EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 10: 2084 - 2092

DOI: https://doi.org/10.12082/dqxxkx.2023.230274

遥感科学与应用技术

结合TRIGRS模型的黄土滑坡危险性评价粒子滤波数据同化方法

  • 魏冠军 , 1, 2, 3 ,
  • 高茂宁 , 1, 2, 3, *
展开
  • 1.兰州交通大学测绘与地理信息学院，兰州 730070
  • 2.地理国情监测技术应用国家地方联合工程研究中心，兰州 730070
  • 3.甘肃省地理国情监测工程实验室，兰州 730070
* 高茂宁（1997—），男，四川中江人，硕士生，主要从事地质灾害监测与评价方法研究。 E-mail:

魏冠军（1976—），男，甘肃庄浪人，博士，教授，主要从事误差理论与测量数据处理研究。E-mail:

收稿日期: 2023-05-18

  修回日期: 2023-07-03

  网络出版日期: 2023-09-22

基金资助

国家自然科学基金项目(41964008)

收起

Particle Filter Data Assimilation Method for Loess Landslide Risk Assessment Combined with TRIGRS Model

  • WEI Guanjun , 1, 2, 3 ,
  • GAO Maoning , 1, 2, 3, *
Expand
  • 1. Faculty of Geomatics Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
* GAO Maoning, E-mail:

Received date: 2023-05-18

  Revised date: 2023-07-03

  Online published: 2023-09-22

Supported by

National Natural Science Foundation of China(41964008)

Fold

摘要

滑坡灾害对国家基础设施工程产生了严重的威胁，开展工程区域滑坡灾害危险性评价对于铁路运行安全至关重要。滑坡危险性评价通常可以概括为频率分析法、概率分析法以及确定性分析法，其中基于降雨入渗-积水机制角度建立物理确定性模型可以获得更为客观的评价结果，具有良好的适用性，但其通常需要大量的岩土参数参与计算，易受岩土参数的时空变异性以及不确定性等因素影响，存在一定的局限性。为进一步提升滑坡危险性评价的预测精度，本文以高家湾滑坡为研究区，基于粒子滤波算法，利用SBAS-InSAR观测数据对TRIGRS模型中的安全系数（Fs）进行同化，同时更新模型的内摩擦角参数。结果表明：同化后高家湾滑坡的安全系数呈现出逐渐降低的趋势，且坡体前缘的安全系数明显低于坡体后缘，与当前观测更为接近；实现了内摩擦角参数的实时更新，使参数逐渐向观测值方向修正；模型的均方根偏差从0.17降低至0.04，使模型预测结果与实际观测更为接近。因此，基于粒子滤波同化方法的滑坡危险性评价可以更准确地体现当前滑坡的实际情况，具有更高的预测精度。

关键词： 滑坡; 危险性评价; TRIGRS模型; SBAS-InSAR; 数据同化; 粒子滤波; 高家湾滑坡

本文引用格式

魏冠军 , 高茂宁 . 结合TRIGRS模型的黄土滑坡危险性评价粒子滤波数据同化方法[J]. 地球信息科学学报, 2023 , 25(10) : 2084 -2092 . DOI: 10.12082/dqxxkx.2023.230274

Abstract

Landslide disasters pose a grave threat to national infrastructure projects, making landslide disaster risk assessment in engineering areas crucial for ensuring the safety of railway operations. Typically, such assessments involve employing frequency analysis, probability analysis, and deterministic analysis methods. Among these methods, the establishment of a physical deterministic model based on the mechanisms of rainfall infiltration and water accumulation yields more objective evaluation results and exhibits excellent applicability. However, physically deterministic models often necessitate the inclusion of numerous geotechnical parameters in their calculations, leading to certain limitations. Factors like temporal and spatial variability, as well as the uncertainty in geotechnical parameters, influence these models. To enhance the prediction accuracy of landslide risk assessments, this study focuses on the Gaojiawan landslide as the research area. By utilizing the particle filter algorithm, the study assimilates safety factor (Fs) data from the TRIGRS model, incorporating SBAS-InSAR observation data. Additionally, it updates the internal friction angle parameter of the model. The results reveal a gradual decrease in the safety factor of the Gaojiawan landslide following assimilation. Moreover, the safety factor at the front edge of the slope is significantly lower than that at the rear edge, aligning more closely with current observations. Real-time updates of the internal friction angle parameters are achieved, gradually aligning the parameters with the observed values. As a result, the root mean square deviation of the model decreases from 0.17 to 0.04, bringing the model's prediction closer to the observed values. Consequently, landslide risk assessment based on the particle filter assimilation method more accurately reflects the current landslide situation and exhibits higher prediction accuracy.

Key words： landslide; hazard assessment; TRIGRS model; SBAS-InSAR; data assimilation; particle filter; Gaojiawan landslide

1 引言

黄土在我国陕西、山西、宁夏、青海以及甘肃都有广泛的分布，由于黄土的类卡斯特结构，对水极度敏感，易在降雨后发生软化变形，形成黄土滑坡灾害，严重威胁当地居民的生命财产安全[1-2]。降雨型滑坡危险性评价与预测是目前滑坡防治工作中的热点问题，通常包括统计分析方法以及物理确定性模型方法[3]。其中，确定性分析法由于可以获得更为客观的评价结果，得到了广泛的研究。该方法通常从降雨-入渗角度作为理论基础，基于极限平衡理论建立模型开展滑坡危险性评价与预测。目前，应用较为广泛的有SHALSTAB模型[4]、SINMAP模型[5]、TRIGRS模型[6]以及Scoops3D模型[7]等。上述模型通常忽略了土体参数的时空变异性的影响，过度简化滑坡发生机理以及力学机制[8⇓⇓⇓⇓⇓-14]。因此在长时序预测时，输出误差会随着时间的推移逐渐累积，使得预报场逐渐偏离观测场，难以得到准确的危险性评价结果[15]。
数据同化方法通过时间序列观测值修正模型预测的轨迹，降低模型不确定度带来的影响，从而提高模型的预测精度[16⇓-18]。该方法最早应用于大气和海洋领域，随后发展出应用至地表科学和水文学的陆面数据同化方法，并取得了极大的研究进展[19⇓-21]。目前数据同化在滑坡中的应用在国内外均处于起步阶段，Jiang等[22]通过集合卡尔曼滤波方法研究库水位联合降雨作用下的滑坡响应机制，表明数据同化方法实现了状态变量和模型参数的同步优化，降低了模型预报误差；Wang等[23]通过粒子滤波方法预测滑坡位移，证明利用数据同化方法将外部因素与地表监测数据相结合，可以更准确地估计滑坡的状态，从而得到更为准确的预测值；Xue等[24]提出一种利用数据同化将观测数据与TRIGRS模型相结合的方法，为针对物理确定行模型的同化方案提供了良好的思路。上述研究表明数据同化方法作为连接模型与观测数据的桥梁，在滑坡预测预报领域具有巨大的应用前景。
随着遥感技术在滑坡领域的快速发展，多种SAR技术形变监测方法在滑坡领域中得到了广泛地应用，为滑坡监测提供了多种大范围、全天时、高精度获得观测数据的方法[25]。遥感观测数据为陆面水文数据反演[26]、农作物估产[27]、环境监测[28]等领域的数据同化方法提供了强有力的支持。然而，目前在滑坡领域仍缺乏相关的研究。SBAS-InSAR技术由于具有大范围、全天时、高精度地获取地表形变信息的特点，在滑坡监测领域获得了广泛地应用；此外，SBAS-InSAR观测数据与TRIGRS模型结构上表现出较好的空间一致性，在与TRIGRS模型耦合中体现出天然的优势。
高家湾滑坡位于青藏高原与黄土高原的过渡带，并对其下穿的兰新高铁张家庄隧道产生了严重的威胁，属于典型的黄土滑坡。基于此，本文采用粒子滤波数据同化算法，建立将SBAS-InSAR时序监测结果与TRIGRS模型相结合的高家湾滑坡数据同化方案，讨论SBAS-InSAR观测数据与TRIGRS模型进行同化的可行性，通过对比同化前后模型的安全系数，及动态更新模型的内摩擦角参数效果，以期为黄土滑坡危险性评价工作提供一定的理论支持。

2 模型与方法

2.1 TRIGRS模型

TRIGRS模型基于研究区的土体参数与降雨资料，以栅格为评价单元计算每一栅格的安全系数，主要包括入渗模型以及边坡稳定性模型等部分[6]。
入渗模型是基于Iverson提出在不同尺度上的边坡稳定性，包括稳态入渗以及瞬态入渗两个部分。其中瞬态入渗一般假设水流垂直向下流动，且入渗强度与降雨强度呈正相关，计算有限深度不透底边界的水压头 ψ，即：
$\psi(Z,t){=}(Z-t)\beta+$
$\begin{array}{l} 2 \sum_{i=1}^{N} \frac{I_{n Z}}{K_{s}} H\left(t-t_{n}\right)\left[D_{1}\left(t-t_{n}\right)\right]^{\frac{1}{2}} \sum_{n=1}^{\infty}\left\{\begin{array}{c} \operatorname{ierfc}\left[\frac{(2 m-1) d_{L Z}-\left(d_{L Z}-Z\right)}{2\left[D_{1}\left(t-t_{n}\right)\right]^{\frac{1}{2}}}\right]+ \\ \operatorname{ierfc}\left[\frac{(2 m-1) d_{L Z}+\left(d_{L Z}-Z\right)}{2\left[D_{1}\left(t-t_{n}\right)\right]^{\frac{1}{2}}}\right] \end{array}\right\}- \\ 2 \sum_{i=1}^{N} \frac{I_{n Z}}{K_{s}} H\left(t-t_{n+1}\right)\left[D_{1}\left(t-t_{n+1}\right)\right]^{\frac{1}{2}} \sum_{n=1}^{\infty}\left\{\begin{array}{c} \operatorname{ierfc}\left[\frac{(2 m-1) d_{L Z}-\left(d_{L Z}-Z\right)}{2\left[D_{1}\left(t-t_{n+1}\right)\right]^{\frac{1}{2}}}\right]+ \\ \operatorname{ierfc}\left[\frac{(2 m-1) d_{L Z}+\left(d_{L Z}-Z\right)}{2\left[D_{1}\left(t-t_{n+1}\right)\right]^{\frac{1}{2}}}\right] \end{array}\right\} \\ \end{array}$
式中： ψ为地下水力压头； Z为土层垂向厚度； t为时间； d为初始地下水位深度； β为特定参数，计算公式为 β = c o s 2 δ - ( I Z L T / K s )，其中 K s为饱和渗透系数， I Z L T为初始入渗速率； m为收敛级数； I n Z为第n个时间段内的表面通量强度； N为时间间隔数； H ( t - t n )为单位阶跃函数； D 1 = D 0 / c o s 2 δ，其中 D 0为饱和水力扩散系数； t n为第 n个雨强出现的时间； d L Z为基底的深度； i e r f c ( η )为高斯补差函数对变量 η的一次积分值。
稳定性计算模型引入无限边坡模型，结合水压头计算不同时段斜坡的安全系数 F s：
F s ( Z , t ) = t a n ϕ t a n δ + c - ψ ( Z , t ) γ w t a n ϕ γ s Z s i n δ c o s δ
式中： F s为安全系数； ϕ为内摩擦角； δ为坡度； c为内聚力； ψ为水压头； γ w为地下水容重； γ s为土体容重； Z为土层垂向厚度。
根据式（2）可知斜坡安全系数式与土层深度与时间相关的函数， F s的大小与内聚力和内摩擦角成正比，与地下水位升高成反比。 F s = 1通常被认为是判断滑坡失稳与否的分界线，当 F s > 1被认为坡体处于稳定状态， F s < 1则为失稳状态。

2.2 粒子滤波算法

粒子滤波主要利用一组带有相关权值的随机样本，并基于这些样本的估算来表示后验概率密度，包括预测步和更新步2个部分。其主要思想是，在预测步中，给定任意分布随机噪声 v k i ( i = 1,2 , ⋯ , N )对初始状态量 F s k进行扰动，得到 k时刻的初始状态粒子群 F s k i。 N个粒子在模型中推进获得 k + 1时刻的状态粒子群 F s k + 1 i；在更新步中，利用模型的预测状态量、观测量计算每个粒子的重要性权重 w k + 1 i为：
w k + 1 i = w k i P ( y k + 1 | F s k + 1 i ) P ( F s k + 1 i | x k i ) q ( F s k + 1 i | F s k i , y k + 1 i )
式中： y k + 1为 k + 1时刻的实际观测； w k i表示 k时刻第 i个粒子的权重，每次重采样后， w k i = 1 N。对粒子的初始重要性概率密度函数作特定的选择，即
q ( F s k + 1 i | F s k i , y k + 1 ) = p ( F s k + 1 i | F s k i )
假设预测粒子偏离观测值的状况符合正态分布，以正态分布的概率密度函数计算预测粒子的权值
w k + 1 i = 1 / ( N · 2 π O k + 1 ) · e x p ( - ( F s k + 1 i - y k + 1 ) 2 / 2 O k + 1 )
式中： O k + 1为 y k + 1的标准差。随后进行权重归一化处理，得到归一化粒子权重 w k + 1 i。
本文采用重要性重采样方法，复制高权重粒子，去除低权重粒子。设归一化重采样后各粒子权重为 w k + 1 , r e s i，则 k + 1时刻的状态估计值 F s k + 1为
F s k + 1 = ∑ i = 1 N w k + 1 , r e s i · F s k + 1 i
粒子滤波方法利用的是k时刻的观测值计算所有粒子的权重，更新模型的状态量以及参数，预测k+1时刻的状态量。

2.3 结合TRIGRS模型的粒子滤波数据同化方法

本文利用任意分布的随机噪声 v k i ( i = 1,2 , ⋯ , N )对初始参数 ϕ k进行扰动，通过TRIGRS模型获得状态量 F s的状态粒子集，并将更新后的参数粒子作为下一时刻的参数先验粒子，继续向前运行TRIGRS模型作为状态粒子集。基于上述思想，实现状态量与模型参数的同时更新，其基本流程如图1所示。
图1 结合TRIGRS模型的粒子滤波数据同化方法

Fig. 1 Particle filter Data assimilation method combined with TRIGRS model

（1）初始化TRIGRS模型运行所需的基础参量数据，包括内摩擦角、内聚力、土壤容重、饱和导水率、扩散率、饱和土壤含水率、残余土壤含水率、降雨量等，将基础参量带入TRIGRS模型中驱动模型的运行。
（2）对内摩擦角参数进行初始化，所有粒子带入TRIGRS模型，得到下一时刻的状态量 F s预测值。
（3）根据牛顿第二定律，建立斜坡运动模型，将形变速率转换为安全系数作为观测数据。
1 g · d v d t = s i n δ [ 1 - y ]
式中： g为重力加速度； v为滑坡运动速率； δ为坡度角； y为观测值， t为时间。
（3）将利用式（7）获得的观测数据计算所有粒子的权重，并对权重进行归一化。
（4）判断是否发生例子退化，若存在粒子退化现象则进行重采样，得到当前时刻状态量 F s的最优估值，利用定义阈值 N e f f进行判断，若有效粒子数 N t h < N e f f则进行重采样。
（5）利用当前时刻的状态粒子集通过式（2）得到参数粒子集，并将状态粒子的后验权值赋予相应的参数粒子得到参数的最优估值作为下一时刻的先验粒子。
（6）判断同化时刻是否完成，若无，则重复步骤（2）—步骤（5）。

3 同化实验与分析

3.1 研究区概况及数据来源

高家湾滑坡位于青海省乐都区，其地理位置如图2（a）所示，该区域位于青藏高原东部，黄土高原西缘，属于青藏高原与黄土高原的过渡带，区域年平均降水量329.6 mm，2018年最大降水量484 mm。该地区在2016年1月18日与2018年12月25日发生了两次严重失稳，对兰新高铁下穿的张家庄隧道的正常运营造成了严重的影响[29⇓⇓-32]。根据Meng等[31]的调查，确定了高家湾滑坡群中9个子滑坡的空间分布，各个子滑坡之间存在相互重叠的现象，属于复合型巨型滑坡，如图2（b）所示。L1为高家湾滑坡中面积最大的子滑坡，该滑坡为张家庄隧道西段，地势陡峭。L1滑坡形成之后，出现向东发展的L2、L3滑坡。L1滑坡东北侧分布有L4、L5两个次级滑坡。高家湾东侧则分布有L7、L8两处大型滑坡，L6滑坡位于L7滑坡坡趾处。L9滑坡位于高家湾村南侧，对高家湾村产生了直接的威胁。该地区岩性以第四纪黄土和古近系泥岩为主，该区域发育的滑坡主要以降雨诱发的堆积层为主，受降雨、断层以及人类工程活动等因素影响，滑坡仍在进一步发育，严重威胁当地居民的生命财产安全[30]。
图2 高家湾滑坡地理位置及概况

Fig. 2 Geographical location and general situation of Gaojiawan landslide

本文选取时间跨度为2018年1月2日—2018年12月28日的Sentinel-1A数据，基于SBAS-InSAR技术，获得该时段的位移时间序列，其累积位移如图3所示。滑坡群的形变量整体在-13.13~10.99 mm之间，且L1、L2、L3、L4、L5滑坡发生了明显的形变。兰新铁路的张家庄隧道从L1、L3、L7滑坡底部穿过，L3滑坡的最大累积形变可达9.76 mm，故本文以L3滑坡为研究对象，考察该滑坡的危险性。为保证观测数据与模型栅格单元地一致性，本文以分辨率30 m×30 m作为评价栅格单元大小，将SBAS-InSAR重采样为与评价单元大小一致的栅格单元提取其时序位移数据。
图3 高家湾滑坡累积形变量

Fig. 3 Cumulative deformation of Gaojiawan landslide

本文研究的L3滑坡为黄土滑坡，采用单一土体参数进行计算，结合该地区的现场调查及土体参数选取经验，选取模型的主要输入参数如表1所示[29]。
表1 模型土体参数选取

Tab. 1 Selection of model soil parameters

输入参数 选取参数值
内聚力/kPa 22.3
内摩擦角/° 25.8
土壤容重/(kN/m3) 18.9×103
饱和导水率/(m/s) 15×10-7
扩散率/(m/s) 15×10-5
饱和土壤含水率/% 0.12
残余土壤含水率/% 0.109

3.2 数据同化结果分析

3.2.1 同化数据模拟

由于式（2）仅对失稳滑坡（y<1）有效，在同化工作中，当评价单元的y>1时不进行同化。将粒子数N设置为100，开展不同时间段区域尺度的数据同化模拟。实验坡体始终存在形变，所有评价单元均参与同化，其结果如图4所示。从时间尺度考虑，坡体的平均安全系数如表2所示，坡体整体上呈现出逐渐降低的趋势。由于模型输出结果仅受地下水压头变化影响，安全系数变化不明显且整体偏高，难以完全体现坡体当前的危险性。
图4 不同时期同化结果

Fig. 4 Data assimilation results in different periods

表2 坡体平均安全系数

Tab. 2 Average safety factor of slope

日期 模型输出 同化结果
2018-05-02 0.808 0.706
2018-08-30 0.796 0.675
2018-12-28 0.791 0.653
随着观测值的不断加入，坡体的安全系数被明显修正，受坡体蠕变的影响，同化结果出现了明显的降低，可以更为全面的体现了当前坡体的危险性。从空间上，无论是同化估计的安全系数还是模型连续运行输出的安全系数，研究区坡体前缘的安全系数明显低于坡体后缘的安全系数，表明前缘的坡体结构更容易受到破坏，从而产生明显的滑移现象，这与InSAR得到的位移监测结果基本一致。模型连续运行输出的安全系数为未考虑各格网之间的相互作用，同时受模型参数不确定性的影响，模型预测结果并不连续且存在一定的累积误差，而同化后的安全系数得到了明显的改正，从时间和空间上更能较好的体现当前滑坡的危险性。
从图4所示的坡体前缘、后缘分别选取一个格网单元P1、P2，进一步讨论同化前后安全系数的变化情况，其结果分别如图5、图6所示。由于模型输出值只受输入的降雨参数影响，其预测结果较为稳定，与实际情况存在一定的误差。随着观测值的不断加入，同化值逐渐修正至观测值附近，基于粒子滤波的同化算法能够结合TRIGRS模型连续模拟的特点和InSAR实时观测的优势，提高模型预测的精度，从而得到更为可靠的危险性评价结果。
图5 P1点同化结果

Fig. 5 Data assimilation results of P1

图6 P2点同化结果

Fig. 6 Data assimilation results of P2

3.2.2 参数更新结果分析

在同化的过程中，对内摩擦角参数初始值添加噪声扰动得到一系列不同取值的初始粒子，利用不断融入的观测数据校正参数取值，所有内摩擦角参数粒子的平均值如图7所示。在同化初期，受观测噪声以及参数的不确定性的影响，内摩擦角出现了较大的波动。随着同化过程的不断推进，内摩擦角越来越受到观测值的影响。由于安全系数与内摩擦角呈现出正相关的关系，内摩擦角整体上向着观测值的方向修正并逐渐收敛，一定程度上降低了参数不确定性的影响。
图7 内摩擦角参数更新结果

Fig. 7 Update result of internal friction angle parameters

3.2.3 同化效果评价

本文通过考察所有网格同化值的均方根偏差（Root Mean Square Difference, RMSD）评价同化结果的质量：
R M S D = 1 N g r i d ∑ ( X i , j - X i , j o b s ) 2
式中： N g r i d为格网单元总数； i 、 j分别为行号和列号； X ˆ为同化结果； X o b s为观测值。
通过式（8）计算每一期的均方根偏差，结果如图8所示。由于初始参数存在一定的偏差，同化前期RMSD值较大。随着同化时刻的运行，同化值逐渐靠近观测值，使得RMSD值逐渐降低，但由于土体参数以及观测值均存在一定的误差，RMSD值从0.17逐渐收敛至0.04后趋于稳定，不会无限制的降低。因此，粒子滤波方法可以较好地修正模型当前的预测轨迹，同化结果与观测值之间的差异逐渐降低，具有较好的同化效果。
图8 同化结果均方根偏差变化

Fig. 8 Data assimilation results RMSD change series

4 结论与讨论

4.1 结论

本文利用SBAS-InSAR技术获取观测数据，同时基于土体参数与降雨数据构建TRIGRS模型作为背景场，采用粒子滤波算法同化状态量Fs并对模型内摩擦角ϕ进行更新，开展高家湾地区滑坡危险性评价。本研究通过粒子滤波同化SBAS-InSAR反演的观测值与TRIGRS模型预测值的安全系数，开展区域尺度的数据同化研究，有效提升了状态量Fs的预测精度。基于粒子滤波的数据同化方法通过观测值的不断加入，实现了状态变量与模型参数的同步更新优化，使预测值更加接近于当前坡体的真实状况。因此，本文方法在降雨型黄土滑坡中体现出了良好的适用性，可以为该区域危险性评价提供一定的参考。主要结论为：
（1）模型输出的安全系数整体偏高，而数据同化结果输出的安全系数更全面的体现了当前坡体的危险性。坡体前缘的安全系数明显低于坡体后缘，随着观测值的不断加入，模型的预测轨迹逐渐修正至观测值附近，能更好的体现出当前时段坡体的危险性。
（2）基于粒子滤波的同化算法实现了TRIGRS模型输入参数内摩擦角ϕ的更新，有效降低了由于参数不确定性，使模型参数更加接近于当前坡体的真实情况，提升了模型预测结果的可靠性。
（3）随着同化的不断进行，RMSD从0.17降低至0.04左右，释放了模型的累积误差，具有较好的同化效果。

4.2 讨论

利用粒子滤波同化方法，将SBAS-InSAR观测数据与物理确定性模型相结合，通过同化安全系数评估高家湾滑坡的危险性，降低了物理确定性模型的不确定性，提高了危险性评价的可靠性。然而，在研究过程中发现，SBAS-InSAR观测噪声、土体参数的不确定性等因素均会在一定程度上影响同化结果的质量。因此，更精确的土体参数、同化过程中进行多参数实时更新都会为同化结果带来更积极意义，后续研究可以利用不同分辨率、不同类型的SAR影像作为数据源，采用更为准确的土体参数提高同化的精度。本文考虑的内摩擦角参数时空变异性的影响，通过粒子滤波同化方法降低了该参数的不确定性。实际上，除内摩擦角参数外，其它土体力学参数也存在不确定性。因此在接下来的研究中，可以考虑多参数的实时更新，以获得更为准确的同化结果。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
许领, 戴福初, 邝国麟, 等. 黄土滑坡典型工程地质问题分析[J]. 岩土工程学报, 2009, 31(2):287-293.

[Xu L, Dai F C, KWONG A K L, et al. Analysis of some special engineering-geological problems of loess landslide[J]. Chinese Journal of Geotechnical Engineering, 2009, 31(2):287-293.]

[2]
冉林, 马鹏辉, 彭建兵, 等. 甘肃黑方台“10·5”黄土滑坡启动及运动特征分析[J]. 中国地质灾害与防治学报, 2022, 33(6):1-9.

[Ran L, Ma P H, Peng J B, et al. The initiation and motion characteristics of the “10·5” loess landslide in the Heifangtai platform, Gansu Province[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(6):1-9.] DOI:10.16031/j.cnki.issn.1003-8035.202111006

[3]
周侯伯, 肖桂荣, 林炫歆, 等. 基于特征筛选与差分进化算法优化的滑坡危险性评估方法[J]. 地球信息科学学报, 2022, 24(12):2373-2388.

DOI

[Zhou H B, Xiao G R, Lin X X, et al. Landslide hazard assessment method based on feature screening and differential evolution algorithm optimization[J]. Journal of Geo-information Science, 2022, 24(12):2373-2388.] DOI:10.12082/dqxxkx.2022.220158

[4]
Montgomery D R, Dietrich W E. A physically based model for the topographic control on shallow landsliding[J]. Water Resources Research, 1994, 30(4):1153-1171. DOI:10.1029/93wr02979

[5]
Pack R T, Tarboton D G, Goodwin C N. The SINMAP approach to terrain stability mapping[C]. 1998. 8th congress of the international association of engineering geology, Vancouver, British Columbia, Canada. 1998:21-25.

[6]
Baum R L, Savage W Z, Godt J W. TRIGRS: A Fortran program for transient rainfall infiltration and grid- based regional slope-stability analysis, version 2.0[R]. USGS, Colorado, Open-File Report, 2008.

[7]
Reid M E, Christian S B, Brien D L, et al. Scoops3D-software to analyze three-dimensional slope stability throughout a digital landscape[M]. US Geological Survey Techniques and Methods, book, 2015.

[8]
同霄, 彭建兵, 朱兴华, 等. 降雨作用下黄土浅层滑坡的危险性分析[J]. 水土保持通报, 2016, 36(3):109-113.

[Tong X, Peng J B, Zhu X H, et al. Risk analysis of loess shallow landslides under different rainfall conditions[J]. Bulletin of Soil and Water Conservation, 2016, 36(3):109-113.] DOI:10.13961/j.cnki.stbctb.2016.03.020

[9]
高波, 王晓勇. 基于SINMAP模型的延安市滑坡危险性区划[J]. 水土保持通报, 2019, 39(3):211-216.

[Gao B, Wang X Y. Risk zoning of landslide based on SINMAP model in Yan'an city[J]. Bulletin of Soil and Water Conservation, 2019, 39(03):211-216.] DOI:10.13961/j.cnki.stbctb.2019.03.035

[10]
徐增辉, 金继明, 蔡耀辉, 等. 气候变化对黄土高原浅层滑坡影响的模拟研究——以延安宝塔区为例[J]. 水土保持研究, 2021, 28(1):387-393.

[Xu Z H, Jin J M, Cai Y H, et al. Impact of climate change on shallow landslides in the loess plateau - a case study in Baota Region, Yan'an city[J]. Research of Soil and Water Conservation, 2021, 28(1):387-393.] DOI:10.13869/j.cnki.rswc.2021.01.048

[11]
do Pinho T M, Filho O A. Landslide susceptibility mapping using the infinite slope, SHALSTAB, SINMAP, and TRIGRS models in Serra do Mar, Brazil[J]. Journal of Mountain Science, 2022, 19(4):1018-1036. DOI:10.1007/s11629-021-7057-z

[12]
Wei X, Zhang L L, Gardoni P, et al. Comparison of hybrid data-driven and physical models for landslide susceptibility mapping at regional scales[J]. Acta Geotechnica, 2023:1-24. DOI:10.1007/s11440-023-01841-4

[13]
Zhang S, Jiang Q G, Wu D Z, et al. Improved method of defining rainfall intensity and duration thresholds for shallow landslides based on TRIGRS[J]. Water, 2022, 14(4):524. DOI:10.3390/w14040524

[14]
Nie Y P, Li X Z, Xu R C. Dynamic hazard assessment of debris flow based on TRIGRS and flow-R coupled models[J]. Stochastic Environmental Research and Risk Assessment, 2022, 36(1):97-114. DOI:10.1007/s00477-021-02093-y

[15]
张波, 唐萌萌, 刘润泽. 动态数据驱动多模型耦合的滑坡稳定性分析方法[J]. 测绘与空间地理信息, 2017, 40(6):142-144,147.

[Zhang B, Tang M M, Liu R Z. Dynamic data driven multi-model coupled for analyzing the stability of landslide[J]. Geomatics & Spatial Information Technology, 2017, 40(6):142-144,147.] DOI:10.3969/j.issn.1672-5867.2017.06.047

[16]
马建文, 秦思娴. 数据同化算法研究现状综述[J]. 地球科学进展, 2012, 27(7):747-757.

DOI

[Ma J W, Qin S X. Recent advances and development of data assimilation algorithms[J]. Advances in Earth Sciences, 2012, 27(7):747-757.]

[17]
李新, 刘丰, 方苗. 模型与观测的和弦:地球系统科学中的数据同化[J]. 中国科学:地球科学, 2020, 50(9):1185-1194.

[Li X, Liu F, Fang M. Harmonizing models and observations: Data assimilation in Earth system science[J]. Sciential Sinica(Terrae), 2020, 50(9):1185-1194.]

[18]
Geer A J. Learning earth system models from observations: Machine learning or data assimilation?[J]. Philosophical Transactions Series A, Mathematical, Physical, and Engineering Sciences, 2021, 379(2194):20200089. DOI:10.1098/rsta.2020.0089

[19]
张智韬, 陈策, 贾江栋, 等. 基于EnKF和PF的沙壕渠灌域土壤含盐量监测模型研究[J]. 农业机械学报:, 2023, 54(6):361-372.

[Zhang Z T, Chen C, Jia J D, et al. Soil salinity monitoring model of shahaoqu irrigation area based on EnKF and PF algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(6):361-372.]

[20]
金哲, 汪涛, 张洪芹, 等. 基于中国大气反演系统的卫星CO2数据同化对全球碳收支的评估[J]. 中国科学:地球科学, 2023, 53(3):587-597.

[Jin Z, Wang T, Zhang H Q, et al. Constraint of satellite CO2 retrieval on the global carbon cycle from a Chinese atmospheric inversion system[J]. Scientia Sinica (Terrae), 2023, 53(3):587-597.]

[21]
Jiang C H, Zhu D J, Li H B, et al. Improving the particle filter for data assimilation in hydraulic modeling by using a Cauchy likelihood function[J]. Journal of Hydrology, 2023, 617:129050. DOI:10.1016/j.jhydrol.2022.129050

[22]
Jiang Y N, Liao M S, Zhou Z W, et al. Landslide deformation analysis by coupling deformation time series from SAR data with hydrological factors through data assimilation[J]. Remote Sensing, 2016, 8(3):179. DOI:10.3390/rs8030179

[23]
Wang J, Nie G G, Xue C H. Landslide displacement prediction based on time series analysis and data assimilation with hydrological factors[J]. Arabian Journal of Geosciences, 2020, 13(12):460. DOI:10.1007/s12517-020-05452-1

[24]
Xue C H, Nie G G, Li H Y, et al. Data assimilation with an improved particle filter and its application in the TRIGRS landslide model[J]. Natural Hazards and Earth System Sciences, 2018, 18(10):2801-2807. DOI:10.5194/nhess-18-2801-2018

[25]
朱建军, 胡俊, 李志伟, 等. InSAR滑坡监测研究进展[J]. 测绘学报, 2022, 51(10):2001-2019.

DOI

[Zhu J J, Hu J, Li Z W, et al. Recent progress in landslide monitoring with InSAR[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(10):2001-2019.]

DOI

[26]
何涯舟, 张珂, 晁丽君, 等. 基于多源遥感土壤湿度与模型数据同化的流域径流模拟[J]. 水资源保护, 2023, 39(2):145-151,189.

[He Y Z, Zhang K, Chao L J, et al. Watershed runoff simulation based on multi-source remotely sensed soil moisture and data assimilation[J]. Water Resources Protection, 2023, 39(2):145-151,189.] DOI:10.3880/j.issn.1004-6933.2023.02.018.

[27]
包姗宁, 曹春香, 黄健熙, 等. 同化叶面积指数和蒸散发双变量的冬小麦产量估测方法[J]. 地球信息科学学报, 2015, 17(7):871-882.

DOI

Cao C X, Huang J X, et al. Research on winter wheat yield estimation based on assimilation of leaf area index and evapotranspiration data[J]. Journal of Geo-information Science, 2015, 17(7):871-882.] DOI:10.3724/SP.J.1047.2015.00871

[28]
刘良云, 陈良富, 刘毅, 等. 全球碳盘点卫星遥感监测方法、进展与挑战[J]. 遥感学报, 2022, 26(2):243-267.

[Liu L Y, Chen L F, Liu Y, et al. Satellite remote sensing for global stocktaking: methods, progress and perspectives. National Remote Sensing Bulletin, 2022, 26(2):243-267.] DOI:10.11834/jrs.20221806

[29]
Zhou S H, Tian Z Y, Di H G, et al. Investigation of a loess-mudstone landslide and the induced structural damage in a high-speed railway tunnel[J]. Bulletin of Engineering Geology and the Environment, 2020, 79(5):2201-2212. DOI:10.1007/s10064-019-01711-y

[30]
王占巍, 赵发睿, 谢文苹, 等. 青海省高家湾滑坡的形成条件分析及稳定性评价[J]. 水土保持通报, 2020, 40(3):81-87.

[Wang Z W, Zhao F R, Xie W P, et al. Formation condition analysis and stability evaluation of Gaojiawan landslide in Qinghai province[J]. Bulletin of Soil and Water Conservation, 2020, 40(3):81-87.] DOI:10.13961/j.cnki.stbctb.2020.03.012

[31]
Meng X M, Qi T J, Zhao Y, et al. Deformation of the Zhangjiazhuang high-speed railway tunnel: An analysis of causal mechanisms using geomorphological surveys and D-InSAR monitoring[J]. Journal of Mountain Science, 2021, 18(7):1920-1936. DOI:10.1007/s11629-020-6493-5

[32]
Zhu Y, Qiu H, Liu Z, et al. Detecting long-term deformation of a loess landslide from the phase and amplitude of satellite SAR images: A retrospective analysis for the closure of a tunnel event[J]. Remote Sensing, 2021, 13(23):4841. DOI:10.3390/rs13234841

Options
文章导航

/

〈 〉