基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例

仉文岗 ,  何昱苇 ,  王鲁琦 ,  刘松林 ,  陈柏林

地球科学 ›› 2023, Vol. 48 ›› Issue (05) : 2024 -2038.

PDF (8343KB)
地球科学 ›› 2023, Vol. 48 ›› Issue (05) : 2024 -2038. DOI: 10.3799/dqkx.2022.309

基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例

作者信息 +

Machine Learning Solution for Landslide Susceptibility Based on Hydrographic Division: Case Study of Fengjie County in Chongqing

Author information +
文章历史 +
PDF (8543K)

摘要

三峡库区是地质灾害管理的重点地区,鉴于长江对其沿岸边坡的水力作用不容忽视,因此需进一步研究水系因素对滑坡易发性的影响.以重庆市奉节县为例,考虑区域内水系影响显著,沿水域两岸300 m区域内划分为分区Ⅰ,其余区域为分区Ⅱ.其次,全域、分区Ⅰ、分区Ⅱ以提取的16个影响因子建立易发性评价指标分析模型,基于随机森林模型计算区域滑坡发生概率,并将全域和分区的滑坡易发性评价结果对比分析.结果表明:奉节县高和极高易发区主要分布在水域两岸及耕地范围内,这是由于库水位升降减少了防滑截面的有效应力,由于原有山体平衡在垦荒过程中被破坏,耕地对斜坡的防护作用微弱;基于水系分区后模型的训练精度优于全域模型的训练精度,准确率和F1分数的最大提升幅度分别可达5.1%、5.2%.基于水系分区的方法有利于提高滑坡易发性评价精度,该方法实用性强,可靠性高.

关键词

滑坡灾害 / 机器学习 / 水系分区 / 随机森林 / 易发性评价 / 工程地质

Key words

landslide / machine learning / sub-zone based on hydrographic division / random forest / susceptibility assessment / engineering geology

引用本文

引用格式 ▾
仉文岗,何昱苇,王鲁琦,刘松林,陈柏林. 基于水系分区的滑坡易发性机器学习分析方法:以重庆市奉节县为例[J]. 地球科学, 2023, 48(05): 2024-2038 DOI:10.3799/dqkx.2022.309

登录浏览全文

4963

注册一个新账户 忘记密码

0 引言

滑坡作为最频发的地质灾害,对人民的生命和财产安全具有严重的威胁.三峡库区是我国受滑坡灾害影响最严重的地区之一,区域地质灾害风险管理面临着严峻的挑战.滑坡易发性分析作为地质灾害风险管理的重要手段,可以明晰区域内灾害发生的空间概率,对灾害防治以及土地利用具有重大意义.近20年以来,依靠地理空间软件和3S技术的迅速发展,传统地学的研究手段不断改进,GIS的集成与应用成为了研究热点.

大量的机器学习模型都作为易发性评价的方法被运用,其优点在于能够更好地反映灾害易发程度和诱发因子之间的多元复杂非线性关系并且具有良好的数据处理能力.由于不同区域的滑坡数据具有独特性,分析模型适用性存在差异,故不存在一个普适的最优分析评价模型.目前研究中使用较多的数据驱动方法包括:逻辑回归(Logistic Regression,LR) (Van Den Eeckhaut et al., 2010)、随机森林(Random Forest,RF) (Sajadi et al., 2022; Sun et al., 2022)、支持向量机(Support Vector Machines,SVM) (Amiri et al., 2019)、人工神经网络(Artificial Neural Network,ANN) (Zhou et al., 2018) 等.但是,由于滑坡的形成机理非常复杂,现有的研究多集中在数理方面,囿于分析效率多针对区域内全部滑坡进行无差别讨论,对数据的依赖程度高.依靠机理方面的分析有利于提高易发性评价研究的精度,如郭子正等(2019)提出基于滑坡分类的易发性评价精度均优于未进行滑坡分类的评价精度;Yu et al.(2016)发现将研究区域划分为合适的预测区域可以极大地避免局部最优问题,结合粒子群优化-SVM预测模型能得到最佳的滑坡易发性评价精度.

前人已进行了许多流域的专题研究(Basu andPal, 2018; Khamkar andMhaske, 2019),近期的研究显示,与河流相关的因子在易发性评价中至关重要.部分流域对滑坡具有高至极高的敏感性(Ali et al., 2022; Zhang et al., 2022),到河流的距离及河流流量显著影响了滑坡易发性评价结果(Havenith et al., 2015; Weidner et al., 2019),并揭示了前者因素控制了深层滑坡的运动行为(Shou and Chen, 2021).此外,对库区的滑坡易发性(Bai et al., 2010)及危险性(Wang andQiao, 2013)研究是一个热点问题.许多学者提出库水位的升降变化对库岸两侧斜坡稳定性影响显著(Yu et al., 2016; Yang et al., 2019),因为水位的波动会在水库的初始蓄水期间对新滑坡发生和旧边坡的二次滑动起根本性控制作用(Li et al., 2019; Chen et al., 2020).由上述分析可知,在长江沿岸地区,水域对边坡的影响不可忽视(殷跃平等,2022),因此,有必要深入研究水系距离对滑坡易发性的影响.结合以上分析,分区评价可以避免高易发性区域全部分布在水系两岸,有助于提高滑坡灾害易发性评价的准确度.

图1是易发性评价研究关键词的核密度图.通过总结2015年起1 095篇相关文献关键词,发现绝大多数易发性评价结合了GIS平台开展分析,评价模型中逻辑回归、频率比、决策树等方法的使用频率较高,评价结果通常用于空间预测方面.

因此,本文采用分区域处理方法,结合机器学习,建立了区域化滑坡易发性评价框架.在该计算框架中,对分区标准进行定性化分析,以重庆市奉节县为例,进行水系分区.提取了地形地貌、地质条件、环境因素及人类活动共16个影响因子,采用RF模型对全域和区域进行滑坡易发性评价,对比结果及不确定性分析,包括模型精度评价及影响因子重要性评估.

1 方法与流程

1.1 随机森林

随机森林是Breiman (2001)基于CART决策树(Classification and Regression trees)提出的袋装(Bagging)集成算法,有回归和分类2种,本文中采用分类器开展分析.其中,基评估器为决策树,随机森林通过构建多个相互独立的基评估器,采用多数表决原则将投票数最多的分类结果指定为输出数据.为保证其随机性,对训练集进行有放回的随机抽样(bootstrap sample),由此,随机森林对不平衡样本数据的分类表现优异,具有较好的抗噪能力(吴润泽等,2021).

对于基评估器,决策树的重要功能是从输入的带有标签和特征的数据中,对特定特征进行分类,并用树状图来呈现决策规则.树的生长过程中,定义以基尼系数或者信息熵来衡量分枝质量的指标不纯度,树整体的不纯度与其生长负相关.同时,也需要对决策树进行反向剪枝防止模型过拟合.随机森林模型依据基尼系数衡量分类树的不纯度,其中主要的参数有:max_depth:主要控制每棵数的生长高度,防止过拟合;n_estimators:为基评估器的数量,需要在模型效果和训练难度中平衡; random_state:定义为任何整数,主要保证每次训练时生长出同一片森林,但每棵树仍不一致,保证训练的随机性.图2呈现了随机森林模型的原理图.

1.2 滑坡易发性建模精度评价

混淆矩阵是一种适用于监督学习的可视化工具,常用于进行二分类问题的预测精度分析.文中使用0.5作为判断预测值分类的阈值,若其>0.5,视为滑坡,反之,视为非滑坡(周晓亭等,2022).基于混淆矩阵计算的准确率(Accuracy, ACC)、精确率(Precision, PRE)、召回率(Recall, SST)、F1分数(F-score, FS)常作为评估分类器的重要指标(Chen et al., 2020),如式(1~3):

            P R E = T P T P + F P,
            S S T = T P T P + F N,
            F S = 2 × P R E × S S T P R E + S S T,

式(1~3)中:TP和FN分别代表分类正确和分类错误的滑坡样本,FP和TN分别代表分类错误和分类正确的非滑坡样本.由于精确率和召回率相互制约,因此引入F1分数对分类器进行较全面地评估.准确率越高说明模型整体精度越高,F1分数越高说明模型质量越高.

频率比(Frequency ratio, FR)是一种简单的单变量概率分析方法,被定义为研究区内条件因子某一属性区间内滑坡面积与该属性区间内面积的比值(黄发明等,2021),如式(4):

            F R =   l   / L s   / S,

式(4)中, l为某属性内滑坡面积, L为研究区滑坡总面积, s为某属性内面积, S为研究区滑坡总面积.其值大小表明了该因素对滑坡的影响程度.

1.3 建模方法

图3展示了基于水系分区的滑坡易发性评价的流程.在滑坡影响因子重分类后,借助ArcGIS在研究区域内进行30 m渔网点布种,对已有滑坡点设置300 m缓冲区,在缓冲区以外区域的渔网中随机选择非滑坡的负样本点.针对分区Ⅰ和分区Ⅱ,采用相同的缓冲区设置后在相应区域内随机选择负样本点,其样本容量分别为446、1 178.根据随机森林结果显示,当滑坡与非滑坡比例为1∶1时模型训练效果更优,更加稳定.对于不同区域的计算,将该区域内的滑坡点和非滑坡点的16个影响因子分类结果及是否滑坡作为模型的输入数据,随机选择80%数据作为训练集,20%数据作为测试集进行模型训练.本文共进行3个区域的随机森林模型建立,分别是:全区域、分区Ⅰ和分区Ⅱ.

随机森林模型中(全域、分区Ⅰ、分区Ⅱ)的主要参数分别设置为:max_depth为21、20、22;n_estimators为38、137、57; random_state为58、70、49,保持其他参数设置默认值.

2 研究区与滑坡编目

2.1 研究区及水系分区

奉节县位于重庆市东北部(30°29′19″~ 31°22′33″N,109°1′17″~109°45′58″E),幅员面积 4 098 km2,属于中亚热带湿润季风气候,年平均降水量为1 132 mm.地处四川盆地东部边缘、大巴山前缘和鄂西山地的接壤地带.区内总体上呈现构造-侵蚀地貌,构造复杂,向斜、背斜发育密集.地势中部低而两边高,北部多丘陵,南部多高山,最低高程为-28 m,最高高程为2 115 m,地表起伏较大.区内地层岩性主要为侏罗系和三叠系沉积岩,以泥岩、砂岩、页岩为主,白云岩、灰岩次之.

奉节县是一个地表水资源极为丰富的地区,被长江横穿,位于三峡库区腹心.区内地表水系发育,主要支流有梅溪河、新民河及大溪河,在其长期侵蚀和堆积作用下,形成多阶河谷阶地及深沟峡谷.全县年平均径流量为27.95亿立方米,区内长江干流43 km,饮水堰518条,流域面积5~50 km2的河流128条.同时,奉节县处于三峡库区险要位置,区内库岸长达54 km.河道两岸的边坡因长期受到地表水的侵蚀和反复冲刷,两岸岩土体较为破碎,边坡可靠度有所降低,因此易发生滑坡灾害.考虑水系对两岸坡体的影响显著以及该区域滑坡的演化机理较其他滑坡差异较大.因此,根据研究区域卫星云图结合地勘资料,本文选取了长江干流,草堂河、梅溪河、朱衣河、安坪河、大溪河一级支流,崔家河、花园河、石马河、车家坝河、甲高河、石荀河、新民河、大洞河、羊圈河、撒谷溪二级支流,高治河、竹坪溪、杨坪沟、双岔河、清泉河三级支流为缓冲主体,以河道中心线向两侧300 m(Weidner et al., 2019; 李文彬等, 2021)以内的缓冲区域作为分区Ⅰ,其余区域作为分区Ⅱ,见图4a.其中,分区Ⅰ共有 584.34 km2,存在446处滑坡灾害,频率比为1.93;分区Ⅱ共有3 517.36 km2,存在1 178处滑坡灾害,频率比为0.84,可见,流域两岸确为易发区域.

2.2 历史滑坡编目

滑坡编录工作是易发性评价中的关键环节,滑坡数据的完整度和精确度直接影响到后期的预测结果.滑坡编录图主要是依据重庆市规划和自然资源局基于一线地勘人员的实地勘察和历史灾害报告获得,主要内容包含有发生时间、诱发因素、运动形式、坡体几何特征、滑坡规模、危险性、灾情等级等信息.滑坡坡体由侏罗系、三叠系堆积层组成,运动模型主要以推移式滑动为主,部分为松脱式滑动和混合型滑动.

资料显示,1990年至2020年期间,研究区内共有滑坡地质灾害1 624处,其中多以中小型滑坡为主,小型滑坡有407处,中型滑坡有837处,大型滑坡有361处,特大型滑坡有19处(Sun et al., 2021),见图4b.研究区内地表水系错综复杂,部分滑坡呈现出沿河流流域分布的特点,其中涉水滑坡共214处,不涉水滑坡1 403处,见图4c.图5为奉节县历史滑坡分布情况,区域内曾发生大型滑坡,如白果寨滑坡、无山坪滑坡、黄莲树滑坡(Xu and Yang, 2014; 朱灿群, 2014)及藕塘滑坡(Wang et al., 2021a)等.

3 指标因子构建

本文以研究区内的30 m×30 m栅格(黄发明等,2019)为研究单元,进行滑坡易发性分析评价.通常滑坡的发生是该地区内自然和人类活动多种因素共同作用的结果,其演化机理较为复杂(Wang et al., 2021b; Zhang et al., 2021).由于研究区内水系对两岸的滑坡影响显著,因此本文基于水系将滑坡灾害进一步细化为分区Ⅰ、分区Ⅱ进行分析.根据地区特点,选取了地形地貌(高程、坡向、地形湿度指数(TWI)、坡度、平面曲率、剖面曲率、地表起伏度(RDLS))、地质条件(距断层距离、岩性、距构造距离)、环境条件(距水系距离、归一化植被指数(NDVI)、土地利用类型、年平均降雨量)、人类活动(距道路距离、兴趣点核密度(POI kernel density))共16个影响因子构建指标库.表1列出了所选影响因子的数据来源.

基于奉节县的地质灾害调查资料结合遥感影像,利用ArcGIS对数据进行预处理,得到滑坡影响因子的图集.将离散型因子直接进行重分类,将连续型因子根据属性进行重分类,图6为16个影响因子重分类后的结果图.地形地貌因子与滑坡发育关系密切,其中,高程与滑坡的发生密切相关,斜坡坡度影响坡体的下滑力.坡向反映了山体表面的日照时数及太阳辐射强度,曲率在一定程度上反映了受阳光直射时长及植被发育情况,均与山体生态息息相关.RDLS可以宏观描述区域地形特征,TWI是区域地形对径流流向和蓄积影响的物理指标.研究区中部发育有西南‒东北走向的较大逆冲断层,北部大巴山前缘地带及南部七曜山强岩熔化峡谷山区发育部分短逆冲断层.距断层距离是指以上逆冲断层为主体进行欧式距离分析,每500 m划分等级.区内多处发育大型构造带,由北至南有大木垭背斜、龙池坪背斜、七曜山背斜、巫山向斜、横石溪背斜、官渡向斜.距构造距离是指以上构造带为主体进行欧式距离分析,每500 m划分等级.环境条件中,NDVI通过计算近红外波段和红外波段之间的差距来量化植被,反映了该地区植被覆盖程度,负值表示水体,正值表示植被覆盖,文中数据采用2015年10月云量少于5%的卫星影像计算后得到.简化研究区内水系分布为长江及其一级、二级、三级支流,距水系距离是指以河道中心线向外进行欧式距离分析,每200 m划分等级.人类活动条件中简化区内道路分布为国道,POI核密度虽然不与社会经济活动强度直接相关,但是本文将该指标作为人类活动区域的辅助参考.表2为各影响因子的重分类标准.

4 易发性评价结果分析及精度评价

上述模型是基于Python3和Jupyter lab开发平台实现.为了验证随机森林模型的准确性,通过定量及定性方法对模型进行验证.其中,受试者工作特征曲线(ROC曲线)和曲线下面积值(AUC值)已被学界普遍认可作为滑坡易发性模型的精度定量化评价方法,AUC评估的是模型对滑坡样本的预测概率大于模型对非滑坡样本预测概率的概率,可以评估模型整体排序能力.

4.1 模型精度评价

对该模型的适用性进行定性化精度评价:表3列出了不同分区模型训练结果中滑坡与相应分区面积比率.由图7可以看出,3种模型下频率比与滑坡易发性分区等级正相关,与文献(肖婷, 2020)中评价结果一致,同时符合认知常理,即随着易发性分区等级的提高,在单位面积下滑坡发生的数量也越多.同时,将分区与全域的统计结果相比,极低易发区面积比率降低,极高易发区面积比率提高.由于全域的极高易发性区域面积比率最低,导致全域的频率比均高于分区.文中所提研究区内曾发生的大型滑坡,如黄莲树滑坡、藕塘滑坡、白果寨滑坡、无山坪滑坡,在全域及分区Ⅰ(Ⅱ)的滑坡易发性评价中均处于极高易发区,见图9,图10.这说明文中采用的模型适用性较好,表现优异.

但是,由于不同分区的滑坡易发性评价中均采用自然断点法,因此不同等级分区的易发性阈值均不同,因此,为了进行定量化的精度评价,采用随机森林模型的判别指标与AUC值进行判断.如图8所示,根据混淆矩阵计算可知,全域模型中测试集的准确率为0.777,精确率为0.767,召回率为0.788,F1分数为0.777,AUC值为0.850;分区Ⅰ模型中测试集的准确率为0.817,精确率为0.822,召回率为0.813,F1分数为0.818,AUC值为0.897;分区Ⅱ模型中测试集的准确率为0.813,精确率为0.811,召回率为0.803,F1分数为0.807,AUC值为0.885 (表4).可以看出,3个模型的AUC值均大于0.8,且分区后模型各方面的表现均优于全域模型,其中,分区Ⅰ与全域相比,准确率提高了5.1%,F1分数提高了5.2%,分区Ⅱ与全域相比,准确率提高了4.6%,F1分数提高了3.8%.评价结果表明:随机森林模型适用于该研究区内的滑坡易发性评价,且精度较高;文中所采用的“先定性分区,后计算评价”方法有效,且分区域的滑坡易发性评价精度优于全域的滑坡易发性评价精度.这是因为在研究区内有近15%的滑坡发育点位于库岸两侧,该部分滑坡的发育机理及诱发因素同低山、丘陵区域内滑坡发育机理存在差异,由于流域两岸边坡长期受到库水位升降变化及水流作用的影响,岩体受到侵蚀作用严重,破碎程度高,因此边坡可靠度下降显著,而低山、丘陵地区由于其地势特点,受到降雨影响较大.因此,若将所有数据无差别地进行全区域机器学习计算会降低数据的有效性,容易使模型“错误地”将流域附近全部划为极高易发性区,导致后续的防灾工作出现偏差.但是不同区域适用的分区标准存在差异,这与研究区域所处地理位置、地形条件等因素息息相关,本文仅根据奉节县的水域特征进行了分区研究.

4.2 结果分析

利用随机森林模型对GIS中所有栅格进行训练,采用自然间断法将易发性指数分为5类,再进行重分类将区域滑坡概率图划分为极低易发区、低易发区、中易发区、高易发区和极高易发区.

表3所列为易发性分区中滑坡频率信息统计,如表中面积比率所示,与全域结果相比,分区Ⅰ的极高易发区域比率显著提高,分区Ⅱ的极高易发区域比率略微提高.其中,位于全域、分区Ⅰ、分区Ⅱ模型中极高易发区内的历史滑坡点比率分别为76.7%、87.7%、76.9%,说明基于水系分区的方法可以提高滑坡易发性评价精度.图9展示了奉节县滑坡易发性制图结果,图10展示了区域性滑坡易发性制图结果.由图9可知,奉节县少部分地区处于高和极高易发区内,且其分布有两个特点:沿奉节县流域分布,主要位于长江干流及一级支流两岸;主要分布在耕地面积内.其中,选定了局部区域A和局部区域B进行分区Ⅰ、分区Ⅱ与全域的对比讨论.局部区域A中的河道处于梅溪河中游,此河段水流落差小.全域易发性地图中区域A河道两岸绝大部分为极高易发性,而分区Ⅰ地图中河道凹岸的区域绝大部分为极高易发性,凸岸的区域易发性等级分布均衡.分区Ⅰ的预测结果更符合河道的流水作用,凹岸侵蚀,凸岸堆积,因此凹岸边坡稳定性弱于凸岸,极高易发性区域会集中分布于凹岸.局部区域B位于长江干支流交汇处的丘陵地区.区域B的右上角及右下角因处于河岸在两种模型下都为极高易发性区域,而其中部的易发性等级存在差异.分区Ⅱ地图中显示出的极高易发性区域的面积广于全域地图,其规律性亦强于全域.

4.3 影响因子重要性评估

影响因子对历史滑坡灾害的影响程度文中使用了随机森林分类模型中自带的属性来评估.图11是滑坡易发性评价中不同区域的影响因子重要性排序.如图所示,土地利用类型、高程、岩性、坡向、年平均降雨量是研究区中较为重要的5个影响因素.全区域滑坡易发性评价中,土地利用类型的重要性程度略高于其他因子;而在分区Ⅰ滑坡易发性评价中,高程、坡向、年平均降雨量的重要性程度相当;分区Ⅱ滑坡易发性评价中,土地利用类型起着控制性作用,重要性程度远远高于其他因子.因此,不论分区与否,土地利用类型在奉节县易发性评价中的重要程度不可或缺.这是由于近30年来城市发展扩建及土地类型变更,导致土地利用类型对新滑坡发育的影响逐步上升.

对整个研究区的滑坡易发性评价而言,土地利用类型、高程、岩性的影响最为显著.土地利用类型可以适当地反映出人类活动的频率,绝大多数历史滑坡发生在耕地区域内,这是因为耕地面积与人类活动强度正相关(叶润青等, 2021).由于人类不断的开垦荒地,往往破坏了山体斜坡原始应力平衡,而且农作物多为短浅根系,对坡体的“屏障”作用微弱,无法对表层土壤起牵拉加固作用,因此耕地成为孕育滑坡多发的摇篮(Li et al., 2020).同时,也因为滑坡频发,一线勘察人员的调研区域更集中在这里.高程与滑坡发育负相关(Zhou et al., 2022),高易发性区域通常位于消落带和低海拔区域(Long et al., 2021).研究区内滑坡常见于1 000 m以下区域,这是因为工程活动常见于低高程范围内,岩体受到的侵扰较多,但是高程1 000 m以上出露的岩体受风化程度弱,完整性高,这也与其他相关研究彼此印证(肖婷, 2020).地层岩性对滑坡发育有明显的层控性,研究区内侏罗系地层主要为较坚硬-软弱的中厚层状砂、泥岩互层岩组,三叠系地层主要为坚硬的中厚层状中等岩溶化灰岩夹软弱的薄层状泥岩岩组,受区内大型构造带影响,该类岩体整体破碎,力学性质较差.

对于分区Ⅰ内的滑坡而言,高程、年平均降雨量、坡向的影响最为显著.其中,高程是影响滑坡是否发生的关键(Sun et al., 2021).年平均降雨量通常为诱发因子(Das et al., 2011; 黄发明等, 2022),由于降雨会冲刷坡面,形成侵蚀,坡体表面颗粒被雨水带走,岩体裸露容易风化,导致边坡的稳定性、安全性降低.同时,降雨也会影响植被的生长发育,降低坡体表面“屏障”的作用力.坡向与库水位对坡体表面的浸润息息相关,三峡库区水位上升时,由于坡高和土性存在差异,浸润速度也不同,而水位下降时,坡体内外平衡状态改变,导致边坡安全系数降低,因此水库的水位变化会降低山体防滑截面的有效应力.但是分区Ⅰ内水域情况复杂,需要再做进一步的细化和处理.

对于分区Ⅱ内的滑坡而言,土地利用类型、岩性、高程的影响最为显著.分区Ⅱ中滑坡大多集中发育在耕地面积内,其原因与上述分析一致.同样的,岩性对滑坡有着明显的层控性,与全域相比,岩性的重要性程度提高.与分区Ⅰ不同的是,分区Ⅱ中坡向主要关系着山体的生态环境,植被根系的加固作用影响了边坡的稳定状态.

5 结论

本文对长江干流及其一级、二级、三级支流进行300 m缓冲计算,采用了基于水系分区和随机森林方法对奉节县滑坡易发性进行研究,通过对比全区域和分区易发性评价结果得到以下结论:

(1)随机森林算法用于计算滑坡的易发性值,GIS用于进行易发性可视化.所建全域、分区Ⅰ和分区Ⅱ模型的AUC值均大于0.8,该模型在滑坡易发性研究中的适用性强、准确度高;

(2)奉节县有24.3%的地区处于高和极高易发区内,且主要分布在水域两侧及耕地范围内.这是因为库水位的升降变化会影响坡体原有的平衡状态,降低山体防滑截面的有效应力,而耕地反映了人类活动强度,由于不断地开垦,山体斜坡的原始应力平衡状态被破坏,农作物对斜坡的防护作用微弱.影响因子评估中,土地利用类型在奉节县易发性评价中占据重要地位;

(3)对奉节县采用基于水系分区的方法有助于提高滑坡易发性评价的准确率,分区模型的评价精度优于全域模型评价精度.全域、分区Ⅰ和分区Ⅱ模型的训练集准确率和F1分数分别为0.777、0.777,0.817、0.818,0.813、0.807,分区后模型的准确率最高可提高5.1%,F1分数最高可提高5.2%.对于全域和分区Ⅱ的极高易发性区中的历史滑坡比率相近,而分区Ⅰ的极高易发性区中的历史滑坡比率显著增大,为87.7%.因此,定性分区和定量评价相结合的方法有利于提高滑坡易发性评价精度.

参考文献

[1]

Ali, S.K.A., Parvin, F., Pham, Q.B., et al., 2022. An Ensemble Random Forest Tree with SVM, ANN, NBT, and LMT for Landslide Susceptibility Mapping in the Rangit River Watershed, India. Natural Hazards, 113(3): 1601-1633. https://doi.org/10.1007/s11069-022-05360-5

[2]

Amiri, M., Pourghasemi, H.R., Ghanbarian, G.A., et al., 2019. Assessment of the Importance of Gully Erosion Effective Factors Using Boruta Algorithm and Its Spatial Modeling and Mapping Using Three Machine Learning Algorithms. Geoderma, 340: 55-69. https: //doi.org/10.1016/j.geoderma.2018.12.042.

[3]

Bai, S.B., Wang, J., Lu, G.N., et al., 2010. GIS-Based Logistic Regression for Landslide Susceptibility Mapping of the Zhongxian Segment in the Three Gorges Area, China. Geomorphology, 115(1-2): 23-31. https://doi.org/10.1016/j.geomorph.2009.09.025

[4]

Basu, T., Pal, S., 2018. Identification of Landslide Susceptibility Zones in Gish River Basin, West Bengal, India. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards, 12(1): 14-28. https://doi.org/10.1080/17499518.2017.1343482

[5]

Breiman, L., 2001. Random Forests. Machine Learning, 45(1): 5-32. https://doi.org/10.1023/a:1010933404324

[6]

Chen, T., Zhu, L., Niu, R.Q., et al., 2020. Mapping Landslide Susceptibility at the Three Gorges Reservoir, China, Using Gradient Boosting Decision Tree, Random Forest and Information Value Models. Journal of Mountain Science, 17(3): 670-685. https://doi.org/10.1007/s11629-019-5839-3

[7]

Das, A.M., Kumar, N.S., Kanti, M.S., 2011. Landslide Hazard and Risk Analysis in India at a Regional Scale. Disaster Advances, 4(2): 26-39.

[8]

Guo, Z.Z., Yin, K.L., Huang, F.M., et al., 2019. Evaluation of Landslide Susceptibility Based on Landslide Classification and Weighted Frequency Ratio Model. Chinese Journal of Rock Mechanics and Engineering, 38(2): 287-300 (in Chinese with English abstract).

[9]

Havenith, H. B., Torgoev, A., Schlogel, R., et al., 2015. Tien Shan Geohazards Database: Landslide Susceptibility Analysis. Geomorphology, 249: 32-43. https://doi.org/10.1016/j.geomorph.2015.03.019

[10]

Huang, F. M., Cao, Y., Fan, X. M., et al., 2021. Effects of Different Landslide Boundaries and Their Spatial Shapes on the Uncertainty of Landslide Susceptibility Prediction. Chinese Journal of Rock Mechanics and Engineering, 40(S2): 3227-3240 (in Chinese with English abstract).

[11]

Huang, F. M., Chen, J. W., Fan, X. M., et al., 2022. Logistic Regression Fitting of Rainfall-Induced Landslide Occurrence Probability and Continuous Landslide Hazard Prediction Modelling. Earth Science, 47(12): 4609-4628 (in Chinese with English abstract).

[12]

Huang, F.M., Wang, Y., Dong, Z.l., et al., 2019. Regional Landslide Susceptibility Mapping Based on Grey Relational Degree Model. Earth Science, 44(2): 664-676 (in Chinese with English abstract).

[13]

Khamkar, D. J., Mhaske, S. Y., 2019. Identification of Landslide Susceptible Settlements Using Geographical Information System of Yelwandi River Basin, Maharashtra (India). Natural Hazards, 96(3): 1263-1287. https://doi.org/10.1007/s11069-019-03609-0

[14]

Li, S.L., Xu, Q., Tang, M.G., et al., 2019. Characterizing the Spatial Distribution and Fundamental Controls of Landslides in the Three Gorges Reservoir Area, China. Bulletin of Engineering Geology and the Environment, 78(6): 4275-4290. https://doi.org/10.1007/s10064-018-1404-5

[15]

Li, W. B., Fan, X. M., Huang, F. M., et al., 2021. Uncertainties of Landslide Susceptibility Modeling under Different Environmental Factor Connections and Prediction Models. Earth Science, 46(10): 3777-3795 (in Chinese with English abstract).

[16]

Li, Y.W., Wang, X.M., Mao, H., 2020. Influence of Human Activity on Landslide Susceptibility Development in the Three Gorges Area. Natural Hazards, 104(3): 2115-2151. https://doi.org/10.1007/s11069-020-04264-6

[17]

Long, J.J., Liu, Y., Li, C.D., et al., 2021. A Novel Model for Regional Susceptibility Mapping of Rainfall Reservoir Induced Landslides in Jurassic Slide-Prone Strata of Western Hubei Province, Three Gorges Reservoir Area. Stochastic Environmental Research and Risk Assessment, 35(7): 1403-1426. https://doi.org/10.1007/s00477-020-01892-z

[18]

Sajadi, P., Sang, Y.F., Gholamnia, M., et al., 2022. Evaluation of the Landslide Susceptibility and Its Spatial Difference in the Whole Qinghai-Tibetan Plateau Region by Five Learning Algorithms. Geoscience Letters, 9(1):9. https://doi.org/10.1186/s40562-022-00218-x

[19]

Shou, K. J., Chen, J. R., 2021. On the Rainfall Induced Deep-Seated and Shallow Landslide Hazard in Taiwan. Engineering Geology,288. https://doi.org/10.1016/j.enggeo.2021.106156

[20]

Sun, D.L., Gu, Q.Y., Wen, H.J., et al., 2022. A Hybrid Landslide Warning Model Coupling Susceptibility Zoning and Precipitation. Forests, 13: 827. https://doi.org/10.3390/f13060827

[21]

Sun, D.L., Xu, J.H., Wen, H.J., et al., 2021. Assessment of Landslide Susceptibility Mapping Based on Bayesian Hyperparameter Optimization: A Comparison between Logistic Regression and Random Forest. Engineering Geology,281. https://doi.org/10.1016/j.enggeo.2020.105972

[22]

Van Den Eeckhaut, M., Marre, A., Poesen, J., 2010. Comparison of Two Landslide Susceptibility Assessments in the Champagne-Ardenne Region (France). Geomorphology, 115(1-2): 141-55. https://doi.org/10.1016/j.geomorph.2009.09.042

[23]

Wang, J.G., Schweizer, D., Liu, Q.B., et al., 2021a. Three-Dimensional Landslide Evolution Model at the Yangtze River. Engineering Geology, 292. https://doi.org/10.1016/j.enggeo.2021.106275

[24]

Wang, L. Q., Zhang, Z. H., Huang, B. L., et al., 2021b. Triggering Mechanism and Possible Evolution Process of the Ancient Qingshi Landslide in the Three Gorges Reservoir. Geomatics, Natural Hazards and Risk, 12(1): 3160-3174. https://doi.org/10.1080/19475705.2021.1998230

[25]

Wang, M., Qiao, J. P., 2013. Reservoir-Landslide Hazard Assessment Based on Gis: A Case Study in Wanzhou Section of the Three Gorges Reservoir. Journal of Mountain Science, 10(6): 1085-1096. https://doi.org/10.1007/s11629-013-2498-7

[26]

Weidner, L., DePrekel, K., Oommen, T., et al., 2019. Investigating Large Landslides along a River Valley Using Combined Physical, Statistical, and Hydrologic Modeling. Engineering Geology, 259. https://doi.org/10.1016/j.enggeo.2019.105169

[27]

Wu, R. Z., Hu, X. D., Mei, H. B., et al., 2021. Spatial Susceptibility Assessment of Landslides Based on Random Forest: A Case Study from Hubei Section in the Three Gorges Reservoir Area. Earth Science, 46(1): 321-330 (in Chinese with English abstract).

[28]

Xiao, T., 2020. Landslide Risk Assessment in Wanzhou District and a Key Section, Three Gorges Reservoir (Dissertation). China University of Geosciences, Wuhan (in Chinese with English abstract).

[29]

Xu, X.J., Yang, Q., 2014. Study of Reservoir-Accumulative Landslide's Stability Evolution Trend in the Three Gorges Reservoir. Paper Presented at the 5th International Conference on Intelligent Systems Design and Engineering Applications (ISDEA), Zhangjiajie.

[30]

Yang, B.B., Yin, K.L., Lacasse, S., et al., 2019. Time Series Analysis and Long Short-Term Memory Neural Network to Predict Landslide Displacement. Landslides, 16(4): 677-694. https://doi.org/10.1007/s10346-018-01127-x

[31]

Ye, R. Q., Li, S. Y., Guo, F., et al., 2021. RS and GIS Analysis on Relationship between Landslide Susceptibility and Land Use Change in Three Gorges Reservoir Area. Journal of Engineering Geology, 29(3): 724-733 (in Chinese with English abstract).

[32]

Yin, Y. P., Wang, L. Q., Zhao, P., et al., 2022. Crashed Failure Mechanism & Prevention of Fractured High-Steep Slope in the Three Gorges Reservoir, China. Journal of Hydraulic Engineering, 53(4): 379-391 (in Chinese with English abstract).

[33]

Yu, X. Y., Wang, Y., Niu, R. Q., et al., 2016. A Combination of Geographically Weighted Regression, Particle Swarm Optimization and Support Vector Machine for Landslide Susceptibility Mapping: A Case Study at Wanzhou in the Three Gorges Area, China. International Journal of Environmental Research and Public Health, 13(5): 487. https://doi.org/10.3390/ijerph13050487

[34]

Zhang, H.J., Song, Y.X., Xu, S.L., et al., 2022. Combining a Class-Weighted Algorithm and Machine Learning Models in Landslide Susceptibility Mapping: A Case Study of Wanzhou Section of the Three Gorges Reservoir, China. Computers & Geosciences, 158. https://doi.org/10.1016/j.cageo.2021.104966.

[35]

Zhang, K.Q., Wang, L.Q., Zhang, W.G., et al., 2021. Formation and Failure Mechanism of the Xinfangzi Landslide in Chongqing City (China). Applied Sciences- Basel, 11(19). https://doi.org/10.3390/app11198963

[36]

Zhou, C., Yin, K.L., Cao, Y., et al., 2018. Landslide Susceptibility Modeling Applying Machine Learning Methods: A Case Study from Longju in the Three Gorges Reservoir Area, China. Computers & Geosciences, 112: 23-37. https://doi.org/10.1016/j.cageo.2017.11.019

[37]

Zhou, X. T., Huang, F. M., Wu, W. C., et al., 2022. Regional Landslide Susceptibility Prediction Based on Negative Sample Selected by Coupling Information Value Method. Advanced Engineering Sciences, 54(3): 25-35 (in Chinese with English abstract).

[38]

Zhou, X. Z., Wen, H. J., Li, Z. W., et al., 2022. An Interpretable Model for the Susceptibility of Rainfall-Induced Shallow Landslides Based on SHAP and XGBoost. Geocarto International, 37(26): 13419-13450. https://doi.org/10.1080/10106049.2022.2076928

[39]

Zhu, C.Q., 2014. Landslide Stability and Contol Analysis of Huanglianshu in Fengjie County (Dissertation). Chongqing University, Chongqing (in Chinese with English abstract).

[40]

郭子正, 殷坤龙, 黄发明, 等, 2019. 基于滑坡分类和加权频率比模型的滑坡易发性评价. 岩石力学与工程学报, 38(2): 287-300.

[41]

黄发明, 曹昱, 范宣梅, 等, 2021. 不同滑坡边界及其空间形状对滑坡易发性预测不确定性的影响规律. 岩石力学与工程学报, 40(S2): 3227-3240.

[42]

黄发明, 陈佳武, 范宣梅, 等, 2022. 降雨型滑坡时间概率的逻辑回归拟合及连续概率滑坡危险性建模. 地球科学, 47(12): 4609-4628.

[43]

黄发明, 汪洋, 董志良, 等, 2019. 基于灰色关联度模型的区域滑坡敏感性评价. 地球科学, 44(2):664-676.

[44]

李文彬, 范宣梅, 黄发明, 等, 2021. 不同环境因子联接和预测模型的滑坡易发性建模不确定性. 地球科学, 46(10): 3777-3795.

[45]

吴润泽, 胡旭东, 梅红波, 等, 2021. 基于随机森林的滑坡空间易发性评价: 以三峡库区湖北段为例. 地球科学, 46(1): 321-330.

[46]

肖婷,2020.三峡库区万州区及重点库岸段滑坡灾害风险评价(博士学位论文).武汉:中国地质大学.

[47]

叶润青, 李士垚, 郭飞, 等, 2021. 基于RS和GIS的三峡库区滑坡易发程度与土地利用变化的关系研究. 工程地质学报, 29(3): 724-733.

[48]

殷跃平, 王鲁琦, 赵鹏, 等, 2022. 三峡库区高陡岸坡溃屈失稳机理及防治研究. 水利学报, 53(4): 379-391.

[49]

周晓亭, 黄发明, 吴伟成, 等, 2022. 基于耦合信息量法选择负样本的区域滑坡易发性预测. 工程科学与技术, 54(3): 25-35.

[50]

朱灿群,2014. 奉节县黄莲树滑坡稳定性及治理分析(硕士学位论文). 重庆:重庆大学.

基金资助

国家重点研发计划项目(2019YFC1509605)

重庆市自然科学基金项目(cstc2021jcyjbsh0047)

AI Summary AI Mindmap
PDF (8343KB)

1683

访问

0

被引

详细

导航
相关文章

AI思维导图

/

〈 〉