基于有效降雨阈值的澧源镇滑坡灾害危险性分析

以湖南省澧源镇为例,利用证据权模型和灰色关联度模型分别计算了坡度、地层岩性、斜坡形态、土地利用类型、人类工程活动5个因子二级状态证据权值和一级因子权重;综合2种模型确定全区滑坡易发性指数后,完成基于斜坡单元的全区滑坡易发性区划;根据研究区岩土体类型(碎屑岩类、碳酸盐岩夹碎屑岩类、碳酸盐岩类和松散岩土体类)分组研究不同滑坡发生概率下的有效降雨阈值曲线(I-D曲线)。研究降雨时间为3日、有效强度为22.4 mm/d的降雨工况下各岩土体类型滑坡发生的时间概率。综合时间概率和易发性结果得到澧源镇基于有效降雨阈值的滑坡灾害危险性区划图。研究结果表明:澧源镇滑坡灾害高和极高易发区占研究区总面积的25%,主要沿澧河分布;极高危险区和高危险区占研究区总面积的14%,主要分布在澧河北侧。     

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.      

基于粗糙集的支持向量机滑坡易发性评价

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。以三峡库区秭归至巴东段为研究区,利用粗糙集理论对20个初始评价因子进行属性约简,去掉冗余或干扰信息,得到13个核心评价因子,并以此作为支持向量机的输入特征集,构建支持向量机模型,实现滑坡易发性评价。在易发性分区图中高易发区占8.2%,主要分布在童庄河右岸、归州河沿岸、青干河左岸、树坪至范家坪长江右岸、牛口到东壤口长江左岸和巴东附近;不易发区占 52.7%,主要分布于店子湾至巴东旧城以及远离长江水系及植被覆盖度高的区域。通过验证与分析,粗糙集-支持向量机模型在高中易发区中的预测精度为85.6%,其预测能力优于支持向量机模型;与野外调查对比,预测结果与实际情况吻合较好。研究表明,应用粗糙集和支持向量机相结合进行滑坡易发性评价具有预测能力强、计算效率高等优点。     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

基于粒子群优化支持向量机的延长县滑坡易发性评价

参数优化问题直接影响着支持向量机的预测精度和泛化能力,粒子群优化算法具有全局最优搜索能力,因此通过粒子群算法优化支持向量机参数可以有效提高预测精度。以延长县历史滑坡数据为基础,分析了岩性、地貌类型、土壤厚度、坡度、坡向、坡高与滑坡分布的关系,并利用滑坡密度值对各定性或定量因子进行了归一化处理;在此基础上,通过区域内所划分的16 300个斜坡单元作为评价单元,采用粒子群优化支持向量机(PSO-SVM)算法完成了延长县滑坡的易发性评价。从滑坡密度指标角度来看,评价结果中高易发区和极高易发区的历史滑坡数占比72.19%,通过滑坡面积百分比(LAR)等指标进行了有效的验证,均显示出对滑坡易发性评价效果良好。     

单体库岸滑坡及其次生涌浪灾害风险分析

水库滑坡次生涌浪灾害是库水运营过程中重要的灾害类型,开展滑坡及其次生涌浪灾害风险分析,能够合理确定并评价滑坡及其次生涌浪灾害对生命及财产的影响程度,从而为采取经济有效的减灾应急措施提供理论依据和技术支持.以三峡库区万州区塘角1号滑坡为例,探讨不同库水位降雨组合工况下,考虑空间差异性的单体滑坡危险性分析方法;确定滑坡次生涌浪灾害影响范围;完善滑坡及其次生涌浪灾害承灾体易损性评价方法;绘制最危险工况下塘角1号滑坡及其次生涌浪灾害经济风险和人口风险分布图,得出:塘角1号滑坡最危险工况为库水位175~145 m+3日100 mm降雨.在该工况下,塘角1号滑坡及其次生灾害总经济风险为2 239万元;坡体上室内人口总风险为0.55人.研究成果以期为指导该类滑坡减灾防灾提供思路和依据.      

基于GIS的滑坡灾害危险性区划研究——以重庆市万州区为例

为了弥补滑坡灾害危险性区划研究中影响因子和等级划分的不确定性,结合前人研究成果,依据斜坡几何形态、岩性、地质构造、河流侵蚀、土地利用类型、人类工程活动、降水条件等影响因子与研究区实际已发生的滑坡灾害数之间的关系,编制重庆市万州区滑坡灾害危险性评价标准,并基于GIS技术和信息量模型法,计算滑坡评价因子的信息量,就万州区滑坡危险性进行区划,最后基于乡镇行政区对该区滑坡危险性区划进行细化。结果表明：建设用地、坡高为90～200 m的地形、1 024～1 060 mm的年降雨量以及侏罗系中统上沙溪庙组岩层等因素对万州区滑坡发生影响较大;根据滑坡灾害危险性评价标准,万州区滑坡灾害被划分为高、中、低、极低等4个危险区;应用信息量模型法得到的万州区滑坡危险性区划与实际情况比较吻合;高危险区和中危险区面积分别为564.4 km2和848.6 km2,分别占万州区总面积的16.3%和24.5%,主要分布于长江干流及支流两岸的居民相对集中区以及公路干线地段;高危险和中危险乡镇主要分布在万州区经济较为发达的长江干流两岸,尤其是左岸的黄柏乡、太龙镇、天城镇、李河镇等以及万州主城区。     

基于SVM-ANN模型的滑坡易发性评价——以三峡库区巫山县为例

本文以三峡库区巫山县为研究区,利用收集的资料,提取出9类指标因子(高程、坡度、坡向、地形湿度指数TWI、地表粗糙度指数TRI、地层岩性、水系距离、构造距离、植被覆盖指数NDVI),利用相关性分析剔除高程因子。将灾害点和指标因子数据带入支持向量机(SVM)和人工神经网络(ANN)模型,得到研究区滑坡易发性区划图。根据ROC曲线对模型的精确度进行评价,得到SVM模型的成功率和预测率曲线的AUC值分别为0.919和0.862,ANN模型分别为0.86和0.837,表明两个模型均适用于研究区滑坡易发性评价。根据以上工作,本文提出了基于Max{LSI(SVM);LSI(ANN)}函数的SVM-ANN模型,并将其应用到该区的滑坡易发性评价中。SVM、ANN和SVM-ANN模型中,历史滑坡灾害点分布在高-极高易发区的比例分别为90.06%、83.18%和94.01%,表明SVM-ANN模型更适用于滑坡灾害风险分析的实际应用。     

基于GIS的重庆市万州区滑坡灾害危险性评价

在充分调查万州区地质环境及滑坡灾害基本特征的基础上,根据资料的有效性和可获得性,选取地表高程、坡度、地层岩性、地质构造、土地利用类型、区域交通建设和河流侵蚀冲刷7个影响滑坡发生的因素作为评价指标,采用AHP法确定各个指标的权重并建立滑坡灾害危险性指数模型,通过GIS系统的空间分析功能进行栅格运算,得出研究区滑坡灾害危险性分区.采用上述指标和方法将重庆市万州区的滑坡灾害划分为极高危险区、高危险区、中危险区、低危险区和极低危险区,划分结果符合该区滑坡灾害的实际情况.     

基于GIS的重庆万州区滑坡灾害危险性评价

在充分调查万州区地质环境及滑坡灾害基本特征的基础上,根据资料的有效性和可获得性,选取地表高程、坡度、地层岩性、地质构造、土地利用类型、区域交通建设及河流侵蚀冲刷7个影响滑坡发生的因素作为评价指标,采用AHP法确定各个指标权重并建立滑坡灾害危险性指数模型,通过GIS系统的空间分析功能进行栅格运算,得出研究区滑坡灾害危险性分区。采用上述指标和方法将重庆市万州区的滑坡灾害划分为极高危险区、高危险区、中危险区、低危险区和极低危险区,划分结果符合该区滑坡灾害的实际情况。     

滑坡易发性预测不确定性:环境因子不同属性区间划分和不同数据驱动模型的影响

对于滑坡易发性预测建模,连续型环境因子在频率比分析时的属性区间划分数量（attribute interval numbers,AIN）和不同易发性预测模型是两个重要不确定性因素.为研究这两个因素对建模的影响规律,以江西省上犹县为例,考虑5种连续型环境因子AIN划分（4、8、12、16及20）和5种数据驱动模型（层次分析法（analytic hierarchy process,AHP）、逻辑回归（logistic regression,LR）、BP神经网络（back-propagation neural network,BPNN）、支持向量机（support vector machine,SVM）和随机森林（random forest,RF））,总计25种不同工况下的滑坡易发性预测研究.再开展滑坡易发性指数的不确定性（包括精度评价和统计规律等）分析.结果表明:（1）对于同一模型,随着AIN值从4增加至8再到20时,易发性预测精度先逐渐提升,然后缓慢提升直至稳定;（2）对于同一AIN值,RF模型预测精度最高,其后依次为SVM、BPNN、LR和AHP模型;（3）在25种组合工况下,AIN=20和RF模型的预测精度最高,AIN=4和AHP模型精度最低,但在AIN=8和RF模型组合下的易发性建模效率较高且精度也较高;（4）更大的AIN值和更先进的机器学习模型预测出的滑坡易发性指数的不确定性相对较低,更符合实际的滑坡概率分布特征.在环境因子属性区间划分为8和RF模型工况下高效准确地构建滑坡易发性预测模型.      

基于GIS的哀牢山戛洒镇小流域滑坡易发性评价

根据研究区的基本情况,选择坡度、坡向、地层岩性、距断层距离、降雨、土地利用等6个评价因子,采用滑坡灾害易发性评价的GIS与AHP耦合模型进行戛洒镇滑坡灾害易发性评价,并将滑坡灾害分为极高、高、中、低和极低易发区5个区域进行了滑坡灾害易发性评价结果分析,以期为后期的小流域滑坡风险评估研究服务。     

基于机器学习的滑坡灾害易发性评价——以三峡库区为例

三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC(Area Under Curve)精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。     

不同环境因子联接和预测模型的滑坡易发性建模不确定性

拟深入探讨滑坡与其环境因子间的非线性联接计算以及不同数据驱动模型等因素,对滑坡易发性预测建模不确定性的影响规律.以江西省瑞金市为例共获取370处滑坡和10种环境因子,通过概率统计（probability statistics,PS）、频率比（frequency ratio,FR）、信息量（information value,Ⅳ）、熵指数（index of entropy,IOE）和证据权（weight of evidence,WOE）等5种联接方法分别耦合逻辑回归（logistic regression,LR）、BP神经网络（BP neural networks,BPNN）、支持向量机（support vector machines,SVM）和随机森林（random forest,RF）模型共构建出20种耦合模型,同时构建无联接方法直接将原始数据作为输入变量的4种单独LR、BPNN、SVM和RF模型,预测出总计24种工况下的滑坡易发性;最后分别使用ROC曲线、均值、标准差和差异显著性等指标分析上述24种工况下易发性结果的不确定性.结果表明:（1）基于WOE的耦合模型预测滑坡易发性的平均精度最高且不确定性较低,基于PS的耦合模型预测精度最低且不确定性最高,基于FR、Ⅳ和IOE的耦合模型介于两者之间;（2）单独数据驱动模型易发性预测精度略低于耦合模型,且未能计算出环境因子各子区间对滑坡发育的影响规律,但其建模效率高于耦合模型;（3）RF模型预测精度最高且不确定性较低,其次分别为SVM、BPNN和LR模型.总之WOE是更优秀的联接法且RF模型预测性能最优,WOE-RF模型预测的滑坡易发性不确定性较低且更符合实际滑坡概率分布特征.      

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。     

基于FR的多种机器学习模型在地质灾害易发性评价中的对比分析

选取建模效果较好的3种模型,支持向量机模型、随机森林模型和人工神经网络模型,以福建福鼎为研究区进行地质灾害易发性分析,将3种模型建模结果通过ROC曲线和频度比法进行对比,选择最优福鼎地质灾害易发性分析结果,为该地区防灾减灾提供有利指导。结果表明:3种模型均能有效地预测出福鼎地质灾害易发性,是基于该区域可靠性较高的预测模型;支持向量机模型的准确率(86.7%)高于人工神经网络(84.7%)和随机森林(79.7%)的准确率;支持向量机模型的频度比分析值更具梯度,是最适合该地区的易发性分析模型。     

浙江省滑坡灾害预警预报的降雨阀值研究

根据浙江省降雨的特点,将降雨分为台风降雨和非台风降雨,采用统计方法研究了区域性滑坡灾害与台风区和非台风区降雨量及降雨强度的相关性,通过相关性分析确定了有效降雨量模型;得到了浙江省区域性滑坡发生的临界降雨量和降雨强度阀值,为实时时间预警提供了定量依据;将滑坡灾害的空间易发性与降雨量和降雨强度相结合确定了滑坡灾害的空间预警区划指标和等级;最后初步研究了滑坡发生的滞后时间。     

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。     

基于滑坡分类的西宁市滑坡易发性评价

以往的滑坡易发性评价多以全体滑坡为研究对象,忽视了滑坡类型的区别。各评价指标对不同类型滑坡的影响程度不同,也导致指标权重无法精确地反映其对滑坡的影响。为更准确地对滑坡灾害进行空间预测,针对西宁市滑坡特征及发育机理,将全区滑坡分为土质滑坡和岩质滑坡;在野外实际调查的基础上,结合相关性分析,选取坡度、坡向、剖面曲率、平面曲率、工程地质岩组,以及滑坡点距断层、水系、道路的距离远近等8项因素作为滑坡易发性评价指标,并通过滑坡点分布密度和滑坡点相对分布密度,分析各评价指标分别对土质滑坡和岩质滑坡的影响;利用信息量模型,计算各评价指标对两类滑坡的信息量值,利用人工神经网络模型,赋予各评价指标对两类滑坡的权重;最后基于GIS平台利用加权信息量模型对研究区进行易发性评价。通过统计方法和ROC曲线法分别计算滑坡易发性评价成功率,结果表明:评价成功率可达到82.61%和82.30%,与未经滑坡分类的成功率比较,分别提高了10.9%和5.2%;同时,经过滑坡分类后,湟水河两岸地质条件较差的地区转变为滑坡高易发区。     

基于GIS和信息量模型的广西花岗岩分布区滑坡易发性评价

广西花岗岩分布区的岩土体结构松散,分布有大量较大厚度的风化坡残积土,受侵蚀、剥蚀、切割作用强烈,局部的水土流失严重,而且该区降雨量丰富,经常会有滑坡地质灾害发生。在统计分析的基础上选取坡度、高程、地质构造、植被、降雨、人类工程活动、滑坡灾害体积密度作为易发性评价指标,基于ArcGIS软件并运用信息量模型对广西花岗岩分布区进行滑坡易发性区划、完成滑坡易发性评价,并与滑坡灾害点和隐患点进行了验证。广西花岗岩区滑坡易发性评价的结果与实际滑坡的分布较为吻合,为广西花岗岩分布区滑坡预警预报及防治工作奠定基础。