网上科普有关“农作物分类数据集和标注”话题很是火热，小编也是针对农作物分类数据集和标注寻找了一些与之相关的一些信息进行分析，如果能碰巧解决你现在面临的问题，希望能够帮助到您。

生物信息学（Bioinformatics）

是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。

生物信息学是一门利用计算机技术研究生物系统之规律的学科。

目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。

1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？

生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。

生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学

姑且不去引用生物信息学冗长的定义，以通俗的语言阐述其核心应用即是：随着包括人类基因组计划在内的生物基因组测序工程的里程碑式的进展，由此产生的包括生物体生老病死的生物数据以前所未有的速度递增，目前已达到每14个月翻一番的速度。同时随着互联网的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。然而这些仅仅是原始生物信息的获取，是生物信息学产业发展的初组阶段，这一阶段的生物信息学企业大都以出售生物数据库为生。以人类基因组测序而闻名的塞莱拉公司即是这一阶段的成功代表。

原始的生物信息资源挖掘出来后，生命科学工作者面临着严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学产业的高级阶段体现于此，人类从此进入了以生物信息学为中心的后基因组时代。结合生物信息学的新药创新工程即是这一阶段的典型应用。

[编辑本段]发展简介

生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在,1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌(E.coli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成DNA.DNA的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,"生物信息学"正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是"读懂"基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计.了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.

[编辑本段]主要研究方向

生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.

1,序列比对(Sequence Alignment)

序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.

2, 蛋白质结构比对和预测

基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列更多的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.

3, 基因识别,非编码区分析研究.

基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading frames),启动子(promoter)识别,HMM(Hidden Markov Model)和GENSCAN,Splice Alignment等等.

4, 分子进化和比较基因组学

分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因；Paralogous: 相同种族,不同功能的基因；Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.

5, 序列重叠群(Contigs)装配

根据现行的测序技术,每次反应只能测出500 或更多一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.

6, 遗传密码的起源

通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.

7, 基于结构的药物设计

人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.

8.生物系统的建模和仿真

随着大规模实验技术的发展和数据累积，从全局和系统水平研究和分析生物学系统，揭示其发展规律已经成为后基因组时代的另外一个研究 热点-系统生物学。目前来看，其研究内容包括生物系统的模拟（Curr Opin Rheumatol，2007，463-70），系统稳定性分析（Nonlinear Dynamics Psychol Life Sci，2007，413-33），系统鲁棒性分析（Ernst Schering Res Found Workshop， 2007，69-88）等方面。以SBML（Bioinformatics，2007，1297-8）为代表的建模语言在迅速发展之中，以布尔网络 （PLoS Comput Biol，2007，e163）、微分方程（Mol Biol Cell，2004，3841-62）、随机过程（Neural Comput，2007，3262-92）、离散动态事件系统等（Bioinformatics，2007，336-43）方法在系统分析中已经得到应 用。很多模型的建立借鉴了电路和其它物理系统建模的方法，很多研究试图从信息流、熵和能量流等宏观分析思想来解决系统的复杂性问题（Anal Quant Cytol Histol，2007，296-308）。当然，建立生物系统的理论模型还需要很长时间的努力，现在实验观测数据虽然在海量增加，但是生物系统的模型辨 识所需要的数据远远超过了目前数据的产出能力。例如，对于时间序列的芯片数据，采样点的数量还不足以使用传统的时间序列建模方法，巨大的实验代价是目前系 统建模主要困难。系统描述和建模方法也需要开创性的发展。

9.生物信息学技术方法的研究

生物信息学不仅仅是生物学知识的简单整理和、数学、物理学、信息科学等学科知识的简单应用。海量数据和复杂的背景导致机器学习、统 计数据分析和系统描述等方法需要在生物信息学所面临的背景之中迅速发展。巨大的计算量、复杂的噪声模式、海量的时变数据给传统的统计分析带来了巨大的困难， 需要像非参数统计（BMC Bioinformatics，2007，339）、聚类分析（Qual Life Res，2007，1655-63）等更加灵活的数据分析技术。高维数据的分析需要偏最小二乘（partial least squares，PLS）等特征空间的压缩技术。在计算机算法的开发中，需要充分考虑算法的时间和空间复杂度，使用并行计算、网格计算等技术来拓展算法的 可实现性。

10, 生物图像

没有血缘关系的人，为什么长得那么像呢？

外貌是像点组成的，像点愈重合两人长得愈像，那两个没有血缘关系的人像点为什么重合？

有什么生物学基础？基因是不是相似？我不知道，希望专家解答。

11, 其他

如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.

[编辑本段]生物信息学与机器学习

生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究其原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效。机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能.机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用"黑箱"操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.

[编辑本段]生物信息学的数学问题

生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.

1, 统计学的悖论

数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显著的悖论莫过于均值了，就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来更多的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于

对数据的结构缺乏一般性认识而产生的.

2, 度量空间的假设

在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢，我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.

[编辑本段]统计学习理论在生物信息学中应用的困难

生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论,Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.

地质灾害危险性分区是在地质灾害易发区基础上进行的。地质灾害的易发性代表了地质灾害是否具备形成条件和发生地质灾害的难易程度。而地质灾害的危险性则包括了地质灾害的活动程度、威胁的范围、易发程度和诱发因素，是地质灾害形成的可能性。仍然采用信息量法进行计算。

一、地质灾害危险性评价指标体系

控制和影响地质灾害形成的地质条件很多，但归纳起来主包括两方面的条件，即地质灾害形成的基础条件和诱发条件。依此，可建立地质灾害危险性评价指标体系（图6-12）。

1.地质灾害活动程度

地质灾害活动程度主要是指地质灾害活动的历史。在本次地质灾害危险性评价中，主要考虑地质灾害活动的点密度和面密度，将其作为地质灾害危险性分区的依据。但地质灾害活动的历史只能说明地质灾害的过去，而未来地质灾害活动程度怎样，危险性大小主要取决于地质灾害的形成条件及诱发因素。

2.地质灾害形成条件

地质灾害形成条件包括主要控制因素和影响条件。本次地质灾害危险性区划评价中主要选取斜坡结构类型、工程地质岩组、水文地质条件、斜坡几何形态、断裂构造和人类活动等条件。

3.地质灾害威胁范围

地质灾害一旦发生，其可能影响的范围，即存在地质灾害危险的范围。本次确定的地质灾害威胁范围主要包括易发区本身斜坡地带，同时也包括沟谷底部及河流、水库内的一定范围。

图6-12 地质灾害危险性程度评价指标体系图

4.地质灾害诱发因素

诱发因素是指能够使地质环境系统向着地质灾害发生的方向演化或者导致地质灾害发生的内动力和外动力地质作用。本区诱发条件主要包括地震、降雨和人类工程活动。但由于本区地震活动相对较弱，而且能够代表地震活动程度的地震烈度和地震动峰值加速度在县域内区别不大，因此本次危险性评价中未考虑地震活动的影响因素。参与评价的主要诱发因素为降雨和人类工程活动。

二、地质灾害危险性分区

1.评价指标的量化

危险性评价采用信息量法进行计算，用1：50000地形图提取基础地理信息，从遥感影像中提取植被图层，利用降雨量等值线图提取降雨指标，人类工程活动主要从地形图和灵台县发展规划中提取，得到各种评价指标的图层，根据实际调查资料可以获得地质灾害的点密度和面密度，并将这些指标引入GIS操作系统中。

2.基于GIS的信息量分析模型迭加计算

采用基于GIS的信息量分析模型进行迭加计算，通过计算诸影响因素对斜坡变形破坏所提供的信息量值，作为区划定量指标，既能正确地反映地质灾害的基本规律，又简便、易行、实用，且便于推广应用。计算原理与过程如下：

信息预测的观点认为，滑坡与崩塌等地质灾害的产生与否与预测过程中所获取信息的数量和质量有关，是用信息量来衡量的，即：

甘肃省灵台县地质灾害研究

式中：I（Y，x1，x2，x3，…，xn）为因素组合x1，x2，x3，…，xn对滑坡与崩塌等地质灾害所提供的信息量，P（Y，x1，x2，x3，…，xn）为因素x1，x2，x3，…，xn组合条件下滑坡与崩塌等地质灾害发生的概率，P（Y）为滑坡与崩塌等地质灾害发生概率。

根据条件概率运算，式6-1可进一步写成：

甘肃省灵台县地质灾害研究

式中：Ix1（Y，x2）为在因素x1存在时，因素x2对滑坡与崩塌等地质灾害提供的信息量。

信息量法评价模型的建立过程如下：

1）首先计算各因素xi对地质灾害发生事件（H）提供的信息量I（xi，H），即：

甘肃省灵台县地质灾害研究

式中：P（xi|H）为地质灾害分布条件下出现xi的概率，P（xi）为研究区内出现xi的概率。

式6-3是其理论模型，但在实际计算时往往用下列样本频率计算：

甘肃省灵台县地质灾害研究

式中：S为研究区评价单元总数，N为研究区有地质灾害分布的单元总数，Si为研究区内含有评价因素xi的单元数，Ni为分布在因素xi内特定类别内的地质灾害单元数。

2）计算某个评价单元内n种因素对地质灾害发生的提供的总信息量Ii：

甘肃省灵台县地质灾害研究

式中：Ii为评价单元总的信息量值，n为参评因子数。

3）用总的信息量Ii作为该单元影响地质灾害发生的综合指标，其值越大越有利于地质灾害的发生，该单元的地质灾害危险性亦越高。

4）信息量结果值的分级：通常情况下，利用该模型得到的结果值Ii，是连续分布的绝对数值，需要对最终的全部单元的信息量值划分级别，将全区划分成不同等级的易发程度分区。

根据Ii的大小，给单元确定稳定性等级。Ii＜0表示该单元变形破坏的可能性小于区域平均变形破坏的可能性；Ii＝0表示该单元变形破坏的可能性等于区域平均变形破坏的可能性；Ii＞0表示该单元变形破坏的可能性大于区域平均变形破坏的可能性。也就是说，单元的信息量越大越有利于斜坡变形破坏。

5）统计分析（主观判断或聚类分析）找出突变点作为分界点，将区域分成不同等级。

评价指标的基础数据均为定量描述的数据，须采用标准化、规格化、均匀化，或对数、平方根等数值变换方法统一量纲，或者用归一化处理后变成无量纲的数据，方可代入评价模型。

3.建立模型步骤与方法

（1）因子图层的准备和重分类

首先，为进行有效的分析准备因子图层。按照信息量模型中选取因素的方法确定参与评价的因子，然后将其以1：50000地图图层的形式进入GIS系统中并将得到的因子图进行重分类。

（2）各因子图层与地质灾害分布图的叠加分析

各因子图层准备好之后，就可以在GIS中结合地质灾害分布图进行分析。对式6-5作变换可得：

甘肃省灵台县地质灾害研究

式中：N/S为区域总的地质灾害分布密度，在研究区域一定的情况下，它是一个定值；N/Si为地质灾害在某图层特定类别内的分布密度。由于可以看出，模型中关键点之一是求出每一因子图层中各类型中地质灾害的分布密度。为统计Ni/Si，需要得到地质灾害在每种因素的各个类别中的分布情况，在GIS中利用其空间分析（spatial analyst）功能来实现。

（3）各图层各类别信息量值的计算

将各图层因子的属性表和对应的地质灾害分布图做空间分析运算后，按如下公式计算出各图层各类别信息量值：

甘肃省灵台县地质灾害研究

由此可得各图层因子内各类别的信息量，按照各类别与对应的信息量之间的关系，对各类别赋予其对应的信息量值，可得单因子图层的信息量图。每个图层因子中各类别的信息量值求出后，就可以对不同图层之间相对应的栅格进行累加，最终结果得到整个研究区的一张综合信息量图，即地质灾害易发性区划图。

（4）格网大小的选取

单元网格的划分是否恰当，影响着地质灾害易发性区划结果的合理性，也影响到区划过程中各参数获取的难易程度。研究区栅格单元大小的选择依赖于分析所需的数据精度，既要足够小以获得所需细节，也要足够大以便计算机存储和保证分析的效率。在确定单元大小时，应该考虑以下几个方面的因素：

1）输入数据的精度；

2）结果数据库的大小和磁盘容量；

3）期望的相应时间；

4）将要进行的应用和分析。

比输入精度更精细的单元并不能获得比输入更精确的数据。结果栅格数据集应该与输入数据集同精度或更粗糙些。单元的大小依据研究不同而不同，单元越小，精度和准确度越高，但在编码、数据库存储和分析处理速率上的成本相应增大。对多数分析来说，基于单元分析的效率比精度损失更为重要。

适宜网格单元大小的选取受多种要素的影响，但各要素对单元选取的敏感性是不相同的（其中最为敏感的要素是地形），这些要素对格网大小选取的影响过程仍值得深入研究。在很多情况下，适宜格网单元大小的选取完全取决于专家知识和经验，无论其他要素对格网大小选取影响多大，原始数据、特别是地形数据的分辨率是格网单元选取首要考虑的要素。灵台县地质灾害危险性区划评价仍然采用500m×500m剖分栅格单元，灵台县全区评价单元共计8084个。

根据前述信息量计算方法，计算得到各单元总信息量。各因素对滑坡、崩塌等地质灾害发生的贡献越大，发生地质灾害的可能性就越大。利用统计学中常用的自然断点法将危险性区划图重新分类，将灵台县全区的地质灾害危险性划分为三级：高危险区、中危险区、低危险区。

在信息量模型定量计算分区的基础上，综合考虑各种因素，最终人工勾画出灵台县地质灾害危险程度分区图（图6-13）。

图6-13 灵台县地质灾害危险性分区图

依据地质灾害危险性分区结果，充分考虑地质灾害防治规划工作的开展，综合灵台县地貌、岩土特征、地质构造、年降雨分布规律及人类活动程度等特点，将灵台县滑坡、崩塌、泥石流灾害危险程度划分为地质灾害高危险区、中危险区、低危险区和极低危险区，根据地质灾害分布、组合特征又进一步划分为16个亚区（表6-4）。

4.危险性分区评价

（1）地质灾害高危险区（Ⅰ）

灵台县地质灾害高危险区面积232.49km2，占总面积的11.35％。包括6个地质灾害高危险亚区，即黑河北岸梁原乡横渠—付家沟—官村—朱家湾—杜家沟—景家庄子地质灾害高危险亚区（Ⅰ1）、黑河南岸梁原乡张家塬—温家庄—东门—朱家湾高地质灾害危险亚区（Ⅰ2）、达溪河北岸沿线地质灾害高危险亚区（Ⅰ3）、达溪河南岸中台镇—蒲窝乡—新开乡邵寨镇黄土梁峁丘陵地质灾害高危险亚区（Ⅰ4）、邵寨镇黄土梁峁丘陵地质灾害高危险亚区（Ⅰ5）和独店乡什字塬北部黄土梁峁丘陵地质灾害高危险亚区（Ⅰ6）。本区所处地貌单元主要为黄土梁峁沟壑区及黄土丘陵区。岩性主要为第四系黄土和白垩系紫红色泥岩、砂岩、砂砾岩，地表黄土覆盖厚度较大，黄土大都向冲沟倾斜。局部地形坡度较大，区内工程地质条件差，岩土层的表层风化较严重，本区人类活动比较强烈，沟谷边坡人口比较密集，人类活动对环境的改造极为强烈，主要包括建房切坡、开挖窑洞、修路等，人为活动诱发滑坡、崩塌的可能性较大。本区植被稀疏，以农作物为主，不利于水土保持。丘陵区沟谷大多处于壮年期或幼年期，侵蚀作用比较强烈。在汛期遇暴雨和连阴雨天气容易形成滑坡、崩塌灾害。特殊的岩土条件和气象条件为地质灾害的形成提供了可能性。本区也是全县滑坡、崩塌地质灾害最严重的地区。

表6-4 地质灾害危险程度分区说明表

（2）地质灾害中危险区（Ⅱ）

灵台县地质灾害中危险区面积604.03km2，占总面积的44.12％，地质灾害为灾滑坡，崩塌、泥石流和不稳定斜坡。包括4个地质灾害中危险亚区，即黑河北岸梁原乡黄土梁峁丘陵地质灾害中危险亚区（Ⅱ1），黑河南岸-什字塬以北黄土梁峁丘陵地质灾害中危险亚区（Ⅱ2），什字塬以南-达溪河以北黄土梁峁丘陵地质灾害中危险亚区（Ⅱ3），达溪河南岸中台镇蒲窝乡新开乡邵寨镇广大黄土梁峁丘陵地质灾害中危险亚区（Ⅱ4）。本区岩性为第四系中上更新统黄土覆盖于白垩系砂砾岩、砂岩、泥岩基岩之上，厚度不等，在降水作用下容易沿黄土与基岩的接触面形成滑坡。区内人类工程活动相对较强，人口比较多。人类工程活动比较强烈主要表现是为各种目的而进行的切坡，加大了崩塌、滑坡的临空面。黄土层岩石风化破碎，节理裂隙发育，为灾害中易发区。丘陵区沟谷大多处于壮年期或幼年期，侵蚀作用比较强烈，沟坡多为阶状陡坡。在汛期容易形成滑坡、崩塌灾害。灾害点分布在村庄周围、公路沿线、河谷边坡地带。地质灾害一旦发生，危害较大。

（3）地质灾害低危险区（Ⅲ）

灵台县地质灾害低危险区面积912.48km2，占总面积的44.53％，地质灾害发育较少，危险性相对较小。包括6个地质灾害低危险亚区，即梁原乡王家沟黄土塬地质灾害低危险亚区（Ⅳ1）、黑河宽阔河谷地质灾害低危险亚区（Ⅳ2）、什字塬地质灾害低危险亚区（Ⅳ3）、达溪河河谷地质灾害低危险亚区（Ⅳ4）、邵寨镇黄土塬地质灾害低危险亚区（Ⅳ5）、百里乡林场地质灾害低危险亚区（Ⅳ6）。本区黄土塬区及黄土小台塬区和宽阔的河谷区工程地质条件很好，地形平坦，虽然人类工程活动较频繁但很少发生地质灾害，百里乡林场区植被茂密，人烟稀少，人类工程活动较少，人类工程活动弱，地质环境相对优越，为地质灾害低危险区。

关于“农作物分类数据集和标注”这个话题的介绍，今天小编就给大家分享完了，如果对你有所帮助请保持对本站的关注！