基于有效降雨阈值的澧源镇滑坡灾害危险性分析

以湖南省澧源镇为例,利用证据权模型和灰色关联度模型分别计算了坡度、地层岩性、斜坡形态、土地利用类型、人类工程活动5个因子二级状态证据权值和一级因子权重;综合2种模型确定全区滑坡易发性指数后,完成基于斜坡单元的全区滑坡易发性区划;根据研究区岩土体类型(碎屑岩类、碳酸盐岩夹碎屑岩类、碳酸盐岩类和松散岩土体类)分组研究不同滑坡发生概率下的有效降雨阈值曲线(I-D曲线)。研究降雨时间为3日、有效强度为22.4 mm/d的降雨工况下各岩土体类型滑坡发生的时间概率。综合时间概率和易发性结果得到澧源镇基于有效降雨阈值的滑坡灾害危险性区划图。研究结果表明:澧源镇滑坡灾害高和极高易发区占研究区总面积的25%,主要沿澧河分布;极高危险区和高危险区占研究区总面积的14%,主要分布在澧河北侧。     

基于证据权与Logistic回归模型耦合的滑坡易发性评价

滑坡灾害易发性研究对地质灾害风险管理及减灾防灾有着重要的现实意义。目前,多模型耦合的评价方法在国内外应用较为广泛,但将证据权与其他方法相结合用于滑坡易发性评价的研究却较少。鉴于此,本文以浙江省永嘉县为例进行滑坡易发性评价,选取高程等9个因素作为滑坡易发性的评价因子。利用证据权模型计算得到的证据权对比度与分级栅格比、滑坡栅格比进行比较,实现各评价因子状态分级处理;再运用Logistic回归模型算得各评价因子的权重。综合两种模型确定的状态分级权重和评价因子权重,基于GIS的栅格运算功能得到各评价单元的滑坡发生概率,实现研究区滑坡易发性分级区划。研究结果表明,证据权与Logistic回归耦合模型的评价结果的合理性与精确度均优于两种单一模型;且极高易发区和高易发区主要分布在水系延展区、断层密集区、岩组软弱区。研究结果对滑坡灾害风险管理及城市防灾规划具有一定的参考价值。     

基于斜坡单元的山区城镇滑坡灾害易发性评价：以康定为例

山区地质灾害易发性评价对城镇地质灾害风险管理具有重要意义。本文以康定市为例,以斜坡单元为最小评价单元,选取高程、坡度、坡向、曲率、工程地质岩组、距道路距离、距断裂距离、距水系距离和斜坡结构等9个滑坡影响因子,根据各因子滑坡面积比曲线与证据权值曲线的突变点,划分滑坡影响因子二级状态,并对各影响因子进行相关性分析,剔除相关性较高的距道路距离因子,在此基础上,采用证据权模型进行滑坡易发性评价。对已有治理工程的斜坡单元,本文尝试利用折减系数法对其易发性进行进一步评价。结合现场调查,将研究区滑坡易发性程度划分为：极高易发、高易发、中等易发、低易发。评价结果表明,自然工况下极高易发区主要位于康定市炉城镇以及研究区北侧二道桥村一带,高易发区主要位于雅拉河、折多河与瓦斯沟河谷两侧,对治理工程所在的斜坡单元进行折减后,极高易发区面积由11.21%降至8.42%,滑坡比率由4.03降低至2.3,研究结果符合实际情况,模型精度达77.8%。评价结果较好地反映了康定市区的滑坡易发性分布情况,可为城镇精细化评价提供一定的参考依据。     

基于分形理论的南江县滑坡敏感性分析与易发性评价

定量分析滑坡发生的敏感性,能为易发性区划、危险性评价、风险性评估等提供定量依据,对研究滑坡的成灾背景、发育规律具有重要意义。文章基于ArcGIS技术应用“累计和分形理论”对滑坡的敏感性进行了分析,得到各致灾因子的累计和分维值及滑坡发生对各致灾因子的敏感性;基于滑坡对致灾因子的敏感性绘制南江县易发性区划图,将南江县滑坡易发性等级分为极高易发区、高易发区、中易发区、较低易发区、极低易发区五个等级。     

基于证据权法的湖南省石门县皂市水库滑坡易发性评价

湖南省石门县皂市水库地区滑坡地质灾害频发,采用证据权法进行滑坡易发性评价可以为滑坡防治提供科学依据.本文首先以斜坡单元为基本制图单元,利用ArcGIS空间分析功能,结合历史滑坡灾害点实地复核数据、遥感影像、地形图、数字高程模型、地质图等数据,提取了坡度、坡形、斜坡高差、植被覆盖度、地层岩性、斜坡结构类型、断层缓冲距离、道路缓冲距离、河流缓冲距离等9个证据因子并划分证据层;然后基于证据权法分别计算各证据层权重值,生成了研究区滑坡易发性分区图,并进行了预测精度分析.结果表明:(1)研究区滑坡易发性可划分为高易发区、中易发区、低易发区、极低易发区4类,4类分区面积占比分别为7.5％、20.6％、54.9％、17.0％;(2)基于成功率曲线法得出分区准确率为84.7％,评价结果与灾害点分布较为吻合.     

基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例

金沙江上游巴塘—德格河段地处青藏高原东部,该区地质、地形、地貌极其复杂,滑坡灾害最为发育,开展区域滑坡易发性评价对防灾减灾工作有着重要的意义。本文以金沙江上游巴塘—德格河段为研究区,在滑坡编录与野外实际调查的基础上,通过对滑坡分布规律和影响因素分析,选取高程、坡度、坡向、曲率、地形起伏度、地表切割度、地表粗糙度、地层岩性、断层、水系和道路等11个影响因子,构建了滑坡易发性评价指标体系。利用皮尔森系数去除高相关性影响因子,运用频率比方法定量分析各个因子与滑坡发育的关系。通过频率比模型选取非滑坡样本,采用集成学习算法模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区、高易发区、中易发区、低易发区及极低易发区5个等级。由滑坡易发性分区图和ROC曲线表明,高和极高易发区主要沿金沙江沿岸和沟谷分布,随机森林模型的成功率曲线下面积AUC=0.84,历史滑坡灾害位于高-极高易发区的灾害数占总滑坡数的84.8%,梯度提升树模型的成功率曲线下面积AUC=0.79,历史滑坡灾害位于高-极高易发区灾害数占总滑坡数的79.3%。由AUC值和历史灾害的分布可知,随机森林模型比梯度提升树模型在本研究区滑坡易发性评价中有着更好的评价精度和更高的预测能力。     

基于GIS和信息量模型的陇川县滑坡易发性评价

云南省陇川县地质环境脆弱,易发生滑坡灾害,对其开展滑坡易发性评价对指导陇川县的滑坡地质灾害防治具有重大意义。根据陇川县地理环境、地质环境、人类活动等条件,选取高程、坡度、坡向、剖面曲率、平面曲率、归一化植被指数、水系距离、断层距离、地层岩性和道路距离等10个评价因子,利用信息量模型和ArcGIS软件进行滑坡易发性评价。结果表明,滑坡高易发区主要位于研究区北部、东南部和西南部;中易发区主要位于中部、东部和西部部分地区;低易发区主要位于陇把镇、城子镇大部分地区和户撒阿昌族乡的西北部;不易发区主要位于清平乡中部、城子镇中部部分地区、以及章凤镇大部分地区。在中易发区和高易发区包含83.56%的滑坡灾害点,且滑坡面积随着易发性等级的增加也随之增大。滑坡中、高易发区内发生的滑坡面积分别占研究区滑坡面积的22.79%和58.13%,分析结果与实际灾害分布特征相吻合,可为研究区及类似区域的滑坡地质灾害防灾减灾工作提供参考意见。     

基于GIS与确定性系数分析方法的汶川地震滑坡易发性评价

汶川Ms 80级大地震诱发了数以万计的滑坡灾害。在大约48678 km2的滑坡影响区域内,作者采用震后遥感影像解译并结合野外调查的方法,共解译出48007处滑坡。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。采用地震滑坡确定性系数分析方法,分析了地震滑坡关于地震烈度、岩性、坡度、断层、高程、坡向、河流与公路等8个因素的易发程度。基于GIS栅格分析方法,分别对16种不同影响因子组合类型进行地震滑坡易发性评价。最后,应用AUC（Area Under Curve,评价曲线下面积）方法得到最佳因子组合及其对应的评价结果,使用自然分类法则方法将研究区按滑坡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之和约1169046km2,占研究区总面积的2402%,其中发育滑坡面积为52484 km2,占滑坡总面积的7373%。结果表明了极高与高易发区与实际滑坡之间有着良好的一致性,方法的评价结果成功率（AUC值）达到82107%。     

基于加权证据权模型的青藏高原东部巴塘断裂带滑坡易发性评价

巴塘断裂带位于青藏高原东部,呈北东—南西向展布,全新世活动强烈,沿断裂带崩塌、滑坡、泥石流等地质灾害极为发育。基于遥感解译和野外地质调查,在巴塘断裂带两侧10 km范围内识别出滑坡93处;在分析滑坡空间发育特征的基础上,选取地形地貌(地面高程、地形坡度和地形坡向)、地形湿度指数、地层岩性、活动断裂、降雨量、水系、人类工程活动和植被覆盖等10个因素作为滑坡易发程度的主控因素,采用加权证据权法建立滑坡易发性评价模型,开展巴塘断裂带滑坡易发性评价;成功率(ROC)曲线检验结果表明此次滑坡易发性评价的准确率为82.3%。采用基于自然断点法将滑坡易发程度划分为极高易发、高易发、中等易发和低易发4个级别,结果表明滑坡易发性受巴塘断裂带和河流控制显著,极高易发区和高易发区主要分布在巴塘断裂带、金沙江和巴曲河谷及一级支流两侧,中等易发区主要分布在巴曲各支流中上游,低易发区主要分布在人类工程活动弱的高山地带以及地形相对平缓的区域。滑坡易发性评价结果很好地反映了巴塘断裂带现今滑坡发育分布特征,对该区重大工程规划建设和防灾减灾具有科学指导意义。     

基于信息量法的湖北省秭归县滑坡易发性评价

本文以湖北省秭归县为研究区,选取高程、水系距离、道路距离、岩土体类型、坡向、坡度、土地覆盖类型、年降雨量等8个评价因子开展滑坡易发性评价工作,依据ArcGIS软件数据分析工具完成各评价因子相关性分析。对评价因子相关性值|r|>0.1的高程、坡向因子剔除,计算各因子信息量值。利用信息量模型进行滑坡易发性评价,将研究区划分为四个区域：(1)极高易发区,面积140.0864 km²,占研究区总面积6.18%,主要分布在长江及支流沿岸;(2)高易发区,面积1002.445 km²,占研究区总面积44.23%,主要呈带状分布在极高易发区两侧,部分位于两河口镇、磨坪乡周边区域;(3)中易发区,面积833.8711 km²,占研究区总面积36.79%,呈带状分布在极高易发区两侧,零散分布;(4)低易发区,面积290.2564 km²,占研究区总面积12.80%,多分布在高山人稀区域。本文研究结果能够较好地反映研究区滑坡灾害分布规律,可为秭归县防灾减灾工作提供依据。     

基于证据权模型的川西鲜水河断裂带滑坡易发性评价

鲜水河断裂带是发育于青藏高原东缘的一条大型左旋走滑断裂带,该区新构造活动强烈且历史强震频发,一系列大型-巨型滑坡沿断裂带密集分布。在资料收集的基础上,对鲜水河断裂带两侧10 km区域内进行遥感解译和野外地质调查,建立数据库并对滑坡主要影响因素进行分析。在滑坡区域发育分布规律分析的基础上,选取地形坡度、地形坡向、地面高程、平面曲率、地形湿度指数、活动断裂、工程地质岩组、年降雨量、河流、道路、植被覆盖指数等11个因素作为滑坡易发性评价因子,在ArcGIS软件平台上,采用证据权模型开展了滑坡易发性评价。根据成功率曲线对评价结果的检验,滑坡易发性评价结果具有较好的精度,并将研究区的滑坡易发程度划分为极高易发、高易发、中等易发、低易发和不易发5个级别。滑坡的易发性受鲜水河断裂带影响显著,极高易发区和高易发区主要分布在东谷到道孚县沿鲜水河断裂带两侧,以及康定县城和磨西镇附近;中等易发区主要分布在鲜水河支流两岸及省道沿线;滑坡低易发区和不易发区主要分布在人类工程活动少的高山地带以及地形相对平缓的区域。滑坡易发性评价结果很好地反映了鲜水河断裂带区域内滑坡发育分布现状,为该区重大工程规划建设和防灾减灾提供参考依据。     

逻辑回归和信息量模型在山区滑坡易发性评价中适宜性的分析

以万山区为例,在区域滑坡孕灾条件的基础上,筛选工程地质岩组、斜坡结构、平均坡度、地貌、距构造距离及距河流距离共6个易发条件因子,选取逻辑回归模型和信息量模型对山区滑坡进行易发性评价。结果显示逻辑回归模型中中高易发区面积占比分别为1578%和1970%,82%的地质灾害点落在该区域内;信息量模型中中高易发区面积占比为1241%、2519%,包含了区域88%的滑坡灾害点。最后通过实际发生的灾害点在各易发区的分布情况进行检验,逻辑回归模型中灾害点落在高易发区的比例远小于信息量模型,且高易发等级中灾害点实际发生的比值较小,说明针对山区区域滑坡地质灾害易发性评价结果预测上,信息量模型的评价结果更为客观准确。     

基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例

三峡库区是地质灾害管理的重点地区,鉴于长江对其沿岸边坡的水力作用不容忽视,因此需进一步研究水系因素对滑坡易发性的影响.以重庆市奉节县为例,考虑区域内水系影响显著,沿水域两岸300 m区域内划分为分区Ⅰ,其余区域为分区Ⅱ.其次,全域、分区Ⅰ、分区Ⅱ以提取的16个影响因子建立易发性评价指标分析模型,基于随机森林模型计算区域滑坡发生概率,并将全域和分区的滑坡易发性评价结果对比分析.结果表明：奉节县高和极高易发区主要分布在水域两岸及耕地范围内,这是由于库水位升降减少了防滑截面的有效应力,由于原有山体平衡在垦荒过程中被破坏,耕地对斜坡的防护作用微弱;基于水系分区后模型的训练精度优于全域模型的训练精度,准确率和F1分数的最大提升幅度分别可达5.1%、5.2%.基于水系分区的方法有利于提高滑坡易发性评价精度,该方法实用性强,可靠性高.     

青海省河湟谷地地质灾害易发性评价

地处青藏高原东北缘的黄河与湟水谷地,由于剧烈的地质活动、较大高差与强烈水力作用等,使得地质灾害非常频繁,为明确该区域的地灾易发性区划,选取地貌、坡度、坡高、植被、岩性、降雨量和距断层、距河流、距道路等因子构建评价指标体系,采用信息量模型计算崩塌、滑坡、泥石流及其综合地质灾害易发性指数,将研究区地质灾害易发性划分为极高、高、中、低、极低五级易发区。结果表明:极高易发区主要位于河谷地区,占2.03%,包括贵德县、湟中县、乐都县的黄河及湟水等河流中下游地区;高易发区主要位于中小起伏山间盆地地区,占21.2%;中易发区主要位于中起伏山地地区,占23.45%,属于高、低易发区的过渡区域;低易发区主要位于大中起伏山地地区,占42.1%;极低易发区主要位于冷龙岭、拉脊山、西倾山等山地,占11.23%。研究结果对河湟谷地的防灾减灾及社会可持续发展意义重大。      

基于深度学习的CZ铁路康定—理塘段滑坡易发性评价

CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network,CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network,ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害发育的分布现状,能够为该区的CZ铁路建设和未来安全运行过程中的防灾减灾工作提供科学的依据。     

基于深度神经网络模型的雅安市滑坡易发性评价CSCD

准确的滑坡易发性评价结果是滑坡风险评估的基础,对防灾减灾工作有着重要的意义。文章以雅安市为研究区,在野外地质调查的基础上,选取高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、泥沙输运指数、径流强度指数、归一化植被指数、年均降雨量、地震动峰值加速度、地形起伏度、距断层距离、地层岩性、距河流距离、距道路距离等16个因子,构建研究区滑坡易发性评价指标体系,采用度神经网深络(DNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(12.2%)、高易发区(7.0%)、中易发区(9.8%)、低易发区(17.0%)、极低易发区(54.1%)五个等级,并与人工神经网络(ANN)模型进行对比,用ROC曲线的AUC值进行精度检验。结果表明,DNN模型的评价精度AUC(0.99)大于ANN(0.96)模型。因此,相比ANN模型,DNN模型在该研究区有着更好的拟合能力和预测能力,滑坡极高和高易发区主要分布于雅安市人类工程活动强烈的低海拔地区,沿着道路和水系分布,距道路距离、高程、年均降雨量是影响雅安滑坡发育的主要影响因子。     

基于GIS的白龙江流域甘肃段滑坡易发性评价

在甘肃省白龙江流域地质灾害资料收集及现场调查的基础上, 统计分析了该区滑坡发育与地层岩性、坡度、坡向、高程、断裂、植被等因素之间的关系, 建立了白龙江流域滑坡易发性评价指标体系。采用基于GIS的层次分析法评价模型, 完成了滑坡易发性分区评价, 将研究区滑坡按易发程度划分为高易发区、中易发区、低易发区和极低易发区, 其中, 高易发区占研究区总面积的13.59%, 主要分布在断裂带、白龙江两侧以及软弱岩土体分布的区域; 中易发区占27.85%;主要分布在白龙江支流以及主要道路两侧的一定范围内; 低易发区占33.09%, 主要分布在海拔相对较高、植被覆盖度较高、基本上无断裂带通过的区域; 其余区域为极低易发区, 占25.46%。对比分析显示评价结果与实际滑坡发育情况吻合, 可以较好地反映区内滑坡灾害发育的总体特征。      

基于GIS的哀牢山戛洒镇小流域滑坡易发性评价

根据研究区的基本情况,选择坡度、坡向、地层岩性、距断层距离、降雨、土地利用等6个评价因子,采用滑坡灾害易发性评价的GIS与AHP耦合模型进行戛洒镇滑坡灾害易发性评价,并将滑坡灾害分为极高、高、中、低和极低易发区5个区域进行了滑坡灾害易发性评价结果分析,以期为后期的小流域滑坡风险评估研究服务。     

基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价

开展铁路沿线滑坡易发性评价对川藏交通廊道工程建设及运维过程中的风险管理具有重要意义.提出一种层数自适应、通道加权的卷积神经网络(layer adaptive weighted convolutional neural network,LAW-CNN),对川藏交通廊道沿线滑坡易发性进行评价.依据野外调查和影响因素分析筛选出影响滑坡发生的影响因子,绘制滑坡编目,构造用于易发性评价的实验数据集;针对卷积神经网络的权重初值、网络层数等超参数难以优化设置的问题,提出基于影响因子信息熵的通道加权方法和网络层数优选策略,通过多通道加权和层数自适应分类卷积的方式提出滑坡易发性制图的LAW-CNN架构;搜索最优LAW-CNN网络结构并训练网络参数,获取研究区滑坡发生概率并进行易发性分级评价.所提的LAW-CNN模型可以不同权重和不同深度挖掘影响因子的深层特征,实验结果表明,模型曲线下面积(area under curve,AUC)值为0.852 8,极高易发区滑坡点密度为1.251 9,均优于SVM(support vector machine)和CNN模型;川藏交通廊道沿线滑坡极高和高易发区主要集中在大江大河两侧以及横断山区.LAW-CNN模型可较好评价川藏交通廊道滑坡易发性,能够为川藏交通廊道的建设和灾害防治提供科学的依据.      

基于CF和Logistic回归模型的广东省地质灾害易发性评价

在研究广东省崩塌、滑坡、泥石流孕灾环境的基础上,选取高程、坡度、地质年代、岩性、距断层距离、距水系距离、归一化植被指数(NDVI)7个因子作为地质灾害易发条件因子。首先利用CF模型计算出7个因子各分类级别的CF值,然后将各因子的CF值作为自变量,是否发生地质灾害作为因变量,利用Logistic回归模型得到各因子的回归系数。再对各因子之间的独立性进行检验,所选7个因子都符合独立性检验条件,全部进入到逻辑回归方程中,计算出各独立单元发生崩滑流地质灾害的概率。根据计算结果将广东省崩滑流地质灾害易发程度划分成四类:极低易发区(16.63%),低易发区(28.65%),中易发区(32.57%),高易发区(22.15%)。评价模型的合理性和精确度都符合检验要求,说明采用确定性系模型和逻辑回归模型能够较为客观准确地评价广东省地质灾害易发性。