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。     

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。     

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。     

镇康县滑坡易发性评价模型对比研究

准确的滑坡易发性评价结果是滑坡风险评价的关键,对防灾减灾意义重大.为了提高滑坡易发性评价精度,基于地理信息系统(GIS)平台,将镇康县境内150个滑坡灾害点转换为栅格数据作为评价样本,选取高程、坡度、坡向、起伏度、地形曲率、剖面曲率、地层、断层、年均降雨量、河流、土地利用类型、道路12项评价因子,并通过独立性检验,构建...     

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。     

汶川县地震滑坡易发性LR与NN评价比较研究

通过地理信息系统(GIS)技术,结合神经网络(NN)和逻辑回归模型(LR)开展汶川县范围内地震诱发滑坡易感性评价,并对两种模型结果进行比较研究。基于2008年5.12 Ms8.0级地震,选取高程、坡度、坡位、坡向、岩性、微地貌、距断层距离、距水系距离、距道路距离、年平均降雨量、归一化植被指数、地震峰值加速度共12个因子作为地震滑坡影响因子,基于ARCGIS10.1平台将这些影响因子专题图层栅格化;采用提取的模型训练样本,由R软件对神经网络(NN)和逻辑回归模型(LR)进行训练;将训练好的模型对整个汶川县地震滑坡易感性进行仿真,并将仿真结果划分为五类滑坡敏感区域:极低,低,中,高和极高,分别得到LR与NN模型仿真的滑坡易发性分区图;根据汶川县实际地震滑坡分布图进行统计分析,以及采用ROC曲线对两种模型的仿真结果进行对比分析,神经网络(NN)和逻辑回归模型(LR)的AUC值分别为0.930和0.941。研究表明两种模型的滑坡易感性评价图与实际滑坡发育基本吻合,评价结果较好,且LR模型预测精度相对较高。     

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。     

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...     

中高山地区滑坡形成主控因子分析

滑坡的形成受内部静态物质因子和外部动态诱发因子的共同作用,分析各个因子的主次关系,对研究滑坡形成机理和滑坡预警预报及治理工作具有重要意义.在调查分析铜仁地区51个滑坡的斜坡形态、斜坡坡度、斜坡高差、滑床岩性、基岩倾角、滑床结构、滑体厚度、滑面倾角等8个影响因子的基础上,运用主成份分析方法确定滑坡发育影响因子的权重,建立由主控因子确定的铜仁地区滑坡发育评价模型.研究表明,斜坡形态、滑面倾角、斜坡坡度、斜坡高差、滑床岩性、基岩倾角等6个因素为铜仁地区滑坡形成的主控因素,其中滑床特征因子(滑床岩性、基岩倾角、滑床结构)为第一控制因素,地形地貌因素(斜坡形态、斜坡坡度、斜坡高差)为第二控制因素,滑带特征因素(滑面倾角)为第三控制因素.     

基于信息熵对滑坡系统的稳态分析

信息熵反映了滑坡过程中各相关因素的贡献度,可用来定量计算各个评价指标的权重。基于信息熵原理,结合万州地区的22个典型滑坡体,计算了相关权重值,建立了基于熵权的稳态评估方法,模型建立过程中得到的各因子权重,可作为类似滑坡体稳定性评估的重要依据。通过吴家湾—实验小学段的连续6个滑坡原型,验证了这种新方法的适用性,为滑坡体的稳态评价提供了一种有效途径。评估结果结合地质环境情况分析表明,该地区滑坡失稳的主要影响因子包括:坡脚淹没与冲刷,坡高,坡角,滑坡带的粘聚力。     

地理信息系统/遥感技术支持下三峡库区青干河流域滑坡危险性评价

以统计模型为基础、地理信息系统作为工具的滑坡灾害评价模式已经得到普遍认可和使用,数字高程模型(DEM)、遥感影像、区域地质调查资料已经成为区域滑坡评价研究的因子数据源。选择三峡库区青干河流域顺向坡滑坡多发地段为研究区,在滑坡编目数据库基础上,通过:(1)数字高程模型获取高程、坡度、地形聚水能力因子;(2)遥感影像获取植被指数;(3)区域地质调查资料、数字高程模型计算斜坡类型定量因子TOBIA指数及获取岩石地层单元因子。采用二分类变量逻辑回归评价方法对上述6种因子建立滑坡危险性评价模型,开展地理信息系统/遥感技术支持下顺向坡滑坡危险性评价研究。研究结果表明,根据模型概率值分布和已知滑坡发育关系,可以将研究区划分为高危险区、中等危险区、低危险区3个等级,高危险区包含70%已知滑坡,中等危险区包含14%已知滑坡,评价结果和实际滑坡发育情况吻合,合理地反映区内滑坡灾害发育的总体特征。     

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。     

证据权法在滑坡危险度区划研究中的应用

采用证据权法对长江三峡库区秭归--巴东段进行了滑坡危险度区划研究。数据源主要包括地质图、SPOT5多光谱卫星影像数据及数字高程模型(DEM)等。利用RS和GIS的数据提取和分析功能,分别提取了地质(岩性和构造)、地形(坡度、坡向、水系、高程、沟壑缓冲区、沟壑密度)、水文地质(植被指数)和破坏动力(河流缓冲区)等对研究区滑坡发育影响较大的影响因子的信息。将上述各种影响因子进行分级,建立若干证据层;然后根据已知滑坡在不同证据层中的分布,确定相应证据层的权重值;最后根据不同影响因子权重值的叠加来确定具体某一个单元滑坡发育的概率。分析结果与现有滑坡的分布情况比较吻合。采用证据权法可以客观定量地评价各种影响因子对滑坡发育的影响程度,并据此进行滑坡危险度评价因子(证据因子)的选择及危险度定量评价。     

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。     

滑坡防治工程效果的模糊综合后评价研究

通过现场调研比较,筛选出滑坡防治效果的11项后评价因子,包括滑坡本体因子和防治工程因子两大类。进而分析了国内外各种综合评价方法,由于人们对滑坡及治理工程的认识存在不确定性和模糊性,故尝试采用模糊数学方法进行定量或半定量描述,根据滑坡及防治工程特征对后评价效果的影响程度确定其隶属度,并提出修正的功能重要度系数权重确定法来确定权重,初次建立了模糊综合评价模型。     

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。