基于RS和GI S的三峡库区滑坡易发程度与土地利用变化的关系研究

三峡工程建设以来,库区土地利用类型发生重大变化。为深入研究三峡库区蓄水以来滑坡发育与土地利用类型变化的关系,本文利用不同时期(1987年、2000年和2010年)卫星影像,研究三峡库首区秭归至巴东段长江干流土地利用类型变化,采用滑坡面积模数比(R_si)分析滑坡发育与土地类型及变化的关联性。结果表明:(1)在1987~2010年间,研究区植被覆盖率持续下降,居民建筑区面积和耕地面积不断增长,蓄水后水域面积扩大了1倍;(2)植被区、耕地和居民建筑区的滑坡R_si依次增大,滑坡R_si随着人类活动强度增强而增大,表明滑坡发育与人类活动强度呈正相关性;(3)依据R_si值大小,将研究区滑坡易发程度分为高、中和低3个区,滑坡主要分布在高、中易发程度区,与实际情况较吻合。因此,在开展库区滑坡风险评估时,需要考虑土地利用类型变化这一因素。研究结果以期为三峡库区土地利用规划、地质灾害防治提供理论支撑。     

城市地质信息系统建设的目标与解决方案

城市地质信息系统建设的基本功能目标是：支持多源异构地质空间数据的存储、管理、提取、传输与交叉访问,实现地下地质结构与关系的表达、分析和过程的三维可视化,支持政府决策并开展相关领域的信息社会化服务。为此,应当将其纳入“数字国土”和“数字城市”工程的统一规划中去,一方面借鉴地矿点源信息系统的设计思路与方法,研发并建造主题武的“城市国土资源基础数据平台”,以及相关的决策支持系统和服务应用系统;另一方面运用“多S”集成技术、联邦数据库技术、数据仓库技术、三维可视化技术和计算机网络技术,整合各种已有的和新建的多源异构的数据库、图形库、知识库、方法库、模型库和管理系统、决策系统。在具体设计时,可以将客户机／服务器(C／S)结构与浏览器／服务器(B／S)结构结合起来,并按市(局)—县(区、分局)两级联网的构架进行设置。     

基于深度学习的滑坡灾害易发性分析

滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。     

一种V/S和LSTM结合的滑坡变形分析方法

滑坡变形的产生是坡体自身地质条件和外部诱发条件共同作用的结果，滑坡变形定量预测是滑坡监测预警的关键。传统的基于滑坡累计位移-时间曲线分析滑坡变形的方法，忽略了滑坡变形演化的影响因素，难以对滑坡变形进行准确预测。三峡库区滑坡研究多集中在滑坡时空分布特征和滑坡整体稳定性分析方面，亟需开展单体滑坡综合变形分析。以三峡库区白水河滑坡为例，基于滑坡宏观变形和位移监测数据，利用重标方差（rescaled variance statistic，V/S）分析法对滑坡整体和局部变形趋势进行分析，进而构建考虑库水位波动和降雨滞后性影响因素的可有效利用长期依赖信息的长短记忆（long short-term memory，LSTM）神经网络模型，定量预测滑坡位移。研究结果表明，滑坡体属牵引式滑坡，北东部稳定性较差，西部和后缘相对稳定，预测值的均方根误差为8.95 mm，证明该模型是一种高性能的滑坡变形分析方法。     

InSAR技术和孕灾背景指标相结合的地灾隐患识别

合成孔径雷达干涉测量(interferometric synthetic aperture radar, 简称InSAR)是获取地表形变的重要手段, 由于InSAR数据获取的限制和数据处理中产生的精度误差等问题, 在地灾隐患识别方面的工作还需要联合地质灾害本身进行分析。为此提出了一种基于InSAR技术与研究区孕灾背景指标相结合的方法, 并将其应用于三峡库区巴东段的地灾隐患识别研究中。研究结果表明, 使用ALOS-2 PALSAR雷达影像, 应用时序InSAR技术得到了研究区的变形空间分布和变化速率, 并结合研究区的孕灾背景, 将易发性等级、坡度、工程岩组和是否与灾害目录重叠4个指标作为地灾隐患判别的指标, 综合识别出19处疑似地灾隐患区, 然后对疑似地灾隐患区进行了逐一野外核查, 经验证地灾隐患识别成功率为78.9%。研究成果证明了将InSAR技术和孕灾背景相结合进行地灾隐患识别方法的可行性, 可在区域灾害识别中发挥重要作用。      

GIS与面向对象结合的遥感影像震后损毁道路快速提取

地震是破坏性极强的自然灾害之一,2013年4月20日的雅安芦山地震导致大范围的道路损毁,一度使得宝兴县城成为孤岛,救援很难开展.造成道路损毁的一个主要原因是地震诱发的次生灾害堵塞道路.针对宝兴县道路损毁的现状,本文提出了一种面向对象与GIS空间分析相结合的遥感影像提取方法,在震后短时间内快速提取因次生灾害造成的损毁道路情况,快速及时地确定损毁道路的位置及范围.试验证明,本方法能快速提取次生灾害造成的损毁道路的位置与范围,其与目视解译结果吻合,大大减少了震后影像解译时间,提高了地震应急的效率,可为抗震应急救灾提供决策支持.     

GIS支持下三峡库区秭归县滑坡灾害空间预测

基于GIS空间分析和统计模型相结合进行区域评价与空间预测是滑坡灾害研究的重要方向之一。以三峡库区秭归县为研究区,选择坡度、坡向、边坡结构、工程岩组、排水系统、土地利用和公路开挖作为评价因子。为提高模型的预测精度、可信度和推广能力,利用窗口采样规则降低训练样本之间的空间相关性。建立Logistic回归模型,对滑坡灾害与评价因子进行定量相关性分析。计算研究区滑坡灾害易发性指数,对其进行聚类分析,绘制滑坡易发性分区图,其中高、中易发区占整个研究区面积的38.9%,主要分布在人类工程活动频繁和靠近排水系统的区域。经过验证,该模型的预测精度达到77.57%。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

基于Beamlet变换的直线特征提取

提出了一种基于Beamlet变换的算法,克服了图像中的各种干扰及噪声,试验结果表明其具有较好的实用价值。     

三峡库区白家包滑坡变形特征与影响因素分析

针对三峡库区阶跃型滑坡,以白家包滑坡为例,统计分析滑坡位移、变形速率和裂缝监测数据。显示滑坡在2007年6月之前为蠕动变形初期,受降雨和库水位等外界因素的作用,6月滑坡发生剧烈变形,之后一直保持约75°方向滑动。滑坡体中前部位移速率大于后缘,其变形具有牵引式特点。滑体上裂缝与变形位移具有一致性,位移量越大的区域裂缝越发育。将位移速率与降雨、库水位和地下水进行影响机制分析,建立滑坡变形与外界动态影响因素之间的响应关系。结果表明降雨量和库水位变化是引起滑坡季节性变形的主要因素,其中降雨强度、库水位下降及下降速率是导致滑坡位移速率波动大小的关键因子。