2025-09-19 2037 0
题目
Title
论文信息 Information 期刊: International Journal of Applied Earth Observation and Geoinformation 作者: Chao Zhou a,b,*, Lulu Gan a, Ying Cao c, Yue Wang c, Samuele Segoni d, Xuguo Shi a, Mahdi Motagh b,e, Ramesh P Singh f 工作单位: a: 中国地质大学地理与信息工程学院 b: 摘要 Abstract 目前流行的基于目录的滑坡易发性模型（LSM）是在假设未来滑坡发生反映过去和当前模式的基础上运行的。由于城市扩张和气候变化，某些滑坡遵循新的发生模式，破坏了基于目录的LSM的基本假设，并导致传统易感性图的有效性受到限制。为了解决这一问题，提出了一种结合先进的嵌入式机器学习（EML）和多时相干涉SAR（MT-InSAR）生成更精确、更动态的滑坡易发性地图的方法。以三峡库区万州区为试验区，采用滑坡目录和多种EML方法编制了初步磁化率图，并对不同集成策略的影响进行了比较分析（同质和异质系综）和baselearners对建模性能的影响。随后，2018年至2020年的Sentinel-1数据，利用MTInSAR方法分析了马头滑坡的地表形变速率，并对马头滑坡的活动斜坡进行了划分，推导了马头滑坡的形变与触发因素之间的关系。通过经验评估矩阵，将磁化率目录图与地表形变速率图耦合，生成了最终的磁化率图。研究结果表明，距离河流、距断层距离、年降雨量和距道路距离是滑坡空间发育的基本参数;异构EML方法优于同质，InSAR获得的变形率纠正了目录生成的滑坡敏感性图中的高估和低估错误，该方法能够提高敏感性图的准确性和及时性，为快速变化环境下的滑坡风险情景评估提供了有用的工具。
图表 Figures&Tables 图1 （a）中国地图，（B）三峡库区地图，（c）高程和滑坡分布 图2 所提出的滑坡易发性制图方法流程图 图3 堆叠结构（LGBM-RF-GBDT） 图4 滑坡成因因素：（a）坡度，（B）坡向，（c）TWI，（d）到河流的距离，（e）到断层的距离，（f）岩性，（g）剖面曲率，（h）到道路的距离，（i）FVC，（j）年降雨量，（k）土壤和（l）土地利用变化，Fo表示霜冻，Fa表示农田，Wa表示水，Ur表示城市土地 图5 滑坡成因因子间的相关系数 图6 叠加法（LGBM-RF-GBDT）生成的滑坡易发性示意图 图7 （a）MT-InSAR技术生成的变形速度图，（B）研究区干涉合成孔径雷达变形统计，（c）马头滑坡和（d）陈岭滑坡的干涉合成孔径雷达变形 图8 三峡库区干涉合成孔径雷达位移、日降雨量和水库水位。水库水位在一个水年度内的波动可分为四个部分，I：下降，II：低水位，III：上升，IV：高水位 图9 （a）最终生成的磁化率图，（B）最终磁化率图中的扩大城区，（c）叠加（LGBM-RF-GBDT）初步磁化率图中的扩大城区，（d）最终磁化率图中的扩大陈岭滑坡，（d）叠加（LGBM-RF-GBDT）初步磁化率图中的扩大陈岭滑坡 图10 用（a）RF、（B）LGBM和（c）GBDT计算的滑坡各种致因的重要性 图11 （a）训练的ROC曲线和（B）预测的ROC曲线 图12 （a）过去20年土地利用和活动坡度的分布，（B）不透水面的像素数 结论 Conclusion 本研究通过综合运用EML和MT-InSAR技术，对研究区的滑坡易发性进行分析，结果表明：（1）距河流、断层、道路和岩性是影响研究区滑坡发育的主要因素; 2）包围学习方法提高了基本学习者的学习成绩，异构EML的学习成绩优于同质EML，并随着基本学习者类型的增加而提高; 3）通过耦合InSAR地面形变，可以显著降低目录型滑坡易发性图的高估和低估误差。建议的方法可以在快速发展的城市地区准确和及时地绘制滑坡易发性图。 参考文献 References Zhou C, Gan L, Cao Y, et al. Landslide susceptibility assessment of the Wanzhou district: Merging landslide susceptibility modelling (LSM) with InSAR-derived ground deformation map[J]. International Journal of Applied Earth Observation and Geoinformation, 2025, 136: 104365.
成功提示
错误提示
警告提示
评论 （0）