Analysis on association rules of multi-field information of Baishuihe landslide based on the data mining
-
摘要: 为探究滑坡多场监测数据间的关联准则，采用数据挖掘技术中的两步聚类法与Apriori算法，开展滑坡多场信息关联准则研究。以三峡库区白水河滑坡为例，分析ZG93监测点于2003年6月—2016年12月期间的监测数据，选取影响滑坡变形的主要诱发因子，采用两步聚类法对不同的影响因子进行预聚类和聚类，将数值型变量转化为离散型变量后，应用Apriori算法进行处理，生成满足最小置信度的关联准则，建立白水河滑坡多场耦合作用模式下的影响因子与滑坡位移变形关联准则判据。研究表明，关联准则对于滑坡灾害的变形分析具有重要的意义，数据挖掘技术可较好地应用于三峡库区地质灾害位移预测预报中。Abstract: In order to explore the association criteria of landslide multi-field monitoring data, we have adopted the two-step clustering method and Apriori algorithm, which belong to the classical data mining method, and we have also proposed the process of landslide monitoring data mining. Based on the Baishuihe landslide in the Three Gorges Reservoir Area, we analyzed the monitoring data of ZG93 from June 2003 to June 2016. The main inducing factors of the landslide displacement were selected, and the two-step clustering method was used to pre-cluster and cluster the different influence factors. We used Apriori algorithm to deal with the classified variables to generate frequent item sets that satisfy the minimum support degree. The association rules between the precipitating factors and the landslide deformation are established under the multi-field coupling mode of Baishuihe landslide. The results show that the correlation criterion is of great significance to the deformation analysis of landslide hazards and the data mining technology can be applied to the displacement prediction of geological hazards in the Three Gorges Reservoir Area.
-
0. 引言
随着国家一带一路和西部大开发战略的深入实施，一批世界级的水利水电工程项目正如火如荼的建设[1]。由于西南高山河谷区地形地质条件复杂，在水利水电工程建设中，不可避免会出现大量不稳定斜坡，这些不稳定斜坡在降雨、地震或水位反复升降等情况下会发生滑坡灾害，严重时将危及水电站坝工程结构的安全，同时威胁周边居民的生命财产安全[1]。因此对水电站库区滑坡开展变形监测，通过监测数据，获取滑坡的变形发展趋势，探究滑坡灾害的演化机制及防控措施，对保证工程运行安全，减少人员伤亡和经济损失具有重大意义[2]。
对于水电站库区滑坡监测，目前以全站仪、水准仪、GNSS等监测方法为主，虽然GNSS和全站仪等传统测量技术能获得相对较高精度的单点位移，但难以反映滑坡区域的整体变形，且容易受气候、时间、通视等条件的限制，更重要的是这些获取变形信息的方式都是接触式的，对于危险性较大的滑坡不适宜[3]。测量机器人精度较高，但其布置测点比较困难，且受天气等通视条件的影响较大[4]。三维激光扫描测量技术因能够监测滑坡整体变形而受到广泛关注，但其容易受雨、雪、雾等气象条件的影响，目前难以实现全天时、全天候的监测工作，且测量精度有待提高[5]。
地基干涉合成孔径雷达(GB-InSAR)是一种非接触式监测方法。由于该监测技术工作在微波波段，所以能够全天时、全天候对大范围监测区域进行实时连续变形监测[6]。相比星载与机载平台SAR，GB-InSAR在重访周期、使用方便性、监测视角以及使用成本等方面都更有优势[7]。关于国外地基合成孔径雷达在工程灾害监测应用方面的研究，刘斌等[8]采用意大利Ingegneria Dei Sistemi Company和University of Florence共同研制GB-InSAR系统IBIS-L，对大树场镇山体滑坡灾后稳定性进行了监测评估，分析了滑坡灾后形变演化特征；邱志伟等[9]、邢诚等[10]运用地基合成孔径雷达IBIS-L系统，对隔河岩大坝开展现场变形观测，通过数据分析，对大坝整体的监测结果和变形进行了分析；张昊宇等[11]通过荷兰Metasensing公司研发的采用FMCW技术的Fast-GBSAR设备，对赤壁市陆水大坝放水前后的变形情况进行监测及对比分析；李如仁等[12]通过对GB-InSAR与GIS的集成，将东二号煤矿露天采场边坡GB-InSAR得到的变形数据与GIS有机地连接起来，验证了该方法在变形信息数据展示和分析方面的优点。国内地基合成孔径的研发和地质灾害监测方面，林德才等[13]采用中国安全生产科学研究院自主研制的地基SAR形变监测系统，对浙江丽水“11·13”滑坡灾害进行应急救援监测，试验结果验证了边坡雷达能够较好的运用于滑坡灾害的应急监测和预警；李翔宇等[14]采用内蒙古自治区方向图科技有限公司研发的MPDMR-05-LSA1701型GB-InSAR系统，监测云南牛栏江堰塞湖红石岩岩质边坡形变，分析该岩质边坡的稳定性。此外，LUO等[15]采用中国科学院电子所研发的ArcFMCW-SAR系统，提取滑坡数字高程模型和监测滑坡。
综上，目前国内工程安全监测所运用的地基合成孔径雷达系统主要是以意大利IDS公司的IBIS-L系统和荷兰的MentaSensing公司的Fast-GBSAR系统为主。国产GB-InSAR系统目前还很少，尚处于起步阶段。同时，国产GB-InSAR在水电站库区特大型滑坡变形监测中的应用报道较少。本文应用国产先进的新型地基干涉合成孔径雷达LKR-05-KU-S100监测系统，以澜沧江流域大华桥电站沧江—营盘桥滑坡和大华滑坡为研究对象，通过开展现场在线监测试验，分析该系统的精度以及适用性，研究成果对于大型及特大型滑坡灾害的监测预警以及国产雷达监测系统的应用推广具有重要意义。
1. 地基合成孔径雷达技术测量原理
GB-InSAR的成像几何示意图见图1所示，图中y轴为方位向，水平轨道位于y轴，垂直于轨道方向为距离向，则其工作原理为：第一，天线向垂直于轨道方向（距离向）发射电磁波，在发射的过程中，同时需要接收地物回波；第二，雷达移动Δy到轨道下一位置重复发射电磁波，并接受地物回波，直到采集完设定长度L，然后根据二维回波数据重构地物的雷达反射系数分布[14-15]。
![]()
图 1 GB-InSAR系统观测几何示意图Figure 1. Observation geometry schematic diagram of GB-InSAR system图2为GB-InSAR分辨率示意图，距离向分辨率为[16-17]：
(1) 式中：c——电磁波在空气中传播的速度，近似为光速；
B——GB-InSAR系统所发射的信号带宽。
方位向分辨率为：
(2) 式中：
L——轨道长度。
若GB-InSAR在不同时间，通过监测所获取的同一目标区域的两幅SAR复图像，其中第一幅SAR复图像记为I1，另一幅记为I2[17]。通过复图像的对应像素共轭相乘，即可获得两幅图像的相位差，从而形成干涉相位图，并求得干涉相位图中，任意像素点p的相位差[17]。根据解缠后的相位差，即可求得图像中监测目标区域沿雷达视线方向的高精度形变值[18-19]。
2. 国产地基合成孔径雷达系统LKR-05-KU-S100组成及主要参数
2.1 LKR-05-KU-S100系统组成
本研究采用国产先进的LKR-05-KU-S100系统（图3）。该系统由北京理工雷科电子信息技术有限公司研发。LKR-05-KU-S100系统主要包括雷达主机、数据处理单元、线性滑轨和能量供应单元四部分组成。系统采用的高精度电控位移台，能够确保监测运行期间的平稳性和可靠性。系统调频连续波雷达通过发送线性调频的电磁波信号，因此大大缩短成像时间，而观测一次耗时也较短，最短耗时小于2 min。系统实时监测数据处理软件有二维和三维两种模式，易于从监测成像结果中识别出地形相关信息。系统的数据处理单元可构建数据库并将雷达监测数据通过网站的方式实时发布。此外，雷达监测数据可以实现远程无线方式实时传输。
2.2 系统主要功能及参数
LKR-05-KU-S100雷达系统主要功能有：(1)可对监测目标区域进行远距离、大范围、非接触式监测；(2)可长时间工作，连续工作时间大于100 d；(3)能够精确测出目标对象的0～50 Hz的振动频率，以及1～4阶振动频率，因此能够对目标对象的振动信息监测；(4)具有可远程遥控观测功能；(5)雷达系统精度高，可达到亚毫米级；(6)具有设备使用节能环保，数据采集与处理时间短等特点。雷达基本参数见表1所示，LKR-05-KU-S100系统参数见表2所示。图4为雷达监测信息图像处理界面。
表 1 雷达基本参数表Table 1. Radar basic parameter table雷达组成 参数名称 参数取值 雷达控制单元 信号频段 Ku 信号类型 SFCW 孔径类型 合成孔径 天线 增益 18 dBi 极化方式 VV 主瓣-3 dB角宽 75°H/90°V 表 2 LKR-05-KU-S100系统基本参数Table 2. Basic parameters of LKR-05-KU-S100 system参数名称 参数取值 分辨率 距离分辨率：0.3 m 方位向：4 mrad（可定制） 监测距离/m 10～4000 监测精度/mm 0.1 工作环境/°C −25～60 软件 软件数据接口开放，界面简易，操作方便 可定制性 可实现多源数据融合 3. GB-InSAR在大华桥电站沧江桥—营盘滑坡变形监测中的应用
3.1 沧江桥—营盘滑坡地质概况
大华桥水电站地处云南省怒江州兰坪县兔峨乡，是澜沧江干流水电基地上游河段规划的八座梯级电站中的第六级水电站。水电站大坝为碾压混凝土重力坝，坝顶长231.5 m，坝高106 m，水库总库容2.93×108 m3，电站装机容量为92×104 kW[20]。
沧江桥滑坡体距离大华桥电站下坝址24 km，位于库区沧江桥的左岸，沧江桥滑坡体后缘为营盘堆积体（图5）。沧江桥滑坡体具有明显的地貌形态特征，“圈椅状”比较明显，滑坡体后缘高程为1590 m，较宽，前缘高程1445 m，相对较窄，整个滑坡体前后缘高差超过110 m。沧江桥滑坡体自然地形坡度约为10°～25°，沿澜沧江流向最宽约1200 m，而沿纵向长度最大为900 m。沧江桥滑坡体后缘的营盘堆积体分布高程为1590～1750 m，即营盘堆积体后缘高程为1750 m，营盘堆积体上部为营盘镇所在地。沧江桥—营盘滑坡体总体积约1500×104 m3，属于特大型滑坡。滑坡体上部地形较破碎，冲沟发育。沧江桥—营盘滑坡体实测水位1457.17～1759.51 m，总体水位变化不大[19]。
![]()
图 5 沧江桥—营盘滑坡全貌及分区示意图Figure 5. Cangjiangqiao—Yingpan landslide panorama and zoning diagram3.2 沧江桥—营盘滑坡监测分析
为了监测沧江桥—营盘滑坡体的变形，根据现场实际情况及设备工作原理，沧江桥—营盘滑坡测点设置于滑坡对岸位置，测点距滑坡水平距离约2000 m。图6为现场实测沧江桥—营盘滑坡光学照片，图7为雷达强度影像及监测过程曲线图。
根据边坡的雷达图像和边坡光学照片对比分析，可以发现：（1）雷达图像中1号区域宾馆及3号区域营盘镇房屋建筑的雷达回波较强，特征明显。（2）在雷达图像中，公路的回波特征较强，特征比较明显；（3）雷达图像中底部江面沟壑特征比较明显；（4）监测区域地表树木和杂草等植被茂密的地方，雷达回波比较弱，特征不明显；（5）观测距离相对于常规全站仪观测距离更远。综上，在对沧江桥—营盘滑坡体进行监测时，虽然测点距离坡面距离较远，受地表植被等影响，部分区域雷达回波较弱，特征不是很明显，但是滑坡区域内房屋建筑、公路路面、路堑和路堤、坡面裸露的区域等回波特征较强，特征非常明显，可根据这些典型区域对沧江桥—营盘滑坡的整体稳定性进行有效的实时监测。
将监测过程中不同时刻滑坡表面的累积形变量监测结果，通过Matlab成像处理，生成沧江桥—营盘滑坡累积变形分布图（图8）。根据监测结果，可以分析监测时间段内，监测区域不同位置的位移变化情况。分析可知：（1）限于监测时间，在监测时间段内，边坡最大位移主要出现在地表植被较茂密的地方，说明茂密的植被对于监测精度有一定影响。（2）整体来看，在监测时段内，监测区域内主要建筑物位置的位移很小，说明监测期内沧江桥—营盘滑坡整体基本处于稳定状态。（3）考虑到后期大华桥电站水库蓄水过程中，沧江桥滑坡体前沿被淹没，可能引起滑坡体复活，因此GB-InSAR在该边坡中的长期监测是必要且可行的。
![]()
图 8 沧江桥—营盘滑坡累积变形分布图Figure 8. Cumulative deformation distribution of Cangjiangqiao—Yingpan landslide4. GB-InSAR在大华桥电站大华滑坡变形监测中的应用
4.1 大华滑坡地质概况
大华滑坡体距大华桥电站下坝址约5.1 km，为典型的纵横等长式滑坡，其前缘高程为1410 m，后缘高程为1780 m，前、后缘长度约为1000 m，顺澜沧江流向宽度约1060 m。总体来看，滑坡体“圈椅”状特征比较明显，其前缘处于临空，而后缘及上下游侧缘则被基岩陡坡围限[20]（图9）。整个滑坡堆积物体积大约为4840×104 m3，属于特大型滑坡。滑坡物质主要由上下两部分组成，上部（表层10～50 m）主要为崩积土夹碎块石，而下部（20～50 m）则主要为全、强风化紫红色板岩组成，紫色板岩大都发生倾倒变形，少部分虽保持原状层序，但大多呈碎块、碎片、碎屑状，且强度较低。水库正常蓄水位为1477 m后，大华滑坡体前缘将有67 m的高度被淹没，水库蓄水发电后，库水位的反复升降可能对大华滑坡体的稳定产生较大影响[20]。
4.2 大华滑坡监测分析
大华滑坡测点位于滑坡对岸公路边，距滑坡水平距离约为290 m。大华滑坡雷达强度影像见图10。可以发现：（1）雷达图像中乡村公路、路堑及路堤边坡的回波特征较强，雷达影像特征比较明显；（2）雷达图像中的下部的滑坡前缘回波比较强，特征也比较明显；（3）滑坡区域内裸露地表处的雷达回波较强，特征较明显；（4）滑坡监测区域的地表树木和杂草等植被茂密的地方，雷达回波比较弱，特征不是很明显；（5）在方位向零点处存在较为明显的亮线，与实际观测场景存在一定出入，在分析时，应当仔细甄别，降低这一区域的影响。同时，需要进一步改进优化监测系统，使得方位向零点处监测结果尽可能与实际变形情况相符。综上，在对大华滑坡体进行监测时，监测距离相对于沧江桥-营盘滑坡有所减小。滑坡区域内乡村公路路面、路堑和路堤，坡面裸露的区域等回波特征较强，特征非常明显，可根据这些典型区域对大华滑坡的整体稳定性进行有效的实时监测。整体来看，大华滑坡的雷达影像图比沧江桥—营盘滑坡雷达影像图要清晰，说明随着距离缩小，雷达影像图清晰度有所提高。
图11为大华滑坡监测位移过程曲线，图12为大华滑坡累积变形分布。图中可以发现：在监测时间段内，大华滑坡坡面位移较小，选取的4个测点中，最大位移量约为2 mm。因此，大华滑坡基本处于稳定状态。考虑到后期大华桥电站水库蓄水过程中，滑坡体前沿被淹没，可能引起滑坡体复活，因此采用GB-InSAR对该滑坡进行长期监测，特别是蓄水过程中进行实时监测是非常必要的[21-22]。
![]()
图 12 大华滑坡累积变形分布图Figure 12. Distribution of accumulated deformation of Dahua landslide5. 结论
本研究基于国产先进地基合成孔径雷达系统LKR-05-KU-S100，在云南大华桥水电站沧江桥—营盘滑坡和大华滑坡进行了现场监测试验，通过对监测结果进行深入分析，可得到如下结论：
(1)现场监测试验表明，若监测滑坡区域地表植被茂密，则监测精度会降低，因此对于植被茂密区域的数据处理，需要进行仔细甄别，谨慎处理。
(2)地基合成孔径雷达在监测过程中，对于滑坡区域内建构筑物、公路、裸露地表等回波特征强，测量精度高、误差小。因此在对滑坡进行大范围监测时，可选取上述回波特征较强的区域为典型特征点作为滑坡整体变形和稳定性分析的依据。
(3)本次试验表明，国产LKR-05-KU-S100地基合成孔径雷达系统具有高精度、远距离、全天时、全天候、测量范围大等优点，对于大型及特大型滑坡等地质灾害的监测具有独特的优势和良好的应用前景。如何提高地表植被影响下的测量精度，并将所观测的视线方向的变形量，转化为三维方向的位移量，仍需要进一步研发。
-
![]()
图 4 滑坡多维信息时序关联判据数据挖掘流程图
Figure 4. Data mining flow chart of multi-dimensional landslide information time series association criterion
表 7 白水河滑坡月位移速度定性化成果
Table 7 Qualitative results of monthly displacement rate of Baishuihe landslide
月位移速度 v/(mm·mon-1) 定性化值 （1.042，10.669） Ⅲ （0.092，0.939） Ⅱ （−0.195，0.078） Ⅰ 
下载: 导出CSV
表 1 白水河滑坡月累计降雨量定性化成果
Table 1 Qualitative results of monthly accumulated rainfall of Baishuihe landslide
月累计降雨量 定性化值 （183.5，517.6） Heavy_Rainfall （69.9，179.8） Moderate_Rainfall （3.1，66.1） Light_Rainfall
下载: 导出CSV
表 2 白水河滑坡日降雨量月度最大值定性化成果
Table 2 Qualitative results of monthly maximum rainfall of Baishuihe landslide
日降雨量月度最大值 定性化值 （55.9，160.7） Heavy_Rain_Shower （26.5，55.2） Medium_Rain_Shower （1.3，25.6） Light_Rain_Shower
下载: 导出CSV
表 3 白水河滑坡库水位月平均值定性化成果
Table 3 Qualitative results of monthly average water level of Baishuihe landslide reservoir
库水位月度平均值 定性化值 （160.14，174.74） High_Water_Level （144.21，158.47） Medium_Water_Level （135.13，138.95） Low_Water_Level
下载: 导出CSV
表 4 白水河滑坡月库水位波动速度定性化成果
Table 4 Qualitative results of water level fluctuation rate of Baishuihe landslide monthly reservoir
月库水位波动速度 定性化值 （13.26，17.35） Sharply_Rise （7.23，11.36） Medium_Rise （1.57，5.89） Slowly_Rise （-1.56，1.31） Smooth Fluctuation （-7.09，-3.41） Medium_Drop （-13.02，-8.59） Sharply_Drop
下载: 导出CSV
表 5 白水河滑坡单月最大有效连续降雨量定性化成果
Table 5 Qualitative results of maximum effective continuous rainfall in a single month of Baishuihe landslide
单月最大有效连续降雨量 定性化值 （110.5，239.4） High_Effective Rainfall （36.6，109.8） Medium_Effective Rainfall （1.5，36.1） Low_Effective Rainfall
下载: 导出CSV
表 6 白水河滑坡单月库水位日浮动最大值定性化成果
Table 6 Qualitative results of the maximum daily fluctuation of the water level in a single month of Baishuihe landslide
单月库水位日浮动最大值 定性化值 （1.66，3.223） Sharply_Rise_Water （0.744，1.513） Medium_Rise_Water （0.063，0.63） Slowly_Rise_Water （−0.414，0） Slowly_Drop_Water （−1.697，−0.49） Medium_Drop_Water
下载: 导出CSV
表 8 白水河滑坡多场信息关联准则
Table 8 Multi field information association criterion of Baishuihe landslide
规则 ID 规则 支持度/% 置信度/% 提升度 1 25.77 85.71 2.02 2 25.15 85.37 2.02 3 28.22 86.96 2.05 4 8.42 100.00 4.13 5 7.56 100.00 4.58 6 7.56 100.00 4.58 7 6.13 90.00 5.24 8 5.52 88.89 5.17 9 5.52 88.89 5.17 10 6.13 80.00 4.66
下载: 导出CSV
-
[1] 王树良, 王新洲, 曾旭平, 等. 滑坡监测数据挖掘视角[J]. 武汉大学学报(信息科学版),2004,29(7):608 − 610. [WANG Shuliang, WANG Xinzhou, ZENG Xuping, et al. View angle of landslide-monitoring data mining[J]. Geomatics and Information Science of Wuhan University,2004,29(7):608 − 610. (in Chinese with English abstract) [2] 张纯志. 滑坡监测数据处理回归模型分析及探讨[J]. 测绘与空间地理信息,2016,39(8):214 − 217. [ZHANG Chunzhi. Landslide monitoring data processing regression model analysis and discussion[J]. Geomatics & Spatial Information Technology,2016,39(8):214 − 217. (in Chinese with English abstract) DOI: 10.3969/j.issn.1672-5867.2016.08.064 [3] 徐峰, 汪洋, 杜娟, 等. 基于时间序列分析的滑坡位移预测模型研究[J]. 岩石力学与工程学报,2011,30(4):746 − 751. [XU Feng, WANG Yang, DU Juan, et al. Study of displacement prediction model of landslide based on time series analysis[J]. Chinese Journal of Rock Mechanics and Engineering,2011,30(4):746 − 751. (in Chinese with English abstract) [4] MA J W, TANG H M, LIU X, et al. Establishment of a deformation forecasting model for a step-like landslide based on decision tree C5.0 and two-step cluster algorithms: a case study in the Three Gorges Reservoir area, China[J]. Landslides,2017,14(3):1275 − 1281. DOI: 10.1007/s10346-017-0804-0
[5] MA J W, TANG H M, HU X L, et al. Identification of causal factors for the Majiagou landslide using modern data mining methods[J]. Landslides,2017,14(1):311 − 322. DOI: 10.1007/s10346-016-0693-7
[6] 亓呈明, 崔守梅, 陈辉, 等. 滑坡成因决策树挖掘[J]. 中国地质灾害与防治学报,2006,17(1):73 − 76. [QI Chengming, CUI Shoumei, CHEN Hui, et al. Decision-making tree for analysis of landslide causes[J]. The Chinese Journal of Geological Hazard and Control,2006,17(1):73 − 76. (in Chinese with English abstract) DOI: 10.3969/j.issn.1003-8035.2006.01.017 [7] 何少其, 刘元雪, 梁叶, 等. “阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型[J]. 中国地质灾害与防治学报,2019,30(5):27 − 36. [HE Shaoqi, LIU Yuanxue, LIANG Ye, et al. Balanced decision tree ensemble model for catastrophe prediction and key factors' extraction of step-like landslides[J]. The Chinese Journal of Geological Hazard and Control,2019,30(5):27 − 36. (in Chinese with English abstract) [8] 马水山, 王志旺, 张漫. 基于关联规则挖掘的滑坡监测资料分析[J]. 长江科学院院报,2004,21(5):48 − 51. [MA Shuishan, WANG Zhiwang, ZHANG Man. Analysis on monitoring data of landslide based on associative data mining[J]. Journal of Yangtze River Scientific Research Institute,2004,21(5):48 − 51. (in Chinese with English abstract) DOI: 10.3969/j.issn.1001-5485.2004.05.014 [9] 段功豪. 三峡库区堆积层滑坡预报判据的动态挖掘研究[D]. 武汉: 中国地质大学, 2013. DUAN Gonghao. Study on prediction criteria of accumulated layer landslide in Three Gorges reservoir using dynamic data mining[D]. Wuhan: China University of Geosciences, 2013. (in Chinese with English abstract)
[10] HUANG H F, YI W, LU S Q, et al. Use of monitoring data to interpret active landslide movements and hydrological triggers in Three Gorges reservoir[J]. Journal of Performance of Constructed Facilities,2016,30(1):C4014005. DOI: 10.1061/(asce)cf.1943-5509.0000682
[11] 孙义杰. 库岸边坡多场光纤监测技术与稳定性评价研究[D]. 南京: 南京大学, 2015. SUN Yijie. Bank slope multi-fields monitoring based on fiber optic sensing technologies and stability evaluation study[D]. Nanjing: Nanjing University, 2015. (in Chinese with English abstract)
[12] TSAI F, LAI J S, CHEN W W, et al. Analysis of topographic and vegetative factors with data mining for landslide verification[J]. Ecological Engineering,2013,61:669 − 677. DOI: 10.1016/j.ecoleng.2013.07.070
[13] 马俊伟. 渐进式滑坡多场信息演化特征与数据挖掘研究[D]. 武汉: 中国地质大学, 2016. MA Junwei. Evolution characteristics of multiple physics-based parameters and data mining technology for progressive landslides[D]. Wuhan: China University of Geosciences, 2016. (in Chinese with English abstract)
[14] SUN G H, ZHENG H, HUANG Y Y, et al. Parameter inversion and deformation mechanism of Sanmendong landslide in the Three Gorges Reservoir region under the combined effect of reservoir water level fluctuation and rainfall[J]. Engineering Geology,2016,205:133 − 145. DOI: 10.1016/j.enggeo.2015.10.014
[15] 李麟玮, 吴益平, 苗发盛, 等. 考虑变形状态动态切换的阶跃型滑坡位移区间预测方法[J]. 岩石力学与工程学报,2019,38(11):2272 − 2287. [LI Linwei, WU Yiping, MIAO Fasheng, et al. Displacement interval prediction method for step-like landslides considering deformation state dynamic switching[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38(11):2272 − 2287. (in Chinese with English abstract) [16] 易庆林, 张明玉, 文凯, 等. 三峡库区白水河滑坡变形特征及影响因素的阶段分析[J]. 三峡大学学报(自然科学版),2017,39(1):38 − 42. [YI Qinglin, ZHANG Mingyu, WEN Kai, et al. Periodic analysis of deformation characteristics and influential factors of Baishuihe landslide in Three Gorges reservoir area[J]. Journal of China Three Gorges University (Natural Sciences),2017,39(1):38 − 42. (in Chinese with English abstract) [17] CHIU T, FANG D P, CHEN J, et al. A robust and scalable clustering algorithm for mixed type attributes in large database environment[C]//Proceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '01. August 26-29, 2001. San Francisco, California. New York: ACM Press, 2001: 263-268.
[18] AGRAWAL R, IMIELIŃSKI T, SWAMI A. Mining association rules between sets of items in large databases[C]//Proceedings of the 1993 ACM SIGMOD international conference on Management of data - SIGMOD '93. May 25-28, 1993. Washington, D. C. , USA. New York: ACM Press, 1993: 207-216.
[19] WU X L, BENJAMIN ZHAN F, ZHANG K X, et al. Application of a two-step cluster analysis and the Apriori algorithm to classify the deformation states of two typical colluvial landslides in the Three Gorges, China[J]. Environmental Earth Sciences,2016,75(2):1 − 16.
[20] LI D Y, SUN Y Q, YIN K L, et al. Displacement characteristics and prediction of Baishuihe landslide in the Three Gorges Reservoir[J]. Journal of Mountain Science,2019,16(9):2203 − 2214. DOI: 10.1007/s11629-019-5470-3
-
期刊类型引用(4)
1. 卢林娟，陈俊智，任春芳，熊朝林，帅平. 非贯通节理岩质边坡稳定性影响因素分析. 采矿技术. 2025(01): 169-174 . 
百度学术
2. 揭鸿鹄，蒋水华，常志璐，黄劲松，黄发明. 融合多源信息的降雨入渗边坡概率反分析及可靠度预测. 中国地质灾害与防治学报. 2024(01): 28-36 . 本站查看
3. 柴少波，宋浪，周炜，付晓东，周永强. 水岩作用对充填节理岩石劣化的影响. 吉林大学学报(地球科学版). 2023(05): 1510-1520 . 百度学术
4. 杨豪，魏玉峰，张御阳，唐珏凌，何宁. 基于离心试验的反倾层状岩质边坡内非贯通性裂缝变形特性分析. 水文地质工程地质. 2022(06): 152-161 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 724
- HTML全文浏览量: 445
- PDF下载量: 236
- 被引次数: 6
邮件订阅
RSS