CN113987813A - 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 - Google Patents
一种基于多参数决策和层次分析法的滑坡敏感性制图模型 Download PDFInfo
- Publication number
- CN113987813A CN113987813A CN202111275926.8A CN202111275926A CN113987813A CN 113987813 A CN113987813 A CN 113987813A CN 202111275926 A CN202111275926 A CN 202111275926A CN 113987813 A CN113987813 A CN 113987813A
- Authority
- CN
- China
- Prior art keywords
- landslide
- slope
- value
- gradient
- map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000035945 sensitivity Effects 0.000 title claims abstract description 31
- 230000008569 process Effects 0.000 title claims abstract description 23
- 238000013507 mapping Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000011160 research Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 1
- 238000005206 flow analysis Methods 0.000 claims 1
- 238000009825 accumulation Methods 0.000 abstract description 10
- 238000007726 management method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011439 discrete element method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013316 zoning 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多参数决策和层次分析法的滑坡敏感性制图模型,涉及山体滑坡技术领域。本发明包括如下步骤:S1分析地形因素,地形参数最重要的地理因素,使用ArcGIS 10.8空间分析工具从数字高程模型(DEM)中导出坡度图、曲率图、坡度图、坡向图和高程图;S2分析水文参数,利用ArcGIS软件的空间分析工具,研究水文参数对滑坡发生的影响,水文参数可修正从DEM中导出的不良数据;S3分析与道路线的距离对边坡的影响,S4滑坡敏感性绘图,S5建立数值评分方案,S6生成滑坡敏感性指数。本发明应用多参数方法为LSM,生成开发一种结论性的、统计累积的方法。
Description
技术领域
本发明属于山体滑坡技术领域,具体涉及一种基于多参数决策和层次分析法的滑坡敏感性制图模型。
背景技术
如今滑坡敏感性制图(LSM)和滑坡危害分区(LHZ)和风险管理的评估已成为地质科学家和工程研究人员的一个有趣话题,山体滑坡是全世界最常见的破坏性自然灾害之一,滑坡会影响特定区域的人类生命、牲畜、财产、工业、基础设施(如道路、水坝、桥梁、通信线路等)和农业用地;LSM的预测和监测通常需要收集有关该地区的综合信息;数字高程模型(DEM)是地理空间数据的一个不可避免的元素;DEM是地球表面的3-D表示(X、Y和Z);DEM是一个连续间隔的网格,它保存与网格单元位置链接的点的高度;DEM的Z值表示地形的高程值;DEM通常有助于在对坡度、坡向、高程、曲率坡度、表面材料、排水网络、水道和植被生长进行分类方面对影像进行研究和调查;如今,高分辨率DEM被用于大量遥感和地理应用,如水文、制图、灾害风险管理、农村和城市规划、基础设施发展、地质、国防、流域管理和进步以及农业。
发明内容
本发明目的在于提供一种基于多参数决策和层次分析法的滑坡敏感性制图模型,以达到应用多参数方法为LSM,生成开发一种结论性的、统计累积的方法。
为实现上述目的,本发明采用如下技术方案:
一种基于多参数决策和层次分析法的滑坡敏感性制图模型,包括如下步骤:
S1:分析地形因素:地形参数是影响坡度、坡向、丘陵海拔和曲率坡度的最重要的地理因素;利用ArcGIS10.8空间分析工具,从数字高程模型(DEM)中导出坡度图、曲率坡度图、坡向图和高程图,然后分析从DEM中提取的因素之间的相关性及其对风险管理的影响。
S101:坡度图分析:坡度是地形的一阶导数,利用ArcMap空间分析工具,从DEM生成研究区坡度下降图,边坡角度是评价边坡不确定性的重要参数;坡度图给出了陡坡方向的高度变化率,坡度估计是识别更容易发生滑坡的地区的重要因素;坡度图对从光栅扫描平面的每个单元格到其相邻单元格的高程梯度进行分类,坡度图分为九类,即0-3°、3-7°、7-11°、11-15°、15-20°、20-26°、26-34°、34-47°和47-81°,每个从新分类的坡度由单变量数据(值0到9)组成。
坡度S的计算公式如公式1所示:
其中δ(x)和δ(y)分别为x和y方向的变化率;研究区坡度值采用高程值的3x3矩阵计算。
S102:方位图分析:利用ArcMap的空间分析工具,从DEM中生成区域的方位图;坡向图描述了斜坡的方向,斜坡的朝向是该地区检测的另一个重要因素;方位图是从北向顺时针方向测量的,以0°到359.9°的正值表示;方位图可分为9类,即Flat(-1),N(337.50°-22.50°),NE(22.50°–67.50°),E(67.50°–112.50°),SE(112.50°–157.50°),S(157.50°–202.50°),SW(202.50°–247.50°),W(247.50°–292.50°),和N(292.50°–337.50°)。方位计算如公式2所示:
S103:高程图分析:高程通常用于识别局部地形,并显示研究区域的最小和最大高程值;研究区地势分为平地、中高丘陵和陡峭丘陵;研究区丘陵地带的滑坡发生率最高;将高程值分成9个等级,即198-347m、347-481m、481-587m、587-646m、646-720m、720–803m、803–889m、889–979m和979–1199m。
S104:曲率图分析:曲率为地形的二阶导数,即曲率由于地表和地下水流的堵塞而影响斜坡的耐久性;曲率图用来测量与平面线的偏差,曲率图分为两种类型,第一种类型是平面的曲率,它垂直于最陡的斜坡方向,描述了溪流是发散还是收敛;第二个是剖面曲率,在最大坡度的方向上考虑,并控制流域的流速。
S2:分析水文参数:水文参数分析中常用的地理因子直接从DEM中获取;本研究利用ArcGIS软件的空间分析工具,研究了水文参数对滑坡发生的影响;免费提供的DEM在DEM的采集或插值方法中存在一些缺陷,水文因子用于校正数据集,生成水文参数的步骤如下:
S201:填充栅格:水文参数的生成开始填充数据栅格,填充工具从勾画河道开始,填充工具旨在去除栅格DEM中的小凹陷或空隙,填充工具用于从新表面并将其平整,将闭合凹陷的溢出点连接在一个平坦的表面上。
S202:流动方向:填充光栅的输出被用作流动方向图的输入。从每个单元到其相邻的陡坡处产生一个流动方向,其坡度最高。流动方向工具还可以估计每对像素之间的斜率或梯度,坡度G可有公式3所示:
其中,E为高程,HDP为像素水平距离。
S203:流量分析:流量累积工具以像素为单位逐个计算流量积累;累积工具使用流向栅格计算每个像素的贡献像素总和;每个像素值表示向它提供水的上游像素的数量。
S204:水流长度:流链接为交叉点之间的线段分配唯一的值;河流链接是连接两个连续交叉点的河流通道的扇区,这些交叉点形成了交界处和出口,通过对流积累工具的输出设置阈值,可以形成流链路的输入。
S205:河网分级:在考虑范围内的流的数量与流的顺序成正比,流的顺序是从第一个到第九个,一阶流的总长度是最大的;随着流的顺序增加,流的总长度按各自的顺序减小;溪流顺序的变化表明溪流从高处流向低处。
S206:栅格河网矢量化:栅格河网矢量化工具使用的算法主要用于矢量化河流网络或任何表示方向已知的栅格线性网络的栅格,运用工具计算从每个像素到最近的流源的距离,与流线的距离9个等级,即0–15.04m、15.04–35.4m、35.4–58.4m、58.4–82.3m、82.3–106.7m、106.7–130.9m、130.9–155.7m155.7–183.2m和183.2–225.6m,然后到流线参数的距离已根据分配的权重从新分类,距离流线较短的地方发生山体滑坡的可能性最大,与流线的距离越短,权重越高。
S3:分析与道路线的距离对边坡的影响:道路线路的建设对边坡稳定性有很大的负面影响;道路和被道路破坏的斜坡边很容易发生滑坡,道路切入斜坡,使土体失去支撑,降低了抗力;由于从山上移走的材料经常用于对抗斜坡,因此可能会导致斜坡的过度填充,溪流的变化可能导致水在斜坡的不平坦部分积聚;将距离道路线的距离分为九个等级,即0-23m、23-47m、47-70m、70-93m,93–116m、116–142m、142–170m、170–200m和200–230米,然后,我们根据分配的重分类值对与道路线值的距离进行重分类,与道路的距离越短,权重越高。
S4:滑坡敏感性绘图:滑坡敏感性评估和绘图是使用层次分析法模型和基于知识的信息价值技术完成的;本研究中应用的层次分析法模型由Saaty(1980)制定AHP是一种多参数决策(MPDM)方法,允许在决策方法中检查客观和主参数;AHP技术的重要特征之一是它能够估计定性和定量测量;层次分析法的重要步骤是:开发用于预测滑坡的模型;制定措施的优先级(权重);一致性检查(权重分配是否正确);制定总体优先级并提供最终决定,本专利识别到六种不同的滑坡因素,每一种都会对滑坡的发生率产生影响,由于每个因素的影响不同,计算滑坡中每个因素的相对权重很重要;使用层次分析法实现成对决策矩阵,通过分配一个从1到9的相对显着度值,对每个特征进行评估,一旦准备好决策矩阵,滑坡因素的相对权重就从矩阵的数学处理中推导出来;计算矩阵的主要或最大特征向量的AHP算法;权重的总和始终等于1,表示每个因素对滑坡敏感性的相对重要性和参与度;结束步骤包括通过按降序排列权重的分数来对权重进行排序;决定这一重要性的一致比(CR)如等式4所示:
CR=CI/RI (4)
其中CI是矩阵的一致性指数,RI是随机指数。CR的范围从0到1;如果CR小于0.1,则认为AHP是可接受的一致性;CI由等式5所示:
CI=(λmax-n)/(n-1) (5)
其中为λmax是比较矩阵各列的和与相对权重乘积的和,n为矩阵的阶数;随机指数(RI)描述了任意创建的成对决策矩阵的一致性。
S5:建立数值评分方案:LSM中使用的特征需要根据它们对滑坡成因的相对重要性来构造;这可以通过编制一个评级方案来完成,在该方案中,滑坡的因果特征及其类别被分配了有意义的数值;根据现场调查的滑坡相关贡献特征和先前工作的信息或知识,设计了一个数值评级系统;在该方案中,参数被分为不同的类别,根据滑坡发生的重要程度,为每一类分配一个数值权重值(0-9);重量越高,对滑坡的影响越大,通过使用不同的权重组合进行多次迭代,适当地修改了评级方案。
S6:计算滑坡敏感性指数(LSI):根据成对决策矩阵中获得不同因素的相对权重,即到溪流的距离、坡度、高程、道路的距离、曲率与方位这些因素的相对权重;然后得到LSI的公式,如等式(6)所示:
LSI=(W1*RS)+(W2*RA)+(W3*RE)+(W4*RD)+(W5*RC)+(W6*RDR) (6)
其中W1是坡度的权重,W2是方位的权重,W3是高程的权重,W4是到溪流距离的权重,W5是曲率的权重,W6是到道路距离的权重,RS是坡度的重分类值,RA是方位的重分类值,RE是高程的重分类值,RD是到溪流距离的重分类值,RC是曲率的重分类值,RDR是与道路距离的重分类值;当LSI值为正或偏高时,说明滑坡的可能性较大,如果LSI值为负或较低,则表明滑坡的可能性比较低。
附图说明
图1是生成和评估滑坡敏感性的流程图。
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。
下面对本发明作进一步详细说明:
实施例:研究区M总面积1039平方公里2,有144个村庄,N村就是其中之一;研究区主要为不规则形状的山地地形,由于降雨量适中且不规则,该地区的植被类型为干燥落叶和灌木;季风季节年平均降水量为1133.74毫米,N村村位于M区的西北方向;N村陆地总面积约7.73平方公里;N村总人口704人。N村平均海拔在平均海平面(MSL)以上760m;M区的数字高程模型由Cartosat-1得到,显示所考虑区域的谷歌地图图像由谷歌地球地图下载,用于LSM生成的数据是Cartosat-1数字高程模型提供;Cartosat-1DEM从当地空间研究组织官方网站下载。
一种基于多参数决策和层次分析法的滑坡敏感性制图模型,包括如下步骤:
S1:分析地形因素:地形参数是影响坡度、坡向、丘陵海拔和曲率坡度的最重要的地理因素;利用ArcGIS10.8空间分析工具,从数字高程模型(DEM)中导出坡度图、曲率坡度图、坡向图和高程图,然后分析从DEM中提取的因素之间的相关性及其对风险管理的影响。
S101:坡度图分析:坡度是地形的一阶导数,利用ArcMap空间分析工具,从DEM生成研究区坡度下降图,边坡角度是评价边坡不确定性的重要参数;坡度图给出了陡坡方向的高度变化率,坡度估计是识别更容易发生滑坡的地区的重要因素;坡度图对从光栅扫描平面的每个单元格到其相邻单元格的高程梯度进行分类,对坡度梯度图的彻底分析表明,大部分研究区域处于中等至最陡的坡度下,坡度图分为九类,即0-3°、3-7°、7-11°、11-15°、15-20°、20-26°、26-34°、34-47°和47-81°,每个从新分类的坡度由单变量数据(值0到9)组成,坡度最大的可能性是在47-81°的斜坡上,坡度为47-81°的重分类值最高,即‘9’。斜坡坡度S的计算公式如公式1所示:
其中δ(x)和δ(y)分别为x和y方向的变化率;研究区坡度值采用高程值的3x3矩阵计算。
S102:方位图分析:利用ArcMap的空间分析工具,从DEM中生成区域的方位图;坡向图描述了斜坡的方向,斜坡的朝向是该地区检测的另一个重要因素;方位图是从北向顺时针方向测量的,以0°到359.9°的正值表示;方位图可分为9类,即Flat(-1),N(337.50°-22.50°),NE(22.50°–67.50°),E(67.50°–112.50°),SE(112.50°–157.50°),S(157.50°–202.50°),SW(202.50°–247.50°),W(247.50°–292.50°),和N(292.50°–337.50°)。方位计算如公式2所示:
S103:高程图分析:高程通常用于识别局部地形,并显示研究区域的最小和最大高程值;研究区地势分为平地、中高丘陵和陡峭丘陵;研究区丘陵地带的滑坡发生率最高;在本研究中,海拔高度值范围为MSL以上198至1199m,将高程值分成9个等级,即198-347m、347-481m、481-587m、587-646m、646-720m、720–803m、803–889m、889–979m和979–1199m。
S104:曲率图分析:曲率为地形的二阶导数,即曲率由于地表和地下水流的堵塞而影响斜坡的耐久性;曲率图用来测量与平面线的偏差,曲率图分为两种类型,第一种类型是平面的曲率,它垂直于最陡的斜坡方向,描述了溪流是发散还是收敛;第二个是剖面曲率,在最大坡度的方向上考虑,并控制流域的流速。
S2:分析水文参数:水文参数分析中常用的地理因子直接从DEM中获取;本研究利用ArcGIS软件的空间分析工具,研究了水文参数对滑坡发生的影响,免费提供的DEM在DEM的采集或插值方法中存在一些缺陷,水文因子用于校正数据集,生成水文参数的步骤如下:
S201:填充栅格:水文参数的生成开始填充数据栅格,填充工具从勾画河道开始,填充工具旨在去除栅格DEM中的小凹陷或空隙,填充工具用于从新表面并将其平整,将闭合凹陷的溢出点连接在一个平坦的表面上。
S202:流动方向:填充光栅的输出被用作流动方向图的输入;从每个单元到其相邻的陡坡处产生一个流动方向,其坡度最高;流动方向工具还可以估计每对像素之间的斜率或梯度,坡度G可有公式3所示:
其中,E为高程,HDP为像素水平距离。
S203:流量分析:流量累积工具以像素为单位逐个计算流量积累;累积工具使用流向栅格计算每个像素的贡献像素总和;每个像素值表示向它提供水的上游像素的数量。
S204:水流长度:流链接为交叉点之间的线段分配唯一的值;河流链接是连接两个连续交叉点的河流通道的扇区,这些交叉点形成了交界处和出口,通过对流积累工具的输出设置阈值,可以形成流链路的输入。
S205:河网分级:在考虑范围内的流的数量与流的顺序成正比,流的顺序是从第一个到第九个,一阶流的总长度是最大的;随着流的顺序增加,流的总长度按各自的顺序减小;溪流顺序的变化表明溪流从高处流向低处。
S206:栅格河网矢量化:栅格河网矢量化工具使用的算法主要用于矢量化河流网络或任何表示方向已知的栅格线性网络的栅格,运用工具计算从每个像素到最近的流的距离,与流线的距离9个等级,即0–15.04m、15.04–35.4m、35.4–58.4m、58.4–82.3m、82.3–106.7m、106.7–130.9m、130.9–155.7m155.7–183.2m和183.2–225.6m,然后到流线参数的距离,已根据分配的权重从新分类,距离流线较短的地方发生山体滑坡的可能性最大,与流线的距离越短,权重越高。
S3:分析与道路线的距离对边坡的影响:道路线路的建设对边坡稳定性有很大的负面影响;道路和被道路破坏的斜坡边很容易发生滑坡,道路切入斜坡,使土体失去支撑,降低了抗力;由于从山上移走的材料经常用于对抗斜坡,因此可能会导致斜坡的过度填充,溪流的变化可能导致水在斜坡的不平坦部分积聚;通过网站可看到研究区的路线图,将距离道路线的距离分为九个等级,即0-23m、23-47m、47-70m、70-93m,93–116m、116–142m、142–170m、170–200m和200–230米;然后,我们根据分配的重分类值对与道路线值的距离进行重分类,与道路的距离越短,权重越高。
S4:滑坡敏感性绘图:滑坡敏感性评估和绘图是使用层次分析法模型和基于知识的信息价值技术完成的;本研究中应用的层次分析法模型由Saaty(1980)制定AHP是一种多参数决策(MPDM)方法,允许在决策方法中检查客观和主参数;AHP技术的重要特征之一是它能够估计定性和定量测量;层次分析法的重要步骤是:开发用于预测滑坡的模型;制定措施的优先级(权重);一致性检查(权重分配是否正确);制定总体优先级并提供最终决定;本专利识别到六种不同的滑坡因素,每一种都会对滑坡的发生率产生影响,由于每个因素的影响不同,计算滑坡中每个因素的相对权重很重要;使用层次分析法实现成对决策矩阵;通过分配一个从1到9的相对显着度值,对每个特征进行评估,一旦准备好决策矩阵,滑坡因素的相对权重就从矩阵的数学处理中推导出来:计算矩阵的主要或最大特征向量的AHP算法;权重的总和始终等于1,表示每个因素对滑坡敏感性的相对重要性和参与度;结束步骤包括通过按降序排列权重的分数来对权重进行排序。决定这一重要性的一致比(CR)如等式4所示:
CR=CI/RI(4)
其中CI是矩阵的一致性指数,RI是随机指数;CR的范围从0到1。如果CR小于0.1,则认为AHP是可接受的一致性;CI由等式5所示:
CI=(λmax-n)/(n-1)(5)
其中为λmax是比较矩阵各列的和与相对权重乘积的和,n为矩阵的阶数;随机指数(RI)描述了任意创建的成对决策矩阵的一致性。
S5:建立数值评分方案:LSM中使用的特征需要根据它们对滑坡成因的相对重要性来构造;这可以通过编制一个评级方案来完成,在该方案中,滑坡的因果特征及其类别被分配了有意义的数值;根据现场调查的滑坡相关贡献特征和先前工作的信息或知识,设计了一个数值评级系统;在该方案中,参数被分为不同的类别;根据滑坡发生的重要程度,为每一类分配一个数值权重值(0-9);重量越高,对滑坡的影响越大,通过使用不同的权重组合进行多次迭代,适当地修改了评级方案。
S6:计算滑坡敏感性指数(LSI):根据成对决策矩阵中获得不同因素的相对权重,即到溪流的距离、坡度、高程、与道路的距离、曲率、方位这些因素的相对权重;然后得到LSI的公式,如等式6所示:
LSI=(W1*RD)+(W2*RA)+(W3*RE)+(W4*RD)+(W5*RC)+(W6*RDR) (6)
其中W1是坡度的权重,W2是方位的权重,W3是高程的权重,W4是到溪流距离的权重,W5是曲率的权重,W6是到道路距离的权重,RS是坡度的重分类值,RA是方位的重分类值,RE是高程的重分类值,RD是到溪流距离的重分类值,RC是曲率的重分类值,RDR是与道路距离的重分类值;当LSI值为正或偏高时,说明滑坡的可能性较大,如果LSI值为负或较低,则表明滑坡的可能性比较低。
要开发准确的LSM并导出适当的模型,应用方法的合理性至关重要;使用相对操作特征模型(R0C)和检测到的不同敏感性类别的滑坡百分比来评估LSM的有效性;ROC的曲线下面积(AUC)反映了AHP方法的效率和准确性;AUC值接近1表示准确度高,而AUC值接近0.5表示准确度低。
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 (8)
1.一种基于多参数决策和层次分析法的滑坡敏感性制图模型,其特征在于:包括如下步骤:
S1:分析地形因素:地形参数是影响坡度、坡向、丘陵海拔和曲率坡度的最重要的地理因素;
S101:坡度图分析:坡度是地形的一阶导数,利用ArcMap空间分析工具,从DEM生成研究区坡度下降图,坡度图给出了陡坡方向的高度变化率,坡度分析是识别更容易发生滑坡的地区的重要因素;
S102:方位图分析:利用ArcMap的空间分析工具,从DEM中生成区域的方位图,方位图是从北向顺时针方向测量的,以0°到359.9°的正值表示,同时将方位和方向分为九类;
S103:高程图分析:高程通常用于识别局部地形,并显示研究区域的最小和最大高程值,将所得的高程值分成九个等级;
S104:曲率图分析:曲率为地形的二阶导数,曲率图用来测量与平面线的偏差;
S2:分析水文参数:
S201:填充栅格:通过填充表面栅格中的汇来移除数据中的小缺陷;
S202:流动方向:创建从每个像元到其最陡下坡相邻点的流向的栅格;
S203:流量分析:创建每个像元累积流量的栅格,可选择性应用权重系数;
S204:水流长度:计算沿每个像元的流路径的上游(或下游)距离或加权距离;
S205:河网分级:为表示线状网络分支的栅格线段指定数值顺序;
S206:栅格河网矢量化;
S207:将表示线状网络的栅格转换为表示线状网络的要素;
S3:分析与道路线的距离对边坡的影响;
S4:滑坡敏感性绘图;
S5:建立数值评分方案;
S6:计算滑坡敏感性指数(LSI)。
4.根据权利要求1所述的一种基于多参数决策和层次分析法的滑坡敏感性制图模型,其特征在于:步骤S201中:水文参数的生成开始填充数据栅格,填充工具从勾画河道开始,填充工具旨在去除栅格DEM中的小凹陷或空隙,填充工具用于从新表面并将其平整,将闭合凹陷的溢出点连接在一个平坦的表面上。
6.根据权利要求1所述的一种基于多参数决策和层次分析法的滑坡敏感性制图模型,其特征在于:步骤S3中:将距离道路线的距离分为九个等级,然后,根据分配的重分类值对与道路线值的距离进行重分类,与道路的距离越短,权重越高。
7.根据权利要求1所述的一种基于多参数决策和层次分析法的滑坡敏感性制图模型,其特征在于:步骤S4中:识别到六种不同的滑坡因素,每一种都会对滑坡的发生率产生影响,由于每个因素的影响不同,计算滑坡中每个因素的相对权重很重要;使用层次分析法实现成对决策矩阵,通过分配一个从1到9的相对显着度值,对每个特征进行评估,一旦准备好决策矩阵,滑坡因素的相对权重就从矩阵的数学处理中推导出来:计算矩阵的主要或最大特征向量的AHP算法;权重的总和始终等于1,表示每个因素对滑坡敏感性的相对重要性和参与度;结束步骤包括通过按降序排列权重的分数来对权重进行排序,决定这一重要性的一致比(CR)如等式(4)所示:
CR=CI/RI (4)
其中CI是矩阵的一致性指数,RI是随机指数;CR的范围从0到1,如果CR小于0.1,则认为AHP是可接受的一致性。CI由等式(5)所示:
CI=(λmax-n)/(n-1) (5)
其中为λmax是比较矩阵各列的和与相对权重乘积的和,n为矩阵的阶数;随机指数(RI)描述了任意创建的成对决策矩阵的一致性。
8.根据权利要求1所述的一种基于多参数决策和层次分析法的滑坡敏感性制图模型,其特征在于:步骤S6中:根据成对决策矩阵中获得不同因素的相对权重,然后得到LSI的公式,如等式(6)所示:
LSI=(W1*RS)+(W2*RA)+(W3*RE)+(W4*RD)+(W5*RC)+(W6*RDR) (6)
其中W1是坡度的权重,W2是方位的权重,W3是高程的权重,W4是到溪流距离的权重,W5是曲率的权重,W6是到道路距离的权重,RS是坡度的重分类值,RA是方位的重分类值,RE是高程的重分类值,RD是到溪流距离的重分类值,RC是曲率的重分类值,RDR是与道路距离的重分类值;当LSI值为正或偏高时,说明滑坡的可能性较大,如果LSI值为负或较低,则表明滑坡的可能性比较低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275926.8A CN113987813A (zh) | 2021-10-29 | 2021-10-29 | 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275926.8A CN113987813A (zh) | 2021-10-29 | 2021-10-29 | 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987813A true CN113987813A (zh) | 2022-01-28 |
Family
ID=79744798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111275926.8A Pending CN113987813A (zh) | 2021-10-29 | 2021-10-29 | 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987813A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595581A (zh) * | 2022-03-11 | 2022-06-07 | 重庆地质矿产研究院 | 基于影响因素动态权重的区域地质灾害危险性概率模型 |
CN114880954A (zh) * | 2022-06-10 | 2022-08-09 | 重庆地质矿产研究院 | 一种基于机器学习的滑坡敏感性的评估方法 |
CN116091369A (zh) * | 2023-04-10 | 2023-05-09 | 武汉天际航信息科技股份有限公司 | 数字道路地图区分方法、装置、计算设备和存储介质 |
-
2021
- 2021-10-29 CN CN202111275926.8A patent/CN113987813A/zh active Pending
Non-Patent Citations (13)
Title |
---|
MARTIN-MARTIN: "What is the "57.29578" that ArcGIS uses in Aspect calculation?", Retrieved from the Internet <URL:https://gis.stackexchange.com/questions/237696/what-is-the-57-29578-that-arcgis-uses-in-aspect-calculation> * |
OTTO HUISMAN AND ROLF A. DE: "《Principles of Geographic Information Systems》", 31 December 1998, THE INTERNATIONAL INSTITUTE FOR GEO-INFORMATION SCIENCE AND EARTH OBSERVATION (ITC), pages: 410 - 415 * |
冯凡;唐亚明;卢全中;李彦娥;郭子正;: "数理统计模型在黄土滑坡敏感性评价中的应用", 甘肃科学学报, no. 03 * |
孙晓娟;罗肖意;权赫春;: "基于GIS的延边地区道路周边滑坡灾害易发程度分析", 延边大学学报(自然科学版), no. 03 * |
宁忠瑞;李虹彬;刘亚婷;王卫光;: "基于DEM的塔里木河流域数字河网提取与分析", 水利水电技术, no. 08 * |
张升堂, 康绍忠: "基于矢量糙率的栅格单元流量分配模型", 水利学报, no. 11 * |
张升堂, 康绍忠: "基于矢量糙率的栅格单元流量分配模型", 水利学报, no. 11, 28 November 2005 (2005-11-28) * |
李芸芸;孙柏涛;陈相兆;闫培雷;: "基于GIS平台的地震滑坡危险性快速评估方法的初步研究", 地震工程与工程振动, no. 06 * |
李芸芸;孙柏涛;陈相兆;闫培雷;: "基于GIS平台的地震滑坡危险性快速评估方法的初步研究", 地震工程与工程振动, no. 06, 15 December 2016 (2016-12-15) * |
洪莹;王继周;李昂;: "地形特征提取的一种简易算法", 测绘科学, no. 06 * |
董晓华;赵云发;袁杰;彭启友;: "基于数字高程模型的流域轮廓自动提取方法与应用", 三峡大学学报(自然科学版), no. 05 * |
董晓华;赵云发;袁杰;彭启友;: "基于数字高程模型的流域轮廓自动提取方法与应用", 三峡大学学报(自然科学版), no. 05, 15 October 2007 (2007-10-15) * |
韦金丽;王国波;凌子燕;: "基于高分辨率DEM的地形特征提取与分析", 测绘与空间地理信息 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595581A (zh) * | 2022-03-11 | 2022-06-07 | 重庆地质矿产研究院 | 基于影响因素动态权重的区域地质灾害危险性概率模型 |
CN114880954A (zh) * | 2022-06-10 | 2022-08-09 | 重庆地质矿产研究院 | 一种基于机器学习的滑坡敏感性的评估方法 |
CN116091369A (zh) * | 2023-04-10 | 2023-05-09 | 武汉天际航信息科技股份有限公司 | 数字道路地图区分方法、装置、计算设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960599B (zh) | 基于反演算法的输电线路暴雨灾害精细化预测方法及系统 | |
Saito et al. | Comparison of landslide susceptibility based on a decision-tree model and actual landslide occurrence: the Akaishi Mountains, Japan | |
Ayalew et al. | Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications | |
CN113987813A (zh) | 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 | |
Li et al. | GIS-based landslide susceptibility mapping using information, frequency ratio, and artificial neural network methods in Qinghai Province, Northwestern China | |
Degerli et al. | Using the remote sensing method to simulate the land change in the year 2030 | |
Dai | Dam site selection using an integrated method of AHP and GIS for decision making support in Bortala, Northwest China | |
Suprit et al. | Resolving orographic rainfall on the Indian west coast | |
Bopche et al. | Feature-based model for landslide susceptibility mapping using a multi-parametric decision-making technique and the analytic hierarchy process | |
Yariyan et al. | An optimization on machine learning algorithms for mapping snow avalanche susceptibility | |
CN114528672A (zh) | 基于3s技术的城市水文站网布设方法及系统 | |
Purwandari | A GIS modelling approach for flood hazard assessment in part of Surakarta city, Indonesia | |
Khaddari et al. | A comparative analysis of analytical hierarchy process and fuzzy logic modeling in flood susceptibility mapping in the Assaka Watershed, Morocco | |
Kumar et al. | Flood hazard and risk assessment of Deoha River Basin, Central Ganga Plain, India: An GIS approach | |
Puno et al. | Flood simulation using geospatial and hydrologic models in Manupali Watershed, Bukidnon, Philippines | |
CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
Yariyan et al. | Evaluating novel hybrid models based on GIS for snow avalanche susceptibility mapping: A comparative study | |
Bihonegn et al. | Evaluating the impact of land use and land cover changes on sediment yield dynamics in the upper Awash basin, Ethiopia the case of Koka reservoir | |
Haile | Integrating hydrodynamic models and high resolution DEM LIDAR for flood modelling | |
Hedger et al. | Mapping natural and artificial migration hindrances for fish using LiDAR remote sensing | |
Akbari et al. | Simulation of snowmelt runoff using SRM model and comparison with neural networks ANN and ANFIS (case study: Kardeh dam basin) | |
Bopche et al. | Feature-based landslide susceptibility and hazard zonation maps using fuzzy overlay analysis | |
Shaviraachin | Flood simulation: a case study in the lower Limpopo valley, Mozambique using the SOBEK flood model | |
KHAN et al. | Assessing Landslide Susceptibility in Indian Himalayas: Comparing Polygon and Point-Based Inventories with Modified Frequency Ratio Approach | |
Pussella et al. | Coastline changes: vulnerability and predictions-a case study of the Northwestern coastal belt of Sri Lanka |
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 |