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。     

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。      

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。      

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。      

综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模

为解决基于机器学习的滑坡易发性建模存在的单模型分类能力弱和传统随机抽取非滑坡样本准确性不高的问题,本研究以三峡库区奉节县为例,应用优化的非滑坡样本和Stacking异质集成机器学习模型进行滑坡易发性建模研究。首先,基于地形、地质和遥感影像等数据提取16个评价指标并进行相关性分析,剔除高相关指标,构建易发性评价指标体系;其次,基于信息量模型提出非滑坡样本选取（Non-Landslide Sampling, NLS）指数;最后,应用NLS指数选取更高质量的非滑坡样本,并与滑坡样本组成训练集;采用随机森林(Random Forest, RF),轻量级梯度提升树（Light Gradient Boosting Machine, LGBM）,梯度提升决策树（Gradient Boosting Decision Tree, GBDT）,以及以三者为基模型的同质（Boosting）和异质（Stacking）集成方法进行易发性建模。结果表明：应用NLS指数能选取得到质量更高的非滑坡样本,提升了易发性建模精度;Stacking异质集成机器学习模型的精度最高,为0.941,优于3个同质集成模型和3个单模型...     

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。      

基于空间多尺度分析的滑坡易发性评价——以三峡库区秭归-巴东段为例

以三峡库区秭归-巴东段为例,将地理加权回归(GWR)模型引入到研究区的空间尺度分割方法中,利用粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化,构建GWR-PSO-SVM耦合模型,完成研究区滑坡易发性评价,并与传统的PSO-SVM耦合模型结果进行对比。结果表明,在特定类别精度分析、总体预测精度分析和曲线下面积分析中,本文方法评价效果均优于传统方法。     

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AHP法的鲁中某高铁岩溶塌陷易发性评价

鲁中地区隐伏岩溶广泛分布,多年来岩溶塌陷灾害频发,给区内高速铁路的勘察、施工与运营管理带来了较多困难。本文以泰安东地区某拟建高速铁路为研究对象,在对线路穿越段地质构造、水文地质条件、岩溶塌陷发育现状总结分析的基础上,选取了8项岩溶塌陷影响因子作为评价指标,并运用AHP法计算了各评价指标的权重,构建了有针对性的评价指标体系,结合GIS空间分析方法进行了岩溶塌陷易发性评价。结果表明：研究区易发性高区面积约11.0km²,占比37.6%,易发性中等区面积约9.6km²,占比32.9%,易发性低区面积约7.8km²,占比26.8%,需在高速铁路建设过程中有针对性地采取进一步的防治工程措施。本研究成果可为高铁线路方案的确定及工程处理提供地质依据,也可为同类覆盖型岩溶区高速铁路工程的规划建设与防灾减灾管理提供参考。     

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%。     

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。     

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...     

贵州省喀斯特地区泥石流灾害易发性评价

贵州省独特的喀斯特山地环境对地质灾害的孕育有其特有的作用机理。本文初选了10个相关因子进行GIS的方差分析及相关性分析,以筛选喀斯特山区泥石流灾害的主要影响因子及灾害易发性评价。结果表明,研究区内土壤侵蚀因子对泥石流灾害的贡献作用最为显著,断层的影响作用不明显。土壤侵蚀、坡度、坡向、岩石性质、土地利用方式、归一化植被指数（NDVI）、到沟谷的距离及>25 mm日数8个影响因子,具有良好的独立性和代表性,是研究区内泥石流易发性评价的最佳指标;泥石流主要分布在贵州西部云贵高原边境、北部大娄山、东北雾灵山及苗岭等地带,占全省面积的29.51%,贵州中部及东南部泥石流易发程度较低;极高易发区泥石流的分布密度是极低易发区的19倍,其主要的环境特征表现为坡度大、植被覆盖率较低,旱地与工矿用地分布多,土壤侵蚀严重;加强旱地、工矿用地及低植被覆盖区的合理利用及管理,是减少泥石流灾害发生的有效途径。     

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。      

基于信息量模型的涪陵区地质灾害易发性评价

本文以重庆涪陵区为研究区域,选取坡度、坡向、累计汇水面积、地层岩性、水域、降雨量、植被和土地利用分类8个影响因子,提取高分一号遥感数据（2013.12.24）动态影响因子,引入信息量模型,分别计算上述影响因子对应的信息量,对该时期示范区的地质灾害危险性进行评价,并引入ROC曲线和AUC评价指标,对得到的区域地质灾害易发性评价结果进行精度评估。结果显示,2013年12月研究区内高易发区面积占总面积的9.73%,该易发区内含有104个地质灾害点,占所有灾害点的52.7%,灾积比为5.42,明显大于其他易发等级类别。利用ROC评价方法,计算成功率曲线AUC为0.796,预测率曲线AUC为0.748（74.8%）,具有较高的可靠性,证明本文方法在该区域地质灾害易发性评价的适应性良好。     

基于改进两步法采样策略和卷积神经网络的崩塌易发性评价

机器学习在崩塌滑坡泥石流地质灾害易发性分析评价领域已得到广泛的研究性应用,非灾害样本的选取是易发性建模过程中的关键问题,传统随机抽样和手工标注方法可能存在随机性和主观性。将土质崩塌易发性评价视为正例无标记(positive and unlabeled,简称PU)学习,提出了一种结合信息量(information value,简称IV)和间谍技术(Spy)的两步卷积神经网络(convolutional neural networks,简称CNN)框架(ISpy-CNN)。以广州市黄埔区崩塌编录和15类基础环境因子,通过信息量模型筛选出部分低信息量样本;采用间谍技术训练CNN模型,从低信息量样本中识别出具有高置信度的可靠负例划分为非崩塌样本;分别基于该学习框架、传统间谍技术和随机抽样,使用支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)对比验证。结果表明,ISpy-CNN框架在验证集上的准确率、F1值、敏感度和特异度较随机采样分别提升了6.82%,6.82%,6.82%,8.23%,较传统Spy技术分别提升了2.86%...     

基于EW-AHP-SIM评价体系的崩塌灾害易发性评价

本文以易发性评价为基础,从原生因素和诱发因素着手,构建“10因素”指标体系,通过比较目前多种评价模型,建立了EW-AHP-SIM崩塌评价体系,对西南某公路沿线6个隧道进出口进行了崩塌易发性评价。研究表明：熵权法(EW)、层次分析法(AHP)和综合指数(SIM)耦合形式,弥补了熵权法采集数据的不准确和层次分析法的人为主观性,科学合理地确定崩塌影响因子的权重。坡形S3、岩性S4、出露结构面S5、距断裂距离S6和人类活动S10综合权重值相对较高,介于0.102～0.191间,为敏感因子,植被覆盖率S8和年平均降雨量S7综合权重值相对较低,为非敏感因子。基于EW-AHP-SIM评价体系,得到6个低风险区、3个中风险区、3个高风险区,与研究区现场实际情况相一致,可为崩塌地质灾害的预测和危岩落石风险评价提供参考价值。     

考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律

对于滑坡易发性预测中的水系、公路和断层等线状环境因子, 现有研究大多采用缓冲分析提取距离线状因子的距离。但缓冲分析得到的线距离属于离散型变量, 带有大小不等的随机波动性且对点或线要素的误差较为敏感, 导致滑坡易发性建模精度下降。提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性。以江西省安远县为例, 选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子), 再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子); 之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型, 分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性; 最后利用ROC曲线和易发性指数分布特征等来研究建模规律。结果表明: ①改进因子机器学习预测精度均高于原始因子机器学习模型, 表明空间密度对于易发性预测的适宜性更好; ②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好, 其次是SVM、MLP和LR; ③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前。      

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。