排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
在滑坡位移综合预测研究中,常因滑坡随机位移分量无法准确提取、最优训练数据集及时效性无法确定等,造成多源监测数据利用不充分、位移预测结果不稳定。鉴于此,引入变分模态分解,在滑坡位移时序分析的基础上,结合门控循环单元递归神经网络,提出一种新型滑坡位移综合预测模型。以三峡库区白水河滑坡为例,选取2003-07—2012-12的位移监测数据和同时期库水位及降雨数据进行分析研究,综合模型预测结果的均方根误差为9.715 mm,判定系数为0.967。对比实验分析表明,该模型在保证高预测精度的同时,在有效预测时长和时效性上同样优势明显,在库岸滑坡位移预测研究中具有很强的应用和推广价值。 相似文献
2.
针对如何准确分析2017年11月12日的伊朗Mw7.4地震断层属性的问题,该文从三维同震形变场与断层滑动分布角度出发,采用Sentinel-1A升降轨数据获取该地区三维同震形变场,并基于弹性半空间矩形位错模型,结合最速下降法反演得到其发震断层参数、模拟三维形变场。结果显示,地震东西向和南北向最大形变分别为68.8、43.8 cm,竖直方向上最大沉降和抬升分别达到34.4、96.7 cm,均符合逆冲断层的运动特征。地震主要形变特征为抬升,地震矩1.66×1020 N·m,矩震级Mw7.4,断层倾角16°,走向351°。结果表明,Okada模型解算所得地震三维形变场与观测结果总体特征相吻合,并且该地震为西南部板块挤压东北部板块而引发,属于逆冲为主带有右旋走滑的逆冲断层,其与地震学结果一致。 相似文献
3.
滑坡变形监测数据是认识滑坡变形演化规律的直接依据,对该数据深度挖掘是实现滑坡灾害预警预报的有力保障。现有的滑坡位移预测模型多局限于单个监测点的时序预测,且未考虑监测点间的空间相关性。针对上述问题,本文提出了一种基于深度学习的滑坡位移时空预测模型:首先,构建表达所有点间空间相关性的加权邻接矩阵;其次,引入外界影响因素加强属性特征矩阵,以构建图结构数据;最后,采用集合图卷积网络(GCN)和门控循环单元(GRU)的深度学习模型,并通过多组试验寻找最优超参数,实现滑坡位移的时空预测。本文模型结果的均方根误差为4.429 mm,与对比模型相比至少降低了47.3%。而消融试验结果也显示,引入外界影响因素的属性增强可进一步提高模型的预测性能,均方根误差相对于未属性增强结果减少了28.4%。结果表明,该方法可用于滑坡位移或其他地质灾害中同样具有时空关联属性的观测量的时空预测。 相似文献
1