CN113888384A - 一种滑坡灾害空间分布特征的分析方法及系统 - Google Patents
一种滑坡灾害空间分布特征的分析方法及系统 Download PDFInfo
- Publication number
- CN113888384A CN113888384A CN202111219293.9A CN202111219293A CN113888384A CN 113888384 A CN113888384 A CN 113888384A CN 202111219293 A CN202111219293 A CN 202111219293A CN 113888384 A CN113888384 A CN 113888384A
- Authority
- CN
- China
- Prior art keywords
- landslide
- disaster
- landslide disaster
- factor
- space
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000011002 quantification Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims description 31
- 230000006698 induction Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 abstract description 16
- 238000004220 aggregation Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 abstract description 8
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 239000002689 soil Substances 0.000 description 11
- 239000011435 rock Substances 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Library & Information Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提供了一种滑坡灾害空间分布特征的分析方法、系统、电子设备以及存储介质,属于滑坡灾害分析技术领域。本发明综合考虑滑坡灾害空间位置因素,采用KDE法刻画出滑坡灾害的空间聚集效应,并通过DBN算法,构建基于KDE—DBN的滑坡灾害空间量化模型,得到滑坡敏感性图,进而为滑坡灾害的监控预防和风险评价提供有力信息。本发明解决了现有技术中研究灾害发育特征时,未考虑滑坡灾害的空间聚集程度的问题。
Description
技术领域
本发明属于滑坡灾害分析技术领域,尤其涉及一种滑坡灾害空间分布特征的分析方法、系统、电子设备以及存储介质。
背景技术
滑坡是地球最广泛的地质灾害之一,威胁着全球人民的生命财产安全。掌握滑坡灾害的空间分布特征,分析滑坡影响因子可以有效地预防滑坡灾害的发生并减少灾害发生后的损失。
现有的研究成果主要是直观判断滑坡灾害的发育特征,即判断灾害发生与否,并没有考虑滑坡灾害的灾害空间聚集效应,滑坡灾害空间聚集效应越高的地区滑坡灾害易发性和危险性越高。在分析滑坡灾害时,只考虑了是否滑坡(赋值为0-1),即从数理统计角度研究灾害发育特征,并未考虑滑坡灾害的空间聚集程度。
发明内容
针对现有技术中的上述不足,本发明提供的一种滑坡灾害空间分布特征的分析方法及系统,解决了现有技术中研究灾害发育特征时,未考虑滑坡灾害的空间聚集程度的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种滑坡灾害空间分布特征的分析方法,包括以下步骤:
S1、收集研究区滑坡地质灾害的数据;
S2、根据所述数据,刻画研究区的滑坡灾害空间聚集效应,并将滑坡灾害点进行分级;
S3、提取地形地貌因子、地质环境因子和诱发因子,并对滑坡灾害影响因子进行分级;
S4、将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,构建滑坡灾害空间量化模型,并对所述滑坡灾害空间量化模型进行训练和验证;
S5、分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,并结合训练好的滑坡灾害空间量化模型分析滑坡灾害空间分布特征。
本发明的有益效果是:本发明综合考虑滑坡灾害空间位置因素,采用KDE法刻画出滑坡灾害的空间聚集效应,对滑坡灾害空间聚集效应按照高、中、低进行分级,并通过DBN算法,构建基于KDE—DBN的滑坡灾害空间量化模型,得到滑坡敏感性图,进而为滑坡灾害的监控预防和风险评价提供有力信息。
进一步地,所述步骤S4包括以下步骤:
S401、将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,输入至深度置信网络DBN中,构建滑坡灾害空间量化模型;
S402、随机选取研究区域70%的滑坡灾害空间聚焦效应数据作为训练样本,30%的滑坡灾害空间聚焦效应数据作为验证样本,对所述滑坡灾害空间量化模型进行训练和验证。
上述进一步方案的有益效果是:利用已知885个滑坡点的7个影响因素和KDE数值分级分别作为DBN模型训练的自变量与因变量,利用其中70%的数据对DBN模型进行训练,使得到较为稳定的DBN模型,再利用30%的数据对现有模型进行验证,确定DBN模型具有稳定且准确率较高的预测效果。
再进一步地,所述步骤S401中深度置信网络DBN的结构包括依次连接的softmax分类器、输入层、第一隐藏层、第二隐藏层、BP层以及输出层。
上述进一步方案的有益效果是:在现有基本DBN模型结构的基础上,通过实际数据对DBN模型层与层之间的参数进行调整,得到优化后的深度置信模型DBN。
再进一步地,所述深度置信网络DBN中参数优化的表达式如下:
其中,P(v,h)表示输出值,Z表示配分函数,E(v,h)表示RBM的能量函数,v表示层与层之间显层输入数据的影响因素,vi表示层与层之间显层第i个输入数据的影响因素,ai表示显层第i个输入数据的偏置系数,bj表示隐层第j个输入数据的偏置系数,h表示层与层之间隐层输入数据的影响因素,hj表示经过重构后层与层之间隐层第j个输入数据的影响因素,nv表示第n个显层输入数据,nh表示第n个隐层输入数据,ωj,i表示任意显层第i个和隐层第j个输入数据之间有一个权值,i和j表示层与层之间显层输入数据和隐层输入数据的排序。
上述进一步方案的有益效果是:通过模型训练的过程,不断进行参数调整,优化DBN模型,使得预测模型精度更高。
再进一步地,所述步骤S5具体为:利用地理探测器分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,其表达式如下:
其中,q表示与滑坡发生的决定因素的解释力,Nm和N分别表示m和整体滑坡研究区域的单位数,和σ2分别表示整体滑坡研究区域内m的方差和受m影响的研究对象的全局方差,m表示影响因子,L表示第L个因子,SSW和SST分别表示层内方差之和以及区域总方差。
上述进一步方案的有益效果是:通过地理探测器中的因子探测器可以简单且快速的对滑坡影响因子进行权重分析。
基于上述步骤,本发明提供了一种滑坡灾害空间分布特征的分析系统,包括:
数据获取模块,用于收集研究区滑坡地质灾害的数据;
滑坡灾害点分级模块,用于根据所述数据,刻画研究区的滑坡灾害空间聚集效应,并将滑坡灾害点进行分级;
滑坡灾害影响因子分级模块,用于提取地形地貌因子、地质环境因子和诱发因子,并对滑坡灾害影响因子进行分级;
滑坡灾害空间量化模型模块,用于将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,构建滑坡灾害空间量化模型,并对所述滑坡灾害空间量化模型进行训练和验证;
滑坡灾害空间分布特征分析模块,用于分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,并结合训练好的滑坡灾害空间量化模型分析滑坡灾害空间分布特征。
本发明的有益效果是:本发明综合考虑滑坡灾害空间位置因素,采用KDE法刻画出滑坡灾害的空间聚集效应,对滑坡灾害空间聚集效应按照高、中、低进行分级,并通过DBN算法,构建基于KDE—DBN的滑坡灾害空间量化模型,得到滑坡敏感性图,进而为滑坡灾害的监控预防和风。
本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现滑坡灾害空间分布特征的分析方法。
本发明提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行,以实现滑坡灾害空间分布特征的分析方法。
附图说明
图1为本发明的方法流程图。
图2为本实施例中滑坡灾害空间效应的计算结果图。
图3为本实施例中DBN网络算法结构图。
图4为本实施例中滑坡空间分布图。
图5为本实施例中地形信息熵示意图。
图6为本实施例中与水系距离示意图。
图7为本实施例中与断层距离示意图。
图8为本实施例中地层岩性示意图。
图9为本实施例中NDVI示意图。
图10为本实施例中与道路距离示意图。
图11为本实施例中PGA示意图。
图12为本实施例中滑坡灾害敏感性图。
图13为本发明的系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
有鉴于背景技术存在的问题,本发明在充分考虑滑坡灾害空间位置因素基础上,提取7个滑坡影响因素,通过核密度估计法(KDE),刻画出研究区的滑坡灾害空间效应,利用深度置信网络算法(DBN),构建滑坡灾害效应空间量化模型,建立约束后的滑坡灾害预测模型更能够准确的反映出滑坡灾害的空间分布特征,可以为滑坡灾害监测预防和后续风险评价提供参考信息。
如图1所示,本发明提供了一种滑坡灾害空间分布特征的分析方法,其实现方法如下:
S1、收集研究区滑坡地质灾害的数据;
本实施例中,通过Landsat-8 30米分辨率遥感解译研究区内滑坡灾害点发生的数量和空间位置;通过ArcGIS软件将研究区划分成60m*60m像素的网格,共收集885个滑坡灾害点和885个非滑坡点共1770个点作为样本点。
S2、根据所述数据,刻画研究区的滑坡灾害空间聚集效应,并将滑坡灾害点进行分级;
本实施例中,综合考虑滑坡灾害空间位置等因素,采用KDE算法刻画出研究区的滑坡灾害空间聚集效应,通过自然断点法将滑坡灾害点分级(高、中、低)。
本实施例中,核密度估计(KDE算法)其原理主要是借助移动单元格随点进行密度估计。后通过学者的运用研究,逐步发展成为探索空间点分布模式的有效方法,并具有良好的适用性和广泛性。其公式表示为:
式中,f(s)核密度值,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,pi为约束条件,公式如下:
本实施例中,本发明通过KDE算法,可以有效的对滑坡灾害空间聚集效应进行量化分析,将滑坡点空间效应按照KDE数值进行分级,便于滑坡灾害敏感性图的制作。
本实施例中,如图2所示,为了进一步的了解滑坡地质灾害的空间分布特征,避免观察信息的缺失,本文通过KDE方法,综合考虑滑坡灾害的空间位置特征,计算研究区内885个滑坡点的空间效应。如表1所示,表1为滑坡灾害空间效应计算结果数据统计表。
表1
根据自然断裂法将885个滑坡点的KDE值划分为3级(3,2,1),分别代表滑坡灾害空间效应高、中、低。结合图2与表1可看出核密度估计结果较大值出现在汶川县和北川羌族自治县,核密度值达到3.315以上;而滑坡灾害空间效应高、中、低的滑坡点分别占总滑坡点的62%、26.7%、11.3%。
S3、提取地形地貌因子、地质环境因子和诱发因子,并对滑坡灾害影响因子进行分级;
本实施例中,提取地形地貌因子(地形信息熵)、地质环境因子(与水系距离、与断层距离、岩性、NDVI)和诱发因子(与道路距离、PGA)等三类影响因子,并对滑坡灾害影响因子进行分级。
S4、将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,构建滑坡灾害空间量化模型,并对所述滑坡灾害空间量化模型进行训练和验证,其实现方法如下:
S401、将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,输入至深度置信网络DBN中,构建滑坡灾害空间量化模型,其中,深度置信网络的结构包括依次连接的softmax分类器、输入层、第一隐藏层、第二隐藏层、BP层以及输出层;
S402、随机选取研究区域70%的滑坡灾害空间聚焦效应数据作为训练样本,30%的滑坡灾害空间聚焦效应数据作为验证样本,对所述滑坡灾害空间量化模型进行训练和验证。
本实施例中,采用DBN算法,将滑坡地质灾害空间效应(分级情况)作为因变量,各滑坡点影响因素(地形信息熵、与水系距离、与断层距离、岩性、NDVI、与道路距离和PGA)作为自变量,构建基于KDE—DBN的滑坡灾害空间量化模型。
本实施例中,深度置信网络是由限制玻尔兹曼机(RBM)组成的,通过对比散度散发进行训练的无监督学习框架,其中,上一个RBM的隐层即为下一个RBM的显层,上一个RBM的输出即为下一个RBM的输入。如图3所示,本发明在传统的DBN基础之上,在顶层RBM上加上softmax分类器,将DBM训出的ω看作是预训练,并在此基础上通过BP算法进行调优。主要公式如下:
其中,任意两个相连的神经元之间有一个权值ω,该权值表示两个神经元之间的关联强度;同时每一个神经元自身有一个偏置系数,显层神经元的偏置系数表示为a,隐层神经元的偏置系数表示为b,vi表示层与层之间显层第i个输入数据的影响因素,hj是指经过重构后第j个影响因素数值。
S5、分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,并结合训练好的滑坡灾害空间量化模型分析滑坡灾害空间分布特征。
本实施例中,地理探测器是一种基于变量地理层次空间变异分析的有效空间统计方法,主要由因子检测器、交互检测器、生态检测器和风险检测器四个模块组成。为了探索滑坡灾害影响因子的影响程度,本实施例采用了地理探测器的因子检测器模块方法。因子探测器基于q统计量量化因子对滑坡的影响,其公式为:
其中,q是与滑坡发生的决定因素的解释力,h=1,...,L是y的分层或是因子x,即分类或者分区,Nh和N分别代表h和整个区域的而单位数,和σ2分别是整个区域内h单位的方差和y的全局方差,SSW和SST分别表示层内方差之和和区域总方差,q值在0到1之间,q值越大,因子x对y的影响越大。如图12所示,为最终得到的滑坡敏感性图。
下面对本发明作进一步的说明。
由于地震地质灾害的长期性,本发明选择2010年(汶川地震后2年)的滑坡灾害作为研究对象,如图4所示,主要根据通过Landsat-8 30米分辨率遥感解译获得研究区内滑坡灾害发生的数量和空间位置等。利用ArcGIS软件将研究区划分成60m*60m像素的网格,选取研究区885个滑坡点和非滑坡区域的885个非滑坡点共1770个样本点。同时,提取地形信息熵(地形地貌因子),与水系距离、与断层距离、岩性、NDVI(地质环境因子),与道路距离和PGA(诱发因子)共七个影响因素。
本实施例中,研究区共有885个滑坡灾害点,基于数据的质量和可获得性,从地形地貌因子、地质环境因子和其他诱发因子三个方面进行研究(共提取了7个滑坡灾害影响因素。
(一)地形地貌因子
地形信息熵:由于熵在描述地表曲面的变化信息方面有突出的优势,通过对熵的分析可以恰当的描述地形地貌特征相关的地形参数,公式如下所示:
式中,M为研究区地形数据点总数量,h(i)为该窗口各点的高程数据,Ht为地形信息熵,如图5所示,反映了研究区地形所含平均信息量的大小,若地形高程值变化约急剧,地形越独特,信息量越丰富,此时Ht越小;反之若地形越平坦,信息量越小,Ht值越大。
(二)地质环境因子:
①与水系距离:
滑坡灾害的发育与发生河流的特征有密切关系,河流通过流水活动影响和改变地理环境,河流两侧的岩土长期受河流的冲刷侵蚀和水的浸泡作用,岩土体的成分和结构都会发生变化,因此滑坡灾害的发生于到河流距离有较为密切的关系。空间临近效率表明,距离越近对滑坡影响程度越大,因此,如图6所示,本发明将滑坡灾害点与河流距离划分成5个等级评价,分别为>10km,5~10km,2~5km,1~2km,<1km。
②与断层距离
在分析滑坡灾害分布特征时,断层是重要的影响因素,根据相关研究资料,滑坡灾害的发育与断层距离关系密切,距离断层越近,地震滑坡就越多,已有研究表明地质灾害多发生于断裂构造较为密集的部分,因此,如图7所示,本发明将研究区滑坡灾害点距断层距离划分成5个等级进行评价,分别是>15km,8~15km,5~8km,2~5km,<2km。
③岩性
地层岩性是滑坡灾害发育的基础要素,不同岩性内部结构、岩土体强度、物理力学参数、抵抗外界作用力破碎程度不同,对灾害发育具有较大影响。岩性决定着岩土体遭受破坏的难易程度和方式,因此,如图8所示,本发明将岩性按照软硬和稳定程度划分成5个等级进行评价,分别是松散岩(Group 5),软弱(Group 4),较软(Group 3),较硬(Group 2),坚硬(Group 1)。
④NDVI
植被根系可以提高土体抗剪强度,相当于加筋土中筋材的作用,将土体锚固,显著增强土体的完整性和抗侵蚀能力,增加了土体稳定性,抑制了滑坡的发生。从这一点上来说,如图9所示,植被覆盖率越高斜坡越稳定,发生滑坡的可能性也越小。NDVI是衡量植被覆盖度的重要指数,其公式如下:
其中,IR是电磁频谱的红外部分,R是电磁频谱的红外部分,其值越大表示植被覆盖率越高,越小植被覆盖率越低。
(三)诱发因子:
①与道路距离
道路建设会促进滑坡的发育,道路修建和使用的过程中会破坏边坡的稳定性,加速滑坡的发生,且灾害点与道路距离越近,发生滑坡灾害的可能性越大,如图10所示,本发明利用缓冲区处理对道路进行不同等级的缓冲,分别为<1km,1~2km,2~5km,5~10km,>10km。
②PGA
地震动峰值加速度是反映地震时地表震动强度的重要参数,根据强震动衰减性质可知,滑坡密度会随着PGA增加而增加,如图11所示,本发明中根据美国地质调查局PGA数据,将其分为5类:<0.2g,0.2~0.35,0.35~0.5g,0.5~0.6g,>0.6g。
本实施例中,滑坡灾害空间分布特征使用ArcGIS和核密度估计值展示空间聚集程度,本发明滑坡灾害空间效应高的区域占总面积的19.67%,滑坡灾害空间效应中等的区域占总面积的10.11%,滑坡灾害空间效应低的区域占总面积的3.65%。从空间上,汶川地震灾区的滑坡分布很不均匀,核密度值达到3.315以上,在地震断裂带的两端和汶川与绵竹之间的地区,主要为汶川县和北川羌族自治区,滑坡显示较高的空间分布密度。从到断层距离分析,滑坡的数量会随着与断裂带距离的增大而减少;随着到道路距离和到河流距离明显呈现递减趋势;从NDVI分析,NDVI数据越小的地区,滑坡灾害空间效应聚集越高;从PGA分析,多数滑坡发生在大于0.6g的地区;从岩性方面分析,发生在软弱组中的滑坡数量较多,但也有相当数量的滑坡发生在坚硬岩和较硬岩中。
本实施例中,各影响因子的权重分析通过地理探测器分析结果显示,对影响因素影响权重进行归一化处理,地震动峰值加速度(PGA)是造成汶川地震十个极重灾区滑坡灾害空间聚集性和空间差异性的主要因素。PGA是确定地震烈度的依据,PGA值越大,斜坡受到的地震动影响越大,滑坡危险性越高,PGA分布情况也与核密度估计结果的最大值基本保持一致,在一定程度上也佐证了模型的合理性。岩性对滑坡灾害的影响程度仅次于PGA,滑坡灾害空间效应高主要发育在坚硬岩组中,就滑坡密度而言,松散岩组最高。植被覆盖度对于滑坡的影响低于PGA和岩性,植被的根系在土壤中呈现立体的网状结构,可以紧密拉拽表土,降低滑坡发生的可能性。到河流距离和地形信息熵对滑坡空间聚集性和空间差异性的影响相近,到道路距离和到断裂带距离对滑坡灾害空间特征影响最小。如表2所示,表2为各影响因子权重分析表。
表2
实施例2
如图13所示,本发明提供了一种滑坡灾害空间分布特征的分析系统,包括:
数据获取模块,用于收集研究区滑坡地质灾害的数据;
滑坡灾害点分级模块,用于根据所述数据,刻画研究区的滑坡灾害空间聚集效应,并将滑坡灾害点进行分级;
滑坡灾害影响因子分级模块,用于提取地形地貌因子、地质环境因子和诱发因子,并对滑坡灾害影响因子进行分级;
滑坡灾害空间量化模型模块,用于将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,构建滑坡灾害空间量化模型,并对所述滑坡灾害空间量化模型进行训练和验证;
滑坡灾害空间分布特征分析模块,用于分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,并结合训练好的滑坡灾害空间量化模型分析滑坡灾害空间分布特征。
如图13所示实施例提供的滑坡灾害空间分布特征的分析系统可以执行上述方法实施例所示的技术方案,其实现原理与有益效果类似,此处不再赘述。
实施例3
本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现实施例1中任一所述的滑坡灾害空间分布特征的分析方法。
本实施例中,电子设备可以包括:处理器,存储器,总线和通信接口,处理器、通信接口和存储器通过总线连接,存储器中存储有可在处理器上运行的计算机程序,处理器运行该计算机程序时执行本申请前述实施例1所提供的滑坡灾害空间分布特征的分析方法。
实施例4
本发明提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行,以实现实施例1中任一所述的滑坡灾害空间分布特征的分析方法。
上述计算机可读存储介质可以中由任何类型的易失性或非易失性存储设备或他们的组合实现,如静态随机存取存储器(SRAM),可擦除可维和只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘,可读存储介质可以是通用或专用计算机能够存取的任何可用介质。可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息,可读存储介质也可以是处理器组成部分,处理器和可读存储介质可以位于专用集成电路(ASIC)中,处理器和可读存储介质也可以作为分立组件存在于滑坡灾害空间分布特征的分析系统中。
本申请的实施例可提供为方法、装置、或计算机程序产品,因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且本发明可采用一个或多个其中包括有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程和/或方框图来描述的,应理解可由计算机程序指令实现流程图和/或方框图中每一流程和/或方框图、以及流程图和/或方框图的结合,可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图中一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (8)
1.一种滑坡灾害空间分布特征的分析方法,其特征在于,包括以下步骤:
S1、收集研究区滑坡地质灾害的数据;
S2、根据所述数据,刻画研究区的滑坡灾害空间聚集效应,并将滑坡灾害点进行分级;
S3、提取地形地貌因子、地质环境因子和诱发因子,并对滑坡灾害影响因子进行分级;
S4、将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,构建滑坡灾害空间量化模型,并对所述滑坡灾害空间量化模型进行训练和验证;
S5、分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,并结合训练好的滑坡灾害空间量化模型分析滑坡灾害空间分布特征。
2.根据权利要求1所述的滑坡灾害空间分布特征的分析方法,其特征在于,所述步骤S4包括以下步骤:
S401、将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,输入至深度置信网络DBN中,构建滑坡灾害空间量化模型;
S402、随机选取研究区域70%的滑坡灾害空间聚焦效应数据作为训练样本,30%的滑坡灾害空间聚焦效应数据作为验证样本,对所述滑坡灾害空间量化模型进行训练和验证。
3.根据权利要求2所述的滑坡灾害空间分布特征的分析方法,其特征在于,所述步骤S401中深度置信网络DBN的结构包括依次连接的softmax分类器、输入层、第一隐藏层、第二隐藏层、BP层以及输出层。
4.根据权利要求3所述的滑坡灾害空间分布特征的分析方法,其特征在于,所述深度置信网络DBN中参数优化的表达式如下:
6.一种滑坡灾害空间分布特征的分析系统,其特征在于,包括:
数据获取模块,用于收集研究区滑坡地质灾害的数据;
滑坡灾害点分级模块,用于根据所述数据,刻画研究区的滑坡灾害空间聚集效应,并将滑坡灾害点进行分级;
滑坡灾害影响因子分级模块,用于提取地形地貌因子、地质环境因子和诱发因子,并对滑坡灾害影响因子进行分级;
滑坡灾害空间量化模型模块,用于将所述滑坡灾害点的分级结果作为因变量,将所述滑坡灾害影响因子的分级结果作为自变量,构建滑坡灾害空间量化模型,并对所述滑坡灾害空间量化模型进行训练和验证;
滑坡灾害空间分布特征分析模块,用于分别对地形地貌因子、地质环境因子和诱发因子的权重进行分析,并结合训练好的滑坡灾害空间量化模型分析滑坡灾害空间分布特征。
7.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5中任一所述的滑坡灾害空间分布特征的分析方法。
8.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行,以实现如权利要求1-5中任一所述的滑坡灾害空间分布特征的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219293.9A CN113888384B (zh) | 2021-10-20 | 2021-10-20 | 一种滑坡灾害空间分布特征的分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219293.9A CN113888384B (zh) | 2021-10-20 | 2021-10-20 | 一种滑坡灾害空间分布特征的分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888384A true CN113888384A (zh) | 2022-01-04 |
CN113888384B CN113888384B (zh) | 2023-06-27 |
Family
ID=79003838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219293.9A Active CN113888384B (zh) | 2021-10-20 | 2021-10-20 | 一种滑坡灾害空间分布特征的分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888384B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021267A (zh) * | 2013-10-25 | 2014-09-03 | 中国科学院地理科学与资源研究所 | 一种地质灾害易发性判定方法和装置 |
CN107843884A (zh) * | 2017-09-13 | 2018-03-27 | 成都信息工程大学 | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 |
CN108875242A (zh) * | 2018-06-29 | 2018-11-23 | 集美大学 | 一种城市元胞自动机情景模拟方法、终端设备及存储介质 |
CN112132470A (zh) * | 2020-09-25 | 2020-12-25 | 西北大学 | 一种基于加权信息量法的滑坡易发性评估方法 |
CN112949189A (zh) * | 2021-03-07 | 2021-06-11 | 湖南安全技术职业学院(长沙煤矿安全技术培训中心) | 一种基于深度学习的多因素诱发滑坡预测的建模方法 |
CN113487105A (zh) * | 2021-07-27 | 2021-10-08 | 成都理工大学 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
-
2021
- 2021-10-20 CN CN202111219293.9A patent/CN113888384B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021267A (zh) * | 2013-10-25 | 2014-09-03 | 中国科学院地理科学与资源研究所 | 一种地质灾害易发性判定方法和装置 |
CN107843884A (zh) * | 2017-09-13 | 2018-03-27 | 成都信息工程大学 | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 |
CN108875242A (zh) * | 2018-06-29 | 2018-11-23 | 集美大学 | 一种城市元胞自动机情景模拟方法、终端设备及存储介质 |
CN112132470A (zh) * | 2020-09-25 | 2020-12-25 | 西北大学 | 一种基于加权信息量法的滑坡易发性评估方法 |
CN112949189A (zh) * | 2021-03-07 | 2021-06-11 | 湖南安全技术职业学院(长沙煤矿安全技术培训中心) | 一种基于深度学习的多因素诱发滑坡预测的建模方法 |
CN113487105A (zh) * | 2021-07-27 | 2021-10-08 | 成都理工大学 | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 |
Non-Patent Citations (1)
Title |
---|
刘艳;何清;戴晓爱;向芷莹;: "新疆铁路沿线主要气象灾害风险区划及减灾对策探讨", 自然灾害学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN113888384B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858803B (zh) | 一种滑坡地灾风险区划图生成方法 | |
Das et al. | GIS-based landslide susceptibility zonation mapping using the analytic hierarchy process (AHP) method in parts of Kalimpong Region of Darjeeling Himalaya | |
Aghdam et al. | Landslide susceptibility mapping using an ensemble statistical index (Wi) and adaptive neuro-fuzzy inference system (ANFIS) model at Alborz Mountains (Iran) | |
Bui et al. | Spatial prediction of landslide hazards in Hoa Binh province (Vietnam): a comparative assessment of the efficacy of evidential belief functions and fuzzy logic models | |
Wan | A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map | |
Li et al. | GIS‐Based Landslide Susceptibility Mapping Using Information, Frequency Ratio, and Artificial Neural Network Methods in Qinghai Province, Northwestern China | |
Li et al. | Rainfall and earthquake-induced landslide susceptibility assessment using GIS and Artificial Neural Network | |
CN114926067B (zh) | 一种基于信息量模型的层次分析地质灾害风险评价方法 | |
Pascale et al. | Landslide susceptibility mapping using artificial neural network in the urban area of Senise and San Costantino Albanese (Basilicata, Southern Italy) | |
Wang et al. | Rainfall‐induced landslide hazard assessment using artificial neural networks | |
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 | |
CN114036841A (zh) | 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 | |
Fanos et al. | A spatial ensemble model for rockfall source identification from high resolution LiDAR data and GIS | |
Demir | Landslide susceptibility mapping by using statistical analysis in the North Anatolian Fault Zone (NAFZ) on the northern part of Suşehri Town, Turkey | |
CN111507539A (zh) | 一种基于层次分析法的泥石流危险等级评价方法及系统 | |
Zhang et al. | Integration of analytical hierarchy process and landslide susceptibility index based landslide susceptibility assessment of the Pearl river delta area, China | |
Ling et al. | Landslide susceptibility assessment using statistical and machine learning techniques: A case study in the upper reaches of the Minjiang River, southwestern China | |
Chen et al. | A back-propagation network for the assessment of susceptibility to rock slope failure in the eastern portion of the Southern Cross-Island Highway in Taiwan | |
Wang et al. | Landslide susceptibility assessment in Wenchuan County after the 5.12 magnitude earthquake | |
Teshnizi et al. | Application of analytical hierarchy process (AHP) in landslide susceptibility mapping for Qazvin province, N Iran | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
KR102387940B1 (ko) | 산사태와 관련된 환경 지리적 특성을 파악하기 위한 산사태 예측 장치 및 방법 | |
Wang et al. | Key predisposing factors and susceptibility assessment of landslides along the Yunnan–Tibet traffic corridor, Tibetan plateau: Comparison with the LR, RF, NB, and MLP techniques | |
CN117711140A (zh) | 基于多源数据融合的隧洞突水灾害定时预警方法及系统 | |
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 |
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 |