基于机器学习法的青藏高原沙鲁里山系中段雪崩易发性评价研究

doi:10.7522/j.issn.1000-0240.2022.0006

冰川冻土 ›› 2022, Vol. 44 ›› Issue (6): 1694-1706.doi: 10.7522/j.issn.1000-0240.2022.0006

• 第二次青藏高原综合科学考察研究 • 上一篇

基于机器学习法的青藏高原沙鲁里山系中段雪崩易发性评价研究

文洪¹^,²(), 巫锡勇²(), 赵思远³, 边瑞², 周桂宇¹, 孟少伟⁴, 孙春卫²

^1.宜宾学院智能制造学部，四川宜宾 644007
^2.西南交通大学地球科学与环境工程学院，四川成都 611756
^3.四川大学水利水电学院水力学与山区河流开发保护国家重点实验室，四川成都 610065
^4.中铁二院工程集团有限责任公司，四川成都 610031

收稿日期:2021-05-16 修回日期:2021-10-18 出版日期:2022-12-25 发布日期:2023-01-18
通讯作者: 巫锡勇 E-mail:geowenhong@qq.com;wuxiyong@126.com
作者简介:文洪，博士研究生，主要从事雪崩时空演化规律及控灾机理研究. E-mail： geowenhong@qq.com
基金资助:
第二次青藏高原综合科学考察研究项目(2019QZKK0905);宜宾学院计算物理四川省高校重点实验室开放课题基金资助项目(412-2020JSWLYB001);宜宾学院科研培育项目(412-2020PY09)

Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method

Hong WEN¹^,²(), Xiyong WU²(), Siyuan ZHAO³, Rui BIAN², Guiyu ZHOU¹, Shaowei MENG⁴, Chunwei SUN²

^1.Faculty of Intelligence Manufacturing，Yibin University，Yibin 644000，Sichuan，China
^2.Faculty of Geosciences and Environmental Engineering，Southwest Jiaotong University，Chengdu 611756，China
^3.State Key Laboratory of Hydraulics and Mountain River Engineering，College of Water Resource & Hydropower，Sichuan University，Chengdu 610065，China
^4.China Railway Eryuan Engineering Group Co. Ltd，Chengdu 610031，China

Received:2021-05-16 Revised:2021-10-18 Online:2022-12-25 Published:2023-01-18
Contact: Xiyong WU E-mail:geowenhong@qq.com;wuxiyong@126.com

摘要/Abstract

摘要：

青藏高原广泛发育、暴发频繁的雪崩对既有交通廊道造成严重威胁。采用高预测精度的机器学习算法对该类区域雪崩易发性进行评价，可快速、有效地对雪崩风险进行区域性评估。以青藏高原沙鲁里山系中段山区雪崩为研究对象，通过室内解译与现场验证相结合的方式识别并建立雪崩编目数据库，同时采用GIS、遥感等定量化提取技术，通过方差膨胀因子（VIF）筛选出14个评价因子，在此基础上利用支持向量机（SVM）、决策树（DT）、多层感知器（MLP）、K最邻近法（KNN）共4种机器学习模型对雪崩易发性进行评价并完成指数图的绘制，并采用Kappa系数和ROC曲线进行准确性检验。评价结果显示，SVM、DT、MLP、KNN的易发性指数分别在［0，0.964］、［0，815］、［0，0.995］、［0，1］范围内。精度检验结果显示这4种模型均具有较好或很好的预测精度，其中SVM模型的Kappa系数和AUC值均为最高，其AUC值高达0.912。结果表明研究区内雪崩易发性高的区域主要分布在夷平面以上的格聂山、日拱山等地，极高易发区平均海拔约4 939 m，高易发区平均海拔约4 859 m。该区域雪崩对川藏公路和在建的川藏铁路影响较小。该研究可为横穿沙鲁里山系的川藏铁路等重大工程建设的雪崩防灾减灾工作提供科学依据和方法借鉴。

关键词: 雪崩, 易发性评价, 机器学习, 沙鲁里山系, 青藏高原

Abstract:

Snow avalanches， which are widely and frequently developed at high elevations， seriously threatens the built traffic corridors in the Tibetan Plateau. Susceptibility evaluation of snow avalanche via machine learning model with a high forecast accuracy can be appled to quickly and effectively assess the regional avalanche risk. This paper took the central Shaluli Mountain region as the study area， in which the snow avalanche inventory was established through remote sensing interpretation and field investigation verification. We quantitatively extracted 17 evaluation factors via GIS-based analysis， and these factors were selected through the variance expansion factor （VIF）. Four machine learning models containing SVM， DT， MLP and KNN were used to compile the susceptibility index map of snow avalanches， and kappa coefficient and ROC curve were used to verify the accuracy. The results suggested that the susceptibility indexes obtained from SVM， DT， MLP and KNN were in the range of ［0，0.964］，［0，815］，［0，0.995］ and ［0，1］， respectively. The accuracy test results show that these four models all have good prediction accuracy. Among them， the SVM model is the best. The results also indicated that the areas with the high snow avalanche susceptibility mainly distributed in Genie Mountain and Rigong Mountain， most of which were above the planation surface of the Tibetan Plateau. The average altitude of the extremely high snow-avalanche-prone areas is 4 939 m， while the average altitude of the high snow avalanche-prone areas is 4 859 m. The snow avalanche has low perniciousness on the Sichuan-Tibet Highway and the Sichuan-Tibet Railway in the study area. This study can provide theoretical basis and method reference for disaster prevention and mitigation of snow avalanche along Sichuan-Tibet Railway and other major projects across Shaluli Mountains region.

Key words: snow avalanche, susceptibility evaluation, machine learning, Shaluli Mountains, Tibetan Plateau

中图分类号:

P954

文洪, 巫锡勇, 赵思远, 边瑞, 周桂宇, 孟少伟, 孙春卫. 基于机器学习法的青藏高原沙鲁里山系中段雪崩易发性评价研究[J]. 冰川冻土, 2022, 44(6): 1694-1706.

Hong WEN, Xiyong WU, Siyuan ZHAO, Rui BIAN, Guiyu ZHOU, Shaowei MENG, Chunwei SUN. Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method[J]. Journal of Glaciology and Geocryology, 2022, 44(6): 1694-1706.

图/表 13

图1

图2

表1

图3

图4

表2

表3

图5

图6

图7

表4

图8

图9

参考文献 47

1	Schweizer J， Bruce Jamieson J， Schneebeli M. Snow avalanche formation［J］. Reviews of Geophysics， 2003， 41（4）： 1-25.
2	Podolskiy E A， Izumi K， Suchkov V E， et al. Physical and societal statistics for a century of snow-avalanche hazards on Sakhalin and the Kuril Islands （1910–2010）［J］. Journal of Glaciology， 2014， 60（221）： 409-430.
3	Zhang Dianfa， Fengquan L， Jianmin B. Eco-environmental effects of the qinghai-Tibet plateau uplift during the Quaternary in China［J］. Environmental Geology， 2000， 39（12）： 1352-1358.
4	Wang Tao， Zhao Yutong， Xu Chaoyi， et al. Atmospheric dynamic constraints on tibetan plateau freshwater under paris climate targets［J］. Nature Climate Change， 2021， 11（3）： 219-225.
5	Keiler M， Knight J， Harrison S. Climate change and geomorphological hazards in the eastern European Alps［J］. Philosophical Transactions Series A， Mathematical， Physical， and Engineering Sciences， 2010， 368（1919）： 2461-2479.
6	McClung D M. Avalanche character and fatalities in the high mountains of Asia［J］. Annals of Glaciology， 2016， 57（71）： 114-118.
7	Zhang Gen， Sun Chunwei， Yang Chengye， et al. Study on the developmental characteristics and distribution pattern of grooved avalanche in palongzangbu river basin［J］. Plateau Science Research，2021，5（1）：35-43.
	张根，孙春卫，杨成业，等. 帕隆藏布流域沟槽型雪崩发育特征及分布规律研究［J］. 高原科学研究， 2021， 5（1）： 35-43.
8	Hu Wentao Hu， Yao Tandong， Yu Wusheng， et al. Advances in the study of glacier avalanches in high Asia［J］. Journal of Glaciology and Geocryology， 2018， 40（6）： 1141-1152.
	胡文涛，姚檀栋，余武生，等. 高亚洲地区冰崩灾害的研究进展［J］. 冰川冻土， 2018， 40（6）： 1141-1152.
9	Wang Shijin， Wen Jiahong. Characteristics， influence of cryosphere disaster and prospect of discipline development［J］. Bulletin of Chinese Academy of Sciences， 2020， 35（4）： 523-530.
	王世金，温家洪. 冰冻圈灾害特征、影响及其学科发展展望［J］. 中国科学院院刊， 2020， 35（4）： 523-530.
10	Schweizer J， Bartelt P， van Herwijnen A. Snow avalanches［M］//Snow and Ice-related Hazards， Risks and Disasters. Amsterdam： Elsevier， 2015： 395-436.
11	Haeberli W， Whiteman C. Snow and ice-related hazards， risks， and disasters［M］. Waltham， MA： Academic Press， 2021： 259-296.
12	Jamieson B， Stethem C. Snow avalanche hazards and management in Canada： challenges and progress［J］. Natural Hazards， 2002， 26（1）： 35-53.
13	Seliverstov Y， Glazovskaya T， Shnyparkov A， et al. Assessment and mapping of snow avalanche risk in Russia［J］. Annals of Glaciology， 2008， 49： 205-209.
14	Chen Hao， Ning Chen， Zhuotong Nan， et al. Correction of the daily precipitation data over the tibetan plateau with machine learning models［J］. Journal of Glaciology and Geocryology， 2017， 39（3）： 583-592.
	陈浩，宁忱，南卓铜，等. 基于机器学习模型的青藏高原日降水数据的订正研究［J］. 冰川冻土， 2017， 39（3）： 583-592.
15	Choubin B， Mosavi A， Alamdarloo E H， et al. Earth fissure hazard prediction using machine learning models［J］. Environmental Research， 2019， 179： 108770.
16	Xiong Pan， Tong Lei， Zhang Kun， et al. Towards advancing the earthquake forecasting by machine learning of satellite data［J］. Science of the Total Environment， 2021， 771： 145256.
17	Youssef A M， Pourghasemi H R， Pourtaghi Z S， et al. landslide susceptibility mapping using random forest， boosted regression tree， classification and regression tree， and general linear models and comparison of their performance at Wadi Tayyah Basin， Asir Region， Saudi Arabia［J］. Landslides， 2016， 13（5）： 839-856.
18	Fan Yubin， Guo Weina， Ke Changqing. Texture-assisted glacier recognition based on SAR image［J］. Journal of Glaciology and Geocryology， 2019， 41（6）： 1326-1334.
	范宇宾，郭唯娜，柯长青. 纹理特征辅助的SAR影像冰川识别［J］. 冰川冻土， 2019， 41（6）： 1326-1334.
19	Kavzoglu T， Colkesen I， Sahin EK. Landslides： theory， practice and modelling［M］： Springer International Publishing， 2019： 283-301.
20	Huang Faming， Cao Zhongshan， Guo Jianfei， et al. Comparisons of heuristic， general statistical and machine learning models for landslide susceptibility prediction and mapping［J］. Catena， 2020， 191： 104580.
21	Yang Jinming， Li Chengzhi， Li Lanhai， et al. Automatic detection of regional snow avalanches with scattering and interference of C-band SAR data［J］. Remote Sensing， 2020， 12（17）： 2781.
22	Choubin B， Borji M， Hosseini F S， et al. Mass wasting susceptibility assessment of snow avalanches using machine learning models［J］. Scientific Reports， 2020， 10（1）： 18363.
23	Choubin B， Borji M， Mosavi A， et al. Snow avalanche hazard prediction using machine learning methods［J］. Journal of Hydrology， 2019， 577： 123929.
24	Mosavi A， Shirzadi A， Choubin B， et al. Towards an ensemble machine learning model of random subspace based functional tree classifier for snow avalanche susceptibility mapping［J］. IEEE Access， 2020， 8： 145968-145983.
25	Rahmati O， Ghorbanzadeh O， Teimurian T， et al. Spatial modeling of snow avalanche using machine learning models and geo-environmental factors： comparison of effectiveness in two mountain regions［J］. Remote Sensing， 2019， 11（24）： 2995.
26	Wang Yanlong. Snow disaster and prevention along Sichuan-Tibet Highway［M］. Beijing： Ocean Press， 1993.
	王彦龙. 川藏公路沿线雪害与防治［M］. 北京：海洋出版社， 1993.
27	Singh K K， Singh D K， Thakur N K， et al. Detection and mapping of snow avalanche debris from Western Himalaya， India using remote sensing satellite images［J］. Geocarto International， 2020： 1-19.
28	Bühler Y， Hüni A， Christen M， et al. Automated detection and mapping of avalanche deposits using airborne optical remote sensing data［J］. Cold Regions Science and Technology， 2009， 57（2/3）： 99-106.
29	Lato M J， Frauenfelder R， Bühler Y. Automated detection of snow avalanche deposits： segmentation and classification of optical remote sensing imagery［J］. Natural Hazards and Earth System Sciences， 2012， 12（9）： 2893-2906.
30	Lee S. Current and future status of GIS-based landslide susceptibility mapping： a literature review［J］. Korean Journal of Remote Sensing， 2019， 35（1）： 179-193.
31	Hearn G J， Hart A B. Landslide susceptibility mapping： a practitioner's view［J］. Bulletin of Engineering Geology and the Environment， 2019， 78（8）： 5811-5826.
32	Pourghasemi H R， Teimoori Yansari Z， Panagos P， et al. Analysis and evaluation of landslide susceptibility： a review on articles published during 2005-2016 （periods of 2005-2012 and 2013-2016）［J］. Arabian Journal of Geosciences， 2018， 11（9）： 1-12.
33	Thompson C G， Kim R S， Aloe A M， et al. Extracting the variance inflation factor and other multicollinearity diagnostics from typical regression results［J］. Basic and Applied Social Psychology， 2017， 39（2）： 81-90.
34	Tamura R， Kobayashi K， Takano Y， et al. Mixed integer quadratic optimization formulations for eliminating multicollinearity based on variance inflation factor［J］. Journal of Global Optimization， 2019， 73（2）： 431-446.
35	Wiederschain G Y. Data mining techniques for the life sciences［J］. Biochemistry （Moscow）， 2011， 76（4）： 494.
36	Suthaharan S. Support vector machine［M］//Machine Learning Models and Algorithms for Big Data Classification. Boston， MA： Springer US， 2016： 207-235.
37	Liu Quanzhong， Chen C， Zhang Yang， et al. Feature selection for support vector machines with RBF kernel［J］. Artificial Intelligence Review， 2011， 36（2）： 99-115.
38	Wu Xueling， Ren Fu， Niu Ruiqing. Landslide susceptibility assessment using object mapping units， decision tree， and support vector machine models in the Three Gorges of China［J］. Environmental Earth Sciences， 2014， 71（11）： 4725-4738.
39	Pedregosa F， Varoquaux G， Gramfort A， et al. Scikit-learn： Machine learning in Python［J］. The Journal of Machine Learning Research， 2011， 12： 2825-2830.
40	Ramchoun H， Amine M， Idrissi J， et al. Multilayer perceptron： architecture optimization and training［J］. International Journal of Interactive Multimedia and Artificial Intelligence， 2016， 4（1）： 26.
41	Kramer O. Dimensionality reduction with unsupervised nearest neighbors［M］： Springer， 2013： 13-23.
42	Kavzoglu T， Kutlug Sahin E， Colkesen I. An assessment of multivariate and bivariate approaches in landslide susceptibility mapping： a case study of Duzkoy district［J］. Natural Hazards， 2015， 76（1）： 471-496.
43	Kraemer HC. Kappa Coefficient［J］. Wiley Statsref： Statistics Reference Online， 2014： 1-4.
44	Shahabi H， Jarihani B， Tavakkoli Piralilou S， et al. A semi-automated object-based gully networks detection using different machine learning models： A case study of Bowen catchment， Queensland， Australia［J］. Sensors （Basel， Switzerland）， 2019， 19（22）： 4893.
45	Mandrekar J N. Receiver operating characteristic curve in diagnostic test assessment［J］. Journal of Thoracic Oncology， 2010， 5（9）： 1315-1316.
46	Sichuan-mountaineering Association. Circulate a notice on the confirmation of a U.S. citizen died in an accident in the climbing of Genie Mountain［EB/OL］. 2006. .
	四川省登山协会. 关于在格聂山登山遇难的一名美国公民身份被证实的情况通报［EB/OL］. 2006. .
47	Construction-management-preparatory-group-of-Ganzi-gennie-Shenshan-scenic-area-in-Sichuan Province. An snow avalanche released in Ganzi， Sichuan Province： a hiking team witnessed the whole process［EB/OL］. 2020. .
	四川甘孜格聂神山景区建设管理筹备组. 四川甘孜格聂神山发生雪崩，一支徒步探险队目睹全过程直呼震撼［EB/OL］. 2020. .

分类	评价因子	数据源
地形地貌	海拔、坡度、坡向、地面曲率、地形起伏度、地面粗糙度、地表切割深度、高程变异系数、地形湿度指数	ALOS DSM（12.5 m分辨率）
气候气象	平均年降雪量、平均年降雪日数、1月平均温度	研究区及周边各站点近30年的气象数据统计插值
积雪特性	年最大积雪厚度	研究区及周边各站点近30年的气象数据统计插值
其他	水系	全国地理信息资源目录服务系统的1∶25万公开版基础地理数据
	断层	1∶20万区域地质图
	植被覆盖指数	Landsat 8卫星影像数据
	地表覆盖类型	全国地理信息资源目录服务系统的30 m全球地表覆盖数据

实际值	模型预测值	样本数量
1	1	N₁
1	0	N₂
0	1	N₃
0	0	N₄

Kappa系数		AUC
区间	意义	区间	意义
［0.8， 1］	几乎完全一致	（0.9， 1］	模型精度高
［0.6， 0.8）	高度的一致性	（0.7， 0.9］	模型精度较高
［0.4， 0.6）	中等的一致性	（0.5， 0.7］	模型精度较低
［0.2， 0.4）	一般的一致性	［0， 0.5］	无预测价值
［0， 0.2）	极低的一致性

	SVM	DT	MLP	KNN
N₁	102	98	98	105
N₂	8	12	12	5
N₃	22	34	19	30
N₄	83	71	86	75
Pe	0.502	0.503	0.501	0.503
P_a	0.860	0.786	0.856	0.837
K_a	0.720	0.570	0.711	0.672

[1]	王习敏, 黄荣刚, 徐志达, 焦志平, 江利明. 基于深度学习和高分遥感影像的青藏高原东部融冻泥流阶地提取研究[J]. 冰川冻土, 2022, 44(5): 1419-1428.
[2]	郑锦文, 左志燕, 蔺邹兴, 肖栋. 巴伦支-喀拉海海温和青藏高原冬季地表气温的年代际联系[J]. 冰川冻土, 2022, 44(5): 1513-1522.
[3]	周婷, 温小虎, 冯起, 尹振良, 杨林山. 基于BMA多模型组合的疏勒河径流预测研究[J]. 冰川冻土, 2022, 44(5): 1606-1619.
[4]	谢梅珍, 赵林, 吴晓东, 周华云, 岳广阳. 青藏高原多年冻土区两种高寒草地生态系统土壤氮季节变化及其与环境因子的关系[J]. 冰川冻土, 2022, 44(5): 1631-1639.
[5]	杨舒然, 杨玮琳, 韩业松, 杨彦敏, 李梦真, 崔之久, 刘耕年. 四川康定折多山末次冰盛期古冰川重建及其气候意义[J]. 冰川冻土, 2022, 44(4): 1119-1129.
[6]	伍永秋, 王立辉, 杜世松, 李静芸, 申玉龙. 青藏高原典型地区沉积物地球化学特征与矿物组成的粒度效应[J]. 冰川冻土, 2022, 44(4): 1140-1149.
[7]	陈军, 刘延昭, 曹立国, 胡建茹, 刘水林. 青藏高原湖泊变化遥感监测及水量平衡定量估算研究进展[J]. 冰川冻土, 2022, 44(4): 1203-1215.
[8]	赵耀华, 彭小清, 金浩东, 杜冉, 陈聪, 彭思佳. 基于多源遥感数据的青藏高原植被变化特征评价[J]. 冰川冻土, 2022, 44(4): 1216-1230.
[9]	张越, 许向科, 孙雅晴. 青藏高原东南巴松措流域和派山谷末次冰盛期冰川与气候重建[J]. 冰川冻土, 2022, 44(4): 1248-1259.
[10]	田立德, 唐明星. 青藏高原冰芯定年方法回顾及新技术展望[J]. 冰川冻土, 2022, 44(3): 1083-1090.
[11]	郝建盛, 李兰海. 雪崩灾害防治研究进展及展望[J]. 冰川冻土, 2022, 44(3): 762-770.
[12]	段仕美, 刘时银, 朱钰, 缪文飞, 韩丰泽, 祁苗苗. 梅里雪山1991年和2019年雪崩事件重建及影响因素分析[J]. 冰川冻土, 2022, 44(3): 771-783.
[13]	陈涛, 高歌, 陈德亮, 边多. 青藏高原多源雪深数据适用性综合评估[J]. 冰川冻土, 2022, 44(3): 795-809.
[14]	王芝兰, 张飞民, 王澄海, 孙旭映, 吕春艳. 1980—2019年青藏高原积雪深度时空差异性分析[J]. 冰川冻土, 2022, 44(3): 810-821.
[15]	张勇, 刘时银, 王欣. 青藏高原及周边冰川区表碛影响研究进展[J]. 冰川冻土, 2022, 44(3): 900-913.

基于机器学习法的青藏高原沙鲁里山系中段雪崩易发性评价研究

Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 47

相关文章 15

Metrics

本文评价

推荐阅读 0