论文部分内容阅读
泥石流作为山区典型的地质灾害,具备发生频繁、破坏力强、爆发突然等多种灾难属性。一旦发生,其强大的破坏力常常在瞬间冲塌房屋建筑,阻断公路铁路,吞没山村和居民,给山区人民的经济发展和生产生活带来不可磨灭的灾难。因此合理有效地进行泥石流危险度预测对于山区防灾减灾工作具有重要的指导意义。为准确预测泥石流危险度,本文以云南省37条单沟泥石流为研究对象,以直溪河沟、水磨房沟、小箐沟等28条泥石流沟作为学习样本,以大桥河沟、黑水沟、小海沟等9条泥石流沟作为模型的测试样本,然后分别运用粗糙集和主成分分析法对10个泥石流危险度指标进行降维处理,将处理后新生成的样本数据作为支持向量机的训练样本,通过粒子群算法寻优获得支持向量机最优参数,最终建立基于支持向量机的泥石流危险度预测模型,并对测试样本进行预测,效果良好。以下是本文的研究成果:(1)总结了泥石流灾害的性质、形成条件及分类标准等,同时根据泥石流危险度评价指标选取原则,结合前人经验,确定了本文的泥石流危险度评价指标体系。(2)为降低泥石流危险度评价指标体系的维度,采用粗糙集和主成分分析法对原始数据进行分析处理。根据粗糙集理论,通过属性约简确定了泥石流危险度评价指标的核指标集,即{一次泥石流最大冲出量,泥石流发生频率,主沟长度,流域切割密度},4个指标在泥石流评价指标集中所占比重为0.7647,基本能够代表泥石流数据的主要信息。而主成分分析法所确定的4个主成分累积贡献率达到了84.221%,涵盖了原来10个指标的主要信息,剔除了变量间的冗余信息,起到了明显的降维效果。(3)选取RBF函数作为支持向量机核函数,采用粒子群算法对支持向量机惩罚因子及核函数参数进行全局寻优,确定出RS-PSO-SVM模型最优参数组合为C=5.6392,g=1.6241,PCA-PSO-SVM模型最优参数组合为C=1.4817,g=1.1807。(4)选择9条泥石流单沟作为测试样本,运用RS-PSO-SVM模型和PCA-PSO-SVM模型对9条泥石流单沟的危险度进行预测,两种模型的预测精度均为88.89%,并同PSO-SVM模型进行对比,结果表明:在保证预测精度不变的前提下,RS-PSO-SVM模型和PCA-PSO-SVM模型缩短了运行时间,极大提高了运行效率。同时也证明支持向量机可以很好地表达泥石流危险度与其评价指标之间复杂的非线性关系。