CN113487105B - 一种滑坡地质灾害的空间预测方法、装置和计算机设备 - Google Patents
一种滑坡地质灾害的空间预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113487105B CN113487105B CN202110853026.0A CN202110853026A CN113487105B CN 113487105 B CN113487105 B CN 113487105B CN 202110853026 A CN202110853026 A CN 202110853026A CN 113487105 B CN113487105 B CN 113487105B
- Authority
- CN
- China
- Prior art keywords
- landslide
- disaster
- spatial
- space
- effect
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明公开了一种滑坡地质灾害的空间预测方法,包括:获取滑坡地质灾害的影响因子;将影响因子输入基于KDE‑LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果;采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量;采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE‑LR的滑坡灾害空间量化模型。采用逻辑回归方法,并将滑坡灾害的空间效应作为因变量(多分类),从滑坡地质灾害自身内在所蕴含的特征来探究其空间分布的特征,进而对地震重灾区的滑坡地质灾害进行空间量化建模研究,实现了准确预测。
Description
技术领域
本发明涉及滑坡地质灾害领域,特别涉及一种滑坡地质灾害的空间预测方法、装置和计算机设备。
背景技术
滑坡地质灾害的研究已有100多年的历史,滑坡地质灾害敏感区域的识别是缓解滑坡灾害造成影响的重要环节之一,滑坡敏感性的科学评估可以减少死亡、伤害和财产损失等损失。此外,它们还为决策者提供区域可持续发展和土地利用规划的关键信息支持。滑坡的预测研究可追溯到20世纪60年代日本学者斋藤借助于蠕变试验成果进行滑坡预测。随着Aleotti and Chowdhury将灾害点的历史分布特征加入滑坡的预警体系中,引入了更多滑坡易发性评价的影响因子后,逐步经历了经验预测、统计分析预测、动态模型跟踪预测、结合GIS等技术进行数字化建模预测等阶段。在经过一系列相关理论体系的完善后,结合已有研究的成果,国内外学者对区域地质灾害空间定量预测模型方面进行了大量的探索性研究,包括:经验模型(如模糊逻辑、逻辑回归、广义加法模型等),统计分析模型(如确定性系数法、证据权法、熵等,模式识别模型(如人工神经网络、支持向量机、自适应神经模糊推理系统(ANFIS)等)。随着越来越多的模型与方法应用于地质灾害的预测和评价领域,对这些模型和方法进行分类并比较其结果的精确性则十分必要。其中,LR模型是一种非线性多元统计模型,因其具有计算简单、物理意义明确等优点,在滑坡敏感性评价中应用较为广泛,但多数LR模型运用在滑坡灾害预测中的因变量均为发生(记为1)和不发生(记为0)的二元逻辑变量,未考虑滑坡灾害的空间效应,若忽略了这种影响,势必会导致较大的预测偏差。因此,探讨滑坡灾害的空间效应有利于提高滑坡地质灾害空间分析的准确性和预测的精确性,从而为其他类似山地型区域滑坡敏感性评估和灾害管理提供参考依据。
KDE是一个高效的空间分析工具,在空间密度评价过程中起着重要的作用,它用于估计每个输出栅格像元周围的点或线要素的密度。它是根据点或折线特征计算每个单位面积的量,以使每个点或折线适合光滑的圆锥形表面。近年来,核密度估计法作为最常用的热点分析方法,应用广泛。程朋根等以南昌市中心城区为研究对象,结合POI数据及夜间遥感影像数据,运用核密度估计法对其空间分布热点、空间尺度、集聚程度等几方面进行了研究分析,全面揭示了南昌市休闲旅游空间的集聚特征;陈斌等选取了POI数据等进行了核密度分析,然后对其进行空间网格化处理,并通过双因素制图法等方法得到了这两种数据的空间接合关系,从而分析了武汉市主城区的城市空间分布特征;郭鹏等结合核密度估计法,将国家旅游资源空间作为对象进行空间特征阐述;刘俊等采用KDE在其空间分布特征进行了讨论,有利于开发长江娱乐地带新热点和消费新热点;佟玉权等运用核密度估计研究了中国传统村落的空间分布特征,这使传统村落形成机制的解释力度提高了;周莹等以云南省昆明市作为研究对象,应用KDE方法其空间效应进行一定的分析,并且讨论影响其空间结构的因子;陈晨、修春良等将研究目标选择为北京地名文化景观。利用KDE方法研究其空间效应及特征,对于探索历史时期北京的社会经济发展具有一定的标杆意义;熊俊楠等结合重庆山洪历史资料和KDE分析法对其时间和空间进行分析,对清晰地认识重庆山洪灾害的分布规律,减少灾害带来的损失,促进重庆发展具有一定的现实意义;王新胜等选择重庆市中心城区典型滑坡作为研究对象,利用KDE方法分析了其空间分布特征,从各方面表明了重庆市滑坡灾害点具有较强的聚集特征。
滑坡灾害在空间上的分布看似为随机状态,但实际上具有内在的规律性,滑坡灾害的空间效应会导致不同的滑坡灾害易发性和危险性分区。对于灾害空间分布规律的研究众多,例如:Guang and Zhu利用空间数据分析方法,从不同角度对地质灾害点(滑坡、泥石流等)空间聚集-离散的分布特征进行定性和定量的分析;Liu等从历史灾害特征出发,分析了地质灾害时空布局和影响因素;Xiong等采用平均中心、标准差椭圆、核密度分析和M-K突变检测等方法分析了重庆市历史山洪灾害时空分布规律。此外,较多学者将空间自相关方法在医学、交通、遥感影像等领域运用广泛。
在对滑坡灾害的现有解决技术方案中,首先对研究区收集到的数据进行预处理,随后,构建滑坡灾害风险评估指标体系,最后采用不同的方法对滑坡灾害的敏感性进行研究。以往对滑坡地质灾害空间量化建模中多是基于数理统计角度研究灾害发育特征(灾害发生与否),即现有的对滑坡灾害的技术方案中,无论采取传统的数学方法,还是结合大数据分析技术的人工智能方法,均以滑坡灾害影响因素为自变量,发生滑坡(Y=1)和未发生滑坡(Y=0)为因变量,随机选取部分数据集作为数学模型的训练样本,并将剩余的数据用来预测,最终利用受试者工作特征曲线(ROC)和预测正确率等模型性能评估指标对模型进行评估,进而对研究区的滑坡灾害进行敏感性分析。
现有技术中,滑坡地质灾害在空间上表现为地质灾害的多发地段或地质灾害的群发性,但以往对滑坡地质灾害空间量化建模中多是基于数理统计角度研究灾害发育特征(灾害发生与否),未充分考虑重灾区的滑坡地质灾害空间效应。实际滑坡灾害是面域,容易受到滑坡灾害区域的影响,才导致其发生滑坡,也容易导致实际滑坡灾害区域被当做非滑坡区域来进行分析,从而降低滑坡危险性评价图的准确度。
发明内容
基于此,有必要针对上述技术问题,提供一种滑坡地质灾害的空间预测方法、装置和计算机设备。
本发明实施例提供一种滑坡地质灾害的空间预测方法,包括:
获取滑坡地质灾害的影响因子;
将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果;
其中,所述基于KDE-LR的滑坡灾害空间量化模型的确定,包括:
获取滑坡地质灾害的空间位置和滑坡灾害数量;
采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量;
采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型。
在其中一个实施例中,所述影响因子,包括:地形复杂度、与公路距离、与水系距离、地层岩性、与断层距离、地震动峰值加速度PGA。
在其中一个实施例中,所述采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应,具体包括:
根据空间位置和滑坡灾害数量,确定滑坡地质灾害某点处的二维核密度;
根据滑坡地质灾害空间中的二维核密度,确定滑坡灾害点群的聚集或离散分布特征;
根据滑坡灾害点群的聚集或离散分布特征,确定滑坡地质灾害的空间效应。
在其中一个实施例中,
当所述空间效应为滑坡地质灾害评价中的3分类因变量时,
所述空间效应,包括:未发生滑坡灾害情况、空间效应中等灾害情况、空间效应高灾害情况。
在其中一个实施例中,所述滑坡地质灾害空间中的二维核密度为:
式中,s为某点空间位置,n为带宽范围内的滑坡灾害点个数,dis为第i个滑坡点到s处的距离,h为带宽;Dm为各个滑坡点到平均中心距离的中位数,N为滑坡灾害点的总和,SD为标准距离,M为总滑坡点个数,xi,yi为滑坡灾害点的坐标,表示滑坡点的平均中心;K0为核函数。
在其中一个实施例中,所述多分类逻辑回归法LR,包括:
多项逻辑回归模型用概率的形式表示如下:
式中,Pj表示因变量为某一类别的概率,PJ表示参照组的概率;因变量Y取值为0、1、2;将因变量Y=0设定为参照组;j=1,…J-1,αj为截距,xi代表各个影响因子,βij是第i个影响因子的逻辑回归系数。
在其中一个实施例中,所述空间预测结果的表达形式包括:滑坡预测敏感性概率图。
在其中一个实施例中,所述空间预测结果的空间分布包括:栅格数量、区域面积、面积百分比、滑坡数百分比、滑坡密度。
一种滑坡地质灾害的空间预测装置,包括:
影响因子获取模块,用于获取滑坡地质灾害的影响因子;
预测结果确定模块,用于将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果;
其中,所述基于KDE-LR的滑坡灾害空间量化模型,包括:
参数获取单元,用于获取滑坡地质灾害的空间位置和滑坡灾害数量;
空间效应确定单元,用于采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量;
模型构建单元,用于采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取滑坡地质灾害的影响因子;
将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果;
其中,所述基于KDE-LR的滑坡灾害空间量化模型的确定,包括:
获取滑坡地质灾害的空间位置和滑坡灾害数量;
采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量;
采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型。
本发明实施例提供的上述滑坡地质灾害的空间预测方法,与现有技术相比,其有益效果如下:
本发明考虑滑坡灾害的空间效应,将研究区内的滑坡灾害按照空间效应的聚集程度,将原有的因变量(Y=1)的情况,分成两类(Y=1:空间效应中等;Y=2:空间效应高),再结合未发生滑坡灾害的情况(Y=0),将其转变成多分类问题,突出地质灾害的空间分布特征。即采用逻辑回归方法,并考虑滑坡灾害的空间效应作为因变量(多分类),将各个有效信息得以充分的利用,从滑坡地质灾害自身内在所蕴含的特征来探究其空间分布的特征,进而对地震重灾区的滑坡地质灾害进行空间量化建模研究,实现了准确预测。
附图说明
图1为一个实施例中提供的滑坡地质灾害的空间预测方法技术流程图;
图2为一个实施例中提供的滑坡灾害空间分布图;
图3a为一个实施例中提供的基于二分类LR的滑坡灾害预测模型的滑坡灾害预测结果分布图;
图3b为一个实施例中提供的基于KDE-LR的滑坡灾害预测模型的滑坡灾害预测结果分布图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一个实施例中,提供的一种滑坡地质灾害的空间预测方法,该方法包括:
(1)核密度估计
为了深层次地揭示地震滑坡地质灾害空间分布特征,通过KDE法来分析汶川地震重灾区滑坡空间连续变化趋势。KDE主要是用于估计每个输出栅格像元周围的点或线要素的密度。通过对地震滑坡灾害核密度计算结果的二维灰度表达或三维曲面表达,可以简单直观地获取滑坡灾害点群的聚集或离散等分布特征。二维核密度是对一维核密度的扩展,估计某点处的密度值通过核估计量计算:
式中,s为某估计点空间位置,n为带宽范围内的滑坡灾害点个数,dis为第i个滑坡点到s处的距离,h为带宽,公式如下:
(2)多分类逻辑回归
在实际问题中,因变量可能存在多种取值,当因变量取值有两种以上时,需要利用多项LR分析。多项逻辑回归分析是逻辑回归的变体,其概念基本与逻辑回归概念一致,多项逻辑回归分析假设因变量的类别是完全独立的,且设定其中一个类别为参照组,因此可计算参照组的回归系数。
多项逻辑回归模型可以被认为是J个因变量的J-1个逻辑回归模型,各个独立的因变量与参照组对比以计算参照组的优势。假设Y=J为参照组,则各个类别的逻辑回归模型如下:
其中,j=1,…J-1,αj为截距,xi代表各个影响因子,βij是第i个影响因子的逻辑回归系数。多项逻辑回归模型用概率的形式表示如下:
式中,Pj表示因变量为某一类别的概率,PJ表示参照组的概率。本研究中因变量Y取值为0、1、2;由于在十个极重灾区中,空间的大部分位置为非滑坡点,因此,将因变量Y=0设定为参照组。
发明步骤:
本发明在对汶川地震十个极重灾区进行滑坡地质灾害空间预测时,考虑滑坡空间位置,改进传统滑坡灾害评价中的2分类因变量(滑坡发生1,滑坡未发生0),通过KDE法分析出滑坡地质灾害的空间效应。其次在考虑空间效应的基础上,利用多分类逻辑回归方法的优势,以滑坡灾害空间效应为因变量,并将其扩展为3类,构建基于KDE-LR的滑坡灾害预测模型,进而生成滑坡灾害空间敏感性图,其流程图如下所示,具体包括五个研究步骤:
Step 1:收集研究区滑坡地质灾害的相关数据。
Step 2:综合考虑滑坡灾害空间位置等因素,采用KDE法定量刻画出研究区的滑坡灾害空间效应。
Step 3:采用多项LR算法,将滑坡地质灾害空间效应作为因变量,各影响因素作为自变量,构建基于KDE-LR的滑坡灾害空间量化模型。
Step 4:随机选取研究区中80%的滑坡灾害空间效应作为训练样本,20%作为验证样本,不断对模型参数进行调整,对模型有效性和性能进行验证。
Step 5:对基于LR的滑坡灾害预测模型生成的敏感性图和基于KDE-LR的滑坡灾害预测模型生成的敏感性图进行对比分析。
数据情况分析:
本发明所需的滑坡灾害点相关数据主要根据遥感解译(Landsat-830米分辨率)所获得,主要包括滑坡灾害发生数量、空间位置等,据统计结果显示,2010年研究区的滑坡点约为885个。但实际滑坡灾害是面域,分析数据与实际情况不符,容易导致实际滑坡灾害区域被当做非滑坡区域来进行分析,从而降低滑坡危险性评价图的准确度。为降低这种情况造成的误差,本发明在选择非滑坡点样本时,在距离滑坡点10km的缓冲区外随机1:1数量选取885个非滑坡点,其空间分布如图2所示。
影响因素的选择是空间预测建模中最重要的任务之一,虽然当前在预测模型构建时对影响因素的选择没有明确的guideline,但在选取影响因素时,通常取决于研究区的空间分布特征和灾害规模。本发明在研究过程中,基于数据的质量和可获得性选择了7个滑坡灾害影响因素(即预测自变量),将其用于滑坡灾害空间建模中,主要包括地形信息熵(a)、PGA(b)、与道路距离(c)、与水系距离(b)、与断层距离(e)、岩性(f)和NDVI(g)。其中,地形信息熵属于地形地貌因子,与水系距离、与断层距离、岩性、NDVI属于地质环境因子,与道路距离和PGA属于诱发因子。
各个影响因素均由ArcGIS软件来生成数据图层,地形信息熵采用的是1:350000DEM数据计算得到;到断层的距离、到河流的距离和到道路的距离是从地质图中提取,并使用欧几里德距离方法确定;岩性数据是从地质图中提取并转换成栅格格式;NDVI是从Landsat 30m分辨率遥感解译得到该研究区的数据;PGA数据来源于美国地质调查局(USGS)。最后,7个影响因子图层均在ArcGIS 10.0软件中以60m*60m的像素进行栅格化,共生成10027131个网格,作为生成滑坡灾害敏感性图的输入数据。
实例分析:
依据回归系数为每个影响因子赋予相应的权重值,然后通过对各个影响因子图层的叠加,得到基于二分类LR的滑坡灾害预测模型的滑坡灾害预测结果分布图和基于KDE-LR的滑坡灾害预测模型的滑坡灾害预测结果分布图3a、图3b。
由图3a、图3b中可清晰看出,基于二分类的LR与基于KDE-LR的滑坡灾害预测结果的空间分布基本一致。同时,对3a、图3b中各滑坡敏感性等级的面积和滑坡点数量等分别进行统计,结果如下表1所示。
预测结果统计表1
分析可知:
(1)在上述两个模型的预测结果中,均有超过50%的滑坡发生在滑坡敏感性高的区域。但在KDE-LR模型中,滑坡敏感性等级为3的区域面积约为5441Km2;而二分类LR模型依据自然段点法分成的3级滑坡敏感性区域中,High等级的面积约为7104Km2,滑坡密度明显低于KDE-LR模型的预测结果,充分说明本发明构建的基于KDE-LR的滑坡灾害预测模型更能有效突显出十个极重灾区内滑坡灾害的空间效应。
(2)利用基于KDE-LR的滑坡灾害空间预测模型预测出滑坡灾害空间效应高的危险等级区域大多分布在北川和汶川区域。经过数据统计:汶川县和北川县共有552个滑坡灾害点,其中约有71%的滑坡处于2的滑坡敏感性等级区域内,且在北川区域内约有高达80%的滑坡数量位于Y=2的区域,与实际滑坡点的空间分布较为吻合。
总结:本发明中利用多分类逻辑回归的滑坡预测敏感性概率图与实际滑坡的空间分布更为吻合,更能凸显十个极重灾区内滑坡灾害的空间效应,表明了在结合GIS技术的基础上,相较于传统的逻辑回归方法,采用基于KDE的多分类逻辑回归方法在研究地震滑坡灾害空间预测问题上具有巨大的优越性,同时也显示出其具有较大的推广应用前景。
一个实施例中,提供的一种滑坡地质灾害的空间预测装置,该装置包括:
影响因子获取模块,用于获取滑坡地质灾害的影响因子。
预测结果确定模块,用于将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果。
其中,所述基于KDE-LR的滑坡灾害空间量化模型,包括:
参数获取单元,用于获取滑坡地质灾害的空间位置和滑坡灾害数量。
空间效应确定单元,用于采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量。
模型构建单元,用于采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型。
关于滑坡地质灾害的空间预测装置的具体限定可以参见上文中对于滑坡地质灾害的空间预测方法的限定,在此不再赘述。上述滑坡地质灾害的空间预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
一个实施例中,提供的一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取滑坡地质灾害的影响因子。
将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果。
其中,所述基于KDE-LR的滑坡灾害空间量化模型的确定,包括:
获取滑坡地质灾害的空间位置和滑坡灾害数量。
采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量。
采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。还有,以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种滑坡地质灾害的空间预测方法,其特征在于,包括:
获取滑坡地质灾害的影响因子;
将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果;
其中,所述基于KDE-LR的滑坡灾害空间量化模型的确定,包括:
获取滑坡地质灾害的空间位置和滑坡灾害数量;
采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量;
采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型;
所述影响因子,包括:地形复杂度、与公路距离、与水系距离、地层岩性、与断层距离和地震动峰值加速度PGA;
所述采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应,具体包括:
根据空间位置和滑坡灾害数量,确定滑坡地质灾害某点处的二维核密度;
根据滑坡地质灾害空间中的二维核密度,确定滑坡灾害点群的聚集或离散分布特征;
根据滑坡灾害点群的聚集或离散分布特征,确定滑坡地质灾害的空间效应;
当所述空间效应为滑坡地质灾害评价中的3分类因变量时,所述空间效应,包括:未发生滑坡灾害情况、空间效应中等灾害情况和空间效应高灾害情况;
所述滑坡地质灾害空间中的二维核密度为:
式中,s为某点空间位置,n为带宽范围内的滑坡灾害点个数,dis为第i个滑坡点到s处的距离,h为带宽;Dm为各个滑坡点到平均中心距离的中位数,N为滑坡灾害点的总和,SD为标准距离,M为总滑坡点个数,xi,yi为滑坡灾害点的坐标,表示滑坡点的平均中心;K0为核函数;
所述多分类逻辑回归法LR,包括:多项逻辑回归模型用概率的形式表示如下:
式中,Pj表示因变量为某一类别的概率,PJ表示参照组的概率;因变量Y取值为0、1、2;将因变量Y=0设定为参照组;j=1,…J-1,αj为截距,xi代表各个影响因子,βij是第i个影响因子的逻辑回归系数;
所述空间预测结果的空间分布包括:栅格数量、区域面积、面积百分比、滑坡数百分比和滑坡密度。
2.如权利要求1所述的滑坡地质灾害的空间预测方法,其特征在于,所述空间预测结果的表达形式包括:滑坡预测敏感性概率图。
3.一种滑坡地质灾害的空间预测装置,其特征在于,包括:
影响因子获取模块,用于获取滑坡地质灾害的影响因子;
预测结果确定模块,用于将影响因子输入基于KDE-LR的滑坡灾害空间量化模型中,获得滑坡地质灾害的空间预测结果;
其中,所述基于KDE-LR的滑坡灾害空间量化模型,包括:
参数获取单元,用于获取滑坡地质灾害的空间位置和滑坡灾害数量;
空间效应确定单元,用于采用核密度估计法KDE,结合空间位置和滑坡灾害数量,确定滑坡地质灾害的空间效应;其中,所述空间效应为滑坡地质灾害评价中的多分类因变量;
模型构建单元,用于采用多分类逻辑回归法LR,将影响因子作为自变量,将空间效应作为因变量,构建基于KDE-LR的滑坡灾害空间量化模型;
所述影响因子,包括:地形复杂度、与公路距离、与水系距离、地层岩性、与断层距离和地震动峰值加速度PGA;
所述空间效应确定单元,具体包括:
根据空间位置和滑坡灾害数量,确定滑坡地质灾害某点处的二维核密度;
根据滑坡地质灾害空间中的二维核密度,确定滑坡灾害点群的聚集或离散分布特征;
根据滑坡灾害点群的聚集或离散分布特征,确定滑坡地质灾害的空间效应;
当所述空间效应为滑坡地质灾害评价中的3分类因变量时,所述空间效应,包括:未发生滑坡灾害情况、空间效应中等灾害情况和空间效应高灾害情况;
所述滑坡地质灾害空间中的二维核密度为:
式中,s为某点空间位置,n为带宽范围内的滑坡灾害点个数,dis为第i个滑坡点到s处的距离,h为带宽;Dm为各个滑坡点到平均中心距离的中位数,N为滑坡灾害点的总和,SD为标准距离,M为总滑坡点个数,xi,yi为滑坡灾害点的坐标,表示滑坡点的平均中心;K0为核函数;
所述多分类逻辑回归法LR,包括:多项逻辑回归模型用概率的形式表示如下:
式中,Pj表示因变量为某一类别的概率,PJ表示参照组的概率;因变量Y取值为0、1、2;将因变量Y=0设定为参照组;j=1,…J-1,αj为截距,xi代表各个影响因子,βij是第i个影响因子的逻辑回归系数;
所述空间预测结果的空间分布包括:栅格数量、区域面积、面积百分比、滑坡数百分比和滑坡密度。
4.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~2中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853026.0A CN113487105B (zh) | 2021-07-27 | 2021-07-27 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853026.0A CN113487105B (zh) | 2021-07-27 | 2021-07-27 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487105A CN113487105A (zh) | 2021-10-08 |
CN113487105B true CN113487105B (zh) | 2023-04-07 |
Family
ID=77943187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853026.0A Active CN113487105B (zh) | 2021-07-27 | 2021-07-27 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487105B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888384B (zh) * | 2021-10-20 | 2023-06-27 | 成都理工大学 | 一种滑坡灾害空间分布特征的分析方法及系统 |
CN115083118B (zh) * | 2022-08-23 | 2022-12-16 | 云南省交通规划设计研究院有限公司 | 一种局部地区滑坡多级预警方法 |
CN116050120B (zh) * | 2023-01-06 | 2023-09-01 | 中国自然资源航空物探遥感中心 | 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
CN105938193A (zh) * | 2016-07-14 | 2016-09-14 | 中南大学 | 一种无需地面辅助的升降轨InSAR监测沉降区绝对地表形变的方法 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN110266528A (zh) * | 2019-06-12 | 2019-09-20 | 南京理工大学 | 基于机器学习的车联网通信的流量预测方法 |
CN112347844A (zh) * | 2020-09-21 | 2021-02-09 | 浙江工业大学 | 一种基于lid的信号对抗样本检测器设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11367016B2 (en) * | 2018-10-25 | 2022-06-21 | The Boeing Company | Machine learning model development with interactive model building |
US11715565B2 (en) * | 2019-11-08 | 2023-08-01 | Tempus Labs, Inc. | Evaluating effect of event on condition using propensity scoring |
-
2021
- 2021-07-27 CN CN202110853026.0A patent/CN113487105B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
CN105938193A (zh) * | 2016-07-14 | 2016-09-14 | 中南大学 | 一种无需地面辅助的升降轨InSAR监测沉降区绝对地表形变的方法 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN110266528A (zh) * | 2019-06-12 | 2019-09-20 | 南京理工大学 | 基于机器学习的车联网通信的流量预测方法 |
CN112347844A (zh) * | 2020-09-21 | 2021-02-09 | 浙江工业大学 | 一种基于lid的信号对抗样本检测器设计方法 |
Non-Patent Citations (2)
Title |
---|
Parameters Derived from and/or Used with Digital Elevation Models (DEMs) for Landslide Susceptibility Mapping and Landslide Risk Assessment: A Review;Nayyer Saleem等;《ISPRS international journal of geo-information》;第1-25页 * |
汶川地震极重灾区震后滑坡地质灾害时空特征与生态恢复力关联分析;韩素月等;《第十五届(2020)中国管理学年会论文集》;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113487105A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Di Napoli et al. | Machine learning ensemble modelling as a tool to improve landslide susceptibility mapping reliability | |
Can et al. | Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms | |
Du et al. | Landslide susceptibility assessment based on an incomplete landslide inventory in the Jilong Valley, Tibet, Chinese Himalayas | |
Chen et al. | The influence of DEM spatial resolution on landslide susceptibility mapping in the Baxie River basin, NW China | |
Cao et al. | Multi-geohazards susceptibility mapping based on machine learning—A case study in Jiuzhaigou, China | |
CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
Chen et al. | Landslide susceptibility assessment using evidential belief function, certainty factor and frequency ratio model at Baxie River basin, NW China | |
Xu et al. | Application of an incomplete landslide inventory, logistic regression model and its validation for landslide susceptibility mapping related to the May 12, 2008 Wenchuan earthquake of China | |
Jena et al. | Earthquake hazard and risk assessment using machine learning approaches at Palu, Indonesia | |
Zhao et al. | A comparative study of landslide susceptibility mapping using SVM and PSO-SVM models based on Grid and Slope Units | |
Calvello et al. | Landslide zoning over large areas from a sample inventory by means of scale-dependent terrain units | |
CN111898315B (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
Shi-Biao et al. | GIS-based and data-driven bivariate landslide-susceptibility mapping in the Three Gorges area, China | |
Pascale et al. | Landslide susceptibility mapping using artificial neural network in the urban area of Senise and San Costantino Albanese (Basilicata, Southern Italy) | |
Dewitte et al. | Combining spatial data in landslide reactivation susceptibility mapping: a likelihood ratio-based approach in W Belgium | |
Wan | Entropy-based particle swarm optimization with clustering analysis on landslide susceptibility mapping | |
Zhang et al. | Robust geographical detector | |
Sema et al. | Fuzzy gamma operator model for preparing landslide susceptibility zonation mapping in parts of Kohima Town, Nagaland, India | |
Zhao et al. | Using the rotation and random forest models of ensemble learning to predict landslide susceptibility | |
Chen et al. | Landslide susceptibility mapping using statistical bivariate models and their hybrid with normalized spatial-correlated scale index and weighted calibrated landslide potential model | |
CN113642849A (zh) | 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 | |
Chen et al. | Application of frequency ratio and weights of evidence models in landslide susceptibility mapping for the Shangzhou District of Shangluo City, China | |
Demir | Landslide susceptibility mapping by using statistical analysis in the North Anatolian Fault Zone (NAFZ) on the northern part of Suşehri Town, Turkey | |
Mao et al. | Landslide susceptibility assessment using uncertain decision tree model in loess areas | |
Chen et al. | Downscaling census data for gridded population mapping with geographically weighted area-to-point regression kriging |
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 |