区域统计约束的滑坡易发性评估与制图

doi:10.13474/j.cnki.11-2246.2024.1229

测绘通报 ›› 2024, Vol. 0 ›› Issue (12): 170-177.doi: 10.13474/j.cnki.11-2246.2024.1229

区域统计约束的滑坡易发性评估与制图

徐刚^1,2, 刘青豪²

1. 浙江安防职业技术学院, 浙江温州 325016;
2. 中南大学地球科学与信息物理学院, 湖南长沙 410083

收稿日期:2024-04-02 发布日期:2024-12-27
通讯作者: 刘青豪,E-mail:235001015@csu.edu.cn E-mail:235001015@csu.edu.cn
作者简介:徐刚(1982-),男,博士,教授,主要从事地质灾害遥感监测预警分析。E-mail:20096342@zjcst.edu.cn
基金资助:
浙江省自然资源厅2021年科技项目(2021-38);2021年温州市基础性科研项目(S20210013)

Landslide susceptibility assessment and cartography with regional statistical constraints

XU Gang^1,2, LIU Qinghao²

1. Zhejiang College of Security Technology, Wenzhou 325016, China;
2. School of Geosciences and Info-Physics, Central South University, Changsha 410083, China

Received:2024-04-02 Published:2024-12-27

摘要/Abstract

摘要： 受限于滑坡灾害监测数据的完备性及滑坡灾害知识利用率低的难题,如何准确耦合多源异构环境数据,以综合评估滑坡易发程度是当前研究的重要挑战。本文提出了一种区域统计约束的滑坡易发性评估方法。首先,根据专家知识选择地形地貌、地质构造、气象水文、人类活动等环境因素,并对相关数据进行清洗、归一化等预处理;其次,从“机理-地理-物理-数理”层面构建灾害数据特征映射,面向历史灾害点及非灾害点进行正负样本均衡采样;然后,在此基础上,借助多尺度空间单元区域划分方法进行行政单元的自适应聚合,将研究区域按照坡度和年均降雨划分为一系列均质子区;最后,在区域统计约束下搭建随机森林模型进行样本训练与易发性制图。试验表明,本文所提方法将滑坡灾害易发性评估精度至少提高了9%。

关键词: 滑坡, 易发性评估, 环境因素, 区域统计, 随机森林

Abstract: Due to the limitations of poor data completeness and low knowledge utilization, it remains a challenge to accurately integrate multiple sources of heterogeneous disaster information to comprehensively evaluate the susceptibility of landslides. Therefore,a mixed framework for mapping the susceptibility of landslides with regional statistical constraints is proposed. Firstly,environmental factors such as topography,geomorphology,geological structure,meteorology and hydrology,and human activities were selected based on expert knowledge,and the relevant data is pre-processed such as cleaning and normalization. Then,from the perspective of “mechanism-geography-physics-mathematics”,the feature mapping of disaster data is constructed,and a balanced sampling of positive and negative samples is carried out for historical disaster sites and non-disaster sites. On this basis,the administrative units are adaptively aggregated using a multi-scale spatial unit division method,and the study area is divided into a series of homogeneous sub-regions according to slope and average annual rainfall. Finally,under the constraint of regional statistics,a random forest model is constructed for sample training and susceptibility mapping. The experiments show that the proposed hybrid framework improves the accuracy of landslide susceptibility assessment by at least 9%.

Key words: landslides, susceptibility assessment, environmental factors, regional statistics, random forests

中图分类号:

徐刚, 刘青豪. 区域统计约束的滑坡易发性评估与制图[J]. 测绘通报, 2024, 0(12): 170-177.

XU Gang, LIU Qinghao. Landslide susceptibility assessment and cartography with regional statistical constraints[J]. Bulletin of Surveying and Mapping, 2024, 0(12): 170-177.

参考文献

[1] 许强,朱星,李为乐,等.“天-空-地”协同滑坡监测技术进展[J].测绘学报,2022,51(7): 1416-1436.
[2] 中华人民共和国统计局.中国统计年鉴[M].北京:中国统计出版社,2020.
[3] 许强,陆会燕,李为乐,等.滑坡隐患类型与对应识别方法[J].武汉大学学报(信息科学版),2022,47(3): 377-387.
[4] 唐亚明,张茂省,李林,等.滑坡易发性危险性风险评价例析[J].水文地质工程地质,2011,38(2): 125-129.
[5] BUI D T,TSANGARATOS P,NGUYEN V T,et al.Comparing the prediction performance of a deep learning neural network model with conventional machine learning models in landslide susceptibility assessment[J].Catena,2020,188:104426.
[6] MOHAMMADI S,TAIEBAT H.Finite element simulation of an excavation-triggered landslide using large deformation theory[J].Engineering Geology,2016,205: 67-72.
[7] MONTGOMERY D R,DIETRICH W E.A physically based model for the topographic control on shallow landsliding[J].Water Resources Research,1994,30(4): 1153-1171.
[8] 申怀飞,董雨,杨梅,等.基于AHP与信息量法的甘肃省滑坡易发性评估[J].水土保持研究,2021,28(6): 412-419.
[9] TSANGARATOS P,ILIA I,HONG H Y,et al.Applying information theory and GIS-based quantitative methods to produce landslide susceptibility maps in Nancheng county,China[J].Landslides,2017,14(3):1091-1111.
[10] TAALAB K,CHENG T,ZHANG Y.Mapping landslide susceptibility and types using random forest[J].Big Earth Data,2018,2(2): 159-178.
[11] 王毅,陈曦,唐贵希,等.基于自动机器学习的全球尺度滑坡灾害易发性预测[J].资源环境与工程,2022,36(5): 604-613.
[12] YIN Y,ZHANG Z,ZHANG W,et al.Landslide susceptibility mapping using multiscale sampling strategy and convolutional neural network: a case study in Jiuzhaigou region[J].Catena,2020,195,104851.
[13] 刘青豪,张永红,邓敏,等.大范围地表沉降时序深度学习预测法[J].测绘学报,2021,50(3): 396-404.
[14] 李文彬,范宣梅,黄发明,等.不同环境因子联接和预测模型的滑坡易发性建模不确定性[J].地球科学,2021,46(10): 3777-3795.
[15] 吕蓓茹,彭玲,李樵民.顾及样本敏感性的滑坡易发性评价[J].测绘通报,2022(11): 20-25.
[16] 刘瑜,汪珂丽,邢潇月,等.地理分析中的空间效应[J].地理学报,2023,78(3): 517-531.
[17] 刘青豪,刘慧敏,张永红,等.顾及空间异质性的大范围地面沉降时空预测[J].遥感学报,2022,26(7): 1315-1325.
[18] 骆剑承,周成虎,梁怡等.多尺度空间单元区域划分方法[J].地理学报,2002(2): 167-173.
[19] STATISTICS L B,BREIMAN L.Random forests[J].Machine Learning,2001,45(1): 5-32.
[20] 刘坚,李树林,陈涛.基于优化随机森林模型的滑坡易发性评价[J].武汉大学学报(信息科学版),2018,43(7): 1085-1091.
[21] 黄发明,殷坤龙,蒋水华,等.基于聚类分析和支持向量机的滑坡易发性评价[J].岩石力学与工程学报,2018,37(1): 156-167.
[22] 吴常润,角媛梅,王金亮,等.基于频率比-逻辑回归耦合模型的双柏县滑坡易发性评价[J].自然灾害学报,2021,30(4): 213-224.
[23] 陈飞,蔡超,李小双,等.基于信息量与神经网络模型的滑坡易发性评价[J].岩石力学与工程学报,2020,39(S1): 2859-2870.

区域统计约束的滑坡易发性评估与制图

Landslide susceptibility assessment and cartography with regional statistical constraints

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	彭翔, 甘淑, 袁希平, 朱智富, 李璇, 龚伟圳. 融合InSAR与GWO-LSTM对高陡山地的形变监测与预测——以金沙江流域某边坡为例[J]. 测绘通报, 2024, 0(9): 44-49.
[2]	刘伊铭, 徐胜华, 刘春阳, 马钰. 顾及多方法集成特征选择与负样本优化的滑坡易发性评价[J]. 测绘通报, 2024, 0(9): 74-79.
[3]	徐宇翔, 胡庆武, 段延松, 李加元, 艾明耀, 赵鹏程. 融合LiDAR点云与无人机影像的滑坡动态监测技术[J]. 测绘通报, 2024, 0(8): 42-47.
[4]	刘卫南, 宋红克, 李清波, 谢谟文. 利用光学影像的滑坡位移监测[J]. 测绘通报, 2024, 0(6): 41-45,64.
[5]	张戴新月, 刘扬, 高思岩. 基于多特征组合的建筑垃圾分类方法[J]. 测绘通报, 2024, 0(6): 59-64.
[6]	郑威, 左小清, 李勇发, 李正会, 王志红, 李德彬. 融合InSAR和机载LiDAR技术的滑坡早期识别与分析[J]. 测绘通报, 2024, 0(5): 1-6.
[7]	赵琼, 张锦水, 郑文武. 结合PCA与IR-MAD的降雨型滑坡检测方法[J]. 测绘通报, 2024, 0(5): 7-11,18.
[8]	王丽霞, 喜文飞, 史正涛, 赵子龙, 钱堂慧, 赵磊, 马奕捷. 深度学习滑坡识别算法中样本不平衡问题的研究[J]. 测绘通报, 2024, 0(5): 12-18.
[9]	刘晓, 孙永玲, 孙世金, 李敏. 基于Sentinel-2影像的巴尔托洛冰川冰面湖研究[J]. 测绘通报, 2024, 0(3): 49-53,80.
[10]	邢明泽, 左小清, 张荐铭, 黄成, 李勇发, 布金伟, 石超. 基于SBAS-InSAR技术的西南山区滑坡稳定性监测[J]. 测绘通报, 2024, 0(2): 63-68.
[11]	雷楷烨, 张显云, 刘晶晖, 吴雪. 一种顾及空间异质性和噪声的遥感缺失数据重建方法[J]. 测绘通报, 2024, 0(12): 40-47.
[12]	马建雄, 明镜, 周成涛, 甘泽. 基于实景三维与GIM技术的滑坡地质灾害勘查应用[J]. 测绘通报, 2024, 0(11): 74-77,161.
[13]	杨芳, 丁仁军, 李勇发. 基于SBAS-InSAR技术的金沙江流域典型滑坡时空演化特征分析[J]. 测绘通报, 2024, 0(11): 102-107.
[14]	孙常建, 尚永福, 王石岩, 窦小楠. 基于语义分割网络的冬小麦遥感分类及变化分析[J]. 测绘通报, 2024, 0(10): 151-156.
[15]	李永鑫, 王德富, 马志刚, 范亚军, 杨本勇, 刘立, 罗超. 知识图谱驱动下的多源遥感滑坡隐患识别[J]. 测绘通报, 2024, 0(1): 12-18.