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。

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。

基于GD-SPCA法的闽西南地区滑坡易发性评价

合理选择滑坡易发性评价因子是揭示滑坡易发区空间分布特征的重要前提。通过考虑因子最优离散分类,结合地理探测器(Geodetector,GD)与空间主成分分析法(Spatial Principal Component,SPCA)构建滑坡易发性指数。发现评价因子普遍呈现离散分类数越大,因子解释度越高的趋势,且自然断点法与分位数分类法的离散分类结果较好;因子间的交互作用对因子的解释度有一定影响,归一化植被指数(NDVI)的单因子解释度为0.453,但在交互作用下其耦合解释度范围仅为[0.03,0.226];研究区滑坡易发性指数为0.589,属于中度易发区,高度易发区与极易发区主要分布在研究区北部高植被覆盖的山地丘陵处;研究区的滑坡易发性指数具有显著空间聚集特征,高-高聚集区主要分布在该区北部中低山丘陵处,低-低聚集区主要分布在该区南部低缓河谷处。

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。

考虑InSAR形变速率的区域滑坡易发性评价

以巴东县主城区为研究对象,从地形、地质、人文和人类工程活动四个方面选取了14个静态滑坡因子,并采用时序InSAR技术提取了研究区地表形变速率作为动态滑坡因子。为消除不同滑坡因子间的量纲差异,在ArcGIS平台对滑坡因子进行分级并计算了各等级频率比(frequency ratio,FR),与滑坡点进行空间关联,从而构建了滑坡易发性评价数据集。此外,建立滑坡易发性随机森林评价模型,开展了模型精度分析,并比较了有无形变因子情况下的滑坡易发性评价结果。结果表明,引入地表形变因子时模型的AUC值由0.86提高至0.87,且易发性分区结果更加合理。巴东县城区的滑坡高易发区域主要集中于河流沿岸地区,低易发区域主要分布在离河流较远,植被茂密,海拔较高的区域。通过对典型滑坡进行形变速率时序分析,发现其随着时间发生缓慢变形,具有动态变化特征,需要加强监测。文中所提供的滑坡易发性评价方法可为区域发展提供指导,并为相关研究提供新的思路。

基于SMOTE-Tomek和CNN耦合的滑坡易发性评价模型及其应用——以三峡库区秭归—巴东段为例

中国是受滑坡灾害影响较为严重的国家,滑坡对受灾害影响地区的人民生命与财产造成了巨大的威胁。滑坡易发性评价作为对滑坡风险预测的重要工具,具有重要的防灾减灾的意义,但是传统的滑坡易发性评价中存在滑坡与非滑坡样本数据不平衡的问题,使得训练集的建立在本质上是对非滑坡数据进行了欠采样,导致滑坡事件的重要信息特征丢失,进而影响到滑坡易发性评价的可靠性。文章以三峡库区巴东至秭归段为例,选取高程、坡度等14个评价因子作为滑坡易发性评价因子,划分原始训练集与验证集,采用SMOTE-Tomek方法(synthetic minority oversampling technique-Tomek Links,SMOTE-Tomek)处理原始训练数据集,构建输入训练集,输入并训练卷积神经网络模型(convolutional neural networks,CNN),得到SMOTE-Tomek-CNN耦合模型,再通过将SMOTE-Tomek方法与传统的欠采样方法(random undersampling,RUS),分别与CNN模型和支持向量机模型(support vector machine,SVM)交叉组合成SMOTE-Tomek-SVM、RUS-CNN和RUS-SVM三种耦合模型,并与SMOTE-CNN耦合模型进行对比。结果表明,在四种耦合模型中,SMOTE-CNN耦合模型的特定类别精度与ROC曲线下面积较高,结果分别为73.60%和0.965,表明该方法的预测能力优于传统的方法,能为研究区滑坡预测工作提供可靠参考。

多源遥感数据解译下的山区滑坡易发性评价

滑坡易发性评价对于山区建设规划、防灾减灾等具有重大支撑作用。影响易发性评价结果可靠性的主要因素有滑坡样本库的准确率和易发性模型的适用性,但传统的人工勘查方法、单一的遥感技术手段难以查明复杂山区滑坡的分布情况和几何形态;而常见的评价模型存在主观性过强、模型与样本过拟合等问题。基于此,选取九寨沟核心景区作为研究区,将光学遥感、合成孔径雷达干涉测量(InSAR)、机载激光雷达(LiDAR)等技术融合应用于滑坡解译,编录滑坡样本库,筛选滑坡易发性因子为高程、坡度、坡向、岩性、与断层距离、与水系距离,滑坡易发性评价模型为MaxEnt模型,结果显示,模型ROC-AUC(ROC曲线下的面积)值达0.806。

机器学习模型在滑坡易发性评价中的应用现状与发展趋势

滑坡易发性评价是滑坡危险性评价和风险性评价的必要基础,机器学习模型可以在海量滑坡灾害数据中挖掘潜在信息,建立数据联系,寻找滑坡现象背后的本质规律,是当前滑坡易发性评价研究的重要手段之一。基于文献检索平台,介绍不同机器学习模型等在滑坡易发性评价领域的应用现状,探讨了机器学习模型在滑坡易发性评价应用中的优缺点和适用情形,并提出以下几点认识:(1)基于耦合的机器学习模型在滑坡易发性评价中显著优于未耦合单一机器学习模型,基于改进的机器学习模型在滑坡易发性评价中也显著优于未经改进的单一机器学习模型;(2)探索模型算法“暗箱”式的作用机制、过程与结果的可解释性,提高滑坡易发性评价的精度和准确性,完善模型应用研究的不足,实现与人工智能的嵌套耦合等是未来机器学习模型研究的重要方向;(3)机器学习模型的自身特点和适用情形源于其构建原理,且作为固有特性贯穿于模型应用全过程。尽管机器学习模型受到广泛关注,但人们对其认识仍不够深入,学界也未形成一致的观点和统一的评价准则,尚有待进一步研究。

联合光学和SAR遥感影像的山区公路滑坡易发性评价方法

艰险山区公路的滑坡易发性评价能够为公路地质选线提供关键支撑信息。传统滑坡易发性评价方法存在忽略地表形变等动态数据的使用而导致评价结果精度不高的问题。针对此问题,该文提出一种联合光学和SAR遥感影像的山区公路滑坡易发性评价方法。以青海省沿黄公路隆务峡至公伯峡段为研究区,先利用高分辨率QuickBird卫星影像提取多种滑坡灾害静态因子,并采用随机森林模型计算路线区域内的滑坡易发性风险初始等级;然后基于长时间序列的Sentinel-1A影像,获取直接反映滑坡动态变化的地表形变因子;最后,利用地表形变因子对滑坡易发性风险初始等级进行修正,得到最终的滑坡易发性评价分区图。工程实践表明,该方法综合利用滑坡灾害静态与动态因子数据,所获取的山区公路滑坡易发性评价分区图更具准确性,可为后续的公路地质选线提供准确信息。

基于证据权和支持向量机模型的威信县滑坡易发性评价

滑坡易发性评价研究对滑坡灾害防治具有重要意义。多模型耦合在滑坡易发性评价中运用广泛,但将证据权(weight of evidence, WOE)和支持向量机模型(support vector machine, SVM)模型耦合进行滑坡易发性评价研究较少。以滇东北山区威信县为研究区,选取坡度等12个滑坡评价因子建立滑坡易发性评价指标体系,根据证据权计算得到证据权对比度、滑坡栅格占比和分级栅格占比,对指标因子进行分级,构建WOE-SVM模型计算得到滑坡易发性指数(landslide susceptibility index, LSI),利用GIS平台得到研究区易发性分级图。结果表明:滑坡极高和高易发区主要分布河流流域和人类工程活动频繁区域,SVM和WOE-SVM模型评价结果与滑坡空间位置分布基本一致,但耦合模型精度高于单一SVM模型,其评价结果也更加合理有效,可为当地滑坡灾害的治理与预防提供一定参考价值。

基于BP神经网络模型的滑坡易发性评价方法

滑坡是中国频发的地质灾害,滑坡的易发性评价涉及多种影响因素,如何利用多影响因素进行精确、有效的滑坡易发性评价是滑坡减灾防灾工作的重点和前提。为探讨基于反向传播(back propagation,BP)神经网络模型的不同滑坡易发性评价方法的适用性,以川西蒲江县为研究区,通过实地调查与编录,筛选地质、地貌、环境等12类影响因子,分析各影响因子与滑坡的相关性,确定影响因子的权重大小,构建BP神经网络模型,完成因子权重法和栅格赋值法的滑坡易发性评价图编制和精度评价。结果显示:研究区筛选的12类滑坡影响因子不存在线性相关,坡度、地形湿度指数(topographic wetness index,TWI)和距道路距离对区内滑坡发育影响明显,利用滑坡影响因子构建的BP神经网络模型可对滑坡易发性进行有效的定量评价。综合现场调查与接收者操作特征(receiver operating characteristic,ROC)曲线精度分析,结果表明:基于BP神经网络模型的栅格赋值法和因子权重法曲线下面积(area under curve,AUC)分别为0.86和0.798,栅格赋值法评价精度优于因子权重法,基于BP神经网络模型的栅格赋值法更适用于研究区的滑坡易发性评价。

基于堆叠模型的滑坡易发性评价——以商洛市丹凤县为例

陕南地区滑坡灾害频发,该地区进行有效的滑坡易发性评价对防灾减灾意义重大。文中以陕西省商洛市丹凤县257个滑坡灾点数据为评价样本,选取高程、坡度、坡向、剖面曲率、平面曲率、地形湿度指数(TWI)、植被归一化利用指数(NDVI)、距道路距离、距断层距离和年均降雨量共10个影响因子进行评价。通过相关属性评估分析,与研究区滑坡发生最为密切的是高程、TWI和距道路距离。基于GIS随机提取70%栅格数据作为样本,采用Stacking模型集成RA、DECORATE和RS模型,在WEKA软件中分别进行训练,对剩余30%栅格数据进行验证,采用AUC值进行模型性能比较,最终分别生成各单独分类器与堆叠后的滑坡易发性图。结果表明:4种模型AUC值均大于0.7,训练准确率和验证预测率均较高,适合研究区滑坡易发性评价。其中,Stacking模型的预测能力最高,说明不同基分类器组合提升了堆叠模型的拟合能力,增强了对滑坡易发性的辨识度。

基于PSO-LSSVM的广西花岗岩分布区滑坡易发性评价

广西花岗岩分布区地质构造复杂,岩体风化严重,滑坡灾害较为频繁。提出一种粒子群算法优化的最小二乘支持向量机(particle swarm optimization-least squares support vector machine, PSO-LSSVM)模型对该地区滑坡易发性进行评价。首先,利用灰色关联度分析(grey relation analysis, GRA),从高程、坡度、地质构造、断裂带密度、植被覆盖率、年均降雨量、日均降雨量、岩土特性8种因子中提取出对滑坡发生影响较大的诱发因子,将其作为LSSVM模型的输入;其次,针对LSSVM存在过拟合的问题,使用PSO对LSSVM模型的惩罚因子γ、核参数σ进行了优化,能够更有效地减少LSSVM陷入局部最优解的情形。将PSO-LSSVM应用到该地区滑坡灾害的易发性评价中,模型预测结果与实际值基本一致。最后,将PSO-LSSVM模型与遗传算法优化的LSSVM模型(genetic algorithm-least squares support vector machine, GA-LSSVM)和LSSVM模型进行对比,从实验结果得出PSO-LSSVM模型的平均绝对误差和均方根误差均小于其他两种模型,拟合优度为93.6%,评价结果具有较高的精度,为广西地区滑坡灾害易发性评价提供了新思路。

基于多模型的滑坡易发性评价——以甘肃岷县地震滑坡为例

2013年7月22日,甘肃省岷县漳县交界处发生了MS6.6级地震（岷县地震）,本文以这次地震烈度Ⅷ度区为研究区,根据地震前后遥感影像解译出来的2330个地震滑坡数据,以坡度、坡向、水系、岩性和断层为因子图层,分别应用模糊逻辑法,信息量模型及Shannon熵改进的信息量模型,对研究区的地震滑坡易发性进行评价.结果表明①滑坡的高易发性地区位于研究区的中间部分,以及水系0～50m这一缓冲区范围内,离水系越近滑坡易发性等级越高;②应用ROC曲线对3个模型的易发性评价结果进行比较,信息量模型和Shannon熵改进的信息量模型的AUC值分别为0.8488,0.8502;模糊逻辑模型的AUC值为0.7640,表明前两个模型的表现较好,而模糊逻辑模型相对来说表现一般;③通过对比3个模型中各等级易发性所占的面积比例和各等级易发性中滑坡数目占总数比例,表明Shannon熵改进后的模型更适用于灾害风险评价以及应急风险管理等实际应用.

基于RS-SVM模型的滑坡易发性评价因子选择方法研究

为提高滑坡易发性评价的精度和准确性,利用粗糙集理论和支持向量机模型进行滑坡易发性评价因子选择。以三峡库区秭归到巴东段为研究区,首先通过相关分析和主成分变换对初始滑坡评价因子进行筛减与合并,将剩余的评价因子分为控制因素和影响因素,采用粗糙集理论分别对其进行属性约简,生成核因子集。然后,利用核因子集对支持向量机模型进行训练和预测,得到滑坡易发性评价结果,其预测精度和曲线下面积分别为76.9%和0.939。最后,将两种传统的对所有滑坡评价因子一同进行筛选的方法用于该研究区的滑坡易发性评价,并将传统方法与该方法的评价结果进行比较,结果表明,该文所提出的滑坡评价因子选择方法的精度和准确性均优于传统方法。

基于机器学习混合模型的滑坡易发性评价

安康市汉滨区地质环境脆弱,滑坡频发对当地居民生命财产安全造成严重威胁,针对该区域进行滑坡易发性评价是滑坡防治的有效措施。自适应提升模型和随机森林模型作为新颖的集成学习方法被应用至中外滑坡易发性评价研究中,但基于两者的混合模型在滑坡易发性中的应用研究尚未开展。为对比混合模型与单一模型的滑坡易发性评价精度,根据地质灾害详查资料圈定509处滑坡,结合研究区地质环境背景,选取高程、坡度、坡向、年均降雨量、地层岩性等13类因子进行评价。受试者工作特性曲线(receiver operating characteristic curve,ROC)结果表明,同单一模型相比,混合模型的训练集正确率和验证集预测率均为最高;混合模型的高易发区滑坡密度达到1.94,高于随机森林(1.86)和自适应提升模型(1.68);通过区内三处历史滑坡进行验证,结果显示区划结果与滑坡分布相吻合,说明自适应提升-随机森林混合模型可作为滑坡易发性评价的新方法,其区划结果可为滑坡防治与土地利用规划提供借鉴。

基于GIS和信息量模型的陇川县滑坡易发性评价

云南省陇川县地质环境脆弱,易发生滑坡灾害,对其开展滑坡易发性评价对指导陇川县的滑坡地质灾害防治具有重大意义。根据陇川县地理环境、地质环境、人类活动等条件,选取高程、坡度、坡向、剖面曲率、平面曲率、归一化植被指数、水系距离、断层距离、地层岩性和道路距离等10个评价因子,利用信息量模型和ArcGIS软件进行滑坡易发性评价。结果表明,滑坡高易发区主要位于研究区北部、东南部和西南部;中易发区主要位于中部、东部和西部部分地区;低易发区主要位于陇把镇、城子镇大部分地区和户撒阿昌族乡的西北部;不易发区主要位于清平乡中部、城子镇中部部分地区、以及章凤镇大部分地区。在中易发区和高易发区包含83.56%的滑坡灾害点,且滑坡面积随着易发性等级的增加也随之增大。滑坡中、高易发区内发生的滑坡面积分别占研究区滑坡面积的22.79%和58.13%,分析结果与实际灾害分布特征相吻合,可为研究区及类似区域的滑坡地质灾害防灾减灾工作提供参考意见。

确定性系数与随机森林模型在云南芒市滑坡易发性评价中的应用

编制科学的滑坡易发性分区图,可以有效降低灾害带来的损失。以云南省芒市为研究区,利用确定性系数模型(certainty factor,简称CF)方法计算各个因子的敏感值,作为随机森林(random forests,简称RF)的分类数据,选取合适的训练数据和最优化的模型参数进行模型预测,从而对研究区进行滑坡易发性评价分区。采用频率比方法将连续性因子离散化,从而通过确定性系数计算因子不同区间的滑坡易发性,同时利用CF先验模型,对研究区负样本进行选取。通过计算袋外误差得到最优化的RF参数,随后利用RF模型对研究区模型进行训练及预测。绘制ROC曲线和三维遥感影像对预测模型结果分别进行定量和定性评价,结果表明,所得到的模型精度为91%,优于随机抽样得到的结果。最后,采用平均基尼不纯度减少和平均准确度下降两种计算方法计算、评价了研究区各个因子的重要性。基于以上对研究区进行的滑坡易发性评价结果,可以为该区灾害风险评估和管理提供依据。

基于ROC曲线与确定性系数法集成模型的三峡库区奉节县滑坡易发性评价

滑坡易发性评价是区域滑坡灾害风险评估和防控的基础。以滑坡灾害高易发区三峡库区奉节县为研究区,首先初步选取坡度、坡向、高程、剖面曲率、断裂带距离、岩土体类型、水系距离、降雨量、道路距离和植被覆盖度10项基本指标,构建滑坡易发性初始评价指标体系,并采用频率比法对各评价指标进行分级;然后,采用ROC曲线(Receiver Operating Characteristic curve受试者工作特征曲线)法定量分析各评价指标对滑坡易发性建模精度的影响程度,确定对研究区滑坡易发性建模影响的关键评价指标体系;最后,分别应用确定性系数法和逻辑回归模型对研究区滑坡易发性进行建模与分区,并对比分析两种模型评价结果的精度。结果表明:确定性系数法的成功率和预测率为82.1%和82.0%,其值高于逻辑回归模型的80.5%和79.5%;确定性系数法中92.24%的滑坡分布在高易发区和较高易发区,其值高于逻辑回归模型的80.65%,表明集成ROC曲线法与确定性系数法的区域滑坡易发性评价方法具有可靠性和精确性,可为完善滑坡灾害易发性评价理论和技术方法提供新的思路。