Establishment of Landslide Groundwater Level Prediction Model Based on GA-SVM and Influencing Factor Analysis.

Établissement d'un modèle de prédiction du niveau des eaux souterraines des glissements de terrain basé sur GA-SVM et analyse des facteurs d'influence.

Clicks: 407
ID: 93395
2020
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #135 of 1,694 articles by views in sensors

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 1,694 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
The monitoring and prediction of the landslide groundwater level is a crucial part of landslide early warning systems. In this study, Tangjiao landslide in the Three Gorges Reservoir area (TGRA) in China was taken as a case study. Three groundwater level monitoring sensors were installed in different locations of the landslide. The monitoring data indicated that the fluctuation of groundwater level is significantly consistent with rainfall and reservoir level in time, but there is a lag. In addition, there is a spatial difference in the impact of reservoir levels on the landslide groundwater level. The data of two monitoring locations were selected for establishing the prediction model of groundwater. Combined with the qualitative and quantitative analysis, the influencing factors were selected, respectively, to establish the hybrid Genetic Algorithm-Support Vector Machine (GA-SVM) prediction model. The single-factor GA-SVM without considering influencing factors and the backpropagation neural network (BPNN) model were adopted to make comparisons. The results showed that the multi-factor GA-SVM performed the best, followed by multi-factor BPNN and single-factor GA-SVM. We found that the prediction accuracy can be improved by considering the influencing factor. The proposed GA-SVM model combines the advantages of each algorithm; it can effectively construct the response relationship between groundwater level fluctuations and influencing factors. Above all, the multi-factor GA-SVM is an effective method for the prediction of landslides groundwater in the TGRA.
La surveillance et la prédiction du niveau de la nappe phréatique constituent un volet crucial des systèmes d'alerte précoce aux glissements de terrain. Dans cette étude, le glissement de terrain de Tangjiao, situé dans la zone du réservoir des Trois-Gorges (TGRA) en Chine, a servi d'étude de cas. Trois capteurs de surveillance du niveau des eaux souterraines ont été installés à différents emplacements du glissement de terrain. Les données de surveillance indiquent que la fluctuation du niveau de la nappe concorde de manière significative dans le temps avec les précipitations et le niveau du réservoir, bien qu'un décalage temporel existe. De plus, l'impact des variations du niveau du réservoir sur le niveau piézométrique du glissement de terrain présente une variabilité spatiale. Les données issues de deux stations de surveillance ont été sélectionnées pour concevoir le modèle de prédiction du niveau des eaux souterraines. En combinant analyses qualitative et quantitative, les facteurs d'influence ont été respectivement retenus afin de développer le modèle de prédiction hybride fondé sur un algorithme génétique et les machines à vecteurs de support (GA-SVM). Le modèle GA-SVM unifactoriel sans prise en compte des facteurs d'influence ainsi que le modèle de réseau de neurones à rétropropagation du gradient (BPNN) ont été retenus à des fins comparatives. Les résultats révèlent que le modèle GA-SVM multifactoriel a obtenu les meilleures performances, suivi du BPNN multifactoriel et du GA-SVM unifactoriel. Il apparaît ainsi que la prise en compte des facteurs d'influence améliore la précision des prédictions. Le modèle GA-SVM proposé combine les atouts de chaque algorithme ; il permet de modéliser efficacement la réponse des fluctuations du niveau de la nappe phréatique aux facteurs d'influence. En conclusion, le modèle GA-SVM multifactoriel s'avère être une méthode efficace pour la prédiction des eaux souterraines associées aux glissements de terrain dans la TGRA.
Reference Key
cao2020establishmentsensors Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Cao, Ying;Yin, Kunlong;Zhou, Chao;Ahmed, Bayes;
Journal sensors
Year 2020
DOI
E845
URL
Keywords
support vector machine influencing factors three gorges reservoir area groundwater level prediction landslides monitoring

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.