Evaluation of Landslide Susceptibility by Multiple Adaptive Regression Spline Method
-
摘要: 针对一般滑坡敏感性评价方法不能有效筛选滑坡条件因子的问题，以中国新疆维吾尔自治区新源县为研究区，基于15个滑坡敏感性条件因子，利用多元自适应回归样条法构建了滑坡敏感性指数预测模型，并自动筛选出研究区滑坡敏感性条件因子，在此基础上，实现了新源滑坡敏感性制图。此外，使用逻辑回归方法与多元自适应回归样条法进行精度对比分析。结果显示，采用多元自适应回归样条法构建的滑坡敏感性模型精度优于逻辑回归，其成功率曲线的精度为0.945 4，预测率曲线的精度为0.923 8。同时，模型还筛选出新源县滑坡重要影响条件因子(高程、坡度、降雨量、距断层距离、归一化差分植被指数、平面曲率、岩组)。研究表明，利用多元自适应回归样条构建的新源县滑坡敏感性模型是滑坡预测的有效方法，可为防灾减灾提供决策支持。
-
关键词:
- 多元自适应回归样条法 /
- 逻辑回归 /
- 滑坡敏感性指数 /
- 敏感性分区
Abstract:Objectives According to general landslide susceptibility evaluation methods, landslide condition factors cannot be effectively selected.Methods The prediction model of landslide susceptibility index (LSI) is constructed by multiple adaptive regression spline (MARS), and the landslide susceptibility condition factors are automatically selected, and the landslide susceptibility map is produced by 15 landslide susceptibility factors. In addition, the accuracy of the model is compared between logistic regression (LR) and MARS.Results The results show that the accuracy of landslide susceptibility model constructed by MARS is better than LR. The accuracy of MARS success curve is 0.945 4, and the accuracy of MARS prediction rate curve is 0.923 8. At the same time, the model also selects the important influencing factors of landslide (elevation, slope angle, rainfall, distance to faults, NDVI, plan curvature, geological petrofabric).Conclusions Research suggests that the MARS is an effective method for landslide prediction in study area and can provide decision support for reducing nature disaster. -
自星载GPS技术成功应用于TOPEX/POSEIDON卫星精密定轨[1]后，星载GPS跟踪技术逐渐成为标准的LEO(low earth orbit)卫星跟踪技术。随着星载GPS接收机和数据处理技术的发展，定轨精度得到了显著的提高[2-6], 特别是在取消选择可用性S/A后，星载GPS用户可以直接利用地面测站解算的GPS卫星钟差，显著提高了星载GPS精密定轨的效率。另一方面，LEO卫星的定轨精度不仅依赖于GPS轨道的质量，也依赖于GPS钟差解的精度。
虽然GPS精密星历产品文件中包含了精度较高的GPS卫星钟差改正数，但是由于GPS卫星钟容易受到钟随机噪声和频率的影响，变化复杂难以模型化，而GPS精密星历产品中的钟差间隔较大，无法满足高精度应用需求[7, 8]。为此，IGS(International GNSS Service)及各分析中心先后发布了30 s间隔的卫星钟差产品[9, 10]。为了支持GOCE(Granty Field and Stedy-state Ocean Circulation Explorer)卫星1 s间隔观测数据的处理[11]，CODE(the Center for Orbit Determination in Europe)又发布了5 s间隔卫星钟差产品[12]。此外，增加观测数据样本可以提供更多的冗余观测信息，从而增强LEO卫星精密定轨解的强度。本文研究了不同采样间隔下GPS卫星钟差和观测数据对LEO卫星精密定轨精度的影响。
1 GPS卫星钟差内插精度分析
GPS卫星钟容易受钟随机噪声和频率等因素的影响，变化复杂，难以模型化，因此高阶的线性插值算法不适用于GPS卫星钟差内插。GPS卫星钟差内插精度主要取决于GPS卫星钟差的采样间隔和各个卫星钟的Allan方差[13]。Montenbruck等详细分析了不同GPS轨道和钟差产品对GRACE-B卫星轨道精度的影响。分析表明，以5 min间隔GPS卫星钟差产品进行30 s间隔观测数据处理，其精度不能满足高精度LEO卫星的定轨需求[8]。
目前还没有相关文献评估30 s、5 s间隔GPS卫星钟差对LEO卫星精密定轨精度的影响。为分析GPS卫星钟差产品的内插精度，本文将CODE分析中心的5 s间隔GPS卫星钟差作为基准，并在5 s间隔的钟差产品中提取30整数倍s的历元，从而将5 s间隔GPS卫星钟差产品降低到30 s，然后采用线性插值法将30 s间隔GPS卫星钟差数据内插为5 s采样间隔，将插值后的钟差与原始5 s钟差数据进行比较。选取2014年11月14日CODE公布的5 s采样间隔的GPS卫星精密钟差产品进行实验分析。图 1给出了G05和G24卫星钟差内插结果。
![]()
图 1 G05和G24卫星30 s钟差内插到5 s残差Figure 1. Error of G05 and G24 Clock Interpolation from 30 s to 5 s Clock Products由图 1可知，30 s间隔卫星钟差内插到5 s精度损失约为0.01 m。根据文献[11]，CODE公布的5 s采样间隔的GPS卫星钟差的精度为15 ps(约0.005 m)，30 s采样间隔的GPS卫星钟差的精度约为20 ps(约0.006 m)。由此可知，在LEO卫星高精度定轨中，应尽量采用5 s采样间隔的GPS卫星钟差产品，以减小GPS卫星钟差内插的精度损失。
2 LEO精密定轨分析
2.1 数据处理策略
卫星精密定轨数据处理策略是卫星定轨中极为重要的问题，尤其是经验加速度的设置和约束，直接影响到定轨精度。另外，卫星截止高度角相关误差改正模型及力学模型的使用等都会对最终定轨精度产生影响。
本文以GRACE卫星为例，进行LEO卫星精密定轨实验。GRACE卫星同时搭载有GPS接收机、卫星激光测距(SLR)反射镜、星间频段微波测距KBR(K band ranging system)测距仪、加速度计等测量设备[14]，这些设备为LEO卫星精密定轨提供了不同的数据源及轨道精度检核手段[15, 16]。GRACE卫星约化动力学定轨的处理策略[17]见表 1，运动学精密定轨的处理策略参照约化动力学定轨观测部分。
表 1 GRACE约化动力学定轨观测模型和力学模型Table 1. Reduced-Dynamic POD Observation and Force Model for GRACE类别 详细描述 观测量 无电离层组合L3 GPS卫星高度截止角 5° GPS卫星轨道及钟差 CODE最终轨道及5 s采样间隔钟差产品 载波相位模糊度 作为未知参数估计 接收机钟差 历元待估参数 GPS卫星和接收机天线相位中心改正 考虑 地球重力场模型 EGM2008 120×120 N体摄动力 太阳、月球以及其他行星摄动(JPL DE450) 潮汐摄动 固体潮、极潮及海洋潮汐 太阳光压和大气阻力 通过经验加速度参数吸收 卫星轨道状态参数 6个初始轨道根数+ 3个常数经验加速度参数 经验加速度 每6 min估计一组 2.2 精密定轨结果及分析
为研究GPS卫星钟差和观测数据采样间隔对LEO卫星精密定轨精度的影响，实验设计了4个方案，见表 2，并选取了2014年年积日305~334共30 d GRACE卫星观测数据以及CODE的精密GPS钟差产品进行分析，GRACE卫星原始观测数据的间隔为10 s[14]。
表 2 GRACE卫星精密定轨实验方案Table 2. POD Experimental Program for GRACE方案 GPS观测数据采样间隔/s GPS钟差采样间隔/s 1 10 5 2 10 30 3 30 5 4 30 30 2.2.1 与喷气推进实验室参考轨道比较
喷气推进实验室(JPL)公布的GRACE卫星的标准轨道是基于该机构自主研发的GIPSY-OASISⅡ平台，采用约化动力法获得，其轨道精度约为2 cm[18]，本文将其作为参考轨道以验证不同方案的定轨效果。图 2给出了4种方案每天的定轨结果与JPL参考轨道互差的RMS变化情况，表 3给出了4种方案不同定轨方法获得的定轨结果与JPL参考轨道差值RMS的均值。
![]()
图 2 2014年年积日305~334 d定轨结果与JPL参考轨道互差RMSFigure 2. RMS of Residuals Between Precise Orbits and JPL Published Reference Orbits for DOY 305~334, 2014表 3 定轨结果与JPL参考轨道差值RMS的均值/mTable 3. RMS Mean Between Precise Orbits and JPL Published Reference Orbits for DOY 305~334, 2014/m轨道 方案1 方案2 方案3 方案4 运动学轨道 0.024 7 0.027 7 0.027 1 0.027 1 约化动力学轨道 0.035 0 0.035 5 0.041 8 0.041 8 据图 2和表 3，方案1~4的约化动力学定轨结果与JPL参考轨道的互差均值分别为0.035 0 m、0.035 5 m、0.041 8 m和0.041 8 m，方案1、2与方案3、4相比分别提高16%和15%，表明提高观测数据的采样率能够提高LEO卫星约化动力学轨道的精度；方案1与方案2比较，方案3与方案4比较，可知观测数据在同等间隔情况下，使用5 s间隔GPS卫星钟差产品只对10 s间的观测数据定轨结果有一定的改进，对30 s间隔观测数据定轨结果没有改进。
方案1~4运动学定轨结果和JPL参考轨道的互差均值分别为0.024 7 m、0.027 7 m、0.027 1 m和0.027 1 m，表明单纯提高观测数据的间隔不能改善运动学轨道的精度。这主要是因为运动学轨道受到GPS卫星钟差插值精度的影响较大。方案1与方案3、4相比定轨精度提高了8.8%。方案2的定轨精度比其他方案的精度低，主要原因是30 s GPS卫星钟差内插为10 s的精度相对较低，且运动学轨道是离散的位置点，相比约化动力学轨道更容易受到卫星钟差内插精度的影响。
从图 2中可以看出，GRACE卫星329 d和331 d的约化动力学轨道的精度明显低于其他天的轨道，但是相应的运动学轨道精度没有降低，其主要原因可能是当天GRACE卫星进行了轨道调整，常规的动力学模型不能正确反映卫星的真实情况，导致当天的定轨精度明显下降。
从理论上分析，提高观测数据的采样间隔能够改善LEO卫星约化动力学轨道的精度，主要是因为提高观测数据采样间隔可增加观测信息冗余度，从而提高轨道参数的解算精度；采用方案1运动学定轨结果精度较高，主要原因是提高观测数据采样间隔可以促进模糊度参数的求解精度，同时采用高采样率的GPS卫星钟差削弱了钟差内插造成的精度损失。
2.2.2 约化动力学与运动学轨道比较分析
运动学与约化动力学轨道之间的差异提供了另外一种轨道精度内部评定的方法。这种差异虽然不能直接表示轨道的精度，但由于运动学轨道对观测数据的质量非常敏感，而约化动力学轨道对力学模型及随机模型的精度非常敏感，因此它们之间的差异可以表征观测数据的质量及力学模型的正确性。图 3给出了运动学轨道和约化动力学轨道之间的差异。
![]()
图 3 2014年年积日305~334的运动学与约化动力学定轨结果的互差RMS图Figure 3. RMS of Residuals Between Kinematic Orbits and Reduced-Dynamic Orbits for DOY 305~334, 2014统计图 3运动学与约化动力学定轨之间的差异可得方案1~4的RMS均值分别为0.041 3 m、0.044 0 m、0.049 9 m和0.050 2 m，这与JPL参考轨道比对的分析结果基本一致。
2.2.3 轨道SLR残差
SLR的观测值精度较高，但由于数据稀少，一般用于轨道精度验证[16]。且上述精密轨道确定中未使用SLR观测数据，因此，可利用SLR观测数据获得GRACE卫星精密定轨的外符合精度。在实验计算时间段内共有17个SLR测站共2 242个标准数据点。计算中剔除了残差大于15 cm(假定轨道的精度为5 cm，按照3倍中误差进行剔除)的标准数据点，得到2 223个标准数据点。图 4给出了4个方案的约化动力学轨道的SLR残差。
统计图 4中GRACE约化动力学轨道SLR验证结果可知，方案1~4的SLR残差RMS分别为0.038 7 m、0.038 8 m、0.040 6 m和0.040 5 m。由此可知，4种方案的约化动力学轨道的SLR验证结果和JPL参考轨道验证结果的整体趋势基本一致，说明GRACE卫星的定轨外符合精度较好，但两种验证方法之间存在一定的差异。除了GRACE卫星定轨自身的误差外，部分原因是SLR数据处理时没有对低高度角的观测数据进行进一步处理。
3 结语
本文对GPS卫星钟差及观测数据间隔对LEO卫星运动学和约化动力学定轨的影响问题进行了研究，首先对30 s间隔GPS卫星钟差产品的内插精度进行了分析，而后基于实测数据采用不同间隔的GPS卫星钟差及观测数据计算了2014年11月1日至2014年11月30日的GRACE卫星的约化动力学和运动学轨道，并根据实验分析得出以下结论。
1) 通过对CODE公布的GPS卫星钟差的内插精度分析表明，30 s间隔卫星钟差内插到5 s的精度损失约为0.01 m，在进行高精度LEO卫星定轨时应尽量采用5 s间隔GPS卫星钟差产品。
2) 通过JPL参考轨道对比、约化动力学与运动学轨道对比以及SLR检验表明，提高观测数据的采样间隔能够改善LEO卫星约化动力学轨道的精度；同等间隔观测数据，使用5 s间隔卫星钟差只对10 s间隔观测数据运动学定轨结果有一定的改进。
3) 使用5 s间隔GPS卫星钟差和10 s间隔观测数据的定轨结果最优，约化动力学轨道精度最大可以提高16%，运动学轨道精度最大可以提高8.8%。
由于GRACE卫星观测数据采样间隔的限制，本文所进行的实验仅分析了观测数据采样间隔为10 s和30 s的情况，未对更高采样率的数据进行实验，这无疑限制了本文方法的适用范围，今后会针对LEO卫星更高采样率观测数据做进一步研究。
-
![]()
图 1 研究区地理位置与滑坡灾害分布
Figure 1. Geographic Location and Disasters Distribution of Study Area
表 1 滑坡条件因子之间的多重共线性诊断检测
Table 1 Multicollinearity Diagnostic Indices for Landslide Conditioning Factors
条件因子 容忍度 方差膨胀因子 高程 0.744 1.344 坡向 0.970 1.031 距断层距离 0.906 1.104 标准曲率 0.497 2.012 岩组 0.865 1.156 黄土分布 0.805 1.242 NDVI 0.890 1.124 平面曲率 0.629 1.590 剖面曲率 0.633 1.581 降雨量 0.796 1.257 距河流距离 0.978 1.022 距道路距离 0.840 1.190 坡度 0.741 1.350 SPI 0.829 1.206 TWI 0.784 1.275 
下载: 导出CSV
表 2 滑坡条件因子频率比统计
Table 2 Frequency Ratio of Landslide Conditioning Factors
条件因子 分类 各级占比/% 滑坡占比/% 频率比 条件因子 分类 各级占比/% 滑坡占比/% 频率比 高程/m <1 000 19.55 0.39 0.020 平面曲率 [-9.76， -1.36) 1.34 1.95 1.459 [1 000，1 200) 8.49 5.27 0.621 [-1.36， -0.44) 9.02 12.30 1.364 [1 200，1 400) 8.32 20.70 2.489 [-0.44，0.23) 69.95 55.86 0.799 [1 400，1 600) 6.48 31.05 4.795 [0.23，1.07) 17.11 25.78 1.506 [1 600，1 800) 7.51 26.95 3.588 [1.07，11.65] 2.58 4.10 1.590 [1 800，2 000) 9.71 8.98 0.926 坡度/(°) <10 41.15 11.72 0.285 [2 000，2 200] 8.58 3.32 0.387 [10，20) 26.05 35.74 1.372 >2 200 31.36 3.32 0.106 [20，30) 19.25 33.98 1.766 黄土分布 黄土 25.82 66.41 2.572 [30，40) 10.46 14.65 1.400 非黄土 74.18 33.59 0.453 [40，50] 2.76 3.91 1.414 坡向 平面 0.44 0.00 0.000 >50 0.33 0.00 0.000 北 13.97 16.6 1.188 标准曲率 [-15.64， -2.19) 3.05 6.05 1.987 东北 12.08 13.09 1.083 [-2.19， -0.71） 11.58 13.87 1.198 东 11.20 13.48 1.203 [-0.71，0.36） 61.81 45.31 0.733 东南 9.57 8.20 0.857 [0.36，1.71） 18.66 28.32 1.518 南 12.12 9.96 0.822 [1.71，18.65] 4.91 6.45 1.314 西南 12.69 8.79 0.693 剖面曲率 [-9.86， -1.17) 4.95 6.25 1.262 西 14.33 14.06 0.981 [-1.17， -0.39) 11.47 18.95 1.651 西北 13.59 15.82 1.164 [-0.39，0.24) 60.89 46.09 0.757 NDVI [-0.30，0.08) 5.47 0.78 0.143 [0.24，1.11) 17.21 19.34 1.124 [0.08，0.16) 12.06 5.66 0.470 [1.11，10.27] 5.48 9.38 1.711 [0.16，0.24) 19.60 21.68 1.106 岩组 A 49.56 62.50 1.261 [0.24，0.31) 25.24 29.10 1.153 B 33.56 19.34 0.576 [0.31，0.39) 23.49 27.93 1.189 C 10.09 8.59 0.852 [0.39，0.61] 14.13 14.84 1.050 D 5.85 4.30 0.735 距道路距离/m <400 57.12 66.80 1.169 E 0.94 5.27 5.626 [400，600) 12.33 13.09 1.061 SPI <20 47.36 34.77 0.734 [600，800) 7.29 8.20 1.125 [20，40) 14.90 20.31 1.363 [800，1 000] 4.92 5.66 1.152 [40，60) 8.32 9.18 1.103 >1 000 18.34 6.25 0.341 [60，80] 5.30 10.35 1.952 距河流距离/m <200 9.08 10.16 1.119 >80 24.12 25.39 1.053 [200，400) 8.46 6.64 0.785 TWI [1.25，5.31) 28.38 44.53 1.569 [400，600） 8.10 8.59 1.060 [5.31，6.96) 38.92 42.19 1.084 [600，800） 7.30 6.05 0.830 [6.96，9.17) 22.49 9.18 0.408 [800，1 000] 7.02 7.62 1.084 [9.17，12.67) 7.95 2.54 0.319 >1 000 60.04 60.94 1.015 [12.67，24.63] 2.26 1.56 0.692 距断层距离/m <1 000 30.20 41.80 1.384 降雨量/mm <300 1.37 0.00 0.000 [1 000，2 000) 18.81 26.76 1.423 [300，400) 8.68 0.39 0.045 [2 000，3 000) 12.36 15.63 1.264 [400，500) 15.89 6.84 0.430 [3 000，4 000) 8.34 7.81 0.937 [500，600] 42.94 64.84 1.510 [4 000，5 000] 6.53 2.54 0.389 >600 31.12 27.93 0.897 >5 000 23.76 5.47 0.230
下载: 导出CSV
表 3 MARS模型中各独立变量的贡献度
Table 3 Contributions of Various Independent Variables in MARS Model
条件因子 模型个数 广义交叉验证 残差平方和 高程 10 100.0 100.0 坡度 9 84.3 84.6 降雨量 9 84.3 84.6 距断层距离 6 31.6 34.7 NDVI 5 23.9 27.6 平面曲率 1 3.8 7.7 岩组(B) 1 3.8 7.7
下载: 导出CSV
表 4 MARS模型的系数与方程
Table 4 Coefficients and Equations in MARS Model
MARS方程 系数 常量 +3.647 0 max(0, 距断层距离- 1 642.35) -0.000 1 max (0, 1 610 - 高程) -0.004 0 max (0, 高程-1 610) -0.004 0 NDVI $ \times $ max (0, 高程- 1 610) -0.011 0 max (0, NDVI - 0.282 7) $ \times $高程 +0.004 0 max (0, 17.274 - 坡度) $ \times $高程 -0.001 0 max (0, 17.274 - 坡度) $ \times $降雨量 +0.000 3 max (0.002 7 - 平面曲率) $ \times $岩组(B) +4.155 0 max (0, 降雨量- 550) $ \times $高程 -0.000 006
下载: 导出CSV
-
[1] Cruden D M. A Simple Definition of a Landslide[J]. Bulletin of Engineering Geology and the Environment, 1991, 43(1): 27-29 http://www.springerlink.com/content/lku4v57386836765/
[2] Shirzadi A, Bui D T, Pham B T, et al. Shallow Landslide Susceptibility Assessment Using a Novel Hybrid Intelligence Approach[J]. Environmental Earth Sciences, 2017, 76(2), DOI: 10.1007/s12665-016-6374-y
[3] Pham B T, Prakash I, Bui D T. Spatial Prediction of Landslides Using a Hybrid Machine Learning Approach Based on Random Subspace and Classification and Regression Trees[J]. Geomorphology, 2018, 303: 256-270 doi: 10.1016/j.geomorph.2017.12.008
[4] Wang Y, Wu X, Chen Z, et al. Optimizing the Predictive Ability of Machine Learning Methods for Landslide Susceptibility Mapping Using SMOTE for Lishui City in Zhejiang Province, China[J]. International Journal of Environmental Research and Public Health, 2019, 16(3), DOI: 10.3390/ijerph16030368
[5] 陶舒, 胡德勇, 赵文吉, 等. 基于信息量与逻辑回归模型的次生滑坡灾害敏感性评价——以汶川县北部为例[J]. 地理研究, 2010, 29(9): 1 594-1 605 https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ201009005.htm Tao Shu, Hu Deyong, Zhao Wenji, et al. Sensitivity Evaluation of Secondary Landslide Disaster Based on Information and Logistic Regression Model: A Case Study of Northern Wenchuan County[J]. Geographical Research, 2010, 29(9): 1 594-1 605 https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ201009005.htm
[6] Bui D T, Tuan T A, Klempe H, et al. Spatial Prediction Models for Shallow Landslide Hazards: A Comparative Assessment of the Efficacy of Support Vector Machines, Artificial Neural Networks, Kernel Logistic Regression, and Logistic Model Tree[J]. Landslides, 2016, 13(2): 361-378 doi: 10.1007/s10346-015-0557-6
[7] Awawdeh M M, ElMughrabi M A, Atallah M Y. Landslide Susceptibility Mapping Using GIS and Weighted Overlay Method: A Case Study from North Jordan[J]. Environmental Earth Sciences, 2018, 77(21), DOI: 10.1007/s12665-018-7910-8
[8] Bourenane H, Bouhadad Y, Guettouche M S, et al. GIS-Based Landslide Susceptibility Zonation Using Bivariate Statistical and Expert Approaches in the City of Constantine (Northeast Algeria)[J]. Bulletin of Engineering Geology and the Environment, 2015, 74(2): 337-355 doi: 10.1007/s10064-014-0616-6
[9] Pourghasemi H R, Moradi H R, Aghda S M F. Landslide Susceptibility Mapping by Binary Logistic Regression, Analytical Hierarchy Process, and Statistical Index Models and Assessment of Their Performances[J]. Natural Hazards, 2013, 69(1): 749-779 doi: 10.1007/s11069-013-0728-5
[10] Shahabi H, Khezri S, Ahmad B B, et al. Landslide Susceptibility Mapping at Central Zab Basin, Iran: A Comparison Between Analytical Hierarchy Process, Frequency Ratio and Logistic Regression Models[J]. Catena, 2014, 115: 55-70 doi: 10.1016/j.catena.2013.11.014
[11] Chen W, Li W, Hou E, et al. Application of Frequency Ratio, Statistical Index, and Index of Entropy Models and Their Comparison in Landslide Susceptibility Mapping for the Baozhong Region of Baoji, China[J]. Arabian Journal of Geosciences, 2015, 8(4): 1 829-1 841 doi: 10.1007/s12517-014-1554-0
[12] Dou J, Bui D T, Yunus A P, et al. Optimization of Causative Factors for Landslide Susceptibility Evaluation Using Remote Sensing and GIS Data in Parts of Niigata, Japan[J]. PloS One, 2015, 10(7), DOI: 10.1371/journal.pone.0133262
[13] Chen W, Shahabi H, Shirzadi A, et al. A Novel Ensemble Approach of Bivariate Statistical-Based Logistic Model Tree Classifier for Landslide Susceptibility Assessment[J]. Geocarto International, 2018, 33(12): 1 398-1 420 doi: 10.1080/10106049.2018.1425738
[14] Liu J, Duan Z. Quantitative Assessment of Landslide Susceptibility Comparing Statistical Index, Index of Entropy, and Weights of Evidence in the Shangnan Area, China[J]. Entropy, 2018, 20(11), DOI: 10.3390/e20110868
[15] Yilmaz I. A Case Study from Koyulhisar (Sivas-Turkey) for Landslide Susceptibility Mapping by Artificial Neural Networks[J]. Bulletin of Engineering Geology and the Environment, 2009, 68(3): 297-306 doi: 10.1007/s10064-009-0185-2
[16] Tien B D, Shahabi H, Shirzadi A, et al. Landslide Detection and Susceptibility Mapping by Airsar Data Using Support Vector Machine and Index of Entropy Models in Cameron Highlands, Malaysia[J]. Remote Sensing, 2018, 10(10), DOI: 10.3390/rs10101527
[17] Khosravi K, Pham B T, Chapi K, et al. A Comparative Assessment of Decision Trees Algorithms for Flash Flood Susceptibility Modeling at Haraz Watershed, Northern Iran[J]. Science of the Total Environment, 2018, 627: 744-755 doi: 10.1016/j.scitotenv.2018.01.266
[18] 刘坚, 李树林, 陈涛. 基于优化随机森林模型的滑坡易发性评价[J]. 武汉大学学报·信息科学版, 2018, 43(7): 1 085-1 091 doi: 10.13203/j.whugis20160515 Liu Jian, Li Shulin, Chen Tao. Landslide Susceptibility Assesment Based on Optimized Random Forest Model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1 085-1 091 doi: 10.13203/j.whugis20160515
[19] 张秀敏, 南卓铜, 吴吉春, 等. 基于多元自适应回归样条的青藏高原温泉区域的冻土分布制图[J]. 冰川冻土, 2011, 33(5): 1 088-1 097 https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201105018.htm Zhang Xiumin, Nan Zhuotong, Wu Jichun, et al. Mapping of Frozen Soils in the Hot Springs of the Qinghai-Tibet Plateau Based on Multiple Adaptive Regression Splines[J]. Journal of Glaciology and Geocryology, 2011, 33(5): 1 088-1 097 https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201105018.htm
[20] Zhang W, Goh A T C, Zhang Y. Multivariate Adaptive Regression Splines Application for Multivariate Geotechnical Problems with Big Data[J]. Geotechnical and Geological Engineering, 2016, 34(1): 193-204 doi: 10.1007/s10706-015-9938-9
[21] Kuter S, Akyurek Z, Weber G W. Retrieval of Fractional Snow Covered Area from MODIS Data by Multivariate Adaptive Regression Splines[J]. Remote Sensing of Environment, 2018, 205: 236-252 doi: 10.1016/j.rse.2017.11.021
[22] Park S, Hamm S Y, Jeon H T, et al. Evaluation of Logistic Regression and Multivariate Adaptive Regression Spline Models for Groundwater Potential Mapping Using R and GIS[J]. Sustain-Ability, 2017, 9(7), DOI: 10.3390/su9071157
[23] 常顺利, 张钟月, 孙志群, 等. 基于GIS的新源县滑坡灾害分析与区划[J]. 自然灾害学报, 2011, 20(5): 216-221 https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZH201105034.htm Chang Shunli, Zhang Zhongyue, Sun Zhiqun, et al. GIS-Based Landslide Hazard Analysis and Zoning in Xinyuan County[J]. Journal of Natural Disasters, 2011, 20(5): 216-221 https://www.cnki.com.cn/Article/CJFDTOTAL-ZRZH201105034.htm
[24] 周平华, 李英成, 白洁, 等. 新源县汇水域单元滑坡灾害易发性评价[J]. 测绘科学, 2017, 42(9): 82-87 https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD201709015.htm Zhou Pinghua, Li Yingcheng, Bai Jie, et al. Evaluation of Landslide Vulnerability in Catchment Unit of Xinyuan County[J]. Science of Surveying and Mapping, 2017, 42(9): 82-87 https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD201709015.htm
[25] 张策, 揭文辉, 付丽华, 等. 新疆新源县滑坡灾害遥感影像特征及分布规律[J]. 国土资源遥感, 2017, 29 (S1): 81-84 Zhang Ce, Jie Wenhui, Fu Lihua, et al. Remote Sensing Image and Distribution Characteristics of Landslide Disasters in Xinyuan County, Xinjiang[J]. Remote Sensing for Land and Resources, 2017, 29(S1): 81-84
[26] Tao K, Wang L, Qian X. Multi-factor Constrained Analysis Method for Geological Hazard Risk[J]. International Journal of Engineering and Technology, 2016, 8(3), DOI: 10.7763/IJET.2016 V6.884
[27] Pradhan B, Lee S. Landslide Susceptibility Assessment and Factor Effect Analysis: Backpropagation Artificial Neural Networks and Their Comparison with Frequency Ratio and Bivariate Logistic Regression Modelling[J]. Environmental Modelling and Software, 2010, 25(6): 747-759 doi: 10.1016/j.envsoft.2009.10.016
[28] Chen W, Xie X, Peng J, et al. GIS-Based Landslide Susceptibility Evaluation Using a Novel Hybrid Integration Approach of Bivariate Statistical Based Random Forest Method[J]. Catena, 2018, 164: 135-149 doi: 10.1016/j.catena.2018.01.012
[29] Chen W, Li H, Hou E, et al. GIS-Based Groundwater Potential Analysis Using Novel Ensemble Weights-of-Evidence with Logistic Regression and Functional Tree Models[J]. Science of the Total Environment, 2018, 634: 853-867 doi: 10.1016/j.scitotenv.2018.04.055
[30] Lee S, Hwang J, Park I. Application of Data-Driven Evidential Belief Functions to Landslide Susceptibility Mapping in Jinbu, Korea[J]. Catena, 2013, 100: 15-30 doi: 10.1016/j.catena.2012.07.014
[31] 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
[32] Lachenbruch P A, Mccullagh P, Nelder J A. Generalized Linear Models[J]. Biometrics, 1990, 46 (4): 291–303
[33] Friedman J H. Multivariate Adaptive Regression Splines[J]. The Annals of Statistics, 1991, 19(1), DOI: 10.1214/aos/1176347963
[34] Hong H Y, Liu J Z, Bui D T, et al. Landslide Susceptibility Mapping Using J48 Decision Tree with AdaBoost, Bagging and Rotation Forest Ensembles in the Guangchang Area (China)[J]. Catena, 2018, 163: 399-413 doi: 10.1016/j.catena.2018.01.005
[35] Hussin H Y, Zumpano V, Reichenbach P, et al. Different Landslide Sampling Strategies in a Grid-Based Bivariate Statistical Susceptibility Model[J]. Geomorphology, 2016, 253: 508-523 doi: 10.1016/j.geomorph.2015.10.030
[36] Pourghasemi H R, Teimoori Yansari Z, Panagos P, et al. Analysis and Evaluation of Landslide Susceptibility: A Review on Articles Published During 2005—2016 (Periods of 2005—2012 and 2013—2016)[J]. Arabian Journal of Geosciences, 2018, 11(9), DOI: 10.1007/s12517-018-3531-5
[37] Rotigliano E, Martinello C, Agnesi V, et al. Evaluation of Debris Flow Susceptibility in El Salvador (CA): A Comparison Between Multivariate Adaptive Regression Splines (MARS) and Binary Logistic Regression (BLR)[J]. Hungarian Geographical Bulletin, 2018, 67(4): 361-373 doi: 10.15201/hungeobull.67.4.5
-
期刊类型引用(13)
1. 郑雪，唐章英，宋超. 基于空间逻辑回归模型的滑坡易发性评价. 河北地质大学学报. 2024(01): 56-61 . 
百度学术
2. 冯希尧，苟俊程，刘瑞，李谷琳，韩佳良，魏良帅. 基于遗传算法优化机器学习模型的地下水潜在性预测. 科学技术与工程. 2024(19): 7988-7998 . 百度学术
3. 邓志平，邹艺，潘敏，郑克红，牛景太，蒋水华. 考虑多参数空间变异性的非饱和土石坝坝坡可靠度分析. 应用基础与工程科学学报. 2024(04): 1108-1123 . 百度学术
4. 潘网生，赵恬茵，李鑫，卢玉东. 基于多元自适应回归样条的黄土区滑坡敏感性评价. 水土保持研究. 2024(06): 271-280 . 百度学术
5. 高伟强，郝晓华，和栋材，孙兴亮，李弘毅，任鸿瑞，赵琴. MODIS亚洲高山区积雪面积比例制图. 遥感学报. 2024(09): 2223-2239 . 百度学术
6. 翟于广，任杰，南胜豪，郭恒乐，陈凯旋，睢佳衡. 基于动态权重系数多目标优化组合的贝叶斯渗流参数反演及分析. 排灌机械工程学报. 2024(12): 1259-1265 . 百度学术
7. 黄发明，胡松雁，闫学涯，李明，王俊宇，李文彬，郭子正，范文彦. 基于机器学习的滑坡易发性预测建模及其主控因子识别. 地质科技通报. 2022(02): 79-90 . 百度学术
8. 张杰，蔡楠，张哲. 基于改进RBF神经网络的建筑物变形监测方法. 测绘地理信息. 2022(04): 46-50 . 百度学术
9. 张群，易靖松，张勇，马志刚，程英建. 西南山区县域单元的地质灾害风险评价——以怒江流域泸水市为例. 自然灾害学报. 2022(05): 212-221 . 百度学术
10. 付晓娣，张搏，王林均，魏勇. 基于融合算法的土石混合体斜坡稳定性预测. 工程地质学报. 2022(05): 1538-1548 . 百度学术
11. 罗路广，裴向军，崔圣华，黄润秋，朱凌，何智浩. 九寨沟地震滑坡易发性评价因子组合选取研究. 岩石力学与工程学报. 2021(11): 2306-2319 . 百度学术
12. 郭思尧，颜博，翟磊，鲍军鹏，宋宴，张超，陈亚军. 低轨卫星缺失时序数据的模式识别方法. 遥测遥控. 2021(06): 38-46 . 百度学术
13. 黄立鑫，郝君明，李旺平，周兆叶，贾佩钱. 基于RBF神经网络-信息量耦合模型的滑坡易发性评价——以甘肃岷县为例. 中国地质灾害与防治学报. 2021(06): 116-126 . 百度学术
其他类型引用(17)
计量
- 文章访问数: 1435
- HTML全文浏览量: 432
- PDF下载量: 99
- 被引次数: 30
