点击名片 关注我们
标题
Title
期刊: Gondwana Research
作者:Fancheng Zhao a , Fasheng Miao a b , Yiping Wu a b , Chao Ke a , Shunqi Gong c , Yanming Ding a
年份:2024
1
摘要
滑坡易发性制图(Landslide susceptibility mapping,LSM)作为风险评估和预防的先决条件,在应对全球日益增多的滑坡事件中备受关注。然而,乡镇尺度的精细 LSM 仍然面临着滑坡数量有限以及不同滑坡类型相关因素被忽视的问题。这项工作致力于提出一种新的数据集补充策略,以解决滑坡样本稀缺问题,并确定高滑坡易发性区域的主导因素,为决策者细化乡镇尺度的 LSM。在此,以中国三峡库区的武陵区为例。最初,对 21 处滑坡进行实地调查和校准,得到堆积区和岩石区,并因此提出相应的影响因素,通过使用皮尔逊相关系数(PCC)和多重共线性检验进行因素诊断,为机器学习构建输入特征。随后,随机生成比例为 8:2 的训练集和验证集,使集成机器学习模型能够用于 LSM 预测。该研究最终验证了数据集补充策略的可行性,该策略用于探索 LSM 中的不确定性并确定主导因素。结果表明,套袋神经网络(bagging-ANN)模型在堆积区和岩石区均表现出优越的性能,曲线下面积(Areas Under Curve,AUC)分别为 0.987 和 0.994。此外,数据集补充策略在提高 LSM 的可靠性方面发挥了重要作用,平均价值(AVG)降低了 8.97%,标准偏差(STD)增加了 11.00%。堆积区和岩石区滑坡的主导因素分别为河流侵蚀和高度。凭借出色的性能,这项研究有望为全球其他乡镇的 LSM 提供有前景的参考。
** 研究亮点 **
• 不同类型的滑坡产生相应的影响因素。• 数据集“补充”策略降低了滑坡易发性的不确定性。• SHAP 和 Apriori 算法提供了对滑坡因素贡献的洞察。
2
图表
图 1. 研究区域
图 2. 野外调查照片
图 4. 堆积型滑坡影响因素:(a)坡度,(b)坡形,(c)沟壑密度,(d)高度,(e)成因类型,(f)厚度,(g)滑动形态,(h)倾向,(i)地形湿度指数,(j)河流侵蚀,(k)道路切割,(l)荷载强度,(m)蓄水。
图 6. 滑坡易发性建模与预测流程图。
图 7.(a)堆积区和(b)岩石区的 PCC(Pearson 相关系数)
图 10. 通过(a)装袋人工神经网络、(b)提升 C5.0、(c)人工神经网络、(d)C5.0 模型的滑坡易发性制图(LSM)。
图 13. 通过数据集补给策略预测的滑坡易发性图以及对新发生滑坡的实地调查。
图 14.(a)堆积区和(c)岩石区的归一化重要性,以及(b)堆积区和(d)岩石区的 SHAP 值
3
结论
LSM 仍然是一种强大而有效的用于减轻和预防山体滑坡的工程工具。在本文中,在数据集补充策略下使用集成机器学习执行了改进的 LSM。可以得出以下结论:1. 套袋神经网络在堆积区和岩石区的 LSM 中表现出色,其中 AUC 分别达到 0.987 和 0.994,MSE 分别达到 0.053 和 0.025,RMSE 分别为 0.230 和 0.159。2. 套袋神经网络模型在堆积区和岩石区表现出较低的不确定性,其平均值分别为 0.084 和 0.043,标准差分别为 0.263 和 0.197。3. RT 和 TL 呈现出相反的变化模式。套袋神经网络模型中 VH 区的 RL 在堆积区和岩石区都是最优的,分别达到 97.18%和 97.57%。4. 提出的数据集补充策略降低了不确定性,在堆积区和岩石区内的平均值分别缩小了 5.53%和 12.44%,标准差分别扩大了 8.89%和 13.11%。5. 堆积区和岩石区山体滑坡的控制因素不同,分别是河流侵蚀和高度,但两者都与山体滑坡的发生呈正相关。提出的 LSM 框架有望为决策者在全球类似乡镇地区预测山体滑坡易发性的有效风险管理提供有价值的参考。
4
参考文献
扫码关注,欢迎来稿
邮箱丨engeomodel@gmail.com
免责声明
本公众号推广所有论文,仅供学术交流,由于小编水平有限,摘要、图表均为原文内容,文字翻译部分仅代表小编个人理解,本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏,我们深表歉意,如涉及侵权问题或冒犯之处,请作者团队及时联系本公众号(邮箱),我们会在第一时间进行修改或删除,感谢您的谅解!