基于GIS和K-means聚类方法的滑坡气象预警模型

合集下载

基于机器学习和单站地面气象要素的雷电临近预警方法

第50卷第1期 2022年2月气象科技M E T E O R O L O G I CA L S C I E N C E AN D T E C H N O L O G YVol. 50，N o. 1 Feb. 2022基于机器学习和单站地面气象要素的雷电临近预警方法赵生昊1覃彬全〃杜乐2(1重庆市气象安全技术中心，重庆401120; 2重庆市地质矿产勘查开发局，重庆401121)摘要为减少雷电灾害造成的人身伤亡和经济损失，提出了一种基于机器学习和单站地面气象要素的雷电临近预警方法。

在重庆市选择了 8个自动气象站，使用温、压、湿、风4种单站地面气象要素与A D T D 地闪定位资料，通过对特征T 程、重采样、交叉验证等机器学习技术的组合应用，构建了基于A D A S Y N -E T 模型的雷电临近预膂方法，能够对气象站周边20 k m 范围进行提前期0〜30 m i n 的预警。

验证结果表明：该预警方法适用于全部8个站点，在 0〜10 m i n 、10〜20 min、20〜30 m i n 预警提前期，调和平均F ,得分分别为0. 60、0. 59、0. 60,与其他一些预警方法、系统对比实现方式灵活，预警效果良好，能够为防雷减灾工作提供参考。

关键词雷电临近预警；气象要素；闪电定位系统；机器学习中图分类号：P 429 D O l : 10. 19517/j. 1671-6345. 20210210 文献标识码：A引言雷电防护可以有效减少雷电灾害造成的人身伤亡和经济损失。

在雷电防护中，除运用防雷装置对目标进行直接防护，对雷电活动进行预警预报并采取主动措施减小损失也是当前普遍采用的防护手段。

雷电临近预警指提前时间为〇〜2 h 的雷电预警[n ，近年来国内外学者在该方面开展了深人研究。

吕伟涛等[,]结合雷达、闪电定位系统、电场仪等多种观测资料，利用区域识别、跟踪和外推算法与决策树算法，建立了雷电临近预报系统。

211009300_基于GRU_和K-means_算法的入侵检测模型与方法研究

Qiye Keji Yu Fazhan0引言随着互联网及网络应用的飞速发展，人们的生产生活已经深度依赖网络，人们从互联网中获取信息也变得极为便利，这就难以避免海量的数据信息通过网络进行传播。

互联网提高了人们的生活生产效率与质量，但同时，一系列网络安全问题也相应产生，比如网络入侵，不论是个人、企业，还是政府、军队的信息，一旦被不法分子窃取、篡改，极有可能造成无法弥补的损失。

传统的基于防火墙等的静态安全防范技术已然无法满足当前网络安全的需求，为了更好地应对当前的网络安全问题，现在更多应用主动防御的网络入侵检测系统。

但是随着网络攻击智能化，网络入侵检测系统也面临着巨大的挑战，需要对入侵检测技术进行不断研究。

在网络流量中，恶意的网络攻击往往隐藏在大量的正常行为中。

它在网络流量中表现出高度的隐身性和模糊性，使得网络入侵检测系统难以保证检测的准确性和及时性。

研究机器学习和深度学习在入侵检测问题上的应用，提出了一种结合GRU 网络和K-means 的算法模型进行入侵行为检测。

首先，利用GRU 网络对网络行为进行信息特征提取，实现全面有效的特征学习。

其次，使用K-means 算法对前置输入进行聚类，对于那些暂时无法进行属性判断的流量行为，再次进行特征提取后使用K-means 算法进行分类，有效减少传统二分类入侵检测对于暂时无法判断的流量行为的误判动作。

1相关知识1.1GRU 网络CHO 等[1]提出了门控循环单元（gated recurrentunit ，GRU ）。

相比于长短期记忆网络（LSTM ，Long Short －Term Memory ），GRU 网络具有更为简洁的模型，GRU 中去除了细胞状态，有重置门和更新门两个门限结构，重置门确定如何将前一时刻的记忆与新的输入信息相结合，表示前一时刻信息的忽略程度，值越大代表忽略的信息程度越小。

更新门代表前一时刻信息对当前状态的倾向程度，用于控制前一时刻的状态信息被带入到当前状态中的程度，值越大代表影响越大[2]。

基于GIS_的排水井盖安全监控预警系统设计

智能水利NO.04 202465智能城市 INTELLIGENT CITY 基于GIS的排水井盖安全监控预警系统设计韩俊华王奇叶淑晴（正元地理信息集团股份有限公司，北京 101300）摘要：文章基于地理信息系统（GIS）和物联网技术设计了排水井盖安全监控预警系统，能够实现对窨井井盖的智能化管理，有效监管井盖状态，对井盖的异常实时报警，减少人工巡检工作量，保障行人安全，实现项目管理、外业采集、内业建库各流程全数字化，整体提高井盖普查项目实施水平与效率，对智慧城市类似信息采集具有一定参考意义。

关键词：GIS；排水井盖；安全监控预警系统中图分类号：TU992 文献标识码：A 文章编号：2096-1936（2024）04-0065-03DOI：10.19301/ki.zncs.2024.04.020Design of safety monitoring and early warning system fordrainage manhole cover based on GISHAN Jun-hua WANG QiAbstract：Based on GIS and Internet of Things technology, the paper designs a safety monitoring and early warning system for drainage manhole cover, which can realize intelligent management of manhole cover, effectively supervise the state of manhole cover, give real-time alarm to abnormal manhole cover, reduce manual inspection workload, ensure pedestrian safety, realize full digitalization of project management, field collection, and internal database building, improve the implementation level and efficiency of manhole cover census project as a whole, and have certain reference significance for similar information collection in smart cities.Key words:GIS; drainage manhole cover; safety monitoring and early warning system通过智能监控方法实现对井盖的智能化管理，能够有效监管井盖状态，对井盖异常进行实时报警，减少人工巡检工作量，保障行人安全。

时间序列聚类方法

时间序列聚类方法引言：时间序列数据是指按照一定时间间隔采集到的数据，具有时序关系的数据集合。

时间序列数据广泛应用于金融、气象、交通、医疗等领域。

对时间序列数据进行聚类分析，可以帮助我们发现数据中的模式和规律，揭示隐藏在数据背后的信息，从而对未来的趋势进行预测和决策提供依据。

本文将介绍几种常见的时间序列聚类方法，包括基于距离的方法、基于模型的方法和基于特征的方法。

一、基于距离的时间序列聚类方法基于距离的时间序列聚类方法是一种常见且广泛使用的方法。

其基本思想是通过计算时间序列数据之间的距离来度量它们的相似性，从而将相似的时间序列归为一类。

1. K-means聚类算法K-means算法是一种经典的聚类算法，也适用于时间序列数据的聚类。

它通过迭代更新聚类中心的方式，将数据划分为K个簇。

在时间序列数据中，可以使用欧氏距离或动态时间规整（DTW）距离来计算数据之间的距离。

2. DBSCAN聚类算法DBSCAN算法是一种基于密度的聚类算法，它将数据划分为高密度区域和低密度区域。

在时间序列数据中，可以使用动态时间规整（DTW）距离来度量数据之间的距离，从而找到高密度的时间序列。

二、基于模型的时间序列聚类方法基于模型的时间序列聚类方法是一种通过拟合时间序列数据的模型来进行聚类的方法。

1. ARIMA模型ARIMA模型是一种常用的时间序列预测模型，也可以用于时间序列聚类。

ARIMA模型通过拟合数据的自回归部分和移动平均部分，来描述和预测时间序列数据的变化趋势。

2. 隐马尔可夫模型（HMM）隐马尔可夫模型是一种常用的时间序列建模方法，可以用于时间序列的聚类分析。

HMM模型假设时间序列数据的生成过程是一个马尔可夫链，通过观测序列和状态序列之间的关系来描述时间序列数据的特征。

三、基于特征的时间序列聚类方法基于特征的时间序列聚类方法是一种将时间序列数据转化为特征向量，然后使用传统聚类算法进行聚类分析的方法。

1. 傅里叶变换傅里叶变换是一种将时间序列数据转化为频域特征的方法。

基于Mamdani FIS的中吉乌铁路方案线中段滑坡易发性预测

Journal of Engineering Geology工程地质学报1004-9665/2020/28(6)-1281-09杨晨晨，长志，崔振昂，等.2020.基于Mamckrni FIS的中吉乌铁路方案线中段滑坡易发性预测[J]・工程地质学报，28(6):1281-1289.doi：10. 105/4/ki.jeg.2010-/32Yang Chenchen,Zhang Zhi,Cui Zhekang,et al.2022.Prediction of lankslide susceptibility for middle section of Chika-Kyrgyzstan-Ozbekistan railway project line based on Mamdaai-OIS mo0ei[J].Jonmai of Engineeany Geoloyy,28(6):1281-1289.dot：10.13544/j.c—i.jey.2019-531基于Maidni FIS的中吉乌铁路方案线中段滑坡易发性预测*杨晨晨①②张志②崔振昂①夏真①(①中国地质调查局广州海洋地质调查局，广州51/702,中国)(②中国地质大学(武汉)地球物理与空间信息学院，武汉430277,中国)摘要中吉乌铁路是我国西北地区通往中亚、南欧国家的一条国际通路，对其方案线沿线的地质灾害的调查及预测可为其选线提供一定建议。

本文基于Mamdani模糊推理系统(Mamdani FIS)对方案线北线AK53-AK130、南线AKGl-AKlll段研究区的滑坡易发性进行预测。

通过区域地质背景资料和遥感影像人机交互解译获取了该区地质环境背景、地形因素以及生态环境3类9种滑坡影响因子，建立768条推理规则，通过Mamdani FIS模型得到区内滑坡敏感度文件，在GIS环境中制作研究区滑坡易发性等级图,将研究区划分为极低易发区、低易发区、中等易发区、高易发区和极高易发区。

基于邻域模型的K-means初始聚类中心选择算法

计算机科学２０Ｖｏ．５１０８１ №．１３
基于邻域模型的Ｋ— ａｓ始聚类中心选择算法ｍｅｎ初
曹付元梁吉业姜广
（计算智能与中文信息处理省部共建教育部重点实验室太原０００）３０６（山西大学计算机与信息技术学院太原０００）３０６。
摘要传统的Ｋｍｅｎ－ａｓ算法由于其方法简单，在模式识别和机器学习中被广泛讨论和应用。但由于Ｋｍｅｎ算法 — ａｓ
随机选择初始聚类中心，而初始聚类中心的选择对最终的聚类结果有着直接的影响，因此算法不能保证得到一个唯一的聚类结果。利用邻域模型中对象邻域的上下近似，定义了对象邻域耦合度和分离度的概念，出了对象在初始聚类给
ＡｂｔａｔＴｈｒｄｔｎｌｍｅｎｌｏｉｈｃｎｉｅｅｓａｓｍｐｅｍｅｈｄｈｓｂｅｄｌｉｃｓｅｎｐｌｄｉｓｒｃｅｔａｉｏａｉＫ－ａｓａｇｒｔｍｏｓｄｒｄａｉｌｔｏａｅｎｗｉｅｙｄｓｕｓｄａｄａｐｉｎｅｐｔｅｎｒｃｇｉｉｎａｄｍａｈｎｅｒｉｇＨｏｖｒＫ－ｅｎｌｏｉｍａｏｕｒｎｅｎｑｅｃｕｔｒｎｅｕｔｂ — ａｔｒｅｏｎｔｏｎｃｉｅｌａｎｎ．ｗｅｅ，ｍａｓａｇｒｔｈｓｅｉｇｒｓｌｅｃｕｅｉｉａｌｓｅｅｔｒｒｈｓｎｒｎｏｌｍｏｅｖｒｃｏｓｎｎｔｌｃｕｔｒｃｎｅｓｉｘｒｍｅｙｉｏｔｎｓｉａｓｔｌｕｔｒｃｎｅｓａｅｃｏｅａｄｍｙ，ｒｏｅ，ｈｏｉｇｉｉｉｌｓｅｅｔｒｓｅｔｅｌｎｉｃａｍｐｒａｔａｔｈｓａｄｒｃｐｃｎｔｅｆｒａｉｎｏｉａｌｓｅｓｎｔｉａｅ，ｏｃｐｓｏｏｐｉｇａｄｄｖｓｏｒｅｉｅｙｕａｉｔｉａｔｏｈｏｍｔｆｆｌｕｔｒ．Ｉｈｓｐｐｒｃｎｅｔｆｃｕｌｎｉｉｉｎａｅｄｆｄｂ — ｅｍｏｎｃｎｎ

基于GIS和ANN-CA的广州市黄埔区耕地预警

基于GIS和ANN-CA的广州市黄埔区耕地预警张森;陈健飞【摘要】根据地理模拟和耕地保护相耦合的思想,基于近15a的土地利用变化数据,以广州市黄埔区为例,从土地利用方式转换的角度出发,进行耕地的空间预警研究.①利用ArcGIS得到土地利用转移矩阵,分析得出建设用地扩张是造成耕地流失的最大因素;②采用GeoSOS集成的ANN-CA模型,以低速扩张的模式预测2020年建设用地空间分布格局;③利用ArcGIS空间分析功能,将建设用地预测图与2009年耕地现状图进行重叠分析,提取耕地预警区域.预警总面积为931.86 hm2,占2009年耕地总面积的37.88％,耕地与建设用地之间存在尖锐矛盾.因此,相关部门可根据预警区域的地理位置和面积大小,采取补偿措施,以此协调城市发展和耕地保护之间的矛盾.【期刊名称】《广州大学学报（自然科学版）》【年(卷),期】2014(013)006【总页数】8页(P73-80)【关键词】耕地预警;ANN-CA;GIS;黄埔区【作者】张森;陈健飞【作者单位】广州大学地理科学学院,广东广州510006;广州大学地理科学学院,广东广州510006【正文语种】中文【中图分类】TP301耕地资源是人类生存和发展的基础.改革开放后，我国的经济和社会发展迅速，但耕地资源大量减少，城市化地区耕地流失情况更为严重，对农业生产和粮食安全带来了威胁［1］，成为制约我国经济和社会可持续发展的重要因素［2］.耕地预警是耕地资源动态监测和管理体系的重要组成部分，通过运用统计、建模等科学方法，对耕地未来数量和质量的演变趋势进行预测，根据人口数量、耕地数量、质量以及社会经济发展水平等指标来判断区域耕地保护的“度”，预报耕地不正常状态的时空范围和危害程度，并提出防范措施的耕地资源管理活动［3－5］.但现有的预警方法存在不足：预警对象只能是某行政区划，如省、市、县等，而不能落实到具体的空间位置上.从土地利用方式转换的角度来说，城市化和农业结构调整是造成耕地减少的最重要因素［6－11］.地理模拟可以对土地利用方式的空间演变进行模拟，预测各土地利用类型未来的空间分布格局.将地理模拟的方法引入到耕地预警中，可有效地解决传统预警方法空间格局预测能力的缺失问题；结合GIS提取出耕地将要被转换的区域以确定为耕地预警的区域，统计出该区域耕地面积，并提出保护措施，能更有效地对耕地进行管理和保护.城市边缘区是城市向乡村过渡的区域，在城市郊区化和乡村城镇化的双重作用下，边缘区的经济发展迅速，成为城市化最活跃的区域［12］；但也成为耕地流失最为严重的地区之一［13］.因此，城市边缘区是耕地预警的重点区域.目前，城市边缘区界定的方法多样且没有统一的标准［14］，其中，定量分析存在指标单一、权重确定主观、划分结果不够精确等不足［15］.王海鹰等基于多准则判断法，利用累积频率图和K_Means空间聚类法来确定城市边缘区的界定标准，有效地克服了上述不足，较精确地划分了广州市的边缘区［15－16］.其中，黄埔区的边缘区变化最为显著：1990年边缘区所占比例最高，为59.36%，2009年时下降至44.76%；而城市核心区在1990年时仅为4.64%，但2009年已经升至39.97%［16］.黄埔区建设用地发展迅速，城市核心区不断扩张，侵占边缘区，边缘区则向更外层的城市影响区扩展；但因总面积不变的原因，边缘区和影响区的面积不断减少，进而形成了以城市边缘区和核心区为主，核心区、边缘区和影响区共同组成的地区，土地利用变化迅速，具有典型性.基于此并考虑数据的完整性和可得性，本文以广州市黄埔区为研究区，从分析耕地减少的原因出发，引入地理模拟来进行耕地预警：分析1995～2009年土地利用变化趋势，得到建设用地扩张是本区域耕地减少最主要的原因的结论，并利用ANN-CA模型对2020年建设用地扩张进行预测，最后利用GIS的空间分析功能对2009年耕地利用现状和建设用地扩张预测图进行重叠，提取出冲突区作为预警区域，为相关部门制定城市发展规划和耕地保护政策提供一定的参考依据.1.1 研究区概况黄埔区（113°27′39″—113°27′51″E，23°2′25″—23°9′55″N），位于广州市东部，东与东莞市隔东江相望，南与番禺区相邻，西部与天河区相连，北部与萝岗区毗邻；地处珠江三角洲平原的北部，地形起伏平缓，平原台地低丘分布明显，地势大致北高南低；面积90.95 km2，管辖9个街道；属于亚热带季风气候，热量和降雨量充沛，适合农业的发展.2000年，广州市提出“南拓、北优、东进、西联”的城市发展战略，作为东进的最重要的区域，黄埔区的社会经济得到迅速发展；其中，2009年GDP 为4 919 781万元，是2000年的16.5倍.经济的提速，加快了黄埔区的城市化进程，为研究耕地预警提供了理想的区域.2014年，广州市对行政区划进行调整，撤销黄埔区、萝岗区，设立新的广州市黄埔区，以原黄埔区、萝岗区的行政区域为新的黄埔区的行政区域.由于本文的研究时段为1995～2009年，不涉及行政区划的调整，所以是以原黄埔区的行政区域作为研究区.1.2 数据源和处理流程本文所需数据有土地利用数据、高程、坡度和空间距离变量数据，如与地铁、高速公路、主要公路、区级公路、河流和已有建设用地的空间距离变量等.土地利用数据通过利用eCognition分类软件解译TM影像获得（1995、2001、2009），见图1；其中，建设用地主要包括住宅用地、工矿仓储用地、商服用地和交通运输用地等，通过构建归一化建筑指数（NDBI）［17］，设置合适的阈值提取得到.与地铁、高速公路、主要公路和主要街道的空间距离变量数据，通过对交通专题进行矢量化，再利用ArcMap的Distance工具获得；与河流、已有建设用地的距离变量数据，通过ArcMap的Extraction工具从土地分类数据分别提取出河流和建设用地，再利用Distance工具获得.统一所有数据的分辨率为30 m×30 m；坐标系统一为WGS84_UTM_ ZONE_49N.本研究的工作流程如下：利用ENVI5.0，对三期TM进行大气校正、配准、裁剪等；通过eCognition遥感分类软件，将多尺度分割和创建规则结合提取各地类；然后将分类结果导入ArcGIS10.0，利用Edit Tools工具，结合三期原始遥感图像，进行目视解译，以提高精度.运用ArcGIS进行土地利用数据进行统计和提取转移矩阵，对土地利用变化进行分析.运行GeoSOS的ANN-CA模块，利用1995年和2001年两期数据挖掘转换规则，预测2009年建设用地的空间扩张，验证此方法的可行性；在此基础上，利用2001和2009年两期数据挖取规则，以2001～2009年建设用地的50%扩张速度预测2020年城市空间扩张格局.最后利用Arc-GIS，将2020年建设用地预测结果与2009年耕地现状图进行重叠分析，提预警区域，为当地的城市规划和耕地保护提供一定的参考依据.2.1 土地利用数量和结构变化分析单一土地利用动态度被广泛应用于分析土地利用类型的数量变化［18］，当其研究的时段为年时，土地利用动态度为某地类的年变化率，其公式为：式（1），K为研究时段内某一土地利用类型动态度，Ua和Ub分别为某一土地利用类型研究初期和末期的面积，T为研究时段.土地利用转移矩阵，按矩阵的形式列出各土地利用类型转移的面积，定量地反映各土地利用类型之间的相互转化关系，用于土地利用结构变化分析和模拟预测［19－20］.ArcMap的Raster Caculator工具可得到1995～2009年的转移矩阵.2.2 城市扩展预测城市元胞自动机模型能准确地模拟城市空间的扩张，适合城市化地区建设用地扩张的模拟和预测［21］.黎夏［22］等创建的地理模拟和空间优化系统GeoSOS，集成了多种城市元胞自动机模型，如ANN-CA模型［21］，能够有效地进行建设用地扩张模拟和预测.陈逸敏、乔纪纲等利用GeoSOS提供的ANN-CA模型对广州市番禺区和白云区进行建设用地扩张模拟［23－24］，并取得较好的效果.本文采用GeoSOS集成的ANN-CA对黄埔区的建设用地扩张进行模拟和预测.在黎夏等构建的ANN-CA模型，人工神经网络可自动挖掘CA的转换规则，准确找到空间变量之间的关系，有效解决各土地利用类型之间相互转化问题.该模型有3部分：输入层、隐藏层和输出层.隐藏层接收输入层传递来的元胞的属性变量信息后，生成响应值并输出给输出层，由输出层输出元胞的转换概率［21］.元胞转化概率在加入随机变量后的公式如下：式中，net，（k，t）为隐藏层第j个神经元所收到的信号，wij为隐藏层和输出层之间的权重.ANN-CA模型运行除需要土地利用数据外，还有各种空间距离变量.土地利用变化的概率往往取决于一系列的距离变量、单元的自然属性等［21］.某一位置的自然属性可反映其被转换为建设用地的难易程度，如坡度、高程等；而到交通线路和已有建设用地距离的远近则反映人们将其转换为建设用地的意愿强烈程度，如到地铁、高速公路、主要公路、主要街道的距离，到建设用地的距离、到河流的距离等.因此，本文选取了坡度、高程、到河流距离、到地铁距离、到高速公路距离、到主要公路距离、到主要街道距离和到已有建设用地距离等8个对非建设用地转换为建设用地影响较大的因子，并利用ArcMap的Raster Caculator对所有空间变量数据进行标准化处理，数值为0～1.见图2.3.1 土地利用变化分析1995～2009年黄埔区土地利用的数量变化见表1.1995～2001年，耕地是变化最大的地类，减少537.84 hm2，年变化率是2.75；建设用地不断扩张，其变化量仅次于耕地，增加520.38 hm2，年变化率为3.22，是年变化率最大的地类；未利用地和水系的面积都有少数的增加，而林地的面积有少许下降.2001～2009年，建设用地是唯一的面积增加的地类，增加916.86 hm2，年变化率为3.56，比前阶段有所提高.其余各地类呈现减少的趋势，其中，未利用地减少量最大，减少了287.55 hm2，年变化率为5.08，是本阶段年变化率最大的地类；其次是耕地，水系和林地，减少量分别是262.62 hm2、226.62 hm2和140.04 hm2.通过对表1的分析可知，1995～2009年黄埔区建设用地扩展显著.通过对1995～2009年的转移矩阵分析，可更准确地分析土地利用结构变化和建设用地扩展的来源.行为1995年第i种土地利用类型，列为2009年第i种土地利用类型.由表2可知，建设用地扩张的主要来源是耕地，近15 a来1 132.38 hm2耕地被转化为建设用地，占建设用地扩张来源的59.1%；其次是未利用地、水系和林地，被侵占面积分别为462.87 hm2、 202.68 hm2、118.53 hm2，其中，水系被转化的部分来自于基塘和湖泊.林地和耕地之间存在着相互转化的现象，有些地方推行退耕还林的保护政策，林地面积得以增加；有的地方则因为建设用地扩张占用了大量耕地，大量林地被开发为耕地，进行农业生产.水系包括河流、基塘和湖泊3部分，在1995～2009年期间，大量的基塘和湖泊由于城市的发展，转化为建设用地；少数被填埋，被开发为耕地.1995～2009年，未利用地面积先增加后大量减少，还是由于城市发展所造成的：早期，大量耕地、林地、基塘或湖泊被开发，成为裸地，而后工期的完工，建成居民住宅、工矿用地和交通设施，未利用地大量减少.从1995～2009年黄埔区土地利用各地类的变化量和年变化率可发现，黄埔区建设用地和耕地是数量变化最大的2个地类，其中，建设用地增加了1 437.21 hm2，为1995年建设用地面积的53%，而且有加速扩张的趋势；而耕地的减少量最大，总共减少了800.46 hm2，为1995年耕地面积的24.5%，减少速度有所减缓.1 132.38 hm2耕地被转化为建设用地，占耕地转出面积73.62%，建设用地扩张是耕地减少的最主要原因.3.2 城市扩展模拟和预测根据TM影像解译的结果可知，1995～2009年黄埔区建设用地面积增加了1 437.21 hm2，年均增加102.7 hm2；而耕地减少了800.46 hm2，年均减少57.2 hm2；建设用地扩张是本区域耕地流失的最重要原因.研究城市扩张趋势，模拟预测其未来的空间扩张，有利于城市合理发展和耕地保护.利用GeoSOS对黄埔区未来的建设用地空间格局进行预测.由于GeoSOS运行的数据是TXT格式的ASCII数据，先需利用ArcMap的Conversion Tools工具将全部数据转换为ASCII码数据.将高程、坡度、与建成区距离等距离变量作为ANN-CA模拟的影响因子数据，把1995年和2001年的土地利用ASCII数据定义为起始年和终止年，再进行相关参数的设置，利用GeoSOS挖掘黄埔区建设用地的演变规则，并依据此规则来预测2009年黄埔区的建设用地；将预测结果与2009年建设用地的真实图像进行点对点比较，预测精度为83.94%，证明此方法适合于本区域城市扩张的模拟研究.为了更好的预测未来建设用地的演化趋势，采用与预测时段更相近的2001年和2009年来挖掘建设用地演变规则，根据先前试验设定的参数，对2020年黄埔区建设用地进行预测.根据2001～2009年黄埔区建设用地扩张的速度，同时考虑到广州市实施的“紧缩性”的控制土地开发过快的政策［25］，以及黄埔区实际的土地利用情况，设置建设用地扩张速度为历史水平的50%，预测结果见图3.3.3 耕地预警区域分析预警区域是指耕地将要被建设用地所侵占的地区.利用ArcMap的空间分析功能，将2020年建设用地的预测图和2009年耕地现状图进行重叠分析，提取出预警区域，见图4；并利用分区统计工具对黄埔区的各行政亚区的预警面积进行了统计，见表3.从图4可见，预警区域主要是沿着已有建设用地和主要道路向外扩张，且分布分散；也存在相对集中的、成片分布的区域，见图4中圆圈的地区.主要分布在黄埔区的中部区域：鱼珠、黄埔和大沙接壤处、大沙南部与文冲交界处、穗东北部和南部、南岗的中部以及荔联的东北部.从表3可知，2020年黄埔区总的预警面积为931.86 hm2，占2009年耕地总面积的37.88%.其中，南岗街区的预警面积最多，为158.13 hm2；其次为大沙、穗东和文冲街区，其预警面积都超过100 hm2，分别为147.15 hm2、143.55 hm2和127.17 hm2；荔联街区的预警面积最少，为42.75 hm2.城市发展与耕地之间存在着尖锐的矛盾.试验结果表明，到2020年，黄埔区接近40%的耕地将被转化为建设用地，且只是以建设用地的低速扩张来进行预测.近15 a来，随着城市快速发展，建设用地不断扩张，黄埔区耕地已流失严重，且还有继续流失的趋势.耕地的功能不仅仅是保障粮食安全、农业生产和基础建设的发展，还具有保护区域的生态安全和改善人类居住环境的功能［26］，在经济发达的地区，后者更为重要，应采取相应措施对预警区的耕地进行保护.但预警区域也是适合城市发展的地区，若为保护耕地而不能被开发，会影响城市发展.根据预警区的地理位置和面积大小，采取某些补偿措施，协调城市发展和耕地保护之间的矛盾，实现耕地的多功能管理，保护生态环境；促进城市的合理扩张，实现区域的可持续发展.快速城市化地区，耕地大量流失，给农业生产和粮食安全带来威胁.耕地预警，是耕地资源管理和动态监测的重要部分，对于耕地资源的保护有着积极的作用.传统的耕地预警缺乏空间预警能力，不能实现耕地在具体空间位置的预警.本文从土地利用方式转换的角度出发，将地理模拟和GIS相结合，实现耕地在具体空间位置预警.以广州市黄埔区为例，利用ArcGIS分析其土地利用变化的趋势，得出建设用地扩张是耕地流失最主要的因素；运用ANN-CA对建设用地扩张进行模拟预测；最后利用ArcGIS提取出建设用地与耕地冲突的地区，作为预警区域.通过分析黄埔区1995～2009年土地利用数量和结构的变化，得出：建设用地和耕地在数量上变化最大，建设用地增加了1 437.21 hm2，而耕地减少了800.46 hm2；建设用地扩张的主要来源是耕地，近15 a来1 132.38 hm2耕地被转化为城市用地，占耕地转出面积的73.62%.建设用地的扩张，是本区域耕地减少的主要原因.利用GeoSOS集成的ANN-CA，以建设用地历史扩张速度的50%，对2020年黄埔区建设用地的扩张进行预测.运用ArcGIS，将预测结果与2009年耕地现状图进行重叠分析，找出预警区域.2020年黄埔区总的预警面积为931.86 hm2，占2009年耕地总面积的37.88%；其中，南岗街区的预警面积最多，为158.13 hm2；荔联街区的预警面积最少，为42.75 hm2；城市发展和耕地之间存在尖锐的矛盾.预警区是进行农业生产的地区，但也比较适合于城市的发展.在城市化的过程中，政府应加强预警区域的土地监测，协调建设用地和耕地之间的矛盾；根据预警区的地理位置和面积大小，采取慎占耕地和有效补偿措施，以及对耕地进行多功能管理，实现区域的可持续发展.【相关文献】［1］李加林，许继琴，李伟芳，等.长江三角洲地区城市用地增长的时空特征分析［J］.地理学报，2007，62（4）：437-447.LI J L，XU J Q，LI W F，et al.Spatio-temporal characteristics of urbanization area growthin the Yangtze River Delta［J］.Acta Geogr Sin，2007，62（4）：437-447.［2］张国平，刘纪远，张增祥.近10年来中国耕地资源的时空变化分析［J］.地理学报，2003，58（3）：323-332.ZHANG G P，LIU J Y，ZHANG Z X.Spatial-temporal changes of cropland in China for past 10 years based on remote sensing［J］.Acta Geogr Sin，2003，58（3）：323-332.［3］彭补拙，魏金俤，张燕.城市边缘区耕地预警系统的研究——以温州市为例［J］.经济地理，2001，21（6）：714-718.PENG B Z，WEI J D，ZHANG Y.Study on system of arable land for warning in urban fringe：A case of Wenzhou City［J］.Econ Geogr，2001，21（6）：714-718.［4］葛向东，张侠，濮励杰，等.江苏锡山市耕地预警系统研究［J］.南京大学学报：自然科学版，2002，38（4）：532-538.GE X D，ZHANG X，PU L J，et al.Cultivated land early warning system of Xishan City，Jiangsu Province［J］.J Nanjing Univ：Nat Sci Edi，2002，38（4）：532-538.［5］赵婷婷，姜广辉，张凤荣，等.大城市近郊县域耕地保护预警方法［J］.农业工程学报，2010，26（01）：335-340.ZHA0T T，JIANG G H，ZHANG F R，et al.Methods for early-warning of cultivated land protection in outshirts of megapolis［J］.Transact Chin Soc Agri Engin，2010，26（1）：335-340.［6］贾铁飞，倪少春，郑辛酉.快速城市化地区土地利用动态变化及城市化空间进程分析［J］.国土资源遥感，2006，67 （1）：36-39.JIA T F，NI S C，ZHENG X Y.Dynamic change of land use and spatial process analysis of the rapid urbanization areas ［J］.Remot Sens Land Res，2006，61（1）：36-39.［7］王艳君，姜彤，吕宏军.快速城市化地区的土地利用时空动态变化研究——以南京市为例［J］.长江流域资源与环境，2005，14（2）：168-172.WANG Y J，JIANG T，LV H J.Spatial-temporal changes in land use patterns in fast urbanization regions-a case study in Nanjing，China［J］.Res Environ Yangtza Basin，2005，14（2）：168-172.［8］陈红顺，夏斌.快速城市化地区土地利用变化研究——以广东省东莞市为例［J］.水土保持研究，2012，19（1）：239-242.CHEN H S，XIA B.Analysis of land use changes in rapidly urbanized area：A case study of Dongguan City，Guangdong Province［J］.Res Soil Water Conserv，2012，19（1）：239-242.［9］孟宪磊，李俊祥，李铖，等.沿海中小城市快速城市化过程中土地利用变化——以慈溪市为例［J］.生态学杂志，2010，29（9）：1799-1805.MENG X L，LI J X，LI C，et nd use change of rapidly urbanized small-land medium-sized coastal cities in China：Taking Cixi City of Zhejiang Province as an example［J］.Chin J Ecol，2010，29（9）：1799-1805.［10］邵晓梅，谢俊奇.中国耕地资源区域变化态势分析［J］.资源科学，2007，29（1）：36-42. SHA0X M，XIE J Q.Analyzing regional changes of the cultivated land in China［J］.Res Sci，2007，29（1）：36-42.［11］王雪娜，周阳品，黄光庆，等.广东省耕地资源时空变化分析［J］.农机化研究，2010，39（6）：39-44，48.WANG X N，ZHOU Y P，HUANG G Q，et al.Spatial and temporal change analysis of cultivated land in Guangdong Province［J］.J Agri Mechan Res，2010，39（6）：39-44，48.［12］吴铮争，宋金平，王晓霞，等.北京城市边缘区城市化过程与空间扩展——以大兴区为例［J］.地理研究，2008，12（2）：285-293，48.WU Z Z，SONG J P，WANG X X，et al.On urbanization process and spatial expansion in the urban fringe of Beijing：A case study of Daxing District［J］.Geogr Res，2008，12（2）：285-293，48.［13］于伯华，吕昌河.城市边缘区耕地面积变化时空特征及其驱动机制——以北京市顺义区为例［J］.地理科学，2008，28 （3）：348-353.YU B H，LV C H.Spatio-temporal characteristics and driving factors of farm land changeon urban fringe：A case study of Shunyi District，Beijing［J］.Sci Geogr Sin，2008，28（3）：348-353.［14］荣玥芳，郭思维，张云峰.城市边缘区研究综述［J］.城市规划学刊，2011，196（4）：93-100.RONG Y F，GU0S W，ZHANG Y F.A review of researches on the fringe［J］.Urban Plan Forum，2011，196（4）：93-100.［15］王海鹰，张新长，康停军，等.基于多准则判断的城市边缘区界定及其特征［J］.自然资源学报，2011，26（4）：703-714.WANG H Y，ZHANG X C，KANG T J，et al.Urban fringe division and feature analysis based on the multi-criterion judgment［J］.J Nat Res，2011，26（4）：703-714.［16］王海鹰，张新长.广州市城市边缘区时空演变特征分析［J］.中山大学学报：自然科学版，2012，51（4）：134-143.WANG H Y，ZHANG X C.The analysis on spatial-temporal evolution of urban fringe in Guangzhou［J］.Acta Sci Nat Univ Sunyatseni，2012，51（4）：134-143.［17］查勇，倪绍祥，杨山.一种利用TM图像自动提取城镇用地信息的有效方法［J］.遥感学报，2003，7（1）：37-40＋82.ZHA Y，NI S X，YANG S.An effective approach to automatically extract urban land-use from TM imagery［J］.J Rem Sen，2003，7（1）：37-40，82.［18］陈颖彪，李雁，千庆兰，等.基于TM数据的广州市番禺区土地覆被格局分析［J］.地理科学，2012，32（4）：458-463.CHEN Y B，LI Y，QIAN Q L，et nd cover patterns in Panyu based on TM image ［J］.Sci Geogr Sin，2012，32（4）：458-463.［19］乔伟峰，盛业华，方斌，等.基于转移矩阵的高度城市化区域土地利用演变信息挖掘——以江苏省苏州市为例［J］.地理研究，2013，32（8）：1497-1507.QIA0W F，SHENG Y H，FANG B，et nd use change information mining in highly urbanized area based on transfer matrix：A case study of Suzhou，Jiangsu Province ［J］.Geogr Res，2013，32（8）：1497-1507.［20］刘瑞，朱道林.基于转移矩阵的土地利用变化信息挖掘方法探讨［J］.资源科学，2010，32（8）：1544-1550.LIU R，ZHU D L.Methods for detecting land use changes based on the land use transition matrix［J］.Resou Sci，2010，32 （8）：1544-1550.［21］黎夏，叶嘉安.基于神经网络的单元自动机CA及真实和忧化的城市模拟［J］.地理学报，2002，57（2）：159-166.LI X，YE J A.Neural-network-based cellular automata for realistic and idealized urban simulation［J］.Acta Geogr Sin，2002，57（2）：159-166.［22］黎夏，刘小平，何晋强，等.基于耦合的地理模拟优化系统［J］.地理学报，2009，64（8）：1009-1018.LI X，LIU X P，YE J Q，et al.A geographical simulation and optimization system based on coupling strategies［J］.ActaGeogr Sin，2009，64（8）：1009-1018.［23］陈逸敏，黎夏，刘小平，等.基于耦合地理模拟优化系统GeoSOS的农田保护区预警［J］.地理学报，2010，65（9）：1137-1145.CHEN Y M，LI X，LIU X P，et al.Coupling geosimulation and optimization（GeoSOS）for zoning and alerting of agricultural conservation areas［J］.Acta Geogr Sin，2010，65（9）：1137-1145.［24］乔纪纲，邹春洋.基于神经网络的元胞自动机与土地利用演化模拟——以广州市白云区为例［J］.测绘与空间地理信息，2012，35（7）：17-20.QIA0J G，ZOU C Y.The simulation of cell automaton and land use evolution based on neural network：Taking Baiyun District of Guangzhou as a case study［J］.Geomat Spat Informat Tech，2012，35（7）：17-20.［25］秦鹏，董玉祥，李裕梨.广州市城镇用地扩展及预测分析［J］.资源科学，2012，34（10）：1881-1890.QIN P，DONG Y X，LI Y L.Analysis of the expansion and simulation of urban land use in Guangzhou［J］.Resou Sci，2012（10）：1881-1890.［26］宋小青，欧阳竹.耕地多功能内涵及其对耕地保护的启示［J］.地理科学进展，2012，31（7）：859-868.SONG X Q，OU Y Z.Connotation of multifunctional cultivated land and its implications for cultivated land protection［J］.Prog Geogr，2012，31（7）：859-868.。

一种基于改进的K-means聚类和PSO的软件可靠性模型选择

ｏｍｐｏｅｍｅｎｌｓｅｎｎａｔｌｗｒｌｏｔｚｔｎ（Ｓ．ｒｌｍｅｈｄｕｅｔｎａｄｃｄｓｗｉｌ．ｖｌａｎｉｒｖｄＫ．ａｓｃｕｔｒｇａｄｐｒｃｅｓａｎｐｉａｉｉｉｍｉｏＰ０）Ｉｅｔｏｓｄｓａｄｒｏｅｔｍｕｔｅａｕ．１Ｉｈｉ
Ｋｅｏｄ：ｓｆａｅｒｌｂｌｙｍｅ； — ｅｎｌｓｒｇｐｒｃａｍｏｔｉｔｎ（Ｓ；ｅｌｚｄｄｔｎｅｓｎｙｗｒｓｏｗｒｉｉｔｏｌＫｍａｓｕｔｉ；ａｔｌｓｒｐｉｚｉＰＯ）ｒｇａｅｉａｃ；ｔ — ｔｅａｉｄｃｅｎｉｅｗｍａｏｕｒｉｓａ
（ｃｏｌｆＩｏｔｎ＆Ｅａｒａｎｉｅｒｇ，ｕｈｕＩｓｉｔｏｅｈｏｏｙＸｚｏｉｎｓ２０８ｈｎ）Ｓｈｏｏｎｒｉｆｍａｏ￣ｉｌｇｎｅｎＸｚｏｎｔｕｅｆＴｃｎｌ，ｕｈｕＪｇｕ２１０，ＣｉａｃＥｉｔｇａ
ＰＯｎｌｓｓｔａｉｅｍｏｅｅｅｔｎｏｈＳａａｙｉｒｌｄｌｓｌｃｉｆｓｗ￣ｅｒｌｂｌｙｈｘｅｍｅｔｌｒｓｌａｉａｅｔｅｅｅｔｅｅｓｏｈｒ．ｏｅｚｏｏｅｉｉｔ．Ｔｅｅｐｒｎａｅｕｔｖｄｔｈｆｃｉｎｓｆｔｅｐｏａｉｉｓｌｖｐｓｔｏｏｏｍｅｈｄ．ｗｉｈｐｏｉｅｅｐ：ａｈｔｄｅｅｅｔｎｏｏｔａｅｒｌｂｌｙｄｈｃｒｖｄｓａｎｗａｉｏｃｏｍｏｌｓｌｃｉｆｓｆｒｅｉｉｔ．Ｉｒｏｗａｉ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｓｌｉｄｅｓａｎｄｒａｉｎｆａｌｌａｔｔｈｅｓａｍｅｄａｙｏｆｌａｎｄｓｌｉｄｅａｒｅｏｂｔａｉｎｅｄｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃｓａｎａｌｙｓｉｓ．Ｔｈｅｎ，ｔｈｅｃｒｉｔｉｃａｌｒａｉｎｆａｌｌｃｒｉｔｅｒｉｏｎｉｓ
ｅｓｔａｂｌｉｓｈｅｄｏｎｔｈｅｂａｓｉｓｏｆｄｉｆｆｅｒｅｎｔｌａｎｄｓｌｉｄｅｓ．Ｉｔｉｓｐｒｏｐｏｓｅｄｔｏｍａｋｅｌａｎｄｓｌｉｄｅｅａｒｌｙｗａｒｎｉｎｇａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｉｓｋｇｒａｄｅｏｆｌａｎｄｓｌｉｄｅ，ｔｈａｔｉｓ，ｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｃｏｎｓｉｄｅｒｉｎｇｔｈｅｐｏｓｓｉｂｉｌｉｔｙａｎｄｒｉｓｋｏｆｌａｎｄｓｌｉｄｅ．ＷｉｔｈａｃｏｕｎｔｙｏｆＨｕｎａｎＰｒｏｖｉｎｃｅｃｈｏｓｅｎａｓｔｈｅｔｙｐｉｃａｌｓｔｕｄｙａｒｅａ，ｔｈｅＫ—ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｗｅｉｇｈｔｅｄＥｕｃｌｉｄｅａｎｄｉｓｔａｎｃｅｉｓａｄｏｐｔｅｄｔｏｃｌａｓｓｉｆｙｔｈｅｌａｎｄｓｌｉｄｅｓｉｎｔｏｔｈｒｅｅｔｙｐｅｓ．Ｔｈｅｃｒｉｔｉｃａｌｒａｉｎｆａｌｌｃｒｉｔｅｒｉｏｎｆｏｒｅａｃｈｔｙｐｅｏｆｌａｎｄｓｌｉｄｅｉｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎａｎｔｅｃｅｄｅｎｔｅｆｆｅｃｔｉｖｅｒａｉｎｆａｌｌａｎｄｒａｉｎｆａｌｌａｔｔｈｅｓａｍｅｄａｙｏｆｌａｎｄｓｌｉｄｅ．ＴｈｅｌａｎｄｓｌｉｄｅｄｉｓｔｒｉｂｕｔｉｏｎｍａｐａｎｄｔｈｅｒｉｓｋｚｏｎｅｍａｐｗｅｒｅｓｕｐｅｒｐｏｓｅｄｂｙＧＩＳ，ａｎｄｔｈｅｌａｎｄｓｌｉｄｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｗａｒｎｉｎｇｄｉｓｔｒｉｃｔｉｓｏｂｔａｉｎｅｄ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｓｉｎｇｌｅｃｒｉｔｉｃａｌｒａｉｎｆａｌｌｃｒｉｔｅｒｉｏｎ，ｔｈｉｓｍｅｔｈｏｄｈａｓａｈｉｇｈｅｒｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ．Ｍｏｒｅｏｖｅｒ，ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｐｏｓｓｉｂｉｌｉｔｙａｎｄｄａｎｇｅｒｏｆｌａｎｄｓｌｉｄｅｓ，ｉｔｉｓｍｏｒｅｒｅａｓｏｎ— ａｂｌｅｉｎａｃｔｕａｌｅａｒｌｙｗａｒｎｉｎｇ．
关键词ＧＩＳＫ—ｍｅａｎｓ滑坡气象预警
中图分类号Ｐ６９４
文献标志码Ａ
ቤተ መጻሕፍቲ ባይዱ
文章编号１００１—１２５０（２０１８）一０６—１６２．０５
ＤｏＩ１０．１，９６１４／ｉ．ｃｎｋｉ．ｉｓｋｓ．２０１８０６０３０
ＬａｎｄｓｌｉｄｅＭｅｔｅｏｒｏｌｏｇｉｃａｌＷａｒｎｉｎｇＭｏｄｅｌＢａｓｅｄｏｎＧＩＳａｎｄＫ＿。ｍｅａｎｓＣｌｕｓｔｅｒｉｎｇ
ＪｉｎＦｕｘｉ · ＹｕａｎＱｕａｎｗｅｉＱｉｎＳｈｕａｉｓｈｕａｉ · （１．ＳｃｈｏｏｌｏｆＧｅｏｓｃｉｅｎｃｅｓａｎｄＩｎｆｏ—Ｐｈｙｓｉｃｓ，ＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８３，Ｃｈｉｎａ；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭｅｔａｌｌｏｇｅｎｉｃＰｒｅｄｉｃｔｉｏｎｏｆＮｏｎｆｅｒｒｏｕｓＭｅｔａｌｓａｎｄＧｅｏｌｏｇｉｃａｌＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｎｉｔｏｒｉｎｇｏｆｔｈｅＭｉｎｉｓｔｒｙｏｆ
Ｅｄｕｃａｔｉｏｎ，Ｃｈａｎｇｓｈａ４１００８３，Ｃｈｉｎａ）
ＡｂｓｔｒａｃｔＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｌａｎｄｓｌｉｄｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｗａｒｎｉｎｇ，ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆＧＩＳａｎｄＫ—ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇｉｎｔｏｌａｎｄｓｌｉｄｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｗａｒｎｉｎｇｗａｓｒｅｓｅａｒｃｈｅｄ．Ｄｕｅｔｏｌｏｗｗａｒｎｉｎｇａｃｃｕｒａｃｙｏｆｓｉｎｇｌｅｃｒｉｔｉｃａｌｒａｉｎｆａｌｌｃｒｉｔｅｒｉｏｎ，ｉｔｉｓｄｉｆ－ｆｉｃｕｈｔｏｒｅｆｌｅｃｔｔｈｅｄｉｆｆｅｒｅｎｔｓｅｎｓｉｔｉｖｉｔｙｏｆｄｉｆｅｒｅｎｔｔｙｐｅｓｏｆｌａｎｄｓｌｉｄｅｓｏｎｒａｉｎｆａｌ１．Ｈｅｎｃｅ，ｔｈｅＫ—ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｗｅｉｇｈｔｅｄＥｕｃｌｉｄｅａｎｄｉｓｔａｎｃｅｉｓａｄｏｐｔｅｄｔｏｃｌａｓｓｉｆｙｔｈｅｌａｎｄｓｌｉｄｅｓａｃｃｏｒｄｉｎｇｔｏｔｈｅｍａｔｅｒｉａｌｃｏｍｐｏｓｉｔｉｏｎ，ｓｌｏｐｅｓｔｒｕｃ— ｔｕｒｅ，ｆｏｒｍａｔｉｏｎ，ｓｃａｌｅ，ｌｏｃａｔｉｏｎａｎｄｉｎｄｕｃｅｄｆａｃｔｏｒｓｏｆｌａｎｄｓｌｉｄｅｓ．Ｔｈｅｓｃａｔｔｅｒｄｉａｇｒａｍｓａｂｏｕｔｅｆｆｅｃｔｉｖｅｒａｉｎｆａｌｌｂｅｆｏｒｅｌａｎｄ—
摘要针对滑坡气象预警问题，开展了ＧＩＳ和Ｋ—ｍｅａｎｓ算法在滑坡气象预警中的应用研究。由于单一临界降雨判据的预警准确性不高，很难反映不同类型滑坡对降雨的敏感性不同，因此，采用加权欧式距离的Ｋ—ｍｅａｎｓ算法，根据滑坡的物质组成、斜坡结构、成灾层位、规模、地理位置、诱发因素等要素将滑坡分类，然后采用统计分析方法，得到滑坡前期有效降雨量和当１３降雨量的散点图，针对每类滑坡构建临界降雨判据。并提出根据滑坡的风险性等级，即综合考虑滑坡发生的可能性和危险性，做出相应的滑坡预警。选取湖南某县为典型研究区，采用加权Ｋ—ｍｅａｎｓ算法进行
聚类，将该县滑坡分为三类，根据滑坡的前期有效降雨量和当日降雨量，构建每类滑坡的临界降雨判据，使用ＧＩＳ叠加
滑坡分布图和危险ｆ生分区图，划分滑坡气象预警区。相对于单一临界降雨判据，该方法预测准确度更高；而且综合考
虑滑坡发生的可能性和危险陛，在实际预警中更加合理。
ＳｅｒｉｅｓＮｏ．５０４Ｊｕｎｅ２０１８
金属矿山
ＭＥＴＡＬＭＩＮＥ
总第５０４期２０１８年第６期
基才ＧＩＳ和Ｋ—ｍｅａｎｓ聚类方法的滑坡气象预警模型
金福喜１，２袁权威秦９巾９巾
（１．中南大学地球科学与信息物理学院，湖南长沙４１００８３；２．有色金属成矿预测与地质环境监测教育部重点实验室，湖南长沙４１００８３）