CN109165424A - 一种基于国产gf-1卫星数据的滑坡易发性评估方法 - Google Patents
一种基于国产gf-1卫星数据的滑坡易发性评估方法 Download PDFInfo
- Publication number
- CN109165424A CN109165424A CN201810879455.3A CN201810879455A CN109165424A CN 109165424 A CN109165424 A CN 109165424A CN 201810879455 A CN201810879455 A CN 201810879455A CN 109165424 A CN109165424 A CN 109165424A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- liability
- model
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000010276 construction Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 42
- 239000002689 soil Substances 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 14
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000005494 condensation Effects 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000003694 hair properties Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000012407 engineering method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000010348 incorporation Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 9
- 238000013316 zoning Methods 0.000 abstract description 9
- 239000011435 rock Substances 0.000 description 9
- 238000000605 extraction Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241001070941 Castanea Species 0.000 description 1
- 235000014036 Castanea Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229940068517 fruit extracts Drugs 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于国产GF‑1卫星数据的滑坡易发性评估方法，包括步骤：(1)资料收集；(2)数据预处理；最后，将遥感数据与其它数据进行叠加、裁剪使之具有统一的经纬度范围和网格单元；(3)滑坡信息遥感提取；(4)候选评估因子提取与筛选；(5)滑坡易发性评估。本发明解决了滑坡信息遥感提取、滑坡易发性评估因子提取与筛选、滑坡易发性评估模型构建技术问题，对待评估区域的滑坡灾害易发程度加以区划，为滑坡灾害预测预报提供了基础资料，是一种评估滑坡灾害易发程度的准确性较高的方案。
Description
技术领域
本发明涉及地质灾害防治领域，特别涉及一种基于国产GF-1卫星数据的滑坡易发性评估方法。
背景技术
滑坡是一种破坏力巨大的自然现象，堵塞河流、毁坏道路、甚至埋没村庄，其破坏性仅次于地震，也是地质灾害中发生最广泛和危害性最大的灾种。近年来，随着全球气候变暖、降水增多，中国地震活跃期的到来以及大规模基础建设造成的高陡斜坡影响，滑坡灾害发生越来越频繁，对我国的经济发展、社会稳定影响越来越大，迫切需要对滑坡灾害的易发性进行评估。滑坡易发性评估通过评估滑坡触发的概率来区划待评估区域滑坡风险等级，从而逐步实现滑坡灾害的预测预报，因此评估滑坡的易发性是滑坡风险评估的基础与前提，是滑坡灾害防治的必要步骤。
目前，滑坡易发性评估主要涉及三个主要方面：滑坡信息、评估因子、评估模型。对于滑坡信息的提取，目前的滑坡易发性评估方法要么忽略该过程，直接采用已有的滑坡地面调查数据进行应用，这种处理方式导致滑坡信息更新困难，不能及时、准确的进行待评估区滑坡易发性评估；或者采用国外的卫星数据进行滑坡信息提取，一旦国外商业卫星数据无法及时获取，例如战争或者贸易摩擦，则严重影响我国滑坡灾害领域的防灾减灾工作；如果采用无人机数据提取滑坡信息，则数据处理量大、成本高，难以大范围推广应用。当前，急需周期性、准实时、价格低、数据预处理技术相对成熟的国产卫星数据源来保障我国滑坡灾害易发性评估研究。
采用国产GF-1卫星数据进行滑坡易发性评估，其2米全色、8米、16米多光谱数据可以满足不同区域范围的滑坡易发性评估需求。但是，利用GF-1卫星数据进行滑坡易发性评估，目前还存在一些技术难点尚待解决：首先，在滑坡信息遥感提取方面，如何确定GF-1影像在待评估区域的图像分割尺度，如何构建滑坡信息的提取规则，以便于快速的提取滑坡信息；其次，在评估因子筛选方面，如何筛选并确定与待评估区滑坡最相关的评估因子；最后，在滑坡易发性评估模型构建方面，如何选择最佳的模型及参数来实现待评估区的滑坡易发性概率计算与等级区划。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种基于国产GF-1卫星数据的滑坡易发性评估方法，解决滑坡信息遥感提取、滑坡易发性评估因子提取与筛选、滑坡易发性评估模型构建技术问题，对待评估区域的滑坡灾害易发程度加以区划，为滑坡灾害预测预报提供基础资料，是一种评估滑坡灾害易发程度的准确性较高的方案。
本发明的技术方案是：一种基于国产GF-1卫星数据的滑坡易发性评估方法，包括如下步骤：
(1)资料收集：收集整理待评估区域的包括遥感影像、基础地理、地质、地形地貌、气象水文、林地类型、土壤类型在内的基础数据以及历史滑坡灾害记录、滑坡研究文献资料；
(2)数据预处理：将遥感数据进行大气校正、正射校正、影像融合预处理；统一其它具有地理信息属性的数据的投影关系和坐标系，以便于空间运算和叠置分析；利用待评估区1∶5万地形数据生成DEM并重采样；最后，将遥感数据与其它数据进行叠加、裁剪使之具有统一的经纬度范围和网格单元；
(3)滑坡信息遥感提取：利用国产GF-1卫星数据以及基于面向对象滑坡遥感提取方法，结合待评估区地质、地形地貌、植被、土壤类型的特征，确定遥感影像最佳分割尺度，构建待评估区域的滑坡遥感提取规则，进而提取滑坡信息，并借助野外实地调查数据进行验证与判别，最终确定待评估区域滑坡周界，为后续滑坡易发性评估提供研究资料；
(4)候选评估因子提取与筛选：结合工程地质调查方法，从地质构造、气象水文、人类活动影响三个方面分析待评估区域的滑坡影响因素，选择可能与滑坡有关的影响因子，这些选取的影响因子称为候选评估因子；候选评估因子选取步骤是：抽取DEM、遥感影像、基础地质、土壤类型、植被、林业数据，借助RS、GIS平台结合人-机交互流程，生成坡度、坡向、地表高程、沟谷密度、林地类型、植被覆盖度、地层岩性、断裂构造密度、土壤类型9个候选评估因子；接着，利用频率比方法，即Frequency Ratio，简称FR，分析确定候选评估因子与滑坡之间的相关性，筛选出与待评估区滑坡相关性强的评估因子，剔除不相关的候选评估因子；
(5)滑坡易发性评估：选择滑坡敏感性指数、Logistic回归模型、神经网络模型分别对采集的样本数据进行滑坡易发性概率计算，利用ROC曲线比较三种模型的拟合精度，选择精度最高的模型作为滑坡易发性概率计算模型，进行整个待研究区滑坡易发性概率计算，利用K-均值聚类分析模型，进行待评估区域滑坡易发性等级划分，包括：极低、低、中、高和极高共5级滑坡易发性等级。
上述步骤(5)中所述的滑坡易发性概率计算模型(包括滑坡敏感性指数模型、Logistic回归模型、神经网络模型)需要通过样本数据预先训练得到并加以存储，供调用获取；训练并实现滑坡易发性概率计算模型的方法，具体包括如下步骤：
1)构建评估因子数据图层集：基于频率比方法选取的与滑坡相关性强的评估因子，结合待评估区所划分网格单元的大小，将各个评估因子图层进行重采样并叠加，完成评估因子数据图层集构建；
2)模型样本采集：结合步骤1)中所构建的评估因子数据图层集，创建随机样本点，并结合GIS平台的计算功能，对样本点进行赋值，完成模型样本采集，并将数据导出、整理成为统计样本数据；
3)构建候选的滑坡易发性概率计算模型：依据滑坡敏感性指数、Logistic回归、神经网络模型计算原理，构建三个滑坡易发性概率计算模型，并借助采集的样本数据，计算得出各候选滑坡易发性概率计算模型所需参数；
4)候选滑坡易发性概率计算模型精度评估：利用ROC曲线模型，分别计算各模型相应的AUC值，选择AUC值最大的滑坡易发性概率计算模型作为整个待评估区域的滑坡易发性评估的模型；
5)计算待评估区滑坡易发性概率：利用选定的模型，结合评估因子图层数据集，计算所有格网单元相应的滑坡易发性概率值。
上述步骤(5)中所述的样本数据是建立滑坡易发性概率计算模型的基础，滑坡易发性概率计算模型构建过程中，通过采集已知滑坡区域的样本数据和未知滑坡区域的样本数据，组成样本数据集，已知滑坡区域即步骤(3)通过GF-1卫星影像提取的滑坡信息，而未知滑坡区域即除去滑坡信息的待评估区；通过分析样本数据，获取构建滑坡易发性概率计算模型所需参数，最终利用所构建的模型，进行待评估区域网格单元滑坡易发性概率计算；构建滑坡易发性概率计算模型所需样本的采集流程如下：
1)建立待评估区面状矢量图层，记为A1，叠加滑坡信息矢量图层，记为A2；
2)提取未知滑坡区域图层，记为A3，A3＝A1-A2，A3表示在待评估区域除去已知的滑坡区域后的面状矢量图；
3)在A3中，生成第一个随机矢量点图层，记为P1；在A2中，生成第二个随机矢量点图层，记为P2；
4)在P1、P2随机矢量点图层中，分别建立一个整数型值的字段P，将P1随机矢量点图层的P字段值设为0，P2随机矢量点图层中的P字段值设为1，然后合并这两个随机矢量点图层，记为PH；
5)样本点属性赋值：将PH图层与选取的评估因子图层进行空间叠加，给PH图层各矢量点赋予以相应图层名称为字段标识的属性值，最终完成样本采样；在滑坡敏感性指数模型中，样本点所赋属性值为FR值，FR值即频率比计算值，而在Logistic回归模型、神经网络模型中，所赋值为各图层网格单元的像元值；
6)导出采样点属性，整理成为表格数据，最终形成能够被SPSS20.0平台识别的样本数据。
上述步骤(5)中所述滑坡易发性概率计算过程如下：
1)依据样本数据，将滑坡敏感性指数模型、Logistic回归模型、神经网络模型所得预测值与实际值导入SPSS平台的ROCCurve计算模块，绘制ROC曲线，选择AUC值最大的模型进行待评估区滑坡易发性概率计算；滑坡敏感性指数，即Landslide SusceptibilityIndex，简称LSI，该模型用来评估滑坡风险大小，为了计算LSI，对各评估因子的频率比值进行累加，如下式：LSI代表了滑坡灾害发生的相对难易程度，值越大，灾害发生的概率越高，较低的值，代表较低发生概率，FRi表示第i个评估因子的频率比值；为便于模型验证，将LSI进行归一化，公式如下：式中LSIi代表第i个LSI值，LSImin为LSI最小值，LSImax为最大值；
2)将待评估区域内筛选所得的评估因子图层数据集带入AUC值最大的滑坡易发性概率计算模型进行计算，得到各网格单元的滑坡易发性概率值；
3)利用步骤1)、2)，得到整个待评估区域的各网格单元的滑坡易发性概率值，将各概率值导出为文本数据，导入SPSS20.0平台进行K-均值聚类分析，得到5个聚类中心点，依据相邻凝聚中心的平均值将全部滑坡易发性概率划分成极低、低、中、高和极高5个区间，以此作为滑坡易发性区划标准，从而实现待评估区滑坡易发性等级划分，最终达到滑坡易发性评估目的。
本发明的有益效果：本发明提供了一种基于国产GF-1卫星数据的滑坡易发性评估方法，其利用GF-1卫星数据提取滑坡信息及相关特征参数，结合地质、地形、植被、土壤、森林等地面基础资料，提取能够表征待评估区域内不同网格单元滑坡相关特性的评估因子，利用频率比方法进行因子筛选并选取与待评估区域滑坡最相关的若干因子图层；分别构建基于滑坡敏感性指数、Logistic回归、神经网络模型的滑坡易发性概率计算模型，利用ROC方法选取精度最高的模型来计算待评估区滑坡易发性概率，采用k-均值聚类方法获取滑坡易发性概率的聚类中心并建立滑坡易发性等级划分标准，从而确定待评估区域的滑坡易发性等级区划结果，最终达到滑坡易发性评估目的。
该方法基于国产GF-1数据，解决了滑坡信息遥感提取、滑坡易发性评估因子提取与筛选、滑坡易发性评估模型构建技术难题，建立了一整套适用于不同区域的、满足“滑坡信息提取-评估因子提取与筛选-评估模型构建-滑坡易发性等级区划”流程的滑坡易发性评估技术方案，其结合国产GF-1卫星数据周期性、准实时更新的特征，可以为大范围滑坡等地质灾害研究、重大线型工程选址以及滑坡灾害防治提供及时、准确、可靠的信息支撑。
附图说明
图1是本发明的方法流程图；
图2是本发明详细的实施流程图；
图3是本发明训练并实现滑坡易发性评估的流程图；
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
参阅图1、图2、图3流程，本发明的一个具体实施实例如下(资料收集、数据预处理部分此处不再赘述)：
(1)基于国产GF-1数据的滑坡信息遥感提取
1)确定最佳分割尺度，进行图像分割：选取某区域四景GF-1影像，进行预处理后拼接为一整块可覆盖待评估区域的2米多光谱影像数据，在eCognition9.0平台进行多尺度分割，实验测得GF-1卫星影像数据在分割参数(异质度)为90处为最佳分割尺度，因此以90为分割参数进行影像分割，得到分割的影像对象集合；
2)分析并确定影像分割对象描述规则，构建滑坡信息提取规则：分析分割影像分割对象的特征，利用eCognition9.0平台对象描述规则进行待提取信息的分类描述，例如对植被对象的描述：
表1植被分类描述
| 序号 | 条件 | 说明 |
| 1 | NDVI＞0.3 | 该影像对象肯定为植被 |
| 2 | 0.21＜NDVI＜0.3 | 该对象可能为植被，也可能不是植被 |
对于非植被对象(道路、滑坡、裸地等)的描述：
表2非植被区域(not植被)道路、滑坡、裸地及其它要素定义
3)利用上述规则，可以进行待评估区滑坡信息的自动提取并输出相应的滑坡矢量图层数据，但是对待分类对象的规则描述不仅仅限于上述表格中的规则，需根据实际要求进行详细分析与归纳。
(2)候选评估因子提取
1)NDVI(归一化植被指数)：利用GF-1数据生成植被指数图层，其计算公式为：NDVI＝(NIR-R)/(NIR+R)
NIR：近红外波段，R：红外波段，R代表GF-1第三通道的反射值；NIR代表GF-1第四通道的反射值；
2)岩石类型：结合待评估区域地层岩性数据，利用岩层的坚硬程度来区分岩层类型，将岩石类型划分为五个等级，即极软岩、软岩、较软岩、较硬岩和硬岩；
3)断裂密度：单位面积内所包含的断层线的总长度，按1×1km2网格进行统计，并将构造断裂密度划分为五个级别，构造断裂密度级别越高，表示滑坡灾害发生的可能性越大。计算公式如下：Li为第i网格的断裂密度值，lij为第i网格的第j条断裂长度；
4)林地类型：基于森林资源二类调查的林相图数据，将整个待评估区内林地分为针叶林、阔叶林、混交林、灌木林、疏林地、宜林地、其它林地7大类；
5)坡度、坡向和高程：坡度以5度为间隔，分为11类，分别是[0-5)、[5-10)、[10-15)、[15-20)、[20-25)、[25-30)、[30-35)、[35-40)、[40-45)、[45-50)、[50-90]，坡向分为平地、北、东北、东、东南、南、西南、西、西北9类，地表高程按相等的区间分为5类；
6)土壤类型：采用全国1∶100万数字化土壤图数据，将待评估区的土壤分为6类：草毡土、黑钙土、黑毡土、灰钙土、灰褐土、栗钙土。
(3)候选评估因子筛选
利用频率比法(Frequency Ratio Method，简称FRM)来确定滑坡灾害和评估因子的关系，从而定量的表达评估因子与滑坡灾害的关联程度。公式如下：式中，FR表示频率比，Ni表示在某类条件下(如坡度为5-10度)滑坡灾害的数量(用像元数表示)，N表示滑坡灾害的总数量(总像元数)，Si表示某类条件下滑坡灾害在遥感影像上所占的总像元数，S表示该区域内遥感影像的总像元数。当FR值大于1表示该因子与滑坡灾害相关度较大，反之较小。如果某类因子的整体频率比值都小于1，则说明该类因素与滑坡灾害关联度小，可以剔除该因子。例如某待评估区地层岩性和土壤类型频率比计算结果如下表3：
表3地层岩性和土壤类型频率比分析结果
从上表3可以看出，地层岩性与滑坡相关，该评估因子应保留；而土壤类型FR值均小于1，则应剔除土壤类型因子。最终选取植被指数、沟谷密度、地表高程、地层岩性、坡度、坡向、断层密度7个评估因子。
(4)滑坡易发性评估
1)数据准备：将步骤(3)中所确定的评估因子图层重采样为10×10m/pixel网格单元并与步骤(1)中的滑坡提取信息图层进行叠加，完成评估指标数据图层集构建；创建随机样本点，并结合GIS平台，对样本点进行赋值，完成模型样本采集，并将数据导出、整理成为统计样本数据。
2)滑坡易发性概率计算模型构建：依据滑坡敏感性指数、Logistic回归、神经网络模型三个候选滑坡易发性概率计算模型的计算原理，借助样本数据，计算得出各候选模型所需参数。以Logistic回归模型为例，在Arcgis10.2中，在评估指标数据图层集上选取991个非滑坡样本、293个滑坡样本，代入SPSS20平台Regression-＞Binary Logistic模块，计算得到待评估区各评估因子图层的回归系数，示例如下表：
表4回归系数表
利用回归方程Z＝β0+β1x1+...+βmxm，可以构建滑坡易发性概率P的计算模型：
3)基于ROC曲线筛选滑坡易发性概率计算模型：利用ROC曲线(ReceiverOperating Characteristic Curve，简称ROC曲线)模型，分别计算各候选滑坡易发性概率计算模型相应的AUC(Area Under Curve，即ROC曲线下的面积)值，选择AUC值较大的模型作为评估分析的最佳模型，例如某待评估区依据样本数据计算得到的滑坡敏感性指数、Logistic回归、神经网络模型的AUC值分别为0.801、0.870、0.847，由于三类模型AUC值均大于0.8，表明这三个模型的预测值具有较高的准确性，而Logistic回归模型的AUC值最高，在三者所使用的样本数据相同的条件下，表明Logistic回归模型对样本数据具有更好的拟合能力，因此选择使用Logistic回归模型进行待评估区域滑坡易发性概率计算。
4)计算待评估区域滑坡易发性概率：利用步骤2)中构建的Logistic回归模型计算待评估区域所有网格单元相应的滑坡易发性概率值，得到一个10×10m/pixel网格的滑坡易发性概率值计算结果图层，标记为Z图层。
5)滑坡易发性等级区划：将步骤4)中计算得到的Z图层值导出为文本格式文件，标记为Z.txt，将Z.txt文件导入SPSS20平台，进行K-均值聚类分析得到最终凝聚中心如下表5；再依据相邻凝聚中心的平均值将待评估区域的滑坡易发性概率图层Z的像元值划分成极低、低、中、高和极高5个等级，所得该评估区域分类标准见表6。
表5 k-均值聚类模型分析结果
表6 Logistic回归模型概率分类标准
综上所述，本发明提供的基于国产GF-1卫星数据的滑坡易发性评估方法，其利用GF-1卫星数据提取滑坡信息及相关特征参数，结合地质、地形、植被、土壤、森林等地面基础资料，提取能够表征待评估区域内不同网格单元滑坡相关特性的评估因子，利用频率比方法进行因子筛选并选取与待评估区域滑坡最相关的若干因子图层；分别构建基于滑坡敏感性指数、Logistic回归、神经网络模型的滑坡易发性概率计算模型，利用ROC方法选取精度最高的模型来计算待评估区滑坡易发性概率，采用k-均值聚类方法获取滑坡易发性概率的聚类中心并建立滑坡易发性等级划分标准，从而确定待评估区域的滑坡易发性等级区划结果，最终达到滑坡易发性评估目的。
本方法基于国产GF-1数据，解决了滑坡信息遥感提取、滑坡易发性评估因子提取与筛选、滑坡易发性评估模型构建技术难题，建立了一整套适用于不同区域的、满足“滑坡信息提取-评估因子提取与筛选-评估模型构建-滑坡易发性等级区划”流程的滑坡易发性评估技术方案，其结合国产GF-1卫星数据周期性、准实时更新的特征，可以为大范围滑坡等地质灾害研究、重大线型工程选址以及滑坡灾害防治提供及时、准确、可靠的信息支撑。
以上实施例仅用以说明本发明的技术方案而非限制，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (4)
1.一种基于国产GF-1卫星数据的滑坡易发性评估方法，其特征在于，包括如下步骤：
(1)资料收集：收集整理待评估区域的包括遥感影像、基础地理、地质、地形地貌、气象水文、林地类型、土壤类型在内的基础数据以及历史滑坡灾害记录、滑坡研究文献资料；
(2)数据预处理：将遥感数据进行大气校正、正射校正、影像融合预处理；统一其它具有地理信息属性的数据的投影关系和坐标系，以便于空间运算和叠置分析；利用待评估区1:5万地形数据生成DEM；最后，将遥感数据与其它数据进行叠加、裁剪使之具有统一的经纬度范围和网格单元；
(3)滑坡信息遥感提取：利用国产GF-1卫星数据以及基于面向对象滑坡遥感提取方法，结合待评估区地质、地形地貌、植被、土壤类型的特征，确定遥感影像最佳分割尺度，构建待评估区域的滑坡遥感提取规则，进而提取滑坡信息，并借助野外实地调查数据进行验证与判别，最终确定待评估区域滑坡周界，为后续滑坡易发性评估提供研究资料；
(4)候选评估因子提取与筛选：结合工程地质调查方法,从地质构造、气象水文、人类活动影响三个方面分析待评估区域的滑坡影响因素，选择可能与滑坡有关的影响因子，这些选取的影响因子称为候选评估因子；候选评估因子选取步骤是：抽取DEM、遥感影像、基础地质、土壤类型、植被、林业数据，借助RS、GIS平台结合人-机交互流程，生成坡度、坡向、地表高程、沟谷密度、林地类型、植被覆盖度、地层岩性、断裂构造密度、土壤类型9个候选评估因子；接着，利用频率比方法FR，分析确定候选评估因子与滑坡之间的相关性，筛选出与待评估区滑坡相关性强的评估因子，剔除不相关的候选评估因子；
(5)滑坡易发性评估：选择滑坡敏感性指数、Logistic回归模型、神经网络模型分别对采集的样本数据进行滑坡易发性概率计算，利用ROC曲线比较三种模型的拟合精度，选择精度最高的模型作为滑坡易发性概率计算模型，进行整个待研究区滑坡易发性概率计算，利用K-均值聚类分析模型，进行待评估区域滑坡易发性等级划分，包括：极低、低、中、高和极高共5级滑坡易发性等级。
2.如权利要求1所述的一种基于国产GF-1卫星数据的滑坡易发性评估方法，其特征在于，步骤(5)中所述的滑坡易发性概率计算模型需要通过样本数据预先训练得到并加以存储，供调用获取；训练并实现滑坡易发性概率计算模型的方法，具体包括如下步骤：
1)构建评估因子数据图层集：基于频率比方法选取的与滑坡相关性强的评估因子，结合待评估区所划分网格单元的大小，将各个评估因子图层进行重采样并叠加，完成评估因子数据图层集构建；
2)模型样本采集：结合步骤1)中所构建的评估因子数据图层集，创建随机样本点，并结合GIS平台的计算功能，对样本点进行赋值，完成模型样本采集，并将数据导出、整理成为统计样本数据；
3)构建候选的滑坡易发性概率计算模型：依据滑坡敏感性指数、Logistic回归、神经网络模型计算原理，构建三个滑坡易发性概率计算模型，并借助采集的样本数据，计算得出各候选滑坡易发性概率计算模型所需参数；
4)候选滑坡易发性概率计算模型精度评估：利用ROC曲线模型，分别计算各模型相应的AUC值，选择AUC值最大的滑坡易发性概率计算模型作为整个待评估区域的滑坡易发性评估的模型；
5)计算待评估区滑坡易发性概率：利用选定的模型，结合评估因子图层数据集，计算所有格网单元相应的滑坡易发性概率值。
3.如权利要求1所述的一种基于国产GF-1卫星数据的滑坡易发性评估方法，其特征在于，步骤(5)中所述的样本数据是建立滑坡易发性概率计算模型的基础，滑坡易发性概率计算模型构建过程中，通过采集已知滑坡区域的样本数据和未知滑坡区域的样本数据，组成样本数据集，已知滑坡区域即步骤(3)通过GF-1卫星影像提取的滑坡信息，而未知滑坡区域即除去滑坡信息的待评估区；通过分析样本数据，获取构建滑坡易发性概率计算模型所需参数，最终利用所构建的模型，进行待评估区域网格单元滑坡易发性概率计算；构建滑坡易发性概率计算模型所需样本的采集流程如下：
1)建立待评估区面状矢量图层，记为A1，叠加滑坡信息矢量图层,记为A2；
2)提取未知滑坡区域图层，记为A3，A3＝A1-A2，A3表示在待评估区域除去已知的滑坡区域后的面状矢量图；
3)在A3中，生成第一个随机矢量点图层，记为P1；在A2中，生成第二个随机矢量点图层，记为P2；
4)在P1、P2随机矢量点图层中，分别建立一个整数型值的字段P，将P1随机矢量点图层的P字段值设为0，P2随机矢量点图层中的P字段值设为1，然后合并这两个随机矢量点图层，记为PH；
5)样本点属性赋值：将PH图层与选取的评估因子图层进行空间叠加，给PH图层各矢量点赋予以相应图层名称为字段标识的属性值，最终完成样本采样；在滑坡敏感性指数模型中，样本点所赋属性值为FR值，FR值即频率比计算值，而在Logistic回归模型、神经网络模型中，所赋值为各图层网格单元的像元值；
6)导出采样点属性，整理成为表格数据，最终形成能够被SPSS20.0平台识别的样本数据。
4.如权利要求1所述的一种基于国产GF-1卫星数据的滑坡易发性评估方法，其特征在于，步骤(5)中所述滑坡易发性概率计算过程如下：
1)依据样本数据，将滑坡敏感性指数模型、Logistic回归模型、神经网络模型所得预测值与实际值导入SPSS平台的ROC Curve计算模块，绘制ROC曲线，选择AUC值最大的模型进行待评估区滑坡易发性概率计算；滑坡敏感性指数LSI，该模型用来评估滑坡风险大小，为了计算LSI，对各评估因子的频率比值进行累加，如下式：LSI代表了滑坡灾害发生的相对难易程度，值越大，灾害发生的概率越高，较低的值，代表较低发生概率，FRi表示第i个评估因子的频率比值；为便于模型验证，将LSI进行归一化，公式如下：式中LSIi代表第i个LSI值，LSImin为LSI最小值，LSImax为最大值；
2)将待评估区域内筛选所得的评估因子图层数据集带入AUC值最大的滑坡易发性概率计算模型进行计算，得到各网格单元的滑坡易发性概率值；
3)利用步骤1)、2)，得到整个待评估区域的各网格单元的滑坡易发性概率值，将各概率值导出为文本数据，导入SPSS20.0平台进行K-均值聚类分析，得到5个聚类中心点，依据相邻凝聚中心的平均值将全部滑坡易发性概率划分成极低、低、中、高和极高5个区间，以此作为滑坡易发性区划标准，从而实现待评估区滑坡易发性等级划分，最终达到滑坡易发性评估目的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879455.3A CN109165424A (zh) | 2018-08-03 | 2018-08-03 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879455.3A CN109165424A (zh) | 2018-08-03 | 2018-08-03 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109165424A true CN109165424A (zh) | 2019-01-08 |
Family
ID=64898837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810879455.3A Pending CN109165424A (zh) | 2018-08-03 | 2018-08-03 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109165424A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059553A (zh) * | 2019-03-13 | 2019-07-26 | 中国科学院遥感与数字地球研究所 | 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 |
| CN110210774A (zh) * | 2019-06-10 | 2019-09-06 | 中国地质调查局西安地质调查中心 | 滑坡风险评价方法及系统 |
| CN110348060A (zh) * | 2019-06-13 | 2019-10-18 | 中国测绘科学研究院 | 一种雪豹栖息地适宜性评价方法及装置 |
| CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
| CN110674471A (zh) * | 2019-10-30 | 2020-01-10 | 吉林大学 | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
| CN111046884A (zh) * | 2019-12-09 | 2020-04-21 | 太原理工大学 | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 |
| CN111160644A (zh) * | 2019-12-27 | 2020-05-15 | 成都理工大学 | 一种基于地质灾害风险评估的铁路选线方法及其装置 |
| CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学（武汉） | 一种基于rnn的滑坡灾害易发性预测方法 |
| CN111461009A (zh) * | 2020-03-31 | 2020-07-28 | 四川九洲北斗导航与位置服务有限公司 | 基于高分sar技术的滑坡风险评估方法、装置及电子设备 |
| CN111582615A (zh) * | 2019-02-18 | 2020-08-25 | 中国科学院深圳先进技术研究院 | 一种基于logistic回归模型的评价方法及系统 |
| CN111898315A (zh) * | 2020-07-27 | 2020-11-06 | 中国科学院空天信息创新研究院 | 基于分形—机器学习混合模型的滑坡易发性评估方法 |
| CN112712197A (zh) * | 2020-12-17 | 2021-04-27 | 杭州鲁尔物联科技有限公司 | 一种数据处理方法、装置、设备和存储介质 |
| CN112734616A (zh) * | 2021-01-11 | 2021-04-30 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种滑坡敏感性分析方法及装置 |
| CN112767544A (zh) * | 2021-01-06 | 2021-05-07 | 成都理工大学 | 面向区域滑坡危险性评价的空间案例推理方法 |
| CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
| CN113866764A (zh) * | 2021-08-13 | 2021-12-31 | 成都理工大学 | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 |
| CN113988643A (zh) * | 2021-10-29 | 2022-01-28 | 重庆地质矿产研究院 | 一种交通线沿线区域的滑坡风险定量评估方法 |
| CN114925577A (zh) * | 2022-06-07 | 2022-08-19 | 中国地质科学院地质力学研究所 | 一种蠕动型滑坡体上砌体建筑物的易损性分析方法与系统 |
| CN115162376A (zh) * | 2022-07-28 | 2022-10-11 | 河海大学 | 基于gis平台进行滑坡过程概率分析的滑坡危险性区划方法 |
| CN116030354A (zh) * | 2023-03-29 | 2023-04-28 | 东华理工大学南昌校区 | 一种基于遥感数据融合的地质灾害分析方法及系统 |
| CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
| CN116307270A (zh) * | 2023-05-16 | 2023-06-23 | 南京信息工程大学 | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
| CN116561536A (zh) * | 2023-07-11 | 2023-08-08 | 中南大学 | 一种滑坡隐患的识别方法、终端设备及介质 |
| CN116912676A (zh) * | 2023-06-05 | 2023-10-20 | 广东省水利水电科学研究院 | 一种水浮莲变化检测方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358327A (zh) * | 2017-07-21 | 2017-11-17 | 重庆大学 | 基于无人机遥感影像的滑坡易发性评定方法 |
| CN107577913A (zh) * | 2017-08-31 | 2018-01-12 | 成都九十度工业产品设计有限公司 | 一种区域滑坡灾害易发性评估装置 |
-
2018
- 2018-08-03 CN CN201810879455.3A patent/CN109165424A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358327A (zh) * | 2017-07-21 | 2017-11-17 | 重庆大学 | 基于无人机遥感影像的滑坡易发性评定方法 |
| CN107577913A (zh) * | 2017-08-31 | 2018-01-12 | 成都九十度工业产品设计有限公司 | 一种区域滑坡灾害易发性评估装置 |
Non-Patent Citations (5)
| Title |
|---|
| 杜国梁等: "基于GIS的白龙江流域甘肃段滑坡易发性评价", 《地质力学学报》 * |
| 王芳等: "不同日降雨工况下万州区滑坡灾害危险性分析", 《地质科技情报》 * |
| 范强等: "证据权法在滑坡易发性分区中的应用――以贵州桐梓河流域为例", 《灾害学》 * |
| 赵良军等: "基于二元逻辑回归模型的新疆果子沟滑坡风险区划", 《山地学报》 * |
| 赵良军等: "新疆伊犁果子沟地质灾害风险评价及其致灾因子", 《干旱区研究》 * |
Cited By (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582615A (zh) * | 2019-02-18 | 2020-08-25 | 中国科学院深圳先进技术研究院 | 一种基于logistic回归模型的评价方法及系统 |
| CN110059553A (zh) * | 2019-03-13 | 2019-07-26 | 中国科学院遥感与数字地球研究所 | 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 |
| CN110059553B (zh) * | 2019-03-13 | 2020-11-10 | 中国科学院遥感与数字地球研究所 | 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 |
| CN110210774A (zh) * | 2019-06-10 | 2019-09-06 | 中国地质调查局西安地质调查中心 | 滑坡风险评价方法及系统 |
| CN110210774B (zh) * | 2019-06-10 | 2021-06-11 | 中国地质调查局西安地质调查中心 | 滑坡风险评价方法及系统 |
| CN110348060A (zh) * | 2019-06-13 | 2019-10-18 | 中国测绘科学研究院 | 一种雪豹栖息地适宜性评价方法及装置 |
| CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
| CN110362949B (zh) * | 2019-07-23 | 2022-09-27 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
| CN110674471A (zh) * | 2019-10-30 | 2020-01-10 | 吉林大学 | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
| CN111046884A (zh) * | 2019-12-09 | 2020-04-21 | 太原理工大学 | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 |
| CN111046884B (zh) * | 2019-12-09 | 2022-05-13 | 太原理工大学 | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 |
| CN111160644A (zh) * | 2019-12-27 | 2020-05-15 | 成都理工大学 | 一种基于地质灾害风险评估的铁路选线方法及其装置 |
| CN111160644B (zh) * | 2019-12-27 | 2022-08-19 | 成都理工大学 | 一种基于地质灾害风险评估的铁路选线方法及其装置 |
| CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学（武汉） | 一种基于rnn的滑坡灾害易发性预测方法 |
| CN111461009A (zh) * | 2020-03-31 | 2020-07-28 | 四川九洲北斗导航与位置服务有限公司 | 基于高分sar技术的滑坡风险评估方法、装置及电子设备 |
| CN111461009B (zh) * | 2020-03-31 | 2023-10-24 | 四川九洲北斗导航与位置服务有限公司 | 基于高分sar技术的滑坡风险评估方法、装置及电子设备 |
| CN111898315B (zh) * | 2020-07-27 | 2023-08-08 | 中国科学院空天信息创新研究院 | 基于分形—机器学习混合模型的滑坡易发性评估方法 |
| CN111898315A (zh) * | 2020-07-27 | 2020-11-06 | 中国科学院空天信息创新研究院 | 基于分形—机器学习混合模型的滑坡易发性评估方法 |
| CN112712197A (zh) * | 2020-12-17 | 2021-04-27 | 杭州鲁尔物联科技有限公司 | 一种数据处理方法、装置、设备和存储介质 |
| CN112712197B (zh) * | 2020-12-17 | 2024-01-02 | 杭州鲁尔物联科技有限公司 | 一种数据处理方法、装置、设备和存储介质 |
| CN112767544B (zh) * | 2021-01-06 | 2022-04-01 | 成都理工大学 | 面向区域滑坡危险性评价的空间案例推理方法 |
| CN112767544A (zh) * | 2021-01-06 | 2021-05-07 | 成都理工大学 | 面向区域滑坡危险性评价的空间案例推理方法 |
| CN112734616A (zh) * | 2021-01-11 | 2021-04-30 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种滑坡敏感性分析方法及装置 |
| CN113343563B (zh) * | 2021-05-27 | 2022-05-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
| CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
| CN113866764B (zh) * | 2021-08-13 | 2023-05-26 | 成都理工大学 | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 |
| CN113866764A (zh) * | 2021-08-13 | 2021-12-31 | 成都理工大学 | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 |
| CN113988643A (zh) * | 2021-10-29 | 2022-01-28 | 重庆地质矿产研究院 | 一种交通线沿线区域的滑坡风险定量评估方法 |
| CN113988643B (zh) * | 2021-10-29 | 2024-06-25 | 重庆地质矿产研究院 | 一种交通线沿线区域的滑坡风险定量评估方法 |
| CN114925577A (zh) * | 2022-06-07 | 2022-08-19 | 中国地质科学院地质力学研究所 | 一种蠕动型滑坡体上砌体建筑物的易损性分析方法与系统 |
| CN115162376A (zh) * | 2022-07-28 | 2022-10-11 | 河海大学 | 基于gis平台进行滑坡过程概率分析的滑坡危险性区划方法 |
| CN115162376B (zh) * | 2022-07-28 | 2023-06-02 | 河海大学 | 基于gis平台进行滑坡过程概率分析的滑坡危险性区划方法 |
| CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
| CN116183624B (zh) * | 2023-01-05 | 2024-06-25 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
| CN116030354A (zh) * | 2023-03-29 | 2023-04-28 | 东华理工大学南昌校区 | 一种基于遥感数据融合的地质灾害分析方法及系统 |
| CN116307270B (zh) * | 2023-05-16 | 2023-08-22 | 南京信息工程大学 | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
| CN116307270A (zh) * | 2023-05-16 | 2023-06-23 | 南京信息工程大学 | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 |
| CN116912676A (zh) * | 2023-06-05 | 2023-10-20 | 广东省水利水电科学研究院 | 一种水浮莲变化检测方法、装置、电子设备及存储介质 |
| CN116561536A (zh) * | 2023-07-11 | 2023-08-08 | 中南大学 | 一种滑坡隐患的识别方法、终端设备及介质 |
| CN116561536B (zh) * | 2023-07-11 | 2023-11-21 | 中南大学 | 一种滑坡隐患的识别方法、终端设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165424A (zh) | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 | |
| Reichenbach et al. | A review of statistically-based landslide susceptibility models | |
| Martha et al. | Landslide hazard and risk assessment using semi-automatically created landslide inventories | |
| Ozdemir et al. | A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey | |
| Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
| Yalcin | GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations | |
| Clerici et al. | A GIS-based automated procedure for landslide susceptibility mapping by the conditional analysis method: the Baganza valley case study (Italian Northern Apennines) | |
| Lee et al. | Probabilistic landslide hazard mapping using GIS and remote sensing data at Boun, Korea | |
| Wang et al. | Regional landslide susceptibility zoning with considering the aggregation of landslide points and the weights of factors | |
| van Westen et al. | From landslide inventories to landslide risk assessment; an attempt to support methodological development in India | |
| Abdullah et al. | Remote sensing and geographic information system for fault segments mapping a study from Taiz area, Yemen | |
| Dai et al. | Coseismic landslides triggered by the 2022 Luding Ms6. 8 earthquake, China | |
| Dağ et al. | Medium scale earthflow susceptibility modelling by remote sensing and geographical information systems based multivariate statistics approach: an example from Northeastern Turkey | |
| Hong et al. | Effects of land cover changes induced by large physical disturbances on hydrological responses in Central Taiwan | |
| Dhungana et al. | Landslide susceptibility and risk analysis in Benighat Rural Municipality, Dhading, Nepal | |
| Yang | Assessment of rainfall-induced landslide susceptibility using GIS-based slope unit approach | |
| Mosaffaie et al. | Landslide risk assessment based on susceptibility and vulnerability | |
| Posner et al. | Normalized landslide index method for susceptibility map development in El Salvador | |
| Tekin et al. | Effects of landslide sampling strategies on the prediction skill of landslide susceptibility modelings | |
| van Westen et al. | Landslide inventory, hazard and risk assessment in India | |
| Regmi et al. | Mapping landslide hazards in western Nepal: Comparing qualitative and quantitative approaches | |
| Guillen et al. | Landslide susceptibility analysis based on a semiquantitative method in the sierra-costa region, michoacán, mexico | |
| Van Westen et al. | National Scale Landslide Susceptibility Assessment for Saint Lucia | |
| Yariyan et al. | Evaluating novel hybrid models based on GIS for snow avalanche susceptibility mapping: A comparative study | |
| Aksoy | Determination of landslide susceptibility with Analytic Hierarchy Process (AHP) and the role of forest ecosystem services on landslide susceptibility |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
| RJ01 | Rejection of invention patent application after publication |