Evaluation on landslide susceptibility based on self-organizing feature map network and random forest model:A case study of Dayu County of Jiangxi Province
-
摘要: 为深入探讨评价单元和非滑坡样本选取对滑坡易发性预测的影响,构建了一种基于自组织特征映射网络-随机森林模型的滑坡易发性评价模型。该模型针对栅格单元和斜坡单元在滑坡易发性评价中的不足,结合栅格单元和斜坡单元的相互关系,提出了滑坡易发性指数的优化计算方法。在此基础上,基于随机森林Tree Bagger分类器构建滑坡易发性评价模型,通过对比分析自组织特征映射网络和随机方法选取非滑坡样本对评价结果的影响,探讨自组织特征映射网络、随机森林和自组织特征映射网络-随机森林三种评价模型的有效性;将评价模型应用于大余县滑坡易发性评价。结果显示,随机森林模型和自组织特征映射网络-随机森林模型的预测精度较高,分别达到91.19%和94.94%,成功率曲线的AUC值分别为0.822和0.849,表明自组织特征映射网络-随机森林模型具有更高的预测率和成功率, 自组织特征映射网络聚类的预测精度虽然有限,但作为非滑坡样本的选择方法,能够有效提高随机森林模型的评价精度。Abstract: In order to further explore the influence of evaluation units and non-landslide sample selection methods on landslide susceptibility prediction, a landslide susceptibility evaluation model is established based on self-organizing feature map network and random forest model in this paper. According to the relationship between grid units and slope units, an optimized calculation method of landslide susceptibility index is proposed. Aiming at the deficiencies of grid units and slope units in the evaluation of landslide susceptibility, this model proposes an optimized calculation method for landslide susceptibility index based on the relationship between grid cells and slope cells. On this basis, a landslide susceptibility evaluation model was established based on the random forest Tree Bagger classifier. By comparing and analyzing the influence of self-organizing feature map network and random non-landslide sample selection methods on the evaluation results, the effectiveness of the three evaluation models of self-organizing feature map network, random forest and self-organizing feature map network -random forest were discussed. The evaluation model has been applied to the landslide susceptibility evaluation in Dayu County. The results show that the prediction accuracy of random forest and self-organizing feature map network-random forest is higher, reaching 91.19% and 94.94% respectively, and the AUC of success rate curve was 0.822 and 0.849 respectively. It shows that self-organizing feature map network-random forest has higher prediction rate and success rate, although the prediction accuracy of self-organizing feature map network clustering is limited, it can effectively improve the evaluation accuracy of random forest model as the basis for selecting non landslide samples.
-
0. 引言
三峡工程是当今世界上最大的水利枢纽工程,三峡库区历来就是滑坡地质灾害隐患居多的区域。据统计,三峡水库自2003年首次蓄水以来库区发生了较大变形的滑坡有674处,其中下滑入江的有8个[1-3]。长期以来,国内学者对三峡库区一些重要滑坡的变形破坏特征进行了相关研究,如白水河滑坡、树坪滑坡、卧沙溪滑坡、千将坪滑坡、八字门滑坡、凉水井滑坡、藕塘滑坡、木鱼包滑坡等[4-10]。水土作用对水库堆积层滑坡影响甚大,主要表现为引起滑坡土体物理力学性质的改变与滑坡受力状态的变化。根据水土作用的不同方式变形成因可分为降雨型、浸泡软化型、动水压力型、浮托减重型、复合型五类[11-12]。
石榴树包滑坡是黄蜡石滑坡群中的一个重要滑坡,其长期持续变形对长江航运及人民生命财产安全造成严重威胁,一直以来备受关注。1998年罗先启等[13]采用非线性有限元方法对原石榴树包滑坡在不同运行工况下的位移、应力、塑性区进行了分析。2000年保长汉等[14]采用广义楔形体法对原石榴树包滑坡进行了稳定性计算。杨学堂等[15-16]对原石榴树包滑坡滑体滑动后的速度、滑距及涌浪进行了计算。而后一些学者采用有限元法对原石榴树包滑坡的稳定性及变形规律进行了分析[17-22]。2004年通过削方减载、设置排水等措施对滑坡进行了治理。李秀珍等[23]基于滑坡治理前10多年的变形监测资料,研究了原石榴树包滑坡的影响因素和变形演化特征和规律。钟少波等[24]基于滑坡治理后6年的监测数据,分析了石榴树包滑坡变形监测位移特征及稳定性。以上研究对石榴树包滑坡稳定性进行了分析,对滑坡变形特征分析较少,尤其对滑坡变形机制的研究几乎很少涉及。因此,本章首先通过钻探与物探资料分析石榴树包滑坡滑体的物质结构特征,再通过近两年的自动GPS表面位移、地下水位变化、降雨量等监测对该滑坡的变形特征、变形机理进行深入探讨与研究。
1. 石榴树包滑坡概况
石榴树包滑坡位于湖北省巴东县东瀼口镇黄蜡石村,长江左(北)岸。滑坡原始斜坡坡高约为500 m,斜坡倾向188°,斜坡结构类型为逆向斜坡(图1)。
石榴树包滑坡后缘高程340~350 m,前缘剪出口高程50~60 m,面积约0.25 km2,平均厚度约47.2 m,体积约11.80×106 m3。高程350~250 m间的地形坡角为32°~37°;高程200 m有一平台,为前期治理削方所致,东西长150~170 m,南北宽90~110 m;高程200 m以下地形坡角为30°~45°。石榴树包滑坡边界特征见图2。滑坡左侧边界为一冲沟,左侧边界沟外侧为一小山脊,见图2(a)。滑坡右侧边界为一冲沟,沟中树木茂密,沟外侧可见混凝土护坡,该冲沟将石榴树包滑坡与原台子角滑坡分割开来,见图2(b)。滑坡前缘大部分被江水淹没,出露部分为黏土夹紫红色泥岩、泥质砂岩与粉质砂岩块石,见图2(c)。滑坡后缘地势较为平缓,位于公路下方,与原磨盘湾滑坡的前缘相接,相对中前缘宽度变窄,见图2(d)。由于前期治理,滑坡表面分布有多条排水沟,3个排水平硐。
2. 滑坡物质组成及结构
在石榴树包滑坡建立综合观测站,主剖面上选取适当的6个位置布置钻孔,其中ZK1、ZK2、ZK4、ZK5等4个钻孔为水文孔。滑坡上安装的仪器主要有:GPS自动监测站4个(其中1个基站),地下水位监测仪器8个分布于水文孔中,库水位监测点1个,雨量监测站2个。现场仪器安装布置见图3。
2.1 钻探结果
石榴树包滑坡所处斜坡结构为逆向坡,结构复杂。根据钻孔资料综合分析,滑体物质主要为第四系崩坡积碎块石土,原岩为三叠系巴东组的岩体,经强烈滑动破坏而成,在总体上显示一定的成层性。表层覆盖少量第四系松散的崩坡积土,厚1.5~2 m,见图4(a)。浅层及后缘滑体物质主要为三叠系巴东组第四段的红色砂泥岩、粉砂岩破坏形成的碎石土;中层主要为三叠系巴东组第三段灰绿色、灰黄泥灰岩、灰岩破坏后的散裂结构块石土,从后到前厚度逐渐增大,见图4(b);下层有一层三叠系巴东组第二段紫红色泥岩和粉砂岩破坏后形成的碎石土。
滑带物质为土含碎石,位于基覆界面处,厚度一般为1~2 m,碎石含量10%~30%。土主要为灰黄、灰绿色黏土和粉质黏土。碎石以粒径2~10 mm者居多,呈次棱角-次圆状,并具有一定程度的定向排列,岩性主要为来自巴东组第三段的灰色、灰绿色灰岩、泥灰岩,见图4(c)。
滑床物质由下到上可分为三段,巴东组第一段(T2b1)为灰色、浅灰色的泥灰岩、灰岩,厚约30.30 m;巴东组第二段(T2b2)为紫红色泥岩和粉砂岩,厚度为11.07~32.65 m;巴东组第三段(T2b3)为灰绿色、灰黄色的泥灰岩,厚约11.96 m。滑床基岩岩层产状倾向山内,倾角20°~30°左右,见图4(d)。岩层总体产状70°∠20°。根据现场钻孔的工程地质剖面见图5。
2.2 物探测试结果
在三峡水库处于高水位时期(库水位为173 m),对石榴树包滑坡进行高密度电法物探工作。在滑坡体上共布设1横1纵剖面,分别为300 m和280 m,各剖面上分别布设60个电极和56个电极,电极之间间距为5 m,布设的剖面与钻孔剖面吻合,经过每个钻孔。将高密度电法结果与钻孔岩芯进行对比,见图6。
由图6可以看出:视电阻率呈块团状分布,成层性较差,视电阻率范围约0~800 Ω·m。钻探岩性及物质结构分界面与电阻率分界面较吻合。整体上表层的电阻率值较低,低至20~30 Ω·m,该处泥岩、粉砂岩颗粒粒径较小,土颗粒含量较多所致,与实际情况一致。浅层电阻率值较高的仅分布在钻孔ZK4周边的平台处,电阻率值达500~800 Ω·m,主要为浅灰色泥灰岩夹灰岩碎块石为主。由此可分析得到石榴树包滑坡体结构岩性分布,电阻率值低于50 Ω·m以下的区域主要以泥岩、粉砂岩等黏土岩形成的土石混合体为主,块状分布;电阻率值高于200 Ω·m的区域主要以泥灰岩形成的土石混合体为主,块状分布。50~200 Ω·m的区域主要为前两者的混合物。
根据钻孔资料,结合物探剖面,对石榴树包滑坡体纵剖面物质结构进行了分层,如图7所示。
3. 滑坡变形特征
3.1 历史变形特征
该滑坡为古滑坡,最早有记录的复活变形出现在1980年煤矿导洞施工,而后多次降雨以及人类工程活动出现较大变形。为此在2003年4月—2004年2月对石榴树包滑坡进行了工程治理,治理工程措施主要包含削方压脚、地下排水、地表排水。目前,前期治理工程部分失效,坡体上排水沟损坏堵塞,排水平硐内部垮塌。根据相关资料,石榴树包滑坡在治理后布置了3条监测剖面,现大部分仪器不能工作[24]。根据原监测数据分析,2004年—2009年期间滑坡变形较明显,前缘变形最大达到1.4 m,变形总体呈阶梯状持续变形,变形时间主要在每年5—8月。
3.2 近期变形特征
石榴树包滑坡3个GPS表面位移监测数据、降雨量、库水位随时间的变化曲线见图8。
由图8可以看出,在库水位下降及低水位运行期间,表面位移增加较大,在库水位升高及高水位运行期间,表面位移也在增加但增加较少。可见,石榴树包滑坡表现出动水压力型滑坡的特征,与收集的前期监测数据在变形时间上表现一致。在库水位较低时期,降雨会使滑坡各部分的位移都有小幅增大。GPS3位移量大于GPS2位移量大于GPS1位移量,可见滑坡变形主要发生在中部与后部,前缘变形较小。前缘变形较小这可能是由于前缘渗透性大,水力梯度较小的原因;中后部变形大可能是中后部渗透性小,水力梯度相对较大的原因。总体上,滑坡累计变形量最大未超过8 cm,位移随时间增加缓慢,可见石榴树包滑坡目前处于蠕动变形阶段。
4. 滑坡变形机理分析
4.1 变形影响因素
石榴树包滑坡前缘直抵长江,为变形提供了良好的地形临空条件。滑坡下伏基岩为三叠系巴东组的紫红色、浅灰色泥岩、粉砂岩、泥灰岩的易滑岩组;滑坡体也为易滑岩组形成的土石混合体,因此本身物质易于受雨水的影响而发生软化泥化。滑坡体前缘坡脚为长江,江水对滑体前缘岸坡不断的冲刷、掏蚀,造成滑坡前缘坍塌,抗滑力减小。库水位下降过程中,由于中后部渗透性不良导致滑体内地下水位下降滞后于库水位,由此产生的较大动水压力使滑坡的整体稳定性减小。滑坡体结构较松散,渗透性相对较大,地表水易于汇集和下渗,每逢暴雨从滑坡后缘汇集来的地表水排泄于滑坡体上,使得堆积体饱水、抗剪强度降低,诱发浅表层变形。松散堆积物与下伏基岩接触面形成潜在滑动面,因坡体渗透性大,降雨也易下渗到滑动带,一方面滑动面长期处于地下水位之下,使滑动带(面)强度弱化;另一方面也使局部水力梯度急剧增大,诱发整体变形。
4.2 地下水的影响
由监测数据可知滑坡变形主要发生在库水位下降阶段及低水位运行期,结合滑坡地质形态,石榴树包滑坡属于动水压力型滑坡,可见地下水对滑坡变形有较大影响。
(1)地下水位监测结果
石榴树包滑坡布设的4个地下水位监测孔于2018年4月27日开始获取监测数据,截至2019年10月30日,经历两次库水位升降过程,地下水位随库水位、降雨变化曲线如下图9所示。
由图9可知,ZK1、ZK2、ZK4孔地下水位的的变化曲线与库水位变化趋势一致,变化幅度是随着离库水越远变化越小,而ZK5孔地下水位的变化曲线与库水位变化曲线无相似之处,说明ZK5孔地下水位变化与库水位无关,库水位的变化的影响范围在ZK4与ZK5孔之间。降雨对ZK2与ZK5孔的地下水位影响较大,对ZK1与ZK4孔的地下水位影响甚小。滑坡体地下水位对降雨的响应在库水位下降及低水位期间明显,在库水位上升及高水位运行期间响应不明显,响应雨量阈值约为40 mm。
①第一次升降过程(2018年4月27日—2018年10月14日)
ZK1孔水位升降最大29.84 m,ZK2水位升降最大27.73 m,ZK4孔水位升降最大8.91 m,ZK5孔里面水位升降最大14.08 m。
②第二次升降过程(2019年4月27日—2019年10月14日)
ZK1孔水位升降最大30.09 m,ZK2水位升降最大28.58 m,ZK4孔水位升降最大9.69 m,ZK5孔里面水位升降最大7.12 m。
(2)水力梯度变化特征
两个库水位升降过程的水力梯度随库水位及时间的变化曲线见图10,水力梯度变化特征见表1。
表 1 水力梯度变化特征Table 1. Variation characteristics of hydraulic gradient项目 水力梯度i2−1 水力梯度i4−2 水力梯度i5−4 高水位时 低水位时 降雨时 高水位 低水位 降雨时 高水位 低水位 降雨时 第一次升降 0.009 0.0068 0.67 0.11 0.465 0.068 0.0095 0.161 0.331 第二次升降 0.0097 0.0078 0.75 0.118 0.43 0.167 0.01 0.154 0.138 由图10可见,前三条水力梯度线存在突变,是受降雨影响所致。为便于观察,将受降雨影响小的ZK4与ZK1之间的水力梯度作于图中。可见四条曲线表现出相同的趋势,随着库水位的下降,水力梯度逐步增大,在低水位水力梯度逐渐减小;当库水位上升时,水力梯度快速减小,高水位时趋于稳定。
由表1可知,在剔除降雨影响下,水力梯度i2−1低水位与高水位基本无变化,水力梯度i4−2低水位时约是高水位的4倍,水力梯度i5−4低水位时约是高水位的15倍。当考虑降雨影响时,降雨时的水力梯度i2−1约是高水位的74倍;水力梯度i4−2却在减小,甚至小于高水位的水力梯度;水力梯度i5−4约是高水位的35倍。
综上,在不考虑降雨条件下,在两次循环的下降及低水位过程中,水力梯度i4−2与水力梯度i5−4都较大,水力梯度i2−1较小。在考虑降雨条件下,水力梯度i2−1增大较多,i4−2减小,i5−4增大。说明,滑坡中后部渗透压力较大,前缘在降雨后渗透压力会大幅增大。滑坡体中后部水位比较高,主要受后方山体地下水供给,可见滑坡滑动面大部分都长期处于地下水位以下。
5. 结论
(1)石榴树包滑坡滑坡体物质具有一定成层性,团块状分布,电阻率值低于50 Ω·m以下的区域主要以泥岩、粉砂岩等黏土岩形成的土石混合体为主,电阻率值高于200 Ω·m的区域主要以泥灰岩形成的土石混合体为主。
(2)降雨是石榴树包滑坡复活的主要原因,库水位升降与降雨联合作用使石榴树包滑坡持续变形。库水位下降及低水位运行过程中的变形大于库水位上升及高水位运行过程中的变形。前缘变形较小主要是由于前缘渗透性大,水力梯度较小的原因;中后部变形大主要是由于中后部渗透性小,水力梯度相对较大的原因。
(3)库水位变化主要影响滑坡前缘和中部地下水变化,前缘地下水基本与库水位同步;滑坡后部地下水与库水位基本无关,主要受降雨影响。在不考虑降雨影响下,低水位时水力梯度是高水位时的4~15倍,考虑降雨影响时水力梯度是高水位时的35~74倍,降雨影响较大。
(4)石榴树包滑坡一直处于蠕变阶段,受库水位周期性升降与降雨的影响,其变形将继续发展,还需进一步加强监测。
-
表 1 评价指标体系
Table 1 Evaluation index system
滑坡影响因素 分类及分级 高程 (1)[130,200);(2)[200,300);(3)[300,400);(4)[400,500);(5)[500,600);(6)[600,700);(7)[700,800);(8)[800,900);(9)[900,1346); 植被归一化指数 (1)[−1,0.2);(2)[0.2,0.4);(3)[0.4,0.6);(4)[0.6,0.8);(5)[0.8,1.0) 土地利用类型 (1)矿山工程用地;(2)乔木;(3)耕地和荒地;(4)城镇用地 坡度/(◦) (1)[0,10);(2)[10,20);(3)[20,30);(4)[30,40);(5)[40,54.6) 总曲率 (1)[−6.3,−0.82);(2)[−0.82,−0.27);(3)[−0.27,−0.18);(4)[−0.18,0.88);(5)[0.88,6.44) 岩土类型 (1)C:白云质灰岩类;(2)D:砂岩类;(3)Q:松散沉积物;(4)H:变余砂岩类;
(5)K:红色砂砾岩类;(6)R:岩浆岩类;(7)Z:板岩千枚岩道路密度/(km∙km-2) (1)[0,0.393);(2)[0.393,0.786);(3)[0.786,1.178);(4)[1.178,1.571);(5)[1.571,1.964) 距道路的距离/m (1)[0,50);(2)[50,100);(3)[100,150);(4)[150,200);(5)≥200 距水系的距离/m (1)[0,50);(2)[50,100);(3)[100,150);(4)[150,200);(5)≥200 距断层的距离/m (1)[0,200);(2)[200,400);(3)[400,600);(4)[600,800);(5)≥800 表 2 不同滑坡易发性分区的滑坡频率
Table 2 Landslide frequency in different landslide susceptibility zones
序号 滑坡
易发性
等级SOM 随机森林 SOM-随机森林 分区面积/km2 滑坡频率
/(个·km−2)比例/% 分区面积/km2 滑坡频率
/(个·km-2)比例/% 分区面积/km2 滑坡频率
/(个·km−2)比例/% 1 低 372.45 0.0081 1 561.52 0 0 545.46 0.0000 0 2 较低 495.01 0.0626 7.76 113.70 0.0176 3.94 122.06 0.0082 1.84 3 中等 288.02 0.1805 22.37 137.65 0.0218 4.88 139.19 0.0144 3.22 4 较高 61.03 0.2785 34.5 152.83 0.0916 20.49 152.12 0.1183 26.53 5 高 122.53 0.2775 34.37 373.34 0.3161 70.70 380.21 0.3051 68.41 -
[1] 黄发明, 叶舟, 姚池, 等. 滑坡易发性预测不确定性: 环境因子不同属性区间划分和不同数据驱动模型的影响[J]. 地球科学,2020,45(12):4535 − 4549. [HUANG Faming, YE Zhou, YAO Chi, et al. Uncertainties of landslide susceptibility prediction: different attribute interval divisions of environmental factors and different data-based models[J]. Earth Science,2020,45(12):4535 − 4549. (in Chinese with English abstract) [2] PEETHAMBARAN B, ANBALAGAN R, KANUNGO D P, et al. A comparative evaluation of supervised machine learning algorithms for township level landslide susceptibility zonation in parts of Indian Himalayas[J]. Catena,2020,195:104751. DOI: 10.1016/j.catena.2020.104751
[3] 周超, 殷坤龙, 曹颖, 等. 基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价[J]. 地球科学,2020,45(6):1865 − 1876. [ZHOU Chao, YIN Kunlong, CAO Ying, et al. Landslide susceptibility assessment by applying the coupling method of radial basis neural network and adaboost: A case study from the Three Gorges Reservoir area[J]. Earth Science,2020,45(6):1865 − 1876. (in Chinese with English abstract) [4] BAHARVAND S, RAHNAMARAD J, SOORI S, et al. Landslide susceptibility zoning in a catchment of Zagros mountains using fuzzy logic and GIS[J]. Environmental Earth Sciences,2020,79(10):1 − 10.
[5] 杨永刚, 殷坤龙, 赵海燕, 等. 基于C5.0决策树-快速聚类模型的万州区库岸段乡镇滑坡易发性区划[J]. 地质科技情报,2019,38(6):189 − 197. [YANG Yonggang, YIN Kunlong, ZHAO Haiyan, et al. Landslide susceptibility evaluation for township units of bank section in Wanzhou district based on C5.0 decision tree and K-means cluster model[J]. Geological Science and Technology Information,2019,38(6):189 − 197. (in Chinese with English abstract) [6] 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) [7] 夏辉, 殷坤龙, 梁鑫, 等. 基于SVM-ANN模型的滑坡易发性评价: 以三峡库区巫山县为例[J]. 中国地质灾害与防治学报,2018,29(5):13 − 19. [XIA Hui, YIN Kunlong, LIANG Xin, et al. Landslide susceptibility assessment based on SVM-ANN Models: A case stualy for Wushan County in the Three Gorges Reservoir[J]. The Chinese Journal of Geological Hazard and Control,2018,29(5):13 − 19. (in Chinese with English abstract) [8] 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) [9] 杜国梁,杨志华,袁颖,等. 基于逻辑回归-信息量的川藏交通廊道滑坡易发性评价[J].水文地质工程地质,2021,48(5):102-111. DU Guoliang, YANG Zhihua, YUAN Ying, et al. Landslide susceptibility mapping in the Sichuan-Tibet traffic corridor using logistic regression-information value method[J]. Hydrogeology & Engineering,2021,48(5):102-111.(in Chinese with English)
[10] 连志鹏, 徐勇, 付圣, 等. 采用多模型融合方法评价滑坡灾害易发性: 以湖北省五峰县为例[J]. 地质科技通报,2020,39(3):178 − 186. [LIAN Zhipeng, XU Yong, FU Sheng, et al. Landslide susceptibility assessment based on multi-model fusion method: A case study in Wufeng County, Hubei Province[J]. Bulletin of Geological Science and Technology,2020,39(3):178 − 186. (in Chinese with English abstract) [11] 郭子正, 殷坤龙, 付圣, 等. 基于GIS与WOE-BP模型的滑坡易发性评价[J]. 地球科学,2019,44(11):4299 − 4312. [GUO Zizheng, YIN Kunlong, FU Sheng, et al. Evaluation of landslide susceptibility based on GIS and WOE-BP model[J]. Earth Science,2019,44(11):4299 − 4312. (in Chinese with English abstract) [12] 鲜木斯艳·阿布迪克依木, 何书. 基于MIV-BP神经网络的滑坡易发性空间预测[J]. 人民长江,2019,50(12):140 − 144. [ABUDIKEYIMU XMSY, HE Shu. Spatial prediction on landslide vulnerability based on MIV-BP neural network[J]. Yangtze River,2019,50(12):140 − 144. (in Chinese with English abstract) [13] 李文娟, 邵海. 基于遥感影像多尺度分割与地质因子评价的滑坡易发性区划[J]. 中国地质灾害与防治学报,2021,32(2):94 − 99. [LI Wenjuan, SHAO Hai. Landslide susceptibility assessment based on multi-scale segmentation of remote sensing and geological factor evaluation[J]. The Chinese Journal of Geological Hazard and Control,2021,32(2):94 − 99. (in Chinese with English abstract) [14] PARYANI S, NESHAT A, JAVADI S, et al. Comparative performance of new hybrid ANFIS models in landslide susceptibility mapping[J]. Natural Hazards,2020,103(2):1961 − 1988. DOI: 10.1007/s11069-020-04067-9
[15] 谈树成, 赵娟娟, 杨林, 等. 基于GIS和信息量-快速聚类模型的滑坡易发性研究: 以云南省福贡县为例[J]. 云南大学学报(自然科学版),2018,40(6):1148 − 1158. [TAN Shucheng, ZHAO Juanjuan, YANG Lin, et al. Evaluation of landslide susceptibility based on GIS and the information value & the K-means cluster model—Take Fugong County as an Example[J]. Journal of Yunnan University (Natural Sciences Edition),2018,40(6):1148 − 1158. (in Chinese with English abstract) [16] 孙长明, 马润勇, 尚合欣, 等. 基于滑坡分类的西宁市滑坡易发性评价[J]. 水文地质工程地质,2020,47(3):173 − 181. [SUN Changming, MA Runyong, SHANG Hexin, et al. Landslide susceptibility assessment in Xining based on landslide classification[J]. Hydrogeology & Engineering Geology,2020,47(3):173 − 181. (in Chinese with English abstract) [17] 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) [18] 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) [19] 李颖, 应保胜, 容芷君, 等. 基于SOM的产品设计结构模块划分及其评价[J]. 武汉科技大学学报,2018,41(4):301 − 306. [LI Ying, YING Baosheng, RONG Zhijun, et al. SOM-based product design structure clustering and its evaluation[J]. Journal of Wuhan University of Science and Technology,2018,41(4):301 − 306. (in Chinese with English abstract) [20] 王小川, 史峰, 郁磊. MATLAB神经网络43个案例分析[M]. 北京: 北京航空航天大学出版社, 2013. WANG Xiaochuan, SHI Feng, YU Lei. Analysis of 43 cases of neural network in matlab [M]. Beijing: Beijing University of Aeronautics & Astronautics Press, 2013. (in Chinese)
[21] 林荣福, 刘纪平, 徐胜华, 等. 随机森林赋权信息量的滑坡易发性评价方法[J]. 测绘科学,2020,45(21):131 − 138. [LIN Rongfu, LIU Jiping, XU Shenghua, et al. Evaluation method of landslide susceptibility based on random forest weighted information[J]. Science of Surveying and Mapping,2020,45(21):131 − 138. (in Chinese with English abstract) [22] 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. [LI Ting, TIAN Yuan, WU Lun, et al. Landslide susceptibility mapping using random forest[J]. Geography and Geo-Information Science,2014,30(6):25 − 30. (in Chinese with English abstract) DOI: 10.3969/j.issn.1672-0504.2014.06.006 [23] 颜阁, 梁收运, 赵红亮. 基于GIS的斜坡单元划分方法改进与实现[J]. 地理科学,2017,37(11):1764 − 1770. [YAN Ge, LIANG Shouyun, ZHAO Hongliang. An approach to improving slope unit division using GIS technique[J]. Scientia Geographica Sinica,2017,37(11):1764 − 1770. (in Chinese with English abstract) [24] 罗路广, 裴向军, 黄润秋. 强震山区地震滑坡发生概率研究: 以九寨沟国家地质公园为例[J]. 岩石力学与工程学报,2020,39(10):2079 − 2093. [LUO Luguang, PEI Xiangjun, HUANG Runqiu. Earthquake-triggered landslide occurrence probability in strong seismically mountainous areas: A case study of Jiuzhaigou National Geopark[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(10):2079 − 2093. (in Chinese with English abstract) [25] 黄启乐, 陈伟, 唐绪波, 等. 区域地质灾害评价中斜坡单元划分方法研究[J]. 自然灾害学报,2017,26(5):157 − 164. [HUANG Qile, CHEN Wei, TANG Xubo, et al. Study on the method of slope unit zoning in regional geo-hazards risk assessment[J]. Journal of Natural Disasters,2017,26(5):157 − 164. (in Chinese with English abstract) [26] 程温鸣, 彭令, 牛瑞卿. 基于粗糙集理论的滑坡易发性评价: 以三峡库区秭归县境内为例[J]. 中南大学学报(自然科学版),2013,44(3):1083 − 1090. [CHENG Wenming, PENG Ling, NIU Ruiqing. Landslide susceptibility assessment based on rough set theory: Taking Zigui County territory in Three Gorges Reservoir for example[J]. Journal of Central South University (Science and Technology),2013,44(3):1083 − 1090. (in Chinese with English abstract) [27] 宫清华, 黄光庆, 张冬良, 等. 基于斜坡单元的浅层滑坡风险区划: 以华南松岗河小流域为例[J]. 安全与环境学报,2017,17(2):615 − 620. [GONG Qinghua, HUANG Guangqing, ZHANG Dongliang, et al. On the application of the slope element unit method to the shallow landslide risk-prevention mapping with a case study sample of Songgang watershed[J]. Journal of Safety and Environment,2017,17(2):615 − 620. (in Chinese with English abstract) [28] 薛强, 张茂省, 高波. 斜坡单元支持下基于土体含水率的陕西省清涧县城区黄土滑坡危险性评价[J]. 中国地质,2020,47(6):1904 − 1914. [XUE Qiang, ZHANG Maosheng, GAO Bo. Hazard assessment of loess landslide based on soil moisture content and supported by slope unit in Qingjian City, Shaanxi Province[J]. Geology in China,2020,47(6):1904 − 1914. (in Chinese with English abstract) DOI: 10.12029/gc20200624 [29] PHAM B T, TIEN BUI D, PRAKASH I, et al. Rotation forest fuzzy rule-based classifier ensemble for spatial prediction of landslides using GIS[J]. Natural Hazards,2016,83(1):97 − 127. DOI: 10.1007/s11069-016-2304-2
[30] 武雪玲, 任福, 牛瑞卿. 多源数据支持下的三峡库区滑坡灾害空间智能预测[J]. 武汉大学学报(信息科学版),2013,38(8):963 − 968. [WU Xueling, REN Fu, NIU Ruiqing. Spatial intelligent prediction of landslide hazard based on multi-source data in Three Gorges Reservoir area[J]. Geomatics and Information Science of Wuhan University,2013,38(8):963 − 968. (in Chinese with English abstract) -
期刊类型引用(21)
1. 袁家好,鲁祖德,陈从新,孙朝燚,范凯,刘才华. 含双软弱夹层岩质边坡稳定性上限解. 岩石力学与工程学报. 2024(02): 412-423 . 百度学术
2. 陈权川,李兰,陈权益. 路堑顺层边坡稳定性分析及支挡防护数值模拟研究. 交通科技. 2024(01): 1-6 . 百度学术
3. 向波,刘正威,张乐,闵祥,邬凯,郭辉,李涛. 含多个软弱夹层缓倾顺层边坡开挖卸荷变形特征. 地质灾害与环境保护. 2024(01): 74-81 . 百度学术
4. 刘正威,邬凯,罗晓龙,闵祥,陈沛,唐爽,李涛. 川西南公路顺层边坡桩锚组合结构加固分析——以乐西高速ZK9+352~ZK9+526边坡为例. 科技和产业. 2024(05): 271-279 . 百度学术
5. 严子元. 缓倾软弱夹层对顺层岩质边坡稳定性的影响. 新乡学院学报. 2024(03): 73-76 . 百度学术
6. 解仁伟. 水平层状岩隧道荷载计算公式修正方法及其应用. 吉林大学学报(地球科学版). 2024(03): 943-953 . 百度学术
7. 徐白璐. 包西铁路受损风沙路基防护林带修复设计研究. 运输经理世界. 2024(11): 166-168 . 百度学术
8. 刘健. 变质岩类顺层边坡破裂迹象及边坡开挖失稳范围研究. 粉煤灰综合利用. 2024(03): 91-96 . 百度学术
9. 刘品,陈权川,龙维. 含软弱夹层顺层岩质边坡开挖稳定性分析. 路基工程. 2024(04): 171-176 . 百度学术
10. 陈伟明,郁金平. 含泥质粉砂夹层的土质边坡稳定性分析. 交通科学与工程. 2024(04): 57-64+92 . 百度学术
11. 段志超,王菁菁,李育红,胡萱苡,关艳丽. 地下水作用下含软弱夹层边坡可靠性分析. 工程勘察. 2024(09): 12-18 . 百度学术
12. 曾秋阳,马国栋. 多道瞬态面波法在软弱夹层探测中的应用. 治淮. 2024(09): 26-27+30 . 百度学术
13. 蒋发森,王思铎,高美奔,熊冰,杨星. 某深挖路堑顺层滑坡成因分析及治理措施. 路基工程. 2024(06): 198-204 . 百度学术
14. 许家臣,夏雨,宋浩然,徐杰,张庆文,徐国林,眭素刚. 强降雨条件下电石渣堆场失稳特性研究. 科学技术与工程. 2023(04): 1675-1682 . 百度学术
15. 赵增辉. 铁路工程路基边坡变形防护施工研究. 工程建设与设计. 2023(08): 28-30 . 百度学术
16. 杨立功. 降雨、水位升降作用下的边坡稳定性研究. 水利科学与寒区工程. 2023(05): 46-49 . 百度学术
17. 陈权川,徐庆方,谢配红,萧诗礼,朱爱军. 含软弱夹层缓倾顺层岩质边坡中抗滑桩-键组合结构的应用. 安全与环境工程. 2023(04): 131-140 . 百度学术
18. 黄其冰. 含多层软弱夹层顺层边坡开挖及支挡防护数值模拟分析. 福建交通科技. 2023(06): 20-24 . 百度学术
19. 何云勇,郭成超,张乐,王复明,向波,李蜀南,马建林. 名山组泥岩顺层边坡原位直剪试验及开挖模拟. 科学技术与工程. 2023(36): 15634-15641 . 百度学术
20. 徐成华,卜争军,眭敏磊,李凯. 壁面强度及粗糙度对含软弱夹层岩体影响研究. 河南科学. 2022(09): 1478-1485 . 百度学术
21. 杨豪,魏玉峰,张御阳,唐珏凌,何宁. 基于离心试验的反倾层状岩质边坡内非贯通性裂缝变形特性分析. 水文地质工程地质. 2022(06): 152-161 . 百度学术
其他类型引用(7)