CN111539450B - 地震区滑坡易发性评价方法 - Google Patents
地震区滑坡易发性评价方法 Download PDFInfo
- Publication number
- CN111539450B CN111539450B CN202010212615.6A CN202010212615A CN111539450B CN 111539450 B CN111539450 B CN 111539450B CN 202010212615 A CN202010212615 A CN 202010212615A CN 111539450 B CN111539450 B CN 111539450B
- Authority
- CN
- China
- Prior art keywords
- landslide
- susceptibility
- seismic
- area
- earthquake
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012706 support-vector machine Methods 0.000 claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013439 planning Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000013316 zoning Methods 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地震灾害处理，公开了一种地震区滑坡易发性评价方法，包括如下步骤：(1)基于地震区地震前信息和地震后信息之间的差异，获取地震滑坡编目；(2)从滑坡编目中选择滑坡样本，基于该滑坡样本，采用单类支持向量机模型来获取初始地震滑坡易发性指数，将其归一化为概率指数，根据概率指数将滑坡分区；(3)在第一滑坡第一易发区和第一滑坡第二易发区中选择非滑坡样本，构建样本数据集；(4)基于样本数据集，通过两类支持向量机模型来获取地震区滑坡易发性指数，采用自然断点法将滑坡分区。该评价方法能够快速准确地实现地震灾区的滑坡易发生评价，进而为后续的灾害应急救援、灾害监测、土地规划提供指导依据。
Description
技术领域
本发明涉及地震灾害处理，具体地，涉及一种地震区滑坡易发性评价方法。
背景技术
对地震灾害区进行快速的滑坡易发性评价是获取震后区域稳定性的重要前提，是构建震后灾害危险性的基础数据。快速可靠的进行震后区域滑坡易发性评价，根据地震扰动程度，划分滑坡易发性等级，对震后开展应急救援、规划选址、监测预防工作等具有重要的指导意义。
当前，地震滑坡易发性评价主要以数据统计分析方法为主，通过收集历史滑坡信息和相关的滑坡影响因子，建立统计分析模型，实现区域范围滑坡易发性制图。为了构建统计分析模型，需选取研究区域已有的滑坡样本和非滑坡样本。滑坡样本的选择主要基于已有的滑坡信息，通过滑坡编目可以可靠获得。而相对的非滑坡样本，需要后续的选择提取。目前对于非滑坡样本的选择，主要有三种常规方法：(1)在滑坡编目中的非滑坡区域随机选择；(2)在滑坡编目中滑坡单元缓存距离之外的区域随机选择；(3)通过获取初始滑坡易发性制图，在极低易发区选择。上诉样本选择方法均假设研究区已有完整滑坡编目，即滑坡单元之外的区域均为非滑坡区。而对于地震事件而言，地震诱发的滑坡灾害具有范围广、数量多、类型复杂等特点，传统的滑坡编目获取手段难以在震后第一时间快速获得滑坡分布信息。同时，地震事件伴随着恶劣的天气条件，使得光学遥感影像在地震灾区可利用性低，往往难以获得完整可靠的滑坡编目信息。因此，对于地震滑坡而言，往往由于缺乏完整可靠的滑坡编目信息，难以快速准确地开展地震灾区滑坡易发性评价，严重影响了震后组织救援、土地规划工作的可靠性。
发明内容
本发明所要解决的技术问题是提供一种地震区滑坡易发性评价方法，该方法能够快速准确地实现地震灾区的滑坡易发生评价，进而为后续的灾害应急救援、灾害监测、土地规划提供指导依据。
为了解决上述技术问题，本发明提供一种地震区滑坡易发性评价方法，包括如下步骤：
(1)基于地震区地震前信息和地震后信息之间的差异，获取地震滑坡编目；
(2)从所述滑坡编目中选择滑坡样本，基于该滑坡样本，采用单类支持向量机(oneclass support vector machine，OCSVM)模型来获取初始地震滑坡易发性指数，并将其归一化为概率指数，根据上述概率指数将滑坡分为第一滑坡第一易发区、第一滑坡第二易发区、第一滑坡第三易发区、第一滑坡第四易发区和第一滑坡第五易发区；其中，所述第一滑坡第一易发区、第一滑坡第二易发区、第一滑坡第三易发区、第一滑坡第四易发区和所述第一滑坡第五易发区的概率指数依次升高；
(3)在上述第一滑坡第一易发区和第一滑坡第二易发区中选择非滑坡样本，构建样本数据集；
(4)基于所述样本数据集，通过两类支持向量机模型(Support Vector Machine，SVM)来获取地震区滑坡易发性指数，根据滑坡易发性指数的分布规律，采用自然断点法将滑坡分为第二滑坡第一易发区、第二滑坡第二易发区、第二滑坡第三易发区、第二滑坡第四易发区和第二滑坡第五易发区。
优选地，所述步骤(1)中，所述信息为光学影像信息，基于地震前后光学影像的变化检测技术来获取所述地震滑坡编目。
进一步优选地，所述光学影像信息包括来自于Landsat-7的遥感影像。
更优选地，获取所述地震滑坡编目时，采用归一化植被指数(NormalizedDifference Vegetation Index，NDVI)来识别地震滑坡，所述归一化植被指数及阈值的计算公式为：
其中，NDVIpre为地震前的植被指数，NDVIpost为地震后的植被指数，μ为地震前后植被变化的均值，σ为相应的方差，k为可调参数，预先设定不同的k值，将多组实验数值与实际滑坡进行对比分析确定最优值，k的取值范围为0-4。
优选地，所述步骤(2)中，所述OCSVM模型的决策函数为：
f(x)＝sign((ω.Φ(x))-ρ)， (2)
其中，Φ(x)为所述滑坡样本特征空间，权重ω和阈值ρ的计算公式为：
其中，ξi为松弛变量，ν∈(0，1)为支持向量在所述滑坡样本中所占的比重。
进一步优选地，所述式(3)的对偶形式为：
其中，k(xi，xj)为核函数，阈值
优选地，所述第一滑坡第一易发区的概率指数为0-0.2，所述第一滑坡第二易发区的概率指数为0.2-0.4，所述第一滑坡第三易发区的概率指数为0.4-0.6，所述第一滑坡第四易发区的概率指数为0.6-0.8，所述第一滑坡第五易发区的概率指数为0.8-1。
优选地，所述步骤(3)中，非滑坡样本与滑坡样本等量。
优选地，所述步骤(4)中，所述SVM模型的最优超平面形式为：
其中，ω为支持向量的权重，b为截距；通过引入松弛变量ξi，所述两类SVM的凸二次规划问题为：
其中，C为惩罚系数。
进一步优选地，所述式(6)的对偶形式为：
其中，(xi·xj)为核函数映射。
通过上述技术方案，本发明的有益效果如下：
在基础技术方案中，通过地震前和地震后的信息快速获取的滑坡编目信息，运用OCSVM辅助选取非滑坡样本，减少不完整滑坡中非滑坡样本选择的不确定性影响，同时充分利用现有滑坡易发性评价中评价精度较可靠的SVM模型进行最终的滑坡易发性制图工作，实现了地震灾区快速滑坡易发性制图工作，可为震后灾害应急救援、土地规划等灾害防治工作提供重要的指导依据。
有关本发明的其他优点以及优选实施方式的技术效果，将在下文的具体实施方式中进一步说明。
附图说明
图1是本发明一个实施例的流程图；
图2是本发明一个具体实例区域：中国地震高发区四川省汶川县地理位置图；
图3是本发明一个实施例中基于光学影像的地震前和地震后归一化植被指数差异图；
图4是本发明一个实施例中基于NDVI的变化检测获取的地震滑坡分布图；
图5是本发明一个实施例中利用不完整滑坡编目采用OCSVM模型建立的初始滑坡易发性分区图；
图6是本发明一个实施例中采用不同的样本选择方法基于SVM模型建立的滑坡易发性分区图，
其中，a为在完整滑坡编目中的非滑区域选择非滑坡样本，b为在不完整滑坡编目中的非滑坡区域选择非滑样本，c为在不完整滑坡编目中漏提区域选择非滑样本，d为在基于OCSVM建立的滑坡易发性分区中的第一滑坡第一易发区中选择；
图7是传统的基于不完整滑坡编目获取的滑坡易发性分区图(a)以及基于本发明提出的方法获取的滑坡易发性分区图(b)。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明的基本实施方式中，如图1所示，本发明提供一种地震区滑坡易发性评价方法，包括如下步骤：
(1)基于地震区地震前信息和地震后信息之间的差异，获取地震滑坡编目(即：不完整数据编目)；
(2)从所述滑坡编目中选择滑坡样本，基于该滑坡样本，采用OCSVM模型来获取初始地震滑坡易发性指数，并将其归一化为概率指数，根据上述概率指数将滑坡分为第一滑坡第一易发区、第一滑坡第二易发区、第一滑坡第三易发区、第一滑坡第四易发区和第一滑坡第五易发区；其中，所述第一滑坡第一易发区、第一滑坡第二易发区、第一滑坡第三易发区、第一滑坡第四易发区和所述第一滑坡第五易发区的概率指数依次升高；
(3)基于前述获得滑坡易发性分区，在上述第一滑坡第一易发区和第一滑坡第二易发区中选择非滑坡样本，构建样本数据集；
(4)基于所述样本数据集，通过SVM模型来获取地震区滑坡易发性指数，根据滑坡易发性指数的分布规律，采用自然断点法将滑坡分为第二滑坡第一易发区、第二滑坡第二易发区、第二滑坡第三易发区、第二滑坡第四易发区和第二滑坡第五易发区。
其中，第二滑坡第一易发区、第二滑坡第二易发区、第二滑坡第三易发区、第二滑坡第四易发区和第二滑坡第五易发区滑坡易发生指数依次升高，也就是说第二滑坡第一易发区、第二滑坡第二易发区、第二滑坡第三易发区、第二滑坡第四易发区和第二滑坡第五易发区滑坡发生的概率依次升高。
本发明上述基本实施方式中提供的地震区滑坡易发性评价方法，通过地震区地震前信息和地震后信息之间的地表植被差异快速获取滑坡编目，运用OCSVM模型确定非滑坡样本选择来源，减少不完整滑坡中非滑坡样本选择的不确定性影响，同时充分利用现有滑坡易发性评价中评价精度较可靠的SVM模型进行最终的滑坡易发性制图工作，实现了地震灾区快速滑坡易发性制图工作，可为震后灾害应急救援、土地规划等灾害防治工作提供重要的指导依据。
步骤(1)中，所述地震区地震前信息和地震后信息可以是光学图像信息和雷达信息等。为了降低测量的难度，简化信息获取的步骤，在本发明的一个实施例中，所述信息为光学影像信息，基于地震前后光学影像的变化检测技术来获取所述地震滑坡编目。上述变化检测技术，属于计算机半自动滑坡解译技术，能够快速实现震后区域大范围内的滑坡解译工作，获取研究区滑坡分布信息。
所述光学影像信息可以是通过任意一种常见遥感卫星系统拍摄的图像，在本发明的一个实施例中，所述光学影像信息主要来自于Landsat-7的遥感影像。其数据覆盖范围广、可获取性高。更优选地，所述Landsat-7的遥感影像的分辨率为15m。
更优选地，获取所述地震滑坡编目时，根据滑坡灾害在形成过程对地表植被的破坏，采用归一化植被指数来识别地震滑坡，所述归一化植被指数及阈值的计算公式分别为：
其中，NDVIpre为地震前的归一化植被指数，NDVIpost为地震后的归一化植被指数，μ为地震前后植被指数变化的均值，σ为相应的方差，k为可调参数，预先设定不同的k值，将多组实验数值与实际滑坡进行对比分析确定最优值，k的取值范围为0-4。
在本发明的一个实施例中，所述步骤(2)中，基于步骤(1)中快速获取的不完整滑坡编目信息，通过提取滑坡编目中的滑坡空间分布信息，采用基于单类样本的OCSVM模型获取初始滑坡易发性图，可以获得相对可靠的稳定区域。OCSVM模型的基本思想是通过核函数映射，将样本从低维映射到高维空间，在高维空间中其与原点之间最优超平面。对于任一样本而言，样本到超平面的距离代表样本隶属于某类别的相似度。所述OCSVM模型的决策函数为：
f(x)＝sign((ω.Φ(x))-ρ)， (2)
其中，Φ(x)为所述滑坡样本特征空间，支持向量的权重ω和阈值ρ可以通过求解二次规划问题获得：
其中，ξi为松弛变量，ν∈(0，1)为支持向量在所述滑坡样本中所占的比重。
引入核函数，可以将式(3)转化为对偶问题：
其中，k(xi，xj)表示的是核函数，阈值与权重向量决定最优超平面。通过收集滑坡样本及相关影响因子，建立OCSVM模型，进而获取初始的区域滑坡易发性制图。
所述步骤(3)中，传统的非滑坡样本主要基于完整滑坡编目中未发生滑坡区域选择，并未过多考虑不完整滑坡编目中漏提取区域的影响。因此步骤(3)依据相似聚类原理，在OCSVM模型获取的滑坡易发性评价结果中的第一易发区和第二易发区范围内选择非滑坡样本，构建滑坡与非滑坡样本数据库。其中，滑坡样本数据库主要来源于不完整滑坡编目中滑坡分布信息。非滑坡区数据库主要来源于OCSVM评价模型中的第一易发区和第二易发区。通过相应的滑坡影响因子，构建基础地理空间数据库。优选地，非滑坡样本与滑坡样本等量。
优选地，所述步骤(4)中，基于基础地理空间数据库建立传统的统计分析模型。采用目前在滑坡易发性评价中应用较广泛的SVM模型。SVM模型的基本思想是在两种类别中寻找最优超平面，样本到最优超平面的距离代表的是样本隶属于某一类别的隶属度，对于考虑多因素影响下的滑坡易发性评价模型，所述SVM模型的最优超平面形式为：
其中，ω为支持向量的权重，b为截距；对于样本数据的噪声或者其他因素影响，通过引入松弛变量ξ，可以得到两类SVM的凸二次规划问题：
其中，C为惩罚系数，上诉规划问题可以通过转换成对偶问题获取最优超平面，其对偶形式：
其中，(xi·xj)为核函数映射，通过交叉验证方法获得最优参数组合，基于滑坡灾害数据库信息，建立SVM模型，获取研究区滑坡易发性指数。
在本发明的一个实施例中，以中国地震灾害高发区-汶川县作为研究区域，光学影像信息为15m分辨率的Landsat-7遥感影像。
(1)基于震前震后光学影像和变化检测的滑坡编目提取
为了有效提取地震诱发的滑坡灾害信息，采用基于归一化植被指数作为滑坡提取特征，滑坡提取阈值采用试错法确定。具体地，所述归一化植被指数及阈值的计算公式为：
其中，NDVIpre为地震前的归一化植被指数，NDVIpost为地震后的归一化植被指数，μ和σ为地震前后植被指数变化的均值和方差，通过求对应的植被指数差分影像获得，k为可调参数，根据预先设定不同的k值，将多组实验结果与实际滑坡进行对比分析确定最优值，k的取值范围一般为0-4。具体的，在本次实例中，将k值分别设置为0，0.5，1，1.5，2，2.5，3，3.5，4，进行提取实验，得到九组提取结果，选择存在滑坡区域，将提取结果与目视解译的结果进行对比分析，选择匹配度最佳的提取结果所对应的参数k作为最优的参数取值，在本次实例中k的取值为1.5。
图2是汶川县的地理位置，图3对应的震前震后植被指数变化图，由图可知，植被在震后遭到极大的破坏，导致震后的植被指数表现为低值，而相应的，震前的表现为高植被覆盖，为高值。图4是本文基于变化检测提取的地震滑坡分布。
(2)基于不完整滑坡编目信息和OCSVM模型的滑坡易发性分区制图
本实施例中选择地质、地形、水文等多种因子作为地震滑坡的影响因子。通过将不完整滑坡编目中的滑坡信息与地震影响因子进行关联，构建滑坡样本集。需要指出的是传统的易发性制图方法主要采用基于完整的滑坡编目信息的统计分析方法，此处基于地震灾区获取完整滑坡编目难的问题，提出了基于OCSVM模型进行初始滑坡易发性评价。
其中，OCSVM模型的基本思想是通过核函数映射，将样本从低维映射到高维空间，在高维空间中其与原点之间最优超平面。对于任一样本而言，样本到超平面的距离代表样本隶属于某类别的相似度。其决策函数可以表示为：
f(x)＝sign((ω.Φ(x))-ρ)， (2)
其中，Φ(x)表示样本特征空间，支持向量的权重ω和阈值ρ可以通过求解二次规划问题获得：
其中，ξi代表松弛变量，ν∈(0，1)用来控制支持向量在训练样本中所占的比重，引入核函数，可将上述问题转化为对偶问题：
其中，k(xi，xj)表示的是核函数，为确定的阈值，与权重向量决定最优超平面。OCSVM的模型参数组合通过采用交叉验证的方式获取。利用最优参数组合获取基于OCSVM模型和不完整滑坡的滑坡易发性分区图。图5是基于不完整滑坡编目信息和OCSVM构建的实例区的滑坡易发性分区图，图中所示的第一易发区到第五易发区的滑坡易发生指数依次升高。
(3)基于初始滑坡易发性评价结果的优选样本选择方法
利用OCSVM获取的滑坡易发性分区图和实例区不完整滑坡编目信息，构建滑坡灾害数据库。滑坡灾害数据库中包括滑坡区域和非滑坡区域，其中滑坡区域采用已有编目中的滑坡区域，而非滑坡区选择在步骤(2)所获得滑坡易发性评价结果中的第一易发区和第二易发区中选择。通过选择与滑坡区等量的非滑坡区域，构建实例区的滑坡灾害数据库。
(4)基于滑坡数据库和SVM模型的滑坡易发性分区制图
本发明利用步骤(3)获得的滑坡灾害数据信息，采用目前在滑坡易发性评价中广泛应用的SVM模型进行滑坡易发性分区制图工作。
SVM模型的基本思想是在不同类别中寻找最优的超平面，样本到最优超平面的距离代表的是样本隶属于某一类别的隶属度，对于考虑对因素作用下的评价模型，支持向量机模型的最优超平面形式为：
其中，ω为支持向量的权重，b为截距；通过引入松弛变量ξi，所述两类SVM的凸二次规划问题可表示为：
其中，C为惩罚系数，上诉规划问题可以通过转换成对偶问题获取最优超平面，其对偶形式：
其中，(xi·xj)代表的是核函数映射，通过交叉验证方法获得最优参数组合，基于数据库信息，建立SVM模型，最终获取研究区滑坡易发性指数。采用自然断点分类法，将研究区域易发性指数分为第一易发区、第二易发区、第三易发区、第四易发区和第五易发区，其中，第一易发区到第五易发区的滑坡易发性指数依次升高，实现地震灾区的可视化评价。由图6和图7可以看出，本发明获取的滑坡易发性结果明显优于传统的结果。进一步，通过统计历史滑坡事件与滑坡易发性分区的分布及新滑坡事件分布于滑坡易发性分区。结果如表1表2所示：
表1基于不同非滑坡样本选择方法构建的滑坡易发性分区与完整滑坡编目的统计结果
表2滑坡易发性分区与新滑坡事件的统计分析
| 新滑坡事件 | 易发性(传统方法) | 易发性(本实例方法) |
| 2009.7.25(彻底关大桥山体滑坡) | 高易发性 | 高易发性 |
| 2010.5.30(索桥村发生山体滑坡) | 低易发性 | 中易发性 |
| 2010.6.12(金波村山体滑坡) | 极高易发性 | 高易发性 |
| 2013.7.22(足湾村山体滑坡) | 极高易发性 | 极高易发性 |
| 2018.4.10(阿尔村发生山体滑坡) | 低易发性 | 低易发性 |
| 2018.7.26(岷江大桥下段山体滑坡) | 高易发性 | 高易发性 |
通过表1表2分析，本发明的获取的滑坡易发性分区中历史滑坡在危险区(第三、第四、第五易发区)所占的比例高于其他方法，同时新滑坡事件与滑坡易发性分区的分布统计也表明，本发明提出的方法对于新滑坡事件也具有较好的预测作用。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个具体技术特征以任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明的保护范围。
Claims (10)
1.一种地震区滑坡易发性评价方法，其特征在于，包括如下步骤：
（1）基于地震区地震前光学影像信息和地震后光学影像信息之间的差异，获取地震滑坡编目；
（2）从所述滑坡编目中选择滑坡样本，基于该滑坡样本，采用单类支持向量机模型来获取初始地震滑坡易发性指数，将其归一化为概率指数，根据上述概率指数将滑坡分为第一滑坡第一易发区、第一滑坡第二易发区、第一滑坡第三易发区、第一滑坡第四易发区和第一滑坡第五易发区；其中，所述第一滑坡第一易发区、第一滑坡第二易发区、第一滑坡第三易发区、第一滑坡第四易发区和所述第一滑坡第五易发区的概率指数依次升高；
（3）在上述第一滑坡第一易发区和第一滑坡第二易发区中选择非滑坡样本，构建样本数据集；
（4）基于所述样本数据集，通过两类支持向量机模型来获取地震区滑坡易发性指数，根据滑坡易发性指数的分布规律，采用自然断点法将滑坡分为第二滑坡第一易发区、第二滑坡第二易发区、第二滑坡第三易发区、第二滑坡第四易发区和第二滑坡第五易发区。
2.根据权利要求1所述的地震区滑坡易发性评价方法，其特征在于，所述步骤（1）中，基于地震前后光学影像的变化检测技术来获取所述地震滑坡编目。
3.根据权利要求2所述的地震区滑坡易发性评价方法，其特征在于，所述光学影像信息包括来自于Landsat-7的遥感影像。
4.根据权利要求3所述的地震区滑坡易发性评价方法，其特征在于，获取所述地震滑坡编目时，采用归一化植被指数来识别地震滑坡，所述归一化植被指数及阈值的计算公式为：
（1）
当CD>μ+kσ时，为滑坡；当CD≤μ+kσ时，为非滑坡；
其中，NDVIpre为地震前的归一化植被指数，NDVIpost为地震后的归一化植被指数，为地震前后植被指数变化的均值，/>为相应的方差，/>为可调参数，预先设定不同的/>值，将多组实验数值与实际滑坡进行对比分析确定最优值，/>的取值范围为0-4。
5.根据权利要求1所述的地震区滑坡易发性评价方法，其特征在于，所述步骤（2）中，所述单类支持向量机模型的决策函数为：
（2）
其中，Φ(x)为所述滑坡样本特征空间，权重ω和阈值ρ的计算公式为：
（3）
其中，为松弛变量，/>为支持向量在所述滑坡样本中所占的比重。
6.根据权利要求5所述的地震区滑坡易发性评价方法，其特征在于，所述式（3）的对偶形式为：
（4）
其中，k(x i ，x j )为核函数，阈值。
7.根据权利要求1所述的地震区滑坡易发性评价方法，其特征在于，所述第一滑坡第一易发区的概率指数为0-0.2，所述第一滑坡第二易发区的概率指数为0.2-0.4，所述第一滑坡第三易发区的概率指数为0.4-0.6，所述第一滑坡第四易发区的概率指数为0.6-0.8，所述第一滑坡第五易发区的概率指数为0.8-1。
8.根据权利要求1所述的地震区滑坡易发性评价方法，其特征在于，所述步骤（3）中，非滑坡样本与滑坡样本等量。
9.根据权利要求1所述的地震区滑坡易发性评价方法，其特征在于，所述步骤（4）中，所述两类支持向量机模型的最优超平面形式为：
（5）
其中，为支持向量的权重，/>为截距；引入松弛变量/>，所述两类支持向量机的凸二次规划问题为：
（6）
其中，C为惩罚系数。
10.根据权利要求9所述的地震区滑坡易发性评价方法，其特征在于，所述式（6）的对偶形式为：
（7）
其中，为核函数映射。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010212615.6A CN111539450B (zh) | 2020-03-24 | 2020-03-24 | 地震区滑坡易发性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010212615.6A CN111539450B (zh) | 2020-03-24 | 2020-03-24 | 地震区滑坡易发性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539450A CN111539450A (zh) | 2020-08-14 |
| CN111539450B true CN111539450B (zh) | 2023-10-24 |
Family
ID=71975033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010212615.6A Active CN111539450B (zh) | 2020-03-24 | 2020-03-24 | 地震区滑坡易发性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539450B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700104B (zh) * | 2020-12-25 | 2022-09-09 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
| 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 |
| CN113408201B (zh) * | 2021-06-18 | 2022-07-26 | 河南大学 | 基于地形单元的滑坡易发性评判方法 |
| CN116108758B (zh) * | 2023-04-10 | 2023-06-27 | 中南大学 | 滑坡易发性评价方法 |
Citations (1)
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
-
2020
- 2020-03-24 CN CN202010212615.6A patent/CN111539450B/zh active Active
Patent Citations (1)
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Hoon Chang等.The Evaluation and the Sensitivity Analysis of Gis-based Landslide Susceptibility Models.Journal of Geosciences.2004,第1页. * |
| 冯策 ; 刘瑞 ; 苟长江 ; .基于Logistic回归模型的芦山震后滑坡易发性评价.成都理工大学学报(自然科学版).2013,(第03期),第282-287页. * |
| 安凯强 ; 牛瑞卿 ; .信息量支持下SVM模型滑坡灾害易发性评价.长江科学院院报.2016,(第08期),第47-51、58页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539450A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539450B (zh) | 地震区滑坡易发性评价方法 | |
| Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
| CN105095238B (zh) | 用于检测欺诈交易的决策树生成方法 | |
| CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
| Gordon et al. | NUMERIGAL METHODS IN QUATERNARY PALAEOECOLOGY: II. COMPARISON OF POLLEN DIAGRAMS | |
| CN108985327A (zh) | 一种基于因子分析的地形匹配区自组织优化分类方法 | |
| CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
| CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
| Toledo et al. | Cluster analysis: A new approach applied to lidar measurements for atmospheric boundary layer height estimation | |
| Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
| CN115239127B (zh) | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 | |
| CN107101829A (zh) | 一种航空发动机结构类故障的智能诊断方法 | |
| CN110852364A (zh) | 矿井突水水源识别方法、装置与电子设备 | |
| CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
| CN109150830B (zh) | 一种基于支持向量机和概率神经网络的层次入侵检测方法 | |
| CN114997612A (zh) | 一种面向大型粮堆异常信息的聚类分析方法和装置 | |
| CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| CN114912798A (zh) | 一种基于随机森林和震害大数据的地震损失评估系统 | |
| CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 | |
| CN116881652B (zh) | 基于优选负样本和随机森林模型的滑坡易发性评价方法 | |
| CN116882731A (zh) | 一种基于斜坡单元的地质灾害危险性评估方法及系统 | |
| Hu et al. | Using uncertain DM-chameleon clustering algorithm based on machine learning to predict landslide hazards | |
| CN116258279A (zh) | 基于综合赋权的滑坡易发性评价方法和装置 | |
| CN113837283B (zh) | 一种基于均值聚类与线性判别的热带气旋等级划分方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |