基于信息量与神经网络模型的滑坡易发性评价

针对神经网络模型进行滑坡易发性评价时,传统的随机选取非滑坡单元存在准确性不高的缺点,提出信息量与神经网络结合的易发性评价模型。以江西省上犹县为研究区,首先,基于上犹县滑坡编录与实际调查,选取坡度、高程、坡向、平面曲率、剖面曲率,植被指数(NDVI)、湿度指数(TWI)、距水系距离、距道路距离、土地利用等10个环境因子,其次利用信息量模型对上犹县进行易发性分区,得到上犹县易发性分区图。然后,从信息量模型得出的易发性分区中的低易发区选取非滑坡单元,与滑坡编录中的历史滑坡点组成测试集与训练集,输入神经网络中训练模型,再将上犹县所有栅格输入,预测上犹县栅格的滑坡概率。最后利用自然断点法在上犹县栅格滑坡概率进行分类,得到基于信息量与人工神经网络结合的上犹县易发性分区图。由易发性结果表明:单独的信息量模型的成功率曲线下面积AUC=0.7364,历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的55.6%;基于信息量与神经网络模型的AUC=0.7874;历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的85.8%。信息量–神经网络的评价模型比单独的信息量模型的评价精度提高了5.1%;高易发区与较高易发区所涵盖的灾害数占比高30.2%。信息量–神经网络模型有更好的评价精度,并且证明了在信息量模型中的极低易发区选取非滑坡点具有可行性。     

基于ArcGIS的修文县滑坡灾害易发性评价

通过野外调查修文县滑坡,用信息量法和层次分析法进行易发性评价。信息量法中,依据不同区域总信息量大小,来反映不同区域滑坡易发性程度。层次分析法中,先确定每个单因子各等级的得分,再确定不同层次各个因子的权重关系,之后通过加权叠加得到评价分区结果。对两种评价方法在原理和评价结果上的区别进行对比。叠加两方法的分区图,形成滑坡地质灾害易发性综合评价。综合区划中研究区被分为极低易发区、低易发区、中易发区、高易发区、极高易发区。     

三峡库区万州区滑坡灾害易发性评价研究

 滑坡灾害易发性研究在滑坡灾害风险管理与城市规划等方面具有非常重要的现实意义。以往的研究中,鲜有对指标因子状态划分作有关深入分析和讨论的。鉴于此,以滑坡灾害频发的三峡库区万州区为研究对象：首先,选取影响滑坡发生的7个致灾因子(地层岩性、地质构造、水系分布、坡度、坡向、坡体结构及土地利用)作为滑坡易发性的评价指标,依据各指标条件下滑坡累计发生频率曲线斜率的变化,并结合滑坡面积比和分级面积比曲线对指标因子的状态进行分级;其次,根据全区655个历史滑坡数据,分别运用信息量模型和逻辑回归模型建立各自的滑坡易发性评价体系;再则,采用快速聚类法(K-means cluster)对以上2种方法所得到的易发性结果进行分级,并基于GIS平台,得到全区滑坡易发性区划图;最后,从模型结果、精度、适用条件等方面对2个模型进行讨论和比较,研究结果表明：信息量模型和逻辑回归模型的预测精度分别为73.0%和54.9%,前者预测能力要优于后者。     

基于集对分析理论的区域滑坡灾害易发性预测

针对滑坡灾害预测研究的复杂性,本文构建了基于集对分析理论的预报模型。文中以恩施地区为例,利用该模型进行了研究区的滑坡灾害易发性预测研究,对预测结果进行分析,高易发区占总面积的15.89%,中易发区占12.96%,低易发区和不易区分别占45.15%和26%。滑坡易发因素组合主要是地层岩性(志留系和三叠系巴东组)和坡度(10—30°),这与该区的实际情况较相符合。     

基于聚类分析和支持向量机的滑坡易发性评价

在将支持向量机(support vector machine,SVM)等机器学习模型用于区域滑坡易发性评价时,大都随机或主观地选取非滑坡栅格单元,不能保证所选的非滑坡栅格单元是真正的"非滑坡"。为解决此问题,提出基于聚类分析和SVM的滑坡易发性评价模型。该模型首先用自组织映射(self-organizing mapping,SOM)神经网络对滑坡易发性进行聚类分析;然后从极低易发区中选择非滑坡栅格单元,确保所选非滑坡栅格单元是高概率的"非滑坡";最后采用SVM模型基于已知滑坡、所选非滑坡和环境因子对滑坡易发性进行评价。将提出的SOM-SVM模型用于三峡库区万州区滑坡易发性评价,并将得到的易发性结果与随机选取非滑坡的单独SVM模型结果做对比。结果显示SOM-SVM模型具有比单独SVM模型更高的成功率和预测率,表明SOM神经网络能更准确地选取非滑坡栅格单元。     

九寨沟县滑坡灾害易发性快速评估模型对比研究EI北大核心CSCD

通过地理信息系统(GIS)技术,采用信息量(I)、确定性系数(CF)、逻辑回归(LR)、逻辑回归–信息量(LR-I)和逻辑回归–确定性系数(LR-CF)耦合模型的快速评估方法对九寨沟县范围内滑坡灾害易发性评价,并对5种模型进行比较研究。基于历史资料、遥感解译和现场调查,获取九寨沟全县6205个滑坡灾害点作为样本数据库,选取海拔、坡度、坡向、地形曲率、剖面曲率、平面曲率、地形起伏度、地表粗糙度、地表切割度、地层岩性、距断层距离、PGA、降雨、距公路距离和距水系距离共计15项评价指标因子,基于GIS平台提取80%滑坡点作为训练样本,采用I,CF,LR模型建立九寨沟县滑坡灾害易发性评价体系,并将滑坡易发性划分为极低、低、中、高和极高。基于I,CF和LR模型,提出LR-I和LR-CF耦合模型,实现各评价指标因子二次逻辑回归计算,优化了九寨沟地区滑坡灾害易发性区划图。最后利用未参与训练的20%滑坡点作为检验样本,利用频率比和ROC曲线进行精度检验。结果表明:5种评价模型得到的滑坡的高易发区和极高易发区频率比值占总频率比值均超过85%,I,CF,LR,LR-I和LR-CF的AUC评价精度分别为0.762,0.756,0.788,0.838和0.836,表明5种模型均能较好评价九寨沟地区滑坡灾害易发性。LR-I和LR-CF模型与单一的I,CF模型相比能将滑坡易发性评价精度提高约8%;与单一LR模型相比,其精度提高约5%,说明LR-I和LR-CF模型的滑坡预测更优于单一的I,CF和LR模型,为快速建立评价指标体系和区域滑坡易发性提供了可靠途径。     

九寨沟县滑坡灾害易发性快速评估模型对比研究

通过地理信息系统(GIS)技术,采用信息量(I)、确定性系数(CF)、逻辑回归(LR)、逻辑回归–信息量(LR-I)和逻辑回归–确定性系数(LR-CF)耦合模型的快速评估方法对九寨沟县范围内滑坡灾害易发性评价,并对5种模型进行比较研究。基于历史资料、遥感解译和现场调查,获取九寨沟全县6205个滑坡灾害点作为样本数据库,选取海拔、坡度、坡向、地形曲率、剖面曲率、平面曲率、地形起伏度、地表粗糙度、地表切割度、地层岩性、距断层距离、PGA、降雨、距公路距离和距水系距离共计15项评价指标因子,基于GIS平台提取80%滑坡点作为训练样本,采用I,CF,LR模型建立九寨沟县滑坡灾害易发性评价体系,并将滑坡易发性划分为极低、低、中、高和极高。基于I,CF和LR模型,提出LR-I和LR-CF耦合模型,实现各评价指标因子二次逻辑回归计算,优化了九寨沟地区滑坡灾害易发性区划图。最后利用未参与训练的20%滑坡点作为检验样本,利用频率比和ROC曲线进行精度检验。结果表明:5种评价模型得到的滑坡的高易发区和极高易发区频率比值占总频率比值均超过85%,I,CF,LR,LR-I和LR-CF的AUC评价精度分别为0.762,0.756,0.788,0.838和0.836,表明5种模型均能较好评价九寨沟地区滑坡灾害易发性。LR-I和LR-CF模型与单一的I,CF模型相比能将滑坡易发性评价精度提高约8%;与单一LR模型相比,其精度提高约5%,说明LR-I和LR-CF模型的滑坡预测更优于单一的I,CF和LR模型,为快速建立评价指标体系和区域滑坡易发性提供了可靠途径。     

GIS支持下基于层次分析法的汶川地震区滑坡易发性评价

 2008年5月12日14时28分,四川汶川发生了Ms8.0级大地震,地震诱发了数以万计的滑坡灾害。在大约48 678 km2的区域内,采用震后遥感影像解译并结合野外调查的方法,共解译出48 007个滑坡。应用GIS技术,建立了汶川地震诱发滑坡灾害及相关地形、地质空间数据库,分析了断层、岩性、高程、坡度、坡向、河流、公路等7个因素与滑坡分布的关系,应用滑坡面积百分比这一标准来分别衡量每个因素中各个级别对滑坡的影响程度;然后使用层次分析法对这7个参数进行权重分析;在GIS平台下对这些参数进行综合分析,通过分析结果将研究区内滑坡按易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类,极高易发区与高易发区面积约8 211 km2,占研究区总面积的16.9%;最后,使用汶川地震滑坡数据库对研究结果进行检验,检验曲线表明分区效果良好,其中极高易发区与高易发区内实际发生滑坡面积为430 km2,占滑坡总面积的60.5%。     

区域滑坡空间预测方法研究及结果分析

区域滑坡空间预测是通过分析滑坡在区域空间分布的丛集性及规律性,圈定出滑坡相对危险性区域。通过MAPGIS软件平台及其二次开发的滑坡灾害分析系统,采用半定量和定量两种方法对浙江省永嘉县区域滑坡进行了预测。半定量方法采用反映历史滑坡强度的袭扰系数和滑坡易发程度指数来评价,编制了危险性预测分区图;定量化方法采用信息量模型来评价,采用规则网格作为预测单元,运用该模型对永嘉县区域滑坡进行了空间定量预测,并依信息量法的结果编制了该区的危险性划决预测分区图,为政府部门进行土地规策、避免在滑坡易发区进行大规模土地开发和工程建设提供了科学依据。同时通过两种方法的预测结果,对比分析了滑坡的形成和各影响因素的关系,为滑坡的有效防治提供了参考。     

基于GBDT模型的广东阳春市地质灾害易发性评价研究

本研究旨在利用梯度提升决策树（Gradient Boosting Decision Tree,GBDT）模型,对广东省阳春市滑坡易发性进行评价。通过收集大量地质、地形、气象等相关数据,提取了坡度、坡向、工程岩组等11个地质灾害易发性评价指标,构建了全面的滑坡易发性评价指标体系,并采用GBDT模型进行训练和预测。受试者曲线（Receiver Operator Characteristic,ROC曲线）和AUC值（Area Under Curve,AUC）被用于评估模型的准确性,研究结果表明,模型的AUC值达到了0.9414,说明GBDT模型在阳春市滑坡易发性评价中表现出较高的准确性和可靠性。易发性分区统计结果显示,整个阳春市中,高易发区占4.98%,中易发区占8.42%,低易发区占16.39%,非易发区占70.22%。本文研究方法可为开展区域地质灾害易发性评价提供参考。     

延边州地区泥石流灾害易发性评价

以延边州地区为研究区域,选取高程、坡度、坡向、降雨量、河流、地层岩性6个致灾因子,以延边州327个泥石流灾害点作为研究的基本数据,引入信息量模型,利用ARCGIS软件,计算致灾因子各状态等级下的信息量,以此评价该地区泥石流灾害的易发性。结果表明:泥石流灾害高易发区主要分布在安图县北部,和龙市东部和珲春市北部,占延边州地区总面积的12%,与历史泥石流灾害点较吻合,验证了所选模型的合理性以及致灾因子选取的准确性。     

基于信息量法的重庆云阳县(三峡库区)地质灾害易发性评价

云阳县地处重庆市东部,属三峡库区,构造上位于川东弧形构造带东北段,褶皱形态以宽平的屉形向斜和狭窄的高背斜相间排列,组成隔挡式构造。区内地貌以中-高山峡谷地貌为主,第四纪以来一直处于间歇性抬升状态,地形切割强烈,长江河道从境内穿过,河流水系发育,年降雨量大,地质环境条件脆弱,地质灾害发育。论文基于Arcgis平台,运用信息量法全面分析了影响云阳县地质灾害发育的地形条件、地层岩性、地质构造、河流水系、人类工程活动等因素,建立了云阳县地质灾害易发评价指标体系。评价结果表明,高易发区面积576 km²,占比15.8％,中易发区面积1801.68 km²,占比49.41％；评价结果可为云阳县区域地质灾害防治提供依据,也可为三峡库区地质灾害易发性评价提供参考。     

基于逻辑回归模型的凉山州滑坡易发性评价

凉山州地质环境复杂,地质灾害频发,为了防止凉山州因灾致贫、因灾返贫,对凉山州滑坡灾害进行易发性评价。选择10个因子,分析因子与滑坡的分布规律,并建立逻辑回归模型对凉山州滑坡灾害进行易发性评价。结果表明：凉山州滑坡分布于高程1 800 m～2 300 m;坡度10°～30°;坡向为东方向;坡位为中坡;距道路距离和距断层距离为小于2 km,NDVI为0.7～0.8;TWI为2～4;岩组为碎屑岩;土地利用类型为耕地。滑坡极高易发区位于凉山州中部安宁河、则木河断裂带两侧和东部汉源-甘洛带、峨边-金阳断裂带两侧。     

基于专家-层次分析法的岩溶地面塌陷易发性评价——以广西平桂区为例

以地质灾害详细调查成果资料作为依据,利用专家-层次分析法对贺州市平桂区岩溶地面塌陷易发性进行评价,选取了11个影响岩溶塌陷易发性的地质环境因素,创建了贺州市平桂区岩溶地面塌陷易发性评价指标体系,再通过GIS的空间分析功能对平桂区岩溶塌陷易发性进行评价研究,将平桂区岩溶塌陷易发分区分为高、中、低、非岩溶区4种类型,其中岩溶塌陷高易发区(Ⅰ)的面积为87.18 km~2;岩溶塌陷中易发区(Ⅱ)的面积为182.25 km~2;岩溶塌陷低易发区(Ⅲ)的面积为348.97 km~2;非岩溶区(Ⅳ)的面积为1403.6 km~2。评价结果对贺州市平桂区的岩溶塌陷地质灾害的防治具有指导意义。     

基于GIS的广西北流市地质灾害易发性分区评价

以北流市为例,利用地质环境要素对地质灾害易发性进行评价,并通过MapGIS软件实现可视化。选取了地质灾害发育密度、地貌类型、自然斜坡坡度、工程地质岩组、残坡积土层厚度、人类活动强度、多年平均降雨量7个影响地质灾害易发性的地质环境因素,建立了地质灾害易发性评价指标体系和评价方法,并对研究区进行了评价,依据预测分区指标计算,研究区地质灾害高易发区总面积为1185. 37 km~2,占全市总面积的49%;地质灾害中易发区总面积为1027. 76 km~2,占全市总面积的41%地质灾害低易发区总面积为243. 50 km~2,占全市总面积的10%。     

基于滑坡分类和加权频率比模型的滑坡易发性评价

根据区域滑坡特点,针对不同类型滑坡的自身特征分别建立指标评价体系,能够使滑坡易发性评价的过程更加科学准确。以三峡库区万州区内滑坡为例,首先,基于对地质环境、滑坡空间分布及自身特征的分析,将全区滑坡分为陡倾角地层滑坡和缓倾角地层滑坡。其次,获取12种指标因子(高差、坡度、坡向、平面曲率、剖面曲率、地层岩性、水系、地质构造、公路、地层倾角、降雨、含蒙脱石软弱夹层厚度)构成基本评价体系。然后提出基于逻辑回归(logistic regression,LR)–模糊层次分析(fuzzy analytical hierarchy process,FAHP)方法(LR-FAHP)的加权频率比模型(weighted frequency ratio model,WFR),通过对指标因子的重要性进行排序,实现各指标因子权重的定量计算,从而建立不同类型滑坡的评价指标体系,再基于GIS平台实现全区滑坡灾害的易发性等级预测。结果表明:与单一的LR,FAHP和FR三种模型相比,WFR模型能将滑坡易发性评价精度提升4%～9%,表明LR-FAHP是一种定量计算指标因子权重的有效方法;同时,基于滑坡分类的WFR模型的易发性评价成功率为79.2%,预测率为79.6%,均优于未进行滑坡分类的WFR模型,为建立评价指标体系和区域滑坡易发性评价提供了可靠途径。     

输电线路高分辨率遥感影像地质灾害解译识别技术

现代遥感技术在地质灾害调查、地质灾害危险评价、灾情评估和地质灾害治理方面可节约大量的人力和经济成本。以鹏深线和济腾线杆塔所在区域输电线路遥感影像为研究对象,在获取高清遥感影像基础上,开展遥感影像地质灾害调查和识别技术以及风险等级评估方法研究。研究表明:(1)工作区域内按地质灾害易发程度分为高易发区、中易发区、低易发区3类,鹏深甲乙线的146个杆塔中,62个杆塔处于高易发区,22个杆塔处于中易发区,66个杆塔处于低易发区,济腾甲乙线的92个杆塔中,62个杆塔处于高易发区,30个杆塔处于低易发区;(2)工作区域按风险等级分为高风险区、中风险区、低风险区3类,处于高风险区的滑坡15处、边坡9处,处于中风险区的滑坡4处、边坡0处,处于低风险区的滑坡2处。与现场踏勘结果进行对比,验证了分析结果的正确性和有效性。     

基于GIS的汶川地震滑坡灾害影响因子确定性系数分析

 2008年5月12日14时28分,四川省汶川发生了8.0级大地震,地震诱发了数以万计的滑坡灾害。在大约48 678 km2的区域内,采用震后航空像片与多源卫星影像解译并结合野外调查验证的方法,共圈定出48 007个地震滑坡灾害。在此基础上,选取地层、岩性、断裂、地震烈度、宏观震中、地表破裂调查点、地形坡度、坡向、顺坡向曲率、高程、水系与公路共12个影响因子作为汶川地震诱发滑坡影响因子,利用GIS强大的空间分析能力与确定性系数方法,对这12个影响因子进行敏感性研究。研究结果表明：(1) 寒武与震旦系是地震滑坡易发地层,侵入岩组、灰岩为主的岩组是地震滑坡发育的高敏感性岩组;(2) 地震滑坡受中央断裂影响最大,同时还受控于前山断裂,受后山断裂的影响较小;(3) 地震滑坡易发性分别随着地震烈度、与震中的距离、与地表破裂点距离的增加而减少;(4) 坡度大于40°是地震滑坡的易发坡度,E,ES方向为地震滑坡的易发坡向,高程范围为1 000～2 000 m,尤其是高程1 000～1 500 m范围为地震滑坡易发区;(5) 400 m水系缓冲区和2 000 m公路缓冲区范围内滑坡易发性较高。确定研究区内各地震滑坡影响因子最利于滑坡发生的数值区间,为进一步地震滑坡区域评价及预测奠定基础。     

基于IOE-IV耦合模型的地质灾害易发性评价——以陕西省城固县为例

地质灾害易发性评价是地质灾害排查、风险性调查评价及预警预报工作的基础,其成果可以作为建设工程是否进行地质灾害危险性评估工作的依据。因此,进行区域地质灾害易发性评价研究显得尤为重要。本文以城固县为研究区,以气象水文类、地形地貌类、基础地质类、植被覆盖类共4类12种诱发因素为评价指标。分别采用K-means算法、FCM算法、层次聚类算法、DBSCAN密度算法对区内126处地质灾害样本数据进行分析提纯,剔除13处样本噪声点。利用提纯后的113处样本点建立IOE-IV耦合模型,并对城固县地质灾害易发性进行分区评价,评价结果表明：（1）地质灾害极高—高易发区、中易发区、极低—低易发区的占比分别为92.04%、4.42%与3.54%,预测结果较合理准确;（2）地质灾害发育主要受高程、水系的控制,在高程412～500 m、距水系小于500 m范围内主要为极高—高易发区,地质灾害呈线状发育。研究成果可以为地质灾害易发性评价样本优化、模型选择提供一定的理论依据。     

某地区滑坡地质灾害危险性评估研究

滑坡地质灾害危害大,其危险性评估研究对于灾害的预警具有重要意义。以滑坡灾害点作为研究对象,总结了研究区域内的的地质地理环境特性,对滑坡灾害的产生因素进行了研究;通过建立信息量模型,在研究区建立滑坡风险评价指标体系,利用信息模型和基于层次分析法2种方法开展了风险评估分析,最终得到了研究区的滑坡灾害风险评估区域分布情况,并依据研究区滑坡地质灾害危险性评价提出了相对应的防治措施和建议。