摘要：边坡灾害是造成陕北地区公路长时间中断的主要原因之一，开展灾害空间预测对提高公路自身抗灾能力和区域防灾减灾能力具有重要意义。在分析陕北地区干线公路边坡灾害概况和选取预测因子的基础上，开展了潜在灾害点调查；采用PSO-SVM模型和GIS平台进行了灾害空间预测并逐网格计算了DSI指数；应用成功率法对预测结果进行了检验，基于DSI将陕北地区分为高易发、中易发和低易发3级区域。结果表明：DSI指数最小为0.08、最大为0.96，PSO-SVM模型的曲线下面积为0.681，易发性从西北向东南逐渐升高；低易发、中易发和高易发区占陕北地区总面积的20.1%、41.5%和38.4%，而灾害调查确定的433处潜在灾害点中有41处、96处和296处位于以上区域，分别占总数的9.45%、22.16%和68.39%，2条国道和6条省道穿越延安中东、西北部高易发区。

关键词：公路工程；陕北地区；PSO-SVM模型；干线公路；边坡灾害；空间预测；

Spatial prediction of highway slope disasters in northern Shaanxi areas based on PSO-SVM

Abstract: Highway slope disasters in northern Shaanxi areas are one of the main causes of highway disrupting for a long time, carrying out spatial prediction is of great significance for increasing highway disaster resistance and regional disaster prevention and mitigation capacity. Based on the analysis of highway slope disaster situation and selecting predictor factors, investigation for potential disaster points in northern Shaanxi areas was conducted; Spatial prediction was managed by PSO-SVM model and the GIS platform, and DSI index was computed for each grid; Success rate method was applied to examine the results of the prediction, based on the DSI index, the northern Shaanxi areas were divided into high prone, mid prone and low prone levels. The results show that the minimum DSI index was 0.08, the maximum was 0.96, the area under the PSO-SVM model curve was 0.681, liability gradually increases from northwest to southeast; Low prone, mid prone and high prone areas account for 20.1%, 41.5% and 38.4% of the total areas of northern Shaanxi, Of the 433 potential disaster points, 41, 96 and 296 points were located in the above levels, representing 9.45%, 22.16% and 68.39% of the total, respectively, 2 state highways and 6 provincial highways crossed the mid-east-northwest Yan'an areas.

Keywords: highway engineering; northern Shaanxi areas; PSO-SVM model; truck highway; slope disaster; spatial prediction; GIS.

1引言

陕北地区包括陕西省榆林和延安2市，总面积超过8万km²，地貌以塬、梁、峁和沟壑纵横交错为主，是我国最典型的黄土分布区之一^[1]。近年来，陕北地区的公路建设迅猛发展，“高填深挖”的公路建设模式产生了大量未经防护的公路边坡，加之黄土特殊的物理、水理性质，使区内公路边坡灾害频发。例如，2012年7月26日～28日，陕北地区普降暴雨，造成陕西S302佳县段全线暴发泥流，挡土墙破坏20处/360延米，多处边坡坍塌，断道长达2个多月，各项经济损失超过1000万元^[2]。灾害空间预测是灾害监测与预警的前提，它以多元异构地理、地质和水文信息融合为基础，依据研究区内各种环境要素的空间分布和组合特征判断灾害的易发程度，对降低灾害经济损失和减少人员伤亡具有重要意义^[3]。

灾害空间预测有两种模式：一种是基于灾害孕育、演化及工程地质条件对灾害的定量研究，这种确定性模型需要逐点进行大量地质构造及动力学监测，对特定灾害点研究较为适合^[4]；另一种是基于统计学原理，根据特定区域的孕灾环境建立数学模型，从概率分析的角度实现灾害易发程度的定量或半定量研究^[5]，其中，智能算法的出现和发展为揭示灾害发生与诱发因素间的非线性关系提供了新思路。例如，Yang等在地质和降水因素分级标度的基础上，提出了一种基于人工神经网络（Artificial Neutral Network，ANN）的降水诱发滑坡灾害时空预测方法^[6]。Jiang等通过多普勒气象雷达和GIS平台建立了包括地形、地质、土地利用、降水和历史灾害数据的区域地质灾害预测信息库，采用ANN算法建立了预测模型并在四川凉山地质观测站进行了应用^[7]。刘艺梁等以三峡坝区到巴东段为研究区，选取坡度、坡向、软弱夹层、水系影响范围和土地利用状况等为评价指标，基于ANN和GIS开展了滑坡灾害危险性空间预测^[8]。许冲等以GIS和支持向量机（Support Vector Machine，SVM）模型为基础，开展了基于线性核函数、多项式核函数、径向基核函数和S形核函数等4类核函数的玉树震区滑坡灾害空间预测研究^[9]。Saro等针对韩国江原道麟蹄郡的Deokeokri和Karisanri地区，在考虑降水概率的基础上提出了基于SVM和GIS的滑坡灾害空间预测方法^[10]。张俊等以三峡库区白水河滑坡为研究对象，基于时间序列与粒子群算法（Particle Swarm Optimization，PSO）耦合模型开展了滑坡位移预测研究^[11]。武雪玲等以三峡库区长江干流岸坡为研究区，通过构建PSO-SVM模型开展了滑坡灾害易发性定量研究，可为三峡库区的防灾减灾工作提供参考^[12]。

综上所述，以往的灾害空间预测主要采用ANN和SVM模型，其中，SVM是继ANN之后的新一代智能学习算法，它以结构风险最小原则取代传统的经验风险最小原则，具有很强的泛化能力。但是，SVM在选取模型参数时具有盲目性，使其收敛速度受到影响，而PSO算法具有寻优速度快、易于挑出局部最优解等优点，鉴于此，本文在借鉴已有研究的基础上，基于区域孕灾环境特点和灾害实地调查数据，采用PSO算法对SVM模型参数进行全局寻优并建立预测模型，基于GIS平台开展陕北地区公路边坡灾害空间预测，揭示不同区域发生灾害的难易程度以及现有公路的灾害危险性，为提高陕北地区公路抗灾能力和区域防灾减灾能力提供理论基础。

以上就是部分论文写作范文，如写好论文后想在查重的小伙伴，可以点击论文查重，然后选择相应的论文查重系统。PS：要了解自己学校是什么检测系统哦！