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

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

于博帆^{1, 2,},
邢怀学^{1, 3, ,},
周丽玲^{4, 5},
严嘉兴²,
张锦瑞²,
徐美君⁶

1.
中国地质调查局南京地质调查中心，江苏南京　210016
2.
中国地质大学（武汉）地质调查研究院，湖北武汉　430074
3.
自然资源部城市地下空间探测评价技术创新中心，江苏南京　210016
4.
浙江省地质院，浙江杭州　310007
5.
自然资源部浙江沿海城市地质安全野外科学观测研究站，浙江杭州　310007
6.
自然资源部滨海城市地下空间地质安全重点实验室，山东青岛　266101

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
计量
- 文章访问数: 104
- HTML全文浏览量: 24
- PDF下载量: 43
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

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

Bofan YU^{1, 2,},
Huaixue XING^{1, 3, ,},
Liling ZHOU^{4, 5},
Jiaxing YAN²,
Jinrui ZHANG²,
Meijun XU⁶

1.
Nanjing Center, China Geological Survey, Nanjing, Jiangsu　210016, China
2.
The Institute of Geological Survey of China University of Geosciences, Wuhan, Hubei　430074, China
3.
Ministry af Natural Resources Engineering Innovation Center for Urban Underground Space Exploration and Evaluation, Nanjing, Jiangsu　210016, China
4.
Zhejiang Institute of Geosciences, Hangzhou, Zhejiang　310007, China
5.
Observation and Research Station of Zhejiang Coastal Urban Geological Security，Ministry of Natural Resources, Hangzhou, Zhejiang　310007, China
6.
Laboratory of Geological Safety of Underground Space in Coastal Cities, Ministry of Natural Resources, Qingdao, Shandong　266101, China

HTML全文

摘要

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。
- 地面塌陷灾害 /
- 易发性评价 /
- 机器学习模型 /
- 评价因子选取
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.
- ground collapse disaster /
- susceptibility assessment /
- machine learning model /
- selection of evaluation factors

HTML全文

0. 引言

我国是世界上受地震灾害影响最为严重的国家之一。尤其是青藏高原、四川盆地、云贵高原等第一、第二级阶梯艰险山区，地震不仅能够在震时造成严重的破坏，同时也引发大量的同震崩塌滑坡，造成严重的破坏^[1]。以2014年8月3日云南鲁甸地区6.5级地震为例，同震崩塌滑坡灾害所造成的死亡和失踪人数约占总人数的30%^[2-4]。此外，同震崩塌滑坡形成的堰塞坝和松散堆积物也是导致溃坝洪水、次生泥石流等链生灾害的主要诱因^[5-6]，使得主震后一段时间内地质灾害发灾趋势显著增强。因此，如何准确、快速地对同震崩塌滑坡进行识别和定位是灾后恢复与建设所需优先解决的问题之一。

在遥感技术广泛运用于地质灾害领域前，同震崩塌滑坡的调查通常以人工踏勘为主。虽然识别结果详细准确，但效率较低，且震后区域地形陡峭、人力难至、危险性较高，因此覆盖面和适用性受限^[7-8]。随着遥感技术逐渐成熟，星载和机载的光学遥感影像等数据获取成本显著降低，基于光学遥感影像提取区域内同震崩塌滑坡、泥石流等灾点信息的技术已成为主要手段。例如，汶川地震之后，遥感手段就广泛用于同震地质灾害的解译中，为同震地质灾害的快速编目提供了有力支撑^[9]。总体而言，现有的识别方法可以分为三类：（1）变化检测方法。这种方法需要有同一位置的两期或多期遥感数据，找出因同震崩塌滑坡引起的变化区域，数据源可以是二维光学影像，也可以是三维地形数据^[10-11]。变化检测对新生崩塌体的应用效果较好，但是需要具有时间序列的遥感数据，通常此类数据较难获取；（2）机器学习方法。常用的有贝叶斯、逻辑回归、支持向量机和人工神经网络等算法^[12-13]。这类方法在数据准备部分需要提取所使用数据的各类相关特征，然后使用各种分类器进行同震崩塌滑坡识别，其自动化程度相较于前述方法更高。但机器学习方法的特征选择和超参数调试工作量较大；（3）特征阈值方法。这种方法多使用基于像素的方法或基于对象的多尺度分割方法，对同震崩塌滑坡区域的光谱、纹理、地貌或地形等特征进行统计，设置一种或者多种阈值进行崩塌体识别^[14-16]。其判断精度高，工作量相对较小，但是由于其判断标准为特定区域特定特征的统计值，目前，无论是规范还是已有研究都未形成统一标准。

目前基于光学遥感影像解译同震崩塌滑坡已逐渐发展成为一种较为可行的解决方案。我们在前期研究^[17-19]中，针对传统二值化分割方法^[20-21]在遥感影像解译中所存在的受高灰度地物干扰等问题，提出了基于蒙特卡洛迭代来对全色波段影像进行随机分块，并对局部影像采用大津（Otsu）方法进行二值化分割，从而区分震裂物源前景与其他地物背景。该方法能够克服目前基于全局阈值二值化分割方法在区域影像光照不均、山体阴影遮挡或复杂地物背景等因素对解译结果的干扰。但是，该方法依然存在误报率（或假阳率）较高的问题，即一些相似灰度的地物被误判为同震崩塌滑坡。我们在研究^[19]中发现，以2008年汶川地震北川地区的解译结果为例，误判为同震崩塌滑坡的地物通常是一些裸露的河漫滩、开垦的斜坡等与同震崩塌滑坡具有相似的灰度特征的地物，尤其是在地形DEM模型分辨率较低时，无法利用我们所提出的光学影像与地形坡度的融合方法进行区分。因此，如何进一步降低解译结果中的假阳性问题，从而提高同震崩塌滑坡解译精度是目前需要研究与解决的关键问题。

围绕上述问题，本研究针对复杂艰险山区地质灾害区域遥感影像特点和已有解译方法中产生的假阳性地物几何特征进行了分析，进而提出了一种遥感影像多特征策略融合的同震崩塌滑坡解译方法。该方法在我们已提出的局部阈值二值化识别分析的方法基础^[18]上，进一步引入归一化植被指数（NDVI）特征^[22-25]和主轴特征^[26-27]，通过融合地形坡度特征、主轴轴向特征、NDVI特征，来排除灰度特性与同震崩塌滑坡相似的平缓区域对解译结果的干扰、河岸边裸露的河漫滩等沿水系流向的长条形地物的干扰以及植被区对识别结果的干扰，从而实现高精度同震崩塌滑坡的检测解译识别。最后，以2014年云南鲁甸地震龙头山镇区域为研究区，利用震后获取的高分一号（GF-1）卫星影像数据及数字高程模型对该区域同震崩塌滑坡进行了解译识别，从而验证本文所提出的方法的准确性和可行性。

1. 方法与模型

本研究首先利用局部阈值二值化方法对影像同震崩塌滑坡进行初步解译，再针对识别结果出现的假阳性地物，通过坡度信息、主轴特征因子和NDVI指数进行二次分析与判断。通过目标区域的坡度筛选，排除灰度特性与同震崩塌滑坡相似的平缓区域对解译结果的干扰；辅以目标区域的主轴分析，排除长条形地物对解译结果的干扰；最后结合目标区域的NDVI指数特征，避免将高植被覆盖区域误检为同震崩塌滑坡，进而提高同震崩塌滑坡解译精度。方法具体操作流程见图1。

图 1 方法流程示意图

Figure 1. Schematic diagram of the proposed method

下载: 全尺寸图片幻灯片

1.1 局部阈值二值化

同震崩塌滑坡识别的本质是对光学影像中潜在的物源区域进行分割操作。针对同一幅影像上不同部分具有不同灰度的现象，利用单一的全局阈值无法对影像细节做出较好地分割。因此，本研究采用局部阈值二值化方法对影像进行初步分割，来进行同震崩塌滑坡识别。

局部阈值二值化方法首先利用蒙特卡洛迭代来对影像进行随机分块，对分块后的局部影像采用经典大津（Otsu）二值化方法来区分识别目标的前景与背景。根据蒙特卡洛迭代结果的置信度来判断像元是否属于崩塌体。基于全色影像与地形数据融合的崩塌体识别方法具体操作思路如下：

（1）对 $H \times W$ 大小的影像进行蒙特卡洛随机分块，共设置N步蒙特卡洛计算步，H和W分别指代影像随机分块的高度和宽度。

（2）通过每次计算步获得的蒙特卡洛随机分块图像(大小为 $H \times W$ )。

（3）对上述图像块进行经典大津（Otsu）二值化阈值处理，获得每个像元在第 $k$ 次蒙特卡洛计算步的二值化分割结果 $f_{k} (x, y)$ ，其中 $k < N$ 。

（4）对每次蒙特卡洛计算步获得的像元分割结果进行二值化概率分布统计。

p (x, y) = \frac{1}{N} \sum_{k = 1}^{N} f_{k} (x, y)

(1)

（5）设置置信度 $T_{P}$ 为概率阈值，大于 $T_{P}$ 为前景目标，小于 $T_{P}$ 则为背景杂波。我们在研究^[18] 中发现，当 $T_{P} = 0.80$ 具有较好的效果，即假设100次蒙特卡洛迭代计算中，某像元有80次以上被判识为目标前景，则该像元在最终结果中被判为同震崩塌滑坡。

基于局部阈值二值化的全色影像同震崩塌滑坡识别方法的具体思路如图2所示。

图 2 全色影像局部阈值二值化初步检测流程图

Figure 2. Flow chart of collapse identification for panchromatic image based on local threshold binarization

下载: 全尺寸图片幻灯片

1.2 多特征策略融合

同震崩塌滑坡的影像灰度特征与裸露的土壤极为相似，但裸露的土壤不一定是同震崩塌滑坡，如裸露的河漫滩、开垦的斜坡地、泥土道路等地物。这些地物很难有效地与同震崩塌滑坡进行区分，致使我们在研究^[17]中提出的方法在同震崩塌滑坡解译结果上假阳率偏高，导致检测的准确性受到影响。

为了排除这些误判为同震崩塌滑坡的假阳性地物干扰，研究首先引入地形坡度策略对初步识别结果进行筛选。但是，受数字高程模型DEM精度的限制，地形坡度策略虽然能够去除少部分地形的干扰，但在河漫滩、坡脚等处仍然可能存在误判。因此，在地形坡度策略的基础上，研究引入了主轴特征对识别方法加以补充。最后，考虑到植被区对最终结果的影响，研究尝试结合以下特征策略（地形坡度、主轴轴向、NDVI指数）对初步的检测结果进行二次筛选，尝试进一步降低同震崩塌滑坡识别假阳率。

1.2.1 地形坡度特征

地形坡度表征每个像元到与其相邻的像元方向上的最大高程变化率。通常来说，坡度值越小，地势越平坦；坡度值越大，地势越陡峭。考虑到同震崩塌滑坡的发育特征，即通常发育在坡度较陡的山体，我们沿用已有研究^[18]所建议的5°坡度作为阈值分界，对初步检测结果进行过滤，去掉坡度较缓的区域。

1.2.2 主轴轴向特征

同震崩塌滑坡的滑移方向多为由高到低的滑流，因此，其主轴轴向应当具有明显的方向性。同震崩塌滑坡受重力因素影响，其发生移动一般表现为从山坡到山谷的运动，多为从上到下的直线式滑行，通常轴向特征表现为近竖直向。沿山道路的主轴轴向则多以横向为主，为此通过目标体的主轴轴向可以有效区分同震崩塌滑坡与道路。此外，河岸边裸露的河漫滩的主轴方向也多为横向。因此，可以根据地物的主轴轴向特征降低裸露泥土道路、河漫滩对同震崩塌滑坡检测识别检测的影响。

目标区域主轴轴向的计算过程如图3所示。

图 3 计算主轴特征示意图

Figure 3. Schematic diagram of calculating spindle characteristics

下载: 全尺寸图片幻灯片

设影像中的目标区域为R，一共有N个像素， $(x, y)$ 处的像素值为 $f (x, y)$ 。则目标的质心定义为目标像素坐标的均值 $(\bar{x}, \bar{y})$ ：

\bar{x} = \frac{1}{N} \underset{(x, y) \in R}{\sum \sum} x f (x, y)

(2)

\bar{y} = \frac{1}{N} \underset{(x, y) \in R}{\sum \sum} y f (x, y)

(3)

则中心矩 $m_{i, j}$ 定义为：

m_{i, j} = \underset{(x, y) \in R}{\sum \sum} (x - \bar{x})^{i} (y - \bar{y})^{j} f (x, y)

(4)

其中，i为x轴方向的阶数，j为y轴方向的阶数。

目标的惯性矩定义为：

\begin{aligned} I (θ) & = \underset{(x, y) \in R}{\sum \sum} {\overset{―}{A C}}^{2} f (x, y) \\ = \underset{(x, y) \in R}{\sum \sum} {[(y - \bar{y}) \cos θ + (x - \bar{x}) \sin θ]}^{2} \cdot f (x, y) \end{aligned}

(5)

其中，惯性主轴定义惯性矩I(θ)为最小的方向，对I(θ)求导：

\begin{aligned} I^{'} (θ) & = \underset{(x, y) \in R}{\sum \sum} 2 [(y - \overset{―}{y}) \cos θ + (\overset{―}{x} - x) \sin θ] \cdot [- (y - \bar{y}) \sin θ + (\bar{x} - x) \cos θ] \cdot f (x, y) \\ = \underset{(x, y) \in R}{\sum \sum} {[{(x - \bar{x})}^{2} - {(y - \bar{y})}^{2}] \sin 2 θ - 2 (x - \bar{x}) (y - \bar{y}) \cos 2 θ} \cdot f (x, y) = (m_{2, 0} - m_{0, 2}) \sin 2 θ - 2 m_{1, 1} \cos 2 θ \end{aligned}

(6)

令 $I^{'} (θ) = 0$ 可得：

a r c t a n 2 θ = \frac{2 m_{1, 1}}{m_{2, 0} - m_{0, 2}}

(7)

可以发现，式（2）—（7）有两个解

θ_{1} = \frac{1}{2} a r c t a n [\frac{2 m_{1, 1}}{m_{2, 0} - m_{0, 2}}]

(8)

θ_{2} = \frac{1}{2} a r c t a n [\frac{2 m_{1, 1}}{m_{2, 0} - m_{0, 2}}] + \frac{π}{2}

(9)

为了区别最大值和最小值，求I(θ)的二阶导数，得

I^{″} (θ) = [2 (m_{2, 0} - m_{0, 2}) \cos 2 θ + 4 m_{1, 1} \sin 2 θ] \cdot f (x, y)

(10)

将 $θ_{1}$ 和 $θ_{2}$ 分别代入式（9）中进行计算，当 $I^{″} (θ) > 0$ 时， $θ_{i}$ 即为所求的惯性主轴方向，主轴轴向示意图如图4所示。

图 4 主轴轴向特征示意图

Figure 4. Schematic diagram of spindle axial characteristics

下载: 全尺寸图片幻灯片

利用主轴特征对解译结果进行修正的步骤中，关键在于如何得到主轴的位置以及确定主轴端点的坐标和高程。文中方法具体如下：首先计算得到目标区域的主轴轴向^[28-30]，再对主轴进行遍历即可解算出主轴线与图形的交点，此交点即为主轴的端点，进而获得主轴线在图像中的坐标位置、求解出图形的长短主轴、对应图形顶点以及轴向。再与高程数据图融合即可求得主轴端点的坐标以及高程，计算得到目标高度差、纵横比、方向走势等信息参数。通过规定目标区域长短轴比值和高差比的阈值，对同震崩塌滑坡和长条形的地物进行区分，从而解译出同震崩塌滑坡的位置，其中设定的阈值针对不同研究区域应单独考虑确定阈值。

1.2.3 NDVI指数特征

通常，当山体在地震作用下形成同震崩塌滑坡时，由于山体瞬时发生整体失稳，导致失稳区域地表的植被会被大面积破坏，使得植被覆盖度显著降低，与周边环境形成明显差异。同震崩塌滑坡区域与周边环境在植被稀疏覆盖度的显著差异，可以从一定程度上反映出同震崩塌滑坡的分布情况^[31-32]。由于植被对近红外波段具有较强的反射性，而在红光波段则具有较强的吸收性，因此，可以利用该特性来区分植被区与非植被区。

目前，归一化植被指数NDVI（Normalized Difference Vegetation Index）是衡量植被稀疏覆盖度常用的度量方式，还可以反映出植物冠层的背景情况^[33-35]，如土壤潮湿地面、雪、岩石等。其值表征可见光红光波段与近红外波段的反射率差值与二者之和的比值：

N D V I = \frac{ρ_{n i r} - ρ_{r e d}}{ρ_{n i r} + ρ_{r e d}}

(11)

式中， $ρ_{n i r}$ 表示近红外波段反射率， $ρ_{r e d}$ 表示红光波段反射率。一般来说，NDVI取值在−0.1～0.1的区间内。

关于确定NDVI区分植被、土壤、岩石或雪的阈值，目前通常根据经验确定，张华等^[36]为了反映NDVI的动态变化，按照等间距法，将NDVI进行分级，分别为：植被覆盖低取值在(0, 0.2]、中低(0.2, 0.4]、中(0.4, 0.6]、中高(0.6, 0.8]和高(0.8, 1]。统计表明，当NDVI处于[−1, 0)一般指示地面覆盖类型为云、水、雪等，这些地物通常对可见光表现出高反射；当NDVI接近0时表示和两者几乎相等，指示没有植被覆盖，地表被裸露的土壤或者岩石覆盖；当NDVI处于(0, 1]通常指示该地有植被，其植被覆盖度与该值呈现正相关^[37]。本研究取NDVI数值在[−0.1, 0.1]区间内的区域为同震崩塌滑坡区域，从而降低植被覆盖高的区域被误检为同震崩塌滑坡区域的可能性。

2. 实例验证

2.1 研究区概况

以2014年8月云南鲁甸地震龙头山镇区域为研究案例，文中开展同震崩塌滑坡的解译识别方法的验证。该研究区位于云南省昭通市鲁甸县。该区域曾于北京时间2014年8月3日16时30分发生了6.5级地震，震源深度达12 km^[38-39]。地震的震区属于高山峡谷地貌，由于正处在雨季，地震引发了严重的滑坡、泥石流、滚石以及堰塞湖等次生灾害，同震崩塌滑坡较为发育。

2.2 数据来源

区内地形环境复杂、地物类型多样、山体破坏显著，存在着多处局部型同震崩塌滑坡物源。原始数据包括：震后鲁甸地区高分一号卫星影像数据及鲁甸地区数字高程模型（http://glovis.usgs.gov/)，影像拍摄日期为2014年8月20日，本研究使用的原始数据参数信息如表1所示。

表 1 原始数据参数信息表

Table 1. Information of the input data

原始数据	谱段范围/μm	空间分辨率/m
高分一号（GF-1）卫星影像数据	0.45～0.90	2.00
	0.45～0.52	8.00
	0.52～0.59
	0.63～0.69
	0.77～0.89
数字高程模型DEM	−	30.00

下载: 导出CSV

| 显示表格

2.3 解译结果分析

本研究以鲁甸地震为实验案例验证局部阈值二值化结合特征策略的同震崩塌滑坡解译方法的可行性。图5为鲁甸县龙头山镇区域地理位图。

图 5 鲁甸县龙头山镇影像（影像数据来源于高分一号卫星2014年8月20日影像数据）

Figure 5. Image of Longtoushan Town, Ludian County (Image from GF-1 dataset, on August 20, 2014)

下载: 全尺寸图片幻灯片

首先，运用局部阈值二值化分割方法对该研究区域全色影像进行50次蒙特卡洛步计算，设定置信概率 $T_{P} = 0.80$ ，获得该研究区域的局部二值化分割结果图，如图6所示。经过局部阈值二值化分割之后，高分一号全色影像被分为前景和背景两部分。从分割结果来看，前景中包含较多细小斑块，且存在大量的假阳性崩塌解译结果，与实际情况不符。究其原因，可能是该研究区的全色影像数据中地物整体偏暗，地物间色差并不明显，局部阈值二值化方法不能有效的区分出同震崩塌滑坡目标与周围背景，导致检测结果中存在着大量的杂波噪声。

图 6 局部阈值二值化分割结果

Figure 6. Local threshold binarization segmentation results

下载: 全尺寸图片幻灯片

因此，本研究在初步分割结果基础上引入多特征策略融合方法。首先结合研究区DEM数据引入区域坡度信息，获得融合坡度信息的改进二值化局部阈值分割的同震崩塌滑坡识别结果，如图7所示。

图 7 融合坡度信息的判定结果

Figure 7. Judgment result of fusion slope information

下载: 全尺寸图片幻灯片

从图中可知，引入坡度信息之后，去除了少量地势平坦区域的虚假杂波结果。通过对比分析，前景中仍然包含有长条形地物和植被区导致的假阳性结果，整体识别效果有待进一步提升。

以融合坡度信息的局部阈值二值化分割结果为基础，继续引入主轴轴向特征对同震崩塌滑坡进行识别筛选，获得结果如图8所示。从图中可看出，基于主轴轴向特征的同震崩塌滑坡识别方法进一步去除了细小斑点噪声，一定程度上抑制了长条形地物和细小斑点噪声对识别结果的影响。但本质上依然还存在高植被覆盖区域导致的误报率偏高问题。为了解决这个问题，本研究引入NDVI指数特征对上述结果进一步筛选。以[−0.1, 0.1]为NDVI指数阈值，对上述判定结果进行修正，获得融合NDVI指数特征的同震崩塌滑坡分割效果图，如图9所示。

图 8 融合主轴轴向特征的判定结果

Figure 8. Judgment result of fusion spindle axial feature

下载: 全尺寸图片幻灯片

图 9 融合NDVI指数特征的判定结果

Figure 9. Judgment result of fusion of NDVI index features

下载: 全尺寸图片幻灯片

观察以上的判定结果可得，局部阈值二值化的结果经过融合地形坡度特征，主轴特征以及NDVI指数特征判定后，图像的干扰噪声明显减少。其中融合坡度特征，主要去除坡度低于5%的缓坡区域干扰；针对崩塌体的主轴特征为纵向，而沿山道路、裸露河漫滩等干扰地物主轴特征多为横向的特点，引入主轴特征，实现了排除横向主轴地物干扰的目的；针对高植被覆盖地区发生山体震裂崩塌概率相对较小的特点，引入NDVI指数筛选，主要去除此类高植被覆盖区域对识别结果的影响。

2.4 精度验证

为验证同震崩塌滑坡的识别结果，对光学遥感影像进行了人工目视解译。同震崩塌滑坡在光学遥感影像上具有与非灾害地形不同的影像特征，可以从三个方面进行判断：颜色、色调特征，同震崩塌滑坡会破坏原始地表覆盖，在遥感图像上表现为地表覆盖的颜色连续性发生变化，对于新发生的崩塌山体，山体表面无植被覆盖且物质构成疏松，地表反射率较强，在影像上的色调较浅；图像纹理方面，纹理是图像上色调的变化频率，崩塌体不同部位的形态、色调都有所差异，所以崩塌体在纹理上呈现出无规则状态；形状特征，在遥感图像上，崩塌体通常表现为双沟同源、圈椅、椭圆等特殊的平面形态。

基于以上特征，并结合地形的高程数据，我们对检测区域进行了人工目视解译，同时为保证目视解译结果的准确性，文中以研究区发生震裂崩塌灾害前的影像数据（图10）作为参照进行目视解译。共识别出该区域内16个同震崩塌滑坡，识别结果如图11中的红色区域所示。其中，标记为蓝色的3处道路沿线的小型岩土裸露区域由于其遥感影像特征与同震滑坡的特征相似，无法确定其是同震崩塌滑坡或是施工产生的挖方边坡，且由于时间较久无法现场核实和筛查。因此，为了更合理地说明文中提出方法的有效性，文中将这三处疑似区域作为假阳性地物进行考虑。

图 10 研究区震前影像（影像数据来源于WorldView-2卫星2011年12月6日影像数据）

Figure 10. Pre-earthquake images in the study area (Image from WorldView-2 dataset, on December 6, 2011)

下载: 全尺寸图片幻灯片

图 11 目视解译结果示意图（红色区域为同震崩塌滑坡，蓝色区域为挖方边坡等疑似地物）

Figure 11. Schematic diagram of visual interpretation results (pink polygons are the co-seismic collapses, red polygons are the suspected objects due to excavation)

下载: 全尺寸图片幻灯片

针对上节基于局部二值化结合多特征策略的同震崩塌滑坡识别结果与目视解译结果进行统计量化对比分析，由对比结果可知，基于局部二值化结合多特征策略（地形坡度特征、主轴轴向特征、NDVI特征）的方法准确的识别出了所有同震崩塌滑坡目标，去除了假阳性地物的干扰，提高了检测准确性，有效地提高了同震崩塌滑坡解译识别的精度。

由表2可知，基于全色影像局部阈值二值化和地形坡度特征的同震崩塌滑坡识别真阳率已达100%，而假阳率高达156.3%。主轴轴向特征的引入，进一步将同震崩塌滑坡假阳率降低至112.5%，在地形坡度特征基础上对同震崩塌滑坡误检数量进行了有效控制。NDVI指数特征的引入将同震崩塌滑坡假阳率从112.5%降低至23.1%。可以看出本方法最终的解译结果，无法识别出同期影像中存在的道路挖方边坡等疑似区域，有必要通过现场勘察进行进一步筛查。

表 2 检测解译效果统计

Table 2. Detection and interpretation effect statistics

识别阶段	方法	崩塌数量	真阳率 /%	假阳数	假阳率 /%
1	局部阈值二值化、地形坡度特征（图7）	41	100	25	156.3
2	局部阈值二值化、地形坡度特征、主轴轴向特征（图8）	34	100	18	112.5
3	局部阈值二值化、地形坡度特征、主轴轴向特征、NDVI指数特征（图9）	16	100	3	23.1
4	目视解译（图11）	16	−	−	−

下载: 导出CSV

| 显示表格

可以发现，从所去除假阳性结果的数量上看，利用NDVI指数是更为有效的手段，表明相比地形坡度特征以及解译目标几何形态的主轴特征，本案例中同震崩塌滑坡在植被稀疏覆盖度上的差异更为显著，植被区对同震崩塌滑坡识别的影响较大。但对于其他区域而言，通过NDVI指数特征去除假阳性结果是否最为有效仍有待进一步研究。因此，在实际工作中，应该将地形坡度特征、主轴特征、NDVI特征进行综合考虑，从而尽可能地去除解译结果中假阳性地物干扰，对结果进行修正，提高同震崩塌滑坡的识别精度。

3. 讨论

（1）文中运用多特征融合策略来对同震崩塌滑坡识别结果开展进一步的判定分析，特征策略的获取精度可能对识别结果精度产生一定影响，主要表现为识别结果与真实同震崩塌滑坡边界不统一。因数据资源有限，本文采用的DEM数据分辨率为30 m，其分辨率相对于影像数据（分辨率2 m）较低且不匹配，故在系统计算主轴端点高程时，无法实现1 m级别的高程计算。采用更高精度DEM数据能够较为准确的描述特征位置的高程信息，或许能够进一步提高同震崩塌滑坡解译的精度。因此，在后续的工作研究中将开展尝试运用高精度的DEM数据来参与同震崩塌滑坡识别工作，进一步验证DEM精度对识别效果的影响。

（2）文中选取NDVI的阈值为[−0.1, 0.1]，此阈值是针对鲁甸山体震裂崩塌地区，经过实验比选以及参考相关文献最终确定，对于其他山体震裂崩塌区域并不具有准确适用性，但仍可作为参考，在此阈值基础上加以调整，确定不同区域的NDVI划分阈值。由于时间和资源的限制，本研究并未能够针对不同研究区域进行NDVI特征分析，后续可开展不同研究区域NDVI特征的对比分析。

（3）文中案例研究所采用的云南鲁甸县龙头山镇的同震崩塌滑坡影像，研究区实际覆盖区域面积10.5 km²，大型同震崩塌滑坡共16处。利用文中提出的光学遥感影像多特征融合解译方法能够有效识别该区域内的同震崩塌滑坡。而对于更广区域的遥感影像，考虑到其背景更为复杂，所包含的崩塌滑坡也不仅限于同震所产生的，因此本方法是否有效仍有待进一步验证。一种可行思路是将整幅高分一号影像分割为若干幅10 km²的子图像，并分别对每个子图像利用本文所述方法进行同震崩塌滑坡解译，但文中建议的NDVI指数阈值[−0.1, 0.1]是否适合各子图像，还需要进行研究和论证，这也是下一步研究中所需要重点解决的问题。

（4）研究主要从同震崩塌滑坡的发育地形、几何形态以及植被分布差异三个考量出发，选择地形坡度特征、主轴特征、NDVI指数特征来进行同震崩塌滑坡的遥感影像解译。除此之外，高山峡谷地区地震诱发崩塌滑坡的一些典型规律理论上也可以作为附加特征进行融合解译。例如，许强等^[40-41]指出汶川地震诱发滑坡具有“背坡面效应”，即在与发震断裂带近于垂直的沟谷斜坡中,在地震波传播的背坡面一侧的滑坡发育密度明显大于迎坡面一侧。这些前期研究所得到的同震崩塌滑坡分布的规律，也可为遥感影像解译结果的进一步修正提供支撑。

4. 结论

文中针对目前同震崩塌滑坡的光学遥感影像识别方法中存在假阳率偏高的问题，开展了基于多源遥感数据融合的同震崩塌滑坡识别方法研究，相比于传统同震崩塌滑坡识别方法，有效提升了识别精度。具体结论如下：

（1）针对传统的全局阈值二值化导致的识别精度低、前景和背景区分不明显等问题，本研究介绍了基于全色影像局部阈值二值化的同震崩塌滑坡识别方法，利用了该方法对大尺度影像进行分割操作，避免了利用单一的全局阈值无法对影像细节做出较好的分割的问题。

（2）针对局部阈值二值化方法识别假阳率仍然较高等问题，本研究引入了多特征策略组（地形坡度特征、主轴轴向特征、NDVI指数特征）来进行同震崩塌滑坡的识别。通过多特征策略，有效地排除了灰度特性与同震崩塌滑坡相似的平缓区域、长条形地物以及植被覆盖区对识别结果的影响，进一步降低假阳率，提高识别准确性。

（3）文中研究依托2014年云南鲁甸地震龙头山镇区域，对同震崩塌滑坡识别方法进行实例例证。结果表明，基于蒙特卡洛迭代计算的局部阈值二值化结合多特征策略方法，能够有效避免传统二值化方法识别精度低、无法区分同震崩塌滑坡区与非同震崩塌滑坡区的问题，可以有效提升同震崩塌滑坡的识别精度。

图 1 研究区地理位置图

Figure 1. Geographical location map of the study area

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

图 7 评价因子相关性热力图

Figure 7. Heatmap of correlation of evaluation factors

下载: 全尺寸图片幻灯片

图 8 3种评价模型的ROC曲线对比

Figure 8. Comparison of ROC curves of three evaluation models

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

下载: 全尺寸图片幻灯片

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

参考文献(20)

[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）

施引文献

资源附件(0)

图(10) / 表(2)

计量

文章访问数: 104
HTML全文浏览量: 24
PDF下载量: 43
被引次数: 0

0. 引言
1. 方法与模型
1.1 局部阈值二值化
1.2 多特征策略融合
1.2.1 地形坡度特征
1.2.2 主轴轴向特征
1.2.3 NDVI指数特征
2. 实例验证
2.1 研究区概况
2.2 数据来源
2.3 解译结果分析
2.4 精度验证
3. 讨论
4. 结论

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

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

计量

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

0. 引言

1. 方法与模型

1.1 局部阈值二值化

1.2 多特征策略融合

1.2.1 地形坡度特征

1.2.2 主轴轴向特征

1.2.3 NDVI指数特征

2. 实例验证

2.1 研究区概况

2.2 数据来源

2.3 解译结果分析

2.4 精度验证

3. 讨论

4. 结论

计量

目录

0. 引言

1. 方法与模型

1.1 局部阈值二值化

1.2 多特征策略融合

1.2.1 地形坡度特征

1.2.2 主轴轴向特征

1.2.3 NDVI指数特征

2. 实例验证

2.1 研究区概况

2.2 数据来源

2.3 解译结果分析

2.4 精度验证

3. 讨论

4. 结论

友情链接：

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

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

计量

出版历程

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

0. 引 言

1. 方法与模型

1.1 局部阈值二值化

1.2 多特征策略融合

1.2.1 地形坡度特征

1.2.2 主轴轴向特征

1.2.3 NDVI指数特征

2. 实例验证

2.1 研究区概况

2.2 数据来源

2.3 解译结果分析

2.4 精度验证

3. 讨论

4. 结论

计量

出版历程

目录

0. 引 言

1. 方法与模型

1.1 局部阈值二值化

1.2 多特征策略融合

1.2.1 地形坡度特征

1.2.2 主轴轴向特征

1.2.3 NDVI指数特征

2. 实例验证

2.1 研究区概况

2.2 数据来源

2.3 解译结果分析

2.4 精度验证

3. 讨论

4. 结论

友情链接：

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

0. 引言

0. 引言