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.      

基于不同因子分级法的滑坡易发性评价——以湖北远安县为例

本文以湖北省远安县为研究区,利用采集的资料,提取出了与滑坡发生相关的8类指标因子:高程、坡度、坡向、地层岩性、斜坡结构、断层、水系、公路。针对连续型致灾因子,选取定性等间距划分和频率比法划分得到两类指标因子体系,分别带入人工神经网络模型和随机森林模型,绘制得研究区易发性评价区划图。最后,利用ROC曲线图对4个模型的精确性进行分析,得到ANN模型的成功率和预测率分别为0.899和0.901,FR-ANN模型的成功率和预测率0.934和0.935; RF模型的成功率和预测率分别为0.886和0.886,FR-RF模型的成功率和预测率分别为0.928和0.929。以上说明,无论对于人工神经网络还是随机森林模型,基于频率比法的因子分级均表现出了更高的精确性。 更多还原     

基于逻辑回归模型的泥石流易发性评价与检验：以金沙江上游奔子栏—昌波河段为例

基于地理信息系统(ArcGIS100)平台和小流域单元,采用逻辑回归(LR)模型对金沙江上游(奔子栏—昌波河段)干热河谷区进行泥石流易发性评价,并对预测结果进行总体检验与随机个案检验。评价与检验结果表明,得到的最优指标组合下LR评价模型的AUC值为827%;预测的极高易发区、高易发区面积合占全区面积的3598%,实发泥石流面积占泥石流总面积的6503%;在个案检验中,位于各等级分区的检验组样本实发泥石流比例随着分区易发性等级降低,依次为917%(极高)、750%(高)、364%(中等)、167%(低)、0(极低),表明评价效果良好。研究区泥石流集中发育于金沙江沿岸的东北部、中部和西南部,主导性的评价指标依次为距主干道路距离、岩性、距断裂带距离、雨季月平均降雨量。人类活动与季节性降雨为研究区干热河谷泥石流的主要诱发条件。基于逻辑回归模型的泥石流易发性评价方法提高了泥石流发生可能性的预测精度,可为干热河谷区泥石流预测预警和防治提供参考依据。     

不同模型的滑坡易发性评价精度讨论

为探讨不同滑坡易发性评价模型其评价结果的差异和评价精度,本文以贵州省桐梓县为研究区,选取坡度、斜坡结构、地形起伏度、工程地质岩组、距水系距离、距断层距离6个影响因子建立评价指标体系,分别采用信息量模型、确定性系数法、频率比法3种方法开展区域地质灾害易发性评价,并通过ROC曲线对评价结果进行精度验证。评价结果表明:信息量模型(AUC=0800)的评价精度优于确定性系数法(AUC=0784)和频率比法(AUC=0787),因此信息量模型更适合于该区域的滑坡易发性评价。     

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。     

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。     

抚顺西露天矿区滑坡易发性评价与时空特征分析

近年抚顺西露天矿矿区滑坡在规模、活动频率以及空间发育位置等方面均与矿区历史滑坡呈现出较明显的时空差异性,为矿区未来治理提出新的挑战。故基于改进频率比模型,选择人类工程活动（主要是采矿工程扰动）和工程地质条件两类致灾因素,对由矿区滑坡时空差异所导致的易发性变化进行研究。结果表明：影响矿区滑坡灾害的主要因素包括坡体结构、工程岩组和水文地质条件;矿区滑坡易发性较2010年前有所降低,高易发区和较高易发区面积共减少1.294 km2,但北帮中区等地段仍呈高易发态势;滑坡易发区的空间位置与2010年前后对比发生了较大变化,矿坑西北帮滑坡易发性大幅降低,东部环矿区境界50~500 m处滑坡易发性轻微降低,北帮中段与南帮中、西段顶部滑坡易发性增加,其中北帮中段为目前最易发的区段。研究结果可为矿区闭坑停采后边坡整治及后续规划利用提供参考依据。     

基于机器学习的滑坡灾害易发性评价——以三峡库区为例

三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17 个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC（Area Under Curve）精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。     

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。     

滑坡易发性评价的层次分析法研究——以贵州省普安县为例

评价方法的合理选择是获取正确滑坡地质灾害易发性评价结果的关键环节。本文以贵州省黔西南州普安县为例,在全面分析区内地层岩性、地形地貌、地质构造和水文地质等条件对滑坡灾害影响的基础上,采用层次分析法建立了具有针对性的滑坡灾害易发性评价指标体系,并开展了实际应用。评价结果在县境内划分出了极高、高、中和低易发区四个区域,对比分析显示评价结果与区内滑坡灾害发育宏观认识与实际分布情况吻合较好,证明了该方法在山区滑坡地质灾害易发性评价中的有效性与实用性。     

基于加权证据权模型的青藏高原东部巴塘断裂带滑坡易发性评价

巴塘断裂带位于青藏高原东部,呈北东—南西向展布,全新世活动强烈,沿断裂带崩塌、滑坡、泥石流等地质灾害极为发育。基于遥感解译和野外地质调查,在巴塘断裂带两侧10 km范围内识别出滑坡93处;在分析滑坡空间发育特征的基础上,选取地形地貌(地面高程、地形坡度和地形坡向)、地形湿度指数、地层岩性、活动断裂、降雨量、水系、人类工程活动和植被覆盖等10个因素作为滑坡易发程度的主控因素,采用加权证据权法建立滑坡易发性评价模型,开展巴塘断裂带滑坡易发性评价;成功率(ROC)曲线检验结果表明此次滑坡易发性评价的准确率为82.3%。采用基于自然断点法将滑坡易发程度划分为极高易发、高易发、中等易发和低易发4个级别,结果表明滑坡易发性受巴塘断裂带和河流控制显著,极高易发区和高易发区主要分布在巴塘断裂带、金沙江和巴曲河谷及一级支流两侧,中等易发区主要分布在巴曲各支流中上游,低易发区主要分布在人类工程活动弱的高山地带以及地形相对平缓的区域。滑坡易发性评价结果很好地反映了巴塘断裂带现今滑坡发育分布特征,对该区重大工程规划建设和防灾减灾具有科学指导意义。     

基于不同耦合模型的县域滑坡易发性评价对比分析

为有效预测县域滑坡发生的空间概率,探索不同统计学耦合模型滑坡易发性定量评价结果的合理性和精度,以四川省普格县为研究对象。选取坡度、坡向、高程、工程地质岩组、断层和斜坡结构等6项孕灾因子作为评价指标体系,基于信息量模型（I）、确定性系数模型（CF）、证据权模型（WF）、频率比模型（FR）分别与逻辑回归模型（LR）耦合开展滑坡易发性评价。结果表明：各耦合模型评价结果和易发程度区划均是合理的,极高易发区主要分布于则木河、黑水河河谷两侧斜坡带,面积介于129.04～183.43 km2（占比6.77%～9.62%）,各模型评价精度依次为WF-LR模型（AUC=0.869）>I-LR模型（AUC=0.868）>CF-LR模型（AUC=0.866）>NFR-LR模型（AUC=0.858）。研究成果可为川西南山区县域滑坡易发性定量评估提供重要参考。     

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。     

基于深度学习的CZ铁路康定—理塘段滑坡易发性评价

CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network, CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network, ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害...     

基于专家经验值的滑坡易发性评价——以四川平武高坪铺库区为例

滑坡灾害的易发性评价方法和模型有很多,不同的学者又对其进行了不同的改进,形成了不同的方法。究竟哪种方法更好,还需要结合实际进行方法的比较分析。论文应用基于专家经验值的二元统计法分析了四川平武高坪铺库区(约32 km2)高程、岩性、与居民点距离、与河流距离、坡度和坡向6种因素对滑坡灾害影响,并在此基础上进行了滑坡易发性评价。