没有合适的资源?快使用搜索试试~ 我知道了~
地理因子支持下的滑坡隐患点空间分布特征及识别研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 75 浏览量
2022-11-30
09:28:10
上传
评论
收藏 606KB DOCX 举报
温馨提示
试读
17页
地理因子支持下的滑坡隐患点空间分布特征及识别研究.docx
资源推荐
资源详情
资源评论
中国湖南省湘西自治州地貌形态多样,以中低山为主,降水丰富,地质条件复杂,是
地质灾害易发区和重点防护区
[1]
。根据《湘西自治州地质灾害防治规划(2011—
2020)》、县(市)地质灾害调查与区划资料统计,湘西自治州实有滑坡隐患点 407 处。
2007-07 常吉高速泸溪县潭溪镇朱雀洞发生特大滑坡,造成直接经济损失超过 8 000 万元
[2]
;2017-06-24,319 国道泸溪段多处出现山体滑坡,造成较大的经济损失。
滑坡发生机制十分复杂,是多种影响因子特别是地理因子相互作用的结果。影响因子
主要分为两个方面:(1)内部因子,如坡度、坡向、岩性、土壤、植被覆盖、地层构造
等。(2)诱发因子,主要包括降雨、人类活动等。借助 GIS、RS 技术和地学统计方法开
展滑坡影响因子研究,主要研究与其影响因子的关系、总体空间格局及分布特征。参考文
献[3-10]的影响因子分析及其空间分布,可看出滑坡通常发生在某一地形条件上,由降水
或人类活动等因素诱发形成。
目前,对滑坡的研究主要集中在以下方面:(1)利用光学遥感技术对某地区的滑坡
灾害,如对汶川地震区绵竹市
[11]
、黄土高原地区
[12-13]
等进行遥感影像解译;同时,利用数
字高程模型(digital elevation model, DEM)提取地表参数等,为研究滑坡的地形特征提供一
种手段,如四川九寨沟
[14]
、东南地区
[15]
、雅鲁藏布江
[16]
、英国哥伦比亚奇利瓦克和盆地
[17]
,分析灾害的发育规律、分布规律并进行危险性评价
[18]
。(2)通过合成孔径雷达
(interferometric synthetic aperture radar,InSAR)技术捕捉滑坡发生前的地表形变,以
及滑坡失稳前的加速变形信号或者大面积缓慢蠕滑变形,提供一种提早识别隐患滑坡体的
方法和手段
[18-25]
。通过工程地质勘察,对滑坡的成因和识别进行分析并提出相应的解决措
施
[26-29]
。(3)采用定性、定量方法对滑坡易发性地区进行研究,如基于专家知识的定性分
析推理
[30]
、基于数学建模的统计分析
[31]
、基于滑坡过程的模型分析
[32]
。随着计算机科学与
技术的发展,结合前人研究,机器学习中的逻辑回归
[3]
、人工神经网络
[3]
、随机森林
[3, 6, 33]
、
支持向量机
[6, 33]
、BP(back propagation)神经网络
[6]
、决策树
[6]
等算法被广泛地应用于滑
坡识别
[33-35]
,较好地解决了非线性关系表达的问题,提高了滑坡识别的精度。文献[3]基于
逻辑回归、人工神经网络、随机森林,结合 GIS 对重庆市奉节县高程、坡度、坡向等 16
个因子进行研究分析,并对比分析不同算法的结果。文献[6]基于随机森林、支持向量机、
BP 神经网络、决策树对地形地貌、地层岩性等 6 种影响因子进行实验,并对模型分类结
果进行对比。同时,机器学习算法自学能力强,能挖掘特征之间的潜在联系,对专家知识
的依赖性小,且能够产生可重复的结果
[35]
。XGBoost 是一种基于决策树的集成学习方法,
在多个领域的分类和回归预测中取得了较好的效果
[36-38]
。目前仍鲜有研究将 XGBoost 应用
于滑坡评估和预测。
本文以中国湖南省湘西自治州为研究区域,利用滑坡灾害隐患点数据及地形地貌、环
境水文、人类活动等数据,应用空间统计分析、叠置分析和缓冲区分析等地理信息技术,
研究湘西自治州的孕灾环境、滑坡灾害隐患点时空分布规律及其与地质环境的相关性,实
现湘西自治州滑坡空间分布特征的定量分析;并利用 XGBoost 算法进行特征贡献分析,计
算因子的重要程度。
1. 研究区数据
湘西自治州位于湖南省西北部,地理坐标为 109°10'E~110°22.5'E、
27°44.5'N~29°38'N。武陵山脉自西向东蜿蜒境内,系云贵高原东缘武陵山脉东北部。湘西
州境域南北长约 240 km,东西宽约 170 km,是湖南省内地质灾害易发、多发且危害比较
严重的地区。
本文所使用的数据及数据来源见表 1。其中,滑坡隐患点数据由各地国土资源局等部
门通过实地调查获得,表示有可能发生滑坡的地点。其他数据主要用于提取影响滑坡发生
的因素,包括地形地貌、地质构造、土地覆盖、水文、人类活动等类型,通过梳理文献
[3, 6, 33]可知,这些因素可能对湘西自治州滑坡的发生有较大影响。受数据本身特点及可
用性的限制,难以保证所有数据具有相同的获取时间和空间分辨率,因此在数据选取时,
尽可能保证获取时间相近、空间分辨率合理。
表 1 数据及数据来源
Table 1. Data and Data Sources
类型
数据
时间
分辨率
数据来源
滑坡
数据
滑坡隐患点
截至
2017 年
中国科学院资源环境科学数据中心资源环境数据云平台
(http://www.resdc.cn/Default.aspx)
地形
地貌
DEM
2013 年
30 m
ASTER GDEM 30 m 分辨率数字高程数据
(https://search.earthdata.nasa.gov/search)
地质
构造
岩性地质构造
2018 年
中国科学院资源环境科学数据中心资源环境数据云平台
(http://www.resdc.cn/Default.aspx)
土地利用
2018 年
地理国情普查
NDVI
2018 年
30 m
Landsat8 OLI_TIRS 卫星数字产品数据 30 m 空间分辨率
(https://search.earthdata.nasa.gov/search)
土地
覆盖
土壤湿度
2014 年
0.25°
欧洲航天局的气候变化倡议数据集 COMINBED 产品
降水
2018 年
1°
全球降水测量数据 level3(https://pmm.nasa.gov/precipitation-
measurement-missions)
水文
条件
河流
2018 年
地理国情普查
人类
活动
道路、建筑物、构
筑物、人工堆掘
地、裸露地
2018 年
地理国情普查
下载: 导出 CSV
| 显示表格
2. 影响因子统计分析
2.1 影响因子选取与空间分析
无论是自然斜坡还是人工边坡都不是一成不变的,受自然因素和人为环境影响,斜坡
一直处于运动变化之中。本文选取高程、坡度、坡向、剖面曲率、归一化植被指数
(normalized differential vegetation index,NDVI)、土壤湿度、降水、岩性、地质构
造,以及滑坡点至道路、水域、建筑物、构筑物、人工堆掘地、裸露地及断层的距离等 21
个地理因子。其中,高程、坡度、坡向、剖面曲率等属于地形地貌因子;地层岩性、是否
有断层等属于地质构造因子;降水、水域等属于水文因子;植被覆盖率、土壤湿度等属于
土地覆盖因子;道路、建筑物、构筑物、人工堆掘地等至滑坡灾害点的距离属于人类活动
因子。
根据地理国情普查数据,运用邻近分析等形成道路、建筑物、构筑物、人工堆掘地、
裸露地等距离滑坡点的距离数据;利用 DEM 数据运用空间分析工具计算出研究区的坡
度、坡向、曲率数据;面积数据包括耕地面积、林地面积、道路面积、水域面积、建筑物
面积、构筑物面积、人工堆掘地面积以及裸露地面积,指的是滑坡点周围 500 m 缓冲区内
的耕地、林地、道路、水域、建筑物、构筑物、人工堆掘地以及裸露地的面积;运用提取
工具从空间分辨率为 1°×1°的全球降水量测量(global precipitation measurement,
GPM)降水数据中获取每个滑坡隐患点的降水数据;通过波段运算(NDVI=(近红外波段
-红外波段)/(近红外波段+红外波段))并剔除无效值得到 NDVI 数据;利用 ArcGIS 提
取工具获取每个滑坡点的土壤湿度。
本文通过统计滑坡隐患点在不同高程、坡度、植被覆盖等区域的数量,分析滑坡隐患
点的空间分布特征。
2.2 滑坡隐患点空间分布特征分析
2.2.1 地形地貌
地形地貌因素主要有高程、坡度、坡向、剖面曲率 4 个因子。将 4 个因子按照数值大
小划分等级,统计滑坡隐患点的分布频次,如图 1 所示。
图 1 地形地貌因子滑坡隐患点分布频次统计
Figure 1. Distribution Frequency of Landslide Hidden Danger Points
下载: 全尺寸图片 幻灯片
湘西自治州西北部地势较高、地形复杂,滑坡点多于其他地区。本文将研究区高程分
为 0~200 m、200~400 m、400~600 m、600~800 m、800~1 000 m 共 6 级,统计各级高
程中滑坡灾害隐患点的分布。从图 1(a)可以看出,滑坡点在高程 400~600 m 分布最
多,高程 200~400 m 次之,高程大于 1 000 m 分布最少。
坡度是滑坡的一个重要影响因子,结合文献[39-40],将坡度划分为 0°~3°、3°~12°、
12°~21°、21°~30°、30°~40°、 > 50°共 6 个等级。统计发现滑坡隐患点多发生在
3°~12°、12°~21°、21°~30°等不稳定斜坡,总体上高陡斜坡比低缓斜坡更容易失稳而发生
滑坡。
坡向与降水及太阳辐射的关系密切,并影响着植被、土壤湿度、土地利用等因子。利
用 DEM 生成坡向图,并划分为北(0°~22.5°、337.5°~360°)、东北(22.5°~67.5°)、东
(67.5°~112.5°)、东南(112.5°~157.5°)、南(157.5°~202.5°)、西南
(202.5°~247.5°)、西(247.5°~292.5°)、西北(292.5°~337.5°)等 8 个方向。从图 1
(c)中可以看出,研究区滑坡隐患点分布的数量为西北 > 东南 > 南。
剖面曲率是对某一地面点上坡度沿最大坡降方向地面高程变化率的度量,或者称为高
程变化的二次导数,用来描述地表上任一曲面在垂直方向的弯曲变化情况
[41]
。通过空间分
析生成曲率图,将其划分为 < -2.6、-2.6~-0.6、-0.6~1.4、1.4~3.4、 > 3.4 共 5 级。从图
1(d)中可以看出,滑坡分布在剖面曲率-2.6~1.4,其中大多数分布在曲率为-0.6~1.4 的
地方,表明大多数滑坡分布在地形稍有起伏的区域。
剩余16页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3662
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 5.23-Java概述,JDK安装及注释、关键字、标识符、数据类型、变量、常量的介绍
- 《Python基础》实验三指导书(1).doc
- TensorFlow 深度学习、机器学习-任何能够用计算流图形来表达的计算,都可以使用TensorFlow
- 2024最新学成在线网页实战项目代码
- 一个基于springboot+sureness的面向REST API资源无状态认证权限管理系统
- 王博外文文献.pdf
- python毕业设计基于社区检测的多任务聚类联邦学习项目源码+使用说明(高分项目).zip
- Javaweb项目源码-编程爱好者博客地带.zip
- java各个技术栈相关知识点
- PYthon代码 pdf合并
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功