基于神经网络的区域地壳稳定性评价

第31卷增刊12019年6月中国煤炭地质COAL GEOLOGY OF CHINAVol.31Sup.1Jun.2019doi:10.3969/j.issn.1674-1803.2019.S1.10文章编号:1674-1803(2019)S1-0055-03基于BP 神经网络对边坡稳定性预测分析管宏飞1,江㊀平1,郭㊀飞2,李红涛1(1.湖北省地质勘察基础工程有限公司,湖北宜昌㊀443002;2.三峡大学土木工程与建筑学院,湖北宜昌㊀443002)摘㊀要:采用BP 软件建立了人工神经网络的边坡稳定性预测模型,并以杨东坪小学后侧边坡为例进行田边稳定性预测㊂结果表明,所预测边坡稳定性与实际情况基本相符,能够满足工程需求,因此利用BP 神经网络对边坡稳定性进行预测是可行的㊂关键词:BP 神经网络;边坡稳定性;秭归杨东坪中图分类号:P641.4+61;F426.21㊀㊀㊀㊀㊀㊀文献标识码:ASlope Stability Prediction Analysis Based on BP Neural NetworkGuan Hongfei 1,Jiang Ping 1,Guo Fei 2and Li Hongtao 1(1.Hubei Geological Survey Foundation Engineering Co.Ltd.,Yichang,Hubei 443002;2.College of Civil Engineering and Architecture,China Three Gorges University,Yichang,Hubei 443002)Abstract :The artificial neural network slope stability prediction model has been modeled through back propagation (BP)algorithm.Taking a slope in rear side of the Yangdongping primary school as example carried out stability prediction.The result has shown that the predicted slope stability is basically tally with actual situation,can meet engineering requirements.Thus the use of BP neural net-work to carry out slope stability prediction is feasible.Keywords :BP neural network;slope stability;Yangdongping,Zigui County第一作者简介:管宏飞(1988 ),男,岩土工程专业硕士研究生,从事岩土工程治理设计工作㊂收稿日期:2019-05-18责任编辑:樊小舟0㊀引言随着我国基础设施建设的高速发展,在建设过程中难免会出现大量的边坡,这些边坡一旦失稳,将带来巨大的经济损失㊂影响边坡稳定性的因素很多,在分析和治理过程中,需要对边坡各影响因素综合分析,影响因素之间关系错综复杂,因此需进行边坡稳定性影响因素的敏感性分析㊂通过对影响边坡稳定性因素的敏感性分析,可以找出边坡失稳的主导因素,为边坡失稳灾害的防治及人工边坡的优化设计提供依据㊂本文利用BP 神经网络的相互作用矩阵,对边坡稳定性影响因素的敏感性进行分析,对边坡稳定性进行预测,形成边坡预测专家决策系统,为边坡设计进行具有指导㊂1㊀基于神经网络的边坡稳定性预测分析1.1㊀边坡影响因素边坡稳定性影响因素很多,其中主要影响因素为地层岩性㊁覆盖层物质组成㊁岩土层的抗剪强度(或是主控结构面参数)㊁岩质边坡是否为顺层㊁边坡坡高坡角以及变形迹象㊂地层岩性以及物质组成为地质基本条件,岩性越差,边坡稳定性往往越差,比如三叠系巴东组第二段紫红色粉砂质泥岩最易形成滑坡;岩土层的抗剪强度更是边坡稳定性的主控因素,一般来说,边坡坡高越高㊁坡度越陡,边坡稳定性越差㊂1.2㊀BP 神经网络的基本原理人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果㊂作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法㊂BP 神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP 算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小㊂目前,人工神经网络应用最广的是BP 网络,也是研究最多的一种神经网络㊂BP 算法的基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成㊂其基本结构包含了一个输入层,一个或多个隐含层和一个输出层;由传递函数来完成层与层之间各神经元的映射㊂隐含层的神经元通常采用Sigmoid 形的传递,输出层的神经元通常为线56㊀中㊀国㊀煤㊀炭㊀地㊀质第31卷性传递函数(图1)㊂神经网络结构确定以后,就可用输入输出样本集对神经网络进行学习,其过程也就是对蕴含着知识的权值和阈值进行训练㊂当期望输出与网络计算输出的差值达到要求的精度时就完成了对网络的训练,这时网络的权值和阈值也就确定下来了,可以用于预测了㊂图1㊀BP 网络模型示意Figure 1㊀A schematic diagram of BP neural network model1.3㊀输入参数处理根据已有边坡样本类型,对于地层岩性㊁覆盖层物质以及是否为顺向坡组成需采用数字代号替换,地层岩性根据岩性划分为1~4共4个类型(分别为砂岩㊁灰岩㊁泥岩以及花岗岩和流纹岩);表层出露覆盖层划分为填土㊁含碎石粉质粘土㊁碎石土㊁全风化岩层㊁强风化岩层以及中风化岩层(划分为1~5共5个类别);对于是否为顺层,若为顺层,输入1,否则输入0;对于边坡有无变形,有变形输入1,无变形输入0㊂1.4㊀输出变量处理边坡稳定性作为输出变量,将边坡稳定状态简化为欠稳定和基本稳定两种(欠稳定为0,基本稳定为1)1.5㊀人工神经网络边坡模型的训练对所收集到的大量边坡治理设计事例中,以24个典型的边坡设计作为参考,进行神经网络模型有效性训练㊂每一个学习样本由8种征兆参数值组成,采用三层BP 网络结构进行训练[2-4],网络收敛后固定权值与阈值㊂选取的边坡稳定性学习样本的有关参数指标分为输入参数和输出指标㊂其中输入参数依次为地层岩性㊁覆盖层物质组成㊁顺向状态㊁粘聚力㊁内摩擦角㊁边坡坡高㊁边坡坡角以及变形迹象(表1);输出指标为边坡稳定状态(表2)㊂一般规定1为存在,0为不存在㊂表1㊀边坡稳定性训练样本Table 1㊀Slope stability training samples序号地层岩性覆盖层顺层状态粘聚力/kPa摩擦角/(ʎ)边坡坡角/(ʎ)边坡高度/m变形迹象11401515706021301714652013240361165814351172050615220161360716410184570617410184570608120161335301925017208015010230361135 5.51114201720503012150172070100133516023459.511421014174550152606020652001632020164514117260503550280181202522351101933120153035120310141760221212405345510.50221506025521002314082845311241110840100增刊1管宏飞,等:基于BP神经网络对边坡稳定性预测分析57㊀表2㊀边坡样本稳定性输出结果Table2㊀Slope sample stability output results 序号稳定性稳定状态10欠稳定20欠稳定30欠稳定40欠稳定50欠稳定61基本稳定71基本稳定81基本稳定90欠稳定100欠稳定111基本稳定121基本稳定130欠稳定140欠稳定151基本稳定160欠稳定171基本稳定181基本稳定190欠稳定200欠稳定210欠稳定221基本稳定230欠稳定240欠稳定2㊀工程实例分析现以秭归县杨东坪小学后侧边坡为例,证实边坡稳定性预测决策功能㊂杨东坪小学后侧边坡场地属构造剥蚀侵蚀中低山区,总体呈东南高㊁西北低的斜坡地形,为山麓斜坡堆积地貌㊂场地西侧和东侧为原始地貌,场地南高北低,地形高差29~30m,边坡坡度陡峭,坡度30ʎ~45ʎ,平均坡度38ʎ㊂根据勘察揭露,场地覆盖层主要为第四系残坡积层含粉质粘土碎石(Q4el+dl),下伏基岩为志留系下统罗惹坪组下段灰绿色 黄绿色粉砂岩(S1lr1)㊂由于修建教工宿舍楼场坪开挖,在K0+000~K0 +033段边坡前缘形成高8~12m的临空面,在K0+ 033~K0+060段前缘形成高6~8m的临空面,加上后期降雨作用导致该两段边坡前缘失稳,牵引边坡整体滑移㊂野外调查表明,变形体各部位有不同程度的变形㊁裂缝等现象,在变形体后缘公路外侧出现一条长约10m,宽5~10cm裂缝,走向近东西,裂缝深2~5cm㊂变形体东西两侧出现纵向拉裂缝,北侧缝宽0.5~2m,可见深度约1m,裂缝走向与滑坡方向一致,后缘出现大量横向羽状裂缝,前缘出现坍滑,横宽约15m,纵向长约8m㊂根据边坡实际地质情况,其基本输入参数如表3所示㊂将表3基本数据代入网络预测模型[5],结果表明,边坡处于欠稳定状态,这与现场实际情况是基本相符的㊂表3㊀边坡输入基本信息Table3㊀Basic slope inputted information地层岩性覆盖层顺层状态粘聚力/kPa摩擦角/(ʎ)边坡坡角/(ʎ)边坡高度/m变形迹象140828383013㊀结语①利用BP神经网络的相互作用矩阵,对边坡稳定性进行预测,形成边坡预测专家决策系统,对边坡稳定性预判具有一定的指导意义㊂②本文仅对边坡稳定性进行了预测分析,在实际工程运用中,更需要利用决策系统对边坡治理措施进行预判,这样意义更大,但考虑到工程实际情况,放坡和工程加固措施往往相辅相成,两者常存在交叉影响关系,故而会影响预测结果,仍有诸多不足需深入研究改进㊂③由于边坡稳定性受多方因素影响,地层岩性种类繁杂,且岩土体具有不连续性和各向异性㊂因此,用传统的线性化方法难以准确描述边坡的非线性特征,对于大型复杂的边坡稳定性预测尚存在一定的困难㊂参考文献:[1]孙平定,蔡润,谢成阳,等.基于遗传优化神经网络的边坡稳定性评价[J].现代电子技术,2019(05):75-78.[2]冯夏庭,王泳嘉,卢世宗.边坡稳定性的神经网络估计[J].工程地质学报,1995(04):54-61.[3]苏俊霖,杨建明,罗辉,等.基于改进BP神经网络的高速公路边坡稳定性分析[J].公路与汽运,2018(01):90-93.[4]何翔,李守巨,刘迎曦.岩土边坡稳定性预报的人工神经网络方法[J].岩土力学,2003(S2):73-76.[5]贺可强,雷建和.边坡稳定性的神经网络预测研究[J].地质与勘探,2001(06):72-75.。

基于BP神经网络的城市建设土地分析模型1. 引言1.1 研究背景城市建设土地分析是城市规划和土地利用管理中的重要内容之一。

随着城市化进程加快，土地资源的合理利用变得尤为重要。

而基于BP 神经网络的城市建设土地分析模型，可以通过对历史数据的学习和模拟，预测未来城市土地利用的情况。

这对于城市规划部门的决策制定和土地资源的合理配置具有重要的实际意义。

在过去的研究中，基于BP神经网络的城市建设土地分析模型已经取得了一定的成果，但仍存在一些问题，如数据处理不够精确、模型训练时间较长等。

本研究旨在通过对BP神经网络原理的深入研究，构建更加准确、高效的城市建设土地分析模型，以提高土地利用的效率和质量。

通过本研究的实施，不仅可以为城市规划和土地利用管理提供指导性建议，还可以为相关领域的研究提供新的思路和方法。

本研究具有重要的理论和实践意义。

1.2 研究目的本研究的目的是基于BP神经网络技术，构建一个可靠的城市建设土地分析模型，利用该模型可以准确预测城市未来土地利用情况，并为城市规划、土地利用政策制定提供科学依据。

通过深入研究BP神经网络的原理和城市建设土地分析模型的构建方法，我们旨在提高对城市土地资源的有效利用和保护，促进城市经济可持续发展。

本研究还旨在探索城市土地利用规律，揭示城市发展与土地利用之间的关系，为城市规划者和决策者提供科学参考和指导。

通过研究城市建设土地分析模型，我们希望可以为解决城市土地资源紧缺、土地利用冲突等问题提供一种新的科学方法，推动城市建设向着更加智慧、可持续的方向发展。

1.3 研究意义城市建设土地分析是城市规划和土地利用管理中的重要环节。

通过建立基于BP神经网络的城市建设土地分析模型，可以更准确地预测土地利用变化趋势，为城市的可持续发展提供决策支持。

这种模型具有较强的自适应性和非线性能力，能够较好地处理包括土地类型、土地使用强度、土地利用变化等在内的复杂城市土地分析问题，为城市规划和土地管理部门提供科学依据。

RBF神经网络在边坡稳定性分析中的应用建立了露天矿岩质边坡稳定性分析评价的径向基函数（RBF）神经网络模型。

实例检验结果表明，基于RBF神经网络建立的边坡稳定性分析模型是合理的、可靠的。

将该模型应用于白云鄂博东矿边坡的稳定性分析中，取得了有益的结果，为该矿的安全生产提供了决策依据。

标签：露天矿边坡；RBF神经网络；稳定性分析0 前言白云鄂博矿区位于内蒙古自治区中部，是包钢生存和发展的重要原料基地。

该矿床东西长18 km，南北宽2～3 km，面积48 km2。

矿区内铁、稀土及铌的矿化规模较大，根据铁矿石的边界品位划分为主矿、东矿、西矿、东介勒格勒和东部接触带等5个采场。

已探明铁矿石储量约14 亿t，铁含量31 %～35 %，以主、东（约5.7亿t）和西采场（约8.1亿t）为主。

其中东矿经过五十余年的开采，现已进入深部开采。

本文拟采用RBF神经网络对东矿边坡的稳定性进行分析，以便为白云鄂博东矿的安全生产提供决策依据。

1 东矿边坡基本情况为便于对白云鄂博东矿边坡进行稳定性评价，进行了边坡分区。

分区的原则是将工程地质条件、边坡几何形状和边坡倾向基本相同的区段划分为同一区，这样各区边坡可用单一的剖面和相同的计算参数来表征。

边坡分区是在工程地质分区的基础上进行的。

按此原则东矿采场可划分为六个边坡分区，即A、B、C、D、E、F。

在A区和E区的不同地段，由于边坡形状、高度等方面还存有差异，故又分别将其分为两个亚区，即A1、A2和E1、E2亚区。

边坡分区示意图见图1。

本文拟对其中的E1、E2、F区进行边坡稳定性分析，三个分区的基本情况分述如下：（1）E1亚区。

位于采场南帮19～26行间、工程地质分区第Ⅳ区的中部，边坡面产状为360/41.5，高度为389m，坡面走向近似直线。

本区边坡岩体主要为长石板岩，其边坡岩体结构类型为逆坡向层状结构。

（2）E2亚区。

位于采场西南17～21行间、第Ⅳ工程地质分区的偏西部，为运输道出口地段。

神经网络法在地质灾害评估中的应用及分析地质灾害的发生常常给人类的生命和财产带来巨大的损失，因此对地质灾害进行准确的评估至关重要。

在众多的评估方法中，神经网络法因其独特的优势，逐渐在地质灾害评估领域得到了广泛的应用。

一、神经网络法概述神经网络法是一种模仿生物神经网络结构和功能的计算模型。

它由大量的节点（也称神经元）相互连接而成，通过对输入数据的学习和训练，能够自动提取数据中的特征和规律，并进行预测和分类。

神经网络法具有很强的自适应性、容错性和学习能力。

它可以处理复杂的非线性关系，对于那些传统方法难以解决的问题，往往能够取得较好的效果。

二、地质灾害评估的重要性地质灾害包括滑坡、泥石流、地震、地面塌陷等，它们的发生具有不确定性和突发性。

通过对地质灾害进行评估，可以提前了解灾害发生的可能性和危害程度，为制定相应的预防和应对措施提供科学依据。

有效的地质灾害评估有助于合理规划土地利用，避免在危险区域进行建设；能够提前采取防护工程，减少灾害损失；还可以提高公众的防灾意识，增强社会的抗灾能力。

三、神经网络法在地质灾害评估中的应用1、数据采集与预处理在地质灾害评估中，首先需要收集大量的相关数据，如地形地貌、地质构造、岩土性质、降雨量、地震活动等。

这些数据往往具有多样性和复杂性，需要进行预处理，如数据清洗、归一化等，以便于神经网络的学习和处理。

2、模型构建与训练根据数据特点和评估需求，选择合适的神经网络模型，如多层感知机、卷积神经网络等。

确定网络的结构、层数、节点数等参数，并使用预处理后的数据进行训练。

在训练过程中，通过不断调整网络的权重和偏置，使模型的输出逐渐接近实际值，从而提高模型的准确性和泛化能力。

3、灾害预测与评估训练好的神经网络模型可以对新的区域进行地质灾害预测和评估。

将相关数据输入模型，模型会输出灾害发生的概率、危险程度等评估结果。

例如，对于滑坡灾害，可以通过输入地形坡度、岩土类型、植被覆盖等因素，预测滑坡发生的可能性和规模。

基于BP神经网络模型与GIS的土地集约利用潜力评价1——以赤峰市为例吕颖北京师范大学北京市海淀区新街口外大街19号100875摘要：近几年，随着经济发展和城市化进程的不断加快，使得我国大多数城市均出现了用地紧缺现象，针对这一问题进行的土地集约利用潜力评价变得尤为重要。

本文以赤峰市为研究对象，探讨了ANN中的BP神经网络模型和GIS的空间分析，在土地集约利用潜力评价研究中的应用。

通过研究得出，赤峰市被划分为三个潜力等级，潜力大的旗县有克什克腾旗、林西县、巴林左旗、阿鲁科尔沁旗、翁牛特旗和敖汉旗，潜力一般的旗县有松山区、喀喇沁旗、巴林右旗和宁城县，潜力小的旗县有红山区和元宝山区。

在此基础上，针对区域特点提出改善该区土地利用方式的建议措施。

关键词：潜力评价BP神经网络模型克里格赤峰市1 引言国土资源部有关负责人在解读《全国土地利用总体规划纲要（2006－2020年）》时表示，据调查，目前全国城镇规划范围内共有闲置、空闲和批而未供的土地26．67万公顷，相当于全国一年的新增建设用地计划指标[1]。

这就表明：当今城市规模扩张过快，造成大量闲置土地的浪费，并且忽视了内涵挖潜，所以对城市进行土地集约利用潜力评价迫在眉睫。

国内众多学者利用不同的方法对土地集约利用潜力评价进行了研究，其中周钧运用了层次分析法和多因素综合评价法；翟文侠运用聚类分析和主成分分析法；张洁利用模糊综合评价法[2-4]。

朱德宝利用土地综合质量水平-土地价格-容积率水平的关系评价城市的土地集约利用潜力水平；乔伟峰利用GIS技术建立城市土地信息系统，从而进行土地集约利用潜力评价[5-8]。

以上方法在确定评价指标权重时均受主观因素制约，使得评价结果不能完全符合客观实际，所以本文利用BP神经网络模型进行土地集约利用潜力评价研究，以期改善这一缺点。

2 研究区概况赤峰市地处燕山北麓、大兴安岭南段，是内蒙古高平原向辽河平原的过渡地带。

地理坐标为北纬41°17′～45°24′，东经116°21′～120°58′之间。

基于BP神经网络的耕地土壤重金属污染评价摘要：本研究将土壤重金属污染评价神经网络预测模型分为3层，7-6-1为该模型的神经网络结构，输入层共包括7个神经元，分别是土壤耕地有重要影响的pb、as、cr、hg和cd共5个重金属元素，以及2个限制条件：土壤类型（水田或旱地）和土壤ph值；以已知的成都市不同生态区土壤重金属指标作为本模型的训练和检验样本，本研究采用的软件为 matlab ，利用这个软件训练和检验bp 神经网络，然后对宜宾市翠屏区土壤中的重金属进行综合等级评价。

评价结果显示bp神经网络对检验样本的模拟输出跟期望输出是相同的；同时，对研究区土壤重金属综合等级评价结果跟模糊模式识别、传统内梅罗指数评价法得出的结果也是基本一致的。

关键词：bp神经网络；土壤重金属污染中图分类号：tp183 文献标识码：a doi：10.11974/nyyjs.201705332191 材料与方法1.1 研究区概况1.2 土样采集与处理土样采集按照《农田土壤环境质量监测技术规范》（ny/t395-2000）的要求，于2015年9月在作物收获后秋耕前，根据研究区土地利用现状划分取样单元，每13.3～20hm2取一个样点，共采集耕层土壤样品10个，耕层按0～20cm，亚耕层按20～40cm用不锈钢土钻采集土样，每个土样均采用“s”法随机采集15～20个点，经充分混合后，用四分法留取1kg，重点点位留取1.5kg，装入土袋标明，样品取回在实验室荫干、碾碎备用。

1.3 测定项目及方法土样送四川省农科院土壤肥料研究所化验室进行，对农产品质量安全有重要影响的pb、as、cr、hg和cd共5个重金属元素的化验分析，分析方法根据《农田土壤环境质量监测技术规范》（ny/t395-2000）要求确定：as、hg采用原子荧光光谱法测试，cd、cr、pb采用等离子体质谱法测试。

1.4 评价方法1.4.1 传统指数评价法污染指数法是检测评价土壤重金属污染中最常用的一种方法，主要包括2种，分别为单因子和多因子污染指数法，多因子指数法是内梅罗指数法使用最多的一种方法。

0引言边坡[1]是人类建设工程中开挖或填筑施工所形成的斜坡，随着工程建设范围的扩大，边坡稳定性成为工程中重要的安全问题。

由于边坡失稳导致巨大损失的报道屡见不鲜，据不完全统计[2]，在2011年至2020年间我国边坡失稳致灾约7万起，造成5000余名人员伤亡，经济损失450亿元左右。

边坡进行稳定性评价对失稳防治具有重要的现实意义。

目前国内外的边坡稳定性评价方法主要有极限平衡法、极限分析法和有限元法。

极限平衡方法[3]最先应用于边坡稳定分析中，该方法假定边坡破坏失稳时存在若干条潜在滑动面，把滑动面以上土体分割成若干土条，受力分析并简化假设得出平衡方程，进而评价边坡的稳定性；极限分析法[4]是对假定的滑裂面进行斜条分，建立协调的速度场，根据利用内能消散等于外力做功求解边坡稳定性系数，评价边坡的稳定性；有限元法是一种数值分析方法，分为有限元强度折减法[5]与有限元极限平衡法[6]，该方法通过计算机进行数值模拟评价边坡的稳定性。

这些方法做了很多贡献，但边坡稳定性评价普遍存在有不连续、非线性和很多不确定性等实际因素，这类方法在评价时主观性较强，难以进行精准评价。

近些年来，依托于数据的机器学习方法被引入到边坡稳定性评价中[7-9]，这类方法客观性强、计算迅速、工程中应用简单。

BP （Back Propagation ）神经网络[10]是一种经典的机器学习方法，常用于评价问题。

拟牛顿法（Quasi-Newton Method ，QNM ）是非线性问题的高效优化方法，本文采用QNM 算法优化BP 神经网络模型，建立边坡稳定性评价的QNM-BP 神经网络模型进行研究，并将其应用于工程中检验，得到一种具有应用价值的边坡稳定性评价方法。

1原理BP 神经网络是地质灾害评价问题中的常用方法。

相关边坡稳定性评价的BP 神经网络研究[11-15]对其介绍较为成熟，本节重点介绍拟牛顿法（QNM ）的计算过程[16]。

给定初始点x 0∈R n 和β∈（0，1），σ∈（0，1），h>0，r ≥0，选取B 0=I （单位矩阵），置k=0。

第3章城市区域地壳稳定性评价一、区域地壳稳定性因素二、区域地壳活动深部构造特征三、区域现代地壳活动性特点四、区域断裂活动特征五、区域地震活动规律及特征六、区域构造应力场特征七、区域地壳稳定性分级（区）及评价•区域地壳稳定性：岩石壳内，正在进行的地质、地球物理作用对地壳表层及工程建筑安全的影响程度，即是在地球内动力作用下地壳形变、断裂位错形成的地质灾害影响人类和工程建筑的安全程度。

•城市区域地壳稳定性：在地壳内动力作用下，城市所处区域由于现代地壳变形、断裂活动、地震活动、岩浆及火山活动等影响下，地壳相对稳定程度以及对城市工程建筑的影响程度。

一、区域地壳稳定性因素•1. 地壳结构和组成•2. 地壳的动力条件•3. 现代地应力场•4. 现代地壳变形•5. 活动断裂•6. 地震活动•7. 火山活动•1. 地壳结构和组成•地壳厚度、组成、分布及变化情况以及深大断裂及其分布、活动性等•2. 地壳的动力条件•地球重力场的变化，如重力梯度带、布格异常变化带、地热场的变化—高热流值带以及压强变化等。

•地球的重力场是重力势的梯度，可以通过重力测量、天文大地测量和观测人造地球卫星轨道的扰动来求得。

由于重力均衡作用，重力场可以反映地幔以及地壳、地幔边界的起伏状况，称之为地壳均衡。

•地球重力场：地球上由于物质密度各处存在差异，使得地球重力场并不均匀。

NASA“葛雷斯”重力探测卫星得出的地球重力分布图，红色代表高重力区域，蓝色则代表低重力区。

地热场•火山、热泉以及成矿热流体都表明地热是客观存在的。

地热的分布是不均匀的，不同地区、不同深度的温度存在明显差异，研究认为：板块运动、地震，还有高山的隆升等等都是由地热的差异引起的。

•地热是由放射性元素衰变放热形成的，主要通过传导和对流扩散的方式向外传递，在此过程中出现矿物相转变、地幔对流、岩浆喷发等地质作用。

•3. 现代地应力场（构造应力场）•现代应力场特征、最大主应力、最小主应力及剪应力的分布、大小、方位变化等。

基于GIS和BP神经网络的土地适应性评价通过运用GIS技术和BP神经网络理论，力图用新的研究方法对土地的适应性进行分析和评价。

将土地适应性评价指标标准作为BP神经网络的学习样本，利用GIS的Union 工具将各指标图层进行叠加，选取合适的评价单元，以单元的属性数据作为训练好的BP神经网络的输入，进行了土地适应性等级的划分。

将评价等级划分为高度适宜S1、中度适宜S2、勉强适宜S3以及不适宜N四个等级。

最后发现该研究方法具有简单方便和客观性强等优点。

标签：GIS;BP神经网络;土地适应性评价0 引言GIS和BP神经网络应用到土地适应性评价中是科技进步的必然趋势。

以往对土地评价的研究中，大部分研究都运用到了GIS技术，特别是运用其强大的空间分析能力，但运用到神经网络的却不是很多。

将两者结合起来运用到土地适应性评价中更是甚少。

针对以上研究的不足，本研究力图将两者结合起来应用到土地适应性评价中，以寻求新的方法[1-5]。

1 指标体系及评价等级土地适宜性评价即评定土地在一定经营管理水平下对确定利用类型的适宜状况。

本文将这里的利用类型限定为宜耕地类型。

根据指标选取原则并结合贵州省毕节市鸭池镇为例，选取土壤酸碱度、年均降水量、土壤厚度、海拔、坡度以及交通区位作为影响土地适应性评价的因子。

本文将耕地类型的土地适应性评价等级划分为高度适宜S1、中度适宜S2、勉强适宜S3以及不适宜N四个等级。

1.1 GIS的应用将以上6个指标体系在ArcGIS10.0中分别以独立图层表示，然后利用ArcGIS10.0的叠加分析中的Union工具将以上6个指标图层进行合并，在合并的同时也进行了相应的属性合并，即每个栅格单元都具有土壤酸碱度、年均降水量、土壤厚度、海拔、坡度以及交通区位等属性。

在将指标图层进行叠加分析后，需要将研究区域划分为许多评价单元。

因为评价单元是土地适应性评价的最小评价单位。

这也将成为后文中运用BP神经网络进行评价的基础。

基于BP神经网络法的耕地质量定级评价——以襄阳市城区为例张朝晖;聂艳;马泽玥【摘要】[目的]耕地质量定级评价工作是准确把握耕地效益水平,有效保护耕地和科学管理耕地的必要前提.[方法]以襄阳市城区耕地为研究对象,从自然要素、社会经济要素、区位因素3方面建立耕地质量评价体系,借助BP神经网络法,通过训练建立网络模型,并以仿真练习得出襄阳市城区耕地质量评价结果.[结果](1)BP神经网络模型的精度达到0.93左右,建立的网络模型具有一定可行性和精确性;(2)襄阳市城区耕地质量总体水平良好,其中二级地和三级地最多,面积占比分别为33.56％和46.19％;耕地质量空间分布上呈现由东北向西南递减的趋势.[结论]借助BP神经网络的方法开展耕地质量评价具有一定的可行性和精确性,可为以后的耕地质量评价提供一定借鉴与参考.【期刊名称】《中国农业信息》【年(卷),期】2019(031)002【总页数】12页(P72-83)【关键词】耕地质量;BP神经网络模型;耕地定级;襄阳市城区【作者】张朝晖;聂艳;马泽玥【作者单位】华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉430079;华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉 430079;华中师范大学地理过程分析与模拟湖北省重点实验室,湖北武汉 430079【正文语种】中文0 引言“像保护大熊猫一样保护耕地”［1］，耕地是人们赖以生存的基本条件，耕地质量对于保障国家粮食安全起着重要作用。

在推动高质量发展的背景下，更加关注耕地质量，妥善保护耕地和推动高标准基本农田建设则愈加重要。

耕地的质量是各种因素综合影响的结果，包括经济、自然、社会、环境等多方面。

目前，耕地质量评价多以定性和定量方法进行，常见方法有因素法［2］、模糊评价法［3］、层次分析法［4］、主成分分析法［5］、灰色关联度法［6］、熵权法［7］等。

然而这些方法多少存在主观性过大或者其他不足，在保证评价客观性上存在欠缺。

基于BP神经网络的边坡稳定性分析郭钟群;余金勇;彭道强;吴广【摘要】阐述了BP神经网络的基本思想、学习算法的步骤,以构建的学习样本为基础,建立边坡稳定性分析的BP神经网络模型,对学习样本进行归一化和训练,建立输入向量与输出向量的非线性关系,把训练好的网络运用于某露天矿边坡,结果表明:BP神经网训练结果与现场实际情况相符,说明该方法对工程实际有指导意义.【期刊名称】《铜业工程》【年(卷),期】2013(000)006【总页数】4页(P30-33)【关键词】边坡;稳定性;影响因素;BP神经网络;安全系数【作者】郭钟群;余金勇;彭道强;吴广【作者单位】江西理工大学,江西赣州341000;江西铜业集团公司德兴铜矿,江西德兴334224;深圳天华建筑设计有限公司,广东深圳518040;江西理工大学,江西赣州341000【正文语种】中文【中图分类】TD311 引言边坡的稳定性一直是岩土工程界研究的重点、热点问题。

随着我国经济建设的不断推进，在工程建设领域涌入了大量的边坡问题，如在矿山工程、道路铁道工程、水利港口工程等领域出现大量的高陡边坡[1]。

边坡一旦失稳破坏会给人民的生命财产安全以及国家的经济建设带来不可估量的损失，如何安全有效地准确评价边坡的稳定性有重大的现实意义。

由于边坡岩土体的地质环境复杂以及受多种因素共同作用，使得边坡稳定性分析存在明显的不确定性——模糊性和随机性，传统的分析方法并不能有效地解决边坡的不确定性问题，因此运用不确定性评价方法对边坡稳定性进行评价是切实可行和十分有效的[2]。

本文利用BP神经网络理论对德兴铜矿黄牛前边坡进行分析评价，结果与实际情况相符，说明该方法对指导实际工程有重要作用。

2 边坡稳定性分析方法2.1 定性评价分析方法定性评价分析方法通常也叫“非数量分析法”，其主要特点是:通过工程地质勘察报告，工程师根据以前研究案例和个人丰富实践经验以及主观的判断和分析能力对边坡影响因素进行分析以及对边坡可能的变形破坏模式或失稳机制进行预测。

摘要：矿井构造复杂程度不仅决定煤矿的井型设计，而且常常与井下地质灾害有密切联系。

东欢坨矿位于开平煤田西北的车轴山向斜内，矿井构造极为复杂，对安全生产布局以及资源高效利用形成严重制约。

此次采用人工神经网络技术对东欢坨煤矿范围内不同块段的构造复杂程度作出定量化评价及分类，取得预期试验效果。

关键词：矿井地质构造人工神经网络定量评价东欢坨煤矿1引言随着我国煤炭工业发展，煤田地质工作重点逐步由资源勘查阶段向矿井开发阶段转移，“九五”期间，提出高产高效矿井地质保障系统作为煤炭产业科技攻关目标之一，查明矿井地质构造是其中的首要环节。

当前，矿井地质构造研究已成为煤田地质领域最具活力的亮点之一，矿井地质构造规律的研究已从定性描述逐步发展到定量分析。

2 BP神经网络原理和算法3 实例分析4 结论5 矿井地质构造定量评价矿井地质构造的定量评价及预测是当前煤矿生产中急需解决的一项重要课题。

特别是随着采煤机械化程度的提高，综采机组使用以后，更需要在采掘之前能对各采区的构造复杂程度或构造行迹作出预见。

矿井构造行迹是客观存在的，人们对其认识经历着从大到小、由浅入深、从已知到未知、从基本构造形态到局部变化的过程，从它们力学性质的相互关系、空间配置寻找其生成、发展和变化的规律，再以此规律指导生成实践并经受检验，使认识更加复合客观实际。

5.1 定量评价指标5.1.1 指标的选取原则(1) 由于井田构造在形成和发育上的自身特点及特殊性，加上所使用采煤方法和机械化程度的差异性，在评价不同矿井的构造发育复杂程度时，不能简单地套用统一的指标体系，必须紧密结合矿井实际。

(2) 评价指标应能从不同侧面真正反映构造复杂程度，并能充分利用勘探及开采数据，同时又便于获取。

5.1.2 指标类型(1)地质构造指标：单纯从地质角度直接体现构造复杂程度的指标。

目前比较常见且被公认的指标较多，本文选择衡量断层复杂程度用断层密度（M）和断层强度（F）。

(2) 对采矿影响程度指标：既反映地质构造本身的复杂程度，又反映构造对生产影响程度的指标。

基于神经网络和突变理论的边坡稳定性评价随着现代社会的迅猛发展，城市化进程不断加快，土地资源的利用愈发紧张。

然而，土地资源的合理利用和开发也面临着一系列挑战，其中之一就是土地边坡稳定性问题。

土地边坡稳定性评价是土地资源开发和利用中至关重要的一环，对于保障人们的生命和财产安全具有重要意义。

传统的边坡稳定性评价方法主要基于经验和统计分析，精度和可靠性有所不足。

然而，通过神经网络和突变理论的结合，可以提高边坡稳定性评价的准确性和可靠性，为土地资源的合理开发和利用提供有力支持。

神经网络是一种模拟人脑神经元网络结构的计算模型，具有学习和适应能力。

在土地边坡稳定性评价中，神经网络可以通过大量的输入数据训练，从而建立边坡稳定性评价模型。

神经网络模型可以通过学习已知的边坡稳定性数据，来预测未知的边坡稳定性情况。

这种基于神经网络的边坡稳定性评价方法可以快速、准确地评估边坡的稳定性，为决策者提供科学依据。

与此同时，突变理论是一种描述复杂系统运动的理论，可以用来研究土地边坡稳定性的多因素互动关系。

通过突变理论的分析，可以揭示土地边坡稳定性的非线性特性，为边坡稳定性评价提供更加全面的信息。

突变理论可以识别并描述土地边坡稳定性评价中的突变点，帮助决策者及时发现潜在的危险，并采取相应的措施。

将神经网络和突变理论相结合，可以进一步提高土地边坡稳定性评价的准确性和可靠性。

通过神经网络的学习和预测能力，可以从大量数据中挖掘出潜在的规律和趋势，为土地边坡稳定性评价提供更为精确的预测；而突变理论的分析则能帮助识别边坡稳定性的潜在风险和突变点，使评价结果更具说服力。

综合运用神经网络和突变理论，可以为土地边坡稳定性评价提供更为客观和科学的评价方法，对土地资源的合理开发和利用具有积极的推动作用。

在未来的研究中，可以进一步深化神经网络和突变理论在土地边坡稳定性评价中的应用。

通过引入更多的边坡稳定性影响因素和数据，并结合现代的数据挖掘和机器学习技术，可以构建更为精准、全面的土地边坡稳定性评价模型。