随着海洋工程建设的快速推进和极端天气事件频发,海岸带滑坡的风险显著增加。然而,现有关于滑坡易发性区划的研究多集中于内陆山地滑坡,对海岸带滑坡灾害的易发性评价尚缺乏系统研究。以福建省海岸带为研究区,通过收集海岸带滑坡历史数...随着海洋工程建设的快速推进和极端天气事件频发,海岸带滑坡的风险显著增加。然而,现有关于滑坡易发性区划的研究多集中于内陆山地滑坡,对海岸带滑坡灾害的易发性评价尚缺乏系统研究。以福建省海岸带为研究区,通过收集海岸带滑坡历史数据,利用信息增益比法和皮尔森相关系数法构建适用于海岸带滑坡的易发性评价指标体系。以粒子群优化支持向量机(PSO-SVM)和随机森林(RF)为基学习器,构建Stacking异质集成学习模型,开展福建省海岸带滑坡的易发性评价和区划研究,探讨不同训练集与测试集划分比例对异质集成模型预测精度的影响。结果表明:Stacking异质集成学习模型在训练-测试集比例为70∶30时表现最佳,其准确度、精确度、召回率、F1分数值分别为0.869,0.842,0.909,0.874,其中准确度、精确度与F1分数较其他模型提升了最高0.198,0.227和0.140,其受试者工作特征(ROC)曲线下方面积(area under the curve,简称AUC)值为0.938,较其他模型提高了0.019~0.216;表明Stacking异质集成模型在海岸带滑坡易发性评价中具有较强的适用性和优越性。展开更多
滑坡预警预报是滑坡研究的热点和难点。速度倒数模型的简捷性和有效性使之成为广泛使用的临滑预报模型。滑坡变形加速开始点(Onset of Acceleration)直接影响到速度倒数模型的预报精度。本文基于经济学领域广泛使用的指数移动平均线,提...滑坡预警预报是滑坡研究的热点和难点。速度倒数模型的简捷性和有效性使之成为广泛使用的临滑预报模型。滑坡变形加速开始点(Onset of Acceleration)直接影响到速度倒数模型的预报精度。本文基于经济学领域广泛使用的指数移动平均线,提出了准确识别滑坡变形加速开始点的方法:(1)将滑坡速度绝对值化;(2)定义趋势变化指数ω,利用滑动时间窗口法,识别滑坡加速趋势区;(3)对加速趋势区进行速度倒数线性拟合,根据线性拟合的相关性系数,识别滑坡加速变形开始点。在此基础上,以云南省区布嘎渐变型滑坡为例,对模型识别出的OOA点准确性进行了验证,结果表明:利用本文提出的方法,可准确识别渐变型滑坡的OOA点,利用识别的OOA点对后续数据进行线性回归,其相关性系数在0.8以上,预测误差在4 d以下,显示出较好的预测结果。展开更多
为解决滑坡易发性研究中灾害数据解译精度不足及降雨诱发群发性滑坡的风险性评价体系缺失的问题,以广东省韶关市武江区江湾镇为例,开展了基于多时相特征对比的滑坡遥感解译,并进行了滑坡风险性评价。首先,基于高分辨率遥感影像的多时相...为解决滑坡易发性研究中灾害数据解译精度不足及降雨诱发群发性滑坡的风险性评价体系缺失的问题,以广东省韶关市武江区江湾镇为例,开展了基于多时相特征对比的滑坡遥感解译,并进行了滑坡风险性评价。首先,基于高分辨率遥感影像的多时相特征,利用MATLAB软件对影像进行小尺寸分割,并利用颜色特征初筛滑坡灾害点,继而结合滑坡灾害点的形状、位置及多时相特征,人工剔除非本次降雨事件诱发的滑坡灾害点,并通过现场调查验证,精准识别了2123处滑坡灾害点;随后,构建了包含高程、坡度、坡向、剖面曲率、平面曲率、岩组类型、距道路距离、距水系距离和土地利用类型共9个环境因子的评价因子体系,并采用支持向量机(support vector machine,SVM)、线性支持向量机(linear support vector machine,LSVM)、逻辑回归(logistic regression,LR)和贝叶斯网络(Bayesian network,BN)4种机器学习模型,对滑坡易发性进行了评价;最后,基于人口密度、建筑物密度和道路密度数据,运用矩阵分析法,结合滑坡易损性评价模型,进一步开展了滑坡风险性评价。结果表明:SVM模型的预测精度最高,其曲线下面积(area under the curve,AUC)为0.816;滑坡高易发区集中分布于河流与主干道周边区域,与现场调查结果一致;湖洋村西北部、梁屋村东南部、围坪村中部和锅溪村西北部为滑坡高风险区与中风险区,其范围完全覆盖了现场调查确定的重要受灾点。研究方法及结果可支撑群发性滑坡易发性与风险性评价,从而为群发性滑坡灾害的精细化防控提供参考。展开更多
文摘随着海洋工程建设的快速推进和极端天气事件频发,海岸带滑坡的风险显著增加。然而,现有关于滑坡易发性区划的研究多集中于内陆山地滑坡,对海岸带滑坡灾害的易发性评价尚缺乏系统研究。以福建省海岸带为研究区,通过收集海岸带滑坡历史数据,利用信息增益比法和皮尔森相关系数法构建适用于海岸带滑坡的易发性评价指标体系。以粒子群优化支持向量机(PSO-SVM)和随机森林(RF)为基学习器,构建Stacking异质集成学习模型,开展福建省海岸带滑坡的易发性评价和区划研究,探讨不同训练集与测试集划分比例对异质集成模型预测精度的影响。结果表明:Stacking异质集成学习模型在训练-测试集比例为70∶30时表现最佳,其准确度、精确度、召回率、F1分数值分别为0.869,0.842,0.909,0.874,其中准确度、精确度与F1分数较其他模型提升了最高0.198,0.227和0.140,其受试者工作特征(ROC)曲线下方面积(area under the curve,简称AUC)值为0.938,较其他模型提高了0.019~0.216;表明Stacking异质集成模型在海岸带滑坡易发性评价中具有较强的适用性和优越性。
文摘滑坡预警预报是滑坡研究的热点和难点。速度倒数模型的简捷性和有效性使之成为广泛使用的临滑预报模型。滑坡变形加速开始点(Onset of Acceleration)直接影响到速度倒数模型的预报精度。本文基于经济学领域广泛使用的指数移动平均线,提出了准确识别滑坡变形加速开始点的方法:(1)将滑坡速度绝对值化;(2)定义趋势变化指数ω,利用滑动时间窗口法,识别滑坡加速趋势区;(3)对加速趋势区进行速度倒数线性拟合,根据线性拟合的相关性系数,识别滑坡加速变形开始点。在此基础上,以云南省区布嘎渐变型滑坡为例,对模型识别出的OOA点准确性进行了验证,结果表明:利用本文提出的方法,可准确识别渐变型滑坡的OOA点,利用识别的OOA点对后续数据进行线性回归,其相关性系数在0.8以上,预测误差在4 d以下,显示出较好的预测结果。
文摘为解决滑坡易发性研究中灾害数据解译精度不足及降雨诱发群发性滑坡的风险性评价体系缺失的问题,以广东省韶关市武江区江湾镇为例,开展了基于多时相特征对比的滑坡遥感解译,并进行了滑坡风险性评价。首先,基于高分辨率遥感影像的多时相特征,利用MATLAB软件对影像进行小尺寸分割,并利用颜色特征初筛滑坡灾害点,继而结合滑坡灾害点的形状、位置及多时相特征,人工剔除非本次降雨事件诱发的滑坡灾害点,并通过现场调查验证,精准识别了2123处滑坡灾害点;随后,构建了包含高程、坡度、坡向、剖面曲率、平面曲率、岩组类型、距道路距离、距水系距离和土地利用类型共9个环境因子的评价因子体系,并采用支持向量机(support vector machine,SVM)、线性支持向量机(linear support vector machine,LSVM)、逻辑回归(logistic regression,LR)和贝叶斯网络(Bayesian network,BN)4种机器学习模型,对滑坡易发性进行了评价;最后,基于人口密度、建筑物密度和道路密度数据,运用矩阵分析法,结合滑坡易损性评价模型,进一步开展了滑坡风险性评价。结果表明:SVM模型的预测精度最高,其曲线下面积(area under the curve,AUC)为0.816;滑坡高易发区集中分布于河流与主干道周边区域,与现场调查结果一致;湖洋村西北部、梁屋村东南部、围坪村中部和锅溪村西北部为滑坡高风险区与中风险区,其范围完全覆盖了现场调查确定的重要受灾点。研究方法及结果可支撑群发性滑坡易发性与风险性评价,从而为群发性滑坡灾害的精细化防控提供参考。
