者攻讀學(xué)位期間發(fā)表論文清單
致謝



本文編號：4043779