● 题目 ●
Titlle
期刊：Stochastic Environmental Research and Risk Assessment
作者：Shuangyi Wu, Huaan Wang, Jie Zhang & Haijun Qin
年份：2024
●●● 摘要(Abstract)●●●
滑坡易发性图可以为管理区域滑坡风险提供重要信息。传统上，数据驱动模型和物理模型被广泛用于降雨诱发滑坡易发性制图，但每种方法都有局限性。在这项研究中，提出了一种将数据驱动模型和物理模型相结合的混合方法用于降雨诱发滑坡易发性制图，其中可以明确考虑土壤特性的不确定性。以中国浙江省嵊州县的滑坡易发性制图为例说明了所提出的方法。逻辑回归用作数据驱动模型，区域降雨诱发滑坡评估模型（RARIL）用作物理模型。开发了三种混合模型。考虑土壤参数不确定性的混合模型 I 与不考虑土壤参数不确定性的混合模型 II 和 III 进行了比较。结果表明，所有三种混合模型均优于传统的逻辑回归和 RARIL 模型。值得注意的是，考虑土壤参数不确定性的混合模型 I 优于不考虑土壤参数不确定性的混合模型 II 和 III。
●●● 图表(Figures)●●●
混合模型发展过程说明
（a）降雨入渗下的无限边坡稳定性模型。改编自 Zhang 等人 2014 年的研究；（b）改进的 Green-Ampt 模型的含水量剖面。改编自 Kim 等人 2014 年的研究
融合数据驱动和物理模型的滑坡预测矩阵
（a）嵊州市的海拔和滑坡样本分布，（b）非滑坡样本分布
滑坡影响因素：（a）海拔，（b）坡度，（c）坡向，（d）到河流的距离，（e）到断层的距离，（f）到道路的距离，（g）地形湿度指数，（h）归一化植被指数，（i）土地利用类型，（j）土壤类型。
使用五种模型得出的滑坡易发性地图：（a）逻辑回归，（b）RARIL，（c）混合模型 I，（d）混合模型 II，（e）混合模型 III。
逻辑回归、RARIL 和三个混合模型的 ROC 曲线
●●● 结论(Conclusions)●●●
传统上，数据驱动模型和基于物理的模型广泛用于滑坡易发性制图，但每种方法都有局限性。本文介绍了一种新颖的混合方法，该方法结合了数据驱动模型和基于物理的模型，旨在通过明确考虑土壤特性的不确定性来提高降雨诱发的区域滑坡易发性制图的预测能力。所提出的方法在中国浙江省嵊州县进行了案例研究。在案例研究中，逻辑回归作为数据驱动模型，RARIL 作为基于物理的模型。开发了三种混合模型：混合模型 I 明确考虑土壤参数的不确定性，混合模型 II 和混合模型 III 不考虑土壤参数的不确定性且具有不同的混合类型。比较结果表明，所有混合模型均优于传统的逻辑回归和 RARIL 模型。值得注意的是，考虑土壤参数不确定性的混合模型 I 与不考虑土壤参数不确定性的混合模型 II 和混合模型 III 相比，表现出更大的预测能力，这表明考虑土壤特性的不确定性对于更准确的滑坡易发性制图的重要性。
● 参考文献 ●
●●● References ●●●
Wu, S., Wang, H., Zhang, J. and Qin, H., 2024. Hybrid method for rainfall-induced regional landslide susceptibility mapping. Stochastic Environmental Research and Risk Assessment, pp.1-16.
End
工程地质灾害与滑坡风险评估
engeomodel@gmail.com
● 扫码关注我们
Welcome
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！
