1.一种基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,具体包括以下步骤:选取待研究区域,确定样本训练集和样本验证集;
通过所述待研究区域的多源数据,获取滑坡影响因子;
基于所述样本训练集,对所述滑坡影响因子进行共线性分析和因子重要性分析,获取目标滑坡影响因子;
基于所述目标滑坡影响因子,利用综合赋权耦合模型进行滑坡易发性预测,获取滑坡易发性指数,具体包括:基于所述目标滑坡影响因子,利用频率比法和统计指数法进行重分类,获取最终滑坡影响因子;
构建所述综合赋权耦合模型,其中,所述综合赋权耦合模型包括证据权模型、BPNN‑GWO模型和融合模型;
将所述目标滑坡影响因子输入所述综合赋权耦合模型,输出所述滑坡易发性指数;
将所述目标滑坡影响因子输入所述综合赋权耦合模型,输出所述滑坡易发性指数包括:基于所述目标滑坡影响因子和所述目标滑坡影响因子的二级状态分类标准,利用所述证据权模型,获取二级分类权重;
基于所述目标滑坡影响因子,利用所述BPNN‑GWO模型,获取因子权重,具体包括:基于共线性分析和重要性分析,获取目标区域最终的滑坡影响因子,并通过实地采样和遥感目视解译,获取滑坡和非滑坡样本数据;
基于所述目标区域最终的滑坡影响因子及所述滑坡和非滑坡样本数据,建立特征数据和标签数据;
基于所述特征数据和所述标签数据构建BP神经网络模型,并初始化所述BP神经网络模型的参数权值和阈值;
获取若干个粒子,通过GWO算法输出层的输出和神经网络模型传入的目标值之间的偏差,并调整所述参数权值和阈值,进而确定最优参数组合,获取最优粒子的位置;
通过所述最优粒子的位置,确定最优参数;
基于所述最优参数建立预测模型,并通过所述目标滑坡影响因子,获取所述因子权重;
通过所述融合模型,将所述二级分类权重和所述因子权重相乘,获取所述滑坡易发性指数;
对所述滑坡易发性指数进行危险程度分类,利用ROC曲线和所述样本验证集对滑坡易发性预测结果准确性进行评价,完成基于所述综合赋权耦合模型的滑坡易发性评价。
2.如权利要求1所述的基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,确定所述样本训练集和所述样本验证集包括:基于Google Earth影像和高分遥感图像,结合实地调查,获取滑坡编目图;
对所述滑坡编目图进行重采样,获取滑坡样本和非滑坡样本并划分为所述样本训练集和所述样本验证集。
3.如权利要求1所述的基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,通过所述待研究区域的多源数据,获取所述滑坡影响因子包括:获取待研究区域的多源数据,其中,所述多源数据包括地形地质数据、地震数据、气象数据和土地利用数据;
对所述多源数据进行栅格化,获取所述滑坡影响因子,其中,所述滑坡影响因子包括坡度、地形起伏度、坡向、地形曲率、改进的水文指数、地层岩组、断裂带密度、土地利用、年平均降雨量、河流切割密度、距公路距离、地震烈度和距震中距离。
4.如权利要求1所述的基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,基于所述样本训练集,对所述滑坡影响因子进行共线性分析和因子重要性分析,获取所述目标滑坡影响因子包括:基于所述样本训练集,利用相关性矩阵分析所述滑坡影响因子间的相关性,并去除所述滑坡影响因子间的数据冗余;
通过方差膨胀系数和容差对去除数据冗余后的所述滑坡影响因子进行分析,获取所述目标滑坡影响因子。
5.如权利要求4所述的基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,所述滑坡影响因子的相关性为:其中,rxy是一个归一化的参数,n为因子的像元数,xi为因子x的第i个像元,yi为因子y的第i个像元,为因子x所有像元的平均数, 为因子y所有像元的平均数。
6.如权利要求1所述的基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,基于所述目标滑坡影响因子,利用所述频率比法和所述统计指数法进行重分类,获取所述最终滑坡影响因子包括:利用所述频率比法和所述统计指数法,计算所述目标滑坡影响因子预分类形成若干个分类区的二元统计值;
基于所述二元统计值,通过绘制曲线,确定新的分区断点;
通过所述分区断点对所述目标滑坡影响因子进行重分类,获取所述最终滑坡影响因子。
7.如权利要求1所述的基于综合赋权耦合模型的滑坡易发性评价方法,其特征在于,所述证据权模型为:+ ‑
Wf=W‑W
+
其中,W是y因子的x类的正权重,NLPxy等于y因子的x类内的滑坡灾害点总数,TNLPy是每个y因子内的滑坡点总和,NSPxy代表y因子的x类中处于稳定状态的栅格数,TNSPy是稳定条‑件下y因子的总栅格数,W 是因子y的x类不存在时要分配的负权重,NLPny是因子y的其他n个类别中的滑坡点数量,NSPnyy表示y因子其它n个类别中的稳定栅格数,Wf为对比权重,LSIWOfE为滑坡危险性指数,Wfxy为条件因子y中x类的最终权重,n为条件因子总数。