基于3D实景模型和AHP边坡危险性评价系统的应用:以沿黄公路吴堡–永和段为例

为了有效控制、管理和减少公路边坡地质灾害产生的不利影响,本研究提出了一种基于无人机倾斜摄影三维实景边坡信息提取结合层次分析原理的公路边坡危险性评价新方法,开发了以Cesium为框架的沿黄公路边坡危险性评价三维可视化web平台。利用三维实景模型和计算机算法室内即可提取边坡危险性评价信息(包括路-坡距、坡度、坡高和节理密度等),采用层次分析法对各个边坡的危险性进行评估,依据最终得出的危险性综合评分,将其划分为极低、低、中、高、极高5个危险等级。将所提出的方法应用于沿黄公路边坡危险性评估,共评价边坡656个,其中极低危险边坡0个,低危险边坡23个,中危险边坡405个,高危险边坡210个,极高危险边坡18个。评价结果与实地调查结果吻合,说明提出的评价系统是合理的、有效的。该系统不仅实现地质灾害三维可视化调查和危险性评价,也推进了公路边坡防灾减灾技术数字化、智能化应用的发展。

几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用

笔者以甘肃省平凉市灵台县为目标研究区域,基于地理空间和历史滑坡数据,利用混合高斯聚类(GMM)优化的逻辑回归(LR)、支持向量机(SVM)、BP神经网络(BP Neural Network)、随机森林(RF)4种机器学习模型构建滑坡易发性评价分析模型。选取高程、坡度、坡向、曲率、黄土侵蚀强度、归一化植被指数、地质构造7个环境因子作为滑坡易发性影响因子,以30 m栅格建立影响因子地理空间数据库,将研究区域划分为180万栅格单元。利用混合高斯聚类模型对整个研究区域的栅格单元进行聚类,得出初步的滑坡易发分区,选择易发程度最低类别中的栅格单元作为非滑坡区域,每次随机选择500个单元作为非滑坡单元,并根据历史滑坡数据将203个已知滑坡栅格单元作为滑坡单元,建立4种机器学习分类模型。利用训练好的模型对整个研究区域进行预测,绘制各算法的受试者工作曲线(ROC曲线),对各个算法的预测结果进行对比。分析结果表明,在本目标研究区域,各模型的滑坡易发区划图与实际的滑坡分布情况总体相吻合。随机森林模型的ROC曲线下面积(AUC)最大为0.96,测试集准确率最高为0.93;BP神经网络模型的ROC曲线下面积和测试集准确率次之,为0.90和0.87;支持向量机模型和逻辑回归模型的ROC曲线下面积和测试集准确率分别为0.86、0.81和0.85、0.80,均低于随机森林和BP神经网络模型。

不同尺度下地质灾害风险评价方法探讨——以陕西吴堡县为例

吴堡县地处陕北黄土高原东北部,区内地质灾害发育,严重威胁当地居民生命及财产安全。在充分分析吴堡县地质灾害调查数据的基础上,针对全县域尺度选取坡度、坡向、地表曲率等评价指标,采用信息量模型基于GIS平台按25 m×25 m栅格单元进行风险评价。评价结果划分为:极高风险区、高风险区、中风险区、低风险区,分别占全区面积的0.63%、12.58%、24.40%、62.39%。针对重点区尺度,选取坡度、坡高等因子,采用层次分析模型基于GIS平台按水文法划分的斜坡单元开展风险评价,其中极高风险斜坡19个、高风险斜坡69个、中风险斜坡145个、低风险斜坡359个。选取两种尺度下同一区域(A区),对风险评价结果进行差异性分析。表明:在不同的尺度下,同一地理位置,风险高低的评价结果可能不一致。在全县域尺度下宜采用各类具备预测功能的数理统计模型,但是在更小的重点区尺度下,由于用来训练的样本数量不够,不宜采用数理统计模型。相应的,县域尺度下可采用基于GIS工具划分的栅格单元作为评价单元;重点区尺度下可采用实际的斜坡体作为评价单元。