金沙江流域滑坡易发性空间预报分析

doi:10.13474/j.cnki.11-2246.2021.0103

测绘通报 ›› 2021, Vol. 0 ›› Issue (4): 13-16.doi: 10.13474/j.cnki.11-2246.2021.0103

金沙江流域滑坡易发性空间预报分析

苏美臣¹, 魏晓燕², 周峻松², 汪祎勤²

1. 云南师范大学, 云南昆明 650500;
2. 云南省测绘资料档案馆, 云南昆明 650034

收稿日期:2021-01-11 修回日期:2021-02-22 出版日期:2021-04-25 发布日期:2021-04-30
通讯作者: 魏晓燕。E-mail:19423221@qq.com
作者简介:苏美臣(1995-),女,硕士生,研究方向为空间统计分析。E-mail:458025406@qq.com
基金资助:
国家自然科学基金（42061074；41701470）

Analysis and prediction of landslide susceptibility in Jinsha River

SU Meichen¹, WEI Xiaoyan², ZHOU Junsong², WANG Yiqin²

1. Yunnan Normal University, Kunming 650500, China;
2. Yunnan Provincial Archives of Surveying and Mapping, Kunming 650034, China

Received:2021-01-11 Revised:2021-02-22 Online:2021-04-25 Published:2021-04-30

摘要/Abstract

摘要： 灾害易发性预报是提高灾害防控能力的第一步。针对位于云南省内的金沙江流域因地势险峻、生态环境脆弱，加之近年来人为活动增多已成为地质灾害高发区的现状，本文以金沙江德钦至华坪段滑坡灾害为例，运用Maxent和随机森林两种机器学习模型对滑坡空间分布作归因与预测，并对两者之间的差异进行对比分析。试验结果表明，随机森林模型的预测精度高于Maxent模型，AUC值为0.72。

关键词: 滑坡预报, 随机森林, Maxent模型, 金沙江流域, 易发性制图

Abstract: Disaster susceptibility mapping is the first step to improve the ability of control and prediction. In view of the problem that Jinsha River located in Yunnan province due to steep terrain and fragile ecological environment, combined with the increase of human activities in recent year, its basin has become the most frequent incident area of geological disaster in china. Taking Jinsha River of Deqin-Huapingas an example, this paper uses two methods(maxent and random forest model) for attribution and prediction of spatial distribution of landslides, and compares their differences. The result show that the prediction accuracy of random forest is higher than Maxent, and the AUC is 0.72.

Key words: landslide forecast, random forest, Maxent model, Jinsha River, susceptibility mapping

中图分类号:

P208

苏美臣, 魏晓燕, 周峻松, 汪祎勤. 金沙江流域滑坡易发性空间预报分析[J]. 测绘通报, 2021, 0(4): 13-16.

SU Meichen, WEI Xiaoyan, ZHOU Junsong, WANG Yiqin. Analysis and prediction of landslide susceptibility in Jinsha River[J]. Bulletin of Surveying and Mapping, 2021, 0(4): 13-16.

参考文献

[1] 王念秦,王永锋,罗东海,等.中国滑坡预测预报研究综述[J].地质论评,2008(3):355-361.
[2] 朱庆,曾浩炜,丁雨淋,等.重大滑坡隐患分析方法综述[J].测绘学报,2019,48(12):1551-1561.
[3] SAITO M.Forecasting the time of occurrence of a slope failure[C]//Proceedings of the 6th International Conference on Soil Mechanics and Foundation Engineering.Montreal:[s.n.],1965:537-541.
[4] 伍法权,王年生.一种滑坡位移动力学预报探讨[J].中国地质灾害与防治学报,1996,7(S1):38-41,85.
[5] 李潇.灰色最小二乘支持向量机在滑坡变形预测中的应用[J].测绘通报,2010(6):44-46.
[6] 毕俊擘,张茂省,朱立峰,等.基于多元统计的甘肃永靖黑方台滑坡强度预测模型[J].地质通报,2013,32(6):943-948.
[7] 武雪玲,杨经宇,牛瑞卿.一种结合SMOTE和卷积神经网络的滑坡易发性评价方法[J].武汉大学学报(信息科学版),2020,45(8):1223-1232.
[8] 赵冬梅,角媛梅,邱应美,等.基于maxent模型的哈尼梯田核心区滑坡易发性评价[J].水土保持研究,2020,27(4):392-399,407.
[9] 李亭,田原,邬伦,等.基于随机森林方法的滑坡灾害危险性区划[J].地理与地理信息科学,2014,30(6):25-30,2.
[10] 曹颖.单体滑坡灾害风险评价与预警预报[D].武汉:中国地质大学,2016.
[11] 刘艺梁,殷坤龙,刘斌.逻辑回归和人工神经网络模型在滑坡灾害空间预测中的应用[J].水文地质工程地质,2010,37(5):92-96.
[12] 闵颖,胡娟,李超,等.云南省滑坡泥石流灾害预报预警模型研究[J].灾害学,2013,28(4):216-220.
[13] 周雅倩. 最大熵方法及其在自然语言处理中的应用[D].上海:复旦大学,2005.
[14] 吴庆明,王磊,朱瑞萍,等.基于MAXENT模型的丹顶鹤营巢生境适宜性分析——以扎龙保护区为例[J].生态学报,2016,36(12):3758-3764.
[15] PHILLIPS S J, DUDÍK M. Modeling of species distribu-tions with Maxent:new extensions and a comprehensive evaluation[J].Ecography, 2008, 31(2):161-175.
[16] PHILLIPS S J, ANDERSON R P, SCHAPIRE R E. Maximum entropy modeling of species geographic distributions[J].Ecological Modelling,2006,190(34):231-259.
[17] BREIMAN L. Random Forests[J].Machine Learning, 2001, 45(1):5-32.
[18] 李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4):1190-1197.

金沙江流域滑坡易发性空间预报分析

Analysis and prediction of landslide susceptibility in Jinsha River

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]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[2]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[3]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[4]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[5]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[6]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[7]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[8]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[9]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[10]	古春霞, 李大成. 时空融合技术在区域地表覆盖时序分类中的应用[J]. 测绘通报, 2021, 0(5): 20-24.
[11]	陈利燕, 林鸿, 吴健华. 融合随机森林和超像素分割的建筑物自动提取[J]. 测绘通报, 2021, 0(2): 49-53.
[12]	李悦, 张敏. 面向对象的高分辨率遥感影像建设用地变化监测[J]. 测绘通报, 2021, 0(2): 54-58.
[13]	赖正文, 夏小云. 像素级和对象级高分辨率遥感图像变化检测分析[J]. 测绘通报, 2021, 0(2): 59-63.
[14]	张鹏, 马庆勋, 吕杰, 季金亮, 李紫微. 机器学习算法在森林地上生物量估算中的应用[J]. 测绘通报, 2021, 0(12): 28-32.
[15]	朱佩京, 罗年学, 赵前胜. 基于随机森林模型的台风风暴潮最大增水预测[J]. 测绘通报, 2021, 0(12): 71-74,82.