《Frontiers in Remote Sensing》:Fuzzy logic and frequency ratio based landslide susceptibility mapping using geo environmental and hydro meteorological factors in pithoragarh, uttarakhand
编辑推荐:
大规模运动事件导致喜马拉雅带严重的基础设施和社会经济损失,尤其是在印度北阿坎德邦Pithoragarh,过去二十年记录了近1,000起事件。在此类高度严重且受季风主导的地形中开展滑坡易发性建模,需要能够处理显著空间与岩性不确定性的框架。本研究采用基于模糊逻辑(
大规模运动事件导致喜马拉雅带严重的基础设施和社会经济损失,尤其是在印度北阿坎德邦Pithoragarh,过去二十年记录了近1,000起事件。在此类高度严重且受季风主导的地形中开展滑坡易发性建模,需要能够处理显著空间与岩性不确定性的框架。本研究采用基于模糊逻辑(Fuzzy Logic, FL)与频率比(Frequency Ratio, FR)的多准则决策分析(Multi Criteria Decision Analysis, MCDA)方法评估并制图区域滑坡脆弱性。集成了包含14个地质空间与水文气象孕灾因子的空间数据库,以刻画该地区复杂的地形与气候变化。模型分析性能利用受试者工作特征(Receiver Operating Characteristic, ROC)曲线,以历史滑坡编目进行数学验证。对于该不确定地形,模糊逻辑模型产生了现实且可靠的易发性标准,其曲线下面积(Area Under the Curve, AUC)为0.686;另一方面,频率比模型的AUC为0.876。空间分布分析表明,该区域中部和南部以未固结土壤和强季风降水为主,是主要灾害区,而北部结晶岩组仍大多稳定。因此,这验证了频率比危险性分区图相较于模糊逻辑,为基础设施开发和灾害风险评估提供了数据驱动的优化决策支持工具。
研究背景方面,喜马拉雅带大规模运动事件频发,常由降雨、冰川消融、地震事件以及毁林、道路建设相关坡体改造等自然与人为因素触发,造成人员伤亡、财产与基础设施损失。Pithoragarh位于印度北阿坎德邦东部,面积约7,090 km
2,地形高差极大,岩性复杂,处于地震V区,强降雨与陡峭地形使滑坡风险突出。原文指出,现有研究虽然广泛采用遥感(Remote Sensing, RS)与地理信息系统(Geographic Information System, GIS)开展滑坡易发性评价,但仍存在研究空白:所建模型多依赖常规的两模型比较框架,缺乏适于滑坡脆弱性分区的较高分辨率粒度;许多研究未能解决复杂喜马拉雅岩性权重问题,导致强降雨期预测精度偏低。因此,研究人员开展本研究,旨在寻找更适合该研究区滑坡风险脆弱性分区的常规方法,并提供统计验证的决策依据。
研究人员构建包含14个地形、地理与气象孕灾因子的空间数据库,分别采用模糊逻辑(Fuzzy Logic, FL)和频率比(Frequency Ratio, FR)模型生成滑坡危险性分区(Landslide Hazard Zonation, LHZ)图,并以受试者工作特征(Receiver Operating Characteristic, ROC)曲线的曲线下面积(Area Under the Curve, AUC)验证。结论是FR模型AUC为0.876,优于FL模型的0.686;FR危险性分区图更适合作为该区基础设施开发与灾害风险评估的数据驱动决策支持工具,对定向减灾、安全基础设施规划和局部早期预警具有意义。
关键技术方法(不超过250字):研究人员构建14个地质空间与水文气象孕灾因子的空间数据库,数据源包括30 m分辨率SRTM数字高程模型(Digital Elevation Model, DEM)、Sentinel-2(土地利用/土地覆盖,Land Use Land Cover, LULC)、印度地质调查局(Geological Survey of India, GSI)Bhukosh门户的地质、地貌、岩性、土壤、线状构造、断层、道路距离和地震资料、印度气象局(India Meteorological Department, IMD)降雨资料以及ICAR-National Bureau of Soil Survey and Land Use Planning土壤资料;在ArcGIS 10.8中分别运行FL与FR生成LHZ;用Saaty 1–9成对比较矩阵(Pairwise Comparison Matrix, PCM)和一致性比率(Consistency Ratio, CR)确定FL因子权重,用FR和滑坡易发性指数(Landslide Susceptibility Index, LSI)计算FR模型;以ROC曲线和AUC(梯形法、Python)验证。
研究结果如下。3.1 滑坡危险性分区(LHZ)制图:由于采用知识驱动的实验与半定量方法而非数据驱动机器学习算法,预测空间算法未在历史滑坡上数学“训练”;研究基于滑坡编目分析滑坡时空分布及多因素影响,并使用完整的100%历史滑坡编目作为独立验证数据集。3.1.1 模糊逻辑(Fuzzy Logic):在ArcGIS中使用FL将研究区划分为极低至极高危险等级,颜色类别直观表示风险分类,可为土地利用规划、风险评估与管理及灾害准备提供依据。3.1.1.1 各孕灾因子权重赋值:采用Thomas L. Saaty的1–9标度建立14×14 PCM,经归一化和主特征向量计算因子权重;降雨强度权重最高为23.1%,断层和地震各8.9%,地质7.2%,线状构造6.7%,道路和河流各6.5%,土壤5.5%,坡度5.3%,LULC和地貌各4.9%,等高线4.1%,岩性4.0%,高程3.4%;CR为0.064,低于0.10阈值,说明权重逻辑一致、数学可靠;并按脆弱性等级赋予1、3、5类评分。3.1.2 频率比(Frequency Ratio)方法:FR作为GIS中的统计方法,用于评估历史滑坡发生与各孕灾因子的概率关系,从而确定极低至极高风险区;其原理是未来坡面破坏更可能发生在与历史事件相似的条件中。3.1.2.1 频率比方法权重赋值:FR值为某类别内滑坡点比例与该类别像素比例的比值,FR=1表示滑坡与面积比例分布一致,FR>1表示高正相关、易发性高,FR<1表示低于期望相关、地形相对稳定;离散FR值作为客观经验权重,并求和形成LSI,即LSI=FR
1+FR
2+…+FR
n;风险区边界采用自然断点分类。3.1.3 基于ROC-AUC的模型验证:以历史滑坡地面真值数据,用ROC曲线验证LHZ结果,AUC按梯形法则计算;AUC范围显示0.90–1.00为极好、0.80–0.89为很好、0.70–0.79为好、0.60–0.69为中等、0.50–0.59为差、<0.50为无效;FL叠加栅格分类为高危险20.5%、中危险25.6%、低危险53.9%。3.1.4 基于ROC曲线的模糊逻辑与频率比比较:将历史滑坡与两种LHZ图比较并统计各风险区滑坡数;ROC曲线显示FL的AUC=0.686,属中等预测精度,FR的AUC=0.876,属很好预测精度,表明FR更适于该研究区滑坡预测。3.2 地面真值验证与物理证据:将两种模型的高易发区与实地证据交叉参考,Pithoragarh实地核查显示模型预测脆弱区与实际坡面破坏具有较强空间对应;Munsyari附近 debris slide 与NH处 active rock fall 等近期灾害位于模型预测高危险走廊内,视觉对齐支持FR危险性制图的预测能力。
讨论部分总结:空间分布分析显示,北部地形以坚固结晶岩组为主,对坡面破坏脆弱性较低;中部和南部以高度风化、未固结土壤剖面和复杂结构线状构造为主,在强季风降雨作用下构成关键高风险灾害区。FR模型对复杂喜马拉雅岩性特有的非线性不确定性具有较高预测效果;FL的中等AUC反映区域尺度真实岩土环境。AUC计算依赖历史滑坡记录,较老滑坡常从卫星影像中消失,道路网和居民区附近滑坡比不可达地区更易记录。
研究结论部分翻译:本研究通过构建地理空间模型(Fuzzy Logic 和 Frequency Ratio),在GIS环境中整合14个地形、地理和气象孕灾因子,有效评价了北阿坎德邦喜马拉雅Pithoragarh高易发区的滑坡易发性。空间分析进一步发现明显的区域脆弱性分布:北部地形以坚固结晶岩组为特征,对坡面破坏的脆弱性较低;中部和南部区域则以高度风化、未固结土壤剖面和复杂结构线状构造为主,在强季风降雨作用下成为关键高风险灾害区。采用ROC曲线进行严格数学验证,Fuzzy Logic模型AUC为0.686,预测精度中等;Frequency Ratio模型AUC为0.876。这证实FR方法对预测复杂喜马拉雅岩性特有的非线性不确定性高度有效。该区滑坡由强降雨、高地形和地震活动触发。因此,中等AUC值准确反映区域尺度真实岩土环境;AUC计算依赖历史滑坡记录,较老滑坡常从卫星影像中消失,道路网和居民区附近滑坡比不可达地区更易记录。最终,FR模型生成的LHZ图相较FL模型提供高度一致的决策支持工具,使区域专家能够实施定向减灾策略、优化安全基础设施开发,并建立局部早期预警系统以保护喜马拉雅带最脆弱部门的社会。