滑坡易发性预测不确定性：环境因子不同属性区间划分和不同数据驱动模型的影响
发布时间：2021-02-26 09:41
对于滑坡易发性预测建模,连续型环境因子在频率比分析时的属性区间划分数量（attribute interval numbers,AIN）和不同易发性预测模型是两个重要不确定性因素.为研究这两个因素对建模的影响规律,以江西省上犹县为例,考虑5种连续型环境因子AIN划分（4、8、12、16及20）和5种数据驱动模型（层次分析法（analytic hierarchy process,AHP）、逻辑回归（logistic regression,LR）、BP神经网络（back-propagation neural network,BPNN）、支持向量机（support vector machine,SVM）和随机森林（random forest,RF））,总计25种不同工况下的滑坡易发性预测研究.再开展滑坡易发性指数的不确定性（包括精度评价和统计规律等）分析.结果表明:（1）对于同一模型,随着AIN值从4增加至8再到20时,易发性预测精度先逐渐提升,然后缓慢提升直至稳定;（2）对于同一AIN值,RF模型预测精度最高,其后依次为SVM、BPNN、LR和AHP模型;（3）在25种组合工况下,AIN=2...
【文章来源】：地球科学. 2020,45(12)北大核心
【文章页数】：15 页
【部分图文】：
上犹县地理位置图(a)和滑坡编录图(b)
图1 上犹县地理位置图(a)和滑坡编录图(b)本文基于遥感影像和GIS平台，根据江西省滑坡易发性预测的相关研究文献、滑坡与其环境因子之间的关联性以及环境因子获取的难易程度来确定本文的滑坡环境因子（Chen et al.,2018；林松等，2019;Chang et al.,2020）.从数据源中总计选取了12个环境因子：（1）地形地貌因子，包括高程、坡度、坡向、剖面曲率、平面曲率、地形起伏度；（2）地层岩性（刘鹏等，2019);(3）水文环境因子，包括地形湿度指数（topographic wetness index,TWI）和修正的归一化差异水体指数（modified normalized difference water index,MNDWI);(4）地表覆被因子，包括归一化植被指数（normalized difference vegetation index,NDVI）、归一化建筑物指数（normalized difference built-up index,NDBI）、地表总辐射（罗渝等，2014;Huang et al.,2020).
本文首先分别将25种不同组合工况下预测出的滑坡易发性指数导入Arc GIS 10.3软件中，然后根据易发性指数分布规律和自然间断点法进行级别划分：极高、高、中、低和极低易发区（黄发明等，2018）.在25种组合工况中，AIN值为8和其他各类模型组合工况下的易发性预测结果如图3所示；AIN值为4、8、12、16、20和BPNN模型组合工况下的易发性预测结果如图4所示，其余组合工况下的易发性预测结果没有展示.从图3可看出上犹县大部分地区处于低和极低滑坡易发区，但AHP和LR模型的高和极高易发区比例高于低和极低易发区.AHP和LR模型计算出的权重可知高程和坡度是最重要的两个环境因子，且大部分滑坡位于山地丘陵等坡度和高程中等的地区，这与野外调查结果相符.图4中可见随着AIN值增大，不同滑坡易发性级别的分布规律更加显著，且低和极低易发区面积也更大.图4 各种AIN值以及BPNN模型预测滑坡易发性
【参考文献】：
期刊论文
[1]随机森林与GIS的泥石流易发性及可靠性[J]. 张书豪,吴光. 地球科学. 2019(09)
[2]三峡库区典型滑坡地球物理实测及其意义:以万州区四方碑滑坡为例[J]. 林松,王薇,邓小虎,查雁鸿,周红伟,程邈. 地球科学. 2019(09)
[3]海量监测数据下分布式BP神经网络区域滑坡空间预测方法[J]. 赵久彬,刘元雪,刘娜,胡明. 岩土力学. 2019(07)
[4]基于滑坡分类和加权频率比模型的滑坡易发性评价[J]. 郭子正,殷坤龙,黄发明,付圣,张文. 岩石力学与工程学报. 2019(02)
[5]基于灰色关联度模型的区域滑坡敏感性评价[J]. 黄发明,汪洋,董志良,吴礼舟,郭子正,张泰丽. 地球科学. 2019(02)
[6]基于正交设计的麻柳林滑坡稳定性敏感分析[J]. 刘毅,赵斌滨,殷坤龙,陈丽霞,桂蕾,梁鑫. 地球科学. 2019(02)
[7]基于GIS与WOE-BP模型的滑坡易发性评价[J]. 郭子正,殷坤龙,付圣,黄发明,桂蕾,夏辉. 地球科学. 2019(12)
[8]台风暴雨条件下滑坡地下水渗流特征及成因机制[J]. 张泰丽,周爱国,孙强,伍剑波,王赫生,刘政华. 地球科学. 2017(12)
[9]基于聚类分析和支持向量机的滑坡易发性评价[J]. 黄发明,殷坤龙,蒋水华,黄劲松,曹中山. 岩石力学与工程学报. 2018(01)
[10]浙西梅雨滑坡易发性评价模型对比[J]. 冯杭建,周爱国,俞剑君,唐小明,郑嘉丽,陈秀秀,游省易. 地球科学. 2016(03)
本文编号：3052407
【文章来源】：地球科学. 2020,45(12)北大核心
【文章页数】：15 页
【部分图文】：
上犹县地理位置图(a)和滑坡编录图(b)
图1 上犹县地理位置图(a)和滑坡编录图(b)本文基于遥感影像和GIS平台，根据江西省滑坡易发性预测的相关研究文献、滑坡与其环境因子之间的关联性以及环境因子获取的难易程度来确定本文的滑坡环境因子（Chen et al.,2018；林松等，2019;Chang et al.,2020）.从数据源中总计选取了12个环境因子：（1）地形地貌因子，包括高程、坡度、坡向、剖面曲率、平面曲率、地形起伏度；（2）地层岩性（刘鹏等，2019);(3）水文环境因子，包括地形湿度指数（topographic wetness index,TWI）和修正的归一化差异水体指数（modified normalized difference water index,MNDWI);(4）地表覆被因子，包括归一化植被指数（normalized difference vegetation index,NDVI）、归一化建筑物指数（normalized difference built-up index,NDBI）、地表总辐射（罗渝等，2014;Huang et al.,2020).
本文首先分别将25种不同组合工况下预测出的滑坡易发性指数导入Arc GIS 10.3软件中，然后根据易发性指数分布规律和自然间断点法进行级别划分：极高、高、中、低和极低易发区（黄发明等，2018）.在25种组合工况中，AIN值为8和其他各类模型组合工况下的易发性预测结果如图3所示；AIN值为4、8、12、16、20和BPNN模型组合工况下的易发性预测结果如图4所示，其余组合工况下的易发性预测结果没有展示.从图3可看出上犹县大部分地区处于低和极低滑坡易发区，但AHP和LR模型的高和极高易发区比例高于低和极低易发区.AHP和LR模型计算出的权重可知高程和坡度是最重要的两个环境因子，且大部分滑坡位于山地丘陵等坡度和高程中等的地区，这与野外调查结果相符.图4中可见随着AIN值增大，不同滑坡易发性级别的分布规律更加显著，且低和极低易发区面积也更大.图4 各种AIN值以及BPNN模型预测滑坡易发性
【参考文献】：
期刊论文
[1]随机森林与GIS的泥石流易发性及可靠性[J]. 张书豪,吴光. 地球科学. 2019(09)
[2]三峡库区典型滑坡地球物理实测及其意义:以万州区四方碑滑坡为例[J]. 林松,王薇,邓小虎,查雁鸿,周红伟,程邈. 地球科学. 2019(09)
[3]海量监测数据下分布式BP神经网络区域滑坡空间预测方法[J]. 赵久彬,刘元雪,刘娜,胡明. 岩土力学. 2019(07)
[4]基于滑坡分类和加权频率比模型的滑坡易发性评价[J]. 郭子正,殷坤龙,黄发明,付圣,张文. 岩石力学与工程学报. 2019(02)
[5]基于灰色关联度模型的区域滑坡敏感性评价[J]. 黄发明,汪洋,董志良,吴礼舟,郭子正,张泰丽. 地球科学. 2019(02)
[6]基于正交设计的麻柳林滑坡稳定性敏感分析[J]. 刘毅,赵斌滨,殷坤龙,陈丽霞,桂蕾,梁鑫. 地球科学. 2019(02)
[7]基于GIS与WOE-BP模型的滑坡易发性评价[J]. 郭子正,殷坤龙,付圣,黄发明,桂蕾,夏辉. 地球科学. 2019(12)
[8]台风暴雨条件下滑坡地下水渗流特征及成因机制[J]. 张泰丽,周爱国,孙强,伍剑波,王赫生,刘政华. 地球科学. 2017(12)
[9]基于聚类分析和支持向量机的滑坡易发性评价[J]. 黄发明,殷坤龙,蒋水华,黄劲松,曹中山. 岩石力学与工程学报. 2018(01)
[10]浙西梅雨滑坡易发性评价模型对比[J]. 冯杭建,周爱国,俞剑君,唐小明,郑嘉丽,陈秀秀,游省易. 地球科学. 2016(03)
本文编号：3052407
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3052407.html
