CN113987807A - 一种基于gis的多准则决策分析绘制滑坡敏感性图的方法 - Google Patents
一种基于gis的多准则决策分析绘制滑坡敏感性图的方法 Download PDFInfo
- Publication number
- CN113987807A CN113987807A CN202111273569.1A CN202111273569A CN113987807A CN 113987807 A CN113987807 A CN 113987807A CN 202111273569 A CN202111273569 A CN 202111273569A CN 113987807 A CN113987807 A CN 113987807A
- Authority
- CN
- China
- Prior art keywords
- landslide
- map
- slope
- factor
- sensitivity
- 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
- 230000035945 sensitivity Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 241000984082 Amoreuxia Species 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000007477 logistic regression Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于GIS的多准则决策分析绘制滑坡敏感性图的方法,涉及滑坡敏感性图绘制技术领域。本发明包括以下步骤:S1:基于数字高程模型(DEM)绘制岩性、坡度、坡向、土地覆盖、排水密度、地形湿度指数、高程、坡长和到道路的距离等9个参数的专题地图,使用ArcGIS软件包注册到通用横向墨卡托投影系统;S2:使用层次分析方法(AHP)方法对滑坡相关参数进行标准化,利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化;S3:采用基于GIS的多准则分析法中的层次分析法(AHP)确定岩性,坡度,坡向等九个标准的权重。本发明在处理处理复杂和非线性数据集有显著优势,此外,在考虑地面参考地图的总体精度方面优于传统的逻辑回归方法。
Description
技术领域
本发明属于滑坡敏感性图绘制技术领域,特别涉及一种基于GIS的多准则决策分析绘制滑坡敏感性图的方法。
背景技术
滑坡是最具破坏性的自然灾害之一,它会使地貌发生剧烈变化,并对地球上的自然和人工结构造成破坏;目前已经开发并应用了许多算法来提高滑坡敏感性图的准确性,基于地理信息系统的多准则决策分析(MCDA)和支持向量回归(SVR)已成功应用于滑坡敏感性图的制作。但是,现在存在的确定滑坡易发区对于确保人类生命安全和避免对区域和国民经济产生负面影响具有重要意义,滑坡易发区的确定、准确和最新的滑坡易发性图是灾害管理中高度研究的课题;识别滑坡和绘制滑坡敏感性图是帮助规划者、地方政府和决策者进行灾害规划的关键步骤;滑坡敏感性图的准确性对于减少生命和财产损失至关重要;用于滑坡敏感性制图的模型需要结合描述地形和气象条件特征的各种因素。
发明内容
本发明的目的在于提供一种基于GIS的多准则决策分析绘制滑坡敏感性图的方法,以岩性、坡度、土地覆盖、坡向、地形湿度指数、排水密度、坡长、高程和道路的距离作为输入数据,解决了背景技术中提出的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的
本发明一种基于GIS的多准则决策分析绘制滑坡敏感性图的方法,包括以下步骤:
S1:基于数字高程模型(DEM)绘制岩性、坡度、坡向、土地覆盖、排水密度、地形湿度指数、高程、坡长和到道路的距离等9个参数的专题地图,使用ArcGIS软件包注册到通用横向墨卡托投影系统;
S2:使用层次分析方法(AHP)方法对滑坡相关参数进行标准化,利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化;
S3:采用基于GIS的多准则分析法中的层次分析法(AHP)确定岩性,坡度,坡向等九个标准的权重,分析其相对重要性;
S4:基于WLC函数,使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子;
S5:将步骤各个标准滑坡因子图通过多准则决策分析结果进行彼此堆叠,形成多层图像,生成滑坡敏感性图。
进一步地,步骤S1基于数字高程模型(DEM)绘制岩性、坡度、坡向、土地覆盖、排水密度、地形湿度指数、高程、坡长和到道路的距离等9个参数的专题地图包括以下内容:
S101:绘制岩性专题地图,可根据目标区域当地地质勘察部门发布的比例尺地图进行绘制;
S102:绘制坡度专题地图,可使用各个不同比例尺的地形图通过数字高程模型(DEM)从1:25生成;
S103:绘制坡向专题地图,与坡向相关的参数,如阳光照射、干燥风、降雨(饱和度)和不连续性,是触发滑坡的重要因素,通过DEM图像用于计算每个像素的纵横比值,以构建纵横比图,生成坡向专题地图;
S104:绘制土地覆盖专题地图,利用卫星数据制作了30米分辨率的土地覆盖图,确定了覆盖目标区域的土地覆盖类型;
S105:绘制排水密度的专题地图:排水密度是指流域内所有溪流和河流的总长度除以流域总面积,由以下公式计算,
式中,Dy为排水密度,L为河流长度,A为集水区面积。为每个集水区估计DY,即,同一集水区内所有像素的排水密度值均为常数。使用ArcGIS软件中的适当算法,从DEM生成目标区域的排水密度图;
S106:绘制地形湿度指数专题地图:使用无凹陷DEM算法去除光栅图像中的汇,根据生成的DEM图像确定多个流向后,生成流量累积面积(AS)和坡度切线(tanβ)图像,目标区域的地形湿度指数TWI是使用以下公式创建的,TWI=in(AS/tanβ),β为坡度;
S107:绘制高程专题地图:基于目标区域的DEM高程数据,按500m等距进行分类,绘制高程专题地图;
S108:绘制坡长专题地图:根据目标区域的DEM绘制坡长图,然后以25m等间距将其划分为若干个等级;
S109:绘制距道路距离专题地图:于距离道路中心线25米的距离间隔,通过缓冲区分析从现有形状文件创建到路线图的距离;
S1010:将专题地图使用ArcGIS软件包注册到通用横向墨卡托投影系统,转化为滑坡因子图。
进一步地,步骤S2使用层次分析方法(AHP)方法对滑坡相关参数进行标准化,利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化包括以下内容:
由于代表滑坡相关参数或因素的输入层处于不同的尺度或间隔,因此使用AHP方法对其进行标准化。利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化。在因子图的标准化中,每个因子都使用了S形模糊隶属函数和用户定义函数。坡度、TWI和排水密度图像采用单调递增的S形模糊隶属函数;距道路距离,坡长和高程图像采用单调递减的S形模糊隶属函数;用户定义的隶属函数用于岩性、土地覆盖和坡向图像。
进一步地,步骤S3采用基于GIS的多准则分析法中的层次分析法(AHP)确定岩性,坡度,坡向等九个参数的权重,分析其相对重要性包括以下内容:
S301:将岩性,坡度,坡向等九个参数分别作为影响滑坡敏感性的重要决策因子;
S302:通过决策因子的两两比较收集输入数据,因子权重从成对比较矩阵中获得,进行特征值和特征向量计算。成对比较矩阵定义如下:
在比较矩阵中,wi为标准化权重,输入aij表示xi优选为xj的标准。如果已知所有标准,则每个比较值aij等于wi/wj。为了确定相对权重,要求决策者进行两两比较,数值范围为1到9,1为同等重要,3为中等重要性,5为很重要,7为非常重要,9为极度重要,2,4,6,8则为相邻比例值之间的中间值。
进一步地,步骤S4基于WLC函数,使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子包括以下内容:
标准映射及其结果权重可用于加权线性组合(WLC)函数中,以聚合标准并生成单个分数。WLC函数用于标准化因子映射,确保因子权重集之和等于1。计算所有标准的总分,并选择总分最高的标准。WLC方法可用以下公式描述:
其中S为最终得分,wi为标准化权重,μi为创作的标准化得分。
使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子。将两两比较矩阵的权重乘以因子图,然后对所有加权因子图进行聚合。基于专家的分类或密度切片被用来定义分类间隔,所有滑坡敏感性图被重新划分为五个敏感性等级:极低、低、中、高和极高。
进一步地,步骤S5将各个标准滑坡因子图根据多准则决策分析结果进行彼此堆叠,形成多层图像,生成滑坡敏感性图包括以下内容:
根据步骤S3-S4中所获得的不同参数的重要性及权重,对上传到横向墨卡托投影系统的专题地图进行彼此堆叠,形成多层图像,生成目标区域的滑坡敏感性图,敏感性图中红色表示滑坡敏感性极高,黄色表示滑坡敏感性高,绿色表示滑坡敏感性中等,浅蓝色表示滑坡敏感性低,深蓝色表示滑坡敏感性极低。
相对于现有的方法,本发明有与实际情况拟合度高的优点,相对于常用的逻辑回归方法,本发明在有处理复杂和非线性数据集有显著优势,此外,在考虑地面参考地图的总体精度方面优于传统的逻辑回归方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1-本发明流程简图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例:
某区域位于黑海南部,年降水量大且降雨情况不规则,有些时期降水稀少,暴雨持续时间较长。由于暴雨,不时会出现许多新的滑坡。暴雨和茂密的植被增加了风化的速度,从而大大降低了上覆单元对滑坡风险的抵抗力。
根据该地区的地质勘察资料,执行步骤S1基于数字高程模型(DEM)分别绘制岩性、坡度、坡向、土地覆盖、排水密度、地形湿度指数、高程、坡长和到道路的距离等9个参数的专题地图包括以下内容:
S101:绘制岩性专题地图,可根据目标区域当地地质勘察部门发布的比例尺地图进行绘制;
S102:绘制坡度专题地图,可使用各个不同比例尺的地形图通过数字高程模型(DEM)从1:25生成;
S103:绘制坡向专题地图,与坡向相关的参数,如阳光照射、干燥风、降雨(饱和度)和不连续性,是触发滑坡的重要因素,通过DEM图像用于计算每个像素的纵横比值,以构建纵横比图,生成坡向专题地图;
S104:绘制土地覆盖专题地图,利用卫星数据制作了30米分辨率的土地覆盖图,确定了覆盖目标区域的土地覆盖类型;
S105:绘制排水密度的专题地图:排水密度是指流域内所有溪流和河流的总长度除以流域总面积,由以下公式计算,
式中,Dy为排水密度,L为河流长度,A为集水区面积。为每个集水区估计DY,即,同一集水区内所有像素的排水密度值均为常数。使用ArcGIS软件中的适当算法,从DEM生成目标区域的排水密度图;
S106:绘制地形湿度指数专题地图:使用无凹陷DEM算法去除光栅图像中的汇,根据生成的DEM图像确定多个流向后,生成流量累积面积(AS)和坡度切线(tanβ)图像,目标区域的地形湿度指数TWI是使用以下公式创建的,TWI=in(AS/tanβ),β为坡度;
S107:绘制高程专题地图:基于目标区域的DEM高程数据,按500m等距进行分类,绘制高程专题地图;
S108:绘制坡长专题地图:根据目标区域的DEM绘制坡长图,然后以25m等间距将其划分为若干个等级;
S109:绘制距道路距离专题地图:于距离道路中心线25米的距离间隔,通过缓冲区分析从现有形状文件创建到路线图的距离;
S1010:将专题地图使用ArcGIS软件包注册到通用横向墨卡托投影系统,转化为滑坡因子图。
执行步骤S2使用层次分析方法(AHP)方法对滑坡相关参数进行标准化,利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化。在因子图的标准化中,每个因子都使用了S形模糊隶属函数和用户定义函数。坡度、TWI和排水密度图像采用单调递增的S形模糊隶属函数;距道路距离,坡长和高程图像采用单调递减的S形模糊隶属函数;用户定义的隶属函数用于岩性、土地覆盖和坡向图像。
执行步骤S3采用基于GIS的多准则分析法中的层次分析法(AHP)确定岩性,坡度,坡向等九个标准的权重,分析其相对重要性,
S301:将岩性,坡度,坡向等九个参数分别作为影响滑坡敏感性的重要决策因子;
S302:通过决策因子的两两比较收集输入数据,因子权重从成对比较矩阵中获得,进行特征值和特征向量计算。成对比较矩阵定义如下:
在比较矩阵中,wi为标准化权重,输入aij表示xi优选为xj的标准。如果已知所有标准,则每个比较值aij等于wi/wj。为了确定相对权重,要求决策者进行两两比较,数值范围为1到9,1为同等重要,3为中等重要性,5为很重要,7为非常重要,9为极度重要,2,4,6,8则为相邻比例值之间的中间值。根据计算结果将最高权重分配给岩性图,这是考虑到该领域先前研究的预期结果,坡度、TWI和土地覆盖因子也被发现是有效的(即主要因子)。其他参数(即坡向、坡长、排水密度、高程和到道路的距离)被确定为不太重要或次要的参数。
执行步骤S4基于WLC函数,使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子:
标准映射及其结果权重可用于加权线性组合(WLC)函数中,以聚合标准并生成单个分数。WLC函数用于标准化因子映射,确保因子权重集之和等于1。计算所有标准的总分,并选择总分最高的标准。WLC方法可用以下公式描述:
其中S为最终得分,wi为标准化权重,μi为创作的标准化得分。
使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子。将两两比较矩阵的权重乘以因子图,然后对所有加权因子图进行聚合。基于专家的分类或密度切片被用来定义分类间隔,所有滑坡敏感性图被重新划分为五个敏感性等级:极低、低、中、高和极高。
执行步骤S5将各个标准滑坡因子图根据多准则决策分析结果进行彼此堆叠,形成多层图像,生成滑坡敏感性图:
根据步骤S3-S4中所获得的不同参数的重要性及权重,对上传到横向墨卡托投影系统的专题地图进行彼此堆叠,形成多层图像,生成目标区域的滑坡敏感性图,敏感性图中红色表示滑坡敏感性极高,黄色表示滑坡敏感性高,绿色表示滑坡敏感性中等,浅蓝色表示滑坡敏感性低,深蓝色表示滑坡敏感性极低。
根据本发明绘制出的该地区的滑坡敏感性图与该地区的实际滑坡情况十分吻合。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于GIS的多准则决策分析绘制滑坡敏感性图的方法,其特征在于:包括以下步骤:
S1:基于数字高程模型(DEM)绘制岩性、坡度、坡向、土地覆盖、排水密度、地形湿度指数、高程、坡长和到道路的距离等9个参数的专题地图,使用ArcGIS软件包注册到通用横向墨卡托投影系统;
S2:使用层次分析方法(AHP)方法对滑坡相关参数进行标准化,利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化;
S3:采用基于GIS的多准则分析法中的层次分析法(AHP)确定岩性,坡度,坡向等九个标准的权重,分析其相对重要性;
S4:基于WLC函数,使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子;
S5:将各个标准滑坡因子图通过多准则决策分析结果进行彼此堆叠,形成多层图像,生成滑坡敏感性图。
2.如权利要求1所述的基于GIS的多准则决策分析绘制滑坡敏感性图的方法,其特征在于:步骤S1基于数字高程模型(DEM)绘制岩性、坡度、坡向、土地覆盖、排水密度、地形湿度指数、高程、坡长和到道路的距离等9个参数的专题地图,使用ArcGIS软件包注册到通用横向墨卡托投影系统包括以下内容:
S101:绘制岩性专题地图,可根据目标区域当地地质勘察部门发布的比例尺地图进行绘制;
S102:绘制坡度专题地图,可使用各个不同比例尺的地形图通过数字高程模型(DEM)从1∶25生成;
S103:绘制坡向专题地图,与坡向相关的参数,如阳光照射、干燥风、降雨(饱和度)和不连续性,是触发滑坡的重要因素,通过DEM图像用于计算每个像素的纵横比值,以构建纵横比图,生成坡向专题地图;
S104:绘制土地覆盖专题地图,利用卫星数据制作了30米分辨率的土地覆盖图,确定了覆盖目标区域的土地覆盖类型;
S105:绘制排水密度的专题地图:排水密度是指流域内所有溪流和河流的总长度除以流域总面积,由以下公式计算,
Dy=∑L/A
式中,Dy为排水密度,L为河流长度,A为集水区面积。为每个集水区估计DY,即,同一集水区内所有像素的排水密度值均为常数。使用ArcGIS软件中的适当算法,从DEM生成目标区域的排水密度图;
S106:绘制地形湿度指数专题地图:使用无凹陷DEM算法去除光栅图像中的汇,根据生成的DEM图像确定多个流向后,生成流量累积面积(AS)和坡度切线(tanβ)图像,目标区域的地形湿度指数TWI是使用以下公式创建的,TWI=in(AS/tanβ),β为坡度;
S107:绘制高程专题地图:基于目标区域的DEM高程数据,按500m等距进行分类,绘制高程专题地图;
S108:绘制坡长专题地图:根据目标区域的DEM绘制坡长图,然后以25m等间距将其划分为若干个等级;
S109:绘制距道路距离专题地图:于距离道路中心线25米的距离间隔,通过缓冲区分析从现有形状文件创建到路线图的距离;
S1010:将专题地图使用ArcGIS软件包注册到通用横向墨卡托投影系统,转化为滑坡因子图。
3.如权利要求2所述的基于GIS的多准则决策分析绘制滑坡敏感性图的方法,其特征在于:步骤S2使用层次分析方法(AHP)方法对滑坡相关参数进行标准化,利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化包括以下内容:
由于代表滑坡相关参数或因素的输入层处于不同的尺度或间隔,因此使用AHP方法对其进行标准化。将利用Idrisi Taiga软件的“模糊”模块,基于模糊隶属函数对滑坡因子图进行标准化。在因子图的标准化中,每个因子都使用了S形模糊隶属函数和用户定义函数。坡度、TWI和排水密度图像采用单调递增的S形模糊隶属函数;距道路距离,坡长和高程图像采用单调递减的S形模糊隶属函数;用户定义的隶属函数用于岩性、土地覆盖和坡向图像。
4.如权利要求3所述的基于GIS的多准则决策分析绘制滑坡敏感性图的方法,其特征在于:步骤S3采用基于GIS的多准则分析法中的层次分析法(AHP)确定岩性,坡度,坡向等九个参数的权重,分析其相对重要性包括以下内容:
S301:将岩性,坡度,坡向等九个参数分别作为影响滑坡敏感性的重要决策因子;
S302:通过决策因子的两两比较收集输入数据,因子权重从成对比较矩阵中获得,进行特征值和特征向量计算。成对比较矩阵定义如下:
在比较矩阵中,wi为标准化权重,输入aij表示xi优选为xj的标准。如果已知所有标准,则每个比较值aij等于wi/wj。为了确定相对权重,要求决策者进行两两比较,数值范围为1到9,1为同等重要,3为中等重要性,5为很重要,7为非常重要,9为极度重要,2,4,6,8则为相邻比例值之间的中间值。
5.如权利要求4所述的基于GIS的多准则决策分析绘制滑坡敏感性图的方法,其特征在于:步骤S4基于WLC函数,使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子包括以下内容:
标准映射及其结果权重可用于加权线性组合(WLC)函数中,以聚合标准并生成单个分数。WLC函数用于标准化因子映射,确保因子权重集之和等于1。计算所有标准的总分,并选择总分最高的标准。WLC方法可用以下公式描述:
S=∑iwiμi
其中S为最终得分,wi为标准化权重,μi为创作的标准化得分。
使用Idrisi Taiga软件MCE模块中可用的WLC方法计算每个评估因子。将两两比较矩阵的权重乘以因子图,然后对所有加权因子图进行聚合。基于专家的分类或密度切片被用来定义分类间隔,所有滑坡敏感性图被重新划分为五个敏感性等级:极低、低、中、高和极高。
6.如权利要求5所述的基于GIS的多准则决策分析绘制滑坡敏感性图的方法,其特征在于:步骤S5将各个标准滑坡因子图根据多准则决策分析结果进行彼此堆叠,形成多层图像,生成滑坡敏感性图包括以下内容:
根据步骤S3-S4中所获得的不同参数的重要性及权重,对上传到横向墨卡托投影系统的专题地图进行彼此堆叠,形成多层图像,生成目标区域的滑坡敏感性图,敏感性图中红色表示滑坡敏感性极高,黄色表示滑坡敏感性高,绿色表示滑坡敏感性中等,浅蓝色表示滑坡敏感性低,深蓝色表示滑坡敏感性极低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273569.1A CN113987807A (zh) | 2021-10-29 | 2021-10-29 | 一种基于gis的多准则决策分析绘制滑坡敏感性图的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273569.1A CN113987807A (zh) | 2021-10-29 | 2021-10-29 | 一种基于gis的多准则决策分析绘制滑坡敏感性图的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987807A true CN113987807A (zh) | 2022-01-28 |
Family
ID=79744543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111273569.1A Pending CN113987807A (zh) | 2021-10-29 | 2021-10-29 | 一种基于gis的多准则决策分析绘制滑坡敏感性图的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987807A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101762809B1 (ko) * | 2016-01-21 | 2017-07-28 | 전주비전대학교산학협력단 | 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법 |
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 |
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 |
-
2021
- 2021-10-29 CN CN202111273569.1A patent/CN113987807A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101762809B1 (ko) * | 2016-01-21 | 2017-07-28 | 전주비전대학교산학협력단 | 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법 |
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 |
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 |
Non-Patent Citations (4)
Title |
---|
SUZANA DRAGIĆEVIĆ等: "GIS-based multicriteria evaluation with multiscale analysis to characterize urban landslide susceptibility in data-scarce environments", SUZANA DRAGIĆEVIĆ等, vol. 45, pages 1 - 6 * |
TASKIN KAVZOGLU等: "Landslide susceptibility mapping using GIS-based multi-criteria decision analysis, support vector machines, and logistic regression", 《LANDSLIDES》, vol. 11, no. 03, pages 1 - 12 * |
文海家等: "基于大数据挖掘的山区公路沿线滑坡易发性小区划", 《自然灾害学报》, vol. 27, no. 04, pages 159 - 165 * |
薛凯喜等: "降雨诱发公路滑坡灾害危险性评价动态权重系统", 《地球与环境》, vol. 39, no. 03, pages 376 - 381 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dash et al. | Identification and validation of potential flood hazard area using GIS‐based multi‐criteria analysis and satellite data‐derived water index | |
Yariyan et al. | Improvement of best first decision trees using bagging and dagging ensembles for flood probability mapping | |
Cabrera et al. | Flood risk assessment for Davao Oriental in the Philippines using geographic information system‐based multi‐criteria analysis and the maximum entropy model | |
Uddin et al. | Application of remote sensing and GIS for flood hazard management: a case study from Sindh Province, Pakistan | |
Mokarram et al. | Determining and forecasting drought susceptibility in southwestern Iran using multi-criteria decision-making (MCDM) coupled with CA-Markov model | |
Zhang et al. | Identifying dominant factors of waterlogging events in metropolitan coastal cities: The case study of Guangzhou, China | |
Ramachandra et al. | Geographic Resources Decision Support System for land use, land cover dynamics analysis | |
Degerli et al. | Using the remote sensing method to simulate the land change in the year 2030 | |
Mitra et al. | Assessment of the performance of GIS-based analytical hierarchical process (AHP) approach for flood modelling in Uttar Dinajpur district of West Bengal, India | |
Sharma et al. | Assessing flood induced land-cover changes using remote sensing and fuzzy approach in Eastern Gujarat (India) | |
Wang et al. | Regional flood risk assessment via coupled fuzzy c-means clustering methods: an empirical analysis from China’s Huaihe River Basin | |
Ghosh et al. | Integration of RS-GIS with frequency ratio, fuzzy logic, logistic regression and decision tree models for flood susceptibility prediction in lower gangetic plain: A study on malda district of West Bengal, India | |
Huq et al. | Assessing vulnerability for inhabitants of Dhaka City considering flood-hazard exposure | |
Rudra et al. | Artificial neural network for flood susceptibility mapping in Bangladesh | |
Quirós et al. | Validation of flood risk maps using open source optical and radar satellite imagery | |
Nsangou et al. | The mfoundi watershed at yaoundé in the humid tropical zone of Cameroon: a case study of urban flood susceptibility mapping | |
Drid et al. | Designing gully erosion susceptibility maps (GESM) in the Algerian Eastern Tell: a case study of the K’sob River watershed | |
Ouma et al. | Flood susceptibility mapping using image-based 2D-CNN deep learning: Overview and case study application using multiparametric spatial data in data-scarce urban environments | |
Bopche et al. | Feature-based model for landslide susceptibility mapping using a multi-parametric decision-making technique and the analytic hierarchy process | |
Kumar et al. | Pixel-based vs. object-based anthropogenic impervious surface detection: driver for urban-rural thermal disparity in Faridabad, Haryana, India | |
Li et al. | Urban flood risk assessment based on DBSCAN and K-means clustering algorithm | |
Khaddari et al. | A Comparative Analysis of Analytical Hierarchy Process and Fuzzy Logic Modeling in Flood Susceptibility Mapping in the Assaka Watershed, Morocco. | |
Yuan et al. | A novel method based on deep learning model for national-scale landslide hazard assessment | |
Boudreault et al. | Ratemaking territories and adverse selection for flood insurance | |
CN113987807A (zh) | 一种基于gis的多准则决策分析绘制滑坡敏感性图的方法 |
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 |