文摘

经济和社会的快速发展,地质灾害如滑坡、崩塌,和泥石流已经显示出了愈演愈烈的趋势,严重危害人民生命和财产的安全,而且影响到经济和社会的可持续发展。针对的问题合并不同数据层和权重的确定数据叠加统计分析模型中基于GIS技术在地质灾害的风险评价,本研究提出了一种逻辑回归模型结合RBFNN-GA算法,也就是说,确定地质灾害的发生。融合系数(CF值)与RBFNN-GA算法模型,并借助SPSS统计分析软件,解决问题的因素选择、异构数据融合和风险评估中的每个数据层的权重。在实验阶段,本研究采用地质灾害确定性系数法进行灵敏度分析的研究区域的地质灾害。使用均匀网格划分的空间定量评价实现地质灾害的风险,同时,结果的空间定量评价地质灾害的风险进行测试根据最新的滑坡点在该地区。现有的分类主要取决于收购土地利用/覆盖信息或获取的信息的处理方法,但现有的信息采集将有限的时间、空间和光谱分辨率。结果表明,单位面积上的滑坡点的数量极其不稳定区域和稳定区域是0.0395点/公里²和0.0251分/公里²分别是远高于0.0038分/公里²在稳定的区域,表明评价结果与实际滑坡条件。

1。介绍

据统计,在过去的50年中,滑坡、崩塌、泥石流已造成超过20000人死亡,数百人每年超过1000人死亡。在众多自然灾害,死亡人数仅次于地震和洪水。特别是,山体滑坡、崩塌和泥石流爆发在城镇等人口密集地区和矿区往往导致灾难事件,造成数百人死亡1]。地质灾害如滑坡、崩塌和泥石流是一个自然灾害导致人民生命和财产的损失2]。为了有效地预防和减少地质灾害,首先需要有一个更全面的了解区域地质灾害。制定区域地质灾害时,可以更有针对性。同时,地质灾害预报和预警研究是基于分工的地质灾害。该基金会也已成为地质灾害研究领域的一个热点问题(3]。有许多国内研究单一地质灾害如滑坡的机理,但研究进展发展和区域地质灾害的分布是相对较慢4]。探索并形成一套科学、完整、实用的研究方法的发展和区域地质灾害的分布,和评估区域地质灾害的风险,具有十分重要的现实意义的区域地质灾害的预防和控制5]。

地质灾害评价方法采用初继承了地理的评价在许多方法,以及使用的方法可以概括如下:主导因素的方法,多因素单因素这样叠加方法,地理相关分析方法和理论推导的方法(6]。1980年代后,量化的程度增加,数学知识的应用在地球科学发达的垂直和水平,以及地质灾害评价与分区研究逐渐倾向于量化7]。线性回归预测的广泛应用,数学模型分析、灰色理论、神经网络、GIS等逐渐引入进一步提高量化的程度(8]。研究边坡地质灾害在城市发展规划项目在澳大利亚,梅(9)综合风险、脆弱性和斜坡灾害风险评估,以GIS软件为技术平台,并使用二维和三维评价体系,分别研究边坡地质灾害的危险和风险分区凯恩斯区域。他等的10概率分析和预测模型表明,这些模型都有自己的优势也有一定的缺点。例如,模型建立了指数分析方法,概率统计方法和模糊预测方法一般只适用于特定的研究。同时,很难提取相关信息的地质、力学和其他环境条件的质量下滑。刘(11)遗传算法应用于神经网络形成GA-ANN方法协作解决复杂工程优化问题。这种方法不仅使用神经网络的非线性映射功能,网络推理和预测也使用遗传算法的全局优化特性。它可以广泛应用于许多复杂的项目,目标函数是很难表达的形式明确决策变量的函数。彭(12)应用遗传算法的人工神经网络模型来确定部件的维护策略并结合实例进行了分析。经过实验验证,系统选择了维护策略和实际值之间的相对误差是完全符合维护成本的预测价值和实际价值。在容许范围内,模型是可信的。Afan [13)应用遗传算法优化控制器的参数基于神经网络结构和控制器用于控制具有纯滞后的对象。实验证明,遗传算法的优化控制系统具有良好的静态和动态性能。性能做出了新的探索解决这一问题的控制领域。背景因素包括工程岩层、地形、地质构造、地震烈度、人类工程活动和大气降水(14- - - - - -16]。

本研究以自治区区域地质灾害调查项目为背景,丰富的实际数据的基础上,深入研究各种因素影响地质灾害的发生,全面分析了地质灾害的分布和各种因素之间的关系,并探讨了区域地质灾害的决心。他们应该相同或相似的光谱信息和空间信息特征,所以像素的特征向量相同类型的功能将集中在一个统一的特征空间区域,和不同的特性将会由于不同的光谱信息特征或空间信息特征。风险的方法建立了区域地质灾害风险评估系统。研究表明,区域分层软夹层与千枚岩硬砂岩岩层,斜率为20°-40°,海拔320 - 800米海拔是最容易发生地质灾害。影响地质灾害的风险的关键因素是海拔,岩层,道路建设和斜率。根据计算单元的地质风险概率值,该地区地质灾害风险分为4个级别,也就是说,极其不稳定,不稳定、基本稳定和稳定。

2。GIS技术基于RBFNN-GA算法描述模型建设地质灾害多发地区

2.1。GIS技术级别分类

地理信息系统(GIS)是一种决策支持系统,收集、存储、管理、分析和繁殖信息与地理空间分布有关,不同特点的信息系统(17]。地理信息系统的主要区别和其他信息系统是信息存储和处理地理编码。地理位置及相关特征信息成为信息检索的一个重要组成部分。图1显示了GIS技术的层次拓扑结构。

最重要的是地理信息系统空间数据的一部分。空间数据可以有效地表达空间位置信息和属性数据,在GIS空间数据库的空间数据合理存储。空间数据库管理系统在此基础上开发可以有效地提供空间查询和分析(18- - - - - -20.]:

在MapX,所有功能层构成的特性。每个图形元素是一个功能对象(特性),和许多层对象的方法(层)返回的特性集层。你可以搜索和定位的地理特性,比如线条,符号,或区域特征(21- - - - - -24]。为了能够使用这种方法,必须有MapInfo表中的索引字段的搜索层:

MapX组件的基本构建块是一个对象和集合。包括对象集合,它是多个对象的组合。收集各种校准和负责处理地图的某些方面。MapX的模型结构,顶部的地图对象的存在,和每个MapX对象,属性和方法是源自于映射对象。

每个属性和方法根据映射对象将影响整个地图的生成对象。每个地图对象主要是由数据集定义,层,和注释对象。其中,一层主要是用来操纵层的地图,数据集被用来访问空间数据表,和注释是用来在地图上添加文本和符号:

GIS的基本思想是将GIS的主要功能模块划分成几个组件,每个组件执行不同的功能。各种GIS组件,以及GIS组件之间和其他non-G1S组件,可以很容易地集成通过可视化软件开发工具来实现最终的GIS应用程序(25- - - - - -27]:

每个地图都有一个数据集。通过数据收集,用户的属性数据与空间数据地图。数据绑定将外部数据引入MapX的过程。外部数据可以是多种类型的数据库。

数据绑定之后,您可以浏览数据在地图上为原语或创建一个主题呈现地图基于这些数据。学习过程由三个阶段组成。第一阶段使用无监督方法来确定RBF中心的;第二阶段确定RBF的宽度的基础上确定RBF中心;第三阶段决定了过渡层和输出层之间的距离。一般来说,这些阶段分别进行。

2.2。地质灾害的成分

地质灾害是指地质灾害相关行动造成的自然因素或人类工程经济活动,而破坏生态环境,危害人类的生命和财产的安全。在石头倒锥的形状,用一个松散无序结构。危险的山岩体是一个危险的质量开裂和变形,并可能崩溃。滑坡是指斜坡上的岩石和土壤的现象失去原有的平衡条件和移动向下沿着一定的软弱面作为一个整体或分散的影响下沿着一定的软弱面河流侵蚀、地下水活动(大雨),地震和人工边坡。趋势的软弱结构面与边坡方向一致,和坡角时最可能发生边坡角的倾角大于弱面。材料可以是一个松散的层,软岩和硬摇滚。完整的滑坡应该有一个滑动面(滑床),滑坡表面裂缝和步骤,落后和横向滑动墙,裂缝,鼓鼓囊囊的前面。影响因素和地质灾害的形成条件是极其复杂的。他们独立行动,但也影响和互相重叠。根据他们的活动形式,它们概括为影响因素和基本条件; influencing factors include atmospheric rainfall, hydrogeology, neotectonic movement, and human activities; the basic conditions include topography and geomorphology conditions, stratum lithology conditions, and geological structure conditions. The spatial database of this project includes spatial databases of engineering geology and geological disasters. Figure2图表显示了风扇的地质灾害的因素。

这个数据库系统构建符合有关规定。该系统包括地质灾害实地调查数据,结果数据,其空间图形数据库,数据库结构,命名格式,层,视图项目文件和原始结构的数量都是按照规定执行。研究领域有一个相对完整的灾害。基于在该地区形成的地质环境条件,灾害敏感性的程度,危害的程度,和社会综合发展计划,一个全面的分析。研究领域分为重点防治区域,注册表子项预防和控制领域,和一般防治区。我们采取措施如恢复植被,减少斜坡,清除危险的岩石,加强支持、监控和预测地面塌陷灾害地区,加强建筑基金会的调查,对灾区地质灾害的风险的评估,和泥石流灾区的疏浚。河道,水切割的开挖沟渠周围山脉,护坡建设,山谷,阻止大坝、等,长期治疗应基于生物工程和工程。地质调查数据显示,在凹斜坡地质灾害的概率研究区低,和在线性和凸斜坡地质灾害的概率更大。当凸的斜率斜坡地区更加弯曲,斜率相对集中的压力最终会影响边坡的稳定性。因此,边坡的形状直接影响研究区地质灾害的可能性。

2.3。RBFNN-GA算法设计

RBF神经网络是神经网络相结合的一个参数化的统计分布模型和非参数线性感知器模型。RBF神经网络的本质是无监督聚类方法的组合和监督单层线性感知器神经网络实现的非线性映射模型。RBF神经网络是由3层,即输入层、中间RBF层和输出层。高光谱图像,很难得到如此多的像素在一个有限的空间里对某些类、特征空间的维数增加,精度退化称为休斯现象还需要更多的训练样本。一般来说,在输入层节点的数目等于所选数据的维数的应用领域,并在输出层节点的数目等于被分类的类别数。对于一个特定的应用程序,输入层和输出层的节点数决定。因此,RBF网络结构的设计主要是确定RBF层中间节点的数目。它使用的连接强度和神经元的非线性输入输出关系,实现从输入状态空间的非线性映射到输出状态空间。前馈网络广泛应用于模式分类和特征提取。另一种进化模式操作,输入相当于初始状态,和网络进化的最终状态输出。 This kind of network is similar to a dissipative nonlinear dynamic system.

图3显示了RBFNN-GA算法架构。状态空间缩小不断在进化过程中,最后便缩小到一个小吸引子集,并且每个吸引域子集有一定的吸引力。能量函数是一个基本量的这种类型的网络。使用能量函数的局部最小值,操作(比如联想记忆、信息压缩和编码可以执行:只有能量函数的全局最小值可用于解决组合优化问题,如TP问题,视觉匹配,和解决问题。输出层的学习是一种监督学习。在监督学习中,模式样本的属性分类是已知的,对于每个样本的输入和输出,有相应的指导信号匹配它的本质。基于网络输出监督的各个目标函数的标准信号和实际输出相应地调整权重,直到精度达到最好的需求。数据库是基于实现项目,标准单张地图空间索引,地质灾害专业数据被归类为第一级处理对象。据存储形式,它分为两个部分:图形数据库和属性数据库。各自的图形元素和相关字段的记录(或统一的数字)实现双向动态连接,结合多媒体数据库和图形的传奇人物数据,为环境地质调查与评价奠定基础的应用程序的目标。 The specific operation is carried out in strict accordance with the input direction and input sequence in the technical requirements of spatial database construction and the method of distinguishing different line elements with different colors to form a comprehensive graphic line file in order to facilitate the hierarchical extraction of line files.

2.4。区域特征描述

二叠纪与三叠纪地层中分布最广泛的区域。其中,三叠纪地层是最发达的。碳酸盐岩约占68%的总厚度的地层。碳酸盐岩和碎屑岩多层垂直分布,也叫做夹碳酸盐岩。碳酸盐岩夹层分布在strip-like平面。也就是说,除了燕山运动,这是一个明显的褶皱造山运动,其余的地壳运动正在慢慢升序和降序。因此,区域地壳相对稳定。为了应用GIS的投影变换,我们首先改变数据库中的数据格式。图4显示了一个定量地质灾害的敏感性的柱状图。

地质灾害的敏感性的网格地图是通过空间叠加分析和基于地质灾害点的变化趋势。区域滑坡的稳定性、雪崩、地面沉降、和不稳定斜坡分为三类:不稳定、基本稳定,使用专家评价方法和稳定;泥石流,使用积分方法和决心是15项评价因素。整数值方法用来评估泥石流地质灾害的敏感性。以1:100000地形图的研究区为基本底图,除以栅格数据处理方法。考虑到一个地区的地质环境和灾害发展现状,标准的地区电网是2公里×2公里。区域分为66行和6 l列,共有1856个细胞。相比与传统的计算机遥感分类,其分类精度显著提高,为土地利用动态监测提供技术储备和参考和土地利用管理。使用face-to-point路口GIS空间分析功能,face-to-point交叉计算划分网格的表面之间的执行文件和各种灾难的关键文件(属性倾向度)获得不同程度的灾害。每个单元赋值是基于一种灾难的最高水平,出现在范围内。 Using the method of GIS spatial analysis, the surface files of the divided grid and the point files of various geological disaster points (with the attribute of proneness degree) are calculated to obtain the partition files of different levels of various disasters. The partition files of different levels of various disasters obtained above are superimposed according to the following formula, which is the result of the scoring area. First, we superimpose the files in various unstable or high-prone areas. When there are two or more geological hazard high-prone areas overlapping, the value is 5. Second, we intersect all kinds of basically stable or medium-prone surface files with the merged unstable or high-prone surface files, subtract the common parts, and superimpose and merge according to the above formula to obtain the medium-prone layer. Third, we intersect all kinds of stable or low-prone surface files with the merged high- and medium-prone files and subtract the intersecting part, superimpose, and merge according to the above formula to get the low-prone layer. Finally, we subtract the high-, medium-, and low-prone areas from the whole picture, and the remaining areas are less prone areas. After merging, the zoning grid map of the susceptibility of the whole area can be obtained.

3所示。GIS技术的应用和分析基于RBFNN-GA算法描述模型的地质灾害多发地区

3.1。RBFNN-GA算法数据提取

这个系统的硬件要求如下:奔腾1.5 GHz CPU,内存512,硬盘20克以上的电脑上运行,Windows 2000 / XP / 2003操作系统和软件平台,主要包括ERDAS公司想象8.7,MATLAB 6.5, Visual Studio 2005。通过实地调查和指当前土地利用图,我们选择典型土地利用图和记录他们的纬度和经度坐标。我们使用遥感图像文件和ERDAS公司提供的文本文件转换工具想象将训练样本建立区域转化为一个文本文件;使用MATLAB提供的文本文件读取函数编写各土地利用类型的乐队值矩阵;并通过newrb函数建立一个网络模型。网络仿真结果输出形式的一个矩阵,当精度分析和分类结果进行评估,使用图像映射为基本数据。因此,分类结果的矩阵形式应该转换和恢复到遥感图像。这项工作可以通过遥感。

图5显示了时滞网络大小的归一化对比折线图评价指标。我们整合上述各种评价指标的归一化结果数据分析,然后使用输入的所有指标在ArcGIS空间叠加分析功能获取数字矩阵的结果;ArcGIS的栅格计算器分配指数研究区域中的数据根据重量。叠加计算后,需要重新分类的结果。使用自然不连续分级方法在ArcGIS的经典工具,叠加的结果分为三个层次,区域地质灾害风险评估结果图。系统功能主要包括训练样本的选择区域和建立时滞算法和仿真大小。根据得分结果地图叠加各种指标的地区,地质灾害风险分为三个层次,即高、中、低,然后根据实际情况,网格或合并小的重复操作冗余区域执行。最后,人为修改和综合地质灾害风险区划图。获得的数据计算了GIS技术已经在该地区16个乡镇统计。的要求,需要建立一个新的判断矩阵一致性通过各级关系到计算和判断结果是合理的。 According to the principle of checking the consistency of the judgment matrix, matrix 1, matrix 2, matrix 3, and matrix 4 are calculated and tested, respectively, and the average CR < 0.1 is obtained. It is known that the constructed regional geological disaster risk assessment judgment matrix meets the consistency requirements.

3.2。实现GIS领域的描述容易发生地质灾害

在这项研究中,神经网络集6输入节点和1个输出节点,和隐藏节点的初始值是20。我们使用训练网络参数的控制力量。SGA隐函数节点的数目是固定为6,和交叉概率是0.7。变化的概率是0.05。在培训过程中最大的健身价值变化中描述的文本。作为地理信息系统的核心部分,数据库的设计质量不仅会影响成本和制度建设的质量也影响操作,系统的维护和数据更新。同时,数据库的内容和结构确定的质量体系,将会直接影响GIS和其他应用程序的集成技术。在设计系统时,我们充分考虑系统的可扩展性和兼容性。disaster-type信息的编码,基本地图坐标系统的选择、数据库的设计,以及系统接口功能,尽可能地,有进一步发展的空间,以方便系统的扩张。数据库迁移,当添加新模块,现有模块和整个系统的功能结构并不会大大受到影响。

图6显示了地质灾害的曲率分布的GIS系统。根据地质灾害的调查,在凹斜坡地质灾害的概率相对较小,而凸斜坡地质灾害的概率直接和更大。越多的山坡上弯曲凸坡,压力对斜率是越集中。因此,对于斜率曲线,当某一区域的曲率小于0,地质灾害的可能性更小。大量的人类工程活动产生直接或间接影响滑坡的形成和发展,崩溃,并在研究区不稳定斜坡上。考虑到交通建设公路和铁路等人类工程活动在该地区最具代表性的,它有最对地质灾害的影响。很明显,它已经渗透和完全覆盖的特点,所以人类工程活动的分析研究中以地区二级公路为基准,使缓冲区分析。值接近于0意味着先验概率非常接近的条件概率,以及确定发生的事件是接近地区平均水平。当曲率大于0,地质灾害的可能性很高,曲率越大,越不稳定斜坡。我们在ArcGIS中使用栅格计算器计算边坡高度的差异指数研究区域的地图。 Finally, it can be normalized by Raster Calculator in ArcGIS. Table1显示了GIS灾害指标的归一化处理。

改进HANHGA-trained神经网络控制器和SGA-trained神经网络控制器用于控制双级倒立摆,和整个控制系统的仿真框图建于使用MATLAB仿真软件。可以看出,改进的HANHGA有更快的收敛速度和更高的精度。改进HANHGA训练神经网络的误差4.2%时训练了100代,而SGA训练神经网络的误差只在200代的结束。达到1.2%,所以改进的遗传算法具有更大的优势比简单遗传算法在收敛速度和寻找全局最优的解决方案。作为一个比较改进HANHGA时滞控制方法大小和SGA神经网络控制方法,可以看出改进的时滞控制方法大小可以更快地恢复倒立摆的稳定状态,这证明了改进算法的优越性。图中的数据代表了改进算法的控制效果。可以看出,它有一个较小的超调,沉降时间短,这证明了改进算法的优越性。

3.3。示例应用程序和分析

在ERDAS公司想象的平台上,使用图像提供翻译功能,在工具菜单中,层覆盖模块完成每个单色带的叠加,输出数据类型作为unsigned 8位数据,和图像融合主要表现在空间增强菜单。融合方法使用一个主成分(主成分分析),和重采样方面是立方卷积抽样。图像几何校正的关键技术主要包括数字几何校正计算模型的选择和地面控制点。对数字图像的灰度值的确定和重采样的数字图像的灰度值,重采样方法的选择尤为重要。常用的灰度值重采样方法主要包括最近的点法、双线性插值法和三次卷积法。最近的点重采样方法的本质是将已知的像素点的灰度值最接近共轭位置在最初的扭曲形象输出像素的灰度值。图7显示输出像素的灰度值插值拟合。

基于GIS强大的空间分析功能,对各种地质灾害风险评价指标在一定区域,有必要规范每一个指标来实现最终的综合风险评估。在这项研究中,民主党的图像从地理空间数据下载国家科学院的云。我们利用ArcGIS自动缝合功能得到民主党的地图。SPSS软件完成逻辑回归分析后,输出数字矩阵也可以转换为光栅图形在GIS软件,因此解决问题共同导入的数据在GIS和专业统计分析软件。为了统一协调和促进后处理,民主党是转化为广义坐标。根据地质灾害的分布,我们使用密度在ArcGIS空间分析工具来指定一个圆形区域和使用领域半径1000米分析地质灾害的点密度。点密度越高的区域,它反映了越多,这个地区地质灾害的概率越高,和地质灾害的风险就越大。数据样本集分为两个部分:建模样本集(1056数据样本)用来建立RBF神经网络模型和测试样本集(168数据样本)。通过计算,性能值收敛曲线可以得出当构建网络。可以看出,它可以收敛到目标价值126代之后。

图8折线图显示了标准差的时滞网络大小乐队。数据显示,每个乐队的标准差的顺序图所示。人们普遍认为,有很好的协议的信息量的遥感图像和图像标准差;也就是说,标准差越大,更丰富的信息。图像的每个乐队的标准差大于3,最大的是18岁,最小的是3.4,平均为9.4,表明特征中包含的信息更丰富,它是可行的提取土地类型。社会属性因素主要包括重要工程设施,如水库和少量的油萃取植物。在一些地区,有少量的城市建设和道路,和人类工程活动是相对较弱,所以其社会属性较低。开发这个地区的地质灾害和滑坡密度约为0.3 / 100公里的地方²。其中,只有11个不稳定斜坡的南部地区,低风险的。考虑到各种因素,这一地区的地质灾害风险定位为介质,这是区域风险评估的风险区域。

4所示。结论

本研究全面分析诱发地区地质灾害的主要影响因素。基于的理论经验和现场调查,地质灾害的评价指标体系,建立了区域地质环境质量评价指标体系,和质量特征区域地质环境的决心。根据区域地质灾害风险评估的特征问题,两个简单实用的数学方法,GIS技术和神经网络,选择建立RBFNN-GA算法评价模型,最后评价结果进行了分析和比较。基于ArcGIS作为底层平台,建立空间图形数据库。属性数据库与外部数据库。评价是通过二次开发地质空间数据库的基础上。分析模块实现空间分析功能。最后,采用模糊综合评判方法来优化和选择评价指标,和神经网络方法用于确定评价指标的权重。一套基于量化指标的评分标准,和隶属度函数是用来获取值;使用专家评分方法定性指标评价量化指标。 At the same time, the main geological disasters in the region are the evaluation objects, combined with GIS technology to comprehensively evaluate the susceptibility and zoning of regional urban geological disasters, and the study area is divided into four levels: excellent, good, medium, and poor. The result shows that the evaluation model is reasonable and the system has strong practicability.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金,支持中国(批准号411771215)。