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
2020年2月英德市沙口镇某村发生3处岩溶地面塌陷[1]。2020年4月26日又连续发生3处岩溶地面塌陷，单个塌陷坑最大面积183 m2，深4.9 m，潜在危害该村61户227人生命财产安全。
岩溶地面塌陷的研究开展已久，形成了抽排地下水、暴雨、洪水及振动等主要成因机理[2-7]。针对本研究区岩溶地面塌陷灾害，前期已开展了多轮调查工作。2006年广东省地质环境监测总站完成了1∶10万英德市地质灾害调查与区划，2010年广东省工程勘察院编制了《广东省英德市地质灾害防治规划（2011—2020年）》，2018年广东省核工业地质调查院编制了《广东省英德市1∶5万地质灾害详细调查报告》，2013年广东省化工地质勘查院编制了《英德市望埠镇奖家洲村岩溶地面塌陷地质灾害初步勘查评价报告》等，分析研究了英德市岩溶地面塌陷地质灾害特点与规律。前人大量的岩溶地面塌陷地质灾害专项调查、区划、专项勘查为本文编写提供丰富的基础资料。
本次研究过程中，采用了工程测量、工程地质测绘、高密度电法、地震面波法、地质钻探验证、抽水试验、室内岩土水测试分析、地下水动态监测等综合勘查手段[8-10]，查明场地地质环境条件、隐伏岩溶发育与分布状况及岩溶地面塌陷发育特征，对岩溶地面塌陷的形成机理进行分析。
1. 研究区地质环境条件
1.1 研究区基本情况
研究区位于北江右岸，地貌类型属河流堆积河漫滩地貌，地形平缓。东侧北江，西侧为山体，山体陡立，为典型灰岩峰林地形，北侧为碎屑岩风化剥蚀低丘，南侧由岩溶洼地逐渐向碎屑岩风化剥蚀低丘过渡（图1）。
北江干流自北东向南西流经本区，形成宽阔的纵向岩溶河谷，北江河床宽宽约400 m，自1978年以来研究区北江最高水位44.27 m，最低水位33.07 m。
1.2 地层岩性及水文地质特征
研究区地层为泥盆系上统天子岭组（D3t）灰岩、泥盆系上统帽子峰组（D3m）砂页岩和第四系更新统黄岗组粉质黏土、粉砂、卵石（Q2-3h）（图2）。研究区岩溶地面塌陷地段上覆松散盖层粉砂、卵石层中赋存丰富的松散岩类孔隙水，下覆基岩可溶性碳酸盐岩中赋存裂隙溶洞岩溶水。粉砂层富水性与透水性均中等，卵石层富水性与透水性强，岩溶水水量丰富，地下水位年变化幅度为4～6 m。
![]()
图 2 研究区工程地质平面和剖面图Figure 2. Engineering geological map of the study area and a profile1.3 地质构造
研究区位于八里石背斜北西翼之次一级向斜核部。推断有WF1断裂经过WTK5及ZK2，走向大致呈北偏西45°展布，呈舒缓波状，切割泥盆系天子岭组灰岩，长度约1300 m，宽度不明，倾角较陡，带内主要由构造角砾岩、断层泥、大理岩化灰岩及灰岩组成，为逆断层。
2. 岩溶地面塌陷发育特征
研究区共发现8处塌陷，编号为T1～T8，塌陷统计见表1，分布位置见图2，照片见图3。塌陷发育主要有方向性、同步性等6个特征。
表 1 研究区岩溶地面塌陷统计表Table 1. Statistical table of karst ground collapse in the study area编号 发生时间 平面形态 地貌及第四系岩性 造成损失 T1 2020-04-26 呈16.45×14.03 m的椭圆形，深4.9m 河流阶地，粉质黏土、粉砂及卵石 毁田 T2 2020-04-26 呈直径9.5 m的近圆形，深3.8 m 河流阶地，粉质黏土、粉砂及卵石 毁田 T3 2020-04-26 呈12.1×10.03 m的椭圆形，深3.8 m 河流阶地，粉质黏土、粉砂及卵石 毁田 T4 2020-02-04 呈7.95×6.80 m的椭圆形，深6.5 m 河流阶地，粉质黏土、粉砂及卵石 毁田 T5 2020-02-05 呈7.7×4.4 m的椭圆形，深6.5 m 河流阶地，粉质黏土、粉砂及卵石 毁田 T6 2020-02-05 呈10.1×7.24 m的椭圆形，深5.2 m 丘陵坡地，粉质黏土 毁竹林 T7 2020-07-19 呈6.68 m的近圆形，深4.3 m 河流阶地，粉质黏土、粉砂及卵石 毁田 T8 1978年 呈5.0 m的近圆形，深5.0 m 河流阶地，粉质黏土、粉砂及卵石 毁田 （1）塌陷多分布在土层较薄、土颗粒较粗地段：塌陷为土层塌陷，土体主要由粉质黏土、粉砂、卵石层组成，卵石与下伏灰岩直接接触，覆盖层厚度与第一层溶洞顶板厚度处于12.4～15 m，厚度较薄[11]。如距T1～T3塌陷坑最近的ZK10钻孔覆盖层厚仅11.60 m，溶洞顶板厚0.8 m；距T4～T7塌陷坑最近的ZK19钻孔覆盖层厚仅10.80 m，溶洞顶板厚2.1 m。
（2）塌陷多分布在褶皱轴部[12]：塌陷区位于八里石背斜北西翼之次一级向斜核部地段，地下水集中，有利岩溶强发育。
（3）塌陷多分布在断层影响带：已发8个塌陷总体上位于WF1断裂影响带上，其中T1～T3位于断层上盘约80～100 m处，T4～T7总体位于断层带上，T8位于断层下盘约70 m处，断层破碎带处地下水富集，径流强，潜蚀作用下岩溶强发育，为塌陷提供良好的地下空间。
（4）塌陷分布于河床右岸：地貌为河流阶地，地形平缓，洪水期间被淹没，地下水动力条件改变快，易产生塌陷。
（5）方向性：T4—T6塌陷发生于2020年2月，轴线方向为NW300°；T1—T3发生于2020年4月，轴线方向为NW335°；T7发生于2020年7月，位于T4南侧约14m，塌陷坑长轴方向为NW300°。塌陷虽不在同一时间发生，但塌陷坑平面分布位置具有明显的线性特征。
（6）同步性和持续性：塌陷产生的时间快慢，主要受动力作用的强度和形成条件的差异影响。在两者共同影响下，可产生同步的塌陷群，如T1—T3、T4—T6；影响程度不同时，塌陷将陆续发生，在诱发因素消失作用前将持续发展，直至达到新的平衡。持续时间主要取决于诱发因素动力的强度，研究区塌陷始发于1978年，至今已长达40余年。
3. 深部岩溶发育状况
3.1 沿层面发育
地表溶蚀较强烈，沿层面、风化裂隙发育。溶洞可见洞径0.50～1.50 m，且相互贯通；溶蚀裂隙延伸长，呈0.1～0.2 m开口状；局部地段存在岩溶漏斗。地表岩溶特征见图4，照片位置见图2。
3.2 钻孔见洞率高
揭露灰岩的32个钻孔中有3个钻孔共揭露3个土洞，有24个钻孔共揭露36个溶洞，其中有1个钻孔仅揭露土洞未揭露溶洞，钻孔见洞率78.1%，钻孔线岩溶率3.57%～71.02%，平均32.61%。岩面下5 m范围内岩溶发育，在垂直方向一般发育2～3层溶洞，最多发育有4层溶洞[13]。钻孔揭露土洞、溶洞特征表见表2，土洞、溶洞大小、比例及充填特征见图5。
表 2 钻孔揭露土洞、溶洞特征表Table 2. Characteristics of cave and karst cave exposed by boreholes孔号 岩面埋深/m 溶洞顶板埋深/m 洞高/m 充填情况 溶洞层数 WTK1 19.2 19.2 1.1 全充填 1 WTK2 13.4 13.8 2.8 半充填 2 17.1 1.8 半充填 WTK3 33.1 30.8（土洞） 1.1 无充填 4 33.4 1.05 半充填 34.7 3.8 半充填 38.8 1.4 半充填 WTK6 11.6 12.2 0.2 无充填 1 WTK7 17.6 18.3 0.6 半充填 1 WTK8 12.8 14.4 1.2 半充填 1 WTK10 30.3 31.6 0.7 半充填 1 WTK11 19.7 22.1 0.5 半充填 1 ZK1 12.2 13.4 1.5 全充填 1 ZK2 19.7 18.2 1.3 半充填 1 ZK3 18.6 16.4（土洞） 2.2 无 2 18.7 1.6 全充填 ZK4 12.3 12.4 0.5 全充填 2 13.2 1.5 ZK5 16.1 16.3 1.6 半充填 1 ZK6 20.2 20.7 2.4 半充填 2 23.6 1.3 半充填 ZK7 12.3 13.1 1.1 全充填 2 15.1 1.8 ZK8 12.1 12.5 2.3 全充填 1 ZK10 11.6 12.4 0.4 全充填 1 ZK12 20.9 21.0 4.2 全充填 2 26.1 6.7 ZK14 13.6 17.3 1.8 全充填 1 ZK15 21.4 18.1（土洞） 3.3 半充填 1 ZK16 19.1 19.6 2.3 全充填 2 22.2 0.5 ZK18 11.2 11.8 0.4 全充填 4 13.7 2.6 16.4 2.0 18.8 3.6 ZK19 10.8 12.9 1.9 无充填 2 16.1 1.1 无充填 ZK21 20.4 21.6 0.7 半充填 1 ZK26 15.6 15.9 1.3 半充填 1 ![]()
图 5 单个洞高分级与充填特征统计图Figure 5. Statistical diagram of height grading and filling characteristics of single hole3.3 物探异常区密集
33条高密度电阻率法测线及10条地震面波法勘探测线，共发现异常点334处，物探解译为岩溶发育区，多表现为溶沟、溶槽及溶洞，岩面一带岩溶发育，位置相近的岩溶发育带有连通性。代表性电阻率断面图及推测剖面图见图6。
![]()
图 6 代表性测线地震面波及视电阻率推断剖面图Figure 6. Seismic surface and apparent resistivity inferences of representative survey lines4. 岩溶地面塌陷机理
4.1 地层组成及岩溶发育强度
塌陷所在区域地层主要为第四系冲洪积层与泥盆系上统天子岭组组成。天子岭灰岩位于向斜核部地带，推测塌陷区有隐伏断裂经过，岩溶强发育，为地面塌陷形成具备空间条件。第四系土层主要由粉质黏土、粉砂及卵石组成，土体结构松散，孔隙大，透水性强，强烈的地下水活动作用对溶洞、洞隙通道中的松散充填物和上部第四系覆盖层产生潜蚀和淘蚀作用[14]，有利于塌陷的产生。
4.2 长期地表水与地下水剧烈波动
40余年来，北江河道塌陷区记录最高水位有1994年6月18日43.67 m（高于房屋室外地面标高3.17 m），2006年7月16日44.27 m（高于房屋室外地面标高3.77 m），比勘查期间附近WTK5钻孔地下水位37.24 m高出7.03 m。洪水淹没与退去时，第四系冲积层中的潜水位和岩溶地下水位均随地表水位波动，由于两者渗透性的差异，在波动过程中不但可产生有利于渗透潜蚀作用的附加水头，而且还产生正、负压力的作用[15]。覆盖层中砂、卵石层较厚，卵石与下伏灰岩直接接触，卵石透水性强，与北江水力联系密切，因此洪水来临时地下水位迅速抬升，产生正压力作用，洪水退去时又产生负压力，加剧了土洞的形成（图7），给塌陷形成了空间条件。
![]()
图 7 水位波动与土洞扩大关系图Figure 7. Diagram of water level fluctuation and soil cavity enlargement4.3 地下水动力条件变化
11月至次年2月初为降雨量极少的冬季，地下水位为一年最低时期，地下水的浮托作用减少或者散失，引发T4—T6塌陷。4—7月降雨量集中，地表径流冲刷强烈，地下水位迅速上升，溶蚀作用与搬运作用强，改变了上覆土体物理力学性质，引发T1—T3、T7塌陷。
5. 结论
沙口镇某村主要受地质构造及地下水影响，隐伏岩溶发育，在长期地下水位波动、潜蚀及淘蚀等作用下，上部松散盖层土体颗粒不断流失，进而形成土洞。随着土洞规模不断扩大，北江水位急剧变化形成正负压力等作用，土洞上部盖层散失承载能力发生塌陷。
岩溶地面塌陷已严重威胁沙口镇某村居民生命财产安全，并对其造成一定的伤害，当地居民十分恐慌。当地政府可采用回填与搬迁避让相结合的防治方案[16]，尽快解决当地居民生产生活问题。
-
![]()
图 5 模型误差与决策树数量关系
Figure 5. Relationship between model error and decision tree quantity
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 
下载: 导出CSV
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
下载: 导出CSV
-
[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)
计量
- 文章访问数: 499
- HTML全文浏览量: 219
- PDF下载量: 261
邮件订阅
RSS