基于GIS的神农架林区崩滑流灾害风险评价研究

本研究以地质灾害频发的神农架林区为研究区域,以崩塌、滑坡、泥石流3种相关性较高的灾害为研究对象,基于GIS技术进行区域崩滑流灾害的综合风险评价,以辅助城乡规划及相关工作。评价基于研究区地形、地质、灾害点等基础数据,选取崩滑流灾害影响因子,利用Arc GIS空间分析功能,结合SPSS软件进行Binary Logistic回归分析,构建灾害风险评价模型,编制基于模型的研究区崩滑流风险评价图,得到相应评价结果,获知灾害孕育发生的主要影响因素及区域内崩滑流灾害高风险区分布情况。并探讨评价结果在辅助防灾减灾专项规划编制、城乡发展方向确定、重大基础设施选址等规划重点工作方面的应用,以期通过规划,防治和规避崩滑流地质灾害,保障山区人民群众的生命财产安全。     

随机森林算法在区域生态旅游适宜性评价中的应用研究

生态旅游适宜性评价是评估生态旅游发展潜力、制定生态旅游规划和进行生态旅游开发的基础和重要参照。本文引入机器学习方法,从方法可行性、数据映射和预测实现等方面进行探讨,应用随机森林算法对湖南武陵山片区生态旅游适宜性展开实证研究。湖南武陵山片区旅游资源丰富,脱贫后亟需开展生态旅游来巩固拓展脱贫攻坚成果实现与乡村振兴有效衔接以及促进可持续发展。研究结果表明：(1)将机器学习算法引入到区域生态旅游适宜性评价领域作为一种新方法,可为之后改进生态旅游适宜性评价方法提供新思路与新方案;(2)随机森林算法可以有效应用在区域生态旅游适宜性评价方面,可作为适宜性评价研究的一种新方法,模型优化后的平均测试精度达86.49%,受试者工作特征曲线（ROC）与坐标围成的面积（AUC）达0.95,评价结果能够准确反映湖南武陵山片区生态旅游适宜性程度;(3)特征重要性排序结果显示土地利用类型影响最大,占比达到28.98%,人口密度、距景点距离和生物丰富度等因子的影响也较大,分别为16.34%、12.2%和10.65%,在进行生态旅游开发时应重点考虑这些因素;(4)生态旅游适宜性结果表明,高度适宜与适度适宜区占比高,研究...     

基于AO的洪水灾害风险分析模型设计与构建

中国是一个自然灾害尤其是洪涝灾害发生较频繁的国家,洪水灾害的风险分析与评估是抗洪救灾中的一个重要组成部分,洪灾风险分析的时效性、科学性对于防汛抗洪、抢险救灾具有重要的意义。本文针对流域洪水灾害的特点与其复杂的风险分析过程,考虑影响流域洪水灾害的因子,结合层次分析方法(AHP),以COM组件的架构思想为基础,采用ArcObjects语言的相关接口和方法,构建了流域洪水灾害风险分析模型,将各因子对洪水灾害的危险性和风险的影响进行了量化,分别得出洪水灾害风险性分布图和洪水灾害易损性分布情况。通过对洞庭湖试验区域的模型检验,结果表明,所构造的模型简单易操作,能够较好地对区域洪水灾害进行风险分析。     

基于机器学习的参考作物蒸散量估算研究

参考作物蒸散量（Reference Evapotranspiration, ET₀）的准确估算对区域水资源管理和分配、流域水量平衡以及气候变化等研究具有重要作用。新疆地处我国西北干旱地区,水资源供需矛盾尖锐,精确估算该地区的ET₀有助于其科学合理地调配水资源,缓解水资源供需压力。FAO推荐的Penman-Monteith法是计算ET₀的标准方法,但该方法需要多项气象因子,而新疆地区气象站点较少且分布不均,精确完备的气象数据在新疆大部分区域难以获取。因此,如何使用有限气象因子获取高精度的ET₀在新疆地区备受关注。本文基于中国气象数据网提供的新疆地区1980—2019年的地面气候资料日值数据集,在日和月尺度下,通过对最高气温T_max、最低气温T_min、平均气温T_avg、风速U₂、相对湿度RH和日照时数n共6项气象因子进行敏感性分析,形成不同的气象因子组合;然后使用SVM、RF、GBDT和ELM 4种机器学习算法,以FAO-56 PM计算值为标准值,对新疆地区的ET₀进行了拟合建模;最后,从拟合精度、稳定性和计算代价3个方面对模型进行评价。研究表明：① 在新疆地区,ET₀对RH、T_max和U₂敏感系数级别为高,平均敏感系数分别为-0.516、0.283和0.266;n为中等,平均敏感系数为0.124;T_min和T_avg为低,平均敏感系数分别为-0.016和-0.003;② 在日尺度,各算法在RH、T_max、U₂和n这4项气象因子为输入时精度较高（RMSE<0.5 mm/day,R²>0.95）,可对ET₀进行精确估算;在月尺度,各算法使用RH、T_max和U₂这3项参数便可对ET₀进行精确估算。SVM和GBDT这2种算法在日尺度和月尺度都有较好的适用性,可在相应尺度下使用较少气象因子替代FAO-56 PM公式对ET₀进行估算。     

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明该算法的可行性与适用性。基于滑坡历史编录,确定研究区内1 017个滑坡点,并选定15个滑坡影响因子,以此构建滑坡易发性模型的训练集和测试集。利用贝叶斯优化算法对4种机器学习模型的主要超参数进行了优化,依据优化后的超参数建立了4种优化模型,并使用AUC值等指标来比较其预测能力。结果表明：经超参数优化后的4种机器学习模型预测性能均有所提高,且基于贝叶斯优化的随机森林模型表现最好。     

基于XGBoost算法的亚热带地区生态旅游适宜性评价方法研究

近年来,随着公众环境保护意识的提升,追求人与自然和谐共生的生态旅游方式越来越受到人们的普遍关注。面对丰富多样的生态旅游资源及国内生态旅游的供需矛盾,如何在大保护的前提下有序开发、合理利用,将“绿水青山”科学、合理地转化为“金山银山”是现阶段亟需面对和解决的重大问题。本文以神农架林区为例,基于多源地理空间数据,运用XGBoost算法对其生态旅游适宜性进行评估,得出如下结论：(1)基于XGBoost算法的生态旅游适宜性评价模型融合了机器学习技术与数据挖掘思想并取得了良好的分类效果,模型在10折交叉验证下的整体分类精度为89.44%,同时兼有良好的召回率(89.68%),F1分数为0.874 5,兼顾了精确度和召回率,模型AUC值为0.959 3,模型整体分类性能表现优秀;(2)根据特征重要性排序结果,生态环境要素NDVI(26.86%)、年平均气温（11.61%）和社会经济因素距道路距离（8.90%）对模型贡献度最高,位列所有特征前3位;(3)生态旅游适宜性分类结果表明,神农架林区整体生态旅游资源丰富,高度适宜区、中度适宜区、边际适宜区和不适宜区的覆盖面积分别占林区总面积的44.13%、1...     

基于蚁群算法的城市可持续发展综合评价

在可持续发展体系分类的基础上，应用蚁群算法对可持续发展各分类指数公式和综合指数公式进行优化，建立可持续发展评价模型。将该模型应用于乌鲁木齐市可持续发展水平评价，评价结果与现状分析一敛。结果表明该模型简单适用、有良好的通用性。     

基于当量距离算法的山洪灾害避灾路线研究

山区乡村防灾减灾能力薄弱,山洪灾害突发性强,避灾响应时间短,容易造成人员伤亡,合理设计避灾路线,有助于降低灾害损失。本文基于GIS技术,以河北省邢台市田白芷村所在山区避灾路线规划为例,通过高分辨率无人机摄影测量获得研究区DEM数字高程模型和正射影像。以坡度作为避灾阻力值,利用成本距离和成本路径函数计算山区初始避灾路线,以山洪沟所在区域、坡度较大区域作为避灾路线阻隔,同时充分考虑现有山路,优化形成最终避灾路线,基于避灾路线的距离和平均坡度2个指标将研究得到的避灾路线与原有的避灾路线进行定量对比分析。研究结果表明：(1)在设计形成的20条远距离避灾路线中,该方法能够缩短18条避灾路线的长度,同时有10条线路的平均坡度得到降低,其余8条线路平均坡度的增加控制在2°以内;(2)生成的路线较原始路线单条最长可缩短329.74 m,且平均坡度仅增加0.68°,实现增加少量的平均坡度来缩短避灾距离,从而提高避灾效率;(3)剩余2条路线分别增加了15.21 m和9.57 m行程使得平均坡度降低了8.43°和1.43°,实现增加少量的距离来降低线路的平均坡度,从而提高避灾的安全性;(4)田白芷村南部临近...     

基于随机森林算法的地表温度鲁棒降尺度方法

陆地表面温度是描述区域或者全球范围内陆地表面与大气的相互作用和能量平衡最重要的环境参数之一。针对目前尚未有遥感卫星能够同时提供具有高时间和高空间分辨率的地表温度产品的问题,国内外学者发展了多种对低空间分辨率的地表温度进行降尺度的算法。然而,由于对地表温度解释变量和降尺度模型的选择往往具有区域局限性,导致了降尺度模型的泛化能力受到了一定的限制。本文首先评估了地表反射率、遥感光谱指数、地形因子、地表覆盖、经纬度以及基本状态变量6类环境参量与地表温度之间的相关关系,并在此基础上筛选出最佳解释变量;同时,结合在非线性回归问题上表现比较优秀的随机森林算法,建立了一种鲁棒性的基于随机森林算法地表温度降尺度模型（RRF）。本文选取了中国范围内具有代表性的11个地区作为主要研究区,将空间分辨率为1 km的MODIS地表温度产品降尺度至90 m。以北京市2个典型地表类型的子区域为代表研究区,通过与传统的基于归一化植被指数与地表温度相关关系的TsHARP模型,以及基于红波段和近红外波段以及地表高程作为尺度因子建立的简单Basic-RF模型的对比分析可得,RRF模型在2个子研究区降尺度结果均优于TsHARP模型和Basic-RF模型,其均方根误差分别为2.39 K和2.27 K。通过进一步对2个子研究区训练的RRF进行交叉验证,证明在一个研究区训练的RRF应用至另一研究区的降尺度时,RRF模型表现出了较好的鲁棒性,降尺度结果的均方根误差分别为2.56 K和2.44 K,精度误差相差仅为0.17 K。通过将RRF应用于中国范围内的多个研究区,结果表明利用少量训练数据构建的RRF模型适用于大范围的区域,地表温度降尺度结果都能取得较好的精度。     

融入土壤湿度指标的青藏高原近地表土壤冻融机器学习监测算法

青藏高原作为中低纬度地区最大的高山冻土区,多年冻土和季节冻土广泛分布。高精度的地表冻融监测结果对研究该区域的水热交换、碳氮循环和土壤冻融侵蚀非常重要。本文基于4个青藏高原典型地区的土壤温湿度观测网数据,开展利用LightGBM算法和随机森林算法进行土壤冻融循环监测的研究。在构建土壤冻融监测模型的过程中,发现土壤湿度是影响冻融判别的一个关键因子。使用AMSR2亮温数据和ERA5-Land土壤湿度数据,基于两种机器学习算法判别地表冻融状态,将结果与传统冻融判别式算法进行对比分析。结果表明：相比冻融判别式算法,LightGBM算法在白天和夜间的总体判对率提高了12.09%;14.45%,随机森林算法在白天和夜间的总体判对率提高了13.23%和14.96%。近80%的错分样本分布在-4.0℃～4.0℃之间,说明2个机器学习算法能够识别出稳定的土壤冻结状态和融化状态。另外,LightGBM算法和随机森林算法得到的日冻融转换天数的平均RMSE降低了112.82和117.00;冻结天数的平均RMSE降低了47.87和53.96;融化天数的平均RMSE降低了37.10和39.80。同时,基于随机森林算...     

一种基于改进SEIR模型的突发公共卫生事件风险动态评估与预测方法——以欧洲十国COVID-19为例

突发公共卫生事件会严重影响社会公众生命健康,风险评估和预测可为突发公共卫生事件有效防控提供科学依据.本文提出了一种基于SEIR模型的突发公共卫生事件风险动态评估与预测方法,将突发公共卫生事件传播与人口、医疗、经济情况相结合,耦合危险性与脆弱性,建立合理的风险评估综合指标体系,利用熵值一层次分析组合模型实现突发公共卫生事...