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...     

基于不同因子分级的滑坡易发性区划对比——以万州区为例

[目的]基于滑坡点属性与研究区全域点属性作为分类基础数据,对位于三峡库区的万州区滑坡易发性区划对比研究.[方法]选取高程、多年平均降雨量、地表切割深度、坡向、距道路距离、坡度、POI核密度、倾坡类型、岩性、归一化植被指数、曲率、地形起伏度、地形湿度指数等13个因子作为影响因子,分别对滑坡点属性与研究区全域点属性使用 自然断点法进行因子分类,并通过两种分类结果构建模型预测研究区内滑坡易发程度的空间分布情况.[结果]以研究区全域点属性作为分类数据对应的曲线下面积(Area under curve,AUC)值为0.79,对应的模型测试集最高精度为0.755;以滑坡点属性作为分类数据对应的AUC值为0.85,对应的模型测试集最高精度为0.779;高程、地表切割深度和多年平均降雨量的重要性位于前3位,对滑坡的发生有较大影响.[结论]采用滑坡点属性确定因子分类标准建立的随机森林模型精确性和预测能力更优,可对万州区的滑坡灾害危险管理和影响因子分级研究提供参考.     

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。     

基于机器学习可解释性算法的岩爆指标分析

为探究弹性能指数、应力系数、脆性系数、埋深四种岩爆指标与岩爆等级之间的相关关系,解决复杂机器学习算法的黑盒问题。本文引入LIME(local interpretable model agnostic explanations)算法,完善岩爆机器学习预测过程中的可解释性。文章搜集国内外190组岩爆实例工程构建数据集经过预处理后,通过9种机器学习算法比较获得最优算法并采用贝叶斯优化获得算法最优参数,建立岩爆预测模型。基于LIME可解释性算法,对四种岩爆指标进行相关、回归及阈值分析,最后采用弹性能指数及应力系数两种指标阈值对终南山隧道竖井工程进行岩爆预测。研究结果表明：(1) 岩爆等级与弹性能指数、应力系数呈线性相关,且弹性能指数线性关系更明显;(2) 岩爆等级与脆性系数、埋深呈非线性相关,且脆性系数非线性关系更明显;(3) 4个岩爆指标对岩爆等级影响程度依次为：弹性能指数、应力系数、埋深、脆性系数;(4) LIME算法可以准确地表达岩爆等级与岩爆指标之间的相关关系且得到的两种指标阈值与终南山隧道竖井工程实例具有一致性。     

权重线性组合与逻辑回归模型在滑坡易发性区划中的应用与比较

以贵州省为研究区对滑坡易发性进行研究,对预测方法进行比较.其步骤为:首先,选取年均降雨量、岩性、高程、坡向、地形地貌、坡度、至构造线距离、至水系距离、至铁路距离和至公路距离10项评价指标作为影响滑坡发生的致灾因子,分别采用主客观权重线性组合(WLC)模型及结合确定性系数的逻辑回归模型(LR)分析研究区内各致灾因子与滑坡发生的相关性并建立预测模型:其次,基于ArcGIS平台完成贵州省滑坡易发性区划图,结合历史滑坡分布,应用熵值法对2个模型的区划结果进行验证和比较.最后,从模型原理、运行环境和适用条件等方面对2个模型进行比较和讨论.研究结果表明:WLC模型和LR模型的熵权分别为0.255和0.745,表明逻辑回归模型(LR)的区划结果与实际的滑坡情况吻合度更高.     

基于可解释机器学习模型的南宁市野火灾害易发性研究

野火易发性评价对野火灾害的前期预防以及灾害管理决策的制定至关重要。目前野火易发性的研究主要集中于提高模型的预测精度,而往往忽略对模型的内部决策机制进行解释分析。为此,构建了一种基于可解释机器学习的野火易发性模型,并详细分析了各因子对野火易发性预测结果的影响。以南宁市历史野火样本为基础,综合考虑样本的空间分布特征,选取高程、归一化植被指数(normalized difference vegetation index, NDVI)、年均降雨和平均气温等18项评价因子,利用分类和回归树(calssification and regression tree, CART)、随机森林(random forest, RF)、轻量的梯度提升机(light gradient boosting machine, LGBM)和极致梯度提升(extreme gradient boosting, XGBoost)4种机器学习模型构建野火易发性预测模型。基于性能最优的易发性模型,运用沙普利加和解释(shapley additive explanations, SHAP)方法完成特征全局性解释、依赖性分析和典型样本...     

考虑最优影响因素组合的滑坡易发性评价——以水城区为例

当前滑坡易发性研究较少考虑不同影响因素组合对模型预测精度的影响。为此,提出了一种考虑最优影响因素组合的滑坡易发性评价模型。以贵州省六盘水市水城区为研究区域,基于该区域滑坡发育的工程地质条件和外界诱发因素,筛选坡度、坡向、曲率、归一化植被指数(normalized difference vegetation index, NDVI)、地层岩性、距断层距离、距水系距离、年平均降雨量、距道路距离和土地利用共10个环境因子作为该区域的滑坡影响因素,然后结合交叉验证和随机森林算法建立考虑最优因素组合的滑坡易发性评价模型;最后,将所提模型的预测准确率与传统诱发因素组合的模型进行对比分析。结果表明：考虑影响因素组合的模型曲线下面积(area under curve, AUC)为0.780,具有较好的预测能力;所提模型预测精度优于传统诱发因素组合模型。     

基于支持向量机模型的滑坡危险性评价

以长安区为研究区,在分析研究区地质环境条件以及滑坡发育特征的基础上,选取12类因子作为评价指标,通过Spearman对各因子之间的相关性进行分析;分别采用线性核函数(LN)、多项式核函数(PL)、径向基核函数(RBF)、Sigmoid核函数下的支持向量机模型对研究区地质灾害危险性进行评价,利用ArcGIS软件生成最终的危险性评价结果图,将评价结果图划分为四个危险等级,分别为极高危险区、高危险区、中危险区、低危险区;不同核函数下的支持向量机模型经ROC曲线验证得到:RBF-SVM模型的预测精度最高,此核函数下的支持向量机模型更适应于该研究区滑坡灾害危险性评价中。研究结论可以为类似地质环境条件下区域地质灾害危险性评价模型的选取提供参考。     

基于优化支持向量机及极限学习机的滑坡变形趋势研究

受地质环境及多种诱发因素的影响,滑坡变形包含了多层次的信息,通过单一预测模型难以准确、有效地判断滑坡变形趋势.因此,建立多方法集合的系统模型十分必要.首先,利用小波去噪对滑坡变形序列进行去噪处理,将滑坡变形分解为趋势项和误差项,采用PSO-SVM模型对滑坡变形的趋势项进行预测,利用ELM神经网络进行误差修正,两者结果叠加即得到滑坡的变形预测值;其次,利用秩相关系数检验对滑坡的变形趋势进行判断,以验证前法预测结果的准确性,并探讨该方法在滑坡变形趋势判断中的适用性.经实例检验,得出:该预测模型的预测值与实测值基本相符,且较单一预测模型具有更高的预测精度;同时,秩相关系数检验的结果与预测结果相符,验证了变形预测结果的准确性及该方法在滑坡变形趋势判断中的适用性.     

基于ELM特征映射的kNN算法

研究了基于ELM特征映射的kNN算法,利用ELM特征映射,将原始数据映射到这种高维特征空间当中,使得数据间变得更加线性可分,即数据结构会变得简单,因此,在利用kNN算法进行分类时,利用ELM特征空间中对应的特征数据代替原始空间中的数据进行分类将会取得更好的分类效果.最后,来自MNIST和UCI中的几个数据集的仿真实验进一步验证了该算法的优良性能.     

基于斜坡单元的滑坡易发性评价 ——以易贡地区为例

滑坡易发性评价对于滑坡的预测与管理具有重要意义.以往的滑坡易发性评价多基于像素信息进行评价,难以与地质环境相联系.选用以山脊线和山谷线所构成的斜坡单元为评价单元,选取坡度、地形起伏度、地层岩性、多年平均降雨量、河流距离和植被指数等6个指标作为评价因子,建立易发性评价模型,将研究区划分为不易发区、低易发区、中易发区和高易发区,利用研究区内已知滑坡进行验证.结果表明,有21处滑坡位于高易发区,9处位于中易发区,正确率达88%,与实际情况相符.此次评价结果具有较高可信度,为指导滑坡灾害防治工作提供了重要的信息和依据.     

基于机器学习的锚固岩质边坡变形预测

锚索锚固是一种广泛使用的边坡加固技术,锚固性能的研究是锚固的核心问题之一。利用有限差分程序建立324组物理力学参数不同的锚固边坡,组成包括锚索参数和岩土体性质参数的9维输入指标和以沉降位移和塑性区面积为输出指标的数据集,分析输入输出指标间的关系。随后用随机森林和神经网络方法学习数据并建立层状边坡变形预测模型。分析显示,边坡沉降位移和塑性区面积预测结果变化对锚索性质参数中锚索总长度变化最敏感,锚固力的变化影响最小;其次岩土体物理力学性质中边坡力学指标黏聚力、内摩擦角起主要影响作用,岩土体密度变化影响最小;对预测结果的误差分析表明随机森林变形预测模型预测准确性比BP神经网络变形预测模型高5%~10%;模型预测沉降的偏差率小于预测塑性区面积的偏差率。研究表明随机森林算法在锚固效果预测问题上更加具有适用性,通过建立预测模型可以快速预测锚固边坡沉降位移和塑性区面积,指导锚固方案优化和变形控制设计。