基于机器学习的区域滑坡危险性评价方法综述

我国滑坡灾害分布范围广,危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来,随着大数据和人工智能技术的飞速发展,机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用,并取得了较好效果。在大量研读文献的基础上,系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述,最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。     

地震滑坡研究现状与展望

在高山峡谷地区,强烈地震诱发的滑坡灾害数量多、规模大,部分地区造成的危害比地震大,故分析研究地震滑坡对防震减灾工作极重要。本文系统总结了地震滑坡发育分布特征和地震参数与斜坡环境参数关系;地震滑坡动力响应特征与稳定性分析方法;地震滑坡危险性评价等方面研究现状。同时对比了目前滑坡危险性评价中较常用的机器学习算法优劣。     

滑坡灾害风险评价的关键理论与技术方法

滑坡灾害风险评估主要包括滑坡敏感性分析、危险性评价和风险评估3个不同层次的内容。但是,滑坡地质灾害本身的复杂性和滑坡强度的确定、滑坡发生的时空概率估算、承灾体的易损性时空概率分析等难点问题的存在,无疑阻碍了滑坡风险定量评估的推广和应用。在系统分析国内外滑坡灾害风险评估研究成果的基础上,对滑坡灾害风险评价的技术体系进行了总结,提出了不同层次滑坡灾害的研究内容和相应的评价方法;分析了实现滑坡风险有效评价涉及到的难点问题,并结合降雨和地震诱发的滑坡灾害危险性评价国内外的实践,提出了中国未来滑坡灾害风险评价研究的主要内容和技术方法。     

基于GIS的信息量法在滑坡危险性评价中的应用

根据滑坡灾害发生的特点,充分利用GIS强大的空间数据管理能力和空间数据分析能力,结合数据统计分析中的信息量法作为GIS的数据处理方法,对滑坡危险性进行评价,使得分析评价结果最终在GIS软件中成图显示,从而以较高的精度完成滑坡危险性评价,并大大提高了滑坡灾害评价的效率.     

县域滑坡灾害风险管理信息系统研发与应用: 以陕西省宁强县为例

滑坡风险管理是国际上广泛应用于滑坡灾害防灾减灾的有效途径之一。以县域滑坡灾害风险管理信息系统(County Landslides Risk Management Information System,CLRMIS)研发及应用为研究目标,在简述国内外相关研究现状的基础上,分析了我国县域滑坡灾害风险管理的基本特征与需求,设计了县域滑坡灾害风险管理信息系统的总体架构与功能模块,详细论述了县域滑坡灾害风险管理的技术流程、评价方法及评价标准,基于地理信息系统技术,完成了CLRMIS软件的开发。选择陕西省宁强县为应用研究区,基于CLRMIS平台,在对宁强县地质环境与地质灾害数据管理的基础上,采用信息量方法和要素权重叠加方法分别进行了区域(县域)滑坡灾害危险性和易损性研究,采用专家打分方法进行了单体滑坡灾害危险性和危害性研究,在此基础上应用风险矩阵分析方法进行了区域(县域)及单体滑坡灾害广义风险评价方法研究和基于降雨量的动态风险评价与预报预警。应用结果表明,CLRMIS能够在滑坡信息管理、风险分析与评价、预报预警等方面提供较为有效的支持,具有一定的实用价值。     

基于聚类分析的滑坡灾害危险性区划研究

滑坡灾害危险性区划研究在城市规划决策方面具有重要的现实意义。聚类分析以统计学的形式将具有相似特征的数据进行归类,能够实现滑坡灾害危险性空间分布情况的定量评价。根据湖北省巴东县滑坡灾害统计资料,选择具有代表性的滑坡灾害影响因素作为危险性区划评价指标,采用熵权法和层次分析法相结合,综合评判各指标权重。并在此基础上,以MapGIS为操作平台,以C#语言编程实现了快速聚类算法,对研究区86216个单元进行了滑坡灾害属性分类及危险性等级自动识别,预测结果较好。本研究将综合权重评判方法与聚类模型结合,同时克服了聚类结果不能自动排序的困难,对处理大批量,多属性数据具有一定的创新性和实用价值。     

基于GIS的滑坡、泥石流灾害危险性区划关键问题研究

随着GIS技术的引入,滑坡、泥石流灾害危险性区划的效率和准确性得以大大提高。依据工程地质类比原则,在灾害学理论指导下,结合专家打分、层次分析、人工神经网络、信息量、Logistic回归、统计量等模型方法,以MAPGIS软件为平台,利用C++语言开发了滑坡、泥石流灾害危险性区划评价分析系统;并重点探讨了GIS支持下的滑坡、泥石流灾害危险性区划过程中的因子分析、模型选取、模型复合、单元划分、系统集成、结果评价等关键问题,建立了一整套基于GIS的滑坡、泥石流灾害评价方法体系。应用该系统对长江三峡库区和辽宁省鞍山市分别开展了滑坡、泥石流灾害危险性区划研究,取得了较好的效果。     

基于GIS技术的区域滑坡灾害危险性预测

基于GIS技术,利用信息量模型开展区域滑坡灾害危险性预测研究,编制滑坡灾害易发分区图,为滑坡灾害的风险预测及实时预警预报提供基础资料。以浙江省永嘉县为例,利用MAPGIS二次开发得到的信息量专业模块,结合永嘉县历史滑坡灾害和2004年以来新发生的灾害点,分别评价了研究区的历史滑坡灾害危险性和现状滑坡灾害危险性;提出用历史滑坡灾害危险性图件结合新发生的灾害点来验证评价模型;将历史灾害点和新灾害点结合生成滑坡灾害危险性预测图件的预测过程;研究成果经在永嘉县的实际验证分析,2004年后3次台风期间（2004年的“云娜” 台风,2005年的“海棠”和“麦莎”台风）发生的有准确地点的滑坡灾害点全部位于滑坡灾害易发区内,表明采用的模型具有较好的实用性和可靠性;采用历史统计和快速聚类相结合的方法进行危险性等级的划分,克服了前人研究工作中人为划分易发区的缺陷,更科学、客观。     

基于Random Forest 和AHP的贵德县北部山区滑坡危险性评价

滑坡危险性评价是滑坡灾害防治和管理的重要依据。文章基于层次分析法和随机森林模型,结合距离函数法,探索性地提出了一种新的组合赋权法（RF-AHP）。采用RF-AHP对青海省贵德县北部山区滑坡进行了危险性评价,对比探讨了AHP、RF和RF-AHP三种模型评价结果与实际滑坡灾害的吻合性,结果表明:（1）RF-AHP在高危险区和极高危险区面积占比38.38%的情况下,包括了60.13%的滑坡灾害,结果准确性相比AHP和RF两种模型有较大提升;（2）随着危险性等级的逐步提高,RF-AHP区划结果中相应分区的灾害实际发生的比率也随之增高,并对三种方法出现结果差异的客观原因进行了分析讨论,证明RF-AHP适用于滑坡危险性评价工作。     

基于GIS的巴东新县城滑坡灾害风险系统

本文提出了基于GIS的滑坡灾害风险预测系统流程。并将滑坡灾害风险评价模型与GIS技术先进的图形处理和空间分析功能相结合,建立了巴东县新县城区滑坡灾害风险预测系统。系统由信息管理子系统、危险性预测子系统、易损性预测子系统、风险预测子系统四大子系统构成。系统在对相关信息进行采集、存贮、检索和管理的基础上,结合物元模型、BP模型等专业预测模型,实现了滑坡灾害危险性、易损性评价,最终取得了滑坡灾害风险分布图,为三峡库区内各县的滑坡灾害信息管理和风险预测提供了新途径。预测成果可为研究区的国土规划和移民工程的顺利实施提供依据和保障。     

机器学习在滑坡智能防灾减灾中的应用与发展趋势

滑坡灾害易发频发、点多面广、隐蔽性强、危害严重.开展“天-空-地-深”观测一体化的滑坡早期识别、易发性评价及预测预报,对于保障人民生命和财产安全,推进滑坡灾害防治能力现代化具有重要意义.目前,依靠人工解译的滑坡识别耗时耗力,采用启发式模型的滑坡易发性评价不能较好地探明环境因子之间的非线性关系,基于传统监测数据的滑坡预测预报精度较低.机器学习算法凭借其强大的非线性处理能力及鲁棒性等优势,逐渐广泛应用于滑坡智能防灾减灾中.基于此,本研究系统阐述了机器学习在滑坡灾害早期识别、易发性评价及预测预报等方面的具体应用,综述了多种机器学习算法在上述3个领域中运用的优劣,最终对机器学习在滑坡灾害中未来的发展趋势进行了展望.     

基于ArcEngine的地震灾害快速评价系统的设计与实现

地震灾害的信息化管理是实现地震灾害预测、预报和预防的基础。为了满足评价过程中对不同模型数据与因子数据的管理需求,结合ArcEngine二次开发技术,设计、实现了集灾害数据分析、灾害评价模型管理、模型应用与评价结果可视化等功能于一体的地震灾害快速评价系统,并将其应用于芦山地震滑坡灾害危险性评价过程。测试结果表明,该系统可以快速稳定完成不同模型下数据的分析与输出,有效地提高灾害信息提取的工作效率,为抗灾减灾赢取时间。     

证据权法在区域滑坡危险性评价中的应用以贵州省为例

以GIS为技术平台,采用证据权法对研究区进行了滑坡地质灾害危险性分析。综合分析历史滑坡数据及其环境因素和触发因素,数据源主要有地形图、DEM、地质图,选取地层岩性、构造、高程、坡度、坡向、地形起伏度、道路、水系作为危险性评价因子。首先应用ArcGIS软件对数据源进行处理,提取各个评价因子图层,并对每个图层进行分级、缓冲区分析等处理,建立若干证据层。然后将历史灾害点与评价因子进行空间关联分析,计算每个评价因子等级的权重,最后计算出评价单元的危险性指数,并将危险性分为极高危险区、高危险区、中等危险区、低危险区。采用成功率曲线法对证据权法评价精度进行验证,结果表明本次评价的精度为71%。利用历史滑坡数据对评价结果进行验证,结果显示评价结果与实际情况较为吻合,说明证据权可以客观定量地评价各影响因子对滑坡的影响程度,该方法应用于区域地质灾害危险性评价比较有效。     

基于投影寻踪模型的滑坡危险性等级评价

危险性评价是滑坡灾害预防与减灾工作首要解决的重要内容.在地理信息系统技术支持下, 以山地灾害频发区——小江流域作为研究对象, 选取坡度、土体粘聚力和内摩擦角这3个评价指标构建滑坡危险性分级评价指标体系, 将投影寻踪技术运用到滑坡危险性等级评价中, 对评价样本的各指标因素进行线性投影, 以最优投影方向所对应的投影特征值作为评价依据, 建立了滑坡危险性等级综合评价模型, 绘制了滑坡危险性等级分布图.结果表明: 研究区极高危险区、高危险区、中等危险区、低危险区和极低危险区的面积比例为14.28∶9.41∶69.12∶7.00∶0.19;根据所建立的5级评价指标体系对研究区60个土质滑坡点资料进行了验证, 在占研究区总面积23.69%的高、极高危险区的小范围内, 实际发生土质滑坡数量45个, 占总土质滑坡数量的75.00%;中等危险性级别以上区域拥有的土质滑坡数量占全部土质滑坡的96.67%;不同危险性级别的滑坡体积方量统计结果表明, 滑坡体积方量密度随危险性级别的提高而迅速增加.对比评价结果及实测结果可知, 投影寻踪分级结果符合实际情况, 证实了该方法的正确性, 为滑坡危险性评价提供了一条新思路.      

基于I-CF模型的四川德格县滑坡危险性评价与区划CSCD

文章以德格县为研究区,以7 m DEM进行地形分析处理,并结合相关调查数据建立了德格县滑坡灾害数据库,通过选取的地震峰值加速度、断裂带、水系、坡度、坡向、高程、岩性等7个指标,在GIS技术支持下,利用信息量模型(I)、层次分析法模型(AHP)、确定性系数模型(CF)相互耦合对研究区灾害敏感性评价,再分析得到活动频率因素对研究区全县域进行危险性评价,将得到的结果分成4个区域,分别为高危险区、较高危险区、中危险区、低危险区,其中高、较高危险区占总面积2.23%。其中,滑坡灾害占总灾害的42%。评价结果与实际调查结果符合程度较高,能够为该地域未进行实地调查的地方进行相关滑坡灾害的预测预报,并对安全防治提供技术支持,亦可以为其他地区滑坡灾害危险性评价提供理论指导和技术参考。     

基于组合赋权-未确知测度理论的滑坡危险性评价

危险性评价与预测是滑坡灾害预防与减灾工作首要解决的重要内容。以西藏隆子县研究区内发育的滑坡为例,据其特有的地质环境条件,选取滑坡发育高程、坡度等13项影响因素作为滑坡危险性评价的指标,并建立分级标准将滑坡危险性划分为高度、中度和低度三级。采用组合赋权-未确知测度理论耦合评价模型,构建了评价指标未确知测度函数、评价指标组合赋权值、置信度判别准则,对研究区内20个滑坡进行了危险性评价,获得了每个滑坡危险性等级,并与模糊物元和突变理论评价结果及实测结果对比,评价结果基本符合实际情况,证明该方法科学合理,可为滑坡危险性预测提供新思路。     

浙江省永嘉县滑坡灾害危险性区划

永嘉县是浙江省滑坡灾害发生频繁的区县之一,其滑坡受地质、地形和人类工程活动等因素的影响。本文根据永嘉县滑坡灾害分布情况,选择了影响滑坡分布的主要因素,将各种因子归一化处理后转换成相同分辨率的定量数据,选择了逻辑回归分析模型和信息量模型进行滑坡灾害危险性评价。在逻辑回归模型中,利用SPSS软件,通过逐步回归分析筛选出影响滑坡的最直接的因子,计算出各个因子的回归系数,得到逻辑回归方程,据此编制了危险性预测分区图。在信息量模型中,通过MAPGIS软件及其二次开发的信息量模型,对永嘉县滑坡灾害进行了危险性区划,并依信息量法的结果编制了该区的危险性预测分区图。两种方法所编制的危险性分区图中高危险区和中危险区重合率达到了87%,具有很高的一致性,起到了相互验证的作用,为滑坡的有效防治提供了依据。最后根据"云娜"台风期间永嘉县实际灾害发生情况的资料分析,新灾害点绝大部分落在危险性预测区中的高危险区,表明模型的预测准确率很高。     

滑坡灾害空间智能预测展望

滑坡灾害危险性区划是在滑坡编录和灾害敏感性分析结果的基础上,应用定性分析和定量分析、确定性模型和随机性模型相结合对滑坡灾害易发程度进行分区表示.随着地理信息系统和人工智能技术在滑坡灾害区划中的广泛应用,JP2]灾害危险性的定量研究得到进一步的深化和发展.在评述了滑坡灾害危险性区划主要定量模型的基础上,分析了未来滑坡灾害区划的发展趋势,并提出了基于空间数据挖掘的滑坡灾害空间智能预测框架.     

优化神经网络下阿富汗东北高原寒旱区滑坡危险性评价

阿富汗东北部是典型的高原寒旱地区,滑坡灾害发育,除受地形地貌、地质构造、人类活动等因素影响外,还由积雪覆盖、冰雪消融等方面控制;为研究高原寒旱地区滑坡危险性,在遥感解译基础数据上,考虑高原寒旱地区积雪覆盖和冰川活动对滑坡发育的影响,引入积雪覆盖度和消融水当量两个评价指标,基于证据权-全连接神经网络模型建立滑坡易发性评价模型,以度日模型、SCS-CN模型建立滑坡危险性评价体系,并根据混淆矩阵对评价模型进行检验;危险性评价结果表明极高危险性区域占全区10.46%,分布灾害面积占比82.71%,主要分布在努尔斯坦省东部库纳尔-奇特拉尔河段、巴达赫尚省除瓦罕走廊段的中东部高山区和帕尔万省赫尔曼德河段;高危险性区域占全区14.83%,分布灾害面积占比12.11%,主要分布在巴达赫尚省东部区域、努尔斯坦省和帕尔万省西部.检验结果及统计结果均表明结合证据权法取负样本对神经网络精度提升显著;研究成果为阿富汗滑坡灾害早期预警与工程防治提供科学依据.     

增量学习在滑坡易发性评价中的应用——以甘肃省天水市为例

为了提升机器学习模型在滑坡易发性评价任务中的泛化能力,以甘肃天水市为例,采用基于LightGBM的增量学习模型,并利用Autogluon自动机器学习框架实现模型的超参数优化和堆叠,以及使用SHAP可解释框架进行特征选择和数据异常分析,构建了适用于滑坡易发性评价的增量学习模型。通过在天水市不同区域采集的滑坡灾害数据进行模型验证,结果表明,基于增量学习的滑坡易发性评价模型能够有效地识别和预测滑坡易发区域,根据新数据集自适应调整模型,并且提高模型的性能。