熱門論文
最新論文
岷縣滑坡災害易發性評價 與信息管理系統開發
發布時間：2023-07-09 10:22
第 1 章 緒論
1.1研究背景與意義
滑坡是指土、巖石或者兩者的混合物在滑動面上發生的沿邊坡向下的運動［1］，是地 貌形態自然演化過程中十分重要的表現形式之一［2~3］。我國是一個多山的國家，山地面 積約占國土總面積的 70%，與山地地貌緊密相關的滑坡災害發育類型多、分布范圍 廣、發生頻率高且造成損失重，使我國成為世界上滑坡災害最嚴重的國家之一［4~5］。隨 著全球氣候變化和人類活動加劇等因素的影響致使滑坡災害頻發，并且呈現逐年加重 的趨勢。根據自然資源部地質災害技術指導中心發布的《全國地質災害通報》 （2009~2019年）顯示（圖1.1），在 2009~2019年全國共發生地質災害 132009起，造 成 5400 多人傷亡，直接經濟損失達 464.9 億元，其中滑坡災害發生 93124 起，占地質 災害總量的 70.54%，由此引起的交通設施中斷、生產生活設施破壞等帶來的間接損失 更是難以估量。
近年來，關于滑坡災害的理論研究和防治水平都有顯著地提高，但防治形勢依然 嚴峻。為了減少滑坡災害造成的嚴重后果，在高風險區域，基于GIS和RS等技術的滑 坡災害易發性評價已成為滑坡研究領域的熱點。滑坡災害易發性評價是滑坡災害風險 管理的基礎工作，可以更好地了解滑坡的現狀，為滑坡風險早期識別和預報預警提供 重要的依據，對提高滑坡災害及其災害鏈的綜合監測、實施國土空間規劃和自然災害 監測預警信息化工程等都有重要的意義［6］。
岷縣位于甘肅省定西市西南部，地形地貌復雜、地質條件脆弱，降雨充沛、人類 工程活動較為頻繁。近年來，在地質條件和連續降雨影響下，滑坡災害頻發，據報 道， 2017 年 5 月二郎山森林公園山體滑坡；2019 年冷地村小灣咀山體滑坡，國道 316 線嚴重受阻；2020年 8月申都鄉境內造成山體滑坡 19處，這些滑坡災害均造成了不同 程度的人員傷亡和財產損失。同時，岷縣地區構造運動顯著，地震活動強烈， 2013 年 7 月岷縣發生了 Ms6.6 級地震，根據地震前后遙感影像解譯出了 6000 多處滑坡［7］，造 成了梅川鎮、茶埠鎮、中寨鄉等重災區村莊掩埋，房屋受損，百余人傷亡［8］，地震后眾 多潛在的不穩定滑坡隱患給岷縣的地質災害防治工作帶來了挑戰，嚴重影響了當地的 土地利用、工礦建設和生態環境［9~10］。目前，針對岷縣的滑坡災害易發性評價研究主 要集中在“7.22”地震區域附近，縣域范圍的滑坡災害研究較少，滑坡災害的空間分布 和危害程度尚不清楚，并且在研究過程中對指標因子分析不夠充分，確定指標因子權 重時存在主觀性，評價方法多采用單一的統計分析方法，未能深入研究滑坡災害發育 和環境條件之間的相互關系，評價體系缺乏科學性、客觀性和參考性［11~13］。
因此，本文以岷縣為研究區，分析了滑坡災害空間分布特征，開展了滑坡災害易 發性評價研究，設計開發了滑坡災害信息管理系統，旨在豐富岷縣滑坡災害易發性評 價理論體系，為岷縣滑坡災害預防治理和防災減災工作提供科學依據，有效地減少滑 坡災害給人民生命財產和生產生活帶來的損失。
1.2國內外研究現狀
滑坡災害易發性評價研究始于 20 世紀 70 年代中期，一直都是地質災害研究領域 中的熱點課題之一，涉及多個相關的學科領域、包含多種理論方法和處理分析的流 程，是進行滑坡災害危險性和風險性評價的重要基礎。滑坡災害易發性評價是指在一 定的地質環境條件下，分析研究每個指標因子對滑坡災害易發性的影響程度，確定評 價單元內滑坡災害發生的可能性，結合滑坡災害發育特征將評價結果劃分為不同級別 的區域［14~15］。近年來，隨著3S技術和計算機技術的快速發展，國內外學者基于地理信 息系統（GIS）技術的數據管理功能、空間分析功能，結合人工智能（AI）領域的機器 學習等方法對滑坡災害的易發性、危險性評價開展了大量的研究和探索，有力地推動 了區域滑坡災害評價的研究，完善了相應的評價的理論體系。本文圍繞選題的研究目 標，對國內外關于滑坡災害評價研究方面的文獻充分學習，現從滑坡災害易發性評價 方法和評價指標兩個方面的研究現狀進行總結闡述。
1.2.1滑坡災害易發性評價方法研究現狀
國內外學者結合多個科學領域的理論方法，在滑坡災害易發性評價方法方面開展 了諸多研究，得出了各種不同的分析方法。總體上來說，主要可以概括為確定性方法 和非確定性方法［16］。確定性方法是結合了傳統力學結構和基礎地理信息，通過物理模 型對滑坡進行監測預警，適合小區域的滑坡災害分析［17］。非確定性方法是通過將滑坡 災害的影響因子按權重進行疊加，然后根據歷史滑坡分布特征與影響因子之間的關系 分析預測區域內將來發生滑坡的可能性，實現區域滑坡災害易發性評價分析［18］。近年 來，隨著 3S 技術的快速發展和自然資源大數據的應用，可以獲取大面積區域內的地形 地貌、地質構造、氣象水文和地表覆蓋等方面的基礎數據，使得非確定性方法被廣泛 地應用于國內外的滑坡災害評價分析中。在已有文獻中，主要使用的非確定性方法可 以歸納為三類：知識驅動方法、統計分析方法和機器學習方法。
知識驅動方法是以分析區域滑坡災害成因為基礎，根據專家的經驗知識對滑坡的 危險程度和類型做出判斷，對選取的滑坡影響因子進行排序或加權運算。其中最具有 代表性的主要有專家系統打分法、層次分析法、模糊邏輯法等。如 Guzzetti 等［19］采用 了專家經驗法對意大利中部地區進行了滑坡災害評價，為土地資源規劃提供了決策依 據；Razifar等［20］利用模糊邏輯法對伊朗西北部的地震區進行了滑坡災害易發性評價， 評價結果與地震引發的滑坡分布現狀一致；劉麗娜等［21］基于 GIS 技術通過層次分析法 對蘆山地震區的滑坡災害危險性進行了評價分析。層次分析法是經典的滑坡災害易發 性評價模型，近年來也有研究學者改進和完善了此方法，如許嘉慧和張懿等［22~23］通過 三標度法構建判斷矩陣來改進傳統的層次分析法，對奉節縣和沐撫鎮的滑坡災害易發 性開展了評價分析。
在目前的研究中，統計分析方法和機器學習方法之間沒有明確的界線［24］。根據定 義，統計分析方法是將影響滑坡災害發生的因素作為自變量，已經發生的滑坡災害點 作為因變量，通過函數表達式確定區域環境條件與滑坡發生之間的關系，并預測滑坡 災害的易發性。統計分析的方法主要有信息量法、證據權法、確定系數法、頻率比法 和其他多元統計分析方法［25］。機器學習方法是對影響因子的數據特征進行學習，確定 因變量和自變量的映射聯系，有效地反映了環境因子和滑坡災害分布之間的非線性關 系。機器學習的方法主要有邏輯回歸、邏輯模型樹、人工神經網絡、支持向量機、決 策樹、極端隨機樹、隨機森林、樸素貝葉斯、K-鄰近法、二次判別分析、梯度提升 樹、模糊神經網絡等［24,26］。在過去的 20 年中，從經典統計領域中發展出諸多不同的評 價模型，已經被用在機器學習的環境中，并且獲得了準確地評價結果。其中最典型的 就是邏輯回歸模型，最初是用于解決二項分類問題的統計模型，經過發展目前是使用 最廣泛的機器學習方法之一［24］。近年來國內外學者基于統計分析方法和機器學習方法 在滑坡災害易發性評價中做了大量研究，如 Mengistu 等［27］采用了信息量模型計算了高 程、坡度等 6 個指標因子的權重值，對埃塞俄比亞南部的 Gidole 鎮及周圍地區的滑坡 災害進行了易發性評價； E.Sevgen 等［28］基于土耳其某大壩的兩期航空影像圖，應用邏 輯回歸、人工神經網絡和隨機森林模型獲得了滑坡災害易發性分區圖； Nhu 等［29］通過 邏輯模型樹、邏輯回歸、樸素貝葉斯樹、人工神經網絡和支持向量機五種機器學習方 法對伊朗 Bijar 地區的淺層滑坡進行了易發性區劃制圖； Saha 等［30］采用邏輯回歸 （LR ）、人工神經網絡（ANN）、支持向量機（SVM）和隨機森林（RF）模型及其 耦合模型對印度 Rudraprayag 地區開展了滑坡災害易發性評價，結果表明 ANN-RF-LR 模型的穩健性最好，評價精度和預測能力最高。國內學者，如張俊等［31］采用邏輯回 歸、信息量和快速聚類模型對萬州區的滑坡災害易發性進行了評價；許沖等［32］應用層 次分析、證據權、邏輯回歸、人工神經網絡和支持向量機模型對汶川地震的區域進行 了滑坡災害易發性研究；陳飛等［33］采用信息量與神經網絡耦合模型對江西省上猶縣進 行了滑坡災害易發性評價，結果表明組合模型的評價精度優于單一信息量模型；連志 鵬等［34］在湖北省五峰縣的滑坡災害易發性評價中也發現采用優勢耦合模型得到的預測 精度明顯高于單一模型。可以看出，結合數學、計算機、地理學、地質學等多學科應 用的滑坡災害易發性評價已經得到了廣泛地應用。
滑坡災害易發性評價的方法有多種，每種方法都有自身的優點和局限性。知識驅 動方法原理簡單，對數據要求低，計算簡單，適用于環境條件簡單的區域，但是依靠 專家經驗知識確定每個指標因子的權重和評價方案，主觀性和不確定性較大，會直接 影響評價結果的準確性［16］。統計分析方法是通過分析歷史滑坡分布與環境條件之間的 關系，確定每個指標因子的權重，其計算模型語義明確、易于實現，一定程度上避免 了人為主觀性的干擾，適合于大區域的滑坡災害評價；但是對各指標因子之間的重復 性或相關性等問題處理不夠完善，選取不同的指標因子會產生不同的評價結果，并且 很難表達指標因子與滑坡分布規律之間的非線性關系［25］。機器學習方法能較好地解決 統計分析方法中存在的非線性問題，有效的減少了主觀因素的影響；但構建和訓練模 型需要訓練樣本數量較多，并且對數據質量要求較高［35］。諸多研究表明相比傳統的單 一評價方法，通過將統計分析方法和機器學習方法進行耦合，可以集成各種方法的優 點，提高評價精度和預測能力，更具有優越性和穩定性，是近年來滑坡災害易發性評 價領域新的研究方向［36~42］。
在目前主流的評價方法中，信息量模型通過統計分析條件概率來獲得指標因子的 權重，評價結果較為客觀準確；邏輯回歸模型是目前應用最廣泛地評價模型之一，已 經成功應用于滑坡災害易發性評價研究；神經網絡模型具有更快的收斂速度和更好的 性能，訓練模型需要的樣本量比較少，在一些滑坡災害易發性評價的實例中，使用神 經網絡模型的精確度超過了 90%［24］。因此，基于單一信息量、邏輯回歸和神經網絡模 型構建耦合模型進行滑坡災害易發性評價研究具有重要的科學和實踐意義。
1.2.2滑坡災害易發性評價指標研究現狀
滑坡災害的形成包括內在因素和外在因素，內在因素主要包括地形地貌、巖土類 型、地質構造等；外在因素主要分為自然因素和人為因素，其中降雨、凍融和地震等 為自然外因，礦產開發、工程建設等人類活動是人為外因［43~44］。在滑坡災害易發性評 價中，指標因子是進行滑坡災害易發性評價的基礎，與評價模型的精度密切相關，直 接影響了評價結果的合理性和準確性。
從已有研究文獻來看，在早期開展的滑坡災害易發性評價研究中，選取指標因子 時考慮的滑坡影響因素比較單一，人為主觀性強，忽略了指標因子之間的相關性和獨 立性，在確定指標因子權重時更多的采用主觀賦權法。如 Jerome 等［45］選取了巖性、地 層、地質構造和地貌4個指標因子，對美國Utah地區北部山脈和中部高原的滑坡災害 進行了易發性評價；Jay等［46］從DEM數據中提取了高程、坡度、坡向和坡形4個指標 因子，基于 GIS 軟件建立了線性多項式方程進行了滑坡災害易發性評價，準確度達 83%； GOkceoglu等［47］選取了粘聚力、內摩擦角、坡度、相對高度、坡向、距水系距 離、 NDVI 和距斷層距離等指標因子，對土耳其 Mengen 北部地區的滑坡災害進行了易 發性評價；Pachauri等［48］根據收集的數據資料選取了高程等8個指標因子對喜馬拉雅山 脈 Yamuna 山谷地區的滑坡災害進行了易發性評價，并繪制了滑坡災害易發性區劃 圖； Nagarajan 等［49］首次將降雨強度、巖石風化程度和崩積層殘積母質作為的主要的致 災因素，在熱帶季風地區開展了滑坡災害易發性評價；蘭恒星［50］等選取了高程、坡 度、巖性、結構和斷裂等指標因子，采用確定系數法對云南小江流域的滑坡災害進行 了易發性評價分析；王文俊等［51］選取了坡高、坡度、巖性、坡體結構、水文地質、斷 層、NDVI、降雨量、地震和人類工程活動等指標因子，對四川省珙縣地區的滑坡災害 開展了易發性評價分析。
通過實踐應用可知，在早期的滑坡災害易發性評價研究中，指標因子的選取方法 均有一定的合理性，能夠有效地對區域滑坡災害進行空間預測分析，極大的推動了滑 坡災害易發性評價的研究進展。但不同區域的地質條件和自然環境不同，影響滑坡發 育和分布的條件因素也比較復雜。近年來，研究學者在滑坡災害易發性評價過程中， 預先對選取的指標因子做出一定的篩選和優化處理，不再盲目的將所有指標因子全部 用于評價模型分析，目前常用主成分分析［52］、 spearman 相關系數［53~54］、粗糙集理論［55］ 和方差膨脹因子［56~58］等方法對選取的指標因子檢驗和篩選。如 Bui 等［54］在越南的 32# 國道沿線的滑坡災害易發性評價中，采用spearman相關系數法檢驗了選取的10個指標 因子，結果發現坡度與地形之間的相關性最高，但小于臨界值 0.7，表明滿足檢驗要 求; Pourghasemi等［57］在伊朗Tehran地區的滑坡災害易發性評價中選取了 12個指標因 子，統計了最小容忍度和最大方差膨脹因子是 0.496 和 2.018，說明選取的指標因子之 間不存在多重共線性；于憲煜等［52］選取了地貌、地質、水文、地表覆蓋及降雨量等 58 個指標因子對三峽庫區秭歸-巴東段區域進行了滑坡災害易發性評價，通過主成分分析 法篩選出了 32 個相關性低的指標因子用于訓練模型；王念秦等［53］在長安區的滑坡災害 易發性評價中選取了高程、坡度、坡向、曲率、地貌類型、地層巖性、NDVI、巖土體 類型、降雨量、斷層、地形濕度指數和水系12個指標因子，采用spearman相關性分析 后剔除了高程因子，建立了評價指標體系；趙忠國等［58］在新源縣滑坡災害易發性評價 中，通過方差膨脹因子量化了選取的 15 個指標因子，結果表明各指標因子之間不存在 多重共線性，均可用于建立評價指標體系。
Reichenbach等［59］總結了 1983年1月至2016年6月期間發表在國際學術期刊上面 565 篇關于滑坡災害易發性評價的文獻。統計發現用于滑坡災害易發性評價的指標因子 有 596 個，總體可歸納為 5 種類型：地形、地質、水文、土地覆蓋和其它因素。其中 最常用的指標因子有 23 個， 445 個指標因子只用過 1~2 次，每種評價模型一般使用 2~22個，平均使用了 9個。統計常用的 23 個指標因子的使用情況，如表1.1 所示。
表 1.1 常用的指標因子使用比例 [59]
指標類型 指標因子 使用比例(%)
坡度 10.5
坡向 8.1
地形 曲率 7.2
高程 5.2
地貌 0.6
其他地形指標 5.6
巖性 9.2
地質 距斷層距離 3.5
地質構造 3.4
土地利用 7.1
土壤類型 5.2
土地覆蓋 距道路距離 3.3
植被覆蓋 2.1
其他人類活動 0.6
水文 水系 7.3
距水系距離 5.5
降雨量 2.8
巖土工程 1.6
地球觀測值 1.6
其他因素 地震 0.9
滑坡相關 0.4
其他氣候因子 0.3
其他 0.5
綜合以上國內外的研究現狀可以看出，在指標因子的選取、檢驗等方面還沒有形 成統一的標準體系，通常存在選取的數量不足、指標因子之間相關性太高或者權重值 的確定不夠合理等問題，導致未能準確客觀的體現指標因子與滑坡災害之間的關系； 并且由于不同區域的環境條件差異，使得某些常用的指標因子可能并不完全適用，需 要進一步進行檢驗和篩選處理。
因此，本文總結了前人在岷縣地區已有的相關研究成果，綜合考慮岷縣地區滑坡 災害的發育類型和分布特征、及其特殊的地質條件等影響因素，遵循科學客觀的原則 選取了指標因子，采用合理的方法對指標因子進行了檢驗篩選，保證所有的指標因子 具有獨立性、準確性和科學性，建立了岷縣滑坡災害易發性評價指標體系。
1.3研究內容與技術路線
1.3.1研究內容
本文以甘肅省岷縣為研究區，首先基于GIS和RS技術，對岷縣地區的滑坡災害進 行遙感影像解譯和現場核查驗證；在此基礎上綜合選取了指標因子，開展了岷縣滑坡 災害易發性評價，分析環境條件與滑坡災害分布規律之間的關系；最后總結了岷縣滑 坡災害的研究工作，設計并實現了滑坡災害信息管理系統。主要研究內容如下：
（1） 基于遙感影像的滑坡災害解譯及滑坡災害分布特征分析。
收集岷縣區域的高分二號、高分六號、Google Earth和Landsat8等多源、多時相遙 感影像數據，經過影像處理后，依據滑坡遙感解譯標志和實地調查獲取的滑坡災害的 特征，采用人機交互的解譯模式開展歷史滑坡災害的全面解譯，并結合野外調查驗證 解譯結果，將其屬性數據和空間數據鏈接得到岷縣歷史滑坡災害編錄圖。運用數理統 計方法對岷縣滑坡災害的空間分布特征及各鄉鎮的發育情況進行了系統地分析。
（2） 岷縣滑坡災害易發性評價研究。
收集岷縣的地形地貌、地質構造、地層巖性、氣象水文、地表覆蓋和人類活動等 方面的基礎數據資料，建立統一的坐標系統。在保證科學性和準確性的前提下，綜合 考慮已有的相關研究成果和岷縣的實際情況選取了高程、坡度、坡向、平面曲率、距 斷層距離、地層、降雨量、距水系距離、歸一化植被指數和距道路距離 10 個對滑坡災 害發育影響較大的因素作為指標因子，采用30 mX30 m的網格單元作為基本評價單 元，將所選取指標因子按照基本評價單元進行分級，檢驗指標因子之間的相關性，建 立了岷縣滑坡災害易發性評價指標體系。分別采用邏輯回歸-信息量耦合模型和徑向基 神經網絡-信息量耦合模型開展滑坡災害易發性評價，依據現行的地質災害調查技術標 準對評價結果進行易發性分區，采用合理性檢驗和精度檢驗對兩種耦合模型的準確性 比較分析，并與單一模型的評價精度比較，選擇出最科學合理、客觀準確地評價結 果，根據易發性區劃結果分析岷縣滑坡災害分布規律與指標因子之間的關系。
（3） 滑坡災害信息管理系統設計與實現。
在系統需求分析和可行性分析的基礎上，進行了系統的整體設計、詳細設計和數 據庫設計。基于 Visual Studio 2010、ArcGIS Engine 10.2 和 Developer Express 15.2 開發 平臺，采用 C# 編程語言開發了滑坡災害信息管理系統。該系統集成了系統管理、文件 管理、數據管理、分析預測和應用工具等五大功能模塊，可以將二三維數據有效地集 成，具有良好的可視化界面，實現了岷縣滑坡災害數據信息化和動態綜合管理。
1.3.2技術路線
本文研究思路如下：
（1） 收集整理岷縣地區的相關基礎地理數據，包括地形地貌、地質構造、地層巖 性、氣象水文、地表覆蓋、人類活動和衛星遙感影像等資料，基于 GIS、 ENVI 和 ERDAS 等軟件平臺完成數據處理；
（2） 根據建立的岷縣滑坡遙感解譯標志，運用 3D 遙感影像技術解譯了滑坡災 害，通過野外現場調查驗證解譯結果的正確性，然后將歷史滑坡的屬性數據和空間數 據鏈接起來獲得岷縣歷史滑坡災害編錄圖；
（3） 選取滑坡災害易發性評價的指標因子，通過相關性分析篩選出用于構建和訓 練評價模型的指標因子，建立了岷縣滑坡災害易發性評價指標體系；
（4） 構建邏輯回歸-信息量、徑向基神經網絡-信息量耦合模型進行滑坡災害易發
性評價，對比分析耦合模型的評價精度，得到岷縣滑坡災害易發性區劃圖；
（5） 滑坡災害信息管理系統的設計與實現。
詳細的研究技術路線如圖 1.2所示：
圖 1.2 技術路線圖
第 2 章 研究區概況與滑坡災害信息提取
2.1研究區概況
2.1.1地理位置
岷縣位于甘肅省定西市西南部，是甘南高原東緣與隴中黃土高原和西秦嶺隴南山 地交匯處。地理坐標為東經103°41'29"?104°59'23"，北緯34°07'34"?34°45'45"，如圖 2.1 所示。全縣下轄 15 個鎮、 3 個鄉，西北與臨潭縣、卓尼縣、迭部縣相鄰；東北和漳 縣、武山縣接壤；東南與宕昌縣、禮縣毗鄰，總面積達 3578 平方公里，是定西、天 水、隴南和甘南的幾何中心。岷縣距離省會蘭州市 265 公里，自古就有“西去青海、 南通巴蜀、東往三秦”之稱，蘭渝鐵路、 G75 蘭海高速、國道 212 線和省道 306 線等 多條交通主干道路橫貫全境，為當地的經濟發展和文化融合提供了有利的條件，使得 岷縣成為甘肅南部重要的商貿中心之一。
104°0'E 104°20* E 104°40* E
2.1.2地質構造
岷縣位于祁連加里東造山帶和西秦嶺復合造山帶的結合部位，主體隸屬于西秦嶺 造山帶，處于古亞洲構造域、特提斯構造域和濱太平洋構造域復合疊加的構造部位。 由于印度板塊和歐亞板塊共同作用使得青藏高原的周邊形成了一系列具有走滑分量的 大型邊界斷裂，是一個巨大的左階巖橋區，在原有擠壓逆沖構造行跡的基礎上經過多 次剪切斷裂，發展演化出一系列逆沖兼左旋走滑特征的斷裂構造。主要包括臨潭-宕昌 斷裂帶和迭部-舟曲斷裂帶等，基本走向為北西西向［60］，其中臨潭-宕昌斷裂帶貫穿岷 縣全境。現今岷縣地區的構造運動強烈，地震、滑坡等自然災害頻發，危害較大， 2013年7月22日岷縣、漳縣交界區域發生Ms6.6級地震，此次地震發生在臨潭-宕昌 斷裂帶附近，是由于該斷裂帶分段不均勻活動的結果［61］。
2.1.3地層巖性
岷縣境內的地層從晚古生代泥盆系中期開始至新生代第四系均有出露，缺失白堊 系地層。其中上古生界地層包括泥盆系和二疊系地層，主要分布在岷縣東部及中部區 域，巖石以板巖、砂巖、泥質灰巖、礫巖和硅質巖為主；中生界地層包括三疊系和侏 羅系地層，主要分布在縣域的北部及其西北部，巖石以砂巖、砂質板巖、灰質頁巖為 主；新生代地層包括第三系和第四系地層，主要分布在洮河、迭蔵河兩岸及閭井河以 北沿河兩岸，巖石以礫巖、砂巖、粉砂巖、粗砂巖、砂質黏土和含礫石砂巖為主［7］。
2.1.4地形地貌
岷縣位于青藏高原東麓與西秦嶺隴南山地接壤區，西秦嶺北支褶皺帶。縣域整體 為東西向的帶狀區域，區內海拔2039~3823 m，平均2748 m，西部和北部是洮河中游 的寬谷區，東部為山間盆地，南部多高山，山地面積約占全縣總面積的 88.8%，地勢 呈南高北低，山嶺起伏，河流縱橫。地貌屬于高原形態，主要有侵蝕切割山區、高原 形態山區和河谷川臺區三種類型［62］，其相對高差、地貌類型特點和主要的分布區域如 表 2.1 所示。
表 2.1 岷縣地貌類型
地貌類型 相對高差/m 特點 分布區域
侵蝕切割山區 400?1000 海拔高、溝谷深 洮河流域及蒲麻河、湫山河、
淺切割、中度侵蝕 閭井河上游等區域
高原形態山區 400 地形起伏較緩 班哈山以東至馬塢廣闊地帶及
山勢低緩渾圓 迭藏河上游區域
階地II-III級 洮河、迭藏河流域，西川、南
河谷川臺區 10?50 川、梅川及東部的狼渡灘、后
中部為川地、坪臺
治灘等區域
2.1.5氣象水文
岷縣全境水系分長江、黃河兩大流域， 3 個水系。屬黃河流域的洮河水系支流 16 條，渭河水系支流 5條，屬長江流域的湫山河水系 1 條，境內常年流水河 22條。年徑 流量1億m3以上的2條，1000萬?6000萬的10條，1000萬以下的10條。其中 洮河是黃河一級支流，境內流長83.5 km,流域面積2177 km2；迭藏河為洮河的一級支 流，發源于大拉梁北側，境內流長42.1 km，流域面積827.1 km2；閭井河屬渭河的一 級支流，發源于磨折梁北側，境內流長54.8 km，流域面積713.7 km2；納納河為洮河 的次一級支流，發源于班哈山西側，境內全長28.8 km，流域面積279.8 km2。
岷縣氣候屬于溫帶半濕潤向高寒濕潤氣候過渡帶，高寒陰濕，氣溫低，降雨量充 沛。年平均氣溫為5.5°C，最熱7月份平均氣溫16°C，最冷1月份平均氣溫-6.9°C；年 降雨量為598.3 mm，降雨集中在7?9月；年蒸發量1188.2 mm，年無霜期平均109 天，平均相對濕度68%，平均日照時數2214.9 h,年主導風向為西北風。全年的氣溫 和降雨量如圖2.2所示。
圖 2.2 岷縣全年氣溫-降雨量圖
2.1.6土壤植被
岷縣土壤包括 13 個土類， 19 個亞類， 45 個土屬， 59 個土種。全縣的土壤類型包 括地帶性土壤、中苔原土壤、荒漠土壤和非地帶性土壤等。西北部的洮河流域屬隴中 黃土高原南部，分布有黑土、麻壚土、黃綿土；西南部和中部的絕大部分地區屬甘南 高原邊緣地帶，分布有亞高山草甸土、山地暗棕壤土、黑土；東部屬于秦嶺山地地 帶，分布有黑土、灰褐土、黑鈣土、山地草甸土等，土壤分布具有中國各土壤區劃交 匯過渡地帶的特點。
岷縣草地分為 6 個草類， 11 個組， 18 個型，包括亞高山灌叢草甸草地、亞高山草 甸草地、草原化草甸草地、草原草地、沼澤化草甸草地和林緣草地。林地以針、闊葉 混交林為主。南部和東部地區的植被覆蓋度高，縣城所在地及其北部、西北部人口密 度大的區域植被覆蓋度低。
2.1.7人類活動
隨著社會經濟快速發展和人口數量急劇增加，對資源的需求和環境壓力日益增 加，自然環境對人類社會的影響也日趨嚴重，特別是滑坡等地質災害的頻發給人民生 命財產和生產生活帶來嚴重的影響，并且影響范圍在逐步擴大。岷縣擁有優越的地理 位置和豐富的自然資源，是甘肅南部地區亟待開發的重點區域，人類活動已經逐步成 為該地區內滑坡等自然災害頻發的重要影響因素之一。岷縣的人類活動主要表現在以 下兩個方面：
(1)交通建設。近幾十年來，已經完成了全縣境內國道 212 線和省道 306線的改 擴建工程，蘭渝鐵路全線通車， G75 蘭海高速、渭武高速和成蘭鐵路等重大交通項目 正在施工建設，岷縣通往蘭州、隴南、天水、甘南等周邊地區的通道將實現真正意義 上的四通八達，將改善交通條件，更加凸顯區位優勢。在道路建設的過程中受山地地 形限制，普遍存在大方量的削坡擴基、挖方填方和隧道橋梁施工，施工擾動對道路沿 線的自然環境有嚴重的影響，將會造成植被破壞和巖土體裸露松動，加劇地表風化， 沿線坡體發生位移等。岷縣降雨量充沛，能夠造成大量的水土流失，若遭遇強降雨等 極端天氣極容易發生洪澇、泥石流、滑坡等嚴重的地質災害。
(2)礦產開發。岷縣處于岷禮金礦末梢地帶，境內礦產資源豐富。有金、銅、 鐵、鉛鋅、鎢錫、汞銻、重晶石、石英、泥炭等金屬和非金屬礦產約 25 種。主要金礦 床有鎖龍口金礦、馬塢金礦、后治灘金礦、鹿兒壩金礦等，淡家河銅礦，旗桿溝鐵 礦，雪花山鎢錫礦，座座溝汞銻礦，半溝沿鉛鋅礦，大崖硫化礦，麻子川泥炭礦等。 在礦產開發過程中，由于過度開采、未及時回填等原因導致地面下陷，嚴重破壞原始 地層的結構形態和應力平衡，也是誘發滑坡等地質災害發生的主要因素之一。
2.2滑坡遙感信息提取
遙感技術已經有效地應用于滑坡等地質災害調查的技術方法中，并在滑坡災害動 態監測、綜合評價、規劃治理等方面取得了較大的進展。岷縣的滑坡災害遙感解譯的 基本思想是以經過處理的遙感正射影像為基礎資料，以《地質災害調查技術要求 (1:50000)》(DD2019-08)、《滑坡崩塌泥石流災害調查規范(1:50000)(DZ/T0261- 2014)》、《環境地質遙感監測技術要求》(DD2011-07)及《滑坡災害防治手冊-認 識滑坡:防治滑坡》等規范標準為解譯技術指南，結合遙感影像的圖像特征和滑坡發生 后形成的特殊地貌建立滑坡遙感解譯標志，通過目視解譯和計算機自動解譯相結合的 方法對岷縣境內的新、古(老)滑坡進行詳細的解譯分析，并結合野外現場核查驗 證，對解譯結果進行修改以確定最終的滑坡災害解譯結果。
2.2.1遙感影像的處理
遙感影像的成像過程比較復雜，衛星的傳感器在成像過程中，電磁波信號容易受 到大氣層的干擾，導致傳感器獲得的影像數據失真，背景噪音變大，降低了成像精 度；由于傳感器姿態、衛星飛行速度和地球曲率等因素的影響，會導致地物的像元坐 標和地理坐標的對應關系發生畸變，存在幾何形變，這些誤差會降低影像分析的準確 性，所以在特征信息提取之前需要對原始遙感影像數據進行處理。遙感影像處理一般 包括輻射定標、大氣校正、正射校正、影像融合、波段轉換和影像裁剪等步驟［63~64］。
本文基于 ENVI5.3 和 ERDAS2010 遙感影像處理軟件，研究了高分二號衛星影像 的處理流程。根據滑坡災害識別的實際應用需求，結合原始影像的基本特征，經過多 次設置校正參數、選擇融合方法和構建波段轉換模型等處理方法的試驗，結果表明， 適合本研究區的高分二號影像數據處理的順序為：輻射定標、FLAASH大氣校正、 RPC正射校正、小波變換影像融合、NIR波段轉換和研究區域影像裁剪，具體處理流 程如圖 2.3所示。
圖 2.3遙感影像數據處理流程
2.2.2滑坡遙感解譯標志的建立
為了能夠有效、快速和準確地識別滑坡災害在遙感影像上的特征，建立滑坡遙感 解譯標志對于開展岷縣地區的滑坡災害易發性評價研究至關重要。滑坡遙感解譯標志 可以分為直接標志和間接標志兩種，直接標志一般是通過影像的色調、形態、大小、 紋理、陰影和周圍的地形地貌等影像特征進行解譯；間接標志是依據周圍的地物之間 的關系、位置等特征進行解譯。本文采用建立直接標志進行岷縣滑坡災害遙感解譯工 作，主要依據以下幾各方面：
（1） 色調特征。近期發生的滑坡在遙感影像上通常色調較淺，多為灰色或淺灰 色，與周圍地物的色調和紋理明顯不同，且表面無植被生長；發生較早的滑坡色調比 較暗，多呈現墨綠色或醬紫色，表面多被灌木和草類植被覆蓋，影像表面不均勻［65］。
（2） 形態特征。滑坡在影像上的形態多呈簸箕形、舌形、牛角形、橢圓形、圈椅 形、長條形或其他不規則形狀等。土質滑坡在高分辨率的遙感影像上能分辨出滑坡 壁、滑坡臺階和滑坡舌等基本要素，立體效果明顯，紋理較為細膩；巖質滑坡的形態 通常比較復雜，紋理較為粗糙，需要通過與周圍的地形地貌結合進行識別［66］。
（3） 地形地貌特征。滑坡常發育在河谷兩側或者拐彎部位，有臨空面和坡度較大
的斜坡上，以及山地分水嶺的陰坡上，有時會密集成群出現；并且滑坡發生會改變此 處的地形，可以依據DEM數據生成等高線進行判斷，通常滑坡壁處的等高線密集呈現 弧形內凹，滑坡體的等高線稀疏且向溝里凸出［67］。
(4)植被特征：滑坡破壞了坡體的巖石和土壤結構，使得滑坡上的植被與鄰近區 域的植被在遙感影像特征上有較大的差異，主要表現為樹干下端向下彎曲、上部垂直 生長，表面多生長灌木，高大植被稀少，植被覆蓋度較低等特征。
(5)水文特征。滑坡發生后，前緣土體涌入河道，破壞了原有的徑流模式，在遙 感影像上的特征表現為河道明顯局部變窄、不正常彎曲，以及有堰塞湖現象發生。
根據岷縣滑坡災害發育的的實際情況，通過野外調查，結合已有的研究成果進行
遙感影像特征分析，建立了一套完整的遙感影像解譯標志，部分如圖 2.4所示。
2.2.3滑坡遙感解譯與調查驗證
岷縣地形復雜，降雨充沛，植被發育，滑坡災害具有規模小、分布廣等特點。傳 統的遙感解譯方法大部分是基于二維影像解譯，不能夠全方位獲取滑坡體的特征信息
與周圍環境之間的關系，解譯方法存在一定的局限性。因此本研究中，結合岷縣的環 境條件特征，采用 3D 遙感影像技術，將二維遙感影像數據和三維地形數據疊加生成三 維場景模型，如圖 2.5 所示。三維場景模型不僅能夠直觀表現滑坡災害的空間分布特 征，而且能清楚地辨識各類地貌特征，增強影像模式及其對地形相關性的理解，提高 滑坡災害解譯的精度。
圖 2.5 岷縣 3D 遙感影像圖
在此基礎上，根據 2.2.1 節中建立的滑坡遙感解譯標志，遵循先大后小、先易后難 和參照對比等原則，以鄉鎮為單位，采用人機交互的解譯模式對岷縣的歷史滑坡災害 開展全面的解譯。然后將研究區劃分為 5 行 10 列，共 50 個格網，對其再遍歷一遍， 確保每個歷史滑坡災害點都能解譯。根據遙感解譯的成果，對岷縣的滑坡災害開展了 野外詳細調查工作，并對解譯結果進行核查驗證，部分驗證結果如圖 2.6、 2.7和 2.8所 示。結果表明，遙感影像解譯獲得的滑坡點的坐標位置和邊界范圍與現場滑坡狀態相 一致，解譯精度符合技術要求。經核查驗證確定岷縣滑坡災害點共 549 個，面積大于 10000 m2的滑坡災害點有30個，滑坡災害的總面積1.98 km2，約占整個研究區的
0.055%。滑坡類型主要以淺層、小型滑坡為主，在全縣18個鄉鎮均有分布。
圖 2.6 高崖堡滑坡影像和照片（左圖為遙感影像，右圖為現場照片）
圖 2.7 陰坡村滑坡影像和照片（左圖為遙感影像，右圖為現場照片）
圖 2.8 塔溝村滑坡影像和照片（左圖為遙感影像，右圖為現場照片）
2.3研究區滑坡災害特征
2.3.1滑坡災害數據編錄
滑坡編錄圖是進行滑坡災害易發性評價分析的基礎資料，它綜合反映了一個地區 的滑坡發育類型、分布概況、地形地貌以及地質環境條件，在滑坡災害和災害鏈的風 險識別、綜合監測和預報預警等方面有重要的現實意義。常用的滑坡編錄圖是基于 DEM 數據疊加地形陰影作為背景，顯示滑坡的位置、面積等基本要素［68］。開展區域的 歷史滑坡編錄，關鍵在于在一定比例尺和精度條件下所選用的編錄方式和編圖技術方 法。目前，隨著 3S 技術的發展和自然資源大數據的應用，通過專業軟件的空間分析、 數據建模等功能促進了滑坡制圖的進展。本文通過收集岷縣的基礎資料結合歷史滑坡 的遙感解譯結果，首先基于 GIS 等基礎軟件繪制了岷縣歷史滑坡災害分布圖；采用 FileGeoDatabase 數據庫建立歷史滑坡災害點的屬性數據，主要包括地理坐標、所屬區
域、發生規模和主要影響因素等；然后屬性數據和空間數據鏈接得到岷縣歷史滑坡災 害編錄圖，如圖2.9所示。
圖 2.9 岷縣歷史滑坡災害編錄圖
2.3.2滑坡災害分布特征
通過野外調查結果和歷史滑坡災害編錄圖分析岷縣滑坡災害的空間分布特征。依 據岷縣歷史滑坡災害編錄圖統計境內 18 個鄉鎮的滑坡災害點分布情況，結果如表 2.2 所示。從表中可以看出，岷縣的所有鄉鎮均有滑坡分布，但由于各個鄉鎮的環境條件 和人類活動的強弱不同，所發育的滑坡災害在空間上呈現出分布不均勻現象。在中寨 鎮、維新鎮、梅川鎮和清水鎮的發育數量均超過 50個，所占的比例均超過 10%；馬塢 鎮和申都鄉地勢較為平坦，共發育滑坡災害 6個，僅占到全縣滑坡災害總數的 1.09%。
表 2.2 岷縣各鄉鎮滑坡災害分布統計表
鄉鎮名稱 滑坡災害點 /個 所占比例
/% 鄉鎮面積
/km2 滑坡分布密度
/個 •km2
茶埠鎮 27 4.92 102.23 0.26
禾馱鎮 22 4.01 248.54 0.09
閭井鎮 24 4.37 521.39 0.05
麻子川鎮 6 1.09 287.27 0.02
馬塢鎮 4 0.73 204.06 0.02
梅川鎮 67 12.20 179.71 0.37
岷陽鎮 9 1.64 37.42 0.24
蒲麻鎮 21 3.83 291.23 0.07
秦許鄉 17 3.10 365.73 0.05
清水鎮 59 10.75 177.35 0.33
表 2.2 岷縣各鄉鎮滑坡災害分布統計表（續表）
申都鄉 2 0.36 108.95 0.02
十里鎮 32 5.83 94.47 0.34
寺溝鎮 24 4.37 132.93 0.18
鎖龍鄉 7 1.28 269.56 0.03
維新鎮 81 14.75 176.94 0.46
西江鎮 33 6.01 108.72 0.30
西寨鎮 30 5.46 79.59 0.38
中寨鎮 84 15.30 193.48 0.43
岷縣的滑坡災害在鄉鎮空間上呈現不同的分布規律以外，還主要呈現以下的分布 規律和特征：
（1） 岷縣境內地形高差較大的河流兩岸及其溝谷地區，滑坡災害集中發育。如在 洮河流域的東岸沿拉柴坡-茶固灘-永光村一帶分布，西岸集中分布區位于西江-西嶺一 帶分布；如在維新鎮地區，滑坡災害點主要沿元山溝、卓坪溝、施旗溝、中寨溝、扎 馬灣等北西向溝谷呈線性排列分布。
（2） 岷縣的滑坡災害點空間分布具有區域聚集的特征，如圖 2.10所示，分布密度 整體呈北高南低，且西北部聚集，南部和東部地區較為分散。
104°0'E 104°20* E 104°40' E
2.4本章小結
本章主要總結了岷縣的地形地貌、地質構造、地層巖性、氣象水文、地表覆蓋和 人類活動等方面的概況，岷縣位于甘肅省定西市西南部，縣域整體為東西向的帶狀區 域，區內平均海拔2748 m，山地面積約占全縣總面積的88.8%；地貌主要有侵蝕切割 山區、高原形態山區和河谷川臺區三種類型；地層從晚古生代泥盆系中期開始至新生 代第四系均有出露，缺失白堊系地層。岷縣地區的構造運動顯著，境內有多條斷裂帶 分布，其中臨潭-宕昌斷裂帶貫穿全境；境內河流縱橫，氣候屬于氣候屬于溫帶半濕潤 向高寒濕潤氣候過渡帶，高寒陰濕，降雨量充沛，南部和東部地區的植被覆蓋度高， 縣城所在地及北部、西北部等人口密度大的區域植被覆蓋度低；交通建設和礦產開發 是近年來最主要的人類活動方式，并且對自然環境影響最大，是誘發滑坡等地質災害 發生的主要因素。通過對多源、多時相遙感數據，建立了岷縣滑坡遙感解譯標志，運 用3D遙感影像技術解譯了滑坡災害，結合野外現場調查編錄了滑坡災害點549個；通 過統計分析得到岷縣滑坡災害分布密度整體呈北高南低，空間分布具有區域聚集的特 征。
第 3 章 滑坡災害易發性評價方法與評價指標
3.1滑坡災害易發性評價方法
滑坡災害易發性評價是指在一定的環境條件下，分析研究每個指標因子對滑坡災 害易發性的影響程度，確定評價單元內滑坡災害發生的可能性，結合滑坡災害發育特 征將評價結果劃分為不同級別的區域，其本質用數學語言來表述就是在特定的地質環 境條件下斜坡失穩的空間發生概率的映射分析［69］，一般是基于以下三個假設條件： （1）一個區域發生滑坡災害后會有明顯的特征，可以通過實地調查測繪和遙感影像解 譯等方式獲取數據；（2）在過去已經發生滑坡的區域，或與歷史滑坡災害易發區有類 似地形地貌、地質構造等環境特征的區域，在未來發生滑坡的可能性很大；（3）通過 各種與滑坡災害發育相關的環境因子，建立能夠預測滑坡災害發生的數學模型，可以 將易發性程度用數字的形式表達出來。上述三個假設說明滑坡災害易發性是可以通過 其指標因子來預測的。因此，滑坡災害易發性評價是在確定指標因子的基礎上，不考 慮滑坡發生的規模（如長度、寬度、深度和體積等），通過評價模型建立易發性與指 標因子關系，預測當前的環境條件下發生滑坡的概率［70］，可以用表達式來描述：
GDSI = T［fdi，*2,…,X”）］ （3.1）
式中，GDSI表示滑坡災害發生的概率；X1,*2,…,X滑坡災害的影響因子，如地形 地貌、地質構造、地層巖性、地表覆蓋、氣象水文和人類活動等； f 為進行易發性評價 的模型，如確定系數模型、邏輯回歸模型、神經網絡模型等； T 表示評價模型通過的線 性或非線性變化的結果。滑坡災害易發性評價的關鍵在于指標因子和評價模型的選 擇，綜合分析研究區的環境條件合理的選取指標因子和評價模型會獲得準確性更高的 預測結果。
本文通過對國內外滑坡災害易發性評價方法研究現狀的總結，結合已有的研究成 果，采用信息量模型、邏輯回歸模型和徑向基神經網絡模型三種單一模型，分別構建 邏輯回歸-信息量耦合模型、徑向基神經網絡-信息量耦合模型，開展岷縣地區滑坡災 害易發性評價研究，現將所涉及到的評價模型介紹如下。
3.1.1信息量模型
信息量（Information Value，I）模型是由美國數學家C.E.Shannon提出，國內學者 晏同珍等首次運用到滑坡災害預測研究領域中，其原理是通過信息熵來綜合分析各指 標因子對區域滑坡易發性的貢獻值，確定滑坡分布與環境因子之間的空間關系［33~34］。 滑坡的孕育受多種環境因素相互耦合、共同作用的影響，并且各種因素所起作用大小 等都具有差異性，因此滑坡災害的發生存在一種“最優指標因子組合”，在不同的環 境條件這種組合也會隨之發生變化。信息量模型可以根據已經發生的滑坡區域所提供
的信息把區域內各指標因子的實測值轉化為能反映區域穩定性的信息熵，通過統計每 個影響因素對滑坡災害貢獻的信息熵來確定導致災害發生的“最優指標因子組合”， 將多個影響因素的信息熵疊加實現區域滑坡災害易發性評價。信息熵以概率倒數的對 數函數計算，表達式如下：
式中，J為滑坡發生事件；x,(7=1,2,…，”)為影響滑坡發生的指標因子； I(J,X]X2,…,X”)為在(X]X2,…,X”)指標因子的組合下對滑坡災害產生的總信息量； P(j,X1X2,…,X”)為在(X1X2,…,X”)指標因子的組合下滑坡發生的概率；P(y)為滑坡災害 發生的實際概率。上式可改寫為：
I(J，X1X2 X3,…,X”)= I(J，X1) + Ix ,(J，X2) + …+ IXIX2 ^xh-i(J，X”) (3.3)
式中，\ (J, x2)為在指標因子Xi存在的條件下，指標因子X2對滑坡提供的信息 豊I沁…X"(J,X”)為在指標因子(卞2，…,X”-I)存在的條件下，指標因子X”對滑坡提供 的信息量。
通常在滑坡災害易發性評價的實際計算過程中，信息量模型公式的條件概率可以 用滑坡災害面積與研究區總面積的比值代替，將總體概率改用樣本頻率進行估算。信 息量模型的表達式為：
(3.4)
式中，I(x,,H)為指標因子對滑坡發生提供的信息量值，X,為評價單元內指標因子 的等級；Nt為特定指標因子X,內的滑坡災害面積，N為研究區內滑坡災害總面積；St為 研究區內指標因子X,的面積，S為研究區的總面積。當I(x,,H) >0時，說明指標因子 X,有利于滑坡的發生；I(x,,H) <0時，說明指標因子X,不利于滑坡的發生。可以根據
單一指標因子的信息量值計算整個研究區內評價單元的信息量，計算表達式為：
式中， ” 為研究區選取的指標因子總數； I 為總信息量值，是評價滑坡災害易發性 的綜合指標，其總信息量值I越大，說明滑坡災害易發性越高，反之則說明滑坡災害易 發性低。
3.1.2邏輯回歸模型
邏輯回歸(Logistic Regression，LR)模型是應用廣泛的機器學習方法之一，以其 核函數Logistic命名(也稱Sigmoid函數)，是一種廣義的線性模型。主要表示一個因 變量和多個互不相關的自變量之間的回歸關系，其自變量可以是連續變量，也可以是 離散變量，且不需要滿足正態分布，因變量的結果只有“是”或“否”兩種情況，分
別用“1”和“0”表示。由于邏輯回歸模型語義明確、計算速度快和易于實現等優點
已被廣泛應用于山區復雜地形區域的滑坡災害易發性評價研究和制圖中［28~29,40~41］。通
常用“1”表示發生滑坡災害，“0”表示未發生滑坡災害，通過邏輯回歸模型構建指 標因子（自變量）和滑坡是否發生（因變量）之間的關系，確定指標因子的權重，可 以得到影響研究區滑坡災害分布的主控因子，同時根據指標因子的權重值可以預測發 生滑坡災害的概率。其計算公式為：
exp(Z)
1 + exp(Z)
Z = b0 + b1X1 + b2X2 +…+ b” X”
0 1 1 2 2 ” ”
p = exp(力 0 + X1 + b2 X 2 + …+ b”X”)
1 + exp(b0 + b1X1 + b2X2 + …+ bnXn )
式中， P 為滑坡發生的概率，取值范圍是［0,1］； Z 為指標因子的線性擬合函數；
X.X1…Xn為選取的指標因子；b為常數；b1,b2,…,b”為邏輯回歸系數。那么：
P
LogitP = In ~- = b0 + X1 + b2X 2 + …+ b”X” (3.10)
1 - P
根據邏輯回歸模型的計算得到的每個指標因子的邏輯回歸系數，計算不同指標因
子對滑坡災害發生的重要性，即為每個指標因子的權重值。其計算公式為：
式中，Wi為各指標因子的權重值；b.為邏輯回歸模型計算得到的第i個邏輯回歸系 數； ”為指標因子總數。
根據學者研究表明［24］，為了提高邏輯回歸模型的預測能力，在開展滑坡災害易發 性評價的時候需要滿足以下幾個條件： （1）因變量只能是二分類變量； （2）輸入模 型的數據重復率應較低；（3）指標因子之間不能存在多重共線性；（4）滑坡發生概 率的對數和指標因子應以線性關系表示；（5）用于模型訓練的樣本量不能太少。
3.1.3徑向基神經網絡模型
徑 向基神經網絡（Radial Basis Function Neural Network， RBFNN）模型是由 J.Mooden和C.Darken在20世紀80年代末提出，是以徑向基函數作為激活函數的一種 性能良好的前饋型神經網絡，具有最佳逼近和克服局部極小值問題的優點［71~74］。網絡 結構由輸入層、隱含層和輸出層構成，從輸入層到隱含層是非線性變換，不需要權值 連接，而從隱含層到輸出層變換是線性的，也就是整個網絡的輸出是隱含層輸出結果 的線性加權和，RBF神經網絡的拓撲結構如圖3.1所示。
h
e = d - j, = d - £ j(xp -c)
i =1
3.1.4邏輯回歸-信息量耦合模型
邏輯回歸-信息量耦合模型（LR-I）是以SPSS Modeler軟件為平臺構建新模型。首 先將訓練樣本點提取的各指標因子不同等級信息量值作為輸入類型，是否發生滑坡作 為目標類型（“1”表示滑坡點，“0”表示非滑坡點），讀取指定字段的值；然后設 置模型的最大迭代次數為20次，篩選自變量方法采用“向前LR”，輸出參數估計、 Hosmer-Lemeshow 擬合度等模型的基本信息，并且計算輸入變量的重要性，運行“流 LR-I”進行耦合模型訓練。在耦合模型訓練完成后，將研究區域轉換為柵格數據作為 數據源，調用已訓練完成的 LR-I 模型預測每個柵格的滑坡災害易發性指數，最后在 GIS 中繪制并輸出計算結果，生成滑坡災害易發性評價區劃圖。 LR-I 模型的建模和預 測流程如圖 3.2所示。
3.1.5徑向基神經網絡-信息量耦合模型
徑向基神經網絡-信息量耦合模型（RBFNN-I）是以SPSS Modeler軟件為平臺， 選擇 RBF 神經網絡類型構建新模型。將訓練樣本點提取的各指標因子不同等級信息量 值作為輸入類型，是否發生滑坡作為目標類型（“1”表示滑坡點，“0”表示非滑坡 點），讀取指定字段的值；設置樣本總量的 30%作為過度擬合防止集合，自動計算隱 含層的單元數，運行“流RBFNN-I”訓練耦合模型；經過初次訓練完成后，將訓練的 目標模式設置為增強模型準確度（boosting），反復訓練模型以獲得更加準確地預測結 果。在耦合模型訓練完成后，同 LR-I 模型的處理方法一致，將研究區的全部柵格數據 作為數據源，調用已訓練完成的 RBFNN-I 模型預測每個柵格數據的滑坡災害易發性指 數，最后在 GIS 中繪制滑坡災害易發性評價結果。 RBFNN-I 模型的建模和預測流程如 圖 3.3 所示。
3.2基本評價單元
基本評價單元是在進行滑坡災害易發性評價時所采用的最小的、不可分割的空 間，通過基本評價單元才能獲得各種指標因子的特征信息，因此選擇一個合適的評價 單元是十分重要的，在實際應用中要根據研究區的特征條件、滑坡類型和數據類型綜 合選取合適的評價單元。目前，滑坡災害易發性評價中常采用的基本評價單元主要有 網格單元、斜坡單元、均一條件單元、地域單元和地形單元五種類型。
（1） 網格單元：最常見、應用范圍廣泛的評價單元，是將研究區域劃分成規則的 正方形單元，數據結構簡單、邊界清晰，可以根據研究需求對數據重采樣，有利于通 過空間分析處理各類指標因子的圖層信息，適用于任何比例尺條件下的滑坡災害易發 性評價［75］；
（2） 斜坡單元：是利用研究區的 DEM 數據通過水文分析提取山脊線和山谷線等 地形特征線，并利用其將地表劃分成多個水文區域，在此基礎上經過對不合理區域進 行修改后得到獨立的單元，由于對DEM數據的精度要求較高，劃分過程比較復雜，所 以更適合于小區域的研究區［76］；
（3） 均一條件單元：是將每個指標因子劃分為單獨的圖層，然后按照規則疊加分 析，形成包含唯一值的單元，有利于統計分析和指標分析，由于受區域地質環境的差 異性的影響，更適用于環境因子單一的研究區［16］；
（4） 地域單元：是地質學家經常采用的單元類型，是基于國土空間類型和地域結 構劃分的，地域單元具有較好的群體性結構，適用于按照行政區劃管理的研究區和不 同尺度的土地資源調查研究［16］；
（5） 地形單元：是依據地表形態的自然界線和地質條件劃分的，在國土資源調查 和土地利用類型分類中廣泛應用［77］。
滑坡災害的基本評價單元與評價模型的精度是精密相關的，綜合上述五種評價單 元的特征，均有各自的優缺點，斜坡單元和均一條件單元更適合環境條件簡單的小區 域滑坡災害易發性評價，地形單元和地域單元更適合用于國土資源調查，并且斜坡單 元、均一條件單元、地域單元和地形單元都是將研究區劃分為不規則的網格，不利于 計算機處理和空間分析。而網格單元是將研究區劃分特定大小的規則網格，劃分后的 數據單元是以矩陣的形式進行組織和管理，便于計算機快速處理，并且每個網格能夠 存儲多個屬性值，有利于 GIS 的空間分析。
岷縣地域狹長，滑坡災害的規模以小型為主，考慮到各類指標因子的數據精度和 比例尺，本文采用網格單元作為基本評價單元對研究區進行劃分，進行滑坡災害易發 性評價。由于選取的指標因子多基于DEM數據和Landsat數據，為了便于計算處理， 將評價單元網格的尺寸設定為30 mX30 m。
3.3滑坡災害易發性評價指標
3.3.1評價指標的選取原則
滑坡災害的發生是受多種因素綜合作用而產生的，不同區域的環境條件差異性會 導致滑坡發生的影響因素有所不同。因此，在滑坡災害易發性評價中，指標因子的合 理選取和分析是的一個非常重要的環節，與評價結果密切相關，科學合理的選取指標 因子應遵循以下原則［78］：
( 1)指標因子應具有代表性
不同研究區域的滑坡形成機理、發育類型、分布規律及環境條件等都會有差異， 影響因素眾多，需要在充分掌握研究區地質資料和結合現場調查的基礎上，從中選取 具有代表性的指標因子。
(2)指標因子應具有獨立性
選取的指標因子之間存在較高的相關性時，會增加指標因子之間的冗余度和數據 維度，在評價模型訓練過程中會使模型失真，得到的評價結果出現偏差。基于此，在 選取指標因子時，應保證獨立性和客觀性，最大限度的降低指標因子之間的相互影響 和相互作用。
(3)指標因子應具有可操作性
選取的指標因子應當容易獲取和編輯，通過 GIS 等專業的軟件能夠實現數據格式 轉換、坐標投影和變換，對數據量缺失部分能夠通過插值模擬等方法進行修復，并且 所有的屬性數據也可以被提取和統計分析。
(4)指標因子應具有繼承性
針對某個區域滑坡災害易發性評價研究，選取的指標因子要有廣泛的空間繼承 性，結合研究區的地質環境和滑坡災害特征，充分參考已有的研究方法與成果綜合選 取指標因子，以減弱選取的盲目性。
3.3.2評價指標的檢驗篩選
在進行模型的建立和訓練之前，還有一項很重要的工作，就是對所選取的滑坡指 標因子進行檢驗與篩選，保證輸入模型的指標因子之間具有獨立性和客觀性，這對模 型的建立以及滑坡災害易發性評價具有重要的意義。
通常影響滑坡災害發生的區域環境因素具有多樣性和復雜性，選取的指標因子與 滑坡的發生都存在一定的關聯性，并且指標因子相互之間也具有不同程度的相關性。 如果將存在高相關性的指標因子不進行檢測篩選處理，直接作為輸入數據參與模型的 建立，會產生冗余數據導致評價模型復雜化，在模型計算的過程中出現錯誤的系統分 析，降低模型的預測能力和評價精度。所以，在指標因子選取與分級之后，根據每個 指標因子分級后的特征值量化相關性問題，剔除相關性高的指標因子，選擇適合的、 獨立的和客觀的指標因子參與評價模型的計算分析。目前，用來檢驗數學模型輸入數 據之間相關性的方法主要有皮爾遜(Pearson)相關系數法、斯皮爾曼(Spearman)相 關系數法、方差膨脹因子(Variance Inflation Factors， VIF )和容差(Tolerances， TOL)法、條件指數、高度相關判斷和特征值等方法，其中Pearson相關系數法常用于 檢驗滑坡災害易發性評價指標因子之間的相關性問題［79］。因此，本文選用Pearson相關 系數法對選取的10個指標因子進行檢驗與篩選，通常采用相關性系數R來度量各指標 因子之間的相關程度，R的取值范圍是［-1,1］。當其值|R|<0.3時，表明指標因子之間 微弱相關或不相關；0.3W|R|V0.5時，表明指標因子之間呈低度相關；0.5W|R|V0.8 時，表明指標因子之間呈顯著相關，|R|20.8時，表明指標因子之間呈強相關。計算 公式如下：
「X …X 1
11 1m
X= X … X
L nI △ ”m」 (3.17)
一 1 m
X=m £ 兀 (3.18)
D = i m
m £(" X)2 (3.19)
1 m —
Cov(X, Xk ) = — £ (X j - X)(X j - Xk ) m j =1 (3.20)
Rk = Cov( x,, XJI4DD (3.21)
式中，X, (7=1,2，…,n)為不同指標因子；Xj (j=1,2，…,m)為第i個指標因子的第j 個等級；X為指標因子原始矩陣；兀為矩陣X各行的均值；D,為矩陣X的各行的方 差; Cov(X,,Xk)為協方差；Rk為相關性系數。
3.4評價結果檢驗方法
滑坡災害易發性評價結果是否準確對區域滑坡風險早期識別和監測預警工作有直 接的影響作用，因此對評價結果進行檢驗十分必要。本文主要從合理性檢驗和模型精 度檢驗兩個方面對評價結果進行檢驗。
3.4.1合理性檢驗
滑坡災害易發性評價結果的合理性檢驗是對評價模型檢驗的方法之一，主要通過 分析各等級易發區的面積和空間分布狀況，及其實際發生的滑坡點在各等級易發區內 的分布數量來檢驗模型的合理性。合理性檢驗主要基于以下 3個檢驗標準［79］：
(1)各等級易發區的空間分布情況應該與研究區滑坡災害分布的特征相一致，且 在極高易發區內滑坡點所占比例應最大；
(2)低易發區所占面積在劃分的各等級易發區中的比例最大；
(3)各等級易發區內的滑坡點百分比和各等級易發區的面積占整個研究區的總面 積的百分比的比值，由低易發區向極高易發區逐漸增大。
3.4.2模型精度檢驗
通過模型精度檢驗可以準確地比較出不同評價模型的預測性能，以便選擇出適合 特定區域最優的滑坡災害易發性評價模型。自 20 世紀 80 年代以來，學者們提出了滑 坡密度、匹配程度、受試者工作特征曲線(Receiver Operating Characteristic Curve， ROC)等評價檢驗方法，以上方法均是通過對比分類結果與實際結果來檢驗模型分類 的精度，其中ROC曲線法是滑坡災害易發性評價中檢驗模型性能最常用方法［40~42］o在 本文研究中，將未發生滑坡的評價單元被正確預測為未滑坡單元的比例表示為特異度 (Specificity) ，定義為坐標橫軸；將已發生滑坡的評價單元被正確預測為已滑坡單元 的比例表示為敏感度(Sensitivity)，定義為坐標縱軸，繪制得到ROC曲線，它可以形 象的反映特異度和敏感度之間的關系。計算公式為：
TN
Specificity = (3.22)
FP+TN
TP
Sensitivity = (3.23)
TP+ FN
式中，TP和TN為正確分類的評價單元數量；FN和FP為錯誤分類的評價單元數 量。
通常計算ROC曲線線下面積(Area Under Curve， AUC)來定量的評價模型的準 確度。一般來說，AUC的值在0.5?1的范圍內，當0.5VAUCV0.6時模型預測效果較 低；當0.6VAUCV0.7時模型預測效果一般；當0.7VAUCV0.8時模型預測效果較 高；當0.8VAUCV0.9時模型預測效果高；當0.9VAUCV1時模型預測效果極高； AUC值越大，表明模型的性能越好。
3.5本章小結
本章系統的闡述了在滑坡災害易發性評價研究中常用的信息量模型、邏輯回歸模 型和徑向基神經網絡模型三種單一模型的原理與方法，研究了基于 SPSS Modeler 軟件 為平臺通過單一模型分別構建邏輯回歸-信息量耦合模型、徑向基神經網絡-信息量耦 合模型的方法。結合岷縣滑坡災害特征等因素，確定了網格單元作為岷縣滑坡災害易 發性評價的基本單元，選取了 Pearson相關系數法對選取的指標因子進行檢驗與篩選， 并采用合理性檢驗和模型精度檢驗兩種方法對滑坡災害易發性評價結果進行檢驗。
第 4 章 岷縣滑坡災害易發性評價分析
本章對岷縣滑坡災害易發性進行評價分析，首先為解決建模過程中的滑坡點和非 滑坡點的比例平衡問題，根據歷史滑坡災害點的分布特征，通過 GIS 軟件的空間分析 功能對滑坡點做緩沖區分析生成非滑坡區域，在非滑坡區域隨機生成間距大于1 km的 非滑坡災害點 549個，共得到 1098 個樣本點（滑坡點 549個，非滑坡點 549個），從 中隨機選擇 80%數據（滑坡點 439 個，非滑坡點 439 個）作為訓練樣本用來構建模 型， 20%數據作為檢驗樣本用來測試模型精度；然后對選取的指標因子進行檢驗和篩 選，建立滑坡災害易發性評價指標體系，分別采用邏輯回歸-信息量耦合模型（LR-I） 和徑向基神經網絡-信息量耦合模型（RBFNN-I）進行滑坡災害易發性評價；采用合理 性檢驗和精度檢驗比較分析兩種耦合模型評價結果的準確性，其流程如圖 4.1 所示。
4.1評價指標體系的建立
4.1.1基礎數據
收集岷縣的地形地貌、地質構造、地層巖性、地表覆蓋、氣象水文和人類活動等 方面基礎數據資料，數據來源和類型如表 4.1 所示。通過 GIS 軟件對多源數據整合處 理，首先建立統一的坐標系統，將地理坐標系定義為GCS_WGS」984；投影坐標系定 義為WGS 1984 UTM Zone 48N；然后將柵格數據的空間分辨率統一重采樣為30 m。
4.1.2指標因子的選取與分級
根據指標因子選取的原則和滑坡的形成機理，參考近年來國內外學者在滑坡災害 易發性評價研究中最常使用的指標因子以及岷縣的實際情況，并考慮指標因子數據的 可量化、可獲取性，本研究從地形地貌、地質構造、地層巖性、地表覆蓋、氣象水文 和人類活動六個方面選取了 10 個指標因子，分別是高程、坡度、坡向、平面曲率、距 斷層距離、地層、降雨量、距水系距離、歸一化植被指數(NDVI)和距道路距離。
選取的指標因子的數據類型主要分為連續型和離散型數據集，依據不同的數據類 型和已有的相關研究經驗確定每個指標因子的分級標準，如表 4.2所示。將各指標因子 制作成空間范圍一致且分辨率相同的柵格專題圖層，如圖4.2所示。
表 4.2 指標因子分級標準
指標
類型 指標
因子 數據
類型 分級指標
地形
地貌 <2400， 2400~2500， 2500~2600， 2600~2700，
高程(m) 連續型 2700?2800，2800?2900，2900?3000，3000?3100，
3100~3200，>3200
表 4.2 指標因子分級標準(續表)
104 迢 0'0"E
104。犁 E
104*0'0”E
高程/m
<2400 ■ 2800-2900 240卜2500 ■ 2900-3000 25042600 ■ 3000-3100 2600-2700 ■ 3100-3200 2700-2800 ■ >3200
s
坡度/ (°)
(a)高程
(b)坡度
(c)坡向
104迥『0"E
104。孑0'£
N=0SE。?;Boor寸 E
N=OSE。寸 C N--OAH。寸 E
(d)平面曲率
104*0『E
l04o?'0"E
104迢00乜
104°5『E
104°40'0"E
Nbsr1寸 m
Nbor寸 e
104°5'0"E
N=0-SGH: N-oo 丁寸 E
(e)距斷層距離
IQ4oyO"E
104°40'0'rE
(f)地層
IQ4oy0"E 網㈣吒
N-oor寸 m
N-O-SD寸 g
降雨量/ mm
554-571 ■ 606-615
571-582 ■ 615-626
■582-590 ■ 624639
■590-598 ■ 634659
■598-606
N-osm。寸 E
距水系距離/ km
■03-6 1.6-1.8
10.6-0.8 M 1.8-2.0
■0.8~1.0? >2.0
■ 1.0-12
(g)降雨量
IQ4oyO"E 104 電(T0"E
(h)距水系距離
]04。孑0"£ 1Q4*0O'E
N-obrnCM Nfeor寸 E
-0.75 ?-0.15 0.50—0.60
-0.15~0.08 ■0.60?0.70
0.08^0.27 ■ 0-70?0.80
0-27?0-40 ■0.80?1.00
0.40~0.50
N-oor寸 E
Nbihr寸 E
距道路距離/ km
(i)NDVI (j)距道路距離
圖 4.2 岷縣滑坡災害易發性評價指標因子
將各指標因子按分級標準進行分類，統計研究各指標因子與滑坡災害之間的關 系，具體如下：
4.1.2.1 高程
高程與巖土體的含水率、人類活動強度和植被覆蓋度等都具有很高的相關性，是 滑坡災害發育的主要影響因素之一。隨著高程的不同，地形坡度和臨空面分布也不 同，對滑坡的發育類型和垂直空間分布產生影響。本文根據岷縣的DEM數據提取高程 值，得到高程的分布范圍在2039~3817 m之間，按100 m的間隔重分類為10個等級，
分別是＜2400 m， 2400~2500 m， 2500~2600 m， 2600~2700 m ， 2700~2800 m， 2800?2900 m，2900?3000 m，3000~3100 m，3100~3200 m，＞3200 m。統計每個等級 內發生滑坡的數量，結果如圖 4.3 所示。由圖可知岷縣的滑坡主要集中在 2039~2700 m
4.1.2.2坡度
坡度與坡體的應力分布、地表徑流和堆積物厚度等方面有密切的關系，代表了坡 體的傾斜程度，在不同的坡度范圍內，滑坡的發育類型和規模存在明顯的差異。本文 根據岷縣的 DEM 數據提取坡度值，坡度的分布范圍在 0?67°之間。以坡度值為 5°間 隔進行劃分，并對坡度值分布較少的等級區間進行合并，最后得到 0?5°， 5?10°， 10?15°， 15?20°， 20?25°， 25?30°， 30?35°， 35?40°， 40?45°，＞45°10 個
等級。統計不同等級區間內的滑坡災害點數量，結果如圖 4.4所示。從圖中可以看出， 岷縣的滑坡災害絕大部分都發生在坡度小于 45°的范圍，且在這個范圍內，滑坡的數
4.1.2.3坡向
坡向是滑坡災害易發性評價的一個重要指標，它對滑坡的影響主要源于不同坡向 的太陽輻射強度和降雨量不同，從而對地表溫度、水分蒸發量、植被覆蓋情況和坡面 的風化程度等方面產生影響，造成滑坡災害發育的空間分布差異性。本文根據岷縣的 DEM 數據提取坡向指標因子，并將其分為 10 個等級，分別為平地，北向，東北，東 向，東南，南向，西南，西向，西北。統計不同等級區間內的滑坡災害點數量，結果 如圖 4.5 所示。從圖中可以看出，岷縣滑坡災害點在空間分布的方位差異性比較明顯， 主要分布在東南、南向和西南方向上，其中南向的分布數量最多。
平面
庠I冋 缶南
圖 4.5 岷縣滑坡災害與坡向關系圖
4.1.2.4平面曲率
平面曲率是地形曲率在水平方向上的分量，指在地形表面上過某一點的水平面沿 水平方向切地形表面所得的曲線在該點的曲率值，垂直于最大坡度的方向，描述了地 表沿水平方向的彎曲和變化情況，是對地形表面扭曲變化程度的定量化度量因子，且 凹凸變化與地形曲率一致。平面曲率為正值時表明該像元位于凸面坡，等于 0 時表明 位于平面破，為負值時表明該像元位于凹面坡。本文根據岷縣的DEM數據提取平面曲 率數據，并將其分為10個等級，分別為＜-0.8, -0.8~-0.6，-0.6~-0.4，-0.4?-0.2, - 0.2~0，0~0.2，0.2?0.4，0.4?0.6，0.6?0.8，＞0.8。統計不同等級區間內的滑坡災害點 數量，結果如圖 4.6 所示。從圖中可以看出，岷縣的滑坡災害點主要集中在-0.6?0.6 的 范圍內，滑坡災害點的數量首先隨著平面曲率的增加而增加，在平面曲率為 0 附近時 達到了最大值，然后隨著平面曲率的增加而降低。
4.1.2.5距斷層距離 斷層能夠改變巖體的構造形式和力學強度，斷層活動產生的擠壓和拉裂作用使得 地層結構面的裂隙更為發育，是影響滑坡形成和發育的重要因素。岷縣位于祁連加里 東造山帶和西秦嶺復合造山帶的結合部位，地質構造復雜，境內有多條活躍的斷層， 其中最重要的臨潭-宕昌斷裂帶貫穿全境，極大地促進了滑坡災害的發生。本文基于
GIS軟件從岷縣1:20萬地質圖中提取了斷層數據，并以1 km的緩沖距離創建緩沖區，
分別為＜1 km， 1~2 km， 2~3 km， 3~4 km， 4?5 km， 5?6 km， 6~7 km， 7~8 km， 8~9 km，9~10 km，＞10 km。統計每個等級內發生滑坡的數量，如圖4.7所示。結果顯 示，距離斷層較近的地方滑坡災害發生的數量多，反之位于斷層距離較遠的區域，滑
坡災害發生的數量有所減少。
4.1.2.6地層
地層是滑坡發育的物質基礎，也是滑坡形成的重要影響因素和內在條件之一。不 同地層的巖土體類型和結構特征在抗風化能力、抗剪強度和抗侵蝕性等方面有顯著的 差異，能夠直接影響斜坡的形變和穩定性。岷縣的地層發育較為齊全，本文從岷縣
1:20 萬地質圖中提取了地層巖性數據，主要為砂礫、粉砂巖、砂巖、頁巖、灰巖和白
云巖。統計不同地層內發生滑坡的數量，如圖 4.8所示。從圖中可以看出，岷縣的滑坡 災害在砂礫、砂巖和頁巖分布的地層中比較發育。
圖 4.8 岷縣滑坡災害與地層關系圖
4.1.2.7降雨量
降雨是造成滑坡災害的主要誘發因素，據統計研究發現，形成滑坡的外部因素 中， 90%以上的滑坡都與降雨有密切的關系［43］。主要原因是雨水滲入巖土體內部，會 增加坡體的容重，降低了巖土體的抗剪強度和摩擦力，極易誘發滑坡災害。岷縣地區 的氣候屬于溫帶半濕潤氣候向高寒濕潤氣候過渡帶，降雨量充沛，特別是在 7?9 月份 的降雨量更加集中。本文對 2000?2017 年逐月降雨數據進行整理分析，劃分為 9 個等 級，分別為 554?571 mm， 571?582 mm， 582?590 mm， 590?598 mm， 598?606 mm， 606~615 mm，615~626 mm，626~639 mm，639~659 mm。統計每個等級內滑坡災害點 的數量，結果如圖 4.9所示。從圖中可以看出，岷縣的滑坡災害整體呈現增加后減少的 趨勢，主要發育在降雨量571?582 mm范圍內。
降雨量（mm）
圖 4.9 岷縣滑坡災害與降雨量關系圖
4.1.2.8距水系距離
水系與滑坡災害之間的關系密切，主要表現在坡體距離水系越近時，所受到的沖 刷、侵蝕作用就越強，特別在河道拐彎處的側蝕作用極強，使得河谷兩側原有的地形 發生了改變，增加坡腳處的臨空面積，造成了坡體的穩定性降低。岷縣境內溝谷縱 橫，水系分布較多，流域面積大。本文基于 GIS 軟件對高分辨率影像圖進行矢量化， 并結合全國河流分布數據獲得岷縣水系分布圖。以 200 m 的緩沖距離建立緩沖區，分 別為＜0.2 km， 0.2?0.4 km， 0.4?0.6 km， 0.6?0.8 km， 0.8?1.0 km， 1.0?1.2 km， 1.2?1.4 km， 1.4~1.6 km， 1.6~1.8 km， 1.8~2.0 km，＞2.0 km，統計每個等級內發生滑坡的數 量，結果如圖 4.10 所示。統計結果顯示距離水系越近的區域，滑坡災害發生數量較 多，隨著距離增加，數量呈現下降的趨勢，規律性較為明顯。
4.1.2.9歸一化植被指數
植被對滑坡災害的發育有至關重要的作用，主要體現在植被能夠減緩地表徑流對 坡體的侵蝕程度，增加土壤的滲透性降低孔隙水壓力，并且植被的根系對坡體具有一 定的根固作用，能夠防止水土流失，增強坡體的穩定性。歸一化植被指數（NDVI）是 衡量植被生長發育狀態和植被覆蓋度的重要指標，其取值范圍在［-1,1］之間， NDVI 值 越大，說明植被的覆蓋度越高，反之，則越弱。本文利用 Landsat8 影像數據提取 NDVI 值， 并將其分為 9 個等級，分別為-0.75?-0.15， -0.15?0.08， 0.08?0.27， 0.27?0.40， 0.40?0.50， 0.50?0.60， 0.60?0.70， 0.70?0.80， 0.80?1.00。統計每個等級內 滑坡災害點的數量，結果如圖4.11所示。從圖中可以看出，滑坡災害在NDVI值大于 0.08 的區域分布較多，在 0.40?0.60 范圍內時，滑坡發育數量最多，當 NDVI 值大于 0.70后，數量明顯減少。
140 120 100 80 60 40 20
NDVI
圖 4.11 岷縣滑坡災害與 NDVI 關系圖
4.1.2.10距道路距離
交通建設是人類活動的一種重要表現形式，在道路建設之前，坡體是平衡的，在 建設的過程中的頻繁的施工擾動會使地形發生改變，對道路沿線的自然環境有嚴重的 影響，直接或間接的對滑坡災害的發生起到一定的促進作用，距道路距離通常用于作 為滑坡災害易發性分析的指標因子之一。因此，本文基于 GIS 軟件對高分辨率影像圖 進行矢量化，結合全國公路分布數據集獲得岷縣的道路分布圖，并以 200 m 的緩沖距 離對道路網絡進行緩沖區分析，根據距離分為V0.2 km，0.2~0.4 km，0.4~0.6 km， 0.6?0.8 km， 0.8?1.0 km， 1.0?1.2 km， 1.2?1.4 km， 1.4?1.6 km， 1.6?1.8 km， 1.8?2.0 km，＞2.0 km 共 11 個等級。統計每個等級內發生滑坡的數量，結果如圖 4.12 所示。 由圖可知，距離道路 0.2 km 內，滑坡災害發育的數量最多，表明在距離道路越近的區 域內，道路對滑坡災害發育的影響作用也越明顯。
圖 4.12 岷縣滑坡災害與距道路距離關系圖
4.1.3指標因子的檢驗與篩選
本文從地形地貌、地質構造、地層巖性、地表覆蓋、氣象水文和人類活動等方面 選取了 10 個指標因子，通過重分類和離散化處理后得到每個指標因子不同等級的屬性 值，然后將其作為滑坡易發性評價模型的輸入數據進行訓練模型。
通過GIS軟件提取10個指標因子的每個等級的屬性值，采用SPSS Statistics軟件 進行雙變量相關性檢驗分析，統計其相關性系數R,結果如表4.3所示。
表 4.3 指標因子相關性檢驗表
Var1 Var2 Var3 Var4 Var5 Var6 Var7 Var8 Var9 Var10
Var1 1
Var2 -0.06 1
Var3 -0.01 0.03 1
Var4 0.05 0.05 0.04 1
Var5 0.37 -0.20 0 0.10 1
Var6 -0.32 -0.14 -0.06 0.04 -0.01 1
Var7 0.75 -0.11 -0.01 0.09 0.19 -0.33 1
Var8 0.48 -0.09 0.01 -0.02 0.20 -0.13 0.25 1
Var9 0.32 -0.08 0 0.04 0.35 -0.13 0.38 0.14 1
Var10 0.52 -0.14 -0.03 -0.01 0.17 -0.24 0.47 0.26 0.25 1
注：Var1:高程，Var2:坡度，Var3:坡向，Var4:平面曲率，Var5:距斷層距離，Var6:地層
Var7:降雨量，Var8:距水系距離，Var9:NDVI, Var10:距道路距離
從表 4.3 中可知，高程與降雨量、距道路距離的相關性系數 R 分別為 0.75 和 0.52，均大于 0.5，表明高程與降雨量、距道路距離之間呈顯著相關；其余各指標因子 之間的相關性系數R都小于0.5,表明相關性都較低。因此，經綜合考慮后剔除高程指 標因子，將剩余的 9 個指標因子用于評價模型的訓練，以此作為岷縣滑坡災害易發性 評價指標體系。
4.1.4指標因子信息量值計算
前文已經對岷縣地區影響滑坡災害發育的指標因子進行了選取和分級，分析了每 個指標因子不同等級范圍內滑坡災害發生的數量，根據 Pearson 相關系數法對選取的 10 個指標因子進行檢驗與篩選，確定了最終用于評價模型訓練的 9 個指標因子，分別 為坡度、坡向、平面曲率、距斷層距離、地層、降雨量、距水系距離、NDVI和距道路 距離。在此基礎上，基于GIS軟件空間分析工具，將研究區按照基本評價單元30 mX 30 m 進行劃分，計算得到每個指標因子不同等級的面積以及各等級內滑坡分布的面 積。通過信息量模型公式（3.4）得到各指標因子分類等級的信息量值（I）,結果如表 4.4所示。
表 4.4 指標因子分類等級信息量值計算表
指標 因子 分類等級 滑坡面積
(km2) 滑坡面積比
例 A(%) 分級面積
(km2) 分級面積比 例 B(%) 頻率比
FR(A/B) 信息量
值⑴
0~5 0.05 2.55 299.99 8.4 0.30 -1.20
5~10 0.10 4.96 546.03 15.28 0.32 -1.14
10~15 0.22 11.06 687.10 19.23 0.58 -0.54
15~20 0.36 18.21 713.50 19.97 0.91 -0.09
坡度 20~25 0.48 24.03 617.77 17.29 1.39 0.33
(°) 25~30 0.40 20.25 410.29 11.48 1.76 0.57
30~35 0.23 11.83 202.24 5.66 2.09 0.74
35~40 0.08 4.01 72.21 2.02 1.98 0.68
40~45 0.05 2.33 18.55 0.53 4.47 1.50
>45 0.02 0.77 5.13 0.14 5.39 1.68
平地 0 0 1.37 0.04 0 0
北向 0.05 2.69 452.59 12.67 0.21 -1.56
東北 0.09 4.51 510.81 14.3 0.32 -1.14
東向 0.28 13.97 503.66 14.1 0.99 -0.01
坡向 東南 0.46 23.03 416.25 11.65 1.98 0.68
南向 0.46 23.17 354.90 9.93 2.33 0.85
西南 0.39 19.89 400.81 11.22 1.77 0.57
西向 0.19 9.46 471.18 13.18 0.72 -0.33
西北 0.06 3.28 461.22 12.91 0.25 -1.39
V-0.8 0.01 0.64 20.21 0.57 1.13 0.12
-0.8~-0.6 0.05 2.28 43.79 1.23 1.86 0.62
-0.6~-0.4 0.13 6.60 142.80 4.00 1.65 0.50
-0.4~-0.2 0.31 15.84 458.93 12.85 1.23 0.21
平面 -0.2~0 0.58 29.18 1144.97 32.05 0.91 -0.09
曲率 0~0.2 0.55 27.58 1010.38 28.28 0.98 -0.02
0.2~0.4 0.24 11.93 501.62 14.04 0.85 -0.16
0.4~0.6 0.08 4.05 171.91 4.81 0.84 -0.17
0.6~0.8 0.03 1.32 53.27 1.49 0.89 -0.12
> 0.8 0.01 0.59 24.92 0.70 0.85 -0.16
V1 0.42 21.35 282.66 7.91 2.70 0.99
1~2 0.36 18.02 282.74 7.91 2.28 0.82
2~3 0.23 11.83 253.39 7.09 1.67 0.51
3~4 0.13 6.74 198.62 5.56 1.21 0.19
距斷 4~5 0.16 8.33 186.26 5.21 1.60 0.47
層距 離 5~6 0.19 9.6 176.83 4.95 1.94 0.66
(km) 6~7 0.14 6.83 166.75 4.67 1.46 0.38
7~8 0.03 1.55 124.82 3.49 0.44 -0.82
8~9 0.02 1.23 136.00 3.81 0.32 -1.14
9~10 0.02 1.23 95.39 2.67 0.46 -0.78
> 10 0.27 13.29 1701.76 46.73 0.29 -1.24
地層 砂礫 0.47 23.67 694.20 19.43 1.22 0.20
粉砂巖 0 0 5.79 0.16 0 0
表 4.4 指標因子分類等級信息量值計算表（續表）
砂巖
頁巖 0.53
0.68 26.85
34.41 1195.33
973.57 33.46
27.25 0.80
1.26 -0.22
0.23
地層 灰巖 0.01 0.32 31.15 0.87 0.37 -0.99
白云巖 0.29 14.75 672.76 18.83 0.78 -0.25
554~571 0.32 16.02 156.72 4.39 3.65 1.29
571~582 0.66 33.36 445.17 12.46 2.68 0.99
582~590 0.51 25.58 595.83 16.68 1.53 0.43
降雨 590~598 0.27 13.65 746.20 20.89 0.65 -0.43
量 598~606 0.16 8.24 607.02 16.99 0.48 -0.73
(mm) 606~615 0.04 1.96 438.82 12.28 0.16 -1.83
615~626 0.01 1.19 333.59 9.33 0.13 -2.04
626~639 0 0 169.48 4.74 0 0
639~659 0 0 79.96 2.24 0 0
<0.2 0.52 26.08 412.24 11.54 2.26 0.82
0.2~0.4 0.25 12.74 395.79 11.08 1.15 0.14
0.4~0.6 0.19 9.47 378.06 10.58 0.89 -0.12
0.6~0.8 0.18 9.33 355.84 9.96 0.94 -0.06
距水 0.8~1.0 0.19 9.65 328.86 9.2 1.05 0.05
系距 離 1.0~1.2 0.18 8.88 295.52 8.27 1.07 0.07
(km) 1.2~1.4 0.16 8.19 260.91 7.3 1.12 0.11
1.4~1.6 0.12 6.05 225.50 6.31 0.96 -0.04
1.6~1.8 0.03 1.41 188.56 5.28 0.27 -1.31
1.8~2.0 0.07 3.38 153.32 4.3 0.78 -0.25
>2.0 0.10 4.82 578.20 16.18 0.30 -1.20
-0.75~-0.15 0 0 5.20 0.15 0 0
-0.15~0.08 0.01 0.09 3.70 0.1 0.88 -0.13
0.08~0.27 0.26 13.2 99.87 2.8 4.72 1.55
N 0.27~0.40 0.49 24.85 158.74 4.44 5.59 1.72
D
V 0.40~0.50 0.47 23.85 299.27 8.38 2.85 1.05
I 0.50~0.60 0.39 19.66 419.73 11.75 1.67 0.51
0.60~0.70 0.25 12.74 595.47 16.67 0.76 -0.27
0.70~0.80 0.11 5.43 1030.79 28.84 0.19 -1.66
0.80~1.00 0.01 0.18 960.04 26.87 0.01 -5.01
<0.2 0.46 23.4 285.40 7.99 2.93 1.08
0.2~0.4 0.20 10.29 268.18 7.51 1.37 0.31
0.4~0.6 0.13 6.6 252.80 7.08 0.93 -0.07
0.6~0.8 0.16 8.28 235.52 6.59 1.26 0.23
距道 0.8~1.0 0.18 9.19 216.71 6.07 1.52 0.42
路距
離 離 1.0~1.2 0.12 6.28 202.54 5.67 1.11 0.10
(km) 1.2~1.4 0.12 6.19 190.95 5.34 1.16 0.15
1.4~1.6 0.12 6.14 176.72 4.95 1.24 0.22
1.6~1.8 0.09 4.6 161.19 4.51 1.02 0.02
1.8~2.0 0.11 5.51 146.41 4.09 1.34 0.29
>2.0 0.27 13.52 1436.39 40.2 0.34 -1.08
4.2 基于耦合模型的滑坡災害易發性評價
本文選取了邏輯回歸-信息量耦合模型（LR-I）和徑向基神經網絡-信息量耦合模 型（RBFNN-I）對岷縣滑坡災害進行易發性評價。為了滿足對耦合模型進行建模與訓 練，首先從總 1098個（滑坡點 549個，非滑坡點 549個）樣本點中隨機選取 80%數據 （滑坡點 439 個，非滑坡點 439 個）作為訓練樣本點，剩余的作為檢驗樣本點。基于 GIS 軟件按照網格評價單元提取訓練樣本點的各指標因子不同等級的屬性值，然后將 訓練樣本的屬性值替換為相應等級的信息量值，作為輸入數據構建耦合模型。
4.2.1LR-I 模型易發性評價
基于LR-I模型開展岷縣滑坡災害易發性評價，首先通過LR-I模型建模-預測流程 （一）訓練耦合模型。參數估算值在第 6 次迭代時變化不足 0.001，因此終止迭代，輸 出邏輯回歸計算結果，如表 4.5所示。
表 4.5 指標因子邏輯回歸計算表
指標因子 回歸系數 標準誤差 卡方值 自由度 顯著性 Exp(B)
坡度 0.710 0.153 21.448 1 0 2.034
坡向 0.630 0.076 68.395 1 0 1.878
平面曲率 0.549 0.248 4.883 1 0.027 1.731
距斷層距離 1.173 0.135 75.334 1 0 3.233
地層 0.779 0.121 18.425 1 0 2.179
降雨量 0.993 0.193 26.378 1 0 2.698
距水系距離 0.571 0.215 7.034 1 0.008 1.770
NDVI 0.821 0.153 28.932 1 0 2.272
距道路距離 0.814 0.182 19.942 1 0 2.258
常量 0.413 0.145 & 084 1 0.004 1.511
在邏輯回歸計算中，當顯著性值小于 0.05 時，每個變量才具有統計意義［80］。從表 4.5 中可知，所有指標因子的顯著性均小于 0.05，表明邏輯回歸結果在誤差允許范圍 內，計算結果是準確地。并且指標因子的邏輯回歸系數全都是正數，表明所有指標因 子對模型起正向作用，邏輯回歸系數越大，對滑坡災害的影響作用就越大。依據公式 （3.11）計算各指標因子的權重值，結果如表 4.6所示。
表 4.6 指標因子權重計算表
指標 因子 坡度 坡向 平面
曲率 距斷
層距
離 地層 降雨
量 距水 系距 離 NDVI 距道 路距 離
權重值 0.101 0.089 0.078 0.167 0.111 0.141 0.081 0.117 0.116
通過LR-I模型建模-預測流程（二）利用已訓練的LR-I模型預測岷縣區域內每個 柵格的滑坡災害易發性指數，在 GIS 軟件中繪制并輸出計算結果。依據中國地質調查 局的《地質災害調查技術要求（1:50000）》（DD2019-08）中關于滑坡災害易發性評 價與區劃方法的技術標準，對岷縣滑坡災害易發性進行分級。本文采用自然間斷分級 法將LR-I模型的評價結果劃分為極高易發區、高易發區、中易發區、低易發區4個等 級分區，得到LR-I模型岷縣滑坡災害易發性區劃圖，如圖4.13所示。
圖4.13 LR-I模型岷縣滑坡災害易發性評價圖
4.2.2RBFNN-I 模型易發性評價
基于RBFNN-I模型開展岷縣滑坡災害易發性評價，首先通過RBFNN-I模型建模- 預測流程（一）進行耦合模型的訓練。經過初次訓練和增強模型準確度反復訓練后得 到最終訓練樣本的分類結果如表 4.7 所示，耦合模型的累計增益和效益如圖 4.14 所 示。
表 4.7 RBFNN-I 模型訓練樣本分類統計表
實測類型 預測類型
0 1 正確百分比
0 372 67 84.7%
1 51 388 88.3%
總體百分比 48.1% 51.8% 86.5%
圖 4.14 RBFNN-I 模型訓練累計增益和效益圖
由表4.7和圖4.14可知，本文構建的RBFNN-I模型能很好的訓練得到神經網絡輸 出，訓練樣本的正確率是 86.5%，表明 RBFNN-I 模型具有較高的可行性，對于樣本的 預測能力較強。
通過RBFNN-I模型建模-預測流程（二）利用已訓練的RBFNN-I模型預測岷縣區 域內每個柵格的滑坡災害易發性指數，在 GIS 軟件中繪制并輸出計算結果。采用與前 文 LR-I 模型相同的自然間斷分級法將評價結果劃分為極高易發區、高易發區、中易發 區、低易發區 4 個等級分區，得到 RBFNN-I 模型岷縣滑坡災害易發性區劃圖，如圖 4.15所示。
104o0* E 104°20* H 104°40' E
4.3評價結果檢驗分析
4.3.1評價結果合理性檢驗
從兩種耦合模型得到的岷縣滑坡災害易發性區劃圖（圖 4.13 和 4.15）可知，各等 級易發區的空間分布差異不明顯。其中，極高易發區和高易發區都在岷縣西北部的維 新鎮-梅川鎮-中寨鎮-茶埠鎮地區分布比較密集；中易發區主要分布在麻子川鎮北部和 蒲麻鎮東北部地區，寺溝鎮和禾馱鎮的南部地區，閭井鎮的中部，馬塢鎮和鎖龍鄉的 北部地區分布；低易發區分布在秦許鄉，以及麻子川鎮、閭井鎮、鎖龍鄉和馬塢鎮的 南部，其余鄉鎮均有零星分布。
本文為檢驗已建模型的客觀性和穩定性，分別統計兩種耦合模型計算得到的極 高、高、中和低 4 個等級的易發區面積，以及各等級易發區內滑坡點的分布數量，統 計結果如表4.8所示。
表 4.8 岷縣滑坡災害易發性分區合理性檢驗表
模型類型 易發區等級 P/個 Cp/% S/km2 Sp/% R
極高易發區 187 34.06 323.81 9.02 3.78
高易發區 246 44.81 630.55 17.56 2.55
LR-I 中易發區 87 15.85 902.99 25.15 0.63
低易發區 29 5.28 1732.51 48.26 0.11
極高易發區 308 56.10 373.70 10.41 5.39
高易發區 175 31.88 717.96 20.00 1.59
RBFNN-I 中易發區 51 9.29 975.40 27.17 0.34
低易發區 15 2.73 1522.80 42.42 0.06
注：P代表各等級易發區內滑坡點數量；Cp代表各等級易發區內滑坡點數量的比例;
S 代表各等級易發區面積； Sp 代表各等級易發區面積占研究區總面積的比例；
R代表Cp和Sp的比值
從表 4.8中可知，兩種耦合模型得到極高易發區的面積基本相當，低易發區的面積 比例均在劃分的各等級分區中最大；通過 RBFNN-I 模型得到的極高易發區內滑坡點所 占比例為56.10%，滿足模型合理性檢驗標準，但LR-I模型的極高易發區內滑坡點的分 布比例為 34.06%，相比較低于高易發區內滑坡點的分布比例；兩種耦合模型的比率 R 值均由低易發區向極高易發區逐漸增大。綜上所述，本文構建的兩種滑坡災害易發性 評價模型中，通過 RBFNN-I 模型計算得到的岷縣滑坡災害易發性區劃結果更符合模型 合理性檢驗的 3 個標準。
4.3.2評價模型精度檢驗
滑坡災害易發性評價結果是否準確直接關系到評價模型的可靠性，通過檢驗每種 評價模型的結果，可以準確地比較出不同評價模型的預測性能，以便選擇出最優的滑 坡易發性評價模型。因此，本文為了檢驗兩種耦合模型的性能，分別將單一信息量 （ I ） 、邏輯回歸（ LR ）和徑向基神經網絡（ RBFNN ）模型，以及邏輯回歸-信息量 （LR-I）和徑向基神經網絡-信息量（RBFNN-I）耦合模型的評價結果進行ROC曲線 檢驗分析，得到五種評價模型的ROC曲線，如圖4.16所示。并且統計每種評價模型的 ROC 曲線下面積 AUC 值作為一個定量的評價指標來衡量模型預測的準確度，更加直 觀地表示各種模型的評價結果，如表4.9所示。
圖4.16各評價模型ROC曲線檢驗結果圖
表 4.9 各模型 AUC 檢驗結果統計表
檢驗模型變量 區域面積 SEa 漸近 Sigb 漸近 95%置信區間
下限 上限
RBFNN-I 0.853 0.026 0 0.803 0.904
LR-I 0.827 0.028 0 0.773 0.881
RBFNN 0.790 0.031 0 0.729 0.851
LR 0.777 0.033 0 0.713 0.841
I 0.756 0.033 0 0.692 0.820
注：a按非參數假定；b原假設：實面積=0.5
從表4.9中可知，五種模型AUC檢驗結果的漸近顯著性（Sig）均小于0.05；從圖
4.16 （a）和（b）中可知，RBFNN-I和LR-I模型的AUC值分別為0.853和0.827，均 大于0.80，說明兩種耦合模型的預測效果高；并且兩種耦合模型的AUC值均大于單一 的RBFNN、LR和I模型的0.790、0.777和0.756，表明耦合模型相比單一模型更能客 觀準確地評價岷縣滑坡災害易發性；將兩種耦合模型相比較，RBFNN-I模型的AUC值 略大，表明RBFNN-I模型的評價精度更高。
綜上所述，通過對兩種耦合模型的評價結果開展合理性檢驗和模型精度檢驗，結 果表明，LR-I模型和RBFNN-I模型均能有效地獲取區域滑坡災害分布特征與環境因子 之間的相互關系，并且能對指標因子進行篩選分析，確定不同指標因子對于區域滑坡 災害易發性的影響程度，能夠較為準確的劃分滑坡災害易發區。結合岷縣地區滑坡災 害分布的特征和模型檢驗結果綜合分析，本文采用 RBFNN-I 模型方法的評價結果作為 岷縣滑坡災害易發性評價的最終結果。
4.4岷縣滑坡災害易發性分析
4.4.1指標因子重要性分析
指標因子的重要性反映了不同指標因子對于區域滑坡災害易發性的影響程度，有 的指標因子對滑坡災害發育有重要的作用，而有的指標因子則對滑坡災害的影響比較 小。因此，在滑坡災害易發性評價中，計算分析每個指標因子的重要性，確定影響區 域滑坡災害分布的主控因子，可以為滑坡災害管理工作提供指導依據。本文將篩選后 的9個指標因子的信息量值作為模型的輸入數據，通過RBFNN-I模型計算得到每個指 標因子的重要性，結果如圖 4.17所示。
0.000 0.050 0.100 0.150 0.200 0.250
重要性
圖4.17各指標因子重要性分布圖
從圖4.17中可知，基于RBFNN-I模型得到的岷縣滑坡災害易發性評價指標因子的 重要性由大到小依次為：距斷層距離、降雨量、距道路距離、NDVI、地層、坡向、距 水系距離、坡度和平面曲率。結合 4.2.1 節中通過 LR-I 模型計算得到的各指標因子的 權重值，對比發現重要性排行在前 4 位的指標因子一致，說明距斷層距離、降雨量、 距道路距離和 NDVI 這 4 個指標因子是影響岷縣滑坡災害分布的主控因子，對岷縣滑 坡災害易發性有重要的作用。這與在岷縣及附近區域已有的研究結果相似，如吳志堅 等［81］研究發現岷縣永光村的滑坡主要是由斷裂帶活動引起的地震和連續強降雨耦合作
用所致；劉杰等［82］研究發現甘肅南部的白龍江流域舟曲-武都段的滑坡災害主要受降雨 量、巖性和高程等因素的影響；劉東飛等［83］研究發現甘肅省舟曲縣的泄流坡滑坡在強 降雨和地震等影響因素下具有極高的危險性，需要加強動態監測和風險管理。
4.4.2滑坡災害易發性與指標因子分析
為了更好地分析指標因子對岷縣滑坡災害易發性的影響規律，分別繪制了各指標 因子對滑坡災害易發性的作用曲線，如圖 4.18 所示。橫坐標為指標因子的分類等級， 縱坐標為該指標因子對于滑坡災害易發性概率的貢獻值，即縱坐標的值越大表明越容 易發生滑坡。
從圖4.18中可知，距斷層距離在0?7 km范圍內時，FR值均大于1，并且距離小
于1 km時FR值最大，說明距離斷層越近的坡體越容易發生滑坡。主要原因是斷層能
夠改變巖體的構造形式和力學強度，并且斷層活動產生的擠壓和拉裂作用使得地層結
構面的裂隙更為發育［84］，在降雨、地震等作用下極易發生滑坡，斷層與滑坡災害的發 育規模和分布密度有直接關系，在斷層作用下滑坡災害一般呈帶狀分布。
降雨量在554?590 mm范圍內的FR值均大于1,說明易于發生滑坡。隨著降雨量 的增加， FR 值并沒有顯著的增加。主要是因為岷縣的地質條件受斷層活動、地層巖性 等影響極其脆弱，加之氣候濕潤，降雨集中在 7?9 月，并多以強降雨為主，坡體在短 時間的降雨作用下就會出現失穩現象，發生滑坡災害。
距道路距離在0.2 km范圍內時，FR值最大，說明距離道路越近時滑坡災害越容易
發生。主要由于岷縣的地形地貌復雜，近年來全縣的交通建設快速發展，在道路施工
過程中普遍存在削坡擴基、大型土石方填挖等現象，容易造成道路沿線的植被破壞和 巖土體失穩，也加劇了地表風化和水土流失，若遭遇強降雨等極端天氣極易發生滑坡 災害。
NDVI值在0.08~0.60范圍內時，FR值均大于1,且隨著NDVI值增大，FR值有減 小的趨勢。岷縣的南部和東部地區的植被覆蓋度高，縣城所在地及北部、西北部等人 口密度大的區域植被覆蓋度低，Dai等人［85］研究認為裸地類型滑坡發生相對較少，當植 被覆蓋度越高，滑坡發生的可能性越低，主要是因為植物的根系對坡體有一定的根固 作用［86］，能夠降低坡體的侵蝕程度，增加穩定性。
岷縣境內這兩種地層的巖石以礫巖、砂巖、粉砂巖、粗砂巖、砂質黏土和含礫石 砂巖為主［7］。有研究表明［87］，此類巖組的抗風化能力弱，節理裂隙發育，巖體大部分 結構被破壞，是極容易發育滑坡災害的巖組。
坡向在東南至西南坡的方向范圍內，滑坡發生較多。因為北半球的南坡是作為迎 風坡，坡體的風化程度高、松散厚度較大，并且南坡的降雨比較充沛，因此，在降雨 等自然因素的作用下易于發生滑坡災害。
距水系距離在0.2 km范圍內時，FR值遠大于1,說明距離水系越近對滑坡災害發 育的影響程度越大。主要是因為距離水系越近，流水對坡腳的沖刷和侵蝕作用越嚴 重，臨空面增大，坡體多處于極限平衡狀態，在自重和外力的作用下，極易失穩形成 滑坡。
坡度大于20°時，FR值均大于1，說明易于發生滑坡，并隨著坡度增大FR值也 增大。通常認為，在自然條件下坡體的坡度越大時，重力沿坡體方向的分量作用也越 大，臨空面的黏性力越小，滑坡發生的可能性也越大。
平面曲率為負值時， FR 值大于 1，說明凹面坡更容易發生滑坡災害。因為岷縣全 年降雨量比較多，凹面坡地形相對容易匯集雨水，雨水沿斜坡入滲，使巖土體強度降 低而失穩變形，所以比平坡和凸面坡更易于發生滑坡。
4.5本章小結
本章主要從地形地貌、地質構造、地層巖性、地表覆蓋、氣象水文和人類活動等 六個方面，綜合考慮據已有的相關研究成果和岷縣的實際情況選取了 10 個指標因子， 將所選取指標因子按照網格單元進行分級，采用Pearson相關系數法檢驗指標因子之間 的相關性，確定了坡度、坡向、平面曲率、距斷層距離、地層、降雨量、距水系距 離、歸一化植被指數和距道路距離 9 個指標因子用于建立岷縣滑坡災害易發性評價指 標體系；
分別采用 LR-I 和 RBFNN-I 模型開展滑坡災害易發性評價，采用合理性檢驗和精 度檢驗對兩種耦合模型的準確性比較分析，結果表明：LR-I和RBFNN-I模型的AUC 值分別為 0.827 和 0.853， RBFNN-I 模型的評價精度高于 LR-I 模型；岷縣滑坡災害的 極高易發區、高易發區、中易發區、低易發區分別占全縣面積的 10.41%、 20.00%、 27.17%和42.42%；距斷層距離、降雨量、距道路距離和NDVI是影響岷縣滑坡災害分 布的主控因子。
第 5 章 滑坡災害信息管理系統設計與實現
5.1系統分析
5.1.1系統需求分析
我國是世界上受滑坡災害影響最嚴重的國家之一，隨著全球氣候變化和人類活動 加劇等因素的影響，滑坡災害頻發且呈逐年加重的趨勢。每年因為山體滑坡災害都會 造成巨大的直接經濟損失，而間接損失更加難以估算。岷縣位于青藏高原東緣與岷山 北部，是甘肅省甘南草原向黃土高原、隴南山地的過渡地帶，地質條件脆弱，土體結 構穩定性差。近年來，受到地質條件和連續降雨的影響，滑坡災害頻發，給當地的人 民生命財產安全和社會經濟發展帶來巨大的威脅。因此，在滑坡災害綜合管理工作 中，基于 3S 技術和計算機技術，整合自然資源大數據，對區域滑坡災害進行風險評價 和動態監測，可以更好地了解滑坡的發育現狀，提出具有針對性、合理性的治理方 案，有效地減少或避免滑坡災害帶來的危害和損失，但是目前缺少一種能夠更加直 觀、便捷地對區域滑坡災害進行易發性分析和滑坡信息綜合管理的可視化系統。
綜合以上需求分析，通過對前文研究內容的整合，基于集成環境下的 ArcGIS Engine 組件式二次開發技術，設計開發一套滑坡災害信息管理系統。通過該系統可以 獲取岷縣滑坡災害的形成條件及地質環境等相關基礎信息，并對各類數據進行存儲和 管理；滿足對全縣的滑坡災害數據編錄和查詢、動態更新維護、滑坡災害易發性評價 分析等需要；可以將二三維數據有效地集成，實現二三維場景聯動的功能，具備了良 好的可視化界面，能夠實現岷縣滑坡災害數據信息化和動態綜合管理。
5.1.2系統可行性分析
在進行詳細系統設計之前，需要對整個系統進行可行性分析，系統可行性分析是 系統分析最為重要的一個環節，能夠確定當前現有的研究現狀和技術基礎是否滿足系 統設計要求；能夠預估在系統設計開發過程中出現的各項困難；能夠保障系統設計開 發過程軟硬件運行環境安全可靠［88］。本文主要從技術和經濟兩個方面，對設計開發的 滑坡災害信息管理系統的可行性進行具體的分析。
（1）技術可行性
本文采用 Visual Studio 2010、ArcGIS Engine 10.2 和 Developer Express15.2 為開發 平臺，采用C#編程語言設計開發了滑坡災害信息管理系統。現從開發平臺、編程語言 和基礎理論等方面分析技術可行性。
Visual Studio （簡稱VS）是Microsoft公司的一款開發工具包，是一個基本完整的 開發工具集，為系統開發提供所需的各類控件，具有內容感知和AI支持的IntelliSense 程序代碼完成功能，通過一鍵式實現程序代碼的清理和重構功能，提升程序代碼可維 護性。
ArcGIS Engine是Esri公司推出的用于C/S架構的GIS應用軟件的工具包，提供一 系列軟件開發接口的集合，在.NET開發環境中能夠提供Version.界面和控件、可視 化顯示、數據訪問和數據分析等重要的類庫，可以在 Windows、 Unix 或 Linux 平臺下 構建功能復雜的獨立應用程序，支持Python、Java、Visual Basic、C/C++等多種編程語 言調運，可以將 GIS 的相關功能嵌入到如 Word、 Excel 等現有的軟件中，對不同格式 的數據能夠兼容運行，實現GIS功能的靈活配置。
Developer Express (簡稱DevExpress)控件能夠在集成Visual Studio開發平臺中使 用，包含 100 多套高性能數據可視化的功能控件，適合各種桌面客戶端應用程序開 發；提供一套完整的 Office 風格的用戶界面組件，并且能夠定制和優化設計界面，開 發資源豐富，具有完善的幫助系統，非常便于使用，極大的節約了開發時間，提高了 開發效率。
C#是在.NET框架下的面向對象、面向組件的高級編程開發語言，支持多數COM 組件接口和 Windows 程序，語法簡潔、兼容性高，并具有良好的封裝性和繼承性，可 以在多種平臺的計算機上編譯，是系統開發常用的編程語言［89?90］。
另外，國內外專家學者對滑坡災害易發性評價的研究也日臻成熟，為本系統開發 提供了豐富的理論基礎；數據庫技術和 GIS 空間分析等方面的知識為系統設計和功能 實現提供了有效依據和實現途徑，這些都為滑坡災害信息管理系統的開發夯實了理論 基礎。經過對開發環境、開發平臺、編程語言和基礎理論等方面現有技術和資源的分 析，開發本文所設計的滑坡災害信息管理系統已經具備了足夠的技術支撐。綜上所 述，本系統在客戶端設計、數據處理分析、系統運行管理等方面的具有較高的技術可 行性。
( 2)經濟可行性
經濟可行性是綜合評估系統開發過程中所需的成本問題，主要包括用于支持系統 運行的軟、硬件等基礎設施的費用，以及實現區域滑坡災害分析功能所需要的區域地 理信息數據、滑坡災害監測采集數據等相關的基礎數據獲取的費用。
本文所設計開發的滑坡災害信息管理系統是依托 VS2010、 ArcGIS Engine10.2 和 DevExpress15.2平臺進行組件式技術的二次開發，軟件運行對計算機的硬件性能要求較 低，不需要購置專用計算機，常規計算機安裝相應的開發軟件即可滿足系統開發需 求，系統前期開發和后期維護費用較低，不需要投入大量成本。系統所需的地質環 境、氣象水文、高分辨率遙感影像等基礎地理信息數據主要通過自然資源大數據平臺 進行獲取。滑坡體的物理特性數據及其動態監測數據采用合成孔徑雷達干涉測量技術 (InSAR) 、無人機傾斜攝影測量技術和三維激光掃描儀等天-空-地一體化的多源立體 監測體系進行早期識別和動態監測［91］，數據采集、傳輸和處理分析等過程自動化程度 高，突破了傳統人工調查的局限性，節省大量的人力和物力資源。因此，本系統的設 計和開發不需要大量的經濟成本，具有較高的經濟可行性。
5.2系統設計
5.2.1系統整體架構設計
本系統總體設計選擇常規的四層架構設計模式，從底層到上層依次為數據層、邏 輯層、應用層和表示層，這種結構模式不僅能夠保障系統運行時的穩定性和安全性， 便于系統維護升級，并且使得系統具有更好的可移植性、可擴展性，符合“高內聚， 低耦合”的設計思想，系統整體架構如圖5.1 所示。
滑坡災害佶息管理系統
圖 5.1 系統整體設計架構圖
數據層主要負責對數據的存儲、讀取與維護，主要由地理信息數據和監測采集數 據兩部分組成。采用文件地理數據庫(FileGeoDatabase)的形式存儲和管理柵格數 據、矢量數據和三維模型數據等各種類型的 GIS 數據集。邏輯層是系統總體架構的核 心層，通過ArcGIS Engine組件式開發實現系統的所有功能，包含了功能實現所需的算 法和計算過程，與數據層和應用層進行交互。應用層通過搭建系統界面，提供應用的 功能模塊，實現文件管理、數據管理、滑坡分析和應用工具四個主要功能菜單。表示 層是通過 DevExpress 控件編寫系統的前端界面，屬于系統的用戶界面，可以直接提供 交互式操作，能夠接收用戶輸入的數據和顯示處理后需要的數據，根據用戶請求來調 用執行系統功能。
5.2.2系統詳細功能設計
5.2.2.1 系統界面設計 系統界面是系統信息架構和應用結構可視化的平臺，實現用戶與系統相互傳遞信 息。通常Visual Studio平臺自帶的MainForm控件可以實現傳統的下拉式菜單界面，但
視覺效果不夠簡潔美觀。因此，為了使界面風格更加時尚美觀，人機交互體驗明顯，
該系統采用了第三方界面庫DevExpress控件進行界面優化設計。
5.2.2.2 系統功能設計
在系統總體設計的基礎上，對每一項功能進行詳細具體的子功能應用設計，每個 子功能能夠完成相應的操作應用，詳見系統功能設計結構圖5.2所示。
圖 5.2 系統詳細功能設計結構圖
(1)系統管理：該功能模塊主要是用于管理系統用戶的登錄賬號和密碼，以及對 登錄密碼進行修改和權限變更，保障系統數據的安全性。
(2)文件管理：該功能模塊主要是實現對文件工程的管理，可以實現新建、打開 和保存工程文件，添加幫助文檔對系統的版本類型、運行環境和操作步驟等詳細信息 進行說明。
（3） 數據管理：該功能模塊主要實現對矢量數據、柵格數據、 GIS 格式的地理數 據與非 GIS 格式的數據（如 CAD 格式等）、空間數據庫數據（文件地理數據庫、 ArcSDE數據庫等）的加載、更新、存儲等基本操作。
（4） 分析預測：該功能模塊主要實現區域滑坡災害點的屬性信息檢索和查詢，對 地質構造、地形地貌和氣象水文等相關指標因子進行數據分析，根據指標因子和權重 關系實現滑坡災害易發性評價。
（5） 應用工具：該功能模塊包括基本的 GIS 功能，如地圖的基本操作，主要為二 三維地圖數據的縮放、平移和全圖顯示等；基本的地圖操作輔助功能，主要是二三維 場景聯動、鷹眼視圖、距離和面積量測等。
5.2.3系統數據庫設計
設計建立一個完整的基礎信息數據庫是開發滑坡災害信息管理系統的基礎工作。 本系統所需的數據類型分為兩種，一種是地理信息空間數據，主要包括各種分辨率的 遙感影像、滑坡災害指標因子等二維數據，及其數字表面模型（DSM）、建筑信息模 型（BIM）等實景三維數據；另一種是監測采集數據，主要是滑坡災害的發育類型、 發生時間等基本屬性信息，滑坡體的變形監測數據和滲流監測數據等各種動態監測數 據，以及滑坡體周圍環境的物理特征等數據。根據系統實際需求和數據類型，本系統 采用 FileGeoDatabase 數據庫進行數據組織和管理，實現自然資源大數據有效集成和一 體化存儲，并建立共享訪問和完善的安全機制。系統數據庫設計主索引框架如圖 5.3所 示。
圖 5.3 系統數據庫設計主索引框架圖
5.3系統開發與功能實現
5.3.1系統開發環境
該系統的軟、硬件環境和開發模式等詳細信息如表5.1 所示。
表 5.1 系統開發環境信息表
開發環境 詳細信息
運行環境 Windows7、i7-7500U@3.4GHz
開發平臺 Visual Studio 2010、ArcGIS Engine10.2
開發語言 C#
開發模式 C/S
界面控件 Developer Express15.2
數據庫 FileGeoDatabase
5.3.2系統功能實現
5.3.2.1 系統登錄界面
本文所開發的系統為非公開化系統，需要對用戶的身份進行驗證和權限設置，只 有通過授權才可以系統登錄。在Visual Studio開發環境中，添加一個新的Windows窗 體，設計登錄界面，啟動系統后，界面會自動定向到用戶登錄窗口處，提示用戶輸入 賬號和密碼信息，若驗證通過，則進入系統主界面；驗證失敗則提示“對不起，賬號 和密碼不匹配，登陸失敗！”信息，系統登錄界面如圖 5.4所示。
圖 5.4 系統登錄界面
5.3.2.2 系統主界面
系統主界面是人機交互界面，對用戶提供系統各項功能和可視化展示，主要由功 能模塊、內容列表、二維數據視圖和三維數據視圖共四部分組成。在 Visual Studio 開
發環境中，使用 DevExpress 界面庫搭建系統主界面，首先添加 RibbonForm 工具作為 系統原始界面，通過 RibbonPage 工具設計系統所需的功能菜單欄，設計所有子功能菜 單的屬性和樣式；然后通過 SplitContainerControl 工具將主界面分成 3 個區域，分別添 加 TOCControl、 MapControl 和 SceneControl 控件，并設置屬性和事件實現控件關聯。 主界面總體布局如圖 5.5所示。
圖 5.5 系統主界面
5.3.2.3 文件管理模塊
系統的文件管理模塊主要是新建工程、打開工程、保存工程、幫助文檔和退出系 統的功能，是系統中最基本的文件管理操作。通過 AddPageGroup 增加相應的功能菜 單，設置外觀樣式和圖標等基本屬性信息，操作界面如圖 5.6所示。
圖 5.6 文件管理功能
5.3.2.4 數據管理模塊
數據管理模塊是通過工作空間工廠（WorkspaceFactory ）對象創建對應的工作空間 （Workspace）類，用于加載和存儲各種數據集、要素類和表等數據。主要使用 IWorkspaceFactory接口的Create方法創建一個新的工作空間對象，其中Open方法打開 SDE數據，OpenFromFile方法打開*皿4匕、*shp、*tif、*dwg等數據。操作界面如圖5.7 所示。
圖 5.7 數據管理功能
5.3.2.5 分析預測模塊
分析預測模塊主要實現對滑坡災害的信息查詢、指標因子分析和易發性評價分析 功能。
（1） 指標因子分析：依據數據庫信息采用使用表的方式對柵格數據進行重分類分 析，使用 IWorkspace、 ITable 和 IFields 接口獲取重分類信息表中的獲取值字段、賦值 字段和輸出值字段的信息，重映射為定義的值， 將缺失值更改為 NoData， 調用 IReclassOp接口的Reclass方法返回分析結果。本系統測試數據采用岷縣的NDVI柵格 數據，在彈出的窗口中設置參數，實現數據分析功能。操作界面如圖 5.8所示。
（2） 滑坡災害易發性評價：將評價模型計算確定的各指標因子權重值作為系數， 通過建立復雜的數學應用模型對指標因子數據進行空間分析，通過調用 GP 工具中的 RasterCalculator 方法，首先定義一個 Geoprocessor 對象，分別設置 expression 和 output_raster 參數，實現該功能。測試數據采用前文中選取的岷縣滑坡災害易發性評價 的指標因子，在彈出的窗口中設置參數，實現滑坡災害易發性評價分析。操作界面如 圖 5.9 所示。
（3） 滑坡災害信息查詢：根據圖層的屬性字段設置查詢條件進行唯一值查詢，如 滑坡災害的地理坐標、發育類型、發生時間和影響程度等信息， 主要通過調用
IFeatureCursorr 接口的 NextFeature 方法操作要素， IQueryFilter 接口根據屬性值過濾數 據, IFeatureClass接口根據查詢條件進行查詢并返回結果，實現滑坡信息查詢功能。測 試數據為岷縣滑坡災害點數據，根據 Name 字段查詢“高崖堡滑坡”，實現滑坡災害 信息查詢功能，操作界面如圖 5.10所示。
圖 5.8 指標因子分析
滑坡災害信息骨理系統
文件管理 數據管理 分析預測 應用工具
指標因子分析 滑坡易岌性評價 屬性信息查詢 A
曰昌圖層
H 0已發生渦坡
圖5.9滑坡易發性評價
圖 5.10 屬性信息查詢
5.3.2.6 應用工具模塊 應用工具模塊主要實現了二維地圖數據的放大、縮小、平移、全圖顯示，距離和 面積量測功能；二維地圖數據的放大、縮小、平移、全圖顯示功能；二三維場景聯動 和鷹眼視圖功能，操作界面如圖 5.11所示。
圖 5.11 應用工具功能
本系統的二三維地圖數據的放大、縮小和平移功能通過調用 ICommand 接口的 OnCreate 函數實現，全圖顯示功能是通過調用 MapControl 的 FullExtent 函數實現。二 維空間距離和面積量測是對地理實體通過追蹤劃線、面獲得長度和面積，主要通過調 用 INewLineFeedback、IScreenDisplay 和 INewPolygonFeedback 接口 實現。
二三維場景聯動功能是將二維和三維顯示結合起來，通過相互操作響應機制實現 信息之間的傳遞，克服了常規的二維 GIS 數據的抽象性和三維 GIS 虛擬場景漫游的迷 失感，在復雜地形瀏覽分析的過程中具有宏觀性、真實性和整體性等優點，增強了區 域的可視化效果。該功能主要使用 IActiveView、IEnvelope、IPoint 和 ICamera 接口， 創建目標點（Target）和觀察點（Observer）并設置對應的高度，在程序代碼中設置三 維場景的高度角和方位角，本系統設為 60°和 180°，拖動鼠標，系統的二維界面和三 維界面依據代碼設定的視場角度同時移動，實現二三場景維聯動功能。
鷹眼視圖工具主要是表示二維數據視圖中的地理范圍在全圖中的位置，可以在兩 個視圖中相互操作，并且保持同步調整狀態，通過二維數據視圖的OnMapRelaced事件 和鷹眼視圖控件的 OnMouseDown 和 OnMouseMove 事件實現功能。
本文從系統登錄界面、系統主界面、文件管理模塊、數據管理模塊、分析預測模 塊和應用工具模塊六個方面詳細說明了系統功能實現的方法，結合岷縣滑坡災害的相 關數據對系統功能進行了測試，結果表明，系統設計的所有功能都可以正常運行，能 夠滿足滑坡災害信息管理系統的應用需求。
5.4本章小結
本章基于集成環境下的ArcGIS Engine二次開發技術，進行了系統的整體設計、詳 細設計和數據庫設計，開發實現了一套滑坡災害信息管理系統，該系統集成了系統管 理、文件管理、數據管理、分析預測和應用工具等五大功能模塊。實現了對岷縣滑坡 災害的形成條件及地質環境等相關基礎信息類數據進行存儲和管理；滿足對全縣的滑 坡災害數據編錄和查詢、動態更新維護、滑坡災害易發性評價分析等需要；可以將二 三維數據有效地集成，實現二三維場景聯動的功能，具備了良好的可視化界面，能夠 實現岷縣滑坡災害數據信息化和動態綜合管理。
第 6 章 結論與展望
6.1結論
本文以甘肅省岷縣作為研究區，針對岷縣的滑坡災害特征提出了相應的遙感解譯 的方法和技術流程，開展了野外現場調查和滑坡災害數據編錄，分析了岷縣滑坡災害 的空間分布特征；根據岷縣的基礎地理地質數據和歷史滑坡災害數據資料，分析了滑 坡災害的形成條件與滑坡災害點之間的關系，結合已有的研究成果和岷縣的實際情況 綜合選取了高程、坡度、坡向、平面曲率、距斷層距離、地層、降雨量、距水系距 離、 NDVI 和距道路距離 10 個對滑坡災害發育影響較大的因素作為指標因子，經過檢 驗篩選后建立了岷縣滑坡災害易發性評價指標體系；分別采用邏輯回歸-信息量耦合模 型（LR-I）和徑向基神經網絡-信息量耦合模型（RBFNN-I）對岷縣的滑坡災害開展了 易發性評價研究，比較分析兩種耦合模型的準確性，選擇出最優的評價結果，并根據 滑坡災害易發性區劃結果分析岷縣滑坡災害分布規律與指標因子之間的關系；在進行 岷縣滑坡災害易發性評價的基礎上，基于ArcGIS Engine二次開發技術設計實現了滑坡 災害信息管理系統。通過上述研究，論文主要的研究結果和結論如下：
（1） 利用多源、多時相遙感數據，建立了岷縣滑坡遙感解譯標志，運用 3D 遙感 影像技術解譯了滑坡，結合野外現場調查確定了滑坡災害點 549 個，將其屬性數據和 空間數據鏈接得到岷縣歷史滑坡災害編錄圖。通過數理統計分析得到岷縣滑坡災害分 布密度整體呈北高南低，空間分布具有區域聚集的特征。
（2） 將初始選取的10個指標因子按照30 mX 30 m網格單元進行分級，通過 Pearson 相關系數法檢驗篩選后，確定了坡度、坡向、平面曲率、距斷層距離、地層、 降雨量、距水系距離、NDVI和距道路距離9個指標因子，用于構建岷縣滑坡災害易發 性評價指標體系。采用 LR-I 和 RBFNN-I 模型進行岷縣滑坡災害易發性評價研究，檢 驗結果表明，LR-I和RBFNN-I模型的AUC值分別為0.827和0.853,兩種耦合模型的 AUC值均大于單一的RBFNN、LR和I模型的0.790、0.777和0.756，表明耦合模型相 比單一模型更能客觀準確地評價岷縣滑坡災害易發性，且 RBFNN-I 模型的評價精度高 于LR-I模型。
（3） 岷縣滑坡災害易發性評價結果表明，滑坡災害的極高易發區、高易發區、中 易發區、低易發區分別占全縣面積的 10.41%、 20.00%、 27.17%和 42.42%；極高易發 區和高易發區在岷縣西北部的維新鎮-梅川鎮-中寨鎮-茶埠鎮地區分布比較密集；中易 發區主要分布在麻子川鎮北部和蒲麻鎮東北部地區，寺溝鎮和禾馱鎮的南部地區，閭 井鎮的中部，馬塢鎮和鎖龍鄉的北部地區分布；低易發區主要分布在秦許鄉，以及麻 子川鎮、閭井鎮、鎖龍鄉和馬塢鎮的南部；距斷層距離、降雨量、距道路距離和 NDVI 是影響岷縣滑坡災害分布的主控因子。
（4）在系統需求分析和可行性分析的基礎上，進行了系統的整體設計、詳細設計 和數據庫設計，基于 Visual Studio 2010、 ArcGIS Engine 10.2 和 DevExpress 15.2 開發平 臺，采用C#編程語言開發了滑坡災害信息管理系統。該系統集成了系統管理、文件管 理、數據管理、分析預測和應用工具等五大功能模塊，并具有良好的可視化界面，實 現了岷縣滑坡災害數據信息化和動態綜合管理。
6.2不足與展望
本文對岷縣的滑坡災害開展了易發性評價研究工作，并設計開發了滑坡災害信息 管理系統，取得了一定的研究成果，但仍然存在部分問題，需要進一步的研究和完 善，具體如下：
（1） 本文獲取的基礎數據有限，指標因子選取的種類不夠全面，因此在下一階段 的研究中應細化指標因子，建立科學合理的滑坡災害易發性評價指標因子體系；本文 只采用了兩種評價模型，下一步應采用更多的評價模型，以提高評價精度，優化評價 結果，在滑坡災害易發性評價研究的基礎上開展危險性和風險性評價，完善岷縣地區 滑坡災害評價與管理。
（2） 設計開發的系統目前所集成的指標因子分析功能只能對柵格數據實現重分類 分析，系統的智能化不足，在后續研究學習中需要增加空間數據處理的模型和方法， 對空間地理信息數據開展更有效的處理分析，采用最新的前端開發技術結合大數據、 云計算和AI技術對系統進行優化完善。
參考文獻
[1]Highland L H, Bobrowsky P.滑坡災害防治手冊-認識滑坡:防治滑坡[M].汪發武.北 京:地質出版社, 2009, 3-5.
[2]Varnes D J. Landslide Types and Processes[J]. Landslides-invesitgation and mitigation. 1996, 247: 36-75.
[3]Glade T, Crozier M J. Landslide Hazard and Risk: Issues Concepts and Approach[M]. John Wiley & Sons, Ltd, 2012, 43-45.
[4]汪敏,劉東燕.滑坡災害風險分析研究J].工程勘察,2001(2): 1-6.
[5]高華喜.滑坡災害風險區劃與預測研究綜述[J].災害學,2010, 25(2): 124-128.
[6]許強.對滑坡監測預警相關問題的認識與思考[J].工程地質報,2020, 28(2): 360-374.
[7]田穎穎.2013年甘肅省岷縣地震滑坡空間分布規律及幾何特征分析[D].中國地質大 學(北京), 2016, 11-26.
[8]陳冠,孟興民，喬良，等.“7?22”岷縣漳縣地震地質災害分布、特征及與影響因子間關 系分析[J].工程地質學報,2013, 21(5): 750-760.
[9]許沖，徐錫偉，鄭文俊.2013年7月22日岷縣漳縣Ms6.6級地震滑坡編錄與空間分 布規律分析J].工程地質學報,2013, 21(5): 736-749.
[10]徐舜華，吳志堅，孫軍杰，等.岷縣漳縣6.6級地震典型滑坡特征及其誘發機制[J].地 震工程學報, 2013, 35(3): 471-476.
[11]沈玲玲, 劉連友, 許沖, 等. 基于多模型的滑坡易發性評價-以甘肅岷縣地震滑坡為例 [J]. 工程地質學報, 2016, 24(1): 19-28.
[12]Chong Xu, Lingling Shen, Genlong Wang. Soft computing in assessment of earthquake- triggered landslide susceptibility[J]. Environmental Earth Sciences, 2016, 75(9): 1-17.
[13]田穎穎，許沖，徐錫偉，等.2013年岷縣漳縣Ms6.6地震滑坡特征參數分析J].地震工 程學報, 2013, 35(4): 761-767.
[14]Fausto Guzzetti et al. Probabilistic landslide hazard assessment at the basin scale[J]. Geomorphology, 2005, 72(1): 272-299.
[15]Alessandro Trigila et al. Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy)[J]. Geomorphology, 2015, 249: 119-136.
[16]管新邦.云南省滑坡地質災害危險性評價研究[D].中國礦業大學(北京),2018, 3-6.
[17]Whiteley J S, Chambers J E, Uhlemann S, et al. Geophysical Monitoring of Moisture- Induced Landslides: A Review[J]. Reviews of Geophysics, 2019, 57(1): 106-145.
[18]王志旺，李端有，王湘桂.區域滑坡空間預測方法研究綜述J].長江科學院院報,2012, 29(5): 78-85.
[19]Fausto Guzzetti, Alberto Carrara, Mauro Cardinali, et al. Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy[J]. Geomorphology, 1999, 31(1): 181-216.
[20]M. Razifard, G. Shoaei, M. Zare. Application of fuzzy logic in the preparation of hazard maps of landslides triggered by the twin Ahar-Varzeghan earthquakes (2012)[J]. Bulletin of Engineering Geology and the Environment, 2019, 78(1): 223-245.
[21]劉麗娜，許沖，徐錫偉，等.GIS支持下基于AHP方法的2013年蘆山地震區滑坡危險 性評價[J].災害學,2014, 29(4): 183-191.
[22]張懿, 晏鄂川, 胡致遠, 等. 改進層次分析法在沐撫滑坡場地建設適宜性評價中的應 用[J].科學技術與工程,2020, 20(26): 10956-10964.
[23]許嘉慧，孫德亮，王月，等.基于GIS與改進層次分析法的奉節縣滑坡易發性區劃[J]. 重慶師范大學學報(自然科學版), 2020, 37(2): 36-44.
[24]Abdelaziz Merghadi, Ali P. Yunus, Jie Dou, et al. Machine learning methods for landslide susceptibility studies: A comparative overview of algorithm performance[J]. Earth-Science Reviews, 2020, 19-22.
[25]Mauro Rossi, Fausto Guzzetti, Paola Reichenbach, et al. Optimal landslide susceptibility zonation based on multiple forecasts[J]. Geomorphology, 2009, 114(3): 129-142.
[26]黃發明.基于3S和人工智能的滑坡位移預測與易發性評價[D].中國地質大學,2017, 77-89.
[27]Mengistu F, Suryabhagavan KV, et al. Landslide Hazard Zonation and Slope Instability Assessment using Optical and InSAR Data: Acase Study from Gidole Town and its Surrounding Areas, Southern Ethiopia[J]. Remote Sensing of Land. 2019, 3(1):1-14.
[28]Sevgen Eray, Kocaman Sultan, Nefeslioglu Hakan A, et al. A Novel Performance Assessment Approach Using Photogrammetric Techniques for Landslide Susceptibility Mapping with Logistic Regression, ANN and Random Forest[J]. Sensors, 2019, 19(18): 1-19.
[29]Viet-Ha Nhu, Ataollah Shirzadi, Himan Shahabi, et al. Shallow Landslide Susceptibility Mapping: A Comparison between Logistic Model Tree, Logistic Regression, Naive Bayes Tree, Artificial Neural Network, and Support Vector Machine Algorithms[J]. International Journal of Environmental Research and Public Health 2020, 17(8): 1-30.
[30]Sunil Saha, Anik Saha, Tusar Kanti Hembram, et al. Evaluating the Performance of Individual and Novel Ensemble of Machine Learning and Statistical Models for Landslide Susceptibility Assessment at Rudraprayag District of Garhwal Himalaya[J]. Applied Sciences, 2020, 10(11): 1-30.
[31]張俊,殷坤龍，王佳佳,等.三峽庫區萬州區滑坡災害易發性評價研究[J].巖石力學與
工程學報, 2016, 35(02): 284-296.
[32]Chong Xu, Xiwei Xu, Fuchu Dai, et al. Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China[J]. Computers and Geosciences, 2012, 46: 317-329.
[33]陳飛，蔡超,李小雙，等.基于信息量與神經網絡模型的滑坡易發性評價[J].巖石力學 與工程學報, 2020, 39(S1): 2859-2870.
[34]連志鵬, 徐勇, 付圣, 等. 采用多模型融合方法評價滑坡災害易發性: 以湖北省五峰縣 為例[J].地質科技通報,2020, 39(3): 178-186.
[35]凌曉, 劉甲美, 王濤, 等. 基于致災因子對稱法分級的信息量模型在地震滑坡危險性 評價中的應用[J].國土資源遙感,2021, 1 -16.
[36]Xiangang Luo, Feikai Lin, Yihong Chen, et al. Coupling logistic model tree and random subspace to predict the landslide susceptibility areas with considering the uncertainty of environmental features[J]. Scientific Reports, 2019, 9(1): 0-299.
[37]Chen W, Shirzadi A, Shahabi H, et al. A novel hybrid artificial intelligence approach based on the rotation forest ensemble and nave Bayes tree classifiers for a landslide susceptibility assessment in Langao County, China[J]. Geomatics Natural Hazards and Risk, 2017, 8(2): 1955-1977.
[38]Jagabandhu Roy, Sunil Saha. Landslide susceptibility mapping using knowledge driven statistical models in Darjeeling District, West Bengal, India[J]. Geoenvironmental Disasters, 2019, 6(1): 1-18.
[39]Yanli Wu, Yutian Ke, Zhou Chen, et al. Application of alternating decision tree with AdaBoost and bagging ensembles for landslide susceptibility mapping[J]. Catena, 2020, 187: 1-17.
[40]羅路廣，裴向軍，黃潤秋，等.GIS支持下CF與Logistic回歸模型耦合的九寨溝景區 滑坡易發性評價J].工程地質學報:2020, 5-8.
[41]譚龍，陳冠，王思源，等.邏輯回歸與支持向量機模型在滑坡敏感性評價中的應用[J]. 工程地質學報, 2014, 22(1): 56-63.
[42]周超, 殷坤龍, 曹穎, 等. 基于集成學習與徑向基神經網絡耦合模型的三峽庫區滑坡 易發性評價[J].地球科學,2020, 45(6): 1865-1876.
[43]廖明生，張路，史緒國，等.滑坡變形雷達遙感監測方法與實踐[M].北京:科學出版社,
2017, 2-3.
[44]郭有金.基于集成學習算法的西安市滑坡災害易發性評價[D].西安科技大學，2020,
3-10.
[45]Jerome V. DeGraff. Regional landslide evaluation: Two Utah examples[J]. Environmental Geology, 1978, 2(4): 203-214.
[46]Jay Gao, C. P. Lo. Micro-scale modelling of terrain susceptibility to landsliding from a DEM: A GIS approach[J]. Geocarto International, 1995, 10(4): 15-30.
[47]C. Gokceoglu, H. Aksoy. Landslide susceptibility mapping of the slopes in the residual soils of the Mengen region (Turkey) by deterministic stability analyses and image processing techniques[J]. Engineering Geology, 1996, 44(1): 147-161.
[48]A. K. Pachauri, P. V. Gupta, R. Chander. Landslide zoning in a part of the Garhwal Himalayas[J]. Environmental Geology, 1998, 36(3-4): 325-334.
[49]R. Nagarajan, A. Roy, R. Vinod Kumar, et al. Landslide hazard susceptibility mapping based on terrain and climatic factors for tropical monsoon regions[J]. Bulletin of Engineering Geology and the Environment, 2000, 58(4): 275-287.
[50]蘭恒星，伍法權,周成虎，等.基于GIS的云南小江流域滑坡因子敏感性分析J].巖石 力學與工程學報, 2002(10): 1500-1506.
[51]王文俊，向喜瓊，黃潤秋，等 區域崩塌滑坡的易發性評價-以四川省珙縣為例[J].中 國地質災害與防治學報, 2003(2): 33-36.
[52]于憲煜, 熊十力. 基于空間多尺度分析的滑坡易發性評價-以三峽庫區秭歸-巴東段 為例[J].大地測量與地球動力學,2020, 40(2): 187-192.
[53]王念秦，郭有金,劉鐵銘，等.基于支持向量機模型的滑坡危險性評價[J].科學技術與 工程, 2019, 19(35): 70-78.
[54]Dieu Tien Bui, Tien-Chung Ho, Biswajeet Pradhan, et al. GIS-based modeling of rainfall-induced landslides using data mining-based functional trees classifier with AdaBoost, Bagging, and MultiBoost ensemble frameworks[J]. Environmental Earth Sciences, 2016, 75(14): 1-22.
[55]牛瑞卿，彭令，葉潤青，等.基于粗糙集的支持向量機滑坡易發性評價J].吉林大學學 報(地球科學版), 2012, 42(2): 430-439.
[56]Jie Dou, Ali P. Yunus, Dieu Tien Bui, et al. Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu- Oshima Volcanic Island, Japan[J]. Science of the Total Environment, 2019, 662: 332 346.
[57]H. R. Pourghasemi, H. R. Moradi, S. M. FatemiAghda. Landslide susceptibility mapping by binary logistic regression, analytical hierarchy process, and statistical index models and assessment of their performances[J]. Natural Hazards, 2013, 69(1): 749-779.
[58]趙忠國，張峰，鄭江華.多元自適應回歸樣條法的滑坡敏感性評價J].武漢大學學報 (信息科學版), 2021, 46(3): 442-450.
[59]Paola Reichenbach, Mauro Rossi, Bruce D. Malamud, et al. A review of statistically- based landslide susceptibility models[J]. Earth-Science Reviews, 2018, 180: 60-91.
[60]鄭文俊, 閔偉, 何文貴, 等. 2013 年甘肅岷縣漳縣 6.6 級地震震害分布特征及發震構 造分析[J].地震地質，2013, 35(3): 604-615.
[61]袁道陽, 張培震, 劉百篪, 等. 青藏高原東北緣晚第四紀活動構造的幾何圖像與構造 轉換[J].地質學報,2004(2): 270-278.
[62]趙顯蕊.基于村莊分類的西北貧困地區村莊適宜性規劃方法研究[D].西安建筑科技 大學, 2015, 20-24.
[63]賈偉潔, 王治華. 基于高分辨率遙感影像的滑坡活動特征及穩定性分析-以東苗家滑 坡為例[J].國土資源遙感,2019, 31(4): 174-181.
[64]陳業培，孫開敏，白婷，等.高分二號影像融合方法質量評價J].測繪科學，2017, 42(11): 35-40.
[65]徐喬，孟凡利，余紹淮.基于面向對象隨機森林分類模型的滑坡遙感解譯[J].中外公 路, 2019, 39(3): 30-34.
[66]王恭先，徐峻嶺，劉光代，等.滑坡學與滑坡防治技術[M].北京：中國鐵道出版社, 2004, 44-46.
[67]張東明，李劍鋒，田貴維，等.基于GIS和RS的重慶市滑坡遙感解譯[J].自然災害學 報, 2011, 20(2): 56-61.
[68]石菊松，石玲，吳樹仁.利用GIS技術開展滑坡制圖的技術方法與流程[J].地質通報, 2008(11): 1810-1821.
[69]Fausto Guzzetti, Paola Reichenbach, Mauro Cardinali, et al. Probabilistic landslide hazard assessment at the basin scale[J]. Geomorphology, 2005, 72(1): 272-299.
[70]Jiang W G, Rao P Z, Cao R, et al. Comparative evaluation of geological disaster susceptibility using multi-regression method and spatial accuracy validation[J]. Journal of Geographical Sciences, 2017, 27(4): 439-462.
[71]何永波，李青，張寧，等.RBF神經網絡可靠度分析方法在邊坡穩定性研究中的應用 [J]. 中國安全生產科學技術, 2019, 15(7): 130-136.
[72]胡濤，樊鑫，王碩，等.基于徑向基神經網絡的思南縣崩塌易發性評價[J].科學技術與 工程, 2019, 19(35): 61-69.
[73]陳曉利，趙健，葉洪.應用徑向基概率神經網絡研究地震滑坡[J].地震地質，2006(3): 430-440.
[74]龍文，梁昔明，龍祖強，等.基于混合進化算法的RBF神經網絡時間序列預測[J].控 制與決策， 2012， 27(8): 1265-1268.
[75]田述軍，張珊珊,唐青松，等.基于不同評價單元的滑坡易發性評價對比研究[J].自然 災害學報， 2019， 28(6): 137-145.
[76]薛強，張茂省，李林.基于斜坡單元與信息量法結合的寶塔區黃土滑坡易發性評價[J]. 地質通報， 2015， 34(11): 2108-2115.
[77]侯軼攀, 楊宜軍, 王鵬來. 小流域評價單元在地質災害詳細調查易發性分區中的應用 [J]. 資源環境與工程, 2019, 33(S1): 36-42.
[78]宋世鑫.基于GIS的定邊縣地質災害易發性評價[D].吉林大學,2019, 31-32.
[79]劉希林，廟成，田春山.區域滑坡和泥石流災害兩種危險性評價方法的比較分析[J]. 防災減災工程學報, 2017, 37(1): 71-78.
[80]張圮愷，凌斯祥,李曉寧，等.九寨溝縣滑坡災害易發性快速評估模型對比研究[J].巖 石力學與工程學報, 2020, 39(8): 1595-1610.
[81]吳志堅，陳豫津，王謙，等.岷縣漳縣6.6級地震永光村滑坡致災機制分析[J].巖土工 程學報, 2019, 41(S2): 165-168.
[82]劉杰，武震.基于GIS的白龍江流域舟曲-武都段的滑坡危險性評價[J].地震工程學 報, 2020, 42(6): 1723-1734.
[83]劉東飛，王雄師，楊歡，等.基于可靠度分析的甘肅舟曲泄流坡滑坡風險評價[J].山地 學報, 2017, 35(3): 323-331.
[84]解明禮，巨能攀，趙建軍，等.區域地質災害易發性分級方法對比分析研究[J].武漢大 學學報(信息科學版), 2020, 1-14.
[85]Dai F. C., Lee C. F., Li J., et al. Assessment of landslide susceptibility on the natural terrain of Lantau Island, Hong Kong[J]. Environmental Geology, 2001, 40(3): 381-391.
[86]李牧陽, 王云琦, 王玉杰, 等. 甘肅天水淺表層滑坡易發區滑坡分布與植被根系特征 [J]. 水土保持學報, 2020, 34(6): 101-109.
[87]閆怡秋, 楊志華, 張緒教, 等. 基于加權證據權模型的青藏高原東部巴塘斷裂帶滑坡 易發性評價[J].現代地質,2020, 1-14.
[88]王紅珠.基于隨機森林的山體滑坡狀態監測系統設計與實現[D].西南交通大學, 2019, 7-10.
[89]陳南祥，董貴明，邱林，等基于Arc Objects的GIS系統的二次開發-以濟源市水土 保持決策支持系統為例[J].地域研究與開發,2006(3): 125-129.
[90]余思汗，李偉，王建勇，等基于ArcGIS Engine的地震應急快速成圖軟件的設計與實 現[J].防災減災學報,2020, 36(1): 92-96.
[91]許強， 董秀軍， 李為樂. 基于天-空-地一體化的重大地質災害隱患早期識別與監測預 警[J].武漢大學學報(信息科學版),2019, 44(7): 957-966.
下一篇：沒有了
相關標簽:
