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。

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。

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。

基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。

不同栅格尺寸下输电线路地质灾害易发性评价

输电线路的安全运行对国家经济建设与发展具有重要意义,而针对输电线路进行地质灾害易发性评价的研究较少。以京津冀地区的输电线路为例,选取高程、坡度、坡向、地形起伏度、地层岩性、距断层距离、距水系距离、土地利用类型8个指标因子,采用频率比法对各指标因子进行分级,构建易发性评价体系。再利用不同的机器学习模型,使用不同尺寸的栅格单元作为评价单元对研究区进行易发性评价。最后,选取精度最高的机器学习模型与传统的层次分析法完成研究区易发性区划图。研究结果表明:贝叶斯网络模型在区域输电线路易发性评价中的应用效果最好,模型性能最强,最高AUC值为0.876。与传统的层次分析法相比,BN模型在研究区易发性制图中的效果更好,精度更高。此外,采用50 m的栅格作为评价单元在研究区易发性评价中取得了最好的应用效果,研究成果为输电线路地质灾害易发性评价以及栅格尺寸的选用提供了思路以及参考。

量纲统一在滑坡易发性评价中的影响分析

以往的区域性滑坡易发性评价研究多以对比不同评价模型结果和改进模型为主,而忽视了所选致灾因子的信息保留以及因子量纲如何统一的问题。为探究致灾因子的相关性和量纲对易发性评价结果的影响,以甘肃省靖远县北部地区作为研究区,选取高程、坡度、坡向和地形起伏度等12个因子,利用主成分分析提取的新因子参与易发性评价,并采用数据标准化、滑坡密度和信息量值替代法统一致灾因子的量纲,最后基于GIS平台绘制研究区滑坡易发性分区图。通过ROC曲线评估各模型的易发性评价结果精度。结果表明:在信息量模型、逻辑回归模型和感知机模型中,经主成分分析处理的因子得到的模型评价结果精度更高,采用信息量值替代法统一因子的量纲能够进一步提升逻辑回归和感知机模型的评价结果精度;同时,3种评价模型中感知机模型的结果精度最高(AUC=0.9367),优于信息量模型(AUC=0.9173)和逻辑回归模型(AUC=0.9272),是该研究区滑坡易发性评价的理想模型,应优先考虑。研究结果可为类似地区的防灾减灾工作提供基础数据和理论参考。

高山峡谷地区地质灾害易发性评价——以怒江州为例

高山峡谷地区地质灾害频发,目的为探究地质灾害易发性空间分布状况,方法以怒江州为研究区,综合地质条件、气象水文、植被覆盖等因素,筛选高程、坡度、坡向、曲率、起伏度等12个共线性低的评价因子,构建区域易发性评价指标体系,并基于栅格单元采用信息量(information value,IV)模型、信息量-BP神经网络(information value-back propagation neural networks,IV-BPNN)耦合模型和信息量-支持向量机(information value-support vector machine,IV-SVM)耦合模型进行地质灾害易发性评价。结果结果表明:(1)用实际地质灾害点验证易发性结果,灾害点与3种易发性结果在空间分布上具有较好的一致性;(2)将易发性指数划分为低、中、高和极高易发4个等级,其中IV模型、IV-BPNN耦合模型与IV-SVM耦合模型的高+极高易发区面积占比分别为37.12%,32.36%,23.08%,高与极高易发区呈线状分布,主要集中在怒江、澜沧江、独龙江等水系沿岸地区、道路附近和地质构造活跃的区域;(3)IV模型、IV-BPNN耦合模型与IV-SVM耦合模型的受试者曲线(receiver operating characteristic curve,ROC)的曲线下面积(area under the curve,AUC)分别为0.884,0.889,0.901。结论3种地质灾害易发性评价模型均有较高的预测精度,其中IV-SVM耦合模型准确率最高,分区结果较可靠,可为当地政府制定地质灾害防治措施提供参考。

基于CF融入SSA优化SVM和RF模型的滑坡易发性评价

针对传统的区域滑坡易发性评价建模过程可能存在的样本数据量纲不统一以及模型参数选取误差等问题,本文以陕西省留坝县为研究区,选取高程、坡度、水系、降雨量、地层岩性等10个评价因子,采用确定性系数模型(CF)计算各评价因子的敏感值作为支持向量机模型(SVM)和随机森林模型(RF)的输入样本属性值,引入麻雀搜索算法(SSA)分别对SVM模型和RF模型的参数进行优化,获取最优参数对两种模型进行训练,最终构建了CF-SSA-SVM和CF-SSA-RF模型,从而对整个研究区进行预测,完成滑坡易发性评价,并通过受试者工作特征曲线(ROC)对两种模型进行精度验证。结果表明,两种模型的评价结果均有较多滑坡点落在极高易发区,无滑坡点落在极低易发区,评价结果均有较高的准确率。其中,CF-SSA-RF模型的成功率和预测率曲线AUC值分别为0.994和0.940,高于CF-SSA-SVM模型;并以三处典型滑坡为例进行验证,结果显示易发性分区与历史滑坡点分布较为吻合。进一步表明CF-SSA-RF模型更适用于留坝县的滑坡易发性评价,为当地滑坡灾害风险评估提供了指导依据。

基于逻辑回归模型的喜德县滑坡易发性评价

【目的】系统分析喜德县地质灾害发育特征及规律,为当地地质灾害防治提供参考。【方法】以喜德县为研究区域,选取11个影响因子,分析滑坡的空间分布规律,并通过建立逻辑回归模型,对喜德县滑坡灾害进行易发性评价。【结果】结果表明:喜德县滑坡分布于高程2000~2600 m;坡度10°~30°;坡向为东北方向;坡位为中坡;距道路距离小于100 m;距水系距离小于200 m;距村落距离小于500 m;距断层距离为小于3500 m;NDVI为0.7~0.8;地层为白垩系;土地利用为耕地。滑坡高易发区位于鲁基断裂、冷都基断裂、米市河断裂、扎都断裂带周边地区。【结论】滑坡易发性分区结果可直接用于滑坡灾害的防治工作中,对工程建设选址也具有一定的参考价值。

不同栅格分辨率下赣州市石城县崩岗易发性评价研究

探究不同栅格分辨率下崩岗易发性评价对崩岗防控具有重要意义.为开展相关研究,以赣州市石城县为例,利用地理探测器选取降雨侵蚀力、可蚀性、岩石种类、植被高度、叶面积指数、高程、坡度、归一化植被指数指标作为评价指标,划分出15、30、60、90、120 m 5种分辨率的栅格单元,以频率比(FR)为联接方法,构建频率比-随机森林(FR-RF)模型开展崩岗易发性评价.结果显示:栅格单元空间分辨率对崩岗易发性评价有一定影响,5种不同栅格分辨率下易发性结果的AUC值依次为0.840、0.830、0.830、0.820、0.810,基于随机森林模型下15 m分辨率栅格单元更适用于研究区的崩岗易发性评价(AUC值为0.840);研究区较高易发区以及高易发区主要分布在北部区域.研究结果可以为赣南地区的崩岗易发性评价提供重要参考.

基于网格样本的北川县滑坡灾害易发性评价研究

滑坡易发性评价的实质就是以历史滑坡数据为基础,进行特定区域滑坡灾害发生的概率评估。易发性评价结果多数取决于样本的精细程度。传统的样本制作方法会丢失滑坡的部分位置信息,为最终评价结果带来不确定性。本研究提出了一种全新的网格样本制作方法,尽可能完整地保留滑坡的边界位置信息。将不同的机器学习模型(逻辑回归模型、深度神经网络)与本文提出的样本制作方法结合,并通过受试者工作特征(receiver operating characteristic,ROC)曲线实现精度验证。ROC曲线中2个模型的AUC(area under curve)值分别为0.878,0.963。最终的易发性分区结果显示:深度神经网络在对于极高滑坡易发区的划分更为精细,便于节约人力、物力资源,集中关注于滑坡真正高发的那些区域。

基于逻辑回归模型的凉山州滑坡易发性评价

凉山州地质环境复杂,地质灾害频发,为了防止凉山州因灾致贫、因灾返贫,对凉山州滑坡灾害进行易发性评价。选择10个因子,分析因子与滑坡的分布规律,并建立逻辑回归模型对凉山州滑坡灾害进行易发性评价。结果表明:凉山州滑坡分布于高程1 800 m~2 300 m;坡度10°~30°;坡向为东方向;坡位为中坡;距道路距离和距断层距离为小于2 km,NDVI为0.7~0.8;TWI为2~4;岩组为碎屑岩;土地利用类型为耕地。滑坡极高易发区位于凉山州中部安宁河、则木河断裂带两侧和东部汉源-甘洛带、峨边-金阳断裂带两侧。

基于信息量模型与确定性系数模型的曩宋河流域地质灾害易发性评价

云南省复杂的地质环境与大量的人类工程活动导致地质灾害频发,该区域的地质灾害识别与防治十分重要。本文以云南省梁河县曩宋河流域为研究区,选取高程、坡度、植被覆盖度、河流距离、工程岩组5个评价因子指标,基于确定性系数模型与信息量模型对流域内41处地质灾害区域进行分析并对研究区地质灾害进行易发性评价,利用ROC曲线对评价模型结果进行检验。结果表明,信息量模型检验得到的AUC值为0.804,确定性系数模型检验得到的AUC值为0.781,信息量模型更适用研究区的地质灾害易发性评价。研究结果可为云南省梁河县地质灾害防治工作提供参考。

考虑冻融侵蚀型物源的不同流域单元泥石流易发性评价——以藏东贡觉地区为例

在全球气候变暖背景下,高原山区潜在泥石流暴发的概率将增大,定量评估泥石流易发性是区域减灾防灾的先行手段。基于现场调查和研究结果,首次计算了藏东贡觉地区的冻融侵蚀强度(DR)。选取物源条件和地形条件,采用加权信息量法评价了藏东贡觉地区泥石流的易发性,以四组流量阈值划分的不同流域单元作为评价单元对比分析了易发性评价结果。结果显示,四组易发性评价结果差异明显,随着流域单元划分数量的降低(流量阈值增大),研究区中风险区面积逐渐增大,高~极高风险区面积先增大后降低。受试者特征曲线(ROC)验证结果表明,使用G2组(流量阈值5000)划分得到的流域单元模型评估效果更好,AUC值为0.895,高易发区、极高易发区面积占全区约34.1%。八个评价因子中,冻融侵蚀强度(DR)、地形特征指数(TCI)和平面曲率(Pl_cv)是泥石流易发程度贡献率较大的三个因子。考虑冻融侵蚀型物源和地形水文因子建立的泥石流易发性评价模型,为冻融侵蚀现象明显的藏东地区泥石流易发性评价提供了新的方法和思路,对指导地方防灾减灾具有重要实践意义。