Application of machine learning model in landslide susceptibility evaluation
-
摘要: 机器学习在滑坡的易发性评价中面临两个难点，一是评价指标的客观量化，二是训练样本的选择。鉴于此，采用频率比法实现了评价指标的客观量化，利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明，以k均值聚类算法筛选非滑坡为前提，神经网络的训练精度由73%提升到了97%，支持向量机的训练精度由75%提升到了96%。基于GIS平台，将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域，分区图与历史灾害点的叠加分析统计结果显示，神经网络在全局范围内的评价结果优于支持向量机模型，全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。Abstract: Machine learning faces two difficulties in the evaluation of landslide susceptibility. One is the objective quantification of evaluation index, and the other is the selection of training sample-0.5pts. For that reason, the frequency ratio method is used to achieve the objective quantification of evaluation index, and the k-means clustering algorithm is used to achieve the selection of non-landslide sample data. The results show that based on the premise that the k-means clustering algorithm selects non-landslides, the training accuracy of the neural network has increased from 73% to 97%, and the training accuracy of the support vector machine has increased from 75% to 96%. Based on the GIS platform, the susceptibility index calculated by the neural network and support vector machine model is divided into five regions according to the natural break point method. The statistical results of the overlay analysis of the zoning map and the historical disaster points show that the evaluation result of the neural network is better than the support vector machine model in the global scope, and the global accuracy is 76% and 74%, respectively. The research results can provide reference for disaster prevention and mitigation in Nanjiang County of China.
-
0 引言
曲哇加萨（军功）滑坡位于青海省果洛藏族自治州玛沁县拉加镇，是发育于黄河上游新近系岩层中的巨型老滑坡。滑体前缘长期受黄河强烈侵蚀切割，以及修建公路、坡脚削坡建房等人类工程活动影响，滑体变形迹象明显，历史上曾多次发生局部滑动（图1）。
![]()
图 1 玛沁县拉加镇曲哇加萨滑坡位置图Figure 1. Location map of Quwajiasa landslide in Laga Town, Maqin County1985年7月21日老滑坡体中段发生滑坡。2011年8月12日当地居民在老滑坡体前缘削坡建房引发局部滑动。2013年6月1日、2018年5月2日受降雨影响，老滑坡体局部变形加剧。2019年9月20日老滑坡体上H1、H2、H4滑坡发生滑动，造成国道G227上山路段严重变形，损毁公路400 m，前缘18户居民受灾，51间房屋倒塌。同时，造成老滑坡体中前部，即拉加镇军功路南侧坡体出现变形迹象。2020年3月1日，老滑坡体中前部拉加镇军功路南侧坡体前缘局部变形加剧，威胁住户120户、商铺65户，其中19户139间房屋出现不同程度倾斜、地基下沉、墙体开裂等情况[1-4]。
针对曲哇加萨滑坡复杂的变形破坏特征，程强等 [5]提出：这种特殊的新近系以来沉积的高原红层，成岩时间短，力学强度相对较弱，易发生红层与上覆土体界面的大型滑坡灾害。张永康等 [6]通过现场勘查提出青海高原红层滑坡的具有多区、多级、多层的变形破坏特征，且各滑体滑动速度不同。吴永刚等 [7]通过物理模型试验认为青海高原红层滑坡河谷下切引起的坡体卸荷回弹变形使得浅层滑面位移大于深层滑面位移，雨水浸润引起材料强度软化进一步加剧了变形。殷志强等 [8]指出：黄河上游巨型滑坡主要发育于气候的温暖湿润期和气候变化的快速转型期，具有多期次滑动过程特征。Wang等 [9-13]利用安全系数云图分析法模拟出了茂县梯子槽高位滑坡多层滑面安全系数分布，并据此进行防治结构设计，提出了针对性的小口径组合桩群治理方案。李滨等 [14-19]提出此类特大高位地质灾害易形成泥石流、堵江等灾害链，需加强调查与识别能力、监测预警与风险防范能力以及防灾减灾能力建设。
文章以2019年9月20日19时发生于曲哇加萨老滑坡东北段中前缘 H1滑坡为例，在野外调查、形变数据以及稳定性分析的基础上，研究该滑坡的变形破坏特征，并进一步通过动力学模拟分析滑坡的成灾范围，可为后续的综合防治方案提供科学参考。
1. 研究区地质环境条件
曲哇加萨老滑坡所处位置为黄河强烈下切侵蚀区，河谷形态为峡谷。拉加镇段因黄河呈急剧“S”拐弯形成相对开阔的一小型河谷型盆地，其凸岸发育有黄河Ⅱ、Ⅶ级阶地，阶面地形较为平缓。凹岸坡体和河床直接接触，长期遭受强烈的侵蚀切割，形成高几十米至数百米不等的陡坡、陡崖。滑坡区地形地貌主要为黄河Ⅱ、Ⅶ级阶地组成的河谷平原地貌。黄河Ⅱ级阶地分布于滑坡前缘，现为居民区，黄河Ⅶ级阶地分布于老滑坡后缘。老滑坡西侧坡脚长期受黄河冲刷、侵蚀下切（图1）。
滑坡区北侧发育有拉家压扭性逆断层（F1），该断层位于拉加北山，NE60°方向延展，为逆冲断层，断层破碎带宽度10～30 m。挽近时期的隆拗运动在滑坡区的表现也较明显，其隆拗的长轴方向继承了老构造断裂带的走向，多呈东西向展布。该地区地震活动频繁，地震基本烈度Ⅶ度。
老滑坡整体呈宽簸箕形，坡体发育有3~6级滑移台坎。东、南侧滑坡后壁明显，呈陡坡状，局部为陡崖，高度40～50 m，西侧滑坡边界以深切的塔尔隆沟为界；滑体宽约1900 m，长700～900 m，厚30～100 m，方量约1.67×108 m3，整体坡度约25°，主滑方向307°。滑体后缘高程3225～3340 m，前缘高程3040 m，相对高差185～300 m。老滑坡后缘出露地层上部为“二元结构”黄土状土和卵石，下部为新近系泥岩，泥岩产状NE5°∠25°，组成顺向缓倾坡（图2）。
2. 2019年9月20日滑坡特征
2019年9月20日，曲哇加萨老滑坡东北段中前缘H1、H2、H4滑坡发生滑动，造成路面隆起、损毁公路400 m，18户居民受灾，51间房屋倒塌。H4滑坡滑动后造成原来公路的20根抗滑桩裸露，悬臂5～10 m，出现桩间土坍塌变形，桩后 H3滑坡内也形成多条纵向裂缝。灾害发生后，采取了拆除房屋和回填压脚措施[2]（图3—6）。
![]()
图 3 曲哇加萨滑坡发生前后对比Figure 3. Comparison before and after the occurrence of Quwajiasa landslide由图4—5可以看出，临近公路位置H1、H2滑坡前缘发育多处土体解体，并挤压公路产生多处放射状鼓胀张拉裂缝，裂缝宽度30～60 cm，深度2 m，裂缝走向与滑坡方向平行或呈小角度相交。公路外侧挡墙产生严重的鼓胀变形，裂缝宽度达5 cm。公路下方由于滑坡滑动鼓胀导致地表隆起，造成51间房屋倒塌。滑坡前缘影响范围至公路挡墙和军功路之间。
由图6可以看出，H1滑坡后缘陡坡下错约2.0 m，侧界清晰，滑坡呈现蠕滑特征，表面裂缝遍布。现场后缘可见水体入渗迹象，土体含水量较高。
为避免滑坡进一步变形致灾，灾害发生后，采取了拆除房屋、回填压脚及截排水措施，9天后，该滑坡逐渐趋于稳定状态。
实际上H1、H2、H4历史上曾出现多次变形。2011年8月12日，由于省道S101线（现为国道G227）修建时开挖该区西侧滑体前缘和当地居民削坡建房等工程活动，引发老滑坡前缘部分滑动，使得H1、H2滑坡后缘和右侧缘形成连续的圈椅状陡壁，高2～6 m。滑坡后缘拉张裂缝密集发育。
根据2013年8月—2014年10月地表变形监测数据监测数据分析，监测点的位移量在2014年6月、2014年8月出现两次明显阶跃，最大水平变形累计达到900 mm[1-4]。根据2014年7月—2019年6月时间序列InSAR监测数据，获得滑坡的年平均形变速率超过70 mm，说明曲哇加萨滑坡一直在变形。
从图7可以看出，8月27日—9月22日近1个月累计降雨量为91.5 mm，其中18—20日3日连续降雨量为23.5 mm，占比25.7%。降雨沿着密集发育的裂缝下渗，加速了地下水的渗流作用，进一步降低了岩土体的强度，最终导致北侧滑坡发生滑动。
为更好说明东北段中前缘滑坡发生的相关机理，选择H1滑坡进行具体分析。结合物探、钻探及探井资料， H1滑坡由上至下共发育4层滑面（图8），从上至下分别为滑面1：位于碎石土与粉质黏土交界层前部，深度约5～10 m，饱水，呈泥团状；滑面2：位于碎石土与粉质黏土交界层附近，深度约20～30 m，含水率较高，呈软塑状，局部可见擦痕；滑面3：位于黏土层与粉质黏土交界层处，深度约35～50 m，含水率较高，呈可塑-软塑状，可见擦痕；滑面4：位于基岩与黏土层的交界处，深度约60～80 m，含水率较高，呈硬塑-可塑状。
![]()
图 8 曲哇加萨滑坡典型工程地质剖面（A—A′）Figure 8. Typical engineering geological profile of Quwajiasa landslide (A—A′)选取图8典型剖面进行滑坡稳定性计算，确定降雨对滑坡稳定性的影响程度，根据程柯力等[2]计算结果表明浅层滑面1、滑面2的稳定系数为0.94、1.02，处于不稳定状态和欠稳定状态，易于继续发生变形破坏（图9）。模拟结果很好验证了此次东北段中前缘滑坡主要是由于浅层滑面1蠕滑形成，同时滑面2的滑动可能性也较高，需做相关的动力学预测分析。而深层滑面3、滑面4的稳定系数均为1.35，处于稳定状态，故不需做相关动力学预测分析。
3. 滑坡动力学反演模拟及预测评价
3.1 DAN-W 基本原理
为了分析滑坡剪出后动力学特征和评估成灾范围，采用加拿大Hungr教授开发的DAN-W二维的动力模拟方法进行正演分析。DAN-W是一种基于Windows程序，在连续介质模型基础上将滑体等效为具有流变性质的流体，选用不同的流变模型，通过设定滑坡的滑动路径的参数，从而达到模拟滑坡的运动速度、时间、路程以及堆积体特征效果[20-29]。大量的模拟结果表明摩擦准则和Volleymy准则最能表达滑坡的运动。
摩擦准则是一个单变量的流变准则，其抗剪强度表达式为：
$$ \tau = \sigma \left( {1 - {r_{\rm{u}}}} \right)\tan \varphi $$ (1) 式中：
$\tau $ ——滑坡底部剪应力/Pa；$\sigma $ ——垂直运动方向的总应力/Pa；${r_{\rm{u}}}$ ——孔隙水压力与总正应力之比；$\varphi $ ——摩擦角/（°）。Volleymy准则的抗剪应力表达式为：
$$ \tau=\sigma f+\rho g \frac{v^{2}}{\varepsilon} $$ (2) 式中：f——摩擦系数；
ρ——滑坡的密度/（kg·m−3）；
g——重力加速度/（m·s−2）；
v——滑坡平均速度/（m·s−2）；
ε——湍流系数/（m·s−2）。
该准则中f和ε为两个待定的参数。
3.2 模型建立及反演模拟对比
根据现场调查发现，滑坡主要运动模式是蠕滑，并且前部有公路挡墙和房屋阻挡，并未发生远程滑坡，因此选用摩擦流变模型较为合适。当然，为更好的说明摩擦流变模型的有效性，再选取Volleymy流变模型共同与H1滑坡1号滑面浅层滑动现场调查结果进行对比。采用试参法对摩擦流变模型进行模拟[20]，Volleymy流变模型内摩擦角与摩擦流变模型一致，同时，摩擦系数，湍流系数采取工程类比，从而对已发生滑动的曲哇加萨1号浅层滑面进行运动反演模拟对比分析（表1）。
表 1 模型参数选取Table 1. Model parameters模型 内摩擦角/（°） 摩擦系数 湍流系数/（m·s−1） Frictional 16* - - Vollemy 16 0.20 200 注：*表示饱和状态下，内摩擦角直接快剪试验结果为20.3°。 从图10可以看出，1号滑面浅层滑坡运动后，若按照摩擦流变模型将运动堆积到623 m位置，即挡墙至军功路段国道G227和居民区，暂时不会影响到军功路至黄河段。同时，滑坡体积超过50%基本停留在上部滑面上，其余均匀停留在运动路径上，这与现场调查滑坡堆积特征基本相符。若按照Volleymy流变模型运动堆积到682 m位置，即军功路至黄河段居民区，与现场调查结果不符，大于实际运动距离。同时，滑坡体积主要停留在坡脚位置，也与实际情况不符。
![]()
图 10 1号滑面浅层滑坡运动前后剖面形态对比图Figure 10. Comparation of longitudinal cross-section of No.1 sliding mass before and after sliding3.3 欠稳定状态2号滑面运动预测评价
利用上述反演分析摩擦流变模型的同一套参数（表1）对处于欠稳定状态的2号浅层滑面进行运动预测模拟分析，得出了堆积厚度、范围等运动特征，并与上述1号浅层滑面进行对比（图11）。
![]()
图 11 2号滑面浅层滑坡运动前后剖面形态图Figure 11. Longitudinal cross-section of No.2 sliding mass before and after sliding研究发现：2号滑面浅层滑坡一旦运动后，将运动堆积到673 m位置，即军功路至黄河段居民区。滑坡体均匀停留在运动路径上。模拟结果说明：目前2号滑面浅层滑坡一旦发生滑动，威胁军功路至黄河段居民区及商铺房屋，但不至引起堵塞黄河灾害发生。
4. 结语
（1）曲哇加萨滑坡坡体呈现多区、多级、多层的变形破坏特征，目前变形破坏强烈，尤其是东北段中前缘滑坡近期频繁出现变形破坏。
（2）东北段中前缘滑坡地表监测曲线、形变速率曲线、钻探数据和现场调查表明，降雨沿着密集发育的裂缝下渗，加速了地下水的渗流作用，进一步降低了岩土体的强度，最终导致滑坡发生变形滑动。
（3）以H1滑坡为代表，在降雨稳定性计算基础上进行动力学反演，反演分析发现1号滑面浅层滑坡按照摩擦流变模型运动后，将运动堆积到挡墙至军功路段国道G227和居民区，这与现场调查滑坡堆积特征基本相符，而Volleymy流变模型运动堆积到682 m位置，即军功路至黄河段居民区，与现场调查结果不符，大于实际运动距离。同时，滑坡体积主要停留在坡脚位置，也与实际情况不符。
（4）利用上述反演分析摩擦流变模型的同一套参数对处于欠稳定状态的2号浅层滑面进行运动预测模拟分析，发现2号滑面浅层滑坡运动后，将运动堆积到军功路至黄河段居民区，但不至于引起堵塞黄河灾害发生。
（5）本文的研究内容可为黄河上游该类滑坡运动预测评价方法提供一定参考。
-
![]()
图 1 研究区地理位置及历史滑坡点分布图
Figure 1. Geographical location of the study area and historical landslide distribution map
表 1 数据源
Table 1 Data source
数据名称 数据类型 数据来源 滑坡灾害点 excel 南江县1∶5万地质灾害详查 DEM 栅格 地理空间数据云 1∶25万地质图 栅格 91卫图 
下载: 导出CSV
表 2 因子量化结果
Table 2 Results of factor quantification
因子 因子二级属性 si ni xi 坡度/(°) 0～10 650642 67 1.085425029 10～16 803628 107 1.403446432 16～22 805749 96 1.255852346 22～29 763630 53 0.731576946 29～34 375968 20 0.560720245 34～43 311624 15 0.507373154 >43 72850 1 0.144689684 坡向 北 438393 28 0.673227029 东北 416896 37 0.935494243 东 450786 51 1.192523317 东南 479436 49 1.077289835 南 510916 50 1.031543684 西南 491470 60 1.286830544 西 499440 39 0.823092053 西北 496754 45 0.954856841 坡型 <−1 131994 1 0.079856989 −1 ～ −0.3 832505 66 0.835649597 −0.3 ～ 0.1 1141012 127 1.173223173 0. 1 ～ 0.8 1491162 153 1.081517936 >0.8 187418 12 0.674896336 水系/m <200 331210 40 1.272986136 200～500 479405 64 1.407163424 500～800 455006 48 1.111965305 800～1200 558891 65 1.225895254 1200～1500 381262 34 0.939988453 1500～2000 548717 51 0.979690471 2000～5000 1023859 57 0.586815838 >5000 5741 0 0.000000000 岩组 K1 882610 101 1.206200914 J3 1024962 120 1.234072302 J1-2 266052 77 3.050642528 T1-2 223391 22 1.038064004 P2-3 94493 2 0.223098927 Pz1 360578 21 0.613885241 Z 426090 14 0.346332954 ξγNh 326208 2 0.064625291 Pt2 148769 0 0.000000000 S1-2 30938 0 0.000000000 高程/m 332 ～ 604 424239 84 2.087064249 604 ～ 768 713900 121 1.786549738 768 ～ 924 647443 77 1.253592279 924 ～ 1094 538137 44 0.861840594 1094 ～1273 451639 23 0.536788894 1273 ～ 1464 377209 7 0.195606426 1464 ～ 1670 276415 3 0.114400197 1670 ～ 1897 236877 0 0.000000000 1897 ～ 2493 118232 0 0.000000000 地形起伏/m 9～98 543341 64 1.241579747 98～151 997907 120 1.267530155 151～202 929250 105 1.191033159 202～258 720598 53 0.775264576 258～329 447958 13 0.305895564 329～655 145037 4 0.290702192
下载: 导出CSV
表 3 因子相关性分析结果
Table 3 Results of factor correlation analysis
因子 坡度 坡向 坡型 水系 岩组 高程 地形 坡度 1.00 0.02 0.15 −0.05 0.16 0.16 0.61 坡向 0.02 1.00 0.02 0.01 0.01 0.00 0.00 坡型 0.15 0.02 1.00 0.01 0.09 0.09 0.17 水系 −0.05 0.01 0.01 1.00 0.12 0.13 −0.06 岩组 0.16 0.01 0.09 0.12 1.00 0.19 0.25 高程 0.16 0.00 0.09 0.13 0.19 1.00 0.27 地形 0.61 0.00 0.17 −0.06 0.25 0.27 1.00
下载: 导出CSV
表 4 k均值聚类统计分析结果
Table 4 Results of k-means clustering statistical analysis
聚类结果 栅格数量 滑坡点数 相对滑坡比 0 909306 37 0.428902710 1 836114 106 1.336310845 2 963716 28 0.306249991 3 265935 77 3.051984680 4 809020 111 1.446208281
下载: 导出CSV
表 5 神经网络分区统计结果
Table 5 Partition statistics results of neural network
易发性等级 栅格数量 分区面积比例/% 滑坡点数 相对滑坡频率比 不易发 1333655 35.24 35 0.276625155 低易发 654221 17.29 38 0.612246399 中易发 738454 19.51 70 0.999175361 高易发 626759 16.56 103 1.732222873 极高易发 431002 11.39 113 2.763543349
下载: 导出CSV
表 6 支持向量机分区统计结果
Table 6 Partition statistical results of support vector machines
易发性等级 栅格数量 分区面积比例/% 滑坡点数 相对滑坡频率比 不易发 1125524 29.74 43 0.402699248 低易发 943452 24.93 49 0.547448656 中易发 830829 21.96 72 0.913456715 高易发 463728 12.25 87 1.977529889 极高易发 420558 11.11 108 2.706854924
下载: 导出CSV
-
[1] 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)
[2] 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. [TANG Yaming, ZHANG Maosheng, LI Lin, et al. Discrimination to the landslide susceptibility, hazard and risk assessment[J]. Hydrogeology & Engineering Geology,2011,38(2):125 − 129. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-3665.2011.02.022 [3] 杨秀梅. 基于GIS的地质灾害危险性评价[D]. 兰州: 兰州大学, 2008. YANG Xiumei. Geological hazard risk assessment based on GIS[D]. Lanzhou: Lanzhou University, 2008. (in Chinese with English abstract)
[4] 胡芹龙, 王运生. 基于GIS的川西地貌过渡带滑坡灾害易发性评价[J]. 成都理工大学学报(自然科学版),2018,45(6):746 − 753. [HU Qinlong, WANG Yunsheng. The susceptibility assessment of geological disasters in geomorphic transition zone based on GIS, western Sichuan, China[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2018,45(6):746 − 753. (in Chinese with English abstract) [5] 郭长宝, 唐杰, 吴瑞安, 等. 基于证据权模型的川藏铁路加查: 朗县段滑坡易发性评价[J]. 山地学报,2019,37(2):240 − 251. [GUO Changbao, TANG Jie, WU Ruian, et al. Landslide susceptibility assessment based on WOE model along Jiacha—Langxian County section of Sichuan—Tibet railway, China[J]. Mountain Research,2019,37(2):240 − 251. (in Chinese with English abstract) [6] 兰恒星, 伍法权, 王思敬. 基于GIS的滑坡CF多元回归模型及其应用[J]. 山地学报,2002,20(6):732 − 737. [LAN Hengxing, WU Faquan, WANG Sijing. GIS based landslide CF multi-variable regression model and its application[J]. Journal of Mountain Research,2002,20(6):732 − 737. (in Chinese with English abstract) DOI: 10.3969/j.issn.1008-2786.2002.06.015 [7] 郭子正, 殷坤龙, 黄发明, 等. 基于滑坡分类和加权频率比模型的滑坡易发性评价[J]. 岩石力学与工程学报,2019,38(2):287 − 300. [GUO Zizheng, YIN Kunlong, HUANG Faming, et al. Evaluation of landslide susceptibility based on landslide classification and weighted frequency ratio model[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38(2):287 − 300. (in Chinese with English abstract) [8] 许冲, 戴福初, 姚鑫, 等. GIS支持下基于层次分析法的汶川地震区滑坡易发性评价[J]. 岩石力学与工程学报,2009,28(增刊 2):3978 − 3985. [XU Chong, DAI Fuchu, YAO Xin, et al. Gis-based landslide susceptibility assessment using analytical hierarchy process in Wenchuan earthquake region[J]. Chinese Journal of Rock Mechanics and Engineering,2009,28(Sup 2):3978 − 3985. (in Chinese with English abstract) [9] 苏强. 基于DEM的黄土滑坡危险性评价研究[D]. 北京: 中国地质大学(北京), 2006. SU Qiang. Research on loess landslide hazard zonation based on DEM[D]. Beijing: China University of Geosciences, 2006. (in Chinese with English abstract)
[10] 李嘉良, 马东辉, 王威. 基于证据理论和熵权灰色关联的潜在地震滑坡危险性评价[J]. 中南大学学报(自然科学版),2016,47(5):1730 − 1736. [LI Jialiang, MA Donghui, WANG Wei. Assessment of potential seismic landslide hazard based on evidence theory and entropy weight grey incidence[J]. Journal of Central South University (Science and Technology),2016,47(5):1730 − 1736. (in Chinese with English abstract) DOI: 10.11817/j.issn.1672-7207.2016.05.036 [11] 牛瑞卿, 彭令, 叶润青, 等. 基于粗糙集的支持向量机滑坡易发性评价[J]. 吉林大学学报(地球科学版),2012,42(2):430 − 439. [NIU Ruiqing, PENG Ling, YE Runqing, et al. Landslide susceptibility assessment based on rough sets and support vector machine[J]. Journal of Jilin University (Earth Science Edition),2012,42(2):430 − 439. (in Chinese with English abstract) [12] 王森, 许强, 罗博宇, 等. 基于分形理论的南江县滑坡敏感性分析与易发性评价[J]. 水文地质工程地质,2017,44(3):119 − 126. [WANG Sen, XU Qiang, LUO Boyu, et al. Vulnerability analysis and susceptibility evaluation of landslides based on fractal theory in Nanjiang County[J]. Hydrogeology & Engineering Geology,2017,44(3):119 − 126. (in Chinese with English abstract) [13] 何静. 基于机器学习的滑坡灾害空间预测及风险评估[D]. 成都: 电子科技大学, 2019. HE Jing. Spatial prediction and risk assessment of landslides based on machine learning[D]. Chengdu: University of Electronic Science and Technology of China, 2019. (in Chinese with English abstract)
[14] 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. [HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(1):156 − 167. (in Chinese with English abstract) [15] 王敞, 陈增强, 袁著祉. 基于遗传算法的K均值聚类分析[J]. 计算机科学,2003,30(2):163 − 164. [WANG Chang, CHEN Zengqiang, YUAN Zhuzhi. K-means clustering based on genetic algorithm[J]. Computer Science,2003,30(2):163 − 164. (in Chinese with English abstract) DOI: 10.3969/j.issn.1002-137X.2003.02.044 [16] 陈玉萍, 袁志强, 周博, 等. 遗传算法优化BP网络在滑坡灾害预测中的应用研究[J]. 水文地质工程地质,2012,39(1):114 − 119. [CHEN Yuping, YUAN Zhiqiang, ZHOU Bo, et al. Application of back propagation neural networks with optimization of genetic algorithms to landslide hazard prediction[J]. Hydrogeology & Engineering Geology,2012,39(1):114 − 119. (in Chinese with English abstract) [17] 武雪玲, 沈少青, 牛瑞卿. GIS支持下应用PSO-SVM模型预测滑坡易发性[J]. 武汉大学学报(信息科学版),2016,41(5):665 − 671. [WU Xueling, SHEN Shaoqing, NIU Ruiqing. Landslide susceptibility prediction using GIS and PSO-SVM[J]. Geomatics and Information Science of Wuhan University,2016,41(5):665 − 671. (in Chinese with English abstract) [18] 张俊, 殷坤龙, 王佳佳, 等. 三峡库区万州区滑坡灾害易发性评价研究[J]. 岩石力学与工程学报,2016,35(2):284 − 296. [ZHANG Jun, YIN Kunlong, WANG Jiajia, et al. Evaluation of landslide susceptibility for Wanzhou district of Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,2016,35(2):284 − 296. (in Chinese with English abstract) -
期刊类型引用(3)
1. 王溢禧，赵俊彦，朱兴华，于美冬，陈彩虹. 贵德盆地席芨滩巨型滑坡前缘次级滑坡特征及其复活机理分析. 中国地质灾害与防治学报. 2024(06): 1-14 . 
本站查看
2. 王文沛，殷跃平，王立朝，沈亚麒，石鹏卿，李瑞冬，何清，陈亮，殷保国. 排水抗滑桩技术研究现状及展望. 水文地质工程地质. 2023(02): 73-83 . 百度学术
3. 陈銮. 浅析滑坡勘查过程中滑动面的确定方法. 江西建材. 2023(06): 168-169+172 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 726
- HTML全文浏览量: 533
- PDF下载量: 240
- 被引次数: 5
邮件订阅
RSS