文献类型：期刊文章

作　　者：王世宝[1] 庄建琦[1] 郑佳[1] 牟家琦[1] 王野[1] 付玉婷[1]

WANG Shibao;ZHUANG Jianqi;ZHENG Jia;MU Jiaqi;WANG Ye;FU Yuting(School of Geological Engineering and Geomatics,Chang'an University/Key Laboratory of Western China’s Mineral Resources and Geological Engineering,Xi'an 710054,China)

机构地区：[1]长安大学地质工程与测绘学院/西部矿产资源与地质工程教育部重点实验室,西安710054

出　　处：《工程地质学报》

基　　金：国家自然科学基金(资助号:41941019,41922054);国家重点研发计划项目(资助号:2020YFC1512000)。

年　　份：2022

卷　　号：30

期　　号：3

起止页码：908-919

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network,CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network,ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害发育的分布现状,能够为该区的CZ铁路建设和未来安全运行过程中的防灾减灾工作提供科学的依据。

关 键 词：CZ铁路  滑坡 易发性评价  卷积神经网络 深度学习  

分 类 号：P642.22]