-
题名人工智能算法在滑坡监测与预测技术中的研究与应用
- 1
-
-
作者
程刚
吴勇飞
曹德胜
吴亚熹
-
机构
华北科技学院计算机科学与工程学院
华北科技学院河北省物联网监控技术创新中心
华北科技学院矿山安全学院
南京大学地球科学与工程学院
-
出处
《地质科技通报》
北大核心
2025年第5期302-316,共15页
-
基金
国家自然科学基金项目(42377200)
中央引导地方科技发展资金项目(226Z5404G)
2025年河北省在读研究生创新能力培养资助项目(CXZZSS2025139)。
-
文摘
为减轻滑坡灾害风险,进一步保障区域可持续发展,开展有效的滑坡监测与预测研究具有重要的现实意义。通过研究滑坡监测与预测中的关键技术与方法,分析各类算法在滑坡监测与预测场景中的效率和精度,不断提升滑坡灾害防治水平。在特征提取技术方面,对比分析了尺度不变特征变换(SIFT)、加速鲁棒特征(SURF)和自适应尺度不变特征变换(ASIFT)3种基于图像特征匹配算法的性能,其中ASIFT在匹配数量、精确率和召回率方面具有显著优势,尤其适用于准确性要求较高的复杂环境场景;在光流分析技术方面,探讨了基于Lucas-Kanade稀疏光流法和Horn-Schunck稠密光流法的应用效果,其中Lucas-Kanade稀疏光流法计算效率高,适合实时应用场景,但存在遗漏重要运动信息风险,Horn-Schunck稠密光流法能够提供全面的光流场信息,适用于环境复杂场景,但存在计算复杂度较高的不足,因而难以用于实时处理;在滑坡易发性预测方面,详细介绍了支持向量机(SVM)、决策树(DT)和随机森林(RF)等经典机器学习方法在滑坡预测中的应用优缺点,并重点研究了基于粒子群优化支持向量机(PSO-SVM)的模型性能,该模型通过优化超参数,显著提高了模型的分类准确度、泛化能力和预测精度。此外,通过引入Faster R-CNN模型,利用其先进的卷积神经网络架构,实现了复杂场景下滑坡事件的自动识别与分类,进一步提升了滑坡监测预警的效率和准确率。研究表明,ASIFT局部特征提取的精确率为0.84,Lucas-Kanade稀疏光流法的跟踪误差为0.12,PSO-SVM模型的均方根误差为0.52,Faster R-CNN模型在滑坡图像自动识别与分类方面的置信度可达0.98,综合性能较其他算法显著提升。综上所述,通过引入人工智能算法,结合多学科技术手段,全方面提升了滑坡监测与预测技术的效率和精度,研究成果为滑坡地质灾害防治提供了更有力的技术保障。
-
关键词
人工智能算法
滑坡监测与预测
特征匹配
光流法
粒子群优化支持向量机(PSO-SVM)
-
Keywords
artificial intelligence algorithm
landslide monitoring and prediction
feature matching
optical flow method
particle swarm optimization-support vector machine(PSO-SVM)
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
P642.22
[天文地球—工程地质学]
-
