滑坡灾害评价原理和方法研究

本文论述了用于建立判别和定量划分滑坡危险性和灾害地理信息系统的原理和方法。滑坡灾害评价程序包括四个层次：①基础信息分析;②精坡危险体评价;③滑坡危险性评价;④滑坡灾害评价。研究区选择在德国渡恩地区,评价结果表明大量复杂的信息能有效地通过GIS集成和分析,确定研究医滑坡危险性和灾害的等级并作出其分区图。本文由地貌学家提出的滑坡灾害评价为规划者和工程师提供了对区域规划和建筑工程非常有价值的拄术方法。     

基于随机森林方法的滑坡灾害危险性区划

滑坡灾害危险性区划在滑坡灾害管理工作中具有重要意义。该文以深圳市为研究区,将随机森林方法应用于滑坡灾害危险性区划和因子评价工作。研究中采用随机森林方法进行建模,结合ROC曲线和AUC值对模型性能进行评价;通过预报效率曲线对全区的滑坡危险性区划总体效果进行评价;根据错误率变化和节点不纯度变化,对不同因子的重要性进行分析,结合作用曲线,探讨不同因子对滑坡的影响规律。实例研究说明随机森林方法适用于滑坡危险性区划工作,具有良好的建模效果。     

基于GIS的澜沧江下游区滑坡灾害危险性分析

澜沧江流域是中国西南地区滑坡灾害较为严重的地区。对澜沧江下游区滑坡灾害及其控制因素分析,建立基于G IS的滑坡灾害危险性评价模型,实现澜沧江下游区滑坡危险性区划,为该区滑坡灾害防治和生态环境保护等提供重要决策依据。     

基于GIS的滑坡危险性逻辑回归评价研究

该文针对地质灾害研究中的核心问题——灾害危险性评价,以万州滑坡地质灾害为例,将滑坡风险评价中的各种因子归一化处理后转换成相同分辨率的定量数据,根据特定模型进行运算,得到风险评价图,利用逻辑回归分析法,进行滑坡地质灾害危险性评价。以解决过去地质灾害危险性评价中效率低、精度差、费时费力等问题,实现滑坡地质灾害的信息化、科学化。     

DEM误差对滑坡危险性评价模型的影响

基于数字高程模型(DEM)计算得到的坡度、坡向等地形属性是滑坡危险性评价模型的重要输入数据, DEM误差会导致地形属性计算结果不确定性, 进而影响滑坡危险性评价模型的结果。本文选择基于专家知识的滑坡危险性评价模型和逻辑斯第回归模型, 采用蒙特卡洛模拟方法, 研究DEM误差所导致的滑坡危险性评价模型结果不确定性。研究区位于长江中上游的重庆开县, 采用5 m分辨率的DEM, 以序贯高斯模拟方法模拟了不同大小(误差标准差为1 m、7.5 m、15 m)和空间自相关性(变程为0 m、30 m、60 m、120 m)的12 类DEM误差场参与滑坡危险性评价。每次模拟包括100 个实现, 通过对每次模拟分别计算滑坡危险性评价结果的标准差图层和分类一致性百分比图层, 用以评价结果不确定性。评价结果表明, 在不同的DEM精度下, 两个滑坡危险性评价模型所得结果的总体不确定性随空间自相关程度的变化趋势并不相同。当DEM空间自相关性程度不同时, 基于专家知识的滑坡危险性评价模型的评价结果总体不确定随着DEM误差增加而呈现不同的变化趋势, 而逻辑斯第回归模型的评价结果总体不确定性随着DEM误差大小增加而单调增加。从评价结果总体不确定性角度而言, 总体上逻辑斯第回归模型比基于专家知识的滑坡危险性评价模型更加依赖于DEM数据质量。     

怒江干流（云南段）滑坡灾害危险性分析

滑坡是怒江流域主要的地质灾害,对流域内人民生命财产和生态系统安全带来了极大的危害,因此本研究针对研究区内滑坡灾害主要诱发因子进行判识。利用1991～2006年云南省减灾年鉴、长系列流域内相关站点的年平均降雨量、2006年云南省1：5万的TM影像数据等,以GIS技术为平台对其相关因子关联性进行统计与分析。研究发现：沿怒江干流发生的滑坡灾害主要受到坡度、植被盖度、降雨强度及公路建设等因子的影响,分析灾害点的分布与相关因子间的相关性,发现相关性比较密切的是坡度〉25。的地带;植被盖度为30％～70％的地带;年降水量达到1250—1500mm的地带,以及公路沿线的地带,并以相关性作为灾害发生风险度评价的权重,建立了基于GIS的滑坡灾害危险性评价模型,实现了对怒江干流区域滑坡灾害危险性区划。     

基于深度神经网络的滑坡危险性评价——以深圳市为例

该文以提升滑坡危险性评价精度为核心目标,对深度神经网络在滑坡危险性评价中的可行性和适用性进行研究,以期充分发挥深度神经网络强大的非线性学习和拟合能力,取得更加合理的滑坡危险性评价结果。选取滑坡灾害多发的深圳市作为实例,基于深圳市815条历史滑坡数据,开展了深度神经网络建模训练;通过与广义线性模型及分类与回归树模型训练效果的对比,对深度神经网络的建模效果进行了评价,深度神经网络、广义线性模型和分类与回归树模型的AUC值依次是0.908、0.861和0.857。将训练所得的模型应用于深圳市全区,对3种模型输出的滑坡危险性评价成果的合理性和可靠性进行了对比分析,结果表明:深度神经网络建模精度良好,优于常见的广义线性模型和分类与回归树模型,输出的滑坡危险性评价成果具有合理性,适用于滑坡危险性评价工作。     

应用简单变量统计模型预测庆元地区滑坡危险性

庆元县是浙江省滑坡灾害发生严重地区之一，开展滑坡预测尤为重要。以研究区的滑坡点位资料、地形数据、土壤类型数据、岩石类型数据及遥感TM数据为基础资料，提取滑坡的影响因素。统计获取了滑坡与因素的关系特征，并应用简单变量统计模型开展了研究区滑坡灾害预测。预测结果显示，研究区滑坡灾害危险性高值区分布较广，主要分布在松源镇的中部、安南乡中部、淤上乡的东部及隆宫乡的北部，其危险性大，而在其它地区，滑坡灾害危险性为低值区，危险性小。     

不完备样本条件下基于支持向量回归模型的滑坡易发性评价

区域滑坡易发性评价对灾害中长期预测预报具有重要意义,在基于统计模型进行评价过程中,样本选取对评价结果有较大影响,构建较稳健的、受样本数量影响小的分析模型非常重要。本文以马来西亚热带雨林地区为例,选择坡度、坡向、地表曲率、地貌类型、岩性、构造、土地覆盖、道路和排水系统等9大要素作为评价因子,结合支持向量回归(SVR)模型计算研究区滑坡易发性指数,并探讨不完备样本条件下易发性评价方法,分析样本数量和评价精度之间的关系。结果显示,基于SVR模型进行该区滑坡易发性分析评价,其成功率验证法的描述精度约为95.9%;同时,样本数量的增减对分析精度影响较小;SVR方法是一种适于热带雨林地区高植被覆盖条件下的分析模型,可为今后同类地区的滑坡灾害管理工作提供支持。     

广东省崩塌、滑坡及泥石流灾害危险性评价与分析

广东省地质灾害较为常见,崩塌、滑坡、泥石流是其中比较严重的3种类型。基于现有的泥石流危险度评价原理和方法,建立了可用于广东省崩塌、滑坡、泥石流灾害危险性的评价模型。以全省88个县级评价单元为基础,根据崩塌、滑坡、泥石流灾害危险度评价结果,将广东省共分为3个危险等级区,其中高度危险区8个县,占总数的9.1%;中度危险区60个县,占总数的68.2%;低度危险区20个县,占总数的22.7%,据此制成广东省崩塌、滑坡、泥石流灾害危险等级图。高度危险区主要位于粤北山区,危险度数值介于0.6～0.72之间;中度危险区连片分布,是全省崩塌、滑坡、泥石流灾害的主体部分,危险度数值介于0.4～0.6之间;低度危险区集中分布在平原区及低平台地区,危险度数值介于0.31～0.4之间。采用1994―2009年广东省防灾减灾年鉴和广东省地质灾害防治规划(2001―2015年)中的统计数据,验证了本文的研究成果与实际情况具有较高的一致性。     

Landslide susceptibility mapping based on Support Vector Machine: A case study on natural slopes of Hong Kong, China

The Support Vector Machine (SVM) is an increasingly popular learning procedure based on statistical learning theory, and involves a training phase in which the model is trained by a training dataset of associated input and target output values. The trained model is then used to evaluate a separate set of testing data. There are two main ideas underlying the SVM for discriminant-type problems. The first is an optimum linear separating hyperplane that separates the data patterns. The second is the use of kernel functions to convert the original non-linear data patterns into the format that is linearly separable in a high-dimensional feature space. In this paper, an overview of the SVM, both one-class and two-class SVM methods, is first presented followed by its use in landslide susceptibility mapping. A study area was selected from the natural terrain of Hong Kong, and slope angle, slope aspect, elevation, profile curvature of slope, lithology, vegetation cover and topographic wetness index (TWI) were used as environmental parameters which influence the occurrence of landslides. One-class and two-class SVM models were trained and then used to map landslide susceptibility respectively. The resulting susceptibility maps obtained by the methods were compared to that obtained by the logistic regression (LR) method. It is concluded that two-class SVM possesses better prediction efficiency than logistic regression and one-class SVM. However, one-class SVM, which only requires failed cases, has an advantage over the other two methods as only “failed” case information is usually available in landslide susceptibility mapping.     

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。     

多源遥感影像土地覆盖分类结果一致性评价与集成应用

针对多源遥感影像土地覆盖分类结果一致性与分类精度改进的要求,对两组中等空间分辨率的光学影像进行土地覆盖分类,以支持向量机分类结果为基础,采用Kappa统计量、双错误测量、Q统计量、相同错误率从不同角度评价了不同分类结果的一致性。实验表明,多源遥感数据分类结果总体上常规一致性程度较好,二值先验一致性程度尚可,错误一致性程度较小;不同土地覆盖类别的一致性程度并不相同,有的类别甚至出现不一致现象。提出组合法和替换法两种策略以综合数据优点、实现多传感器数据集成应用,能够有效提高分类精度。     

一种基于多特征的高光谱遥感图像分类方法

提出在多维特征空间中以互信息为评价指标进行特征选择,在特征子集中应用支持向量机(SVM)分类器实现图像监督分类的方法.首先提取图像的光谱、纹理和颜色特征,得到多特征的高维特征空间,然后用最大相关和最小冗余的互信息作为评价标准,用10-fold交叉验证误差率选择特征子集,最后用基于径向基函数的SVM实现图像的分类.实验表明,该方法能明显提高图像分类的精度.     

基于FY-3的格陵兰岛冰盖表面冻融探测方法研究

格陵兰岛的冰盖对全球气候有着极为重要的意义,冰盖的冻融情况可直观展示北极地区的气候变化状况。利用我国FY-3气象卫星的微波成像仪(Microwave Radiation Imager,MWRI)数据,基于增加干湿雪差异性的交叉极化比率(Cross-Polarized Gradient Ratio,XPGR)算法,通过支持向量机(Support Vector Machine,SVM)的超平面进行格陵兰岛冰盖表面冻融探测,与已有的阈值方法相比,理论上精度较高。与微波辐射计(Special Sensor Microwave Image,SSM/I)(阈值为–0.025)的数据结果进行对比验证,结果表明:XPGR结合SVM的格陵兰岛冰盖表面冻融探测方法是可行的。     

A procedure for landslide susceptibility zonation by the conditional analysis method

Numerous methods have been proposed for landslide probability zonation of the landscape by means of a Geographic Information System (GIS). Among the multivariate methods, i.e. those methods which simultaneously take into account all the factors contributing to instability, the Conditional Analysis method applied to a subdivision of the territory into Unique Condition Units is particularly straightforward from a conceptual point of view and particularly suited to the use of a GIS. In fact, working on the principle that future landslides are more likely to occur under those conditions which led to past instability, landslide susceptibility is defined by computing the landslide density in correspondence with different combinations of instability factors. The conceptual simplicity of this method, however, does not necessarily imply that it is simple to implement, especially as it requires rather complex operations and a high number of GIS commands. Moreover, there is the possibility that, in order to achieve satisfactory results, the procedure has to be repeated a few times changing the factors or modifying the class subdivision. To solve this problem, we created a shell program which, by combining the shell commands, the GIS Geographical Research Analysis Support System (GRASS) commands and the gawk language commands, carries out the whole procedure automatically. This makes the construction of a Landslide Susceptibility Map easy and fast for large areas too, and even when a high spatial resolution is adopted, as shown by application of the procedure to the Parma River basin, in the Italian Northern Apennines.     

基于TerraSAR-X影像的格陵兰岛海岸水边线提取

海岸线是海洋与陆地的交界线,全球气候变化将引起海岸线的变迁,极地区域拥有最大的冰川,冰川的消融将导致全球海岸线的迅速变迁,因此研究极地海岸线具有重要的科学意义。由于潮汐等影响,卫星影像提取的海洋与陆地的交界线只是海岸水边线,本文以格陵兰岛海岸为实验对象,采用Gamma滤波方法对合成孔径雷达(SAR)数据的相干斑进行预处理,提出了应用支持向量机(SVM)和Canny边缘检测算子的海岸水边线提取方法,基于Terra SARX影像的实验结果表明,本文提取的格陵兰海岸水边线准确率都达60%以上。     

基于3D LiDar数据的城区植被识别研究

提出一种基于支持向量机(SVM)的三维LiDar数据分类方法:利用kd-trees存储无序的点云数据,在局部邻域中利用点云数据间的几何关系估算植被表面特征值;将密度值和高程差值作为SVM输入特征变量,利用基于径向基函数的SVM方法实现植被点云数据的分类.实验结果为:OA分类精度达到94.31%,Kappa系数为89.53%.该方法操作性较强,在分类精度及计算效率方面比传统方法具有优势.     

单沟泥石流危险性评价模型相关问题研究

基于云南地区、黄河积石峡水库区、四川省的北川县和都江堰龙池地区等地的泥石流数据，以具有代表性的灰色关联分析（Grey Relation Analysis, GRA）和支持向量机（Support Vector Machine, SVM）泥石流评价模型为例，探讨了单沟泥石流危险性评价模型在参数选取、样本数据的不均衡、泛化能力和泥石流系统的空间变异性等方面存在的问题。结果表明：寻优算法能够提高模型参数选取的效率和预测精度；样本扩充在一定程度上能够处理样本数据不均衡问题；泛化能力为模型固有属性，难以通过样本扩充得到提升；空间变异性通过控制指标的重要程度进而影响模型的精度。研究过程为单沟泥石流危险性评价模型相关问题的研究提供了新的思路，所得结论将为今后各类泥石流危险性评价模型运用提供指导。     

基于SINMAP模型的区域滑坡危险性定量评估及模型验证

利用稳定态水文学理论与无限斜坡稳定性模型,构建分布式斜坡稳定性定量评估模型SINMAP,以坡体滑塌十分发育的陕西省略阳县为试验区,利用Grid DEM提取坡度、流向、地形湿度指数和有效汇水面积等流域地形水文数据,将GIS专题图、遥感数据等作为模型输入数据,获得地表斜坡稳定性分级专题图,实现滑坡危险性定量评估;将模型模拟结果与目前国内最具有权威性的中国县(市)地质灾害调查结果进行对比分析,发现两者在稳定性分级标准划分、滑坡点定性评价、滑坡危险性分区等方面都具有很好的相似性和可比性,说明模型的模拟结果能够客观反映研究区地表滑坡危险性,对可能出现的滑坡具有一定的预测精度。因此,该模型的研究有望为定量分析区域滑坡与环境因子的关系、区域滑坡预测等工作奠定基础。