基于 C５．０决策树－快速聚类模型的万州区库岸段乡镇滑坡易发性区划

以乡镇为评价单元开展区域滑坡易发性评价对用地规划、防灾减灾等方面具有重要意义.以万州区临江 段的２３个乡镇单元作为研究对象,首先选取地表高程、坡度、坡向、岩性、构造、土地利用类型、地形湿度指数、水 系、道·９个指标因子,通过 C５．０决策树算法计算该区域发生滑坡的概率,再利用快速聚类算法进行易发性结果 分级;基于 ArcGIS平台得到各乡镇单元的滑坡易发性分区,结果表明:C５．０决策树－快速聚类模型的易发性评价 精度最高,AUC值达到０．９５０,优于人工神经网络－快速聚类模型的０．８２６和贝叶斯－快速聚类模型的０．７７２.利 用 C５．０决策树－快速聚类模型的计算结果,综合考虑极高(高)易发区面积大小及其占乡镇面积比大小,完成各 乡镇单元的滑坡易发性区划.在所有２３个乡镇中,滑坡易发性等级高的包括大周镇、万州城区、溪口乡、新田镇 等乡镇.通过对比各乡镇滑坡面积占研究区滑坡总面积的比重,发现两者结论基本一致,预测结果可为全区滑坡 防灾减灾提供科学依据.      

考虑软弱夹层控滑机制及其空间不确定性的顺层岩质滑坡易发性评价:万州区铁峰乡应用研究

顺层岩质滑坡突发性强,破坏性大,是危害山区城镇安全的重要灾害类型之一。发育软弱夹层的顺向斜坡是顺层岩质滑坡的高发区,区域顺层岩质滑坡易发性评价应融入软弱夹层的控滑机制和空间分布不确定性分析。以万州区铁峰乡为研究区,在软弱夹层物质结构及空间分布详细调查的基础上,分析了原生沉积、构造变形和表生改造作用下区内页岩和泥岩两类软弱夹层发展为滑动面的演化机理,总结了顺层岩质滑坡的变形破坏机理。考虑软弱夹层空间分布的不确定性,提出了软弱夹层垂向分布和有效控滑深度范围内软弱夹层控滑贡献度的计算模型。提取了软弱夹层类型和控滑贡献度等表征顺层岩质滑坡控滑结构的关键指标,结合地形地貌、斜坡结构、水文地质及人类工程活动4类要素,构建了顺层岩质滑坡易发性评价指标体系。针对万州区铁峰乡河谷南侧的顺向坡区段,以斜坡为评价单元,采用层次分析法对研究区顺层岩质滑坡开展了易发性评价。结果显示研究区内侏罗系珍珠冲组泥化夹层和自流井组页岩层是顺层岩质滑坡的主要控滑层位,极高易发区和高易发区占比分别为9.7%和25.8%,岩质斜坡单元下伏软弱夹层分布情况和斜坡前缘开挖情况是影响滑坡灾害易发性的主要因素,建房和道路开挖等人类工程...     

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１６３００个斜坡单元作为评价单元,采用粒子群优化支持向量机(PSOＧSVM)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.      

基于深度学习的滑坡灾害易发性分析

滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。     

不同日降雨工况下万州区滑坡灾害危险性分析

以三峡库区万州区为例,选择具有代表性的地质环境指标,分析各指标等级,利用逻辑回归、支持向量机和决策树3种数理统计模型,计算全区滑坡灾害易发性程度,分析3种日降雨工况下滑坡的发生概率,得到各日降雨工况下万州区滑坡灾害危险性分布图。确定了支持向量机模型为万州区滑坡灾害易发性分析的最优模型;万州区滑坡灾害高易发区和高危险区主要表现出沿河道水系呈带状分布、沿高程垂直分布、在城镇区集中分布的特点;特定工况下,万州区滑坡灾害危险性随着日降雨量增大而增大。      

张家界城市核心区域——南庄坪组团地质灾害风险评价

本次研究充分利用已有地质资料,结合野外调查结果,分析研究了张家界城市核心组团南庄坪组团内地质灾害发育的特点,将研究区划分为滑坡、崩塌2类不同灾种的风险评价区,针对灾害成生特点,选取了不同评价单元、指标、方法,开展了地质灾害风险评价。其创新点：(1)将栅格单元与斜坡单元相结合;(2)风险评价的结果不仅仅是划分风险区,而是具体到建筑物、道路的不同路段、人口分布、财产分布。提高了城镇重要地区的地质灾害风险评价的精细化程度,能更好的指导地质灾害的风险管控。     

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。      

基于信息量模型的地质灾害易发性评价:以川东南古蔺县为例

地质灾害威胁着山区人民生命财产安全,进行地质灾害易发性评价有助于山区城镇进行规划与建设时规避灾害风险。以川东南古蔺县为例,基于ArcGIS空间分析获取了研究区高程、坡度、岩性、斜坡结构、植被指数、距断层距离和距道路距离7个评价因子,采用信息量模型分别对滑坡和崩塌灾害进行易发性评价后,进一步利用ArcGIS单元统计功能对比了滑坡和崩塌易发性的信息量值,选取相对更大的信息量值作为该栅格的最终信息量值,绘制了研究区综合地质灾害易发性图,利用自然断点法将古蔺县按信息量值的大小划分为极低、低、中、高和极高易发区。结果表明：地质灾害主要分布在断层和道路附近,断层和人类工程活动是造成研究区地质灾害频发的主要原因;高易发区与极高易发区面积之和为1 315.62 km²,占全区总面积的41.32%;预测模型性能经ROC曲线检验,AUC值为0.812 5,说明栅格最大值法预测的古蔺县综合地灾易发性效果良好。     

基于机器学习的滑坡易发性预测建模及其主控因子识别

不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异, 另外如何有效识别滑坡易发性的主控因子意义重大。针对上述问题, 以支持向量机(support vector machine, 简称SVM)和随机森林(random forest, 简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性, 创新地提出了"权重均值法"来综合计算出更准确的滑坡主控因子。首先获取陕西省延长县滑坡编录和10类基础环境因子, 将因子频率比值作为SVM和RF的输入变量; 再将滑坡与随机选择的非滑坡样本划分为训练集和测试集, 用训练好的机器学习预测出滑坡易发性并制图; 最后用受试者工作曲线、均值和标准差等来评估建模不确定性, 并计算滑坡主控因子。结果表明: ①机器学习能有效预测出区域滑坡易发性, RF预测的滑坡易发性精度高于SVM, 而其不确定性低于SVM, 但两者的易发性分布规律整体相似; ②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性。实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型。      

采用多模型融合方法评价滑坡灾害易发性:以湖北省五峰县为例

不同的易发性评价模型可以得到有差异的滑坡空间预测结果，选取最优模型甚至综合各模型的优势是提高易发性评价精度的有效方法。为检验模型融合思路的有效性，以鄂西地区五峰县渔洋关镇为研究区，提取坡度、地层、断层、河流、公路等7个滑坡成因条件，分别采用信息量模型、证据权模型和频率比模型进行滑坡易发性评价；并将3种模型分别进行归一化、主成分分析（PCA，Principal component analysis）和优势融合，得到了6幅易发性分区图。结果表明:优势耦合模型精度最高（90.3%），频率比模型次之（89.7%），归一化融合模型和PCA融合模型分别为89.3%和89.1%，以上4种结果的精度均高于证据权模型（87.7%）和信息量模型（87.6%）；6幅预测图对应的评价结论与历史滑坡空间分布的实际情况相符。空间一致性对比结论表明，主成分融合模型与优势耦合模型的同格率高达68%，其预测结果避免了单个模型预测结论带来的偶然性和片面性，说明多模型融合方法与优势耦合模型在提高滑坡易发性预测精度上是可行性的，该思路对其他地区滑坡灾害易发性评价具有借鉴意义。      

基于栅格最大值法的县域综合地质灾害建模

四川省地形高低悬殊, 岩性构造发育, 各类地质灾害频发, 开展地质灾害易发性评价具有重要意义。崩塌、泥石流属于广义上的滑坡, 以四川省丹巴县为例, 从考虑不同滑坡类别的区域性地质灾害易发性出发综合考虑崩塌、滑坡、泥石流的空间概率分布。基于ArcGIS通过高精度数字高程模型共选取高程、坡度等10个地质灾害关键控制因素, 采用信息量模型对综合地质灾害进行了易发性评价。最终通过ArcGIS的单元统计(Cell Statistics)功能实现多个栅格图层最大值法合成综合易发性, 进一步利用受试者工作特征曲线(ROC)验证单种滑坡类别易发性模型的精度。按照自然断点法将研究区划分为极低、低、中、高、极高易发区, 高易发区和极高易发区主要集中分布在章谷镇、太平桥乡以及甲居镇等地。研究结果证明信息量模型能对单类地质灾害进行评价, 栅格最大值法是获取综合易发性的一种有效评价方法。      

基于逻辑回归模型和3S技术的思南县滑坡易发性评价

区域滑坡易发性评价对滑坡灾害防治具有重要意义，贵州省思南县由于其特殊的自然地理和地质条件，受滑坡地质灾害的影响非常严重，因此，非常有必要对思南县的滑坡易发性进行评价。在滑坡编录的基础上，采用由RS、GIS和GPS组成的3S技术，获取了思南县的数字高程模型、坡度、坡向、剖面曲率、坡长、岩土类型、地表湿度指数、距离水系的距离、植被覆盖度和地表建筑物指数10个滑坡影响因子；再在频率比和相关性分析的基础上，利用逻辑回归模型对思南县的滑坡易发性进行了评价并绘制了易发性分布图。结果表明:利用逻辑回归模型预测思南县滑坡易发性的准确率(AUC值)达到0.797，较为准确地预测出了思南县滑坡分布规律；极高和高滑坡易发区主要分布在高程低于600 m、地表坡度较大且以软质岩类为主的区域；而极低和低滑坡易发区主要分布在高程较高、地表坡度较小且以硬质岩类为主的区域。      

基于证据权法的巴东县城滑坡灾害易发性评价

巴东县城由于其特殊的地理位置和特有的地质条件，使之成为滑坡灾害多发地带，严重威胁着巴东县城的发展，因此，有必要对巴东县城进行滑坡易发性评价研究。首先，基于GIS平台分别提取影响滑坡发生发育的各指标因子（地层岩性、地形地貌、地质构造、水文地质条件等），并划分证据层；其次，采用证据权法分别计算各证据层的权重及后验概率；然后将单元各证据层后验概率进行叠加，生成滑坡易发性分区图；最后，使用自然断点法将研究区按滑坡易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类，极高易发区与高易发区面积之和约占研究区总面积的33%，其中86%的已有滑坡发生在极高易发区和高易发区，利用成功率曲线检验表明区划效果较好。      

不同栅格尺寸下输电线路地质灾害易发性评价

输电线路的安全运行对国家经济建设与发展具有重要意义,而针对输电线路进行地质灾害易发性评价的研究较少。以京津冀地区的输电线路为例,选取高程、坡度、坡向、地形起伏度、地层岩性、距断层距离、距水系距离、土地利用类型8个指标因子,采用频率比法对各指标因子进行分级,构建易发性评价体系。再利用不同的机器学习模型,使用不同尺寸的栅格单元作为评价单元对研究区进行易发性评价。最后,选取精度最高的机器学习模型与传统的层次分析法完成研究区易发性区划图。研究结果表明：贝叶斯网络模型在区域输电线路易发性评价中的应用效果最好,模型性能最强,最高AUC值为0.876。与传统的层次分析法相比,BN模型在研究区易发性制图中的效果更好,精度更高。此外,采用50 m的栅格作为评价单元在研究区易发性评价中取得了最好的应用效果,研究成果为输电线路地质灾害易发性评价以及栅格尺寸的选用提供了思路以及参考。     

基于LSTM＿TCN模型的降雨型滑坡时间概率预测及气象预警建模

如果滑坡发生时间信息不完备则会导致滑坡与降雨时序关系错误,以至于降雨阈值模型精度偏低。以重庆市万州区1995-2015年所发生的降雨型滑坡为研究对象,将区内严重缺失历史滑坡时间信息的恒合乡作为验证区,提出了一种基于长短时记忆网络(LSTM)融合时域卷积网络(TCN)的模型方法。该方法通过模拟降雨型滑坡发生时间与降雨量间的非线性关系,重建降雨型滑坡事件在某日发生的时间概率。将重建时间信息后的滑坡事件进行了验证与筛选,应用于累积有效降雨量-降雨历时曲线的合理划分,构建了滑坡气象预警模型。结果表明,本方法所预测滑坡时间概率平均值达到90.33%,高于人工神经网络(ANN)(71.17%)、LSTM(72.75%)和TCN(86.91%)的概率。利用预测概率高于90%的滑坡,将验证区18个时间信息扩充至201个。基于扩充时间信息后的滑坡数据所构建的气象预警模型比仅利用历史滑坡事件具有更合理的预警分级,在严重警告级别上有效预警率提升了42.86%。结果说明该方法可弥补野外调查中灾害数据时间信息不足的问题,为降雨型滑坡气象预警工作提供数据支撑,由此提高气象预警准确率。     

确定性系数与随机森林模型在云南芒市滑坡易发性评价中的应用

编制科学的滑坡易发性分区图,可以有效降低灾害带来的损失。以云南省芒市为研究区,利用确定性系数模型（certainty factor,简称CF）方法计算各个因子的敏感值,作为随机森林（random forests,简称RF）的分类数据,选取合适的训练数据和最优化的模型参数进行模型预测,从而对研究区进行滑坡易发性评价分区。采用频率比方法将连续性因子离散化,从而通过确定性系数计算因子不同区间的滑坡易发性,同时利用CF先验模型,对研究区负样本进行选取。通过计算袋外误差得到最优化的RF参数,随后利用RF模型对研究区模型进行训练及预测。绘制ROC曲线和三维遥感影像对预测模型结果分别进行定量和定性评价,结果表明,所得到的模型精度为91%,优于随机抽样得到的结果。最后,采用平均基尼不纯度减少和平均准确度下降两种计算方法计算、评价了研究区各个因子的重要性。基于以上对研究区进行的滑坡易发性评价结果,可以为该区灾害风险评估和管理提供依据。      

可拓学在济南市地质灾害易发性评价中的应用

介绍了可拓学的基本理论,并应用于地质灾害易发性划分。选取了岩土体类型、地形坡度、地质构造、已有灾害点数量、人类工程活动强度、多年平均降雨量为地质灾害易发性评价指标,运用层次分析法获得了评价指标的权重值,建立了基于可拓学理论的地质灾害易发性评价模型。以济南市为例,对可拓学模型的评价结果进行验证,该方法获得结果与实际情况吻合程度高,证明这一方法是切实可行的。     

基于信息量模型和数据标准化的滑坡易发性评价

本文以北川曲山-擂鼓片区为研究区,将坡度、坡向、高程、地层、距断层的距离、距水系的距离和距道路的距离作为该区域滑坡易发性评价因子。采用信息量模型计算了各项评价因子的信息量值,并运用4种标准化模型对信息量值进行标准化处理。各评价因子的权重由层次分析法（AHP）确定。在GIS中将权重值和各评价因子的标准化信息量值,进行叠加计算得到区域滑坡总信息量值,并基于自然断点法对其进行重分类,将研究区划分为极高易发区、高易发区、中易发区、低易发区和极低易发区5级易发区。将基于4种标准化模型和信息量模型得到的滑坡易发性评价结果进行了对比分析,结果表明：基于最值标准化信息量模型的滑坡易发性评价结果的ROC曲线下面积AUC值为0.807,高于其余模型的AUC值,说明最值标准化信息量模型的滑坡易发性评价效果最好。极高易发区面积占研究区面积的20.03%,离断层和水系较近,主要分布地层为寒武系、志留系和三迭系。研究结果可为区内滑坡风险评价和灾害防治提供参考。     

支持向量机与Newmark模型结合的地震滑坡易发性评估研究

Newmark位移模型是研究地震滑坡易发性的经典模型,机器学习方法支持向量机模型也越来越多的应用到滑坡易发性评估研究。本文将Newmark位移模型与支持向量机模型相结合,建立基于物理机理的地震滑坡易发性评估模型并应用于2008年汶川地震重灾区汶川县。从震后遥感影像目视解译出汶川县1900处地震诱发滑坡,并将其随机划分为70%的训练数据集和30%的验证数据集。选择地形起伏度、坡度、地形曲率、与构造断裂带距离、与水系距离、与道路距离6个因子与Newmark位移值共同作为地震滑坡易发性影响因素。利用ROC曲线和模型不确定性等指标对模型结果进行评估,并与二元统计模型频率比和多元统计模型Logistic回归的结果进行对比。结果表明：与频率比和Logistic回归模型相比,支持向量机模型的正确率最高,训练集和验证集ROC曲线下的面积分别为0.876和0.851。将模型应用于绘制汶川县地震滑坡易发性图,结果显示滑坡易发性图与实际的滑坡点位分布一致性较高,有80.4%的滑坡位于极高和高易发区。这说明支持向量机与Newmark位移方法结合建立的地震滑坡易发性评估模型有较高的预测价值,可以为滑坡风险评估和管理提供依据。