基于GIS与改进层次分析法的奉节县滑坡易发性区划

【目的】对三峡库区典型县域重庆市奉节县进行滑坡易发性区划，为该县防灾减灾与城市规划工作提供理论依据。【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个方面影响下的16个因子作为滑坡易发性影响因子，结合研究区1 520个历史滑坡数据，构建地理空间数据库；在地理空间数据库中进一步利用改进后的层次分析法确定各影响因子权重，构建滑坡易发性模型，进行全域滑坡易发性仿真分析，并将结果划分为低、较低、中、较高、高共5种易发性等级。【结果】较高 高易发区历史滑坡数占滑坡总数的80.29%；区域仿真的受试者工作特征曲线的曲线下面积为0.764；90%新近滑坡点分布于滑坡易发性高 较高区域。【结论】基于改进后的层次分析法构建的滑坡易发性区划模型具有一定的准确性与预测能力。     

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。     

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。     

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...     

基于逻辑回归树和旋转森林模型的滑坡易发性评价

为进一步探索集成模型在滑坡易发性评价中的适用性,以陕西省汉中市汉台区为例,结合相关资料与野外调查圈定40处滑坡,通过地质类、水文类、人类工程活动类中选取12个影响因子构建逻辑回归树(logistic model tree, LMT)和旋转森林(rotation forest, ROF)模型,分别生成滑坡易发性分区图,采用ROC(receiver operating characteristic)曲线进行模型精度验证与比较。结果表明,研究区滑坡受地形地貌、平面曲率与岩土体类型影响最大;两种模型预测率均较高,易发性等级分区结果与历史滑坡位置分布趋势基本一致;ROF模型的训练集正确率和验证集预测率分别为77.4%和93.1%,高于LMT模型的75.5%和84.0%;ROF模型滑坡极高易发区频率比为6.52,多于LMT模型(2.07),可见ROF模型对研究区滑坡易发性更加敏感,预测结果可靠度高;本文ROF模型滑坡易发性分区结果可为后期研究区防灾减灾与土地规划提供依据。     

基于支持向量机的滑坡易发性评价

应用支持向量机算法对湖南省靖州县的滑坡易发性进行评价.首先,通过实地调查、卫片判译及滑坡历史记录,共发现滑坡102处及非滑坡点100处,随机用70％数据来训练模型,30％数据来验证模型;其次,选取坡度、坡向、高度、河流距离、断层距离、公路距离、土地利用和人类活动强度8个地质灾害影响因子作为地质灾害易发性评价指标;然后,...     

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。     

基于频率比-随机森林模型的滑坡易发性评价

本文以陕西省洋县为研究区,通过搜集资料、实地调查获得研究区滑坡分布状况。结合研究区地质环境特征与前人研究经验,初步选取海拔、坡度、坡向、地形起伏度、曲率、距水系距离、距道路距离、降雨量及岩土体类型,共九种滑坡影响因子展开滑坡易发性研究。首先,采用皮尔森相关系数法对各因子间的相关性进行分析。其次,按照70/30的比例将滑坡数据随机划分为模型训练集与模型验证集。然后,采用模型训练集对频率比模型(FR)、随机森林模型(RF)及两者的耦合模型(FR-RF)进行训练,利用模型验证集对模型训练结果进行检验,并绘制ROC曲线。最后,利用验证后的模型绘制研究区滑坡易发性分区图。结果表明：(1)所选取的9个滑坡影响因子是相互独立的;(2)本研究所采用的三个模型均表现良好,其中FR-RF模型预测准确度最高(0.901),其次为RF模型(0.863),最后为FR(0.833);(3)本研究所绘制的滑坡易发性分区图可为当地政府制定土地利用规划、预防滑坡等方案提供参考借鉴。     

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。