CN117035465B - 一种评估滑坡易发性的方法和装置 - Google Patents
一种评估滑坡易发性的方法和装置 Download PDFInfo
- Publication number
- CN117035465B CN117035465B CN202311090335.2A CN202311090335A CN117035465B CN 117035465 B CN117035465 B CN 117035465B CN 202311090335 A CN202311090335 A CN 202311090335A CN 117035465 B CN117035465 B CN 117035465B
- Authority
- CN
- China
- Prior art keywords
- landslide
- depression
- susceptibility
- research area
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011160 research Methods 0.000 claims abstract description 74
- 230000008878 coupling Effects 0.000 claims abstract description 64
- 238000010168 coupling process Methods 0.000 claims abstract description 64
- 238000005859 coupling reaction Methods 0.000 claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000012876 topography Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000000528 statistical test Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Security & Cryptography (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种评估滑坡易发性的方法和装置,属于地质灾害预测技术领域。其中,所述方法包括:通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点,并随机生成与所述滑坡点等量的非滑坡点;确定所述研究区域的填洼阈值,并选择集水面积阈值,基于水文分析法提取斜坡单元;构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级,再分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,从而能够提高评价研究区域的滑坡易发性程度的准确率。
Description
技术领域
本发明涉及地质灾害预测技术领域,具体涉及一种评估滑坡易发性的方法和装置。
背景技术
滑坡是一种常见的地质灾害,其特点是分布范围广、发生频率高、移动速度快、破坏性大。滑坡是环境参数变化的结果。在极端气候事件的影响下,世界范围内发生的滑坡数量越来越多,在全球范围内造成经济、自然资源和人类生命的广泛损失。由于滑坡发生地点和时间的不确定性,精准防治面临着巨大的挑战。
滑坡易发性评价是滑坡预测研究方面的重点,通过研究区域的遥感数据,提取滑坡各个方面(地形地貌、地层岩性、水文等)的影响因子,定量分析影响因子权重,进而预测滑坡在研究区域的空间分布和发生概率,从而为管理部门开展滑坡防治工作提供一定的数据支撑,提前对滑坡发生可能性较大的区域做好预防措施,提高滑坡地质灾害的治理效率,可以在一定程度上预测滑坡发生位置并提前预警,从而减少损失。评估结果的准确性取决于合适的制图单元和合理的建模方法,这对地质灾害研究领域来说是一个难题。
其中,制图单元的选择是滑坡易发性评价的关键步骤之一。虽然栅格单元的划分非常精细,但它已经失去了与地质、地貌和其他工程地质条件的所有联系。评价模型的选择对滑坡易发性评价结果具有重要影响。目前的评价模型存在诸如过分依赖数据、建模过程操作规则未知以及无法消除影响因子之间相关性等问题,难以客观、准确地进行区域地质灾害易发性评价。
发明内容
为至少在一定程度上克服相关技术中存在的技术问题,本发明提供一种评估滑坡易发性的方法和装置。
第一方面,本发明实施例提供的一种评估滑坡易发性的方法,包括以下步骤:
通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点;
以所述滑坡点为中心设置预设范围内的缓冲区,在所述研究区域内擦除所述缓冲区后,随机生成与所述滑坡点等量的非滑坡点,共同建立所述研究区域内滑坡易发性评价的样本数据库;
计算所述研究区域的洼地深度,并结合真实地形确定填洼阈值;
计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值;
基于水文分析法提取斜坡单元;
选取地形地貌、地质构造、气象水文和人类工程活动四类不同影响因子,并构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级;
分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,所述耦合模型为证据权耦合模型、证据权与层次分析耦合模型、证据权与逻辑回归耦合模型和证据权与反向传播神经网络耦合模型。
进一步地,所述分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价的步骤之后,所述方法还包括:
采用分区合理性统计检验、ROC曲线进行四种耦合模型的精度对比。
进一步地,所述计算所述研究区域的洼地深度的步骤,具体包括:
将洼地出水口处的高程减去洼地的最低高程得到洼地深度;
将所述洼地深度与研究区域的真实地形做对比,确定适合的填洼阈值;根据所述填洼阈值进行填洼,确保保留所述研究区域真实的河流、沼泽、内陆盆地,而伪洼地被填充。
进一步地,所述计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值的步骤,具体包括:
拟合河谷密度与集水面积阈值之间的幂函数关系式,当该幂函数关系式的二次导数趋于0时,将对应的集水面积阈值选为研究区域的集水面积阈值。
进一步地,所述影响因子包括高程、坡度、坡向、起伏度、距断层距离、工程岩组、历年年均降雨量、距河流距离、归一化差分植被指数、地形湿度指数和距道路距离。
进一步地,所述样本数据库包括训练集和验证集,其中,所述训练集占比为80%,所述验证集占比为20%。
进一步地,所述通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级的步骤,具体包括:
小间断分割连续型评价指标,分别统计所述连续型评价指标离散化后小间断的面积占比和滑坡点数量;
计算连续型评价指标小分级的频率比,并绘制频率比曲线,根据该频率比曲线的转折点进行二次分级,并用于构建后续模型。
第二方面,本发明实施例提供的一种评估滑坡易发性的装置,包括:
滑坡确定模块,用于通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点;
非滑坡点生成模块,用于以所述滑坡点为中心设置预设范围内的缓冲区,在所述研究区域内擦除所述缓冲区后,随机生成与所述滑坡点等量的非滑坡点,共同建立所述研究区域内滑坡易发性评价的样本数据库;
洼地深度计算模块,用于计算所述研究区域的洼地深度,并结合真实地形确定填洼阈值;
集水面积阈值计算模块,用于计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值;
斜坡单元提取模块,用于基于水文分析法提取斜坡单元;
二次分级模块,用于选取地形地貌、地质构造、气象水文和人类工程活动四类不同影响因子,并构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级;
滑坡易发性评价模块,用于分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,所述耦合模型为证据权耦合模型、证据权与层次分析耦合模型、证据权与逻辑回归耦合模型和证据权与反向传播神经网络耦合模型。
进一步地,所述装置还包括:
精度对比模块,用于采用分区合理性统计检验、ROC曲线进行四种耦合模型的精度对比。
本发明的实施例提供的技术方案具备以下有益效果:
本发明实施例首先通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点,并随机生成与所述滑坡点等量的非滑坡点,用于建立所述研究区域内滑坡易发性评价的样本数据库;
然后确定所述研究区域的填洼阈值,并选择集水面积阈值,基于水文分析法提取斜坡单元,使得所述斜坡单元优于采用默认阈值得到的斜坡单元,能够更好的表现真实地形地貌,并在一定程度上模糊了不必要的细节;
接着构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级,再分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价。
其中,证据权模型是对滑坡影响因子综合统计后对研究区域进行评价;证据权模型与层次分析耦合模型是在综合了各种滑坡影响因子的基础上,耦合层次分析的半定量权重赋值的模型;证据权模型与逻辑回归耦合模型是在综合滑坡影响因子的基础上,再对因子和权重进行定量化处理的定量化模型;证据权模型与反向传播神经网络耦合模型是在综合滑坡影响因子信息后,利用神经网络对权重进行定量调整的定量化模型。通过综合以上模型的特点,能够提高评价研究区域的滑坡易发性程度的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本发明实施例提供的一种评估滑坡易发性的方法的流程示意图。
图2是本发明实施例提供的正负地形河网密度与集水面积拟合关系图。
图3是本发明实施例提供的一种评估滑坡易发性的装置的组成框图。
图中附图标记为:
滑坡确定模块100;非滑坡点生成模块200;洼地深度计算模块300;
集水面积阈值计算模块400;斜坡单元提取模块500;二次分级模块600;
滑坡易发性评价模块700。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和装置的例子。
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的实施例作进一步详细描述。
实施例1
如图1所示,是本发明实施例提供的一种评估滑坡易发性的方法的流程示意图。其中,所述方法可以包括以下步骤:
步骤S100:通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点。
目视解译是遥感图像解译的一种,又称目视判读,或目视判译,是遥感成像的逆过程。它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。目视解译是指凭借人的眼睛(也可借助光学仪器),依靠解译者的知识、经验和掌握的相关资料,通过大脑分析、推理、判断,提取遥感图像中有用的信息。
本实施例中,典型滑坡整体呈现圈椅状、牛角型、舌型等,在高清影像中,色调与周边明显不同。由于滑坡体表面地表破碎,因此呈现纹理粗糙、色调分布不均,整体表现为灰白色等浅色调。以九龙县为研究区域,选取县域内雪洼龙镇夹铺子村滑坡来具体说明滑坡解译情况。经野外实测验证,该滑坡大概率由于坡脚开挖,岩土体结构的承受力改变引起。其横向宽40m,顺坡长20m,厚度2-4m,估算方量为0.4万方,周围无居民居住,但坡前堆积会大范围威胁道路安全,此类滑坡在研究区广泛存在。
步骤S200:以所述滑坡点为中心设置预设范围内的缓冲区,在所述研究区域内擦除所述缓冲区后,随机生成与所述滑坡点等量的非滑坡点,共同建立所述研究区域内滑坡易发性评价的样本数据库。
在经过野外实测验证后,确定县域内所有滑坡灾害数目和滑坡点。实施时,以滑坡点为中心生成800米缓冲区,并将其在县域范围内擦除后,随机生成等量的非滑坡点,两者共同构成本次滑坡易发性评价的样本数据库。其中,所述样本数据库包括训练集和验证集。再根据模型实现需要,将所述样本数据库进行8:2划分,即80%为训练集,20%为验证集。
步骤S300:计算所述研究区域的洼地深度,并结合真实地形确定填洼阈值。
本实施例中,借助ArcGIS平台计算研究区域的洼地深度,结合真实地形,确定填洼阈值,反复填洼得到无洼地DEM数据。
其中,所述计算所述研究区域的洼地深度的步骤,具体包括:将洼地出水口处的高程减去洼地的最低高程得到洼地深度;将所述洼地深度与研究区域的真实地形做对比,确定适合的填洼阈值,根据所述填洼阈值进行填洼,确保保留所述研究区域真实的河流、沼泽、内陆盆地,而伪洼地被填充。
其中,对于正地形,将洼地出水口处的高程减去洼地的最低高程,即可得到洼地深度。对于负地形,其与真实地表高度起伏变化完全相反,通过正地形的最大高程值减去该研究区域的高程值计算得到。负地形填洼阈值的确定过程与正地形填洼阈值确定过程一致。
依据以上计算方法,计算得到正地形洼地深度为1~155m,负地形洼地深度为1~245m。通过上述分析,初步将正地形填洼阈值设置为80米,负地形填洼阈值设置为120米,将洼地进行填充。填充好一次洼地之后,会产生新的洼地,此时需要反复重复上述步骤,求得洼地深度,并选值进行填充,直到形成满意的无洼地DEM。
需要说明的是,ArcGIS平台是一套完整的GIS平台产品,具有强大的地图制作、空间数据管理、空间分析、空间信息整合、发布与共享的能力。DEM(Digital ElevationModel;数字高程模型)是用一组有序数值阵列形式表示地面高程的一种实体地面模型,是数字地形模型(Digital Terrain Model,简称DTM)的一个分支,其它各种地形特征值均可由此派生。一般认为,DTM是描述包括高程在内的各种地貌因子,如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布,其中DEM是零阶单纯的单项数字地貌模型,其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。
步骤S400:计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值。
本实施例中,通过拟合河谷密度与集水面积阈值之间的幂函数关系式,当该幂函数关系式的二次导数趋于0时,将对应的集水面积阈值选为研究区域的集水面积阈值。
随着集水面积阈值增大,河网密度会出现两个阶段的变化:首先会呈现迅速下降的态势,当阈值超过某个值(拐点)之后,紧接着会出现下降速度变缓的阶段。该拐点即为最佳集水面积阈值。
通过选取多次集水面积阈值,获得相应的河谷总长度,计算河谷网络密度,得到多组集水面积阈值及河谷网络密度值,如表1。
表1正负地形河网密度与集水面积拟合关系数据
再进行构建集水面积阈值及河谷网络密度之间的幂函数关系曲线。
其中,X为集水面积阈值,Y是河谷网络密度,k为参数。
经计算统计,正负地形河网密度-集水面积阈值拟合公式如图2。经求解二次导数,当二次导数趋于0时,此时的集水面积阈值即为最佳阈值。其中,图2(a)示出了正地形最佳填洼阈值为1300,提取的河流与实际河流吻合程度更好。图2(b)示出了负地形的最佳集水面积阈值计算过程与正地形相似,负地形最佳集水面积阈值为1000。这是由于负地形的汇水流量面积小于正地形。
正负地形的河网密度与集水面积阈值之间的拟合公式判定系数均大于0.99,说明拟合公式与数据吻合较好。
步骤S500:基于水文分析法提取斜坡单元。
传统的水文分析法划分斜坡单元的主要流程有以下五个部分:填洼、依据填洼后的DEM提取水流方向、计算汇流累积量、生成集水流域、最终生成斜坡单元。
以往研究在填洼、生成集水流域这两个步骤中通常只采用默认阈值,这样得到的斜坡单元通常会出现大量不符合真实地形的直线,因此,本实施例将针对上述两个步骤进行详细分析,选取适宜的阈值后,得到的斜坡单元能够更好的表现真实地形地貌,并在一定程度上模糊了不必要的细节,明显优于采用默认阈值得到的斜坡单元。
步骤S600:选取地形地貌、地质构造、气象水文和人类工程活动四类不同影响因子,并构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级。
本实施例中,所述影响因子包括高程、坡度、坡向、起伏度、距断层距离、工程岩组、2016-2021年年均降雨量、距河流距离、归一化差分植被指数(NDVI)、地形湿度指数(TWI)、距道路距离共11个。实施时,将所有影响因子都统一为分辨率为30m×30m的格网。用多重共线性诊断来分析研究区内11个影响因子之间的相关性。本实施例中使用的影响因子之间保持相互独立。
进一步地,所述通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级的步骤,具体包括:
小间断分割连续型评价指标,分别统计所述连续型评价指标离散化后小间断的面积占比和滑坡点数量;
计算连续型评价指标小分级的频率比,并绘制频率比曲线,根据该频率比曲线的转折点进行二次分级,并用于构建后续模型。
其中,上述11个影响因子按照数据类型可分为连续型和离散型。离散型数据的各分级已经可以明确表示相应的意义(如工程岩组),无需对其进行进一步分级划分。对于连续型数据,本实施例将通过频率比思想进一步分析处理。为了保证连续性影响因子二次分级状态的客观性,先对其进行小间距离散化分割,计算小间断频率比起伏变化,从而综合判断各影响因子的不同状态对滑坡的影响。
Fi=Gi/Si
式中:Fi表示影响因子不同二次分级的滑坡频率比;Gi表示影响因子不同二次分级的滑坡占比;Si表示影响因子不同二次分级的面积占比。
滑坡的发生多少与影响因子之间的频率比值越大,则该分级更容易发生滑坡。以坡度因子为例,本实施例先将研究区域内的坡度图按照5°小间隔划分,统计每个区间所占的面积和在此区间内发生的滑坡,分析不同区间的滑坡频率比。其中,在0-5°、5-10°、10-15°坡度区间中,滑坡频率比一直不断增大,在10-15°中滑坡频率比达到最大,这表明在0-15°坡度区间滑坡极易发生。此后,滑坡频率比一直处于下降的状态,在30-35°区间降到最低,这表明15-35°坡度区间对滑坡发生也有重要影响,但稍逊于0-15°区间。35-40°滑坡频率比略有起伏。40-60°的坡度区间滑坡频率比处于下降状态,60-65°之间又稍有起伏。依据坡度因子小间隔频率比增幅变化状态,本实施例将坡度因子进行二次分级:0-15°、15-35°、35-40°、40-60°、60-65°以及大于65°,共6级。同理,除了岩性、坡向这两个离散型影响因子外,其他连续型影响因子也按照此思路进行二次分级:DEM共分为5级,起伏度共分为4级,TWI共分为3级,断层距离共分为9级,距河流距离共分为11级,年均降雨量共分为9级,NDVI共分为3级,据道路距离共分为7级。按照此二次分级计算不同分级状态的证据权值,用于后期模型计算。
步骤S700:分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,所述耦合模型为证据权耦合模型、证据权与层次分析耦合模型、证据权与逻辑回归耦合模型和证据权与反向传播神经网络耦合模型。
其中,所述证据权耦合(WOE)模型是一种以贝叶斯统计为基础,综合各种证据层因子来预测某个事件发生概率的定量多元统计方法。
使用训练集计算各影响因子各分级的证据权值,将各层分级的证据权值进行叠加后得到的证据权值则为该影响因子的证据权值。再把不同影响因子的证据权值进行叠加后,与斜坡单元融合得到以斜坡单元为制图单元的区域滑坡易发性评价。随后使用自然间断点法将滑坡易发性图层划分为5个滑坡易发等级:极高、高、中、低、极低。
由于层次分析法(AHP)是一种通过分解、比较判断、综合的思维方式进行决策的多目标决策系统分析方法。本实施例中,证据权与层次分析耦合(AHP-WOE)模型是在综合了各种滑坡影响因子的基础上,耦合层次分析的半定量权重赋值的模型,可以在一定程度上可以避免证据权模型建模过程中信息缺失的问题。
逻辑回归(LR)模型在一个因变量与多个自变量之间进行多元统计分析时,可以反映不同影响因子对滑坡发生的贡献率,并保证影响因子之间的条件独立性,但它无法分析各影响因子的不同分级对滑坡的影响。而证据权模型恰好可以以证据权值的形式表现因子的不同等级对滑坡的影响,因此,证据权与逻辑回归耦合(LR-WOE)模型是在综合滑坡影响因子的基础上,再对因子和权重进行定量化处理的定量化模型,能够在一定程度上可以相互扬长避短。
本实施例把训练集中的各影响因子证据权值作为逻辑回归模型的自变量,是否发生滑坡作为模型因变量,计算得到逻辑回归模型各影响因子系数。使用该系数与各影响因子的证据权值加权叠加,从而实现两种模型的耦合,再与斜坡单元融合,得到以斜坡单元为制图单元的区域滑坡易发性图层,随后利用自然断点法将滑坡易发性图层分为极高、高、中、低、极低五个等级。
本实施例中,反向传播神经网络(BPNN)是按照误差逆向传播算法训练的多层前馈神经网络,具有任意复杂的模式分类能力和优良的多维函数映射能力。
证据权模型与反向传播神经网络耦合(BPNN-WOE)模型是在综合滑坡影响因子信息后,利用神经网络对权重进行定量调整的定量化模型。
将区域范围内斜坡单元的证据权值代入到训练好的耦合网络模型中,得到区域范围内以斜坡单元为制图单元的滑坡易发性分区图。随后使用自然间断法将滑坡易发性分区图划分为极高、高、中、低、极低五个等级。
在所述步骤S700之后,所述方法还包括:
采用分区合理性统计检验、ROC曲线进行四种耦合模型的精度对比。
其中,ROC曲线是根据一系列不同的二分类方式(分界值或决定阈),以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线。AUC(Area Under Curve)被定义为ROC曲线下与坐标轴围成的面积。
本实施例中,对于以斜坡单元为制图单元的四种模型来说,AUC值由大到小排列顺序为:BPNN-WOE>AHP-WOE>WOE>LR-WOE。
对于同一模型而言,以斜坡单元为制图单元的模型效果要略优于同模型以栅格单元为制图单元的表现效果。对于以斜坡单元为制图单元为例,BPNN-WOE耦合模型效果最优,其次是LR-WOE耦合模型,AHP-WOE耦合模型次之,单一WOE模型效果相较最差。
综上,以斜坡单元为制图单元的BPNN-WOE耦合模型的滑坡易发性评价效果最好。
评价模型的选择对滑坡易发性评价结果具有重要影响。本实施例以四川省九龙县为研究区进行滑坡易发性评价,选用的WOE、AHP-WOE、LR-WOE、BPNN-WOE这四个模型均取得了较好的效果,都可以用来评价研究区的滑坡易发性程度。在以斜坡单元作为制图单元制得的四种模型中,BPNN-WOE模型所得到的AUC值最高,不同程度易发区分区也最为合理,要优于其他三种模型。这是因为BPNN与WOE耦合后,其优秀的自适应学习、多维函数映射能力可以较好的解决证据权模型信息缺失以及线性问题无法很好拟合等问题,所以由它得到的滑坡易发性分区图可以表现细节更多,准确率更高。
实施例2
本发明实施例还提供了一种评估滑坡易发性的装置,如图3所示,所述装置可以包括滑坡确定模块100、非滑坡点生成模块200、洼地深度计算模块300、集水面积阈值计算模块400、斜坡单元提取模块500、二次分级模块600和滑坡易发性评价模块700。
具体地,所述滑坡确定模块100,用于通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点。
所述非滑坡点生成模块200,用于以所述滑坡点为中心设置预设范围内的缓冲区,在所述研究区域内擦除所述缓冲区后,随机生成与所述滑坡点等量的非滑坡点,共同建立所述研究区域内滑坡易发性评价的样本数据库。
所述洼地深度计算模块300,用于计算所述研究区域的洼地深度,并结合真实地形确定填洼阈值。
所述集水面积阈值计算模块400,用于计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值。
所述斜坡单元提取模块500,用于基于水文分析法提取斜坡单元。
所述二次分级模块600,用于选取地形地貌、地质构造、气象水文和人类工程活动四类不同影响因子,并构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级。
所述滑坡易发性评价模块700,用于分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,所述耦合模型为证据权耦合模型、证据权与层次分析耦合模型、证据权与逻辑回归耦合模型和证据权与反向传播神经网络耦合模型。
进一步地,所述装置还包括:
精度对比模块,用于采用分区合理性统计检验、ROC曲线进行四种耦合模型的精度对比。
关于上述实施例中的装置,其中各个模块执行操作的具体步骤已经在有关该方法的实施例中进行了详细描述,此处不再详细阐述说明。上述一种基于响应预测的结构施工卸载监控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。
综上所述,本发明实施例首先通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点,并随机生成与所述滑坡点等量的非滑坡点,用于建立所述研究区域内滑坡易发性评价的样本数据库;
然后确定所述研究区域的填洼阈值,并选择集水面积阈值,基于水文分析法提取斜坡单元,使得所述斜坡单元优于采用默认阈值得到的斜坡单元,能够更好的表现真实地形地貌,并在一定程度上模糊了不必要的细节;
接着构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级,再分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价。
其中,证据权模型是对滑坡影响因子综合统计后对研究区域进行评价;证据权模型与层次分析耦合模型是在综合了各种滑坡影响因子的基础上,耦合层次分析的半定量权重赋值的模型;证据权模型与逻辑回归耦合模型是在综合滑坡影响因子的基础上,再对因子和权重进行定量化处理的定量化模型;证据权模型与反向传播神经网络耦合模型是在综合滑坡影响因子信息后,利用神经网络对权重进行定量调整的定量化模型。通过综合以上模型的特点,能够提高评价研究区域的滑坡易发性程度的准确率。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或其组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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申请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。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种评估滑坡易发性的方法,其特征在于,包括以下步骤:
通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点;
以所述滑坡点为中心设置预设范围内的缓冲区,在所述研究区域内擦除所述缓冲区后,随机生成与所述滑坡点等量的非滑坡点,共同建立所述研究区域内滑坡易发性评价的样本数据库;
计算所述研究区域的洼地深度,并结合真实地形确定填洼阈值,其中,所述计算所述研究区域的洼地深度的步骤,具体包括:
将洼地出水口处的高程减去洼地的最低高程得到洼地深度;
将所述洼地深度与研究区域的真实地形做对比,确定适合的填洼阈值,根据所述填洼阈值进行填洼,确保保留所述研究区域真实的河流、沼泽、内陆盆地,而伪洼地被填充;
计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值,其中,所述计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值的步骤,具体包括:
拟合河谷密度与集水面积阈值之间的幂函数关系式,当该幂函数关系式的二次导数趋于0时,将对应的集水面积阈值选为研究区域的集水面积阈值;
基于水文分析法提取斜坡单元;
选取地形地貌、地质构造、气象水文和人类工程活动四类不同影响因子,并构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级;
分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,所述耦合模型为证据权耦合模型、证据权与层次分析耦合模型、证据权与逻辑回归耦合模型和证据权与反向传播神经网络耦合模型。
2.根据权利要求1所述的评估滑坡易发性的方法,其特征在于,所述分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价的步骤之后,所述方法还包括:
采用分区合理性统计检验、ROC曲线进行四种耦合模型的精度对比。
3.根据权利要求1所述的评估滑坡易发性的方法,其特征在于,所述影响因子包括高程、坡度、坡向、起伏度、距断层距离、工程岩组、历年年均降雨量、距河流距离、归一化差分植被指数、地形湿度指数和距道路距离。
4.根据权利要求1所述的评估滑坡易发性的方法,其特征在于,所述样本数据库包括训练集和验证集,其中,所述训练集占比为80%,所述验证集占比为20%。
5.根据权利要求1所述的评估滑坡易发性的方法,其特征在于,所述通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级的步骤,具体包括:
小间断分割连续型评价指标,分别统计所述连续型评价指标离散化后小间断的面积占比和滑坡点数量;
计算连续型评价指标小分级的频率比,并绘制频率比曲线,根据该频率比曲线的转折点进行二次分级,并用于构建后续模型。
6.一种评估滑坡易发性的装置,其特征在于,所述装置包括:
滑坡确定模块,用于通过目视解译结合野外实测验证,确定研究区域内的滑坡灾害数目和滑坡点;
非滑坡点生成模块,用于以所述滑坡点为中心设置预设范围内的缓冲区,在所述研究区域内擦除所述缓冲区后,随机生成与所述滑坡点等量的非滑坡点,共同建立所述研究区域内滑坡易发性评价的样本数据库;
洼地深度计算模块,用于计算所述研究区域的洼地深度,并结合真实地形确定填洼阈值,其中,所述洼地深度计算模块,具体用于:
将洼地出水口处的高程减去洼地的最低高程得到洼地深度;
将所述洼地深度与研究区域的真实地形做对比,确定适合的填洼阈值,根据所述填洼阈值进行填洼,确保保留所述研究区域真实的河流、沼泽、内陆盆地,而伪洼地被填充;
集水面积阈值计算模块,用于计算所述研究区域的河网密度与集水面积阈值之间的关系,选择研究区域的集水面积阈值,其中,所述集水面积阈值计算模块,具体用于:
拟合河谷密度与集水面积阈值之间的幂函数关系式,当该幂函数关系式的二次导数趋于0时,将对应的集水面积阈值选为研究区域的集水面积阈值;
斜坡单元提取模块,用于基于水文分析法提取斜坡单元;
二次分级模块,用于选取地形地貌、地质构造、气象水文和人类工程活动四类不同影响因子,并构建滑坡易发性评价指标体系,通过分析滑坡与各评价指标之间的频率比曲线,进行二次分级;
滑坡易发性评价模块,用于分别建立以证据权为基础模型的四种耦合模型进行滑坡易发性评价,所述耦合模型为证据权耦合模型、证据权与层次分析耦合模型、证据权与逻辑回归耦合模型和证据权与反向传播神经网络耦合模型。
7.根据权利要求6所述的评估滑坡易发性的装置,其特征在于,所述装置还包括:
精度对比模块,用于采用分区合理性统计检验、ROC曲线进行四种耦合模型的精度对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090335.2A CN117035465B (zh) | 2023-08-28 | 2023-08-28 | 一种评估滑坡易发性的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090335.2A CN117035465B (zh) | 2023-08-28 | 2023-08-28 | 一种评估滑坡易发性的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035465A CN117035465A (zh) | 2023-11-10 |
CN117035465B true CN117035465B (zh) | 2024-04-09 |
Family
ID=88602277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090335.2A Active CN117035465B (zh) | 2023-08-28 | 2023-08-28 | 一种评估滑坡易发性的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035465B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935491B (zh) * | 2023-12-25 | 2024-06-21 | 甘肃农业大学 | 一种基于时空概率的滑坡降雨阈值预测方法 |
CN118210074A (zh) * | 2024-05-22 | 2024-06-18 | 数皮科技(湖北)有限公司 | 基于证据权重及层次分析的地热资源有利区预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358167A (zh) * | 2021-12-29 | 2022-04-15 | 南昌大学 | 一种基于主成分分析和极限学习机的滑坡易发性预测模型 |
CN115481211A (zh) * | 2022-09-22 | 2022-12-16 | 中国地质大学(武汉) | 基于滑坡易发性评价因子特征选取非滑坡样本的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230196133A1 (en) * | 2021-12-17 | 2023-06-22 | Walmart Apollo, Llc | Systems and methods for weight of evidence based feature engineering and machine learning |
-
2023
- 2023-08-28 CN CN202311090335.2A patent/CN117035465B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358167A (zh) * | 2021-12-29 | 2022-04-15 | 南昌大学 | 一种基于主成分分析和极限学习机的滑坡易发性预测模型 |
CN115481211A (zh) * | 2022-09-22 | 2022-12-16 | 中国地质大学(武汉) | 基于滑坡易发性评价因子特征选取非滑坡样本的方法 |
Non-Patent Citations (8)
Title |
---|
利用光学遥感数据、GIS及人工神经网络模型分析区域滑坡灾害(英文);Biswajeet Pradhan;Saro Lee;;地学前缘;20071115(第06期);全文 * |
基于GIS的怒江州泸水县水库布局研究;徐慧娟;李益敏;;中国农村水利水电;20150315(第03期);全文 * |
基于GIS的汶川地震滑坡灾害影响因子确定性系数分析;许冲;戴福初;姚鑫;陈剑;涂新斌;曹琰波;肖建章;;岩石力学与工程学报;20100525(第S1期);全文 * |
基于SVM-LR融合模型的滑坡灾害易发性评价――以山阳县为例;李利峰;张晓虎;邓慧琳;韩六平;;科学技术与工程;20200918(第26期);全文 * |
基于斜坡单元的浅层滑坡风险区划――以华南松岗河小流域为例;宫清华;黄光庆;张冬良;熊海仙;;安全与环境学报;20170425(第02期);全文 * |
基于熵指数与逻辑回归耦合模型的滑坡灾害易发性评价――以蓝田县为例;李利峰;张晓虎;邓慧琳;韩六平;;科学技术与工程;20200518(第14期);全文 * |
基于证据权法与确定系数法的滑坡危险区划对比分析――以虹口乡为例;刘光辉;刘汉湖;姚昆;夏洁;;物探化探计算技术;20161115(第06期);全文 * |
基于证据权法的巴东县城滑坡灾害易发性评价;胡燕;李德营;孟颂颂;孙一清;;地质科技通报;20200515(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035465A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117035465B (zh) | 一种评估滑坡易发性的方法和装置 | |
Soma et al. | Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia | |
Nefeslioglu et al. | An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps | |
Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
Yalcin | GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations | |
Wan | A spatial decision support system for extracting the core factors and thresholds for landslide susceptibility map | |
CN110569554B (zh) | 一种基于空间逻辑回归与地理探测器的滑坡易发性评价方法 | |
Sdao et al. | Landslide susceptibility assessment by using a neuro-fuzzy model: a case study in the Rupestrian heritage rich area of Matera | |
CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
Pascale et al. | Landslide susceptibility mapping using artificial neural network in the urban area of Senise and San Costantino Albanese (Basilicata, Southern Italy) | |
CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
Thiery et al. | Application of expert rules in indirect approaches for landslide susceptibility assessment | |
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 | |
CN113408917A (zh) | 自然灾害综合风险评估方法、装置、计算机设备及存储介质 | |
CN114186641B (zh) | 一种基于深度学习的滑坡易发性评价方法 | |
Li et al. | Spatiotemporal assessment of landslide susceptibility in Southern Sichuan, China using SA-DBN, PSO-DBN and SSA-DBN models compared with DBN model | |
Huang et al. | Uncertainties of landslide susceptibility prediction: Influences of different spatial resolutions, machine learning models and proportions of training and testing dataset | |
CN116402951A (zh) | 基于数字孪生的边坡安全管理方法及系统 | |
Samantaray et al. | Development of rainfall-runoff model using ANFIS with an integration of GIS: A case study | |
Khaddari et al. | A comparative analysis of analytical hierarchy process and fuzzy logic modeling in flood susceptibility mapping in the Assaka Watershed, Morocco | |
Moayedi et al. | Validation of four optimization evolutionary algorithms combined with artificial neural network (ANN) for landslide susceptibility mapping: A case study of Gilan, Iran | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
CN116188266A (zh) | 一种基于模糊理论与集成学习对地质勘查的空间插值方法 | |
Follador et al. | Tropical deforestation modelling: comparative analysis of different predictive approaches. The case study of Peten, Guatemala | |
CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |