基于C5.0决策树-快速聚类模型的万州区库岸段乡镇滑坡易发性区划

被引：31

作者：

杨永刚 ^{[1
]}

殷坤龙 ^{[1
]}

赵海燕 ^{[1
]}

黄晨忱 ^{[1
]}

陈丽霞 ^{[2
]}

张俞 ^{[1
]}

机构：

[1] 中国地质大学(武汉)工程学院

[2] 中国地质大学(武汉)地球物理与空间信息学院

来源：

地质科技情报 | 2019年 / 38卷 / 06期

基金：

国家重点研发计划;

关键词：

滑坡; 易发性评价; 乡镇单元; C5.0决策树-快速聚类模型;

D O I：

10.19509/j.cnki.dzkq.2019.0622

中图分类号：

P642.22 [滑坡];

学科分类号：

0837 ;

摘要：

以乡镇为评价单元开展区域滑坡易发性评价对用地规划、防灾减灾等方面具有重要意义。以万州区临江段的23个乡镇单元作为研究对象,首先选取地表高程、坡度、坡向、岩性、构造、土地利用类型、地形湿度指数、水系、道路9个指标因子,通过C5.0决策树算法计算该区域发生滑坡的概率,再利用快速聚类算法进行易发性结果分级;基于ArcGIS平台得到各乡镇单元的滑坡易发性分区,结果表明:C5.0决策树-快速聚类模型的易发性评价精度最高,AUC值达到0.950,优于人工神经网络-快速聚类模型的0.826和贝叶斯-快速聚类模型的0.772。利用C5.0决策树-快速聚类模型的计算结果,综合考虑极高(高)易发区面积大小及其占乡镇面积比大小,完成各乡镇单元的滑坡易发性区划。在所有23个乡镇中,滑坡易发性等级高的包括大周镇、万州城区、溪口乡、新田镇等乡镇。通过对比各乡镇滑坡面积占研究区滑坡总面积的比重,发现两者结论基本一致,预测结果可为全区滑坡防灾减灾提供科学依据。

引用

页码：189 / 197

页数：9

共 17 条

[11]

LiDAR-based TWI and terrain attributes in improving parametric predictor for tree growth in southeast Finland[J] . Cheikh Mohamedou,Timo Tokola,Kalle Eerik?inen.International Journal of Applied Earth Observatio . 2017

[12] Landslide susceptibility assessment using SVM machine learning algorithm [J].

Marjanovic, Milos ;

Kovacevic, Milos ;

Bajat, Branislav ;

Vozenilek, Vit .

ENGINEERING GEOLOGY, 2011, 123 (03) :225-234

[13]

Landslide susceptibility mapping in Injae, Korea, using a decision tree[J] . Young-Kwang Yeon,Jong-Gyu Han,Keun Ho Ryu.Engineering Geology . 2010 (3)

[14]

A GIS-based landslide susceptibility evaluation using bivariate and multivariate statistical analyses[J] . A. Nandi,A. Shakoor.Engineering Geology . 2009 (1)

[15]

Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models[J] . Saro Lee,Biswajeet Pradhan.Landslides . 2007 (1)

[16]

Induction of decision trees[J] . J. R. Quinlan.Machine Learning . 1986 (1)

[17] 环境地质问题综述 [J].

晏同珍 .

地质科技情报, 1989, (03) :51-55

← 1 2 →