A review of the methods of regional landslide hazard assessment based on machine learning
-
摘要: 我国滑坡灾害分布范围广，危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来，随着大数据和人工智能技术的飞速发展，机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用，并取得了较好效果。在大量研读文献的基础上，系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述，最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。Abstract: The landslide disaster in China is widespread and serious. Regional landslide risk assessment has always been one of the most important contents of landslide disaster prevention and mitigation. In recent years, with the rapid development of big data and artificial intelligence technology, machine learning technology has gradually been widely used in landslide hazard assessment andachieved good results. Based on a large number of literatures, this paper systematically expounds the research status of landslide risk assessment methods based on machine learning technology. This paper reviews and analyzes the existing research results from three key links: evaluation factor selection and quantization normalization, data cleaning and sample set construction, model selection and training evaluation, and finally puts forward some suggestions on the development trend of machine learning landslide risk evaluation methods.
-
Keywords:
- landslide /
- risk assessment /
- machine learning /
- method survey /
- model research
-
0. 引言
随着海洋资源开发、海洋工程建设的日益发展，海洋地质灾害的风险评价显得尤为重要。海洋地质灾害危险性区划是区域性海洋地质灾害风险评价的基础，可为海洋开发规划、工程建设及综合管理提供科学依据[1]。
由于影响地质灾害发生及危害程度的各因素之间的关系极为复杂，且各因素的量化也较为困难，因此在地质灾害危险性评估中，影响评价结果准确性、科学性的关键是评价指标的选择以及权重确定的合理性[2]。目前对权重的确定方法主要分为主观赋权法和客观赋权法两类，较为常见的评价模型主要有：模糊综合评判法、层次分析法（AHP）、灰色聚类法、人工神经网络法、综合指数法、多元统计法等[3]。AHP是一种定性与定量相结合的多目标决策分析方法，适用于目标结构复杂且缺乏必要数据时使用，将复杂问题中的各种因素以某种相互关联的有序层次使之条理化，为分析、决策、预测或控制事物的发展提供可比较的定量依据[4-5]。因此本文基于AHP建立评价指标层次结构模型与权重计算，使区划结果更为科学准确。
自20世纪90年代以来，国内一些学者针对我国部分海域的地质灾害分区问题相继开展了研究工作[6-8]，而针对渤海海域地质灾害危险性区划的研究相对较少，尚缺乏整体性的分析和评价。渤海沿岸地区是我国国民经济总体规划确定的东部沿海战略重点地区之一，是我国重要的自然资源“宝库”。随着海底资源勘探开发、海洋工程设施建设的逐渐增强，该区域地质灾害的研究工作越来越受到重视。本文基于国家海洋公益科研专项“近海海底地质灾害预测评价及防控关键技术研究”的大量调查工作，以渤海海域为研究区域，基于AHP开展地质灾害危险性区划研究，既对渤海海域地质环境保护、地质灾害防治及工程开发活动提供了科学依据，同时也为开展大尺度海域地质灾害危险性区划研究发展提供借鉴。
1. 渤海海域地质灾害概况
渤海为我国东部陆架的浅海盆地，海域总面积约7.7×104 km2。黄河、海河、辽河、滦河等高含沙量的河流注入，致使渤海水深较浅（平均水深19 m）、地形平缓，从辽东湾、渤海湾和莱州湾3个海湾向渤海中央浅海盆地及东部渤海海峡倾斜，平均坡降0.13 ‰，是中国四大海域中坡度最小的海域。渤海海域发育有丰富的油气资源，渤海海域盆地两期构造旋回相应发育了沙河街组和东营组两套优质烃源岩，郯庐断裂带海域部分的长期持续活动形成了渤海海域盆地大中型油气田集中分布的油气富集带[9]。
渤海海域地质灾害广泛发育且类型复杂多样，包括海底滑坡、沉积物液化、粉砂流、塌陷、侵蚀淤积、海底沙波等，其成因机制主要为海洋动力诱发[10]。各类地质灾害与渤海海域的资源开发利用、工程防护息息相关，严重威胁着石油平台、海底管缆的安全稳定。例如2003年，胜利海上油田埕岛海域，靠近采油平台CB12B 处的海底沉积物在海洋动力作用下发生液化扰动，造成两条海底电缆击穿中断[11]。
2. 地质灾害危险性区划评价指标体系
2.1 评价因子选取
在海洋地质灾害中，地震也是一个关键因子，而渤海海域地质灾害的成因机制多与海洋动力密切相关，地震相较于风暴潮等海洋动力作用发生频次较少，因此在本研究中不予以考虑。本次对渤海海域进行地质灾害危险性区划，重点关注水动力引发的地质灾害，依此对相关评价因子进行了遴选。遵循科学性结合实用性、定性结合定量、重要性结合差异性、普遍性结合可操作性的原则，评价体系设计为3个层次，A层为目标层，目标是实现对整个研究区的地质灾害危险性区划；B层是主题层，共分为4个主题，分别为海洋水动力条件B1、工程地质环境B2、灾害地质条件B3、人类工程活动B4。C层为指标层，本次评价共确定8个可量化评价的细化指标。评价因子层次见图1。
![]()
图 1 渤海海域海底地质灾害危险性区划评价指标体系层次结构图Figure 1. The analytical hierarchy model for evaluation index system of geological hazards regionalization in Bohai Sea本文中各评价因子的指标数据来源于国家海洋公益科研专项“近海海底地质灾害预测评价及防控关键技术研究”的大量调查工作。海水动力条件中冲淤状态、50年一遇波高、底层流最大流速数据来源于海域水深数据变化、水动力观测站等资料的搜集；工程地质环境中的海底土强度、地形坡度来源于海域钻孔资料及水深数据；灾害地质条件中的土体易液化程度、已发育地质灾害数据来源为基于波高数据与钻孔取样土工试验分析数据的数值计算以及地质灾害的调查资料；人类工程活动主要来源于海域已有的平台管线等资料。其中钻孔资料包含276个钻孔数据，涵盖了砂土、粉土、粉质黏土、黏土四个类别，钻孔位置见图2。
2.2 评价指标量化分级
渤海海域海底地质灾害危险性区划评价指标分为定量指标与定性指标，定量指标可根据调查数据统计或计算获得，定性指标根据调查数据定性分析量化分级获取。各项评价指标的量化分级过程详述如下。
2.2.1 海洋水动力条件
（1）冲淤状态
冲淤状态评价指标按年平均冲刷或淤积量进行分级，通过多期次水深调查对比获取，具体分级标准为：<−0.1 m或>0.1m（严重冲淤）、−0.1～−0.05 m或0.05～0.1 m（中等冲淤）、−0.05～−0.02 m或0.02～0.05 m（轻微冲淤）、−0.02～0.02 m（动平衡）。
（2）50年一遇波高
水动力条件主要考虑有效波高及最大流速，结合工程设施使用周期，选取重现期为50年的有效波高作为分级指标，分级标准为：0～0.5 m（微浪、小浪）、0.5～2.5 m（轻浪、中浪）、2.5～4 m（大浪）、>4 m（巨浪以上）。
（3）底层流最大流速
依据数值模拟结果得出的渤海海域底层最大流速，按流速值的大小分为4级，具体流速分级标准为：0～0.5 m/s、0.5～1 m/s、1～1.5 m/s、>1.5 m/s。
2.2.2 工程地质环境
（1）海底土体强度
海底土强度主要根据其承载力大小进行划分，通过大量的钻孔及土工试验数据获取。划分标准为：<50 kPa、50～80 kPa、80～110 kPa、>110 kPa。
（2）地形坡度
地形坡度主要依据水深数据获取，具体分级标准：<1/2000、1/2000～1/1000、1/1000～1/200、>1/200。
2.2.3 灾害地质条件
（1）土体易液化程度
海底土体的液化与否主要由土质参数和水动力参数共同决定，一般黏性土不会发生液化，因此易液化土层划分仅限在粉土及砂土中开展，分级标准由50年一遇的波浪作用下计算得到的海底土液化极限深度，根据液化深度将土体易液化程度分为四级，具体划分标准为：0～0.5 m（不易液化）、0.5～1 m（轻微液化）、1～1.5 m（中度液化）、1.5～2 m（严重液化）。
（2）已发育地质灾害
依据现场调查及收集资料，对研究区内的地质灾害进行甄别及划分，根据研究区内地质灾害体的密集程度，人工划分等级。以液化、冲淤等主要地质灾害的为主，叠加海底沙波、浅层气、滑坡和塌陷等灾害，确定研究区内地质灾害分布情况，存在多种地质灾害类型的区域划分为严重灾害区。具体分级标准为：无明显灾害、存在轻微灾害、存在中等灾害、存在严重灾害。
2.2.4 人类工程活动
人类工程活动主要按照海洋工程开发活动的强、中、弱、无，将其工程影响范围划分为核心区、缓冲区、潜在影响区和无影响区。核心区主要包括平台、码头、防波堤等工程构筑物，以及各类养殖、围填海、海洋保护区等已使用海域。自然环境条件变化对核心区产生的影响是最需要重视的，由海洋环境变化引起的灾害对人类工程活动区可能造成严重影响。核心区范围依据《海籍调查规范》中各类用海类型及用海方式综合划定，分别在实际工程区向外扩展20～100 m不等。缓冲区定义为核心区外围一定范围内的区域，发生自然地质灾害后该区域可为实际工程区起到一定缓冲作用，规定核心区向外扩展500 m为缓冲区。通常情况下在现有工程影响区500 m以外产生的地质灾害对人类工程区影响不大，但严重的地质灾害仍可对工程设施造成影响，故规定在缓冲区向外1 km为潜在影响区。潜在影响区边界距离实际工程设施边界已经大于1.5 km，一般来说1.5 km外形成的地质灾害已经难以对工程设施造成影响，故其余区域为无影响区。
2.3 评价指标的赋值
评价指标的确定由AHP中构造的判断矩阵得到，对同一层次的各因子对上一层次各准则的相对重要性进行两两比较，反复通过专家咨询反馈，确定标度值，构建完成判断矩阵。首先根据目标建立B层次的判断矩阵并计算权重，其次分别建立C层的判断矩阵并计算权重，最后结合所有判断矩阵可计算出每个评价因子占总目标的权重。
通过检验公式对所求权重是否合理进行一致性检验，公式为：
$ CR=CI/RI $ ,$CI=({\lambda }_{{\rm{max}}}-n)/(n-1)$ 。式中$ CR $ 为一致性指标，$ CI $ 为一致性比率，$ RI $ 为平均随机一致性指标，${\lambda }_{{\rm{max}}}$ 为最大特征根，n为矩阵阶数。若$ CR $ <0.1，则通过一致性检验，所求权重合理。各评价指标综合权重见表1。表 1 评价指标权重赋值Table 1. The evaluation index and weight for geological hazards regionalization in Bohai Sea目标层（A） 主题层（B） 权重 指标层（C） 综合权重 地质灾害危险性评价 海洋水动力条件 0.43 冲淤状态 0.18 50年一遇波高 0.14 底层最大流速 0.11 工程地质条件 0.17 海底土体强度 0.07 地形坡度 0.1 灾害地质条件 0.36 土体易液化程度 0.15 已发育地质灾害 0.21 人类工程活动 0.04 工程开发影响区 0.04 3. 地质灾害区划
3.1 单因子评价区划结果
3.1.1 渤海年均冲淤量分级区划
渤海绝大部分海域年均冲淤量处于动平衡状态，年冲淤分级为严重的区域主要集中在渤海湾和莱州湾西侧，包括较为活跃的河口以及水动力作用很强的区域（图3），如废弃的黄河水下三角洲北部埕岛油田海域、现行黄河河口西南部区域、曹妃甸南侧冲刷深槽中心位置等，区域面积不大，且较为集中，主要受河口泥沙淤积和潮流冲刷影响。年冲淤级别为中等的区域除分布在渤海湾和莱州湾年冲淤严重区域的周边外，还包括辽东湾东西沿岸，如六股河水下三角洲内侧、秦皇岛沿岸、温坨子东北外海，以及辽东浅滩潮流沙脊中部区域和莱州浅滩的头部。影响其分布规律的因素与年冲淤严重的区域类似，主要为河口泥沙淤积、潮流冲刷。年冲淤级别为轻微的区域呈片状分布，面积一般较大，分布于中等冲淤区的外围，此外还有辽东湾湾顶西侧、滦河口至大清河口外海、渤海海峡南部，以及渤海湾、辽东湾中部一些范围较小的区域。
![]()
图 3 渤海年均冲淤量分级评价图Figure 3. Grading evaluation of average annual scouring and silting amount in Bohai Sea3.1.2 渤海 50 年一遇波高分级区划
渤海50年一遇波高按照大小分为4级，海域中部波高较大，向近岸逐渐减小，波高等值线与岸线和等深线走向一致（图4）。波高在0.5 m以下的区域仅分布在黄河三角洲现行河口两侧和废弃河口近岸很小的区域，波高0.5～2.5 m的区域分布在渤海湾、莱州湾湾顶和辽东湾西部沿岸，沿岸线向海7～10 km，向外波高逐渐增加为2.5～4 m的区域，岸线30 km外区域波高基本都大于4 m。
![]()
图 4 渤海50年一遇波高分级评价图Figure 4. Grading evaluation of the wave height in 50-year mean recurrence interval in Bohai Sea3.1.3 渤海底层最大流速分级区划
渤海底层最大流速按照流速大小分为4个等级（图5）。辽东湾、渤海湾、莱州湾和中央盆地大部分区域流速介于0.5～1 m/s。流速大于1.5 m/s的区域规模较小，有老铁山水道冲刷槽和曹妃甸冲刷深槽。流速介于1～1.5 m/s的区域主要在辽东湾东侧，辽东浅滩潮流沙脊群到渤海海峡老铁山水道，分布范围较大，此外辽东湾双台子河口、现行黄河口南侧、庙岛浅滩、六股河河口等小块区域流速也属于此范围。流速小于0.5 m/s的区域分布在辽东湾、渤海湾、莱州湾沿岸，呈与岸线平行的带状，宽度一般较窄，与潮滩位置向对应，秦皇岛外海流速小于0.5 m/s的区域范围较大，最宽处可到20 m等深线。
![]()
图 5 渤海底层最大流速分级评价图Figure 5. Grading evaluation of the bottom maximum flow velocity in Bohai Sea3.1.4 渤海表层土承载力分级区划
承载力按照数值的大小一共分为4个级别（图6）。承载力大于110 kPa的区域主要分布在渤海海峡、辽东湾中部、莱州湾近岸海域、渤海湾南部等区域。渤海海峡受北黄海汇入渤海的强流冲刷，底质类型多为粗颗粒沉积物，因此承载力较大。其余几处海域海底沉积物类型也多以砂土为主，故承载力也较大。承载力介于80～110 kPa之间的区域多位于承载力大于110 kPa的区域周围。承载力位于50～80 kPa之间的区域除了位于上述两区域的周边还位于渤海中部海域。其余地区是承载力小于50 kPa的海域，在该海域进行工程设施的建设时要进行更多的评估和分析，承载力过小会对工程稳定性造成影响。
![]()
图 6 渤海海域浅层土承载力分布图Figure 6. Grading evaluation of the bearing capacity of shallow soil in Bohai Sea3.1.5 渤海地形坡度分级区划
渤海海底地形整体较为平坦，坡度变化不大，中央盆地坡度最小，到3个海湾内部和近岸逐渐增加，辽东浅滩潮流沙脊群坡度最大（图7）。渤海中央盆地坡度小于1/2000，中央盆地外围和莱州湾湾口次之，坡度介于1/2000～1/1000，辽东湾、渤海湾、莱州湾湾内坡度介于1/1000～1/200，渤海海底大部分区域坡度属于这个范围。坡度最大的区域在3个海湾近岸、六股河水下三角洲、滦河三角洲、曹妃甸冲刷深槽区以及辽东浅滩潮流沙脊区，坡度值大于1/200。
3.1.6 渤海土体易液化程度分级区划
渤海严重液化区主要分布于埕岛海域，该区域海底沉积物主要为粉土，同时水动力作用强烈，现有资料表明在较强的水动力条件下可发生严重液化（图8）。中度液化区主要分布在莱州湾、辽东湾、埕岛海域和滦河口。轻微液化主要分布于中度液化的外围，表明液化程度从严重、中度到轻微是逐渐减小的。
![]()
图 8 渤海易液化程度土层分布图Figure 8. Grading evaluation of the liquefaction degree of soil in Bohai Sea3.1.7 渤海已发育地质灾害分级区划
考虑已发育液化、冲淤、沙波、浅层气、滑坡及塌陷分布情况，划分渤海已发育地质灾害分布见图9。在存在灾害的区域进行工程施工时需要进行详细的物探和钻探调查，了解潜在地质灾害发生的可能及带来的影响。
![]()
图 9 渤海已发育地质灾害分布图Figure 9. Grading evaluation of the developed geological hazards in Bohai Sea存在严重灾害的区域主要集中在新、老黄河口附近（图9）。该海域海底沉积物易发生严重液化，且受水动力作用冲淤强烈，故划分为存在严重灾害的区域。存在中等灾害的区域主要分布在黄河口、莱州湾南部、辽东湾北部、滦河口等区域。存在轻微灾害的区域除了分布于中等灾害的周边地区，还广泛分布于环渤海的近岸海域和渤海海峡附近。
3.1.8 渤海工程开发影响分级区划
渤海海域现有工程开发影响分级区划分为核心区、缓冲区、潜在影响区和无影响区4类（图10）。从图中可发现，工程影响区主要分布在环渤海近岸海域。另在辽东湾、渤海海峡及渤海湾等海域分布有海底管线，因此存在一定的线状影响区。总体上，当渤海发生海洋地质灾害时，若发生在渤海中部海域则对人类工程活动区影响较少，若发生在近岸海域则影响较大。
![]()
图 10 渤海海域工程影响区Figure 10. Grading evaluation of the engineering effects area in Bohai Sea3.2 渤海海域地质灾害危险性区划结果
渤海海域地质灾害综合评价主要依靠上述8个评价因子确定。使用AHP分别对数据赋值不同的权重分析渤海海洋地质灾害综合影响结果。
综合评价结果见图11，共分为高危险性、较高危险性、较低危险性和低危险性4个级别。高危险性区域主要分布在新、老黄河口附近。老黄河口受波浪、水深和底质类型条件的影响，可能发生较为严重的液化。另外，老黄河口受到的冲刷作用强烈，新黄河口受到的淤积作用强烈，因此该区域存在高危险性区块。较高危险性区域除分布于高危险性区块外，还分布于各大现行河口区。主要影响因素为液化和冲淤作用。较低危险性区域主要分布在较高危险性区域的周围，另外渤海海峡也存在较低危险性的区域。渤海其他海域为低危险性区域，代表了目前尚未发育地质灾害同时不易发生地质灾害的稳定区域。
![]()
图 11 渤海海域地质灾害危险性评价区划图Figure 11. The geological hazard assessment zoning map of Bohai Sea area4. 结论
基于国家海洋公益科研专项“近海海底地质灾害预测评价及防控关键技术研究”的地质灾害调查结果，通过AHP开展地质灾害区划研究，建立了4个主题层、8个指标层组成的渤海海域地质灾害区划评价指标体系，并对各个评价指标进行了量化分级。得出以下几点结论。
（1）使用AHP分别对各指标赋值不同的权重分析渤海海洋地质灾害区划结果，结果显示渤海海域地质灾害高危险性区域主要分布在新、老黄河口附近。
（2）在水动力条件作用下，存在着液化、冲刷侵蚀等较为强烈的地质灾害影响。
研究结果可为渤海海域地质环境保护、地质灾害防治及海洋工程开发活动提供了科学依据。
-
表 1 滑坡危险性评价可选用的机器学习模型
Table 1 An optional machine learning model for landslide hazard assessment
类型 常用模型 优缺点 相关数学公式 分类
（判断类别已知的
离散型数据）KNN最近邻算法 适用多分类评价；准确度高，对异常点
不敏感。但计算量大，过于依赖均衡训
练数据。欧式距离：$d(x,y) = \sqrt {\displaystyle\sum\limits_{k = 1}^n { { {\left( { {x_k} - {y_k} } \right)}^2} } }$
曼哈顿距离：$d(x,y) = \sqrt {\displaystyle\sum\limits_{k = 1}^n {\left| { {x_k} - {y_k} } \right|} }$SVM支持向量机 核函数可映射至高维空间，解决非线性
分类评价。但对大规模和多分类训练样
本难以进行评价。高斯核函数：$K({\rm{X} },{\rm{Y} }) = \exp \left\{ { - \dfrac{ {||X - Y||{^2} } }{ {2{\sigma ^2} } } } \right\}$ 人工神经网络
（线性、BP、卷积）可高速寻找优化解。但需要大量参数，
学习时间过长，评价结果不确定。损失函数$L = \dfrac{1}{2}\displaystyle\sum\limits_{i = 1}^{ {m_K} } { { {\left( {Y_i^{(K)} - {T_i} } \right)}^2} } = \dfrac{1}{2}\displaystyle\sum\limits_{i = 1}^{ {m_K} } { { {\left( { {\delta _i} } \right)}^2} }$ Logistic回归
（Sigmoid函数、梯度上升）评价效率高。但不能观察学习过程。 逻辑函数：$y = \dfrac{1}{ {1 + {e^{ - x} } } }$ 决策树 适合评价离散小规模样本。但评价大量
连续变量和多类别样本效果欠佳。信息熵${H(X) = - \displaystyle\sum\limits_{x\varepsilon X} P (x){\rm{log}}_2 P(x)}$ 集成算法
（bagging、随机森林RF、
boosting、stacking）避免了强势样本对评价结果的影响。但
在某些噪音值较大的样本来进行危险性
评价时可能会发生过拟合现象。Bagging $f(x) = 1/M\displaystyle\sum\limits_{m = 1}^M { {f_m} } (x)$ 
下载: 导出CSV
-
[1] VAN DIJKE J J, VAN WESTEN C J. Rockfall hazard: a geomorphologic application of neighbourhood analysis with ILWIS[J]. ITC Journal,1990:40 − 44.
[2] ALEOTTI P, CHOWDHURY R. Landslide hazard assessment: summary review and new perspectives[J]. Bulletin of Engineering Geology and the Environment,1999,58(1):21 − 44. DOI: 10.1007/s100640050066
[3] 黄润秋, 李曰国. 三峡工程水库岸坡稳定性预测的逻辑信息模型[J]. 水文地质工程地质,1992,19(1):15 − 20. [HUANG Runqiu, LI Yueguo. LOGICAl message modei of stability predication ot bank slopes in Three Gorges[J]. Hydrogeology & Engineering Geology,1992,19(1):15 − 20. (in Chinese with English abstract) [4] 刘传正, 刘艳辉, 温铭生. 长江三峡库区地质灾害成因与评价研究[M]. 北京: 地质出版社, 2007. LIU Chuanzheng, LIU Yanhui, WEN Mingsheng. Research on the geo-hazards genesis and assessment in the Three Gorges reservoir of Changjiang River in China[M]. Beijing: Geological Publishing House, 2007. (in Chinese)
[5] 刘传正, 温铭生, 刘艳辉,等. 汶川地震区重大地质灾害成生规律研究[M], 北京: 地质出版社, 2017. LIU Chuanzheng, LIU Yanhui, WEN Mingsheng, et al. Study on the law of formation of major geological disasters in Wenchuan Earthquake area[M].Beijing: Geological Publishing House, 2017. (in Chinese)
[6] 唐川, 朱静, 张翔瑞. GIS支持下的地震诱发滑坡危险区预测研究[J]. 地震研究,2001,24(1):73 − 81. [TANG Chuan, ZHU Jing, ZHANG Xiangrui. GIS based earthquake triggered landslide hazard prediction[J]. Journal of Seismological Research,2001,24(1):73 − 81. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-0666.2001.01.012 [7] 张春山, 张业成, 马寅生. 黄河上游地区崩塌、滑坡、泥石流地质灾害区域危险性评价[J]. 地质力学学报,2003,9(2):143 − 153. [ZHANG Chunshan, ZHANG Yecheng, MA Yinsheng. Regional dangerous on the geological hazards of collapse, landslide and debris flows in the upper reaches of the Yellow River[J]. Journal of Geomechanics,2003,9(2):143 − 153. (in Chinese with English abstract) DOI: 10.3969/j.issn.1006-6616.2003.02.007 [8] JIANG H, EASTMAN J R. Application of fuzzy measures in multi-criteria evaluation in GIS[J]. International Journal of Geographical Information Science,2000,14(2):173 − 184. DOI: 10.1080/136588100240903
[9] 周超, 方秀琴, 吴小君, 等. 基于三种机器学习算法的山洪灾害风险评价[J]. 地球信息科学学报,2019,21(11):1679 − 1688. [ZHOU Chao, FANG Xiuqin, WU Xiaojun, et al. Risk assessment of mountain torrents based on three machine learning algorithms[J]. Journal of Geo-Information Science,2019,21(11):1679 − 1688. (in Chinese with English abstract) DOI: 10.12082/dqxxkx.2019.190185 [10] TIEN BUI D, PRADHAN B, LOFMAN O, et al. Landslide susceptibility mapping at Hoa Binh Province (Vietnam) using an adaptive neuro-fuzzy inference system and GIS[J]. Computers & Geosciences,2012,45:199 − 211.
[11] CHEN W, POURGHASEMI H R, ZHAO Z. A GIS-based comparative study of Dempster-Shafer, logistic regression and artificial neural network models for landslide susceptibility mapping[J]. Geocarto International,2017,32(4):367 − 385. DOI: 10.1080/10106049.2016.1140824
[12] TRIGILA A, IADANZA C, ESPOSITO C, et al. Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy)[J]. Geomorphology,2015,249:119 − 136. DOI: 10.1016/j.geomorph.2015.06.001
[13] HONG H Y, PRADHAN B, XU C, et al. Spatial prediction of landslide hazard at the Yihuang area (China) using two-class kernel logistic regression, alternating decision tree and support vector machines[J]. CATENA,2015,133:266 − 281. DOI: 10.1016/j.catena.2015.05.019
[14] YOUSSEF A M, POURGHASEMI H R, POURTAGHI Z S, et al. Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia[J]. Landslides,2016,13(5):839 − 856. DOI: 10.1007/s10346-015-0614-1
[15] CHEN W, POURGHASEMI H R, KORNEJADY A, et al. Landslide spatial modeling: Introducing new ensembles of ANN, MaxEnt, and SVM machine learning techniques[J]. Geoderma,2017,305:314 − 327. DOI: 10.1016/j.geoderma.2017.06.020
[16] TSANGARATOS P, ILIA I. Comparison of a logistic regression and Naïve Bayes classifier in landslide susceptibility assessments: The influence of models complexity and training dataset size[J]. CATENA,2016,145:164 − 179. DOI: 10.1016/j.catena.2016.06.004
[17] TIEN BUI D, TUAN T A, KLEMPE H, et al. Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree[J]. Landslides,2016,13(2):361 − 378. DOI: 10.1007/s10346-015-0557-6
[18] 朱清华. 基于RF和SVM模型的灞桥区地质灾害易发性评价[D]. 西安: 西安科技大学, 2019. ZHU Qinghua. Geological hazard susceptibility assessment in Baqiao district based on RF and SVM model[D]. Xi'an: Xi'an University of Science and Technology, 2019. (in Chinese with English abstract)
[19] 刘永垚, 第宝锋, 詹宇, 等. 基于随机森林模型的泥石流易发性评价: 以汶川地震重灾区为例[J]. 山地学报,2018,36(5):765 − 773. [LIU Yongyao, DI Baofeng, ZHAN Yu, et al. Debris flows susceptibility assessment in Wenchuan earthquake areas based on random forest algorithm model[J]. Mountain Research,2018,36(5):765 − 773. (in Chinese with English abstract) [20] WESTEN C J V. Application of geographic information systems to landslide hazard zonation[EB]. 1993.
[21] CARRARA A, CARDINALI M, DETTI R, et al. GIS techniques and statistical models in evaluating landslide hazard[J]. Earth Surface Processes and Landforms,1991,16(5):427 − 445. DOI: 10.1002/esp.3290160505
[22] MEIJERINK A M J. Data acquisition and data capture through terrain mapping units[EB]. 1988.
[23] ROSSI M, GUZZETTI F, REICHENBACH P, et al. Optimal landslide susceptibility zonation based on multiple forecasts[J]. Geomorphology,2010,114(3):129 − 142. DOI: 10.1016/j.geomorph.2009.06.020
[24] 邱海军. 区域滑坡崩塌地质灾害特征分析及其易发性和危险性评价研究: 以宁强县为例[D]. 西安: 西北大学, 2012. QIU Haijun. Study on the regional landslide characteristic analysis and hazard assessment: A case study of Ningqiang County[D]. Xi'an: Northwest University, 2012. (in Chinese with English abstract)
[25] 刘林通. 基于TRIGRS模型的降雨型浅表层滑坡易发性评价: 以秦州区教场坝沟为例[D]. 兰州: 兰州大学, 2018. LIU Lintong. Rainfall-induced shallow landslides susceptibility assesment based on TRIGRS model in jiaochangba valley[D]. Lanzhou: Lanzhou University, 2018. (in Chinese with English abstract)
[26] 张晓东. 基于遥感和GIS的宁夏盐池县地质灾害风险评价研究[D]. 北京: 中国地质大学(北京), 2018. ZHANG Xiaodong. Research on risk assessment of geological disasters in Yanchi county, Ningxia[D]. Beijing:China university of geosciences (Beijing), 2018. (in Chinese with English abstract)
[27] 霍艾迪, 张骏, 卢玉东, 等. 地质灾害易发性评价单元划分方法: 以陕西省黄陵县为例[J]. 吉林大学学报(地球科学版),2011,41(2):523 − 528. [HUO Aidi, ZHANG Jun, LU Yudong, et al. Method of classification for susceptibility evaluation unit for geological hazards: a case study of Huangling County, Shaanxi, China[J]. Journal of Jilin University (Earth Science Edition),2011,41(2):523 − 528. (in Chinese with English abstract) [28] 朱吉龙. 溪洛渡库区滑坡地质灾害风险评价研究[D]. 成都: 西南石油大学, 2019. ZHU Jilong. Risk assessment of landslide geological hazard in Xiluodu Reservoir area[D]. Chengdu: Southwest Petroleum University, 2019. (in Chinese with English abstract)
[29] 于宪煜, 胡友健, 牛瑞卿. 基于RS-SVM模型的滑坡易发性评价因子选择方法研究[J]. 地理与地理信息科学,2016,32(3):23 − 28. [YU Xianyu, HU Youjian, NIU Ruiqing. Research on the method to select landslide susceptibility evaluation factors based on RS-SVM model[J]. Geography and Geo-Information Science,2016,32(3):23 − 28. (in Chinese with English abstract) DOI: 10.3969/j.issn.1672-0504.2016.03.005 [30] 王念秦, 郭有金, 刘铁铭, 等. 基于支持向量机模型的滑坡危险性评价[J]. 科学技术与工程,2019,19(35):70 − 78. [WANG Nianqin, GUO Youjin, LIU Tieming, et al. Landslide susceptibility assessment based on support vector machine model[J]. Science Technology and Engineering,2019,19(35):70 − 78. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-1815.2019.35.010 [31] 宋庆武. 葫芦岛市建昌县山区滑坡危险性评价[J]. 黑龙江水利科技,2019,47(7):217 − 221. [SONG Qingwu. Risk evaluation of landslide of mountainous area in Jiangchang County in Huludao City[J]. Heilongjiang Hydraulic Science and Technology,2019,47(7):217 − 221. (in Chinese with English abstract) DOI: 10.3969/j.issn.1007-7596.2019.07.069 [32] 吴孝情, 赖成光, 陈晓宏, 等. 基于随机森林权重的滑坡危险性评价: 以东江流域为例[J]. 自然灾害学报,2017,26(5):119 − 129. [WU Xiaoqing, LAI Chengguang, CHEN Xiaohong, et al. A landslide hazard assessment based on random forest weight: A case study in the Dongjiang River Basin[J]. Journal of Natural Disasters,2017,26(5):119 − 129. (in Chinese with English abstract) [33] 张福浩, 朱月月, 赵习枝, 等. 地理因子支持下的滑坡隐患点空间分布特征及识别研究[J]. 武汉大学学报(信息科学版),2020,45(8):1233 − 1244. [ZHANG Fuhao, ZHU Yueyue, ZHAO Xizhi, et al. Spatial distribution and identification of hidden danger points of landslides based on geographical factors[J]. Geomatics and Information Science of Wuhan University,2020,45(8):1233 − 1244. (in Chinese with English abstract) [34] COSTANZO D, ROTIGLIANO E, IRIGARAY C, et al. Factors selection in landslide susceptibility modelling on large scale following the gis matrix method: application to the river Beiro basin (Spain)[J]. Natural Hazards and Earth System Sciences,2012,12(2):327 − 340. DOI: 10.5194/nhess-12-327-2012
[35] CHEN W, PENG J B, HONG H Y, et al. Landslide susceptibility modelling using GIS-based machine learning techniques for Chongren County, Jiangxi Province, China[J]. Science of the Total Environment,2018,626:1121 − 1135. DOI: 10.1016/j.scitotenv.2018.01.124
[36] GHAILAN O, HODA M O, HEGAZY O. Improving credit scorecard modeling through applying text analysis[J]. International Journal of Advanced Computer Science and Applications,2016,7(4):512 − 517. DOI: 10.14569/ijacsa.2016.070467
[37] 胡旭东. 基于集成学习的地质灾害易发性评价研究: 以云南省泸水县为例[D]. 武汉: 中国地质大学, 2019. HU Xudong. Study on the geo-hazards susceptibility assessment based on A novel ensemble learning framework —application to the Lushui County, Yunnan Province[D]. Wuhan: China University of Geosciences(Wuhan), 2019. (in Chinese with English abstract)
[38] 梁万杰. 滑坡、泥石流地质灾害评价方法研究[D]. 南京: 南京农业大学, 2012. LIANG Wanjie. Study on assessment methodology of landslide and debris flow geological hazards[D]. Nanjing: Nanjing Agricultural University, 2012. (in Chinese with English abstract)
[39] 戴福初, 李军. 地理信息系统在滑坡灾害研究中的应用[J]. 地质科技情报,2000,19(1):91 − 96. [DAI Fuchu, LI Jun. Applications of geographical information systems in landslide studies[J]. Geological Science and Technology Information,2000,19(1):91 − 96. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-7849.2000.01.022 [40] YAO X, THAM L G, DAI F C. Landslide susceptibility mapping based on Support Vector Machine: a case study on natural slopes of Hong Kong, China[J]. Geomorphology,2008,101(4):572 − 582. DOI: 10.1016/j.geomorph.2008.02.011
[41] KUMAR D, THAKUR M, DUBEY C S, et al. Landslide susceptibility mapping & prediction using Support Vector Machine for Mandakini River Basin, Garhwal Himalaya, India[J]. Geomorphology,2017,295:115 − 125. DOI: 10.1016/j.geomorph.2017.06.013
[42] CHEN W T, LI X J, WANG Y X, et al. Forested landslide detection using LiDAR data and the random forest algorithm: a case study of the Three Gorges, China[J]. Remote Sensing of Environment,2014,152:291 − 301. DOI: 10.1016/j.rse.2014.07.004
[43] 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. [LIU Jian, LI Shulin, CHEN Tao. Landslide susceptibility assesment based on optimized random forest model[J]. Geomatics and Information Science of Wuhan University,2018,43(7):1085 − 1091. (in Chinese with English abstract) [44] CHEN W, XIE X S, PENG J B, et al. GIS-based landslide susceptibility evaluation using a novel hybrid integration approach of bivariate statistical based random forest method[J]. CATENA,2018,164:135 − 149. DOI: 10.1016/j.catena.2018.01.012
[45] 韩帅, 孙乐平, 杨艺云, 等. 基于改进K-Means聚类和误差反馈的数据清洗方法[J]. 电网与清洁能源,2020,36(7):9 − 15. [HAN Shuai, SUN Leping, YANG Yiyun, et al. A data cleaning method based on improved K-means clustering and error feedback[J]. Power System and Clean Energy,2020,36(7):9 − 15. (in Chinese with English abstract) [46] 刘乾坤. 基于SPARK的四川省滑坡灾害成因分析与临界阈值研究[D]. 成都: 电子科技大学, 2020. LIU Qiankun. Analysis of causes and critical threshold of landslide hazards in Sichuan Province based on SPARK[D]. Chengdu: University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)
[47] 朱力. 决策树算法在山区公路地质灾害风险评估系统中的应用[D]. 重庆: 重庆师范大学, 2019. ZHU Li. Application of decision tree algorithm in risk assessment system of mountain highway geological disaster[D]. Chongqing: Chongqing Normal University, 2019. (in Chinese with English abstract)
[48] ALBERTO BOSCHETTI, LUCA MASSARON. Python data science essentials (Second Edition)[M]. 2016. Packet Publishing.
[49] 崔阳阳, 邓念东, 曹晓凡, 等. 基于集成学习的地质灾害危险性评价[J]. 水力发电,2020,46(10):36 − 41. [CUI Yangyang, DENG Niandong, CAO Xiaofan, et al. Geological disaster risk assessment based on ensemble learning algorithm[J]. Water Power,2020,46(10):36 − 41. (in Chinese with English abstract) DOI: 10.3969/j.issn.0559-9342.2020.10.009 [50] 李娟. 汶川县威州镇高分影像滑坡信息提取及危险性评价研究[D]. 成都: 成都理工大学, 2019. LI Juan. Landslide information extraction and risk assessment of high resolution imagery in Weizhou town, Wenchuan County[D]. Chengdu: Chengdu University of Technology, 2019. (in Chinese with English abstract)
[51] 李远远, 梅红波, 任晓杰, 等. 基于确定性系数和支持向量机的地质灾害易发性评价[J]. 地球信息科学学报,2018,20(12):1699 − 1709. [LI Yuanyuan, MEI Hongbo, REN Xiaojie, et al. Geological disaster susceptibility evaluation based on certainty factor and support vector machine[J]. Journal of Geo-Information Science,2018,20(12):1699 − 1709. (in Chinese with English abstract) DOI: 10.12082/dqxxkx.2018.180349 [52] SNOEK J, LAROCHELLE H, ADAMS R P. Practical Bayesian optimization of machine learning algorithms[C]//NIPS'12: Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 2.2012: 2951-2959.
[53] 孙德亮. 基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究[D]. 上海: 华东师范大学, 2019. SUN Deliang. Mapping landslide susceptibility based on machine learning and forecast warning of landslide induced by rainfall[D]. Shanghai: East China Normal University, 2019. (in Chinese with English abstract)
[54] 姚雄, 余坤勇, 刘健, 等. 基于随机森林模型的降水诱发山体滑坡空间预测技术[J]. 福建农林大学学报(自然科学版),2016,45(2):219 − 227. [YAO Xiong, YU Kunyong, LIU Jian, et al. Application of random forest model on the landslide spatial prediction caused by precipitation[J]. Journal of Fujian Agriculture and Forestry University (Natural Science Edition),2016,45(2):219 − 227. (in Chinese with English abstract) [55] 邱维蓉, 吴帮玉, 潘学树, 等. 几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用[J]. 西北地质,2020,53(1):222 − 233. [QIU Weirong, WU Bangyu, PAN Xueshu, et al. Application of several cluster-optimization-based machine learning methods in evaluation of landslide susceptibility in Lingtai County[J]. Northwestern Geology,2020,53(1):222 − 233. (in Chinese with English abstract) [56] 管新邦. 云南省滑坡地质灾害危险性评价研究[D]. 北京: 中国矿业大学(北京), 2018. GUAN Xinbang. Study on risk assessment of landslide in Yunnan Province[D]. Beijing: China University of Mining & Technology (Beijing), 2018. (in Chinese with English abstract)
[57] 郝国栋. 基于随机森林模型的商南县滑坡易发性评价[D]. 西安: 西安科技大学, 2019. HAO Guodong. Landslide susceptibility assessment based on random forest model in Shangnan County[D]. Xi'an: Xi'an University of Science and Technology, 2019. (in Chinese with English abstract)
-
期刊类型引用(7)
1. 许春萌，段勇. 多旋翼无人机航测在山区水库测量中的应用. 水利科技与经济. 2024(05): 101-105 . 
百度学术
2. 孟庆胤，王浩宇，聂明哲，余小军，陈荣健，傅金阳. 尾矿库坝面安全隐患智能巡检机器人研发及应用. 矿业研究与开发. 2024(07): 230-238 . 百度学术
3. 胡东升，程小凯，张雅飞，李涛，廉旭刚. 空天地一体化监测联合反演开采沉陷概率积分预计参数研究. 煤炭工程. 2023(01): 81-86 . 百度学术
4. 刘鹏 ，王亮 ，贾旭斌 . 基于无人机影像的高精度滑坡体边界识别研究. 工程勘察. 2023(06): 61-65+72 . 百度学术
5. 龚弦，马源，何学志，张丽娇，王卫. 无人机遥感技术在矿山地质调查中的研究进展. 中国非金属矿工业导刊. 2023(03): 64-67+71 . 百度学术
6. 曾文浩，宁迪，刘国伟. 基于遥感技术的矿山地质环境监测实践. 中国资源综合利用. 2023(07): 132-139 . 百度学术
7. 周小龙，贾强，石鹏卿，何斌，郭富赟，胡文博，李攀龙. 免像控无人机航测技术在舟曲县立节北山滑坡-泥石流灾害应急处置中的应用. 中国地质灾害与防治学报. 2022(01): 107-116 . 本站查看
其他类型引用(4)
计量
- 文章访问数: 332
- HTML全文浏览量: 245
- PDF下载量: 332
- 被引次数: 11
邮件订阅
RSS