基于GIS和信息量模型的京张高铁滑坡易发性评价

新建京张铁路不仅是2022年北京冬奥会的配套交通保障设施,同时也是京包兰交通廊道的重要组成部分。在京张高铁沿线滑坡灾害调查的基础上,对影响滑坡灾害发育的相关因子进行统计分析,选取斜坡坡高、坡度、坡向、归一化植被指数、工程地质岩组、活动断裂、河流、年平均降雨量、地震和人类工程活动等10个要素作为评价模型计算的基本变量和数值化参数,采用基于GIS的信息量模型法对在建京张高铁沿线及邻区进行了滑坡灾害易发性评价,并将评价结果划分为5个等级:极低易发区、低易发区、中易发区、高易发区和极高易发区。结合野外调查成果,对评价结果的可信度进行了检验分析,评价结果与实际灾害发生情况基本吻合,研究结果可为京张高铁建设、减灾防灾提供基础依据。      

基于信息量法的湖北省秭归县滑坡易发性评价

本文以湖北省秭归县为研究区,选取高程、水系距离、道路距离、岩土体类型、坡向、坡度、土地覆盖类型、年降雨量等8个评价因子开展滑坡易发性评价工作,依据ArcGIS软件数据分析工具完成各评价因子相关性分析。对评价因子相关性值|r|>0.1的高程、坡向因子剔除,计算各因子信息量值。利用信息量模型进行滑坡易发性评价,将研究区划分为四个区域：(1)极高易发区,面积140.0864 km²,占研究区总面积6.18%,主要分布在长江及支流沿岸;(2)高易发区,面积1002.445 km²,占研究区总面积44.23%,主要呈带状分布在极高易发区两侧,部分位于两河口镇、磨坪乡周边区域;(3)中易发区,面积833.8711 km²,占研究区总面积36.79%,呈带状分布在极高易发区两侧,零散分布;(4)低易发区,面积290.2564 km²,占研究区总面积12.80%,多分布在高山人稀区域。本文研究结果能够较好地反映研究区滑坡灾害分布规律,可为秭归县防灾减灾工作提供依据。     

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。     

基于信息量模型法的石阡县地质灾害易发性评价

以贵州省石阡县为研究区,选取8个影响地质灾害发育的因素作为评价因子.采用信息量模型法对各评价因子进行信息量计算,将区域地质灾害易发性划分为低、中、高、极高易发区4个等级,分别占研究区面积的21.08％、35.13％、25.53％、18.27％.结果表明:石阡县地质灾害低、中、高、极高易发性面积分别为457.99 km2...     

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。     

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和信息量模型的安徽池州地质灾害易发性评价

以安徽省池州市为研究区,选取坡度、坡向、工程地质岩组、断裂、道路、河流、降雨量、土地利用类型8个影响因子进行地质灾害易发性评价。基于全市345个地质灾害点(崩塌和滑坡)样本数据,采用信息量模型对研究区各影响因子的信息量进行计算,依据灾害点密度将区域灾害易发性划分为5个等级:低易发区、较低易发区、中易发区、较高易发区和高易发区。结果表明:安徽省池州市地质灾害高易发区和较高易发区主要分布在坡度较大的山区河谷两侧,反映人类工程活动破坏、流水冲刷作用和地形地貌因素是影响该区地质灾害的主要因素。其中,高易发区和较高易发区面积为1 801.47 km~2,分别占全区总面积的7.89%和13.88%,高易发区和较高易发区内的灾害点分别占所有灾害点的48.7%和21.5%,其中高易发区的灾积比为6.17,明显高于其他易发等级。对地质灾害易发性的方法与技术的研究,旨在为该区的灾害防治和经济建设提供技术参考。     

基于信息量法的新疆伊宁县滑坡灾害易发性评价

以新疆伊宁县为例,据该区域地质环境条件和滑坡灾害点数据资料,选取高程、坡度、坡向、地势起伏度、距断层距离、工程地质岩组、地表粗糙度、距河流距离、曲率等9个影响因子,在信息量模型对所选影响因子分析基础上,使用ArcGIS对滑坡灾害开展易发性评价。结果显示,伊宁县滑坡灾害易发等级可划分为高易发、中易发、低易发和不易发4个等级,面积分别为291.045 6 km²、753.695 6 km²、995.093 9 km²、2 436.785 km²,分别占伊宁县总面积的6.50%、12.35%、32.29%、47.94%。据ROC曲线法检验评价等级结果,得到AUC=0.854 1,精度达85.41%。该结果可为伊宁县滑坡灾害防治提供参考依据。     

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。     

基于信息量模型的云南东川泥石流易发性评价

以东川泥石流为研究对象,选取高程、坡度、坡向、起伏度、曲率、工程岩组、距断层距离、距水系距离、土地利用类型9个影响因子,以研究区144条泥石流为样本数据,建立了东川泥石流易发性评价体系。基于GIS平台,采用信息量模型计算各个评价指标状态分级的信息量值,以小流域为评价单元使用自然间断法将研究区泥石流易发程度分为极高、高、中和低4个易发区等级。结果表明：研究区极高易发区和高易发区发生泥石流灾害数量占比94.44%,AUC值为0.876,表明选取评价指标合理,信息量模型适用于东川泥石流易发性评价研究。     

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。     

Landslide susceptibility mapping based on GIS and information value model for the Chencang District of Baoji,China

The main objective of this study was to apply a statistical (information value) model using geographic information system (GIS) to the Chencang District of Baoji, China. Landslide locations within the study area were identified using reports and aerial photographs, and a field survey. A total of 120 landslides were mapped, of which 84 (70 %) were randomly selected for building the landslide susceptibility model. The remaining 36 (30 %) were used for model validation. We considered a total of 10 potential factors that predispose an area to a landslide for the landslide susceptibility mapping. These included slope degree, altitude, slope aspect, plan curvature, geomorphology, distance from faults, lithology, land use, mean annual rainfall, and peak ground acceleration. Following an analysis of these factors, a landslide susceptibility map was produced using the information value model with GIS. The resulting landslide susceptibility index was divided into five classes (very high, high, moderate, low, and very low) using the natural breaks method. The corresponding distribution area percentages were 29.22, 25.14, 15.66, 15.60, and 14.38 %, respectively. Finally, landslide locations were used to validate the results of the landslide susceptibility map using areas under the curve (AUC). The AUC plot showed that the susceptibility map had a success rate of 81.79 % and a prediction accuracy of 82.95 %. Based on the results of the AUC evaluation, the landslide susceptibility map produced using the information value model exhibited good performance.     

基于最大熵模型的中尼交通廊道滑坡易发性分析

中尼交通廊道作为中国近年来建设的重点区域,地质灾害频发,尤其是滑坡灾害层出不穷。文章基于对G216国道沿线地质灾害的实地调查以及遥感解译结果,以最大熵模型为方法,利用169个灾害点数据和8个评价因子图层预测了研究区滑坡灾害的易发性分布。根据占比划分五级风险区。结果表明,滑坡易发概率以G216为中心向外辐射逐渐降低。同时采用刀切法检验评价因子对预测结果的贡献度,确定了滑坡主导因素及其阈值。最后通过ROC曲线验证了模型的可靠性。为中尼边境公路区域建设提供一种地质灾害预测分析模型,也为青藏地区公路边坡防灾减灾提供有效支撑。     

Landslide susceptibility zonation method based on C5.0 decision tree and K-means cluster algorithms to improve the efficiency of risk management

Machine learning algorithms are an important measure with which to perform landslide susceptibility assessments,but most studies use GIS-based classification methods to conduct susceptibility zonation.This study presents a machine learning approach based on the C5.0 decision tree(DT)model and the K-means cluster algorithm to produce a regional landslide susceptibility map.Yanchang County,a typical landslide-prone area located in northwestern China,was taken as the area of interest to introduce the proposed application procedure.A landslide inventory containing 82 landslides was prepared and subse-quently randomly partitioned into two subsets:training data(70％landslide pixels)and validation data(30％landslide pixels).Fourteen landslide influencing factors were considered in the input dataset and were used to calculate the landslide occurrence probability based on the C5.0 decision tree model.Susceptibility zonation was implemented according to the cut-off values calculated by the K-means clus-ter algorithm.The validation results of the model performance analysis showed that the AUC(area under the receiver operating characteristic(ROC)curve)of the proposed model was the highest,reaching 0.88,compared with traditional models(support vector machine(SVM)=0.85,Bayesian network(BN)=0.81,frequency ratio(FR)=0.75,weight of evidence(WOE)=0.76).The landslide frequency ratio and fre-quency density of the high susceptibility zones were 6.76/km2 and 0.88/km2,respectively,which were much higher than those of the low susceptibility zones.The top 20％interval of landslide occurrence probability contained 89％of the historical landslides but only accounted for 10.3％of the total area.Our results indicate that the distribution of high susceptibility zones was more focused without contain-ing more"stable"pixels.Therefore,the obtained susceptibility map is suitable for application to landslide risk management practices.     

基于CatBoost-SHAP模型的滑坡易发性建模及可解释性

文章致力于深入探索滑坡易发性建模中集成学习模型的不确定性和可解释性。以浙江省东部沿海山区为研究对象,利用谷歌历史影像与Sentinel-2A影像,记录了2016年超级台风“鲇鱼”触发的552起浅层滑坡事件。研究首先对连续型因子进行了不分级、等间距法和自然断点法的工况设计,进一步划分为4,6,8,12,16,20级。随后,引入了类别增强提升树模型（CatBoost）以评估不同工况下的滑坡易发性值,再结合受试者曲线与沙普利加性解释法分析,对建模过程中的不确定性和可解释性进行了深入研究,目的在于确定最优建模策略。结果表明：（1） 在CatBoost模型计算中,河流距离成为最关键的影响因子,其次是与地质条件、人类活动相关的因子;（2） 不分级工况下,模型能够获得最高的AUC值,达到0.866;（3）相较于等间距法,自然断点法的划分策略展现出更佳的泛化能力,且模型预测性能随着分级数量的增加而增加;（4）沙普利加性解释法模型揭示了主要影响因子道路距离、河流距离、DEM和坡向对台风诱发滑坡的控制机制。研究成果能够加深对滑坡易发性的理解,提高滑坡预测的准确性和可靠性,为相关地区的防灾减灾工作提供科学依据。     

基于斜坡单元和语义分割的皖南地区滑坡灾害易发性评估

滑坡灾害严重影响着人们的生命和财产安全,对自然环境造成重大破坏。以斜坡单元为单位进行滑坡易发性评估能够更加接近真实的滑坡地形,为滑坡灾害的防治提供更加科学的理论支持。本文以安徽省皖南地区为研究区,基于黄山、宣城、池州市滑坡点数据以及皖南地区基础地理数据,利用主成分分析和多重共线性分析方法筛选滑坡评价因子,提出将斜坡单元几何形状信息和语义分割方法相结合的创新方法,构建滑坡灾害易发性评估模型,对皖南地区的滑坡灾害易发性进行评估,揭示其空间分布规律。结果表明：结合斜坡单元和语义分割方法构建的滑坡易发性评估模型具有较高的预测精度,能够充分考虑斜坡单元的几何形状信息对滑坡易发性的影响,较为准确地评估皖南地区的滑坡易发性。评估结果符合滑坡形成机理,其中62.19%的滑坡单元分布在滑坡易发性等级中—高的斜坡单元上,模型预测AUC值为0.878,与缺少几何形状信息的CNN模型进行对比,预测精度明显提高。

     

基于遥感影像多尺度分割与地质因子评价的滑坡易发性区划

区域滑坡易发性的研究是滑坡空间预测的核心内容之一。从影像多尺度分割和面向对象的分类理论出发,以研究区遥感影像的熵、能量、相关性、对比度共4个参数作为影像纹理因子提取易发性特征,利用滑坡所处区域的库水影响等级、坡度、斜坡结构、工程岩组4类地质因子分析地质背景,搭建C5.0决策树的易发性分类模型,实现了对研究区内4类滑坡易发性单元的预测。结果表明：高易发性单元的工程岩组通常发育为软岩岩组和软硬相间岩组,且坡度在15°～30°之间;模型显示该区域训练样本和测试样本平均正确率达91.64%,Kappa系数分别为0.84,0.51,因此这种基于影像多尺度分割与地质因子分级的滑坡易发性分类研究具有一定的适用性。     

基于信息量和多层感知机分类器模型耦合的平果市斜坡类地质灾害易发性评价

广西平果市频发的地质灾害严重制约着市区的工程建设和生命财产安全。在充分收集和整理区域地质资料的基础上,通过遥感解译和现场调查,确定了平果市共发育251处斜坡类地质灾害,其中崩塌189处、滑坡62处。选择高程、坡度、坡向、曲率、工程地质岩组、距断层距离、土层厚度、距河流距离和降雨共9个因子作为评价因子,结合信息量和多层感知机分类器的优势,采用信息量和多层感知机分类器耦合模型对平果市斜坡类地质灾害进行易发性评价。斜坡类地质灾害易发性制图表明极高易发区占平果市面积的25.39%,主要分布于平果市的北部、中部和南部山区。通过ROC曲线对模型预测能力进行检验获得AUC=0.809,表明模型评价结果能够很好地预测研究区斜坡类地质灾害的发生。研究结果可为研究区的崩滑灾害风险评价和灾害防治提供科学依据。