基于滑坡破坏模式分析的易发性评价——以三峡库区首段泄滩河左岸为例

三峡库区首段发育有大量岩质滑坡,其中很多灾害点极具隐蔽性且目前并未被查明。文中以三峡库区首段泄滩河左岸为研究区,以区内唯一破坏的卡门子湾顺层岩质滑坡为例,在分析其成因机制的基础上归纳总结了该地区顺层岩质滑坡的破坏模式,并以此确定了高程、坡度、坡向、起伏度、平面曲率、剖面曲率、地层岩性、距河流距离及距道路距离共9个评价指标因子及疑似滑坡隐患点,将这些灾害隐患点作为滑坡样本,运用ALSA模型开展研究区的滑坡易发性分区,最后采用ROC曲线及现场复查等方法验证评价结果的可靠性。预测结果表明：研究区内顺层岩质滑坡的极高易发区和较高易发区大致呈面状分布,主要集中在岩性为侏罗系中统上沙溪庙组紫红色泥岩夹砂岩和西北坡向的近库岸地区。现场验证发现易发分区结果与滑坡破坏模式分布规律较吻合,表明基于滑坡破坏模式选择滑坡样本得到的滑坡易发性结果在整体上也能反映研究区滑坡概率空间分布规律,在缺乏准确滑坡样本时可作为一种替补方案。上述研究结果为基于滑坡破坏模式选取滑坡样本开展易发性评价工作提供了理论支持和科学依据。     

基于随机森林的滑坡空间易发性评价:以三峡库区湖北段为例

滑坡空间易发性分析有助于开展滑坡防灾减灾工作,训练有效的滑坡预测模型在其中扮演重要角色.以三峡库区湖北段为研究区,选取高程、坡度、斜坡结构、土地利用类型、岩土体类型、断裂距离、路网距离、河网距离、以及归一化植被指数这9个影响因子建立滑坡空间数据库,采用集成学习中的随机森林算法进行滑坡易发性评价.结果显示,随机森林抽样训练的方式有利于确定较优的训练参数,保证随机森林在不过拟合的情况下取得满意的拟合能力和泛化能力.随机森林绘制的滑坡易发性分级图显示出合理的空间分布,其中73.35%的滑坡分布在较高和极高级别区域.而巴东县北部、秭归县中部以及夷陵区南部等区域显示出较高的易发性级别.性能评估及易发性统计结果均表明随机森林是一种出色的算法,在滑坡空间预测领域具有较好的适用性.      

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...     

基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例

三峡库区是地质灾害管理的重点地区,鉴于长江对其沿岸边坡的水力作用不容忽视,因此需进一步研究水系因素对滑坡易发性的影响.以重庆市奉节县为例,考虑区域内水系影响显著,沿水域两岸300 m区域内划分为分区Ⅰ,其余区域为分区Ⅱ.其次,全域、分区Ⅰ、分区Ⅱ以提取的16个影响因子建立易发性评价指标分析模型,基于随机森林模型计算区域滑坡发生概率,并将全域和分区的滑坡易发性评价结果对比分析.结果表明：奉节县高和极高易发区主要分布在水域两岸及耕地范围内,这是由于库水位升降减少了防滑截面的有效应力,由于原有山体平衡在垦荒过程中被破坏,耕地对斜坡的防护作用微弱;基于水系分区后模型的训练精度优于全域模型的训练精度,准确率和F1分数的最大提升幅度分别可达5.1%、5.2%.基于水系分区的方法有利于提高滑坡易发性评价精度,该方法实用性强,可靠性高.     

基于RF-FR模型的滑坡易发性评价——以略阳县为例

滑坡易发性评价是指导区域滑坡初步预警、预报的重要手段。为提高县域滑坡易发性评价的准确性,以随机森林模型（RF）、频率比模型（FR）为基础模型,结合2种模型的优越性,建立随机森林-频率比模型（RF-FR）,进行滑坡易发性评价。以略阳县域为研究区,选取高程、坡向、坡度、地层、地表粗糙度、距断层的距离、曲率、距道路的距离、地形湿度指数、距河流的距离及降雨量等14项影响因子建立数据库,采用Spearman方法对各因子相关性进行分析,剔除地形起伏度等3项相关性较高的评价因子,并基于滑坡相对点密度（LRPD）进行评价因子分析。结果表明：①滑坡灾害点与线状因子的距离呈负相关,即距离越近,灾害点越多。②FR、RF、RF-FR模型预测率分别为84.3%、90.1%、95.0%,RF-FR模型较FR、RF模型预测精度分别提高了10.7%、4.9%。③RF-FR模型的滑坡灾害点在高、极高易发区的比例比FR、RF模型分别提高了15.89%、5.29%。     

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。     

基于梯度提升的优化集成机器学习算法对滑坡易发性评价：以雅鲁藏布江与尼洋河两岸为例

雅鲁藏布江与尼洋河两岸地质构造活跃,山体滑坡时常发生,滑坡易发性评价能有效的减少因灾害发生所造成的对人类生命和财产的伤害。笔者基于基尼系数的加权随机森林、XGBoost和LightGBM算法在滑坡易发性中的性能。选取188个滑坡样本和7个影响因素,应用五折交叉验证法训练模型,训练过程中同时考虑特征选择算法、运用贝叶斯方法优化超参数后,采用precision、 recall、 F1、 Accuracy指标对各个级别的预测结果进行分析。结果表明：在高程为32～1 544 m与2 722～3 752 m、坡度为30°～40°、距断裂带、河流与道路200 m以内的区域最容易发生滑坡;滑坡极高与高易发性分布为12.14%和12.41%,低和极低易发性占比分别为26.47%与29.55%,区内一半以上的地区不容易发生滑坡灾害;LightGBM模型在所有模型中表现最好,AUC值为0.843 2,准确度为0.853 1,F1分数为0.834 5;墨脱县的达木乡、帮辛乡,林芝县的丹娘、里龙、扎西饶登乡,朗县的陇村,工布江达的江达乡位于极高易发区,发生滑坡概率极大,在这些地区应采取相应的地质灾害防治措施。     

基于斜坡单元的山区城镇滑坡灾害易发性评价：以康定为例

山区地质灾害易发性评价对城镇地质灾害风险管理具有重要意义。本文以康定市为例,以斜坡单元为最小评价单元,选取高程、坡度、坡向、曲率、工程地质岩组、距道路距离、距断裂距离、距水系距离和斜坡结构等9个滑坡影响因子,根据各因子滑坡面积比曲线与证据权值曲线的突变点,划分滑坡影响因子二级状态,并对各影响因子进行相关性分析,剔除相关性较高的距道路距离因子,在此基础上,采用证据权模型进行滑坡易发性评价。对已有治理工程的斜坡单元,本文尝试利用折减系数法对其易发性进行进一步评价。结合现场调查,将研究区滑坡易发性程度划分为：极高易发、高易发、中等易发、低易发。评价结果表明,自然工况下极高易发区主要位于康定市炉城镇以及研究区北侧二道桥村一带,高易发区主要位于雅拉河、折多河与瓦斯沟河谷两侧,对治理工程所在的斜坡单元进行折减后,极高易发区面积由11.21%降至8.42%,滑坡比率由4.03降低至2.3,研究结果符合实际情况,模型精度达77.8%。评价结果较好地反映了康定市区的滑坡易发性分布情况,可为城镇精细化评价提供一定的参考依据。

     

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...     

增量学习在滑坡易发性评价中的应用——以甘肃省天水市为例

为了提升机器学习模型在滑坡易发性评价任务中的泛化能力,以甘肃天水市为例,采用基于LightGBM的增量学习模型,并利用Autogluon自动机器学习框架实现模型的超参数优化和堆叠,以及使用SHAP可解释框架进行特征选择和数据异常分析,构建了适用于滑坡易发性评价的增量学习模型。通过在天水市不同区域采集的滑坡灾害数据进行模型验证,结果表明,基于增量学习的滑坡易发性评价模型能够有效地识别和预测滑坡易发区域,根据新数据集自适应调整模型,并且提高模型的性能。     

基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划

滑坡易发性评价是精细化滑坡灾害风险评价的基础。为了提升滑坡易发性评价模型的精度和稳健性,以三峡库区万州区燕山乡为例,选取工程地质岩组、堆积层厚度等九个影响因子构建滑坡易发性评价指标体系,应用信息量模型定量分析滑坡发育与指标之间的关系。在此基础上,随机选取70%/30%的滑坡样本作为训练/验证数据集,应用极致梯度提升模型(extreme gradient boosting, XGBoost)开展易发性评价。随后从模型预测精度和模型稳定性两方面将其与决策树模型(decision tree, DT)和梯度提升树模型(gradient boosting decision tree, GBDT)进行对比。结果表明：研究区堆积层滑坡主要受长江水系、堆积层厚度和工程地质岩组影响。XGBoost模型具有最高的准确率(94.3%)和预测精度(97.3%)。在模型稳定性验证中,平均预测精度最高(97.3%),优于DT(91.3%)和GBDT(95.7%),模型标准差和变异系数均为0.01,低于其余两种模型。XGBoost在区域滑坡易发性评价与制图中得到了可靠的结果,为滑坡灾害空间预测提供了新的技术支撑。     

基于GIS与MaxEnt模型的滑坡易发性评价——以铜川市中部城区为例

铜川市属于中国资源枯竭型城市,近年来过量的开采资源与频繁的工程活动诱发了大量的滑坡,对人民安全与社会发展造成了严重威胁,如何科学合理地对滑坡易发性进行评价具有重大的研究意义。以铜川市滑坡分布较多的王益区、印台区作为研究区,选取坡度、坡向、高程、曲率、距道路的距离、距水系的距离、地形地貌、岩土体类型等8个因子构建评价指标体系,采用MaxEnt模型与ArcGIS平台相结合的方法构建了研究区滑坡易发性评价模型,并进行了易发性评价。评价结果显示,MaxEnt模型AUC值达到0.905,评价能力优秀;Kappa系数为0.76,评价结果与滑坡现状分布十分吻合;距水系的距离、地形地貌为最重要的环境影响因子。高易发和较高易发主要分布在其中部及东部居民集中居住区,分别占研究区总面积的4.36%、5.77%,与实地调查结果相符,MaxEnt模型可在类似区域滑坡易发性评价中进行推广。     

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。     

基于多模型的滑坡易发性评价以甘肃岷县地震滑坡为例

2013年7月22日,甘肃省岷县漳县交界处发生了MS6.6级地震(岷县地震),本文以这次地震烈度Ⅷ度区为研究区,根据地震前后遥感影像解译出来的2330个地震滑坡数据,以坡度、坡向、水系、岩性和断层为因子图层,分别应用模糊逻辑法,信息量模型及Shannon熵改进的信息量模型,对研究区的地震滑坡易发性进行评价。结果表明: 1滑坡的高易发性地区位于研究区的中间部分,以及水系0～50m这一缓冲区范围内,离水系越近滑坡易发性等级越高; 2应用ROC曲线对3个模型的易发性评价结果进行比较,信息量模型和Shannon熵改进的信息量模型的AUC值分别为0.8488, 0.8502; 模糊逻辑模型的AUC值为0.7640,表明前两个模型的表现较好,而模糊逻辑模型相对来说表现一般; 3通过对比3个模型中各等级易发性所占的面积比例和各等级易发性中滑坡数目占总数比例,表明Shannon熵改进后的模型更适用于灾害风险评价以及应急风险管理等实际应用。     

基于信息量模型的地质灾害易发性评价——以贵州省荔波县为例

地质灾害易发性是地质灾害风险评价的基础,是国土空间规划、地质灾害防治及工程建设的重要依据。以贵州省荔波县为例,采用信息量法对研究区地质灾害易发性进行评价。以遥感解译、现有灾害点、隐患点、历史灾害数据为评价基础数据,获取地质灾害信息量。以地形坡度、坡高、坡形、断层、地层、斜坡结构、水系距离7个固有地质环境影响因素为评价指标,开展易发性评价。研究结果显示：荔波县极高易发区4个,占31.65%;高易发区5个,占30.26%;中易发区4个,占29.11%;低易发区3个,占8.98%。经野外验证,符合度较高,评价结果可信。     

基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价

准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型.      

基于粗糙集的支持向量机滑坡易发性评价

区域滑坡易发性评价对灾害中长期预测预报具有重要意义。以三峡库区秭归至巴东段为研究区,利用粗糙集理论对20个初始评价因子进行属性约简,去掉冗余或干扰信息,得到13个核心评价因子,并以此作为支持向量机的输入特征集,构建支持向量机模型,实现滑坡易发性评价。在易发性分区图中高易发区占8.2%,主要分布在童庄河右岸、归州河沿岸、青干河左岸、树坪至范家坪长江右岸、牛口到东壤口长江左岸和巴东附近;不易发区占 52.7%,主要分布于店子湾至巴东旧城以及远离长江水系及植被覆盖度高的区域。通过验证与分析,粗糙集-支持向量机模型在高中易发区中的预测精度为85.6%,其预测能力优于支持向量机模型;与野外调查对比,预测结果与实际情况吻合较好。研究表明,应用粗糙集和支持向量机相结合进行滑坡易发性评价具有预测能力强、计算效率高等优点。     

基于信息量与Logistic模型的矿区滑坡灾害易发性评价

针对矿区长期煤矿开采引起的滑坡灾害频发问题,快速高效地模拟和评价矿致滑坡灾害易发性是实现采矿地区科学防灾减灾的关键。基于此,本文应用信息量与Logistic回归模型结合多源高分辨率光学遥感数据等,选取相对高差、坡度、坡向、距断层距离、NDVI、距采空区距离6个滑坡影响因子来评价采煤矿区滑坡灾害易发性。结果表明:(1)信息量与Logistic回归模型耦合的综合预测准确率为96%,信息量模型滑坡预测准确率为95%,实验结果表明耦合模型的预测精度优于单一信息量评价模型,评价模型的合理性和预测精度皆符合检验要求;(2)研究结果也表明了采用信息量+Logistic回归模型耦合能较为客观准确、快速高效地评价地下采矿引起的滑坡灾害易发范围,评价结果可为类似地区高效快速划定滑坡灾害易发区间提供技术支撑。     

滑坡易发性评价方法和精度比较——以贵州省大方县为例

近年来贵州省突发性滑坡地质灾害时有发生,除在册滑坡隐患外,还有不少斜坡存在着滑坡的孕灾环境条件,通过新一轮的地质灾害风险评价发现,选用不同的风险评价体系对地质灾害易发性的影响很大,从而影响地质灾害防治、国土空间规划和政府决策等基础数据。本次以大方县滑坡数据为例,选取与滑坡相关的7个影响因子:坡度、坡向、相对高差、工程地质岩组、距水系距离、距构造距离以及土地利用类型,采用层次分析法(AHP)、信息量模型(I)及耦合模型(AHP-I)对研究区进行滑坡易发性评价,并采用滑坡点频率统计和成功率曲线(ROC)对3种模型的评价精度进行检验。通过比较,选取精度高的耦合模型(AHP-I)作为滑坡易发性评价方法,从而能更加精确地评价大方县的滑坡易发性,为山区县级区域滑坡灾害的防灾减灾提供决策依据与参考。