基于空间聚集度的滑坡危险性区划补充评价——以深圳市为例

滑坡危险性区划是滑坡预警预报和防治的基础,应用合理指标对模型进行检验和筛选决定了最终成果的质量。现有研究多使用基于混淆矩阵的ROC曲线和AUC值等指标对模型效果进行评价,随着模型种类的增多以及分类性能的提升,现有指标对初步筛选后的各模型常常无法进行统计意义上的显著性区分。实际的滑坡风险管理工作仅能采用一个最终的危险性区划模型,使用现有指标无法完全满足要求;同时,滑坡危险性区划中的训练数据通常较少,在全区中的占比很低,训练得到的模型应用到全区时,必须对滑坡危险性区划的总体质量做出评价和控制,而现有评价指标体系中尚无相关评价指标。针对上述问题,该文提出了应用空间聚集度指标,从模型预测滑坡危险性空间分布合理性的角度,对区划模型应用到全区时进行补充性评价,并以深圳市为例进行了实例验证,结果表明该指标合理可行,能够依据空间分布合理性有效区分不同模型的效果。该研究成果可以为滑坡危险性区划及相关地学建模工作提供直接的借鉴和支持。     

基于深度神经网络的滑坡危险性评价——以深圳市为例

该文以提升滑坡危险性评价精度为核心目标,对深度神经网络在滑坡危险性评价中的可行性和适用性进行研究,以期充分发挥深度神经网络强大的非线性学习和拟合能力,取得更加合理的滑坡危险性评价结果。选取滑坡灾害多发的深圳市作为实例,基于深圳市815条历史滑坡数据,开展了深度神经网络建模训练;通过与广义线性模型及分类与回归树模型训练效果的对比,对深度神经网络的建模效果进行了评价,深度神经网络、广义线性模型和分类与回归树模型的AUC值依次是0.908、0.861和0.857。将训练所得的模型应用于深圳市全区,对3种模型输出的滑坡危险性评价成果的合理性和可靠性进行了对比分析,结果表明:深度神经网络建模精度良好,优于常见的广义线性模型和分类与回归树模型,输出的滑坡危险性评价成果具有合理性,适用于滑坡危险性评价工作。     

基于随机森林方法的滑坡灾害危险性区划

滑坡灾害危险性区划在滑坡灾害管理工作中具有重要意义。该文以深圳市为研究区,将随机森林方法应用于滑坡灾害危险性区划和因子评价工作。研究中采用随机森林方法进行建模,结合ROC曲线和AUC值对模型性能进行评价;通过预报效率曲线对全区的滑坡危险性区划总体效果进行评价;根据错误率变化和节点不纯度变化,对不同因子的重要性进行分析,结合作用曲线,探讨不同因子对滑坡的影响规律。实例研究说明随机森林方法适用于滑坡危险性区划工作,具有良好的建模效果。     

基于证据权法的滑坡危险性区划探索

在传统的滑坡危险性区划研究中,评价因素的选取及其权重取值存在主观和随意性.该文选择三峡库区巫山县城作为研究区,引入在矿产资源评价预测中广泛应用的证据权法,以贝叶斯条件概率为基础,研究评价滑坡的控制因素(地层、岩性、构造、高程、坡度和坡向等)和诱发因素(人类工程活动、道路和水系等),利用ArcGIS计算并叠加各因素的证据权重,得到滑坡危险性区划图.经分离样本法验证,危险性区划准确率为81%(其中65%分布在极高和高危险区,16%分布在中危险区),表明证据权法可用于评价因素的选取及其权重取值研究.     

滑坡危险度制图中一种新型的负样本采样方法

滑坡负样本在基于统计模型的滑坡危险度制图中具有重要作用,能够抑制模型的高估,以合理区划滑坡危险区与非危险区。目标空间外向化采样法(Target Space Exteriorization Sampling,TSES)是一种代表性的基于环境特征空间的负样本采样方法,以往研究表明,TSES在基于广义加性模型的滑坡危险度制图中的应用效果较好,但是其采集的负样本是"虚拟"的样本,只存在于环境特征空间中,无法映射到地理空间,因而无法通过野外检核验证所采集负样本的可靠性。针对这一问题,该文提出一种改进TSES方法,不仅可以在环境特征空间中进行负样本采样,而且使得采集的负样本可以映射到地理空间中。以甘肃省油房沟流域为研究区,在TSES与改进TSES两种负样本采样方法下分别对油房沟流域构建基于支持向量机(Support Vector Machine,SVM)的滑坡危险度推测模型,对比并分析两种负样本采样方法下的滑坡危险度制图精度。结果发现,改进TSES方法采集的负样本在基于SVM的滑坡危险度制图中应用效果比TSES好,表明改进的TSES是一种有效的负样本采样方法。     

基于图聚类神经网络的江西省山洪灾害危险性区划研究

目前山洪灾害区划中常用的传统聚类方法大多仅考虑区划基础空间单元的属性特征,很少考虑基础空间单元的结构信息。该文同时考虑区划基础空间单元的属性和结构特征,提出基于图聚类神经网络的山洪灾害危险性区划方法,以江西省小流域为区划的基础空间单元,构建图聚类神经网络模型,根据聚类有效性指标确定最佳聚类数,并通过碎屑图斑合并获得16个山洪灾害危险性同质性区域,最后利用地理探测器和江西省历史山洪灾害点数据对区划结果进行验证和评价。结果显示：基于图聚类神经网络模型的江西省山洪灾害危险性区划结果与历史山洪灾害点的地理探测器q值达0.792,比传统的K-means和Ward聚类方法分别提高了0.386和0.104,能较好地刻画江西省山洪灾害危险性的空间分异格局。通过融合属性和结构特征有助于提升区划效果,可为江西省市县级政府部门制定因地制宜的山洪灾害防治管理措施提供辅助决策,同时也可为其他自然地理区划提供新的方法参考。     

一种基于地理环境相似度的滑坡负样本可信度度量方法

滑坡负样本在统计型滑坡危险度制图中具有重要作用,能抑制统计模型对滑坡危险度的高估。当前滑坡负样本采样方法采集的负样本可信度未知,在负样本采样过程中,极有可能将那些潜在滑坡点错选为负样本,这些假的负样本会降低负样本集的质量和训练样本集的质量,进而影响统计模型的精度。本文基于“地理环境越相似、地理特征越相似”的地理学常识,认为与正样本有着相似地理环境的点极有可能是未来发生滑坡的点;与正样本的地理环境越不相似的点,则越有可能是负样本。基于此假设提出一种基于地理环境相似度的负样本可信度度量方法,将该方法应用于滑坡灾害频发的陇南山区油房沟流域,对油房沟进行滑坡负样本可信度评价制图;使用油房沟流域的滑坡发生初始面来验证该方法的有效性。结果发现：滑坡发生初始面上所有栅格点的负样本可信度平均值为0.26,超过95%的栅格点的负样本可信度都小于0.5,说明本文提出的负样本可信度度量方法合理。     

“一带一路”地区滑坡灾害风险评估

"一带一路"倡议是中国参与全球治理的重要切入点,对"一带一路"地区滑坡灾害风险评估与区划,可为沿线国家和地区的防灾减灾提供依据。首先,选取坡度和地形起伏度两个指标,提取研究区滑坡灾害安全区域。其次,采用模糊层次分析法（FAHP）确定滑坡灾害风险评估体系并计算各因子综合权重,基于滑坡灾害风险评估模型定量评估"一带一路"地区滑坡灾害危险性、损失和风险。最后,运用滑坡灾害点和近百年"一带一路"地区滑坡灾害致死人数和经济损失空间分布分别验证评估的滑坡灾害危险性和损失。结果表明：（1）滑坡灾害安全区域主要分布在平原、盆地和沙漠等地区,仅有4.7%（56个）的滑坡灾害点分布在安全区域内,提取结果较为合理。（2）"一带一路"地区容易诱发滑坡灾害的条件为坡度介于25°~45°之间,地形起伏度大于900 m,距河网的距离小于500 m,多年平均降雨量介于400~800 mm,地震密度3×10^-4~2×10^-3个·km^-2之间,工程地质岩组为中等硬质岩体、软质岩和土质岩体。非安全区域中,滑坡灾害以中、低危险性为主,危险性评估结果精度AUC值为0.823。（3）"一带一路"地区容易造成潜在损失的滑坡灾害承灾体条件为：人口密度为80~160人·km^-2,公路线密度为0.2~0.9 km·km^-2,夜间灯光指数为20~60。非安全区域中,滑坡灾害潜在损失普遍较低,损失区划结果与近百年滑坡灾害致死人数和经济损失空间分布具有很好的一致性。（4）"一带一路"非安全区域,滑坡灾害极低、低、中等、高和极高风险区面积所占比例分别为44.7%、25.5%、15.3%、10.3%、4.2%,以极低和低风险为主。     

基于Inter.iamb-Tabu算法的区域滑坡敏感性评价

确定滑坡敏感性概率的空间分布,可为滑坡防治政策制定和土地利用规划提供科学依据。由于成灾环境的空间差异和滑坡机理的复杂性,基于不同逻辑架构(物理模型、理论模型等)的滑坡敏感性评价针对特定孕灾环境,无法提前确定最优数学评价模型,而基于深度学习法的、融合多种模型的混合算法能较好地解决这个问题。本文以山东省淄博市博山区为研究区域,基于单因素Logistic回归法筛选了滑坡致灾因子,通过频率比法对致灾因子进行了分级;对4种基于贝叶斯网络的改进算法(MMHC、MMPC-Tabu、Fast.iamb-Tabu、Inter.iamb-Tabu)进行验证,引入错误指数确定了建模效果最佳的算法;计算了博山区774 570个栅格的滑坡敏感性概率,绘制了博山区滑坡敏感性分布图;基于GIS的空间叠加和栅格计算器功能,对比了各模型的滑坡敏感性评价结果。研究结果表明：(1)基于Inter.iamb-Tabu开展博山区滑坡敏感性建模时效果最佳。该模型包含10个节点(9个致灾因子节点和1个结局节点)、14条有向边。研究区域可划分为极高敏感区、高敏感区、中敏感区、低敏感区和极低敏感区,分别占总面积的7.30%(49.80...     

基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例

以阿坝藏族羌族自治州地质灾害频发的理县为研究区,从地形地貌、地质环境、水文条件和人类工程活动等方面选取11个影响因子,通过皮尔森相关系数研究各因子之间的相关性,从而构建滑坡易发性评价指标体系。利用信息量模型计算各影响因子的信息量值,从信息量模型得出的极低和低易发性分区中选取非滑坡样本,在此基础上将样本数据代入随机森林和径向基函数神经网络2种机器学习模型开展滑坡易发性评价,并通过接收灵敏度（Receiver Operating Characteristic,ROC）曲线进行精度验证。结果显示：随机森林模型预测出的高易发区单位面积内分布的滑坡点数量更为集中,在仅占6.666%的区域分布了74.026%的灾害点,评价结果优于径向基函数神经网络模型。ROC曲线中两模型AUC（Area Under Curve）值分别为0.893、0.874,说明随机森林模型具有更高的可靠性,比径向基函数神经网络在该区域地质灾害易发性评价中更具优势。     

基于DEM和遥感影像的区域黄土滑坡体识别方法研究

应用定量地貌学的原理和方法,对天水市南北两山已有黄土滑坡进行了自动识别研究。首先,引入地形可视性辅助遥感影像目视解译,以选择滑坡和非滑坡样本;其次,综合滑坡的地形特征和遥感特征,通过采取SEaTH算法遴选出能有效区分滑坡与非滑坡的特征差异指标建立滑坡有效识别指标体系;最后,基于滑坡有效识别指标特征集进行面向对象分割,通过建立多层感知器的滑坡自动识别模型对分割后的对象进行识别,并作精度评价。结果表明:1)针对该研究区的已有黄土滑坡,粗糙度、高程变异、切割度、起伏度、坡度、可视性6种地形指标具有识别价值;2)该模型对滑坡的识别精度达71.03%,非滑坡的识别精度达92.02%,较好地识别出了该区域的滑坡范围。     

基于GIS的区域群发性降雨型滑坡时空预报研究

以滑坡灾害突出的雅安市雨城区为例,综合考虑降雨强度、前期降雨量及下垫面(地形、岩性、植被覆盖等)构建了基于GIS分析获取的易发指数+BP型神经网络时空预报模型。首先通过试验确定了模型的网络参数和网络结构,然后通过危险性区划图获取降雨型滑坡易发指数,并利用GIS的空间插值功能和雨量站数据获取相应降雨型滑坡的雨量数据,将量化后下垫面的易发指数和降雨数据作为神经元输入层数据。将模型应用于研究区,其中46个降雨型滑坡数据作为训练样本,10个降雨型滑坡数据作为检验样本,预测精度达到90%,显示该模型对于降雨型滑坡的时空预报精度较高。     

基于地质灾害易发程度分区的滑坡预报模型

利用1980～2006年重庆市山体滑坡个例,根据重庆市国土资源局对重庆市地质灾害易发程度等级区划对滑坡个例进行了分类统计.结果表明,降水对不同滑坡危险等级区域的影响是不同的,越容易产生滑坡的区域其前期降水对其的潜在影响越大.根据前期不同量级降水诱发的滑坡发生概率,拟合出了不同地质易发分区的前期降水对滑坡的贡献率指数方程和山体滑坡有效降水量方程,在此基础上建立起了重庆市不同地质灾害易发程度灾害区内山体滑坡预报指标模型,为开展重庆市精细化山体滑坡气象条件等级预报打下良好的基础.     

基于随机森林的山西省柳林县黄土滑坡空间敏感性评价

基于随机森林模型,以GF-6影像和ALOS DEM数据为基本信息源,结合高程,地形起伏度及地形湿度等11项因子,对山西省柳林县进行滑坡敏感性空间区划。模型精度评价表明：随机森林模型精度为0.75,支持向量机模型精度为0.7,表明随机森林更适合柳林县的滑坡敏感性评价。指标重要性分析结果表明：高程、坡度、距道路距离以及距河流距离,是影响柳林县滑坡发育的主要因素。敏感性空间区划结果表明：高度敏感区约占柳林县总面积的28%,主要分布在三川河流域的南北边界及邻近区域内,其中贾家垣乡分布面积最广。从时间成本、训练难度、稳定度以及精确度考虑,随机森林模型更适合滑坡敏感性评价这类非线性计算问题。     

长江口水域多光谱遥感水深反演模型研究

利用Landsat-7 ETM 遥感影像反射率和实测水深值之间的相关性可以探测水深。该文介绍单波段、双波段比值和多波段3种线性回归模型以及动量BP人工神经网络水深反演模型。选择长江口北港河道上段作为研究区,利用上述模型,分两种情况进行水深反演:一是以河道全部历史样本建模;二是将河道按自然水深划分为浅水区和深水区分别建模。结果表明:神经网络模型预测精度高于线性回归模型;水深分区后线性回归和神经网络模型预测误差均有所减小。     

GIS支持下滑坡斜坡类型定量化及制图研究

斜坡类型描述岩层产状与斜坡的角度关系,很大程度上决定了斜坡岩土体变形的方式和强度,对地质灾害分布具有重要作用。斜坡的顺向坡、反向坡与地形的阳坡、阴坡概念相似,可以利用改进的太阳辐射地形因子计算模型(TOBIA指数)对斜坡类型进行定量化表达。计算TOBIA指数需要斜坡坡度、坡向、岩层倾角、倾向4个参数。以三峡库区顺向坡基岩滑坡多发地段青干河流域为例,通过区域地质图上产状点获取离散岩层倾角和倾向数值,经空间插值得到空间连续分布的倾角和倾向参数;通过数字高程模型获取坡度和坡向参数,得到区内TOBIA指数分布。在此基础上进一步研究指数和滑坡发育关系。结果表明,TOBIA指数值与区内斜坡类型密切相关,根据TOBIA指数值能很好地区分斜坡类型。以二分类变量逻辑回归模型对坡度和指数两个变量进行分析,发现引入TOBIA指数后,回归模型对已知滑坡拟合度由55%提高到71.5%,能有效提高区域滑坡灾害危险性区划结果精度。     

怒江干流（云南段）滑坡灾害危险性分析

滑坡是怒江流域主要的地质灾害,对流域内人民生命财产和生态系统安全带来了极大的危害,因此本研究针对研究区内滑坡灾害主要诱发因子进行判识。利用1991～2006年云南省减灾年鉴、长系列流域内相关站点的年平均降雨量、2006年云南省1：5万的TM影像数据等,以GIS技术为平台对其相关因子关联性进行统计与分析。研究发现：沿怒江干流发生的滑坡灾害主要受到坡度、植被盖度、降雨强度及公路建设等因子的影响,分析灾害点的分布与相关因子间的相关性,发现相关性比较密切的是坡度〉25。的地带;植被盖度为30％～70％的地带;年降水量达到1250—1500mm的地带,以及公路沿线的地带,并以相关性作为灾害发生风险度评价的权重,建立了基于GIS的滑坡灾害危险性评价模型,实现了对怒江干流区域滑坡灾害危险性区划。     

基于蜂群算法的城市土地利用变化建模

通过引入人工蜂群算法用于构建土地利用变化的驱动力模型,分析土地利用变化的驱动力机制。算法原理通过模仿蜜蜂采蜜行为,自动搜索和提取土地利用变化样本中不同土地变化类型所对应的驱动力分类规则。分类规则的构建采用“IF…THEN”形式,并选取3种不同的适应度函数分别进行模拟验证。研究案例基于UCI实验数据集和美国纽卡斯尔市真实土地利用变化数据集。由实验结果可知,采用蜂群算法模型的总体精度和Kappa系数评价优于其它算法,表明蜂群算法应用于土地利用变化建模具有可行性。     

基于RS-SVM模型的滑坡易发性评价因子选择方法研究

为提高滑坡易发性评价的精度和准确性,利用粗糙集理论和支持向量机模型进行滑坡易发性评价因子选择。以三峡库区秭归到巴东段为研究区,首先通过相关分析和主成分变换对初始滑坡评价因子进行筛减与合并,将剩余的评价因子分为控制因素和影响因素,采用粗糙集理论分别对其进行属性约简,生成核因子集。然后,利用核因子集对支持向量机模型进行训练和预测,得到滑坡易发性评价结果,其预测精度和曲线下面积分别为76.9%和0.939。最后,将两种传统的对所有滑坡评价因子一同进行筛选的方法用于该研究区的滑坡易发性评价,并将传统方法与该方法的评价结果进行比较,结果表明,该文所提出的滑坡评价因子选择方法的精度和准确性均优于传统方法。     

多源在线地理编码服务分类优化模型

利用在线地理编码API解决海量中文地址快速编码问题,在此基础上,利用简单的规则对编码结果进行清洗、标记,最后通过基于系统聚类与随机森林的分类优化模型,将多平台编码结果分类处理、优化。利用广州市盗窃案件地址对模型进行训练与验证,结果表明：相比未处理的编码结果,经模型优化过的编码结果整体位置误差距离减小。高德的地理编码服务有着最好的编码质量,但训练样本的高德编码误差均值仍高达590.43 m,经模型优化后,样本的编码误差均值降至173.73 m,验证样本编码误差均值由554.88 m（高德）降至180.04 m,降低了67.49%,高德90.08%的异常编码结果被清洗优化。对于训练样本与验证样本,模型优化效果相似;对于地址类型不同的案件、位于市区与市郊的案件,模型优化效果相似,说明模型具有一定普适性。该模型能够方便快捷地将海量社会经济信息转化为空间数据,提高编码精度,为地理大数据的研究提供更好的数据支持。