基于加权信息量模型的临潼区滑坡易发性评价

为提高滑坡易发性评价的准确性和精度,结合随机森林(FR)模型和信息量(IV)模型2种方法,提出一种新的加权信息量(WIV)模型。以西安市临潼区为研究区,基于野外调查和因素相关性分析,选取坡度、坡向、高程、曲率、地形起伏、岩土体类型、降雨量、断层、水系和道路10个影响因子,以全区72个滑坡灾害点为样本数据,分别采用FR模型、IV模型和WIV模型对研究区开展滑坡易发性评价。结果表明:WIV模型训练样本的成功率和预测率比FR模型分别高4.9%和1.9%,比IV模型分别高17.80%和4.70%;滑坡灾害点高易发区和极高易发区多分布在断层、河流及道路集中区域,且其滑坡灾害点比例WIV模型比IV模型、FR模型分别提高6.37%和4.45%;WIV模型易发性评价分区结果与研究区实际情况相近。研究成果可为防灾减灾工程提供科学依据。     

基于PSO-SVM模型的滑坡易发性评价

滑坡易发性评价是区域滑坡预警和评估工作的前期准备。滑坡致灾因子的有效选取以及评价模型的构建成为当前滑坡预测研究中的难点问题。以府谷县作为研究区,借助多种技术手段将数字高程模型(DEM)、地质图、路网图、遥感影像图等多源数据进行融合,提取了地形地貌、地层岩性以及地表覆盖等滑坡孕灾环境因子和降雨量、人类工程活动等诱发因素的特征属性作为评价指标。在此基础上,对提取的各因子的相关性进行分析,剔除了地形起伏度因子。采用粒子群优化(PSO)算法对支持向量机(SVM)模型的参数进行优化,得到最佳参数组合为惩罚因子c=1.42,核参数σ=1.15,将最优参数组合代入支持向量机模型中,构建出粒子群优化算法-支持向量机模型(PSO-SVM),并将其用于研究区滑坡易发性定量评价中。最后分别采用ROC曲线与Kappa系数对PSO-SVM模型性能的优越性进行检验,结果表明,PSO-SVM模型成功率与预测率分别为0.931和0.917,训练集与测试集的预测精度分别为79.17%、76.67%。研究结果可以为从事滑坡预测评价工作者提供决策参考。     

基于聚类算法优化样本的地质灾害易发性评价

区域地质灾害易发性评价样本数据的可靠性是影响最终评价结果的关键因素之一。以陕西省白河县236处地质灾害为研究对象，分别采用层次聚类算法与动态K-means聚类算法对地质灾害样本数据进行聚类分析并获得其样本纯度。分析结果表明：层次聚类算法与K-means聚类算法得到样本纯度分别为91.53%与92.80%;结合两种算法结果，剔除样本噪声点20个，确定有效样本点216个，得到最终样本纯度为91.53%。利用样本提纯前后数据分别建立信息量模型(Ⅳ_前、Ⅳ_后),开展区域地质灾害易发性评价。评价结果表明：Ⅳ_前模型与Ⅳ_后模型得到的区域易发性区划图中，地质灾害落入极高-高易发区的数量分别为149个与167个，分别占灾害总数的63.13%与70.77%,灾害密度分别为0.508个/km²与0.584个/km²,较初始样本条件，样本提纯后极高-高易发区内灾害点数增加18个，灾害密度增加0.076个/km²,地质灾害分布更集中，预测结果准确度更高。研究结果...