[发明专利]一种基于QPSO-BP神经网络的滑坡危险性评估方法

说明书

本发明公开了一种基于QPSO‑BP神经网络的滑坡危险性评估方法，包括如下步骤：S1：采集历史滑坡样本；S2：使用等频率划分方法，确定评价阈值并根据评价阈值划分评价标准；S3：评价影响因子和破坏程度，构成数据集；S4：建立QPSO‑BP评估模型；S5：根据QPSO‑BP评估模型，输入训练集进行训练，得到训练后QPSO‑BP评估模型；S6：根据训练后QPSO‑BP评估模型，输入测试集，计算影响因子的权重；S7：根据影响因子权重，在Arcgis对评估区域影响因子的图件进行叠加，形成评估区域的滑坡危险度评估区划图；本发明解决了现有技术存在的评价模型的精度低、速度慢以及不适用于大面积区域评估的问题。

技术领域

本发明属于工程建设技术领域，具体涉及一种基于QPSO-BP神经网络的滑坡危险性评估方法。

背景技术

滑坡是目前山区工程建设中遇到的数量最多、危害性最大的自然灾害，如何理解滑坡发生的力学机制以及快速识别工程范围内危险度较高的位置对工程的前期规划、设计极其重要。像公路、铁路这样的重要线性工程，工程辐射面积较大，建设区域内可能存在的滑坡数量有几千至几万个，这样的工程特点对滑坡危险度评估技术提出了更严格的要求：如何在保证精度和速度前提下，最大程度地扩大评估范围。

区域滑坡危险度评估是对评估区域内的滑坡影响因子致灾可能性和严重程度的综合反映，在相同触发因子条件下，危险度评价值高的地方发生危害性较大的滑坡的可能性大。目前区域滑坡危险度评估模型主要使用统计模型。

统计模型是一种建立在已有滑坡统计分析的基础上，对未来的滑坡危险度进行预测的方法，其基本假设是：过去滑坡的地理环境条件，极有可能导致未来滑坡的产生。因此统计模型通常需要大量的历史滑坡数据，即滑坡样本，通过机器学习的方式来构建预测模型，滑坡样本的质量和统计模型的选择共同决定了预测结果的质量。在滑坡危险度评价中常用的统计模型有支持向量机(SVM)、逻辑回归、模糊逻辑分析、决策树、BP神经网络等，虽然这些模型在小面积(几千平方公里)区域的滑坡危险度评价中具有较好的精度，但是随着评估面积的提升，影响因子空间变异性越来越突出，这些模型的评估能力(精度、速度)必然随之下降，因此，为了满足线性工程的滑坡危险度评估需求，建立一种适用于大面积区域的滑坡危险度预测模型，并探讨其评估能力的工作十分必要。

发明内容

针对现有技术中的上述不足，本发明提供的一种精度高、速度快以及适用于大面积区域评估的基于QPSO-BP神经网络的滑坡危险性评估方法，解决了现有技术存在的评价模型的精度低、速度慢以及不适用于大面积区域评估的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于QPSO-BP神经网络的滑坡危险性评估方法，包括如下步骤：

S1：采集评估区域的历史滑坡样本；

S2：使用等频率划分方法，确定评价阈值并根据评价阈值划分评价标准；

S3：根据评价标准，评价历史滑坡样本的影响因子和破坏程度，构成数据集，并分为训练集和测试集；

S4：使用量子粒子群QPSO算法优化BP神经网络的权重和阈值，建立QPSO-BP评估模型；

S5：根据QPSO-BP评估模型，输入训练集进行训练，得到训练后QPSO-BP评估模型；

S6：根据训练后QPSO-BP评估模型，输入测试集，计算影响因子的权重；

S7：根据影响因子权重，在Arcgis对评估区域影响因子的图件进行叠加，形成评估区域的滑坡危险度评估区划图，实现滑坡危险性评估。

进一步地，步骤S1中，采集的历史滑坡样本数量大于50个。