Development characteristics and risk assessment of geological hazards along the Lan-Cheng-Yu refined oil pipeline based on machine learning
-
摘要:
以兰成渝成品油管道途径区域为研究对象,基于实际调查编录的管道沿线地质灾害点,分析管道沿线地质灾害发育特征,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等10个评价因子,利用信息量模型和BP神经网络,获取不同模型下管道沿线的地质灾害易发性分区,最后结合地质灾害隐患点风险等级和发育密度进行管道沿线的风险性评价。结果表明:管道沿线灾害类型为水毁类为主,主要分布于甘肃省陇南市;坡度、地层岩性、距断层的距离及水系是影响地质灾害发育的主要因子;管道沿线无高风险段,较高、中、较低、低风险段各占管道全长21.8%、6.9%、15.7% 以及55.6%。基于信息量+神经网络模型的AUC=0.936,高、较高易发区的地质灾害隐患点总占比为71.2%。说明信息量+神经网络模型更适合本区域的地质灾害易发性评价。研究结果对兰成渝成品油管道的长期安全运营和防灾减灾具有重要指导作用,同时也为其他管道的地质灾害风险评价提供了有益的参考和借鉴。
Abstract:This study focuses on the region along the Lanzhou-Chengdu-Chongqing (Lan-Cheng-Yu) refined oil pipeline, analyzing the development characteristics of geological hazards based on field-surveyed disaster points along the pipeline. The analysis considers 10 evaluation factors across four aspects: from topography, geological environment, hydrological conditions, and ecological environment. These factors include elevation, slope, profile curvature, engineering rock group, distance from faults, water systems, annual rainfall, vegetation cover, land use types, and geological peak ground acceleration. By utilizing an information model and BP neural network, the study identifies the susceptibility zoning of geological hazards along the pipeline for different models. Subsequently, the risk assessment is then conducted based on the risk level and development density of geological hazard hidden points along the pipeline. The types of disasters along the pipeline are primarily water-induced, mainly distributed in Longnan City, Gansu Province. Slope gradient, rock type of the strata, distance to faults, and the drainage system are the main factors affecting the development of geological disasters. There are no high-risk sections along the pipeline, with high, moderate, low, and very low-risk sections accounting for 21.8%, 6.9%, 15.7%, and 55.6% of the total pipeline length, respectively. The AUC value of 0.936 for the information model + neural network approach shows that 71.2% of the hazard points fall within high and relatively high susceptibility zones, suggesting that this combined model is more suitable for evaluating geological hazard susceptibility in this area. The research results provide valuable guidance for ensuring the long-term safe operation and enhancing disaster prevention and mitigation efforts of the Lan-Cheng-Yu refined oil pipeline. Additionally, they provide a beneficial reference and example for conducting geological disaster risk assessments for other pipelines.
-
0. 引言
滑坡是岩石、泥土、岩土碎屑在重力、水或者其他工程活动作用下沿斜坡向下滑移、崩落或流动的一类地质灾害,其危害巨大、分布广泛,持续影响着区域社会经济发展和人民生命财产安全[1]。福建省是我国遭受滑坡灾害较严重的地区之一,仅2013—2017年间就发生1334次滑坡,造成数亿元的经济损失和数百人伤亡[2]。滑坡危险性评价是滑坡灾害风险评估的重要组成部分,能为防灾减灾和灾害治理提供参考依据和关键信息[3]。
滑坡危险性评价过程包括滑坡影响因子选择、研究单元划分、建立评价模型和模型评价等步骤,选取高效精确的模型对于评价结果具有至关重要的作用[4]。滑坡危险性评价方法主要包括历史滑坡分析法、启发式方法、基于岩土物理模型方法和基于统计模型方法[5]。基于统计模型的方法得益于其高效准确而被应用于大量工程项目与科学研究中,包括逻辑回归模型、支持向量机、贝叶斯方法、决策树方法与人工神经网络等[6-8]。
刘丽娜等[5]利用层次分析法对芦山地震区进行了滑坡危险性评价,分析了地震区滑坡影响因子,给出了研究区滑坡危险性分区图。王萌等[9]采用GIS技术和贡献权重模型在米易县进行了滑坡危险性评估,实现滑坡危险性评价的科学化和信息化。Dehnavi等[10]提出了一种基于逐步权重评估比分析(SWARA)方法和自适应神经模糊推理系统(ANFTS)的新型混合模型应用于伊朗滑坡危险性评估中并拥有良好表现。Bourenane等[11]分别使用层次分析法、频率比法、逻辑回归和证据权重法对康斯坦丁市进行了危险性评价和比较,结果表明频率比法在该研究中具有最优效果。随着计算机性能的进一步加强,人工神经网络模型对比其他简单模型具有更加优越的性能和广阔的应用前景,其在滑坡危险性评价中也有着较为突出的表现[12-14]。
福建省南平市滑坡灾害多发,一些学者对该地区的单体滑坡灾害进行了研究,认为该地区滑坡具有典型的东南沿海台风暴雨型滑坡特征 [15-17]。然而,该地区区域性的滑坡危险性评价工作仍缺乏。本研究以南平市的历史滑坡灾害作为研究对象, 收集多种滑坡影响因子,运用人工神经网络模型对该区域滑坡灾害危险性进行评估。
1. 研究区概况与滑坡影响因子
1.1 研究区概况及滑坡数据
研究区南平市位于福建省北部,面积2.63万km2(图1)。研究区地形地貌受构造运动的影响强烈,构造地貌特征相当明显,山脉多呈东北-西南走向。低山丘陵分布广,山间盆谷地沿河交替分布,山地切割明显,高差悬殊,以断裂为主的断块山山峰陡峭,断层崖、断裂谷等地貌分布广。研究区属典型的亚热带季风气候,年平均降雨量约为1500~2000 mm,降雨多集中在夏季。闽江、建溪、富屯溪是市内主要的水系。
研究区滑坡灾害点分布情况见图1(b),根据最新版2014年Varnes滑坡分类体系共包含滑移、崩塌和泥石流3种主要类型和多种次级类型[18]。其中,滑移1008例,崩塌679例,泥石流24例,共计1711例。
1.2 滑坡影响因子
影响滑坡发生的因子众多,本研究共收集高程、坡度、坡向、曲率、地层岩性、土壤类型、降雨、水系、土地利用类型、公路和铁路等11类因子(表1)。所有因子均离散为分类变量,其中,坡向因子根据方向分类,其余影响因子按照自然断点法进行分类(图2、图3)。
表 1 滑坡致灾因子描述与来源Table 1. The description and source of landslide inducing factors因子 描述 来源 高程 ASTER GDEM V2,30 m分辨率 http://www.gscloud.cn 坡度 30 m分辨率 由DEM提取 坡向 30 m分辨率 由DEM提取 曲率 30 m分辨率 由DEM提取 地层岩性 矢量数据 http://www.geodata.cn 土壤类型 重采样至30 m分辨率 http://www.resdc.cn 降雨 1980—2015年平均降雨量,由
降雨站点数据插值http://data.cma.cn 水系 矢量数据 http://www.geodata.cn 土地利用类型 30 m分辨率 http://www.webmap.cn 公路 矢量数据 http://www.webmap.cn 铁路 矢量数据 http://www.webmap.cn 地形地貌对滑坡的形成具有重要控制作用。海拔的高低对于人类工程活动等影响有直接作用,从而影响边坡的危险程度;坡度是一种被广泛应用的滑坡危险性评价因子,其影响斜坡上失稳岩土体的稳定性和总体移动速率。通常,坡度越大的区域其势能越大,稳定性越差;坡向决定了光照和水的流向,不同的坡向其阳光照射时间与强度不同、水流方向也不同,这些影响导致了坡面植被生长和坡体稳定性;曲率是描述流域盆地的物理特征,它能够影响流动的加速和减速,汇聚和分散[19]。
地质构造与土壤属性是滑坡危险性评价中重要的影响因子,他们直接决定滑坡是否会发生,以何种形式发生,[20]。地层岩性和土壤属性是斜坡最重要的物理特征,通常决定了坡体的软硬性质、结构强度、松散程度等关键性质。从地层岩性上看,滑坡常发生于各种构造软弱结构面和较软弱的岩土层;从土壤属性看,较松散的土体和较大程度的土壤侵蚀有利于滑坡的孕育[21]。
水文条件通常是是滑坡发生的诱发因素和直接原因。研究区地处亚热带海洋性季风区,降雨多且集中,每年有数十例滑坡发生在雨季,持续的降雨能直接引发山体滑坡,也能侵蚀边坡为其失稳提供条件。因此,选择年平均降雨与河流作为影响因子。地表覆盖的不同对于滑坡的孕育也有着不同程度的影响。通常对于地表覆盖而言,裸露的坡地较植被茂盛的坡地更易发生失稳,根系发达的森林较草地则更稳定。
人类活动对于边坡的直接影响日益加大。大量的基础设施建设和道桥施工破坏了边坡原有的结构,山区铁路和公路的修建通常开挖隧道和人工切坡,公路、铁路沿线是滑坡发生的重灾区同时也是减灾防灾的重点区域[22]。因此,选择公路、铁路作为表征人类活动的因子。
2. 研究方法
2.1 研究单元划分
目前,滑坡危险性评价常用的基本研究单元有:网格单元、地貌单元、行政单元、独立条件单元、斜坡单元等[23]。其中,网格单元和斜坡单元应用最广。网格单元十分规则,对于复杂模型的计算和模拟具有极好的适应性,在许多研究中得到了应用。因此,本研究选择网格单元作为基本评价单元。
网格单元大小的选取至关重要,太大难以表示局部区域的空间差异,太小则会影响计算效率,研究者通常选取在30 m~1 km。出于对研究区面积和计算效率的综合考虑,本研究选择300 m正方形网格作为基本研究单元,总计得到374666个单元。分别计算落入每个单元的滑坡点数量,数量为0的单元记为0,数量不为0的单元记为1,以此形成滑坡在空间上的二元分布。该分布将成为危险性评价模型的因变量。然后计算各网格单元的影响因子的属性值作为模型的自变量。
2.2 因子相关性检测
多个滑坡影响因子之间可能存在相关性,相关性的存在会使得评价模型难以捕捉有用信息,从而影响评价结果。本研究使用Spearman 相关性分析对研究区各因子进行分析,通过相关性系数 R 衡量各因素的相关程度。因子的相关性检测由SPSS软件计算,结果见表2。
表 2 因子间相关系数Table 2. Correlation coefficient of conditional factors因子 高程 坡度 坡向 曲率 降雨 土地利用 土壤 水系 公路 铁路 高程 1 坡度 0.040 1 坡向 −0.024 −0.047 1 曲率 −0.061* −0.042 −0.001 1 降雨 0.046** −0.009 −0.048* −0.017 1 土地利用 −0.010 −0.010 0.005 0.034 −0.034 1 土壤 0.242** 0.047 −0.004 −0.009 0.180** 0.001 1 水系 −0.296** 0.058* −0.002 0.026 −0.084** −0.031 −0.163** 1 公路 −0.234** −0.099** 0.019 0.044 −0.144** −0.032 −0.114** 0.401** 1 铁路 −0.240** −0.033 0.029 0.025 −0.227** −0.028 −0.273** 0.291** 0.362** 1 注:*表示在 0.05 级别(双尾),相关性显著;**表示在 0.01 级别(双尾),相关性显著。 Xiao等[24-25]研究认为,因子间相关性系数∣R∣<0.5表明因子间相关性较低。由表2 可知,各因子间相关性系数∣R∣<0.5,因此本研究保留全部11项影响因子。
2.3 滑坡危险性评价模型
人工神经网络(Artificial Neural Networks,ANN)模型是一种优秀的机器学习模型,它既能够拟合线性关系也能够解决非线性问题,因而被广泛的应用于滑坡危险性评价和风险评估中[26-28]。
人工神经网络是由构成动物大脑的生物神经网络模糊启发的计算系统[29]。人工神经网络由被称为人工神经元的连接单元或节点组成,这些单元或节点可以对生物脑中的神经元进行松散建模。每个连接都像生物大脑中的突触一样,可以将信号传输到其他神经元。接收信号的人工神经元随后对其进行处理,并可以向与之相连的神经元发出信号。在许多实际应用场景中,人工神经网络通常被当作一种复杂的分类器,在本研究中亦是如此[12, 30]。
在本研究中,使用多层感知器(Multilayer Perceptron,MLP)构建神经网络,其基本结构如图4所示,从左到右分别为输入层、隐藏层和输出层。将数据导入输入层,经过第一层神经元的计算得到输出,然后第一层的输出作为第二层的输入,依次运算直至到输出层,最终得到结果。本研究中使用Sigmoid激活函数,自动计算单元格数、计算隐藏层层数与神经元个数,使用随机搜索确定模型参数值。同时,为防止过拟合,指定30%集合用于防止过拟合。
本研究中,1711个滑坡灾害点分别落入1653个单元中,该1653个单元作为数据集中的正样本。以所有正样本几何中心300 m外的区域为选择区域,选取等数量的单元作为负样本。因此,共计3306个样本用于模型的训练和测试,其中训练集和测试集数量比例各占50%。
2.4 模型评估和验证
2.4.1 混淆矩阵
混淆矩阵(confusion matrix)衡量的是一个分类器分类的准确程度,也称误差矩阵。混淆矩阵常被用于二分类模型的结果评价,该方法可以对模型结果中0值预测的正确率和对1值预测正确率以及整体预测率进行定量表达。本研究使用了sklearn.metrics.confusion_matrix计算混淆矩阵。
2.4.2 ROC曲线
ROC(Receiver Operating Characteristic Curve)即 “受试者工作特征曲线”,该曲线是反应敏感性和特异性变量的综合指标。在滑坡危险性评价中,ROC曲线的X 轴为特异性,表示非灾害点被错误预测的概率。Y轴为敏感性,代表灾害点预测成功率。模型预测精度用曲线与横坐标围成的面积的大小表示,曲线下面积为AUC(Area Under the Curve),AUC 值的取值范围为[0,1]。AUC 值越接近于1,表明模型的精确度越高。
3. 结果分析
3.1 危险性评价结果分析
按照神经网络模型分析结果得到研究区滑坡危险性指数。其结果范围为0~1,使用自然间断法进行分区,分别为低危险区、较低危险区、中等危险区、较高危险区和高危险区。图5为研究区滑坡危险性分区图。
其中,低危险区占比15.96%,较低危险区63.78%,中等危险区为17.52%,较高危险区和高危险区总计占2.74%。全部滑坡点落入各级别危险区的数量和比例为:低危险区142个,占比2.25%;较低危险区499个,占比29.16%;中等危险区最多为802个,占比46.87%;较高危险区和高危险区268个,占比15.66%。
总体上看,研究区滑坡危险性分布主要特征为东北和西南高,中部低。其中延平区、浦城县发生滑坡灾害较多,区域地层岩性主要为古生界沉积岩和变质岩以及花岗岩,降雨均少于平均水平,说明研究区内降雨并非造成滑坡空间分布差异的主要原因。中等危险区分布较广,主要在研究区的东北和西南部。较低危险区和低危险区主要分布于建阳区和建瓯市。研究区内较低危险区和中等危险区分布最为广泛,这些地区往往发生过一些滑坡灾害,但远远没有达到较高危险程度。
3.2 模型精度评估和验证分析
为测试危险性评价模型的精度和可靠性,选用混淆矩阵和ROC曲线对模型的预测正确率进行了验证分析。混淆矩阵的结果如表3所示,ROC曲线和AUC值如图6所示,AUC值为ROC曲线下面积。
表 3 混淆矩阵Table 3. Confusion matrix是否滑坡(实际) 是否滑坡(预测) 百分比/% 准确率/% 是 否 是 1466 187 88.64 84.91 否 311 1342 81.18 混淆矩阵对结果中滑坡发生与不发生的精度进行了统计,最终准确度为84.91%,表明实际预测精度较高。而模型AUC值达到0.93,表明模型预测能力极好,精度较高。
4. 结论与讨论
(1)本文基于GIS和机器学习技术,应用神经网络模型对南平市进行滑坡危险性评价,并对评价结果进行检验。结果表明:预测准确率84.91%,ROC曲线下面积AUC值为0.93,表明研究所使用的神经网络模型具有较好的预测性和精度。研究结果可进一步的为研究区防灾减灾与发展的选址问题上给决策者与工程师提供参考与建议。
(2)研究区危险性结果为东北和西南危险性高,中部低。延平区、浦城县是滑坡最危险的地区,中等危险区分布较广,主要在研究区的东北和西南部。较低危险区和低危险区主要分布于建阳区和建瓯市。南平市大部分地区属于丘陵山区,滑坡地质灾害危险性高,对于山区居民和公路等基础设施存在的严重的威胁。
(3)文中仍存在一些不足之处,例如神经网络模型采用了较常规的超参数设置,并未进一步深入,待以后的研究中改善和解决。
-
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 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模型低 265.4 22.96 17 4.57 0.06 较低 361.4 31.27 42 11.29 0.12 中 128.9 11.15 48 12.90 0.37 较高 137.8 11.92 54 14.52 0.39 高 262.3 22.69 211 56.72 0.80 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 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 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 低、不易发 <0.2 低 -
[1] 胡载彬. 天然气长输管道安全运行监管研究——以西气东输一线长输管道项目为例[D]. 上海:华东师范大学,2020. [HU Zaibin. Study on safety operation supervision of long-distance natural gas pipeline:Taking the long-distance natural gas pipeline project of west-east gas pipeline as an example[D]. Shanghai:East China Normal University,2020. (in Chinese with English abstract)] HU Zaibin. Study on safety operation supervision of long-distance natural gas pipeline: Taking the long-distance natural gas pipeline project of west-east gas pipeline as an example[D]. Shanghai: East China Normal University, 2020. (in Chinese with English abstract)
[2] HE Bohu,BAI Mingzhou,SHI Hai,et al. Risk assessment of pipeline engineering geological disaster based on GIS and WOE-GA-BP models[J]. Applied Sciences,2021,11(21):9919. DOI: 10.3390/app11219919
[3] 王子,王栋,姜帅,等. 西气东输管道工程陕西岭湾村滑坡变形特征及成因机制分析[J]. 中国地质灾害与防治学报,2023,34(3):8 − 19. [WANG Zi,WANG Dong,JIANG Shuai,et al. Analysis on deformation mechanism of the Lingwan Village landslide in Shaanxi Province section of the West-East Gas Pipeline Project[J]. The Chinese Journal of Geological Hazard and Control,2023,34(3):8 − 19. (in Chinese with English abstract)] WANG Zi, WANG Dong, JIANG Shuai, et al. Analysis on deformation mechanism of the Lingwan Village landslide in Shaanxi Province section of the West-East Gas Pipeline Project[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(3): 8 − 19. (in Chinese with English abstract)
[4] KANUNGO D P,ARORA M K,SARKAR S,et al. A comparative study of conventional,ANN black box,fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas[J]. Engineering Geology,2006,85(3/4):347 − 366.
[5] 邓人嘉. 山区段天然气管道安全风险模糊评估研究[D]. 南昌:南昌大学,2023. [DENG Renjia. Study on fuzzy evaluation of natural gas pipeline safety risk in mountainous area[D]. Nanchang:Nanchang University,2023. (in Chinese with English abstract)] DENG Renjia. Study on fuzzy evaluation of natural gas pipeline safety risk in mountainous area[D]. Nanchang: Nanchang University, 2023. (in Chinese with English abstract)
[6] 叶天宇. 基于模糊综合评价法的天然气管道风险评价研究[D]. 上海:上海交通大学,2017. [YE Tianyu. Study on risk assessment of natural gas pipeline based on fuzzy comprehensive evaluation method[D]. Shanghai:Shanghai Jiao Tong University,2017. (in Chinese with English abstract)] YE Tianyu. Study on risk assessment of natural gas pipeline based on fuzzy comprehensive evaluation method[D]. Shanghai: Shanghai Jiao Tong University, 2017. (in Chinese with English abstract)
[7] OZDEMIR A,ALTURAL T. A comparative study of frequency ratio,weights of evidence and logistic regression methods for landslide susceptibility mapping:Sultan Mountains,SW Turkey[J]. Journal of Asian Earth Sciences,2013,64:180 − 197. DOI: 10.1016/j.jseaes.2012.12.014
[8] ZHAO Hongliang,YAO Leihua,MEI Gang,et al. A fuzzy comprehensive evaluation method based on AHP and entropy for a landslide susceptibility map[J]. Entropy,2017,19(8):396. DOI: 10.3390/e19080396
[9] YANG Xiaojie,HAO Zhenli,LIU Keyuan,et al. An improved unascertained measure-set pair analysis model based on fuzzy AHP and entropy for landslide susceptibility zonation mapping[J]. Sustainability,2023,15(7):6205. DOI: 10.3390/su15076205
[10] 周萍,邓辉,张文江,等. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例[J]. 地理科学,2022,42(9):1665 − 1675. [ZHOU Ping,DENG Hui,ZHANG Wenjiang,et al. Landslide susceptibility evaluation based on information value model and machine learning method:A case study of Lixian County,Sichuan Province[J]. Scientia Geographica Sinica,2022,42(9):1665 − 1675. (in Chinese with English abstract)] ZHOU Ping, DENG Hui, ZHANG Wenjiang, et al. Landslide susceptibility evaluation based on information value model and machine learning method: A case study of Lixian County, Sichuan Province[J]. Scientia Geographica Sinica, 2022, 42(9): 1665 − 1675. (in Chinese with English abstract)
[11] SAAD M,KAMEL M,MOFTAH H. Landslide susceptibility mapping for the red sea mountains:A multi-criteria decision analysis approach[J]. Journal of African Earth Sciences,2024,209:105125. DOI: 10.1016/j.jafrearsci.2023.105125
[12] 潘禹臣,汤明高,倪文涛,等. 中缅天然气管道沿线地质灾害风险评价[J]. 人民长江,2022,53(10):108 − 115. [PAN Yuchen,TANG Minggao,NI Wentao,et al. Risk assessment of geological disasters along China-Myanmar natural gas pipeline[J]. Yangtze River,2022,53(10):108 − 115. (in Chinese with English abstract)] PAN Yuchen, TANG Minggao, NI Wentao, et al. Risk assessment of geological disasters along China-Myanmar natural gas pipeline[J]. Yangtze River, 2022, 53(10): 108 − 115. (in Chinese with English abstract)
[13] 张海磊,唐茂,汤明高,等. 山区油气管道的滑坡灾害风险评估方法[J]. 地质灾害与环境保护,2022,33(3):90 − 95. [ZHANG Hailei,TANG Mao,TANG Minggao,et al. Landslide hazard risk assessment method of oil and gas pipeline in mountainous area[J]. Journal of Geological Hazards and Environment Preservation,2022,33(3):90 − 95. (in Chinese with English abstract)] ZHANG Hailei, TANG Mao, TANG Minggao, et al. Landslide hazard risk assessment method of oil and gas pipeline in mountainous area[J]. Journal of Geological Hazards and Environment Preservation, 2022, 33(3): 90 − 95. (in Chinese with English abstract)
[14] 范壮. 基于随机森林算法的油气管道风险判定方法研究[D]. 北京:中国地质大学(北京),2021. [FAN Zhuang. Research on risk determination method of oil and gas pipeline based on random forest algorithm[D]. Beijing:China University of Geosciences,2021. (in Chinese with English abstract)] FAN Zhuang. Research on risk determination method of oil and gas pipeline based on random forest algorithm[D]. Beijing: China University of Geosciences, 2021. (in Chinese with English abstract)
[15] 武雪玲,任福,牛瑞卿,等. 斜坡单元支持下的滑坡易发性评价支持向量机模型[J]. 武汉大学学报(信息科学版),2013,38(12):1499 − 1503. [WU Xueling,REN Fu,NIU Ruiqing,et al. Landslide spatial prediction based on slope units and support vector machines[J]. Geomatics and Information Science of Wuhan University,2013,38(12):1499 − 1503. (in Chinese with English abstract)] WU Xueling, REN Fu, NIU Ruiqing, et al. Landslide spatial prediction based on slope units and support vector machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(12): 1499 − 1503. (in Chinese with English abstract)
[16] 杨晨. 基于多种算法调优的支持向量机对滑坡易发性评价的精度影响研究[D]. 昆明:昆明理工大学,2023. [YANG Chen. Study on the influence of support vector machine based on multi-algorithm optimization on the accuracy of landslide susceptibility evaluation[D]. Kunming:Kunming University of Science and Technology,2023. (in Chinese with English abstract)] YANG Chen. Study on the influence of support vector machine based on multi-algorithm optimization on the accuracy of landslide susceptibility evaluation[D]. Kunming: Kunming University of Science and Technology, 2023. (in Chinese with English abstract)
[17] 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)] 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)
[18] 薛正海,冯文凯,韩靖楠,等. 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[J]. 桂林理工大学学报,2022,42(4):809 − 819. [XUE Zhenghai,FENG Wenkai,HAN Jingnan,et al. Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model[J]. Journal of Guilin University of Technology,2022,42(4):809 − 819. (in Chinese with English abstract)] XUE Zhenghai, FENG Wenkai, HAN Jingnan, et al. Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model[J]. Journal of Guilin University of Technology, 2022, 42(4): 809 − 819. (in Chinese with English abstract)
[19] PARK I,LEE S. Spatial prediction of landslide susceptibility using a decision tree approach:A case study of the pyeongchang area,Korea[J]. International Journal of Remote Sensing,2014,35(16):6089 − 6112. DOI: 10.1080/01431161.2014.943326
[20] 郭衍昊,窦杰,向子林,等. 基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价[J]. 地质科技通报,2024,43(3):251 − 265. [GUO Yanhao,DOU Jie,XIANG Zilin,et al. Susceptibility evaluation of Wenchuan coseismic landslides by gradient boosting decision tree and random forest based on optimal negative sample sampling strategies[J]. Bulletin of Geological Science and Technology,2024,43(3):251 − 265. (in Chinese with English abstract)] GUO Yanhao, DOU Jie, XIANG Zilin, et al. Susceptibility evaluation of Wenchuan coseismic landslides by gradient boosting decision tree and random forest based on optimal negative sample sampling strategies[J]. Bulletin of Geological Science and Technology, 2024, 43(3): 251 − 265. (in Chinese with English abstract)
[21] 杨得虎,朱杰勇,刘帅,等. 基于信息量、加权信息量与逻辑回归耦合模型的云南罗平县崩滑灾害易发性评价对比分析[J]. 中国地质灾害与防治学报,2023,34(5):43 − 53. [YANG Dehu,ZHU Jieyong,LIU Shuai,et al. Comparative analyses of susceptibility assessment for landslide disasters based on information value,weighted information value and logistic regression coupled model in Luoping County,Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(5):43 − 53. (in Chinese with English abstract)] YANG Dehu, ZHU Jieyong, LIU Shuai, et al. Comparative analyses of susceptibility assessment for landslide disasters based on information value, weighted information value and logistic regression coupled model in Luoping County, Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(5): 43 − 53. (in Chinese with English abstract)
[22] 张凯翔,蒋道君,吕小宁,等. 机器学习模型在地质灾害遥感调查数据分析中的应用现状[J]. 中国地质灾害与防治学报,2024,35(4):126 − 134. [ZHANG Kaixiang,JIANG Daojun,LYU Xiaoning,et al. Current application of machine learning models in the analysis of remote sensing survey data for geological hazards[J]. The Chinese Journal of Geological Hazard and Control,2024,35(4):126 − 134. (in Chinese with English abstract)] ZHANG Kaixiang, JIANG Daojun, LYU Xiaoning, et al. Current application of machine learning models in the analysis of remote sensing survey data for geological hazards[J]. The Chinese Journal of Geological Hazard and Control, 2024, 35(4): 126 − 134. (in Chinese with English abstract)
[23] 高子雁,李瑞冬,石鹏卿,等. 基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测[J]. 中国地质灾害与防治学报,2023,34(6):30 − 36. [GAO Ziyan,LI Ruidong,SHI Pengqing,et al. Deformation prediction of the northern mountain landslide in Lijie Town of Zhouqu,Gansu Province based on long-short term memory network[J]. The Chinese Journal of Geological Hazard and Control,2023,34(6):30 − 36. (in Chinese with English abstract)] GAO Ziyan, LI Ruidong, SHI Pengqing, et al. Deformation prediction of the northern mountain landslide in Lijie Town of Zhouqu, Gansu Province based on long-short term memory network[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(6): 30 − 36. (in Chinese with English abstract)
[24] 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. [MU 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)] MU 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)
[25] 郝建斌,刘建平,石蕾,等. 兰成渝成品油管道沿线地质灾害危险度区划[J]. 油气储运,2008,27(4):49 − 53. [HAO Jianbin,LIU Jianping,SHI Lei,et al. Zonaion of danger degree of geological hazards over Lanzhou-Chengdu-Chongqing products pipeline[J]. Oil & Gas Storage and Transportation,2008,27(4):49 − 53. (in Chinese with English abstract)] HAO Jianbin, LIU Jianping, SHI Lei, et al. Zonaion of danger degree of geological hazards over Lanzhou-Chengdu-Chongqing products pipeline[J]. Oil & Gas Storage and Transportation, 2008, 27(4): 49 − 53. (in Chinese with English abstract)
[26] 杨康,薛喜成,李识博. 信息量融入GA优化SVM模型下的地质灾害易发性评价[J]. 安全与环境工程,2022,29(3):109 − 118. [YANG Kang,XUE Xicheng,LI Shibo. Geological hazard susceptibility assessment by incorporating information value into GA optimized SVM model[J]. Safety and Environmental Engineering,2022,29(3):109 − 118. (in Chinese with English abstract)] YANG Kang, XUE Xicheng, LI Shibo. Geological hazard susceptibility assessment by incorporating information value into GA optimized SVM model[J]. Safety and Environmental Engineering, 2022, 29(3): 109 − 118. (in Chinese with English abstract)
[27] YI Yaning,ZHANG Zhijie,ZHANG Wanchang,et al. Landslide susceptibility mapping using multiscale sampling strategy and convolutional neural network:A case study in Jiuzhaigou Region[J]. CATENA,2020,195:104851. DOI: 10.1016/j.catena.2020.104851
[28] CHEN Wei,ZHANG Shuai,LI Renwei,et al. Performance evaluation of the GIS-based data mining techniques of best-first decision tree,random forest,and naïve Bayes tree for landslide susceptibility modeling[J]. Science of the Total Environment,2018,644:1006 − 1018. DOI: 10.1016/j.scitotenv.2018.06.389
[29] 郭守德,王强,林影,等. 中缅油气管道沿线地质灾害分析与防治[J]. 油气储运,2019,38(9):1059 − 1064. [GUO Shoude,WANG Qiang,LIN Ying,et al. Analysis and prevention of geological hazards along the China-Myanmar Oil and Gas Pipeline[J]. Oil & Gas Storage and Transportation,2019,38(9):1059 − 1064. (in Chinese with English abstract)] GUO Shoude, WANG Qiang, LIN Ying, et al. Analysis and prevention of geological hazards along the China-Myanmar Oil and Gas Pipeline[J]. Oil & Gas Storage and Transportation, 2019, 38(9): 1059 − 1064. (in Chinese with English abstract)
[30] DONG Jiahui,NIU Ruiqing,LI Bingquan,et al. Potential landslides identification based on temporal and spatial filtering of SBAS-InSAR results[J]. Geomatics,Natural Hazards and Risk,2023,14(1):52 − 75. DOI: 10.1080/19475705.2022.2154574
-
期刊类型引用(35)
1. 陈玉波,徐世光,陈梦瑞. 以确定性系数法为基础的不同滑坡易发性评价模型对比分析——以云南保山盆地为例. 中国地质灾害与防治学报. 2025(01): 119-130 . 本站查看
2. 周修波,李永红,陈建平,何意平,姬怡微,张辉,蒙晓,丁子昂. 基于逻辑回归模型的山区城镇地质灾害风险评价方法. 城市地质. 2025(01): 81-91 . 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. 丁美青,黄德国. 安徽省舒城县地质灾害孕灾因子敏感性分析和易发性分区评价. 地下水. 2025(02): 193-196 . 百度学术
5. 黄海,江思义,李海良,李春玲,吴秋菊. 岩溶地区危岩和岩质崩塌易发性评价研究——以广西贺州市平桂区为例. 成都理工大学学报(自然科学版). 2024(01): 137-151 . 百度学术
6. 申玉松,张宸,王艺杰,张迪. 基于CF-LR模型的河南省信阳市地质灾害易发性评价. 地质与资源. 2024(01): 74-81+134 . 百度学术
7. 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
8. 何卿,简季. 基于信息量模型与确定性系数模型的曩宋河流域地质灾害易发性评价. 自然资源信息化. 2024(01): 56-63 . 百度学术
9. 周修波,李永红,何意平,张辉,孙遥,蒙晓,丁子昂. 陕南山区斜坡孕灾地质环境条件分析——以汉阴县漩涡镇为例. 地质灾害与环境保护. 2024(02): 27-35 . 百度学术
10. 吴兴贵,王宇栋,王蓝婷,丁梓逸. 加权信息量模型在云南澜沧县滑坡危险性评价中的应用. 中国地质灾害与防治学报. 2024(03): 119-128 . 本站查看
11. 关艳丽,贾荣谷,李育红,翁彦梅,李家艳,冯蕊. 水库滑坡机理及风险评价研究与展望. 人民珠江. 2024(08): 10-18 . 百度学术
12. 张宇,简季,郝利娜,杨鑫. 基于IV-MLP耦合模型的龙陵县滑坡易发性评价. 物探化探计算技术. 2024(05): 618-626 . 百度学术
13. 皮茂强,肖欣,赵毅,梁锋,张坤,蒲云贵. 基于加权信息量模型的遵义市地质灾害易发性评价. 地质灾害与环境保护. 2024(03): 45-54 . 百度学术
14. 黄煜,谢婉丽,刘琦琦,杨惠,朱荣森,李嘉昊,穆柯,严明,肖金存,何高锐. 基于GIS与MaxEnt模型的滑坡易发性评价——以铜川市中部城区为例. 西北地质. 2023(01): 266-275 . 百度学术
15. 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
16. 支泽民,刘峰贵,周强,夏兴生,陈琼. 基于流域单元的地质灾害易发性评价——以西藏昌都市为例. 中国地质灾害与防治学报. 2023(01): 139-150 . 本站查看
17. 张二阳,袁航. 基于信息量模型的上饶市广丰区地质灾害易发性评价. 资源信息与工程. 2023(02): 54-59 . 百度学术
18. 王成楠,吴琳伟,宋勇,贺婷,王彪,赵影,胡旭东. 江西省寻乌县滑坡易发性评价模型及精度对比研究. 资源环境与工程. 2023(02): 171-182 . 百度学术
19. 邵大江,叶辉,王金亮,周京春,角媛梅,沙晋明. 基于机器学习均值化的地质灾害易发性评价. 云南大学学报(自然科学版). 2023(03): 653-665 . 百度学术
20. 何万才,赵俊三,林伊琳,陈国平,李坤,姚皖路. 基于证据权和支持向量机模型的威信县滑坡易发性评价. 科学技术与工程. 2023(15): 6350-6360 . 百度学术
21. 牟家琦,庄建琦,王世宝,孔嘉旭,杜晨辉. 基于深度神经网络模型的雅安市滑坡易发性评价. 中国地质灾害与防治学报. 2023(03): 157-168 . 本站查看
22. 余芳瑞,王宏卫,钱田田,谢玲,魏一鸣. 地质灾害敏感性下的伊犁河谷生态安全格局构建. 华侨大学学报(自然科学版). 2023(04): 510-517 . 百度学术
23. 刘宝生,陈刚,程刚建. 江苏南京地质灾害风险评价. 中国地质灾害与防治学报. 2023(04): 97-104 . 本站查看
24. 周苏华,付宇航,邢静康,彭爱泉,蒋明奕. 基于不同统计模型的肯尼亚滑坡危险性评价. 中国地质灾害与防治学报. 2023(04): 114-124 . 本站查看
25. 刘帅,朱杰勇,杨得虎,马博. 基于斜坡单元与随机森林模型的元阳县崩滑地质灾害易发性评价. 中国地质灾害与防治学报. 2023(04): 144-150 . 本站查看
26. 刘中楠,高银梅,姜河,黄勇炜,丁华栋,颜智强. 基于CF模型的斜坡地质灾害孕灾因子敏感性分析——以湖南省新宁县为例. 中国地质调查. 2023(04): 107-115 . 百度学术
27. 王鑫,王鲜,郝业,胡鹏,韩秀清,李博文,杨亚洲. 基于加权信息量法与综合指数法的西安市蒋村街道地质灾害易发性评价对比. 世界地质. 2023(02): 399-408 . 百度学术
28. 阳清青,余秋兵,张廷斌,易桂花,张恺. 基于GDIV模型的大渡河中游地区滑坡危险性评价与区划. 中国地质灾害与防治学报. 2023(05): 130-140 . 本站查看
29. 王美华. 基于信息量、信息量-逻辑回归模型综合法的地质灾害易发性研究——以诸暨市马剑镇为例. 化工矿产地质. 2023(04): 347-358 . 百度学术
30. 薛兴太,葛再洋,强秋平. 基于GIS和综合指数法的地质灾害易发性评价——以安徽省滁州市来安县丘陵区为例. 安徽地质. 2023(04): 307-310 . 百度学术
31. 张云波,曾磊,付弘流,张钟远. 基于信息量模型法的石阡县地质灾害易发性评价. 地质灾害与环境保护. 2022(01): 44-49 . 百度学术
32. 葛宗旭,刘汉湖,陈行. 丽江市古城区地质灾害易发性评价方法对比. 云南地理环境研究. 2022(03): 69-76 . 百度学术
33. 简鹏,李文彦,张治家,时伟,党发宁,郭红东,李松. 基于多因素加权指数和法的区域地质灾害易发性评价研究——以麦积区为例. 甘肃地质. 2022(03): 63-72 . 百度学术
34. 毕结昂,徐佩华,宋盛渊,丁锐. 基于信息量-逻辑回归耦合模型的玛纳斯河流域地质灾害易发性评价. 工程地质学报. 2022(05): 1549-1560 . 百度学术
35. 史忠鑫,王振海,车增光,张丽. 基于信息量法的江苏盱眙第一山地质灾害易发性评价. 上海国土资源. 2022(04): 56-60+120 . 百度学术
其他类型引用(16)