排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
本文利用2018—2022年103景Sentinel-1A数据,采用SBAS-InSAR方法,获得了西宁市坡向沉降信息,研究西宁市滑坡区坡向沉降的趋势特征及其同区域内如植被覆盖、降水等因素之间存在的耦合关系。结果表明,西宁市滑坡区的沉降趋势呈现出坡向分异的特征,具体表现为阳坡沉降速率大于阴坡沉降速率。根据这一沉降变化特性,本文分析得出更深层次的特征机制：(1)植被覆盖度越低,滑坡形变速率越高;(2)降水量可能导致特征点的形变量短期上升,但总体仍呈下降状态;(3)地物威胁主要来自阳坡,坡度越高区域往往是滑坡区速率最大的地方。为此,未来西宁市滑坡的注意力应该更倾向于西南坡方向,提高本区域滑坡监测与预警的警觉性。 相似文献
2.
山体滑坡位移量预测精度主要受预测模型和参量的影响,而基于回归模型和灰度预测模型的传统滑坡预测模型主要存在模型预测结构单调、引入的预测影响参量不全面、长期性预测精度低等问题,因此,本文基于北斗数据提出了一种基于梯度增强多元回归算法的滑坡预测方法。梯度增强多元回归模型在考虑多重因素的前提下,使用如降水量、土壤湿度、地形参数等滑坡主影响因子作为回归模型参量,同时结合梯度增强方法,可以增强预测模型的有效结构,提升数据的使用率,进而提高长、短期的滑坡位移量预测精度。最后以西宁市南山寺滑坡带为例,考虑降水、地面沉降、地形地貌等诱发滑坡的关键因素,分别基于梯度增强多元回归模型、贝叶斯岭回归模型、弹性网络回归模型及支持向量机回归模型进行试验。结果表明,梯度增强多元回归模型的方差(EV)结果为0.99 mm^(2),均方差(MSE)结果为0.04 mm,平均绝对误差(MAE)结果为0.15 mm,且利用梯度增强多元回归模型对2020年12月的表面位移量进行预测,发现相对误差区间为(-0.8%,0.8%],预测精度最高。因此,相对而言,梯度增强多元回归预测模型精度更优、效率更高,更能准确反映滑坡表面位移量的变化状态,精确地对滑坡体进行全天候监控、预警,保障滑坡体周边环境的安全。 相似文献
1