积雪信息对公路工程具有十分重要的作用，确定积雪区域、评估积雪对线路的影响、研判冰雪灾害、确定工作区雪线，对公路工程设计、建设和运营安全具有重要影响。目前大多数积雪提取的方法在公路设计建设领域中的需求导向和评估分析不足。鉴于此，文章从积雪提取精度、鲁棒性、人工干预程度和时间成本等四个方面对多种主流积雪提取方法进行比较分析，结果表明：支持向量机的监督分类方法综合评估最优，最适用于公路工程领域的积雪提取。

积雪信息对公路工程具有十分重要的作用，确定积雪区域、评估积雪对线路的影响、研判冰雪灾害、确定工作区雪线，对公路工程设计、建设和运营安全具有重要影响。目前大多数积雪提取的方法在公路设计建设领域中的需求导向和评估分析不足。鉴于此，文章从积雪提取精度、鲁棒性、人工干预程度和时间成本等四个方面对多种主流积雪提取方法进行比较分析，结果表明：支持向量机的监督分类方法综合评估最优，最适用于公路工程领域的积雪提取。

积雪信息对公路工程具有十分重要的作用，确定积雪区域、评估积雪对线路的影响、研判冰雪灾害、确定工作区雪线，对公路工程设计、建设和运营安全具有重要影响。目前大多数积雪提取的方法在公路设计建设领域中的需求导向和评估分析不足。鉴于此，文章从积雪提取精度、鲁棒性、人工干预程度和时间成本等四个方面对多种主流积雪提取方法进行比较分析，结果表明：支持向量机的监督分类方法综合评估最优，最适用于公路工程领域的积雪提取。

喜马拉雅山脉位于青藏高原南巅边缘，是世界上海拔最高的山脉，其积雪及其变化影响着区域气候、水资源及生态环境。为更好地理解该地区的积雪变化，克服中低分辨率遥感在地形复杂山区积雪监测存在细节描述不足等问题，采用空间分辨率为30 m的Landsat 8晴空条件数据开展积雪监测。由于山区地形复杂，针对归一化积雪指数方法在喜马拉雅山的普遍高估问题，应用支持向量机分类方法，逐景选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类，结合冰湖、地表水体等辅助数据及空间邻域分析进行数据后处理，构建了喜马拉雅山中段和东段2013–2020年30 m分辨率的积雪数据集。通过对比Sentinel-2高分辨率积雪分类，在900×900 m的网格内，其积雪覆盖率相关系数在0.95以上，均方根误差约0.1%，两者所构建积雪判识结果有较好的一致性。该积雪范围数据集包括覆盖喜马拉雅山中段和东段8年来积雪数据共607景，主要分布在当年10月至次年4月冬季积雪期。本数据集可为积雪时空和特征分析、低分辨率积雪数据提供验证和优化基础，为喜马拉雅山脉及下游地区的气候变化、水资源管理和生态效益等研究提供支持。

喜马拉雅山脉位于青藏高原南巅边缘，是世界上海拔最高的山脉，其积雪及其变化影响着区域气候、水资源及生态环境。为更好地理解该地区的积雪变化，克服中低分辨率遥感在地形复杂山区积雪监测存在细节描述不足等问题，采用空间分辨率为30 m的Landsat 8晴空条件数据开展积雪监测。由于山区地形复杂，针对归一化积雪指数方法在喜马拉雅山的普遍高估问题，应用支持向量机分类方法，逐景选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类，结合冰湖、地表水体等辅助数据及空间邻域分析进行数据后处理，构建了喜马拉雅山中段和东段2013–2020年30 m分辨率的积雪数据集。通过对比Sentinel-2高分辨率积雪分类，在900×900 m的网格内，其积雪覆盖率相关系数在0.95以上，均方根误差约0.1%，两者所构建积雪判识结果有较好的一致性。该积雪范围数据集包括覆盖喜马拉雅山中段和东段8年来积雪数据共607景，主要分布在当年10月至次年4月冬季积雪期。本数据集可为积雪时空和特征分析、低分辨率积雪数据提供验证和优化基础，为喜马拉雅山脉及下游地区的气候变化、水资源管理和生态效益等研究提供支持。

喜马拉雅山脉位于青藏高原南巅边缘，是世界上海拔最高的山脉，其积雪及其变化影响着区域气候、水资源及生态环境。为更好地理解该地区的积雪变化，克服中低分辨率遥感在地形复杂山区积雪监测存在细节描述不足等问题，采用空间分辨率为30 m的Landsat 8晴空条件数据开展积雪监测。由于山区地形复杂，针对归一化积雪指数方法在喜马拉雅山的普遍高估问题，应用支持向量机分类方法，逐景选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类，结合冰湖、地表水体等辅助数据及空间邻域分析进行数据后处理，构建了喜马拉雅山中段和东段2013–2020年30 m分辨率的积雪数据集。通过对比Sentinel-2高分辨率积雪分类，在900×900 m的网格内，其积雪覆盖率相关系数在0.95以上，均方根误差约0.1%，两者所构建积雪判识结果有较好的一致性。该积雪范围数据集包括覆盖喜马拉雅山中段和东段8年来积雪数据共607景，主要分布在当年10月至次年4月冬季积雪期。本数据集可为积雪时空和特征分析、低分辨率积雪数据提供验证和优化基础，为喜马拉雅山脉及下游地区的气候变化、水资源管理和生态效益等研究提供支持。

土体在低温下的冻胀将会对工程设施建设和运营等方面造成不利的影响,由于土体冻胀率受制于众多因素,因此土的冻胀率计算一直是研究的热点、难点。为了解决冻胀率计算难、繁等问题,以69组已知冻胀率样本为研究对象,采用支持向量机回归模型计算方法,随机选取59组样本对建立的径向基核函数和多项式核函数两种预测模型进行训练,再利用训练后的两种预测模型对10组样本进行预测。通过试验值和两种模型训练值、预测值进行对比,结果表明径向基核函数预测模型的预测效果更好。建立的冻胀率预测模型将支持向量机回归模型在人工冻土方面应用进行了拓展,为冻胀率预测提供了一种新的智能方法。

土体在低温下的冻胀将会对工程设施建设和运营等方面造成不利的影响,由于土体冻胀率受制于众多因素,因此土的冻胀率计算一直是研究的热点、难点。为了解决冻胀率计算难、繁等问题,以69组已知冻胀率样本为研究对象,采用支持向量机回归模型计算方法,随机选取59组样本对建立的径向基核函数和多项式核函数两种预测模型进行训练,再利用训练后的两种预测模型对10组样本进行预测。通过试验值和两种模型训练值、预测值进行对比,结果表明径向基核函数预测模型的预测效果更好。建立的冻胀率预测模型将支持向量机回归模型在人工冻土方面应用进行了拓展,为冻胀率预测提供了一种新的智能方法。

利用实验室清水条件下桥墩局部冲刷的试验数据,采用支持向量机（suppcrt vector machine, SVM）和BP（back propagation）神经网络的方法,基于量纲分析原理,对影响桥墩局部冲刷产生的相关因子进行分析。将试验数据的3/4作为预测模型的训练数据集、1/4作为预测模型的测试数据集。模型的输入因子有水流弗劳德数Fr、水深与墩径之比h/D、床沙中值粒径与墩径之比d50/D、冰盖下表面糙率与床面糙率之比ni/nb,输出因子为冲刷坑深度ds。采用相关系数（r）、均方根误差(δRMSE)、平均绝对百分比误差(δMAPE)、确定系数（R2）作为预测结果的评价指标,并将预测结果与试验结果做了比较。BP神经网络模型和SVM模型在预测明流条件下桥墩局部冲刷坑深度时,预测结果的r分别为0.89和0.88、MAPE分别为38.8%和31%;在预测冰盖条件下冲刷坑深度时,预测结果的r分别为0.78和0.73、MAPE分别为43%和...

利用实验室清水条件下桥墩局部冲刷的试验数据,采用支持向量机（suppcrt vector machine, SVM）和BP（back propagation）神经网络的方法,基于量纲分析原理,对影响桥墩局部冲刷产生的相关因子进行分析。将试验数据的3/4作为预测模型的训练数据集、1/4作为预测模型的测试数据集。模型的输入因子有水流弗劳德数Fr、水深与墩径之比h/D、床沙中值粒径与墩径之比d50/D、冰盖下表面糙率与床面糙率之比ni/nb,输出因子为冲刷坑深度ds。采用相关系数（r）、均方根误差(δRMSE)、平均绝对百分比误差(δMAPE)、确定系数（R2）作为预测结果的评价指标,并将预测结果与试验结果做了比较。BP神经网络模型和SVM模型在预测明流条件下桥墩局部冲刷坑深度时,预测结果的r分别为0.89和0.88、MAPE分别为38.8%和31%;在预测冰盖条件下冲刷坑深度时,预测结果的r分别为0.78和0.73、MAPE分别为43%和...