人工智能算法在滑坡监测与预测技术中的研究与应用.pdf

2025年第44卷第5期

人工智能算法在滑坡监测与预测技术中的

研究与应用

1a，1b，21a，1c1a*1a，1c

程刚，吴勇飞，曹德胜，吴亚熹

1.华北科技学院a.计算机科学与工程学院；b.河北省物联网监控技术创新中心；c.矿山安全学院，北京101601；

2.南京大学地球科学与工程学院，南京210023

第一作者，E-mail：chenggang@

*通信作者，E-mail：cds@

2025-03-11收稿；2025-06-10修回；2025-06-26接受

基金项目：国家自然科学基金项目）；中央引导地方科技发展资金项目（226Z5404G）；2025年河北省在读研究生创新能力培养资助

项目（CXZZSS2025139）

中图分类号：TP18；P642.22文章编号：2096-8523（2025）05-0302-15doi：10.19509/ki.dzkq.t

摘要：

为减轻滑坡灾害风险，进一步保障区域可持续发展，开展有效的滑坡监测与预测研究具有重要的现实意

义。通过研究滑坡监测与预测中的关键技术与方法，分析各类算法在滑坡监测与预测场景中的效率和精度，不断

提升滑坡灾害防治水平。在特征提取技术方面，对比分析了尺度不变特征变换（SIFT）、加速鲁棒特征（SURF）和

自适应尺度不变特征变换（ASIFT）3种基于图像特征匹配算法的性能，其中ASIFT在匹配数量、精确率和召回率

方面具有显著优势，尤其适用于准确性要求较高的复杂环境场景；在光流分析技术方面，探讨了基于Lucas-Kanade

稀疏光流法和Horn-Schunck稠密光流法的应用效果，其中Lucas-Kanade稀疏光流法计算效率高，适合实时应用

场景，但存在遗漏重要运动信息风险，Horn-Schunck稠密光流法能够提供全面的光流场信息，适用于环境复杂场

景，但存在计算复杂度较高的不足，因而难以用于实时处理；在滑坡易发性预测方面，详细介绍了支持向量机（SVM）、

决策树（DT）和随机森林（RF）等经典机器学习方法在滑坡预测中的应用优缺点，并重点研究了基于粒子群优化支

持向量机（PSO-SVM）的模型性能，该模型通过优化超参数，显著提高了模型的分类准确度、泛化能力和预测精度。

此外，通过引入FasterR-CNN模型，利用其先进的卷积神经网络架构，实现了复杂场景下滑坡事件的自动识别与

分类，进一步提升了滑坡监测预警的效率和准确率。研究表明，ASIFT局部特征提取的精确率为0.84，Lucas-Kanade

稀疏光流法的跟踪误差为0.12，PSO-SVM模型的均方根误差为0.52，FasterR-CNN模型在滑坡图像自动识别与

分类方面的置信度可达0.98，综合性能较其他算法显著提升。综上所述，通过引入人工智能算法，结合多学科技

术手段，全方面提升了滑坡监测与预测技术的效率和精度，研究成果为滑坡地质灾害防治提供了更有力的技术保障。

关键词：

人工智能算法；滑坡监测与预测；特征匹配；光流法；粒子群优化支持向量机（PSO-SVM）

中国幅员辽阔，地质环境复杂多变，地质灾害险，有效降低了滑坡灾害事故带来的人员伤亡和经

分布广泛，其中滑坡灾害发生率长期位居各类地质济损失。图1展示了2013−2022年中国滑坡数量及

灾害首位，严重威胁着人民生命财产安全和国家重其灾害损失。

[1-2]

大战略实施，因此，开展滑坡监测与预测研究具有基于人工智能技术的滑坡研究目前主要包括以

[3]

重要的社会经济意义。近年来，我国学者基于各类下3类：①利用人工智能技术对滑坡监测数据进行