基于InSAR的潜在滑坡人工智能识别——以延安宝塔区为例

基于合成孔径雷达干涉测量(InSAR)技术,结合热点分析和机器学习算法,进行区域高形变斜坡自动提取和潜在滑坡人工智能识别研究,以提升潜在滑坡识别效率和准确性,解决传统人工调查和目视解译无法有效识别位于高位、隐蔽性较强的潜在滑坡问题.结果表明,基于热点分析自动提取20处高形变区域,提取正确率、错分率和漏分率分别为74.31%、25.69%和11.80%,证实热点分析方法能够有效应用于InSAR高形变区自动识别和提取.基于识别的高形变区,结合历史滑坡灾害发育特征,利用机器学习算法建立潜在滑坡预测模型,采用表现最佳的自适应提升模型对自动提取区域进行预测,预测召回率和准确率分别为81%和65%,能够实现潜在滑坡的有效识别.     

兰州市夏秋季大气降尘矿物组成特征及环境意义解析

通过对兰州市区5-10月7个采样点以及兰州大学榆中校区1个采样点大气降尘收集,利用全样X-衍射测定降尘中矿物组成,解析兰州市大气降尘的来源及对大气环境的影响.结果显示,兰州市大气降尘中矿物组成主要由w (石英) 40.2%、w (长石) 13.9%、w (方解石) 11.6%、w (白云石)6.8%、w (伊利石) 6.4%、w (绿泥石) 3.6%、w (高岭石) 5.2%、w (伊利石/蒙脱石混层) 5.5%、w (石膏)3.9%、w (黄铁矿) 2.9%和少量角闪石等矿物组成.分析结果与中国黄土-古土壤中矿物组成类型相似,说明黄土高原和西部沙漠是兰州市大气降尘的主要源区.大气降尘中不均匀分布的高w(方解石)、w(白云石)、w(石膏)和w(黄铁矿)等指示了降水、温度对源区的矿物有明显的风化改造作用,尤其是人类活动对矿物源及改造有重大关系.说明兰州市降尘的来源不仅有大量的外源,而且有经过改造以及人类活动加入的混合源作为二次降尘源,且二次或多次扬尘是市区大气颗粒物的主要来源.石膏和黄铁矿可以作为监测城市酸雨的一个指标.     

基于卷积神经网络模型的区域滑坡敏感性评价——以川藏铁路沿线为例

在遥感解译、野外调查及前人研究的基础上,基于共线性诊断与极端随机数算法对13个影响因子的相关性和重要性进行评估,运用一维卷积神经网络构建川藏铁路沿线滑坡敏感性评价模型,使用受试者工作特征（ROC)曲线进行精度验证.结果表明,影响该区滑坡发育的主控因子为距河流距离、道路与断层的距离以及岩性,敏感性极低、低、中、高、极高的面积分别占总面积的66.30%、10.98%、7.55%、6.91%和8.26%.敏感性高的区域主要分布在河流、道路两侧和断层发育的区域;全线滑坡敏感性高低呈分段式分布,在山南-朗县段、波密-理塘段最为严重;一维卷积神经网络的ROC曲线下覆盖的面积为0.958,能有效地进行该区域的滑坡敏感性评价.