顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价

滑坡灾害易发性分析评价对地质灾害的防治与管理具有重要意义。针对滑坡灾害样本选择策略,单核支持向量机多特征映射不合理的问题,本文提出顾及样本优化选择的多核支持向量机(multiple kernel support vector machine,MKSVM)滑坡灾害易发性分析评价方法。为了保证样本平衡性并提高负样本的合理性,采用相对频率比(relative frequency,RF)综合评价各状态对于滑坡灾害易发性影响的重要程度,实现各评价因子状态的合理划分;利用确定性系数法(certainty factor,CF)计算各评价因子各状态分级影响滑坡灾害的敏感性,并在此基础上进行加权求和得到各栅格单元的滑坡灾害易发性指数,在滑坡灾害易发性指数极低和低易发区内随机选择与滑坡灾害点数目一致的非滑坡灾害点作为负样本数据。利用MKSVM对各特征空间最优核函数进行线性组合,解决了单一核函数映射不合理的问题,提高了模型的分类准确率和预测精度。以湖南省湘西土家族苗族自治州为研究区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面对CF样本策略的MKSVM模型、CF样本策略的单核SVM模型、随机样本策略的MKSVM模型、随机样本策略的单核SVM模型进行了对比分析。结果表明,4种模型的受试者工作特征曲线(receiver operating characteristic,ROC)下的面积(area under curve,AUC)分别为0.859、0.809、0.798、0.766,验证了CF样本策略的合理性、有效性及MKSVM模型的可靠性。     

旋转森林模型在滑坡易发性评价中的应用研究

以三峡库区万州段为研究区,从多源空间数据中提取29个致灾因子作为区域滑坡易发性分析的评价指标,在数字高程模型基础上采用集水区重叠法划分斜坡单元,构建旋转森林集成学习模型,定量预测滑坡空间易发性,并生成滑坡易发性分区图。在易发性分区图中,高易发区占11.6%,主要分布在万州主城区和长江及支流两岸;不易发区占45.6%,主要分布在人类工程活动低、植被覆盖度高的区域。采用受访者工作特征曲线和曲线下面积对旋转森林模型的滑坡易发性进行评价,结果显示该模型的预测精度为90.7%,其预测能力优于C4.5决策树。研究表明,应用旋转森林进行滑坡易发性评价具有预测能力强、精度高等优点。     

一种结合SMOTE和卷积神经网络的滑坡易发性评价方法

大规模的人类工程活动诱发和加剧了滑坡灾害的致灾情况,严重威胁工程安全和环境安全。滑坡易发性评价是滑坡监测预警的关键技术。针对传统滑坡监测手段数据源有限、缺乏挖掘滑坡灾害空间分布特征及其诱发因素的有效方法等问题,以位于三峡库区的中国重庆市万州区为研究区,基于地形、地质和遥感影像等多源数据,首先提取了22个滑坡易发性评价因子,并对这些因子进行多重共线性检验;然后采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)解决滑坡和非滑坡样本比例不平衡问题,建立输入训练集;最后构建卷积神经网络(convolutional neural networks,CNN)模型,定量预测滑坡易发性,生成滑坡易发性分区图。采用受试者工作特征曲线分析评价结果,测试数据集模型精度达89.50%,说明该模型是一种高性能的滑坡易发性评价方法。     

基于优化随机森林模型的滑坡易发性评价

以三峡库区沙镇溪镇-泄滩乡为研究区,探索基于最短描述长度原则的信息增益法对滑坡连续型因子进行离散的效果,计算皮尔森系数去除高相关因子。利用信息量法预测的极低、低易发区随机抽取非滑坡样本点。通过迭代计算袋外误差估计确定较优的随机特征及其数目,将优化后的随机森林对研究区滑坡进行易发性评价,并与逻辑回归等方法进行比较。绘制各算法预测结果的接收灵敏度曲线,其中优化后的随机森林预测结果的曲线下面积较高,达91.8%,表明优化随机森林模型在滑坡易发性评价中具有较高的预测能力。     

基于卷积神经网络的区域滑坡易发性评价:以三峡库区万州区为例

开展区域滑坡易发性评价是滑坡气象预警与风险评价的关键。针对目前诸多易发性研究未考虑滑坡发生与邻接环境有关的情况,本文提出了一种基于卷积神经网络(CNN)的区域滑坡易发性建模框架。以三峡库区万州区为例,选取坡度、坡向等12个因子构建评价指标体系,通过信息量法分析因子对滑坡发育的影响程度,采用二维矩阵构建数据集,运用CNN进行易发性建模,得到易发性评价图,同时探究构建样本时二维矩阵的大小对精度的影响。研究结果表明,越靠近水库带越易发生滑坡,水系和人类工程活动对于滑坡发育具有较大影响;CNN模型精度为0.925,相比机器学习模型精度明显提升;增大构建样本时的二维矩阵可提高精度。CNN模型在多维空间数据处理方面具有优势,它考虑了滑坡位置及其邻接环境的影响,是一种准确可靠的区域滑坡易发性评价方法。     

顾及样本敏感性的滑坡易发性评价

滑坡作为一种危害极大的自然地质现象,严重威胁着人民的生命财产安全。因此,科学、准确地评价滑坡体的易发性至关重要。随着机器学习的发展,基于机器学习的滑坡易发性评价逐渐成为研究热点。而在真实情况中,滑坡区域与非滑坡区域面积占比悬殊,这使得机器学习模型的应用存在较严重的样本不均衡问题。本文采用样本敏感性分析方法,综合多个机器学习模型在不同比例的正负滑坡样本集上的表现,以获取最均衡滑坡样本集;并在此样本集基础上采用深度随机森林模型,在示范研究区开展滑坡易发性评价。最终的评价结果接近真实分布,表明本文方法具有较好的有效性。     

新源县汇水域单元滑坡灾害易发性评价

针对滑坡灾害易发性难以定量评价的问题,提出了以汇水域为基本统计单元,层次分析法与信息量法相结合的滑坡易发性评价模型。该模型是在综合分析已有监测数据的基础上,建立了坡度、黄土分布、土地表覆被、水系、断层、高程、地表粗糙度、坡向等8类要素与滑坡稳定性的相关性,根据评价结果将滑坡易发性划分为5个不同的等级。基于新疆新源县滑坡易发性评价的实验结果表明,该模型评价结果与滑坡实际分布情况相符,能够准确对不同汇水域灾害易发性进行分级评价,可以为相关部门进行防灾、预警提供一定的数据支持。提出了一种主观判断与客观分析相结合的方法,回答了"什么地方最容易发生地质灾害"的问题。     

熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例

滑坡灾害易发性评价可为滑坡灾害风险管理、国土空间规划及滑坡监测提供科学依据。针对现有滑坡灾害易发性评价模型无法消除易发性评价指标因子在量纲、性质等方面的差异,尚未考虑易发性评价指标因子与滑坡灾害相关性,以及精度较高的经典机器学习模型训练效率较低、参数选取困难等问题,引入熵指数(index of entropy,IOE)和粒子群优化(particle swarm optimization,PSO)算法,提出IOE融入支持向量机(support vector machine, SVM)的滑坡灾害易发性评价方法。首先,基于滑坡灾害易发性评价指标因子,利用IOE模型计算SVM的调节因子;然后,采用PSO算法迭代求解SVM最优解,根据SVM二分类得到的隶属度来区分滑坡灾害易发性;最后,以陕西省作为实验区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面将所提方法与SVM方法进行了对比,实验结果表明所提方法的准确性、可靠性优于SVM方法。     

改进的学习向量量化滑坡易发性评价模型研究

针对传统的学习向量量化模型只能进行欧式空间的度量问题，该文将在学习向量量化(LVQ)模型的基础上引入径向基核函数(RBF)建立径向基函数的学习向量量化(RBF-LVQ)评价模型。以文成县为研究区，结合GIS技术选取坡度、坡向、坡形、断层距离、地质岩组、极端小时降雨量、地形湿度指数、地表覆盖、风化层厚度、黏聚力10个评价因子构建滑坡易发性评价体系，随机选取70%数据作为训练样本，分别采用RBF神经网络、LVQ神经网络和RBF-LVQ模型进行滑坡灾害易发性评价，并将剩余的30%数据利用ROC曲线进行精度检验。结果显示，训练后的RBF-LVQ模型AUC值为0.88,优于RBF神经网络的0.85和LVQ的0.86。RBF-LVQ模型拥有更好的预测能力，可为研究区域提供模型和决策支持。     

GIS支持下应用PSO-SVM模型预测滑坡易发性

滑坡灾害易发性预测是滑坡监测、预警与评估的关键技术。如何有效地选取评价因子和构建预测模型是滑坡灾害定量预测研究中的难题。本文以三峡库区长江干流岸坡作为研究区,通过地形、地质和遥感等多源数据融合,提取滑坡孕灾环境和诱发因素的信息作为评价因子。在此基础上,针对滑坡灾害的非线性和不确定性特征,采用粒子群算法对支持向量机模型参数进行全局寻优,构建粒子群算法(particle swarm optimization,PSO)-支持向量机(support vector machine,SVM)模型,定量预测滑坡易发性。最后通过分类精度比较分析基于格网单元和对象单元的滑坡易发性预测精度,结果表明,基于对象单元的PSO-SVM预测精度较高,其曲线下面积为0.841 5,Kappa系数为0.849 0,预测结果与野外实际调查情况较为一致,可为三峡库区滑坡防灾减灾工作提供参考。     

基于不同模型和单元的滑坡易发性评价比较

基于地理信息系统的滑坡灾害空间预测研究发展迅速,出现了多种滑坡空间预测模型。在总结滑坡灾害空间预测研究现状的基础上,简要介绍了决策树和支持向量机2种模型的基本原理。以秭归县一个研究区为例,选取11个滑坡影响因子,采用2种不同的研究单元,分别建立了决策树和支持向量机模型并对滑坡易发性作出了评价。结果表明针对同一模型,面向对象单元的滑坡易发性评价精度优于栅格单元;针对同一数据单元,支持向量机模型的滑坡易发性评价精度优于决策树模型。     

区域地质灾害易发性分级方法对比分析研究

地质灾害不仅造成了严重的经济损失和生态破坏,同时也威胁着人类的生存。地质灾害易发性评价是地质灾害风险评价的基础,以往的研究中重在探讨易发性评价方法的选取,而对于地质灾害易发性指数如何分级的研究较少。为了探索地质灾害易发性评价精度验证与定量的分级标准,以四川省汶川县为例,选取12种广泛应用的地质灾害易发性影响因子,运用信息量模型进行易发性评价,运用成功率曲线检验模型的评价精度,提出历史地质灾害累计比例分段法,并与其他8种分级方法进行对比分析与分级精度验证。研究结果表明,用验证样本成功率曲线与非灾害点样本成功率曲线两种方法检验模型评价精度确定了评价模型预测结果的合理性。历史地质灾害累计比例分段法在易发性分级面积比例精度验证、地质灾害频率比分级精度验证与发生地质灾害位置分级精度验证3种方式中均显现出较好的合理性,在9种分级方法中为最优分级标准。     

顾及地貌形态特征的精细斜坡单元高效分区划分

针对现有方法广域范围复杂地貌类型斜坡单元精细划分效率低的问题，该文提出一种顾及地貌形态特征的精细斜坡单元分区划分方法。首先通过典型地貌形态特征对广域范围进行分区，然后基于水文原理和A^T最低成本搜索算法精准提取各分区内的斜坡单元，最后根据坡向圆方差对分区内的斜坡单元进行优化。采用四川省全域30 m分辨率的数字高程模型(DEM)数据进行实验，根据地形起伏度和海拔高度将整个区域按6类地貌形态进行分区优化，在保持全域范围斜坡单元内部坡向均质性的同时，相较于常用的正反向DEM水文法划分效率提升了70.31%。与基于格网单元的滑坡易发性评价进行对比，基于该文所提取斜坡单元的滑坡易发性评价在精度上有4%以上的提升。     

层次分析法的黄河上游滑坡易发性评价

针对黄河上游龙羊峡至积石峡段滑坡灾害分布易发性评价与区划成图问题,该文以ArcGIS为平台,联系评价区的实际特点,选取地貌类型、地层岩性、降雨、断层、坡度为评价因子,运用层次分析法(AHP)确定各评价因子的权重,建立研究区滑坡易发性评价模型,结合GIS的空间分析功能实现研究区内滑坡灾害的易发性区划。结果表明,滑坡灾害主要集中在龙羊峡库区右岸和群科-尖扎盆地。区划结果与野外实际调查基本吻合,为今后GIS应用于地质灾害区划提供了思路,同时可为区内地质单位进行灾害监测提供基础数据和依据。     

联合密集连接与注意力的遥感影像变化检测

针对高分辨率遥感影像变化检测中存在的变化像素与未变化像素边界难以准确区分以及变化小、目标检测中容易出现漏检等问题,本文提出一种联合密集连接与注意力的孪生网络(CDASNet)。该网络采用孪生网络的输入方式,并在编码阶段利用残差连接单元以及密集连接的方式增强对原始影像底层特征的提取,同时在解码阶段引入注意力模块为不同层次的特征图赋予新权重来关注变化信息,进一步利用跳跃连接将编码阶段的浅层特征和解码阶段的深层特征进行融合,最终经过上采样恢复原始影像分辨率得到变化检测结果。将本文方法应用在LEVIR-CD数据集和CDD数据集中进行实验,结果表明,本文提出的方法在精度和召回率上都优于FC-Siam-conv、FC-Siam-diff、DSAMNet、SUN-CD 4种方法。     

基于改进U-Net网络的遥感图像云检测

为了解决U-Net模型应用于云检测时对碎云和薄云存在漏检的问题,本文提出了一种改进的U-Net网络模型,并应用于FY-4A数据进行云检测。首先,利用国家气象卫星中心提供的云检测产品生成二分类云标签;其次,将U-Net模型的编码器与残差模块相结合,使得网络参数共享,并避免深层网络的退化问题;最后,在解码器中融入密集连接模块,将浅层特征与深层特征进行连接,便于获取新的特征,并提高特征使用率。试验结果表明,模型在测试集上的IOU值和Dice系数分别为91.5%和95.2%,可以很好地检测出薄云及大量碎云,效果明显优于U-Net模型。     

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。     

完全残差连接与多尺度特征融合遥感图像分割

遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。     

3S技术下滑坡危险性区划及监测

针对传统知识驱动型滑坡灾害研究多依赖专业人员经验,具有主观性和不确定性的问题,该文提出了基于数据驱动滑坡致灾因子评价及危险性区划的方法。采用证据权模型,较好地平衡了滑坡危险性区划中准确性与高效性之间的矛盾,实现了较为精确的滑坡易发性及危险性区划;利用感知层、网络层、应用层的物联网技术,实现了高危险区滑坡点在线预警监测。3S技术支持下的滑坡危险性区划及监测实验结果表明:所用模型及监测技术不仅可以准确评价滑坡致灾因子权重及危险性区划,还能够精准、高效实现滑坡点实时监控预警。     

金沙江流域滑坡易发性空间预报分析

灾害易发性预报是提高灾害防控能力的第一步。针对位于云南省内的金沙江流域因地势险峻、生态环境脆弱,加之近年来人为活动增多已成为地质灾害高发区的现状,本文以金沙江德钦至华坪段滑坡灾害为例,运用Maxent和随机森林两种机器学习模型对滑坡空间分布作归因与预测,并对两者之间的差异进行对比分析。试验结果表明,随机森林模型的预测精度高于Maxent模型,AUC值为0.72。