检索结果-南通市图书馆

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

不同分级方法对区域滑坡易发性区划的影响

工程科学与技术 2024年第1期56卷 148-159页

作者：黄发明张崟琅郭子正范宣梅周创兵南昌大学工程建设学院江西南昌330031 中国瑞林工程技术股份有限公司江西南昌330031 河北工业大学土木与交通学院天津300401 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059

易发性分区是开展区域地质灾害风险评价的基础步骤,选取合理的分级方法对有效绘制区域滑坡易发性图意义显著,但鲜有研究对比了各易发性分级方法的优缺点,尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题,以陕西省延长县为... 详细信息

易发性分区是开展区域地质灾害风险评价的基础步骤,选取合理的分级方法对有效绘制区域滑坡易发性图意义显著,但鲜有研究对比了各易发性分级方法的优缺点,尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题,以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数,即分类和回归树、随机森林和径向基函数;设计了5种易发性分级方法,划分不同的滑坡易发性等级,包括4种常规的基于地理信息系统的分级方法(自然断点、等间隔、分位数和几何间隔),同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明:3种模型的受试者工作特征(ROC)曲线下面积均大于0.75,但划分的易发性分级图分布模式却存在较大差异,使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡,但这两种方法划分的极高和高易发区的总面积过大;使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大,说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级,能为易发性的准确分区提供思路,为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考,提高地质安全评估及应急管理能力。

关键词：滑坡易发性易发性分级频率比阈值法机器学习

考虑机器学习建模中训练/测试集时空划分原则的滑坡易发性预测建模

在线全文

学校读者我要写书评

暂无评论

地球科学 2024年第5期49卷 1607-1618页

作者：黄发明欧阳慰平蒋水华范宣梅连志鹏周创兵南昌大学工程建设学院江西南昌330031 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059 中国地质调查局武汉地质调查中心湖北武汉430205

滑坡易发性预测时大多按空间随机来划分模型训练/测试数据集,但随机划分方式难免将不确定性因素引入建模中.因为理论上滑坡易发性是基于过去的滑坡来预测将来发生滑坡的空间概率,具有显著的时间顺序特征而非单纯的空间随机,可见有必要... 详细信息

滑坡易发性预测时大多按空间随机来划分模型训练/测试数据集,但随机划分方式难免将不确定性因素引入建模中.因为理论上滑坡易发性是基于过去的滑坡来预测将来发生滑坡的空间概率,具有显著的时间顺序特征而非单纯的空间随机,可见有必要探索基于滑坡发生的时间顺序划分模型训练/测试集.以浙江文成县为例获取11类环境因子及128个时间准确的滑坡;之后将联接了环境因子的滑坡-非滑坡样本分别按照滑坡时间顺序和空间随机的原则,划分为两类不同训练/测试集;其划分比例分别设定为9∶1、8∶2、7∶3、6∶4和5∶5等以避免不同比例影响研究结果,由此得到10种组合工况下的训练/测试集;最后再训练测试支持向量机(SVM)、多层感知器(MLP)和随机森林(RF)等模型以预测滑坡易发性并分析其不确定性.结果表明:(1)训练/测试集按时间顺序划分的SVM、MLP和RF模型预测的滑坡易发性的不确定性略低于按空间随机性划分的模型,验证了按时间顺序划分的可行性;(2)训练/测试集按时间顺序划分实际上是其在空间随机划分下的一种更符合滑坡发生实际情况的“确定性”特征,当然对缺乏滑坡发生时间的数据集开展空间随机划分也是可行的.

关键词：滑坡滑坡易发性时间顺序训练/测试集比例机器学习工程地质

滑坡易发性预测建模的不确定性:不同“非滑坡样本”选择方式的影响

在线全文

学校读者我要写书评

暂无评论

工程科学与技术 2024年第1期56卷 169-182页

作者：黄发明曾诗怡姚池熊浩文范宣梅黄劲松南昌大学工程建设学院江西南昌330031 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059 纽卡斯尔大学岩土科学与工程卓越研究中心纽卡斯尔2287

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律,拟用5种方式,即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量(IV)法、半监督法来选择出与滑坡等比例的非滑坡样本... 详细信息

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律,拟用5种方式,即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量(IV)法、半监督法来选择出与滑坡等比例的非滑坡样本;进一步将各选择方式与随机森林(RF)耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例,获取高程、岩性、公路密度等19种环境因子和233个滑坡编录,将滑坡编录划分为2598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题,在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明:1)低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型,可见准确选择非滑坡样本对易发性建模至关重要;2)半监督RF模型选择非滑坡样本的建模性能最优,且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。

关键词：滑坡易发性预测非滑坡样本选择半监督机器学习信息量随机森林

一种识别植被覆盖滑坡的多模态深度神经网络模型

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（信息科学版） 2024年第9期49卷 1566-1573页

作者：唐小川涂子涵任绪清方成勇王宇刘鑫范宣梅成都理工大学计算机与网络安全学院四川成都610059 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059 中国民用航空飞行学院民航飞行技术与飞行安全重点实验室四川德阳618307 电子科技大学通信抗干扰技术国家级重点实验室四川成都611731

中国西南山区植被茂盛,该区域光学遥感影像上的滑坡常被植被遮挡、难以辨识,基于光学遥感影像的植被覆盖滑坡识别错误率较高,难以满足实际需求。针对这一问题,利用机载激光雷达(light detection and ranging,LiDAR)生成的数字高程模型(d... 详细信息

中国西南山区植被茂盛,该区域光学遥感影像上的滑坡常被植被遮挡、难以辨识,基于光学遥感影像的植被覆盖滑坡识别错误率较高,难以满足实际需求。针对这一问题,利用机载激光雷达(light detection and ranging,LiDAR)生成的数字高程模型(digital elevation model,DEM)和山体阴影图去除滑坡表面的植被覆盖,构建了一个植被覆盖山区的滑坡数据集。在此基础上,提出一种基于多模态深度学习的智能滑坡识别模型,综合利用DEM和山体阴影图识别植被覆盖条件下的滑坡,模型主要包括3个神经网络模块:自动提取DEM数据特征的Transformer神经网络,自动提取山影图特征的Transformer神经网络,以及融合多模态遥感数据的卷积注意力神经网络。实验对比了ResU-Net、LandsNet、HRNet、SeaFormer模型,结果表明,所提模型达到了最高的滑坡预测精度,交并比和F1值分别提高了9.3%和6.8%。因此,LiDAR能够有效地去除植被干扰,适用于识别西南山区植被覆盖条件下的滑坡;提出的LiDAR滑坡识别模型能够预测滑坡的位置,为滑坡监测设备选址提供了有力支撑。

关键词：滑坡识别植被覆盖山体阴影图 DEM 多模态深度学习神经网络模型

贵州晴隆红寨大型古滑坡复活变形特征及成因分析

在线全文

学校读者我要写书评

暂无评论

2024年4月广东韶关江湾镇极端降雨诱发群发性滑坡初步分析

中国地质灾害与防治学报 2024年第4期35卷 25-35页

作者：党杰杨亮段方情范宣梅贵州省地质环境监测院贵州贵阳 550081 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都 610059 贵州省地质环境监测院贵州贵阳 550081 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都 610059

2020年9月17日,贵州省晴隆县鸡场镇红寨村发生滑坡灾害,导致134栋房屋严重损毁,127户569人紧急避险.通过调查发现,红寨滑坡是一处规模达6.25×106m3的深层大型滑坡,地表房屋及基础设施破坏严重,但整个滑坡运动距离极短.通过对地形地貌... 详细信息

2020年9月17日,贵州省晴隆县鸡场镇红寨村发生滑坡灾害,导致134栋房屋严重损毁,127户569人紧急避险.通过调查发现,红寨滑坡是一处规模达6.25×106m3的深层大型滑坡,地表房屋及基础设施破坏严重,但整个滑坡运动距离极短.通过对地形地貌和岩土体结构及物质成分组成的分析、水系变动判断及钻孔揭露的多层滑面等综合分析认为,红寨滑坡是一处顺层的复活古滑坡.为分析研究该滑坡的变形特征和复活成因,采用无人机航测、工程地质调查、岩土体勘查、地球物理勘探等手段,获取了详细的灾害发育特征、影响因素及古滑坡的辨识特征等数据.分析结果表明:红寨滑坡可根据变形破坏特征及应力传递方向分为A、B、C、D4个分区,其中B区又根据相对滑移量分为B1、B2亚区;滑坡的变形复活是在高陡的地形地貌、复杂的岩体结构、软弱的工程岩组和持续地表水入渗等共同作用下发生的;滑坡后缘圈椅状地形、滑体与周围岩土体的物质差异、断层切割前缘及水系堆积物的变迁等多方面特征验证了古滑坡的事实.

关键词：红寨滑坡古滑坡变形分区破坏特征成因分析

来源：博看期刊评论

在线全文

博看期刊

学校读者我要写书评

暂无评论

武汉大学学报（信息科学版） 2024年第8期49卷 1264-1274页

作者：许强徐繁树蒲川豪李为乐范宣梅董秀军王晓晨李志刚成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059

2024年4月中下旬,广东省韶关市发生极端强降雨事件,在韶关江湾镇地区诱发大量滑坡灾害,造成部分地区持续断联近36 h,引起了社会的广泛关注。快速准确地查明滑坡基本特征、发育分布规律及形成条件对于灾害应急决策和风险隐患排除处置至... 详细信息

2024年4月中下旬,广东省韶关市发生极端强降雨事件,在韶关江湾镇地区诱发大量滑坡灾害,造成部分地区持续断联近36 h,引起了社会的广泛关注。快速准确地查明滑坡基本特征、发育分布规律及形成条件对于灾害应急决策和风险隐患排除处置至关重要。利用灾后的光学遥感影像并结合深度学习模型,对韶关江湾镇降雨诱发滑坡进行了快速智能识别与人工校核,共解译出1192处滑坡,总面积约3.14 km^(2)。滑坡规模以中小型滑坡为主,主要沿河流呈北东-南西向聚集带状分布,群发性效应显著。空间统计分析表明,滑坡主要分布在200~300 m高程范围内、坡度为10°~30°的凹坡上。进一步使用随机森林模型与SHAP理论对滑坡的地貌主控因子进行量化分析,发现不同地形地貌因子对滑坡形成均有不同程度的非线性影响,高程、坡度和汇水条件等多因素耦合作用共同控制了滑坡的形成。该研究突出了基于深度学习的智能识别与分析技术在滑坡灾害应急调查与形成条件分析中的巨大优势,可为灾害损失快速评估和风险隐患排查提供重要技术支撑。

关键词：极端降雨群发性滑坡智能识别分布规律形成条件

Landslide susceptibility zonation method based on C5.0 decision tree and K-means cluster algorithms to improve the efficiency of risk management

在线全文

学校读者我要写书评

暂无评论

Geoscience Frontiers 2021年第6期12卷 243-261页

作者： Zizheng Guo Yu Shi Faming Huang xuanmei fan Jinsong Huang Faculty of Engineering China University of GeosciencesWuhan 430074China School of Civil Engineering and Architecture of Engineering Nanchang UniversityNanchang 330031China State Key Laboratory of Geohazard Prevention and Geoenvironment Protection Chengdu University of TechnologyChengdu 610059China ARC Centre of Excellence for Geotechnical Science and Engineering University of NewcastleNSW 2287Australia

Machine learning algorithms are an important measure with which to perform landslide susceptibility assessments, but most studies use GIS-based classification methods to conduct susceptibility *** study presents a machine learning approach based on the C5.0 decision tree(DT) model and the K-means cluster algorithm to produce a regional landslide susceptibility map. Yanchang County, a typical landslide-prone area located in northwestern China, was taken as the area of interest to introduce the proposed application procedure. A landslide inventory containing 82 landslides was prepared and subsequently randomly partitioned into two subsets: training data(70% landslide pixels) and validation data(30% landslide pixels). Fourteen landslide influencing factors were considered in the input dataset and were used to calculate the landslide occurrence probability based on the C5.0 decision tree *** zonation was implemented according to the cut-off values calculated by the K-means cluster algorithm. The validation results of the model performance analysis showed that the AUC(area under the receiver operating characteristic(ROC) curve) of the proposed model was the highest, reaching 0.88,compared with traditional models(support vector machine(SVM) = 0.85, Bayesian network(BN) = 0.81,frequency ratio(FR) = 0.75, weight of evidence(WOE) = 0.76). The landslide frequency ratio and frequency density of the high susceptibility zones were 6.76/km^(2) and 0.88/km^(2), respectively, which were much higher than those of the low susceptibility zones. The top 20% interval of landslide occurrence probability contained 89% of the historical landslides but only accounted for 10.3% of the total *** results indicate that the distribution of high susceptibility zones was more focused without containing more " stable" pixels. Therefore, the obtained susceptibility map is suitable for application to landslide risk management practices.

关键词： Landslide susceptibility Frequency ratio C5.0 decision tree K-means cluster Classification Risk management

Uncertainty pattern in landslide susceptibility prediction modelling:Effects of different landslide boundaries and spatial shape expressions

在线全文

学校读者我要写书评

暂无评论

Geoscience Frontiers 2022年第2期13卷 62-77页

作者： Faming Huang Jun Yan xuanmei fan Chi Yao Jinsong Huang Wei Chen Haoyuan Hong School of Civil Engineering and Architecture Nanchang UniversityNanchang 330031China State Key Laboratory of Geohazard Prevention and Geoenvironment Protection Chengdu University of TechnologyChengduSichuan 610059China Discipline of Civil Surveying and Environmental EngineeringPriority Research Centre for Geotechnical Science and EngineeringUniversity of NewcastleNSWAustralia College of Geology&Environment Xi'an University of Science and TechnologyXi'an 710054China Department of Geography and Regional Research University of ViennaViennaAustria

In some studies on landslide susceptibility mapping(LSM),landslide boundary and spatial shape characteristics have been expressed in the form of points or circles in the landslide inventory instead of the accurate polygon *** expressions of landslide boundaries and spatial shapes may lead to substantial differences in the distribution of predicted landslide susceptibility indexes(LSIs);moreover,the presence of irregular landslide boundaries and spatial shapes introduces uncertainties into the *** address this issue by accurately drawing polygonal boundaries based on LSM,the uncertainty patterns of LSM modelling under two different landslide boundaries and spatial shapes,such as landslide points and circles,are *** the research area of Ruijin City in China,a total of 370 landslides with accurate boundary information are obtained,and 10 environmental factors,such as slope and lithology,are ***,correlation analyses between the landslide boundary shapes and selected environmental factors are performed via the frequency ratio(FR)***,a support vector machine(SVM)and random forest(RF)based on landslide points,circles and accurate landslide polygons are constructed as point-,circle-and polygon-based SVM and RF models,respectively,to address ***,the prediction capabilities of the above models are compared by computing their statistical accuracy using receiver operating characteristic analysis,and the uncertainties of the predicted LSIs under the above models are *** results show that using polygonal surfaces with a higher reliability and accuracy to express the landslide boundary and spatial shape can provide a markedly improved LSM accuracy,compared to those based on the points and ***,a higher degree of uncertainty of LSM modelling is present in the expression of points because there are too few grid units acting as model input ***,the expression of the landslide boundary as circl

关键词： Landslide boundary Landslide susceptibility mapping Machine learning Uncertainty analysis Frequency ratio

2024年台湾花莲7.4级地震诱发地质灾害应急评价

在线全文

学校读者我要写书评

暂无评论