一种融合土地利用动态变化的滑坡易发性评估方法

摘要: 本技术属于地质灾害评价,更具体地,涉及一种融合土地利用动态变化的滑坡易发性评估方法。背景技术:1、滑坡易发性评价是地质灾害风险管理的理论基础之一。现有技术中,机...
一种融合土地利用动态变化的滑坡易发性评估方法

本技术属于地质灾害评价,更具体地,涉及一种融合土地利用动态变化的滑坡易发性评估方法。

背景技术:

1、滑坡易发性评价是地质灾害风险管理的理论基础之一。现有技术中,机器学习模型如随机森林、支持向量机等已被广泛应用于滑坡易发性评估,但面临黑箱问题,模型决策机制不透明。在土地利用变化与滑坡关系研究方面,有研究采用三期lulc(land use/landcover,土地利用/土地覆盖)数据证实人类工程活动增加滑坡风险,但未涉及机器学习与双模型对比设计。还有研究提出引入土地利用动态变化的评估因子组合,采用滑坡频率比定量衡量土地利用土地覆盖变化与滑坡发育的相关关系,但采用随机采样,未考虑地形代表性。上述研究在模型训练样本构建层面存在共性缺陷:忽视了滑坡发育与地形坡度的强相关性,导致在陡峭地貌单元样本覆盖不足,而在平缓区域过度采样,造成模型在特定地形条件下预测失效。这种地形选择性偏差使得机器学习模型难以稳健捕捉复杂地形-滑坡耦合规律。

2、因此,如何提高滑坡易发性评估的准确性,是当前亟需解决的问题。

技术实现思路

1、针对现有技术的缺陷,本技术的目的在于提供一种融合土地利用动态变化的滑坡易发性评估方法,能提高滑坡易发性评估的准确性。

2、为实现上述目的,第一方面,本技术提供了一种融合土地利用动态变化的滑坡易发性评估方法,包括如下步骤:

3、s10,获取研究区的多时相lulc栅格数据、数字高程模型、滑坡点位数据,并统一坐标参考系统与空间分辨率;

4、s20,以每个滑坡点位为中心建立预定大小的邻域窗口,提取灾前一年的lulc数据在该窗口内的组成比例,作为该滑坡点位的lulc特征向量;

5、s30,基于数字高程模型计算坡度栅格,将坡度栅格按四分位数划分为四个坡度层级,在每个坡度层级内按照滑坡样本数量与负样本数量为预设比例随机抽取像元,并排除与已知滑坡点位距离小于预设空间距离阈值的像元,将剩余的像元确定为负样本,所述滑坡点位作为正样本,所述正样本和所述负样本构成训练样本集;

6、s40,采用随机森林算法,利用所述训练样本集,以静态环境变量和所述lulc特征向量作为输入构建lulc增强模型;

7、s50,基于训练好的lulc增强模型,生成研究区的滑坡易发性分区图。

8、作为进一步优选的,所述预定大小的邻域窗口为3乘3像元分析窗口,该窗口覆盖90米乘90米的实际地面范围,且所述统一坐标参考系统后的空间分辨率为30米;所述灾前一年为滑坡点位数据中记录的滑坡发生年份的前一个年份。

9、作为进一步优选的,所述坡度栅格基于数字高程模型采用三阶反距离平方权差分法计算,公式为,其中、分别为东西、南北方向高程变化率,至为3×3窗口内各邻域像元的高程值,δx、δy分别为dem东西、南北方向分辨率;slope为坡度角,即地表切面与水平面的最大夹角;

10、所述四个坡度层级分别为:坡度值在0度至12度的第一坡度层级、坡度值大于12度至22度的第二坡度层级、坡度值大于22度至32度的第三坡度层级、坡度值大于32度至67度的第四坡度层级。

11、作为进一步优选的,所述预设比例为滑坡样本数量与负样本数量之比为1比4;所述预设空间距离阈值为90米,且该90米与所述预定大小的邻域窗口的物理边长相等。

12、作为进一步优选的,所述随机森林算法采用500棵决策树,每棵决策树采用bootstrap采样方式从所述训练样本集中随机抽取同等数量的样本,并设置类别权重平衡。

13、作为进一步优选的,还包括:采用随机森林算法,以静态环境变量作为输入构建基准模型,利用所述训练样本集训练该基准模型,通过分层10折交叉验证计算所述lulc增强模型与所述基准模型的roc-auc性能差异,以量化lulc信息对滑坡易发性预测的贡献度,验证所述lulc特征向量作为滑坡易发性评估输入因子的有效性,从而确定采用所述lulc增强模型进行滑坡易发性评估的合理性;其中,静态环境变量包括高程、坡度、坡向、地形起伏度指数、平面曲率、径流强度指数、地形湿度指数、岩性、坡体结构、距道路距离和距水体距离。

14、作为进一步优选的,还包括:提取灾前一年、灾害发生年、灾后一年三个连续年份的lulc数据,构建灾前一年到灾害发生年的pre至event转移矩阵,构建灾害发生年到灾后一年的event至post转移矩阵;

15、其中,pre至event转移矩阵的行表示灾前一年的lulc类型,列表示灾害发生年的lulc类型,event至post转移矩阵的行表示灾害发生年的lulc类型,列表示灾后一年的lulc类型,两个矩阵的元素均为像元转换数量或转换比例;识别两个矩阵中转换比例超过百分之十五的转移路径,标记为典型演化模式,以为土地管理政策提供事前预防、事中应急和事后恢复的决策支持。

16、作为进一步优选的,还包括:综合所述pre至event转移矩阵、所述event至post转移矩阵以及野外证据,建立扰动阶段、退化阶段和重建阶段的三阶段演化模型;其中,扰动阶段为林地或草地转换为建设用地或耕地,退化阶段为植被剥离后转为裸地或草地,重建阶段为转向建设用地或重新植被化,以为土地管理政策提供事前预防、事中应急和事后恢复的决策支持。

17、第二方面,本技术提供了一种融合土地利用动态变化的滑坡易发性评估系统,用于实现上述中任一项所述的方法,包括:

18、数据层模块,配置为存储和管理多时相lulc栅格数据、数字高程模型、滑坡点位数据;

19、邻域特征提取模块,配置为以每个滑坡点位为中心建立预定大小的邻域窗口,提取灾前一年的lulc数据在该窗口内的组成比例,作为lulc特征向量;

20、样本构建模块,配置为基于数字高程模型计算坡度栅格,将坡度栅格按四分位数划分为四个坡度层级,在每个坡度层级内按照滑坡样本数量与负样本数量为预设比例随机抽取像元,并排除与已知滑坡点位距离小于预设空间距离阈值的像元,将剩余的像元确定为负样本,所述滑坡点位作为正样本,所述正样本和所述负样本构成训练样本集;

21、双模型评估模块,配置为并行训练仅含静态环境变量的基准模型和增加所述lulc特征向量的lulc增强模型,输出roc-auc对比结果;

22、转移路径追踪模块,配置为构建灾前一年到灾害发生年、灾害发生年到灾后一年的三阶段lulc转移矩阵,识别高频演化路径;

23、输出模块,配置为基于训练好的lulc增强模型,生成融合了土地利用动态变化的滑坡易发性分区图。

24、第三方面,本技术提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述中任一项所述的方法的步骤。

25、可以理解的是,上述第二方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。

26、本技术的有益效果为:通过以每个滑坡点位为中心建立预定大小的邻域窗口并提取灾前一年的lulc数据在该窗口内的组成比例作为lulc特征向量,能够捕捉滑坡发生前的土地扰动信号,克服现有技术时序维度缺失和空间尺度偏差的缺陷;通过基于数字高程模型计算坡度栅格并按四分位数划分为四个坡度层级,在每个坡度层级内按照预设比例随机抽取像元并排除与已知滑坡点位距离小于预设空间距离阈值的像元以确定负样本,使正负样本在坡度分布上与区域地貌代表性一致,能够消除地形选择性偏差,解决现有技术随机采样导致模型在特定地形条件下预测失效的问题;在此基础上,采用随机森林算法以静态环境变量和lulc特征向量作为输入构建lulc增强模型,能够使模型稳健捕捉复杂地形与lulc变化的耦合规律,从而提升滑坡易发性评估的准确性,为后续滑坡全过程动态分析提供可靠的评估基础。