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。     

基于信息量法的金沙江峡谷段滑坡易发性评价

文章以云南省迪庆藏族自治州金沙江峡谷区为研究区域,进行滑坡易发性评价。选取坡度、起伏度、植被覆盖指数、地层岩性、构造作用、河流作用、人类工程活动、降雨量八个影响因子。以266个滑坡点为样本,基于信息量法和GIS平台,构建滑坡易发性分区评价指标体系,计算各个影响因子分级状态下的信息量值,绘制各影响因子分级栅格图,通过栅格计算器叠加得到总区域信息量值,采用自然断点法将其分为5级。采用成功率曲线法进行模型评价,曲线下面积(AUC值)为0.7768,准确性较好。     

基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例

 以滑坡灾害发育较多的三峡库区万州区为研究区,基于指标因素状态分级和因素相关性分析结果,选取坡度、坡向、坡体结构、地层岩性、地质构造、水的作用以及土地利用7项影响因素,以全区700多个滑坡灾害点为样本数据,依据各因素状态下发生的滑坡频率曲线和信息量曲线的突变点为等级划分的临界值来确定因素状态,并在此基础上建立易发性评价指标体系。基于GIS的栅格数据模型,应用信息量理论开展研究区易发性评价,研究结果表明：易发性高和较高的区域主要分布在土地利用总体规划中的建设用地、侏罗系中统上沙溪庙组第二、三段(J2s2,J2s3)、库水变动带和河网影响带以及万州城区。统计结果表明,处在高易发和较高易发区面积为1 210 km2,其中高易发区和较高易发区分别占研究区总面积的9.71%和25.9%,研究区易发性评价精度高达87%。本文完整的论述了县域滑坡灾害易发性评价的理论方法和技术路线,并以三峡库区万州区为例开展滑坡灾害易发性评价、结果分析以及预测精度评价等,为该区域滑坡灾害防治规划与预测预报提供技术支持,为全国范围内县域滑坡灾害易发性评价提供理论指导和技术参考。     

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。     

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%。     

模糊层次分析法对岩溶塌陷易发程度的评估——以广西来宾市吉利村为例

岩溶塌陷是我国主要的地质灾害,其易发程度的评估预测对减少社会损失有重要意义。以岩溶地貌发育的广西来宾市吉利村为研究实例,应用模糊层次分析法,结合研究区地质状况,引入G1S和遥感技术,对研究区的岩溶塌陷易发程度进行评估。首先确定岩溶塌陷评估因子及其权重值;其次划分塌陷等级,将其分为极易发区、易发区、一般区、较稳定区和稳定区;最后对研究区进行评估预测,对评估结果处理后得出研究区岩溶塌陷易发程度分区图。     

基于信息量法的地质灾害易发区评价

以江西省崇义县为研究区,以崇义县1∶5万地质灾害调查数据为基础,基于信息量法,采用Arcgis软件研究地质灾害易发性。首先分析各类地质环境因子与地质灾害相关性,选取高程、坡度、水系、工程地质岩类、构造、居民区及公路七个影响因子。以地质灾害点为基础数据,将灾点与七个因子图层分别进行栅格运算,得出各个因子分段的灾点分布概率,计算出各个因子的信息量值,将各因子的信息量进行叠加,得出研究区内的信息量分布图。根据灾点在各信息量区间的概率,将研究区分为高、中、低、极低四个地质灾害易发级别。易发性评价结果与研究区实际情况吻合度高的结论,表明信息量法适合于崇义县地质灾害易性的评价。     

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。     

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。     

基于信息量层次分析法在海南琼海市地质灾害易发性分区中的应用

琼海市处于华南褶皱系东部,人类工程活动强烈,地质灾害多发。文章采用信息量层次分析法,在琼海市1:5万地质灾害详细调查的基础上,建立评价因子并转化成信息量值,接着由判断矩阵计算出被比较因子的权重值,最后利用ArcGIS的空间分析功能,以综合信息量值为依据,绘制琼海市地质灾害易发性分区图,为琼海市地质灾害防治提供依据。     

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。     

基于专家-层次分析法的地下空间适宜性评价

对环境地质调查成果的转化进行了研究,提出基于MapGIS利用地质环境要素对城市地下空间开发适宜性评价的方法。首先通过专家打分法选择合适的评价因子,利用地质环境调查成果,按各因子的地质环境条件对研究区进行分区,再利用层次分析法确定各评价因子的权数,最后通过MapGIS空间分析功能,将各因子的分区图按因子的权重进行叠加,得到适宜性分区图,实现可视化,并作出适宜性评价,实现成果转化。并以南宁市西津幅的环境地质调查成果为例,通过所列的评价指标体系和评价方法对研究区进行了评价,其成果可为南宁城市规划区地下空间开发利用的整体规划提供指导和借鉴。     

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。     

某新建国际机场岩溶塌陷易发性预测评价研究

岩溶塌陷是某新建国际机场建设面临的最主要工程地质问题,开展岩溶塌陷易发性预测评价研究十分必要.选取3个条件层的15个因子构建岩溶塌陷预测模糊层次评价模型,确定各因子的权重,刻画各因子对岩溶地面塌陷产生的影响程度及各因子的组合效应;采用模糊数学和MapGIS方法,对含有不同权重的各因子进行空间迭置分析计算,确定工程区岩溶地面塌陷的易发性分区.预测评价结果客观可靠.     

基于GIS与AHP耦合技术的土地沙漠化模型研究

晋陕蒙 (西 )地区的土地沙漠化受控于多种因子 ,在详尽分析了土地沙漠化的各种因子基础上 ,确定了母质类型、植被覆盖、地貌类型、沟壑密度、土地利用类型、矿山开发面积、大风强度七个致灾因子 ,并分别建立了它们各自的子专题层图。利用先进的层次分析法 (AHP)确定了影响沙漠化的各致灾因子的权重系数 ,通过地理信息系统 (GIS)与AHP的耦合技术 ,对各子专题层图进行了加权复合叠加 ,利用频率和频数分布直方图 ,确定出土地沙漠化的分区阈值 ,构建了土地沙漠化危险度评价的多源地学信息复合叠加模型 ,并对土地沙漠化危险度进行了分区评价 ,共划分为五个区 ,即强度区、中度区、轻度区、潜在区、未沙区。土地沙漠化评价模型的建立 ,为土地沙漠化的分区评价与预测提供了理论依据 ,使评价结果更科学、合理、准确。     

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%。