文献类型：期刊文章

作　　者：陈飞[1,2] 蔡超[1] 李小双[1,2] 孙涛[1,2] 钱乾[1]

CHEN Fei;CAI Chao;LI Xiaoshuang;SUNTao;QIAN Qian(School of Resources and Environmental Engineering,Jiangxi University of Science and Technology,Ganzhou,Jiangxi 341000,China;Jiangxi Key Laboratory of Mining Engineering,Jiangxi University of Science and Technology,Ganzhou,Jiangxi 341000,China)

机构地区：[1]江西理工大学资源与环境工程学院,江西赣州341000 [2]江西理工大学江西省矿业工程重点实验室,江西赣州341000

出　　处：《岩石力学与工程学报》

基　　金：国家自然科学基金青年基金项目(41702327);江西省教育厅科学技术研究项目(GJJ16064)。

年　　份：2020

卷　　号：39

期　　号：S01

起止页码：2859-2870

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对神经网络模型进行滑坡易发性评价时,传统的随机选取非滑坡单元存在准确性不高的缺点,提出信息量与神经网络结合的易发性评价模型。以江西省上犹县为研究区,首先,基于上犹县滑坡编录与实际调查,选取坡度、高程、坡向、平面曲率、剖面曲率,植被指数(NDVI)、湿度指数(TWI)、距水系距离、距道路距离、土地利用等10个环境因子,其次利用信息量模型对上犹县进行易发性分区,得到上犹县易发性分区图。然后,从信息量模型得出的易发性分区中的低易发区选取非滑坡单元,与滑坡编录中的历史滑坡点组成测试集与训练集,输入神经网络中训练模型,再将上犹县所有栅格输入,预测上犹县栅格的滑坡概率。最后利用自然断点法在上犹县栅格滑坡概率进行分类,得到基于信息量与人工神经网络结合的上犹县易发性分区图。由易发性结果表明:单独的信息量模型的成功率曲线下面积AUC=0.7364,历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的55.6%;基于信息量与神经网络模型的AUC=0.7874;历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的85.8%。信息量–神经网络的评价模型比单独的信息量模型的评价精度提高了5.1%;高易发区与较高易发区所涵盖的灾害数占比高30.2%。信息量–神经网络模型有更好的评价精度,并且证明了在信息量模型中的极低易发区选取非滑坡点具有可行性。

关 键 词：边坡工程 信息量模型 神经网络 滑坡易发性  非滑坡单元  

分 类 号：P642]