CN111858803A - 一种滑坡地灾风险区划图生成方法 - Google Patents

一种滑坡地灾风险区划图生成方法 Download PDF

Info

Publication number
CN111858803A
CN111858803A CN202010641241.XA CN202010641241A CN111858803A CN 111858803 A CN111858803 A CN 111858803A CN 202010641241 A CN202010641241 A CN 202010641241A CN 111858803 A CN111858803 A CN 111858803A
Authority
CN
China
Prior art keywords
landslide
disaster
area
risk
grid
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.)
Granted
Application number
CN202010641241.XA
Other languages
English (en)
Other versions
CN111858803B (zh
Inventor
吴伟成
周晓亭
秦耀祖
林子瑜
鸥鹏辉
张阳
皇甫文超
彭珊鸰
邵崇建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Institute of Technology
Original Assignee
East China Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Institute of Technology filed Critical East China Institute of Technology
Priority to CN202010641241.XA priority Critical patent/CN111858803B/zh
Publication of CN111858803A publication Critical patent/CN111858803A/zh
Application granted granted Critical
Publication of CN111858803B publication Critical patent/CN111858803B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明涉及一种滑坡地灾风险区划图生成方法，属于滑坡风险预测、预警技术领域，解决了现有滑坡风险预测方法的准确度低的问题。步骤如下：识别研究区中的滑坡地灾点和非灾稳定区域，获得训练集图层和验证集图层；获取并组合研究区中的多个滑坡灾害相关的地质‑环境因子，构建多层地质‑环境因子数据集；以构建的数据集作为输入变量、以训练集图层作为因变量训练滑坡风险预测模型，利用构建的数据集及验证集图层验证训练好的滑坡风险预测模型，得到验证通过的滑坡风险预测模型；将构建的数据集输入验证通过的滑坡风险预测模型，处理得到研究区中每个栅格的栅格值，并基于栅格值与风险等级之间的对应关系，绘制研究区的滑坡地灾风险区划图。

Description

一种滑坡地灾风险区划图生成方法
技术领域
本发明涉及滑坡风险预测、预警技术领域，尤其涉及一种滑坡地灾风险区划图生成方法。
背景技术
滑坡是目前最普遍的自然灾害之一，尤其是地震和强降雨诱发的滑坡，给交通和人类的生产生活都带来了极大危害，已成为影响地区发展的重要限制因素。因此，对滑坡进行风险预测、绘制滑坡地灾风险区划图，对土地利用规划、城乡建设和道路发展，尤其对当地有关部门的灾害防范和预警有着重要的指导意义。
现有的滑坡地灾风险区划图生成方法，主要包括以下三种：
第一，以灾害影响因素与滑坡灾害关系的理论分析为基础，由专家利用相关领域知识，采用打分或评级的方法确定各灾害影响因素对应的权重系数，再对各权重系数进行相关数学运算，从而得到滑坡灾害风险性区划的定量依据。这种方法的缺点是：由专家确定的权重系数主观性较强，不同专家确定的权重系数存在一定差异性；同时，该方法还存在成本高、效率低、周期长、数据量少、以点带面等缺陷。
第二，将滑坡灾害分布和各灾害环境因子相叠加，定量、半定量化地确定各地质-环境因子在滑坡灾害中的潜在的作用和贡献，然后对因子指标进行相加构成易发性指标，高易发性指标区代表高危险区，低易发性指标区代表低危险或非危险区。这种方法的缺点是：评价体系不全面，导致预测结果不够精确。
第三，利用机器学习、深度学习等算法建立滑坡灾害和地质-环境因子之间的关系模型，并应用训练好的关系模型来预测未知区域的滑坡地灾风险。这种方法的优点是精度、可信度较高，缺点是：机器学习(包括深度学习等)算法需要较强的运算能力；同时，现有方法确定训练集的非灾稳定区域时，仅仅考虑了它与滑坡灾害点之间的距离因素，并未考虑到坡度等的动力因素的影响，所以训练集的确定方式也不合理。
发明内容
鉴于上述的分析，本发明旨在提供一种滑坡地灾风险区划图生成方法，用以解决现有技术中存在的上述一种或多种缺陷。
本发明的目的主要是通过以下技术方案实现的：
本发明提供了一种滑坡地灾风险区划图生成方法，所述方法包括以下步骤：
识别研究区中的滑坡地灾点和非灾稳定区域，基于识别出的滑坡地灾点和非灾稳定区域，获得训练集图层和验证集图层；
获取研究区中的多个滑坡灾害相关的地质-环境因子，并组合所获得的多个滑坡灾害相关的地质-环境因子，构建多层地质-环境因子数据集；
以所述多层地质-环境因子数据集作为输入变量、以所述训练集图层作为因变量，训练滑坡风险预测模型，利用所述多层地质-环境因子数据集及验证集图层验证训练好的滑坡风险预测模型，得到验证通过的滑坡风险预测模型；
将所述多层地质-环境因子数据集输入至验证通过的滑坡风险预测模型中进行模拟预测，得到研究区中每个栅格的栅格值，并基于栅格值与风险等级之间的对应关系，绘制研究区的滑坡地灾风险区划图。
在上述方案的基础上，本发明还做出了如下改进：
进一步，所述训练集图层、所述验证集图层、所述滑坡灾害相关的地质-环境因子和所述多层地质-环境因子数据集均为栅格格式。
进一步，通过执行以下操作获得所述训练集图层和所述验证集图层：
随机选取识别出的部分滑坡地灾点和非灾稳定区域作为训练集数据，将剩余滑坡地灾点和非灾稳定区域作为验证集数据；
将所述训练集数据中的滑坡地灾点对应的滑坡缓冲多边形、滑坡多边形以及非灾稳定区域多边形通过融合工具组合成一个图层，并将组合后的图层中的滑坡地灾点对应的区域赋值为“1”、非灾稳定区域赋值为“0”，对赋值后的图层进行栅格化处理，得到栅格格式的训练集图层；
将所述验证集数据中的滑坡地灾点对应的滑坡地灾缓冲多边形、滑坡多边形以及稳定区域多边形通过融合工具组合成一个图层，并将组合后的图层中的滑坡地灾点对应的区域赋值为“1”、非灾稳定区域赋值为“0”，对赋值后的图层进行栅格化处理，得到栅格格式的验证集图层。
进一步，通过执行以下操作获得所述滑坡地灾点对应的滑坡地灾缓冲多边形、滑坡多边形以及所述非灾稳定区域多边形：
将识别出的滑坡地灾点分为面积大于阈值面积的滑坡地灾点和面积小于或等于阈值面积的滑坡地灾点；
对于所述面积小于或等于阈值面积的滑坡地灾点，在GIS环境下，以预设分辨率为半径，将所述滑坡地灾点缓冲为滑坡多边形，形成滑坡地灾缓冲多边形；
对于面积大于阈值面积的滑坡地灾点，将所述滑坡地灾点导入Google Earth，并基于所述滑坡地灾点在所述Google Earth中的位置，圈定并导出以多边形面文件表示的滑坡地灾多边形；
对于识别出的非灾稳定区域，在GIS环境下，导出非灾稳定区域多边形。
进一步，所述预设分辨率为30m，所述阈值面积为900m2。
进一步，通过执行以下操作获取所述研究区中的非灾稳定区域：
下载ASTER GDEM数字高程模型数据；
在GIS环境下，提取出所述数字高程模型数据中的坡度数据；
识别并提取所述坡度数据中坡度值小于1°的区域，在提取出的区域中，选取与距离最近的滑坡点之间的距离大于预设阈值距离的区域，作为非灾稳定区域。
进一步，所述滑坡灾害相关的地质-环境因子包括：
地质类环境因子、地形地貌类环境因子、距道路距离因子、距河流距离因子、归一化植被指数因子、风化壳厚度因子、土地覆盖因子、土壤含砂量因子和降雨量因子。
进一步，所述地质类环境因子包括：地层岩性因子、断层因子和距岩性地质界线距离因子；
所述地形地貌类环境因子包括：坡度因子、坡向因子、高程因子、平面曲率因子和剖面曲率因子。
进一步，所述组合所获得的多个滑坡灾害相关地质-环境因子，得到多层地质-环境因子数据集，包括：
在ENVI软件中，通过“层叠”功能，以不同波段形式组合所述多个滑坡灾害相关的地质-环境因子的栅格图层，得到分辨率为所述预设分辨率的多层地质-环境因子数据集。
进一步，所述栅格值与风险等级之间的对应关系，包括：
若栅格值≥0.9，则所述栅格为滑坡发生的极高风险区；
若0.7≤栅格值<0.9，则所述栅格为滑坡发生的高风险区；
若0.5≤栅格值<0.7，则所述栅格为滑坡发生的中风险区；
若0≤栅格值<0.5，则所述栅格为滑坡发生的低风险区。
本发明有益效果如下：
本发明提供的一种滑坡地灾风险区划图生成方法，具备以下有益效果：
(1)通过将识别出的滑坡地灾点和非灾稳定区域以面文件形式表示，并将其融合至同一图层，栅格化后，得到以栅格格式表示的训练集图层和验证集图层；
(2)通过对滑坡风险预测过程中涉及到的地质-环境因子进行分析，确定了本发明中的多个滑坡灾害相关的地质-环境因子，开发了地质-环境因子的量化、赋值方法，从而更加全面、准确地描述影响滑坡的各类因素，且客观反映各类致灾因素在滑坡地灾中的影响；此外，还通过组合多个滑坡灾害相关的地质-环境因子得到以栅格格式表示的多层地质-环境因子数据集，无需对各滑坡灾害相关的地质-环境因子做分段或分片处理，能够做到更加精细化地滑坡预测；
(3)基于本发明提供的栅格格式的训练集图层、验证集图层、多层地质-环境因子数据集，对滑坡风险预测模型进行训练和验证，得到验证通过的、可靠的、高精度的滑坡风险预测模型，并利用验证通过的滑坡风险预测模型进行研究区的滑坡地灾风险预测，得到研究区的滑坡地灾风险区划图；还可以根据滑坡地灾风险区划图中滑坡的易发程度，为防灾抗灾部门提供初步的灾害预警信息，也为土地资源利用和城乡规划提供有力的参考，以避免滑坡灾害造成的威胁和损失。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例中提供的滑坡地灾风险区划图生成方法流程图；
图2为本发明实施例中提供的滑坡缓冲过程示意图；
图3为本发明实施例中提供的断层等线性因子多环缓冲过程示意图；
图4为本发明实施例中提供的另一滑坡地灾风险区划图生成方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种滑坡地灾风险区划图生成方法，流程图如图1所示，该方法包括以下步骤：
步骤S1：识别研究区中的滑坡地灾点和非灾稳定区域，基于识别出的滑坡地灾点和非灾稳定区域，获得训练集图层和验证集图层。
需要说明的是，本实施例中描述的滑坡地灾风险区划图生成方法，即用于生成上述研究区所对应的滑坡地灾风险区划图。
具体地，步骤S1可以包括以下步骤：
步骤S11：识别研究区中的所有滑坡地灾点，并得到滑坡地灾点对应的滑坡缓冲地灾多边形、滑坡地灾多边形；
在本实施例中，采用野外勘查的方式调查研究区中的滑坡地灾点(又称“历史滑坡地灾点”)，对每一个野外调查的滑坡地灾点，均采用GPS仪器读取其中心点的经纬度坐标。为尽可能地获取较为全面的滑坡地灾点，在采用上述方式获取滑坡地灾点的基础上，结合多时相Google Earth高清影像，对在野外工作人员无法到达的区域的滑坡地灾点进行补充识别，并确定其经纬度坐标，尽可能详尽地调查出研究区中的所有历史滑坡地灾点。
为更加准确地描述滑坡地灾点的分布范围，在Google Earth中对识别调查出的所有滑坡地灾点进行圈定，并将识别出的滑坡地灾点分为面积大于或等于阈值面积的滑坡地灾点和面积小于阈值面积的滑坡地灾点；对于面积大于阈值面积的滑坡地灾点，导出以多边形面文件表示的滑坡地灾多边形；对于面积小于或等于阈值面积的滑坡地灾点，在GIS环境下，以预设分辨率为半径，通过缓冲功能(buffer)，将滑坡地灾点缓冲为滑坡地灾多边形，形成滑坡缓冲多边形。
示例性地，阈值面积优选900m2，预设分辨率(同时也是后续设置各滑坡灾害相关的地质-环境因子层的分辨率)为30m。此时，将所有的滑坡地灾点分为面积大于900m2的滑坡地灾点和面积小于900m2的滑坡地灾点。对于研究区内面积小于或等于900m2的滑坡地灾点，在GIS环境下，以30m为半径缓冲为滑坡地灾多边形，以获得面积小于900m2的滑坡地灾点的最优范围表示，缓冲过程示意图如图2所示；对于面积大于900m2的滑坡地灾点，在Google Earth中按照滑坡实际发生的位置及范围大小对滑坡地灾多边形进行圈定和直接提取，并用多边形面文件表示，使得面积大于900m2的滑坡地灾点的范围表示更加准确。
步骤S12：识别研究区中的非灾稳定区域，并得到稳定区域多边形。
滑坡的孕育需要有一定的斜坡地形，这是滑坡发生的最基本要素。在坡度较低的区域，由于缺乏主要动力条件，发生滑坡灾害的概率极低，因此，稳定点的选取主要集中于低坡度区域。
优选地，在本实施例中，可通过以下方式确定研究区中的稳定点：从地理空间数据云(http://www.gscloud.cn/)下载30m分辨率(也可根据实际情况选取其他分辨率)的ASTER GDEM数字高程数据，在GIS环境下，利用“表面分析”功能提取坡度数据，在坡度文件“属性”下的“符号分类显示”中选择排除功能，排除坡度值大于或等于1°的区域，仅提取坡度值小于1°的区域，并在Google Earth中进行识别，选取距离最近滑坡地灾点500米以外的区域，圈定并导出多边形面文件，作为非灾稳定区域多边形。本实施例中确定的非灾稳定区域主要分布在低坡度的水体、平原和城市区域。
步骤S13：随机选取识别出的部分滑坡地灾点和非灾稳定区域作为训练集数据，将剩余滑坡地灾点和非灾稳定区域作为验证集数据；一般情况下，为保证模型的训练效果，训练集数据中的数据量应大于验证集数据中的数据量。示例性地，选取70％的滑坡地灾点和相同占比的非灾稳定区域作为训练集数据，将剩余30％的滑坡地灾点和相同占比的非灾稳定点区域作为验证集数据。
步骤S14：将训练集数据中的滑坡地灾点对应的滑坡地灾缓冲多边形、滑坡地灾多边形以及非灾稳定区域多边形通过融合工具组合成一个图层，并将组合后的图层中的滑坡地灾点对应的区域赋值为“1”、非灾稳定区域赋值为“0”，对赋值后的图层进行栅格化处理(即通过栅格化将全部面文件转化为栅格图层)，得到栅格格式的训练集(TS)图层；
对验证集数据执行与训练集数据相同的操作，得到验证集(VS)图层。
本实施例在生成训练集数据、验证集数据的过程中，若选取的非灾稳定区域个数和滑坡地灾点个数相等，能够使后续训练得到的滑坡风险预测模型精确度更高。
步骤S2：获取研究区中的多个滑坡灾害相关的地质-环境因子，经过矢量化、量化赋值后，组合所获得的多个滑坡灾害相关的地质-环境因子，得到多层地质-环境因子数据集；
本实施例中所涉及的滑坡灾害相关的地质-环境因子均为栅格格式，主要包括以下几种：
(1)地质类环境因子，主要包括：地层岩性因子、断层因子和距岩性地质界线距离因子。其中，
1)地层岩性因子：指层状结构发育、软硬相间、差异风化明显且力学强度不均的沉积岩、变质岩岩层、岩浆岩块体。岩性的强弱和层理能够为滑坡的发育提供物质基础和滑动界面。
岩性因子的处理方法：从研究区1:5万地质图中提取地层岩性面文件；根据岩性的脆弱程度(即发生滑坡的可能性大小)，将地层岩性面划分为不同的大类，并根据划分的类别，为地层岩性面中的不同位置赋予相应的数值，以表示不同地层岩性的滑坡易发性，在GIS环境，通过“面转栅格工具”，对赋值后的地层岩性面文件进行栅格化处理，生成30米分辨率的栅格图层，作为岩性因子。
2)断层因子：断层等地质构造主要影响坡体的内部结构，坡体距离断层越近，则表示坡体的内部结构越破碎，稳定性越低，越容易导致滑坡灾害的发生。
断层因子的处理方法：本实施例在研究领域首次提出了将断层按规模大小进行分类的方法，将控制研究区内主要构造的长度规模大于10km的断裂，作为大断层；将大断层的次生断裂构造，长度规模大于2km、小于或等于10km的断裂，作为中等断层；长度规模小于等于2km的断裂，作为小断层。在GIS环境下，根据断层的影响范围，通过“多环缓冲”功能，将大断层按照120m、240m、360m、480m和600m间隔设5个缓冲带，得到大断层对应的缓冲区面文件；中等断层按照60m、120m、180m、240m和300m的缓冲间隔设5个缓冲带，得到中等断层对应的缓冲区面文件；将小断层按照30m、60m、90m、120m和150m的缓冲间隔设5个缓冲带，得到小断层对应的缓冲区面文件，并将大断层对应的缓冲区面文件、中等断层对应的缓冲区面文件和小断层对应的缓冲区面文件通过制图综合中的“融合”工具，组合成断层缓冲区面文件，组合过程如图3所示。根据越靠近断层中心岩层越破碎则块体越不稳定、滑坡风险越大的原则，对获得的断层缓冲区面文件进行赋值，距离断层越近的区域赋值越高，距离断层越远的区域赋值越低，并通过“面转栅格”功能，将赋值后的断层缓冲区面文件转换成30m分辨率的栅格图层，作为断层因子。
3)距岩性地质界线距离因子：由于岩性的差异，不同产状的岩性交界面为滑坡的发生提供了不稳定滑动面。因此，将距岩性地质界线距离因子纳入滑坡风险预测过程非常必要，这在滑坡风险预测领域是首次提出。岩性地质界线对滑坡的影响以距岩性地质界线距离表示。
距岩性地质界线距离因子的处理方法：对研究区1:5万地质图提取岩性地质界线文件。在GIS环境下，将岩性地质界线文件通过“多环缓冲”功能，根据边界影响范围，以一定缓冲间隔设缓冲带，获得岩性地质界线缓冲区面文件。对岩性地质界线的缓冲区进行赋值，距离岩性地质边界越近则赋值越高，距离岩性地质边界越远则赋值越低，并对赋值后的岩性地质界线缓冲区面文件进行栅格化处理，生成30m分辨率的栅格图层，作为距岩性地质界线距离因子。
(2)地形地貌类环境因子，主要包括：坡度因子、坡向因子、高程因子、平面曲率因子和剖面曲率因子。其中，
1)坡度是滑坡风险预测的重要环境因子，平缓的山坡由于其剪应力小，发生滑坡的概率就小；而随着坡度变大，由重力衍生的剪应力也增加，发生滑坡地灾的概率也变大。经研究发现，无论是自然形成的滑坡，还是人为造成的斜坡，滑坡地灾的发生均有一个较优的坡度范围，坡度在28°-38°的范围内滑坡地灾相对高发，超出此坡度范围，滑坡地灾发生的概率大为降低。
2)坡向影响坡体的受光照程度、坡面岩层的风化程度以及植被的发育程度，对滑坡的发生有间接的影响作用。
3)高程是坡体应力值大小的重要影响因素，应力会随着坡高的增加而增加，影响着坡体物质的势能。同时，不同高程的斜坡，坡体所在地区的风速、冻融、降雨、气温变化的幅度均不同，使得不同高程的坡体稳定性不同。
4)坡面曲率是对坡体表面扭曲变化程度的定量度量指标，正值表示斜坡为凸坡，负值表示凹坡，坡度曲率为0或接近于0表示坡面越平坦。凹凸不平的斜坡较相对平坦的斜坡更容易发生滑坡。坡面曲率又分为平面曲率因子和剖面曲率因子。
高程因子、坡度因子、坡向因子、平面曲率因子和剖面曲率因子的获取方法：从地理空间数据云(http://www.gscloud.cn/)下载30m分辨率的ASTER GDEM数字高程模型数据。通过ArcGIS提取分析的“表面提取”功能，提取高程因子、坡度因子、坡向因子、平面曲率因子和剖面曲率因子。
(3)道路数据：道路是滑坡发生的主要环境因子，道路建设过程中进行的大规模切坡、开挖等工程活动改变了斜坡的应力状态，加剧了滑坡的发生。在丘陵和山地地区的乡村，道路两侧的居民建房活动大多对坡体进行了切坡，因而产生了凌空面，在降雨等诱发条件下，容易导致斜坡失稳。道路对滑坡的影响主要以距道路远近的距离形式来体现。
距道路距离因子的处理方法：在高分辨率的Google Earth遥感影像中提取道路信息，组成道路网的线文件，在GIS环境下通过“多环缓冲”功能，根据道路的影响范围，以一定缓冲间隔设缓冲带，获得距道路距离缓冲区面文件。通过“面转栅格”功能，对道路缓冲区面文件进行栅格化处理，生成30m分辨率的栅格图层，作为距道路距离因子。
(4)河网数据：地表水系的侵蚀和切割为滑坡灾害提供了重要的诱因。河网对滑坡的影响以距河流远近的距离形式来体现。
距河流距离因子的处理方法：在高分辨率的Google Earth遥感影像中提取河流信息，根据规模大小，组成主干河流和支流线文件。使用ArcGIS的“多环缓冲”功能，根据主干河流和支流河流的影响范围，以一定缓冲间隔设缓冲带，形成主干河流和支流缓冲区面文件。其中，主干河流缓冲间隔离大，支流缓冲间隔小。对主干河流和支流缓冲区面文件进行栅格化处理，生成30m分辨率的栅格图层，作为距河流距离因子。
(5)植被覆盖数据：植物能够通过根系保持水土，对稳定斜坡有重要作用。研究区植被覆盖情况由归一化植被指数(NDVI)来表示。NDVI的计算公式如下：
NDVI＝(NIR-R)/(NIR+R) (1)
其中，NIR是近红外波段的反射率，R是红光波段的反射率。NDVI值能够反映研究区植被发育情况。
归一化植被指数(NDVI)因子的处理方法：从美国地质调查局(https://glovis.usgs.gov)获取Landsat 5TM影像，获取的影像为滑坡灾害发生前的时间区间、多年10-11月秋季的遥感影像。选择秋季影像是因为深秋季节大多农作物已经收割、草本植被已经枯萎，只有森林、林地、灌草地还维持绿色，所以这样的NDVI能反映自然植被的绿度。同时，选择的影像中云量的占比尽量小于5％或无云。利用COST大气校正模型对Landsat 5TM影像进行大气校正，然后，在ENVI中，通过“波段运算(Band Math)”功能、按照公式NDVI＝(NIR-R)/(NIR+R)计算每一年秋季的NDVI，并计算多年NDVI的平均值，作为归一化植被指数(NDVI)因子。本实施例在滑坡风险预测研究领域首次提出了利用多年NDVI值表征植被覆盖数据的方法，这种方法更能体现出滑坡灾害发生期间的植被覆盖情况，更有利于精准评价NDVI在滑坡事件中的作用。
(6)土地覆盖数据：人类活动影响了土地的使用类型变化，不同的覆盖类型对滑坡事件有不同的影响。就自然状态，即没有人为因素影响，滑坡更多发生在植被覆盖较少的贫瘠地区，而在森林、水体和城市中发生的概率较低。因此土地覆盖类型也是影响滑坡发生的主要环境因子。
土地覆盖因子的处理方法：从美国地质调查局获取Landsat 8OLI影像，选择研究区同年份春季和秋季的影像数据，影像中云量的占比尽量小于5％或无云，利用监督分类方法将研究区内的土地覆盖类型分成森林、人工种植林地、灌木、农田、人工区域(主要包括城市、乡村、道路和其他基础设施等)、裸地和水体在内的7个重要的土地覆盖类型。根据各土地覆盖类型的滑坡易发程度，对不同的土地覆盖类型赋予不同的数值，作为土地覆盖因子。
(7)土壤数据：不同的土壤类型和质地具有不同的成分和孔隙度，影响着土壤水流通过的能力和保持水分的能力；土壤在降雨的作用下液化后可以对滑动面起到润滑作用，减少与下伏岩石的摩擦和阻力，从而促使滑坡发生。土壤的含砂量是一个重要指标，它能指示孔隙度、透水性，是决定降雨事件中雨水能否迅速渗透土壤而抵达、液化滑动界面，使滑坡发生。土壤数据对滑坡发生的影响主要以土壤含砂量来体现。
土壤含砂量因子的处理方法：从中国土壤数据库(http://vdb3.soil.csdb.cn/)下载中国土壤数据，主要是含砂量及其颗粒大小，下载数据为100m分辨率的栅格图层。本发明以0-100cm深度土壤含砂量来赋值，含砂量越高，孔隙度透水性越好，凝结程度越低，越容易发生滑坡，赋值越高。赋值后，在GIS环境，将赋值后的土壤栅格生成30米分辨率的栅格图层，作为土壤含砂量因子。
(8)风化壳数据：这里是指第四系风化壳，是岩石在长期的雨水和空气的作用下风化后的产物，风化最彻底的状态是上述的土壤层。风化壳是滑坡的主要载体，与下伏基岩的界面往往构成薄弱滑动面。在一定的坡度条件下，风化壳厚度越大，滑坡体量就越大。所以评价滑坡地灾，风化壳厚度是不可忽视的因素。总体来说，风化壳厚度取决于岩性和风化速度，对于岩石的风化速度，一般有：玄武岩>花岗岩>石灰岩>砂岩页岩。
风化壳厚度因子处理方法：本发明中风化壳厚度是根据野外实测点的数据，并假设在所有山脊处风化壳厚度为0.5m，在GIS环境下，用克里金内插法(Kriging)生成30m分辨率的栅格图层，作为风化壳厚度因子。
(9)降雨量数据：降雨形成的地表水不仅能够冲刷坡体表面，还会入渗到坡体内部软化岩土体，降低岩土体内部的内聚力和内摩擦角，在岩层内的软弱面形成滑动带，从而影响坡体稳定性。短时的强降雨极易诱发滑坡的发生。降雨因子主要包括多年平均降雨量和多年夏季平均累计降雨量因子。
多年平均降雨量和多年夏季平均累计降雨量因子(简称“降雨量因子”)处理方法：利用气象站点获得研究区多年的降雨量数据计算各站点多年平均降雨量和多年夏季平均累计降雨量值，在GIS环境下，通过反距离权重差值(IDW)获得30m分辨率的研究区多年平均降雨量和多年夏季平均累计的降雨量因子。
需要说明的是，本实施例中的所有滑坡灾害相关的地质-环境因子均以预设分辨率(示例性地，30m分辨率)的栅格图层形式呈现，在ENVI软件中，通过“层叠(LayerStacking)”功能，以不同波段形式，将上述多个滑坡灾害环境因子的栅格图层组成30m分辨率的多波段环境因子数据集，其中，坐标基准为WGS-84地理坐标系。
步骤S3：以所述多层地质-环境因子数据集作为输入变量、以所述训练集图层作为因变量，训练滑坡风险预测模型，利用所述多层地质-环境因子数据集及验证集图层验证训练好的滑坡风险预测模型，得到验证通过的滑坡风险预测模型；
在该步骤中，考虑到多个滑坡灾害环境因子之间往往呈现非线性关系，而随机森林分类算法模型能够很好地拟合各滑坡灾害环境因子之间的非线性关系，同时能有效防止过拟合，因此，在本实施中，可以选取随机森林分类算法模型作为滑坡风险模型。同时，随机森林分类算法模型与其他模型相比，还具备无需对数据进行归一化及离散化处理、运算效率高、模型精度高、预测功能强大等优势。因此，在本实施例中，选用随机森林分类算法模型进行滑坡风险的预测和模拟。
在本实施例中建立的随机森林分类算法模型中，将随机森林分类算法模型中决策树的个数分别设置为100、300、500，对比袋外误差(Out-of-bag error，OOB error)以确定最佳决策树设置个数。杂质函数选择基尼指数(Gini Index)：
Figure BDA0002571208610000151
其中，c为分类类别个数，t为决策树的节点，p为c的相对频率。
示例性地，决策树中的每个节点随机选择的特征或变量数的数目，可设置为所有特征的平方根。示例性地，可以通过以下方式设置节点分裂的结束标准：节点中最小样本数的数值为1，或者，根据基尼指数计算出的最小杂质数的数值为0。
利用步骤S1中形成的验证集(VS)图层，通过混淆矩阵计算的相关统计指数，对训练好的滑坡风险预测模型进行精度分析。
通过混淆矩阵得到模型的总精度(Overall Accuracy,OA)和Kappa系数。
Figure BDA0002571208610000161
Figure BDA0002571208610000162
其中，
Figure BDA0002571208610000163
TP和TN分别表示被模型正确分类的滑坡地灾区域栅格和非灾稳定区域栅格，FP和FN分别表示被模型错误分类的滑坡地灾区域栅格和非灾稳定区域栅格。
若总精度(OA)大于90％、Kappa系数大于70％，说明模型精度合理，模型非常可靠。
步骤S4：将所述多层地质-环境因子数据集输入至验证通过的滑坡风险预测模型中进行模拟预测，得到研究区中每个栅格的栅格值，并基于栅格值与风险等级之间的对应关系，绘制研究区的滑坡地灾风险区划图。
具体地，将所述多层地质-环境因子数据集输入至验证通过的滑坡风险预测模型中，得到研究区中每个栅格的栅格值(即，每个栅格的滑坡发生概率，概率值在0-1之间，“0”代表非灾稳定区域，“1”代表滑坡地灾区域)。示例性地，栅格值与风险等级之间的对应关系可按照如下方式设置：若栅格值≥0.9，则所述栅格为滑坡发生的极高风险区；若0.7≤栅格值<0.9，则所述栅格为滑坡发生的高风险区；若0.5≤栅格值<0.7，则所述栅格为滑坡发生的中风险区；若栅格值<0.5，则所述栅格为滑坡发生的低风险区。
图4示出了另一滑坡地灾风险区划图生成方法的流程图，同时，图4中还示出了研究区滑坡地灾风险区划图的部分结果。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种滑坡地灾风险区划图生成方法，其特征在于，所述方法包括以下步骤：
识别研究区中的滑坡地灾点和非灾稳定区域，基于识别出的滑坡地灾点和非灾稳定区域，获得训练集图层和验证集图层；
获取研究区中的多个滑坡灾害相关的地质-环境因子，并组合所获取的多个滑坡灾害相关的地质-环境因子，构建多层地质-环境因子数据集；
以所述多层地质-环境因子数据集作为输入变量、以所述训练集图层作为因变量，训练滑坡风险预测模型，利用所述多层地质-环境因子数据集及验证集图层验证训练好的滑坡风险预测模型，得到验证通过的滑坡风险预测模型；
将所述多层地质-环境因子数据集输入至所述验证通过的滑坡风险预测模型中进行模拟预测，得到研究区中每个栅格的栅格值，并基于栅格值与风险等级之间的对应关系，绘制研究区的滑坡地灾风险区划图。
2.根据权利要求1所述的滑坡地灾风险区划图生成方法，其特征在于，所述训练集图层、所述验证集图层、所述滑坡灾害相关的地质-环境因子和所述多层地质-环境因子数据集均为栅格格式。
3.根据权利要求2所述的滑坡地灾风险区划图生成方法，其特征在于，通过执行以下操作获得所述训练集图层和所述验证集图层：
随机选取识别出的部分滑坡地灾点和非灾稳定区域作为训练集数据，将剩余滑坡地灾点和非灾稳定区域作为验证集数据；
将所述训练集数据中的滑坡地灾点对应的滑坡缓冲多边形、滑坡多边形以及非灾稳定区域多边形通过融合工具组合成一个图层，并将组合后的图层中的滑坡地灾点对应的区域赋值为“1”、非灾稳定区域赋值为“0”，对赋值后的图层进行栅格化处理，得到栅格格式的训练集图层；
将所述验证集数据中的滑坡地灾点对应的滑坡地灾缓冲多边形、滑坡多边形以及稳定区域多边形通过融合工具组合成一个图层，并将组合后的图层中的滑坡地灾点对应的区域赋值为“1”、非灾稳定区域赋值为“0”，对赋值后的图层进行栅格化处理，得到栅格格式的验证集图层。
4.根据权利要求3所述的滑坡地灾风险区划图生成方法，其特征在于，通过执行以下操作获得所述滑坡地灾点对应的滑坡地灾缓冲多边形、滑坡多边形以及所述非灾稳定区域多边形：
将识别出的滑坡地灾点分为面积大于阈值面积的滑坡地灾点和面积小于或等于阈值面积的滑坡地灾点；
对于所述面积小于或等于阈值面积的滑坡地灾点，在GIS环境下，以预设分辨率为半径，将所述滑坡地灾点缓冲为滑坡多边形，形成滑坡地灾缓冲多边形；
对于面积大于阈值面积的滑坡地灾点，将所述滑坡地灾点导入Google Earth，并基于所述滑坡地灾点在所述Google Earth中的位置，圈定并导出以多边形面文件表示的滑坡地灾多边形；
对于识别出的非灾稳定区域，在GIS环境下，导出非灾稳定区域多边形。
5.根据权利要求4所述的滑坡地灾风险区划图生成方法，其特征在于，所述预设分辨率为30m，所述阈值面积为900m2。
6.根据权利要求1-5所述的滑坡地灾风险区划图生成方法，其特征在于，通过执行以下操作获取所述研究区中的非灾稳定区域：
下载ASTER GDEM数字高程模型数据；
在GIS环境下，提取出所述数字高程模型数据中的坡度数据；
识别并提取所述坡度数据中坡度值小于1°的区域，在提取出的区域中，选取与距离最近的滑坡点之间的距离大于预设阈值距离的区域，作为非灾稳定区域。
7.根据权利要求4所述的滑坡地灾风险区划图生成方法，其特征在于，所述滑坡灾害相关的地质-环境因子包括：
地质类环境因子、地形地貌类环境因子、距道路距离因子、距河流距离因子、归一化植被指数因子、风化壳厚度因子、土地覆盖因子、土壤含砂量因子和降雨量因子。
8.根据权利要求7所述的滑坡地灾风险区划图生成方法，其特征在于，所述地质类环境因子包括：地层岩性因子、断层因子和距岩性地质界线距离因子；
所述地形地貌类环境因子包括：坡度因子、坡向因子、高程因子、平面曲率因子和剖面曲率因子。
9.根据权利要求7或8所述的滑坡地灾风险区划图生成方法，其特征在于，所述组合所获得的多个滑坡灾害相关地质-环境因子，得到多层地质-环境因子数据集，包括：
在ENVI软件中，通过“层叠”功能，以不同波段形式组合所述多个滑坡灾害相关的地质-环境因子的栅格图层，得到分辨率为所述预设分辨率的多层地质-环境因子数据集。
10.根据权利要求1中所述的滑坡地灾风险区划图生成方法，其特征在于，所述栅格值与风险等级之间的对应关系，包括：
若栅格值≥0.9，则所述栅格为滑坡发生的极高风险区；
若0.7≤栅格值<0.9，则所述栅格为滑坡发生的高风险区；
若0.5≤栅格值<0.7，则所述栅格为滑坡发生的中风险区；
若0≤栅格值<0.5，则所述栅格为滑坡发生的低风险区。
CN202010641241.XA 2020-07-06 2020-07-06 一种滑坡地灾风险区划图生成方法 Expired - Fee Related CN111858803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010641241.XA CN111858803B (zh) 2020-07-06 2020-07-06 一种滑坡地灾风险区划图生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010641241.XA CN111858803B (zh) 2020-07-06 2020-07-06 一种滑坡地灾风险区划图生成方法

Publications (2)

Publication Number Publication Date
CN111858803A true CN111858803A (zh) 2020-10-30
CN111858803B CN111858803B (zh) 2021-09-21

Family

ID=73152250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010641241.XA Expired - Fee Related CN111858803B (zh) 2020-07-06 2020-07-06 一种滑坡地灾风险区划图生成方法

Country Status (1)

Country Link
CN (1) CN111858803B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700104A (zh) * 2020-12-25 2021-04-23 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
CN112735097A (zh) * 2020-12-29 2021-04-30 中国地质环境监测院 一种区域滑坡预警方法及系统
CN112802085A (zh) * 2021-01-18 2021-05-14 北京理工大学重庆创新中心 一种基于地貌参数的土层厚度估算方法
CN112966722A (zh) * 2021-02-07 2021-06-15 南昌大学 基于半监督随机森林模型的区域滑坡易发性预测方法
CN113240888A (zh) * 2021-07-13 2021-08-10 湖南华诺星空电子技术有限公司 一种多台落石预警雷达分区组网协同监测系统及方法
CN113538561A (zh) * 2021-07-13 2021-10-22 杭州鲁尔物联科技有限公司 地质灾害危险性评价方法、装置、计算机设备及存储介质
CN113554345A (zh) * 2021-08-10 2021-10-26 山西省地震局 地震滑坡灾害区域及灾害链风险评估方法
CN113780174A (zh) * 2021-09-10 2021-12-10 福州大学 结合随机森林算法的高植被台风暴雨型滑坡识别方法
CN113888031A (zh) * 2021-10-27 2022-01-04 北京中地华安环境工程有限公司 滑坡灾害危险性的评价方法、装置、电子设备和介质
CN114036841A (zh) * 2021-11-10 2022-02-11 云南大学 基于半监督支持向量机模型的滑坡易发性预测方法及系统
CN114612799A (zh) * 2022-03-11 2022-06-10 应急管理部国家自然灾害防治研究院 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN114743096A (zh) * 2022-03-21 2022-07-12 东华理工大学 一种区域滑坡识别方法、装置及系统
CN114969890A (zh) * 2022-04-20 2022-08-30 中国地质大学（武汉） 一种农村建房切坡滑坡灾害风险评价与管理方法
CN115204479A (zh) * 2022-07-01 2022-10-18 南京信息工程大学 基于多源遥感数据的作物适生区预测方法及系统
CN116110210A (zh) * 2023-04-04 2023-05-12 中南大学 复杂环境下数据驱动的滑坡灾害辅助决策方法
CN113642849B (zh) * 2021-07-19 2023-10-20 北京师范大学 考虑空间分布特征的地质灾害危险性综合评价方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073319A1 (en) * 2011-09-21 2013-03-21 Corelogic Solutions, Llc Apparatus, method and computer program product for determining composite hazard index
CN103455711A (zh) * 2013-08-15 2013-12-18 广州地理研究所 一种基于机理分析的小流域地区滑坡灾害风险区划方法
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
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN109558971A (zh) * 2018-11-09 2019-04-02 河海大学 基于lstm长短期记忆网络的智能滑坡监测装置与方法
US20190113496A1 (en) * 2018-11-26 2019-04-18 Huiming Tang Landslide experimental device and experimental method for simulating constant seepage flow
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073319A1 (en) * 2011-09-21 2013-03-21 Corelogic Solutions, Llc Apparatus, method and computer program product for determining composite hazard index
CN103455711A (zh) * 2013-08-15 2013-12-18 广州地理研究所 一种基于机理分析的小流域地区滑坡灾害风险区划方法
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
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
CN109558971A (zh) * 2018-11-09 2019-04-02 河海大学 基于lstm长短期记忆网络的智能滑坡监测装置与方法
US20190113496A1 (en) * 2018-11-26 2019-04-18 Huiming Tang Landslide experimental device and experimental method for simulating constant seepage flow
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法

Cited By (20)

* Cited by examiner, † Cited by third party
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
CN112700104A (zh) * 2020-12-25 2021-04-23 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
CN112735097A (zh) * 2020-12-29 2021-04-30 中国地质环境监测院 一种区域滑坡预警方法及系统
CN112802085A (zh) * 2021-01-18 2021-05-14 北京理工大学重庆创新中心 一种基于地貌参数的土层厚度估算方法
CN112802085B (zh) * 2021-01-18 2023-07-11 北京理工大学重庆创新中心 一种基于地貌参数的土层厚度估算方法
CN112966722A (zh) * 2021-02-07 2021-06-15 南昌大学 基于半监督随机森林模型的区域滑坡易发性预测方法
CN113240888A (zh) * 2021-07-13 2021-08-10 湖南华诺星空电子技术有限公司 一种多台落石预警雷达分区组网协同监测系统及方法
CN113538561A (zh) * 2021-07-13 2021-10-22 杭州鲁尔物联科技有限公司 地质灾害危险性评价方法、装置、计算机设备及存储介质
CN113642849B (zh) * 2021-07-19 2023-10-20 北京师范大学 考虑空间分布特征的地质灾害危险性综合评价方法及装置
CN113554345B (zh) * 2021-08-10 2023-04-18 山西省地震局 地震滑坡灾害区域及灾害链风险评估方法
CN113554345A (zh) * 2021-08-10 2021-10-26 山西省地震局 地震滑坡灾害区域及灾害链风险评估方法
CN113780174A (zh) * 2021-09-10 2021-12-10 福州大学 结合随机森林算法的高植被台风暴雨型滑坡识别方法
CN113780174B (zh) * 2021-09-10 2023-09-15 福州大学 结合随机森林算法的高植被台风暴雨型滑坡识别方法
CN113888031A (zh) * 2021-10-27 2022-01-04 北京中地华安环境工程有限公司 滑坡灾害危险性的评价方法、装置、电子设备和介质
CN114036841A (zh) * 2021-11-10 2022-02-11 云南大学 基于半监督支持向量机模型的滑坡易发性预测方法及系统
CN114612799A (zh) * 2022-03-11 2022-06-10 应急管理部国家自然灾害防治研究院 基于滑坡/非滑坡面积比的空间自适应正负样本生成方法及系统
CN114743096A (zh) * 2022-03-21 2022-07-12 东华理工大学 一种区域滑坡识别方法、装置及系统
CN114969890A (zh) * 2022-04-20 2022-08-30 中国地质大学（武汉） 一种农村建房切坡滑坡灾害风险评价与管理方法
CN115204479A (zh) * 2022-07-01 2022-10-18 南京信息工程大学 基于多源遥感数据的作物适生区预测方法及系统
CN116110210A (zh) * 2023-04-04 2023-05-12 中南大学 复杂环境下数据驱动的滑坡灾害辅助决策方法

Also Published As

Publication number Publication date
CN111858803B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN111858803B (zh) 一种滑坡地灾风险区划图生成方法
Balamurugan et al. Landslide susceptibility zonation mapping using frequency ratio and fuzzy gamma operator models in part of NH-39, Manipur, India
Demir et al. A comparison of landslide susceptibility mapping of the eastern part of the North Anatolian Fault Zone (Turkey) by likelihood-frequency ratio and analytic hierarchy process methods
Onagh et al. Landslide susceptibility mapping in a part of Uttarkashi district (India) by multiple linear regression method
Holec et al. A small-scale landslide susceptibility assessment for the territory of Western Carpathians
CN111582597B (zh) 一种输电线路滑坡危险性预测方法及其设备
Sema et al. Fuzzy gamma operator model for preparing landslide susceptibility zonation mapping in parts of Kohima Town, Nagaland, India
Farmakis et al. Automated 3D jointed rock mass structural analysis and characterization using LiDAR terrestrial laser scanner for rockfall susceptibility assessment: Perissa area case (Santorini)
Zhumabek et al. Automated lineament analysis to assess the geodynamic activity areas
Demir Landslide susceptibility mapping by using statistical analysis in the North Anatolian Fault Zone (NAFZ) on the northern part of Suşehri Town, Turkey
Sakkas et al. Modeling landslide susceptibility in Greece: a weighted linear combination approach using analytic hierarchical process, validated with spatial and statistical analysis
Sarro et al. Geotechnics for rockfall assessment in the volcanic island of Gran Canaria (Canary Islands, Spain)
Kumar et al. Landslide hazard zonation using analytical hierarchy process along National Highway-3 in mid Himalayas of Himachal Pradesh, India
El Bchari et al. Landslide hazard zonation assessment using GIS analysis at the coastal area of Safi (Morocco)
Li et al. Rapid susceptibility mapping of co-seismic landslides triggered by the 2013 Lushan Earthquake using the regression model developed for the 2008 Wenchuan Earthquake
Polat et al. Debris flow susceptibility and propagation assessment in West Koyulhisar, Turkey
CN114966845A (zh) 一种无监督聚类的地震波形实时分类检测方法
Andreas et al. Incorporating geology and geomorphology in land management decisions in developing countries: A case study in Southern Costa Rica
Süzen Data driven landslide hazard assessment using geographical information systems and remote sensing
Ogbonna Understanding gully erosion vulnerability in Old Imo State using geographic information system and geostatistics
Sekac et al. GIS based evaluation in earthquake hazard micro-zonation-a case study of madang and morobe province, Papua New Guinea
Khodashahi et al. Earthquake-induced landslides hazard zonation of Rudbar-Manjil using CAMEL model
Seddiki et al. Using GIS Combined with AHP for Mapping landslide Susceptibility in Mila, in Algeria
Wahono Applications of statistical and heuristic methods for landslide susceptibility assessments: A case study in Wadas Lintang Sub District, Wonosobo Regency, Central Java Province, Indonesia
Arca et al. Assessment of geo-environmental properties depressing urban development with GIS: a case study of Kozlu settlement, Turkey

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210921

CF01 Termination of patent right due to non-payment of annual fee