CN116543528A - 一种基于降雨阈值的区域滑坡危险性预警方法 - Google Patents
一种基于降雨阈值的区域滑坡危险性预警方法 Download PDFInfo
- Publication number
- CN116543528A CN116543528A CN202310569441.2A CN202310569441A CN116543528A CN 116543528 A CN116543528 A CN 116543528A CN 202310569441 A CN202310569441 A CN 202310569441A CN 116543528 A CN116543528 A CN 116543528A
- Authority
- CN
- China
- Prior art keywords
- landslide
- rainfall
- model
- area
- hazard
- 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 36
- 230000008878 coupling Effects 0.000 claims abstract description 24
- 238000010168 coupling process Methods 0.000 claims abstract description 24
- 238000005859 coupling reaction Methods 0.000 claims abstract description 24
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 15
- 238000011160 research Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 231100000656 threshold model Toxicity 0.000 description 11
- 239000002689 soil Substances 0.000 description 4
- LTINZAODLRIQIX-FBXRGJNPSA-N cefpodoxime proxetil Chemical compound N([C@H]1[C@@H]2N(C1=O)C(=C(CS2)COC)C(=O)OC(C)OC(=O)OC(C)C)C(=O)C(=N/OC)\C1=CSC(N)=N1 LTINZAODLRIQIX-FBXRGJNPSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000009137 wuling Substances 0.000 description 2
- 239000005995 Aluminium silicate Substances 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 240000002834 Paulownia tomentosa Species 0.000 description 1
- 235000010678 Paulownia tomentosa Nutrition 0.000 description 1
- 241000233805 Phoenix Species 0.000 description 1
- 235000012211 aluminium silicate Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Emergency Management (AREA)
- Geology (AREA)
- Game Theory and Decision Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明涉及一种基于降雨阈值的区域滑坡危险性预警方法,属于灾害预警领域。该方法包括以下步骤:S1:建立基于信息量和负样本选择的信息量‑随机森林IV‑RF和信息量‑BP神经网络IV‑BPNN滑坡易发性预测耦合模型;S2:建立基于多函数拟合的连续概率降雨阈值模型;S3:基于易发性与连续概率降雨阈值的区域滑坡危险性预警。本发明将IV分别与RF和BPNN模型进行耦合,得到两种耦合模型,并在两种模型中进行优选,以获取更高精度的研究区滑坡易发性值。将滑坡易发性值与连续概率值耦合得到连续概率滑坡危险性值,体现降雨的空间分布特点、实现更加准确的滑坡危险性预警分级。
Description
技术领域
本发明属于灾害预警领域,涉及一种基于降雨阈值的区域滑坡危险性预警方法。
背景技术
山区地质和地形地貌条件复杂,地质灾害频发。滑坡作为地质灾害中最为常见的一种,威胁着人民的生命财产安全、生存环境及生产生活。为满足区域防灾减灾、国土资源规划,需进行区域滑坡危险性预警。区域滑坡危险性一般认为是滑坡发生的空间概率和时间概率的耦合结果,滑坡易发性可以代表空间概率,是滑坡危险性预警的前提,决定了滑坡危险性预警的准确性;滑坡危险性不仅考虑内部因子,还需考虑外部因子动态的影响,例如降雨和地震。
近年来,统计分析和机器学习模型运用于区域滑坡易发性预测成果显著,统计分析模型(例如信息量模型)具有操作简易方便的特点,但其非常依赖主观经验,不能反应出滑坡与评价因子之间复杂的非线性关系;而机器学习模型(例如随机森林模型和BP神经网络模型)选择滑坡非样本时具有盲目性,且对于地质、地形地貌条件复杂区域采取单一模型进行预测,预测精度及可靠性无法保证。
现有基于统计分析的传统降雨阈值模型计算出的滑坡时间概率是非连续的,往往只能大致地、粗略地划分时间概率等级,不能体现降雨的空间分布特点,其传统滑坡危险性预警准确性和效率有待提高。
因此,为充分发挥统计分析模型和机器学习模型在滑坡易发性预测(空间概率)中的作用,克服传统降雨阈值模型计算出非连续性时间概率问题,将空间概率和时间概率进行耦合,实现更高精度、高效率的区域滑坡危险性预警。
发明内容
有鉴于此,本发明的目的在于提供一种基于降雨阈值的区域滑坡危险性预警方法。首先,耦合统计分析模型和机器学习模型,以提高区域滑坡易发性预测精度;其次,构建基于多函数拟合的连续概率降雨阈值模型,以获得连续的滑坡时间概率值。最后,将空间概率与时间概率相乘,得到区域滑坡危险性值并分级,以体现降雨的空间分布特点及提高滑坡危险性预警效率。
为达到上述目的,本发明提供如下技术方案:
(1)如图1所示,本发明提出基于信息量和负样本选择的信息量-随机森林(IV-RF)和信息量-BP神经网络(IV-BPNN)滑坡易发性预测耦合模型。基于IV模型初步划定的滑坡极低和低易发区,随机选择出非滑坡点(0),与滑坡点(1)组成“1-0数据集”;其次引入数据集中的信息量值作为RF和BPNN的输入层,建立IV-RF和IV-BPNN耦合模型。通过接受者操作特征曲线(ROC)和混淆矩阵,对比单一模型和耦合模型的预测精度,再基于FR模型对比不同模型的易发性分区合理性。
a.初次预测
采用评价单元(指栅格单元或斜坡单元)将分析区域进行划分并编号;评价因子通过资料收集、遥感解译、现场调查等手段收集滑坡易发性相关的区域的地形地貌、地质条件、气象水文、人类工程活动等方面的数据和信息,根据专家经验或统计分析方法进行优选,选取独立性强、非共线性的评价因子,进行赋值,并将评价单元内的各种评价因子作为滑坡自变量,评价单元的滑坡易发性作为因变量,采用信息量法对评价因子进行赋值(见式1);历史滑坡信息包括:滑坡空间位置、面积、体积和轮廓范围,建立滑坡样本数据库;
式中,Nn表示评价因子第n个分级中发生滑坡的面积;N0表示发生滑坡的总面积;Sn表示第n个分级面积;S0表示研究区总面积;Nn/N0表示分级中发生滑坡的面积占比;Sn/S0表示分级面积占比;IV表示信息量,反映出滑坡贡献程度。
将分析区内评价单元的所有评价因子所赋的信息量值进行累加,得到区域滑坡易发性值,并采用自然断点法进行分级,最终得到初次区域滑坡易发性预测结果。
b.负样本选择
在处理好的基础评价因子图层上,需选取合适数据集作为滑坡易发性预测模型的输入。首先基于已有的滑坡点编录和野外调查获取的相关矢量数据,通过arcgis的空间连接工具获得滑坡栅格,即正样本,标号为1。此外,由于选择的易发性预测模型是监督式机器学习模型,因此需要选择非滑坡栅格,即负样本。为避免选择的非滑坡栅格为真实非滑坡栅格,首先需避开水系和居民区,其次在信息量模型计算出的滑坡易发性值并分级的基础上,再在极低易发区或低易发区进行非滑坡栅格的随机选择,同时保证非滑坡栅格在滑坡点缓冲区范围外,标号为0,如图2所示。例如从100个滑坡边界面矢量图,通过arcgis的空间连接工具获得500个30m*30m的滑坡栅格,如图3所示,其中栅格大小由比例尺和图层精度共同决定;再根据上述负样本选择方式选择500个非滑坡栅格,组成包含1000个数据的‘0-1’数据集。随机选取数据集的70%样本作为机器学习训练样本集,30%样本的测试样本集。
c.模型耦合
为了兼顾信息量模型与机器学习模型的优势,将两种模型进行耦合,具体步骤如下:将‘0-1’数据集的信息量值作为随机森林模型与BP神经网络模型的输入层并进行模型训练;最终将模型预测的滑坡易发性值进行分级。
d.对比分析
在使用样本数据随机森林模型和BP神经网络模型训练完成后,需要量化模型训练后精度是否能满足预测要求。一般情况下,采用ROC曲线(受试者工作特性曲线)和AUC曲线下面积以评价监督式机器学习模型的训练效果。此外,在机器学习领域,特别是对于监督式机器学习,亦可以采用混淆矩阵以评价模型效果。
e.最优模型选择
为讨论模型的预测效果,采用滑坡点面积占比和频率比值以衡量预测效果。对于滑坡点面积占比和频率比值,一般情况下,在滑坡易发性等级越低,滑坡点面积占比和频率比值应该越小,随着易发性等级的升高,滑坡点面积占比和频率比值应该逐渐增大。
(2)如图4所示,提出一种基于多函数拟合的连续概率降雨阈值模型。
基于不同的前期有效降雨量(EE)和不同降雨持续天数(D)下的滑坡个数累积占比PEE和PD,将PEE与PD相乘得到时间概率P,采用累积正态分布函数与幂函数乘积的形式进行P-EE-D拟合,当获取某点的前期有效降雨量和降雨持续天数即可计算出该点发生滑坡的时间概率P。随机选取一定数量且未参与建模的滑坡点,代入建立好的模型中以验证模型精度。
a.降雨数据
1)前期有效降雨量
前期有效降雨量则在累积降雨量基础上进一步考虑了由于蒸发和径流作用导致的水分损失,即降雨入渗岩土体的真实水分远低于累积记录值[80]。由于降雨入渗导致岩土体含水量增加,岩土体能孔隙水压力升高,使得抗剪强度降低,最终边坡失稳导致滑坡。因此前期有效降雨量更能反映出降雨过程中岩土体含水量变化过程,EE的表达式如下:
其中,R0为滑坡当日降雨量,k为降雨渗透系数,Ri表示在滑坡前第i天的降雨量,n为考虑降雨持续天数。对于降雨渗透系数k,一般依据研究区情况而定,大多研究的取值范围在0.72至0.86区间,0.84应用最为广泛。
2)降雨持续天数
对于降雨持续时间规定为:一次降雨事件开始至结束持续的天数;一般认为如果连续两日降雨量小于5mm,即一次降雨事件的结束。
b.PEE和PD降雨概率
统计不同前期有效降雨量(EE)下的滑坡个数累积占比(PEE),采用累积正态分布函数进行拟合,得到PEE-EE曲线,如下式所示。
统计不同降雨持续天数(D)下的滑坡个数累积占比(PD),采用幂函数进行拟合,得到PD-D曲线,如下式所示。
P(D)=a+b×Dc (4)
c.基于多函数拟合的连续概率降雨阈值模型
将PEE与PD相乘得到时间概率P,采用累积正态分布函数与幂函数乘积的形式进行P-EE-D拟合,如下式所示。
d.典型降雨型滑坡实例精度验证
为验证基于多函数拟合的连续概率降雨阈值模型的精度,随机选取部分未参与建模的滑坡点,代入建立好的降雨模型中,精度越高证明模型越精确。
(3)基于易发性与连续概率降雨阈值的区域滑坡危险性预警方法
连续概率滑坡危险性预警是采用自然断点法或等距划分法将连续概率滑坡危险值进行等级划分。其中连续概率滑坡危险值是通过滑坡易发性值与非线性方程拟合出的降雨型滑坡连续概率值相乘得到,能反映出滑坡易发性值与降雨连续概率值的不同组合,见式。相比于传统滑坡危险性预警,连续概率滑坡危险性预警并非单一地、定性地矩阵叠加,而是定量的区间划分结果。在滑坡易发性确定后,滑坡危险性预警等级根据降雨连续概率值的增加而增加,其符合动态变化特征。采用等距划分法将连续概率滑坡危险值进行5级划分,如表1所示,分别为极高危险区(1.0~0.8)、高危险区(0.8~0.6)、中危险区(0.6~0.4)、低危险区(0.4~0.2)和极低危险区(0.2~0.0)。
H=P×S (6)
式中,H为连续概率滑坡危险值,P为连续概率值(时间概率),S为滑坡易发性值(空间概率)。
表1连续概率滑坡危险值分级表
危险性分级 | 极高危险区 | 高危险区 | 中危险区 | 低危险区 | 极低危险区 |
本发明的有益效果在于:本发明将IV分别与RF和BPNN模型进行耦合,得到两种耦合模型,并在两种模型中进行优选,以获取更高精度的研究区滑坡易发性值。另外,本发明采用非线性方程拟合降雨参数得到连续概率值以代表滑坡时间概率,将滑坡易发性值与连续概率值耦合得到连续概率滑坡危险性值,从而体现降雨的空间分布特点、实现更加准确的滑坡危险性预警分级。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为区域滑坡易发性预测模型研究流程图;
图2为负样本选择示意图;
图3为栅格单元;
图4为基于多函数拟合的连续概率降雨阈值模型原理图;
图5为研究区;
图6为基于信息量模型的区域滑坡易发性预测图;
图7为基于BPNN和RF的区域滑坡易发性预测图;
图8为基于IV-BPNN和IV-RF的区域滑坡易发性预测图;
图9为四个模型的ROC曲线对比;
图10为四个模型的混淆矩阵对比;
图11为各模型在不同分级下的频率比;
图12为边缘分布和累积分布;
图13为基于前期有效降雨量和降雨持续天数的累积频率占比拟合;
图14为基于多函数拟合的连续概率降雨阈值;
图15为基于多函数拟合的连续概率降雨阈值精度验证。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
预测区域为重庆市涪陵区,地理位置位于重庆市中部,幅员面积达2942.4km2,东西宽74.4km,南北长70.9km,横跨北纬29°20′~30°00′,东经106°57′~107°44′。在行政区划上,其南接南川区与武隆区,东邻丰都县,西接巴南区。
(1)区域滑坡易发性预测
a.初次预测
首先将研究区划分为30m×30m的评价单元,共得到326.9万个评价单元。***收集分析区域的地形地貌、地质条件、气象水文、人类工程活动等资料,根据遥感解译和现场验证,共获取滑坡样本495例,见图5。采用GIS软件对获取的现场及室内资料进行整编,建立区域地质环境条件和滑坡灾害分布数据库,数据源信息见表2。根据主成分分析、相关性分析和多重共线性分析方法进行评价因子优选,选取独立性强、非共线性的评价因子,最终选取了15种评价因子。根据滑坡点与评价因子关系,采用信息量模型对评价因子进行分级并赋值,分级赋值结果见表3。采用信息量法对研究区初次进行滑坡易发性预测,对易发性值采用自然断点法进行分级,初次预测结果如图6所示。
表2数据源信息
表3评价因子分级结果
b.负样本选择
基于已有的滑坡点编录和野外调查获取的相关矢量数据,通过arcgis的空间连接工具获得8675个滑坡栅格。首先需避开水系和居民区,其次本文在IV模型计算出的滑坡易发性值并分级的基础上,再在极低易发区或低易发区进行非滑坡栅格的随机选择,同时保证非滑坡栅格在滑坡点缓冲区1000m范围外。最终生成8675个非滑坡栅格,与已知的8675个滑坡栅格组成滑坡-非滑坡数据集。随机选择70%的滑坡-非滑坡数据集作为训练集,剩下的30%作为测试集。
c.模型预测
1)单一模型易发性预测
采用BPNN模型和RF模型做滑坡易发性预测,需要将训练集用于模型训练,测试集用于模型检验,最终将研究区所有栅格数据输入已经训练好的模型中进行预测。本文采用Matlab软件中自带的软件包进行BPNN和RF模型的构建,预测结果如图7所示。
2)耦合模型易发性预测
将滑坡-非滑坡数据集的信息量值作为RF模型与BPNN模型的输入层并进行模型训练。最终将模型预测的滑坡易发性值进行分级。采用耦合的方式,一方面可提高数据处理的针对性及数据分布的规律性,另一方面可提高RF与BPNN模型预测的准确率。耦合模型预测结果如图8所示。
3)对比分析
如图9所示,BPNN、RF、IV-BPNN耦合模型和IV-RF耦合模型中的AUC值分别为0.87、0.88、0.92和0.96,4个模型的ROC曲线均靠近左上角,说明本文利用14个评价因子训练出的4个模型具有较高精度,能较为精确预测滑坡发生的空间概率;其次,通过信息量耦合BPNN和RF两种机器学习模型能明显提高单一机器学习模型的预测精度。树模型和网络模型相比,信息量模型耦合树模型的效果比耦合网络模型效果更加明显。
由图10可知,RF和BPNN模型的预测性能指标为均在85%左右,表明各模型均具有较好的预测性能,但RF模型预测性能略高于BPNN模型;IV-RF和IV-BPNN模型的预测性能指标为均在95%左右,表明信息量模型能对树模型和网络模型的预测性能有较大提升,而IV-RF模型的测性能指标均高于IV-BPNN模型。
由图11可知,RF、BPNN、IV-RF和IV-BPNN模型预测的滑坡易发性在极高易发区和高易发区中的滑坡面积占总滑坡面积比值分别为86.72%、87.08%、92.75%和89.14%,而极高易发区和高易发区分区面积占比分别为:15.89%、31.52%、14.17%和21.08%(一般认为滑坡易发性的极高和高易发区应该尽可能的小,且在该分级中的滑坡面积占总滑坡面积比值应尽可能的大),表明IV-RF模型预测的滑坡易发性分级与涪陵区滑坡灾害空间分布情况更加符合,具有较高预测精度。另外,也表明了信息量模型对单一的网络模型和树模型有较为明显精度提升与优化。
d.最优模型选取
根据ROC、混淆矩阵及分区合理对比,综合选择IV-RF模型的易发性预测结果作为后续危险性预警基础。
(2)基于多模型耦合的连续概率降雨阈值模型
a.降雨数据
根据涪陵区的地理位置和周边雨量站的分布情况,选取其中11个雨量站的降雨数据,包括:涪陵、长寿、丰都、凤来、雨台山、睦和、双河口、大木、河图、武陵山、龙潭11个站点,如表4所示,降雨数据从中国气象中心网站(http://data.cma.cn/)下载。考虑降雨的空间不均匀分布特点,将研究区所有降雨型滑坡在降雨持续天数(D)内对应的降雨量采用Arcgis软件中的Splines(空间样条插值法)进行插值,将插值结果与滑坡点进行叠加,采用MATLAB提取出降雨型滑坡点降雨量;前期有效降雨量(EE)的降雨渗透系数通过相关性分析,最终取值为0.8。
表4 11个雨量站点信息
站号 | 57520 | 57522 | 57523 | A8108 | A7585 | A8718 | A8104 | A7520 | A8101 | A7474 | A7510 |
站名 | 长寿 | 涪陵 | 丰都 | 大木 | 凤来 | 河图 | 雨台山 | 武陵山 | 睦和 | 双河口 | 龙潭 |
区县 | 长寿 | 涪陵 | 丰都 | 涪陵 | 武隆 | 南川 | 涪陵 | 涪陵 | 涪陵 | 巴南 | 涪陵 |
经度(°) | 107.07 | 107.42 | 107.68 | 107.67 | 107.31 | 107.03 | 107.45 | 107.53 | 107.47 | 106.90 | 107.10 |
纬度(°) | 29.83 | 29.75 | 29.87 | 29.62 | 29.40 | 29.31 | 29.72 | 29.52 | 29.87 | 29.61 | 29.45 |
高程(m) | 378 | 274 | 218 | 980 | 616 | 660 | 660 | 1210 | 180 | 220.7 | 705 |
在构建不同降雨阈值模型之前,需对滑坡样本进行核对,去除滑坡点时间记录不完整或由其它外在因素导致滑坡的样本,因此选取了1980~2015年418个降雨型滑坡点进行连续概率降雨阈值模型构建,以2016~2020年23个降雨型滑坡点进行模型精度验证,另外选择2020~2021年四次典型降雨型滑坡事件进行危险性预警验证。
b.PEE和PD降雨概率
统计1980~2015年间418起降雨型滑坡的前期有效降雨量(EE)及降雨持续天数(D),研究区内前期有效降雨量区间为10mm~130mm,降雨持续天数在8日以内。图12显示了导致涪陵区418起降雨型滑坡对应的D和EE值(灰色点)在线性坐标中的分布情况,以及D和EE的边缘分布(直方图)及其累积频率占比(红色曲线)。由图可知,降雨持续天数的累积频率占比(PD)符合幂函数分布特征,而前期有效降雨量的累积频率占比(PEE)符合累积正态分布函数特征,则PEE和PD可分别采用式3和式4进行拟合,拟合结果如图13所示。拟合后的方程如式7和式8所示,根据拟合结果,累积频率占比PEE和PD拟合的R2分别达到了0.95和0.97表明前期有效降雨量对PEE、降雨持续天数对PD具有很强的解释能力,均方误差分别为0.08和0.04表明拟合结果非常理想。
P(D)=1.31-1.08×D-0.6 (8)
c.基于多函数拟合的连续概率降雨阈值模型
将降雨持续天数的累积频率占比PD与前期有效降雨量的累积频率占比PEE相乘,得到时间概率P,由于拟合数据符合幂函数特征和累积正态分布函数特征,利用MATLAB进行二维非线性拟合,得到涪陵区在不同前期有效降雨量和不同降雨持续天数组合下的滑坡连续概率值,拟合结果如图14和式9所示。拟合的R2达到了0.980表明前期有效降雨量和降雨持续天数对P具有很强的解释能力,均方误差为0.03表明拟合结果非常理想。
d.典型降雨型滑坡实例精度验证
将2016~2020年23个降雨型滑坡点代入上述降雨模型中,得出滑坡点对应的时间概率,如图15所示。有5个滑坡点时间概率位于80%~100%区间、7个滑坡点时间概率位于60%~80%区间、6个滑坡点时间概率位于40%~60%区间和5个滑坡点时间概率位于20%~40%区间。
(3)基于易发性与连续概率降雨阈值的区域滑坡危险性预警
将基于多函数拟合的滑坡连续概率值与滑坡易发性值相乘以获得涪陵区连续概率滑坡危险性值。
选取2020~2021年四次典型降雨型滑坡事件进行危险性预警验证,滑坡危险性计算结果如表5所示。说明该方法能较高精度的预测滑坡时空分布,亦更能反应出滑坡的连续概率危险性值。
表5四次典型降雨滑坡事件连续概率滑坡危险性值计算表
滑坡名称 | 时间 | EE | D | 易发性值 | 连续概率 | 连续概率危险性值 | 危险性等级 |
a.凉水铺滑坡 | 2020/6/29 | 115.2 | 6 | 0.898 | 0.936 | 0.840 | 极高 |
b.榜上滑坡 | 2018/8/01 | 96.5 | 7 | 0.875 | 0.930 | 0.814 | 极高 |
c.桐子园滑坡 | 2020/6/27 | 104.1 | 6 | 0.966 | 0.919 | 0.888 | 极高 |
d.王爷庙滑坡 | 2016/6/02 | 103.2 | 3 | 0.891 | 0.733 | 0.653 | 高 |
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。
Claims (4)
1.一种基于降雨阈值的区域滑坡危险性预警方法,其特征在于:该方法包括以下步骤:
S1:建立基于信息量和负样本选择的信息量-随机森林IV-RF和信息量-BP神经网络IV-BPNN滑坡易发性预测耦合模型;
S2:建立基于多函数拟合的连续概率降雨阈值模型;
S3:基于易发性与连续概率降雨阈值的区域滑坡危险性预警。
2.根据权利要求1所述的一种基于降雨阈值的区域滑坡危险性预警方法,其特征在于:所述S1具体为:建立基于信息量和负样本选择的信息量-随机森林IV-RF和信息量-BP神经网络IV-BPNN滑坡易发性预测耦合模型具体包括为:基于IV模型初步划定的滑坡极低和低易发区,随机选择出非滑坡点0,与滑坡点1组成“1-0数据集”;其次引入数据集中的信息量值作为RF和BPNN的输入层,建立IV-RF和IV-BPNN耦合模型;通过接受者操作特征曲线ROC和混淆矩阵,对比单一模型和耦合模型的预测精度,再基于FR模型对比不同模型的易发性分区合理性:
S11:初次预测
采用评价单元将分析区域进行划分并编号;评价因子通过资料收集、遥感解译和现场调查的手段收集滑坡易发性相关的区域的地形地貌、地质条件、气象水文和人类工程活动方面的数据和信息,根据专家经验或统计分析方法进行优选,选取独立性强、非共线性的评价因子,进行赋值,并将评价单元内的各种评价因子作为滑坡自变量,评价单元的滑坡易发性作为因变量,采用信息量法对评价因子进行赋值,如式1);历史滑坡信息包括:滑坡空间位置、面积、体积和轮廓范围,建立滑坡样本数据库;
式中,Nn表示评价因子第n个分级中发生滑坡的面积;N0表示发生滑坡的总面积;Sn表示第n个分级面积;S0表示研究区总面积;Nn/N0表示分级中发生滑坡的面积占比;Sn/S0表示分级面积占比;IV表示信息量,反映出滑坡贡献程度;
将分析区内评价单元的所有评价因子所赋的信息量值进行累加,得到区域滑坡易发性值,并采用自然断点法进行分级,得到初次区域滑坡易发性预测结果;
S12:负样本选择
在处理好的基础评价因子图层上,需选取合适数据集作为滑坡易发性预测模型的输入;首先基于已有的滑坡点编录和野外调查获取的相关矢量数据,通过arcgis的空间连接工具获得滑坡栅格,即正样本,标号为1;选择非滑坡栅格,即负样本;为避免选择的非滑坡栅格为真实非滑坡栅格,首先避开水系和居民区,其次在信息量模型计算出的滑坡易发性值并分级的基础上,再在极低易发区或低易发区进行非滑坡栅格的随机选择,同时保证非滑坡栅格在滑坡点缓冲区范围外,标号为0;栅格大小由比例尺和图层精度共同决定;再根据上述负样本选择方式选择500个非滑坡栅格,组成包含1000个数据的‘0-1’数据集;随机选取数据集的70%样本作为机器学习训练样本集,30%样本的测试样本集;
S13:模型耦合
将两种模型进行耦合,将‘0-1’数据集的信息量值作为随机森林模型与BP神经网络模型的输入层并进行模型训练;最终将模型预测的滑坡易发性值进行分级;
S14:对比分析
在使用样本数据随机森林模型和BP神经网络模型训练完成后,量化模型训练后精度是否能满足预测要求;采用ROC曲线和AUC曲线下面积以评价监督式机器学习模型的训练效果;
S15:最优模型选择
为讨论模型的预测效果,采用滑坡点面积占比和频率比值以衡量预测效果;对于滑坡点面积占比和频率比值,在滑坡易发性等级越低,滑坡点面积占比和频率比值越小,随着易发性等级的升高,滑坡点面积占比和频率比值逐渐增大。
3.根据权利要求2所述的一种基于降雨阈值的区域滑坡危险性预警方法,其特征在于:所述S2具体为:基于不同的前期有效降雨量EE和不同降雨持续天数D下的滑坡个数累积占比PEE和PD,将PEE与PD相乘得到时间概率P,采用累积正态分布函数与幂函数乘积的形式进行P-EE-D拟合,当获取某点的前期有效降雨量和降雨持续天数计算出该点发生滑坡的时间概率P;随机选取一定数量且未参与建模的滑坡点,代入建立好的模型中以验证模型精度;
S21:降雨数据
1)前期有效降雨量
前期有效降雨量EE的表达式如下:
其中,R0为滑坡当日降雨量,k为降雨渗透系数,Ri表示在滑坡前第i天的降雨量,n为考虑降雨持续天数;对于降雨渗透系数k,取值范围为0.72~0.86;
2)降雨持续天数
对于降雨持续时间规定为:一次降雨事件开始至结束持续的天数;如果连续两日降雨量小于5mm,那么一次降雨事件的结束;
S22:PEE和PD降雨概率
统计不同前期有效降雨量EE下的滑坡个数累积占比PEE,采用累积正态分布函数进行拟合,得到PEE-EE曲线,如下式所示;
统计不同降雨持续天数D下的滑坡个数累积占比PD,采用幂函数进行拟合,得到PD-D曲线:
P(D)=a+b×Dc(4)
S23:基于多函数拟合的连续概率降雨阈值模型
将PEE与PD相乘得到时间概率P,采用累积正态分布函数与幂函数乘积的形式进行P-EE-D拟合,如下式所示:
S24:典型降雨型滑坡实例精度验证
为验证基于多函数拟合的连续概率降雨阈值模型的精度,随机选取部分未参与建模的滑坡点,代入建立好的降雨模型中,精度越高证明模型越精确。
4.根据权利要求3所述的一种基于降雨阈值的区域滑坡危险性预警方法,其特征在于:所述S3具体为:连续概率滑坡危险性预警是采用自然断点法或等距划分法将连续概率滑坡危险值进行等级划分;其中连续概率滑坡危险值是通过滑坡易发性值与非线性方程拟合出的降雨型滑坡连续概率值相乘得到,能反映出滑坡易发性值与降雨连续概率值的不同组合,见式(6);采用等距划分法将连续概率滑坡危险值进行5级划分,包括极高危险区,H为1.0~0.8、高危险区,H为0.8~0.6、中危险区,H为0.6~0.4、低危险区H为0.4~0.2和极低危险区,H为0.2~0.0;
H=P×S(6)
式中,H为连续概率滑坡危险值,P为连续时间概率值,S为滑坡易发性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569441.2A CN116543528A (zh) | 2023-05-19 | 2023-05-19 | 一种基于降雨阈值的区域滑坡危险性预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569441.2A CN116543528A (zh) | 2023-05-19 | 2023-05-19 | 一种基于降雨阈值的区域滑坡危险性预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543528A true CN116543528A (zh) | 2023-08-04 |
Family
ID=87457561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310569441.2A Pending CN116543528A (zh) | 2023-05-19 | 2023-05-19 | 一种基于降雨阈值的区域滑坡危险性预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543528A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935491A (zh) * | 2023-12-25 | 2024-04-26 | 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 |
-
2023
- 2023-05-19 CN CN202310569441.2A patent/CN116543528A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935491A (zh) * | 2023-12-25 | 2024-04-26 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN106651211B (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN109299438B (zh) | 一种基于网约车数据的公共交通设施供给水平评价方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其*** | |
CN107239575A (zh) | 城市道路暴雨内涝风险分析与预警智联网服务***及方法 | |
CN110852577A (zh) | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 | |
CN110766257B (zh) | 一种评估人群空气污染物短期暴露浓度的方法 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测*** | |
Bezak et al. | Reconstruction of past rainfall erosivity and trend detection based on the REDES database and reanalysis rainfall | |
CN103090831B (zh) | 覆冰区域输电线路覆冰厚度的判断方法 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN104881727A (zh) | 一种基于遥感抽样的农作物灾情损失评估方法 | |
CN111144656A (zh) | 一种基于gis的灾害评价分析方法 | |
CN101673369A (zh) | 基于投影寻踪的排水管网洪涝风险评价方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN114578457B (zh) | 一种基于进化集成学习的大气污染物浓度时空预测方法 | |
CN115203189A (zh) | 融合多源数据提升大气传输量化能力的方法及可视化*** | |
CN116543528A (zh) | 一种基于降雨阈值的区域滑坡危险性预警方法 | |
CN116822185B (zh) | 基于hasm的日降水数据空间模拟方法和*** | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
CN115994685A (zh) | 一种国土空间规划现状评估方法 | |
CN115033809A (zh) | 一种城市颗粒物时空管控方法 | |
Tsakiris et al. | Regional drought identification and assessment. Case study in Crete | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
CN103115598B (zh) | 电网覆冰区域分布的测绘方法 |
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 |