共查询到20条相似文献，搜索用时 15 毫秒
1.
三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC(Area Under Curve)精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。 相似文献
2.
3.
滑坡灾害易发频发、点多面广、隐蔽性强、危害严重.开展“天-空-地-深”观测一体化的滑坡早期识别、易发性评价及预测预报,对于保障人民生命和财产安全,推进滑坡灾害防治能力现代化具有重要意义.目前,依靠人工解译的滑坡识别耗时耗力,采用启发式模型的滑坡易发性评价不能较好地探明环境因子之间的非线性关系,基于传统监测数据的滑坡预测预报精度较低.机器学习算法凭借其强大的非线性处理能力及鲁棒性等优势,逐渐广泛应用于滑坡智能防灾减灾中.基于此,本研究系统阐述了机器学习在滑坡灾害早期识别、易发性评价及预测预报等方面的具体应用,综述了多种机器学习算法在上述3个领域中运用的优劣,最终对机器学习在滑坡灾害中未来的发展趋势进行了展望. 相似文献
4.
《西北地质》2020,(1)
笔者以甘肃省平凉市灵台县为目标研究区域,基于地理空间和历史滑坡数据,利用混合高斯聚类(GMM)优化的逻辑回归(LR)、支持向量机(SVM)、BP神经网络(BP Neural Network)、随机森林(RF)4种机器学习模型构建滑坡易发性评价分析模型。选取高程、坡度、坡向、曲率、黄土侵蚀强度、归一化植被指数、地质构造7个环境因子作为滑坡易发性影响因子,以30m栅格建立影响因子地理空间数据库,将研究区域划分为180万栅格单元。利用混合高斯聚类模型对整个研究区域的栅格单元进行聚类,得出初步的滑坡易发分区,选择易发程度最低类别中的栅格单元作为非滑坡区域,每次随机选择500个单元作为非滑坡单元,并根据历史滑坡数据将203个已知滑坡栅格单元作为滑坡单元,建立4种机器学习分类模型。利用训练好的模型对整个研究区域进行预测,绘制各算法的受试者工作曲线(ROC曲线),对各个算法的预测结果进行对比。分析结果表明,在本目标研究区域,各模型的滑坡易发区划图与实际的滑坡分布情况总体相吻合。随机森林模型的ROC曲线下面积(AUC)最大为0.96,测试集准确率最高为0.93;BP神经网络模型的ROC曲线下面积和测试集准确率次之,为0.90和0.87;支持向量机模型和逻辑回归模型的ROC曲线下面积和测试集准确率分别为0.86、0.81和0.85、0.80,均低于随机森林和BP神经网络模型。 相似文献
5.
区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径. 相似文献
6.
在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能... 相似文献
7.
准确的滑坡易发性评价结果是山区滑坡灾害防治的关键,可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考,笔者以云南芒市为研究对象,选取高程、地层岩性、年均降雨量等9项评价因子,通过多重共线性分析,构建研究区滑坡易发性评价指标体系。分别基于支持向量机(SVM)、BP神经网络和随机森林(RF)3种典型机器学习算法进行滑坡易发性评价。利用准确性(ACC)、ROC曲线下面积(AUC)、滑坡比(Sei)及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的SeV值最高,分别为0.867、0.94、9.21;BP神经网络模型次之,其SeV值分别为0.829、0.90、9.14;SVM最低,其SeV值分别为0.794、0.88、6.85。此外,RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比,RF算法在芒市区域具有更高的准确性和可靠性,更适合用于该区域的滑坡易发性建模,且利用该模型获得的评价结果,能够为芒市区域的滑坡防治提供理论依... 相似文献
8.
强震山区地形陡峭,植被茂盛,使同震滑坡“点多面广”,难以探测,为灾害防控带来困难.滑坡易发性评估能够预测灾害空间分布.但传统评估方法存在数据源有限、数据量化标准不一等问题,难以获取准确的易发性评价结果及难以掌握复杂孕灾环境下滑坡发育特征.鉴于此,通过多源监测数据、空间分析和深度学习方法,分析同震滑坡的发育规律,探究滑坡的地震响应机制,并进行滑坡易发性区划.结果表明：地震通过影响地形地貌的应力场及岩土体结构对地震波的地震响应的作用,使同震滑坡表现不同形式的发灾效应（如锁固段效应、微地形效应和地层倾向效应等）;采用基于卷积神经网络（CNN）和深度神经网络（DNN）的深度学习模型取得了良好的易发性评价结果（AUC值分别为0.901和0.865）,CNN模型的预测性能优于DNN模型.两模型精度都较高,均能较为准确识别潜在的滑坡区域;极高和高滑坡易发性区域广泛分布于丹祖沟等13条沟道中,这些沟道在暴雨下更容易发生泥石流. 相似文献
9.
基于Mamdani FIS模型的滑坡易发性评价研究 总被引：1，自引：0，他引：1
滑坡的形成是众多非线性关系的影响因子相互作用的结果,传统滑坡预测方法需要大量实地勘查数据。利用Mamdani FIS(模糊推理系统)模型对三峡库区巴东-秭归段进行滑坡易发性预测,并对结果进行评价。通过地理信息系统(geographic information system,GIS)、遥感(remote sensing,RS)技术和区域地质背景资料获取地形类、生态环境类和地质背景类共3类7种滑坡影响因子,建立了192条相关的推理规则,在Matlab平台下基于Mamdani FIS模型得到研究区滑坡易发性预测指数,并生成滑坡易发性区划图。预测结果的受试者工作特征曲线下的面积值为82.8%,显示滑坡评估效果良好。结果证明,与其他模型相比,基于空间信息技术的Mamdani FIS模型,利用其非线性分析能力和基于专家意见的推理规则,评估滑坡易发性时不需要先验知识支撑,简化了模型使用时对数据的要求。另外,该模型只需通过专家意见改变推理规则就可以应用于不同的地质地理环境区域,显示其较强的适应性。 相似文献
10.
准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型. 相似文献
11.
近年来贵州省突发性滑坡地质灾害时有发生,除在册滑坡隐患外,还有不少斜坡存在着滑坡的孕灾环境条件,通过新一轮的地质灾害风险评价发现,选用不同的风险评价体系对地质灾害易发性的影响很大,从而影响地质灾害防治、国土空间规划和政府决策等基础数据。本次以大方县滑坡数据为例,选取与滑坡相关的7个影响因子:坡度、坡向、相对高差、工程地质岩组、距水系距离、距构造距离以及土地利用类型,采用层次分析法(AHP)、信息量模型(I)及耦合模型(AHP-I)对研究区进行滑坡易发性评价,并采用滑坡点频率统计和成功率曲线(ROC)对3种模型的评价精度进行检验。通过比较,选取精度高的耦合模型(AHP-I)作为滑坡易发性评价方法,从而能更加精确地评价大方县的滑坡易发性,为山区县级区域滑坡灾害的防灾减灾提供决策依据与参考。 相似文献
12.
13.
我国滑坡灾害分布范围广,危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来,随着大数据和人工智能技术的飞速发展,机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用,并取得了较好效果。在大量研读文献的基础上,系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述,最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。 相似文献
14.
横断山区地质灾害发育多,其中属滑坡灾害易发育,危害大,且山区乡镇多地势环境复杂,不规范活动较多,易引发滑坡。因此对该区域乡镇进行滑坡易发性评价具有重要意义。以普洱市澜沧县安康佤族乡为例,选择高程、坡度、坡向、起伏度等8个影响因素建立滑坡易发性评价指标体系,构建了小区域滑坡灾害易发性评价指标层次结构模型,利用层次分析法(AHP)确定出各个因子权重值。基于易发综合强度指数法,利用ArcGIS地理空间分析评价了研究区滑坡易发性,划分了四类区域：高易发区,面积占比14.53%;较高易发区,面积占比34.06%;中易发区,面积占比33.57%;低易发区,面积占比17.84%。为安康佤族乡防灾减灾以及滑坡灾害治理提供参考,也为小区域滑坡灾害易发性评价提供了思路方法。 相似文献
15.
滑坡易发性评价是精细化滑坡灾害风险评价的基础。为了提升滑坡易发性评价模型的精度和稳健性,以三峡库区万州区燕山乡为例,选取工程地质岩组、堆积层厚度等九个影响因子构建滑坡易发性评价指标体系,应用信息量模型定量分析滑坡发育与指标之间的关系。在此基础上,随机选取70%/30%的滑坡样本作为训练/验证数据集,应用极致梯度提升模型(extreme gradient boosting, XGBoost)开展易发性评价。随后从模型预测精度和模型稳定性两方面将其与决策树模型(decision tree, DT)和梯度提升树模型(gradient boosting decision tree, GBDT)进行对比。结果表明：研究区堆积层滑坡主要受长江水系、堆积层厚度和工程地质岩组影响。XGBoost模型具有最高的准确率(94.3%)和预测精度(97.3%)。在模型稳定性验证中,平均预测精度最高(97.3%),优于DT(91.3%)和GBDT(95.7%),模型标准差和变异系数均为0.01,低于其余两种模型。XGBoost在区域滑坡易发性评价与制图中得到了可靠的结果,为滑坡灾害空间预测提供了新的技术支撑。 相似文献
16.
《中国地质灾害与防治学报》2021,(4)
我国滑坡灾害分布范围广,危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来,随着大数据和人工智能技术的飞速发展,机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用,并取得了较好效果。在大量研读文献的基础上,系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述,最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。 相似文献
17.
根据研究区的基本情况,选择坡度、坡向、地层岩性、距断层距离、降雨、土地利用等6个评价因子,采用滑坡灾害易发性评价的GIS与AHP耦合模型进行戛洒镇滑坡灾害易发性评价,并将滑坡灾害分为极高、高、中、低和极低易发区5个区域进行了滑坡灾害易发性评价结果分析,以期为后期的小流域滑坡风险评估研究服务。 相似文献
18.
区域滑坡易发性评价是国土规划和滑坡中长期防治的重要依据。为进一步提高滑坡易发性评价的准确性,以恩施市龙凤镇为研究区,运用地理信息系统GIS技术,获取了包括工程岩组、坡度、地质构造等在内的13个初始评价因子,利用基于遗传约简算法的粗糙集理论对初始评价因子进行属性约简,去掉冗余属性后获得最小约简,即8个核评价因子:工程岩组、高程、地形曲率、道路、水系、坡度、坡向、径流强度指数,并以此作为BP神经网络的输入层,构建RS-BPNN预测模型,获得滑坡易发性指数LSI及滑坡易发性等级分区图。其中高易发区面积占总面积的12.82%,该区包含的滑坡面积占总滑坡面积的78.11%,通过ROC曲线测试,模型预测精度为90.9%。结果表明,RS-BPNN模型预测性能良好,进一步提高了滑坡易发性评价的精度和准确性,有较高的工程实用价值。 相似文献
19.
为深入探讨评价单元和非滑坡样本选取对滑坡易发性预测的影响,构建了一种基于自组织特征映射网络-随机森林模型的滑坡易发性评价模型。该模型针对栅格单元和斜坡单元在滑坡易发性评价中的不足,结合栅格单元和斜坡单元的相互关系,提出了滑坡易发性指数的优化计算方法。在此基础上,基于随机森林Tree Bagger分类器构建滑坡易发性评价模型,通过对比分析自组织特征映射网络和随机方法选取非滑坡样本对评价结果的影响,探讨自组织特征映射网络、随机森林和自组织特征映射网络-随机森林三种评价模型的有效性;将评价模型应用于大余县滑坡易发性评价。结果显示,随机森林模型和自组织特征映射网络-随机森林模型的预测精度较高,分别达到91.19%和94.94%,成功率曲线的AUC值分别为0.822和0.849,表明自组织特征映射网络-随机森林模型具有更高的预测率和成功率, 自组织特征映射网络聚类的预测精度虽然有限,但作为非滑坡样本的选择方法,能够有效提高随机森林模型的评价精度。 相似文献
20.
《地质科技情报》2020,(2)
区域滑坡易发性评价对滑坡灾害防治具有重要意义,贵州省思南县由于其特殊的自然地理和地质条件,受滑坡地质灾害的影响非常严重,因此,非常有必要对思南县的滑坡易发性进行评价。在滑坡编录的基础上,采用由RS、GIS和GPS组成的3S技术,获取了思南县的数字高程模型、坡度、坡向、剖面曲率、坡长、岩土类型、地表湿度指数、距离水系的距离、植被覆盖度和地表建筑物指数10个滑坡影响因子;再在频率比和相关性分析的基础上,利用逻辑回归模型对思南县的滑坡易发性进行了评价并绘制了易发性分布图。结果表明:利用逻辑回归模型预测思南县滑坡易发性的准确率(AUC值)达到0.797,较为准确地预测出了思南县滑坡分布规律;极高和高滑坡易发区主要分布在高程低于600 m、地表坡度较大且以软质岩类为主的区域;而极低和低滑坡易发区主要分布在高程较高、地表坡度较小且以硬质岩类为主的区域。 相似文献