CN114330812A - 基于机器学习的滑坡灾害风险评估方法 - Google Patents
基于机器学习的滑坡灾害风险评估方法 Download PDFInfo
- Publication number
- CN114330812A CN114330812A CN202111268460.9A CN202111268460A CN114330812A CN 114330812 A CN114330812 A CN 114330812A CN 202111268460 A CN202111268460 A CN 202111268460A CN 114330812 A CN114330812 A CN 114330812A
- Authority
- CN
- China
- Prior art keywords
- landslide
- risk
- evaluation
- model
- data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
一种基于机器学习的滑坡灾害风险评估方法,根据收集的资料确定控制因素和诱发因素,确定评价单元进行地质灾害分布规律与发育特征分析;基于混合高斯聚类模型、人工神经网络模型和支持向量机模型进行滑坡灾害危险性评价精度检验,最终进行危险性评价,并结合易损性结果进行第一次风险评估;基于PU‑Bagging模型和CA‑Markov模型进行滑坡危险性空间预测和动态预测;根据滑坡危险性预测结果和易损性结果进行滑坡灾害第二次风险评估;最后,对比分析两次风险评估结果,指导实践。本发明利用机器学习模型对滑坡进行危险性空间预测和动态预测,并进行风险评估。相较传统方法,本发明更符合地球科学的研究特点,逻辑清晰、确实可行,评估结果更加可靠。
Description
技术领域
本发明属于地质灾害技术领域,具体涉及基于机器学习的滑坡灾害风险评估方法。
背景技术
近年来,滑坡灾害对人类生活环境和居住安全的威胁日趋严重,而人口的剧增和经济的快速发展,导致人类过度开发和利用自然资源。大规模的不合理开发对自然环境的破坏,诱发了大量的地质灾害,这对人类生活环境和社会经济构成了极大威胁。从对地质灾害研究的历史资料可以看出,灾害预警与防灾减灾一直以来是地质灾害研究工作的首先任务。国家也一直花费大量的物力财力,致力于地质灾害的研究,希望可以在一定程度上降低灾害的发生,以及灾害发生所造成的损失。开展对滑坡灾害的空间预测和风险评估,其根本目的在于掌握灾害的活动和发展规律。
通过风险评价研究,可以快速、准确地总结出滑坡的发育特征,进而对滑坡灾害的发生概率做出等级预报。空间预测的核心就是对滑坡灾害进行危险性研究,而灾害危险性评估最核心的意义体现在:通过灾害发育规律,预测灾害可能发生的区域,以及发生的概率,将预测结果作为区域发展和规划的基础资料,为处于灾害威胁范围内的地区制定相应的应急预案和防范措施;为防灾减灾工作的科学有效实施提供保障资料。
发明内容
为了实现上述目的,本发明的目的是提供基于机器学习的滑坡灾害风险评估方法,其主要内容有四点,其一,根据收集的资料确定控制因素和诱发因素,确定评价单元进行地质灾害分布规律与发育特征分析;其二,基于混合高斯聚类模型、人工神经网络模型和支持向量机模型进行滑坡灾害危险性评价精度检验,最终进行危险性评价,并结合易损性结果进行第一次风险评估;其三,基于PU-Bagging模型和CA-Markov模型进行滑坡危险性空间预测和动态预测;根据滑坡危险性预测结果和易损性结果进行滑坡灾害第二次风险评估;最后,对比分析两次风险评估结果,指导实践。
其理论意义在于区域滑坡危险性评价需要对选定区域内的影响滑坡地质灾害的地质条件进行研究,然后对各因素进行量化分级,研究了不同因素与滑坡灾害点分布的关系,并计算各因素与滑坡灾害***间的信息量值,进一步通过因子相关性分析剔除显著相关的因子,最终建立起危险性评价指标体系。然后通过分析指标体系,选取多个评价模型,对比不同评价模型的结果找出最优的评价模型和最优的评价结果。不同模型应用于滑坡地质灾害评价结果做出的对比和分析,对机器学习模型应用于地质灾害评价体系具有重要的参考价值;
其实践意义在于对滑坡灾害的危险性评价,其分区结果可以为防灾减灾工作实现有侧重的科学防治和针对性治理,一方面,能够有效降低滑坡地质灾害对人民群众人身安全和财产安全的潜在威胁。另一方面,在进行更大的区域范围的滑坡地质灾害危险性评价时,本发明也可以作为参考。
鉴于此,本发明依托某地质环境监测站所提供的近年来详细地质灾害和野外考察资料,结合地层岩性分布、地形地貌单元、构造断裂发育和斜坡结构类型等地质环境背景和工程地质条件,通过详细的数据分析研究,对滑坡进行危险性空间分析预测,并在此基础上结合土地利用类型进行价值评估,得到易损性分布情况,从而提供基于机器学习的滑坡灾害风险评估方法。
为了实现上述目的,本发明采用的技术方案是:
基于机器学习的滑坡灾害风险评估方法,其特征在于,包括以下步骤:
步骤1、收集并整理分析相关地质历史资料,结合野外调查的区域滑坡灾害点分布情况分析区域内的滑坡灾害发育分布规律,初步筛选出对区域滑坡影响较大的环境因子,包括以下两个方面:
步骤1.1、评价因子选择:
首先根据所收集到的资料初步选择评价因子,然后再对所选择出的因子进行分析,确保所选择的因子在该区域的不同地区,具有显著空间差异性,并且分析该因子和区域地质灾害的发生是否具有强相关性,再结合相关文献和前人的研究成果,来调整在评价过程中参与模型构建的滑坡危险性评价因子;
步骤1.2、评价单元划分:
在对地理空间进行评价时,首要任务就是确定评价区域,划分评价单元,模型单元代表了地表的一部分,每一个单元内的各个属性具有同质性,在GIS中,选择格网单元和斜坡单元分别进行相关实验,并对结果进行对比分析,选择这两种评价单元划分方式;
步骤2、地质环境条件分析、整理相关地质环境背景资料,整合历史滑坡灾害数据和最新调查的灾害数据,分析区域内滑坡灾害发育特征,建立该区域滑坡评价指标体系,结合滑坡地质灾害基本发育情况和野外调查的滑坡灾害点数据的基础上,采用统计分析的方法,分析各因子在不同分级状况下滑坡灾害点的发生次数、分级比例及信息量值,进一步计算各评价因子间的相关性,并适当删除相关性较高的评价因子;
步骤3、建立混合高斯聚类模型(GMM)优化后的数据集与未优化的随机抽取的数据集,分别对人工神经网络(ANN)模型和采用径向基核函数下的支持向量机(SVM)模型进行训练,训练结果达到精度后对该区域滑坡灾害危险性做出评价,并对不同模型评价结果的预测准确率和评价结果的合理性检验并对比;
步骤4、滑坡危险性评价模型分析
在进行危险性空间预测分析时,主要从两个方面进行分析。首先是进行危险性评价,以步骤1、2所选择的评价因子为基础,根据己经发生的灾害数据,对当前的滑坡发生概率进行空间预测。其次是在步骤3的基础上,结合多个时期的危险性预测结果,通过分析相邻两个时期的危险性等级,分析其发展规律,从而对将来某一个时期进行滑坡危险性空间预测。滑坡危险性评价的流程主要包括:
步骤4.1、在步骤1.1和步骤2的基础上对评价因子数据进行预处理,以及数据尺度处理,将数据处理成模型可输入的样本数据;
步骤4.2、在步骤1.2的基础上再结合PU-Bagging算法,将评价单元分为正样本(发生过滑坡的区域)和未标记样本(未发生滑坡的区域),通过随机采样组合的方式,有放回的随机从未标记样本中抽取与正样本等量的数据作为负样本,组成训练集;
步骤4.3、利用步骤3及所得训练集来构建模型,得到评价单元样本中所有未标记样本区域的滑坡发生概率,从而实现对研究区的滑坡发生概率进行空间预测。
步骤5、滑坡危险性动态模型分析
滑坡危险性动态模型分析是滑坡空间预测的重要内容,主要体现在以下几个方面:
步骤5.1、CA-Markov模型在滑坡危险性模拟演化上的可行性分析。
步骤5.2、基于CA-Markov模型的滑坡危险性动态预测模型的构建和精度对比实验,选择预测效果最佳的实验方案的参数组合作为模型参数设置,完成模型构建。其中,实验结果与实际数据的一致性最高的方案即为最佳方案。
步骤5.3、利用精度最高的实验组参数,来对将来某一时期的滑坡危险性进行预测,即实现了滑坡的动态预测。
步骤6、滑坡风险评估:
结合区域的土地利用现状,得到承灾体类型和分布情况,然后随机选取80%的数据输入加权密度模型,以承载体的加权密度图,作为评价单元的价值估算值,将然后结合该评价单元的危险性指标,对二者进行计算,得到每一个评价单元的风险等级;最后用其余20%的数据来验证风险评估的准确性。
步骤7、对比分析两种滑坡风险评估方法。
本发明的有益效果是:
1、本发明以实地调查得到的滑坡地质灾害数据为例,结合区域地质环境分析区域内滑坡的时空分布特征和灾害发育类型。在此基础上,挑选适于该区域的滑坡灾害致灾因子并建立评价指标体系,进而在不同评价模型下区域滑坡灾害危险性评价方面进行比较,最终评价结果能够在减少区域滑坡地质灾害带来的损失,及提高滑坡地质灾害防治工作效率方面有重要理论意义和实际价值。
2、通过风险评价研究,可以快速、准确地总结出滑坡的发育特征,进而对滑坡灾害的发生概率做出等级预报。空间预测的核心就是对滑坡灾害进行危险性研究,而灾害危险性评估最核心的意义体现在:通过灾害发育规律,预测灾害可能发生的区域,以及发生的概率,将预测结果作为区域发展和规划的基础资料,为处于灾害威胁范围内的地区制定相应的应急预案和防范措施;为防灾减灾工作的科学有效实施提供保障资料。
本发明提出了合理的研究流程,创造性的利用机器学习模型对滑坡进行危险性空间预测和动态预测,并进行风险评估。相较传统方法,本发明更符合地球科学的研究特点,逻辑清晰、确实可行,评估结果更加可靠。
附图说明
图1是本申请中基于机器学习的滑坡灾害风险评估方法示意图;
图2是本申请中滑坡灾害危险性空间预测方法示意图。
图3是本申请中滑坡灾害危险性动态预测方法示意图。
具体实施方式
以下结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
基于机器学习的滑坡灾害风险评估方法,包括以下步骤:
步骤1:收集并整理分析相关地质历史资料,结合野外调查的区域滑坡灾害点分布情况分析区域内的滑坡灾害发育分布规律,初步筛选出对区域滑坡影响较大的环境因子。其包括两方面:
1.1评价因子选择
滑坡的发生条较为复杂,主要包括自然因素和人为诱发因素,并且在不同地理环境下,影响滑坡的因子,以及因子的重要性也各不相同。因此对滑坡的研究,大多都是在局部区域的评估,很难有一个通用的模型去适应所有的区域,或一个很大的范围。因此针对不同的区域,应当有针对性的选择合适的影响因子来构建评估模型。评价因子的合理选择,可以更有效的提高评价模型的精度,也能减少一些不必要的计算和数据搜集工作。
在选择评价因子时,首先应该根据经验或所收集到的资料初步选择评价因子,然后再对所选择出的因子进行分析,确保所选择的因子在该区域的不同地区,具有显著空间差异性,并且分析该因子和区域地质灾害的发生是否具有强相关性,再结合相关文献和前人的研究成果,来调整在评价过程中参与模型构建的滑坡危险性评价因子。
1.2评价单元划分
在对地理空间进行评价时,首要任务就是确定评价区域,划分评价单元。模型单元代表了地表的一部分,每一个单元内的各个属性具有同质性。在GIS中,对评价单元的划分最常用的有四种:行政区划单元、规则格网单元、斜坡单元和地貌单元。结合区域的地理特性,本发明选择了格网单元和斜坡单元分别进行相关实验,并对结果进行对比分析。选择这两种评价单元划分方式,主要是由于网格单元是使用最多的,此类格网划分方式简单,计算容易,便于进行空间分析,此外,由于格网单元采用矩阵形式组织数据,方便计算机处理,它也是滑坡危险性中使用较为广泛的单元划分方法;斜坡单元适宜于小区域山区的滑坡危险性评价,不适用于存在较大的凹陷盆地和开阔山谷地区。它是以各个山脊线包围的集水单元作为最小评价单元,常被用于流域划分和泥石流灾害评价中。
步骤2:结合滑坡地质灾害基本发育情况和野外调查的滑坡灾害点数据的基础上,采用统计分析的方法,分析各因子在不同分级状况下滑坡灾害点的发生次数、分级比例及信息量值,进一步计算各评价因子间的相关性,并适当删除相关性较高的评价因子。
步骤3:建立混合高斯聚类模型(GMM)优化后的数据集与未优化的随机抽取的数据集,分别对人工神经网络(ANN)模型和采用径向基核函数下的支持向量机(SVM)模型进行训练,训练结果达到精度后对该区域滑坡灾害危险性做出评价,并对不同模型评价结果的预测准确率和评价结果的合理性检验并对比。
步骤4:滑坡危险性评价模型分析
在进行危险性空间预测分析时,主要从两个方面进行分析。首先是进行危险性评价,以所选择的评价因子为基础,根据己经发生的灾害数据,对当前的滑坡发生概率进行空间预测。其次是在危险性评价的基础上,结合多个时期的危险性预测结果,通过分析相邻两个时期的危险性等级,分析其发展规律,从而对将来某一个时期进行滑坡危险性空间预测。滑坡危险性评价的流程主要包括:①选择评价因子,并对评价因子数据进行预处理,以及数据尺度处理,将数据处理成模型可输入的样本数据;②对研究区进行评价单元划分,再结合PU-Bagging算法,将评价单元分为正样本(发生过滑坡的区域)和未标记样本(未发生滑坡的区域),通过随机采样组合的方式,有放回的随机从未标记样本中抽取与正样本等量的数据作为负样本,组成训练集。③利用所得训练集来构建模型,得到评价单元样本中所有未标记样本区域的滑坡发生概率,从而实现对研究区的滑坡发生概率进行空间预测。
步骤5:滑坡危险性动态模型分析
滑坡危险性动态模型分析是滑坡空间预测的重要内容,主要体现在以下几个方面:①CA-Markov模型在滑坡危险性模拟演化上的可行性分析。②基于CA-Markov模型的滑坡危险性动态预测模型的构建和精度对比实验,选择预测效果最佳的实验方案的参数组合作为模型参数设置,完成模型构建。其中,实验结果与实际数据的一致性最高的方案即为最佳方案。③利用精度最高的实验组参数,来对将来某一时期的滑坡危险性进行预测,即实现了滑坡的动态预测。
步骤6:滑坡风险评估
对滑坡进行风险分析,是在危险性研究的基础上,结合区域的土地利用现状,得到承灾体类型和分布情况,然后随机选取80%的数据输入加权密度模型,以承载体的加权密度图,作为评价单元的价值估算值,将然后结合该评价单元的危险性指标,对二者进行计算,得到每一个评价单元的风险等级;最后用其余20%的数据来验证风险评估的准确性。此类方法,把该区域土地价值纳入考虑因素,让那些虽然滑坡发生概率不高,但是经济价值比较重要的地方,在治理或者开发建设中,更加不容易被忽略。
步骤7、对比分析。
综上所述,本发明主要是基于机器学习的滑坡灾害风险评估方法,主要包括:
1.地质环境条件分析、整理相关地质环境背景资料,整合历史滑坡灾害数据和最新调查的灾害数据,分析区域内滑坡灾害发育特征,建立该区域滑坡评价指标体系,基于聚类优化的机器学习评价模型的滑坡灾害危险性评价。
2.对滑坡灾害进行空间预测,得到区域的滑坡危险性等级,再结合前后多期的危险性数据,利用CA-Markov模型进行任意一时期的危险性动态预测。并通过构建对比实验,来验证模型精度,获得最佳模型参数,在此基础上,综合考虑地类价值,将此模型应用于预测未来某个时期的该区域危险性结果,实现了滑坡风险评估。
如图1所示,需要强调的是:作为示例,流程图中仅仅列出了坡度、斜坡结构类型、坡型、高程、植被、地层岩性、断层、河谷地貌、降雨、道路距离、居民点、人类工程等影响因素,但不能因此认为本发明中的滑坡灾害影响因素仅仅这几项。
基础数据收集及滑坡灾害数据获取;
(1)首先是完成相关资料的收集,包括地质灾害的统计资料,相关栅格和矢量数据,DEM,地质,地貌,气象,水文,以及人类活动等信息。并对数据进行整理,分析,得到处理后的评价因子。
(2)基于混合高斯模型优化的机器学习模型
滑坡地质灾害的空间预测可以看为一个二元分类的过程,一般需要准备等量的负例数据集(非灾害)和正例数据集(灾害)组成数据集。准确的使用机器学习模型对滑坡地质灾害危险性进行预测,很大程度上取决于样本数据集的质量。如果样本数据集内包含的样本对区域内滑坡不具有代表性,由这个数据集训练出来的模型的评价精度和评价结果都将无法保证有效。
因此研究滑坡灾害危险性,同样要挑选与已有滑坡灾点数目相等的“非滑坡”栅格单元与灾点组成机器学习模型的数据集。已有研究表明,传统常用于选取“非滑坡”栅格单元的方法有:(1)随机挑选灾点以外的栅格作为“非滑坡”栅格单元;(2)通过专家经验法获取“非滑坡”单元;(3)种子扩散法。其中,随机挑选“非滑坡”栅格过于随意,组成的数据集不具有代表性,用以机器学习模型往往并不能取得良好效果。而通过专家经验知识选取的“非滑坡”栅格是人为选定的“非滑坡”,具有主观性,如专家经验法中有的选定坡度较小的栅格单元为非滑坡栅格单元。但区域内坡度在[0-8.52)区间的滑坡点占总滑坡数目的8%,因此专家经验法并不能保证选择出的非滑坡点具有代表性。
为了克服这个缺点,本发明首先根据已有滑坡事件构建基于聚类分析的GMM模型,再从聚类模型得到的极低危险性栅格中选取出非滑坡栅格单元,这样就能尽量保证获得的非滑坡栅格单元具有极低的滑坡发生概率。选取GMM模型的原因是因为GMM模型作为无监督的机器学习模型可以通过不确定的标签对样本进行分类,此外还具有运算效率高,过程简单的优点。
采用GMM模型对滑坡危险性初步的分析主要包含三个步骤:首先对各个评价因子的相关性进行分析,删除对滑坡影响小,与其他因子相关性高的因子,并计算各个因子对滑坡影响的信息量值;第二步,把各因子的信息量值作为GMM模型的输入;
通过GMM模型的聚类结果选取出区域内最具代表性的非滑坡点。把提取出的非滑坡点与已知的滑坡点量化后构成机器学习算法的优化样本数据集。
为了与GMM模型聚类优化出的数据集作对比,需要建立对照样本数据集。对照样本数据集可以通过传统挑选非滑坡点的方法,将滑坡灾害点从区域中剔除,然后随机选取区域内的点作为非滑坡灾害点构成对照样本数据集。
(3)对区域进行评价单元划分,主要划分方式分为格网单元和斜坡单元,格网单元是以200*200m为大小,利用ArcGIS的“fishnet”工具构造规则格网,再对整个区域进行单元切分,而斜坡单元是利用水文分析工具进行提取集水流域,并以此作为最小评价单元。
(4)在各个因子尺度下,提取该因子在每一个评价单元内的统计数据,选取均值、方差、极值和中位数等作为一个单元在某一个因子维度下的特征,然后利用K-Means聚类方式,将所提取的特征多为一个单元的属性值,在该因子尺度下对评价单元进行类别划分。例如在DEM这一个因子尺度下,对每一个评价单元进行统计特征提取,并以此作为聚类分析的输入特征数据,对整个区域的所有评价单元进行DEM类别划分,DEM区域特征相似的单元将会被划分到同一类别,同理也对其余因子进行类别划分。以此类推,每一个评价单元,在每一个因子尺度下,都会隶属于一个类别,对其余所有因子进行处理后,将数据汇总。
(5)将上一步骤做得到的因子类别,作为因子特征值,进行模型构建,通过分析整个区域数据构成可以发现,其中发生灾害的单元与未发生的单元比例悬殊较大,正负样本构成不平衡,因此在进行滑坡危险性评价模型构建时,需要解决样本平衡这一问题。因此在本发明中,选择PU-Bagging作为预测模型,采用等比例选择抽样,进行样本构建,最终得到所有未发生灾害的评价单元发生滑坡的概率,对预测概率结果进行等级区划,即实现了对滑坡灾害发生概率的空间预测。
(6)利用第N年以前区域内所发生的滑坡灾害数据作为模型训练数据,输入到危险性评价模型,得到该区域第N年的滑坡危险性空间预测区划图,再利用第N+2年以前区域内所发生的灾害数据作为训练数据,得到第N+2年的该区域危险性空间预测区划图。对所得结果进行精度验证,得到精度较高的评价单元划分方式和基学习器,来作为最佳预测模型参数,在此基础上得到精度较高的第N年和第N+2年该区域滑坡危险性空间预测结果。并利用CA-Markov模型,将这两期数据作为输入数据,通过不断的调整模型参数,构建对比试验组,进行第N+4年的滑坡危险性预测,再将预测结果与 PU-Bagging模型下所得到的第N+4年滑坡危险性分布情况做相
似度计算,以相似性最高的试验组作为标准,并记录模型参数,将其用于预测将来特定时期的滑坡危险性空间分布图。即可得到第 N+4年的滑坡危险性空间预测结果。
(7)将区域经济数据纳入考虑,结合土地利用情况,进行承灾体加权密度分析,将其结果作为衡量区域易损性的指标,得到区域易损性分布图,并结合第N+4年滑坡灾害危险性分级结果,从而进行区域风险评估,得到目前区域各个空间位置的风险等级。
技术效果
(1)将K-Means聚类应用到评价因子处理中,替代了传统的自然断点法进行等级划分,弥补了传统的方法中断点划分主观性较强,缺乏依据这一不足。
(2)将PU-Bagging算法迁移至地质灾害研究中,通过对未发生滑坡灾害的地区进多次迭代随机选择样本区域标记为负样本,和正样本组成多个样本集。替代了传统的随机一次选择等量样本作为负样本时存在的偶然性和随机性。
(3)通过采用密度比模型,构建承灾体密度分布图,用以作为区域易损性数据,相比传统的价值累计求和,再进行易损性等级划分,这样的方式降低了数据的收集工作量以及减少了一些中间冗余的计算。
(4)在传统的滑坡研究中,大都是以所收集的数据来构造评价模型,得到一个固定的评价结果,这样评价结果时效性较差,实用价值有限。本发明结合CA-Markov模型,实现了对滑坡灾害的动态研究。
针对这种现状本发明提出了合理的研究流程,创造性提出了基于机器学习的滑坡灾害风险评估方法。相较传统方法,本发明更符合地球科学的研究特点,逻辑清晰、确实可行,评估结果更加可靠。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (1)
1.基于机器学习的滑坡灾害风险评估方法,其特征包括以下步骤:
步骤1、收集并整理分析相关地质历史资料,结合野外调查的区域滑坡灾害点分布情况分析区域内的滑坡灾害发育分布规律,初步筛选出对区域滑坡影响较大的环境因子,包括以下两个方面:
步骤1.1、评价因子选择:
首先根据所收集到的资料初步选择评价因子,然后再对所选择出的因子进行分析,确保所选择的因子在该区域的不同地区,具有显著空间差异性,并且分析该因子和区域地质灾害的发生是否具有强相关性,再结合相关文献和前人的研究成果,来调整在评价过程中参与模型构建的滑坡危险性评价因子;
步骤1.2、评价单元划分:
在对地理空间进行评价时,首要任务就是确定评价区域,划分评价单元,模型单元代表了地表的一部分,每一个单元内的各个属性具有同质性,在GIS中,选择格网单元和斜坡单元分别进行相关实验,并对结果进行对比分析,选择这两种评价单元划分方式;
步骤2、地质环境条件分析、整理相关地质环境背景资料,整合历史滑坡灾害数据和最新调查的灾害数据,分析区域内滑坡灾害发育特征,建立该区域滑坡评价指标体系,结合滑坡地质灾害基本发育情况和野外调查的滑坡灾害点数据的基础上,采用统计分析的方法,分析各因子在不同分级状况下滑坡灾害点的发生次数、分级比例及信息量值,进一步计算各评价因子间的相关性,并适当删除相关性较高的评价因子;
步骤3、建立混合高斯聚类模型(GMM)优化后的数据集与未优化的随机抽取的数据集,分别对人工神经网络(ANN)模型和采用径向基核函数下的支持向量机(SVM)模型进行训练,训练结果达到精度后对该区域滑坡灾害危险性做出评价,并对不同模型评价结果的预测准确率和评价结果的合理性检验并对比。最后结合滑坡易损性结果进行第一次风险评估;
步骤4、滑坡危险性评价模型分析
在进行危险性空间预测分析时,主要从两个方面进行分析。首先是进行危险性评价,以步骤1、2所选择的评价因子为基础,根据己经发生的灾害数据,对当前的滑坡发生概率进行空间预测。其次是在步骤3的基础上,结合多个时期的危险性预测结果,通过分析相邻两个时期的危险性等级,分析其发展规律,从而对将来某一个时期进行滑坡危险性空间预测。滑坡危险性评价的流程主要包括:
步骤4.1、在步骤1.1和步骤2的基础上对评价因子数据进行预处理,以及数据尺度处理,将数据处理成模型可输入的样本数据;
步骤4.2、在步骤1.2的基础上再结合PU-Bagging算法,将评价单元分为正样本(发生过滑坡的区域)和未标记样本(未发生滑坡的区域),通过随机采样组合的方式,有放回的随机从未标记样本中抽取与正样本等量的数据作为负样本,组成训练集;
步骤4.3、利用步骤3及所得训练集来构建模型,得到评价单元样本中所有未标记样本区域的滑坡发生概率,从而实现对研究区的滑坡发生概率进行空间预测。
步骤5、滑坡危险性动态模型分析
滑坡危险性动态模型分析是滑坡空间预测的重要内容,主要体现在以下几个方面:
步骤5.1、CA-Markov模型在滑坡危险性模拟演化上的可行性分析。
步骤5.2、基于CA-Markov模型的滑坡危险性动态预测模型的构建和精度对比实验,选择预测效果最佳的实验方案的参数组合作为模型参数设置,完成模型构建。其中,实验结果与实际数据的一致性最高的方案即为最佳方案。
步骤5.3、利用精度最高的实验组参数,来对将来某一时期的滑坡危险性进行预测,即实现了滑坡的动态预测。
步骤6、滑坡风险评估:
结合区域的土地利用现状,得到承灾体类型和分布情况,然后随机选取80%的数据输入加权密度模型,以承载体的加权密度图,作为评价单元的价值估算值,将然后结合该评价单元的危险性指标,对二者进行计算,得到每一个评价单元的风险等级;最后用其余20%的数据来验证风险评估的准确性。
步骤7、对比分析两种滑坡风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111268460.9A CN114330812A (zh) | 2021-10-29 | 2021-10-29 | 基于机器学习的滑坡灾害风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111268460.9A CN114330812A (zh) | 2021-10-29 | 2021-10-29 | 基于机器学习的滑坡灾害风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330812A true CN114330812A (zh) | 2022-04-12 |
Family
ID=81045243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111268460.9A Pending CN114330812A (zh) | 2021-10-29 | 2021-10-29 | 基于机器学习的滑坡灾害风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330812A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
CN116341901A (zh) * | 2023-03-07 | 2023-06-27 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
CN116776649A (zh) * | 2023-08-22 | 2023-09-19 | 中国测绘科学研究院 | 基于元胞自动机的碎屑流模拟方法、***、设备及介质 |
CN116975576A (zh) * | 2023-09-19 | 2023-10-31 | 四川省公路规划勘察设计研究院有限公司 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
CN117131761A (zh) * | 2023-07-28 | 2023-11-28 | 成都理工大学 | 水库首次蓄水期的库岸滑坡预测方法 |
CN117195750A (zh) * | 2023-11-07 | 2023-12-08 | 武汉工程大学 | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
-
2021
- 2021-10-29 CN CN202111268460.9A patent/CN114330812A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341901A (zh) * | 2023-03-07 | 2023-06-27 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
CN116341901B (zh) * | 2023-03-07 | 2023-09-12 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
CN116108758B (zh) * | 2023-04-10 | 2023-06-27 | 中南大学 | 滑坡易发性评价方法 |
CN117131761A (zh) * | 2023-07-28 | 2023-11-28 | 成都理工大学 | 水库首次蓄水期的库岸滑坡预测方法 |
CN116776649A (zh) * | 2023-08-22 | 2023-09-19 | 中国测绘科学研究院 | 基于元胞自动机的碎屑流模拟方法、***、设备及介质 |
CN116776649B (zh) * | 2023-08-22 | 2023-11-10 | 中国测绘科学研究院 | 基于元胞自动机的碎屑流模拟方法、***、设备及介质 |
CN116975576A (zh) * | 2023-09-19 | 2023-10-31 | 四川省公路规划勘察设计研究院有限公司 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
CN116975576B (zh) * | 2023-09-19 | 2024-01-05 | 四川省公路规划勘察设计研究院有限公司 | 基于关键信息统计的山区公路地质灾害危险性评价方法 |
CN117195750A (zh) * | 2023-11-07 | 2023-12-08 | 武汉工程大学 | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
CN117195750B (zh) * | 2023-11-07 | 2024-02-02 | 武汉工程大学 | 一种参考时序形变的滑坡灾害敏感性模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
Liu et al. | Modeling different urban growth patterns based on the evolution of urban form: A case study from Huangpi, Central China | |
Zhu et al. | A comparative study of an expert knowledge-based model and two data-driven models for landslide susceptibility mapping | |
CN104899437B (zh) | 强降雨型滑坡灾害预警方法 | |
CN110362949B (zh) | 一种基于神经网络的滑坡敏感性评估方法 | |
CN112785450B (zh) | 一种土壤环境质量分区方法及*** | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN108595414A (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
CN113642849A (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
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 | |
KR20090093174A (ko) | 지하수오염 취약성 평가방법 및 그 시스템 | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
Oshan et al. | A scoping review on the multiplicity of scale in spatial analysis | |
Wan et al. | The knowledge rules of debris flow event: A case study for investigation Chen Yu Lan River, Taiwan | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
CN114298436A (zh) | 一种基于Bagging策略的滑坡易发性评价方法 | |
Liu et al. | Evolving spiking neural network model for PM2. 5 hourly concentration prediction based on seasonal differences: A case study on data from Beijing and Shanghai | |
Armstrong et al. | The application of data mining techniques to characterize agricultural soil profiles. | |
CN113779888B (zh) | 地面沉降危险性评估方法、装置、设备及存储介质 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
Zhang et al. | Design of estimation algorithm of island intelligent tourist volume based on data mining | |
Fang et al. | Zonation and scaling of tropical cyclone hazards based on spatial clustering for coastal China | |
Gaitan et al. | Opportunities for multivariate analysis of open spatial datasets to characterize urban flooding risks |
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 |