• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

滑坡多源监测技术及预警模型研究进展与展望

朱淳,  龚逸非,  宋盛渊,  李海波,  何满潮

downloadPDF
文章导航 > 西南交通大学学报  > 优先出版
朱淳, 龚逸非, 宋盛渊, 李海波, 何满潮. 滑坡多源监测技术及预警模型研究进展与展望[J]. 西南交通大学学报. doi: 10.3969/j.issn.0258-2724.20230547
引用本文: 朱淳, 龚逸非, 宋盛渊, 李海波, 何满潮. 滑坡多源监测技术及预警模型研究进展与展望[J]. 西南交通大学学报. doi: 10.3969/j.issn.0258-2724.20230547
shu
ZHU Chun, GONG Yifei, SONG Shengyuan, LI Haibo, HE Manchao. Progress and Prospects of Landslide Multi-Source Monitoring Technology and Early Warning Model[J]. Journal of Southwest Jiaotong University. doi: 10.3969/j.issn.0258-2724.20230547
Citation: ZHU Chun, GONG Yifei, SONG Shengyuan, LI Haibo, HE Manchao. Progress and Prospects of Landslide Multi-Source Monitoring Technology and Early Warning Model[J]. Journal of Southwest Jiaotong University. doi: 10.3969/j.issn.0258-2724.20230547
shu

滑坡多源监测技术及预警模型研究进展与展望

doi: 10.3969/j.issn.0258-2724.20230547
  • 1.

    河海大学地球科学与工程学院，江苏 南京 211100

  • 2.

    中国矿业大学（北京）深部岩土力学与地下工程国家重点实验室，北京 100083

  • 3.

    吉林大学建设工程学院，吉林 长春 130012

  • 4.

    四川大学山区河流保护与治理全国重点实验室，四川 成都 610065

基金项目: 国家重点研发计划（2022YFC3080100）；国家自然科学基金项目（52104125、42177139）
详细信息
    作者简介:

    朱淳（1993—），男，教授，研究方向为大型岩质边坡变形破坏机制等，E-mail：zhu.chun@hhu.edu.cn

    通讯作者:

    龚逸非（1995—），男，助理研究员，研究方向为大型滑坡监测预警等，E-mail：gongyifei@hhu.edu.cn

  • 中图分类号: X935

Progress and Prospects of Landslide Multi-Source Monitoring Technology and Early Warning Model

  • 1.

    School of Earth Sciences and Engineering, Hohai University, Nanjing 211100, China

  • 2.

    State Key Laboratory for Geomechanics and Deep Underground Engineering, China University of Mining and Technology-Beijing, Beijing 100083, China

  • 3.

    College of Construction Engineering, Jilin University, Changchun 130012, China

  • 4.

    State Key Laboratory of Hydraulics and Mountain River Engineering, Sichuan University, Chengdu 610065, China

摘要

    摘要
  • 摘要:

    我国地质灾害频发，滑坡灾害因其种类多、察觉难、分布广、危害大等特点，造成的人员伤亡和财产损失位于各类地质灾害之首. 多源监测技术在滑坡预警、防灾减灾过程中起着至关重要的作用. 简要回顾多种滑坡监测技术的产生及发展历程；系统梳理近年来从滑坡的表观长期安全评估、深部牛顿力监测到微震信号感知的多源数据融合监测方法应用等一系列重要进展；概述了卫星监测智能识别技术、空天地一体化复合光纤滑坡监测技术以及NPR （negative poisson’s ratio anchor）深部牛顿力实时监测技术在滑坡识别解译、长期监测、应急响应等方面的应用研究；总结学者们在滑坡预警模型的最新成果和主要研究方向，对其评估方法及主要结论进行分类评述；分析讨论以现有滑坡监测数据为驱动，融合各类深度学习方法来预测滑坡的优势和主要存在的问题. 前沿的深度学习算法与滑坡灾变多参量高精度演化特征信息的深度融合，将引领智能化滑坡预警模型的研究迈向新的高度，成为未来探索的核心焦点.

     

    Abstract:

    Geological disasters occur frequently in China, among which landslide disasters, due to their multiple types, difficult detection, wide distribution, great harm, and other characteristics, result in casualties and property losses and are ranked as the first of all types of geological disasters. Multi-source monitoring technology plays a vital role in the process of landslide early warning, disaster prevention, and disaster mitigation. The emergence and development of a variety of landslide monitoring technologies were briefly reviewed. A series of important advances in recent years ranging from apparent long-term safety assessment of landslides and deep Newtonian force monitoring to the application of multi-source data fusion monitoring methods for micro-seismic signal sensing were systematized. The research applications of satellite monitoring-based intelligent identification technology, space-air-ground integrated composite fiber-optic landslide monitoring technology, and negative poisson’s ratio anchor (NPR) deep Newtonian force real-time monitoring technology in landslide identification and deciphering, long-term monitoring, and emergency response were outlined. The latest achievements and main research directions of scholars in landslide early warning models were summarized, and their assessment methods and main conclusions were classified and reviewed. The advantages and major problems of integrating various deep learning methods to predict landslides driven by existing landslide monitoring data were analyzed. The deep integration of cutting-edge deep learning algorithms with the multi-parameter high-precision evolutionary feature information of landslide catastrophes will lead the research of intelligent landslide warning models to a new level and become the core focus of future exploration.

     

    • HTML全文

  • 我国幅员辽阔，山地面积占到国土面积的70%[1]，是地质灾害频发的国家，其中，滑坡灾害发生频率最高. 根据近10年全国地质灾害通报数据，滑坡灾害共发生61475起，占所有地质灾害类型的68.6%[2]，每年因滑坡灾害而引起的人员伤亡和财产损失不计其数，滑坡灾害的识别与调查是防灾减灾工作的重要基础. 十九大以来，习近平总书记多次在不同场合就防灾减灾工作做出重要指示，提出“要建立高效科学的自然灾害防治体系，提高全社会自然灾害防治能力”的方针. 监测预警作为地质灾害防治的重要手段，国内外学者在滑坡监测技术体系以及预警模型方面进行了深入研究，取得了大量的研究成果.

    近年来信息化新技术与传统的监测预警技术不断融合，能够实时获得危险斜坡表观和深部的特征信息，如面向区域整体范围的全球导航卫星系统监测（GNSS）、合成孔径雷达干涉测量（InSAR）[3]等滑坡早期识别技术和面向局部单体对象长期监测的分布式光纤技术[4]. 初步形成了点-面、局部-整体的监测方法，能够对存在重大安全隐患的斜坡进行重点关注. 由于人工智能、数字孪生等新技术在各行业的发展，在融合多源监测数据的基础上，通过海量多源观测数据建立多层次、多层级地质灾害数据库[5]已经成为近年来发展的重点. 同时借助机器学习算法提高处理海量复杂数据时的鲁棒性、高效性及自主学习能力，实现对滑坡灾害数据库的深度挖掘及高效处理. 此类新技术构建了对潜在风险的斜坡分析评价、预报、预警的可靠技术体系.

    本文收集了Web of Science数据库有关“滑坡监测”技术相关的文献，在此基础上对各类主流技术的运用案例进行整理，以226篇高被引文献作为研究基础. 从发表国家和地区看，中国发表论文数量最多为135篇，体现了中国在滑坡灾害监测方面无论是在方法上还是实际运用中都居于较为领先的位置，紧随其后的是意大利、美国、日本、澳大利亚等地质灾害较为频发的国家. 从近5年来的高被引文章，结合中国目前广泛运用的合成孔径雷达（SAR）[6]、光学遥感和激光技术及其相关平台（星载、机载和地基）[7-9]等技术来看，多时相光学影像和时序SAR常被用于监测活动性滑坡[10]，机载LiDAR技术在古滑坡的识别中应用广泛[11]. 集成遥感、地质和地球物理勘探等多学科方法，依靠遥感技术提供地表信息，综合考虑岩土参数、地质特征和现场条件的多源数据分析的综合滑坡监测预警技术将会是未来发展趋势. Giordan等[12]介绍了无人机（UAV）作为一种快速获取区域详细图像并创建详细的三维模型的方法，在过去的十年中的总体发展及其在工程地质监测应用中的潜力. Shi等[13]的分布式光纤岩土体感知技术等均有较高的学术研究热度. 基于中国知网与Web of Science数据库，本文统计了2018年之后以“滑坡预警模型”“机器学习”为关键词，检索近5年发表的文章共184篇. 其中，滑坡早期智能识别[14]、滑坡易发性评价[15]及滑坡预测预报[16]为机器学习在滑坡灾害中应用的主要方向以及研究热点问题.

    本文以传统滑坡监测技术为切入点，结合目前滑坡监测的天、空、地、内[6]四位一体发展方向，全面阐述当前滑坡监测预警技术现状. 介绍了近年来我国在滑坡监测领域结合信息化、智能化不断产生的新技术，以及在预警模型理论、应用方面取得的成果.

    1.   滑坡监测的发展与现状

    滑坡监测预警模型研究一直是国内外关注的热点，现有研究主要从以下2个方面开展：1） 从滑坡的诱发条件入手，监测降雨以及结合边坡所在区域的地形地貌、岩土体性质、气象水文等孕灾条件制定降雨阈值是预测因降雨诱发滑坡的重要手段[17]；2） 从地表位移变形入手，传统的地表位移量测方法所用仪器包括裂缝计、倾斜仪、全站仪等[18]. 近10年以来，随着信息技术与传统监测技术的深度融合，通过先进制程芯片、低功耗通信模组和智能变频等技术的融合应用，形成了可靠高效的滑坡监测方法技术. 主要包括全球导航卫星系统监测法（GNSS）[19]、遥感监测法[20]、合成孔径雷达干涉法（InSAR）[21]、航空测量法、分布式光纤法[22]等. 滑坡深部位移变形监测相较于上述的地表变形监测技术，在测量精度和时间分辨率上具有更高优势，能更早发现滑坡剪切滑动力异常以及内部破裂等变化. 滑坡深部变形监测设备通常贴合在滑体钻孔内并穿过滑面，能够高效获取滑动面上力的变化规律或是变形信息，有效做出临滑预警. 同时，深部位移监测能够通过精准感知斜坡内部的变形场、位移场、力学场的变化，并最终与滑坡的启动机制和发展演化规律建立有效的联系.

    1.1   地貌气象水文监测技术

    极端降雨导致了我国90%的滑坡灾害，是滑坡的主要诱发因素[23]. 同时，在山区地带降雨常常呈现出空间异质的特性，即“山脚小雨，山上大雨”的情形. 尤其是山地地区存在的这种降雨空间异质性，通过地方气象预报站获得的降雨数据并不能准确反映存在潜在风险的斜/边坡是否达到降雨型滑坡发生的降雨阈值. 国内外学者对土质滑坡、岩质滑坡和变形体滑坡3大类分别建立了不同的降雨型滑坡监测预警模型，在认识滑坡变形破坏机理的同时提高了降雨量阈值精确度. 对于土质边坡，张利勇等[24]对黄土边坡进行监测分析，建立了适用于黄土边坡的滑坡安全预警系统，如图1（a）所示；通过多种传感器和监测手段（图1（b）所示），对坡体位移、土壤含水率等参数进行实时有效监测，能及时发现滑坡隐患点. 黄雯等[25]对湖南茶陵滑坡的特征和诱发因素进行研究，通过统计分析降雨预警临界值，针对茶陵县的地质和气象特征，实施滑坡安全预警. 分析了已有监测预警技术的不足以及未来的发展方向，以期为新技术的不断融合发展提供依据.

    图  1  降雨型边坡雨量装置及监测点布置[24]
    Figure  1.  Rainfall-type slope rainfall device and monitoring point layout[24]
    下载: 全尺寸图片 幻灯片

    张有会等[26]研究了铁路边坡稳定系数和降雨量之间的关系，通过统计降雨量数据与滑坡灾害发生情况，并考虑降雨入渗影响，建立基于连续累计降雨量或雨强为指标的滑坡警戒指标（如表1，其中，K为边坡稳定系数）. 孙徐[27]根据不同岩石的透水能力，基于边坡岩土构造、地下水、雨量等因素对岩质滑坡的统计学规律进行了研究，制定基于岩质边坡在降雨过程中入渗规律的预警阈值. 由于降雨最终影响的是岩土体中含水率、孔隙水压力等，所以部分研究者将降雨型滑坡预警工作的重心转移到此类指标对滑坡的影响，并以此建立滑坡预警判据，据此提高预警的准确性和适用性. 但滑坡变形受到内外部因素共同作用[28]，单纯通过斜坡降雨入渗规律建立评价体系无法成为可靠预警判据，需要结合斜坡位移及其相关衍生指标（位移、加速度、深部变形等）开展滑坡的监测预警工作.

    表  1  昆明铁路局威红线附近区段边坡降雨警戒值[26]
    Table  1.  Rainfall warning value of slopes near Weihong Line of Kunming Railway Bureau [16]
    警戒值 K 采取措施
    3 d 连续累计
    降雨量/mm    		 降雨强度/
    (mm•h−1)
    38 11 1.15≤K＜1.20 加强巡守
    56 16 1.10≤K＜1.15 固定看守
    89 25 1.05≤K＜1.10 固定看守（限速）
    113 32 K＜1.05 固定看守（限速）
    下载: 导出CSV 
    | 显示表格

    1.2   基于地面表观变形的滑坡天-空-地基监测

    滑坡的地表变形监测技术主要包含以GNSS [19]、InSAR[30]、航空摄影为代表的太空卫星遥感技术以及布置在滑坡表面利用地面标志物、观测站观测滑坡局部区域内的地形、水文、环境因子及其变化特征的地基测量技术（表2）.

    表  2  地表变形监测技术及其特点
    Table  2.  Surface deformation-based monitoring technology and characteristics
    监测技术 测量精度 适用条件 优缺点
    天基 GNSS[29] mm～cm 级 适用于较大区域滑坡的长期观测 　受飞行高度、地形、植被和大气延迟误差等影响，数据后处理较复杂
    InSAR[28] mm～cm 级 　大范围、长周期观测包括坡表沉降、裂缝等
    空基 航空摄影[38] mm～m 级 小区域的三维快速测量 受到复杂地形条件影响
    机载LiDAR[39] mm～m 级 小区域精确测量 受植被影响小，测量精准
    地基 GB-InSAR[52] 亚 mm 级 全天候、实时监测滑坡区域的变形 受环境对监测结果的影响较大
    自动全站仪[53] 0.5～5 mm 　适于较小范围内处于加速变形阶段前的滑坡 受通视条件、大气条件和植被影响
    裂缝计[54] 　适于较小范围内处于加速变形阶段的滑坡 埋深过程较为繁琐
    分布式光纤[22] 0.01 mm 级 　适于长距离、大范围滑坡体宏观实时监测 连续监测，灵敏度高，成本较高
    三维激光
    扫描[45]    		 mm 级 　适于滑坡不同变形阶段 地表三维空间位移与沉降等地貌变形监测 成本高，数据处理复杂
    地震仪微震
    监测[54]    		 cm～m 级 区域性大范围岩质边坡局部破裂 　信号分析较为繁琐，地震事件和滑坡变形的关系有待明确
    下载: 导出CSV 
    | 显示表格
    1.2.1   基于天基监测技术的滑坡灾害识别

    1） 全球导航卫星系统（GNSS）. GNSS技术相比于传统地面测绘技术，由于其全天时、全天候、无需通视等优势，在地质灾害监测领域具有广泛的应用前景，尤其是其连续的变形序列信息为滑坡的预测预警提供可靠保障[31]. 随着我国北斗卫星导航系统的组网成功以及基础地理信息库的建立，GNSS变形监测技术在我国滑坡变形监测领域得到了广泛的应用. 肖玉钢等[32]基于我国的北斗卫星导航系统，改进了TurboEdit方法，给出独立双差观测值搜索方法，达到平面1 mm、高程2 mm以内的精度水平. 黄观文等[33]基于北斗导航系统研制的北斗云新型滑坡实时监测系统，连续监测结果与全站仪精密测量结果进行了比对，两者在水平方向和高程方向上精度符合度优于3 mm，成功验证了其监测系统的适用性.

    2） 合成孔径雷达干涉测量（InSAR）. InSAR技术的主要利用覆盖同一区域不同时刻的两景或多景复数影像，通过共轭相乘得到干涉信号，提取出三维地形信息，获取地表发生的微小形变信息. 余斌等[34]利用SAR偏移量观测值基于改进的时序InSAR解算法提取灾害-灾后的年平均蠕滑速率场，为评估滑坡的状态提供参考. 国内外学者对SAR/InSAR滑坡形变预测的研究日益增多，但目前对于滑坡发生前预报成功的案例较少，基本集中在滑坡的早期识别方面.

    1.2.2   基于空基技术的滑坡灾害识别

    近年来发展出了以无人机航空摄影和激光扫描技术的非接触式监测技术[35]. 无人机搭载包括位置测量系统、姿态测量系统、激光测距系统（点云获取）、数码相机（影像获取）等设备，在低空进行拍摄具有不受云层遮挡的优势，能快速获取大范围的高清晰度图像，这使得其在某些技术如GNSS、InSAR等无法有效工作的环境下，依然能够发挥重要作用[36-37]. 相较于传统的垂直航空摄影，无人机倾斜摄影能够从多个视角捕捉地物，从而获得更为详尽的地面信息. 利用机载激光雷达（LiDAR）不仅可获取高分辨率（mm级）的点云数据，能够对植被茂密地区具有潜在风险（裂缝、滑坡边界）的边坡等进行较为准确的识别，同时为地表和建构筑物室外三维模型构建提供高分辨率的点云[38].

    1.2.3   基于地基监测技术的滑坡灾害监测

    1） 地表裂缝监测. 对滑坡体变形过程中地表形成的张拉裂缝进行监测是最直观、简单且有效的方式. 许强等[39]根据黄土滑坡破坏过程变形量小、历时短等特点，自主研发了采样频率自适应智能变频裂缝计和地质灾害实时监测预警系统，先后6次成功预警甘肃黑方台滑坡，弥补了GNSS系统和裂缝计等传统监测手段难以完整监测加速变形阶段预警的缺陷.

    2） 分布式光纤. 近年来，光纤感测技术在滑坡监测中被广泛应用，国内外学者通过融合多种光纤感测技术开展滑坡地下多源多场监测，实现地下多源监测数据的感知与表征，以及多场间互馈关系的全面认知[40]. Zhang等[41-42]以三峡库区典型库岸边坡为例建立了基于分布式光纤传感（DFOS）技术的多场多参量监测系统，实现全分布式监测系统全局监测，为DFOS技术在滑坡孕育机制判定与预警治理措施等多方面的运用场景提供参考.

    3） 地面三维激光扫描技术. 该技术具有全自动和非接触等诸多优势[43-44]，主要原理是通过发射脉冲激光，对被测物体表面进行扫描，激光接收器记录每个激光脉冲从发出到反射所用时间以及每个激光脉冲的发射角度，利用时间原理计算出激光点在被测物体上的三维坐标，获得具有三维坐标的激光点云数据[45]. 在获取地形地貌数据方面具有很强的应用价值[46]，梁玉飞等[47]通过三维激光点云能快速获取滑坡边界岩体结构信息，为滑坡成因分析提供数据基础. Li等[48]基于地面激光扫描的震后高岩边坡地质调查与不稳定岩块运动监测.

    4） 地震仪微震监测. 微震监测多用在岩质边坡的稳定性分析方面，是一种通过监测能量的释放判断岩质边坡微破裂的尺度，来确定对岩质边坡稳定性影响的技术（如图2，图中：S1～S4为测点，R1～R4为到相应测点的半径）. 刘兴宗等[49]等在结合已有常规监测技术上，结合对大岗山水电站微震监测结果，对蓄水过程中右岸岩质边坡的破裂演化进行了分析. 微震监测也常常与地表变形监测结合，对于高陡岩质边坡内部岩石破裂做出预警，与地表监测形成互反馈，在矿山边坡和地质灾害预警中都得到广泛的运用. 刘秀敏等[50]等采用自主研发的中科微震监测技术，设定监测周期，分析岩石破裂释放的微震信号及能量特征，对其时空分布规律进行探讨. 盛敏汉等[51]布置30套地震仪对汶川地震后持续变形的西山村滑坡进行地震信号监测，由微震时间获取滑坡活动变形模式，监测结果表明，由辐射地震信号确定的不稳定区域和滑坡体的运动和内部变形区域吻合. 地震学监测方法有效可行，实现了对现有监测技术的有力补充.

    图  2  基于微震监测的滑坡风险预警
    Figure  2.  Landslide risk warning based on micro-seismic monitoring
    下载: 全尺寸图片 幻灯片

    1.3   基于深部变形的滑坡内部监测

    深部变形监测能够有效对地表变形监测技术进行补充，实现立体化监测. 表3中为常见的滑坡深部变形监测技术，主要包括TDR、多点位移计、钻孔测斜、声发射等. 其他滑坡深部变形监测设备相较于上述几种存在一定的技术局限，使用场景较少. 虽然深部变形监测在精确性和时间上相较于地表变形监测存在一定优势，但是上述技术中大都采用点式、金属器件传感器进行监测，且大多需要在斜坡上打入钻孔进行布设. 由于地质灾害的规模性和突发性，单一监测手段获取的单一物理场（变形、渗流、温度、应力）数据往往具有一定的离散性，且设备价格昂贵，维护成本较高，相较于地面表观变形监测技术，滑坡体基监测难以大规模使用.

    表  3  滑坡深部变形监测技术及其特点
    Table  3.  Deep deformation-based landslide monitoring technology and characteristics
    监测技术 测量精度 适用条件 优缺点
    TDR[55] mm～cm 级，精度随线缆长度衰减 　适于滑面倾角较小的滑坡滑面位置与深部位移监测，以及滑坡治理效果评价 　监测成本低、滑面定位准确，无法确定滑动方向和倾斜状态，对均匀变形的敏感度较差
    多点位移计[56] 高 　适于滑面倾角较小的滑坡 量程较小，难以精准确定滑动方向
    钻孔测斜 高，0.1 mm 级 　适于滑坡滑体初始变形和等速变形阶段下，滑坡不同深度的变形监测 　成本高，当滑坡变形较大时，易造成测管毁坏
    声发射[57] 高，0.01 mm 级 　监测滑坡的极缓慢变形. 适用于岩质滑坡监测 连续监测、成本低、灵敏度高
    下载: 导出CSV 
    | 显示表格

    声发射技术在监测岩质滑坡上具有其独特的适用性[57]. 声发射监测技术（图3）相比于传统滑坡深部变形监测具有成本低、灵敏可靠和实时连续等特点，能实现滑坡等地质灾害的早期预警. 声发射技术通过实时监测内部物理参数变化能够反演滑坡内部的损伤演化状态（微震活动）. 声发射从滑坡孕育期开始连续监测，从能量角度分析岩土体的损伤部分能量，伴随着滑坡变形破坏的全过程，识别岩土损伤破坏过程中产生的声发射弹性波[58]. 声发射技术能监测到边坡位移和速度的微小变化，相较于地表变形监测预警在精度上具有显著优势.

    图  3  边坡声发射监测及布置示意[57]
    Figure  3.  Slope acoustic emission monitoring and layout[57]
    下载: 全尺寸图片 幻灯片

    传统监测预警系统只能监测和预警，不兼顾加固和治理的功能. 在近10年来新材料新工艺的蓬勃发展下，使得滑坡监测预警技术和加固防治一体化成为可能. 何满潮等[59]提出了地质体灾变牛顿力变化定律，研制了具有负泊松比的滑坡恒阻大变形监测的锚索（NPR锚索及监测过程，如图4）. 结合现代通讯与计算机技术，通过滑坡牛顿力变化的远程实时监测预警装备系统和大数据分析技术，真正做到从监测数据-数据分析-临滑预警的全过程滑坡牛顿力远程监测预警系统（图5），广泛运用于矿山开采边坡、滑坡灾害预警等各方面. 形成一个统一有效的监测、预警、加固、防治一体化防控体系，大大降低边坡治理成本.

    图  4  NPR大变形缆索和边坡岩体相互作用及监测过程[59]
    Figure  4.  Interaction and monitoring process of NPR large deformation cable and slope rock mass[59]
    下载: 全尺寸图片 幻灯片
    图  5  监测加固一体化系统及监测中心效果示意[59]
    Figure  5.  Monitoring and reinforcement integrated system and monitoring center effect[59]
    下载: 全尺寸图片 幻灯片

    1G/2G-NPR锚索的滑坡监测加固一体化技术主要包括室外、室内2个防控系统. 室外防控系统设备集成1G/2G-NPR锚索、牛顿力数据采集系统、信号传输-发送系统及供电系统，如图5所示. 1G/2G-NPR是针对岩土体大变形破坏而专门设计的一种集加固、监测和预警于一体的通讯锚索. 其中，1G-NPR锚索是基于受拉时负泊松比材料在弹性范围内横向发生膨胀，可以提供高恒阻，大变形的支护构件；2G-NPR锚索通过在钢水中加入微观NPR晶体，使NPR晶体和PR晶体合理配比组成混合体，研制出具有负泊松比效应的微观NPR钢，继而研发出了第二代NPR锚索[59].

    1G/2G-NPR锚索依靠其本身的高恒阻和大变形特性就可以保证滑坡发生过程中不被拉断从而失效，避免监测系统失效的事故. 1G-NPR锚索最大恒阻力为850 kN，最大变形量3000～4000 mm；2G-NPR锚索最大恒阻力为350 kN，延伸率为18%，其适用场景如图5（a）所示. 室内防控系统由数据接收设备、数据处理软件系统、数据显示系统组成（图5（b））. 接收-处理软件用于和硬件接收设备进行通信，将接收设备传来的数据存入数据库，进行分类汇总和计算处理，便于用户查询和检索，并且利用图表绘制软件实时绘制“下滑力-时间”监测曲线（图5（c））.

    1.4   基于多源数据融合的滑坡监测技术

    滑坡灾害存在变形缓慢且形变类型复杂多样的特点，特定的某一种监测模式和单一的指标很难精准监测，将多源数据融合进同一远程滑坡灾害监测平台（如图6）. 形成天-空-地-体全维度，点-面-体监测融合、形变-温度场与水文数据综合等多源异构数据的融合全覆盖，在空间、监测参数和功能上达到协同优势互补[60-61]，这些已成为未来滑坡监测的趋势（如图7）. 随着我国自主研发的北斗全球导航卫星的组网成功，北斗卫星导航系统在时间和空间上可用性更强，在复杂山区地质灾害监测预警环境中使用的低功耗低成本的高精度自适应多参数一体化GNSS智能终端存在显著的优势. 近年来，基于机器学习的滑坡智能解译蓬勃发展，对光学遥感、InSar等相关多源异构遥感影像数据的变化进行检测，通过机器学习方法逐渐实现对滑坡隐患的智能化快速化识别[62]，同时可以对滑坡的易发性评价与区划[63].

    图  6  空-天-地-体多源数据滑坡监测预警平台
    Figure  6.  Space-air-ground-body multi-source data landslide monitoring and early warning platform
    下载: 全尺寸图片 幻灯片
    图  7  滑坡多源数据监测常用技术示意[60]
    Figure  7.  Common technologies of landslide multi-source data monitoring[60]
    下载: 全尺寸图片 幻灯片

    近年来，基于滑震信号的滑坡事件监测技术成为预警和反演大型灾难性滑坡的热点，其主要手段是通过数字地震台网对滑坡造成的震动波形实现定量观测. 通过识别滑坡岩石间碰撞摩擦产生的高频信号和加减速的低频信号来进行滑坡运动状态的精确监测. Ekström等[64]通过巴基斯坦北部的罕萨-阿塔巴德滑坡产生的长周期信号对其进行了定位，验证了通过监测大型滑坡产生的长周期信号发现偏远地区灾害事件的可行性. Li等[65]分析了茂县滑坡0.01～0.10 Hz宽频带地震记录，确认滑坡发生的位置，计算得到了茂县滑坡的2个运动阶段，以及滑体运动速度、距离. Zhang等[66]通过反演白格滑坡周围10～225 km的5个宽频带地震台的长周期地震信号，通过受力-时间函数和频谱图，反演出滑坡运动过程以及每个阶段滑坡的基底摩擦系数. 许世民[67]通过地震信号对纳雍普洒村崩塌、新磨村滑坡、鸡尾山滑坡和水城滑坡典型崩滑-碎屑流灾害进行了研究，为将来通过滑坡发生前夕的地震信号做出及时预警提供参考. 目前，地震信号监测、接收主要运用于滑坡运动的反演，在实现实时监测-临滑预警方面值得探索.

    2.   预警模型的建立

    2.1   降雨型滑坡预警模型

    降雨作为滑坡灾害发生的主要诱发因素，早期区域性降雨滑坡的预警模型的建立往往是根据历史降雨数据与滑坡灾害的统计关系来设定降雨阈值[68]，从而实现预警. 早期降雨模型在确定滑坡发生的时间概率上具有优势，需要整合地质环境要素信息才能实现精准预警. 在提高预警精准度上，宋宇飞等[69]提出以贝叶斯公式为基础的降雨型滑坡的概率预警模型，并从成本效益和预警效果两方面探讨该模型对于实现区域降雨型滑坡精细化预警的可行性. 刘艳辉等[70]以福建省为研究区，以地质气象数据为训练样本，使用随机森林机器学习算法进行预警实况运行与校验. 降雨预警模型应用广泛，主要适用于大范围趋势性预警，预警的精度和时效性上尚需要提高，目前逐渐向分级、分区、分类的精细化方向发展. 国内外学者分别建立了针对于滑坡体岩土结构的预警模型，主要有土质滑坡（堆积体、黄土、黏土、残积层）、岩质滑坡、变形体滑坡安全预警模型3大类. 张真[71]研究了陕北黄土滑坡的雨水入渗规律，以吴起黄土边坡降雨历时曲线考虑了降雨强度、坡比和入渗速度等因素，建立均质黄土边坡的综合安全预警模型（如图8，图中：I为降雨量，D为时间）.

    图  8  陕北黄土滑坡[71]
    Figure  8.  Loess landslide in northern Shaanxi[71]
    下载: 全尺寸图片 幻灯片

    吴益平等[72]对滑坡易发性岩组进行分级，基于有效降雨强度作为边坡失稳的关键性参数，得到高、中、低易发岩组，建立不同岩组（块状、层状结构硬岩体、软硬互层岩体、层状结构软岩、散体结构）所对应的有效降雨强度阈值和滑坡的易发程度和降雨相互耦合的安全预警系统. 对于蠕变变形体，朱少帅[73]通过分析水电站岸坡变形体的变形监测数据（累计降雨量、库水位），建立岸坡变形预警信息模型，对蠕滑型变形体的发育过程有效预警预报. 对降雨型滑坡而言，厘清降雨作用对坡体影响的滞后性以及各要素（不同的坡面结构、植被覆盖率和植被种类等）对雨水入渗速率的影响能有效提高预警模型准确率. 随着对不同滑坡发生机理更深入的研究，降雨型滑坡安全预警模型将会逐渐从具有普适性的安全预警模型逐渐转向有针对性的面向不同岩土类型因地制宜地建立安全有效的降雨型滑坡预警系统.

    2.2   多参数单体滑坡预警

    目前，滑坡预警研究关注历史数据的趋势性统计分析，一般基于变形、降雨等关键参数的变化规律（频率、强度、周期性和累积效应等）给出预警模型和判据，例如根据滑坡加速变形阶段划分的过程预警模型. 我国建立边坡变形四级预警机制[74]，基于危险边坡目前所处的变形演化阶段，划分预警等级. 初始变形阶段对应四级（绿色）预警，等速变形阶段对应三级（黄色）预警，加速变形阶段对应滑坡二级（橙色）预警，加速（临滑）阶段对应滑坡一级（红色）预警（如图9）.

    图  9  我国的边坡四级预警机制与预警等级划分示意
    Figure  9.  China’s slope four-level early warning mechanism and early warning level division
    下载: 全尺寸图片 幻灯片

    在阈值预警研究方面，基于岩土材料变形演化规律作为滑坡预警的一般依据，Saito[75]基于大量试验统计分析，提出滑坡蠕滑渐变破坏的三阶段变形理论. 先后有数十名学者结合数学的发展采用不同的数学方法针对不同类型的滑坡设定分阶段预警和各类阈值体系[76-85]. 许强[61]对国内外数十处具有完整变形监测曲线的滑坡分析研究，提出在预警实践中不能简单依靠位移阈值而应该主要有位移-时间曲线实施预警.

    近年来，机器学习推动了滑坡的防灾减灾不断向智能化发展，主要运用在滑坡的早期智能识别、滑坡的易发性评估、滑坡预测预报方面[86-87]，这三者层层发展. 对于滑坡的早期识别，传统的人工释译成本高，工作量大，且大量滑坡灾害发生在艰险山区，不易到达，机器学习在解析卫星影像光谱、纹理特征等方面具有巨大优势，能自动识别滑坡且精度高、效率高[88-90]，常用的滑坡预测解译机器学习模型如表4所示.

    表  4  常用滑坡预测解译机器学习模型
    Table  4.  Common machine learning models for landslide prediction and interpretation
    常用滑坡解译模型 优点 缺点
    逻辑回归 学习成本较低、易于理解和实现 　发生欠拟合现象、分类精度可能不高
    决策树 适合评价离散小规模样本 　评价大量连续变量和多类别样本效果欠佳
    人工神经网络 准确度高、学习能力强 　需要大量参数，学习时间过长，评价结果不稳定
    支持向量机 结果易解释 　崩塌滑坡易发性，存在运行时间较长、存在过拟合的问题
    集成算法（bagging、随机森林、boosting、stacking） 对样本数量要求较低 　在某些噪音值较大的样本来进行危险性评价时可能会发生过拟合现象
    深度学习 学习能力强、覆盖范围广 　准确性受样本数量的影响较大
    下载: 导出CSV 
    | 显示表格

    在滑坡的易发性评估方面，机器学习逐渐在处理分析滑坡位移监测数据、分析加速度信号等方面提供完善的技术手段（如图10[91]）. 根据指定地形条件下评估区域内多诱发因素导致滑坡的概率[92-93]. 同时，对于正在变形的滑坡区，利用基于的深度机器学习方法可以对其较好地进行自动识别，例如，以贵州省已排查出的部分地质灾害隐患点的影像资料为学习样本，利用卷积神经网络进行学习，基于学习结果对其他区域地质灾害隐患进行自动识别，其识别正确率可达80%左右.

    图  10  可解释性机器学习在滑坡地质灾害中的研究框架[91]
    Figure  10.  Research framework of interpretable machine learning in landslide disasters[91]
    下载: 全尺寸图片 幻灯片

    近年来，基于各类深度学习算法改进优化下的滑坡变形预测模型层出不穷，基于机器学习的非线性预测方法因其强大的非线性映射能力在滑坡变形预测领域越来越受欢迎[94-98]. Guo等[99]提出了一种基于小波分析和由灰狼算法的优化神经网络预测模型，对三峡库区藕塘滑坡位移实现精准预测. Liu等[100]基于神经网络模型结合滑坡受内外动力作用的敏感性状态，预测了白水河滑坡位移. 张梦涵等[101]结合全国618个边坡案例，选取6个典型参数建立边坡稳定性评价数据集，采用机器学习理论中的梯度提升机、支持向量机、人工神经网络及随机森林算法分别建立边坡稳定性预测模型，并基于特征参数敏感程度提出了针对不同敏感因素的边坡防护措施. 运用机器学习来评价滑坡的易发性是近两年国际上地球科学领域前十的研究热点. 通过机器学习寻找数据内在的隐藏关系来实现滑坡的预测预报. 但是，目前的机器算法主要依赖于气象数据，较少考虑复杂的滑坡内部演化机理，预测精度较低，所以发展前景较大[102-105]. 机器学习算法以已经发生的滑坡数据作为驱动来预测未发生的滑坡对数据依赖很大[91]，但由于滑坡的样本库较少，难以获取较高的训练模型精度，同时缺乏融合滑坡灾害的专用人工智能算法或专用深度学习框架. 下一阶段探索的方向将是先进的机器学习技术交叉融合各类监测信息（环境、气象、水文地质）的智能化滑坡预警模型.

    3.   结论与展望

    3.1   结　论

    滑坡灾害作为占比最大危害严重的地质灾害，有效的监测预警对于提高灾害防治和应急处理能力具有重大意义. 本文系统回顾了多种监测技术的产生、发展，介绍了通过空基-天基-地基的滑坡表观长期安全监测到深部位移、微震信号监测等多源数据融合监测方法及其各自的优缺点和适用范围，梳理了降雨型滑坡预警模型的优势和基于机器学习的多参数融合滑坡预警潜力，得出以下结论：

    1） 滑坡表观长期安全监测具有成本低、精度高的特点，在滑坡早期识别确定滑坡危险区域方面具有显著优势，可以实现对滑坡从开始滑动到失稳阶段的全过程监测，单数据、图像解译较为繁琐，与先进的机器学习技术交叉融合是近年来的研究热点问题.

    2） 深部位移、微震信号监测成本较高，但是相比地表位移监测，在精确性和时间上具有优势，地震信号捕捉在监测岩质边坡方面具有显著优势，但滑坡深部监测同时存在内部多场信息监测数据缺乏平台整合，数据融合分析挖掘效果较差，且存在滑坡大变形后设备损坏数据丢失的问题.

    3） 在滑坡预警实践中已经依靠雨量、位移等阈值过渡到通过位移-时间曲线实施预警，基于滑坡样本数据的解释性机器学习方法在滑坡灾害预警中也越来越成熟.

    3.2   展　望

    1） 逐渐从单点式串联监测过渡为智能全覆盖网络化监测；从依靠单一指标（如早期制定降雨阈值）的单点滑坡监测发展为同时整合深部变形、地表变形、降雨水文变化等诱发条件，并且形成天-空-地-体一体化多维度监测体系. 大范围、高精度、智能化和多源数据融合是未来的滑坡监测体系的发展方向.

    2） 对于GNSS和InSAR等的监测图像识别和多源监测数据的采集后处理问题，如何快速实现智能批量自动分析，将监测数据整合以及选用精确预警模型实现自动化分析处理，并输出简明的判定结果还有待探索. 尤其是将岩质边坡变形破坏的复杂地质力学机理交叉融合先进的机器学习技术，实现智能化预警模型有待进一步发展.

    3） 在滑坡灾害防灾减灾中，通过监测手段确定边坡状态，实现提前感知预警，达到滑坡灾害有效防控是最终目的. 因此，通过建立基于复杂滑坡地质力学模式的预警判据，来指导开展多源数据的滑坡监测，针对不同类型的滑坡分类确定监测数据类型，兼顾考虑气象因素，划分预警指标确定相应阈值. 结合滑坡海量数据、人工智能算法制定预警模型，实现边坡变形图像智能识别和监测数据误差自校正，精准快速掌握边坡（变形体）变形发展动态演化全过程.

  • 图 1  降雨型边坡雨量装置及监测点布置[24]

    Figure 1.  Rainfall-type slope rainfall device and monitoring point layout[24]

    下载: 全尺寸图片 幻灯片

    图 2  基于微震监测的滑坡风险预警

    Figure 2.  Landslide risk warning based on micro-seismic monitoring

    下载: 全尺寸图片 幻灯片

    图 3  边坡声发射监测及布置示意[57]

    Figure 3.  Slope acoustic emission monitoring and layout[57]

    下载: 全尺寸图片 幻灯片

    图 4  NPR大变形缆索和边坡岩体相互作用及监测过程[59]

    Figure 4.  Interaction and monitoring process of NPR large deformation cable and slope rock mass[59]

    下载: 全尺寸图片 幻灯片

    图 5  监测加固一体化系统及监测中心效果示意[59]

    Figure 5.  Monitoring and reinforcement integrated system and monitoring center effect[59]

    下载: 全尺寸图片 幻灯片

    图 6  空-天-地-体多源数据滑坡监测预警平台

    Figure 6.  Space-air-ground-body multi-source data landslide monitoring and early warning platform

    下载: 全尺寸图片 幻灯片

    图 7  滑坡多源数据监测常用技术示意[60]

    Figure 7.  Common technologies of landslide multi-source data monitoring[60]

    下载: 全尺寸图片 幻灯片

    图 8  陕北黄土滑坡[71]

    Figure 8.  Loess landslide in northern Shaanxi[71]

    下载: 全尺寸图片 幻灯片

    图 9  我国的边坡四级预警机制与预警等级划分示意

    Figure 9.  China’s slope four-level early warning mechanism and early warning level division

    下载: 全尺寸图片 幻灯片

    图 10  可解释性机器学习在滑坡地质灾害中的研究框架[91]

    Figure 10.  Research framework of interpretable machine learning in landslide disasters[91]

    下载: 全尺寸图片 幻灯片

    表  1  昆明铁路局威红线附近区段边坡降雨警戒值[26]

    Table  1.   Rainfall warning value of slopes near Weihong Line of Kunming Railway Bureau [16]

    警戒值 K 采取措施
    3 d 连续累计
    降雨量/mm    		 降雨强度/
    (mm•h−1)
    38 11 1.15≤K＜1.20 加强巡守
    56 16 1.10≤K＜1.15 固定看守
    89 25 1.05≤K＜1.10 固定看守（限速）
    113 32 K＜1.05 固定看守（限速）
    下载: 导出CSV

    表  2  地表变形监测技术及其特点

    Table  2.   Surface deformation-based monitoring technology and characteristics

    监测技术 测量精度 适用条件 优缺点
    天基 GNSS[29] mm～cm 级 适用于较大区域滑坡的长期观测 　受飞行高度、地形、植被和大气延迟误差等影响，数据后处理较复杂
    InSAR[28] mm～cm 级 　大范围、长周期观测包括坡表沉降、裂缝等
    空基 航空摄影[38] mm～m 级 小区域的三维快速测量 受到复杂地形条件影响
    机载LiDAR[39] mm～m 级 小区域精确测量 受植被影响小，测量精准
    地基 GB-InSAR[52] 亚 mm 级 全天候、实时监测滑坡区域的变形 受环境对监测结果的影响较大
    自动全站仪[53] 0.5～5 mm 　适于较小范围内处于加速变形阶段前的滑坡 受通视条件、大气条件和植被影响
    裂缝计[54] 　适于较小范围内处于加速变形阶段的滑坡 埋深过程较为繁琐
    分布式光纤[22] 0.01 mm 级 　适于长距离、大范围滑坡体宏观实时监测 连续监测，灵敏度高，成本较高
    三维激光
    扫描[45]    		 mm 级 　适于滑坡不同变形阶段 地表三维空间位移与沉降等地貌变形监测 成本高，数据处理复杂
    地震仪微震
    监测[54]    		 cm～m 级 区域性大范围岩质边坡局部破裂 　信号分析较为繁琐，地震事件和滑坡变形的关系有待明确
    下载: 导出CSV

    表  3  滑坡深部变形监测技术及其特点

    Table  3.   Deep deformation-based landslide monitoring technology and characteristics

    监测技术 测量精度 适用条件 优缺点
    TDR[55] mm～cm 级，精度随线缆长度衰减 　适于滑面倾角较小的滑坡滑面位置与深部位移监测，以及滑坡治理效果评价 　监测成本低、滑面定位准确，无法确定滑动方向和倾斜状态，对均匀变形的敏感度较差
    多点位移计[56] 高 　适于滑面倾角较小的滑坡 量程较小，难以精准确定滑动方向
    钻孔测斜 高，0.1 mm 级 　适于滑坡滑体初始变形和等速变形阶段下，滑坡不同深度的变形监测 　成本高，当滑坡变形较大时，易造成测管毁坏
    声发射[57] 高，0.01 mm 级 　监测滑坡的极缓慢变形. 适用于岩质滑坡监测 连续监测、成本低、灵敏度高
    下载: 导出CSV

    表  4  常用滑坡预测解译机器学习模型

    Table  4.   Common machine learning models for landslide prediction and interpretation

    常用滑坡解译模型 优点 缺点
    逻辑回归 学习成本较低、易于理解和实现 　发生欠拟合现象、分类精度可能不高
    决策树 适合评价离散小规模样本 　评价大量连续变量和多类别样本效果欠佳
    人工神经网络 准确度高、学习能力强 　需要大量参数，学习时间过长，评价结果不稳定
    支持向量机 结果易解释 　崩塌滑坡易发性，存在运行时间较长、存在过拟合的问题
    集成算法（bagging、随机森林、boosting、stacking） 对样本数量要求较低 　在某些噪音值较大的样本来进行危险性评价时可能会发生过拟合现象
    深度学习 学习能力强、覆盖范围广 　准确性受样本数量的影响较大
    下载: 导出CSV
    • 参考文献(105)
  • [1] 自然资源部地质灾害技术指导中心. 全国地质灾害通报(2012-2021) [Z],[2023-10-01].
    [2] 彭建兵,崔鹏,庄建琦. 川藏铁路对工程地质提出的挑战[J]. 岩石力学与工程学报,2020,39(12): 2377-2389.

    PENG JianBing, CUI Peng, ZHUANG Jianqi. Challenges to engineering geology of Sichuan—Tibet railway[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(12): 2377-2389.
    [3] 孙云强,邱鑫鹏,陈常勇,等. GNSS和InSAR约束的2023积石山Ms6.2地震同震滑动分布[J]. 地震工程学报,2024,46(4): 867-879.

    SUN Yunqiang, QIU Xinpeng, CHEN Changyong, et al. GNSS and InSAR derived coseismic slip distribution of the 2023 Jishishan Ms6.2 earthquake[J]. China Earthquake Engineering Journal, 2024, 46(4): 867-879.
    [4] 徐靓,程刚,朱鸿鹄. 基于空天地内一体化的滑坡监测技术研究[J]. 激光与光电子学进展,2021,58(9): 0900006.1-0900006.14.

    XU Liang, CHENG Gang, ZHU Honghu. Research review of landslide monitoring methods based on integration of space-air-ground-interior[J]. Laser & Optoelectronics Progress, 2021, 58(9): 0900006.1-0900006.14.
    [5] 张凯翔. 基于“3S”技术的地质灾害监测预警系统在我国应用现状[J]. 中国地质灾害与防治学报,2020,31(6): 1-11.

    ZHANG Kaixiang. Review on geological disaster monitoring and early warning system based on “3S” technology in China[J]. The Chinese Journal of Geological Hazard and Control, 2020, 31(6): 1-11.
    [6] LIU Z J, QIU H J, ZHU Y R, et al. Efficient identification and monitoring of landslides by time-series InSAR combining single- and multi-look phases[J]. Remote Sensing, 2022, 14(4): 1026.1-1026.24.
    [7] CASAGLI N, INTRIERI E, TOFANI V, et al. Landslide detection, monitoring and prediction with remote-sensing techniques[J]. Nature Reviews Earth & Environment, 2023, 4: 51-64.
    [8] XU Q, ZHAO B, DAI K R, et al. Remote sensing for landslide investigations: a progress report from China[J]. Engineering Geology, 2023, 321: 107156.1-107156.26.
    [9] 刘斌,张丽,葛大庆,等. 陆地探测-1号卫星滑坡大变形InSAR监测应用[J]. 武汉大学学报(信息科学版),2024,49(10): 1753-1762.

    LIU Bin, ZHANG Li, GE Daqing, et al. Application of InSAR monitoring large deformation of landslides using lutan-1 constellation[J]. Geomatics and Information Science of Wuhan University, 2024, 49(10): 1753-1762.
    [10] 杨正荣,喜文飞,史正涛,等. 基于SBAS-InSAR技术的白鹤滩水电站库岸潜在滑坡变形分析[J]. 中国地质灾害与防治学报,2022,33(5): 83-92.

    YANG Zhengrong, XI Wenfei, SHI Zhengtao, et al. Deformation analysis in the bank slopes in the reservoir area of Baihetan Hydropower Station based on SBAS-InSAR technology[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(5): 83-92.
    [11] WANG D Y, ZHU H H, WANG J, et al. Characterization of sliding surface deformation and stability evaluation of landslides with fiber–optic strain sensing nerves[J]. Engineering Geology, 2023, 314: 107011.1-107011.16.
    [12] GIORDAN D, ADAMS M S, AICARDI I, et al. The use of unmanned aerial vehicles (UAVs) for engineering geology applications[J]. Bulletin of Engineering Geology and the Environment, 2020, 79(7): 3437-3481. doi: 10.1007/s10064-020-01766-2
    [13] SHI B, XU X J, WANG D, et al. Study on BOTDR-based distributed optical fiber strain measurement for tunnel health diagnosis[J]. Chinese Journal of Rock Mechanics and Engineering, 2005, 24(15): 2622-2628.
    [14] ZHANG Y G, TANG J, HE Z Y, et al. A novel displacement prediction method using gated recurrent unit model with time series analysis in the Erdaohe landslide[J]. Natural Hazards, 2021, 105(1): 783-813. doi: 10.1007/s11069-020-04337-6
    [15] ZHANG W G, LI H R, TANG L B, et al. Displacement prediction of Jiuxianping landslide using gated recurrent unit (GRU) networks[J]. Acta Geotechnica, 2022, 17(4): 1367-1382. doi: 10.1007/s11440-022-01495-8
    [16] YANG B B, YIN K L, LACASSE S, et al. Time series analysis and long short-term memory neural network to predict landslide displacement[J]. Landslides, 2019, 16(4): 677-694. doi: 10.1007/s10346-018-01127-x
    [17] 李高,谭建民,王世梅,等. 滑坡对降雨响应的多指标监测及综合预警探析:以赣南罗坳滑坡为例[J]. 地学前缘,2021,28(6): 283-294.

    LI Gao, TAN Jianmin, WANG Shimei, et al. Multi-index monitoring and comprehensive early warning of landslides in response to rainfall: An example of the Luoao landslide in southern Jiangxi Province[J]. Earth Science Frontiers, 2021, 28(6): 283-294.
    [18] 程刚,张昊宇,朱鸿鹄,等. 边坡全维度监测技术与模型试验研究[J]. 高校地质学报,2024,30(2): 207-217.

    CHENG Gang, ZHANG Haoyu, ZHU Honghu, et al. Research progress of full dimension monitoring technology and model test of slope[J]. Geological Journal of China Universities, 2024, 30(2): 207-217.
    [19] 杜源. 高连续性GNSS实时滑坡监测算法与应用研究[D]. 西安:长安大学,2021.
    [20] 董岳,丁明涛,李鑫泷,等. 基于光学遥感像素偏移量的金沙江流域2018年白格滑坡演变过程[J]. 地球科学与环境学报,2022,44(6): 1002-1015.

    DONG Yue, DING Mingtao, LI Xinlong, et al. Evolution of the 2018 baige landslides revealed by optical remote sensing pixel offsets in Jinsha River Basin, China[J]. Journal of Earth Sciences and Environment, 2022, 44(6): 1002-1015.
    [21] 姚鑫,邓建辉,刘星洪,等. 青藏高原泛三江并流区活动性滑坡InSAR初步识别与发育规律分析[J]. 工程科学与技术,2020,52(5): 16-37.

    YAO Xin, DENG Jianhui, LIU Xinghong, et al. Primary recognition of active landslides and development rule analysis for pan three-river-parallel territory of Tibet Plateau[J]. Advanced Engineering Sciences, 2020, 52(5): 16-37.
    [22] 程刚,施斌,朱鸿鹄,等. 光纤和砂土界面耦合性能的分布式感测试验研究[J]. 高校地质学报,2019,25(4): 487-494.

    CHENG Gang, SHI Bin, ZHU Honghu, et al. Experimental study on coupling performance of fiber and sand interface based on distributed sensing[J]. Geological Journal of China Universities, 2019, 25(4): 487-494.
    [23] 黄润秋,许强.中国典型灾难性滑坡[M]. 北京:科学出版社,2008.
    [24] 张利勇. 周至任家城黄土边坡稳定性评价及监测预警研究[D]. 西安:长安大学,2014.
    [25] 黄雯,方琼,王国卫,等. 湖南茶陵滑坡空间预警的降雨临界值初步分析[J]. 中国地质灾害与防治学报,2014,25(3): 38-42.

    HUANG Wen, FANG Qiong, WANG Guowei, et al. Preliminary study on the critical rainfall for landslide space early warning in Chaling County of Hunan Province[J]. The Chinese Journal of Geological Hazard and Control, 2014, 25(3): 38-42.
    [26] 张有会,颜志雄. 威红铁路降雨诱发边坡溜坍预警值的研究[J]. 铁道建筑,2013,53(11): 83-86. doi: 10.3969/j.issn.1003-1995.2013.11.27

    ZHANG Youhui, YAN Zhixiong. Study on early warning value of slope slip induced by rainfall in Wei-Hong railway[J]. Railway Engineering, 2013, 53(11): 83-86. doi: 10.3969/j.issn.1003-1995.2013.11.27
    [27] 孙徐. 降雨型岩质滑坡预警模型与判据研究[D]. 成都:成都理工大学,2014.
    [28] 戴福初,邓建辉. 青藏高原东南三江流域滑坡灾害发育特征[J]. 工程科学与技术,2020,52(5): 3-15.

    DAI Fuchu, DENG Jianhui. Development Characteristics of landslide hazards in three-rivers basin of southeast Tibetan Plateau[J]. Advanced Engineering Sciences, 2020, 52(5): 3-15.
    [29] 张勤,白正伟,黄观文,等. GNSS滑坡监测预警技术进展[J]. 测绘学报,2022,51(10):1985-2000.

    ZHANG Qin, BAI Zhengwei, HUANG Guanwen, et al. Review of GNSS Landslide Monitoring and Early Warning[J]. ACTA Geodaetica et Cartographica Sinica, 2022, 51(10):1985-2000.
    [30] SABER R, ISIK V, CAGLAYAN A, et al. Sentinel-1 InSAR observations and time-series analysis of co- and postseismic deformation mechanisms of the 2021 Mw 5.8 Bandar Ganaveh Earthquake, Southern Iran[J]. Journal of Mountain Science, 2023, 20(4): 911-927. doi: 10.1007/s11629-022-7574-4
    [31] 李振洪,张成龙,陈博,等. 一种基于多源遥感的滑坡防灾技术框架及其工程应用[J]. 地球科学,2022,47(6): 1901-1916. doi: 10.3321/j.issn.1000-2383.2022.6.dqkx202206001

    LI Zhenhong, ZHANG Chenglong, CHEN Bo, et al. A technical framework of landslide prevention based on multi-source remote sensing and its engineering application[J]. Earth Science, 2022, 47(6): 1901-1916. doi: 10.3321/j.issn.1000-2383.2022.6.dqkx202206001
    [32] 肖玉钢,姜卫平,陈华,等. 北斗卫星导航系统的毫米级精度变形监测算法与实现[J]. 测绘学报,2016,45(1): 16-21.

    XIAO Yugang, JIANG Weiping, CHEN Hua, et al. Research and realization of deformation monitoring algorithm with millimeter level precision based on BeiDou navigation satellite system[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(1): 16-21.
    [33] 黄观文,黄观武,杜源,等. 一种基于北斗云的低成本滑坡实时监测系统[J]. 工程地质学报,2018,26(4): 1008-1016.

    HUANG Guanwen, HUANG Guanwu, DU Yuan, et al. A lowcost real-time monitoring system for landslide deformaion with Beidou cloud[J]. Journal of Engineering Geology, 2018, 26(4): 1008-1016.
    [34] 余斌,李松,谢凌霄,等. 改进TS-InSAR方法的白格滑坡灾前-灾后形变演化特征分析[J]. 测绘通报,2022(11): 8-12.

    YU Bin, LI Song, XIE Lingxiao, et al. Analysis of deformation evolution characteristics of Baige landslide before and after disaster based on improved TS-InSAR method[J]. Bulletin of Surveying and Mapping, 2022(11): 8-12.
    [35] ZHANG J Y, LI H B, YANG X G, et al. Quantitative assessment of rockfall hazard in post-landslide high rock slope through terrestrial laser scanning[J]. Bulletin of Engineering Geology and the Environment, 2021, 80(10): 7315-7331. doi: 10.1007/s10064-021-02426-9
    [36] 王德军,万田宝,孙晓东,等. 基于三维激光扫描的植被覆盖边坡监测[J]. 测绘通报,2023(12): 112-115.

    WANG Dejun, WAN Tianbao, SUN Xiaodong, et al. Monitoring of vegetation covered slopes based on 3D laser[J]. Bulletin of Surveying and Mapping, 2023(12): 112-115.
    [37] 张文,韩博,孙昊林,等. 高陡岩质斜坡的结构面非接触式采集技术与三维裂隙网络模拟研究[J]. 工程地质学报,2020,28(2): 221-231.

    ZHANG Wen, HAN Bo, SUN Haolin, et al. Non-contact collection and 3d fracture network modell-ing for high-steep rock slopes[J]. Journal
    [38] ISMAIL A, AHMAD SAFUAN A R, SA’ARI R, et al. Application of combined terrestrial laser scanning and unmanned aerial vehicle digital photogrammetry method in high rock slope stability analysis: a case study[J]. Measurement, 2022, 195: 111161.1-111161.17.
    [39] 许强,郭晨,董秀军. 地质灾害航空遥感技术应用现状及展望[J]. 测绘学报,2022,51(10): 2020-2033. doi: 10.11947/j.AGCS.2022.20220302

    XU Qiang, GUO Chen, DONG Xiujun. Application status and prospect of aerial remote sensing technology for geohazards[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(10): 2020-2033. doi: 10.11947/j.AGCS.2022.20220302
    [40] 许强,彭大雷,何朝阳,等. 突发型黄土滑坡监测预警理论方法研究——以甘肃黑方台为例[J]. 工程地质学报,2020,28(1):111-121.

    XU Qiang, PENG Dalei, HE Chaoyang, et al. Theory and method of monitoring and early warning for sudden loess landslide—a case study at Heifangtai Terrace[J]. Journal of Engineering Geology, 2020, 28(1):111-121.
    [41] ZHANG L, SHI B, ZHU H H, et al. PSO-SVM-based deep displacement prediction of Majiagou landslide considering the deformation hysteresis effect[J]. Landslides, 2021, 18(1): 179-193. doi: 10.1007/s10346-020-01426-2
    [42] ZHANG L, SHI B, ZHU H H, et al. A machine learning method for inclinometer lateral deflection calculation based on distributed strain sensing technology[J]. Bulletin of Engineering Geology and the Environment, 2020, 79(7): 3383-3401. doi: 10.1007/s10064-020-01749-3
    [43] 何荣,陆广. 基于三维激光扫描的矿区地表倾斜值提取方法研究[J]. 煤炭科学技术,2020,48(11): 199-205.

    HE Rong, LU Guang. Study on extraction method of surface deformation tilt based on 3D laser scanning[J]. Coal Science and Technology, 2020, 48(11): 199-205.
    [44] ZAN W B, ZHANG W J, WANG N, et al. Stability analysis of complex terrain slope based on multi-source point cloud fusion[J]. Journal of Mountain Science, 2022, 19(9): 2703-2714. doi: 10.1007/s11629-022-7307-8
    [45] DONATI D, RABUS B, ENGELBRECHT J, et al. A robust SAR speckle tracking workflow for measuring and interpreting the 3D surface displacement of landslides[J]. Remote Sensing, 2021, 13(15): 3048.1-3048.19. doi: 10.3390/rs13153048
    [46] 叶飞,张世明,孙振勇,等. 移动背包三维激光扫描系统在陡岸水库测绘中的应用:以白鹤滩水电站库区典型河段为例[J]. 测绘通报,2023(10): 173-176.

    YE Fei, ZHANG Shiming, SUN Zhenyong, et al. Application of the backpack laser scanning on steep reservoir bank monitoring: taking the typical reach of the reservoir area of Baihetan hydropower station[J]. Bulletin of Surveying and Mapping, 2023(10): 173-176.
    [47] 梁玉飞,裴向军,崔圣华,等. 基于地面三维激光点云的滑坡破坏边界岩体结构特征分析[J]. 岩石力学与工程学报,2021,40(6): 1209-1225.

    LIANG Yufei, PEI Xiangjun, CUI Shenghua, et al. Analysis of rock mass structure characteristics of landslide boundaries based on ground 3D laser point cloud[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(6): 1209-1225.
    [48] LI H B, QI S C, YANG X G, et al. Geological survey and unstable rock block movement monitoring of a post-earthquake high rock slope using terrestrial laser scanning[J]. Rock Mechanics and Rock Engineering, 2020, 53(10): 4523-4537. doi: 10.1007/s00603-020-02178-0
    [49] 刘兴宗,唐春安,李连崇,等. 基于渐进微震损伤效应的蓄水期库岸稳定性分析[J]. 人民长江,2019,50(3): 151-155.

    LIU Xingzong, TANG Chun’an, LI Lianchong, et al. Stability analysis of reservoir bank slope during reservoir impoundment based on effect of progressive microseismic damage[J]. Yangtze River, 2019, 50(3): 151-155.
    [50] 刘秀敏,王月,陈从新,等. 地质结构影响下的金属矿山地压显现机制初探[J]. 岩石力学与工程学报,2022,41(12): 2451-2459.

    LIU Xiumin, WANG Yue, CHEN Congxin, et al. Preliminary study on the occurrence mechanism of ground pressure in iron mines under the influence of geological discontinuities[J]. Chinese Journal of Rock Mechanics and Engineering, 2022, 41(12): 2451-2459.
    [51] 盛敏汉,储日升,危自根,等. 四川省理县西山村滑坡运动变形过程中的微震研究[J]. 地球物理学报,2018,61(1): 171-182. doi: 10.6038/cjg2018L0367

    SHENG Minhan, CHU Risheng, WEI Zigen, et al. Study of microseismicity caused by Xishancun Landslide deformation in Li county, Sichuan Province[J]. Chinese Journal of Geophysics, 2018, 61(1): 171-182. doi: 10.6038/cjg2018L0367
    [52] 段斌,何加平,覃事河,等. 基于GB-InSAR技术的水电工程高边坡变形监测[J]. 中国安全科学学报,2022,32(增2): 64-69.

    DUAN Bin, HE Jiaping, QIN Shihe, et al. Surface deformation monitoring of high slope in hydropower project based on GB-InSAR technology[J]. China Safety Science Journal, 2022, 32(S2): 64-69.
    [53] 韩军强,黄观武,黄观文,等. 多种监测手段在滑坡变形中的组合应用[J]. 测绘科学,2019,44(11): 116-122.

    HAN Junqiang, HUANG Guanwu, HUANG Guanwen, et al. Multi-monitoring methods joint application in landslide deformation monitoring[J]. Science of Surveying and Mapping, 2019, 44(11): 116-122.
    [54] 韩侃,陈贤丰,杨文斌,等. 基于微震监测的川藏铁路某隧道岩爆预测研究[J]. 铁道工程学报,2020,37(11): 90-95. doi: 10.3969/j.issn.1006-2106.2020.11.016

    HAN Kan, CHEN Xianfeng, YANG Wenbin, et al. Research on the rock burst prediction of a tunnel in Sichuan-Tibet Railway based on microseismic monitoring[J]. Journal of Railway Engineering Society, 2020, 37(11): 90-95. doi: 10.3969/j.issn.1006-2106.2020.11.016
    [55] 李红刚. TDR技术在滑坡变形监测中的适宜性试验研究[D]. 武汉:中国地质大学,2009.
    [56] 邓李政,袁宏永,张鸣之,等. 滑坡变形监测预警技术研究进展[J]. 清华大学学报(自然科学版),2023,63(6): 849-864.
    [57] 陈杨,邓李政,黄丽达,等. 基于声发射监测的滑坡过程预警模型[J]. 清华大学学报(自然科学版),2022,62(6): 1052-1058.

    CHEN Yang, DENG Lizheng, HUANG Lida, et al. Landslide early warning model based on acoustic emission monitoring[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(6): 1052-1058.
    [58] SMITH A, DIXON N, FOWMES G J. Early detection of first-time slope failures using acoustic emission measurements: large-scale physical modelling[J]. Géotechnique, 2017, 67(2): 138-152. DENG Lizheng, YUAN Hongyong, ZHANG Mingzhi, et al. Research progress on landslides deformation monitoring and early warning technology[J]. Journal of Tsinghua University (Science and Technology), 2023, 63(6): 849-864.
    [59] 何满潮,任树林,陶志刚. 滑坡地质灾害牛顿力远程监测预警系统及工程应用[J]. 岩石力学与工程学报,2021,40(11): 2161-2172.

    HE Manchao, REN Shulin, TAO Zhigang. Remote monitoring and forecasting system of Newton force for landslide geological hazards and its engineering application[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(11): 2161-2172.
    [60] 许强,朱星,李为乐,等. “天-空-地”协同滑坡监测技术进展[J]. 测绘学报,2022,51(7): 1416-1436. doi: 10.11947/j.issn.1001-1595.2022.7.chxb202207027

    XU Qiang, ZHU Xing, LI weile, et al. Technical progress of space-air-groung collaborative monitoring of landslide[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1416-1436. doi: 10.11947/j.issn.1001-1595.2022.7.chxb202207027
    [61] 许强. 对滑坡监测预警相关问题的认识与思考[J]. 工程地质学报,2020,28(2): 360-374.

    XU Qiang. Understanding the landslide monitoring and early warn-ing: consideration to practical issues[J]. Journal of Engineering Geology, 2020, 28(2): 360-374.
    [62] 赵会芹,于博,陈方,等. 基于高分辨率卫星遥感影像滑坡提取方法研究现状[J]. 遥感技术与应用,2023,38(1): 108-115.

    ZHAO Huiqin, YU Bo, CHEN Fang, et al. Research Status of Landslide Extraction Methods based on High-resolution Satellite Remote Sensing Images[J]. Remote Sensing Technology and Application, 2023, 38(1): 108-115.
    [63] ZHANG B, ZHANG M S, SUN P P, et al. Resistivity is used as a tool to evaluate the variability of soil water content[J]. Journal of Mountain Science, 2022, 19(12): 3533-3547. doi: 10.1007/s11629-022-7445-z
    [64] EKSTRÖM G, STARK C P. Simple scaling of catastrophic landslide dynamics[J]. Science, 2013, 339(6126): 1416-1419. doi: 10.1126/science.1232887
    [65] LI Z Y, HUANG X H, YU D, et al. Broadband-seismic analysis of a massive landslide in southwestern China: dynamics and fragmentation implications[J]. Geomorphology, 2019, 336: 31-39. doi: 10.1016/j.geomorph.2019.03.024
    [66] ZHANG Z, HE S M, LIU W, et al. Source characteristics and dynamics of the October 2018 Baige landslide revealed by broadband seismograms[J]. Landslides, 2019, 16(4): 777-785. doi: 10.1007/s10346-019-01145-3
    [67] 许世民. 基于滑震信号分析的特大崩滑灾害数值模拟研究[D]. 上海:上海交通大学,2021.
    [68] PICIULLO L, CALVELLO M, CEPEDA J M. Territorial early warning systems for rainfall-induced landslides[J]. Earth Science Reviews, 2018, 179: 228-247. doi: 10.1016/j.earscirev.2018.02.013
    [69] 宋宇飞,曹琰波,范文,等. 基于贝叶斯方法的降雨诱发滑坡概率型预警模型研究[J]. 岩石力学与工程学报,2023,42(3): 558-574.

    SONG Yufei, CAO Yanbo, FAN Wen, et al. Probabilistic early warning model for rainfall-induced landslides based on Bayesian approach[J]. Chinese Journal of Rock Mechanics and Engineering, 2023, 42(3): 558-574.
    [70] 刘艳辉,黄俊宝,肖锐铧,等. 基于随机森林的福建省区域滑坡灾害预警模型研究[J]. 工程地质学报,2022,30(3): 944-955.

    LIU Yanhui, HUANG Junbao, XIAO Ruihua, et al. Study on early warning model for regional landslides based on random forest in Fujian Province[J]. Journal of Engineering Geology, 2022, 30(3): 944-955.
    [71] 张真. 陕北黄土边坡降雨入渗现场试验及其灾害预警[D]. 西安:西安理工大学,2018
    [72] 吴益平,张秋霞,唐辉明,等. 基于有效降雨强度的滑坡灾害危险性预警[J]. 地球科学,2014,39(7): 889-895.

    WU Yiping, ZHANG Qiuxia, TANG Huiming, et al. Landslide hazard warning based on effective rainfall intensity[J]. Earth Science, 2014, 39(7): 889-895.
    [73] 朱少帅. 基于监测资料的黄河上游某水电站坝前右岸变形岸坡演化趋势研究[D]. 成都:成都理工大学,2015.
    [74] 刘传正,王建新. 自然灾害的基本型式及防控对策研究[J]. 岩石力学与工程学报,2023,42(2): 275-291.

    LIU Chuanzheng, WANG Jianxin. Basic patterns of natural disasters and some countermeasures for risk mitigation[J]. Chinese Journal of Rock Mechanics and Engineering, 2023, 42(2): 275-291.
    [75] SAITO M. Research on forecasting the time of occurrence of slope failure[C]//Proceedings of the 6th International Conference on Soil Mechanics and Foundation Engineering, Montreal. TOKYO: Railway Technical Research Institute/Tetsudo Gijutsu Kenkyujo, 1969: 135-142.
    [76] 李阳春,刘黔云,李潇,等. 基于机器学习的滑坡崩塌地质灾害气象风险预警研究[J]. 中国地质灾害与防治学报,2021,32(3): 118-123.

    LI Yangchun, LIU Qianyun, LI Xiao, et al. Exploring early warning and forecasting of meteorological risk of landslide and rockfall induced by meteorological factors by the approach of machine learning[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(3): 118-123.
    [77] MYRONIDIS D, PAPAGEORGIOU C, THEOPHANOUS S. Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP)[J]. Natural Hazards, 2016, 81(1): 245-263. doi: 10.1007/s11069-015-2075-1
    [78] COROMINAS J, MOYA J. A review of assessing landslide frequency for hazard zoning purposes[J]. Engineering Geology, 2008, 102(3/4): 193-213.
    [79] COROMINAS J, VAN WESTEN C, FRATTINI P, et al. Recommendations for the quantitative analysis of landslide risk[J]. Bulletin of Engineering Geology and the Environment, 2014, 73(2): 209-263.
    [80] SONG R H, HIROMU D, KAZUTOKI A, et al. Modeling the potential distribution of shallow-seated landslides using the weights of evidence method and a logistic regression model: a case study of the Sabae Area, Japan[J]. International Journal of Sediment Research, 2008, 23(2): 106-118. doi: 10.1016/S1001-6279(08)60010-4
    [81] SUN W Y, TIAN Y S, MU X M, et al. Loess landslide inventory map based on GF-1 satellite imagery[J]. Remote Sensing, 2017, 9(4): 314.1-314.17.
    [82] QIN Y G, YANG G L, LU K P, et al. Performance evaluation of five GIS-based models for landslide susceptibility prediction and mapping: a case study of Kaiyang County, China[J]. Sustainability, 2021, 13(11): 6441.1-6441.20.
    [83] OTHMAN A A, GLOAGUEN R, ANDREANI L, et al. Improving landslide susceptibility mapping using morphometric features in the Mawat area, Kurdistan Region, NE Iraq: comparison of different statistical models[J]. Geomorphology, 2018, 319: 147-160. doi: 10.1016/j.geomorph.2018.07.018
    [84] PAWLUSZEK K. Landslide features identification and morphology investigation using high-resolution DEM derivatives[J]. Natural Hazards, 2019, 96(1): 311-330. doi: 10.1007/s11069-018-3543-1
    [85] JI S P, YU D W, SHEN C Y, et al. Landslide detection from an open satellite imagery and digital elevation model dataset using attention boosted convolutional neural networks[J]. Landslides, 2020, 17(6): 1337-1352. doi: 10.1007/s10346-020-01353-2
    [86] DOU J, YUNUS A P, BUI D T, et al. Improved landslide assessment using support vector machine with bagging, boosting, and stacking ensemble machine learning framework in a mountainous watershed, Japan[J]. Landslides, 2020, 17(3): 641-658. doi: 10.1007/s10346-019-01286-5
    [87] DOU J, YUNUS A P, MERGHADI A, et al. Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning[J]. The Science of the Total Environment, 2020, 720: 137320.1-137320.16.
    [88] SATO H P, HARP E L. Interpretation of earthquake-induced landslides triggered by the 12 May 2008, M7.9 Wenchuan earthquake in the Beichuan area, Sichuan Province, China using satellite imagery and Google Earth[J]. Landslides, 2009, 6(2): 153-159. doi: 10.1007/s10346-009-0147-6
    [89] TANG H M, WASOWSKI J, JUANG C H. Geohazards in the three Gorges Reservoir Area, China—Lessons learned from decades of research[J]. Engineering Geology, 2019, 261: 105267.1-105267.42.
    [90] YUAN C, MOAYEDI H. Evaluation and comparison of the advanced metaheuristic and conventional machine learning methods for the prediction of landslide occurrence[J]. Engineering with Computers, 2020, 36(4): 1801-1811. doi: 10.1007/s00366-019-00798-x
    [91] 窦杰,向子林,许强,等. 机器学习在滑坡智能防灾减灾中的应用与发展趋势[J]. 地球科学,2023,48(5):1657-1674.

    DOU Jie, XIANG Zilin, XU Qiang, et al. Application and development trend of machine learning in landslide intelligent disaster prevention and mitigation[J]. Earth Science, 2023, 48(5):1657-1674.
    [92] SUN D L, GU Q Y, WEN H J, et al. Assessment of landslide susceptibility along mountain highways based on different machine learning algorithms and mapping units by hybrid factors screening and sample optimization[J]. Gondwana Research, 2023, 123: 89-106. doi: 10.1016/j.gr.2022.07.013
    [93] ZHOU X Z, WEN H J, LI Z W, et al. An interpretable model for the susceptibility of rainfall-induced shallow landslides based on SHAP and XGBoost[J]. Geocarto International, 2022, 37(26): 13419-13450. doi: 10.1080/10106049.2022.2076928
    [94] ZHOU C, YIN K L, CAO Y, et al. Application of time series analysis and PSO–SVM model in predicting the Bazimen landslide in the Three Gorges Reservoir, China[J]. Engineering Geology, 2016, 204: 108-120. doi: 10.1016/j.enggeo.2016.02.009
    [95] MIAO F S, WU Y P, XIE Y H, et al. Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model[J]. Landslides, 2018, 15(3): 475-488. doi: 10.1007/s10346-017-0883-y
    [96] HUANG F M, HUANG J S, JIANG S H, et al. Landslide displacement prediction based on multivariate chaotic model and extreme learning machine[J]. Engineering Geology, 2017, 218: 173-186. doi: 10.1016/j.enggeo.2017.01.016
    [97] XU S L, NIU R Q. Displacement prediction of Baijiabao landslide based on empirical mode decomposition and long short-term memory neural network in Three Gorges area, China[J]. Computers & Geosciences, 2018, 111: 87-96.
    [98] MA J W, TANG H M, LIU X, et al. Establishment of a deformation forecasting model for a step-like landslide based on decision tree C5.0 and two-step cluster algorithms: a case study in the Three Gorges Reservoir area, China[J]. Landslides, 2017, 14(3): 1275-1281. doi: 10.1007/s10346-017-0804-0
    [99] GUO Z Z, CHEN L X, GUI L, et al. Landslide displacement prediction based on variational mode decomposition and WA-GWO-BP model[J]. Landslides, 2020, 17(3): 567-583. doi: 10.1007/s10346-019-01314-4
    [100] LIU Y, XU C, HUANG B, et al. Landslide displacement prediction based on multi-source data fusion and sensitivity states[J]. Engineering Geology, 2020, 271: 105608.1-105608.11.
    [101] 张梦涵,魏进,卞海丁. 基于机器学习的边坡稳定性分析方法——以国内618个边坡为例[J]. 地球科学与环境学报,2022,44(6): 1083-1095.

    ZHANG Menghan, WEI Jin, BIAN Haiding. Slope stability analysis method based on machine learning—taking 618 slopes in China as examples[J]. Journal of Earth Sciences and Environment, 2022, 44(6): 1083-1095.
    [102] 纪守领,李进锋,杜天宇,等. 机器学习模型可解释性方法、应用与安全研究综述[J]. 计算机研究与发展,2019,56(10): 2071-2096. doi: 10.7544/issn1000-1239.2019.20190540

    JI Shouling, LI Jinfeng, DU Tianyu, et al. Survey on Techniques, applications and security of machine learning interpretability[J]. Journal of Computer Research and Development, 2019, 56(10): 2071-2096. doi: 10.7544/issn1000-1239.2019.20190540
    [103] 吕安琪,李翠然,谢健骊,等. 起伏地形下无线传感器网络节点部署算法[J/OL]. 西南交通大学学报,1-8 [2024-09-11].

    Lv Anqi, Li Cuiran, XIE Jianli, et al. Deployment Algorithm for Wireless Sensor Network in Rolling Terrain[J/OL]. Journal of Southwest Jiaotong University, 1-8[2024-09-11].
    [104] JI S P, DAI P Y, LU M, et al. Simultaneous cloud detection and removal from bitemporal remote sensing images using cascade convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 99: 1-17.
    [105] SHIRZADI A, SOLAIMANI K, ROSHAN M H, et al. Uncertainties of prediction accuracy in shallow landslide modeling: sample size and raster resolution[J]. CATENA, 2019, 178: 172-188. doi: 10.1016/j.catena.2019.03.017
    • 相关文章
    • 施引文献
  • 附加材料(0)
  • 加载中
WeChat 点击查看大图
图(10) / 表(4)
计量
  • 文章访问数:  272
  • HTML全文浏览量:  69
  • PDF下载量:  23
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-10-16
  • 修回日期:  2024-09-11
  • 网络出版日期:  2025-04-25

目录

摘要
HTML全文

  • 1.   滑坡监测的发展与现状

  • 1.1   地貌气象水文监测技术

  • 1.2   基于地面表观变形的滑坡天-空-地基监测

  • 1.3   基于深部变形的滑坡内部监测

  • 1.4   基于多源数据融合的滑坡监测技术

  • 2.   预警模型的建立

  • 2.1   降雨型滑坡预警模型

  • 2.2   多参数单体滑坡预警

  • 3.   结论与展望

  • 3.1   结　论

  • 3.2   展　望

参考文献(105)
相关文章
施引文献
附加材料(0)

/

返回文章
返回

Copyright © 2009 西南交通大学学报

地址：四川省成都市郫都区犀安路999号西南交通大学犀浦校区《西南交通大学学报》编辑部

电话：028-66367562传真：028-66366552Email：xbz@home.swjtu.edu.cn

本系统由 北京仁和汇智信息技术有限公司 开发 技术支持： info@rhhz.net