基于GIS与随机森林的巫山县滑坡易发性区划

【目的】对三峡库区典型县域巫山县进行滑坡易发性区划,为该县滑坡灾害风险管理和城市建设规划提供科学参考。【方法】选取地形地貌、地质条件、环境条件、人类工程活动及诱发因素共5个方面下的22个因子作为滑坡易发性影响因子,结合研究区963个历史滑坡数据,以30m精度栅格建立滑坡影响因子地理空间数据库;进一步在地理空间数据库中,基于全体样本(包括滑坡点与非滑坡点),采用十折交叉验证选择训练和测试数据集;随后,利用随机森林进行模型训练,用训练好的模型对整个研究区进行全域滑坡易发性仿真分析,将结果划分为低、较低、中、较高、高5种易发性等级。【结果】混淆矩阵的准确率高达100%;受试者工作特征曲线训练数据、测试数据和全体数据的曲线下面积值均为1.000;高易发区面积占整个县面积的5.83%,而区内历史滑坡数占该县历史滑坡总数的35.72%;高程、多年平均降雨量、兴趣点核密度这3个因子对滑坡的发生有更大贡献。【结论】基于巫山历史滑坡数据和随机森林构建的滑坡易发性模型具有较高的准确性、稳定性以及良好的预测功能。     

基于可解释性机器学习的丘陵缓坡地区滑坡易发性区划研究

【目的】提出一种基于随机森林与Permutation Importance、PDP和LIME结合的可解释性模型,对滑坡易发性区划进行全局和局部解释,旨为滑坡灾害精准防治与城市规划提供理论依据。【方法】以重庆市江津区为例,选取地形地貌、地质构造、气象水文、环境条件和人类活动共5个方面的21个因子,结合江津区899个历史滑坡点,建立30 m×30 m精度的栅格空间数据库,按照滑坡与非滑坡1∶1的比例选取899个非滑坡点,利用随机森林算法构建滑坡易发性模型,将结果分为极低、低、中、高、极高等5个易发性等级,探讨了随机森林模型在三峡库区滑坡易发性区划中的普适性,最后通过Permutation Importance, PDP, LIME方法研究随机森林模型的可解释性。【结果】滑坡高-极高易发区内滑坡点数占历史总滑坡点的71.3%,面积占区域总面积的20.42%,混淆矩阵准确率为0.968,全体数据集AUC值达0.962。通过模型解释可知地形起伏度、年平均降雨量、坡度是滑坡易发性区划中最重要的因子,且地形起伏度、坡度为正影响,当年平均降雨量小于1 300 mm时,对滑坡的发生也产生正影响。【结论】基于可解释性机器学习的滑坡易发性区划模型预测精度高,对滑坡的精准防治有重要的实践意义。     

基于不同样本比例与超参数优化的滑坡易发性评价——以重庆市武隆区为例

【目的】以重庆市武隆区滑坡与非滑坡样本作为研究对象,探究不同滑坡与非滑坡样本比例与超参数优化对滑坡易发性模型准确性的影响。【方法】选取距河流距离、地形湿度指数、多年平均降水量、坡向、曲率、地形起伏度、距道路距离、坡度、POI核密度、归一化植被指数、高程等11个因子作为影响因子,在1∶1～1∶10作为正负样本比例范围内,采用网格搜索法与贝叶斯优化,基于XGBoost模型对研究区样本的滑坡易发性进行评价。【结果】随着样本数量中非滑坡数量的逐渐增加,XGBoost模型准确率逐步提升,曲线下面积（AUC）未发生明显改变,且较高、高易发区面积逐步减少,低、较低易发区面积逐步增加;基于超参数优化后XGBoost模型AUC值均得到提升,且贝叶斯优化后的XGBoost模型的滑坡易发性评价精度与运行速率更优。【结论】以1∶10作为正负样本比例,通过贝叶斯优化所构建的基于XGBoost模型的武隆区滑坡易发性模型具有更好的预测能力与预测稳定性。     

基于逻辑回归的巫山县滑坡易发性区划研究

[目的]在已有文献研究基础上,构建基于逻辑回归的滑坡易发性评价模型,并与基于随机森林的模型进行分析比较,探讨出适用于三峡库区巫山县的滑坡易发性评价模型.[方法]选取地质条件、地形地貌、环境条件、人类工程活动等4方面影响下的22个因子作为滑坡易发性影响因子,根据研究区963处历史滑坡点,建立30 m×30 m栅格地理空间...     

山地斜坡灾变韧性大数据分析模型与应用研究——以城口县为例

【目的】山地斜坡因抵抗变形破坏的能力不足而常遇变形破坏致灾,因此需要对山地斜坡抵抗变形破坏的能力进行评价。【方法】采用典型实例,构建山地斜坡灾变韧性评价模型。选取高程、坡向、归一化植被指数、坡位、微地貌、岩性、坡度、曲率等13个因子作为山区斜坡灾变韧性的评价因子,结合研究区638个历史滑坡点,建立山地斜坡韧性评价地理空间数据库;进一步在地理空间数据库中,分别随机选取70%的灾变区域与非灾变区作为训练数据集,剩下的30%作为验证数据集;对样本数据进行逻辑回归模型训练,利用训练好的逻辑回归模型,对整个研究区斜坡的灾变韧性进行仿真分析,划分为低、较低、中、较高、高5种韧性等级。【结果】对训练数据集、验证数据集以及区域仿真结果,采用受试者工作特征曲线进行合理性检验,得到受试者工作特征曲线的下面积值分别为0.876,0.867和0.873,新近10个斜坡变形破坏点分布于中等-低韧性区域。【结论】基于历史数据挖掘分析构建的山地斜坡灾变韧性评价模型,具有较高的稳定性以及良好的斜坡灾变韧性评价可靠性。     

GIS支持下基于层次分析法的西藏札达地区滑坡灾害易发性评价研究

位于西藏喜马拉雅山西南部的札达地区,是青藏高原隆升最快的部位之一,由于研究区独特的构造背景及其演化过程,故重大滑坡灾害在区内多发,严重的阻碍当地经济的正常发展,破坏区域生态环境的平衡。在前人工作基础上,以对影响札达地区重大滑坡灾害发育及分布因素的研究为基础,利用层次分析法对研究区重大滑坡灾害进行危险性评价,通过分析区内重大滑坡灾害形成条件及分布特征,结合札达地区地质特征选取合理的影响因素建立评价体系,权衡各影响因素具体情况后确立滑坡稳定性评价模型并进行综合分析,根据分析结果将区内各评价单元按易发程度分为低易发性、较低易发性、中易发性、较高易发性及高易发性五类并对分区结果进行检验,检验曲线表明分区效果良好。     

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。     

基于斜坡单元的滑坡崩塌灾害易发性区划研究——以泸水县为例

基于栅格评价单元在滑坡崩塌地质灾害易发性评价中的弊端,采用斜坡评价单元对泸水县滑坡崩塌地质灾害的易发性进行评价.基于ARCGIS平台,建立了利用水文分析方法划分斜坡单元的方法体系.建立了信息量法-层次分析法的易发性评价模型,并对各评价因子的权重和信息量进行了计算提取.在此基础上,运用ARCGIS的空间分析功能,对泸水县滑坡崩塌地质灾害的易发性进行了区划,并对区划结果在宏观和微观上进行了验证.结果表明此种易发性划分方法准确、实用,对指导地质灾害的防治工作有重要意义.     

基于频率比联接法和支持向量机的滑坡易发性预测

区域滑坡易发性制图对滑坡灾害的防治非常有意义。以江西省上犹县滑坡为例,首先基于遥感(remote sensing, RS)和地理信息系统(geographic information system, GIS)平台获取11个滑坡评价因子;进一步利用频率比(frequency ratio, FR)联接方法和支持向量机(support vector machine, SVM)模型耦合出FR-SVM模型进行滑坡易发性预测,并对结果进行易发性分级;同时建立以原始评价因子作为模型输入变量的单独SVM模型,再次对上犹县进行滑坡易发性预测制图;最后通过受试者特征工作曲线下的面积(area under receiver operating characteristic curve, AUC)曲线开展FR-SVM和单独SVM建模工况下的精度验证分析。结果表明:FR-SVM模型对于区域滑坡易发性制图具有比单独SVM模型更好的预测性能。FR-SVM和单独SVM模型的AUC值分别为0.893和0.798,进一步表明FR-SVM模型在描述滑坡易发性指数分布及评价因子对滑坡发育影响特征方面要优于单独SVM模型。     

山地城市滑坡灾害空间分布特征及影响因素分析

针对山地城市滑坡灾害影响区域的不确定性,选择重庆市中心城区典型滑坡作为研究对象,利用最邻近指数、空间热点探测与核密度估计方法分析了历史滑坡灾害点的空间分布特征;并选择高程、坡度、坡向、地貌类型、土壤类型、土壤侵蚀、降雨、水系、地表覆盖、归一化植被指数(NDVI)、人口密度和道路等12个影响因素建立滑坡因子数据库,利用神经网络模型分析滑坡灾害空间分布特征的驱动因素,并定量计算各影响因子的贡献权重。利用受试者工作特征曲线(ROC)对模型进行准确性评估。最邻近指数结果表明研究区历史滑坡灾害点呈聚集型分布特征,空间热点探测与核密度估计均显示渝中区、沙坪坝区和巴南区北部是滑坡聚集程度最大的地区;在所有的影响因子中,人口密度、地貌类型和降雨对研究区滑坡灾害的空间分布影响最大,而坡向和道路影响最低。ROC曲线下面积AUC值达到0.917,表明该神经网络模型能准确反映出该地区滑坡影响因子的影响程度。