2. 中国地质环境监测院, 北京 100081
2. China Institute of Geo-Environment Monitoring, Beijing 100081, China
0 引言
滑坡风险管理作为国际上倡导和推广的减灾防灾有效途径之一,已成为当今国际滑坡研究领域的重点和热点[1]。风险评价是滑坡风险管理的基础和依据。当前欧美等国家相继制定了一系列相关技术指南[2, 3, 4, 5, 6, 7, 8],且有不少基于风险评价的滑坡灾害管理成功应用实例[9, 10, 11, 12]。中国(香港地区除外)对滑坡灾害风险研究起步相对较晚。目前,相关研究主要集中在滑坡灾害风险评价的关键理论和技术方法方面[13, 14, 15, 16, 17, 18, 19],对滑坡灾害风险评价的实践性应用研究却相对较少,仅在我国滑坡灾害危害严重的西南、西北等典型地区开展过区域风险评价[20, 21]。究其根源,主要局限在于现阶段滑坡灾害编目数据库建设不完备,以及新技术新方法综合应用程度不够,导致滑坡灾害风险评价所需的综合性数据严重缺乏,这无疑阻碍了区域滑坡灾害风险评价的应用及推广。近年来,随着多源遥感数据的丰富,以及其分析处理方法的逐渐成熟,综合利用遥感技术开展区域滑坡灾害风险评价成为可能[22]。为此,笔者以三峡库首区为例,以多源遥感影像为主要数据源,综合应用多光谱、高分辨率遥感分析处理技术,快速提取区域滑坡孕灾环境和承灾要素信息,并结合随机森林模型实现区域滑坡灾害风险评价,拟为我国滑坡灾害风险评价研究和实践提供参考借鉴。1 研究区概况和数据源 1.1 研究区
研究区位于长江三峡库首区秭归至巴东段,其地理位置如图 1所示。该区地处中国地形第二阶梯向第三阶梯的过渡地带,是川东褶皱与鄂西山地汇合部位,为中、低山侵蚀峡谷地貌。区内地层发育较完整,总体上呈现自东向西渐新展布的规律。香溪以东三叠纪老地层连续出露,岩性以海相沉积的碳酸盐岩为主;香溪以西主要是中三叠世至侏罗纪地层,以河湖相沉积的碎屑岩为主[23]。该区大地构造处于扬子准地台的中西部,是川东褶皱带、大巴山弧和淮阳山字型西翼反射弧三者的汇交区,跨越新华夏第三隆起带中段和第三沉降带东区[24]。研究区地处中纬度亚热带季风气候区,具有四季分明、雨量充沛、气候湿润等特点。该区降雨充沛且多暴雨的气候,是地质灾害多发的主要因素之一。滑坡是区内最为突出的地质灾害类型,发育数量多、规模大,且危害性强。据统计,区内发育滑坡302处,占地质灾害总数的85%,其中已发生的典型滑坡有新滩滑坡、千将坪滑坡等,而大部分滑坡处于持续变形阶段,给当地居民财产及基础设施造成了严重破坏。
1.2 数据源
本文采用的数据源包括地质图、卫星遥感影像、数字航摄影像、滑坡专业监测数据和野外调查资料等,主要数据源说明如表 1所示。地质图和中高分辨率卫星遥感影像主要用于提取地层岩性、地质构造、地表覆被、地形地貌等滑坡孕灾环境信息。高分辨率卫星遥感影像用于提取滑坡承灾体信息,而数字航摄影像用于滑坡解译和空间定位。研究区内共解译出土质滑坡155处,岩质滑坡147处,总面积为31 km2,约占研究区面积的6.9%,其解译滑坡空间分布如图 1所示。数据源 | 尺度 | 时相 | 提取要素 |
地质图 | 1∶50 000 | 1995、1997 | 地层岩性、地质构造、地层产状 |
Landsat8 OLI卫星影像 | MSS: 30 m | 2013-09-15 | 地表水系、植被指数、湿度指数、土地利用 |
PAN: 15 m | 2014-03-26 | 地质构造 | |
资源三号卫星影像(ZY-3) | DLC: 3.5 m | 2013-10-24 | 数字高程模型 |
MSS: 6 m | 2013-10-24 | 承灾体(建筑物、道路) | |
PAN: 2.1 m | 2013-10-24 | 承灾体(建筑物、道路) | |
高分一号卫星影像(GF-1) | MSS: 8 m | 2013-04-28 | 承灾体(建筑物、道路) |
PAN: 2 m | 2013-04-28 | 承灾体(建筑物、道路) | |
数字航摄影像 | 0.3 m | 2006、2009 | 滑坡 |
注:MSS. 多光谱影像;PAN. 全色影像;DLC. 前后视影像。 |
分析发现,含有软弱面(带)的层状碎屑岩和含有软弱基座的层状碳酸盐岩构成了研究区内的易滑地层,其中滑坡最为发育。在河流顺褶皱轴向发育形成的顺向坡,尤其是褶皱收敛或向斜扬起部位,地层通常呈椅状顺向坡产状,是岩质滑坡极为发育的地带,并且发育规模一般都较大;在地质构造行迹复合部位和活动断裂带,区域滑坡发育密集。
2.1.3 水文条件
水在滑坡形成演化过程中起着重要作用,库水位变化、地表水运移与冲蚀、地下水渗流,都是影响库区滑坡的重要动力因素。笔者暂以距离长江及主要河流的空间距离来表征库水位变化及河流水系对区域滑坡分布的影响,以及通过地表湿度表征地表及地下水对滑坡发育的影响。地表湿度即为地表的干湿程度,它反映地表水分含量和岩土体的附水性。调查发现,库区地表湿度越大的地方地下水越活跃,其斜坡岩土体力学性能越差,滑坡越发育。利用Landsat8 OLI多光谱影像(时相:2013-09-15)提取河流水系和地表湿度信息,该影像的时相正处于三峡库区汛期,水文条件对滑坡影响显著。对多光谱影像进行辐射定标、大气及正射校正处理后,采用基于阈值的多波段谱间关系法提取研究区水系,其计算公式为
(OLI3+OLI4)-(OLI5+OLI6)>T 。 | (1) |
利用多光谱遥感影像的不同波段信息可提取出多种湿度指数,而各种指数对地表干湿程度、含水量等参数具有不同分辨力。因此,选择比值湿度指数Ⅰ(RMI1)、比值湿度指数Ⅱ(RMI2)、归一化湿度指数(NDMI)和改进归一化水体指数(MNDWI)4种典型指数进行计算(表 2)。为降低各指数之间的相关性即减少信息冗余,利用主成分分析法(PCA)提取第一主成分分量表征地表湿度信息,其信息含量达到83%。分析发现,地表湿度指数第一主成分值为0.32~0.40的地区滑坡发育。
计算公式 | 波长/μm |
RMI1=OLI7/OLI6 | OLI2: 0.45~0.51 |
RMI2=OLI7/OLI5 | OLI3: 0.53~0.59 |
NDMI=(OLI5-OLI6)/(OLI5+OLI6) | OLI4: 0.64~0.67 |
MNDWI=(OLI3-OLI6)/(OLI3+OLI6) | OLI5: 0.85~0.88 |
NDVI=(OLI5-OLI4)/(OLI5+OLI4) | OLI6: 1.57~1.65 |
SRI=OLI5/OLI4 | OLI7: 2.11~2.29 |
EVI=2.5(OLI5-OLI4)/(OLI5+6OLI4-7.5 OLI2+1) | |
ARVI=(OLI5-2OLI4-OLI2)/(OLI5+2OLI4-OLI2) |
随着社会经济的发展,人类活动规模及强度越来越大,对自然斜坡稳定性造成了较大影响。笔者以土地利用类型间接反映人类工程活动强度。在对Landsat8 OLI多光谱影像(时相:2013-09-15)数据预处理的基础上,结合野外调查资料,选取不同土地利用类型训练样本2 837个,利用支持向量机分类方法提取研究区土地利用分布,分类结果总体精度达到93%,Kappa系数为0.91。建设用地、耕地、林地、裸地和水体分别占研究区面积的1.52%、42.35%、51.12%、0.46%和4.55%,分析发现滑坡主要分布于建设用地和耕地区。
2.1.5 诱发因素
降雨是滑坡最为重要的诱发因素之一。通过野外调查发现,研究区内90%的土质滑坡和78%的岩质滑坡与降雨有关。利用研究区内6个气象监测站的降雨资料,通过统计2003至2010年的年降雨量,利用反距离权重插值法获得研究区近年来区域平均年降雨量,结果显示巴东附近区域的常年降雨量相对秭归地区较为丰富。通常地震也是滑坡等地质灾害的重要诱发因素。根据中国地震动峰值加速度区划图,研究区内地震动峰值加速度为0.05 g,属于弱震环境,故暂不考虑地震诱发因素。在上述地质环境因素提取基础上,根据野外调查及前期已有研究成果[25],选择高程、坡度、坡向、斜坡形态、地层岩性、斜坡结构、断层距离、水系距离、植被指数第一主成分、湿度指数第一主成分、土地利用和降雨量作为滑坡易发性评价因子,其中各评价因子如表 3所示。以栅格单元(30 m×30 m)作为模型评价单元,利用随机森林分类模型分别对研究区土、岩质滑坡空间概率进行计算,其中模型参数“森林数”设置为1 000,自变量为连续和分类变量的混合,以最大化保留其信息量。随机森林是一种基于统计学习理论的数据挖掘方法,其基本思想是利用bagging方法从原始样本集中抽取多个训练集,并分别建立决策树模型。在决策树生长过程中,对特征集同样进行随机抽样,最后利用所有决策树计算结果通过投票决定其最终分类结果。该模型的特点是对样本和特征分别进行随机抽样,有效提升了模型的准确率和稳定性,对异常值和噪声具有很好的容忍度,且不容易出现过拟合[26]。本研究区预测模型的训练样本包括80%的历史土、岩质滑坡和相同数量的非滑坡样本。通过求取土质与岩质滑坡的最大概率获得研究区滑坡易发性结果(图 3)。由图 3可见,滑坡高易发区主要分布于巴东县东壤口镇和信陵镇长江干流沿岸及至秭归县沙镇溪镇长江右岸,以及秭归县青干河、归州河、童庄河沿岸。
针对20%的检验滑坡,采用受试者工作特征曲线(ROC)定量分析模型的预测能力,ROC曲线如图 4a所示。图 4a中曲线下面积(AUC)为0.919,表明该模型对检验滑坡的预测准确率较高,模型的预测能力较强。为进一步分析模型预测结果的可靠性,通过多次随机采样生成训练样本集,利用不同训练样本构建预测模型,并对滑坡易发性进行预测。基于随机采样生成的5组训练样本分别构建模型,其预测结果的均值与两倍标准差分布如图 4b所示。通过二次多项式拟合易发性均值与两倍标准差之间的关系,得到如下公式:
评价因素 | 评价指标 | 指标值 | ||
值范围 | 平均值 | 标准差 | ||
地形地貌 | 高程/m | 80~1 600 | 525 | 256 |
坡度/(°) | 0~85 | 29 | 11 | |
坡向 | 正北、西北、正西、西南、正南、东南、正东、东北 | |||
斜坡形态 | X/O、V/O、GE/O、X/I、V/I、GE/I、X/GR、V/GR、GE/GR | |||
地质条件 | 工程岩组 | i、ii、iii、iv、v、vi、vii | ||
斜坡结构 | 飘倾坡、伏倾坡、顺斜坡、横向坡、逆斜坡、逆向坡 | |||
断层距离/m | 0~5 784 | 1 981 | 1 261 | |
水文条件 | 水系距离/m | 0~3 215 | 860 | 615 |
湿度指数* | 0.22~0.91 | 0.34 | 0.05 | |
地表覆被 | 土地利用 | 建设用地、耕地、林地、裸地、水体 | ||
植被指数* | 0.00~1.63 | 1.10 | 0.22 | |
诱发因素 | 降雨量/mm | 964~1 090 | 1 009 | 38 |
注: i.坚硬碳酸盐岩;ii.坚硬、较坚硬碳酸盐岩;iii.较坚硬碳酸盐岩;iv.坚硬、较坚硬碎屑岩;v.较坚硬至软质碎屑岩;vi.软质碎屑岩;vii.碳酸盐岩与碎屑岩互层。* 为第一主成分。 |
y=-0.596x2+0.609x,0≤x≤1, R2=0.713 。 | (2) |
区域滑坡时间概率主要通过分析历史滑坡在一定时间尺度上的发生规律来预测未来发生的时间概率,因而需要历史滑坡发生的时间记录作为基础。目前,研究区尚未建立起包含时间信息的滑坡完备编目库。然而,自2003年以来实施的专业监测显示,绝大部分滑坡均处于持续变形阶段。据统计,监测滑坡平均地表位移量达91 mm/a。故暂定研究区内滑坡在尚未被完全治理的情况下,未来一段时间内将持续发生变形破坏,因而该区域滑坡发生的时间概率为1。
滑坡强度是描述滑坡破坏能力的参数,它是滑坡危险性分析的重要内容。笔者在可获得数据的基础上,将滑坡体积作为其强度参数,并利用核密度方法对区域滑坡体积进行空间分析,统计单位面积内滑坡体积大小,即可获得滑坡体积空间分布密度;然后利用几何间隔(geometrical interval)分类方法将体积空间分布密度转化为滑坡强度分级(图 6a),分级值越大,表示发生滑坡的体积越大,即滑坡破坏力越强。滑坡危险性定义为
H=PsPtPm 。 | (3) |
为研究国产高分辨率多光谱和全色影像是否可用于承灾体信息提取,本文分别以GF-1和ZY-3卫星影像为数据源。首先对GF-1多光谱、全色影像进行辐射定标、大气校正、正射和几何校正等预处理;然后通过GS_PS方法将GF-1多光谱和全色影像进行融合,获得空间分辨率为2 m的多光谱影像;接着利用分形网络进化算法将GF-1融合影像和ZY-3全色影像进行图像分割,其中针对不同数据源及提取对象分别设置不同的分割参数。在对象分割的基础上,选择遥感影像光谱、纹理、几何等特征信息建立承灾体识别规则(表 4),利用识别规则提取研究区承灾体结果(图 7)。研究区共提取出城镇与农村建筑物面积分别为2.3 km2和7.3 km2,城镇与农村级道路分别约为185 km和584 km。通过与目视解译结果对比分析,发现承灾体整体提取精度达到90%以上,提取最小承灾体面积为20 m2,可满足模型单元尺度的风险评价需求。
承灾体 | 数据源 | 分割参数 | 识别规则 | ||
尺度 | 形状 | 紧致度 | |||
城镇建筑物 | GF-1、(MSS+PAN) | 30 | 0.5 | 0.1 | NDVI:-0.08~0.40;近红外波段均值:550~2 400; 形状指数:1.0~3.5;与暗邻域的平均差分:20~1 600; GLCM熵:4.3~7.4 |
农村建筑物 | ZY-3、(PAN) | 15 | 0.5 | 0.9 | 亮度:230~650;边界指数:1.4~3.0;GLDV均值:2.7~15.0;GLDV角二阶距:0.06~0.20 |
城镇级道路 | GF-1、(MSS+PAN) | 30 | 0.5 | 0.1 | NDVI:-0.07~0.32;亮度:820~2 500;GLCM均值:2.7~15.0;密度:0.4~1.4 |
农村级道路 | ZY-3、(PAN) | 15 | 0.9 | 0.1 | 亮度:250~530;密度:0.0~1.4; GLCM对比度:10~150;GLDV熵:0.6~3.2 |
注: GLCM. 灰度共生矩阵,grey level cooccurrence matrix;GLDV. 灰度差分向量,grey level difference vector。 |
通过此评价矩阵计算得到研究区滑坡灾害风险评价结果如图 9所示。结果显示高风险区面积为41 km2,约占研究区面积的9%,主要集中在人口聚集的城镇和交通建设用地等经济价值大的地区;中等风险区占研究区面积的30%,主要分布在农村人口居住及其耕地区;而低风险区则分布在经过地质灾害治理的地区及人类活动较为稀少的林地等区域。
为检验滑坡风险评价结果,从20%的验证滑坡中选择两个典型滑坡为例,结合野外调查资料进行综合分析。作为土质验证滑坡的秭归县张家湾滑坡在评价结果中处于高风险区(图 10)。实地调查发现该滑坡面积达3.64×105 m2,滑坡体积约5.76×106 m3,滑坡体上人口密集,头道河村居民委员会和新建移民点分布其上。滑坡体上不同程度地发生了局部变形失稳,导致多座民房受损,形成危房,滑坡前缘局部亦发生坍滑,已损坏公路等交通设施,因而其灾害风险较高。
而位于巴东县的赵树岭滑坡在评价结果中同样处于高风险区(图 10)。调查发现该滑坡为一基岩顺层滑坡,分布面积为7.60×105 m2,滑坡体积约5.79×107 m3,滑坡体上分布有居民建筑、学校、医院、交通及供电设施等。专业监测显示,截至2010年,该滑坡体中后部变形最大位移量达208 mm。地下水位监测显示滑坡体前缘在库水位达到160 m时地下水与库水连通,对滑坡稳定性产生不利影响,滑坡处于欠稳定状态,因而该滑坡灾害风险较高。由此可见,滑坡灾害风险评价结果与野外实地调查情况基本吻合,表明评价结果准确可靠。
3 结论
1)通过中高分辨率遥感影像数据,利用立体像对技术及光谱分析等方法快速提取了地形地貌、地表覆被、地质及水文条件等滑坡孕灾环境信息,结合降雨等诱发因素建立了区域滑坡危险性评价指标,并应用随机森林模型实现了区域滑坡危险性分析。2)利用国产高分辨率卫星遥感影像,采用面向对象技术方法融合影像的光谱、纹理、空间等特征信息,建立典型承灾体遥感识别规则,实现了快速提取建筑物及交通道路等承灾体信息。
3)本文综合应用多源遥感数据,利用遥感等技术方法快速实现了区域滑坡灾害风险评价,其评价结果与野外调查情况基本吻合。研究表明,具有大范围、客观性、高时效等特点的现代遥感技术在区域滑坡灾害风险评价中具有巨大应用潜力。
[1] | Sassa K, Rouhban B, Briceño S, et al. Landslides:Global Risk Preparedness[M]. Berlin:Springer Berlin Heidelberg, 2013. |
[2] | Australian Geomechanics Society (AGS). Landslide Risk Management Concepts and Guidelines[J]. Australian Geomechanics, 2000, 35(1):49-92. |
[3] | Spiker E C, Gori P. National Landslide Hazards Mitigation Strategy:A Framework for Loss Reduction[R]. Virginia:Reston Press, 2003. |
[4] | Wise M P, Moore G D, VanDine D F. Landslide Risk Case Studies in Forest Development Planning and Operations[EB/OL].[2014-12-10] http://www.for.gov.bc.ca/hfd/pubs/Docs/Lmh/Lmh56.htm. |
[5] | Lateltin O, Haemmig C, Raetzo H, et al. Landslide Risk Management in Switzerland[J]. Landslides, 2005, 2(4):313-320. |
[6] | Fell R, Corominas J, Bonnard C, et al. Guidelines for Landslide Susceptibility, Hazard and Risk Zoning for Land Use Planning[J]. Engineering Geology, 2008, 102(3/4):85-98. |
[7] | Porter M, Morgenstern N. Landslide Risk Evaluation:Canadian Technical Guidelines and Best Practices Related to Landslides:A National Initiative for Loss Reduction[EB/OL].[2014-12-10] http://geoscan.nrcan.gc.ca. |
[8] | Corominas J, Westen C, Frattini P, et al. Recommendations for the Quantitative Analysis of Landslide Risk[J]. Bulletin of Engineering Geology and the Environment, 2014, 73(2):209-263. |
[9] | Bell R, Glade T. Quantitative Risk Analysis for Lan-dslides:Examples from Bíldudalur, NW-Iceland[J]. Natural Hazards and Earth System Sciences, 2004, 4:117-131. |
[10] | Remondo J, Bonachea J, Cendrero A. Quantitative Landslide Risk Assessment and Mapping on the Basis of Recent Occurrences[J]. Geomorphology, 2008, 94:496-507. |
[11] | Zêzere J L, Garcia R A C, Oliveira S C, et al. Probabilistic Landslide Risk Analysis Considering Direct Costs in the Area North of Lisbon (Portugal)[J]. Geomorphology, 2008, 94:467-495. |
[12] | Pellicani R, Van Westen C J, Spilotro G. Assessing Landslide Exposure in Areas with Limited Landslide Information[J]. Landslides, 2014, 11(3):463-480. |
[13] | 马寅生,张业成,张春山,等.地质灾害风险评价的理论与方法[J].地质力学学报,2004,10(1):7-18. Ma Yinsheng, Zhang Yecheng, Zhang Chunshan, et al. Theory and Approaches to the Risk Evaluation of Geological Hazards[J]. Journal of Geomechanics, 2004, 10(1):7-18. |
[14] | 汪华斌, 吴树仁. 滑坡灾害风险评价的关键理论与技术方法[J]. 地质通报,2008,27(11):1764-1770. Wang Huabin, Wu Shuren. Key Theory and Method of Landslide Hazard Risk Assessments[J]. Geological Bulletin of China, 2008, 27(11):1764-1770. |
[15] | 胡瑞林,范林峰,王珊珊,等. 滑坡风险评价的理论与方法研究[J]. 工程地质学报,2013,21(1):76-84. Hu Ruilin, Fan Linfeng, Wang Shanshan, et al. Theory and Method for Landslide Risk Assessment:Current Status and Future Development[J]. Journal of Engineering Geology, 2013, 21(1):76-84. |
[16] | 乔建平,王萌,石莉莉. 区域滑坡风险评估中的风险区划与概率分析[J]. 自然灾害学报,2012,21(2):51-56. Qiao Jianping, Wang Meng, Shi Lili. Risk Zoning and Probability Analysis of Regional Landslide Risk Assessment[J]. Journal of Natural Disasters, 2012, 21(2):51-56. |
[17] | 殷坤龙,张桂荣,陈丽霞,等. 滑坡灾害风险分析[M]. 北京:科学出版社,2010. Yin Kunlong, Zhang Guirong, Chen Lixia, et al. Risk Analysis of Landslide Hazard[M]. Beijing:Science Press, 2010. |
[18] | 吴树仁,石菊松,张春山,等.滑坡风险评估理论与技术[M].北京:科学出版社,2012. Wu Shuren, Shi Jusong, Zhang Chunshan, et al. The Theory and Technology of Landslide Risk Assessment[M]. Beijing:Science Press, 2012. |
[19] | 石菊松. 基于遥感和地理信息系统的滑坡风险评估关键技术研究[D]. 北京:中国地质科学院,2008. Shi Jusong. Key Techniques Study of Remote Sensing and Geographic Information System Based Landslide Risk Assessment[D]. Beijing:China Academy of Geological Sciences, 2008. |
[20] | 唐亚明,张茂省,薛强. 一种大比例尺的滑坡风险区划方法:以延安市区黄土滑坡风险评价为例[J]. 地质通报,2011,30(1):166-172. Tang Yaming, Zhang Maosheng, Xue Qiang. Landslide Risk Assessment Methods and Flow on a Large Scale:A Case Study of Loess Landslides Risk Assessment in Yan'an Urban Districts, Shaanxi, China[J]. Geological Bulletin of China, 2011, 30(1):166-172. |
[21] | 彭令,牛瑞卿,赵艳南,等. 区域滑坡灾害风险评估:以长江三峡库区秭归县境内为例[J]. 吉林大学学报(地球科学版),2013,43(3):891-901. Peng Ling, Niu Ruiqing, Zhao Yannan, et al. Risk Assessment of a Regional Landslide:A Case of Zigui County Territory in Three Gorges Reservoir[J]. Journal of Jilin University(Earth Science Edition), 2013, 43(3):891-901. |
[22] | Akgun A, Kıncal C, Pradhan B. Application of Remote Sensing Data and GIS for Landslide Risk Assessment as an Environmental Threat to Izmir City (West Turkey)[J]. Environmental Monitoring and Assessment, 2012, 184(9):1-18. |
[23] | 王孔伟,张帆,邱殿明.三峡库区黄陵背斜形成机理及与滑坡群关系[J]. 吉林大学学报(地球科学版),2015,45(4):1142-1154. Wang Kongwei, Zhang Fan, Qiu Dianming. Relation of Huangling Anticline and Landslide Group in the Three Gorges Reservoir Area[J]. Journal of Jilin University(Earth Science Edition), 2015,45(4):1142-1154. |
[24] | 地质矿产部编写组. 长江三峡工程库岸稳定性研究[M]. 北京:地质出版社,1988. Working Group of Ministry of Geology and Mineral Resources. Unstability Problems of the Slope Along Yangtze River in the Region of the Three Gorges Project[M]. Beijing:Geological Publishing House, 1988. |
[25] | 牛瑞卿,彭令,叶润青,等. 基于粗糙集的支持向量机滑坡易发性评价[J]. 吉林大学学报(地球科学版),2012,42(2):431-439. Niu Ruiqing, Peng Ling, Ye Runqing, et al. Lan-dslide Susceptibility Assessment Based on Rough Sets and Support Vector Machine[J]. Journal of Jilin University(Earth Science Edition), 2012, 42(2):431-439. |
[26] | Breiman L. Random Forests[J]. Machine Learning, 2001, 45(1):5-32. |