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。     

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。     

异质集成学习在滑坡易发性评价中的对比研究

滑坡易发性评价可以为有关部门制定滑坡相关的防灾减灾政策提供技术支撑。目前机器学习已被广泛应用于滑坡易发性评价中，而不同的机器学习模型预测精度各异，为对比分析不同异质集成学习模型在滑坡易发性评价中的精度表现，该文以滑坡多发的甘肃省天水市与陕西省宝鸡市交界处为研究区，采用Stacking、Blending和加权平均三种异质集成学习模型，以随机森林、支持向量机和BP神经网络作为基学习器，对研究区进行滑坡易发性评价对比研究。通过使用准确率、Kappa系数以及ROC曲线指标对三种异质集成模型及基学习器进行模型验证和对比分析，结果表明，Stacking集成模型的各项指标都优于其他对比模型，验证了Stacking集成模型在滑坡易发性评价方面较其他对比模型具有更高的预测精度。     

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。     

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。     

基于ANN和LR的远安县滑坡易发性评价

在人工智能算法快速发展的背景下,选取人工神经网络模型(ANN)和逻辑回归模型(LR)对湖北省远安县进行滑坡易发性评价,得到滑坡易发性区划图,并对结果进行对比分析。该区共发育滑坡177处,提取出了与滑坡发生相关的9类指标因子。利用相关性分析,剔除高程因子,选择其余8类因子用于滑坡易发性评价,利用Arc GIS和SPSS Modeler软件得到研究区滑坡易发性区划图。最后,利用ROC曲线图对两个模型的成功率进行分析,得到人工神经网络模型和逻辑回归模型的AUC值分别为0.864和0.809,说明人工神经网络模型在该研究区的预测能力较好。     

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。     

顾及In SAR形变的CNN滑坡易发性动态评估——以刘家峡水库区域为例

已有的滑坡易发性评估方法所采用的滑坡因子多为静态数据(如地形,地质),缺乏动态数据(如地表形变),无法充分挖掘正在变形的滑坡特征,导致滑坡易发性评估可靠性较差。合成孔径雷达干涉测量(synthetic aperture radar interferometry,In SAR)二维In SAR数据可反映滑坡在垂直和水平方向的形变特征。引入二维In SAR形变数据作为动态因子,结合地形、地质、水文以及人文共计16种滑坡影响因子,构建卷积神经网络模型(convolutional neural network,CNN)进行滑坡易发性动态评估;采用多种评价指标来衡量模型精度,同时对比有无顾及二维In SAR因子的滑坡易发性评估结果,并与支持向量机(support vector machines,SVM)方法进行对比,此外,在不同场景进行应用。实验结果表明,顾及In SAR形变动态因子的多种评价指标整体精度有所提高,模型对正处于缓慢变形的滑坡易发性区域的识别具有良好的效果,在训练数据中,识别率由0.78提高至0.93;在验证数据中,识别率提升0.21,揭示出顾及二维In SAR形变因子可以提升滑坡...     

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。     

基于粗糙集–神经网络的IBURI地震滑坡易发性研究

强震引发的滑坡范围广、数量多,呈现明显的区域性特征,并受强震动外的降雨等环境因素以及区域性水文地质等多种复杂因素的影响。在地震滑坡易发性评价中制定合理的指标选择策略能够从根本上提升评价精度和评价效率。以2018年9月6日北海道IBURI地区的Mj 6.7级地震引发的3 307处滑坡为研究对象,详细研究地震滑坡评价指标体系的构建。首先,结合地震灾害现场调查及资料分析,在充分考虑地震特性的基础上选择17项原始评价指标,然后,引入粗糙集理论作为指标选择策略,利用粗糙集对不确定数据的约简能力删除9项对评价结果影响较小的因子。最后,用优化后的指标构建BP神经网络的输入层,采用粗糙集–BP神经网络模型对IBURI地震滑坡易发性进行评价。结果显示,模型的预测精度从63.8%提升至94.4%,说明以粗糙集理论作为指标选择策略的粗糙集–BP神经网络模型能够有效提高地震滑坡易发性评价的准确性。     

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。     

宁陕小学后山地质灾害评价及治理措施研究

对“8．29”泥石流之后的宁陕小学后山地质灾害进行了勘察和稳定性评价研究。该后山的地质灾害由4部分构成，分别为浅层滑坡、危岩崩塌、坡面泥石流、坡脚高边坡。对浅层滑坡和危岩体的稳定性及泥石流的易发性进行了评价，并提出了相应的治理建议。     

重庆市滑坡灾害中Insar的应用研究

重庆市地处中国西南,地形复杂、山势陡峭,地质灾害频发,三峡库区重庆段的滑坡灾害发生尤为频繁.对滑坡的有效监测一直是研究的热点.滑坡灾害隐患排查以及易发性评价是Insar技术在形变监测技术应用最为成熟的领域之一.重庆市传统滑坡监测方法不足,文章介绍利用Insar技术的优势、Insar技术监测地物形变的原理以及Insar技术在重庆滑坡监测中的应用进行研究分析,对重庆市滑坡监测具有重要的工程意义.     

不同空间分辨率和训练测试集比例下的滑坡易发性预测不确定性

探讨空间分辨率和模型训练测试集比例等因素对滑坡易发性预测不确定性的影响具有重要意义。拟以江西省宁都县的滑坡为例,首先计算各环境因子在不同空间分辨率(15,30,60,90和120m)下的频率比值;然后将滑坡和非滑坡样本按照9/1,8/2,7/3,6/4和5/5的比例划分出不同的模型训练和测试数据集,由此得到25种组合工况下的模型输入和输出变量;再将其导入支持向量机(support vector machine,SVM)和随机森林(random forest,RF)模型中开展滑坡易发性预测,最后利用预测精度和易发性指数特征来分析各工况下的易发性建模不确定性。结果表明:(1)15m分辨率、9∶1训练测试集比例和RF模型工况下的易发性预测精度最高,各工况下重要的环境因子分别为高程、坡度和地形起伏度等;(2)随着分辨率的下降或训练测试集比例的减小,SVM和RF模型的预测精度均逐渐下降,易发性指数的均值变大且标准差减小;(3)所有工况下随着分辨率和训练测试集比例的减小,易发性预测精度均逐渐下降且其不确定性增大;(4)各工况下RF预测精度优于SVM,分辨率对RF模型的影响显著大于训练测试集比例,而在SVM中2种因素的影响相差不大。     

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。