✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 具体问题可以私信或扫描文章底部二维码。
(1) 本研究基于遥感（RS）和地理信息系统（GIS）技术，对宁夏盐池县的地质灾害进行了系统的风险评价，以揭示其发育特征和分布规律。通过多源、多时相遥感数据的整合，研究建立了地质灾害的解译标志，并成功解译出滑坡125处、崩塌84处、泥石流19处及地面塌陷3处。灾害点的空间分布呈现出显著的区域聚集性，主要集中在麻黄山乡、大水坑镇和惠安堡镇，这些区域的灾害点沿着苦水河沟、李家大湾沟、彭家沟等6条北西向沟谷呈线性分布的特征。整体上，灾害点密度表现为南部较高，北部较低，且南部有明显的聚集，而北部的灾害点相对较为分散。这种分布规律的形成与该地区的地形地貌、岩性条件及人类活动密切相关，特别是在地势陡峭、岩性破碎以及受水流冲蚀的沟谷区域，地质灾害的发育尤为显著。
(2) 为进一步探讨地质灾害的成因和发展趋势，研究利用像元二分法对盐池县1989年至2014年间的植被覆盖度和景观格局变化进行了分析。结果表明，在过去25年中，盐池县植被覆盖度整体表现为东部相对较高而西部较低的特点，植被变化呈现出恢复-退化-再恢复的过程，总体处于逐步恢复的趋势中。景观格局的变化也表明各类景观的破碎化程度整体有所减轻，异质性有所改善，景观格局趋于更加稳定和连续。植被斑块的重心在西北方向出现了退化，但在东南和东北方向则出现了扩张，表明植被在这些区域的生长状况得到了一定改善。这种变化是植被恢复治理措施与降水等自然因素共同作用的结果。在盐池县东南和东北方向的区域，植被的持续恢复与当地政府采取的生态治理措施有很大关系，例如植树造林和封山育林等措施都对改善生态环境质量起到了积极的作用。
(3) 基于主成分分析法，构建了遥感生态环境指数（RSEI），对盐池县生态环境质量的时空变化进行了监测和评估。结果显示，在1989年、1999年、2006年和2014年四个年份中，RSEI的均值分别为0.41、0.54、0.51和0.56，整体表现出先上升后下降再上升的变化趋势，总体上生态环境质量向好发展。在25年间，生态环境质量明显改善的区域占全县面积的20.55%，而生态环境明显变差的区域则仅占1.43%。这种变化的主要驱动因素是气候因子，尤其是降水量和气温的变化对生态环境质量的影响较为显著。在降水较为丰沛的年份，植被覆盖度明显增加，生态环境质量得到改善；而在降水较少或气温偏高的年份，植被出现退化，生态环境质量有所下降。通过对生态环境质量变化的分析，可以更好地了解盐池县的生态系统脆弱性，为地质灾害防治提供依据。
(4) 为了系统分析地质灾害与其评价因子之间的关系，本研究采用了定性与定量相结合的方法，使用信息量模型、逻辑回归模型以及确定性系数模型对盐池县地质灾害的敏感性进行了分析和评价。研究分别采用了信息量模型+逻辑回归模型和确定性系数模型+逻辑回归模型两种组合模型进行地质灾害敏感性评价，结果表明信息量模型+逻辑回归模型的精度更高，评价出的高敏感区约占全县面积的4.43%。这些高敏感区主要分布在麻黄山地区及西南部的惠安堡镇，这些区域地形陡峭、植被覆盖度较低，且地质条件较为复杂，因而更易发生地质灾害。利用ROC曲线对模型的精度进行了检验，结果表明信息量模型+逻辑回归模型的ROC曲线下面积更大，说明该模型具有更好的预测效果。
(5) 在地质灾害的危险性评价和区划中，研究建立了较为完善的灾害危险性评价指标体系，采用了层次分析法、普通最小二乘回归（OLS）、地理加权回归（GWR）以及支持向量机（SVM）四种模型对盐池县地质灾害的危险性进行了分析。结果显示，四种模型得到的地质灾害点密度均表现出整体由极低危险区到极高危险区逐渐增加的趋势。其中，GWR模型的ROC精度最高，评价出的高和极高危险区面积分别占全县总面积的18.24%和6.78%，这些区域主要集中在麻黄山地区、道路周边以及河流两侧。通过对不同模型的比较，研究发现GWR模型在处理地质灾害的空间异质性方面具有较好的优势，能够更准确地反映地质灾害的空间分布特征。
(6) 最后，通过对研究区地质灾害的风险进行评估，结果显示盐池县高和极高风险区面积分别占全县总面积的17.64%和3.32%，主要分布于麻黄山乡的沟谷两侧、道路两侧区域以及盐池县城、大水坑镇等村镇人口密度较高的地区。这些区域由于地形条件复杂、人口密集以及基础设施相对脆弱，因此在地质灾害发生时更容易受到严重影响。在此基础上，研究初步探索了地质灾害风险管理的策略，并提出了相应的防治建议，包括加强地质灾害监测预警、实施植被恢复和水土保持工程、改进基础设施建设以及增强公众的防灾减灾意识等措施。这些措施的实施将有助于降低地质灾害对当地居民生命财产安全的威胁，提高盐池县地质灾害风险管理的水平。
import geopandas as gpd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
import numpy as np
# 读取地质灾害点数据和影响因子数据
hazard_points = gpd.read_file("hazard_points.geojson")
environmental_factors = gpd.read_file("environmental_factors.geojson")
# 提取特征和标签
X = environmental_factors[['slope', 'elevation', 'vegetation_density']]
y = hazard_points['hazard_present']
# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X, y)
# 使用模型进行预测
predicted = model.predict(X)
# 将预测结果添加到GeoDataFrame中
environmental_factors['hazard_prediction'] = predicted
# 绘制地质灾害敏感性地图
fig, ax = plt.subplots(figsize=(10, 10))
ax.set_title('盐池县地质灾害敏感性评价')
environmental_factors.plot(column='hazard_prediction', ax=ax, legend=True, cmap='Reds')
plt.show()
# 保存预测结果为新的GeoJSON文件
environmental_factors.to_file("hazard_sensitivity.geojson", driver='GeoJSON')