ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD核心库期刊
  • Caj-cd规范获奖期刊
  • Scopus 收录期刊
  • DOAJ 收录期刊
  • GeoRef收录期刊
欢迎扫码关注“i环境微平台”

RF-BP神经网络耦合模型在城市地面塌陷易发性评价中的应用以杭州市典型区为例

于博帆, 邢怀学, 周丽玲, 严嘉兴, 张锦瑞, 徐美君

于博帆,邢怀学,周丽玲,等. RF-BP神经网络耦合模型在城市地面塌陷易发性评价中的应用−以杭州市典型区为例[J]. 中国地质灾害与防治学报,2025,36(3): 160-170. DOI: 10.16031/j.cnki.issn.1003-8035.202311017
引用本文: 于博帆,邢怀学,周丽玲,等. RF-BP神经网络耦合模型在城市地面塌陷易发性评价中的应用−以杭州市典型区为例[J]. 中国地质灾害与防治学报,2025,36(3): 160-170. DOI: 10.16031/j.cnki.issn.1003-8035.202311017
YU Bofan,XING Huaixue,ZHOU Liling,et al. Assessment of urban ground collapse susceptibility based on RF-BP neural network coupling model: A case study of typical areas in Hangzhou City[J]. The Chinese Journal of Geological Hazard and Control,2025,36(3): 160-170. DOI: 10.16031/j.cnki.issn.1003-8035.202311017
Citation: YU Bofan,XING Huaixue,ZHOU Liling,et al. Assessment of urban ground collapse susceptibility based on RF-BP neural network coupling model: A case study of typical areas in Hangzhou City[J]. The Chinese Journal of Geological Hazard and Control,2025,36(3): 160-170. DOI: 10.16031/j.cnki.issn.1003-8035.202311017

RF-BP神经网络耦合模型在城市地面塌陷易发性评价中的应用——以杭州市典型区为例

基金项目: 自然资源部滨海城市地下空间地质安全重点实验室开放基金项目(BHKF2022Z02)
详细信息
    作者简介:

    于博帆(2000—),男,湖北武汉人,地质工程专业,硕士研究生,主要研究安全生产管理与城市地质评价。E-mail:1378747279@qq.com

    通讯作者:

    邢怀学(1981—),男,山东青岛人,城市地质专业,硕士,正高级工程师,主要从事城市地质、环境地质调查研究工作。E-mail:57670204@qq.com

  • 中图分类号: P694

Assessment of urban ground collapse susceptibility based on RF-BP neural network coupling model: A case study of typical areas in Hangzhou City

  • 摘要:

    为了改变地面塌陷易发性评价主要通过知识驱动模型实现的现状,文章探讨了将数据驱动模型引入城市地面塌陷评价的可能性,选取杭州市填土-粉砂土典型区域为研究区,进行了研究区地面塌陷指标因子的选择以及相关性检验,筛选出了排水管线密度、社会活动密度、地下承压水位埋深、表层填土层厚度、与暗河暗浜距离、饱和砂土顶板埋深、软土层厚度7个评价因子对研究区地面塌陷易发性进行了评价,通过对比RF、I-RF集成模型、RF-BP神经网络模型,得到了在该研究区背景下集成模型相对单模型对地面塌陷易发性评价结果精确度更高,最后选取了效果最好的RF-BP神经网络集成模型进行了易发性评价。评价结果显示:易发性分区与地面塌陷隐患区高度吻合,预测效果较好,证明了数据驱动模型在城市地面塌陷易发性评价方面应用的可能性。

    Abstract:

    To improve the current situation where ground subsidence susceptibility assessment mainly relies on knowledge-driven models, this study explores the feasibility of incorporating data-driven models into the evaluation of urban ground subsidence. The study focused on a typical area in Hangzhou characterized by fill and silty soil. The selection of ground collapse indicators was conducted, followed by a correlation test. 7 evaluation factors, including drainage pipeline density, social activity density, depth of underground confined water level, thickness of surface fill layer, distance from hidden rivers and beaches, depth of the saturated sand top plate, and thickness of the soft soil layer, were selected for assessing the susceptibility to ground subsidence in the study area. By comparing the random forest (RF) model, RF-I integrated model, and RF-BP neural network integrated model, it was found that the integrated model had higher accuracy in assessing the susceptibility of ground collapses subsidence in this study area compared to single models. Ultimately, the RF-BP neural network integrated model, which showed the best performance, was chosen for susceptibility assessment. The assessment results indicated a high correlation between the susceptibility zones and areas prone to ground subsidence, indicating good prediction performance and proving the potential application of data-driven models in evaluating the susceptibility of urban ground collapses.

  • 城市地面沉降表现为自然与人类活动作用下,地表土层压缩变形、标高降低,是一种危害较大的缓变型环境地质灾害[12],威胁着低海拔城市运行安全与可持续发展。

    一直以来,国内外对城市区域性地面沉降的关注度很高,在地面沉降调查与监测、地面沉降特征及分区、地面沉降发展趋势预测、地面沉降影响因素及控制机理研究、地面沉降缓解与治理措施、地面沉降对社会经济影响及法规制订等方面[36]开展了广泛研究。在地面沉降风险评价方面,赵团芝等[78]研究表明InSAR技术在监测区域沉降方面具有可靠性与准确性。工程建设活动及第一软土层压缩变形是宁波市工程性地面沉降的主要原因。选取累计沉降量、沉降速率、第一软土层厚度、建筑容积率作为地面沉降风险性评价指标,绘制宁波市地面沉降风险区划图并提出地面沉降防治对策。

    风险评价被认为是一种能够有效管控滑坡、地面沉降、泥石流等灾害的理论方法。天津[910]、江苏沿海地区(连云港、盐城、南通)[11]、南京[12]、沧州[13]、北京[14]和阜阳[15]等地,结合各自地质环境与经济发展特点,建立反映当地地面沉降特征的风险评价体系并进行区划分析,目的是减少地面沉降给社会、经济带来损失[16]。InSAR技术能够在较大的范围监测地面沉降[17],但精度低于水准监测点;水准监测点适用于局部埋设,地面沉降结果更加准确[18],但由于成本原因布设数量有限、覆盖范围较小。

    本文利用宁波市2017—2020年已有InSAR监测、水准监测、基岩标等监测数据,从而在较大的区域范围内相对可靠地获取地面沉降监测数据,系统分析近年地面沉降分布特征和发展趋势,建立宁波市地面沉降风险评价体系,编制地面沉降风险区划图,从而为加强城市地质安全风险管控提供参考。

    宁波市历来重视地下水监测和地面沉降监测。宁波市地面沉降监测中心始建于1983年,曾是国内第三处较为先进的地质环境监测中心;1999年宁波市启动了首期“宁波市区地面沉降水准监测”项目;2014年在原地面沉降分层标的基础上新建地面沉降监测中心,监测范围覆盖宁波绕城高速以内的中心城区;同年,宁波启动了基于InSAR的地面沉降监测工作。本文采用5 m分辨率Radarsat-2 C InSAR遥感数据,使用卫星定位校正图像数据,以提高雷达图像的准确性和精度;InSAR数据处理主要包括预处理、差分干涉计算、时间/空间域形变估算、形变量计算等几个步骤,最终获得平均沉降速率和累积沉降量。

    对InSAR遥感监测数据与全市400余处沉降监测点数据统一分析,全市2020年平均沉降速率约为5.67 mm/a,年沉降量低于5 mm的区域面积为1 457.9 km2。宁波市形成的10余个地面沉降带,大多位于围垦区域、城市开发建设热点区域,地面沉降速率如图1所示,其中10余处沉降带分布见表1

    图  1  宁波市地面沉降速率概况
    Figure  1.  Overview of land subsidence rates in Ningbo City
    表  1  地面沉降风险区划影响因素数据来源
    Table  1.  Data sources of influencing factors for land subsidence risk zoning
    序号 沉降带名称 沉降中心
    1 杭州湾—泗门沉降带 前湾新区余姚泗门
    2 龙山—澥浦—招宝山沉降带 镇海化工区
    3 新碶—霞浦—大榭沉降带 新碶大榭沿海区域
    4 瞻岐—春晓—梅山沉降带 大嵩新区、春晓梅山围填海区
    5 余姚凤山—阳明—
    河姆渡沉降带
    凤山、阳明街道
    6 骆驼—庄桥—洪塘—
    高桥—集士港沉降带
    骆驼、庄桥、洪塘街道、
    高桥、集士港镇
    7 东部—鄞南—江口—
    西坞沉降带
    高新区、东部新城、南部商务区、
    江口、西坞街道
    8 环象山港沉降带 奉化莼湖、松岙、象山西周、贤庠
    9 新桥—东陈—丹城—
    大徐沉降带
    新桥、大目湾新城、大徐
    10 长街—高塘—南田沉降带 南部滨海新区、象山高塘、南田
    下载: 导出CSV 
    | 显示表格

    对宁波市2020年不同地面沉降速率范围的区域面积占比进行统计(图2)。

    图  2  宁波市地面沉降速率图
    Figure  2.  Land subsidence rate map of Ningbo City

    可以看到:除了水系、地面沉降不易发区和基岩山区以外,沉降速率低于10 mm/a的区域面积占比接近88%,全市大部分区域的地面沉降情况稳定、相对安全。沉降速率在10~20 mm/a的区域面积占比为8.63%,沉降速率在20~30 mm/a的区域面积占比为2.90%,沉降速率高于30 mm/a的区域面积占比为0.42%。鄞州中心区和东部新城的代表性监测点沉降量历年变化情况显示,随着城市开发建设的逐步完成,2个区域的沉降速率逐渐减缓,近3年沉降速率达到了历年的最低水平,但今年的沉降速率相较于全市平均沉降速率水平仍然偏高。

    图1图2总结宁波市地面沉降速率分布特征如下:

    (1)滨海区域沉降速率相对较大。鄞州瞻岐、北仑梅山岛等多处滨海区域沉降中心的平均沉降速率大于10 mm/a,其中最大值出现在象山新桥镇围填海区域,沉降中心平均沉降速率大于30 mm/a。

    (2)城市开发建设强度较大的区域沉降速率相对较大。南部商务区、东钱湖旅游度假区等区域沉降中心的平均沉降速率多在20~40 mm/a。

    (3)中心城区沉降速率相对较大。海曙高桥、江北洪塘等主要沉降中心的沉降速率多在10~30 mm/a。

    综上所述,工程建设引发的地面沉降在城市规划建设集聚区日益凸显,比如东部新城、鄞州中心区、奉化主城区和沿海产业带等开发强度大、地质环境条件脆弱的地区年度沉降速率较大;大规模工程建设活动是宁波市地面沉降发生发展的主要因素,在后续地面沉降风险评价体系构建中需加以考虑。

    地面沉降风险评价属于对复杂系统的定量化分析过程。一般采用线性加权模型,而权系数的确定又可通过层次分析、专家打分或二者综合得出[19]。地面沉降的风险评价模型通常可表示为:I=I危险性·I易损性,分析灾害因子的危险性、承灾体的脆弱性,根据地面沉降危险性评价指标、易损性评价指标结合风险评价模型开展宁波市地面沉降风险评价研究。前人研究[3, 7, 19]表明地面沉降危险性评价指标中具有代表性的因子主要包括:地面累计沉降量、沉降速率、软土层厚度、填土厚度、地面建筑荷载、地下水位变化速率、地壳运动速率等;地面沉降易损性评价指标中具有代表性的因子主要包括:地面高程、沉降易发程度、交通线路分布、人口密度、单位面积GDP、建成区面积比重、重要水系密度等。

    除了地面高程、地面累计沉降量、沉降速率等常规地面沉降风险因子,对于人口净流入为正、城市建设高速发展的宁波市,城市人口密度、建设用地比重也应被重点考虑。从宁波市不同区域的地面沉降历史数据来看,地面沉降速率较高的区域如市区、滨海围垦区域、城市开发热点区域等,与上述因子密切相关。

    宁波市位于中国东南沿海的潮汐平原区,具有深厚软土层和广泛分布的松散层,含水层较多;地下水开采强度对地面沉降的影响已深入人心,且多年平均沉降速率预示着沉降易发程度,因此对于宁波市而言,除了地面沉降危险性评价因子、易损性评价因子,地面沉降易发程度作为1个综合性评价因子十分必要。

    因此,本文构建的地面沉降风险评价体系如图3所示。首先考虑地质条件、水文地质条件、人为活动等的影响,对地面沉降易发程度进行分区,进而将地面沉降易发程度作为地面沉降风险评价体系中的1个综合性评价因子,并联合地面高程、地面累计沉降量、沉降速率、城市人口密度、建设用地比重等5个评价因子进行评价。

    图  3  宁波市地面沉降风险评价体系
    Figure  3.  Land subsidence risk assessment system for Ningbo City

    浙江省自然资源厅印发的《浙江省城市地质安全风险“一张图”编制技术指南》根据浙江省沿海平原地面沉降形成机理,结合长期地面沉降监测成果,通过“经验总结+专家打分”相结合的方法,采用如德尔菲法(delphi method)或层次分析法(analytic hierarchy process,AHP)来汇总专家的意见、通过多轮迭代和反馈,使专家意见逐渐收敛,综合确定了各评价指标权重。各项指标权重及等级划定见表2

    表  2  地面沉降风险区划影响因素权重及分级
    Table  2.  Weight and classification of factors influencing land subsidence risk zoning
    影响因素 权重
    aj
    影响因素分级及分值(bj
    3 2 1
    地质条件 地面高程/m 0.2 <2 2~4 >4
    易发程度 0.1 高易发 中易发 低易发
    沉降特征 地面累计沉降量/mm 0.2 >1 000 500~1 000 <500
    沉降速率/(mm·a−1 0.3 >40 20~40 <20
    社会经济
    发展指标
    城市人口密度/(万人·km−2 0.1 0.2 0.1~<0.2 <0.1
    建设用地比重/% 0.1 >60 30~60 <30
    下载: 导出CSV 
    | 显示表格

    通过逐一确定各评价因素的等级,再将各因素等级分值与其权重相乘得到单因素分值,最后将各因素分值累加,从而得到地面沉降综合风险指数(W),按表3划分风险区等级。轨道交通建设过程中地下盾构隧道开挖也容易引起地面沉降发生发展[2022],根据浙江省自然资源厅印发的《浙江省城市地质安全风险“一张图”编制技术指南》,将高铁、轨道交通等重大工程保护区两侧200 m范围划为地面沉降风险防控带。

    表  3  地面沉降风险区等级划分表
    Table  3.  Classification table of land subsidence risk zone levels
    风险区等级 高风险区 中风险区 低风险区
    地面沉降综合风险指数(W >2.5~3.0 1.5~2.5 <1.5
    下载: 导出CSV 
    | 显示表格

    综合风险指数(W)计算公式如下:

    W=j=1najbj (1)

    式中:W——地面沉降综合风险指数;

    aj——j类影响因素的权重;

    bj——j类影响因素的分值。

    以区内第四纪松散层分布厚度、土层力学性质及空间分布、含水层发育层数及富水性、浅部主要压缩层发育等为主要因素,开展宁波市地面沉降易发程度评价;根据评价结果进行易发程度分区,分为高易发、中易发、低易发和不易发区等四个级别。根据《地质灾害危险性评估规范》(DB33/T 881—2012)[23],用于地面沉降易发程度等级划分的综合分值计算公式为:

    A=i=1nσiτi (2)

    式中:A——综合分值;

    σi、τi——分别为地面沉降i项影响因素相应的量 化指标赋分及权重,参考《地质灾害危 险性评估规范》(DB33/T 881—2012)[23] 取值。

    地面沉降易发程度分区结果表明:宁波市地面沉降无高易发区,中、低易发区主要与区内全新世软土层厚大、历史上大量开采地下水、局部高强度城市建设以及沿海围垦工程等因素有关。

    风险区划采用的影响因素包括地面高程、易发程度、地面累积沉降量、沉降速率、城市人口密度和建设用地比重,各项数据的来源情况见表4

    表  4  地面沉降风险区划影响因素数据来源
    Table  4.  Data sources of influencing factors for land subsidence risk zoning
    数据名称 单位 数据来源
    地面高程 m 2019年宁波市各区县高程数字模型
    (1∶10 000 DEM)
    易发程度 依据《地质灾害危险性评估规范》
    (DB33/T 881—2012)的计算结果
    地面累计
    沉降量
    mm InSAR遥感监测数据与沉降点监测数据
    沉降速率 mm·a−1 InSAR遥感监测数据与沉降点监测数据
    城市人口
    密度
    万人·km−2 宁波市统计年鉴(2020)
    建设用地
    比重
    % 第三次全国国土调查成果(2020)
    下载: 导出CSV 
    | 显示表格

    地面沉降风险等级计算和分析采用栅格计算方式进行。首先将表4中6类影响因素的源数据导入至GIS软件并进行整理;然后分别对各影响因素的数据结果进行栅格划分,即由矢量形式转为栅格形式(栅格像元大小40 m×40 m),以城市人口密度为例,可得如图4(a)所示结果;进一步根据表2中的分值标准对各影响因素的栅格数据进行重新赋值得到如图4(b)所示结果;接着利用GIS软件中的栅格计算工具将各影响因素的栅格分值数据乘以相应的权重并相加,获得结果后根据表3进行地面沉降风险区等级划分;最后对划分结果进行矢量化即可得到最终的地面沉降风险区划图。本文中地理底图采用国家最新版 CGCS 2000大地坐标系,成图的比例尺为 1∶50000,图中仅保留必要水系、交通、行政界线、地名等主要地理要素,以不同颜色代表不同风险区划结果。

    图  4  宁波市城市人口密度栅格数据图
    Figure  4.  Grid data map of urban population density in Ningbo City

    宁波市地面沉降风险区划结果如图5所示,宁波市全域无高风险区;中风险区面积132.6 km2,占比3.2%;低风险区面积2 214.8 km2,占比53.0%;中风险区、低风险区、水系、基岩山区以外的区域,为不易发区,面积1827.9 km2,占比43.8%。相应地,本文1.2节也对宁波市2020年不同地面沉降速率区域的面积占比进行了统计,沉降速率>20 mm/a面积占比3.3%、5~20 mm/a面积占比34.5%、0~5 mm/a面积占比62.1%。地面沉降速率等监测结果作为地面沉降风险评价的关键指标之一,与地面沉降风险区划结果存在着较强的相关性。需要注意的是,地面沉降风险也受到软土层厚度、含水层数量、人口密度、建设用地比重等因素的影响,因此风险区划分结果与地面沉降监测结果又存在一定的差别。

    图  5  宁波市地面沉降风险区划图
    Figure  5.  Ground subsidence risk zoning map of Ningbo City

    地面沉降会对建(构)筑物和各类基础设施带来影响,造成建筑物地基下沉、房屋开裂、道路沉降、地下管线受损,形成的地面沉降漏斗会降低防洪排涝工程效能,台风暴雨时会造成大面积积水、加剧洪涝灾害。大面积均匀/不均匀沉降也会影响城市建设和资源开发,不利于城市基础设施的运营维护;对于滨海城市,造成的高程损失会带来海水倒灌等风险。因此,针对宁波市不同的地面沉降风险区分别提出管控建议(表5)。

    表  5  宁波市地面沉降风险区管控建议一览表
    Table  5.  Summary of control recommendations for ground subsidence risk zones in Ningbo City
    风险区等级 面积/km2 管控建议
    地面沉降
    中风险区
    132.6 ①严格执行地下水禁、限采区管理要求;
    ②进一步完善“空天地一体化”监测网络,提高地下水位、地面沉降监测频率,提高围填海区域的监测点密度;
    ③加强重大工程建设项目地面沉降综合防治方案制定;
    ④加强地面沉降网络和数据库建设,形成与城市线状市政工程建设、运营单位的沉降监测数据共享,各方协同防治沉降的机制
    地面沉降
    低风险区
    2 214.8 ①继续严格贯彻地下水禁、限采区管理要求;
    ②进一步完善和优化地面沉降和地下水监测网络,加强日常监管;
    ③合理布局城市建设规划,加强深基坑等工程建设活动引发的地面沉降监测与管理
    地面沉降
    风险防控带
    ①加强高铁、轨道交通沿线两侧的地下水开发利用及邻近工程降排水管理;
    ②推进沿线地面沉降监测及系统预警机制建设,加强建设与重大工程密切相关的浅部含水层地下水监测井,完善地面沉降监测网络。
    下载: 导出CSV 
    | 显示表格

    (1)结合2017—2020年宁波市InSAR遥感监测数据与水准监测点数据,利用InSAR技术在较大范围内监测地面沉降、利用水准监测点更为准确地在局部测量地面沉降,从而在较大区域范围内相对可靠地获取地面沉降数据。结果表明全市形成的十余个沉降带,大多位于围垦区域、城市开发建设热点区域。

    (2)选取地面高程、沉降易发程度、地面累计沉降量、沉降速率、城市人口密度、建设用地比重等6个评价因子建立地面沉降风险评价体系;其中沉降易发程度为综合考虑地质条件、水文地质条件、人为活动影响后的综合性评价因子。从而根据宁波市沿海平原地面沉降形成机理,结合长期地面沉降监测成果,采取“经验总结+专家打分”相结合的方法综合确定各评价指标、权重、分级,形成评价体系。

    (3)地面沉降风险区划结果表明,宁波市全域无高风险区,中风险区面积占比3.2%,低风险区面积占比53.0%,不易发区面积占比43.8%;设置高铁、轨道交通等重大工程保护区两侧200 m范围为地面沉降风险防控带。在此基础上,提出了相应的管控建议如严格执行地下水开采管理、优化地面沉降监测网络、针对重大工程开展监测及管理等。

  • 图  1   研究区地理位置图

    Figure  1.   Geographical location map of the study area

    图  2   研究区典型第四纪地质剖面图

    Figure  2.   Typical quaternary geological cross-sectional profile map of the study area

    图  3   饱和砂土区管道破损引发地面塌陷过程

    注:a为原始地层及管道结构;b为管道破损吸入饱和砂土层;c为地下形成空洞地面开始变形;d为地面塌陷形成。

    Figure  3.   The collapse process caused by pipeline damage in saturated sand area

    图  4   信息量-随机森林集成模型结构图

    Figure  4.   Structure diagram of RF-BP neural network coupled model

    图  5   随机森林-BP神经网络耦合模型结构图

    Figure  5.   Structure diagram of random forest-BP neural network coupled model

    图  6   研究区地面塌陷评价因子分级图

    Figure  6.   Grading map of ground collapse evaluation factors in the study area

    图  7   评价因子相关性热力图

    Figure  7.   Heatmap of correlation of evaluation factors

    图  8   3种评价模型的ROC曲线对比

    Figure  8.   Comparison of ROC curves of three evaluation models

    图  9   研究区地面塌陷易发性因子贡献程度雷达分布图

    Figure  9.   Radar distribution map of contributing factors to ground collapse susceptibility in the study area

    图  10   RF-BP神经网络模型研究区地面塌陷灾害易发性因子分区图

    Figure  10.   RF-BP neural network model study area ground collapse disaster susceptibility factor zoning map

    表  1   研究区部分典型塌陷点垂向分布特征

    Table  1   Table of vertical distribution characteristics of some typical collapse points in the study area

    位置 塌陷深度/m 填土厚度/m 5~10 m内岩性组合 塌陷示意图
    滨江区闻涛路江陵路路口附近塌陷 0.8 4.1 填土-砂质粉土
    滨江区西兴路和丹枫路交叉口塌陷 1.5 0.9 填土-砂质粉土
    滨江区通和路空洞隐患 1.7 1.7 填土-砂质粉土
    下载: 导出CSV

    表  2   研究区地面塌陷灾害易发性分区表

    Table  2   Susceptibility zoning table for ground collapse disasters in the study area

    滑坡灾害
    易发性等级
    分区面积
    /km2
    占总面积比
    /%
    地面塌陷
    隐患区数量/个
    占总灾害
    数量比/%
    低易发 13.97 37.87 0 0
    中易发 3.20 8.68 1 4.76
    高易发 13.10 35.52 5 23.81
    极高易发 6.61 17.93 15 71.43
    下载: 导出CSV
  • [1] 刘伟. 我国地质灾害调查统计与分析[J]. 采矿技术,2021,21(5):100 − 103. [LIU Wei. Investigation,statistics and analysis of geological disasters in China[J]. Mining Technology,2021,21(5):100 − 103. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1671-2900.2021.05.029

    LIU Wei. Investigation, statistics and analysis of geological disasters in China[J]. Mining Technology, 2021, 21(5): 100 − 103. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-2900.2021.05.029

    [2] 邵泽斐,马青山,葛伟亚,等. 杭州市地面沉降重点区土体压缩和固结特性研究——以试验孔HZ22J06为例[J/OL]. 华东地质, 2024:1 − 10. (2024-10-22). [SHAO Zefei,MA Qingshan,GE Weiya,et al. Study on characteristics of soil compression and consolidation in key areas of land subsidence in Hangzhou:Taking experimental hole HZ22J06 as an example[J/OL]. East China Geology,2024:1 − 10. (2024-10-22). https://link.cnki.net/doi/10.16788/j.hddz.32-1865/P.2023.05.001.]

    SHAO Zefei, MA Qingshan, GE Weiya, et al. Study on characteristics of soil compression and consolidation in key areas of land subsidence in Hangzhou: Taking experimental hole HZ22J06 as an example[J/OL]. East China Geology, 2024: 1 − 10. (2024-10-22). https://link.cnki.net/doi/10.16788/j.hddz.32-1865/P.2023.05.001.

    [3] 雷廷, 马青山, 葛伟亚, 等. 地面沉降钻孔全断面光纤多参量精细化监测——以杭州萧山区山末址村为例[J]. 华东地质,2024,45(4):452 − 465. [LEI Ting, MA Qingshan, GE Weiya, et al. Full section multi-parameter precise monitoring of fiber optic in land subsidence borehole: A case study of Shanmozhi Village, Xiaoshan District of Hangzhou[J]. East China Geology,2024,45(4):452 − 465. (in Chinese with English abstract)]

    LEI Ting, MA Qingshan, GE Weiya, et al. Full section multi-parameter precise monitoring of fiber optic in land subsidence borehole: A case study of Shanmozhi Village, Xiaoshan District of Hangzhou[J]. East China Geology, 2024, 45(4): 452 − 465. (in Chinese with English abstract)

    [4] 于翠翠,刘兰玉,李传生,等. 基于AHP法的鲁中某高铁岩溶塌陷易发性评价[J]. 山东国土资源,2023,39(2):42 − 49. [YU Cuicui,LIU Lanyu,LI Chuansheng,et al. Karst collapse risks evaluation of a high-speed railway in central Shandong based on AHP method[J]. Shandong Land and Resources,2023,39(2):42 − 49. (in Chinese with English abstract)]

    YU Cuicui, LIU Lanyu, LI Chuansheng, et al. Karst collapse risks evaluation of a high-speed railway in central Shandong based on AHP method[J]. Shandong Land and Resources, 2023, 39(2): 42 − 49. (in Chinese with English abstract)

    [5]

    XIE Yanhua,ZHANG Binghui,LIU Yuxin,et al. Evaluation of the karst collapse susceptibility of subgrade based on the AHP method of ArcGIS and prevention measures:A case study of the Quannan expressway,section K1379+300 - K1471+920[J]. Water,2022,14(9):1432. DOI: 10.3390/w14091432

    [6] 庄树裕. 基于模糊层次分析法的龙岩市永定区岩溶塌陷灾害易发性评估分析[J]. 福建地质,2022,41(4):323 − 331. [ZHUANG Shuyu. Evaluation of karst collapse disaster susceptibility in Yongding District,Longyan City based on fuzzy hierarchical analysis[J]. Geology of Fujian,2022,41(4):323 − 331. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1001-3970.2022.04.008

    ZHUANG Shuyu. Evaluation of karst collapse disaster susceptibility in Yongding District, Longyan City based on fuzzy hierarchical analysis[J]. Geology of Fujian, 2022, 41(4): 323 − 331. (in Chinese with English abstract) DOI: 10.3969/j.issn.1001-3970.2022.04.008

    [7] 江思义,吴福,黄希明,等. 基于专家-层次分析法的岩溶地面塌陷易发性评价——以广西平桂区为例[J]. 矿产勘查,2021,12(11):2294 − 2302. [JIANG Siyi,WU Fu,HUANG Ximing,et al. Evaluation of vulnerability of karst collapse based on expert-analytic hierarchy process:A case study of Pinggui Distric,Guangxi[J]. Mineral Exploration,2021,12(11):2294 − 2302. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1674-7801.2021.11.014

    JIANG Siyi, WU Fu, HUANG Ximing, et al. Evaluation of vulnerability of karst collapse based on expert-analytic hierarchy process: A case study of Pinggui Distric, Guangxi[J]. Mineral Exploration, 2021, 12(11): 2294 − 2302. (in Chinese with English abstract) DOI: 10.3969/j.issn.1674-7801.2021.11.014

    [8] 王桂林,强壮,曹聪,等. 基于地理探测器与层次分析法的岩溶地面塌陷易发性评价——以重庆中梁山地区为例[J]. 中国岩溶,2022,41(1):79 − 87. [WANG Guilin,QIANG Zhuang,CAO Cong,et al. Evaluation of susceptibility to karst collapse based on the geodetector and analytic hierarchy method:An example of the Zhongliangshan area in Chongqing[J]. Carsologica Sinica,2022,41(1):79 − 87. (in Chinese with English abstract)] DOI: 10.11932/karst2021y08

    WANG Guilin, QIANG Zhuang, CAO Cong, et al. Evaluation of susceptibility to karst collapse based on the geodetector and analytic hierarchy method: An example of the Zhongliangshan area in Chongqing[J]. Carsologica Sinica, 2022, 41(1): 79 − 87. (in Chinese with English abstract) DOI: 10.11932/karst2021y08

    [9] 陈芯宇,师芸,赵侃,等. 基于CF融入SSA优化SVM和RF模型的滑坡易发性评价[J]. 西安理工大学学报,2023,40(1):121 − 131. [CHEN Xinyu, SHI Yun, ZHAO Kan, et al. Landslide susceptibility evaluation based on CF integrated with SSA to optimize SVM and RF models[J]. Journal of Xi’an University of Technology, 2023,40(1): 121 − 131. (in Chinese with English abstract)]

    CHEN Xinyu, SHI Yun, ZHAO Kan, et al. Landslide susceptibility evaluation based on CF integrated with SSA to optimize SVM and RF models[J]. Journal of Xi’an University of Technology, 2023, 40(1): 121 − 131. (in Chinese with English abstract)

    [10]

    COROMINAS J,VAN WESTEN C,FRATTINI P,et al. Recommendations for the quantitative analysis of landslide risk[J]. Bulletin of Engineering Geology and the Environment,2014,73(2):209 − 263.

    [11] 陈水满,赵辉龙,许震,等. 基于人工神经网络模型的福建南平市滑坡危险性评价[J]. 中国地质灾害与防治学报,2022,33(2):133 − 140. [CHEN Shuiman,ZHAO Huilong,XU Zhen,et al. Landslide risk assessment in Nanping City based on artificial neural networks model[J]. The Chinese Journal of Geological Hazard and Control,2022,33(2):133 − 140. (in Chinese with English abstract)]

    CHEN Shuiman, ZHAO Huilong, XU Zhen, et al. Landslide risk assessment in Nanping City based on artificial neural networks model[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(2): 133 − 140. (in Chinese with English abstract)

    [12] 屠水云,张钟远,付弘流,等. 基于CF与CF-LR模型的地质灾害易发性评价[J]. 中国地质灾害与防治学报,2022,33(2):96 − 104. [TU Shuiyun,ZHANG Zhongyuan,FU Hongliu,et al. Geological hazard susceptibility evaluation based on CF and CF-LR model[J]. The Chinese Journal of Geological Hazard and Control,2022,33(2):96 − 104. (in Chinese with English abstract)]

    TU Shuiyun, ZHANG Zhongyuan, FU Hongliu, et al. Geological hazard susceptibility evaluation based on CF and CF-LR model[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(2): 96 − 104. (in Chinese with English abstract)

    [13] 曾斌,吕权儒,寇磊,等. 基于Logistic回归和随机森林的清江流域长阳库岸段堆积层滑坡易发性评价[J]. 中国地质灾害与防治学报,2023,34(4):105 − 113. [ZENG Bin,LYU Quanru,KOU Lei,et al. Susceptibility assessment of colluvium landslides along the Changyang section of Qingjiang River using Logistic regression and random forest methods[J]. The Chinese Journal of Geological Hazard and Control,2023,34(4):105 − 113. (in Chinese with English abstract)]

    ZENG Bin, LYU Quanru, KOU Lei, et al. Susceptibility assessment of colluvium landslides along the Changyang section of Qingjiang River using Logistic regression and random forest methods[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(4): 105 − 113. (in Chinese with English abstract)

    [14] 冉星星. 基于机器学习的深圳市地面坍塌灾害风险评估[D]. 荆州:长江大学,2023. [RAN Xingxing. Risk assessment of ground collapse in Shenzhen based on machine learning[D]. Jingzhou:Yangtze University,2023. (in Chinese with English abstract)]

    RAN Xingxing. Risk assessment of ground collapse in Shenzhen based on machine learning[D]. Jingzhou: Yangtze University, 2023. (in Chinese with English abstract)

    [15] 王子童. 煤矿采空区地面塌陷危险性评价与三维可视化[D]. 西安:西安科技大学,2021. [WANG Zitong. Risk evaluation and three-dimensional visualization of ground collapse in coal mine goaf[D]. Xi’an:Xi’an University of Science and Technology,2021. (in Chinese with English abstract)]

    WANG Zitong. Risk evaluation and three-dimensional visualization of ground collapse in coal mine goaf[D]. Xi’an: Xi’an University of Science and Technology, 2021. (in Chinese with English abstract)

    [16]

    NAKAMURA H,KUBOTA T,FURUKAWA M,et al. Unified construction of running track tunnel and crossover tunnel for subway by rectangular shape double track cross-section shield machine[J]. Tunnelling and Underground Space Technology,2003,18(2/3):253 − 262.

    [17] 黄发明,胡松雁,闫学涯,等. 基于机器学习的滑坡易发性预测建模及其主控因子识别[J]. 地质科技通报,2022,41(2):79 − 90. [HUANG Faming,HU Songyan,YAN Xueya,et al. Landslide susceptibility prediction and identification of its main environmental factors based on machine learning models[J]. Bulletin of Geological Science and Technology,2022,41(2):79 − 90. (in Chinese with English abstract)]

    HUANG Faming, HU Songyan, YAN Xueya, et al. Landslide susceptibility prediction and identification of its main environmental factors based on machine learning models[J]. Bulletin of Geological Science and Technology, 2022, 41(2): 79 − 90. (in Chinese with English abstract)

    [18]

    GONÇALVES L,SUBTIL A,OLIVEIRA M R,et al. ROC curve estimation:An overview[J]. REVSTAT-Statistical journal,2014,12(1):1 − 20.

    [19] 吴宏阳,周超,梁鑫,等. 基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划[J]. 中国地质灾害与防治学报,2023,34(5):141 − 152. [WU Hongyang,ZHOU Chao,LIANG Xin,et al. Assessment of landslide susceptibility mapping based on XGBoost model:A case study of Yanshan Township[J]. The Chinese Journal of Geological Hazard and Control,2023,34(5):141 − 152. (in Chinese with English abstract)]

    WU Hongyang, ZHOU Chao, LIANG Xin, et al. Assessment of landslide susceptibility mapping based on XGBoost model: A case study of Yanshan Township[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(5): 141 − 152. (in Chinese with English abstract)

    [20] 牟家琦,庄建琦,王世宝,等. 基于深度神经网络模型的雅安市滑坡易发性评价[J]. 中国地质灾害与防治学报,2023,34(3):157 − 168. [MOU Jiaqi,ZHUANG Jianqi,WANG Shibao,et al. Evaluation of landslide susceptibility in Ya’an City based on depth neural network model[J]. The Chinese Journal of Geological Hazard and Control,2023,34(3):157 − 168. (in Chinese with English abstract)]

    MOU Jiaqi, ZHUANG Jianqi, WANG Shibao, et al. Evaluation of landslide susceptibility in Ya’an City based on depth neural network model[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(3): 157 − 168. (in Chinese with English abstract)

图(10)  /  表(2)
计量
  • 文章访问数:  197
  • HTML全文浏览量:  46
  • PDF下载量:  43
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-11-19
  • 修回日期:  2024-04-01
  • 录用日期:  2024-05-13
  • 网络出版日期:  2025-02-09
  • 刊出日期:  2025-06-24

目录

/

返回文章
返回