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。

基于变异系数法的县域环境承载力评价

沿海城市是经济发展的龙头和对外交流的窗口,随着经济社会的快速发展,沿海城市的环境问题日益严重,对沿海城市的环境承载力进行评价已迫在眉睫。以浙江省乐清市为研究区,建立基于“环境—社会—经济—污染”的评价体系,从上述体系中选取18个评价指标构建环境承载力评价指标体系,并运用变异系数法对各指标赋予相应权重,在此基础上对研究区2006—2020年间的环境承载力进行综合评价;同时提取上述年份和区域的海岸线,讨论海岸线变迁与环境承载力变化间的耦合度。结果表明,乐清市环境承载力总体上随时间呈先减小后增大的趋势,内陆环境承载力优于沿海地区,针对当地环境承载力变化与海岸线变迁情况,提出其生态保护的相关建议,此研究成果可对沿海城市的生态文明建设以及可持续发展有重要的理论意义和实用价值。

融合深度神经网络的三峡库区滑坡灾害易发性预测

由于滑坡地质灾害数据具有多源性、异构性和非线性等特点,传统的滑坡预测手段难以充分挖掘隐藏在滑坡系统中的规律性问题。为了解决该难题,利用Stacking集成学习技术将卷积神经网络(CNN)与循环神经网络(RNN)相结合,应用于三峡库区秭归—巴东段滑坡灾害易发性预测。首先,选取20个滑坡影响因子与研究区滑坡编录数据共同构建滑坡易发性数据库;然后,将滑坡与非滑坡样本划分为训练集和测试集;最后,基于训练集和Stacking技术来融合CNN与RNN,并利用该集成方法来进行易发性预测与精度评价。结果表明,在极其有限的样本条件下,Stacking集成方法预测性能较优,其总体精度比CNN、RNN和逻辑回归高出0.87%~2.89%。

基于自动机器学习的全球尺度滑坡灾害易发性预测

基于机器学习的滑坡灾害易发性预测模型由于其固有缺陷,难以获得更为可靠的评价结果。自动机器学习作为新兴的智能学习方法,拥有自动选择特征、模型和参数的优良性能,并最大程度减少模型选择和训练成本,因此在滑坡灾害易发性预测方面具有广阔前景。为了深入研究该技术在全球尺度滑坡灾害易发性预测中的可行性,利用Auto-PyTorch自动机器学习模型构建全球尺度滑坡易发性预测处理框架,并与经典机器学习模型——随机森林(RF)模型和朴素贝叶斯(NB)模型进行性能对比。在此基础上,以全球60°N-60°S纬度范围作为研究区,进行全球尺度滑坡灾害易发性制图。实验结果表明,相较于经典机器学习方法,基于自动机器学习的滑坡易发性分析能够获得性能更鲁棒、精度更优越的预测结果,可以为全球性地质灾害风险评估和管理提供坚实的科学依据。

基于深度学习的滑坡灾害易发性分析

滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型(Convolutional Neural Networks, CNN)的滑坡易发性分析处理框架:基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明:所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。