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
对于内部不存在潜在滑移面和控制性结构面的厚层危岩体,其破坏机理十分复杂[1-2]。这种危岩体具有分布区域广、发生频率高、突发性强、破坏范围大等特点,是一类典型的山区地质灾害,对人民生命财产安全和城镇建设造成严重威胁[3-6]。对于涉水厚层危岩体,除了崩塌的直接危害以外,产生的涌浪次生灾害将进一步扩大威胁范围[7-9]。
自2008年三峡库区正式蓄水以来,由于三峡库区水位的周期性涨落,在库岸形成了高达30 m的劣化带[10-12]。库区涉水危岩体的基座部分位于劣化带区域,基座岩体长期处于上部岩体自重下,并在干湿循环作用下逐渐劣化,导致其变形破坏机理更为复杂,进一步加大了危岩体的防治难度[13-15]。
文章在现场调查、监测数据以及室内试验的基础上,分析了三峡库区箭穿洞危岩体的变形破坏特征,并对其破坏模式进行了判定。根据其变形破坏特征,提出了危岩体的治理方案,并采用数值模拟对治理方案进行了定量评价。该危岩体的防护理念对于岩质库岸的防治具有重要的参考价值。
1. 危岩体概况
箭穿洞危岩体位于重庆市巫山县望霞村。危岩体的上游侧边界为纵张裂缝(LF1: 150~226 m);下游侧边界裂缝在陡崖面上清晰可见,上宽下窄,充填或局部充填碎石土或溶蚀、残积碎石土,并向下逐渐收敛至153 m高程尖灭(LF2)。危岩体后缘边界为卸荷裂缝(LF3)张开度可达3.15 m,裂隙在高程226 m以下底部均被碎石所填充。箭穿洞危岩体的正视图见图1。
箭穿洞危岩体的三维切割边界清楚,其几何形态呈不规则的六面体,后缘高程为278~305 m,基座高程为155 m,平均高差为135 m,危岩体平均横宽约55 m,平均厚度约50 m,危岩体体积约36×104 m3,主崩方向为260°。箭穿洞危岩主要为三叠系下统大冶组第四段(T1d4)、高程280 m以上为嘉陵江组第一段(T1j1),基座以下为大冶组第三段(T1d3)。基座岩体位置处有一平硐,其中布有压力传感器。箭穿洞危岩体的典型剖面图见图2。
2. 危岩体的变形特征
由区域地质构造可知,箭穿洞危岩体是在斜坡岩体不断卸荷,长江不断侵蚀切割、构造应力释放等条件下形成的。三维边界基本形成后,重力成为主导危岩体变形的主要因素。另外,干湿循环作用下基座岩体的持续劣化进一步加速了危岩体的变形。根据现场监测资料可知(图3),危岩体的边界裂缝及基座压力随着库水位周期性升降次数的增加而持续增大。
针对基座的泥质条带灰岩,在室内完成了30次干湿循环试验,得到了初始状态、5次、15次、20次以及30次干湿循环后基座岩体的力学参数(表1)。
表 1 泥质条带灰岩力学参数Table 1. Mechanical parameters of marlstone under dry-wet cycles in the Three Gorges Reservoir area干湿循环次数 单轴抗压强度 抗拉强度 /MPa 抗剪强度 变形参数 天然状态/MPa 饱和状态/MPa 内摩擦角/(°) 黏聚力/MPa 弹性模量/(104 MPa) 泊松比μ 0 19.07 13.24 1.10 32.6 3.36 0.405 0.30 5 18.39 12.25 0.99 32.2 3.16 0.373 0.31 15 16.96 11.10 0.89 31.8 2.91 0.351 0.32 20 16.22 10.44 0.83 30.1 2.83 0.272 0.33 30 14.98 9.67 0.79 28.4 2.76 0.238 0.35 经过30次干湿循环后,基座岩体的单轴抗压强度下降约21%~26%,随着循环次数的增加,其强度的劣化率有所下降,但尚未收敛;抗拉强度和黏聚力下降约28%,随着循环次数增加,其劣化率有所下降,趋于收敛;岩石的内摩擦角下降约17%,在15次循环后劣化率有增大趋势,表明岩体的抗剪强度将持续降低;变形参数下降约40%,变形模量趋于减小,泊松比趋于增大,并且在15次循环后劣化率有增大趋势,表明岩体质量将持续降低。
3. 危岩体的失稳破坏模式
根据危岩体的变形特征可知,箭穿洞危岩体以基座的变形破坏为主导,内部不存在潜在的剪切面或导致倾倒变形的控制性结构面。对于这种类型的危岩体,其变形破坏发展一般有2种趋势,分别是基座压裂型崩塌和基座滑移型崩塌[1-2](图4)。
基座压裂型崩塌见图4(a)。如果缓坡岩体较坚硬,基座底部岩体受压集中,会导致基座岩体和接触岩体出现压致拉裂现象;基座破坏时,大量的拉裂缝和剪裂缝会出现,导致岩体整体失稳。基座滑移型崩塌见图4(b)。如果缓坡岩体较为软弱,在上部压力作用下,基座软弱岩体可能会出现剪切破坏,上覆岩体压力将软弱基座挤出,从而发生后靠滑移式的整体破坏。
基座碎裂型崩塌和基座滑移型崩塌的判定与基座岩体强度有关,根据HUNGR等[1]提出的判定方法[1],可采用应力比值(Ns)来界定危岩的破坏模式,Ns的建议值为0.25,其判定公式如下:
(1) 式中:
——危岩体重度,此处取27.2 kN/m3;H——上部危岩体的高度,此处取135 m;
——基座的抗压强度,此处取5.775 MPa;该抗压强度根据规范对室内试验数据进行了折减[16-17]。计算可知,Ns为0.63,大于0.25,因而确定箭穿洞危岩体将发生滑移破坏。
4. 危岩体的防护设计
基于箭穿洞危岩体的破坏模式,将危岩体的治理定为两部分,分别是基座软弱岩体的补强加固,以及危岩体中上部的锚索加固(图5)。其中,基座岩体的补强是为了阻断危岩体的滑移剪出;中上部锚索加固是为了控制危岩体的变形。防护治理所涉及的力学改善措施如下:
(1)基座软弱岩体补强加固工程
基座平硐采用C30钢筋混凝土键体充填支撑;基底设置3排锚桩,锚桩间距为1.75 m、2.25 m,锚桩孔径为150 mm,锚固段长度为6.00 m,基座涉水岩体的表面采用板肋式锚杆挡墙。
(2)防护工程(锚索、主动防护网、被动防护网、水下柔性防护垫)
在危岩体中上部布置6排2 000 kN级锚索,水平夹角为15°,水平及竖向间距均为6.00 m,锚索为16 φs15.2 mm,锚固段总长度为17.00 m(3.00,3.00,2.50,3.00,3.00,2.50 m分6段设置)。
5. 防护效果分析
针对防护方案,将提高岩体稳定性的防护措施进行简化后,进行有限元数值计算(所采用数值软件为MIDAS GTS),涵盖上部危岩的预应力锚索、消落带区域砂浆锚杆、板肋式锚杆挡墙及平硐充填。未进行防护加固时,平硐区域作隧洞处理;防护加固后,平硐区域采用C30钢筋混凝土的强度参数(参考值)进行分析。此外,砂浆锚杆、预应力锚杆及板肋式锚杆挡墙相关参数均为参照值[18-19],数值分析过程中的计算参数见表2。以初始状态下的危岩防护为例,对防护措施的有效性进行评价。根据相关规范要求[20-21],泥质条带灰岩的岩体黏聚力由岩石黏聚力乘以折减系数,取0.20;岩体内摩擦角由岩石内摩擦角乘以折减系数,取0.80;岩体变形参数由岩石变形参数乘以折减系数,取0.70。数值计算时,对数值模型右侧边界和左侧边界的水平方向进行了约束,底部边界采用固定约束,将危岩体的自重设定为诱发失稳的关键因素。
表 2 有限元数值计算岩体参数Table 2. Mechanical parameters of the marlstone used in the numerical simulation岩性 本构模型 弹性模量/MPa 泊松比 容重/(kN·m−3) 黏聚力/MPa 内摩擦角/(°) 灰岩(基岩) 摩尔库伦 47800 0.26 27.20 5.21 44.4 灰岩(消落带) 摩尔库伦 42000 0.24 24.50 4.82 40.2 泥质条带灰岩(消落带) 摩尔库伦 27200 0.33 26.50 1.79 37.6 泥质条带灰岩(水上基岩) 摩尔库伦 40500 0.30 26.60 2.36 37.6 水上灰岩(基岩) 摩尔库伦 50400 0.28 27.10 5.48 44.4 平硐(充填) 摩尔库伦 27000 0.20 24.20 3.18 48.6 砂浆锚杆 弹性 196000 0.28 78.50 − − 预应力锚杆 弹性 196000 0.28 78.50 − − 板肋式锚杆挡墙 弹性 27000 0.25 23.00 − − 通过对箭穿洞危岩典型剖面的有限元计算,得到该剖面加固前后的位移云图见图6。分析可知,上部岩体的锚索加固是控制危岩体变形的关键措施。危岩体的最大位移位于后缘部分,这是因为危岩体形状不规则,存在偏压应力,导致其具有沿基座滑移的变形趋势,与之前的破坏机制分析相符。在防护加固前,危岩体的最大位移为0.3235 m,综合防护加固后其最大位移为0.1313 m,降低了59.41%,危岩体的变形趋势得以控制。
箭穿洞剖面最大剪应力云图见图7,分析可知,岩体基座加固是控制剪切应力集中的关键措施。防护加固前,剪应力的最大值为38.085 MPa,且在裂隙尖端出现应力集中现象。综合防护加固后,裂隙尖端的最大剪应力为11.117 MPa,降幅可达70.81%。
对应力场及位移场进行分析可知,预应力锚索可有效控制危岩体由于偏压而引发的变形趋势,而基座加固在保证基座岩体完整性的同时,可以有效降低基座岩体的最大剪应力。
通过强度折减法对危岩体的稳定性进行了分析(图8)。根据防护前危岩体的塑性变形可知,其破坏模式为基座滑移式破坏,与前文滑移破坏模式的判定是一致的,其塑性变形区由后缘裂缝尖端向平硐位置延伸,此时危岩体稳定系数为1.04,处于临界失稳状态。在平硐充填的基础上,进行砂浆锚杆以及格构梁的支护,提升基座岩体的完整性之后,其塑性变形区下移见图8(b),危岩体的稳定性大幅度提升,稳定系数可达1.82,其提高幅度为75%。当上部岩体采用预应力锚索进行加固时,见图8(c),可有效控制危岩体的变形,与防护前的危岩体相比,其稳定性提高了17.78%。当完成综合支护后,见图8(d),其稳定性可达2.451,与防护前的稳定性相比提高了135.67%。在综合防护下,基座补强尤其是砂浆锚杆的施工阻断了塑性变形区的连续性,危岩体塑性变形区的剪出口下移到破碎带下方的消落带区域,且上部预应力锚索控制住了危岩体的整体变形,从而大幅提升了危岩体的稳定性。
通过数值模拟可知,在综合防护之后,危岩体的剪出口将下移至145 m高程处。根据原有设计方案,在145 m水位处会设置防水层以及竖向锚杆,因而,能够在之后的劣化中进一步提升危岩体的长期稳定性。由于145 m高程处的防护并非主体设计,本文在计算时并未考虑相关防护措施。箭穿洞危岩体的防护工程已经按照文中所陈述的措施完成了施工,相应的演化趋势将在之后做进一步的研究。
6. 结论
在现场调查、实时监测以及室内试验的基础上,本文采用公式判定和数值模拟等方法对三峡库区箭穿洞危岩体的破坏机理和防护效果进行了分析和研究,得到以下结论:
(1)由于箭穿洞危岩体为内部不存在潜在滑移面和控制性结构面的涉水厚层危岩体,其变形破坏机理较为复杂。箭穿洞危岩体基座部分的软弱岩层不仅承担着上覆岩层的自重,同时在库区水位的周期性升降下持续劣化,加速了危岩体的变形破坏。
(2)通过公式判定可知,在上部压力作用下,箭穿洞危岩的基座软弱岩体可能会出现剪切破坏,上覆岩体压力将软弱基座挤出,并最终发生基座滑移式的整体破坏。
(3)针对该危岩体的变形破坏模式,提出了基座加固及上部岩体固定的防护措施,其中,上部岩体的锚索加固用于控制危岩体的变形,基座加固用于控制危岩体的滑移。
(4)数值模拟结果表明,本文涉及的综合防护措施效果显著,能够有效的控制危岩体的变形,使得危岩体的塑性变形区域下移,并最终提高危岩体的整体稳定性。
-
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(14)
1. 张伟,陈宏,纪成亮,杨庆义,席文勇,孙旭,张勇,于天文,倪冰冰,徐智慧,李德营. 基于升降轨InSAR数据的高山峡谷区滑坡易发性评价. 地质科技通报. 2025(02): 94-103 . 百度学术
2. 陈宾,魏娜,张联志,李颖懿,刘宁,屈添强. 基于斜坡单元灾害强度的滑坡灾害易损性评价——以湖南省湘乡市为例. 中国地质灾害与防治学报. 2024(02): 137-145 . 本站查看
3. 陈建平,辛亚波,王泽鹏,陈伟,万长园,刘云艳,黄俊杰. 样本选取对地质灾害易发性评价的影响——以山西柳林县为例. 中国地质灾害与防治学报. 2024(03): 152-162 . 本站查看
4. 张平平,何书,李滨. 江西丘陵山区公路地质灾害危险性评价多耦合模型对比研究. 中国地质灾害与防治学报. 2024(04): 135-145 . 本站查看
5. 张清,何毅,陈学业,高秉海,张立峰,赵占骜,路建刚,张雅蕾. 基于多尺度卷积神经网络的深圳市滑坡易发性评价. 中国地质灾害与防治学报. 2024(04): 146-162 . 本站查看
6. 何子军,刘惠军. 基于信息量-随机森林模型的滑坡易发性评价——以云南省双江县滑坡为例. 甘肃水利水电技术. 2024(09): 55-59 . 百度学术
7. 林沛文,何书,鲜木斯艳·阿布迪克依木,叶祉. 基于逻辑回归-模糊层次分析模型的公路沿线滑坡易发性评价. 自然灾害学报. 2024(06): 27-36 . 百度学术
8. 陈芯宇,师芸,温永啸,史瑞遥,米晓梅. 基于确定性系数与支持向量机的滑坡易发性评价. 科学技术与工程. 2023(02): 518-527 . 百度学术
9. 周超,甘露露,王悦,吴宏阳,喻进,曹颖,殷坤龙. 综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模. 地球信息科学学报. 2023(08): 1570-1585 . 百度学术
10. 茹曼,郑燕,张斌,常勤慧. 基于SVM-RF模型的地质灾害易发性评价——以河南省博爱县青天河景区为例. 地质与资源. 2023(05): 633-641 . 百度学术
11. 何世阳,李立青,何亚辉. 滑坡地质灾害风险区划评价方法研究综述. 湖南交通科技. 2023(04): 1-7+17 . 百度学术
12. 翟文华,王小东,吴明堂,吴晓亮,李倩倩. 基于频率比模型和随机森林模型耦合的地质灾害易发性评价. 自然灾害学报. 2023(06): 74-82 . 百度学术
13. 熊小辉,汪长林,白永健,铁永波,高延超,李光辉. 基于不同耦合模型的县域滑坡易发性评价对比分析——以四川普格县为例. 中国地质灾害与防治学报. 2022(04): 114-124 . 本站查看
14. 陈博,王洋,黄信,黄精涛. 基于信息量-随机森林耦合模型的山地丘陵县滑坡灾害易发性空间预测. 江西科学. 2022(05): 914-919+964 . 百度学术
其他类型引用(18)