排序方式： 共有7条查询结果，搜索用时 62 毫秒
1
1.
四川省青川县滑坡灾害群发,点多面广,区域滑坡灾害预警是有效防灾减灾的重要手段,预警模型是成功预警的核心。由于研究区滑坡诱发机理复杂、调查监测大数据及分析方法不足等原因,传统区域地质灾害预警模型存在预警精度有限、精细化不足等问题。文章在青川县地质灾害调查监测和降水监测成果集成整理与数据清洗基础上,构建了青川县区域滑坡灾害训练样本集,样本集包括地质环境、降雨等27个输入特征属性和1个输出特征属性,涵盖了青川县近9年（2010—2018年）全部样本,数量达1 826个（其中,正样本613个,负样本1 213个）。基于逻辑回归算法,对样本集进行5折交叉验证学习训练,采用贝叶斯优化算法进行模型优化,采用精确度、ROC曲线和AUC值等指标校验模型准确度和模型泛化能力。其中,ROC曲线也称为“受试者工作特征”曲线;AUC值表示ROC曲线下的面积。校验结果显示,基于逻辑回归算法的模型训练结果准确率和泛化能力均较好（准确率94.3%,AUC为0.980）。开展区域滑坡实际预警时,按训练样本特征属性格式,输入研究区各预警单元27个特征属性,调用预先学习训练好的模型,输出滑坡灾害发生概率,根据输出概率分段确定滑坡灾害预警等级。当输出概率P≥40%且P<60%时,发布黄色预警;当输出概率P≥60%且P<80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。 相似文献
2.
甘肃省舟曲8.7特大泥石流调查研究 总被引：21，自引：0，他引：21
本文通过对甘肃省舟曲县城后山三眼峪沟和罗家峪沟特大泥石流灾害的现场调查,从泥石流形成的地形、地质和降雨条件入手,分析了特大泥石流灾害的特征与成因:三眼峪沟和罗家峪沟泥石流形成区在2010年8月7日23～24时的1h降雨量达77.3mm,暴雨形成强大洪水依次冲毁两条沟内的天然堆石坝和人工拦挡坝,形成规模巨大的高容重黏性泥石流,泥石流冲出总量和泥沙总量分别为 144.2104m3和97.7104m3; 泥石流携带具有强大冲击力的巨石冲毁房屋5500余间; 在白龙江内形成长约550m,宽约70m,高约10m的堰塞坝并形成堰塞湖,堰塞湖回水长3km,使县城一半被淹; 泥石流造成1744人死亡和失踪。分析研究表明,三眼峪沟和罗家峪沟泥石流如果在近期遭遇强降雨还会暴发泥石流,但规模比87特大泥石流小;如果强降雨发生在数年后,暴发的泥石流规模比87特大泥石流略小;在20a或更长的时期内,没有发生新的地震影响下,在三眼峪沟和罗家峪沟经历一次大规模泥石流暴发后,泥石流的规模将回到汶川地震前的水平。 相似文献
3.
中国地质灾害严重,地质灾害承灾载体的脆弱性直接决定着灾害造成损失的严重程度,开展脆弱性定量评价方法研究具有重要意义。（1）本文构建了地质灾害承灾载体脆弱性评价指标体系,包括4个一级指标和19个二级指标。一级指标包括生命类、物质类、生态环境类和社会经济类指标。（2）以青川县为例,分别采用TOPSIS模型和加权求和模型,分别以乡镇单元和行政村单元为最小单元,开展了地质灾害承灾载体脆弱性评价,将青川县承灾载体脆弱性分为高、较高、中等、较低和低5个脆弱性等级。（3）两种模型评价结果对比显示,总体一致性较好,73%的区域脆弱性结果完全一致,27%的区域存在一个等级的差别;高、低脆弱性等级区两种模型结果一致,吻合度100%;较高和中等脆弱性等级区两种模型结果吻合度分别为86%和73%;较低脆弱性区两种模型结果吻合度略差,为54%。（4）两种单元评价结果对比显示,在总体规律上保持了较好的一致性。半数以上的乡镇单元与行政村单元脆弱性等级完全相同或总体一致;以行政村为评价单元的评价结果明显更加精细,原因在于不同行政村的各类指标值具有明显的差异性,而乡镇单元消除了各个行政村之间的差异。 相似文献
4.
在我国东南沿海山地丘陵区,台风暴雨常诱发大量山体滑坡、崩塌和泥石流地质灾害,造成财产严重损失和人员伤亡。以2015年登陆的"苏罗迪"台风为例,在系统分析"苏罗迪"台风诱发地质灾害时空分布和预警效果的基础上,得出了如下结论:(1)"苏罗迪"台风诱发的600余处崩滑流灾害,主要集中分布在浙江、福建等东南沿海地区,灾害规模以小型为主,滑坡、崩塌、泥石流数量比例约为6∶2∶1,具有空间集中群发性;台风降雨诱发地质灾害具有"即雨即滑"的特点,当日降雨当日崩滑,具有强降雨当日即发性;小时降雨空间分布不均匀,地质灾害发生时间往往比平均小时大雨强滞后,滞后时间约1~2h,具有大雨强小时滞后性。因此,台风降雨诱发地质灾害具有空间集中群发性、强降雨当日即发性、大雨强小时滞后性三大特征。(2)提出了基于"命中率、漏报率和空报率"三指标的地质灾害预警校验方法,建立完善了各指标的测算方法和计算公式。"苏罗迪"台风地质灾害预警校验结果显示,本次过程中地质灾害气象预警效果总体较好,保证了较高的命中率,较低的漏报率,但预警区空报率偏高。除地质灾害气象预警本身的技术难度外,降雨预报准确率偏低特别是极端降雨预报不足的现状也是造成地质灾害空报率偏高的原因之一。 相似文献
5.
雅鲁藏布江米林段紧邻印度板块与欧亚板块碰撞带,地势复杂,构造运动强烈,地震活动频繁,因此泥石流分布广泛。本文经过遥感与野外实际调查,以研究区的34条泥石流沟为样本进行分析,利用GIS与RS软件对研究区内的泥石流流域高差、物源量等基本参数进行数据采集与分析,确定相关因子后,利用Mat lab软件进行泥石流最大冲出长度、最大冲出宽度与其相关因子的回归分析,发现泥石流最大冲出长度、最大冲出宽度与流域高差、物源量之间具有明显的指数相关的关系,从而建立泥石流危险范围的预测模型。该模型在吸纳前人模型的基础上,采用较少的因子就能够判别研究区泥石流的危险性范围,缩短了判断泥石流危险性范围的时间,更加有利于快速防灾避险。 相似文献
6.
降雨是诱发地质灾害的重要因素之一,中国大陆于2003年启动的区域地质灾害气象预警取得了较好成效,目前区域地质灾害气象预警业务逐步从地质灾害发生的"危险性"预警向"风险性"预警转变,开展区域地质灾害气象风险预警模型研究具有重要意义。本文总结提出了区域地质灾害气象风险预警概化模型及其计算方法,以四川省青川县为例,构建了青川县区域地质灾害气象风险预警模型,并以典型实例进行了预警效果校验。（1）区域地质灾害风险预警指数（R）可以概化为地质灾害潜势度（Q）、降雨诱发因子（T）和地质灾害承灾体脆弱性指标（V）三者的乘积,并分别给出了三者的计算公式。（2）构建了青川县区域地质灾害气象风险预警模型,给出了根据预警指数值划分区域地质灾害气象风险预警等级的依据,提出当Q、T、V中两项达到高等级（0.8）,一项达到较高等级（0.6）时,为红色预警;当Q、T、V中两项达到较高等级（0.6）,一项达到中等级（0.3）时,为橙色预警;当Q、T、V中一项达到较高等级（0.6）,两项达到中等级（0.3）时,为黄色预警。（3）以2018年6月26日为典型实例,模拟了四川青川县区域地质灾害气象风险预警实况并进行校验,结果显示94.1%的灾害点位于预警区范围内 相似文献
7.
基于机器学习的区域滑坡灾害预警模型研究 总被引：1，自引：0，他引：1
中国滑坡灾害严重,区域滑坡灾害预警是防灾减灾的重要手段之一,预警模型是开展区域滑坡灾害预警的关键问题。本文系统开展了基于机器学习的区域滑坡灾害预警模型研究,并以四川省青川县为例,基于近10年地质与气象数据,构建了青川县区域滑坡灾害预警模型并开展实例校验。研究得出如下结论:(1)提出了基于机器学习的区域滑坡灾害预警模型的构建方法,主要包括训练样本集构建、样本学习训练与优化建模、模型保存与预警输出等几个关键步骤。(2)提出了区域滑坡训练样本集的构建方法,即以正样本为基础,在时空约束条件下随机采样获取负样本,最终获得完整的训练样本集。(3)样本学习训练中,以训练样本集的80%作为训练集,20%作为测试集,进行5折交叉验证,采用精确度、ROC曲线和AUC值校验模型准确度和模型泛化能力。采用贝叶斯优化算法进行模型优化。(4)实际预警中,调用训练好的预警模型输出滑坡灾害可能发生的概率。依据概率大小,分级确定预警等级。分级依据为:当输出概率P≥40%且P＜60%时,发布黄色预警;当输出概率P≥60%且P＜80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。(5)以青川县为例,构建了青川县区域滑坡训练样本集,采用6种机器学习算法进行模型训练,结果显示随机森林算法表现最好,其准确率最高(0.963),模型无过拟合现象,模型泛化能力最好(AUC=0.986);其次为逻辑回归算法;再次为人工神经网络算法和决策树算法。选取2018年6月26日的青川县日常预警业务进行实例校验。结果显示:当日17处滑坡灾害点中,100%的灾害点全部落入预警区范围内,其中:70.6%的滑坡落在红色预警区内,17.6%的滑坡落在橙色预警区内,11.8%的滑坡落在黄色预警区内。 相似文献
1