摘要：为探究高植被覆盖区浅层滑坡的影响因素并构建最优的滑坡预测模型,该研究以华蓥市山区林地为研究对象,考虑了蓄积量、林分密度、平均树龄、林分类型和红绿植被指数(green-red vegetation index,GRVI)等植被因子,并结合地形地质因素,经过Boruta重要性分析以及共线性诊断,利用Logistic回归模型、广义相加模型、随机森林模型、支持向量机模型和人工神经网络模型等5种机器学习模型构建华蓥市山区林地浅层滑坡预测模型,并结合历史滑坡点检验,提出华蓥市山区林地浅层滑坡的最佳预测模型及高易发性区域的植被特征。结果表明:1)工程地质岩组、距河流距离、距断层距离、林分类型、平均树龄和蓄积量是影响浅层滑坡的主要因子;2)不同因子组合对模型精度有极大的影响,考虑蓄积量、林分密度、平均树龄等植被因子有利于提高模型的预测精度;3)在5种模型中,预测精度最高的模型为随机森林模型,精度可达到95.05%;4)研究区高易发性及以上区域的面积为25.31 km^(2),占研究区总面积的14.79%,低密度(1000~1500株/hm^(2))、高蓄积量(>80 m3/hm^(2))和高树龄(>30 a)是浅层滑坡发生的主要植被特征。该研究结果可为中国高植被覆盖区极端暴雨型滑坡的预警与防控提供科学决策和技术支撑。

摘要：为研究机器学习模型在地质灾害遥感调查中的应用现状,基于中国知网(CNKI)数据库,采用文献计量法进行可视化分析,从发文量、研究热点、研究机构等多视角详述机器学习模型、地质灾害遥感调查技术的研究进展。利用VOSviewer软件分析机器学习模型与地质灾害遥感调查技术高频关键词及其关联度,并通过分类统计定量化分析得出研究热点、关联性和发展趋势。结果表明:中国地质灾害遥感调查技术正由“图谱测量”向“图谱与几何测量”逐步转变,新一代机器学习算法伴随着无人机遥感技术的进步,已成为本领域最热门的研究方向,推动着地质灾害体自动识别和智能提取技术发展;未来的地质灾害遥感调查技术必然是围绕“空−天−地”协同应用与应急监测的综合技术体系。研究认为,针对不同遥感影像数据的特点,综合研究不同机器学习模型在各种遥感解译工作场景中的应用是未来的主要发展趋势。

摘要：目的 :系统评价压力性损伤风险预测的机器学习模型。方法 :检索数据库中有关压力性损伤风险预测机器学习模型的研究,检索时限为建库至2022年3月1日。2名研究者独立筛选文献、提取数据,并应用PROBAST分析文献质量。结果 :共纳入17篇文献,包括4项开发模型,13项开发和验证模型。受试者工作特征曲线下面积为0.790~0.897。研究总体适用性较好,但存在一定偏倚,主要是因为未采取或未报告盲法、未报告缺失数据处理方法或处理不当、样本量不足、自变量处理不恰当、未考虑模型性能及拟合。结论 :压力性损伤风险预测机器学习模型的开发尚处于发展阶段,外推性有待进一步探讨,未来应关注研究设计和临床数据的处理,开发适用于中国人群的模型。

摘要：大数据分析的方法有很多,借助机器学习模型对大数据进行挖掘优化是现今较为有效的方法。基于此,笔者提出基于机器学习模型的大数据挖掘优化算法,以机器学习技术为基础,建立分布式挖掘模型,通过计算数据相异度,完成数据挖掘中心的优化。实验结果表明,本设计算法在总计算量和预测准确度上均胜于传统算法,证明了方法的有效性和实用性。

摘要：土体先期固结压力的取值对于地基基础的稳定性有重要意义。根据机器学习模型的优点和功能,并结合岩土工程的特点,提出了一种基于机器学习方法求解花岗岩残积土先期固结压力的新方法,建立了神经网络模型,并对模型进行训练和预测分析。结果表明:基于机器学习模型可以实现先期固结压力的预测;L-M的训练算法大大减小了计算结果的误差;与传统试验的结果相比,采用机器学习法预测先期固结压力求解误差较小,预测结果较为稳定;机器学习方法能充分调用勘察数据,能够准确预测土体先期固结压力,在福建地区的花岗岩残积土地层中具有很好的适用性和推广意义。

摘要：传统的水文插补延长模型预测效果一般且计算较为繁琐,难以满足重要水文资料的插补延长。文章基于机器学习模型,依据安塞水文站和枣园水文站多年水文资料,利用水文数据间的非线性关系建立水文插补延长模型。结果表明,传统的水文插补延长线性模型具有一定的效果,但仍需进一步提升;机器学习模型能搜寻数据间的非线性关系,不同的模型效果具有一定的差异,其中支持向量机(SVR)最优,BP神经网络模型次之,XGBoot模型最差;SVR模型结合网格寻优可以得到较为有效的水文插补延长模型,可为水文插补延长提供参考。

摘要：盾构法被广泛应用于地铁隧道项目中,但是复杂的地质环境会让盾构施工发生卡机,刀盘磨损,超欠挖、地面塌陷等问题。因此,准确、及时地感知地质条件变化至关重要。目前我国大多通过钻孔手段进行地质勘察,而先进的地质预测方法也不能满足盾构快速掘进的要求。因此,提出了一种识别盾构开挖面地质类型的机器学习模型。该模型将遗传算法(GA)与分布式梯度增强库(XGBoost)相结合,通过GA来确定XBGoost模型的最优超参数。同时,依托福州滨海快线三标段项目盾构与地质数据,对模型进行验证,并与其他3种经典机器学习模型LightGBM、Random Forest、SVR进行对比,以进一步验证模型的鲁棒性。结果表明,GA-XGBoost模型精度具有明显优势,通过GA来搜寻模型超参数也可提升模型准确率。

摘要：为研究西北地区冻融盐侵环境下水工混凝土的耐久性,制备了不同粉煤灰掺量的混凝土试件,以不同浓度的硫酸钠溶液作为介质开展了冻融循环试验,阐明了不同循环次数下试件的外观、质量、抗压强度和动弹模量的变化规律,基于XGBoost模型建立了混凝土寿命预测模型并对其进行了评价和验证。研究结果表明,随着冻融循环次数增加,混凝土质量、抗压强度和动弹模量逐渐减小;冻融循环次数和硫酸钠溶液浓度是影响混凝土寿命的关键因素,8%硫酸钠溶液破坏度最高,此溶液浓度下冻融150次后混凝土质损率达4.55%;粉煤灰的掺入量对混凝土耐久性有一定影响;最优粉煤灰掺量为10%,此掺量下冻融150次后混凝土质损率为3.99%;XGBoost模型在混凝土寿命预测方面具有较高的精确性和可靠性。本研究可为混凝土结构的耐久性设计和寿命预测提供参考。

摘要：利用水动力模型模拟各量级降雨情况下的城市内涝演变过程,以内涝演变过程数据作为K近邻算法机器学习模型的训练集进行模型训练,采用大气数值模式预报降雨驱动经过训练的K近邻算法机器学习模型进行城市内涝快速预报,并以陕西省秦汉新城3场实测降雨检验了模型的预报性能。结果表明:该模型可在17s内快速预测出城市内涝积水,预报内涝积水面积平均误差不超过8%,积水量及积水深度平均误差不超过15%;该模型预报性能较好,可增强城市防灾减灾能力,有效降低生命财产损失。

摘要：理解城市轨道交通客流与土地利用的依赖关系有助于合理配置资源以推动TOD(Transit-oriented development)模式的实施。既有研究多以车站客流及其建成环境为研究对象揭示客流的关键影响因素,从全局视角下分析线路客流对其沿线土地利用依赖关系的研究不够充分。论文基于2019年中国36座主要城市的多源数据构建包含线路功能和建成环境两方面的土地利用以及交通服务等三类指标,并以线路功能和建成环境两类指标为聚类特征划分线路类型,采用XGBoost(eXtreme Gradient Boosting)模型分析不同类型线路客运量的影响因素。案例研究表明:根据线路服务范围及城市发展水平的差异,城市轨道交通线路可分为市区线I型、市区线II型和郊区线。3类线路重要度排序前5的解释变量对客运量的贡献至少达到60%,其中就业岗位密度和中心城区线路覆盖率是3类线路共同的重要土地利用变量。重要度排序高的解释变量对客运量的影响具有阈值效应,且相同类型线路重要变量的阈值趋同,而不同类型线路之间的阈值存在显著差异。因此,TOD客流廊道的构建需因地制宜地统筹职住分布及其配套资源。研究结果有助于理解土地利用影响城市轨道交通线路客流的机理,可为促进TOD客流廊道的发展提供参考。