基于粗糙集和BP神经网络的滑坡易发性评价

区域滑坡易发性评价是国土规划和滑坡中长期防治的重要依据。为进一步提高滑坡易发性评价的准确性,以恩施市龙凤镇为研究区,运用地理信息系统GIS技术,获取了包括工程岩组、坡度、地质构造等在内的13个初始评价因子,利用基于遗传约简算法的粗糙集理论对初始评价因子进行属性约简,去掉冗余属性后获得最小约简,即8个核评价因子：工程岩组、高程、地形曲率、道路、水系、坡度、坡向、径流强度指数,并以此作为BP神经网络的输入层,构建RS-BPNN预测模型,获得滑坡易发性指数LSI及滑坡易发性等级分区图。其中高易发区面积占总面积的12.82%,该区包含的滑坡面积占总滑坡面积的78.11%,通过ROC曲线测试,模型预测精度为90.9%。结果表明,RS-BPNN模型预测性能良好,进一步提高了滑坡易发性评价的精度和准确性,有较高的工程实用价值。     

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。     

基于深度神经网络模型的雅安市滑坡易发性评价CSCD

准确的滑坡易发性评价结果是滑坡风险评估的基础,对防灾减灾工作有着重要的意义。文章以雅安市为研究区,在野外地质调查的基础上,选取高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、泥沙输运指数、径流强度指数、归一化植被指数、年均降雨量、地震动峰值加速度、地形起伏度、距断层距离、地层岩性、距河流距离、距道路距离等16个因子,构建研究区滑坡易发性评价指标体系,采用度神经网深络(DNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(12.2%)、高易发区(7.0%)、中易发区(9.8%)、低易发区(17.0%)、极低易发区(54.1%)五个等级,并与人工神经网络(ANN)模型进行对比,用ROC曲线的AUC值进行精度检验。结果表明,DNN模型的评价精度AUC(0.99)大于ANN(0.96)模型。因此,相比ANN模型,DNN模型在该研究区有着更好的拟合能力和预测能力,滑坡极高和高易发区主要分布于雅安市人类工程活动强烈的低海拔地区,沿着道路和水系分布,距道路距离、高程、年均降雨量是影响雅安滑坡发育的主要影响因子。     

基于机器学习MaxEnt模型的线性工程滑坡易发性评价

铁路、公路等线性工程沿线的滑坡易发性评价对线路维护和防灾减灾有重要意义.基于GIS平台和R语言MaxEnt软件,以国道109工程为例,采用机器学习方法中的最大熵模型(Maximum en-tropy model,MaxEnt),以高程、坡度、坡向、地形起伏度、地形湿度指数、粗糙度、工程地质岩组、距道路距离、植被覆盖度和...     

基于贝叶斯优化机器学习超参数的滑坡易发性评价

利用机器学习模型进行滑坡易发性评价时,不同的超参数设置往往会导致评价结果的不同.采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化,探索了该算法对滑坡易发性机器学习模型的优化效果.以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说...     

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。     

浙西梅雨滑坡易发性评价模型对比

我国目前滑坡易发性评价研究主要集中在西南地区,对东南部降雨引发特别是梅雨引发的滑坡研究较少.选取浙江省西北部梅雨控制区淳安县为研究区,通过遥感解译结合野外详细调查,共确定滑坡596处,并建立滑坡编录数据库.选取高程、坡向、坡度、曲率、工程岩组、断层、道路、建设用地、植被等9个滑坡影响因子,基于GIS栅格分析方法,采用人工神经网络(ANN)、logistic回归和信息量3种评价模型,分别对32种不同影响因子组合进行滑坡易发性对比评价,得到滑坡易发性指数图.应用评价曲线下面积AUC(area under curve)对评价结果进行检验,ANN、logistic回归和信息量3种模型的正确率分别是93.75%、89.76%和90.06%;采用淳安县2014年梅汛期发生的13处滑坡作为预测样本,3种模型预测率分别是94.75%、94.33%和77.21%.上述分析结果表明:ANN模型优于其他两者.以ANN模型评价结果指数图为基础进行易发性分区,采用滑坡强度指标进行分区结果检验,滑坡强度值由易发性低、较低、中和高依次递增,说明分区结果合理.研究成果可以为浙西降雨型滑坡特别是由梅雨引发滑坡的易发性评价提供参考.      

基于SOM-I-SVM耦合模型的滑坡易发性评价

在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能有效提高滑坡易发性预测准确率。     

基于RBF神经网络?信息量耦合模型的滑坡易发性评价

滑坡易发性评价是滑坡灾害管理的基础工作,也是制定各项防灾减灾措施的重要依据。针对传统的信息量模型在评价过程中确定权重值存在准确性不高的缺点,文章提出RBF神经网络和信息量耦合模型。以甘肃省岷县为研究区,筛选坡度等9个指标因子构建了滑坡灾害易发性评价指标体系,应用RBF神经网络-信息量耦合模型（RBFNN-I）进行滑坡灾害易发性评价,利用合理性检验和ROC曲线对模型的评价结果进行精度检验。结果表明:（1）RBFNN-I模型的AUC值为0.853,相比单一的RBFNN和I模型分别提高了6.3%和9.7%,说明RBFNN-I模型具有更好的评价精度;（2）岷县滑坡灾害的极高易发区和高易发区主要分布在临潭—宕昌断裂带、洮河及其支流、闾井河和蒲麻河两侧河谷地带,距断层距离、降雨量、距道路距离和NDVI是影响岷县滑坡灾害分布的主控因子。     

不同模型的滑坡易发性评价精度讨论

为探讨不同滑坡易发性评价模型其评价结果的差异和评价精度,本文以贵州省桐梓县为研究区,选取坡度、斜坡结构、地形起伏度、工程地质岩组、距水系距离、距断层距离6个影响因子建立评价指标体系,分别采用信息量模型、确定性系数法、频率比法3种方法开展区域地质灾害易发性评价,并通过ROC曲线对评价结果进行精度验证。评价结果表明:信息量模型(AUC=0800)的评价精度优于确定性系数法(AUC=0784)和频率比法(AUC=0787),因此信息量模型更适合于该区域的滑坡易发性评价。     

基于Mamdani FIS模型的滑坡易发性评价研究

滑坡的形成是众多非线性关系的影响因子相互作用的结果,传统滑坡预测方法需要大量实地勘查数据。利用Mamdani FIS(模糊推理系统)模型对三峡库区巴东-秭归段进行滑坡易发性预测,并对结果进行评价。通过地理信息系统(geographic information system,GIS)、遥感(remote sensing,RS)技术和区域地质背景资料获取地形类、生态环境类和地质背景类共3类7种滑坡影响因子,建立了192条相关的推理规则,在Matlab平台下基于Mamdani FIS模型得到研究区滑坡易发性预测指数,并生成滑坡易发性区划图。预测结果的受试者工作特征曲线下的面积值为82.8%,显示滑坡评估效果良好。结果证明,与其他模型相比,基于空间信息技术的Mamdani FIS模型,利用其非线性分析能力和基于专家意见的推理规则,评估滑坡易发性时不需要先验知识支撑,简化了模型使用时对数据的要求。另外,该模型只需通过专家意见改变推理规则就可以应用于不同的地质地理环境区域,显示其较强的适应性。     

基于不同耦合模型的县域滑坡易发性评价对比分析

为有效预测县域滑坡发生的空间概率,探索不同统计学耦合模型滑坡易发性定量评价结果的合理性和精度,以四川省普格县为研究对象。选取坡度、坡向、高程、工程地质岩组、断层和斜坡结构等6项孕灾因子作为评价指标体系,基于信息量模型（I）、确定性系数模型（CF）、证据权模型（WF）、频率比模型（FR）分别与逻辑回归模型（LR）耦合开展滑坡易发性评价。结果表明：各耦合模型评价结果和易发程度区划均是合理的,极高易发区主要分布于则木河、黑水河河谷两侧斜坡带,面积介于129.04～183.43 km2（占比6.77%～9.62%）,各模型评价精度依次为WF-LR模型（AUC=0.869）>I-LR模型（AUC=0.868）>CF-LR模型（AUC=0.866）>NFR-LR模型（AUC=0.858）。研究成果可为川西南山区县域滑坡易发性定量评估提供重要参考。     

镇域尺度下秦巴山区堆积层滑坡易发性不同单元评价性能对比研究

秦巴山区堆积层滑坡数量多、分布广、密度大、频次高,所造成的危害十分严重,且具有孕灾条件复杂多样和部分灾害评价数据获取难度大等特征。笔者选取秦巴山区小岭镇作为研究区,在地质灾害野外调查基础上,结合堆积层滑坡区域特点,采取栅格、斜坡两种单元类型,因地制宜的提取了滑坡孕灾因子,分析其相关性,提选出坡度、坡高、坡面形态、斜坡结构类型、堆积层厚度、距道路、矿区、断裂的距离等8个因子作为堆积层滑坡特征因子,运用随机森林模型方法对该镇域进行了滑坡易发性评价;并通过评价结果频率比、ROC曲线、易发性概率均值与标准差,对栅格单元、斜坡单元两种单元类型的精度与准确性进行了验证,结果表明：两种评价单元的预测结果都有良好的表现,但斜坡单元作为评价单元总体预测性能高于栅格单元,栅格单元在灾害防治具体空间部署上有着更精细的参考。研究成果对秦巴山区镇域地质灾害风险评价工作有一定的理论和实践意义。     

基于信息量和卷积神经网络的黄土高原滑坡易发性评价

黄土高原在地质环境与人类活动的复杂互馈作用下易导致黄土崩滑灾害频发,亟需选择适用性的影响因子和训练模型开展滑坡易发性评价研究.本研究以黄土高原为研究区,基于野外滑坡调查和资料收集,构建涵盖地形地貌、基础地质环境、气象水文、人类活动、土壤物理化学性质以及植被覆盖的评价体系,采用信息量模型（ Ⅳ）分别联接到随机森林模型（RF）和卷积神经网络模型（CNN）构建耦合模型 Ⅳ-RF和 Ⅳ-CNN,开展滑坡易发性评价研究.结果表明,耦合模型（ Ⅳ-RF、 Ⅳ-CNN）的精度均高于独立模型（RF、CNN）,4种模型的AUC值分别为0.916、0.938、0.878、0.853, Ⅳ-CNN具有更强的预测能力和精度. Ⅳ-CNN模型的极高、高、中、低、极低易发性区域面积占比分别为8.78%、7.47%、15.34%、19.82%、47.87%,主要分布在黄土高原南部和东部地质环境复杂和人类活动强烈的山地、黄土梁峁地区.坡度、侵蚀类型、地貌类型、粘粒含量、距道路距离在贡献率分析中排在前5位,是影响滑坡发育的主控因子.本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据,为滑坡易发性评价研究深化...     

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。     

滑坡易发性危险性风险评价例析

从易发性、危险性、风险的概念入手,依据国际上流行和通用的滑坡风险评价与管理理论,分析了易发性评价的内容,包括易发性评价到危险性评价需要增加的评价要素,以及从危险性评价到风险评价需要增加的评价要素,阐明了这三种评价之间的联系和区别。并通过延安宝塔区的滑坡易发性、危险性和风险的评价与区划具体说明三者的做法和结果。     

基于GIS的概率比率模型的滑坡易发性评价

以中国1∶50万区域环境地质调查(以地质灾害为主)、700个县(市)地质灾害调查与区划调查等(成果)资料为基础,选取地形起伏度、地貌类型、工程地质岩组、地震动峰值加速度、年平均降雨量、土地利用程度综合指数6个评价因子,采用概率比率模型,1 km×1 km评价单元,计算得到全国滑坡易发性评价指数图,并验证了结果的可靠性。进行了易发程度分区,最终得到高易发区、中易发区、低易发区和不易发区4个分区,完成了全国滑坡易发程度分区图。研究表明,概率比率模型方法可以客观、定量地评价滑坡易发性,适用于大区域易发性评价。     

基于深度学习的CZ铁路康定—理塘段滑坡易发性评价

CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network, CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network, ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害...     

贵州省都匀市滑坡易发性评价研究

都匀市是贵州省城镇滑坡地质灾害多发频发区。文章以都匀市沙包堡镇为研究区,采用栅格单元提取高程、坡度、岩性、水系等9项致灾因子,分别使用都基于数学统计模型的定量分析方法（二元逻辑回归模型、信息量模型）和定性分析方法（层次分析模型）对都匀市研究区滑坡地质灾害易发性进行评价。结果表明:二元逻辑回归模型预测精度与预测效果均为最优,其ROC曲线下面积AUC值为0.873,易发性分区中高易发区和中易发区内预测发生滑坡面积比占95.41%,且最符合野外实地调查验证情况。评价方法与结果可为贵州城镇地区滑坡地质灾害评价和防治提供借鉴。