表 1:敏感性测绘组成部分 ...................................................................................................................................... 18 表 2:滑坡测绘组成部分和覆盖范围 .............................................................................................................................. 23 表 3:成对评估摘录 ...................................................................................................................................................... 25 表 4:成对评估比较 ...................................................................................................................................................... 25 表 5:灾害分级 ............................................................................................................................................................. 29 表 6:自然灾害使用类型 ............................................................................................................................................. 34 表 7:自然灾害开发类型 ............................................................................................................................................. 35 表 8:按地方政府区和县划分的滑坡灾害规划分级面积(公顷)................................................................................ 74 表 9:面积小于 2000 平方米的空置地块................................................................................................ 77
本研究的目的是提出一种以地形学为指导的方法来解释由差分干涉合成孔径雷达 (D-InSAR) 创建的 L 波段 ALOS/PALSAR 干涉图。干涉图用于估计两个快速大型滑坡(法国东南部的 Poche、La Valette)的变形模式。包裹和展开的相位值用于解释不同的运动类型(旋转、平移和复杂滑动)和两个范围的表面位移率。检测到两个滑坡的运动子单元,并确定受扩大或退化影响的区域。InSAR 得出的位移率与地面测量值以及 C 波段和 X 波段卫星 SAR 传感器的位移远程估计值一致。结果证明了 L 波段 ALOS/PALSAR 图像在监测土壤表面状态发生重大变化并被植被覆盖的活跃滑坡方面的潜力。 © 2014 Elsevier BV 保留所有权利。
7.3.5 结果................................................................................................................................197 7.3.5.1 滑坡灾害....................................................................................................................197 7.3.5.2 泥流灾害........................................................................................................................199 7.3.5.3 风险图........................................................................................................................199
香港的山体滑坡风险管理及斜坡工程 黄汉能 及 何国嘉 土木工程处,香港特别行政区政府土木工程拓展署 摘要:香港面临的斜坡安全问题是由于其在丘陵地带密集的城市发展和季节性降雨量大所致。香港的斜坡工程实践和山体滑坡风险管理体系根据经验和持续改进举措不断发展。这导致斜坡安全制度的逐步发展,旨在降低山体滑坡风险,满足公众的需求并促进可持续发展。香港率先在城市安全和防灾中成功使用量化山体滑坡风险管理。这是通过将定量风险评估与斜坡工程和山体滑坡管理相结合来实现的。关键是要检查山体滑坡的可能性和后果,从而全面管理风险。本文介绍了香港基于风险的山体滑坡管理的发展背景。定量风险评估的应用示例旨在说明它如何制定整体斜坡安全策略和管理个别场地造成的山泥倾泻风险。香港斜坡工程和山泥倾泻管理的发展香港的开发项目大多集中在陡峭的地形上
山体滑坡遍布各大洲,在景观演变中发挥着重要作用。在世界许多地区,山体滑坡也是一种严重灾害。尽管山体滑坡十分重要,但我们估计,山体滑坡地图仅覆盖了不到 1% 的大陆斜坡,而且缺乏有关山体滑坡类型、数量和分布的系统信息。绘制山体滑坡地图对于记录某个区域山体滑坡现象的程度,调查斜坡失效的分布、类型、模式、复发率和统计数据,确定山体滑坡的敏感性、危害、脆弱性和风险,以及研究以滑坡过程为主的景观演变都非常重要。绘制山体滑坡地图的传统方法主要依靠对立体航空摄影的目视解译,并辅以实地调查。这些方法既费时又耗费资源。基于卫星、机载和地面遥感技术的新兴技术有望促进滑坡地图的制作,减少编制和系统更新所需的时间和资源。在本文中,我们首先概述了滑坡制图的原则,并回顾了编制滑坡地图的传统方法,包括地貌、事件、季节和多时间清单。接下来,我们将研究滑坡制图的最新和新技术,考虑(i)利用
对保证的免责声明没有明示或暗示对本文包含的信息做出任何形式的保证,包括但不限于适销性的保证,对特定目的的适用保证或内容,完整性,准确性,可靠性,有用性或使用的保证,或者使用这些保证不会侵犯特权权利。出于您自己的风险使用此处提供的信息旨在用作社区规划中的一般筛查工具,或者以建立对地质信息的认识和理解,并且既不旨在构成建议,也不是用来替代许可专业人员的特定网站建议。您自行使用此信息,并且不应根据信息行事(或避免行动),而无需独立验证信息,并且毕前及其适当地获得有关您的特定事实和情况的专业建议。对责任用户的限制同意,华盛顿州,华盛顿自然资源部或其官员,代理人,代表或雇员对任何损害赔偿的任何损害均不承担任何责任。在此限制下,对任何损害赔偿不承担任何责任,包括但不限于合同或侵权损害或侵权赔偿的任何损害或侵权赔偿的任何损害,结果,后果,惩罚性,直接,间接,间接或特殊损害,例如人身伤害,财产损失,利润损失或任何其他损失或任何其他损失或任何损失。此外,本文所表达的作者的观点和观点不一定陈述或反映华盛顿州或其任何代理机构的观点和观点。本文中没有认可参考任何特定的商业产品,商标,商标,制造商或其他方式,并不构成或暗示其认可,建议或偏爱。华盛顿州自然资源部希拉里·弗朗兹(Hilary S.
摘要:山体滑坡是一种自然灾害,在世界范围内造成广泛的环境、基础设施和社会经济损失。由于难以识别,因此必须评估创新方法来检测预警信号并评估其敏感性、危害和风险。机载激光扫描数据的日益普及为现代山体滑坡测绘技术提供了机会,可以分析大片地形上的山体滑坡、山体滑坡易发区和山体滑坡疤痕区的地形特征模式。在本研究中,在华盛顿州的卡利昂海滩半岛测试了一种基于多个特征提取器和无监督分类的方法,特别是 k 均值聚类和高斯混合模型 (GMM),以绘制滑坡和非滑坡地形。与独立编制的详细滑坡清单图相比,无监督方法正确分类了研究区域内多达 87% 的地形。这些结果表明:(1) 可以使用数字高程模型 (DEM) 和无监督分类模型来识别与过去深层滑坡相关的滑坡痕迹;(2) 特征提取器允许对特定地形特征进行单独分析;(3) 可以使用多个聚类对每个地形特征进行无监督分类;(4) 将记录的滑坡多发区与算法绘制的区域进行比较,表明算法分类可以准确识别发生深层滑坡的区域。本研究的结论可以总结为:无监督分类制图方法和机载激光雷达 (LiDAR) 得出的 DEM 可以提供重要的表面信息,可用作数字地形分析的有效工具,以支持滑坡检测。
地质灾害存在灾变孕育过程和致灾模式复杂、早期识别和监测预警难度大、风险防范技术支撑不足等问题,因此国家防灾减灾战略对地质灾害监测技术装备的需求很大。三维空间监测关键技术可以集成降雨、土壤含水量、倾斜、孔隙水压力、应力等滑坡因素监测技术,实现专业监测技术体系的一体化。在该技术体系中,将各监测点的多种信息处理转化为时间序列问题,利用数据融合技术,综合成一组综合信息,由点到面对滑坡进行直接监测预报[1]。滑坡监测的主要任务是结合变形监测与诱发因素监测,掌握滑坡变形破坏的特征信息,分析其动态规律,实现监测在空间、时间和尺度上的信度与效度[2]。
印度曼迪理工学院,2023 年 2 月 21 日:印度曼迪理工学院的研究人员开发了一种使用人工智能和机器学习 (AI&ML) 的新算法,可以提高自然灾害预测的准确性。该算法由印度曼迪理工学院土木与环境工程学院副教授 Dericks Praise Shukla 博士和印度曼迪理工学院前研究学者、目前在特拉维夫大学 (以色列) 工作的 Sharad Kumar Gupta 博士开发,可以解决滑坡敏感性测绘数据不平衡的挑战,该测绘表示特定区域发生滑坡的可能性。他们的研究成果最近发表在《滑坡》杂志上。
极端降雨事件代表了滑坡的主要触发因素之一。随着气候变化的继续重塑全球天气模式,此类事件的频率和强度正在增加,放大了滑坡的发生以及对社区的相关威胁。在此贡献中,我们通过使用“玻璃盒”机器学习模型(即可解释的增强机器)分析了滑坡发生和极端降雨事件之间的关系。将这些模型设置为“玻璃箱”技术的原因是它们的确切清晰度,为它们的预测提供了透明的解释。我们利用这些能力来模拟由极端降雨事件引起的滑坡发生的形式(即敏感性)。这样做,我们于2022年9月15日在米萨河盆地(意大利中部)使用大雨事件。值得注意的是,与过去的降雨模式相比,我们在一组预测因子中引入了降雨异常,以表达事件的强度。通过随机和空间例程进行的空间变量选择和模型评估已纳入我们的协议中。我们的发现突出了降雨异常的关键作用,这是对滑坡敏感性进行建模最重要的变量。此外,我们利用这种变量的动态性质来估计不同降雨场景下的滑坡。