基于层次分析法与GIS相结合的岩溶塌陷地质灾害易发性分区评估——以云南省师宗县为例

以岩溶地貌发育的云南省师宗县作为研究实例,通过层次分析法确定岩溶塌陷评估因子及其权重值,并划分岩溶塌陷评估因子的等级.在此基础上,利用GIS空间分析技术对岩溶塌陷空间数据进行处理和分析,按地质灾害综合危险性指数R值将研究区域划分为三大地质灾害易发程度不同的区域,并通过实例验证分析地质灾害综合危险性指数R值求取的可行性,实现了基于层次分析法与GIS技术相结合的云南省师宗县岩溶塌陷地质灾害易发性分区和评估.结果显示:师宗县岩溶塌陷高易发区(4≤R≤5)集中分布于研究区域的北部和中部,占总面积的39.22％;中     

基于AHP与GIS耦合的安宁区地质灾害易发区划分

本文以安宁区作为研究对象,采用基于层次分析法(AHP)和GIS空间分析统计方法相结合的工作方法对区内地质灾害易发性进行评价和区划,对研究区的地质灾害易发性进行分析评价。安宁区境内地质灾害类型主要有滑坡、崩塌、泥石流、不稳定斜坡四种类型。易发性分区评价结果表明:安宁区城区不存在地质灾害高易发区;中易发区面积27.59km~2,占评价区面积的35.3%,低易发区面积14.75km~2,占评价区面积的18.9%,不易发区面积35.76km~2,占评价区面积的45.9%。评价结果为安宁区地质灾害防灾减灾体系和社会发展、经济发展提供了参考依据。     

连云港市地质灾害易发性分区评价研究

本文在全面调查分析连云港市区地质灾害隐患点及分布状况的基础上,从诱发地质灾害的地质条件、人类工程活动、地形地貌及气候植被因素考虑,选取了地层岩性、地质构造、地形地貌、露天开采、降雨强度、植被覆盖率等15个评价因子,建立了地质灾害易发性评价指标体系,运用层次分析法计算各评价因子的权重值,并进行归一化处理,然后利用模糊评判法对各隐患点的易发性指数进行计算、统计,将连云港市区划分为地质灾害高易发区、中易发区和低易发区,最后利用GIS空间分析功能生成了易发性分区图,实现了地质灾害易发防治分区的目的,为连云港市后期地质灾害防治提供重要参考依据。     

金沙江干热河谷区泥石流易发性评价模型及应用

金沙江上游奔子栏-昌波河段属典型的干热河谷区,气候干热少雨,但泥石流灾害发生频繁。采用指标熵模型对干热河谷区泥石流的影响因子进行敏感性分析,最后筛选出流域地貌熵值、岩土类型、坡向、坡度、植被归一化指数、月均降雨量等6个因子作为泥石流的易发性评价因子。将研究区划分为217个小流域,以流域单元为评价单元,采用权重系数法建立了泥石流的易发性评价模型,并利用该模型制作易发性分区图。分区结果表明:研究区泥石流极高易发区和高易发区主要分布在北部的昌波-贡波段、中东部的徐龙-曲雅贡段和南部的金沙江沿岸。极高易发区和高易发区面积占研究区总面积的36.4%,两区内的泥石流流域面积占泥石流总流域面积的58%。经检验泥石流的预测成功率为69.6%。     

基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例

以阿坝藏族羌族自治州地质灾害频发的理县为研究区,从地形地貌、地质环境、水文条件和人类工程活动等方面选取11个影响因子,通过皮尔森相关系数研究各因子之间的相关性,从而构建滑坡易发性评价指标体系。利用信息量模型计算各影响因子的信息量值,从信息量模型得出的极低和低易发性分区中选取非滑坡样本,在此基础上将样本数据代入随机森林和径向基函数神经网络2种机器学习模型开展滑坡易发性评价,并通过接收灵敏度（Receiver Operating Characteristic,ROC）曲线进行精度验证。结果显示：随机森林模型预测出的高易发区单位面积内分布的滑坡点数量更为集中,在仅占6.666%的区域分布了74.026%的灾害点,评价结果优于径向基函数神经网络模型。ROC曲线中两模型AUC（Area Under Curve）值分别为0.893、0.874,说明随机森林模型具有更高的可靠性,比径向基函数神经网络在该区域地质灾害易发性评价中更具优势。     

基于GIS的区域群发性降雨型滑坡时空预报研究

以滑坡灾害突出的雅安市雨城区为例,综合考虑降雨强度、前期降雨量及下垫面(地形、岩性、植被覆盖等)构建了基于GIS分析获取的易发指数+BP型神经网络时空预报模型。首先通过试验确定了模型的网络参数和网络结构,然后通过危险性区划图获取降雨型滑坡易发指数,并利用GIS的空间插值功能和雨量站数据获取相应降雨型滑坡的雨量数据,将量化后下垫面的易发指数和降雨数据作为神经元输入层数据。将模型应用于研究区,其中46个降雨型滑坡数据作为训练样本,10个降雨型滑坡数据作为检验样本,预测精度达到90%,显示该模型对于降雨型滑坡的时空预报精度较高。     

红河州地质灾害临界雨量及预报方法初探

根据红河州国土局提供的地质灾害易发性分区资料,将全州134个乡镇按地质灾害易发程度分为极易发区、易发区和轻易发区,全州约90%的地区为易发区和极易发区,仅北部的小面积地区为轻易发区;对红河州1984～2010年地质灾害资料分析发现,90%以上的地质灾害发生在5～10月,与降雨关系密切,强降雨及连阴雨均可能诱发地质灾害;对其中183条地质灾害样本进行分析,得出各分区临界雨量及地质灾害统计预报方程,将地质灾害等级预报细化到乡镇。     

基于证据权模型的川藏铁路加查——朗县段滑坡易发性评价

川藏铁路加查至朗县段地处西藏自治区东南部,该区新构造活动强烈,地质构造复杂且历史强震频发,一系列大型—巨型滑坡在该区密集分布。本文基于滑坡遥感解译和野外地质灾害调查,建立了川藏铁路加查—朗县段的滑坡空间数据库,选取高程、坡度、坡向、平面曲率、地层岩性、距河流距离、距断裂带距离、距道路距离、植被归一化指数(NDVI)以及年平均降雨量等10个滑坡影响因子,基于ArcGIS软件平台和证据权模型,进行滑坡易发性评价。根据滑坡易发性指数(LSI)的分布特征,结合野外地质调查的认识,将研究区内的滑坡易发程度划分为4个级别,即极高易发区、高易发区、中易发区和低易发区,分别占研究区总面积的17.43%、22.64%、32.21%和27.72%。分析表明,极高易发区和高易发区主要分布在人类工程活动较多的研究区西南部,沿着雅鲁藏布江及其支流呈带状分布,中、低易发区主要分布在植被覆盖率较高、人类工程活动相对较少的东北部。极高易发区和高易发区内发育的滑坡数量约占已调查识别滑坡总数的88%,研究结果与已知滑坡的分布情况较吻合,采用成功率曲线对易发性评价结果进行检验,正确率达到了83%,具有较高的精度。易发性评价结果较好地反映了研究区内滑坡发育分布现状,可以为该区重大工程规划建设和防灾减灾提供理论指导和参考依据。     

惠州市潼湖生态智慧区地质灾害易发程度分区评价

通过开展惠州市潼湖生态智慧区地质灾害调查工作,查清了地质灾害分布状况,分析了地质灾害形成的条件及影响因素。采用定性与定量分析相结合的方法对调查区进行了地质灾害易发程度分区,共划分出地质灾害中易发区、低易发区和不易发区三种类型,并指出了各易发分区的地质灾害发育特征。调查结果可为潼湖生态智慧区群测群防网络建立与防灾减灾工作提供地质数据,对保障人民生命与财产安全具有重要意义。     

芦山地震重灾区崩塌滑坡易发性评价

2013-04-20 T08:02,四川省芦山县发生7.0级大地震,地震诱发了大量的次生山地灾害.在芦山、宝兴、天全三个地震重灾县6651.35 km2的区域内,采用震后遥感影像解译并结合野外调查的方法,共解译出1379处崩塌(含落石)滑坡.应用GIS技术,建立了芦山地震诱发崩塌滑坡灾害及相关地形、地质空间数据库,分析了岩性、断层、地震动加速度、高程、坡度等5个因素与崩塌滑坡分布的关系,应用崩塌滑坡数量百分比这一标准来分别衡量每个因素中各个级别对崩塌滑坡的影响程度;然后使用层次分析法对这5个参数进行权重分析;在GIS平台下对这些参数进行综合分析,以此将研究区内的崩塌滑坡按易发程度分为极高易发区、高易发区、中易发区、低易发区4类,极高易发区与高易发区面积约2149.89 km2,占研究区总面积的32.32％.     

基于主成分分析的BP 神经网络在城市 建成区面积预测中的应用 ——-以北京市为例

城市建成区规模受社会、经济、城市环境等诸多因素影响, 传统统计方法难以准确预测城 市建成区的面积。人工神经网络具有良好的非线性映射逼近性能, 在各类预测研究中得到了广泛 的应用, 尤其是BP 神经网络。主成分分析可以在有效保留数据信息前提下对数据进行降维, 它 与BP 神经网络的结合主要在数据输入端, 通过减少输入层神经元个数, 增强网络性能, 提高预 测精度。本文以北京市为例, 综合运用主成分分析和BP 神经网络方法建立预测模型, 以1986~ 2003 年数据为学习样本, 以2004 年数据为检验样本, 对2005 年北京市城市建成区面积进行模 拟预测。预测结果表明, 基于主成分分析的BP 神经网络预测结果与实际值的相对误差为2.8%, 比传统BP 神经网络预测精度提高1.8 个百分点, 网络训练收敛速度也更快, 其预测精度和效率 都有不同程度的改善。     

GIS and ANN model for landslide susceptibility mapping

Landslide hazard is as the probability of occurrence of a potentially damaging landslide phenomenon within specified period of time and within a given area. The susceptibility map provides the relative spatial probability of landslides occurrence. A study is presented of the application of GIS and artificial neural network model to landslide susceptibility mapping, with particular reference to landslides on natural terrain in this paper. The method has been applied to Lantau Island, the largest outlying island within the territory of Hong Kong. A three-level neural network model was constructed and trained by the back-propagate algorithm in the geographical database of the study area. The data in the database includes digital elevation modal and its derivatives, landslides distribution and their attributes, superficial geological maps, vegetation cover, the raingauges distribution and their 14 years 5-minute observation. Based on field inspection and analysis of correlation between terrain variables and landslides frequency, lithology, vegetation cover, slope gradient, slope aspect, slope curvature, elevation, the characteristic value, the rainstorms corresponding to the landslide, and distance to drainage line are considered to be related to landslide susceptibility in this study. The artificial neural network is then coupled with the ArcView3.2 GIS software to produce the landslide susceptibility map, which classifies the susceptibility into three levels: low, moderate, and high. The results from this study indicate that GIS coupled with artificial neural network model is a flexible and powerful approach to identify the spatial probability of hazards.     

GIS and ANN model for landslide susceptibility mapping

1 IntroductionThe population growth and the expansion of settlements and life-lines over hazardous areas exert increasingly great impact of natural disasters both in the developed and developing countries. In many countries, the economic losses and casualties due to landslides are greater than commonly recognized and generate a yearly loss of property larger than that from any other natural disasters, including earthquakes, floods and windstorms. Landslides in mountainous terrain often occur a…     

GEO-Environmental Suitability Evaluation of Land for Urban Construction Based on A Back-Propagation Neural Network and GIS: A Case Study of Hangzhou

Evaluating the geo-environmental suitability of land for urban construction is an important step in the analysis of urban land use potential. Using geo-environmental factors and the land use status of Hangzhou, China, a back-propagation (BP) neural network model for the evaluation of the geo-environmental suitability of land for urban construction was established with a geographic information system (GIS) and techniques of grid, geospatial, and BP neural network analysis. Four factor groups, comprising nine separate subfactors of geo-environmental features, were selected for the model: geomorphic type, slope, site soil type, stratum steadiness, Holocene saturated soft soil depth, groundwater abundance, groundwater salinization, geologic hazard type, and geologic hazard degree. With the support of the model, the geo-environmental suitability of Hangzhou land for urban construction was divided into four suitability zones: zone I, suitable for super high-rise and high-rise buildings; zone II, suitable for multi-story buildings; zone III, suitable for low-rise buildings; and zone IV, not suitable for buildings. The results showed that a BP neural network can capture the complex non-linear relationships between the evaluation factors and the suitability level, and these results will support scientific decision-making for urban-construction land planning, management, and rational land use in Hangzhou.     

人工智能计算技术在新疆干旱区典型绿洲土壤盐分预测中的应用

针对新疆渭干河-库车河三角洲绿洲土壤盐分动态监测中存在的方法问题,首先用灰色关联度模型分析影响形成土壤盐渍化的各因子,并确定其与土壤盐分之间的关联度,然后将人工智能计算技术引入土壤盐分的预测中,经过多次调整网络结构和参数,建立了预测表层土壤盐分的BP神经网络模型和RBF神经网络模型。结果表明：以潜在蒸散量、地下水埋深、地下水矿化度、土壤电导率、总溶解固体、pH值、坡度和土地利用类型8个因素为输入因子,以土壤含盐量为输出因子的BP网络模型和RBF网络模型可有效模拟土壤盐分与其影响因子之间的内在复杂关系,并且有较高的精度。BP网络模型预测误差略低于RBF神经网络。本研究可为分析和预测土壤盐渍化动态规律提供一种有效可行的新途径,是对传统土壤盐分动态研究的补充。     

干旱区土壤盐渍化灾害预警——以渭-库绿洲为例

针对中国西北干旱区普遍存在的土壤盐渍化,以渭干河-库车河绿洲TM影像数据,建立BP神经网络结合Adaboost算法的土壤盐渍化预警度评价模型。首先,根据研究区实际情况设置该模型的4个预警指标（地下水埋深、海拔、盐分指数、归一化干旱指数）,分别提取其连续表面信息,结合BP神经网络作为弱预测器进行预测,将通过不同训练集得到的弱预测器结果结合成强预测器。在利用该模型训练样本时,依据各评价因子对分类结果的贡献率调整其权重,预测的结果能客观反映每个评价因子对该地区土壤盐渍化的贡献程度。结果表明,研究区警情总体情况较严重,绿洲北部内部耕地周围的荒地以及含水量少的区域,盐渍化危险度较高。     

云南怒江流域泥石流敏感性空间分析

泥石流敏感性空间分析是通过评估诱发泥石流发生的因子,应用空间技术,进行泥石流发生的敏感性分析。本文探讨了GIS技术与敏感性分析的条件概率模型相结合的泥石流敏感性空间分析,并且阐述了GIS空间分析技术在泥石流敏感性制图中特有的优越性。研究区选择在遭受泥石流危害严重的云南怒江流域。用于泥石流敏感性分析评价的主要敏感因子包括地形坡度、岩土体类型、暴雨、河网密度、土地利用、地震动峰值加速度和人类活动。在对这些因子进行了敏感性空间分析的基础上,应用GIS的分析工具对敏感因子集成评价而产生了云南怒江流域泥石流敏感性评价图。泥石流敏感性评价图可以帮助规划者或工程师在土地发展规划中选择最佳建设场所,以减轻泥石流灾害的影响。     

基于三种不同模型的区域滑坡灾害敏感性评价及结果检验研究

选取相对高差、坡度、坡向、水系、距断层距离、植被覆盖、地层岩性和道路等影响因子,采用信息量法、Logistic回归和人工神经网络3种模型进行滑坡灾害的敏感性评价,并对评价结果进行检验。结果表明：① 评价分类结果的准确性会关系到社会经济成本。经过采用Cohen’s Kappa系数法、Sridevi Jadi精度评估方法和ROC曲线3种方法对评价结果进行比较分析,结果显示人工神经网络模型具有更好的评价精度。② 宁强县滑坡地域分布上,呈现一带三区。其中高、中和低敏感区分别占全县总面积的39.96%,37.7%和22.33%。     

基于D-InSAR的煤矿区开采沉陷遥感监测技术分析

该文在综合分析国内外开采沉陷监测技术现状、合成孔径雷达干涉测量(InSAR)和差分干涉测量(D-In SAR)技术发展及其在地表沉陷监测中应用成果的基础上,分析了D-InSAR技术在煤矿开采沉陷变形监测中的特点与技术优势。指出:应用D-InSAR进行煤矿区开采沉陷监测的具体目标是矿区地表沉降演变过程分析、采区地表沉陷动态监测与分析和矿区DEM数据更新;亟须研究解决的关键技术问题有:源数据获取与选择、数据处理方法、地面配合措施、精度与可靠性评价、多源信息集成分析等。D-InSAR为煤矿区地表时空演变过程研究和开采沉陷实时动态监测提供了新的技术方法;作为"数字矿山"的重要内容,D-InSAR可以有效地指导矿区生产、整体规划与长远发展,并为矿区可持续发展服务。     

Strength of Stacking Technique of Ensemble Learning in Rockburst Prediction with Imbalanced Data: Comparison of Eight Single and Ensemble Models

Rockburst is a common dynamic geological hazard, severely restricting the development and utilization of underground space and resources. As the depth of excavation and mining increases, rockburst tends to occur frequently. Hence, it is necessary to carry out a study on rockburst prediction. Due to the nonlinear relationship between rockburst and its influencing factors, artificial intelligence was introduced. However, the collected data were typically imbalanced. Single algorithms trained by such data have low recognition for minority classes. In order to handle the problem, this paper employed stacking technique of ensemble learning to establish rockburst prediction models. In total, 246 sets of data were collected. In the preprocessing stage, three data mining techniques including principal component analysis, local outlier factor and expectation maximization algorithm were used for dimension reduction, outlier detection and outlier substitution, respectively. Then, the pre-processed data were split into a training set (75%) and a test set (25%) with stratified sampling. Based on the four classical single intelligent algorithms, namely k-nearest neighbors (KNN), support vector machine (SVM), deep neural network (DNN) and recurrent neural network (RNN), four ensemble models (KNN–RNN, SVM–RNN, DNN–RNN and KNN–SVM–DNN–RNN) were built by stacking technique of ensemble learning. The prediction performance of eight models was evaluated, and the differences between single models and ensemble models were analyzed. Additionally, a sensitivity analysis was conducted, revealing the importance of input variables on the models. Finally, the impact of class imbalance on the prediction accuracy and fitting effect of models was quantitatively discussed. The results showed that stacking technique of ensemble learning provides a new and promising way for rockburst prediction, which exhibits unique advantages especially when using imbalanced data.