-
滑坡是一种危害性很大的自然地质现象，在中国山区广泛发育，严重威胁人们的生命和财产安全[1-3]。因此，科学准确的滑坡易发性评价显得尤为重要。近年来，随着机器学习方法的发展，越来越多的国内外学者尝试利用机器学习方法进行滑坡易发性评价，如随机森林[4-6]、朴素贝叶斯[7-8]、决策树[9-11]、支持向量机[12-14]、神经网络[15-17]等方法。然而，滑坡易发性评价过程涉及类型多样、数目较多的评价因子，这些因子之间相互联系，又相互影响。前面所述模型往往无法更好地发掘因子之间的关系而导致不能得到理想的结果[18]。近年来，利用深度学习来分析挖掘滑坡易发性评价因子的特征已成为滑坡灾害研究的重要方向之一[19]。
本文所使用的深度信念网络（deep belief network，DBN），具有由多个受限玻尔兹曼机（restrict Boltzmann machine，RBM）叠加而成的特性，可以更好地反映因子之间的关系，从而获得更好的结果[20]，其已成功地应用于影像特征提取[21]、影像识别[22]、语言识别[23]等多个领域。然而，即使DBN在其他领域表现良好，却很少被用于滑坡易发性评价。有研究表明，DBN能够使用多个RBM识别具有极端可变性的模式（例如目标识别），这反映了大多数图像的平移不变性[22]，这种特性对于研究具有相同/类似地质背景的区域滑坡易发性评价具有很强的针对性。因此，本文利用深度信念网络对三峡库区秭归县郭家坝镇内的滑坡易发性进行评价，以探索其在滑坡易发性评价方面的应用效果。
-
研究区位于湖北省宜昌市秭归县郭家坝镇（110°41'E~111°45'E，30°11'N~31°57'N），面积27 km2，海拔高度在140~950 m之间。研究区内历史滑坡37处，滑坡总面积为17 132.4 m 2，约占整个研究区面积的6.27%。其中，滑坡最小面积为58.7 m2，位于童庄河分岔口处；滑坡最大面积为1 873.4 m2，位于苏溪沟地区，且其约占滑坡总面积的10.9%；其余已知滑坡沿童庄河两岸分布。其中，7处滑坡位于童庄河西岸，其滑坡面积约占滑坡总面积的19.5%；5处滑坡位于童庄河分岔口南部区域，其滑坡面积约占滑坡总面积的8.3%；24处滑坡位于童庄河东侧，其滑坡面积占滑坡总面积的61.3%（见图 1）。
图 1 研究区位置及滑坡分布图
Figure 1. Location of Study Area and Landslides Distribution
-
研究区的基础数据主要包括研究区域1:5万比例尺地质图、1:1万比例尺地形图、一景中巴资源卫星数据（2004-04，轨道号04/65）、滑坡历史编录图以及野外记录的相关调查资料等。在已有数据基础上，本文利用ArcGIS软件对数据进行图像配准、栅格矢量化、地理校正、数据属性录入等处理，共提取出了滑坡的5类一级以及12类二级致灾因子（见表 1）。
表 1 实验数据及特性表
Table 1. Experimental Data and Characteristics
数据来源 一级因子 二级因子 地质图 地质条件 边坡结构
工程岩组
断层距离地形图 地形地貌 高程
坡向
坡度
地表平面曲率
地表剖面曲率水文条件 水系距离
地形湿度指数中巴资源卫星 地表覆盖 植被覆盖度 人类工程活动 道路距离 -
DBN是由多个RBM叠加而成的深度神经网络。对于一个n层的DBN模型，可以构建可视层变量v与隐藏层变量h(k)(k=1, 2, 3…l)之间联合分布的模型，模型中每一个隐藏层单元的值只有两种状态，因此DBN模型整体的联合概率为：
$$\begin{array}{*{20}{l}} \begin{array}{l} P\left( {v, {h^{\left( 1 \right)}}, {h^{\left( 2 \right)}} \cdots {h^{\left( l \right)}}} \right) = \\ \;\;\;\;\;\;P\left( {\left. v \right|{h^{\left( 1 \right)}}} \right)P\left( {{h^{\left( 1 \right)}}, {h^{\left( 2 \right)}}} \right) \cdots P\left( {\left. {{h^{\left( {l - 2} \right)}}} \right|{h^{\left( {l - 1} \right)}}} \right) \cdot \end{array}\\ {\;\;\;\;\;P\left( {\left. {{h^{\left( {l - 1} \right)}}} \right|{h^l}} \right)} \end{array}$$ (1) 式中，$P\left( {v, {h^{\left( 1 \right)}}, {h^{\left( 2 \right)}} \cdots {h^{\left( l \right)}}} \right)$为DBN模型的整体联合概率；$v = h\left( 0 \right);P\left( {\left. {{h^{\left( k \right)}}} \right|{h^{\left( {k + 1} \right)}}} \right)$是第k层和k+1层之间的阶乘条件分布：
$$P\left( {\left. {{h^{\left( k \right)}}} \right|{h^{\left( {k + 1} \right)}}} \right) = \mathop \prod \limits_i P\left( {\left. {h_i^{\left( k \right)}} \right|{h^{\left( {k + 1} \right)}}} \right)$$ (2) 整个DBN过程包括7个步骤：
1）网络初始化。假设节点的状态为si，sj表示与节点i相连的节点j的状态，将模型中各个节点的状态、权重矩阵W进行随机初始化。
2）随机输入一个样本到网络中，更新节点的状态sj，这些节点位于第一个隐含层。
3）按照步骤2）计算出的隐含节点状态sj改变可见节点的状态s'i，计算公式为：
$$s_i^\prime = {\varphi _i}\left( {\sum\limits_j {{w_{ij}}} {s_j} + \sigma {N_j}(0,1)} \right)$$ (3) $${\varphi _j}\left( {{x_j}} \right) = {\theta _L} + \left( {{\theta _H} - {\theta _L}} \right)\frac{1}{{1 + {{\rm{e}}^{\left( { - {a_j}{x_j}} \right)}}}}$$ (4) 式中，wij代表从第i个节点到第j个节点的权重；Nj是一个平均值为0、方差为1的高斯随机变量；σ是一个0~1之间的常数；φ(x)是一个s型函数，θH和θL分别是s型函数的上、下界；参数aj是一个噪声控制参数，表示s型函数的斜率，对于节点随机表现的程度和性质都有影响。
4）依照步骤3）计算获得的可见节点的状态s'i再进行隐含层状态的更新，记作s'j，其计算公式为：
$$s_j^\prime = {\varphi _j}\left( {\sum\limits_i {{w_{ij}}} s_i^\prime + \sigma {N_j}(0,1)} \right)$$ (5) 5）随机选择一个样本，转到步骤2），假如这一次输入的样本已经被使用过，那么就计算权重的改变量Δwij和噪声参数的变化，改变权重矩阵和噪声控制的参数，计算公式为：
$${w_{ij}}\left( {k + 1} \right) = {w_{ij}}\left( k \right) + {\rm{\Delta }}{w_{ij}}$$ (6) $${a_j}\left( {k + 1} \right) = {a_j}\left( k \right) + {\rm{\Delta }}{a_j}$$ (7) 6）跳转到步骤2），进行新的一轮训练，当执行到预先设定的次数或者权重矩阵的变化足够小，即$\left\| {{\rm{\Delta }}\mathit{\boldsymbol{W}}\left( k \right) < \varepsilon } \right\|$时，训练停止。
7）将第1个RBM得到的输出作为第2个RBM的输入，重复步骤1）~6），训练第2个RBM，直到构成DBN的所有RBM都训练完毕，DBN的训练结束。
-
滑坡的发生受到多种因素的制约，本文通过研究区域的基础数据得到影响滑坡发育的因素有地质条件、地形地貌、水文条件、地表覆盖、人类工程活动等5个方面，并对滑坡易发性评价各因子与历史滑坡进行相关性统计分析。
-
地质条件属于滑坡灾害的内部因素，往往起着决定性作用。本文通过地质图提取了边坡结构、工程岩组、断层距离这3个二级评价因子。其中，边坡结构是利用地质图和地形图，根据斜坡坡度、坡向和下伏地层岩层倾向、倾角这四者在空间上的相互关系而得到的。具体操作为：首先通过地质图反映的点源产状信息，在考虑区域地质构造影响的情况下，经网格插值计算得到空间连续分布的岩层倾向和倾角值；其次通过数字高程模型（digital elevation model，DEM）获取坡度和坡向值；最后利用ArcGIS的空间建模与分析功能实现了边坡结构信息的提取[24]。并且，在划分边坡结构类型时参考了原地质矿产部编写的《长江三峡工程库岸稳定性研究》报告[25]、国家“七五”重点科技攻关成果——《长江三峡重大地质与地震问题研究》[26]和文献[27]的研究成果，根据斜坡坡度、坡向和下伏地层岩层倾向、倾角这四者在空间上的相互关系，将研究区边坡结构类型划分为顺向飘倾坡、伏倾坡、顺斜坡、横向坡、逆斜坡和逆向坡6类[24]。其定量划分依据见表 2。
表 2 边坡结构划分类型表
Table 2. Classification of the Bed Rock-Slope Relationship
类型 定义 飘倾坡 |α－β|∈[0°, 30°)或|α－β|∈[330°, 360°), γ > 10°且δ > γ 伏倾坡 |α－β|∈[0°, 30°)或|α－β|∈[330°, 360°), γ > 10°且δ < γ 顺斜坡 |α－β|∈[30°, 60°)或|α－β|∈[300°, 330°) 横向坡 |α－β|∈[60°, 120°)或|α－β|∈[240°, 300°) 逆斜坡 |α－β|∈[120°, 150°)或|α－β|∈[210°, 240°) 逆向坡 |α－β|∈[150°, 210°) 注：α为斜坡坡向，β为岩层倾向，γ为岩层倾角，δ为斜坡坡度 主要评价因子与滑坡占比相关性统计见图 2。由图 2（a）可知，研究区内滑坡主要发生于伏倾坡，占滑坡总数的64.88%，其次是逆斜坡，占18.14%，而顺斜坡中滑坡发生最少，仅占1.77%；由图 2（b）可知，软硬相间岩最易发生滑坡，占滑坡总数的94.58%，其次为软质岩，占3.42%，硬质岩最少，占2.00%；由图 2（c）可知，断层距离对滑坡发生的影响呈现先增加后降低的趋势。
图 2 主要评价因子与滑坡占比相关性统计图
Figure 2. Correlation Statistics Between Main Causative Factors and Proportion of Landslides
-
地形地貌因子是影响滑坡发生的关键因素，本文通过地形图提取DEM，并在此基础上提取了高程、坡向、坡度、地表平面曲率、地表剖面曲率等5个地形地貌因子。由图 2（d）可知，研究区内滑坡集中发生于高程小于400 m的靠近童庄河的区域范围当中，大于400 m的区域范围中未见滑坡发生；由图 2（e）可知，研究区域正西方向的滑坡发生最多，占滑坡总数的19.83%，正南方向的滑坡占滑坡总数的6.9%；由图 2（f）可知，坡度范围在10°~ 20°内的滑坡占41.1%，且滑坡在30°以下的坡度范围内发生频繁，占滑坡总数的85.48%，而坡度大于40°时发生的滑坡只占1.01%，这就说明坡度因子对于滑坡易发性的影响较大；由图 2（g）可知，滑坡主要发生于地表平面曲率在－1.41~0.29之间的区域，占滑坡总数的80.43%；由图 2（h）可知，滑坡主要发生于地表剖面曲率在－0.62~1.18之间的区域，占滑坡总数的83.73%。滑坡发生个数与地表曲率之间呈正态分布关系。
-
研究区内的滑坡多由于强降雨和库水位周期性波动引起。本文利用DEM提取了水系距离、地形湿度指数等水文因子。由图 2（i）可知，研究区内的滑坡均发生于距离水系范围80 m以内的区域，距离越远的区域滑坡占比越小；由图 2（j）可知，滑坡极易发生于地形湿度指数为5~9的区域。其中地形湿度指数值为7的滑坡最多，占滑坡总数的24.32%。以地形湿度指数值7~8为中心，地形湿度指数对滑坡影响的分布也近似为正态分布。
-
本文利用归一化植被指数（normalized difference vegetation index，NDVI）反映地表覆盖信息。由图 2（k）可知，NDVI值< 0.1或 > 0.7的区域基本未见滑坡；在0.4~0.5范围内的区域极易发生滑坡，占滑坡总数的36.13%。滑坡个数随着NDVI值的增加呈现出先增加再减少的趋势，在NDVI值为0.5时达到峰值，随后随着NDVI值的增加而减少。
-
研究区内受人类工程活动影响较强的斜坡区域常常是滑坡灾害多发区。利用中巴资源卫星提取道路距离等人类工程活动因子。由图 2（l）可知，滑坡占比随着道路距离的增加而减少，在距离道路60 m范围以外的区域没有已发生滑坡的记录，这与实际情况一致。
-
在滑坡易发性分析问题当中，确定滑坡的评价单元是解决滑坡易发性评价的首要问题，这个评价单元也是最终制作易发性分区图的制图单元[28]。目前常用的滑坡易发性评价方法中，评价单元划分的方法有格网单元、地域子流域单元、斜坡单元、均一条件单元等4种[29-31]。根据前人研究结果及本文研究区情况[32]，选择格网单元作为模型评价的最小单元。
在地学空间分析中，评价单元尺度大小的不同会导致不同的尺度效应。在滑坡易发性研究中，不同格网所产生的误差会逐步传递，并最终影响预测结果。文献[33]采用不同的格网大小进行滑坡风险评价，以确定合适的格网单元，通过研究给出了一种计算适宜格网大小的经验公式：
$$\begin{array}{l} {G_s} = 7.49 + 0.000{\rm{}}6S - 2.0 \times {10^{ - 9}}{S^2} + \\ \;\;\;\;\;\;\;2.9 \times {10^{ - 15}}{S^3} \end{array}$$ (8) 式中，Gs为适宜格网大小；S为原始等高线数据精度的分母。
本文将所有数据导入ArcGIS软件，利用其栅格分析功能对原始数据进行转换和重采样，格网单元大小为10 m×10 m，全局单元格共计229 491个，其中滑坡单元格13 977个，非滑坡单元格215 514个。
-
提取出的滑坡评价因子包括了连续型评价因子和离散型评价因子。连续型评价因子可以直接用于回归模型参数的数值求解，但是离散型评价因子却很难被使用，需要对其进行有效的数据转换。在转换的时候，需要按照统一的标准对离散型评价因子进行量化。本文采用专家打分法并结合统计分析结果对离散型评价因子进行量化（见表 3），其他评价因子使用实际连续值。
表 3 离散型评价因子量化
Table 3. Quantization of Discrete Evaluation Factors
评价因子 评价标准 危险性 评分值 工程岩组 硬岩 不危险 1 软岩 较重危险 2 软硬相间岩 重度危险 3 边坡结构 逆向坡 轻度危险 1 逆斜坡 较重危险 2 顺斜坡 重度危险 3 伏倾坡 重度危险 4 横向坡 极度危险 5 -
数据标准化（归一化）处理是机器学习与人工智能训练以前的一项基本的数据预处理工作，其目的在于统一不同数据的量级关系。本文利用Matlab中的Mapminmax归一化方法将滑坡评价因子数据归一化到[0, 1]区间内。
在建立滑坡预测模型之前，需要选择合适的训练样本。对于带有空间属性的数据，在做统计分析时不但要考虑到其空间相关性，还要考虑其样本数量。样本数过少，将导致预测结果丢失重要信息；样本数量过多，不但难以去除样本间的空间相关性，而且增加了计算的难度。本文用全部的滑坡数据和相同数量的非滑坡数据随机选取30%形成训练样本集，70%作为验证样本集。
在利用深度信念网络进行数据处理时，本文使用的开发语言为Matlab 2012B，使用的软件为ArcGIS 10.3。硬件配置为：I7-4710 CPU，16 GB内存，Windows 7 Pro操作系统。
在使用DBN进行滑坡易发性评价时，将DBN三层网络的网络节点数分别设置为100、100和20，每次训练所选取的样本数设置为10。实验过程中，分别统计迭代500、1 000、1 500、2 000、2 500、3 000、3 500、4 000、4 500、5 000次时的子样本均方误差和全样本训练误差，分析其随训练次数增加的变化情况，结果见图 3。
图 3 训练次数对均方差与分类误差的影响趋势图
Figure 3. Trend Graph of the Effect of Training Times on Mini-batch Mean Squared Error and Full-Batch Train Error
由趋势图（图 3）可以很明显地看出，DBN在滑坡易发性分析训练样本实验中整体表现出的总体趋势为：随着迭代次数的增加，均方差与分类误差逐步下降。当模型训练次数达到2 500次以上时，均方差与分类误差的值趋于稳定趋势，最终选定模型的迭代次数为2 500。
-
利用训练好的DBN模型对研究区内所有评价单元进行计算，得到评价单元对应的概率值，利用自然间断点分区法将研究区滑坡易发性分为不易发区、低易发区、中易发区和高易发区4个区域，得到DBN模型滑坡易发性分区图（见图 4）。
图 4 基于DBN的滑坡易发性分区图
Figure 4. Landslide Susceptibility Map Based on DBN
从图 4中可以明显看出，滑坡高易发区的轮廓基本上与历史滑坡区域重合，均沿童庄河两岸分布；远离河流地区为滑坡的低易发区和不易发区。
-
本文为了试验DBN模型的稳定性，选取相同样本，在保持所有参数设置相同的条件下分别进行5次实验，得到子样本均方误差、全样本训练误差和测试精度3个指标的统计表（见表 4）。测试精度为每次实验中测试样本的测试精度。本文中的测试样本由随机选取的除了训练样本以外的30%滑坡点以及相同数量的非滑坡点组成。由表 4可知，本文构建的DBN模型在滑坡易发性评价中平均精度为91.14%，均方差为1.94%，稳定性较好。
表 4 DBN模型稳定性分析表/%
Table 4. Stability Analysis of DBN/%
实验次数 子样本均方误差 全样本训练误差 测试精度 1 0.77 1.13 92.67 2 0.94 0.73 90.77 3 1.15 0.90 89.96 4 0.94 0.83 93.51 5 0.81 1.06 88.78 平均值 0.92 0.93 91.14 均方差 0.15 0.16 1.94 -
为了比较分析DBN模型的预测结果，本文利用同样的训练数据和验证数据集，采用浅层神经网络模型和逻辑回归模型分别进行预测，并将3个方法的预测结果利用受试者工作特征（receiver operating characteristic，ROC）曲线线下面积（area under curve，AUC）、总体精度（overall accuracy，OA）和Kappa系数3种精度评价指标进行精度评价。这3个指标值越大，模型精度越高。
图 5是3种模型预测结果所对应的ROC曲线图及其对应的AUC。横坐标X轴为1-特异性，也称为假阳性率（误报率），X轴越接近零准确率越高；纵坐标Y轴称为敏感性，也称为真阳性率，Y轴越大代表准确率越好。从图 5中可以看出，DBN模型的AUC最大，为0.95；其次为浅层神经网络模型，为0.92；逻辑回归模型最低，为0.86。
图 5 3种模型预测结果的ROC曲线图
Figure 5. ROC Curve for the Results of Landslide Susceptibility Mapping Based on Three Models
表 5为3种模型测试样本数据的混淆矩阵、OA及Kappa系数。由表 5可以得知，DBN模型的OA和Kappa系数均优于浅层神经网络模型和逻辑回归模型，表明DBN模型在滑坡易发性评价方面有着良好的表现。
表 5 3种模型精度评价表
Table 5. Accuracy Assessment of Three Models
混淆矩阵 逻辑回归模型 浅层神经网络模型 DBN模型 滑坡 非滑坡 滑坡 非滑坡 滑坡 非滑坡 实际滑坡 3 571 629 3 937 263 3 824 376 实际非滑坡 1 247 2 953 756 3 444 437 3 763 OA/% 78 88 90 Kappa 0.55 0.76 0.81 -
本文采用DBN模型对三峡库区秭归县郭家坝镇的滑坡易发性进行了定量评价，生成了该区域的滑坡易发性分区图。DBN将多个自限制玻尔兹曼机堆叠起来，将每一层学习得到的特征结果作为下一层的输入，从而提高滑坡易发性评价的精度。相较于浅层神经网络和传统的逻辑回归方法，利用ROC、OA和Kappa系数3种精度评价指标对结果进行精度评价。结果表明，DBN具有较好的稳定性，其AUC、OA、Kappa值在3种模型中最高，分别为0.95、90%和0.81，表明DBN在滑坡易发性评价中具有较好的预测能力。
-
摘要: 以三峡库区秭归县郭家坝镇为研究区，从多源数据中提取12类滑坡评价因子，在采用网格单元作为评价单元的基础上，利用深度信念网络(deep belief network，DBN)对该区域的滑坡易发性进行评价，生成了该区域的滑坡易发性分区图，并与浅层神经网络和传统的逻辑回归方法进行比较, 采用受试者工作特征曲线、总体精度和Kappa系数3种精度评价方法对结果进行评价。结果表明，基于深度信念网络的滑坡易发性评价模型具有较好的稳定性，其预测结果的曲线下面积、总体精度、Kappa系数在3个模型中最优，分别为0.95、90%和0.81，表明DBN在滑坡易发性评价中具有较好的预测能力。Abstract:
Objectives Landslides are very harmful natural geological phenomenon.They are widely developed in mountainous areas in China, especially the Three Gorges Reservoir area. At present, more than 3 800 landslides have been reported. However, it is difficult to evaluate the landslide susceptibility and improve the accuracy of the model for areas with the same/similar geological background scientifically and accurately. The main objective of this study is to produce landslide susceptibility maps for the Guojiaba Town of Zigui County at the Three Gorges area, China by using deep belief network (DBN) method, and to explore its application effect in landslide susceptibility mapping. Methods The landslide susceptibility mapping method is DBN. It is a superposition of multiple restricted Boltzmann machines (RBMs), which can better reflect the relationship among factors in order to obtain better results. Firstly, multi-source data is used to extract the factors affecting the landslide development in the study area. By analyzing the correlation between each factor and historical landslides, 12 evaluation factors that have a large impact on landslide development are selected, and they are quantified and normalized. Then, the grid unit is selected as the smallest unit for landslide susceptibility mapping, and the obtained sample units are selected and divided. 30% of all landslide data and the same amount of non-landslide data is selected randomly to form a training sample set. 70% of all landslide data and the same amount of non-landslide data as the validation sample set; third, the obtained training sample set is input to the deep belief network for training, and the validation sample set is used for model verification. In order to test the stability of the proposed model, with the same sample and parameter settings, five experiments are carried out. Finally, the same training set and validation set are used to evaluate the landslide susceptibility using shallow neural networks and logistic regression models.The results of the three methods are evaluated by using ROC(receiver opera- ting characteristics) curve, OA (overall accuracy) and Kappa coefficient. Results The proposed DBN model is used to calculate based on the evaluation units in the study area, and the probability values corresponding to the evaluation units are obtained. The susceptibility of landslides in the study area is divided into four classes which are non-prone, low-prone, moderate-prone and high-prone area. The zonation map of landslide susceptibility based on DBN is obtained. From the results of the stability test of DBN, the average accuracy of DBN constructed in the mapping of landslide susceptibility is 91.14%, and the mean square error is 1.94%, which proves that the method has better performance of stability. By comparing with the mapping results obtained by the shallow neural network and logistic regression model, it is found that DBN has higher accuracy on the three evaluation indexes of ROC curve, OA and Kappa coefficient, which are 0.95, 90% and 0.81, followed by the shallow neural network model, of which are 0.92, 88%, and 0.76. The accuracies of logistic regression model are the lowest, of which are 0.86, 78%, and 0.55, respectively. Conclusions A DBN is used to quantitatively mapping the landslide susceptibility in Guojiaba Town, Zigui County, the Three Gorges Reservoir area, and a regional landslide susceptibility map is generated.Compared with the shallow neural network and traditional logistic regression method, the accuracy assessment of the results is performed using three accuracy evaluation indexes, which are the receiver's working characteristic curve, OA, and Kappa coefficient. The results show that DBN obtains good stability, and the area under the curve, OA, and Kappa values are the highest among the three models, indicating that DBN performs a good predictive ability and stability in the mapping of landslide susceptibility. -
图 2 主要评价因子与滑坡占比相关性统计图
Figure 2. Correlation Statistics Between Main Causative Factors and Proportion of Landslides
图 3 训练次数对均方差与分类误差的影响趋势图
Figure 3. Trend Graph of the Effect of Training Times on Mini-batch Mean Squared Error and Full-Batch Train Error
图 5 3种模型预测结果的ROC曲线图
Figure 5. ROC Curve for the Results of Landslide Susceptibility Mapping Based on Three Models
表 1 实验数据及特性表
Table 1. Experimental Data and Characteristics
数据来源 一级因子 二级因子 地质图 地质条件 边坡结构
工程岩组
断层距离地形图 地形地貌 高程
坡向
坡度
地表平面曲率
地表剖面曲率水文条件 水系距离
地形湿度指数中巴资源卫星 地表覆盖 植被覆盖度 人类工程活动 道路距离 
下载: 导出CSV
表 2 边坡结构划分类型表
Table 2. Classification of the Bed Rock-Slope Relationship
类型 定义 飘倾坡 |α－β|∈[0°, 30°)或|α－β|∈[330°, 360°), γ > 10°且δ > γ 伏倾坡 |α－β|∈[0°, 30°)或|α－β|∈[330°, 360°), γ > 10°且δ < γ 顺斜坡 |α－β|∈[30°, 60°)或|α－β|∈[300°, 330°) 横向坡 |α－β|∈[60°, 120°)或|α－β|∈[240°, 300°) 逆斜坡 |α－β|∈[120°, 150°)或|α－β|∈[210°, 240°) 逆向坡 |α－β|∈[150°, 210°) 注：α为斜坡坡向，β为岩层倾向，γ为岩层倾角，δ为斜坡坡度
下载: 导出CSV
表 3 离散型评价因子量化
Table 3. Quantization of Discrete Evaluation Factors
评价因子 评价标准 危险性 评分值 工程岩组 硬岩 不危险 1 软岩 较重危险 2 软硬相间岩 重度危险 3 边坡结构 逆向坡 轻度危险 1 逆斜坡 较重危险 2 顺斜坡 重度危险 3 伏倾坡 重度危险 4 横向坡 极度危险 5
下载: 导出CSV
表 4 DBN模型稳定性分析表/%
Table 4. Stability Analysis of DBN/%
实验次数 子样本均方误差 全样本训练误差 测试精度 1 0.77 1.13 92.67 2 0.94 0.73 90.77 3 1.15 0.90 89.96 4 0.94 0.83 93.51 5 0.81 1.06 88.78 平均值 0.92 0.93 91.14 均方差 0.15 0.16 1.94
下载: 导出CSV
表 5 3种模型精度评价表
Table 5. Accuracy Assessment of Three Models
混淆矩阵 逻辑回归模型 浅层神经网络模型 DBN模型 滑坡 非滑坡 滑坡 非滑坡 滑坡 非滑坡 实际滑坡 3 571 629 3 937 263 3 824 376 实际非滑坡 1 247 2 953 756 3 444 437 3 763 OA/% 78 88 90 Kappa 0.55 0.76 0.81
下载: 导出CSV
-
[1] 黄润秋, 许强.中国典型灾难性滑坡[M].北京:科学出版社, 2008 Huang Runqiu, Xu Qiang. China Typical Catastrophic Landslide[M]. Beijing: Science Press, 2008 [2] 陆会燕, 李为乐, 许强, 等.光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J].武汉大学学报·信息科学版, 2019, 44(9): 1 342-1 354 doi: 10.13203/j.whugis20190086 Lu Huiyan, Li Weile, Xu Qiang, et al. Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide, the Jinsha River Based on Optical Remote Sensing and InSAR Technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1 342-1 354 doi: 10.13203/j.whugis20190086 [3] 唐尧, 王立娟, 马国超, 等.基于"高分+"的金沙江滑坡灾情监测与应用前景分析[J].武汉大学学报·信息科学版, 2019, 44(7):1 082-1 092 doi: 10.13203/j.whugis20190048 Tang Yao, Wang Lijuan, Ma Guochao, et al. Disaster Monitoring and Application Prospect Analysis of the Jinsha River Landslide Based on "Gaofen+"[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 1 082-1 092 doi: 10.13203/j.whugis20190048 [4] 刘渊博, 牛瑞卿, 于宪煜, 等.旋转森林模型在滑坡易发性评价中的应用研究[J].武汉大学学报·信息科学版, 2018, 43(6): 959-964 doi: 10.13203/j.whugis20160132 Liu Yuanbo, Niu Ruiqing, Yu Xianyu, et al. Application of the Rotation Forest Model in Landslide Susceptibility Assessment[J]. Geomatics and Information Science of Wuhan University, 2018, 43(6): 959-964 doi: 10.13203/j.whugis20160132 [5] 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 [6] 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 Assessment 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 [7] Pham B T, Bui D T, Dholakia M B, et al. A Comparative Study of Least Square Support Vector Machines and Multiclass Alternating Decision Trees for Spatial Prediction of Rainfall-Induced Landslides in a Tropical Cyclones Area[J]. Geotechnical and Geological Engineering, 2016, 34(6): 1 807-1 824 doi: 10.1007/s10706-016-9990-0 [8] 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, DOI: 10.1007/s12665-017-6558-0 [9] Tsangaratos P, Ilia I. Comparison of a Logistic Regression and Naïve Bayes Classifier in Landslide Susceptibility Assessments: The Influence of Models Complexity and Training Dataset Size[J]. Catena, 2016, 145: 164-179 doi: 10.1016/j.catena.2016.06.004 [10] Chen W, Xie X, Peng J, et al. GIS-Based Landslide Susceptibility Modelling: A Comparative Assessment of Kernel Logistic Regression, Naïve-Bayes Tree, and Alternating Decision Tree Models[J]. Geomatics, Natural Hazards and Risk, 2017, 8(2): 950-973 doi: 10.1080/19475705.2017.1289250 [11] Wang L J, Guo M, Sawada K, et al. A Comparative Study of Landslide Susceptibility Maps Using Logistic Regression, Frequency Ratio, Decision Tree, Weights of Evidence and Artificial Neural Network[J]. Geosciences Journal, 2016, 20: 117-136 doi: 10.1007/s12303-015-0026-1 [12] 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 [13] Hong H, Pradhan B, Jebur M N, et al. Spatial Prediction of Landslide Hazard at the Luxi Area (China) Using Support Vector Machines[J]. Environmental Earth Sciences, 2016, DOI: 10.1007/s12665-015-4866-9 [14] Peng L, Niu R, Huang B, et al. Landslide Susceptibility Mapping Based on Rough Set Theory and Support Vector Machines: A Case of the Three Gorges Area, China[J]. Geomorphology, 2014, 204: 287-301 doi: 10.1016/j.geomorph.2013.08.013 [15] Wu X, Niu R, Ren F, et al. Landslide Susceptibility Mapping Using Rough Sets and Back-Propagation Neural Networks in the Three Gorges, China[J]. Environmental Earth Sciences, 2013, 70(3): 1 307-1 318 doi: 10.1007/s12665-013-2217-2 [16] Chen W, Pourghasemi H R, Zhao Z. A GIS-Based Comparative Study of Dempster-Shafer, Logistic Regression, and Artificial Neural Network Models for Landslide Susceptibility Mapping[J]. Geocarto International, 2017, 32(4): 367-385 doi: 10.1080/10106049.2016.1140824 [17] Tian Y Y, Xu C, Hong H Y, et al. Mapping Earthquake-Triggered Landslide Susceptibility by Use of Artificial Neural Network(ANN) Models:An Example of the 2013 Minxian (China) Mw 5.9 Event[J]. Geomatics, Natural Hazards and Risk, 2019, 10(1): 1-25 doi: 10.1080/19475705.2018.1487471 [18] Andrieu C, Freitas N D, Doucet A, et al. An Introduction to MCMC for Machine Learning[J]. Machine Learning, 2003, 50(1-2): 5-43 http://www.tandfonline.com/servlet/linkout?suffix=cit0002&dbid=16&doi=10.1080%2F00273171.2018.1428892&key=10.1023%2FA%3A1020281327116 [19] Wang Y, Fang Z C, Hong H Y. Comparison of Convolutional Neural Networks for Landslide Susceptibility Mapping in Yanshan County, China[J]. Science of the Total Environment, 2019, 666: 975-993 doi: 10.1016/j.scitotenv.2019.02.263 [20] Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J].Science, 2006, 313(5 786): 504-507 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=4bf28668b4ac9aa4374f7393e37d2e9d [21] Lee H, Ekanadham C, Ng A Y. Sparse Deep Belief Net Model for Visual Area V2[C]. The 21st Annual Conference on Neural Information Processing Systems, Vancouver, British Columbia, Canada, 2007 [22] Nair V, Hinton G E. 3D Object Recognition with Deep Belief Nets[C]. The 23rd Annual Conference on Neural Information Processing Systems, Vancouver, British Columbia, Canada, 2009 [23] Sarikaya R, Hinton G E, Ramabhadran B. Deep Belief Nets for Natural Language Call-Routing[C]. IEEE International Conference on Acoustics, Speech and Signal Processing, Prague, Czech, Republic, 2011 [24] 李景富, 牛瑞卿.基于GIS的斜坡结构图自动化制图方法研究[J].人民长江, 2009, 40(19): 38-40 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=rmcj200919013 Li Jingfu, Niu Ruiqing. Research on Automatic Drawing Method for Structural Drawings of Slope Based on GIS[J]. Yangtze River, 2009, 40(19): 38-40 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=rmcj200919013 [25] 地质矿产部编写组.长江三峡工程库岸稳定性研究[M].北京:地质出版社, 1988 Compilation Team of Ministry of Geology and Mineral Resources. Unstability Problems of the Slope Along Yangtze River in the Region of the Three Gorges Project[M]. Beijing: Geological Publishing House, 1988 [26] 《长江三峡工程重大地质与地震问题研究》编写组.长江三峡工程重大地质与地震问题研究[M].北京:地质出版社, 1992 Compilation Team of Research on Major Geological and Seismic Problems of the Three Gorges Project of the Yangtze River. Research on Major Geological and Seismic Problems of the Three Gorges Project of the Yangtze River[M]. Beijing: Geological Publishing House, 1992 [27] 刘广润, 晏鄂川, 练操.论滑坡分类[J].工程地质学报, 2002, 10(4): 339-342 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gcdzxb200204001 Liu Guangrun, Yan Echuan, Nian Chao. Discussion on Classification of Landslides[J]. Journal of Engineering Geology, 2002, 10(4): 339-342 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gcdzxb200204001 [28] Páez A, Wheeler D C. Geographically Weighted Regression[J]. International Encyclopedia of Human Geography, 2009, 47(1): 407-414 [29] Pike R J. The Geometric Signature: Quantifying Landslide-Terrain Types from Digital Elevation Models[J]. Mathematical Geology, 1988, 20(5): 491-511 doi: 10.1007/BF00890333 [30] Montgomery D R, Dietrich W E. A Physically Based Model for the Topographic Control on Shallow Landsliding[J]. Water Resources Research, 1994, 30(4): 1 153-1 171 doi: 10.1029/93WR02979 [31] Chowdhury R N, Zhang S. Modelling the Risk of Progressive Slope Failure: A New Approach[J]. Reliability Engineering & System Safety, 1993, 40(1): 17-30 http://www.sciencedirect.com/science/article/pii/095183209390115F [32] 彭令, 牛瑞卿, 陈丽霞. GIS支持下三峡库区秭归县滑坡灾害空间预测[J].地理研究, 2010, 29(10): 1 889-1 898 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlyj201010017 Peng Ling, Niu Ruiqing, Chen Lixia. Landslide Hazard Spatial Prediction in Zigui County of the Three Gorges Reservoir Area Based on GIS[J]. Geographical Research, 2010, 29(10): 1 889-1 898 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlyj201010017 [33] 李军, 周成虎.基于栅格GIS滑坡风险评价方法中格网大小选取分析[J].遥感学报, 2003, 7(2): 86-92 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ygxb200302002 Li Jun, Zhou Chenghu. Appropriate Grid Size for Terrain Based Landslide Risk Assessment in Lantau Island, Hong Kong[J]. Journal of Remote Sensing, 2003, 7(2): 86-92 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ygxb200302002 -
点击查看大图
图(5) / 表(5)
计量
- 文章访问数: 812
- HTML全文浏览量: 218
- PDF下载量: 209
- 被引次数: 0
