论文部分内容阅读
随着矿产资源不断地被开发利用,相应的矿山环境问题也伴随出现。对矿山地质环境问题严重的区域进行评价,其评价结果可以为相关部门的矿山治理及规划提供基础,为经济可持续发展和绿色矿山建设提供支持。许多研究者对矿山地质环境评价进行了研究,仍有许多难点影响着评价结果。评价因子的选取较为单一,不能全面地反映研究区矿山地质环境问题;评价因子的量化标准不一致,导致了相同地区的评价结果多样化;评价尺度的不确定,导致了评价结果的不准确;使用的评价方法不合理,导致运算效率较低,评价精度不够。本文以福建省为研究区,运用人机交互解译、面向对象信息提取等遥感、GIS技术,对研究区进行自然地理、基础地质、资源损坏、矿山环境四个大方面信息的提取,建立矿山地质环境评级因子体系。在此基础上,对研究区进行多尺度的矿山地质环境评价,通过分析评价尺度效应,选出研究区的最优评价尺度。采用量子粒子群算法(QPSO)对最小二乘-支持向量机(LS-SVM)进行参数优化,并将改进的算法(QPSO-LS-SVM)对研究区进行矿山地质环境评价。通过与BP神经网络、层次分析-模糊评价法进行比较,选取最佳的评价方法。本文主要取得了以下成果:(1)本文通过阅读、总结大量文献,参考国内外矿山地质环境评价因子的选择标准,确定了研究区矿山地质环境评级因子,能够较为全面地反映研究区的矿山地质环境。(2)本文通过开展研究区不同尺度下的矿山地质环境评价,找出了研究区的最佳评价尺度。(3)本文引入最小二-乘支持向量机算法(LS-SVM)作为评价方法,在LS-SVM算法基础上,提出了改进的QPSO算法,用以优化LS-SVM的参数,消除了人为选取参数时的随机性,并且大大缩短了训练样本的时间。(4)通过对比分析QPSO-LS-SVM、BP神经网络、FCE-AHP三种评价方法的评价结果,发现QPSO-LS-SVM的评价结果更快速、更符合研究区的实际情况。