随着全球气候变暖，冰雪融化速率加剧，雪崩灾害事件频发，严重威胁高寒山区的人民生命财产和交通廊道安全。以雅鲁藏布江下游多雄河流域为研究对象，基于遥感解译和野外调查，识别并验证了70个雪崩点，运用皮尔逊相关系数进行共线性分析，综合选取了高程、坡度、坡向、坡面曲率、地表切割深度、地表覆盖类型、植被覆盖度、地形湿度指数、年平均最低气温、归一化差雪指数等10个评价因子构建雪崩易发性评价体系，通过ArcGIS平台使用信息量模型进行雪崩易发性分区，将研究区分为低易发、中易发、高易发区三类，并采用ROC曲线进行了精度检验。结果表明：雪崩易发性评价模型AUC值为0.835，具有较好的预测精度；低易发、中易发、高易发区面积分别为60.61 km2、74.33 km2、96.91 km2，分别占研究区总面积的26.14%、 32.06%、 41.80%，其中高易发区主要分布在中高及高海拔地区，以多雄拉山、拉格最为典型。最后依据主-被动防御措施相结合提出空-天-地一体化监测预警技术和相应建筑结构。该研究可为多雄河流域防灾减灾提供技术支撑和科学参考。
随着全球气候变暖，冰雪融化速率加剧，雪崩灾害事件频发，严重威胁高寒山区的人民生命财产和交通廊道安全。以雅鲁藏布江下游多雄河流域为研究对象，基于遥感解译和野外调查，识别并验证了70个雪崩点，运用皮尔逊相关系数进行共线性分析，综合选取了高程、坡度、坡向、坡面曲率、地表切割深度、地表覆盖类型、植被覆盖度、地形湿度指数、年平均最低气温、归一化差雪指数等10个评价因子构建雪崩易发性评价体系，通过ArcGIS平台使用信息量模型进行雪崩易发性分区，将研究区分为低易发、中易发、高易发区三类，并采用ROC曲线进行了精度检验。结果表明：雪崩易发性评价模型AUC值为0.835，具有较好的预测精度；低易发、中易发、高易发区面积分别为60.61 km2、74.33 km2、96.91 km2，分别占研究区总面积的26.14%、 32.06%、 41.80%，其中高易发区主要分布在中高及高海拔地区，以多雄拉山、拉格最为典型。最后依据主-被动防御措施相结合提出空-天-地一体化监测预警技术和相应建筑结构。该研究可为多雄河流域防灾减灾提供技术支撑和科学参考。
随着全球气候变暖，冰雪融化速率加剧，雪崩灾害事件频发，严重威胁高寒山区的人民生命财产和交通廊道安全。以雅鲁藏布江下游多雄河流域为研究对象，基于遥感解译和野外调查，识别并验证了70个雪崩点，运用皮尔逊相关系数进行共线性分析，综合选取了高程、坡度、坡向、坡面曲率、地表切割深度、地表覆盖类型、植被覆盖度、地形湿度指数、年平均最低气温、归一化差雪指数等10个评价因子构建雪崩易发性评价体系，通过ArcGIS平台使用信息量模型进行雪崩易发性分区，将研究区分为低易发、中易发、高易发区三类，并采用ROC曲线进行了精度检验。结果表明：雪崩易发性评价模型AUC值为0.835，具有较好的预测精度；低易发、中易发、高易发区面积分别为60.61 km2、74.33 km2、96.91 km2，分别占研究区总面积的26.14%、 32.06%、 41.80%，其中高易发区主要分布在中高及高海拔地区，以多雄拉山、拉格最为典型。最后依据主-被动防御措施相结合提出空-天-地一体化监测预警技术和相应建筑结构。该研究可为多雄河流域防灾减灾提供技术支撑和科学参考。
随着全球气候变暖，冰雪融化速率加剧，雪崩灾害事件频发，严重威胁高寒山区的人民生命财产和交通廊道安全。以雅鲁藏布江下游多雄河流域为研究对象，基于遥感解译和野外调查，识别并验证了70个雪崩点，运用皮尔逊相关系数进行共线性分析，综合选取了高程、坡度、坡向、坡面曲率、地表切割深度、地表覆盖类型、植被覆盖度、地形湿度指数、年平均最低气温、归一化差雪指数等10个评价因子构建雪崩易发性评价体系，通过ArcGIS平台使用信息量模型进行雪崩易发性分区，将研究区分为低易发、中易发、高易发区三类，并采用ROC曲线进行了精度检验。结果表明：雪崩易发性评价模型AUC值为0.835，具有较好的预测精度；低易发、中易发、高易发区面积分别为60.61 km2、74.33 km2、96.91 km2，分别占研究区总面积的26.14%、 32.06%、 41.80%，其中高易发区主要分布在中高及高海拔地区，以多雄拉山、拉格最为典型。最后依据主-被动防御措施相结合提出空-天-地一体化监测预警技术和相应建筑结构。该研究可为多雄河流域防灾减灾提供技术支撑和科学参考。
随着全球气候变暖，冰雪融化速率加剧，雪崩灾害事件频发，严重威胁高寒山区的人民生命财产和交通廊道安全。以雅鲁藏布江下游多雄河流域为研究对象，基于遥感解译和野外调查，识别并验证了70个雪崩点，运用皮尔逊相关系数进行共线性分析，综合选取了高程、坡度、坡向、坡面曲率、地表切割深度、地表覆盖类型、植被覆盖度、地形湿度指数、年平均最低气温、归一化差雪指数等10个评价因子构建雪崩易发性评价体系，通过ArcGIS平台使用信息量模型进行雪崩易发性分区，将研究区分为低易发、中易发、高易发区三类，并采用ROC曲线进行了精度检验。结果表明：雪崩易发性评价模型AUC值为0.835，具有较好的预测精度；低易发、中易发、高易发区面积分别为60.61 km2、74.33 km2、96.91 km2，分别占研究区总面积的26.14%、 32.06%、 41.80%，其中高易发区主要分布在中高及高海拔地区，以多雄拉山、拉格最为典型。最后依据主-被动防御措施相结合提出空-天-地一体化监测预警技术和相应建筑结构。该研究可为多雄河流域防灾减灾提供技术支撑和科学参考。
准确识别雪崩潜在释放区或雪崩高易发区域对高寒山区工程建设减灾防灾意义重大，特别是在雪崩监测数据缺失地区，能够提供重要的区域性灾害风险预估参考。本文以新疆天山地区伊阿铁路沿线区域为例，将铁路沿线154个雪崩范围形成区作为评价样本，开展基于机器学习算法的雪崩易发性评价，构建新疆天山地区伊阿铁路沿线雪崩易发性评价体系；开展基于数据叠加的雪崩潜在释放区(PRA)识别，绘制伊阿铁路沿线雪崩潜在释放区分布图，并对两个结果通过Kappa系数和AUC值进行检验，并对比讨论。结果显示，支持向量机(SVM)、多层感知器(MLP)、PRA的Kappa系数分别为0.806、0.774、0.600;AUC值分别为0.993、0.961、0.802,机器学习算法在雪崩易发性评价中的表现优于传统的基于数据叠加的雪崩潜在释放区识别算法；两种机器学习算法模型均精度高，其中支持向量机(SVM)算法表现最佳，优于多层感知器(MLP),评价结果比较符合野外雪崩发育实际情况，可为高寒山区重大工程建设的雪崩防灾减灾工作提供基础的科学依据；雪崩潜在释放区的自动识别算法评价能力较弱，评价结果基本符合野外雪崩发育实际情况，对于缺乏可用...
准确识别雪崩潜在释放区或雪崩高易发区域对高寒山区工程建设减灾防灾意义重大，特别是在雪崩监测数据缺失地区，能够提供重要的区域性灾害风险预估参考。本文以新疆天山地区伊阿铁路沿线区域为例，将铁路沿线154个雪崩范围形成区作为评价样本，开展基于机器学习算法的雪崩易发性评价，构建新疆天山地区伊阿铁路沿线雪崩易发性评价体系；开展基于数据叠加的雪崩潜在释放区(PRA)识别，绘制伊阿铁路沿线雪崩潜在释放区分布图，并对两个结果通过Kappa系数和AUC值进行检验，并对比讨论。结果显示，支持向量机(SVM)、多层感知器(MLP)、PRA的Kappa系数分别为0.806、0.774、0.600;AUC值分别为0.993、0.961、0.802,机器学习算法在雪崩易发性评价中的表现优于传统的基于数据叠加的雪崩潜在释放区识别算法；两种机器学习算法模型均精度高，其中支持向量机(SVM)算法表现最佳，优于多层感知器(MLP),评价结果比较符合野外雪崩发育实际情况，可为高寒山区重大工程建设的雪崩防灾减灾工作提供基础的科学依据；雪崩潜在释放区的自动识别算法评价能力较弱，评价结果基本符合野外雪崩发育实际情况，对于缺乏可用...
准确识别雪崩潜在释放区或雪崩高易发区域对高寒山区工程建设减灾防灾意义重大，特别是在雪崩监测数据缺失地区，能够提供重要的区域性灾害风险预估参考。本文以新疆天山地区伊阿铁路沿线区域为例，将铁路沿线154个雪崩范围形成区作为评价样本，开展基于机器学习算法的雪崩易发性评价，构建新疆天山地区伊阿铁路沿线雪崩易发性评价体系；开展基于数据叠加的雪崩潜在释放区(PRA)识别，绘制伊阿铁路沿线雪崩潜在释放区分布图，并对两个结果通过Kappa系数和AUC值进行检验，并对比讨论。结果显示，支持向量机(SVM)、多层感知器(MLP)、PRA的Kappa系数分别为0.806、0.774、0.600;AUC值分别为0.993、0.961、0.802,机器学习算法在雪崩易发性评价中的表现优于传统的基于数据叠加的雪崩潜在释放区识别算法；两种机器学习算法模型均精度高，其中支持向量机(SVM)算法表现最佳，优于多层感知器(MLP),评价结果比较符合野外雪崩发育实际情况，可为高寒山区重大工程建设的雪崩防灾减灾工作提供基础的科学依据；雪崩潜在释放区的自动识别算法评价能力较弱，评价结果基本符合野外雪崩发育实际情况，对于缺乏可用...
帕隆藏布流域地处藏东南高海拔，高地应力，高烈度，高地温的地形急变带，现代海洋性冰川分布，流域内冰川泥石流频发，合理评价流域内冰川泥石流易发性对工程建设具有重要意义。考虑到目前流行的机器学习算法应用的局限性，采用因子分析和证据权模型相耦合的方法建立易发性评估模型。将帕隆藏布划分为169个子流域，通过遥感解译和现场调查确定泥石流发育情况，并选取14个与冰川泥石流相关的影响因子进行分析。结果表明：冰川泥石流极高易发区集中在帕隆藏布干流古乡至通麦段、波堆藏布上游段、瓤达曲小流域段，共包括104个子流域，总流域面积为2 308.4 km2,占所有子流域面积的24%。
帕隆藏布流域地处藏东南高海拔，高地应力，高烈度，高地温的地形急变带，现代海洋性冰川分布，流域内冰川泥石流频发，合理评价流域内冰川泥石流易发性对工程建设具有重要意义。考虑到目前流行的机器学习算法应用的局限性，采用因子分析和证据权模型相耦合的方法建立易发性评估模型。将帕隆藏布划分为169个子流域，通过遥感解译和现场调查确定泥石流发育情况，并选取14个与冰川泥石流相关的影响因子进行分析。结果表明：冰川泥石流极高易发区集中在帕隆藏布干流古乡至通麦段、波堆藏布上游段、瓤达曲小流域段，共包括104个子流域，总流域面积为2 308.4 km2,占所有子流域面积的24%。