矿冶工程杂志

基于机器学习的长沙市滑坡灾害快速风险评价

PDF下载

王璨 ¹^,² , 肖浩 ³^,⁴^,⁵ , 肖婷 ³^,⁴^,⁵ , 方亚其 ¹^,² , 刘磊磊 ³^,⁴^,⁵

矿冶工程杂志 | 采矿 2023,43(5): 26-31

收起

矿冶工程杂志 | 采矿 2023, 43(5): 26-31

基于机器学习的长沙市滑坡灾害快速风险评价

全屏

王璨¹^,², 肖浩³^,⁴^,⁵, 肖婷³^,⁴^,⁵, 方亚其¹^,², 刘磊磊³^,⁴^,⁵

作者信息

^1．湖南省地质灾害调查监测所，湖南长沙 410004

^2．湖南省地质灾害监测预警与应急救援工程技术研究中心，湖南长沙 410004

^3．有色金属成矿预测与地质环境监测教育部重点实验室，湖南长沙 410083

^4．湖南省有色资源与地质灾害探查湖南省重点实验室，湖南长沙 410083

^5．中南大学地球科学与信息物理学院，湖南长沙 410083

王璨（1984—），男，湖南衡阳人，硕士，高级工程师，主要从事地质灾害调查与风险评价方面的研究。

通讯作者:

刘磊磊（1987—），男，湖北监利人，博士，副教授，主要从事地质灾害防治与风险控制方面的研究。

Efficient Risk Assessment of Landslide Disasters in Changsha City Based on Machine Learning

Can WANG¹^,², Hao XIAO³^,⁴^,⁵, Ting XIAO³^,⁴^,⁵, Yaqi FANG¹^,², Leilei LIU³^,⁴^,⁵

Affiliations

^1.Hunan Institute of Geological Disaster Investigation and Monitoring, Changsha 410004, Hunan, China

^2.Hunan Geological Disaster Monitoring, Early Warning and Emergency Rescue Engineering Technology Research Center, Changsha 410004, Hunan, China

^3.Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring, Ministry of Education, Changsha 410083, Hunan, China

^4.Hunan Key Laboratory of Nonferrous Resources and Geological Hazards Exploration, Changsha 410083, Hunan, China

^5.School of Geosciences and Info-Physics, Central South University, Changsha 410083, Hunan, China

出版时间: 2023-10-01 doi: 10.3969/j.issn.0253-6099.2023.05.006

文章导航

摘要

收起

提出采用随机森林（RF）和极限梯度提升（XGboost）模型对长沙市滑坡灾害进行快速危险性评价，并利用频率比法对评价结果进行检验和校准。基于层次分析法构建易损性快速评价体系并进行易损性评价。最后，采用数值分级方法集成危险性和易损性评价结果实现快速风险评价。结果表明，RF模型与XGBoost模型性能相近，但经频率比法校正后的XGBoost模型危险性评价结果更加合理；易损性评价中人口密度的权重值最大，高易损区多集中于市区、交通干线等区域。长沙市风险区划结果中较高风险、高风险区域占整个研究区面积的4.6%，主要集中在沟谷、城镇和交通干线等区域。

关键词

滑坡灾害 / 机器学习 / 滑坡 / 随机森林 / 极限梯度提升 / 危险性评价 / 风险评价

Abstract

收起

Random Forest (RF) and eXtreme Gradient Boosting model (XGboost) were adopted to assess the landslide hazard in Changsha City, and frequency ratio (FR) was then used to check and verify the obtained result. A vulnerability assessment system was established based on analytic hierarchy process (AHP) and then adopted to make vulnerability assessment. Finally, efficient risk assessment was realized by integrating the results of hazard assessment and vulnerability assessment with numerical classification method. It is found that RF model is similar to XGBoost model in its evaluation performance, but XGBoost model regulated by FR method can bring a more accurate assessment. Also, the vulnerability assessment has the largest weight value of population density, and high vulnerability areas are mostly concentrated in downtown area and traffic arteries. The areas with relatively higher and high risk account for about 4.6% of the entire study area in Changsha City, which are mainly concentrated in valleys, towns and traffic arteries.

Key words

landslide hazard / machine learning / landslide / random forests (RF) / eXtreme Gradient Boosting (XGBoost) / hazard assessment / risk assessment

引用本文

王璨, 肖浩, 肖婷, 方亚其, 刘磊磊. 基于机器学习的长沙市滑坡灾害快速风险评价. 矿冶工程杂志, 2023 , 43 (5) : 26 -31 . DOI: 10.3969/j.issn.0253-6099.2023.05.006

Can WANG, Hao XIAO, Ting XIAO, Yaqi FANG, Leilei LIU. Efficient Risk Assessment of Landslide Disasters in Changsha City Based on Machine Learning[J]. Mining and Metallurgical Engineering, 2023 , 43 (5) : 26 -31 . DOI: 10.3969/j.issn.0253-6099.2023.05.006

基金

收起

湖南省安全生产预防及应急专项资金项目(2021YJ009)

参考文献

收起

2023年第43卷第5期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.0253-6099.2023.05.006

接收时间：2023-04-23
首发时间：2026-03-05
出版时间：2023-10-01

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2023-04-23

基金

湖南省安全生产预防及应急专项资金项目(2021YJ009)

作者信息

^1．湖南省地质灾害调查监测所，湖南长沙 410004

^2．湖南省地质灾害监测预警与应急救援工程技术研究中心，湖南长沙 410004

^3．有色金属成矿预测与地质环境监测教育部重点实验室，湖南长沙 410083

^4．湖南省有色资源与地质灾害探查湖南省重点实验室，湖南长沙 410083

^5．中南大学地球科学与信息物理学院，湖南长沙 410083

通讯作者:

刘磊磊（1987—），男，湖北监利人，博士，副教授，主要从事地质灾害防治与风险控制方面的研究。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kygczz/CN/10.3969/j.issn.0253-6099.2023.05.006

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT