基于环境因子AI_GIS方法的天然滑坡危险性预测_以香港大屿山岛为例

上传者：单超
|
上传时间：2015-05-07
|
密次下载

基于环境因子AI_GIS方法的天然滑坡危险性预测_以香港大屿山岛为例

内容需要下载文档才能查看

地质科技情报第23卷　第3期Vol.23　No.3

2004年　　9月GeologicalScienceandTechnologyInformationSep.　2004

基于环境因子AI2GIS方法的天然滑坡危险性预测

——以香港大屿山岛为例

单新建1,叶　洪1,李焯芬2,陈国光1

(1.中国地震局地质研究所遥感与空间信息应用研究中心,北京,100029;

2.香港大学土木工程系,香港)

①

摘　要:利用人工神经元网络(AI)及地理信息系统(GIS)技术,将多元空间信息分析与非线性理论相结合,,间关系,进行了因子筛选,据此对区域天然滑坡进行了危险性分区。,,该方关键词:;;:文章编号:100027849(2004)0320109204,人们对土地的需求越来越大,已开始在靠近边坡的地区开发和利用土地资源。这就要求我们不仅仅要对单体滑坡稳定性进行有效的监测和评价,而且需要对区域滑坡危险性进行有效的预测,为土地资源的开发与利用提供科学的决策依据。滑坡的孕育和发生受各种因素的影响,每一种环境因子(因素)及各因子之间的相互作用都可能对滑坡产生影响,形成滑坡稳定性评价难、区域滑坡稳定性评价更难的局面。近年来,人们开始把滑坡资料与岩土类型、地貌、坡角、植被等环境资料一起输入数据库,定量地分析滑坡与各个环境因子的关系,已取得了一些可喜的成果[1～4]。但目前所涉及的大多为滑坡与单因子之间的统计分析,利用环境因子进行区域滑坡危险性区划研究仍然不多。

香港有60%的陡峭天然山坡被弱风化层和表土沉积层所覆盖,再加之热带强烈的降雨,造成大量天然滑坡发生,目前已成为世界上遭受滑坡威胁最严重的地区之一。因此,区域滑坡的危险性预测研究显得尤为重要。笔者在前人研究的基础上,利用人工神经元网络及地理信息系统技术,将多元空间信息分析与非线性理论相结合,建立了因子筛选、区域滑坡预测模型。选择天然滑坡比较发育的大屿山岛中部地区作为试验研究区,定量分析了研究区滑坡与各种环境因子的关系,并据此对研究区区域的滑坡灾害进行了危险性分区。

①收稿日期:2003207221　　　编辑:刘江霞

1　多元空间信息分析与因子筛选模型

多元空间信息分析与因子筛选模型是通过分析滑坡与各个环境因子的空间关系,从众多因子中选取最佳预测因子集的解决方案。在GIS环境因子数据库中,环境因子的事先选取是以多而全为原则的。在这些因子中,有些因子与滑坡的相关性较差或无相关性,从而削弱了有较好相关性的关键因子,因此,必须对各个环境因子进行科学分析,从中剔除那些相关性不好的因子。多元空间信息分析与因子筛选模型包括单因子定量分析模型和多因子定量分析模型。

1.1　单因子定量分析模型

选取各环境因子所包含单位面积的滑坡面积(滑坡面积与因子目标面积比值)参数作为描述滑坡与环境因子的关系参数。设因子x含有m个空间目标,Oi为第i个空间目标面积(i=1,2,…,m);空间目标面积Oi包含的滑坡次数为n次,Sij为第i个空间目标中所包含的第j个滑坡面积(j=1,2,…,n),则整个环境因子x的单位面积滑坡面积Ρ为:

Ρ=

∑∑S??∑O

i=1j=1

i=1

(1)

由(1)式可见,单因子分析是将每个因子作为一个整

基金项目:国家自然科学基金资助项目(49802027)

作者简介:单新建(1966—　),男,研究员,主要从事遥感、地理信息系统、INSAR以及3S集成方面的研究和应用工作。

内容需要下载文档才能查看

110

　地质科技情报

2　AI2GIS预测模型

　2004年

体,突出了滑坡与各个因子的关系。空间目标之间的包含与非包含关系是由GIS的空间叠加与拓扑分析功能来实现的。

1.2　多因子定量分析模型

多因子定量分析的关系参数虽然仍是单位面积滑坡面积(滑坡面积与因子目标面积的比值),但它表示的是一个因子中不同空间目标与滑坡的关系,与单因子定量分析中的关系参数有着不同的内涵。该参数更能反映出滑坡在空间分布上的差异,可以更好刻画滑坡分布的空间相关性。第i个空间目标的单位面积滑坡面积Ρi为:

Ρi=

∑S

j=1

??Oi(2)

有nyi(n)性值(,ximjm(=1,…,p)为第i个和第jm个因子中某个空间目标的关系参数,则有对应关系yi=(xi1,xi2,…,xip),其中p为因子总类数。综合系数Βij定义为:

Βij=rij1-dij+kΡ笔者采用人工神经元网络AI与地理信息系统GIS相结合的计算机空间分析和统计判别方法来研究滑坡危险性分布。人工神经元网络可以看成是简单的人脑数学模型,它建立起非线性映射关系后,就可以模仿人类的模糊判断能力,成为一个有效的分类器。笔者所使用的人工神经元网络模型选取了BP(Back2Propagation)神经元网络算法。该方法的优势在于:①它是一种非参数分类器,即可以在分类前不必知道各类别的统计分布规律;②它适合对高维复合数据进行分类,决定了BP神经,是目前应用[4]。

,k层i单元输入的总和为ui,输出为

Vi,由k-1层的第j个神经元到k层的第i个神经

(3)

式中:Βij为综合系数;rij为相似系数;dij为距离

元的结合权值为Wij。设Ε为学习步长,Α为冲量因子。当误差后向传播时,第t次权值的更新量?Wij(t)对下一次权值更新量?Wij(t+1)的影响,有:

kk-1

(5)?Wij(t+1)=-ΕdjVj+Α?Wij(t)

设j为输出层(k=m),则yj是整个网络的期望输出,有:

mmmm

(6)dj=Vj(1-Vj)??(Vj-yj)设j为隐单元层,若l为第k+1层第l个神经

元,则:

kkkk+1

(7)dj=Vj(1-Vj)??∑Wjldl

系数,dij=

∑??x

m=1

-xjm??2,表示样本yi与样本yj

之间的距离;Ρ′=

(Ρi+Ρj),表示样本i和样本j的2

(xn

内容需要下载文档才能查看

∑

m=1

平均标准差,其中Ρi=n

θi)2-x

,Ρj=

θj)2

∑(xjm-x

m=1im

θi为样本i的平均值,xθi=,x

上式是关于误差信号dj的递推公式,是误差后

向传播的关键。可以看出,由k+1层的误差信号

k+1

可以得出k层的误差信号dj。当给网络一个输

∑x

m=1

θj为样本j的平均值,θ;xxj=

∑x

m=1

,k为正

实数,k的大小反映了距离系数dij对综合系数Βij的

影响能力。

在筛选因子之前,引入一个因子评价指标S,用它衡量在剔除或增加一个因子时样本的相似拟合值与因变量实测值的拟合效果。S定义为:

′

δθ2

1-∑(yi-yi)2??y)i-∑(y′

′

i=1

(4)

yi是第i个样本滑坡属性值的实测值;yi是把

入模式时,网络开始前向传播,上一层单元的状态只

影响下一层单元的状态,最后形成一个输出模式。如果这个输出模式和期望输出模式不符,则产生误差信号,按(5)式改变权值,通过多个样本反复对网络进行训练,并朝减少偏差的方向修改权值,直到输出的均方差满足要求时为止,此过程也是神经元网络的学习与改进的过程,故BP神经元网络算法也被称为反向传播学习算法。BP神经元网络算法实现了隐层单元的学习,使BP神经元网络模型具有很强的多源信息处理能力,能解决模式识别、模式分类、预测领域的问题。

第i个样本y′i与所有其它样本按综合系数比较,选出Βij最大的样本所具有的因变量值,即认为是y′i的拟合值;θy为因变量的平均值。

3　香港大屿山岛滑坡危险性预测

在理论模型分析的基础上,利用MapBasic、C

内容需要下载文档才能查看

第3期

　　单新建等:基于环境因子AI2GIS方法的天然滑坡危险性预测——以香港大屿山岛为例　　　11　1

语言进行了二次开发,在MapInfo平台上开发了包

括数据录入、数据转换、空间分析、定量因子参数计算与提取、网格剖分、单因子分析、多因子分析、聚类分析、非线性预测、预测精度检验等功能模块的“。AIGIS区域滑坡危险性预测信息系统”3.1　GIS数据库的建立

香港大屿山岛中部研究区的范围为东经113.931340°～114.005099°,纬度22.247540～22.302658°。根据以往滑坡稳定性评估的经验,在研究区收集了三方面资料:①滑坡资料;②地质环境资料;③基础地理资料。在需求分析的基础上,对资料进行了详细分析,并通过数字化过程,在MapInfo平台上建立了相应的GIS矢量数据库。GIS矢量数据库包括如下内容。

(1)滑坡　包括1∶5个)和1∶5(指1945年。

(2)地质环境　包括1∶2万岩性库(26种不同岩性因子)、1∶2万地貌图(14种因子)、1∶2万侵蚀分布图(6种因子)、1∶2万植被分布图(9种因子)、1∶5万年均降雨量的分布图(4种因子)、1∶5000水系分布图(共694条,分为干流、一级支流、二级支流和三级支流四个级别)、1∶2万断层分布图(共174条,分为断层和影像解译线性构造两个类型)、1∶5000等高线图及其派生的DEM(数字高程模型)和坡度分布子库(在0°～90°范围内,按5°一个步长进行分级)。此外,为了分析滑坡与水系、线性构造的关系,又分别创建了20,40,60m缓冲区。

(3)基础地理信息　包括1∶5万公路分布图和1∶5万地名分布图。

3.2　环境因子空间分析与因子筛选

通过单因子分析,可以看出虽然历史滑坡与现代滑坡在分布图上很少有重叠现象,但他们与各环境因子几乎有着一致的分布规律,清楚地揭示出滑坡的发生与环境因子有着密切的关系。通过单因子定量分析,得到了滑坡与各个环境因子的统计相关性,直接剔除了一些相关性较差的因子。例如,在分析滑坡与岩石类别的关系时,我们按表土沉积、沉积岩、喷出岩、主侵入岩、次侵入岩统计了研究区内1238个滑坡的分配情况,结果显示尽管喷出岩面积层只占整个研究区陆地面积的34%,但却包含了滑坡总面积的67%,包含了滑坡总次数的64%。这不仅说明研究区滑坡的下伏岩性以喷出岩为主,而且还说明滑坡与表土沉积、沉积岩有关。同时我们也应注意到单因子分析没有考虑每个因子中不同空间目

标与滑坡的关系,即忽略了因子中不同空间目标与滑坡的空间相关性的差异。因此,利用多因子逐步筛选综合系数法,并按两种方法进行:①先从环境因子中选取一部分因子,进行剔除和增加因子检验(可变样本集);②选取所有环境因子,对每个因子进行暂时剔除检验后,再把此样本放回因子中,继续检验其它因子(不变样本集)。这种检验方式避免了由于样本集数目的变化(增加或减少)而引起检验标准的变化。最后从86个因子中选取43个最佳预测因子。结果表明,滑坡的稳定性和下伏岩性、坡度、地貌、植被、降雨量有着密切的关系,可归结为:下伏岩性是决定滑坡稳定性的重要内在因素;;;、坡向是辅助因利用筛选出的因子集,采用BP人工神经元网络对研究区滑坡危险性进行了预测。首先利用香港大屿山岛中部661个历史滑坡对试验区进行滑坡危险性预测,然后利用577个现代滑坡对预测结果进行精度评价。为了比较空间信息分析和因子筛选的效果,我们分别计算了经空间分析的人工神经元网络(AI2GIS)模型和未经空间信息分析的人工神经元网络(AI)模型的预测效果。经空间信息分析的人工神经元网络(AI2GIS)模型的检验精度为80.5%,预测面积占总面积的比例为39.2%。未经空间信息分析的人工神经元网络(AI)模型的检验精度为72.7%,预测面积占总面积的比例为46.5%。从检验结果看,经空间信息分析的人工神经元网络模型(AI2GIS)比未经空间信息分析的神经元网络法(AI)的预测精度高,这说明空间信息分析和因子筛选是非常重要的步骤。对于前者,利用661个历史滑坡进行的预测,对577个现代滑坡中的80.5%作出了正确判断,预测面积占总面积的39.2%。检验结果说明我们所选取的预测因子和经空间信息分析的神经元网络预测模型是可行的。最后我们将661个历史滑坡和577个现代滑坡一起作为样本输入,获得了试验研究区滑坡危险性预测图(图1)。

4　结　语

将人工神经元网络(AI)与GIS技术紧密结合,利用环境因子对香港大屿山岛的区域滑坡危险性分布进行了预测,结果表明,滑坡与下伏岩性、坡度、地貌、植被、降雨量等环境因子有着密切的关系,利用地质环境资料对区域滑坡危险性预测是完全可行的。

内容需要下载文档才能查看内容需要下载文档才能查看内容需要下载文档才能查看

112　地质科技情报　2004年

图1LIsland,Hongkeng

从精度分析看,高预测精度。该方法的应用将对滑坡危险性区划、重

点监测区的确立以及滑坡灾害的防治有重要的推动

作用。

本研究在进行过程中得到了香港大学土木工程系、香港土木署、

香港地政署等单位的大力支持,在此深表感谢。

参考文献:

[1]　LumbP.SlopefailuresinHongkong[J].QuarterlyJournalof

EngineeringGeology,1975,8:31-65.[2]　RuxtonBP.SlopeproblemsinHongkongageologicalap2praisal[J].HongkongEngineer,1980,6:31-39.[3]　FourieAB.Predictingrainfall2inducedslopeinstability[J].GeotechnicalEngineering,InstitutionofCivilEngineers,1996,119:211-218.[4]　王余庆,辛鸿博,高艳平,等.预测岩土边坡地震崩滑的综合指数法研究[J].岩土工程学报,2001,23(3):311-314.[5]　李孝安,张晓缋.神经网络与神经计算机导论[M].西安:西北工业大学出版社,1995.34-41.[6]　陈昌彦,王思敬,沈小克.边坡岩体稳定性的人工神经网络预测模型[J].岩土工程学报,2001,23(2):157-161.

PREDICTIONOFREGIONALLANDSLIDEDANGERAREASUS-INGAI-GISBASEDONENVIRONMENTFACTORS:ANEXAMPLEOFLANTAUISLAND,HONGKONG

1121SHANXin2jian,YEHong,LIZuo2fen,CHENGuo2guang

(1.InstituteofGeologyandLaboratoryofTectonoicphysics,ChinaSeismologicalBureau,

Beijing100029,China;2.DepartmentofCivilEngineering,HongkongUniversity,Hongkong,China)

Abstract:Byadoptingartificialintelligence(AI)andGISandmulti2spatialinformationspacialanalysismethodandnon2linearpredictionmethod,thenon2linearpredictionmodelissetuponthebasisofenviron2mentalfactors.ThemiddlepartofLantauIslandinHongkongisselectedasanexperimentalstudyarea,fortheanalysisoftherelationshipbetweenlandslidesandenvironmentalfactorswhicharefiltered.Hence,thefirstpredictionmapofregionallandslideevaluationinthemiddlepartofLantauIslandisobtained.There2sultsshowthatAI2GISmodelhasamostprecision,andobviouslyisbetterthanothermethods.Themethodwillofferimportantscientificbasisforstudyingtheregionallandslidedangerareasandlandslidedisasteres.

Keywords:artificialintelligence(AI);GIS;environmentalfactor;predictionofregionallandslide