基于逻辑回归的四川青川县区域滑坡灾害预警模型

四川省青川县滑坡灾害群发,点多面广,区域滑坡灾害预警是有效防灾减灾的重要手段,预警模型是成功预警的核心。由于研究区滑坡诱发机理复杂、调查监测大数据及分析方法不足等原因,传统区域地质灾害预警模型存在预警精度有限、精细化不足等问题。文章在青川县地质灾害调查监测和降水监测成果集成整理与数据清洗基础上,构建了青川县区域滑坡灾害训练样本集,样本集包括地质环境、降雨等27个输入特征属性和1个输出特征属性,涵盖了青川县近9年（2010—2018年）全部样本,数量达1 826个（其中,正样本613个,负样本1 213个）。基于逻辑回归算法,对样本集进行5折交叉验证学习训练,采用贝叶斯优化算法进行模型优化,采用精确度、ROC曲线和AUC值等指标校验模型准确度和模型泛化能力。其中,ROC曲线也称为“受试者工作特征”曲线;AUC值表示ROC曲线下的面积。校验结果显示,基于逻辑回归算法的模型训练结果准确率和泛化能力均较好（准确率94.3%,AUC为0.980）。开展区域滑坡实际预警时,按训练样本特征属性格式,输入研究区各预警单元27个特征属性,调用预先学习训练好的模型,输出滑坡灾害发生概率,根据输出概率分段确定滑坡灾害预警等级。当输出概率P≥40%且P<60%时,发布黄色预警;当输出概率P≥60%且P<80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。     

基于随机森林的福建省区域滑坡灾害预警模型研究

福建省滑坡灾害群发,点多面广,开展区域滑坡灾害预警业务是有效防灾减灾的重要手段,预警模型的科学性和有效性是预警业务的核心问题。传统区域滑坡灾害预警模型,受到滑坡诱发机理复杂、数据积累有限,以及大数据分析方法不足等限制,存在预警精度有限、精细化不足等问题。本文基于近9年地质与气象大数据,采用随机森林算法,构建了福建省区域滑坡灾害预警模型并开展实例校验。研究得出如下结论:①提出区域滑坡灾害训练样本集构建的优化方法,并构建了福建省区域滑坡灾害训练样本集,样本集包括地质环境、降雨等26个输入特征属性和1个输出特征属性,涵盖了福建省近9年(2010~2018年)全部样本数量达15 589个(其中:正样本3562个,负样本12 027个,正负样本比例约1 : 3.4); ②基于随机森林算法,对福建训练样本集进行学习训练、模型优化和模型存储。模型训练采用5折交叉验证法,采用贝叶斯优化算法进行模型参数优化,采用精确度、ROC曲线和AUC值等指标校验模型准确度和模型泛化能力。优化后的模型准确率和泛化能力均较好(准确率94.3%,AUC为0.954); ③选取2021年6月22日和28日的实际滑坡灾害发生情况,采用本文新提出的预警模型进行实况模拟运行,命中率均为100%。对比原显式统计模型预警结果,新模型命中率是原模型的6倍(6月22日)或相当(6月28日),新模型预警区内滑坡密度是原模型的1.6~1.7倍。初步验证表明基于随机森林的新模型优势明显,命中率更高,预警区面积更小,能够实现更加精准的预警。后续将继续跟踪研究区新发滑坡灾害情况,进行模型校验与修正完善。     

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。     

四川青川县区域地质灾害气象风险预警模型研究

降雨是诱发地质灾害的重要因素之一,中国大陆于2003年启动的区域地质灾害气象预警取得了较好成效,目前区域地质灾害气象预警业务逐步从地质灾害发生的"危险性"预警向"风险性"预警转变,开展区域地质灾害气象风险预警模型研究具有重要意义。本文总结提出了区域地质灾害气象风险预警概化模型及其计算方法,以四川省青川县为例,构建了青川县区域地质灾害气象风险预警模型,并以典型实例进行了预警效果校验。（1）区域地质灾害风险预警指数（R）可以概化为地质灾害潜势度（Q）、降雨诱发因子（T）和地质灾害承灾体脆弱性指标（V）三者的乘积,并分别给出了三者的计算公式。（2）构建了青川县区域地质灾害气象风险预警模型,给出了根据预警指数值划分区域地质灾害气象风险预警等级的依据,提出当Q、T、V中两项达到高等级（0.8）,一项达到较高等级（0.6）时,为红色预警;当Q、T、V中两项达到较高等级（0.6）,一项达到中等级（0.3）时,为橙色预警;当Q、T、V中一项达到较高等级（0.6）,两项达到中等级（0.3）时,为黄色预警。（3）以2018年6月26日为典型实例,模拟了四川青川县区域地质灾害气象风险预警实况并进行校验,结果显示94.1%的灾害点位于预警区范围内     

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。     

基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划

滑坡易发性评价是精细化滑坡灾害风险评价的基础。为了提升滑坡易发性评价模型的精度和稳健性,以三峡库区万州区燕山乡为例,选取工程地质岩组、堆积层厚度等九个影响因子构建滑坡易发性评价指标体系,应用信息量模型定量分析滑坡发育与指标之间的关系。在此基础上,随机选取70%/30%的滑坡样本作为训练/验证数据集,应用极致梯度提升模型(extreme gradient boosting, XGBoost)开展易发性评价。随后从模型预测精度和模型稳定性两方面将其与决策树模型(decision tree, DT)和梯度提升树模型(gradient boosting decision tree, GBDT)进行对比。结果表明：研究区堆积层滑坡主要受长江水系、堆积层厚度和工程地质岩组影响。XGBoost模型具有最高的准确率(94.3%)和预测精度(97.3%)。在模型稳定性验证中,平均预测精度最高(97.3%),优于DT(91.3%)和GBDT(95.7%),模型标准差和变异系数均为0.01,低于其余两种模型。XGBoost在区域滑坡易发性评价与制图中得到了可靠的结果,为滑坡灾害空间预测提供了新的技术支撑。     

基于有效降雨强度的滑坡灾害危险性预警

选取湖北省恩施地区1 000 km2区域作为典型研究区, 在全面分析该区域历史滑坡资料的基础上, 根据该区滑坡生成与地层岩性之间的关系, 将研究区地层划分为高、中、低3类易发性岩组.分岩组统计降雨监测数据与历史滑坡信息, 得出有效降雨强度与关键降雨持续时间的散点图, 由此确定不同滑坡发生概率的有效降雨强度阈值, 提出该区的滑坡灾害危险性预警判别模型.基于样本区统计数据建立滑坡预测指标体系, 运用GIS得出研究区域的滑坡空间易发性区划结果, 并根据不同易发岩组-有效降雨强度模型, 叠加滑坡灾害易发性分区结果与降雨危险性预警等级分级结果, 对研究区的滑坡灾害危险性进行了预测预警.结果表明: 不同易发岩组-有效降雨强度模型所得预警结果与实际情况吻合, 预警模型具有考虑全面和预警精度高的特点, 在实际预警中切实可用.      

浙江庆元地区滑坡灾害的多要素评价

利用地理信息系统（GIS）与遥感技术结合进行油坡灾害评价与预测是当前滑坡研究的热点，在对浙江省庆元县进行遥感滑坡研究中，通过对滑坡各影响因素的详细分析。结合TM图像，利用GIS技术分析主要影响因素，确定影响因素集及其间的朴素关系。从而建立庆元县油坡灾害多要素综合评价的初步模型。结果有81.25%滑坡点落在危险区域。令人比较满意，因此，可以利用此模型进行庆元县滑坡灾害评价。     

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。     

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。     

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。     

基于梯度提升的优化集成机器学习算法对滑坡易发性评价：以雅鲁藏布江与尼洋河两岸为例

雅鲁藏布江与尼洋河两岸地质构造活跃,山体滑坡时常发生,滑坡易发性评价能有效的减少因灾害发生所造成的对人类生命和财产的伤害。笔者基于基尼系数的加权随机森林、XGBoost和LightGBM算法在滑坡易发性中的性能。选取188个滑坡样本和7个影响因素,应用五折交叉验证法训练模型,训练过程中同时考虑特征选择算法、运用贝叶斯方法优化超参数后,采用precision、 recall、 F1、 Accuracy指标对各个级别的预测结果进行分析。结果表明：在高程为32～1 544 m与2 722～3 752 m、坡度为30°～40°、距断裂带、河流与道路200 m以内的区域最容易发生滑坡;滑坡极高与高易发性分布为12.14%和12.41%,低和极低易发性占比分别为26.47%与29.55%,区内一半以上的地区不容易发生滑坡灾害;LightGBM模型在所有模型中表现最好,AUC值为0.843 2,准确度为0.853 1,F1分数为0.834 5;墨脱县的达木乡、帮辛乡,林芝县的丹娘、里龙、扎西饶登乡,朗县的陇村,工布江达的江达乡位于极高易发区,发生滑坡概率极大,在这些地区应采取相应的地质灾害防治措施。     

基于原型网络的云南怒江州泥石流灾害易发性评价与区划CSCD

针对基于泥石流因子评价方法中选取因子不一及训练样本少的问题,提出了一种基于原型网络的沟谷泥石流灾害易发性评价方法。首先,通过元学习方式组织训练数据,计算每一类沟谷的原型中心。其次,计算未知样本与每一类原型中心的距离,得到其从属类别的概率。最后,根据类别概率计算沟谷的泥石流易发性指数,得到泥石流易发性评价等级。运用模型对怒江州的沟谷进行评价,并与历史灾害数据进行比对,分类正确率达到67.39%,历史事件中泥石流灾害严重程度与模型的评价等级吻合度较好。相比传统实地勘测和因子评价等方法,文章方法能够通过遥感影像进行泥石流灾害区域的快速识别与评价,为泥石流灾害的预警预测研究带来新的思路。     

基于Logistic回归的陕南秦巴山区降雨型滑坡预测方法

通过建立陕南秦巴山区降雨型滑坡灾害数据库,分析了不同降雨因子的雨强分布,计算了降水突发型滑坡灾害、降水滞后型滑坡灾害的雨强与滑坡发生概率的相关系数,采用Logistic回归方法确定不同时效降雨因子,得到陕南秦巴山区降雨型滑坡预测模型,并利用滑坡灾害实例,运用ROC曲线和kappa系数法对模型进行了验证。结果表明：滑坡前第m日降雨量R_dm(m=0,1,2)及综合雨量R_c四个降雨因子为诱发降雨型滑坡较为显著的因子。当降雨强度≥75 mm·h^-1时,最易引起突发型滑坡;当连续降水达到2 d,且24小时雨量达到小雨或中雨时,应警惕滞后型滑坡灾害的发生。模型预测准确率达82.1%,ROC曲线的AUC值为0.836,kappa系数为0.616,验证结果显示该模型可靠。研究成果可作为陕南秦巴山区降雨型滑坡预报预警研究工作的重要参考。     

几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用

笔者以甘肃省平凉市灵台县为目标研究区域,基于地理空间和历史滑坡数据,利用混合高斯聚类(GMM)优化的逻辑回归(LR)、支持向量机(SVM)、BP神经网络(BP Neural Network)、随机森林(RF)4种机器学习模型构建滑坡易发性评价分析模型。选取高程、坡度、坡向、曲率、黄土侵蚀强度、归一化植被指数、地质构造7个环境因子作为滑坡易发性影响因子,以30m栅格建立影响因子地理空间数据库,将研究区域划分为180万栅格单元。利用混合高斯聚类模型对整个研究区域的栅格单元进行聚类,得出初步的滑坡易发分区,选择易发程度最低类别中的栅格单元作为非滑坡区域,每次随机选择500个单元作为非滑坡单元,并根据历史滑坡数据将203个已知滑坡栅格单元作为滑坡单元,建立4种机器学习分类模型。利用训练好的模型对整个研究区域进行预测,绘制各算法的受试者工作曲线(ROC曲线),对各个算法的预测结果进行对比。分析结果表明,在本目标研究区域,各模型的滑坡易发区划图与实际的滑坡分布情况总体相吻合。随机森林模型的ROC曲线下面积(AUC)最大为0.96,测试集准确率最高为0.93;BP神经网络模型的ROC曲线下面积和测试集准确率次之,为0.90和0.87;支持向量机模型和逻辑回归模型的ROC曲线下面积和测试集准确率分别为0.86、0.81和0.85、0.80,均低于随机森林和BP神经网络模型。     

降雨型滑坡时间概率的逻辑回归拟合及连续概率滑坡危险性建模

提高降雨型滑坡危险性预警精度和空间辨识度具有重要意义.以江西宁都县1980—2001年156个降雨型滑坡为例,首先基于传统的EE-D（early effective rainfall-rainfall duration）阈值法计算不同降雨诱发滑坡的时间概率级别;然后以各级别临界降雨阈值曲线对应的时间概率为因变量,并以对应的前期有效降雨量（early effective rainfall,EE）和降雨历时（D）为自变量,采用逻辑回归拟合出上述因变量与自变量之间的非线性关系,得到降雨诱发滑坡的连续概率值;之后对比C5.0决策树和多层感知器的滑坡易发性预测性能;最后利用降雨诱发滑坡的连续概率值与易发性图相耦合以实现连续概率滑坡危险性预警.结果显示:（1）宁都降雨型滑坡连续概率值的逻辑回归方程为1/P=1+e4.062+0.747 4×D-0.079 44×EE,其拟合优度为0.983;（2）2002—2003年的20处用于连续概率阈值测试的降雨型滑坡大都落在连续概率值大于0.7的区域,只有4处落在小于0.7的区域;（3）C5.0决策树预测滑坡易发性的精度显著高于多层感知器;（4）近5年的4次降雨型滑坡的连续概率危险性值都在0.8以上,且高和极高预警区的面积较传统滑坡危险性分区更小.可见连续概率滑坡危险性预警法相较于传统危险性分区法具有更高的预警精度和空间辨识度,且通过叠加滑坡易发性图及其临界降雨阈值可开展实时滑坡危险性预警制图.      

基于机器学习的滑坡崩塌地质灾害气象风险预警研究

在划分气象风险等级时,传统地质灾害气象风险预警方法忽略了承灾体脆弱性因素,且气象风险预报等级整体偏高,导致高等级风险区空报率较高。基于此,提出基于机器学习的滑坡、崩塌灾害气象风险预警方法。利用信息量法,分析气象因素影响程度。选取坐标点、降雨量、易发生等级,将其作为机器学习人工神经网络的输入节点,判断是否发生崩塌、滑坡灾害;针对地质灾害区域,根据影响程度计算气象引发因子指数,结合滑坡、崩塌灾害潜势度G和承灾体脆弱性M,确定气象风险预警指数R,划分预警级别,完成滑坡、崩塌灾害气象风险预警。实验结果表明,设计方法有效降低了三级预报和四级预警空报率,提升了预警精细化程度。     

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。     

基于有效雨量的鹰厦铁路降雨诱发滑坡预警预报概率模型

大气降雨是造成铁路滑坡的重要诱因。文章以浅层滑坡SHALSTAB模型为基础,以鹰厦铁路为研究区域,研究了降雨诱发铁路滑坡的机理,进一步分析滑坡与有效雨量的关系。结合滑坡概率预报模型,计算鹰厦铁路降雨诱发滑坡临界雨量,并对研究区的滑坡灾害危险性进行了预警分级。     

支持向量机在水淹层测井识别中的应用

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。笔者尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测井曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。