共查询到18条相似文献，搜索用时 125 毫秒
1.
金沙江上游巴塘—德格河段地处青藏高原东部,该区地质、地形、地貌极其复杂,滑坡灾害最为发育,开展区域滑坡易发性评价对防灾减灾工作有着重要的意义。本文以金沙江上游巴塘—德格河段为研究区,在滑坡编录与野外实际调查的基础上,通过对滑坡分布规律和影响因素分析,选取高程、坡度、坡向、曲率、地形起伏度、地表切割度、地表粗糙度、地层岩性、断层、水系和道路等11个影响因子,构建了滑坡易发性评价指标体系。利用皮尔森系数去除高相关性影响因子,运用频率比方法定量分析各个因子与滑坡发育的关系。通过频率比模型选取非滑坡样本,采用集成学习算法模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区、高易发区、中易发区、低易发区及极低易发区5个等级。由滑坡易发性分区图和ROC曲线表明,高和极高易发区主要沿金沙江沿岸和沟谷分布,随机森林模型的成功率曲线下面积AUC=0.84,历史滑坡灾害位于高-极高易发区的灾害数占总滑坡数的84.8%,梯度提升树模型的成功率曲线下面积AUC=0.79,历史滑坡灾害位于高-极高易发区灾害数占总滑坡数的79.3%。由AUC值和历史灾害的分布可知,随机森林模型比梯度提升树模型在本研究区滑坡易发性评价中有着更好的评价精度和更高的预测能力。 相似文献
2.
3.
滑坡易发性评价是滑坡灾害管理的基础工作,也是制定各项防灾减灾措施的重要依据。针对传统的信息量模型在评价过程中确定权重值存在准确性不高的缺点,文章提出RBF神经网络和信息量耦合模型。以甘肃省岷县为研究区,筛选坡度等9个指标因子构建了滑坡灾害易发性评价指标体系,应用RBF神经网络-信息量耦合模型（RBFNN-I）进行滑坡灾害易发性评价,利用合理性检验和ROC曲线对模型的评价结果进行精度检验。结果表明:（1）RBFNN-I模型的AUC值为0.853,相比单一的RBFNN和I模型分别提高了6.3%和9.7%,说明RBFNN-I模型具有更好的评价精度;（2）岷县滑坡灾害的极高易发区和高易发区主要分布在临潭—宕昌断裂带、洮河及其支流、闾井河和蒲麻河两侧河谷地带,距断层距离、降雨量、距道路距离和NDVI是影响岷县滑坡灾害分布的主控因子。 相似文献
4.
基于GIS和信息量模型的京张高铁滑坡易发性评价 总被引：5，自引：3，他引：2
新建京张铁路不仅是2022年北京冬奥会的配套交通保障设施,同时也是京包兰交通廊道的重要组成部分。在京张高铁沿线滑坡灾害调查的基础上,对影响滑坡灾害发育的相关因子进行统计分析,选取斜坡坡高、坡度、坡向、归一化植被指数、工程地质岩组、活动断裂、河流、年平均降雨量、地震和人类工程活动等10个要素作为评价模型计算的基本变量和数值化参数,采用基于GIS的信息量模型法对在建京张高铁沿线及邻区进行了滑坡灾害易发性评价,并将评价结果划分为5个等级:极低易发区、低易发区、中易发区、高易发区和极高易发区。结合野外调查成果,对评价结果的可信度进行了检验分析,评价结果与实际灾害发生情况基本吻合,研究结果可为京张高铁建设、减灾防灾提供基础依据。 相似文献
5.
滑坡灾害易发性研究对地质灾害风险管理及减灾防灾有着重要的现实意义。目前,多模型耦合的评价方法在国内外应用较为广泛,但将证据权与其他方法相结合用于滑坡易发性评价的研究却较少。鉴于此,本文以浙江省永嘉县为例进行滑坡易发性评价,选取高程等9个因素作为滑坡易发性的评价因子。利用证据权模型计算得到的证据权对比度与分级栅格比、滑坡栅格比进行比较,实现各评价因子状态分级处理;再运用Logistic回归模型算得各评价因子的权重。综合两种模型确定的状态分级权重和评价因子权重,基于GIS的栅格运算功能得到各评价单元的滑坡发生概率,实现研究区滑坡易发性分级区划。研究结果表明,证据权与Logistic回归耦合模型的评价结果的合理性与精确度均优于两种单一模型;且极高易发区和高易发区主要分布在水系延展区、断层密集区、岩组软弱区。研究结果对滑坡灾害风险管理及城市防灾规划具有一定的参考价值。 相似文献
6.
基于深度学习的CZ铁路康定—理塘段滑坡易发性评价 总被引：1，自引：0，他引：1
CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network,CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network,ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害发育的分布现状,能够为该区的CZ铁路建设和未来安全运行过程中的防灾减灾工作提供科学的依据。 相似文献
7.
鲜水河断裂带是发育于青藏高原东缘的一条大型左旋走滑断裂带,该区新构造活动强烈且历史强震频发,一系列大型-巨型滑坡沿断裂带密集分布。在资料收集的基础上,对鲜水河断裂带两侧10 km区域内进行遥感解译和野外地质调查,建立数据库并对滑坡主要影响因素进行分析。在滑坡区域发育分布规律分析的基础上,选取地形坡度、地形坡向、地面高程、平面曲率、地形湿度指数、活动断裂、工程地质岩组、年降雨量、河流、道路、植被覆盖指数等11个因素作为滑坡易发性评价因子,在ArcGIS软件平台上,采用证据权模型开展了滑坡易发性评价。根据成功率曲线对评价结果的检验,滑坡易发性评价结果具有较好的精度,并将研究区的滑坡易发程度划分为极高易发、高易发、中等易发、低易发和不易发5个级别。滑坡的易发性受鲜水河断裂带影响显著,极高易发区和高易发区主要分布在东谷到道孚县沿鲜水河断裂带两侧,以及康定县城和磨西镇附近;中等易发区主要分布在鲜水河支流两岸及省道沿线;滑坡低易发区和不易发区主要分布在人类工程活动少的高山地带以及地形相对平缓的区域。滑坡易发性评价结果很好地反映了鲜水河断裂带区域内滑坡发育分布现状,为该区重大工程规划建设和防灾减灾提供参考依据。 相似文献
8.
川藏交通廊道位于青藏高原中东部,是世界上隆升和地貌演化最快的区域之一。在内外动力耦合作用下,区内滑坡灾害极其发育,严重制约着公路、铁路和水电工程的规划建设。在区域地质资料收集和整理的基础上,选取岩性、坡度、坡向、坡形、地形起伏度、地形粗糙度、断裂密度和河流距离8个因素为评价因子,结合传统信息量和逻辑回归模型的优势,采用逻辑回归–信息量模型对研究区滑坡进行易发性评价。通过对评价因子的多重共线性和显著性检验,得到评价因子不存在多重共线性且均对滑坡发生具有显著影响。采用ROC曲线对评价结果进行检验,其AUC值为0.81,表明评价模型能很好地预测滑坡的发生。易发性评价结果表明:研究区高易发区主要集中龙门山断裂带、金沙江断裂带、澜沧江断裂带、怒江断裂带、边坝–洛隆断裂带等大型活动断裂带控制区,以及区内坡度陡峭、地形起伏度大的大型河流深切河谷的两岸;中易发区在区内分布广泛,主要分布在岸坡较陡、地形起伏度中等的大型河流支流的两岸。研究结果有利于加深对川藏交通廊道滑坡发育分布的认识,也可为研究区的工程规划建设和防灾减灾提供科学依据。 相似文献
9.
定量分析滑坡发生的敏感性,能为易发性区划、危险性评价、风险性评估等提供定量依据,对研究滑坡的成灾背景、发育规律具有重要意义。文章基于ArcGIS技术应用“累计和分形理论”对滑坡的敏感性进行了分析,得到各致灾因子的累计和分维值及滑坡发生对各致灾因子的敏感性;基于滑坡对致灾因子的敏感性绘制南江县易发性区划图,将南江县滑坡易发性等级分为极高易发区、高易发区、中易发区、较低易发区、极低易发区五个等级。 相似文献
10.
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
11.
川藏交通廊道典型高位滑坡地质力学模式 总被引：7，自引：0，他引：7
川藏交通廊道穿越青藏高原东缘高山峡谷区,大型—巨型高位滑坡多发频发,是铁路、高速公路等交通设施规划建设必须考虑的重要因素。在区域成灾地质背景分析和现场调查的基础上,以地貌特征、斜坡岩体结构、促发条件等为基本要素,总结归纳了川藏交通廊道典型高位滑坡的6类地质力学模式,包括:堆积体滑移型、顺层滑移拉裂型、卸荷剪断型、岩溶贯通拉裂型、崩滑溃散型和构造控制型等。结合典型高位滑坡案例,重点剖析了各类滑坡启动的简化力学机制,并给出了相应的成因解析。综合考虑不同类型高位滑坡的控制因素和易发性分区结果,初步圈定了川藏铁路雅安—林芝段高位滑坡易发靶区,对高位滑坡隐患早期识别、重大工程选址选线和防灾减灾具有重要的指导作用。 相似文献
12.
地表土壤湿度影响着陆-气能量交换和水循环,是泥石流、冻土冻融等灾害的重要因子,获取川藏交通廊道沿线地区土壤湿度有助于研究铁路沿线气候变化和冰冻圈灾害风险.基于CYGNSS(cyclone global navigation satellite system)星载GNSS-R(global navigation satellite system reflectometry)信号,结合土地覆盖分类、归一化差分植被指数NDVI(normalized differential vegetation index)和粗糙度等地表土壤湿度影响因子,利用人工神经网络方法建立了地表土壤湿度多参数反演模型,生成了2018—2019年连续两年的川藏交通廊道沿线地区36 km空间分辨率的地表土壤湿度日产品.经土壤水分主被动探测卫星数据检验,生成的地表土壤湿度相关系数R为0.8,均方根误差RMSE(root mean square error)为0.032 cm3/cm3,偏差Bias为0.014 cm3/cm3,可为川藏交通廊道沿线气候变化和地表灾害研究提供高连续性和可靠性的数据. 相似文献
13.
中尼交通廊道作为中国近年来建设的重点区域,地质灾害频发,尤其是滑坡灾害层出不穷。文章基于对G216国道沿线地质灾害的实地调查以及遥感解译结果,以最大熵模型为方法,利用169个灾害点数据和8个评价因子图层预测了研究区滑坡灾害的易发性分布。根据占比划分五级风险区。结果表明,滑坡易发概率以G216为中心向外辐射逐渐降低。同时采用刀切法检验评价因子对预测结果的贡献度,确定了滑坡主导因素及其阈值。最后通过ROC曲线验证了模型的可靠性。为中尼边境公路区域建设提供一种地质灾害预测分析模型,也为青藏地区公路边坡防灾减灾提供有效支撑。 相似文献
14.
滑坡危险性评价与预测是滑坡灾害防治中的首要任务,科学合理地评价滑坡危险性十分重要。以岩桑树水电站库区发育的潜在滑坡为例,据其特有的地质环境条件,选取坡体风化程度、斜坡坡度等9个影响因素作为滑坡危险性评价的指标,并建立分级标准将滑坡危险性分为轻度危险、中度危险、重度危险和极度危险4个等级。将突变理论运用到滑坡危险性评价中,从而建立了新的稳定性评判模型。基于突变级数法的滑坡危险性评价方法,综合考虑了各评价指标间的相关性,真实地描绘了滑坡系统的内在机制。实例分析结果表明,该方法评判结果准确率高,可为滑坡的防治提供依据。 相似文献
15.
Statistical models are one of the most preferred methods among many landslide susceptibility assessment methods. As landslide
occurrences and influencing factors have spatial variations, global models like neural network or logistic regression (LR)
ignore spatial dependence or autocorrelation characteristics of data between the observations in susceptibility assessment.
However, to assess the probability of landslide within a specified period of time and within a given area, it is important
to understand the spatial correlation between landslide occurrences and influencing factors. By including these relations,
the predictive ability of the developed model increases. In this respect, spatial regression (SR) and geographically weighted
regression (GWR) techniques, which consider spatial variability in the parameters, are proposed in this study for landslide
hazard assessment to provide better realistic representations of landslide susceptibility. The proposed model was implemented
to a case study area from More and Romsdal region of Norway. Topographic (morphometric) parameters (slope angle, slope aspect,
curvature, plan, and profile curvatures), geological parameters (geological formations, tectonic uplift, and lineaments),
land cover parameter (vegetation coverage), and triggering factor (precipitation) were considered as landslide influencing
factors. These influencing factors together with past rock avalanche inventory in the study region were considered to obtain
landslide susceptibility maps by using SR and LR models. The comparisons of susceptibility maps obtained from SR and LR show
that SR models have higher predictive performance. In addition, the performances of SR and LR models at the local scale were
investigated by finding the differences between GWR and SR and GWR and LR maps. These maps which can be named as comparison
maps help to understand how the models estimate the coefficients at local scale. In this way, the regions where SR and LR
models over or under estimate the landslide hazard potential were identified. 相似文献
16.
基于滑坡分类的西宁市滑坡易发性评价 总被引：1，自引：0，他引：1
以往的滑坡易发性评价多以全体滑坡为研究对象，忽视了滑坡类型的区别。各评价指标对不同类型滑坡的影响程度不同，也导致指标权重无法精确地反映其对滑坡的影响。为更准确地对滑坡灾害进行空间预测，针对西宁市滑坡特征及发育机理，将全区滑坡分为土质滑坡和岩质滑坡；在野外实际调查的基础上，结合相关性分析，选取坡度、坡向、剖面曲率、平面曲率、工程地质岩组，以及滑坡点距断层、水系、道路的距离远近等8项因素作为滑坡易发性评价指标，并通过滑坡点分布密度和滑坡点相对分布密度，分析各评价指标分别对土质滑坡和岩质滑坡的影响；利用信息量模型，计算各评价指标对两类滑坡的信息量值，利用人工神经网络模型，赋予各评价指标对两类滑坡的权重；最后基于GIS平台利用加权信息量模型对研究区进行易发性评价。通过统计方法和ROC曲线法分别计算滑坡易发性评价成功率，结果表明:评价成功率可达到82.61%和82.30%，与未经滑坡分类的成功率比较，分别提高了10.9%和5.2%；同时，经过滑坡分类后，湟水河两岸地质条件较差的地区转变为滑坡高易发区。 相似文献
17.
滑坡灾害易发性评价研究对规划灾害区域、制定防灾策略等方面具有十分重要的意义。以滑坡灾害频发的汶川及周边两县（理县和茂县）为例,提出滑坡灾害易发性评价的快速聚类-信息量模型。选取坡度、高程、坡向、距构造的距离、距水系的距离、地层岩性和土地利用情况为对滑坡有重要影响的7个影响因子,并在二级因子的分类上,对上述前5个影响因子依据159处滑坡样本分别开展快速聚类分析,同时也给出了传统的等距分类法,以便与快速聚类方法形成对比,对后2个影响因子则以定性方法分类。根据上述二级分类方法的不同,以及滑坡样本是否考虑面积因素,将信息量模型细分为四类（模型a:快速聚类-数量模型、模型b:等距分类-数量模型、模型c:快速聚类-面积模型、模型d:等距分类-面积模型）,分别计算各二级指标信息量,并通过ArcGIS空间叠加分析得到研究区域信息量分布,然后通过自然断点法将研究区滑坡易发性划分为五个等级。以易发性递增原则和线下面积（Area Under Curve,AUC）作为精度评价指标,结果表明:①快速聚类模型（模型a和模型c）整体效果优于等距分类模型（模型b和模型d）;②相同分类方法下,面积模型（模型c与模型d）整体优于数量模型（模型a和模型b）;③在上述两项优势的加持下,模型c相较于模型b,评价精度明显提升,其AUC值从80.46%提高到87.25%。 相似文献
18.
《地学前缘(英文版)》2021,12(5)
Landslide is considered as one of the most severe threats to human life and property in the hilly areas of the world. The number of landslides and the level of damage across the globe has been increasing over time. Therefore, landslide management is essential to maintain the natural and socio-economic dynamics of the hilly region. Rorachu river basin is one of the most landslide-prone areas of the Sikkim selected for the present study. The prime goal of the study is to prepare landslide susceptibility maps(LSMs) using computer-based advanced machine learning techniques and compare the performance of the models.To properly understand the existing spatial relation with the landslide, twenty factors, including triggering and causative factors, were selected. A deep learning algorithm viz. convolutional neural network model(CNN) and three popular machine learning techniques, i.e., random forest model(RF), artificial neural network model(ANN), and bagging model, were employed to prepare the LSMs. Two separate datasets including training and validation were designed by randomly taken landslide and nonlandslide points. A ratio of 70:30 was considered for the selection of both training and validation points.Multicollinearity was assessed by tolerance and variance inflation factor, and the role of individual conditioning factors was estimated using information gain ratio. The result reveals that there is no severe multicollinearity among the landslide conditioning factors, and the triggering factor rainfall appeared as the leading cause of the landslide. Based on the final prediction values of each model, LSM was constructed and successfully portioned into five distinct classes, like very low, low, moderate, high, and very high susceptibility. The susceptibility class-wise distribution of landslides shows that more than 90% of the landslide area falls under higher landslide susceptibility grades. The precision of models was examined using the area under the curve(AUC) of the receiver operating characteristics(ROC) curve and statistical methods like root mean square error(RMSE) and mean absolute error(MAE). In both datasets(training and validation), the CNN model achieved the maximum AUC value of 0.903 and 0.939, respectively. The lowest value of RMSE and MAE also reveals the better performance of the CNN model. So, it can be concluded that all the models have performed well, but the CNN model has outperformed the other models in terms of precision. 相似文献