基于Stacking集成学习的泥石流易发性评价:以四川省雅江县为例

为给四川省雅江县提供直观准确的泥石流易发性图,将四川省雅江县作为研究区,选用高程、坡度、坡向、地形起伏度、平面曲率、剖面曲率、年平均降雨、到河流的距离、到道路的距离、地形湿度指数、归一化差分植被指数及土壤类型12个评价因子,利用Stacking集成学习框架,结合支持向量机、神经网络和随机森林,建立了一种多模型融合的泥石流预测模型。通过ROC曲线验证了模型的准确性,得出Stacking融合模型、随机森林、神经网络和支持向量机模型的成功率分别是98.1%、96.1%、94.5%、93.4%,预测率分别是95.5%、91.6%、90.6%、89.7%。结果表明:Stacking融合模型精度最高,最适合用于雅江县泥石流易发性评价。     

不同模型的滑坡易发性评价精度讨论

为探讨不同滑坡易发性评价模型其评价结果的差异和评价精度,本文以贵州省桐梓县为研究区,选取坡度、斜坡结构、地形起伏度、工程地质岩组、距水系距离、距断层距离6个影响因子建立评价指标体系,分别采用信息量模型、确定性系数法、频率比法3种方法开展区域地质灾害易发性评价,并通过ROC曲线对评价结果进行精度验证。评价结果表明:信息量模型(AUC=0800)的评价精度优于确定性系数法(AUC=0784)和频率比法(AUC=0787),因此信息量模型更适合于该区域的滑坡易发性评价。     

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。     

机器学习模型在滑坡易发性评价中的应用

机器学习在滑坡的易发性评价中面临两个难点,一是评价指标的客观量化,二是训练样本的选择。鉴于此,采用频率比法实现了评价指标的客观量化,利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明,以k均值聚类算法筛选非滑坡为前提,神经网络的训练精度由73%提升到了97%,支持向量机的训练精度由75%提升到了96%。基于GIS平台,将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域,分区图与历史灾害点的叠加分析统计结果显示,神经网络在全局范围内的评价结果优于支持向量机模型,全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。     

基于信息量模型的地质灾害易发性评价:以川东南古蔺县为例

地质灾害威胁着山区人民生命财产安全,进行地质灾害易发性评价有助于山区城镇进行规划与建设时规避灾害风险.以川东南古蔺县为例,基于ArcGIS空间分析获取了研究区高程、坡度、岩性、斜坡结构、植被指数、距断层距离和距道路距离7个评价因子,采用信息量模型分别对滑坡和崩塌灾害进行易发性评价后,进一步利用ArcGIS单元统计功能对...     

基于信息量和多层感知机分类器模型耦合的平果市斜坡类地质灾害易发性评价

广西平果市频发的地质灾害严重制约着市区的工程建设和生命财产安全。在充分收集和整理区域地质资料的基础上,通过遥感解译和现场调查,确定了平果市共发育251处斜坡类地质灾害,其中崩塌189处、滑坡62处。选择高程、坡度、坡向、曲率、工程地质岩组、距断层距离、土层厚度、距河流距离和降雨共9个因子作为评价因子,结合信息量和多层感知机分类器的优势,采用信息量和多层感知机分类器耦合模型对平果市斜坡类地质灾害进行易发性评价。斜坡类地质灾害易发性制图表明极高易发区占平果市面积的25.39%,主要分布于平果市的北部、中部和南部山区。通过ROC曲线对模型预测能力进行检验获得AUC=0.809,表明模型评价结果能够很好地预测研究区斜坡类地质灾害的发生。研究结果可为研究区的崩滑灾害风险评价和灾害防治提供科学依据。     

基于斜坡单元与随机森林模型的元阳县崩滑地质灾害易发性评价

针对基于栅格单元与定性定量方法模型在地质灾害易发性评价中存在模型预测精度低且使用较为频繁的不足与弊端,采用斜坡单元与机器学习方法之一的随机森林模型相结合开展元阳县崩滑地质灾害易发性评价。在ArcGIS中,利用曲率分水岭法划分出7 851个斜坡单元。经过大量统计研究与地质环境条件分析,选取工程地质岩组、地貌类型、高程、坡度、坡向、曲率、起伏度、河流距离、断层距离等9个因子作为评价指标,并通过SPSS软件,将9个评价指标与灾点发育特征的关系进行数据分析,得出各评价指标权重。在SPSS中,采用随机森林模型,建立易发性评价模型,将元阳县崩滑地质灾害易发性划分为低、中、高、极高4类,所占面积分别为410.06 km²、470.21 km²、550.02 km²和776.87 km²,分别占元阳县面积的18.58%、21.30%、24.92%和35.20%。经与详查结果对比,评价结果与实际高度吻合。利用ROC曲线得出区划结果精度AUC值为92.7%,区划结果相当好。研究显示,元阳县中部和西南两个部分地质灾害集中...     

基于CF-LR模型的河南省信阳市地质灾害易发性评价

河南省信阳市位于我国地理南北分界线、气候分界线,是地质灾害多发市,地质灾害易发性评价对防灾减灾有重要的指导意义.基于资料分析,选取坡度、坡向、地形曲率、到水系距离、到断层距离、夜间灯光指数和植被指数共7个指标,采用CF-LR模型,对信阳市地质灾害易发性进行了评价.结果表明,信阳市地质灾害易发性程度划分为4类：极高易发区（占全区面积11.39%）、高易发区（19.51%）、中易发区（14.20%）和低易发区（54.90%）.经合理性和准确性检验,评价结果符合要求,说明采用的CF-LR模型能够较为客观准确地评价信阳市地质灾害易发性.     

基于FR的多种机器学习模型在地质灾害易发性评价中的对比分析

选取建模效果较好的3种模型,支持向量机模型、随机森林模型和人工神经网络模型,以福建福鼎为研究区进行地质灾害易发性分析,将3种模型建模结果通过ROC曲线和频度比法进行对比,选择最优福鼎地质灾害易发性分析结果,为该地区防灾减灾提供有利指导。结果表明:3种模型均能有效地预测出福鼎地质灾害易发性,是基于该区域可靠性较高的预测模型;支持向量机模型的准确率(86.7%)高于人工神经网络(84.7%)和随机森林(79.7%)的准确率;支持向量机模型的频度比分析值更具梯度,是最适合该地区的易发性分析模型。     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

基于CF-AHP耦合模型的高速公路沿线崩塌地质灾害易发性评价——以蓉遵高速公路土城——旺隆段为例

蓉遵高速公路（土城—旺隆段）沿线崩塌频繁发生，威胁公路安全甚至人类的生命财产安全。文章通过实地调查蓉遵高速公路（土城-旺隆段）崩塌地质灾害的影响因素，构建了9个影响因子，分别是地形起伏度、高程、归一化植被指数、坡向、地层岩性、距道路距离、距河流距离、坡度及降雨量。采用确定性系数模型（certain factors, CF）、层次分析法（analytic hierarchy process, AHP）及耦合模型（CF-AHP）对研究区进行崩塌地质灾害易发性评价，并分别采用崩塌地质灾害点频率统计和成功率曲线对3种模型的评价精度进行检验。结果表明，CF、AHP和CF-AHP的AUC预测精度分别为0.848,0.835,0.866，且3种评价模型得到的崩塌地质灾害的高、中易发区频率比值占总频率比值均超过70%。3种模型精确度由大到小分别为CF-AHP、CF、AHP模型，说明CF-AHP模型的滑坡预测优于单一的CF、AHP模型，能精确地评价蓉遵高速公路（土城-旺隆段）崩塌地质灾害易发性，为公路沿线区域崩塌灾害的防灾减灾提供决策依据。     

基于SOM-I-SVM耦合模型的滑坡易发性评价

在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能...     

基于证据权法的昆明五华区地质灾害易发性评价

地质灾害易发性评价是国土空间规划和区域地质灾害防灾减灾的重要依据。为探索适合云南高原低山丘陵区地质灾害易发性评价方法,论文选择云南省昆明市五华区为典型研究区,选择工程地质岩组、距断裂构造线距离、高程、坡度、坡向、坡面曲率、距公路线距离和土地利用类型等8个因素,应用基于贝叶斯理论的证据权法进行地质灾害易发性评价,通过对各...     

基于多因素加权指数和法的区域地质灾害易发性评价研究 ——以麦积区为例

以麦积区1 ∶ 50 000地质灾害风险调查项目为依托,在前人研究及分析区内地质灾害分布规律与发育特征的基础上,以栅格单元作为基本评价单元,运用多因素加权指数和法,以地形条件、地貌类型、工程地质岩组、距断层距离、距水域距离、植被覆盖等作为区内地质灾害易发性评价的一级因子。以高程、坡度、坡向、地形起伏度、地面粗糙度、地表曲率等作为表征地形条件的二级评价因子,以距支流及干流距离作为表征距水域距离的二级评价因子,采用层次分析法计算各一级评价因子及其所属的二级评价因子的权重,基于ArcGIS平台对各评价单元综合易发性指数进行计算并进行归一化处理,采用自然间断点法将研究区地质灾害易发性划分为高易发区（8. 26%）、中易发区（19. 49%）、低易发区（23. 69%）、非易发区（48. 56%）4个区域。采用历史灾害统计法定性验证与ROC曲线法（AUC=0. 866）定量验证相结合的综合评价方法对划分结果进行验证,表明多因素加权指数和法能够较为客观准确的对麦积区地质灾害易发性进行评价。     

G219阿克赛钦段地质灾害分布特征及易发性评价

G219阿克赛钦段沿线地形地貌多样,地质条件复杂,道路运行严重受崩滑流等地质灾害影响。结合现场调查和遥感解译生成的灾害数据库,分析阿克赛钦段沿线崩滑流灾害分布特征。利用频率比法选取坡度、坡向、高程、工程地质岩组、PGA、距断层距离、距河流距离、距公路距离等8个影响因子,进行崩滑流灾害易发性评价。研究发现：(1)阿克赛钦段崩滑流灾害主要分布在赛图拉-大红柳滩一带,泥石流灾害主要发育在康西瓦断裂附近河谷区域,崩滑灾害基本分布在切坡等扰动活动强烈的康西瓦-大红柳滩一带;(2)研究区地质灾害极高、高易发区主要分布在泉水沟以北河谷及六三五道班南部部分区域,面积分别占研究区的7.99%、21.08%,各有63.71%、23.56%的总历史灾害面积占比;(3)基于频率比法的易发性评价模型AUC值为0.854,评价结果可靠。研究方法及结果可为G219阿克赛钦段防灾减灾工作提供理论依据与指导。     

基于机器学习的滑坡灾害易发性评价——以三峡库区为例

三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC(Area Under Curve)精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。     

基于三种多变量不安定指数分析模型的汶川县地质灾害易发性评价

采用多变量不安定指数分析法模型并加以改进,应用于汶川县地质灾害易发性评价。选取坡度、坡向、地层岩性、距断层距离、植被覆盖率及距水系距离六项影响因子,结合四川省自然资源厅发布的汶川县地质灾害隐患点数据,以幂次相乘、线性累加、幂次累加这三种不同的不安定指数分析法模型分别得到了研究区地质灾害易发性分区图,并用接受者操作特性曲线（Receiver Operating Characteristic curve, ROC curve）验证了各种模型的评价性能。结果表明:（1）对本案例而言,幂次相乘模型相较其它两种模型具有最高的精度;（2）汶川县地质灾害“极高”“高”“中”“低”“极低”易发区的面积占比分别为:19.3%、24.6%、19.2%、19.3%、17.6%,且研究区地质灾害易发性较高的区域多分布在断裂带附近。本研究成果可为区域地质灾害防治工作提供理论借鉴和技术参考。     

基于斜坡单元灾害强度的滑坡灾害易损性评价——以湖南省湘乡市为例

以斜坡为单元,基于潜在灾害强度的区域性易损性评价是地质灾害防治亟待解决的重要问题之一。以湖南省湘乡市为研究区,在采用加权信息量方法进行易发性区划的基础上,逐个提取斜坡单元最高易发值点的高程、坡高、坡度、坡向、月平均降雨量为特征参数,分别代入BP神经网络、PSO-BP神经网络、随机森林及支持向量机模型。通过训练与精度测试对比,构建基于PSO优化BP神经网络算法的滑坡体积预测模型,建立以灾害体积为灾害强度指标,以建筑密度、人口密度、财产密度等为脆弱性指标的易损性综合评价模型。针对研究区开展基于潜在灾害强度的区域性易损性评价,完成高易损区（面积占比1.5%）、中易损区（面积占比28.5%）和低易损区（面积占比70%）的区划,实现了区域性易损性评价过程中致灾体灾害强度与承灾体脆弱性的有机结合,增强了评价的客观性和科学性。     

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。     

滑坡易发性评价方法和精度比较——以贵州省大方县为例

近年来贵州省突发性滑坡地质灾害时有发生,除在册滑坡隐患外,还有不少斜坡存在着滑坡的孕灾环境条件,通过新一轮的地质灾害风险评价发现,选用不同的风险评价体系对地质灾害易发性的影响很大,从而影响地质灾害防治、国土空间规划和政府决策等基础数据。本次以大方县滑坡数据为例,选取与滑坡相关的7个影响因子:坡度、坡向、相对高差、工程地质岩组、距水系距离、距构造距离以及土地利用类型,采用层次分析法(AHP)、信息量模型(I)及耦合模型(AHP-I)对研究区进行滑坡易发性评价,并采用滑坡点频率统计和成功率曲线(ROC)对3种模型的评价精度进行检验。通过比较,选取精度高的耦合模型(AHP-I)作为滑坡易发性评价方法,从而能更加精确地评价大方县的滑坡易发性,为山区县级区域滑坡灾害的防灾减灾提供决策依据与参考。