研究亮点

相关链接

研究亮点

首页 - 研究亮点

Natural Hazards:融合Newmark与机器学习模型的地震滑坡危险性评价

2018-12-12

2013年4月20日我国四川芦山Mw6.6级地震诱发了大量滑坡,其中面积大于1000m2的滑坡多达4540个。探索更有效的地震滑坡危险性评价方法对减轻灾区滑坡灾害具有重要的意义。当前,常用的地震滑坡危险性评价方法主要包括机器学习方法和Newmark模型方法两大类,这两类方法都存在各自的优缺点。为充分结合两种方法的优点,本所马思远硕士与其导师许冲研究员分别采用Newmark简易模型、结合Newamrk模型的中间产出数据与机器学习方法(逻辑回归LR与支持向量机SVM)的两种融合模型开展芦山地震滑坡危险评价,为提高地震滑坡空间预测提供了新思路。

在Newmark模型中,利用滑坡点密度、平均坡度、平均地震动峰值加速度,对区域岩性进行分组,得到临界加速度(ac)分布。结合ac分布与PGA分布得到Newmark位移分布结果,进而得到边坡失稳概率分布图。在LR与SVM统计分析模型中,基于实际的滑坡样本,在分析滑坡与影响因素关系的基础上,选择Newmark模型的中间产出数据临界加速度(ac)、地形起伏、PGA、河流距离作为芦山地震滑坡影响因子,应用逻辑回归模型(LR)和支持向量机(SVM)模型开展滑坡危险性评价。分别基于模型训练样本与检验样本,对这三类评价结果进行模型成功率与预测率定量评价。结果表明本文的融合方法能够较简易Newmark方法更有效的开展地震滑坡危险性评估。


图1 芦山地震滑坡危险性概率分布图(a)LR;(b) SVM; (c) Newmark模型


图2 LR、SVM与Newmark模型的ROC曲线

(a) 训练样本; (b) 验证样本


上述研究结果发表在Natural Hazards(Siyuan Ma, Chong Xu, 2019. Assessment of co-seismiclandslide hazard using the Newmark model and statistical analyses: a case studyof the 2013 Lushan, China, Mw6.6 earthquake. Natural Hazards.https://doi.org/10.1007/s11069-018-3548-9)