不同分级方法对区域滑坡易发性区划的影响

易发性分区是开展区域地质灾害风险评价的基础步骤,选取合理的分级方法对有效绘制区域滑坡易发性图意义显著,但鲜有研究对比了各易发性分级方法的优缺点,尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题,以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数,即分类和回归树、随机森林和径向基函数;设计了5种易发性分级方法,划分不同的滑坡易发性等级,包括4种常规的基于地理信息系统的分级方法(自然断点、等间隔、分位数和几何间隔),同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明:3种模型的受试者工作特征(ROC)曲线下面积均大于0.75,但划分的易发性分级图分布模式却存在较大差异,使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡,但这两种方法划分的极高和高易发区的总面积过大;使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大,说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级,能为易发性的准确分区提供思路,为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考,提高地质安全评估及应急管理能力。

基于斜坡单元和语义分割的皖南地区滑坡灾害易发性评估

滑坡灾害严重影响着人们的生命和财产安全,对自然环境造成重大破坏。以斜坡单元为单位进行滑坡易发性评估能够更加接近真实的滑坡地形,为滑坡灾害的防治提供更加科学的理论支持。本文以安徽省皖南地区为研究区,基于黄山、宣城、池州市滑坡点数据以及皖南地区基础地理数据,利用主成分分析和多重共线性分析方法筛选滑坡评价因子,提出将斜坡单元几何形状信息和语义分割方法相结合的创新方法,构建滑坡灾害易发性评估模型,对皖南地区的滑坡灾害易发性进行评估,揭示其空间分布规律。结果表明:结合斜坡单元和语义分割方法构建的滑坡易发性评估模型具有较高的预测精度,能够充分考虑斜坡单元的几何形状信息对滑坡易发性的影响,较为准确地评估皖南地区的滑坡易发性。评估结果符合滑坡形成机理,其中62.19%的滑坡单元分布在滑坡易发性等级中—高的斜坡单元上,模型预测AUC值为0.878,与缺少几何形状信息的CNN模型进行对比,预测精度明显提高。

地质灾害易发性评价方法综述

我国地形地质条件复杂,地质灾害多发,人类各类工程地质活动加剧了地质灾害的发生与发展.地质灾害预防与管理工作是保障人民生命与财产安全的前提与基础.地质灾害易发性评价是地质灾害危险性评价和风险评价的前提,也是地质灾害区划和防治工作的基础.本文基于国内外地质灾害易发性的相关研究,对地质灾害易发性概念、评价指标体系、权重计算方法和易发性评价模型进行分析总结,并指出了地质灾害易发性评价中亟待解决的主要问题.

区域地质灾害易发性评价的证据权法原理与实践

在阐述证据权法概念与原理的基础上,以西北黄土高原滑坡、崩塌地质灾害高易发的兰州市区为评价区,详解基于证据权法的区域地质灾害易发性评价的技术流程,利用GIS工具,开展评价指标选取与相关性分析、证据因子权重与后验概率分析、评价模型检验、易发程度评价。分析结果显示,坡度、坡向、地层岩性、断层、绿化灌溉、土地利用类型等地质灾害影响因素之间呈无相关或弱相关性,符合相互独立的要求,组成的模型ROC曲线(接受者操作特征曲线)AUC值(曲线下面积)为0.85,具有较高的预测精度。理论与实践表明,与其他统计学方法相比,证据权法同时考虑了评价指标中存在地质灾害与不存在地质灾害2种情况,避免了当地质灾害不存在时权重偏大导致结果失真的问题。证据权法结果为地质灾害发生的绝对概率,可以作为不同区域、地区的地质灾害易发程度对比的依据。

基于CF-CNN-LSTM模型的滑坡易发性评价

针对滑坡灾害样本选择以及深度学习模型中的长期依赖、梯度消失、退化等问题,提出了一种结合确定性系数法(certainty factor,CF)、卷积神经网络(convolution neural network,CNN)模型和长短期记忆神经网络(long short-term memory,LSTM)模型的CF-CNN-LSTM深度学习模型。以广西壮族自治区梧州市辖区为研究区,选取高程、坡度和坡向等13种滑坡评价因子,采用CF-CNN-LSTM模型对研究区进行滑坡易发性评价,并与CNN模型、LSTM模型、循环神经网络模型和逻辑回归模型进行对比,利用受试者工作特征曲线(receiver operating characteristic,ROC)、整体准确率等6种方法对模型预测精度进行评估。结果表明:CF-CNN-LSTM模型的ROC曲线的曲线下面积(area under curve,AUC)值为0.953,高于其它单一模型,同时其它5项评估指标均优于单一模型,证明CF-CNN-LSTM模型具有更高的精度,可用于梧州市辖区的滑坡易发性评价工作,能够对该区域的滑坡风险管理提供科学的建议。

基于环境因子优化TSES法选择负样本及其在滑坡易发性评价中的应用

滑坡易发性评价是滑坡灾害防治的重要手段之一,而不合理的滑坡负样本会影响滑坡易发性评价,从而影响到滑坡灾害的防治,因此提供一种合理的负样本选取方法变得尤为关键。以西藏米林市的古滑坡为例,选择高程、坡度、坡向、坡位、距道路距离、距断层距离、距水系距离、地形起伏度、地层岩性、土地利用类型10类环境因子,使用Relief算法计算环境因子的贡献值并依据贡献值优化选择环境因子;基于环境因子优化的目标空间外向化采样法(target space exteriorization sampling,简称TSES)选择负样本,作为性能优异的随机森林模型的输入变量;之后结合优化的环境因子和正或负样本预测米林市的滑坡易发性,并用混淆矩阵和ROC曲线评价构建模型的性能。为检验环境因子优化的TSES法的有效性和先进性,采用耦合信息量法和TSES法选择滑坡负样本并构建随机森林模型,与环境因子优化的TSES法构建的随机森林模型进行对比研究。结果表明,环境因子优化的TSES法构建的随机森林模型的评价效果较好,其ACC为93.7%、AUC为0.987,均高于耦合信息量、TSES法构成的模型。环境因子优化的TSES法能够提高模型的精度,解决多因子作为约束条件取样中因子选取的问题,为滑坡易发性评价采集负样本提供了新的思路。

加权信息量支持下融合InSAR形变特征的滑坡易发性评价

使用SBAS-InSAR处理六盘水市水城区2018-07~2019-08共69景Sentinel-1A卫星影像,获取地表形变作为动态评价因子,用于完善传统滑坡易发性评价研究缺乏动态特征数据应用的问题。结果表明,使用10种静态评价因子融合InSAR形变特征数据作为动态评价因子,在耦合层次分析法与信息量法的加权信息量模型下对比仅使用静态特征数据,ROC曲线下面积分别为0.756 02和0.888 68,模型性能提升约13.3%;再将历史灾害点叠加于2种分区图下检验分区精度,相比于未融入形变特征,融入形变特征可纠正约12.44%的误分类区域,能较好地提升分区的可靠性。

地质灾害易发性评价因子分级的AIFFC算法优化

针对地质灾害易发性评价因子分级数不确定的问题,引入自适应膨胀因子模糊覆盖分级方法(fuzzy cover approach for clustering based on adaptive inflation factor,AIFFC)对易发性评价因子分级进行优化。以湖南省湘乡市为研究区,提取了坡度、坡向、高程、年平均降雨量、归一化植被指数、道路、断层、岩性和土地利用9类评价因子,运用AIFFC及自然断点法(natural breakpoint classification,NBC)对连续型因子进行分级,并分别代入加权信息量模型和随机森林模型,获取研究区易发性区划图。采用单因子分级结果精度、灾积比分析和易发性分区结果对AIFFC分级法的优越性进行检验,结果表明:各因子采用AIFFC算法分级的AUC值均高于自然断点法;基于AIFFC的随机森林模型及加权信息量模型的高易发区灾积比分别提升了56.3%、74.6%,低易发区灾积比分别降低了48%、58.1%,AUC值分别提升了7.6%、2.7%。采用AIFFC分级方法优化了地质灾害易发性评价因子分级,显著提高了地质灾害易发性评价的合理性。

湘南中低山区滑坡孕灾因子分析及易发性评价——以江华县为例

滑坡是湘南中低山区最为常见的地质灾害之一,其分布广、危害大。本文以江华县为例,基于RS和GIS探讨滑坡孕灾因子和地质灾害易发性评价。分析认为地形地貌、坡度、地层岩性、人类工程活动、降雨共5类因子与县域内滑坡密切相关,并采用易发程度指数划分出低易发区、中易发区、高易发区。结果显示:江华县往年和新发地质灾害隐患点落入中、高易发区比例均大于90%,研究表明,孕灾因子分析及易发性评价可有效指导野外调查工作,为地质灾害防治管理提供技术支撑。通过进一步分析“6.22”江华强降雨,蔚竹口乡受灾最为严重,其U字形地貌特征使得该区域形成局部暴雨中心,加之河道弯曲,排水不畅,致使滑坡地质灾害和不良地质现象频发。研究认为,中低山区应多分析整体地形对降雨汇流影响,以提高地质灾害预测精准度。

基于信息量模型的册亨县滑坡易发性评价

册亨县地貌以中低山为主,独特的地质环境孕育了大量的地质灾害,严重威胁人民生命财产安全。在全面分析孕灾条件的基础上,选取高程、坡度、相对高差、工程地质岩组、斜坡结构、微地貌类型6个相互独立的指标,运用信息量模型评价册亨县滑坡易发性,评价结果与实际情况基本一致,研究结果可为相似地区滑坡易发性评价提供借鉴。

基于子流域单元的抚顺市泥石流易发性及危险性评价

针对泥石流易发性及危险性评价中存在的评价体系模糊、忽略降雨等诱发因素的问题,以抚顺市作为研究区,在分析泥石流灾害发育及分布规律的基础上,利用层次分析法,以子流域单元作为评价单元,开展泥石流灾害易发性及危险性评价.结合已有泥石流灾害点进行了精度评定.结果显示,抚顺市已有的42处泥石流灾害点中,36处位于本次评价的泥石流高易发和极高易发区(占比85.71%),有33处位于本次评价的泥石流高危险和极高危险区(占比78.57%).表明本次易发性及危险性评价结果比较可靠,与抚顺市的泥石流灾害发育情况相符合.

信息量确定系数耦合模型的地质灾害易发性评价——以铜陵义安区为例

目的为研究地质灾害所带来的人员伤亡和财产损失等问题。方法以铜陵义安区为例,选取坡度、地形起伏度、工程地质岩组、距断层距离、斜坡结构、归一化植被指数(NDVI)6个评价因子,采用信息量模型(I)、确定系数模型(CF)及I-CF耦合模型建立义安区地质灾害易发性评价体系,利用受试者工作特征(ROC)曲线对模型进行对比和分析。结果坡度、地形起伏度对义安区地质灾害易发性评价影响程度较大的主要因子;信息量模型、确定系数模型、I-CF耦合模型的AUC值分别为0.890、0.884、0.913,说明,I-CF耦合模型预测精度优于另外两种单一模型。结论研究表明,采用I-CF耦合模型在义安区地质灾害易发性评价结果中效果更好,中、高易发区主要分布于南部、东南部及西部丘陵山区,主要涉及天门镇、顺安镇、新桥办事处、钟鸣镇及五松镇,该区域主要以矿业开发和城镇建设为主,同时地形起伏相对较大,植被覆盖较高,采矿现象普遍,灾害点比较集中,其中,采空塌陷地质灾害主要分布于天门镇、钟鸣镇和顺安镇一带,多为矿山早期开采遗留的老采空区导致,可对当地政府进行地质灾害防范工作具有重要指导意义。

甘肃积石山县M_(S)6.2地震同震地质灾害发育特征与易发性评价

2023年12月18日,甘肃积石山县发生M_(S)6.2地震,诱发的同震地质灾害严重威胁到人民生命和财产安全,因此及时总结分析同震地质灾害发育规律并进行县域易发性评价,对支撑震后恢复重建至关重要。通过应急排查、野外调查与结果分析,对同震地质灾害发育特征进行分析总结;以震后排查的同震新增和加剧隐患点为分析样本,采用Pearson相关性系数与随机森林Gini系数分析方法,筛选了15个影响因子,并运用机器学习-随机森林模型对积石山县进行同震地质灾害易发性评价。结果表明,震区同震地质灾害总体发育程度不强,规模以小型为主,崩滑流地质灾害隐患可分为3大类、8个亚类,绝大部分分布在黄土丘陵区;积石山县同震地质灾害随机森林模型易发性评价(AUC=0.961)结果显示,极高易发区面积占比约8.67%,主要分布在胡林家乡、徐扈家乡、柳沟乡等乡镇,且县域及各乡镇易发性分级结构与隐患点密度分布吻合程度高。评价结果对已有排查隐患点以外的震裂山体或潜在崩滑流灾害具有重要指示作用,可为积石山县灾后恢复重建规划提供决策支撑,同时将Pearson相关性系数与随机森林Gini系数的影响因子筛选方法及机器学习模型——随机森林应用于易发性评价中,可为其他山地丘陵区地质灾害易发性评价提供参考。

基于优化随机森林模型的降雨群发滑坡易发性评价——以西秦岭极端降雨事件为例

随机森林模型(RF)是在滑坡易发性评价中广泛应用的机器学习模型之一。针对制约随机森林模型评价应用质量的难点问题,以西秦岭山区娘娘坝镇极端降雨诱发的2万余处群发滑坡为例,从滑坡-非滑坡样本筛选方法、影响因子选取、联结方法应用和超参数优化4个方面开展了模型优化及与常规模型评价的对比研究。通过区域滑坡易发性评价和有效性比较可知,2种情形评价均取得理想结果,优化随机森林评价结果AUC(精度曲线下的面积)可达0.877,对比常规评价结果更优,表明该优化方法可以明显提升随机森林模型在区域降雨滑坡评价中的效果和学习效率,可为气候变化背景下极端降雨群发滑坡灾害易发性评估提供参考。

基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究

以重庆市黔江区为例,选取23个评价因子构建滑坡致灾因子数据库,利用地理探测器与皮尔逊-主成分分析2种因子筛选方法选择因子最优组合;基于Bayesian-LightGBM-SHAP混合模型进行滑坡易发性评价,并对模型精度进行验证,分析影响黔江区滑坡发生的主导因子.初始模型的AUC值为0.801,Pearson Correlation Coefficient-BayesianLightGBM模型AUC值为0.824,GeoDetector-Bayesian-LightGBM模型AUC为0.835;由因子重要性可知,多年平均降雨量、高程、POI核密度与距河流距离是滑坡发生的最主要因子,而输沙指数、水流动力指数与坡位对滑坡的发生影响较弱.因子筛选法-Bayesian-LightGBM相结合的混合模型能够提高模型的准确性,为构建合理因子数据库提供参考框架;通过与因子重要性的结合分析,验证了地理探测器能够准确探测各因子对滑坡发生的贡献值,突出各滑坡地理因子组合之间的相关性,从而探究各因子与滑坡之间的关系.

环境因子组合和负样本选取策略对花岗岩区崩岗易发性评价的影响

不同环境因子组合和负样本选取策略对崩岗易发性评价结果存在较多不确定性。为探究其对评价结果的影响,该研究以江西省兴国县花岗岩区为例,利用地理探测器探测17个环境因子的统计量q值,根据累计q值百分比大小依次选择4、7、10和17个环境因子进行组合;利用单随机欠采样、频率比法及改进频率比法等负样本选取策略构建与正样本等量的负样本数据集;采用随机森林模型进行易发性评价,并对评价结果进行对比分析。结果表明:1)3种负样本选取策略下的模型精度随着因子数量的增加先下降再上升,考虑4个环境因子的模型AUC(area under curve)值分别为0.729、0.909和0.909,较最优环境因子组合仅相差0.020~0.038,说明考虑主控环境因子,即可得到较为理想的精度;2)通过频率比法选取的负样本数据集更具合理性;3)研究区内高和极高易发区主要分布在兴国县西南部,而极低易发区主要分布在兴国县北部及东部,这与实际情况较吻合。该研究通过探究不同环境因子组合和负样本选取策略对崩岗易发性评价的影响,可为花岗岩区崩岗的防灾减灾提供科学依据。

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%,2.89%,2.86%,2.31%;PU学习中第2步采用CNN模型的预测精度高于RF和SVM模型;与传统Spy技术相比,增加相同数量训练样本,ISpy-CNN框架筛选的样本集表现出较高的稳定性、预测精度和增长率。本研究提出的ISpy-CNN框架能更好地辅助选取高质量非灾害样本,且崩塌易发性分区结果更符合实际的崩塌空间分布。

佛山市桂城—里水片区岩溶地面塌陷易发性评价

以佛山市桂城—里水片区为例,基于该片区地质环境概况和前人研究方法,选择岩溶、覆盖层和地下水条件以及各有关影响因素作为评价因子,运用地质灾害综合易发性指数法与层次分析法对该片区岩溶地面塌陷易发区进行划分,并利用MapGIS空间分析功能对评价结果进行输出。评价结果表明,研究区可划分为岩溶地面塌陷高易发区(Ⅰ)、中易发区(Ⅱ)、低易发区(Ⅲ)和不易发区(Ⅳ)4种类型,面积分别为83.05 km^(2)、33.13 km^(2)、209.08 km^(2)、68.74 km^(2),对比已发生岩溶地面塌陷地质灾害的分布情况,验证了划分结果的合理性。该方法对进一步提高研究区易发性评价的准确性与适用性具有一定的参考意义。

滑坡易发性预测建模的不确定性:不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律,拟用5种方式,即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量(IV)法、半监督法来选择出与滑坡等比例的非滑坡样本;进一步将各选择方式与随机森林(RF)耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例,获取高程、岩性、公路密度等19种环境因子和233个滑坡编录,将滑坡编录划分为2598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题,在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明:1)低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型,可见准确选择非滑坡样本对易发性建模至关重要;2)半监督RF模型选择非滑坡样本的建模性能最优,且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。

基于数据驱动的降雨型浅层滑坡易发性时空建模方法

传统滑坡易发性方法在计算空间概率时,通常忽视了影响因子的动态变化特征及地形单元之间的空间依赖关系。为了解决该难题,提出一种联合时空关系的广义加性模型,在江西省南部区域开展降雨型浅层滑坡易发性时空建模,预测给定时间范围内特定地形单元发生滑坡灾害的概率。首先,利用皮尔逊相关系数和基于赤池信息准则的序列前向特征选择方法对滑坡易发性影响因子进行评价与筛选;随后,联合时空关系构建伯努利广义加性时空模型开展易发性动态预测;最后,通过时空交叉验证方法评估模型的时空预测性能。结果表明,该模型具备优异的拟合性能和预测能力,在不同训练数据百分比下的预测性能非常稳定,其平均预测精度能够达到0.881。