基于GIS的人工神经网络模型在地质灾害危险性区划中的应用

地质灾害区域评价和危险性区划结果的准确与否,主要取决于基础地质资料的可靠性及数学模型的合理性.为了提高数据的可靠性,利用GIS,在其支持下管理多源基础地学数据,进行数据处理,提取因素图层,剖分形成评价图元区域.然后在GIS基础上进行二次开发,将人工神经网络模型和GIS有机整合,这样GIS既为人工神经网络模型提供评价数据,又处理其评价结果数据,成图输出.本文遵从上述思路,结合长江三峡示范区(巴东-新滩)具体实例,探讨了人工神经网络和GIS结合(基于GIS的人工神经网络)的可能性和现实途径及其在区域地质灾害危险性区划中的应用前景.这种思路同样也适合其他数学模型与GIS的结合.     

陕南秦巴山区地质灾害危险性评价研究

陕西省是中国地质灾害最严重的省份之一,而陕南秦巴山区地质灾害灾情尤为严峻,因此进行地质灾害危险性评价对指导防灾减灾工作意义重大。文章以陕南秦巴山区为研究区,基于GIS技术与2001-2016年研究区地质灾害灾情数据,分析研究了区内地质灾害与各指标因子之间的敏感性关系,并确定了高程、岩土体类型、断裂构造、降雨等7个影响地质灾害发生较大的因子作为区域地质灾害危险性评价指标。其次,以各指标条件下地质灾害数量和累计发生频次曲线斜率的突变为依据,对评价指标因子进行状态分级。最后,运用信息量法建立栅格数据模型展开区域地质灾害危险性评价。研究结果表明:高危险性、较高危险性、中危险性的地区占研究区总面积的百分比分别为10.52%、28.31%、30.19%,区内地质灾害点的空间分布与地质灾害危险性评价结果基本一致,信息量模型的预测精度为90.16%。文章将经验知识与数据驱动的分析方法相结合,应用于较大范围的地质灾害危险性区划,研究结果可为区域地质灾害防治工作提供参考依据。      

中国崩塌、滑坡、泥石流灾害危险性评价

地质灾害危险性是地质灾害发育密度、活动规模、活动频次的综合性反映。从这一认识出发,本文论述了地质灾害危险性构成及其评价方法,在此基础上,以县(市、区、旗)和省(直辖市、自治区)为单元,进行了崩塌、滑坡、泥石流灾害危险性评价与区划,分析了危险性分布情况与区域变化规律。      

可拓聚类预测方法在地质灾害危险性评价中的应用

基于可拓学的物元模型和聚类分析原理,提出了地质灾害危险性评价的可拓聚类预测方法。本文根据地质灾害危险性的9个影响因子,构建了经典域物元和节域物元,应用物元理论和可拓集中的关联函数建立预测模型,通过聚类分析得到地质灾害危险性的预测结果。并将可拓聚类预测方法用于对云南昭通地区滑坡、泥石流危险性评价之中,实例研究表明了可拓聚类预测方法用于地质灾害危险性评价的有效可行性。     

地裂缝灾害发生机理与“三图法”评价方法研究——以山西榆次地裂缝研究为例

地质灾害定量评价是实施防灾、减灾工作的基础依据。本文在采用室内相似材料物理仿真模拟试验和非线性分形几何特征分析基础上,论述了榆次地裂缝的形成机理和基本发育特征与规律。并且,应用现代先进的地理信息系统(GIS)与非线性人工神经网络(ANN)耦合评价理论和方法,定量研究地质灾害形成的自然属性,对灾害危险性进行评价分区(第一图);然后,根据承灾体分布特征和当地社会、经济、环境和城市建设发展状况,应用地理信息系统与层次分析法(AHP)耦合理论与方法,定量研究地质灾害发生的社会属性,对承灾体易损性进行评价分区(第二图);综合地质灾害的自然和社会属性,应用地理信息系统技术,根据多源地学信息复合原理,对地质灾害危险性分区图与易损性分区图实施复合叠加,确定出地质灾害危害性评价分区图(第三图)。文章最后总结提出了地质灾害定量评价的“三图法”基本理论和方法。     

黑龙江勃利县地质灾害易发区评价

本文以黑龙江省勃利县为例,采用地质灾害综合危险性指数法对地质灾害进行易发定量评价。首先将勃利县行政区划图进行网格剖分,运用栅格数据处理方法进行剖分,然后根据各单元的地质、地形地貌(坡度)、气候(植被覆盖)以及人类工程活动等条件(上述判别方法),利用MAPGIS空间分析功能,求取评价单元的潜在地质灾害强度指数与现状地质灾害强度指数,分级赋值进行换算叠加,获得评价单元的地质灾害综合危险性指数,再依据地质灾害综合危险性指数,合并相同单元格,划定地质灾害易发区。     

信息量模型引入AHP的地质灾害危险性评价——以贵州省松桃县为例

在松桃县地质灾害危险性评价中,将层次分析模型(AHP)引入信息量模型,选取地层、坡度、坡向、斜坡结构等8评价因子,分别对松桃县滑坡和崩塌两种主要灾种进行危险性评价,并将评价结果按就高不就低原则叠加,实现了区域性的地质灾害危险性评价,并提出地势平缓区的解决思路,有效避免了常规性信息模量评价中出现夸大地形平缓区域地质灾害危险性等级的不合理结果。最终评价精度为80.3%,表明评价结果较好,可为相似区域的危险性评价提供参考。     

综合统计模型和物理模型的地质灾害精细评估——以福建省龙山社区为例

地质灾害易发性和危险性评价对象相同但评价内容有差异,即两者表达地质灾害的时间、空间和强度信息各有不同。本文将崩塌滑坡易发性中的统计模型和危险性评价中的物理模型进行结合,综合统计模型客观预测空间位置信息的优点以及物理模型模拟包含地质灾害发生机制的优势,弥补了区域统计模型无法预测灾害强度信息的不足,也对物理模型模拟的空间位置进行了有效的控制和修正,进而完成区域崩塌滑坡的易发性和危险性等级综合分析,实现对区域崩塌滑坡潜在高风险位置的精细评估。本文以福建省福鼎市龙山社区为例,利用野外获取的高清影像、地形、钻孔和地质灾害等数据,通过综合统计模型评价和物理模型危险性评估,完成潜在高风险位置的精细化分析。研究结果表明:需要进行重点排查治理的区域约占社区附近山体总面积的26.92%;研究区域内需要进行集中排查与治理的区域有5个,其中3个区域需要进行重点治理,其潜在高风险区域与野外地质灾害调查区域隐患点吻合;5个高风险区域直接对180幢左右楼房（约360余户居民）的安全构成威胁,该评估将野外调研中划定的大范围高风险区域精细化处理,并验证了该评价方法体系的可行性。该评价方法体系为区域崩塌滑坡地质灾害精细化排查和治理提供了工作思路和指导。     

安徽黄山市徽州区地质灾害危险性评价研究

皖南山区是安徽省地质灾害高发区域。本文选取黄山市徽州区为研究区,根据区内地形地貌和地质构造特点,选取了高程、坡度、坡向、断裂构造、水系、土地覆盖类型、工程地质岩组、人类活动强度等8项致灾因子作为地质灾害危险性评价指标。结合地质灾害野外实地调查成果,采用信息量模型法对研究区进行地质灾害危险性评价,探索建立适合皖南山区的地质灾害危险性评价模型。     

层次分析法在山地地质灾害危险性评价中的应用——以辽宁凌源地区为例

凌源市是辽西地区山地地质灾害危害较为严重的区域。在GIS技术支持下,选取地形、岩性、构造、降雨、道路、土地利用等6个因素作为评价指标,根据已发生的68个山地地质灾害点计算了各指标因子的敏感性,分别采用层次分析法、信息量法和统计量法确定了各指标的权重,利用因子叠置法对危险性进行了综合评价。结果表明层次分析法在该区山地地质灾害危险性评价中效果良好。该研究对相似地区山地地质灾害危险性区划具有一定的借鉴意义。     

区域地质灾害趋势预测理论与方法

区域地质灾害趋势预测对于国家土地资源的合理开发利用和制定减灾防治对策具有重要意义。本文总结了区域地质灾害三个层次评估的理论与方法, 即基于自然属性的地质灾害研究、基于风险分析的地质灾害研究和基于信息-决策支持系统的地质灾害研究。作者认为, 运用GIS技术, 将这三层次的评价方法结合起来, 是进行区域地质灾害趋势预测的有效途径。本文最后介绍了1∶600万全国地质灾害趋势预测图编制的思路与成果。     

北京市通州区缓变性地质灾害危险性分区评价

以北京市通州区为例,提出了平原区缓变性地质灾害危险性分区评价方法,建立了单灾种地质灾害危险性分区评价指标体系;在对单灾种地质灾害危险性分区评价的基础上,进行了多灾种地质灾害危险性综合分区评价。评价结果可直接用于城市地质灾害防治规划编制工作,为城市防灾减灾和防治工程的实施提供了科学依据。     

综合指数法和AHP法在地质灾害危险性综合评估中的应用

针对地质灾害危险性综合评估存在的模糊性,介绍了综合指数法及AHP法在地质灾害危险性综合评估中的计算方法及步骤。并通过工程实例,阐述了其应用。     

Storm surge prediction using an artificial neural network model and cluster analysis

In this study, an artificial neural network model was developed to predict storm surges in all Korean coastal regions, with a particular focus on regional extension. The cluster neural network model (CL-NN) assessed each cluster using a cluster analysis methodology. Agglomerative clustering was used to determine the optimal clustering of 21 stations, based on a centroid-linkage method of hierarchical clustering. Finally, CL-NN was used to predict storm surges in cluster regions. In order to validate model results, sea levels predicted by the CL-NN model were compared with results using conventional harmonic analysis and the artificial neural network model in each region (NN). The values predicted by the NN and CL-NN models were closer to observed data than values predicted using harmonic analysis. Data such as root mean square error and correlation coefficient varied only slightly between CL-NN and NN model results. These findings demonstrate that cluster analysis and the CL-NN model can be used to predict regional storm surges and may be used to develop a forecast system.     

和龙市泥石流灾害危险性分区评价

泥石流是和龙市最主要的地质灾害。研究泥石流灾害危险性分区旨在为减轻和龙市地质灾害规划提供科学依据。本文运用灰色关联分析的方法，获取了评价和龙市泥石流灾害的定量指标，并计算了各指标的权重。在此基础上得出各区域的泥石流危险度，据此对各区域进行了危险性分区。泥石流高危险区位于和龙市东北部。这些区域地质灾害频繁发生主要是由植被覆盖率低、地质环境质量较差、人类工程活动不当等因素所致。     

模糊综合评判法在新宾县地质灾害易发程度分区评价中的应用

结合辽宁省新宾县地质灾害发育情况,在充分分析影响该地区地质灾害发生发展的自然因素和人为因素基础上,应用模糊综合评判方法,通过网格单元剖分,对泥石流、崩塌、滑坡、地面塌陷、地裂缝5种地质灾害进行易发程度划分与评价.结合Visual BASIC软件编程对各单元区评定等级,对其数字化结果进行叠加分析,最后应用Sufer 7.0软件生成等值线进行了新宾县地质灾害易发区的划分并作出评价.     

Neural network modeling for regional hazard assessment of debris flow in Lake Qionghai Watershed, China

This paper presents a neural network (NN) based model to assess the regional hazard degree of debris flows in Lake Qionghai Watershed, China. The NN model was used as an alternative for the more conventional linear model MFCAM (multi-factor composite assessment model) in order to effectively handle the nonlinearity and uncertainty inherent in the debris flow hazard analysis. The NN model was configured using a three layer structure with eight input nodes and one output node, and the number of nodes in the hidden layer was determined through an iterative process of varying the number of nodes in the hidden layer until an optimal performance was achieved. The eight variables used to represent the eight input nodes include density of debris flow gully, degree of weathering of rocks, active fault density, area percentage of slope land greater than 25° of the total land (APL25), frequency of flooding hazards, average covariance of monthly precipitation by 10 years (ACMP10), average days with rainfall >25 mm by 10 years (25D10Y), and percentage of cultivated land with slope land greater than 25° of the total cultivated land (PCL25). The output node represents the hazard-degree ranks (HDR). The model was trained with the 35 sets of data obtained from previous researches reported in literatures, and an explicit uncertainty analysis was undertaken to address the uncertainty in model training and prediction. Before the NN model is extrapolated to Lake Qionghai Watershed, a validation case, different from the above data, is conducted. In addition, the performances of the NN model and the MFCAM were compared. The NN model predicted that the HDRs of the five sub-watersheds in the Lake Qionghai Watershed were IV, IV, III, III, and IV–V, indicating that the study area covers normal hazard and severe hazard areas. Based on the NN model results, debris flow management and economic development strategies in the study are proposed for each sub-watershed.     

基于人工神经网络模型的福建南平市滑坡危险性评价

滑坡灾害持续影响着人民生命财产安全和地区社会经济可持续发展,滑坡危险性评价能够为防灾减灾和区域规划提供有效的理论依据。以福建省南平市为研究区,区内1711个历史滑坡灾害点,选择高程、坡度、坡向、曲率、地质岩性、土壤类型、降雨、水系、土地利用类型、公路和铁路共11个影响因子构成基本评价体系。使用Spearman相关系数对各因子进行共线性分析。基于1711个滑坡样本和1711个随机选取的非滑坡样本数据,利用人工神经网络模型对研究区进行了滑坡危险性评价,并利用混淆矩阵和接收者操作特征曲线（ROC）对模型进行验证。结果表明:混淆矩阵精度84.91%,ROC曲线下面积AUC值0.93,说明模型具有较高精度和预测率。使用自然间断法将滑坡危险性分为5个等级,结果表明研究区内危险性最高地区位于延平区和浦城县,顺昌县和松溪县次之,其余地区多为低危险区和较低危险区。研究结果可为当地区域规划和防灾减灾工程提供一定的理论依据和科学指导。     

普安县楼下镇人为地质作用与地质灾害的关系

楼下镇是普安县经济最发达的乡镇,地质灾害发育,主要是滑坡和地裂缝,也见有地面塌陷和崩塌,还有泥石流隐患。其形成除特殊的地形地貌和岩石特征外,与人为地质作用关系密不可分。本文将对该区地质灾害类型及其分布、产生的背景条件、人为地质作用影响进行分析,并有针对性地提出防治措施。