论文部分内容阅读
随着人类活动的加剧,地质灾害也对人类的生产和生活产生日益严重的影响,在人类生活聚集区发生的地质灾害,往往具有较高危险性,易产生较大的人员伤亡及财产损失。因此,地质灾害危险性的评价以及预测就显得尤为重要,对于地质灾害的防灾减灾、预报预警都具有重要理论和现实意义。以往的地质灾害危险性预测研究中,多以传统的层次分析法或者常规的神经网络方法为主。本文基于郯庐断裂带安徽段地质环境及现场调研成果,通过航片解译、野外调研、理论研究及模型模拟等手段,在对郯庐断裂带安徽段的地质灾害发育特点及其分布规律进行研究的基础上,将深度学习理论引入地质灾害危险性预测研究中。在综合分析地质灾害危险性等级与对地质灾害产生影响较大的雨量数据之间关系的基础上,最终得到郯庐断裂带安徽段地质灾害危险性预测的深度神经网络模型,并对研究区的地质灾害危险性进行了预测。本研究主要取得以下成果:
(1)基于多源遥感数据,对郯庐断裂带安徽段进行遥感解译,并综合利用GIS空间分析和空间统计等功能对郯庐断裂带安徽段的空间分布特征进行研究。郯庐断裂带的构造解译结果表明,该断裂带主要由五河-合肥断裂,石门山断裂,池河-太湖断裂,嘉山-庐江断裂等四条主干断裂和大别山区的40条次级断裂共同组成。
(2)综合遥感、GIS空间分析和空间统计技术,对于郯庐断裂带安徽段在大别山区的边界问题进行初步探究,将在大别山区内遥感解译出的NNE向断裂密集区最西侧的断裂走向线确定为郯庐断裂带安徽段在大别山区的边界。通过综合解译结果与构造背景,将郯庐断裂带安徽段以晓天-磨子潭断裂为界分为南北两段,庐江-宿松段(南段)平均长度约为136.74km,平均宽度约为38.38km,总体走向约为N34.9°E;嘉山-庐江段(北段)平均长度约为261.09km,平均宽度约为25.99km,总体走向约为N23.5°E。郯庐断裂带安徽段总长度约为397.83km,平均带宽为30.35km,总体走向约为N33.3°E。该断裂带总体呈现出“南短北长”、“南宽北窄”、“由南段到北段断裂带的总体走向逐步往北偏”的空间分布特征。
(3)在上述方法确定的郯庐断裂带安徽段范围内,针对该区域内地质灾害分布特点,确定了“工程地质岩组”、“断裂密度”、“24小时最大降雨量”等12个为危险性评价指标,采用层次分析法对郯庐断裂带安徽段区域内的地质灾害危险性进行评价分析。结果表明:研究区内低危险性区域范围最大,面积约4603krn2,占研究区的42.84%;高危险性区域范围其次,面积约2844km2,占研究区面积的26.47%;较高危险性区域与中危险性区域所占面积约1658km2与1639km2,所占百分比约为15.43%与15.26%,两者所占面积基本持平。
(4)本文探索性地将深度学习的方法引入地质灾害危险性预测中,利用层次分析法所得到的研究区地质灾害危险性评价结果,选取“24小时最大降雨量”以及“五日降雨量”这两个对地质灾害产生影响较大的因素作为输入层,“地质灾害危险性等级”作为输出层,利用深度神经网络(Deep Neural Network,DNN)模型对研究区的地质灾害危险性进行预测,结果表明:该DNN模型对研究区地质灾害危险性预测的准确度达到74‰具有较好的预测效果。
(1)基于多源遥感数据,对郯庐断裂带安徽段进行遥感解译,并综合利用GIS空间分析和空间统计等功能对郯庐断裂带安徽段的空间分布特征进行研究。郯庐断裂带的构造解译结果表明,该断裂带主要由五河-合肥断裂,石门山断裂,池河-太湖断裂,嘉山-庐江断裂等四条主干断裂和大别山区的40条次级断裂共同组成。
(2)综合遥感、GIS空间分析和空间统计技术,对于郯庐断裂带安徽段在大别山区的边界问题进行初步探究,将在大别山区内遥感解译出的NNE向断裂密集区最西侧的断裂走向线确定为郯庐断裂带安徽段在大别山区的边界。通过综合解译结果与构造背景,将郯庐断裂带安徽段以晓天-磨子潭断裂为界分为南北两段,庐江-宿松段(南段)平均长度约为136.74km,平均宽度约为38.38km,总体走向约为N34.9°E;嘉山-庐江段(北段)平均长度约为261.09km,平均宽度约为25.99km,总体走向约为N23.5°E。郯庐断裂带安徽段总长度约为397.83km,平均带宽为30.35km,总体走向约为N33.3°E。该断裂带总体呈现出“南短北长”、“南宽北窄”、“由南段到北段断裂带的总体走向逐步往北偏”的空间分布特征。
(3)在上述方法确定的郯庐断裂带安徽段范围内,针对该区域内地质灾害分布特点,确定了“工程地质岩组”、“断裂密度”、“24小时最大降雨量”等12个为危险性评价指标,采用层次分析法对郯庐断裂带安徽段区域内的地质灾害危险性进行评价分析。结果表明:研究区内低危险性区域范围最大,面积约4603krn2,占研究区的42.84%;高危险性区域范围其次,面积约2844km2,占研究区面积的26.47%;较高危险性区域与中危险性区域所占面积约1658km2与1639km2,所占百分比约为15.43%与15.26%,两者所占面积基本持平。
(4)本文探索性地将深度学习的方法引入地质灾害危险性预测中,利用层次分析法所得到的研究区地质灾害危险性评价结果,选取“24小时最大降雨量”以及“五日降雨量”这两个对地质灾害产生影响较大的因素作为输入层,“地质灾害危险性等级”作为输出层,利用深度神经网络(Deep Neural Network,DNN)模型对研究区的地质灾害危险性进行预测,结果表明:该DNN模型对研究区地质灾害危险性预测的准确度达到74‰具有较好的预测效果。