论文部分内容阅读
滑坡是世界上十大自然灾害之一,是仅次于地震和洪水的一种严重地质灾害,对人民的生命财产安全和经济建设构成了极大的威胁。如何安全、可靠、有效地进行滑坡灾害敏感性分析评价,对滑坡预测预报及风险管理具有重要的理论意义和现实意义。
随着地理信息系统(Geographic Information System,GIS)的发展,其强大的空间分析、数据管理与处理、可视化和制图功能,使其在滑坡敏感性分析评价研究方面得到了广泛应用,以GTS软件为技术平台的滑坡灾害敏感性分析评价成为该领域未来的发展方向之一。
随着遥感(Remote Sensing,RS)科学与技术的发展,遥感数据极大丰富,遥感技术在滑坡研究方面得到了广泛应用。目前,遥感技术在滑坡灾害研究中的应用正经历着从单一影像资料解译向多时相、多数据源的复合分析;从静态的定性制图向动态监测、定量滑坡特征数据、信息获取的发展过程;信息提取的手段从目视解译向计算机辅助与自动获取过渡。
由贝尔实验室的Vapnik等学者提出的支持向量机(Support Vector Machine,SVM)近年来成为模式识别、机器学习、人工智能以及神经网络界一个新的研究热点。它在小样本学习、抗噪声性能、学习效率与推广性等方面都优于当前其他的机器学习算法,适合于处理非线性及高维的复杂数据。在空间数据挖掘、遥感图像分类、高光谱遥感图像处理、空间数据分析等领域得到了成功应用。
本文利用GIS、RS技术与SVM方法相结合,以三峡库区秭归--巴东段为试验区,进行滑坡敏感性分析与评价,主要研究内容及结论如下:
1、空间数据整理、处理与管理
利用试验区基础地形数据、基础地质数据、遥感影像数据和灾害调查资料,通过数据需求分析、数据收集与整理、坐标配准及校正、数据矢量化、属性数据录入、数据入库过程建立滑坡灾害空间数据库。
2、支持向量机的滑坡敏感性分析评价
在滑坡灾害空间数据库的基础上,通过分析试验区内202个滑坡与各影响因素之间的相关性,选择高程、坡度、地形起伏度、地形曲率、工程岩组、斜坡结构、断层、水系、植被指数和水体指数作为评价因子。利用打分法对名义尺度的评价因子进行量化,建立滑坡灾害敏感性评价指标体系。根据数据库中灾害数据和评价因子数据空间尺度及工作比例尺,采用网格单元做为模型单元。对于具有空间属性的滑坡地质事件而言,为提高模型的评价精度和推广能力,降低样本之间的空间相关性,采用窗口采样规则采集模型训练样本。最后基于训练样本集,构建支持向量机模型,并进行滑坡敏感性分析与评价。
3、对相同试验区不同评价预测模型的预测结果进行对比分析
采用相同样本和评价因子,建立Logistic回归预测模型,通过对比分析两种模型的预测结果,表明支持向量机模型总体上优于Logistic回归模型;采用不同数量样本对支持向量机模型进行样本精度分析,结果表明样本数量的增减对支持向量机模型分析精度影响较小。这对于调查资料有限的地区,该预测模型具有一定优势。
4、试验及验证
通过试验区滑坡敏感性指数统计分析,将试验区分为高、中、低、不易发区,得到试验区滑坡灾害易发性分区图。其中高易发区占11.4%,主要分布在童庄河右岸、归州河沿岸、青干河左岸、树坪--范家坪长江右岸、牛口到东壤口长江左岸和巴东附近;中易发区占20.6%,主要分布在泄滩及新滩附近、香溪--归州段均有分布;低易发区占14.5%,主要分布于楚王井至青干河口、泄滩老镇至牛口等区域;不易发区占53.4%,主要分布于店子湾至巴东旧城,以及远离长江及植被覆盖度高的区域。通过精度验证,支持向量机模型在高中易发区中的预测精度为86%,通过试验区内已有灾害调查资料及实地验证,评价分析结果与区内滑坡灾害发育现状基本吻合。