杨根云
, 周伟, 方教勇
成都理工大学 地质灾害防治与地质环境保护国家重点实验室,成都 610059
YANG Genyun, ZHOU Wei, FANG Jiaoyong
通讯作者:
收稿日期: 2017-11-14
修回日期: 2018-03-12
网络出版日期: 2018-05-20
版权声明: 2018 《地球信息科学学报》编辑部 《地球信息科学学报》编辑部 所有
基金资助:
作者简介:
作者简介：杨根云(1993-),男,硕士生,主要从事岩土体稳定性及工程环境效应方面的研究。E-mail: 1005940340@qq.com
展开
摘要
本文以北川曲山-擂鼓片区为研究区,将坡度、坡向、高程、地层、距断层的距离、距水系的距离和距道路的距离作为该区域滑坡易发性评价因子。采用信息量模型计算了各项评价因子的信息量值,并运用4种标准化模型对信息量值进行标准化处理。各评价因子的权重由层次分析法（AHP）确定。在GIS中将权重值和各评价因子的标准化信息量值,进行叠加计算得到区域滑坡总信息量值,并基于自然断点法对其进行重分类,将研究区划分为极高易发区、高易发区、中易发区、低易发区和极低易发区5级易发区。将基于4种标准化模型和信息量模型得到的滑坡易发性评价结果进行了对比分析,结果表明：基于最值标准化信息量模型的滑坡易发性评价结果的ROC曲线下面积AUC值为0.807,高于其余模型的AUC值,说明最值标准化信息量模型的滑坡易发性评价效果最好。极高易发区面积占研究区面积的20.03%,离断层和水系较近,主要分布地层为寒武系、志留系和三迭系。研究结果可为区内滑坡风险评价和灾害防治提供参考。
关键词：
Abstract
This paper used an information quantity model and four normalized models to assess earthquake-induced shallow landslide susceptibility in a geographic information system environment. Four normalized models are Min-Max normalization, the zero-mean normalization, the logarithmic logistic normalization and the arc-tangent function normalization. The approach was applied to the Qushan-Leigu area in the Beichuan County, Sichuan Province, where many co-seismic landslides were triggered by the Wenchuan earthquake in May 2008. Seven impact factors, the slope angle, slope aspect, geology, elevation, distance to faults, distance to rivers and distance to roads, were selected as the most important conditioning factors. To assess the shallow landslide susceptibility, a spatial database of conditioning factors and a landslide inventory map were compiled in ArcGIS using data from a topographic map, a geological map and Spot-5 imageries. The information quantity values of the conditioning factors were computed and normalized based on four normalized models. The weighted values of assessment factors were determined using the analytic hierarchy process. Five landslide susceptibility maps were developed. The performance was evaluated using the receiver operating characteristic (ROC) curve. The values of the area under the curve (AUC) for four normalized models and the information quantity model are 0.807, 0.672, 0.592, 0.615 and 0.684, respectively. A comparison of the results of the landslide susceptibility assessment and the landslide inventory indicates that the Min-Max normalization had the highest predictive performance (AUC=0.807). The landslide susceptibility index values were reclassified into five susceptibility classes using the Natural Breaks approach, namely very high, high, medium, low and very low susceptibility. The results show that the very high susceptibility zone obtained using the Min-Max normalization covers about 20% of the study area. Landslides distributed in the very high susceptibility zone are close to faults and rivers. The final landslide susceptibility map has the potential to the regional landslide risk assessment and geohazard mitigation.
Keywords：
滑坡是中国山区常见的一种地质灾害,分布较广,发生次数多,发生频率较高[1]。根据国土资源部发布的数据,2016年中国共发生各类地质灾害9710起,造成370人死亡,35人失踪,209人受伤,直接经济损失31.7亿元,其中滑坡共7403起,占地质灾害总数的76%[2]。滑坡的危险性预测和评价,有助于山区的地质灾害防灾减灾工作,降低地质灾害造成的人员伤亡和经济损失。
滑坡易发性分析是滑坡危险性评估的基础,因滑坡具有多变性和复杂性,目前尚无较成熟的区域滑坡易发性评价方法[3,4,5]。国内外学者常采用信息量模型、逻辑回归模型、层次分析法、模糊数学、神经网络等定量评价区域崩塌滑坡易发性[6,7,8,9,10]。文海家等[10]应用神经网络和逻辑回归模型对汶川县范围内地震诱发的滑坡进行易发性评价,2种模型预测效果都较好且逻辑回归模型预测精度相对较高。Garcia-Rodrigue等[11]应用逻辑回归模型对地震诱发的崩塌滑坡进行了敏感性分析。许冲等[12]利用卫星图像解译汶川地震滑坡灾害,采用确定性系数分析方法对滑坡进行易发性分析。庄建琦等[13]采用信息量法对汶川都汶公路沿线的崩塌滑坡进行了危险性评价。
信息量法具有较高客观性和易实现的特点,常被用于评价地质灾害易发性。基于GIS技术,采用信息量法能够快速评价区域滑坡易发性且有较好的评价效果[14,15]。滑坡易发性评价体系中的各项指标性质不同,相应二级指标的信息量值之间的差异可能较大,故本文尝试在将信息量标准化后对滑坡进行易发性评价。本文结合北川县曲山-擂鼓片区的滑坡分布特征,选取坡度、坡向、高程、地层、距断层的距离、距水系的距离和人类工程活动共7个影响滑坡形成的因素,基于信息量模型和数据标准化对研究区的滑坡易发性进行定量分析,同时将其与基于信息量模型的滑坡易发性评价结果进行对比,寻求适合该区域滑坡易发性评价方法,以期为该区域的滑坡风险评价和灾害防治提供参考。
研究区位于四川省绵阳市北川羌族自治县境内曲山-擂鼓镇一带,地理坐标为104°20′33" ~ 104°33′10" E,31°43′12" ~31°53′45" N,面积约为146.98 km2（图1）。区境内地形切割强烈,地形起伏较大。海拔高程为600~2340 m,最大相对高差为1740 m。地貌类型以侵蚀构造山地为主。研究区内地层岩性包括寒武系粉砂岩、砂岩、硅质岩,奥陶系泥灰岩、灰岩,全新统砂、砾、砾石,志留系页岩、砂岩、千枚岩,泥盆系石灰岩、砂页岩、泥质灰岩,石炭系石灰岩、页岩,二迭系石灰岩、泥质灰岩、页岩,三迭系灰岩和新生界第四系松散堆积层。区内地质构造和岩层走向均以NE走向为主[15]。
图1 研究区位置与滑坡分布图
Fig. 1 Location map and distribution map of landslides of the study area
研究区位于亚热带湿润季风气候区,年均气温14.4~16.1 ℃。区内平均降雨量为1399.1 mm,6-9月的降雨量占全年降雨量的83%。降雨分布不均,东南向西北的降雨量逐渐减小[15]。
在2008年汶川大地震之前,研究区滑坡零星分布。地震后,北川县属于极重灾区。受强烈地震的影响,区内滑坡急剧增加。研究区地震滑坡有1324个,70%以上的滑坡面积大于10 000 m2。滑坡类型主要有浅层滑坡、山体破坏滑坡和深层滑坡等。滑坡主要分布在湔江一带以及擂鼓镇的西南方向。
本研究所需的数据包括评价因子和滑坡分布的数据。评价因子数据来源于1:5万地形图和1:20万地质图。滑坡分布的数据来源于法国SPOT5卫星影像。该影像拍摄于2008年10月14日,分辨率为2.5 m。
将1:5万地形图和1:20万地质图扫描后,在ArcGIS里面矢量化,可获取等高线、水系、道路、地层和断层数据。使用ArcGIS空间分析工具,将等高线转为数字高程模型（DEM）,由此可获得高程数据。借助表面分析工具,可获得评价因子中的坡度和坡向数据。借助缓冲区分析工具,可获取距水系距离、距道路距离和距断层距离。根据国家空间数据标准,选取的栅格数据单元大小为25 m×25 m。
地震滑坡的影响因素较多,黄润秋等[16]和 Marco[17]等认为坡度、高程、地层岩性、构造、河流地质作用、土地利用和植被覆盖等均是区域滑坡的影响因子。许冲等[18]将汶川地震滑坡的影响因素分为内外动力2大类因素,其中内动力因素包括地质、构造、地形和水文4个因素,外动力因素包括地震和人类工程活动两个因素。白仙富[19]等指出坡度、烈度、岩性、降水和地表覆被等因素对汶川地震滑坡的影响程度不同,其中坡度是地震滑坡形成的必要条件,且在坡度一定的条件下,烈度对地震滑坡的影响最为突出。沈玲玲等[20]选择坡度、坡向、水系、岩性和断层作为评价因子,对甘肃岷县地震滑坡进行易发性评价。基于上述研究,结合本文研究区的野外调查和地质环境背景分析,选取坡度、坡向、高程、地层、距断层的距离、距水系的距离和人类工程活动作为影响因素。本文没有考虑地震烈度的影响,其原因在于研究区范围较小,烈度几乎无差异,对滑坡的形成贡献差别不大。人类工程活动主要体现在山区修建道路方面,故用距道路的距离替换人类工程活动因素。
依据研究区滑坡频率分布对坡度、高程、距水系的距离、距断层的距离和距道路的距离进行分级;按照各个方向角度对坡向来进行分级;参照研究区地层岩性分布对地层进行分级。
斜坡的应力分布、松散物质的堆积、降雨过程中地表径流的形成与冲刷和人类活动等都与地形坡度的差异有重要的关系,而这些因素又影响着斜坡稳定性。坡度与水文条件、土层厚度、岩性特征等许多因素关系十分紧密,从而在几何特征上影响着滑坡的空间分布。坡度的差异为滑坡提供了临空面,是滑坡发生的重要影响因素。滑坡在坡度为15°以内分布很少。以15°为间隔,将坡度分为5级。坡度分级如图2（a）所示。滑坡主要分布在30°~60°范围内,数量为1280个,面积约占滑坡总面积的99.86%。
各坡向的太阳辐射强度等条件存在差异,导致不同坡向的植被覆盖、斜坡表面的水蒸发量、坡面侵蚀等也存在差异,进而影响斜坡稳定性,所以坡向是影响滑坡形成的重要因子。按照各个方向角度对坡向进行分级。坡向共分为8个方向,如图2（b）所示。滑坡主要分布集中在东、东南和南3个方向,数量为835个,面积约占滑坡总面积的78.35%。
不同高程的地形坡度差异导致了局部的集水平台,不同的高程存在临空面和人类活动的差异,所以高程对滑坡的产生及分布有着重要的影响。高程分级时,初始高程为600 m,在900 m内,滑坡分布相对较少。以300 m为间隔,将高程划分为6级,如图2(c)所示。滑坡主要分布于900~1800 m之间,数量为1102个,面积约占滑坡总面积的84.46%。
地层是滑坡产生的重要基础。不同地层区域的岩性不同,导致滑坡类型和规模有较大差异。地层是控制滑坡发生的一个重要内在因素。研究区地层种类较多,从第四系到寒武系均有出露。研究区地层分布如图2（d）所示。滑坡对地层有一定的对应关系,滑坡主要分布于寒武系、志留系和三迭系地层中,数量为1076个,面积约占滑坡总面积的85.09%。
在距离断层一定范围内,岩土体结构易遭到破坏,其完整性和稳定性降低,为外界水流动提供了通道,进一步加剧了滑坡的活动。因此,断层对滑坡产生有重要意义。根据断层的延伸性、规模类型,充分考虑研究区实际情况,滑坡主要分布在距断层1 km以内,数量为808个。面积约占滑坡总面积的36.83%。以1 km为间隔,进行缓冲区分析,将距断层的距离分为六段。距断层的距离分级如图2（e）所示。
水对滑坡的发生起着重要的作用。水能够增加土体自身的有效重力和降低潜在滑面的摩擦力,导致滑坡更易发生。经统计分析,研究区滑坡主要分布在距水系200 m以内,数量为733个,面积约占滑坡总面积的78.2%。间隔为200 m,将水系进行缓冲区分析,分为五级。水系分级如图2（f）所示。
人类工程活动对滑坡的影响主要体现在修建道路时,出现的削坡、坡顶加载等常会改变斜坡地貌,可能会破坏斜坡结构。经统计,研究区滑坡主要分布在距道路200 m以内,数量为419个,约占滑坡总面积的52.19%。以200 m为间隔,将道路进行缓冲区分析,分为五级。道路分级如图2（g）所示。
信息量模型是一种基于信息论的统计预测方法,现已被广泛应用在滑坡等地质灾害易发性评价中。信息量法认为可根据评价因子推算出信息值预测是否发生滑坡。信息量值为负,数值就越小,说明发生滑坡灾害可能性较小。信息量值越大,表明地质灾害发生的可能性越高[15]。信息量值计算公式如下[21]：
式中：I(xij, L)为评价因子xi的第j级对滑坡提供的信息量;Nij为评价因子xi的第j级内滑坡单元数;N为评价因子xi的单元数;S0为研究区内的滑坡单元数;S为研究区内的评价单元总数。
评价因子的分级标准不同,计算出的评价因子间的信息量值可能相差较大,甚至会出现数量级的差别。对这些信息量值进行分析时,评价因子在滑坡形成中所起的作用会出现偏差,如数值较高的评价因子在综合分析中的作用被加强,数值较低的评价因子的作用被相对削弱。为了保证结果的可靠性,需要对原始信息量值进行标准化处理。目前尚无较好的办法确定采用哪种数据标准化方法,故本文选取了4个常用的数据标准化模型：最值标准化、偏差法标准化、对数Logistic模型标准化和反正切函数模型标准化[22,23,24]。利用标准化公式处理数据后,数据将映射在区间[-1, 1]内,但偏差法标准化公式属于最大值和最小值未知的情况,其标准化结果可能超出[-1, 1]范围。
采用最值标准化方法对由式（1）计算而得的信息量值进行标准化。计算公式如下：
式中：I(xij, L)Norm为评价因子xi的第j级的标准化信息量值;I(xij, L)为评价因子xi的第j级的信息量值; I(xi, L)min为评价因子xi内最小的信息量值;I(xi,L)max为评价因子xi内最大的信息量值。
偏差法标准化计算公式如下：
式中：I（xij,L）Norm为评价因子xi的第j级的标准化信息量值;I(xij,L)为评价因子xi的第j级的信息量值;μ为均值;σ为标准差。
对数Logistic模型标准化计算公式如下：
反正切函数模型标准化计算公式：
在计算评价单元总的信息量值时,为各评价因子引入权重值,以体现各评价因子在滑坡形成过程中的不同作用。每个评价单元总的信息量值为：
式中：I为总的信息量值;Wi为评价因子xi的权重值,可采用层次分析法（AHP）[25]确定;I(xij,L)Norm为评价因子xi的第j级的标准化信息量值。
统计坡度、坡向、高程、地层、距断层的距离、距水系的距离和距道路的距离7个评价因子分级之后的栅格单元数,再用式（1）分别计算每项评价因子的信息量值,再将得到的信息量值分别代入式（2）-（5）,得到标准化后的信息量值,如表1所示。
邀请专家对本文选取的7个评价因子进行评分,受地震作用影响较大的坡度和距断层的距离两项因子评分较高。根据专家评分,确定评价因子间的相对重要性,并引用数字1-9及其倒数作为标度（表2）。本文评价因子间的相对重要性没有达到明显重要以上程度,评价因子标度最大值为3。为判断评价因子标度的合理性,需要对其判断矩阵 （表3）进行一致性检验。当一致性指标小于0.1时,说明评价因子标度取值合理。
计算判断矩阵的最大特征值及其对应的特征向量值,对应的特征向量值即为每项评价因子的权重值。计算判断矩阵A的每一行元素乘积
判断矩阵的一致性检验用一致性指标CR表示,CR=CI/RI,其中CI=(λmax-N)/(N-1)。λmax表示判断矩阵的最大特征值,
运用式（6）计算各评价单元总的信息量值。利用自然断点法（Natural Break）,对计算的信息量值进行重分类[26],将研究区按滑坡易发性划分为5类,
表1 各评价因子的信息量值及其标准化
Tab. 1 The information quantity values of landslide influence factors and their normalization
| 影响因子 | 分类 | 信息量值 | 数据标准化 | |||
|---|---|---|---|---|---|---|
| 最值标准化 | 偏差法标准化 | 对数Logistic标准化 | 反正切函数标准化 | |||
| 坡度/° | <15 | -7.7457 | 0.0000 | -1.2306 | 0.0004 | -0.9183 |
| 15~30 | -5.2942 | 0.2047 | -0.7329 | 0.0050 | -0.8812 | |
| 30~45 | -1.4247 | 0.5278 | 0.0526 | 0.1939 | -0.6104 | |
| 45~60 | 1.8157 | 0.7984 | 0.7104 | 0.8600 | 0.6795 | |
| >60 | 4.2304 | 1.0000 | 1.2007 | 0.9857 | 0.8522 | |
| 坡向 | 北 | 0.9117 | 1.0000 | 1.2701 | 0.7133 | 0.4706 |
| 东北 | -2.0117 | 0.0000 | -1.9781 | 0.1180 | -0.7063 | |
| 东 | -0.9869 | 0.3505 | -0.8395 | 0.2715 | -0.4958 | |
| 东南 | -0.2583 | 0.5998 | -0.0298 | 0.4358 | -0.1609 | |
| 南 | 0.0726 | 0.7130 | 0.3378 | 0.5181 | 0.0462 | |
| 西南 | 0.2955 | 0.7892 | 0.5855 | 0.5734 | 0.1829 | |
| 西 | -0.1371 | 0.6412 | 0.1048 | 0.4658 | -0.0867 | |
| 西北 | 0.2628 | 0.7780 | 0.5491 | 0.5653 | 0.1636 | |
| 距断层的距离/m | 1000 | -0.0228 | 0.8291 | 0.4150 | 0.4943 | -0.0145 |
| 2000 | 0.3843 | 1.0000 | 0.8986 | 0.5949 | 0.2336 | |
| 3000 | -0.0229 | 0.8291 | 0.4149 | 0.4943 | -0.0146 | |
| 4000 | -0.1027 | 0.7956 | 0.3202 | 0.4744 | -0.0651 | |
| 5000 | -0.4713 | 0.6409 | -0.1176 | 0.3843 | -0.2804 | |
| 6000 | -1.9983 | 0.0000 | -1.9311 | 0.1194 | -0.7046 | |
| 距水系的距离/m | 200 | 0.7238 | 1.0000 | 1.5157 | 0.6735 | 0.3989 |
| 400 | -0.8372 | 0.5019 | 0.2383 | 0.3021 | -0.4437 | |
| 600 | -1.0897 | 0.4213 | 0.0316 | 0.2517 | -0.5273 | |
| 800 | -2.0283 | 0.1219 | -0.7365 | 0.1163 | -0.7084 | |
| 1000 | -2.4102 | 0.0000 | -1.0490 | 0.0824 | -0.7496 | |
| 地层 | 寒武系 | 0.4548 | 0.8003 | 0.7869 | 0.6118 | 0.2717 |
| 奥陶系 | 0.0000 | 0.6341 | 0.2295 | 0.5000 | 0.0000 | |
| 志留系 | -0.6447 | 0.3986 | -0.5606 | 0.3442 | -0.3646 | |
| 泥盆系 | -0.5498 | 0.4333 | -0.4443 | 0.3659 | -0.3200 | |
| 石炭系 | -1.7359 | 0.0000 | -1.8978 | 0.1498 | -0.6673 | |
| 二迭系 | -0.0241 | 0.6253 | 0.2000 | 0.4940 | -0.0153 | |
| 三迭系 | 1.0015 | 1.0000 | 1.4569 | 0.7314 | 0.5005 | |
| 第四系 | 0.0000 | 0.6341 | 0.2295 | 0.5000 | 0.0000 | |
| 高程/m | 600~900 | -1.1545 | 0.0000 | -1.9886 | 0.2397 | -0.5456 |
| 900~1200 | -0.0043 | 0.7400 | -0.0058 | 0.4989 | -0.0027 | |
| 1200~1500 | 0.2649 | 0.9131 | 0.4582 | 0.5658 | 0.1649 | |
| 1500~1800 | 0.2484 | 0.9025 | 0.4298 | 0.5618 | 0.1550 | |
| 1800~2100 | 0.2403 | 0.8973 | 0.4159 | 0.5598 | 0.1502 | |
| 2100~2340 | 0.3999 | 1.0000 | 0.6909 | 0.5987 | 0.2422 | |
| 距道路的距离/m | 200 | 0.1403 | 1.0000 | 1.4541 | 0.5350 | 0.0887 |
| 400 | -0.0376 | 0.4787 | -0.0310 | 0.4906 | -0.0239 | |
| 600 | -0.1131 | 0.2576 | -0.6610 | 0.4718 | -0.0717 | |
| 800 | 0.0509 | 0.7381 | 0.7079 | 0.5127 | 0.0324 | |
| 1000 | -0.2010 | 0.0000 | -1.3947 | 0.4499 | -0.1263 | |
| >1000 | -0.0427 | 0.4639 | -0.0732 | 0.4893 | -0.0271 | |
极低易发区、低易发区、中易发区、高易发区和极高易发区（图3）。
表2 1-9标度的含义
Tab. 2 The meaning of 1-9 scale
| 标度 | 含义 |
|---|---|
| 1 | 前者和后者同样重要 |
| 3 | 前者比后者稍微重要 |
| 5 | 前者比后者明显重要 |
| 7 | 前者比后者强烈重要 |
| 9 | 前者比后者极端重要 |
| 2,4,6,8 | 表示上述相邻判断的中间值 |
| 倒数 | 假如前者与后者的重要性之比为B,那么后者与前者重要性之比为1/B |
表3 评价因子判断矩阵
Tab. 3 The judgment matrix of evaluation factors
| 坡度 | 坡向 | 距水系的距离 | 距断层的距离 | 地层 | 高程 | 距道路的距离 | 权重 | |
|---|---|---|---|---|---|---|---|---|
| 坡度 | 1 | 3 | 2 | 2 | 2 | 2 | 3 | 0.2578 |
| 坡向 | 1/3 | 1 | 1/3 | 1/3 | 1/3 | 1/2 | 1 | 0.0613 |
| 距水系的距离 | 1/2 | 3 | 1 | 1/2 | 2 | 2 | 2 | 0.1637 |
| 距断层的距离 | 1/2 | 3 | 2 | 1 | 2 | 2 | 3 | 0.2115 |
| 地层 | 1/2 | 3 | 1/2 | 1/2 | 1 | 1/2 | 2 | 0.1102 |
| 高程 | 1/2 | 2 | 1/2 | 1/2 | 2 | 1 | 2 | 0.1267 |
| 距道路的距离 | 1/3 | 1 | 1/2 | 1/3 | 1/2 | 1/2 | 1 | 0.0688 |
表4 平均一致性指标RI值
Tab. 4 RI value of average random consistency index
| N | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
| RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 |
将各个模型得到的滑坡易发性评价结果进行对比分析（图4）,最值标准化模型滑坡易发性评价结果与实际情况比较符合,其极低易发区面积为11.7 km2,占研究区总面积7.96%,主要分布在擂鼓镇、任家坪村及曲山镇附近。分布在极低易发区的滑坡较少,其数量和面积比例都很小,分别为0.68%和0.24%。低易发区面积为31.54 km2,占研究区总面积21.46%。中易发区面积为43.49 km2,占研究区总面积的29.59%,主要分布在邓家沟、东溪沟、武显庙等地。高易发区面积为40.22 km2,占研究区总面积的27.36%。极高易发区面积为20.03 km2,占研究区总面积的13.63%,主要分布在干溪沟、关门子沟、磨房沟、油坊沟等。滑坡主要分布在极高易发区内,数量为959个,占滑坡总数的72.43%,面积为18.29 km2,占滑坡总面积的87.72%。极高易发区主要靠近水系和断层,并且地层岩性主要是寒武系粉砂岩、砂岩,志留系页岩、砂岩、千枚岩和三迭系灰岩。地层岩性比较松散碎屑,容易发生滑坡。偏差法标准化模型滑坡易发性分区的极高易发区面积为22.25 km2,占研究区面积的15.14%,主要分布在磨房沟、关门子沟。对数 Logistic模型和反正切函数模型滑坡易发性分区的极高易发区面积都较小,分别为10.16 km2和11.50 km2,主要分布在干溪沟和关门子沟。极高易发区内滑坡数量比分别为44.33%和48.41%,滑坡面积比分别为74%和78.46%。未标准化信息量模型滑坡易发性评价得到的极高易发区面积为16.68 km2,占研究区面积的11.3%。极高易发区内滑坡数量为794个,占滑坡总数的59.96%,占滑坡总面积的75.97%,主要分布在邓家沟、干溪沟和磨房沟等。
图4 滑坡易发性评价结果对比图
Fig. 4 Comparison of the results of the landslide susceptibility
采用成功率法对模型的准确度进行验证,用ROC（Receiver Operating Characteristic Curve）曲线图[27]表示。ROC曲线称为受试者工作特征曲线,曲线越靠近左上角,说明试验的准确性越高。将研究区滑坡样本值和模型模拟值导入到SPSS19.0中,得到ROC曲线（图5）。曲线下的面积称为AUC,一般AUC值在大于0.5的情况下,AUC值越接近1,说明模型应用越成功[28]。ROC曲线中,基于最值标准化信息量模型得到的滑坡易发性评价结果的AUC值为0.807,高于其余模型的AUC值,说明最值标准化模型的滑坡易发性评价最成功。根据滑坡易发性评价结果,最值标准化模型的极高易发区内滑坡数量比和面积比分别为72.43%和87.72%,滑坡易发性评价效果优于其余模型的评价效果。
在应用层次分析法计算各项评价因子的权重时,人为主观性的存在会影响各评价因子的评分,导致计算出的权重存在差异,进而影响滑坡易发性评价效果。目前在区域滑坡易发性评价研究中,没有标准来确定如何选取评价因子、选取评价因子的数量以及如何对评价因子进行分级。本文未考虑的评价因子能否提高模型的精确度,需要在以后的研究中进一步分析。
本文选取坡度、坡向、高程、地层、距断层的距离、距水系的距离和距道路的距离共7个评价因子,采用信息量模型计算出每项评价因子信息量值,并运用最值标准化模型、偏差法标准化模型、对数Logistic标准化模型和反正切函数标准化模型对其进行标准化处理。层次分析法（AHP）确定各项评价因子的权重。在GIS中将权重值代入和各项评价因子的标准化信息量值进行叠加计算得到区域滑坡总信息量值。基于自然断点法对计算结果进行划分,获得滑坡易发性评价结果。各模型的滑坡易发性评价效果存在较大差异,基于最值标准化模型得到的研究区滑坡易发性评价效果最好。
根据滑坡易发性评价结果,最值标准化模型的极高易发区内的滑坡数量比和面积比分别为72.43%和87.72%,滑坡易发性评价效果最好。采用成功率法对模型的准确度进行了验证,最值标准化模型ROC曲线下的面积为0.807,本次应用最值标准化模型滑坡易发性评价最成功。
根据最值标准化模型的滑坡易发性评价结果,研究区大部分都处于中易发程度以上,且区内滑坡主要分布在极高易发区。极高易发区内滑坡分布离水系和断层较近,滑坡主要集中在30~60°。滑坡主要分布在地层岩性为寒武系粉砂岩、砂岩,志留系页岩、砂岩、千枚岩和三迭系灰岩,属于软质岩体。
除本文考虑的7个评价因子外,其他的影响因子是否可作为评价因子?若将未考虑的评价因子引入易发性评价模型,能否提高或降低易发性评价模型的精度?因标准化公式种类较多且没有较好的方法选择,本文只选取了4种标准化公式,其余未考虑的标准化公式对研究区滑坡易发性的影响,这些将在以后的研究中进一步探讨。
The authors have declared that no competing interests exist.
| [1] |
滑坡灾害空间区划及GIS应用研究 [J].https://doi.org/10.3321/j.issn:1005-2321.2001.02.010 URL [本文引用: 1] 摘要
滑坡灾害空间区划研究是当前国内外滑坡领域的重要研究方向之一。虽然滑坡灾害的发生具有随机性的特点，但其发生的区域性和重复性特点则是区域滑坡分布与发生的总体规律。从减灾与土地规划的角度，开展滑坡灾害空间区划研究具有十分重要的理论和实际意义。文中重点探讨了滑坡灾害空间区划的理论体系、灾害风险评估的基本术语定义及GIS制图的基本原理，采用MAPGIS软件为平台及其二次开发的滑坡灾害信息分析系统，在中国滑坡重灾害的汉江流域开展了灾害危险性空间区划应用研究。
Landslide hazard zonation and application of GIS [J].https://doi.org/10.3321/j.issn:1005-2321.2001.02.010 URL [本文引用: 1] 摘要
滑坡灾害空间区划研究是当前国内外滑坡领域的重要研究方向之一。虽然滑坡灾害的发生具有随机性的特点，但其发生的区域性和重复性特点则是区域滑坡分布与发生的总体规律。从减灾与土地规划的角度，开展滑坡灾害空间区划研究具有十分重要的理论和实际意义。文中重点探讨了滑坡灾害空间区划的理论体系、灾害风险评估的基本术语定义及GIS制图的基本原理，采用MAPGIS软件为平台及其二次开发的滑坡灾害信息分析系统，在中国滑坡重灾害的汉江流域开展了灾害危险性空间区划应用研究。
|
| [2] |
全国地质灾害防治分析研究与趋势预测 [J].https://doi.org/10.16031/j.cnki.issn.1003-8035.2017.01.01 URL [本文引用: 1] 摘要
本文在对2016年全国地质灾害灾情统计和各省工作总结认真分析研究的基础上,总结归纳了2016年全国地质灾害总体灾情特点和防治工作情况及各地好经验好做法,并对全国防灾减灾体系建设取得的进展和成绩进行了归纳,研判了2017年的严峻防灾形势,提出了工作安排.
The geological disaster prevention research and trend prediction analysis [J].https://doi.org/10.16031/j.cnki.issn.1003-8035.2017.01.01 URL [本文引用: 1] 摘要
本文在对2016年全国地质灾害灾情统计和各省工作总结认真分析研究的基础上,总结归纳了2016年全国地质灾害总体灾情特点和防治工作情况及各地好经验好做法,并对全国防灾减灾体系建设取得的进展和成绩进行了归纳,研判了2017年的严峻防灾形势,提出了工作安排.
|
| [3] |
Landslides caused by earthquakes [J].https://doi.org/10.1130/0016-7606(1984)95<406:LCBE>2.0.CO;2 URL [本文引用: 1] |
| [4] |
The importance of earthquake-induced landslides to long-term slope erosion and slope-failure hazards in seismically active regions [J].https://doi.org/10.1016/0169-555X(94)90021-3 URL [本文引用: 1] 摘要
To determine the relative, long-term importance of seismically triggered landslides, these erosion rates are compared to erosion rates calculated for other slope processes and to rates calculated from fluvial sediment discharge. Comparisons with other slope processes indicate that earthquake-induced landslides are the predominant agents of slope erosion on the island of Hawaii, in the San Francisco Bay region, and in western New Guinea. For Hawaii, the San Francisco Bay region, and Sierra Nevada-Great Basin region of California, the erosion rates calculated for earthquake-induced landslides also exceed the regional erosion rates calculated from fluvial sediment discharge.
|
| [5] |
基于GIS的地震滑坡危险性的模糊综合评价研究 [J].
地震滑坡的形成机制复杂，影响因素众多，但各个因素对滑坡稳定性的影响却不一样。以往的研究中，对影响因素权重的确定主观因素有很大的影响。在前人研究的基础上，利用层次分析法对地震滑坡各影响因素的权重进行确定，较好地克服了主观因素的影响，在此基础上利用模糊数学的方法对研究区域的地震滑坡危险性进行评定，编制了地震滑坡危险性评价图。
Fuzzy comprehensive study on seismic landslide hazard based on GIS [J].
地震滑坡的形成机制复杂，影响因素众多，但各个因素对滑坡稳定性的影响却不一样。以往的研究中，对影响因素权重的确定主观因素有很大的影响。在前人研究的基础上，利用层次分析法对地震滑坡各影响因素的权重进行确定，较好地克服了主观因素的影响，在此基础上利用模糊数学的方法对研究区域的地震滑坡危险性进行评定，编制了地震滑坡危险性评价图。
|
| [6] |
基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例 [J].https://doi.org/10.3969/j.issn.1000-6915.2014.04.018 URL [本文引用: 1] 摘要
以滑坡灾害发育较多的三峡库区万州区为研究区,基于指标因素状态分级和因素相关性分析结果,选取坡度、坡向、坡体结构、地层岩性、地质构造、水的作用以及土地利用7项影响因素,以全区700多个滑坡灾害点为样本数据,依据各因素状态下发生的滑坡频率曲线和信息量曲线的突变点为等级划分的临界值来确定因素状态,并在此基础上建立易发性评价指标体系。基于GIS的栅格数据模型,应用信息量理论开展研究区易发性评价,研究结果表明:易发性高和较高的区域主要分布在土地利用总体规划中的建设用地、侏罗系中统上沙溪庙组第二、三段(J2s2,J2s3)、库水变动带和河网影响带以及万州城区。统计结果表明,处在高易发和较高易发区面积为1 210km2,其中高易发区和较高易发区分别占研究区总面积的9.71%和25.9%,研究区易发性评价精度高达87%。本文完整的论述了县域滑坡灾害易发性评价的理论方法和技术路线,并以三峡库区万州区为例开展滑坡灾害易发性评价、结果分析以及预测精度评价等,为该区域滑坡灾害防治规划与预测预报提供技术支持,为全国范围内县域滑坡灾害易发性评价提供理论指导和技术参考。
Landslide Susceptibility Assessment based on GIS and weighted information value: A case study of Wanzhou District, Three Gorges Reservoir [J].https://doi.org/10.3969/j.issn.1000-6915.2014.04.018 URL [本文引用: 1] 摘要
以滑坡灾害发育较多的三峡库区万州区为研究区,基于指标因素状态分级和因素相关性分析结果,选取坡度、坡向、坡体结构、地层岩性、地质构造、水的作用以及土地利用7项影响因素,以全区700多个滑坡灾害点为样本数据,依据各因素状态下发生的滑坡频率曲线和信息量曲线的突变点为等级划分的临界值来确定因素状态,并在此基础上建立易发性评价指标体系。基于GIS的栅格数据模型,应用信息量理论开展研究区易发性评价,研究结果表明:易发性高和较高的区域主要分布在土地利用总体规划中的建设用地、侏罗系中统上沙溪庙组第二、三段(J2s2,J2s3)、库水变动带和河网影响带以及万州城区。统计结果表明,处在高易发和较高易发区面积为1 210km2,其中高易发区和较高易发区分别占研究区总面积的9.71%和25.9%,研究区易发性评价精度高达87%。本文完整的论述了县域滑坡灾害易发性评价的理论方法和技术路线,并以三峡库区万州区为例开展滑坡灾害易发性评价、结果分析以及预测精度评价等,为该区域滑坡灾害防治规划与预测预报提供技术支持,为全国范围内县域滑坡灾害易发性评价提供理论指导和技术参考。
|
| [7] |
A comparison of logistic regression-based models of susceptibility to landslides in western Colorado, USA [J].https://doi.org/10.1007/s10346-012-0380-2 URL [本文引用: 1] 摘要
The Paonia-McClure Pass area of Colorado has been recognized as a region highly susceptible to mass movement. Because of the dynamic nature of this landscape, accurate methods are needed to predict susceptibility to movement of these slopes. The area was evaluated by coupling a geographic information system (GIS) with logistic regression methods to assess susceptibility to landslides. We mapped 735 shallow landslides in the area. Seventeen factors, as predictor variables of landslides, were mapped from aerial photographs, available public data archives, ETM + satellite data, published literature, and frequent field surveys. A logistic regression model was run using landslides as the dependent factor and landslide-causing factors as independent factors (covariates). Landslide data were sampled from the landslide masses, landslide scarps, center of mass of the landslides, and center of scarp of the landslides, and an equal amount of data were collected from areas void of discernible mass movement. Models of susceptibility to landslides for each sampling technique were developed first. Second, landslides were classified as debris flows, debris slides, rock slides, and soil slides and then models of susceptibility to landslides were created for each type of landslide. The prediction accuracies of each model were compared using the Receiver Operating Characteristic (ROC) curve technique. The model, using samples from landslide scarps, has the highest prediction accuracy (85聽%), and the model, using samples from landslide mass centers, has the lowest prediction accuracy (83聽%) among the models developed from the four techniques of data sampling. Likewise, the model developed for debris slides has the highest prediction accuracy (92聽%), and the model developed for soil slides has the lowest prediction accuracy (83聽%) among the four types of landslides. Furthermore, prediction from a model developed by combining the four models of the four types of landslides (86聽%) is better than the prediction from a model developed by using all landslides together (85聽%).
|
| [8] |
GIS支持下基于层次分析法的西藏札达地区滑坡灾害易发性评价研究 [J].
位于西藏喜马拉雅山西南部的札达地区,是青藏高原隆升最快的部位之一,由于研究区独特的构造背景及其演化过程,故重大滑坡灾害在区内多发,严重的阻碍当地经济的正常发展,破坏区域生态环境的平衡。在前人工作基础上,以对影响札达地区重大滑坡灾害发育及分布因素的研究为基础,利用层次分析法对研究区重大滑坡灾害进行危险性评价,通过分析区内重大滑坡灾害形成条件及分布特征,结合札达地区地质特征选取合理的影响因素建立评价体系,权衡各影响因素具体情况后确立滑坡稳定性评价模型并进行综合分析,根据分析结果将区内各评价单元按易发程度分为低易发性、较低易发性、中易发性、较高易发性及高易发性五类并对分区结果进行检验,检验曲线表明分区效果良好。
Evaluation research on the landslide disaster liability in Zhada Region of Tibet [J].
位于西藏喜马拉雅山西南部的札达地区,是青藏高原隆升最快的部位之一,由于研究区独特的构造背景及其演化过程,故重大滑坡灾害在区内多发,严重的阻碍当地经济的正常发展,破坏区域生态环境的平衡。在前人工作基础上,以对影响札达地区重大滑坡灾害发育及分布因素的研究为基础,利用层次分析法对研究区重大滑坡灾害进行危险性评价,通过分析区内重大滑坡灾害形成条件及分布特征,结合札达地区地质特征选取合理的影响因素建立评价体系,权衡各影响因素具体情况后确立滑坡稳定性评价模型并进行综合分析,根据分析结果将区内各评价单元按易发程度分为低易发性、较低易发性、中易发性、较高易发性及高易发性五类并对分区结果进行检验,检验曲线表明分区效果良好。
|
| [9] |
Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression, and fuzzy logic methods at the central Zab basin, Iran [J].https://doi.org/10.1007/s12665-015-4028-0 URL [本文引用: 1] 摘要
A remote sensing and geographic information system-based study has been carried out to map areas susceptible to landslides using three statistical models, frequency ratio (FR), logistic regression (LR), and fuzzy logic at the central Zab basin in the mountainsides in the southwest West Azerbaijan province in Iran. Ten factors such as slope, aspect, elevation, lithology, normalized difference vegetation index (NDVI), land cover, precipitation, distance to fault, distance to drainage, and distance to road were considered. Landsat ETM + images were used for NDVI and land cover maps. A landslide inventory map of the study area was identified by a SPOT 5 satellite after which fuzzy algebraic operators were applied to the fuzzy membership values of landslide susceptibility mapping. In addition, FR and LR models were applied to determine the landslide susceptibility. The three models are validated using the receiver operating characteristic and the area under which curve values were calculated. The validation results showed that the LR model (accuracy is 9602%) has better prediction than fuzzy logic (accuracy is 9502%) and FR (accuracy is 9402%) models. Also, among the fuzzy operators, the gamma operator ( λ 02=020.975) showed the best accuracy (94.6402%) while the fuzzy OR operator when applied showed the worst accuracy (85.1102%).
|
| [10] |
汶川县地震滑坡易发性LR与NN评价比较研究 [J].
通过地理信息系统(GIS)技术，结合神经网络(NN)和逻辑回归模型(LR)开展汶川县范围内地震诱发滑坡易感性评价，并对两种模型结果进行比较研究.基于2008年5.12 Ms8.0级地震，选取高程、坡度、坡位、坡向、岩性、微地貌、距断层距离、距水系距离、距道路距离、年平均降雨量、归一化植被指数、地震峰值加速度共12个因子作为地震滑坡影响因子，基于ARCGIS10.1平台将这些影响因子专题图层栅格化；采用提取的模型训练样本，由R软件对神经网络(NN)和逻辑回归模型(LR)进行训练；将训练好的模型对整个汶川县地震滑坡易感性进行仿真，并将仿真结果划分为五类滑坡敏感区域：极低，低，中，高和极高，分别得到LR与NN模型仿真的滑坡易发性分区图；根据汶川县实际地震滑坡分布图进行统计分析，以及采用ROC曲线对两种模型的仿真结果进行对比分析，神经网络(NN)和逻辑回归模型(LR)的AUC值分别为0.930和0.941.研究表明两种模型的滑坡易感性评价图与实际滑坡发育基本吻合，评价结果较好，且LR模型预测精度相对较高.
A comparative study on the susceptibility mapping of earthquake triggered landslide by neural network and logistic regression model, Wenchuan County [J].
通过地理信息系统(GIS)技术，结合神经网络(NN)和逻辑回归模型(LR)开展汶川县范围内地震诱发滑坡易感性评价，并对两种模型结果进行比较研究.基于2008年5.12 Ms8.0级地震，选取高程、坡度、坡位、坡向、岩性、微地貌、距断层距离、距水系距离、距道路距离、年平均降雨量、归一化植被指数、地震峰值加速度共12个因子作为地震滑坡影响因子，基于ARCGIS10.1平台将这些影响因子专题图层栅格化；采用提取的模型训练样本，由R软件对神经网络(NN)和逻辑回归模型(LR)进行训练；将训练好的模型对整个汶川县地震滑坡易感性进行仿真，并将仿真结果划分为五类滑坡敏感区域：极低，低，中，高和极高，分别得到LR与NN模型仿真的滑坡易发性分区图；根据汶川县实际地震滑坡分布图进行统计分析，以及采用ROC曲线对两种模型的仿真结果进行对比分析，神经网络(NN)和逻辑回归模型(LR)的AUC值分别为0.930和0.941.研究表明两种模型的滑坡易感性评价图与实际滑坡发育基本吻合，评价结果较好，且LR模型预测精度相对较高.
|
| [11] |
Susceptibility assessment of earthquake-triggered landslides in El Salvador using logistic regression [J].https://doi.org/10.1016/j.geomorph.2007.06.001 URL [本文引用: 1] 摘要
This work has evaluated the probability of earthquake-triggered landslide occurrence in the whole of El Salvador, with a Geographic Information System (GIS) and a logistic regression model. Slope gradient, elevation, aspect, mean annual precipitation, lithology, land use, and terrain roughness are the predictor variables used to determine the dependent variable of occurrence or non-occurrence of landslides within an individual grid cell. The results illustrate the importance of terrain roughness and soil type as key factors within the model - using only these two variables the analysis returned a significance level of 89.4%. The results obtained from the model within the GIS were then used to produce a map of relative landslide susceptibility.
|
| [12] |
基于GIS与确定性系数分析方法的汶川地震滑坡易发性评价 [J].https://doi.org/10.3969/j.issn.1004-9665.2010.01.003 URL Magsci [本文引用: 1] 摘要
汶川Ms 80级大地震诱发了数以万计的滑坡灾害。在大约48678 km2的滑坡影响区域内,作者采用震后遥感影像解译并结合野外调查的方法,共解译出48007处滑坡。应用GIS技术,建立了汶川地震诱发滑坡灾害及相关地形、地质空间数据库。采用地震滑坡确定性系数分析方法,分析了地震滑坡关于地震烈度、岩性、坡度、断层、高程、坡向、河流与公路等8个因素的易发程度。基于GIS栅格分析方法,分别对16种不同影响因子组合类型进行地震滑坡易发性评价。最后,应用AUC（Area Under Curve,评价曲线下面积）方法得到最佳因子组合及其对应的评价结果,使用自然分类法则方法将研究区按滑坡易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类,极高易发区与高易发区面积之和约1169046km2,占研究区总面积的2402%,其中发育滑坡面积为52484 km2,占滑坡总面积的7373%。结果表明了极高与高易发区与实际滑坡之间有着良好的一致性,方法的评价结果成功率（AUC值）达到82107%。
GIS Platform and certainty factor analysis method based on Wenchuan earthquake-induced landslide susceptibility evaluation [J].https://doi.org/10.3969/j.issn.1004-9665.2010.01.003 URL Magsci [本文引用: 1] 摘要
汶川Ms 80级大地震诱发了数以万计的滑坡灾害。在大约48678 km2的滑坡影响区域内,作者采用震后遥感影像解译并结合野外调查的方法,共解译出48007处滑坡。应用GIS技术,建立了汶川地震诱发滑坡灾害及相关地形、地质空间数据库。采用地震滑坡确定性系数分析方法,分析了地震滑坡关于地震烈度、岩性、坡度、断层、高程、坡向、河流与公路等8个因素的易发程度。基于GIS栅格分析方法,分别对16种不同影响因子组合类型进行地震滑坡易发性评价。最后,应用AUC（Area Under Curve,评价曲线下面积）方法得到最佳因子组合及其对应的评价结果,使用自然分类法则方法将研究区按滑坡易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类,极高易发区与高易发区面积之和约1169046km2,占研究区总面积的2402%,其中发育滑坡面积为52484 km2,占滑坡总面积的7373%。结果表明了极高与高易发区与实际滑坡之间有着良好的一致性,方法的评价结果成功率（AUC值）达到82107%。
|
| [13] |
“5·12”汶川地震崩塌滑坡危险性评价——以都汶公路沿线为例 [J].Risk assessment of collapses and landslides caused by 5.12 Wenchuan earthquake: A case study of Dujiangyan-Wenchuan highway [J]. |
| [14] |
基于GIS的信息量法在滑坡危险性评价中的应用 [J].https://doi.org/10.3969/j.issn.1671-1947.2005.03.016 URL [本文引用: 1] 摘要
根据滑坡灾害发生的特点,充分利用GIS强大的空间数据管理能力和空间数据分析能力,结合数据统计分析中的信息量法作为GIS的数据处理方法,对滑坡危险性进行评价,使得分析评价结果最终在GIS软件中成图显示,从而以较高的精度完成滑坡危险性评价,并大大提高了滑坡灾害评价的效率.
Application of the GIS-based information acquisition analysis in assessment of landslide hazards [J].https://doi.org/10.3969/j.issn.1671-1947.2005.03.016 URL [本文引用: 1] 摘要
根据滑坡灾害发生的特点,充分利用GIS强大的空间数据管理能力和空间数据分析能力,结合数据统计分析中的信息量法作为GIS的数据处理方法,对滑坡危险性进行评价,使得分析评价结果最终在GIS软件中成图显示,从而以较高的精度完成滑坡危险性评价,并大大提高了滑坡灾害评价的效率.
|
| [15] |
基于地理信息系统和信息量模型的滑坡危险性评价——以重庆万州为例 [J].
<FONT face=Verdana>针对滑坡危险性评价，以重庆万州滑坡地质灾害为例，采用地理信息系统技术，选取高程、地层岩性、坡向、坡度、距离河流的远近、距离道路的远近、建筑物分布和到遂宁组和沙溪庙组地层的距离等8个指标作为评价因子，利用信息量模型对万州研究区的滑坡地质灾害进行危险性评价。评价结果表明，地理信息系统和信息量模型能够很好地为滑坡灾害的危险性研究服务，可用来解决过去地质灾害危险性评价中效率低、精度差、费时、费力等问题，从而实现滑坡地质灾害的信息化和科学化。<BR></FONT>
Landslide hazard evaluation of Wanzhou based on GIS information value method in the Three Gorges Reservoir [J].
<FONT face=Verdana>针对滑坡危险性评价，以重庆万州滑坡地质灾害为例，采用地理信息系统技术，选取高程、地层岩性、坡向、坡度、距离河流的远近、距离道路的远近、建筑物分布和到遂宁组和沙溪庙组地层的距离等8个指标作为评价因子，利用信息量模型对万州研究区的滑坡地质灾害进行危险性评价。评价结果表明，地理信息系统和信息量模型能够很好地为滑坡灾害的危险性研究服务，可用来解决过去地质灾害危险性评价中效率低、精度差、费时、费力等问题，从而实现滑坡地质灾害的信息化和科学化。<BR></FONT>
|
| [16] |
|
| [17] |
Assessment and validation of GIS-based landslide susceptibility maps: a case study from Feltrino stream basin (Central Italy) [J].https://doi.org/10.1007/s10064-016-0954-7 URL [本文引用: 1] 摘要
Landslide susceptibility studies focus on producing susceptibility maps starting from landslide inventories and considering the main conditioning factors. The validity of susceptibility maps must be v
|
| [18] |
基于GIS 的汶川地震滑坡灾害影响因子确定性系数分析 [J].
2008年5月12日14时28分,四川省汶川发生了8.0级大地震,地震诱发了数以万计的滑坡灾害。在大约48 678 km~2的区域内,采用震后航空像片与多源卫星影像解译并结合野外调查验证的方法,共圈定出48 007个地震滑坡灾害。在此基础上,选取地层、岩性、断裂、地震烈度、宏观震中、地表破裂调查点、地形坡度、坡向、顺坡向曲率、高程、水系与公路共12个影响因子作为汶川地震诱发滑坡影响因子,利用GIS强大的空间分析能力与确定性系数方法,对这12个影响因子进行敏感性研究。研究结果表明:(1)寒武与震旦系是地震滑坡易发地层,侵入岩组、灰岩为主的岩组是地震滑坡发育的高敏感性岩组;(2)地震滑坡受中央断裂影响最大,同时还受控于前山断裂,受后山断裂的影响较小;(3)地震滑坡易发性分别随着地震烈度、与震中的距离、与地表破裂点距离的增加而减少;(4)坡度大于40°是地震滑坡的易发坡度,E,ES方向为地震滑坡的易发坡向,高程范围为1(000～2 000 m,尤其是高程1 000～1 500 m范围为地震滑坡易发区;(5)400 m水系缓冲区和2 000 m公路缓冲区范围内滑坡易发性较高。确定研究区内各地震滑坡影响因子最利于滑坡发生的数值区间,为进一步地震滑坡区域评价及预测奠定基础。
GIS based certainty factor analysis of landslide triggering factors in Wenchuan Earthquake [J].
2008年5月12日14时28分,四川省汶川发生了8.0级大地震,地震诱发了数以万计的滑坡灾害。在大约48 678 km~2的区域内,采用震后航空像片与多源卫星影像解译并结合野外调查验证的方法,共圈定出48 007个地震滑坡灾害。在此基础上,选取地层、岩性、断裂、地震烈度、宏观震中、地表破裂调查点、地形坡度、坡向、顺坡向曲率、高程、水系与公路共12个影响因子作为汶川地震诱发滑坡影响因子,利用GIS强大的空间分析能力与确定性系数方法,对这12个影响因子进行敏感性研究。研究结果表明:(1)寒武与震旦系是地震滑坡易发地层,侵入岩组、灰岩为主的岩组是地震滑坡发育的高敏感性岩组;(2)地震滑坡受中央断裂影响最大,同时还受控于前山断裂,受后山断裂的影响较小;(3)地震滑坡易发性分别随着地震烈度、与震中的距离、与地表破裂点距离的增加而减少;(4)坡度大于40°是地震滑坡的易发坡度,E,ES方向为地震滑坡的易发坡向,高程范围为1(000～2 000 m,尤其是高程1 000～1 500 m范围为地震滑坡易发区;(5)400 m水系缓冲区和2 000 m公路缓冲区范围内滑坡易发性较高。确定研究区内各地震滑坡影响因子最利于滑坡发生的数值区间,为进一步地震滑坡区域评价及预测奠定基础。
|
| [19] |
地震滑坡危险性评估模型及初步应用 [J].
统计分析了汶川地震滑坡在不同影响因子下数量和密度,然后采用归一化方法确定影响地震滑坡的关键因子。基于关键因子建立了地震滑坡密度数学模型。结果表明：从滑坡数量看,滑坡主要集中在（10°-20°）至（40°-50°）的坡度（90 m栅格）区间,主体集中在35°附近,在3°-7°之间有一个滑坡分布的小峰值;滑坡密度随着坡度的增加而增加,在3°-7°的低坡地带有一个滑坡密度小峰值,在坡度一定的情况下,除了烈度外,其他影响因子下滑坡密度并没有表现出足够明显的规律性变化;归一化计算结果表明：坡度和烈度是地震滑坡的关键因子;根据逻辑斯蒂模型计算的结果,将地震滑坡危险性分为几无（≤0.01）、轻微（0.01-0.03）、中等（0.03-0.09）、严重（0.09-0.27）、特重（≥0.27）5个等级。地震滑坡危险性预测数据在鲁甸地震等地震应急中发挥了较好作用。
Risk assessment modeling of Earthquake-induced landslides and its preliminary application [J].
统计分析了汶川地震滑坡在不同影响因子下数量和密度,然后采用归一化方法确定影响地震滑坡的关键因子。基于关键因子建立了地震滑坡密度数学模型。结果表明：从滑坡数量看,滑坡主要集中在（10°-20°）至（40°-50°）的坡度（90 m栅格）区间,主体集中在35°附近,在3°-7°之间有一个滑坡分布的小峰值;滑坡密度随着坡度的增加而增加,在3°-7°的低坡地带有一个滑坡密度小峰值,在坡度一定的情况下,除了烈度外,其他影响因子下滑坡密度并没有表现出足够明显的规律性变化;归一化计算结果表明：坡度和烈度是地震滑坡的关键因子;根据逻辑斯蒂模型计算的结果,将地震滑坡危险性分为几无（≤0.01）、轻微（0.01-0.03）、中等（0.03-0.09）、严重（0.09-0.27）、特重（≥0.27）5个等级。地震滑坡危险性预测数据在鲁甸地震等地震应急中发挥了较好作用。
|
| [20] |
基于多模型的滑坡易发性评价——以甘肃岷县地震滑坡为例 [J].https://doi.org/10.13544/j.cnki.jeg.2016.01.003 URL Magsci [本文引用: 1] 摘要
2013年7月22日,甘肃省岷县漳县交界处发生了<em>M</em><sub>S</sub>6.6级地震(岷县地震),本文以这次地震烈度Ⅷ度区为研究区,根据地震前后遥感影像解译出来的2330个地震滑坡数据,以坡度、坡向、水系、岩性和断层为因子图层,分别应用模糊逻辑法,信息量模型及Shannon熵改进的信息量模型,对研究区的地震滑坡易发性进行评价。结果表明: 1滑坡的高易发性地区位于研究区的中间部分,以及水系0～50m这一缓冲区范围内,离水系越近滑坡易发性等级越高; 2应用ROC曲线对3个模型的易发性评价结果进行比较,信息量模型和Shannon熵改进的信息量模型的AUC值分别为0.8488, 0.8502; 模糊逻辑模型的AUC值为0.7640,表明前两个模型的表现较好,而模糊逻辑模型相对来说表现一般; 3通过对比3个模型中各等级易发性所占的面积比例和各等级易发性中滑坡数目占总数比例,表明Shannon熵改进后的模型更适用于灾害风险评价以及应急风险管理等实际应用。
Multi-models based landslide susceptibility evaluation: Illustrated with landslides triggered by Minxian Earthquake [J].https://doi.org/10.13544/j.cnki.jeg.2016.01.003 URL Magsci [本文引用: 1] 摘要
2013年7月22日,甘肃省岷县漳县交界处发生了<em>M</em><sub>S</sub>6.6级地震(岷县地震),本文以这次地震烈度Ⅷ度区为研究区,根据地震前后遥感影像解译出来的2330个地震滑坡数据,以坡度、坡向、水系、岩性和断层为因子图层,分别应用模糊逻辑法,信息量模型及Shannon熵改进的信息量模型,对研究区的地震滑坡易发性进行评价。结果表明: 1滑坡的高易发性地区位于研究区的中间部分,以及水系0～50m这一缓冲区范围内,离水系越近滑坡易发性等级越高; 2应用ROC曲线对3个模型的易发性评价结果进行比较,信息量模型和Shannon熵改进的信息量模型的AUC值分别为0.8488, 0.8502; 模糊逻辑模型的AUC值为0.7640,表明前两个模型的表现较好,而模糊逻辑模型相对来说表现一般; 3通过对比3个模型中各等级易发性所占的面积比例和各等级易发性中滑坡数目占总数比例,表明Shannon熵改进后的模型更适用于灾害风险评价以及应急风险管理等实际应用。
|
| [21] |
基于信息量与逻辑回归模型的次生滑坡灾害敏感性评价——以汶川县北部为例 [J].Susceptibility assessment of secondary landslides triggered by earthquakes: A case study of northern Wenchuan [J]. |
| [22] |
统计数据标准化——无量纲化方法现代统计分析方法的学与用(三) [J].Statistical data standardization - dimensionless method [J]. |
| [23] |
回归神经网络预测模型归一化方法分析 [J].
该文运用几种常见数据归一化方法分别对自回归神经网络动态预测模型的预测性能进行分析，结果说明不同数据归一化处理对模型的性能影响非常明显，运用最大运算法进行归一化处理要优于其它几种常见归一化方法。
The analysis of normalization method of recurrent neural network prediction model [J].
该文运用几种常见数据归一化方法分别对自回归神经网络动态预测模型的预测性能进行分析，结果说明不同数据归一化处理对模型的性能影响非常明显，运用最大运算法进行归一化处理要优于其它几种常见归一化方法。
|
| [24] |
反正切函数回归模型方法及其应用[A].中国现场统计研究会.中国现场统计研究会第12届学术年会论文集 [The arctangent function regression method and application[A]. China statistical research institute. The 12th academic essays of China statistical research institute [C]. |
| [25] |
Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP) [J].https://doi.org/10.1007/s11069-015-2075-1 URL [本文引用: 1] 摘要
Landslide phenomena are responsible for significant economic damages, loss of human lives and irreversible changes in natural environment. In this manuscript, in a landslide-prone site of Cyprus, a landslide susceptibility model was developed by coupling the popular analytic hierarchy process and the frequency ratio method in a GIS environment. Initially, 10 triggering factors and their modified Landslide Relative Frequencies (mLRF) were determined. Then, AHP was employed so as to determine the relative weights of each landslide instability factor and to omit those that were not essential for the model. Land cover was the most important parameter in the manifestation of landslides, while a 0.00404 consistency ratio index value revealed that the weights of the landslide contributing factors were well assessed. By combining the landslide instability agents along with their weights, a landslide susceptibility map emerged illustrating that almost 64.1 % of the study area was expanded on high-risk zones. The ROC curves and La.M.I. index statistic measures were generated by utilizing a binary file of 977,500 pixels, which had incorporated equal areas of landslide cells and randomly selected non-landslide ones. The above measures indicated that the overall model accuracy in the detection of landslide phenomena was 73.9 % and the model- performance was enhanced when the parameters with the smallest weights were omitted from the model. This information could be significant in undertaking the appropriate series of measures according to landslide susceptibility zones in order to mitigate the landslide risk in the area. Copyright Springer Science+Business Media Dordrecht 2016
|
| [26] |
我国区域地质灾害评价的现状及问题 [J].Assessment of China regional geohazards: present situation and problem [J]. |
| [27] |
Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran [J].https://doi.org/10.1007/s12040-013-0282-2 URL [本文引用: 1] 摘要
The main goal of this study is to produce landslide susceptibility map using GIS-based support vector machine (SVM) at Kalaleh Township area of the Golestan province, Iran. In this paper, six different types of kernel classifiers such as linear, polynomial degree of 2, polynomial degree of 3, polynomial degree of 4, radial basis function (RBF) and sigmoid were used for landslide susceptibility mapping. At the first stage of the study, landslide locations were identified by aerial photographs and field surveys, and a total of 82 landslide locations were extracted from various sources. Of this, 75% of the landslides (61 landslide locations) are used as training dataset and the rest was used as (21 landslide locations) the validation dataset. Fourteen input data layers were employed as landslide conditioning factors in the landslide susceptibility modelling. These factors are slope degree, slope aspect, altitude, plan curvature, profile curvature, tangential curvature, surface area ratio (SAR), lithology, land use, distance from faults, distance from rivers, distance from roads, topographic wetness index (TWI) and stream power index (SPI). Using these conditioning factors, landslide susceptibility indices were calculated using support vector machine by employing six types of kernel function classifiers. Subsequently, the results were plotted in ArcGIS and six landslide susceptibility maps were produced. Then, using the success rate and the prediction rate methods, the validation process was performed by comparing the existing landslide data with the six landslide susceptibility maps. The validation results showed that success rates for six types of kernel models varied from 79% to 87%. Similarly, results of prediction rates showed that RBF (85%) and polynomial degree of 3 (83%) models performed slightly better than other types of kernel (polynomial degree of 2 = 78%, sigmoid = 78%, polynomial degree of 4 = 78%, and linear = 77%) models. Based on our results, the differences in the rates (success and prediction) of the six models are not really significant. So, the produced susceptibility maps will be useful for general land-use planning.
|
| [28] |
Regional prediction of landslide hazard using probability analysis of intense rainfall in the Hoa Binh province, Vietnam [J].https://doi.org/10.1007/s11069-012-0510-0 URL [本文引用: 1] 摘要
The main objective of this study is to assess regional landslide hazards in the Hoa Binh province of Vietnam. A landslide inventory map was constructed from various sources with data mainly for a period of 21聽years from 1990 to 2010. The historic inventory of these failures shows that rainfall is the main triggering factor in this region. The probability of the occurrence of episodes of rainfall and the rainfall threshold were deduced from records of rainfall for the aforementioned period. The rainfall threshold model was generated based on daily and cumulative values of antecedent rainfall of the landslide events. The result shows that 15-day antecedent rainfall gives the best fit for the existing landslides in the inventory. The rainfall threshold model was validated using the rainfall and landslide events that occurred in 2010 that were not considered in building the threshold model. The result was used for estimating temporal probability of a landslide to occur using a Poisson probability model. Prior to this work, five landslide susceptibility maps were constructed for the study area using support vector machines, logistic regression, evidential belief functions, Bayesian-regularized neural networks, and neuro-fuzzy models. These susceptibility maps provide information on the spatial prediction probability of landslide occurrence in the area. Finally, landslide hazard maps were generated by integrating the spatial and the temporal probability of landslide. A total of 15 specific landslide hazard maps were generated considering three time periods of 1, 3, and 5聽years.
|
/
| 〈 |
|
〉 |
