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。

基于滑坡致灾强度预测的建筑物易损性定量评价

针对目前建筑物易损性定量评价中缺乏滑坡致灾强度预测研究,创新性地提出了一种基于InSAR技术的致灾强度经验曲线与ABAQUS二次开发的空间化位移预测相结合的建筑物易损性定量评价方法.以三峡库区石龙门滑坡为例,利用PS-InSAR解译的2017-2020年间滑坡年平均位移,通过函数反演获取了滑坡累积位移‒致灾强度经验曲线;使用ABAQUS编写荷载和孔隙水压力子程序模拟了极端工况下(库水位下降+强降雨)的滑坡累积位移,用于建筑物易损性预测计算.建筑物抗灾能力由PSO-Fuzzy AHP模型加权赋值8个指标构成,与滑坡致灾强度两部分相结合即可定量评价建筑物易损性.研究结果表明:(1)本文提出的抗灾能力评价体系能够很好表征三峡库区农村建筑物的结构特征,具备较高的评价精度;(2)基于PS-InSAR得到的上限致灾强度曲线为Ipu=0.065×Dtot 0.236,具备更高的预测精度,有效减少了假阴性误报;(3)通过ABAQUS模拟的极端工况致灾强度随着降雨量增加而增加,预测的房屋易损性等级随之提高,并且成功预警了前期调查有明显变形的房屋.可见提出的致灾强度预测方法和易损性评价模型具有很高的空间辨识度和预警精度,通过滑坡强度信息能够开展实时建筑物易损性制图.

基于stacking集成策略和SBAS-InSAR的滑坡动态易发性制图

当前滑坡易发性评价方法存在集成建模策略缺失及假阴性误报现象。首先创新性地利用stacking算法集成随机森林(random forest,RF)和极端梯度提升树(extreme gradient boosting,XGBoost),用于预测滑坡发生的空间概率;然后采用小基线集干涉测量方法解译2018年1月~2021年9月的104景Sentinel-1A数据,将沿视线的变形速度(Vlos)重新投影为沿斜坡方向(VSlope);最后采用经验关联矩阵将易发性分级与变形速度分级相结合,以生成滑坡动态易发性图。研究结果表明,stacking-based RF-XGBoost模型具有比决策树(decision tree,DT),RF,XGBoost,贝叶斯模型(Bayesian network,BN)和多层感知器神经网络(multilayer perceptron neuro network,MLPNN)更好的预测效果和泛化能力。滑坡动态易发性图对变形强烈的区域具有良好的识别效果,降低了3%~8%低易发性占比,提升了2%左右的高~极高易发性占比。现场调查验证了该方法能够在工程活动强烈的区域提高滑坡易发性等级,减少假阴性误报。大周镇极高动态易发区主要分布在长江沿岸及北部凤凰村,应加强监测预警。提出的集成框架及滑坡动态易发性制图技术能够提高区域滑坡的空间辨识度和预警精度,可以作为滑坡灾害区域规划的新手段。

基于集成学习建模的滑坡易发性评价

单一的机器学习模型往往难以满足滑坡易发性制图的需要,为提升滑坡易发性评价精度.提出了一种基于集成策略的机器学习模型组合优化的方法,以重庆市云阳县西部的12个乡镇为例进行滑坡易发性评价.首先,基于366处滑坡数据以及高程、坡度等9个指标因子构建易发性评价指标体系.然后以决策树模型(decision tree mode,DT)、逻辑回归模型(logistic regression,LR)和贝叶斯网络模型(bayesian network,BN)为基础模型,利用集成学习的三大类型,袋装法(bagging)、提升法(boosting)以及堆叠法(stacking)进行模型组合.并对各组合模型分别用粒子群算法(particle swarm optimization,PSO),贝叶斯算法(bayesian optimization,BO)进行超参数优化以及K最邻近算法(K-nearest neighbor,KNN)进行模型链接.最后采用ROC曲线与统计分析的方式来评估各集成学习模型精度.研究结果表明:与基础模型相比,三类集成学习模型精度均有提升,DT-LR-BN模型提升了3.5%~12.8%,RF模型提升了8%;BO-XGBoost模型提升了13.1%;KNN-stacking模型提升了7.4%~17%,BO-XGBoost模型的AUC值最高为0.811.集成学习能有效提升机器学习模型性能,提高滑坡易发性制图的精度,研究为机器学习模型之间的组合优化提供了新的思路与方法.