| 作者简历 | 第5-8页 |
| 摘要 | 第8-11页 |
| abstract | 第11-14页 |
| 第一章 绪论 | 第17-34页 |
| 1.1 选题背景及研究意义 | 第17-19页 |
| 1.2 国内外研究现状及存在的问题 | 第19-30页 |
| 1.2.1 3S技术在单体滑坡灾害监测中的研究现状 | 第19-22页 |
| 1.2.2 3S技术在区域滑坡孕灾环境因子分析中的研究现状 | 第22-23页 |
| 1.2.3 滑坡位移预测模型研究现状 | 第23-26页 |
| 1.2.4 3S技术和人工智能在区域滑坡易发性评价中的研究现状 | 第26-30页 |
| 1.3 研究内容及技术路线 | 第30-34页 |
| 1.3.1 研究内容 | 第30-31页 |
| 1.3.2 技术路线和研究思路 | 第31-32页 |
| 1.3.3 本文主要创新点 | 第32-34页 |
| 第二章 基于3S技术和最近邻分类法的单体库岸滑坡变形破坏监测 | 第34-73页 |
| 2.1 3S技术监测滑坡变形的研究思路 | 第34-35页 |
| 2.2 基于面向对象和最近邻法的高分辨率遥感影像分类 | 第35-42页 |
| 2.2.1 面向对象影像分析 | 第36-37页 |
| 2.2.2 多尺度分割 | 第37-40页 |
| 2.2.3 影像分类特征与面向对象的最近邻分类法 | 第40-42页 |
| 2.3 滑坡变形监测的GPS系统设计与实现 | 第42-45页 |
| 2.3.1 GPS自动化监测系统基本原理 | 第42-43页 |
| 2.3.2 滑坡区GPS监测系统的实施和布置 | 第43-45页 |
| 2.4 塘角滑坡工程地质概况及其高分遥感影像分析 | 第45-57页 |
| 2.4.1 塘角滑坡平剖面特征及物质组成分析 | 第46-51页 |
| 2.4.2 塘角滑坡水文地质分析 | 第51-52页 |
| 2.4.3 研究区变形特征分析 | 第52-54页 |
| 2.4.4 多时相高分辨率遥感影像获取 | 第54-57页 |
| 2.5 基于高分影像和面向对象的塘角滑坡变形区土地利用分类 | 第57-63页 |
| 2.5.1 影像预处理与地物类型定义 | 第57-58页 |
| 2.5.2 高分辨率影像多尺度分割 | 第58-60页 |
| 2.5.3 基于最近邻分类法的影像对象分类及精度评估 | 第60-63页 |
| 2.6 基于GIS空间分析的塘角滑坡变形区土地利用变化检测 | 第63-66页 |
| 2.6.1 基于GIS空间分析的塘角滑坡土地利用变化检测 | 第63-65页 |
| 2.6.2 基于土地利用变化检测的变形破坏评估 | 第65-66页 |
| 2.7 GPS系统监测塘角滑坡变形特征 | 第66-69页 |
| 2.8 塘角滑坡变形诱发因素分析 | 第69-72页 |
| 2.8.1 基于LCCD和GPS的滑坡变形因素分析 | 第69-71页 |
| 2.8.2 塘角滑坡的形成条件与动力因素分析 | 第71-72页 |
| 2.9 本章小结 | 第72-73页 |
| 第三章 基于3S的区域滑坡孕灾环境因子分析 | 第73-93页 |
| 3.1 区域滑坡易发性评价研究 | 第73-74页 |
| 3.2 万州区自然地理及地质简介 | 第74-76页 |
| 3.2.1 水文气象条件 | 第74-75页 |
| 3.2.2 万州区地质构造及地貌特征 | 第75页 |
| 3.2.3 万州区地层岩性与水文地质分析 | 第75-76页 |
| 3.3 3S技术获取万州区滑坡编录及易发性环境因子 | 第76-92页 |
| 3.3.1 基于遥感和GIS的万州区环境因子选取 | 第76-91页 |
| 3.3.2 环境因子相关性分析 | 第91-92页 |
| 3.4 本章小结 | 第92-93页 |
| 第四章 基于多变量混沌—极限学习机模型的滑坡位移预测 | 第93-108页 |
| 4.1 多变量混沌理论预测滑坡位移的研究思路 | 第93-95页 |
| 4.2 指数平滑法和多变量混沌理论简介 | 第95-98页 |
| 4.2.1 单变量相空间重构与混沌识别 | 第95-97页 |
| 4.2.2 多变量相空间重构 | 第97页 |
| 4.2.3 指数平滑法 | 第97-98页 |
| 4.3 极限学习机模型分析 | 第98-99页 |
| 4.4 多变量混沌—极限学习机模型在白水河滑坡位移预测中的应用 | 第99-107页 |
| 4.4.1 白水河滑坡实例分析 | 第99-100页 |
| 4.4.2 累积位移混沌识别 | 第100-101页 |
| 4.4.3 指数平滑法分解累积位移及诱发因素分析 | 第101-102页 |
| 4.4.4 多变量混沌极限学习机模型预测波动项位移 | 第102-106页 |
| 4.4.5 最终累积位移预测值及模型讨论 | 第106-107页 |
| 4.5 本章小结 | 第107-108页 |
| 第五章 基于SOM神经网络和极限学习机的区域滑坡易发性评价 | 第108-124页 |
| 5.1 区域滑坡易发性评价的模型分析 | 第108-112页 |
| 5.1.1 SOM-ELM模型研究思路 | 第108-110页 |
| 5.1.2 SOM自组织特征映射神经网络 | 第110-111页 |
| 5.1.3 K均值聚类 | 第111-112页 |
| 5.2 万州区滑坡易发性评价的聚类模型分析 | 第112-115页 |
| 5.2.1 SOM神经网络评价万州区滑坡易发性 | 第112-113页 |
| 5.2.2 K均值聚类模型评价万州区滑坡易发性 | 第113-115页 |
| 5.3 基于SOM-ELM和SOM-SVM模型的万州区滑坡易发性评价 | 第115-123页 |
| 5.3.1 利用单独ELM模型计算万州区滑坡易发性指数 | 第115-116页 |
| 5.3.2 基于SOM-SVM和SOM-ELM的万州区滑坡易发性评价 | 第116-120页 |
| 5.3.3 模型预测精度评价 | 第120-122页 |
| 5.3.4 万州区滑坡易发性计算结果分析 | 第122-123页 |
| 5.4 本章小结 | 第123-124页 |
| 第六章 结论和展望 | 第124-127页 |
| 6.1 结论 | 第124-125页 |
| 6.2 下一步研究展望 | 第125-127页 |
| 致谢 | 第127-129页 |
| 参考文献 | 第129-144页 |
