Preliminary Analysis of Extreme Rainfall-Induced Cluster Landslides in Jiangwan Township, Shaoguan, Guangdong, April 2024
-
摘要:
2024年4月中下旬,广东省韶关市发生极端强降雨事件,在韶关江湾镇地区诱发大量滑坡灾害,造成部分地区持续断联近36 h,引起了社会的广泛关注。快速准确地查明滑坡基本特征、发育分布规律及形成条件对于灾害应急决策和风险隐患排除处置至关重要。利用灾后的光学遥感影像并结合深度学习模型,对韶关江湾镇降雨诱发滑坡进行了快速智能识别与人工校核,共解译出1 192处滑坡,总面积约3.14 km²。滑坡规模以中小型滑坡为主,主要沿河流呈北东-南西向聚集带状分布,群发性效应显著。空间统计分析表明, 滑坡主要分布在200~300 m高程范围内、坡度为10°~30°的凹坡上。进一步使用随机森林模型与SHAP理论对滑 坡的地貌主控因子进行量化分析,发现不同地形地貌因子对滑坡形成均有不同程度的非线性影响,高程、坡度和汇水条件等多因素耦合作用共同控制了滑坡的形成。该研究突出了基于深度学习的智能识别与分析技术在滑坡灾害应急调查与形成条件分析中的巨大优势,可为灾害损失快速评估和风险隐患排查提供重要技术支撑。
Abstract:ObjectivesIn mid- to late- April 2024, an extreme heavy rainfall event occurred in Shaoguan City, Guangdong Province, inducing a large number of landslides in Jiangwan Town, Shaoguan. People lost connection with the outside world for nearly 36 hours, which aroused widespread social concern. Rapidly and accurately identifying the basic characteristics of landslides, development and distribution patterns and formation conditions is crucial for disaster emergency decision-making and risk elimination and disposal.
MethodsUsing the post-disaster optical remote sensing images and combining with deep learning model, the rainfall-induced landslides in Jiangwan Town, Shaoguan, were quickly and automatically identified.
ResultsAfter manually calibration, a total of 1 192 landslides were deciphered, with a total area of about 3.14 km². The scale of the landslides was dominated by small and medium-sized landslides, which were mainly distributed as an aggregated belt along the river in the northeast-southwest direction, with a significant characteristic of concentrated occurrence. Spatial statistical analysis showed that the landslides were mainly distributed on concave slopes with slopes of 10°-30° in the range of 200-300 m elevation. Further quantitative analysis of the geomorphic controlling factors of landslides using the random forest model and SHAP theory reveals that different topographic and geomorphic factors have different degrees of nonlinear effects on landslide formation, and that multiple factors such as elevation, slope, and catchment conditions are coupled to jointly control the formation of landslides.
ConclusionsThis paper highlights the great advantage of deep learning-based intelligent identification and analysis technology in the emergency investigation and formation conditions analysis of landslide disasters, which can provide important technical support for the rapid assessment of disaster losses and risk identification.
-
聚类是数据挖掘的基础技术，有广泛的应用前景[1-2]。聚类算法主要分为层次聚类法、网格聚类法、分割聚类法和密度聚类法[3]。其中，分割聚类法简单、快速，广泛应用于各个领域，典型的分割聚类法是K-means算法和K-medoids算法。在实际应用中，这两种算法由于需要用户输入聚类个数，聚类结果与初始点选择有关等缺点，不能很好地满足用户的需要[4]。《Science》中提出的峰值密度聚类算法虽然解决了上述问题，但存在阈值需要人为输入的问题[5]。
本文根据数据场，提出了数据质量聚类中心的概念。数据场将物质粒子间的相互作用及场描述方法引入到抽象的数域空间，实现数据对象或者样本点间相互作用的形式化描述[6]和计算。数据场将数据所具有的固有属性定义为数据的质量，并根据实际挖掘视角的不同，表示数据不同的属性。本文中，数据质量将代表数据的密集程度，并以此确定聚类中心，该方法无需用户输入聚类个数，也无需选择初始点，更无需人为设定阈值。
1 数据质量聚类
在物理场中，物体的质量是不能改变的，是物体固有的属性。同理，在数据场中，数据的质量也代表了每个数据自身的固有属性。所不同的是，在数据场中，数据并不是实际存在的物体，可以这样认为，n维数据集构成了一个n维的数据空间，数据集中每一个数据就是存在于这个n维空间中的“物体”，其各种属性都遵从于这个n维空间自身的特点。
定义：设数据集α含有N个数据点，α ={x1, x2…xn}，其中xi={xi1, xi2…xip}，组成一个P维空间Ω，在空间Ω中的数据点xi所固有的属性τ，称之为点xi在数据集α中的数据质量。
需要注意的是，定义中数据质量代表的是数据在数据集中的固有属性，这个固有属性会随着数据挖掘视角的不同而改变。一个数据点在数据集中可能会具有多种不同的固有属性，应当根据当前的挖掘任务赋予数据相应的属性。因此，数据场中数据质量具有集群性，即只在数据集中具有质量；空间唯一性，即相关的属性只在对应的数据集中存在；可变性，即根据需求不同代表的数据属性也不同。
聚类算法的目的是让类内相似度最高，类间相似度最低。反映在数据集的空间分布上，就是相似度高的数据分布在同一个类簇中，不同的类簇代表了不同的类别。因此，在聚类分析中，一般取数据密集程度这一属性作为数据的质量。此时，数据场中的数据质量本质上是反映数据集中数据的密集程度，处于密集区域的数据具有较大的数据质量，处于稀疏区域的数据具有较小的数据质量。
图 1所示的红色点标出的是数据集中质量较大的点，与所描述的数据质量概念一致，这些点都处于数据集中的密集区域。在聚类分析中，处于密集区域的点都有可能成为聚类中心。图 1中所示的数据集含有5 000个点，而质量较大的点约有1 000个，显然，只根据数据的质量不能确定数据集的聚类中心。
类比于物理场中的引力，聚类中心应当具有较大的质量，能够吸引其他质量较小的点在其周围形成一个类簇。同时，各个聚类中心应当相距较远，从而使聚类中心之间的作用力很小，直至可以忽略，这样，类簇与类簇间的相互关系就很弱，而类簇内的相互关系就很强，满足了最基本的聚类思想。
因此，数据质量聚类算法使用数据质量和数据之间的距离两个属性共同确定一个聚类中心。其中，数据之间的距离属性定义为：在数据集{x1, x2…xn}中，所有比xi质量大的点到xi距离的最小值；如果点xi是数据集中质量最大的点，那么其距离属性就为数据集中其他点xj(j≠i)到xi距离的最大值。
数据距离属性的计算式为：
$$ {{\delta }_{i}}=\left\{ \begin{align} &\underset{j:{{m}_{j}}>{{m}_{i}}}{\mathop{\min }}\, ({{d}_{ij}}), \ \ \exists \ {{m}_{i}}<{{m}_{j}} \\ &\underset{j=1, 2, \cdots , n}{\mathop{\max }}\, ({{d}_{ij}}), \ \ \nexists \ {{m}_{i}}<{{m}_{j}} \\ \end{align} \right. $$ (1) 式中，m表示数据的质量，dij表示两点间的距离。当数据集x1, x2…xn中存在比xi数据质量大的点xj，即mi＜mj时，数据之间的距离为所有比xi质量大的点到xi距离的最小值；如果不存在比xi数据质量大的点xj，即xi是数据集中质量最大的点，那么其距离属性就为数据集中其他点xj(j≠i)到xi距离的最大值。所以点xi的mi和δi都较大时，可以确定是聚类中心。在实际操作中，为了便于准确找到数据集中同时具有较大数据质量和较大距离属性的点，用数据集中每个数据点的质量属性作为横坐标、距离属性作为纵坐标绘制的决策图来确定聚类中心。在决策图中，同时具有较大横坐标和纵坐标数值的点会脱离其他只具有1个较大属性的点或者不具有较大属性的点，从而可以将这些脱离出来的点作为聚类中心。
图 2所示为数据集的决策图，可以发现，只有少数几个点的两个属性都较大，这些点用红色标出，作为备选聚类中心。
2 数据质量聚类算法实验验证
2.1 实验数据
数据质量聚类算法的核心是确定聚类中心，涉及数据的质量和距离两个属性。其中，距离属性计算使用欧氏距离，质量的计算采用参考文献[7]中的方法。在确定聚类中心后，先进行数据类别的划分，即将剩余点划入与其最近的聚类中心，形成一个个类簇，然后根据用户需要输出聚类结果。算法流程如图 3所示。
通过一系列的对比实验验证数据质量聚类算法的聚类效果，并与传统的K-means算法、K-medoids算法和文献[1]中的峰值密度聚类算法进行了对比。
在对比实验中，采用7个数据集进行实验。数据集A1、A2、A3分别含有3 000个点和20个类簇、5 250个点和35个类簇、7 500个点和50个类簇，并且3个数据集中类簇内点的个数均为150个。数据集S1、S2、S3、S4都含有5 000个点和15个类簇，但是每个数据集中类簇的扩展程度不一样，而且4个数据集中每个类簇的中心是已知的[8]。这7个数据集的二维可视图如图 4和图 5所示，图 4和图 5中的横、纵坐标分别为数据集二维可视图的X轴和Y轴。
2.2 对比实验
首先对数据集A1, A2, A3分别使用数据质量聚类算法和K-means算法、K-medoids算法和峰值密度聚类算法进行聚类。将得到的聚类结果进行二维可视化展示，同时，对每个数据集中聚类结果进行统计，记录每种算法在每个类簇中聚集的点个数，与数据集实际每个类簇中应有点的个数进行对比，计算出准确率。
因K-means算法和K-medoids算法需要输入聚类个数，故按照数据集实际情况输入。数据质量聚类算法使用决策图确定聚类中心，如图 6所示为数据集A1、A2和A3通过决策图选出的聚类中心。图 6中彩色点为聚类中心，即横坐标和纵坐标都较大的点。所选出的聚类中心个数在数据集A1中为20，在A2中为35，在A3中为50，这与数据集原有的类簇个数相同。
图 7是4种聚类算法的结果图，从图 7中可以发现，数据质量聚类算法和峰值密度聚类算法都有较好的聚类效果。对于聚类算法的准确率统计每一个数据集中4种算法对每一个类簇聚类的准确率，即类簇内点的个数和实际每个类内点的个数比值。统计结果如表 1所示。
![]()
图 7 数据集A1、A2、A3聚类结果比较Figure 7. Comparison of Clustering Results on Datasets A1, A2, A3表 1 数据集A1、A2、A3实验平均准确率统计表/%Table 1. Clustering Accuracies of Datasets A1, A2, A3/%数据集 K-means
算法K-medoids
算法峰值密度
聚类数据质量
聚类A1 86.87 70.33 95.33 96.00 A2 76.84 79.73 96.65 96.91 A3 79.81 61.17 96.17 97.49 从表 1的统计结果中可以发现，数据质量的聚类算法具有最高的平均准确率，相比于传统的K-mean算法和K-medoids算法分割聚类算法，在准确率上提高了很多，同时，与最新的峰值密度聚类算法相比，准确率也有所提高。
在数据集S1、S2、S3、S4中，每个类簇的中心是已知的，通过比较4种算法得到的聚类中心与实际中心的偏差量，对比每种算法确定聚类中心的效果。使用决策图确定数据质量聚类算法的聚类中心。K-means算法与K-medoids算法依然输入真实的类簇个数，4种算法聚类结果二维可视图如图 8所示。
![]()
图 8 数据集S1、S2、S3、S4聚类结果比较Figure 8. Comparison of Clustering Results on Datasets S1, S2, S3, S4在图 8中，数据质量聚类算法和峰值密度聚类算法的聚类效果直观上要优于K-means算法和K-medoids算法。在对比聚类效果后，统计4种聚类算法所确定的聚类中心与实际中心位置的误差率。具体计算式为：
$$ {{\gamma }_{i}}=\frac{1}{2}(\frac{{{x}_{i}}-{{a}_{i}}}{{{a}_{i}}}+\frac{{{y}_{i}}-{{b}_{i}}}{{{b}_{i}}}) $$ (2) 式中，xi和yi为实验中得到的聚类中心的坐标；ai和bi为数据集类簇实际的坐标。γi值越小，说明越接近实际的类簇中心。每个数据集中的平均误差率统计结果如表 2所示。
表 2 数据集S1、S2、S3、S4聚类中心平均误差率统计/%Table 2. Error Rate of Clustering Centers for Datasets S1, S2, S3, S4/%数据集 K-means
算法K-medoids
算法峰值密度
聚类数据质量
聚类S1 0.37 0.49 2.81 0.14 S2 0.53 0.74 0.31 0.11 S3 0.98 1.55 0.66 0.15 S4 1.39 1.71 0.46 0.14 从表 2中可以看出，数据质量聚类算法所确定的聚类中心与实际聚类中心的误差率最小，几乎与实际中心重合，明显优于K-means算法、K-medoids算法和峰值密度聚类算法。
综合数据集A1、A2、A3和数据集S1、S2、S3、S4的实验结果，可以认为数据质量聚类算法比传统的分割聚类算法和峰值密度聚类算法有更好的聚类效果。
2.3 实验结果分析
上述实验结果说明，数据质量聚类算法不仅可以准确提取出聚类中心的个数，而且在剩余点的划分上也有很高的准确率，对于数据集A1、A2、A3平均准确率分别达到了96.00%、96.91%和97.49%。在确定聚类中心上，本文方法也有很高的准确率，对于数据集S1、S2、S3、S4，聚类中心的平均误差率分别为0.14%、0.11%、0.15%和0.14%。数据质量聚类算法不仅在各项指标上明显优于传统的K-means算法和K-medoids算法，而且优于峰值密度聚类算法。
对于数据集A1、A2、A3，数据质量聚类算法比峰值密度聚类算法在平均准确率上分别提高了0.67、0.26和1.32个百分点，而对于数据集S1、S2、S3、S4，聚类中心的平均误差率分别降低了20.07、2.82、4.40和3.29倍。综合以上实验结果，可以证明数据质量聚类算法能够准确确定聚类中心，并能够得到准确的聚类结果。
3 结语
传统的中心聚类算法虽然简单快速，但是需要用户输入较多参数，并且具有球形偏差，在实际应用中有较多限制。本文提出了数据质量的概念，即代表了数据场中数据的固有属性，并且根据挖掘视角的不同，数据质量所代表的属性也不同。在本文中，赋予数据质量数据密集程度的属性，结合物理场中引力的概念，提出一种确定聚类中心的新方法，即具有较大质量和较大距离属性的点可以视为聚类中心。本文方法解决了需要用户输入参数、聚类结果受初始点影响等问题，减少了中心聚类算法在实际应用中的限制。实验结果证明，数据质量聚类算法能够准确找到数据集的聚类中心，并具有较为准确的聚类结果。
数据质量聚类算法虽然较为准确，但在实际应用中需要提高算法的效率，可以采取分布式计算的方式，这将是下一步研究的方向。
http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20240202
-
![]()
图 1 韶关市江湾镇2024年4月强降雨诱发典型滑坡灾害
Figure 1. Typical Landslide Disaster Induced by Heavy Rainfall in April 2024 in Jiangwan Town, Shaoguan City
![]()
图 5 研究区滑坡前后Planet遥感影像
Figure 5. Pre- and Post- Landslide Planet Images of the Study Area
![]()
图 7 因子筛选前后的Pearson相关系数
Figure 7. Pearson Correlation Coefficients Before and After Factor Filtration
![]()
图 10 江湾镇降雨诱发群发性滑坡密度图
Figure 10. Density Map of Rainfall-Induced Cluster Landslide in Jiangwan Town
![]()
图 11 江湾镇群发性滑坡与地形地貌因子的关系
Figure 11. Relationship Between Cluster Landslides and Geomorphologic Factors in Jiangwan Town
![]()
图 13 地形地貌因子对滑坡的贡献
Figure 13. Contribution of Topographic and Geomorphic Factors to Landslide
-
[1] 王欣, 方成勇, 唐小川, 等. 泸定Ms 6.8地震诱发滑坡应急评价研究[J]. 武汉大学学报（信息科学 版）, 2023, 48（1）： 25-35. Wang Xin, Fang Chengyong, Tang Xiaochuan, et al. Research on Emergency Evaluation of Landslides Induced by the Luding Ms 6.8 Earthquake[J]. Geomatics and Information Science of Wuhan University, 2023, 48（1）： 25-35.
[2] 李为乐, 陈俊伊, 陆会燕, 等. 泸定Ms 6.8地震对海螺沟冰川的影响应急分析[J]. 武汉大学学报（信息科学版）, 2023, 48（1）： 47-57. Li Weile, Chen Junyi, Lu Huiyan, et al. Emergency Analysis of the Impact of the Luding Ms 6.8 Earthquake on Hailuogou Glacier[J]. Geomatics and Information Science of Wuhan University, 2023, 48（1）： 47-57.
[3] 许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测 预警[J]. 武汉大学学报（信息科学版）, 2019, 44（7）： 957-966. Xu Qiang, Dong Xiujun, Li Weile. Integrated Space-Air-Ground Early Detection, Monitoring and Warning System for Potential Catastrophic Geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44（7）： 957-966.
[4] 巨袁臻, 许 强, 金时超, 等. 使用深度学习方法实现黄土滑坡自动识别[J]. 武汉大学学报（信息科学版）, 2020, 45（11）： 1747-1755. Ju Yuanzhen, Xu Qiang, Jin Shichao, et al. Automatic Object Detection of Loess Landslide Based on Deep Learning[J]. Geomatics and Information Science of Wuhan University, 2020, 45（11）： 1747-1755.
[5] 许强, 郭晨, 董秀军. 地 质灾害航空遥感技术应用现状及展望[J]. 测绘学报, 2022, 51（10）： 2020-2033. Xu Qiang, Guo Chen, Dong Xiujun. Application Status and Prospect of Aerial Remote Sensing Technology for Geohazards[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51（10）： 2020-2033.
[6] Martha T R, Kerle N, Jetten V, et al. Characterising Spectral, Spatial and Morphometric Properties of Landslides for Semi-automatic Detection Using Object-Oriented Methods[J]. Geomorphology, 2010, 116（1/2）： 24-36.
[7] Ullo S L, Mohan A, Sebastianelli A, et al. A New Mask R-CNN-Based Method for Improved Landslide Detection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14： 3799-3810.
[8] 杨昭颖, 韩灵怡, 郑向向, 等. 基于卷积神经网络的遥感影像及 DEM滑坡识别： 以黄土滑坡为例[J]. 自然资源遥感, 2022, 34（2）： 224-230. Yang Zhaoying, Han Lingyi, Zheng Xiangxiang, et al. Landslide Identification Using Remote Sensing Images and DEM Based on Convolutional Neural Network： A Case Study of Loess Landslide[J]. Remote Sensing for Natural Resources, 2022, 34（2）： 224-230.
[9] 胡瑞林, 范林峰, 王珊珊, 等. 滑坡风险评价的理论与方法研究[J]. 工程地质学报, 2013, 21（1）： 76-84. Hu Ruilin, Fan Linfeng, Wang Shanshan, et al. Theory and Method for Landslide Risk Assessment-Current Status and Future Development[J]. Journal of Engineering Geology, 2013, 21（1）： 76-84.
[10] 刘海知, 徐辉, 包红军, 等. 机器学习分类算法在降雨型滑坡预报中的应用[J]. 应用气象学报, 2022, 33（3）： 282-292. Liu Haizhi, Xu Hui, Bao Hongjun, et al. Application of Machine Learning Classification Algorithm to Precipitation-Induced Landslides Forecasting[J]. Journal of Applied Meteorological Science, 2022, 33（3）： 282-292.
[11] 黄发明, 胡松雁, 闫学涯, 等. 基于机器学习的滑坡易发性预测建模及 其主控因子识别[J]. 地质科技通报, 2022, 41（2）： 79-90. Huang Faming, Hu Songyan, Yan Xueya, et al. Landslide Susceptibility Prediction and Identification of Its Main Environmental Factors Based on Machine Learning Models[J]. Bulletin of Geological Science and Technology, 2022, 41（2）： 79-90.
[12] Talaat F M, ZainEldin H. An Improved Fire Detection Approach Based on YOLO-v8 for Smart Cities[J]. Neural Computing and Applications, 2023, 35（28）： 20939-20954.
[13] Inan M S K, Rahman I. Explainable AI Integrated Feature Selection for Landslide Susceptibility Mapping Using TreeSHAP[J]. SN Computer Science, 2023, 4（5）： 482.
[14] 王全涛, 方敏. 广东省韶关市曲江区地质灾害分区及防治[J]. 地质与资源, 2017, 26（1）： 73-76. Wang Quantao, Fang Min. Zonation and Control of Geological Disasters in Qujiang District of Shaoguan City, Guangdong Province[J]. Geology and Resources, 2017, 26（1）： 73-76.
[15] 刘伟旭, 吴亮. 武江区滑坡和崩塌地质灾害形成条件浅析[J]. 冶金与材料, 2022, 14（1）： 135-136. Liu Weixu, Wu Liang. Analysis on the Formation Conditions of Landslide and Collapse Geological Disasters in Wujiang District[J]. Metallurgy and Materials, 2022, 14（1）： 135-136.
[16] 吴洁玲, 查轩, 陈世发, 等. 1951—2018年韶关不同量级降雨侵蚀力变化[J]. 水土保持学报, 2021, 35（4）： 21-26. Wu Jieling, Zha Xuan, Chen Shifa, et al. Variations of Rainfall Erosivity of Different Magnitudes in Shaoguan from 1951 to 2018[J]. Journal of Soil and Water Conservation, 2021, 35（4）： 21-26.
[17] Xu Y L, Ouyang C J, Xu Q S, et al. CAS Landslide Dataset： A Large-Scale and Multisensor Dataset for Deep Learning-Based Landslide Detection[J]. Scientific Data, 2024, 11： 12.
[18] Li H, Zhao J Y, Yan B Q, et al. Global DEMs Vary from one to Another： An Evaluation of Newly Released Copernicus, NASA and AW3D30 DEM on Selected Terrains of China Using ICESat-2 Altimetry Data[J]. International Journal of Digital Earth, 2022, 15（1）： 1149-1168.
[19] 魏林森, 丁宏伟, 王婷, 等. 降水对陇西黄土滑坡的诱发作用及时空影响分析[J]. 冰川冻土, 2017, 39（3）： 609-615. Wei Linsen, Ding Hongwei, Wang Ting, et al. Loess Landslide in Longxi of Gansu Province： Precipitation Inducted Function and Space-Time Effect[J]. Journal of Glaciology and Geocryology, 2017, 39（3）： 609-615.
[20] Wang G L, Li T L, Xing X L, et al. Research on Loess Flow-Slides Induced by Rainfall in July 2013 in Yan’an, NW China[J]. Environmental Earth Sciences, 2015, 73（12）： 7933-7944.
[21] 李为乐, 许强, 李雨森, 等. 2023年积石山Ms6.2级地震同震地质灾害初步 分析[J]. 成都理工大学学报（自然科学版）, 2024, 51（1）： 33-45. Li Weile, Xu Qiang, Li Yusen, et al. Preliminary Analysis of the Coseismic Geohazards Induced by the 2023 Jishishan Ms 6.2 Earthquake[J]. Journal of Chengdu University of Technology （Science & Technology Edition）, 2024, 51（1）： 33-45.
[22] 范宣梅, 王欣, 戴岚欣, 等. 2022年Ms 6.8级泸定地震诱发地质灾害特征与空间分布规律研究[J]. 工程地质学报, 2022, 30（5）： 1504-1516. Fan Xuanmei, Wang Xin, Dai Lanxin, et al. Cha-racteristics and Spatial Distribution Pattern of Ms 6.8 Luding Earthquake Occurred on September 5, 2022[J]. Journal of Engineering Geology, 2022, 30（5）： 1504-1516.
[23] Hesterberg T. Bootstrap[J]. WIREs Computational Statistics, 2011, 3（6）： 497-526.
[24] Taalab K, Cheng T, Zhang Y. Mapping Landslide Susceptibility and Types Using Random Forest[J]. Big Earth Data, 2018, 2（2）： 159-178.
[25] 刘伟淇, 张家铭. 竹溪县滑坡灾害易发性分区评价[J]. 自然灾害学报, 2024, 33（1）： 175-185. Liu Weiqi, Zhang Jiaming. Zoning Evaluation of Landslide Hazard Susceptibility in Zhuxi County[J]. Journal of Natural Disasters, 2024, 33（1）： 175-185.
[26] Jain S, Khosa R, Gosain A K. Impact of Landslide Size and Settings on Landslide Scaling Relationship： A Study from the Himalayan Regions of India[J]. Landslides, 2022, 19（2）： 373-385.
[27] Song Jingyan, Liu Yang, Dong Xiujun, et al. Spatial Distribution of Earthquake-Induced Landslide in Densely Populated Area of Luding 9.5 Earthquake[J]. Bulletin of Geological Science and Technology, 2024,DOI： 10.19509/j.cnki.dzkq.tb20230619.（宋静园, 刘洋, 董秀军, 等. “9.5”泸定地震人口密集区域同震滑坡空间分布规律[J]. 地质科技通报, 2024,DOI：10.19509/j.cnki.dzkq.tb20230619.） doi: 10.19509/j.cnki.dzkq.tb20230619 [28] 鲁晓, 祁生文, 郑博文, 等. 川藏交通廊道崩滑灾害分布及其危险性评价[J]. 工程地质学报, 2023, 31（3）： 718-735. Lu Xiao, Qi Shengwen, Zheng Bowen, et al. Distribution and Hazard Assessment of Collapses and Landslides in Sichuan-Tibet Traffic Corridor[J]. Journal of Engineering Geology, 2023, 31（3）： 718-735.
[29] Huang J H, Wen H J, Hu J W, et al. Deciphering Decision-Making Mechanisms for the Susceptibility of Different Slope Geohazards： A Case Study on a SMOTE-RF-SHAP Hybrid Model[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2024, DOI：10.1016/j.jrmge.2024.03.008. doi: 10.1016/j.jrmge.2024.03.008
[30] 孔嘉旭, 庄建琦, 彭建兵, 等. 兰州老狼沟黄土微地貌灾害链时空分布 特征与危险性模拟研究[J]. 工程地质学报, 2021, 29（5）： 1401-1415. Kong Jiaxu, Zhuang Jianqi, Peng Jianbing, et al. Spatial and Temporal Distribution Characteristics and Risk Simulation of Loess Micro Geomorphic Disaster Chain in Laolang Gully, Lanzhou[J]. Journal of Engineering Geology, 2021, 29（5）： 1401-1415.
[31] 赵萍, 赵 思逸, 孙雨, 等. 基于斜坡单元和语义分割的皖南地区滑坡灾害易发性评估[J]. 地质科学, 2024, 59（2）： 562-574. Zhao Ping, Zhao Siyi, Sun Yu, et al. Landslide Susceptibility Assessment in Southern Anhui Province Based on Slope Units and Semantic Segmentation[J]. Chinese Journal of Geology, 2024, 59（2）： 562-574.
下载:
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
