ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD收录期刊
  • 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”

基于RBF神经网络−信息量耦合模型的滑坡易发性评价以甘肃岷县为例

黄立鑫, 郝君明, 李旺平, 周兆叶, 贾佩钱

黄立鑫, 郝君明, 李旺平, 周兆叶, 贾佩钱. 基于RBF神经网络−信息量耦合模型的滑坡易发性评价——以甘肃岷县为例[J]. 中国地质灾害与防治学报, 2021, 32(6): 116-126. DOI: 10.16031/j.cnki.issn.1003-8035.2021.06-14
引用本文: 黄立鑫, 郝君明, 李旺平, 周兆叶, 贾佩钱. 基于RBF神经网络−信息量耦合模型的滑坡易发性评价——以甘肃岷县为例[J]. 中国地质灾害与防治学报, 2021, 32(6): 116-126. DOI: 10.16031/j.cnki.issn.1003-8035.2021.06-14
Lixin HUANG, Junming HAO, Wangping LI, Zhaoye ZHOU, Peiqian JIA. Landslide susceptibility assessment by the coupling method of RBF neural network and information value: A case study in Min Xian,Gansu Province[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(6): 116-126. DOI: 10.16031/j.cnki.issn.1003-8035.2021.06-14
Citation: Lixin HUANG, Junming HAO, Wangping LI, Zhaoye ZHOU, Peiqian JIA. Landslide susceptibility assessment by the coupling method of RBF neural network and information value: A case study in Min Xian,Gansu Province[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(6): 116-126. DOI: 10.16031/j.cnki.issn.1003-8035.2021.06-14

基于RBF神经网络−信息量耦合模型的滑坡易发性评价——以甘肃岷县为例

基金项目: 甘肃省高等学校产业支撑计划项目“地质灾害隐患识别、临灾预警与防治关键技术研究”(2020C-40);甘肃省自然科学基金“附加监测数据的滑坡稳定性评价”(20JR10RA180);甘肃省自然科学基金“黄河源区高寒灌丛变化及其影响机制研究”(20JR5RA444)
详细信息
    作者简介:

    黄立鑫(1994-),男,甘肃会宁人,硕士研究生,主要从事3S技术及应用研究。E-mail:1417090091@qq.com

    通讯作者:

    李旺平(1982-),男,甘肃天水人,副教授,主要从事3S技术及应用研究。E-mail:lwp_136@163.com

  • 中图分类号: P642.22;P954

Landslide susceptibility assessment by the coupling method of RBF neural network and information value: A case study in Min Xian,Gansu Province

  • 摘要: 滑坡易发性评价是滑坡灾害管理的基础工作,也是制定各项防灾减灾措施的重要依据。针对传统的信息量模型在评价过程中确定权重值存在准确性不高的缺点,文章提出RBF神经网络和信息量耦合模型。以甘肃省岷县为研究区,筛选坡度等9个指标因子构建了滑坡灾害易发性评价指标体系,应用RBF神经网络-信息量耦合模型(RBFNN-I)进行滑坡灾害易发性评价,利用合理性检验和ROC曲线对模型的评价结果进行精度检验。结果表明:(1)RBFNN-I模型的AUC值为0.853,相比单一的RBFNN和I模型分别提高了6.3%和9.7%,说明RBFNN-I模型具有更好的评价精度;(2)岷县滑坡灾害的极高易发区和高易发区主要分布在临潭—宕昌断裂带、洮河及其支流、闾井河和蒲麻河两侧河谷地带,距断层距离、降雨量、距道路距离和NDVI是影响岷县滑坡灾害分布的主控因子。
    Abstract: The landslide susceptibility evaluation is the basic work of landslide management, and it is also an important basis for formulating various disaster prevention and mitigation measures. In view of the low accuracy of the traditional information model in determining the weight value in the evaluation process, this paper proposes a coupling model of RBF neural network and Information value model. 9 index factors such as slope are selected to build the evaluation index system of landslide susceptibility in Min Xian of Gansu Province. The RBF neural network information value coupling model (RBFNN-I) is used to carry out the landslide hazard susceptibility evaluation. Rationality test and ROC curve are used to test the accuracy of the evaluation results of the model. The results show that: (1) the AUC value of RBFNN-I model is 0.853, which is 6.3% and 9.7% higher than that of single RBFNN and I model, respectively, indicating that RBFNN-I model has better evaluation accuracy; (2) the extremely high and high susceptible areas of landslide disasters in Min Xian are mainly distributed along Lintan-Dangchang fault zone, Tao He and its tributaries, and the valleys on both sides of Lyuning River and Puma River.
  • 兰成渝成品油管道作为我国首条大口径、高压力、长距离成品油输送管道,被誉为西北西南地区的“能源大动脉”[1]。相较于公路和铁路,长输油气管道因其特有的浅埋设计、薄壳结构、易燃易爆的特性,一旦发生事故则后果更为严重。兰成渝成品油管道途径地区的工程地质条件复杂且恶劣,地质灾害频发,对管道的长期安全稳定运营构成了巨大的挑战和威胁[23]。因此,减少管道沿线地质灾害的潜在威胁,明确管道沿线地质灾害的分布规律,采取科学有效的风险评价方法,减少管道沿线地质灾害的潜在威胁,对于油气管道的安全运营至关重要。

    地质灾害的风险评价经历了从早期的定性描述到半定量研究,再到如今复杂的定量评估模型的演变[4]。关于油气管道的地质灾害风险评价,学者们多通过统计分析类方法来实现,如模糊数学[56],逻辑回归[7],层次分析法(AHP)[89]和信息量法[1011]等。例如,潘禹臣等[12]运用加权信息模型的方法对中缅天然气管道途径区域进行了地质灾害风险评估;张海磊等[13]基于改进层次分析法和逼近理想解排序法,提出了考虑滑坡与油气管道相互作用等评估指标的山区油气管道滑坡灾害风险评估模型和方法。多数研究表明,传统的统计分析模型在处理评价因子间的非线性关系时往往存在一定的局限性,相对而言,机器学习模型在处理这类复杂非线性关系上展现出卓越的能力,如随机森林模型[14]、支持向量机[1516]、人工神经网络[1718]及决策树[1920]等。尽管机器学习模型在多个领域内已被证明有效且应用广泛,但鉴于各种评价方法的独特性和局限性,实际操作中倾向于综合运用多种方法。信息量法作为一种广泛使用的成熟统计分析类方法,能量化和分析各种与地质灾害相关的因素和信息,在区域地质灾害风险评估中发挥了重要作用。然而,信息量法只考虑了评价因子分类分级状态下的权重,无法体现所选取的评价因子的权重,其权重分配仍可能受到主观判断的影响。相比之下,BP神经网络能够有效地消除各因子权重赋值过程中的主观性影响,从而使评价结果更加客观[21]

    尽管机器学习技术在区域地质灾害风险评估领域已经得到了深入的研究[2224],但其在输油管道等长输工程地质灾害风险评价方面的应用研究仍然较为有限,本文考虑地质灾害的位置及影响范围,选取兰成渝成品油管道沿线左右5 km范围为研究区域,基于管道沿线地质灾害点的编录与野外踏勘调查,分析管道沿线地质灾害发育分布特征,融合信息量与神经网络模型方法,对管道沿线进行地质灾害易发性评价,并结合地质灾害点的风险等级及发育密度进行地质灾害风险评价。研究结果对兰成渝成品油管道的长期安全运营及防灾减灾提供科学的依据,并为同类型长输工程的地质灾害防治及预防预警提供参考。

    兰成渝成品油管道,起于兰州,途经四川成都,终于重庆,全长1250 km,它横贯甘肃、陕西、四川、重庆4省市,穿越40个县市区,地理位置如图1所示。管道沿线依次途经秦巴山地、成都平原以及川渝丘陵等多个地貌单元,地形地貌极为复杂多变,地形起伏显著,且气候条件多变。此外,管道横跨我国黄河流域和长江流域,境内河流分别隶属于黄河和长江两大水系[25]

    图  1  兰成渝管道地理位置及地质灾害点空间分布图
    Figure  1.  Geographical location and spatial distribution of geological disaster points along the Lanzhou-Chengdu-Chongqing pipeline

    管道沿线所经地区的地层发育相对完整,仅石炭系地层有所缺失。在甘肃境内,洛门镇以北地区主要为黄土堆积和冲洪积地貌,呈现出黄土高原的典型特征;洛门镇以南及陕西境内则以秦岭地区的沉积岩、花岗岩和变质岩为主;四川、重庆境内岩性则主要表现为沉积岩和第四系松散堆积层。整体而言,管道沿线通过区域岩性类型复杂多样,岩相变化显著,即便是同一时代的地层,在不同地区也展现出截然不同的岩性特征。总体上,兰成渝成品油管道沿线地形极其复杂多变,地势落差显著,构造强烈,岩性多变。同时,复杂多变的天气条件进一步加剧了地质灾害的风险。这些因素共同作用下,造就了兰成渝管道沿线地质灾害频发的孕灾环境,对管道的安全运营构成了严重威胁。

    本文以兰成渝成品油管道为轴线,选取管道两侧5 km缓冲区为研究区,研究区的单元划分中,栅格与斜坡单元应用较多,但斜坡单元划分存在一些不足之处,如操作繁琐、需要人工干预纠正等。鉴于这些问题,本文选择栅格单元作为研究区的主要划分方式。栅格单元具有划分简单、自动化程度高、误差小等优势,能够更准确地反映研究区域内的地质地貌特征。

    本文主要用到的基础数据涵盖了DEM高程数据(30 m×30 m)、地质图等。其中,地质灾害点数据通过野外实地调查收集得到,高程、坡度、剖面曲率等孕灾因子通过GIS软件对DEM数据提取;断层及地层数据通过1∶100万比例尺地质图矢量化获取;此外,通过国家地球系统科学数据共享平台(www.geodata.cn)获取了包括降雨强度、植被覆盖率、水系、土地利用类型等在内的数据。地震峰值加速度则通过《中国地震动参数区划图》(GB18306-2015)矢量化获得。

    信息量模型是一种基于信息量值的统计评价方法,已被广泛用于地质灾害风险评价中[26]。通过获取已知地质灾害信息数量来判别地灾的发生概率,预测是否发生灾害,评价因子的信息量值越大,说明地质灾害易发程度越高。计算公式如下:

    I(xi,H)=ln(Ni/NSi/S) (1)

    式中:I(xi, H)——各因素xi对地灾发生事件H提供的信 息量值;

    S——研究区内评价单元总数;

    Si——评价指标的评价单元数;

    N——研究区内地灾总数;

    Ni——评价指标的地灾单元数。

    BP神经网络模型对于数据分析具有强大的非线性能力,其结构由输入层、中间层(或称为隐含层)以及输出层这3大部分构成[27],其结构如图2所示。该模型以大脑组织的运作方式为灵感,神经元作为网络的基本单元,通过神经元之间的相互连接和交互来模拟大脑的工作机制,每个不同神经网络单元相互连接,单向传递信息,信息在不同神经元上传递是以权重的方式来确定的[28],可以表示为:

    图  2  神经网络模型流程图
    Figure  2.  Flow chart of the neural network model
    yi=f(iwijxi+bj) (2)

    式中:wij——连接神经元i和神经元j的权重;

    bj——神经元j的偏置项;

    f——sigmoid形式的激励函数:

    f(x)=11+Exp(x) (3)

    信息量+神经网络模型具体步骤如下:

    (1)通过资料收集和文献查阅,对环境因子进行相关性分析,确定选取与地质灾害相关的评价因子;

    (2)利用信息量模型和GIS平台对研究区评价因子进行地质灾害易发性评价,获得研究区地质灾害易发性分区图;

    (3)在低易发区选取非地质灾害点单元,将灾害点与选取的非灾害点栅格单元组成训练集与测试集,输入神经网络模型进行训练;

    (4)获取每个因子的权重,重新分配评价因子权重,与研究区栅格连接,用GIS重新计算易发性,运用自然断点法进行易发性分区,得到易发性分区图;

    (5)最后在信息量-神经网络的易发程度分段的基础上,结合地质灾害点的单点风险分级等级评价,获取管道沿线风险等级分段。

    管道基于信息量-神经网络模型完整的风险评价流程如图3所示。

    图  3  兰成渝管道风险评价流程图
    Figure  3.  Flow chart of the risk assessment of the Lanzhou-Chengdu-Chongqing pipeline

    兰成渝管道沿线地质环境条件复杂,多发生滑坡、崩塌、泥石流、不稳定斜坡、水毁和塌陷等地质灾害[29],其中水毁类灾害通常指的是由暴雨、洪水等水力作用对管道周围埋土造成破坏,导致原本埋在地下的管道暴露,使管道更容易受到机械损伤和腐蚀,进而增加管道破坏的风险。根据水毁灾害发生位置的微地貌形态可分为坡面水毁、河沟道水毁和台田地水毁3类。由于这些地质灾害类型多样,它们的发育分布特征也各不相同,呈现出独特的规律,如图1所示,这些地质灾害在管道沿线具有明显的聚集性。本文共统计了管道2020及2023年沿线排查出的372处地质灾害隐患点,统计结果如图4所示,水毁类地质灾害是最主要的类型,共计246处,占到了总隐患点数的66.1%。其中,坡面水毁有45处,河沟道水毁135处,台田地水毁66处。其次为崩塌和滑坡,分别有49处和61处。相比之下,泥石流、地面沉降及不稳定斜坡的地质灾害发育较少,均少于10处。

    图  4  兰成渝管道沿线地质灾害类型统计图
    Figure  4.  Statistical chart of geological disaster types along the Lanzhou-Chengdu-Chongqing pipeline

    图5可知,兰成渝管道沿线地质灾害隐患点主要集中分布于甘肃省陇南市,共有156处,占地灾点总数41.94%,灾害类型以河沟道水毁、滑坡以及崩塌为主;此外,定西市、江油市和广元市也是地质灾害较为严重的地区。其中,定西市和江油市的地灾点数量分别为43和47,占比分别为11.56%和12.63%。广元市的地灾点数量最多,达到61处,占比16.4%。在定西市和江油市,水毁类灾害是主要类型,占据了该地区地灾总数的90%以上,而广元市除了水毁类灾害外,滑坡也较为发育。值得注意的是,广元市和陇南市是整条兰成渝管道沿线滑坡主要发育地区。其余65处灾害点零散分布于管道途经的行政区。

    图  5  兰成渝管道沿线地质灾害行政区统计图
    Figure  5.  Statistical chart of geological disasters by administrative regions along the Lanzhou-Chengdu-Chongqing pipeline

    兰成渝管道沿线地质灾害类型多样,这些灾害的形成是众多致灾因子相互共同作用的结果。因此,合理地选取适合研究区域的评价因子是地质灾害易发性评价结果是否准确的关键。为了确保评价结果的精确性与科学性,本文在野外调查工作的基础上,结合国内外广泛认可的评价因子,从地形地貌、地质环境、水文条件和生态环境4个方面选取了高程、坡度、剖面曲率、工程岩组、距离断层的距离、水系、年均降雨量、植被覆盖率、土地利用类型及地震峰值加速度10个地质灾害易发性评价因子。

    利用信息量模型,通过式(1)计算出各个因子的信息值(图6)。对各指标因子计算出的信息量值进行统计分析,结果表明坡度、地层岩性、距断层的距离及距水系的距离是影响研究区地质灾害发育的主要影响因子,各指标因子的结果与分析如下。

    图  6  各评价因子信息量
    Figure  6.  Information content of each evaluation factor

    1、 地形地貌因子

    地形地貌很大程度决定了地质灾害的空间分布特征,是地质灾害空间分布的重要影响因素。通过GIS平台利用DEM高程数据提取出该区域的高程、坡度、剖面曲率3个因子,由图6(a)可知,该区域地质灾害点主要分布在海拔500~1000 m范围内的岩土体上;由图6(b)所示,随着地形坡度的增加,地质灾害的发生频率有所降低,尤其是坡度<10°的区域,地质灾害数量最多;由图6(c)可知,管道沿线地质灾害主要分布在凸形坡中,即剖面曲率大于0的地带。

    2、地质环境因子

    地层岩性在地质灾害的孕育和发展中起着重要作用。本文根据《工程岩体分级标准》将研究区内的岩性分为土体、软岩体、较软岩体、较坚硬岩体、坚硬岩体5类。管道沿线研究区内出露的工程岩组以较坚硬岩、较软岩体类为主,由图6(d)所示。地质灾害主要发生在较软岩组地区,尤其是上白垩统、上侏罗统及下三叠统的岩层中。

    断层作为地质构造的薄弱环节,断层的切割导致岩体完整性变差,促进岩体风化和地下水活动,降低了岩土体的不稳定性,管道沿线跨越了南北向构造带的中北段,地质构造复杂,图6(e)可以反映处地质灾害点主要分布距断层2.5 km以外,但是从信息量值可以看出,距断层1~1.5 km的距离区间最利于灾害的发育。

    3、水文条件

    降水和河流是诱发地质灾害频发的一个重要因素。一方面,降水影响岩土体的力学性能,降低其稳定性,另一方面,持续及高强度降水导致河流、沟谷地表水暴涨暴落,进一步导致水土流失、坡面侵蚀。由图6(f)(g)可以看出管道沿线灾害多分布于降水量600~700 mm、800~900 mm范围地区。此外,地质灾害的发生与河流的邻近程度密切相关,距离河流越近,地质灾害的发育越为有利。

    4、生态环境

    兰成渝管道沿线途经了多个地震活动频繁的区域,包括了六盘山—祁连山地震带、龙门山地震带及长江中游地震带。由图6(h)可知,研究区地震动峰值加速度多在0.05~0.2g区间内,在此范围内,地质灾害分布的数量也随着峰值加速度的增加而增加。特别是在峰值加速度达到0.2g的地区,地质灾害的分布尤为集中。

    植被覆盖对地面径流、雨水渗透以及岩土体稳定性有着显著的影响。植被根系可以加固边坡并增加边坡稳定性。由图6(i)可知,地质灾害主要分布在植被覆盖率为0.8~0.9的区域内。从图6(j)可以看出地质灾害主要分布于农田和林地地区。

    地质灾害影响因子间的强相关性会造成数据冗余,影响评价模型的性能,因此在进行易发性建模之前,需要检验所选因子之间的相关性。本文使用皮尔逊相关系数对地质灾害影响因子之间的相关性进行检验,具体来说,若皮尔逊相关系数的绝对值小于0.5,那么认为各评价指标间没有明显的相关性;反之,若绝对值大于0.5,则表明各评价指标之间存在一定的相关性[30],皮尔逊相关系数的公式如下所示:

    P=i=1n(XiX¯)(YiY¯)i=1n(XiX¯)2i=1n(YiY¯)2

    式中:P——皮尔逊相关系数;

    Xi——变量X的第i个数据点;

    Yi——变量Y的第i个数据点;

    X¯Y¯——变量X、Y的均值。

    图7中可以看出,本文选的10个评价因子之间的相关性较弱。

    图  7  不同评价因子的皮尔逊相关系数矩阵
    Figure  7.  Pearson correlation coefficient matrix of different evaluation factors

    通过信息量模型计算出研究区每个栅格单元的信息量值,将随机选取的372处非地质灾害点和372处地质灾害点作为训练样本数据,并利用ArcGIS提取出各评价指标的信息量值,在MATLAB中作为神经网络模型的输入层参数,而易发性等级作为输出层目标。其中随机选取样本数据中的70%作为训练样本,15%作为测试样本,15%作为验证样本。本文的输入层Ni的神经元为10个,输入层No神经元为1个,隐含层节点的推荐上限为(2Ni + 1),下限为(Ni + No)/2[2],因此本文研究中,考虑的隐含层神经元的数量应该在6~21个范围内,最终选取隐含层神经元的数量为15个,得出神经网络的训练结果如表1所示。从图8中可知,训练后的R相关系数均大于0.98,表明输入层和输出层高度相关,评价精度基本符合实际工程需要。

    表  1  神经网络各神经元权值系数表
    Table  1.  Weight coefficients of each neuron in the neural network
    隐含层
    单元
    输入层单元 输出层
    单元
    高程 坡度 剖面曲率 工程岩组 距断层距离 距水系距离 年均降水量 地震峰值加速度 土地利用类型 植被覆盖率
    1 1.210 −0.089 −0.424 −0.985 −0.436 −0.199 −1.397 −0.150 −1.180 −0.150 −0.208
    2 0.716 0.109 −0.840 0.245 0.901 −0.012 −1.553 0.144 −0.313 0.747 −0.090
    3 0.073 0.041 0.973 −1.740 −0.753 −0.638 0.520 0.269 0.164 −0.075 −0.128
    4 1.068 −0.769 0.388 −0.870 −0.018 −1.368 0.152 0.230 −1.955 −0.518 0.004
    5 0.040 1.189 −0.890 −0.872 −1.170 0.805 0.740 −0.377 0.148 0.289 −0.108
    6 −0.855 −0.347 −0.190 0.065 −0.285 0.723 0.567 1.278 2.250 −0.251 −0.048
    7 −1.191 −1.338 −0.403 −0.336 1.801 0.140 2.037 1.385 −0.996 −0.182 −0.155
    8 2.883 2.128 1.728 0.631 −0.978 −0.148 0.373 −0.541 0.153 −0.461 0.192
    9 −0.121 0.743 −0.459 −0.364 0.299 0.566 0.820 0.753 0.623 0.375 0.435
    10 −0.584 1.687 −0.852 0.843 0.369 1.528 −1.296 0.222 0.592 1.153 0.124
    11 −1.014 −0.026 0.764 1.135 −1.063 0.096 −0.521 −0.183 1.087 1.152 −0.167
    12 0.981 0.123 0.725 0.295 1.107 0.685 0.679 2.566 −1.454 0.288 0.252
    13 −0.270 0.098 1.234 0.619 −1.565 0.742 −1.592 −1.162 −1.252 0.039 −0.062
    14 0.919 1.821 0.387 1.501 1.428 0.330 −0.139 −0.204 −0.334 −2.014 −0.105
    15 −0.408 −0.497 −0.397 −0.659 −1.137 0.040 1.200 0.223 −0.923 0.058 0.042
    下载: 导出CSV 
    | 显示表格
    图  8  神经网络训练的相关系数
    Figure  8.  Correlation coefficients of neural network training

    通过信息量+BP神经网络模型计算管道沿线地质灾害的易发性指数,采用了自然断点法对其划分为低、较低、中、较高和高易发区5个等级 (图9)。

    图  9  信息量+神经网络的易发性分区
    Figure  9.  Susceptibility partition of information-neural network

    由于兰成渝管道为线性工程,为了便于对易发性分区结果进行分析以及对管道沿线进行风险评价,本文结合易发性分区结果,将兰成渝管道转化成线性分段进行评价。由表2可知,基于信息量-神经网络模型的易发性分区,高和较高易发段共400.1 km,占管道全长34.6%,有71.2%的灾害点落在高与较高易发区,说明信息量+BP神经网络模型能较好地适用于该区域的地质灾害易发性评价,具有较高的准确性和正确性。

    表  2  信息量+BP神经网络模型的易发性分段结果
    Table  2.  Susceptibility segmentation results based on information model + BP neural network model
    模型 易发性
    分段
    长度/km 占管道
    的比例/%
    地灾
    数量
    占总地灾
    的比例/%
    地灾发育
    线密度
    /(处·km−1
    信息量+
    BP模型
    265.4 22.96 17 4.57 0.06
    较低 361.4 31.27 42 11.29 0.12
    128.9 11.15 48 12.90 0.37
    较高 137.8 11.92 54 14.52 0.39
    262.3 22.69 211 56.72 0.80
    下载: 导出CSV 
    | 显示表格

    易发性评价模型的准确度是评估模型性能的重要指标,本文采用了ROC曲线(受试者工作特征曲线)及其下方的面积(AUC值)作为评估模型准确度的主要手段。随机选取30%的地质灾害数据点作为测试样本,分别对两种模型进行检验,如图10所示,单独的信息量模型其AUC=0.896,结合信息量模型与神经网络模型的灾害易发性评价的AUC=0.936,AUC值提高了0.04。这表明,结合信息量模型与神经网络模型的灾害易发性评价相较于单独使用信息量模型有更好的评价结果。

    图  10  两种模型ROC曲线
    Figure  10.  ROC curves of the two models

    根据《油气管道地质灾害风险管理技术规范》(SY/T6828—2011)的相关要求,我们综合考虑了管道的敷设方式、埋深以及单点地质灾害的易发性、管道易损性和环境影响后果等多个因素,在此基础上,对野外勘察获取的372处地质灾害隐患点进行了风险分级评价,确定了各点的风险等级,管道沿线地质灾害隐患点风险等级分布如图11所示。最后结合信息量-神经网络的易发程度的分段的结果,按地质灾害隐患点风险等级的高低和风险隐患点分布密度再次进行风险等级分段(表3)。

    表  3  风险等级分段标准
    Table  3.  Risk level segmentation criteria
    风险等级 易发程度 风险隐患点分布密度
    /(处·km−1
    风险隐患点风险等级
    高易发 1.5~3.5 以高、较高为主
    较高 高、中易发 1.0~1.5 以较高、中为主
    中、低易发 0.5~1.0 以中、较低为主
    较低 中、低、不易发 0.2~0.5 以较低、低为主
    低、不易发 <0.2
    下载: 导出CSV 
    | 显示表格
    图  11  兰成渝管道沿线地质灾害点风险等级分布图
    Figure  11.  Risk level distribution map of geological hazard points along the Lan-Cheng-Yu pipeline

    兰成渝管道的风险性结果如图12所示,管道沿线无高风险段存在,其中较高风险段总长249.7 km,约占管道全长的21.8%,该风险段灾害点主要集中于江油市、广元及陇南市等管道敷设山区段。该区域地形复杂,一般相对高差大于200 m,构造复杂,岩体各种构造裂隙发育,在汛期及雨季,滑坡、崩塌、泥石流及水毁等地质灾害较易发生;中风险段总计79.3 km,约占管道全长的6.9%,主要位于甘肃省定西市及天水市,地貌类型较简单,河谷阶地、台地地段,地形开阔平坦;较低风险段总计187.1 km,占管道全长15.7%,低风险段总计640.6 km,占管道全长55.6%,低和较低易发段主要分布于成都平原和川渝丘陵区,该区域岩性岩相差异性较小,岩土体结构相对简单,使得该区域的地质环境表现出较高的稳定性,不利于地质灾害的发生。

    图  12  兰成渝管道沿线风险分段图
    Figure  12.  Risk segmentation map along the Lan-Cheng-Yu pipeline

    (1)管道沿线地灾类型多样,主要发育灾害类型为水毁类,共246处,占地灾点总数66.1%;地质灾害隐患点主要分布于甘肃省陇南市,共有156处,占地灾点总数41.94%,灾害类型以河沟道水毁、滑坡以及崩塌为主。

    (2)经过对2种模型进行精度验证,通过ROC曲线分析,结果显示这两种模型在研究区的地质灾害易发性评价中均表现出较高的精度,信息量模型AUC值为0.896、信息量+BP神经网络模型的AUC值为0.936,经BP神经网络模型优化后的AUC值提高了0.04,说明信息量+BP神经网络模型更适合本区域的地质灾害易发性评价。

    (3)管道沿线无地质灾害高风险段存在。较高、中、较低、低风险段各占管道全长的21.8%、6.9%、15.7%以及55.6%。较高风险段主要为山区段,这类地区地形起伏大,工程地质复杂;中风险段主要位于定西及天水市,地质条件相对复杂的河谷阶地、台地地段;低和较低易发段主要分布于成都平原和川渝丘陵区,该区域岩性岩相差异性较小,岩土体结构也相对简单,地质条件稳定。

  • 图  1   RBF神经网络结构

    Figure  1.   The structure of RBF neural network

    图  2   基于RBFNN-I模型滑坡灾害易发性评价流程图

    Figure  2.   The flow chart of landslide susceptibility evaluation based on the RBFNN-I model

    图  3   岷县地理位置及历史滑坡点分布图

    Figure  3.   Geographical location and distribution of historical landslide points in Min Xian

    图  4   岷县滑坡灾害易发性评价指标因子

    Figure  4.   Evaluation index factors of landslide susceptibility in Minxian County

    图  5   基于RBFNN-I模型的岷县滑坡易发性评价结果图

    Figure  5.   Landslide susceptibility mapping for Min Xian used RBFNN-I model

    图  6   ROC精度验证曲线

    Figure  6.   ROC curves of the three used models

    图  7   各指标因子重要性分布图

    Figure  7.   Importance distribution chart of each index factor

    表  1   指标因子相关性检验表

    Table  1   Correlation of controlling index factors

    高程坡度坡向平面曲率距断层距离地层降雨量距水系距离NDVI距道路距离
    高程1
    坡度−0.061
    坡向−0.010.031
    平面曲率0.050.050.041
    距断层距离0.37−0.200.000.101
    地层−0.32−0.14−0.060.04−0.011
    降雨量0.75−0.11−0.010.090.19−0.331
    距水系距离0.48−0.090.01−0.020.20−0.130.251
    NDVI0.32−0.080.000.040.35−0.130.380.141
    距道路距离0.52−0.14−0.03−0.010.17−0.240.470.260.251
    下载: 导出CSV

    表  2   指标因子分类等级信息量值计算表

    Table  2   The classification information for index factors of landslide

    指标因子分类等级滑坡面积/km2滑坡面积比例A/%分级面积/km2分级面积比例B/%频率比(A/B)信息量值I


    坡度/(°)
    0~50.052.55299.998.400.30−1.20
    5~100.104.96546.0315.280.32−1.14
    10~150.2211.06687.1019.230.58−0.54
    15~200.3618.21713.5019.970.91−0.09
    20~250.4824.03617.7717.291.390.33
    25~300.4020.25410.2911.481.760.57
    30~350.2311.83202.245.662.090.74
    35~400.084.0172.212.021.980.68
    40~450.052.3318.550.534.471.50
    >450.020.775.130.145.391.68
    坡向平地0.000.001.370.040.000.00
    北向0.052.69452.5912.670.21−1.56
    东北0.094.51510.8114.300.32−1.14
    东向0.2813.97503.6614.100.99−0.01
    东南0.4623.03416.2511.651.980.68
    南向0.4623.17354.909.932.330.85
    西南0.3919.89400.8111.221.770.57
    西向0.199.46471.1813.180.72−0.33
    西北0.063.28461.2212.910.25−1.39
    平面曲率<−0.80.010.6420.210.571.130.12
    −0.8~−0.60.052.2843.791.231.860.62
    −0.6~−0.40.136.60142.804.001.650.50
    −0.4~−0.20.3115.84458.9312.851.230.21
    −0.2~00.5829.181144.9732.050.91−0.09
    0~0.20.5527.581010.3828.280.98−0.02
    0.2~0.40.2411.93501.6214.040.85−0.16
    0.4~0.60.084.05171.914.810.84−0.17
    0.6~0.80.031.3253.271.490.89−0.12
    >0.80.010.5924.920.700.85−0.16
    距断层距离/km<10.4221.35282.667.912.700.99
    1~20.3618.02282.747.912.280.82
    2~30.2311.83253.397.091.670.51
    3~40.136.74198.625.561.210.19
    4~50.168.33186.265.211.600.47
    5~60.199.60176.834.951.940.66
    6~70.146.83166.754.671.460.38
    7~80.031.55124.823.490.44−0.82
    8~90.021.23136.003.810.32−1.14
    9~100.021.2395.392.670.46−0.78
    >100.2713.291701.7646.730.29−1.24
    地层第四系0.4723.67694.2019.431.220.20
    侏罗系0.000.005.790.160.000.00
    三叠系0.5326.851195.3333.460.80−0.22
    二叠系0.6834.41973.5727.251.260.23
    石炭系0.010.3231.150.870.37−0.99
    泥盆系0.2914.75672.7618.830.78−0.25
    降雨量/mm554~5710.3216.02156.724.393.651.29
    571~5820.6633.36445.1712.462.680.99
    582~5900.5125.58595.8316.681.530.43
    590~5980.2713.65746.2020.890.65−0.43
    598~6060.168.24607.0216.990.48−0.73
    606~6150.041.96438.8212.280.16−1.83
    615~6260.011.19333.599.330.13−2.04
    626~6390.000.00169.484.740.000.00
    639~6590.000.0079.962.240.000.00
    距水系距离/km<0.20.5226.08412.2411.542.260.82
    0.2~0.40.2512.74395.7911.081.150.14
    0.4~0.60.199.47378.0610.580.89−0.12
    0.6~0.80.189.33355.849.960.94−0.06
    0.8~1.00.199.65328.869.201.050.05
    1.0~1.20.188.88295.528.271.070.07
    1.2~1.40.168.19260.917.301.120.11
    1.4~1.60.126.05225.506.310.96−0.04
    1.6~1.80.031.41188.565.280.27−1.31
    1.8~2.00.073.38153.324.300.78−0.25
    >2.00.104.82578.2016.180.30−1.20
    NDVI−0.75~−0.150.000.005.200.150.000.00
    −0.15~0.080.000.093.700.100.88−0.13
    0.08~0.270.2613.299.872.804.721.55
    0.27~0.400.4924.85158.744.445.591.72
    0.40~0.500.4723.85299.278.382.851.05
    0.50~0.600.3919.66419.7311.751.670.51
    0.60~0.700.2512.74595.4716.670.76−0.27
    0.70~0.800.115.431030.7928.840.19−1.66
    0.80~1.000.000.18960.0426.870.01−4.61
    距道路距离/km<0.20.4623.40285.407.992.931.08
    0.2~0.40.2010.29268.187.511.370.31
    0.4~0.60.136.6252.807.080.93−0.07
    0.6~0.80.168.28235.526.591.260.23
    0.8~1.00.189.19216.716.071.520.42
    1.0~1.20.126.28202.545.671.110.10
    1.2~1.40.126.19190.955.341.160.15
    1.4~1.60.126.14176.724.951.240.22
    1.6~1.80.094.60161.194.511.020.02
    1.8~2.00.115.51146.414.091.340.29
    >2.00.2713.521436.3940.200.34−1.08
    下载: 导出CSV

    表  3   岷县滑坡灾害易发性分区合理性检验表

    Table  3   Rationality test table of landslide susceptibility zone in Min Xian

    模型类型易发区等级P/个Cp /%S/km2Sp/%R
    RBFNN-I极高易发区30856.10373.7010.415.39
    高易发区17531.88717.9620.001.59
    中易发区519.29975.4027.170.34
    低易发区152.731522.8042.420.06
      注:P代表各等级易发区内滑坡点的数量;Cp代表各等级易发区内的滑坡点数量的比例;S代表各等级易发区的面积;
    Sp代表各等级易发区面积占整个研究区总面积的比例;R代表CpSp的比值。
    下载: 导出CSV
  • [1] 赵忠国, 张峰, 郑江华. 多元自适应回归样条法的滑坡敏感性评价[J]. 武汉大学学报(信息科学版),2021,46(3):442 − 450. [ZHAO Zhongguo, ZHANG Feng, ZHENG Jianghua. Evaluation of landslide susceptibility by multiple adaptive regression spline method[J]. Geomatics and Information Science of Wuhan University,2021,46(3):442 − 450. (in Chinese with English abstract)
    [2]

    SEVGEN, KOCAMAN, NEFESLIOGLU, et al. A novel performance assessment approach using photogrammetric techniques for landslide susceptibility mapping with logistic regression, ANN and random forest[J]. Sensors,2019,19(18):3940. DOI: 10.3390/s19183940

    [3] 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)
    [4] 李文彦, 王喜乐. 频率比与信息量模型在黄土沟壑区滑坡易发性评价中的应用与比较[J]. 自然灾害学报,2020,29(4):213 − 220. [LI Wenyan, WANG Xile. Application and comparison of frequency ratio and information value model for evaluating landslide susceptibility of loess gully region[J]. Journal of Natural Disasters,2020,29(4):213 − 220. (in Chinese with English abstract)
    [5] 王雷, 吴君平, 赵冰雪, 等. 基于GIS和信息量模型的安徽池州地质灾害易发性评价[J]. 中国地质灾害与防治学报,2020,31(3):96 − 103. [WANG Lei, WU Junping, ZHAO Bingxue, et al. Susceptibility assessment of geohazards in Chizhou City of Anhui Province based on GIS and informative model[J]. The Chinese Journal of Geological Hazard and Control,2020,31(3):96 − 103. (in Chinese with English abstract)
    [6] 张玘恺, 凌斯祥, 李晓宁, 等. 九寨沟县滑坡灾害易发性快速评估模型对比研究[J]. 岩石力学与工程学报,2020,39(8):1595 − 1610. [ZHANG Qikai, LING Sixiang, LI Xiaoning, et al. Comparison of landslide susceptibility mapping rapid assessment models in Jiuzhaigou County, Sichuan Province, China[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(8):1595 − 1610. (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]

    SAHA S, SAHA A, HEMBRAM T K, et al. Evaluating the performance of individual and novel ensemble of machine learning and statistical models for landslide susceptibility assessment at rudraprayag district of Garhwal Himalaya[J]. Applied Sciences,2020,10(11):3772. DOI: 10.3390/app10113772

    [9] 陈飞, 蔡超, 李小双, 等. 基于信息量与神经网络模型的滑坡易发性评价[J]. 岩石力学与工程学报, 2020, 39(增刊1): 2859 − 2870

    CHEN Fei, CAI Chao, LI Xiaoshuang, et al. Evaluation of landslide susceptibility based on information volume and neural network model[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(Sup 1): 2859 − 2870. (in Chinese with English abstract)

    [10] 闫举生, 谭建民. 基于不同因子分级法的滑坡易发性评价: 以湖北远安县为例[J]. 中国地质灾害与防治学报,2019,30(1):52 − 60. [YAN Jusheng, TAN Jianmin. Landslide susceptibility assessment based on different factor classification methods:A case study in Yuan'an County of Hubei Province[J]. The Chinese Journal of Geological Hazard and Control,2019,30(1):52 − 60. (in Chinese with English abstract)
    [11]

    LUO X G, LIN F K, CHEN Y H, et al. Coupling logistic model tree and random subspace to predict the landslide susceptibility areas with considering the uncertainty of environmental features[J]. Scientific Reports,2019,9:15369. DOI: 10.1038/s41598-019-51941-z

    [12]

    CHEN W, SHIRZADI A, SHAHABI H, et al. A novel hybrid artificial intelligence approach based on the rotation forest ensemble and naïve Bayes tree classifiers for a landslide susceptibility assessment in Langao County, China[J]. Geomatics, Natural Hazards and Risk,2017,8(2):1955 − 1977. DOI: 10.1080/19475705.2017.1401560

    [13] 何永波, 李青, 张宁, 等. RBF神经网络可靠度分析方法在边坡稳定性研究中的应用[J]. 中国安全生产科学技术,2019,15(7):130 − 136. [HE Yongbo, LI Qing, ZHANG Ning, et al. Application of RBF neural network reliability analysis method in slope stability research[J]. Journal of Safety Science and Technology,2019,15(7):130 − 136. (in Chinese with English abstract)
    [14] 薛萍, 郝鹏, 王宏民. 基于径向基神经网络的新型齿轮故障诊断方法研究[J/OL]. 控制与决策. https://doi.org/10.13195/j.kzyjc.2020.0836.

    XUE Ping, HAO Peng, WANG Hongmin. Research on a novel gear fault diagnosis method based on RBF neural network [J/OL]. Control and Decision. https://doi.org/10.13195/j.kzyjc.2020.0836. (in Chinese with English abstract)

    [15] 刘希林, 庙成, 田春山. 区域滑坡和泥石流灾害两种危险性评价方法的比较分析[J]. 防灾减灾工程学报,2017,37(1):71 − 78. [LIU Xilin, MIAO Cheng, TIAN Chunshan. Comparative analysis of two methods for assessing hazard of landslide and debris-flow on a regional scale[J]. Journal of Disaster Prevention and Mitigation Engineering,2017,37(1):71 − 78. (in Chinese with English abstract)
    [16] 许冲, 徐锡伟, 郑文俊. 2013年7月22日岷县漳县MS6.6级地震滑坡编录与空间分布规律分析[J]. 工程地质学报,2013,21(5):736 − 749. [XU Chong, XU Xiwei, ZHENG Wenjun. Compiling inventory of landslides triggered by Minxian-Zhangxian earthquake of July 22, 2013 and their spatial distribution analysis[J]. Journal of Engineering Geology,2013,21(5):736 − 749. (in Chinese with English abstract) DOI: 10.3969/j.issn.1004-9665.2013.05.010
    [17] 田颖颖. 2013年甘肃省岷县地震滑坡空间分布规律及几何特征分析[D]. 北京: 中国地质大学(北京), 2016.

    TIAN Yingying. Spatial distribution and geometrical characteristic of landslides related to the 2013 Minxian earthquake of Gansu Province[D]. Beijing: China University of Geosciences, 2016. (in Chinese with English abstract)

    [18] 海兰, BOBROWSKY P, 等. 滑坡灾害防治手册-认识滑坡: 防治滑坡[M]. 北京: 地质出版社, 2009: 3 − 5.

    HIGHLAND L H, BOBROWSKY P, et al. Handbook of landslide disaster prevention: Understanding landslide prevention and landslide [M]. Beijing: Geological Press, 2009: 3 − 5. (in Chinese)

    [19] 杨先全, 周苏华, 邢静康, 等. 肯尼亚滑坡灾害分布特征及敏感性区划[J]. 中国地质灾害与防治学报,2019,30(5):65 − 74. [YANG Xianquan, ZHOU Suhua, XING Jingkang, et al. Distribution patterns and susceptibility mapping of landslides in Kenya[J]. The Chinese Journal of Geological Hazard and Control,2019,30(5):65 − 74. (in Chinese with English abstract)
    [20] 解明礼, 巨能攀, 赵建军, 等. 区域地质灾害易发性分级方法对比分析研究[J]. 武汉大学学报(信息科学版),2021,46(7):1003 − 1014. [XIE Mingli, JU Nengpan, ZHAO Jianjun. et al. Comparative analysis on classification methods of geological disaster susceptibility assessment[J]. Geomatics and Information Science of Wuhan University,2021,46(7):1003 − 1014. (in Chinese with English abstract)
    [21] 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)
    [22] 张勇, 温智, 程英建. 四川巴中市滑坡灾害与降雨雨型关系探讨[J]. 水文地质工程地质,2020,47(2):178 − 182. [ZHANG Yong, WEN Zhi, CHENG Yingjian. A discussion of the relationship between landslide disaster and rainfall types in Bazhong of Sichuan[J]. Hydrogeology & Engineering Geology,2020,47(2):178 − 182. (in Chinese with English abstract)
    [23] 郑迎凯, 陈建国, 王成彬, 等. 确定性系数与随机森林模型在云南芒市滑坡易发性评价中的应用[J]. 地质科技通报,2020,39(6):131 − 144. [ZHENG Yingkai, CHEN Jianguo, WANG Chengbin, et al. Application of certainty factor and random forests model in landslide susceptibility evaluation in Mangshi City, Yunnan Province[J]. Bulletin of Geological Science and Technology,2020,39(6):131 − 144. (in Chinese with English abstract)
    [24] 王念秦, 郭有金, 刘铁铭, 等. 基于支持向量机模型的滑坡危险性评价[J]. 科学技术与工程,2019,19(35):70 − 78. [WANG Nianqin, GUO Youjin, LIU Tieming, et al. Landslide susceptibility assessment based on support vector machine model[J]. Science Technology and Engineering,2019,19(35):70 − 78. (in Chinese with English abstract)
    [25] 地质灾害调查技术要求(1: 50000): DD2019-08[S]. 北京: 中国地质调查局, 2019.

    Technical requirement for geo-hazard survey(1: 50000): DD2019-08[S]. Beijing:China Geological Survey, 2019. (in Chinese)

    [26]

    DAI F C, LEE C F, LI J, et al. Assessment of landslide susceptibility on the natural terrain of Lantau Island, Hong Kong[J]. Environmental Geology,2001,40(3):381 − 391. DOI: 10.1007/s002540000163

  • 期刊类型引用(22)

    1. 郑志成,郭红梅,赵真,张莹. 基于耦合模型的九寨沟地震滑坡危险性对比研究. 黑龙江科学. 2025(02): 7-15 . 百度学术
    2. 燕飒,王德富,刘君,李魁,李伟. 基于信息量与多模型耦合的区域性滑坡易发性评价适宜度分析. 测绘. 2025(01): 64-71 . 百度学术
    3. 王喜,徐世光,陈玉波. 基于确定性系数与随机森林模型的滑坡易发性评价. 江西科学. 2025(02): 375-384 . 百度学术
    4. 李国营,刘平,张凯,武倩倩,李玉香. 量纲统一在滑坡易发性评价中的影响分析. 水文地质工程地质. 2024(03): 118-129 . 百度学术
    5. 蔡佳明. 北京东部山区地质灾害危险性评价. 地质灾害与环境保护. 2024(02): 49-55 . 百度学术
    6. 刘静,杨迎冬,魏蕾,陈安. 基于组合权重法的云南省地质灾害灾情年度评价及预测. 科技通报. 2024(08): 90-94+106 . 百度学术
    7. 卢登科,黄立鑫. 滑坡灾害防治研究进展与展望. 河南科技. 2024(15): 95-99 . 百度学术
    8. 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
    9. 吴雅睿,娄春辉,侯龙君,刘峰. 基于信息量与机器学习耦合模型的滑坡易发性评价对比分析. 西安科技大学学报. 2024(06): 1140-1153 . 百度学术
    10. 黄成,邓云龙,晏祥省,周鑫城. 基于多模型的滑坡易发性评估研究. 中国岩溶. 2024(06): 1386-1397 . 百度学术
    11. 汪江英,石常亮. 江西省抚州市宜黄县地质灾害易发性分区评价研究. 资源信息与工程. 2023(01): 102-106 . 百度学术
    12. 李成林,刘严松,赖思翰,王地,何星慧,刘琦,何博宇. 基于BP神经网络模型的滑坡易发性评价方法. 科学技术与工程. 2023(13): 5481-5492 . 百度学术
    13. 彭丹. 贵州省贵阳市南明区滑坡易发性评价. 甘肃水利水电技术. 2023(04): 36-39+43 . 百度学术
    14. 赵晓东,刘福,杨华,张泰丽. 改进的学习向量量化滑坡易发性评价模型研究. 测绘科学. 2023(05): 239-246 . 百度学术
    15. 王新伟,张漓黎,莫德科,叶宗达,江凡. 基于信息量和多层感知机分类器模型耦合的平果市斜坡类地质灾害易发性评价. 中国岩溶. 2023(02): 370-381 . 百度学术
    16. 李光辉,铁永波. 基于信息量模型的综合地质灾害易发性建模方法对比研究. 灾害学. 2023(03): 212-221 . 百度学术
    17. 曾斌,吕权儒,寇磊,艾东,许汇源,袁晶晶. 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. 中国地质灾害与防治学报. 2023(04): 105-113 . 本站查看
    18. 周苏华,付宇航,徐智文,杨明辉,韩文杰. 基于主客观赋权法的福建省地质灾害易发性评价. 安全与环境学报. 2023(09): 3204-3214 . 百度学术
    19. 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
    20. 李光辉,铁永波,白永建,熊晓辉. 则木河断裂带(普格段)地质灾害发育规律及易发性评价. 中国地质灾害与防治学报. 2022(03): 123-133 . 本站查看
    21. 白光顺,杨雪梅,朱杰勇,张世涛,祝传兵,康晓波,孙滨,周琰嵩. 基于证据权法的昆明五华区地质灾害易发性评价. 中国地质灾害与防治学报. 2022(05): 128-138 . 本站查看
    22. 薛正海,冯文凯,韩靖楠,易小宇,吴明堂. 基于信息量及层次分析关联法和BP神经网络耦合的滑坡易发性评价. 桂林理工大学学报. 2022(04): 809-819 . 百度学术

    其他类型引用(13)

图(8)  /  表(3)
计量
  • 文章访问数:  610
  • HTML全文浏览量:  450
  • PDF下载量:  247
  • 被引次数: 35
出版历程
  • 收稿日期:  2021-02-05
  • 修回日期:  2021-04-04
  • 网络出版日期:  2021-12-16
  • 刊出日期:  2021-12-28

目录

/

返回文章
返回