太原理工大学经济与管理学院
纸质出版:2026
移动端阅览
郭玲, 薛晔, 孙鹏翔. 基于LA-GraphCAN的甘肃省泥石流易发性评价[J]. 地质科技通报, 2026,45(1):212-224.
郭玲, 薛晔, 孙鹏翔. 基于LA-GraphCAN的甘肃省泥石流易发性评价[J]. Bulletin of Geological Science and Technology, 2026, 45(1): 212-224.
郭玲, 薛晔, 孙鹏翔. 基于LA-GraphCAN的甘肃省泥石流易发性评价[J]. 地质科技通报, 2026,45(1):212-224. DOI: 10.19509/j.cnki.dzkq.tb20240324.
郭玲, 薛晔, 孙鹏翔. 基于LA-GraphCAN的甘肃省泥石流易发性评价[J]. Bulletin of Geological Science and Technology, 2026, 45(1): 212-224. DOI: 10.19509/j.cnki.dzkq.tb20240324.
目前对泥石流灾害易发性相关研究尚未考虑泥石流灾害的地理位置关系以及空间依赖性。本研究构建了包含4 286个正样本点和5 912个负样本点的甘肃省泥石流数据集,提出了一种基于LA-GraphCAN(local augmentation graph convolutional and attention network)的泥石流易发性评价方法。首先,以样本点的经纬度投影坐标为基础,利用KNN(K-nearest neighbors)构建最近邻图,捕捉泥石流灾害点之间的复杂地理位置关系;其次,使用GCN(graph convolutional network)高效聚合局部邻域信息,提取关键地理和环境特征,不仅关注单个栅格所包含的信息,还深入探讨了相邻栅格之间空间结构的相互关系,从而使模型能够更精准地识别和理解样本中的局部空间特征。同时,引入GAT(graph attention network)添加动态注意力机制,细化特征表示;再次,验证所提方法的有效性,并从不同角度对比分析;最后,对甘肃省泥石流易发性进行评价。结果表明,考虑了泥石流灾害地理位置关系的LA-GraphCAN的ROC曲线下面积(AUC)、准确率、精确率、召回率以及F1分数分别为0.986 8
0.945 8
0.943 6
0.922 8和0.933 1,与主流机器学习模型CNN(convolutional neural networks)、Decision tree等相比最优。基于LA-GraphCAN评价的甘肃省泥石流极高易发区中历史泥石流灾害点数量为4 055个,占甘肃省历史泥石流总数的95%,与历史灾害分布基本一致。性能评估和甘肃省泥石流易发性评价结果均表明考虑泥石流灾害空间依赖性的LA-GraphCAN方法的评价结果更优,在泥石流易发性评价研究中有较好的适用性。
Chen Zelu,Quan Hechun,Jin Ri,Lin Zhehao,Jin Guangzhu.Debris flow susceptibility assessment based on boosting ensemble learning techniques: a case study in the Tumen River basin, China[J].Stochastic Environmental Research and Risk Assessment,2024.
Mfondoum Alfred Homère Ngandam,Nguet Pauline Wokwenmendam,Seuwui Dieudonné Tchokona,Mfondoum Jean Valéry Mefire,Ngenyam Henry Bang,Diba Ibrahima,Tchindjang Mesmin,Djiangoue Bertin,Mihi Ali,Hakdaoui Sofia,Batcha Roseline,Tchatchouang Frédéric Chamberlain Lounang,Petcheu Igor Casimir Njombissie,Beni Luc Moutila.Stepwise integration of analytical hierarchy process with machine learning algorithms for landslide, gully erosion and flash flood susceptibility mapping over the North-Moungo perimeter, Cameroon[J].Geoenvironmental Disasters,2023.
Lisa L. Harlow.The Essence of Multivariate Thinking:Basic Themes and Methods[J].2023.
Dai Xiaohong,Andani Hamid Taheri,Alizadeh As’ad,Abed Azher M.,Smaisim Ghassan Fadhil,Hadrawi Salema K.,Karimi Maryam,Shamsborhan Mahmoud,Toghraie D..Using Gaussian Process Regression (GPR) models with the Matérn covariance function to predict the dynamic viscosity and torque of SiO[formula omitted]/Ethylene glycol nanofluid: A machine learning approach[J].Engineering Applications of Artificial Intelligence,2023.
El Bilali Ali,Abdeslam Taleb,Ayoub Nafii,Lamane Houda,Ezzaouini Mohamed Abdellah,Elbeltagi Ahmed.An interpretable machine learning approach based on DNN, SVR, Extra Tree, and XGBoost models for predicting daily pan evaporation[J].Journal of Environmental Management,2023.
Deng Hui,Wu Xiantan,Zhang Wenjiang,Liu Yansong,Li Weile,Li Xiangyu,Zhou Ping,Zhuo Wenhao.Slope-Unit Scale Landslide Susceptibility Mapping Based on the Random Forest Model in Deep Valley Areas[J].Remote Sensing,2022.
Weizhang Liang,Suizhi Luo,Guoyan Zhao,Hao Wu.Predicting Hard Rock Pillar Stability Using GBDT, XGBoost, and LightGBM Algorithms[J].Mathematics,2020.
Peng Liu,Yongming Wei,Qinjun Wang,Yu Chen,Jingjing Xie.Research on Post-Earthquake Landslide Extraction Algorithm Based on Improved U-Net Model[J].Remote Sensing,2020.
Qiang Dou,Shengwu Qin,Yichen Zhang,Zhongjun Ma,Junjun Chen,Shuangshuang Qiao,Xiuyu Hu,Fei Liu.A Method for Improving Controlling Factors Based on Information Fusion for Debris Flow Susceptibility Mapping: A Case Study in Jilin Province, China[J].Entropy,2019.
Tang Jiexiong,Ericson Ludvig,Folkesson John,Jensfelt Patric.GCNv2: Efficient Correspondence Prediction for Real-Time SLAM[J].IEEE Robotics and Automation Letters,2019.
Aril Aditian,Tetsuya Kubota,Yoshinori Shinohara.Comparison of GIS-based landslide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia[J].Geomorphology,2018.
I Tsaparas,H Rahardjo,D.G Toll,E.C Leong.Controlling parameters for rainfall-induced landslides[J].Computers and Geotechnics,2002.
Swets John A..Measuring the Accuracy of Diagnostic Systems[J].Science,1988.
黄发明,陈杰,杨阳,陈茜,周创兵,江炳辰,郭飞.滑坡易发性相关致灾环境因子研究的综述与展望[J].地质科技通报,2025(02).
谭林,张璐璐,魏鑫,刘东升,杜春兰,李海.基于U-Net语义分割网络的区域滑坡易发性评价方法和跨地区泛化能力研究[J].土木工程学报,2025(06).
邓日朗,张庆华,刘伟,陈凌伟,谭建辉,高泽茂,郑先昌.基于改进两步法采样策略和卷积神经网络的崩塌易发性评价[J].地质科技通报,2024(02).
饶姗姗,冷小鹏.基于RSIV-RF模型的凉山州泥石流易发性评价[J].地质科技通报,2024(01).
杨延晨,周超,施佳湄.基于卷积神经网络的区域滑坡易发性评价:以三峡库区万州区为例[J].测绘通报,2023(11).
皋子琪,吕立群,马超,周冠宇,黄锋,陶正想,梁锦杭.基于MaxEnt模型的怒江大峡谷泥石流易发性评价和成因[J].水土保持学报,2023(06).
陈丹璐,孙德亮,文海家,辜庆渝.基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究[J].北京师范大学学报(自然科学版),2024(01).
孔嘉旭,庄建琦,彭建兵,占洁伟,马鹏辉,牟家琦,王杰,王世宝,郑佳,付玉婷.基于信息量和卷积神经网络的黄土高原滑坡易发性评价[J].地球科学,2023(05).
刘国栋,秦胜伍,孟凡奇,高峰,熊良文,潘宏宇,姚靖宇,乔双双.基于地理信息相似度的负样本采样策略在泥石流易发性评价中的应用[J].工程地质学报,2023(02).
窦杰,向子林,许强,郑鹏麟,王协康,苏爱军,刘军旗,罗万祺.机器学习在滑坡智能防灾减灾中的应用与发展趋势[J].地球科学,2023(05).
黄发明,陈彬,毛达雄,刘乐开,张子荷,朱莉.基于自筛选深度学习的滑坡易发性预测建模及其可解释性[J].地球科学,2023(05).
史培军,刘连友.北京师范大学灾害风险科学研究回顾与展望[J].北京师范大学学报(自然科学版),2022(03).
王毅,方志策,牛瑞卿,彭令.基于深度学习的滑坡灾害易发性分析[J].地球信息科学学报,2021(12).
赵晓燕,谈树成,李永平.基于斜坡单元与组合赋权法的东川区地质灾害危险性评价[J].云南大学学报(自然科学版),2021(02).
解明礼,巨能攀,赵建军,范强,何朝阳.区域地质灾害易发性分级方法对比分析研究[J].武汉大学学报(信息科学版),2021(07).
甘建军,罗昌泰.中低山冲沟型泥石流运动参数及过程模拟[J].自然灾害学报,2020(02).
李益敏,杨蕾,魏苏杭.基于小流域单元的怒江州泥石流易发性评价[J].长江流域资源与环境,2019(10).
郭天颂,张菊清,韩煜,钟炎伶,谭锦蓉,韦建成.基于粒子群优化支持向量机的延长县滑坡易发性评价[J].地质科技情报,2019(03).
郭瑞,马富存,郭一兵,毛岳.基于层次分析法的泥石流易发性评价[J].东华理工大学学报(自然科学版),2016(04).
田春山,刘希林,汪佳.基于CF和Logistic回归模型的广东省地质灾害易发性评价[J].水文地质工程地质,2016(06).
陈秀清,白福,于燕燕.甘肃省泥石流发育特征、成因分析及其危害[J].西北地质,2014(03).
闫满存,王光谦.基于GIS的澜沧江下游区滑坡灾害危险性分析[J].地理科学,2007(03).
0
浏览量
464
下载量
3
CSCD
关联资源
相关文章
相关作者
相关机构
京公网安备11010802024621