滑坡是山区分布最广、危害最大和最常见、最主要的地质灾害类型之一。由于其一般发生时间短、运动速度快、影响范围广、预报难度大等特点，一旦发生往往造成巨大的人员伤亡和财产损失，有的甚至会导致毁灭性的灾难。为避免或减轻滑坡灾害威胁，首先需要开展区域滑坡识别和敏感性（或称易发性）评价，并在此基础上进行监测预警、灾害治理和应急处置。因此，滑坡敏感性评价是滑坡防治研究的基础，具有一定的必要性和重要性。

随着对地观测和计算机技术的迅速发展，极大地提高了滑坡灾害研究的手段和方法。基于3S技术和数理统计模型的滑坡敏感性评价日趋成熟和完善，各种技术方法得到了很好的应用和推广，取得了丰硕的研究成果。评价单元的选取、评价因子的确定和评价模型的构建是滑坡敏感性评价的三个重要环节，其决定着评价结果的可靠性。

评价单元的选取是滑坡敏感性评价的基础，常用的评价单元主要有栅格单元和斜坡单元等^［1］。由于栅格单元处理过程简单、运算统计快捷、计算效率高，因此得到了广泛应用^［2］，其缺点是切割了斜坡整体性，不具有地理属性。此后，国内外学者开始探索采用斜坡单元开展滑坡敏感性评价，斜坡是滑坡发生的基本地形地貌单元，相对于传统的均质栅格单元，以斜坡作为单元进行滑坡敏感性评价可以提高与实际地形地貌的吻合度，能够更好地体现区域中滑坡的实际发育状况^［3-6］。其缺点是处理过程复杂、自动化程度较低、人为依赖性强、时间效率较低。

评价因子的确定是滑坡敏感性评价的关键，常用的评价因子包括环境本底因子和触发因子。环境本底因子主要有地形因子、地质因子、人类活动因子、生态因子；触发因子主要为降雨和地震。评价因子的确定相对成熟完善，主要通过研究区滑坡发育分布特征和孕灾环境分析，甄别筛选确定滑坡发育的孕灾因子。

评价模型的构建是滑坡敏感性评价的核心，常用的评价模型主要有统计分析模型和机器学习模型。统计分析模型包括证据权法模型^［7］、确定性系数模型^［8］、信息量模型^［9］等。机器学习模型包括逻辑回归模型^［10］、人工神经网络模型^［11］、支持向量机模型^［12］、随机森林模型^［13］等。统计分析模型为传统评价模型，主要以已有滑坡数据和因子数据为对象，分析滑坡与各个因子间的相互关系，对各个因子进行敏感性分级量化计算，最后加权得到区域敏感性评价。机器学习模型主要通过构建分类器，将滑坡数据和等量的非滑坡数据作为总样本，并随机分为训练样本和验证样本，利用各种算法对训练样本进行学习建模，最终生成敏感性评价结果。统计分析模型计算处理过程相对简便，但依赖于大量的已有数据；而机器学习模型往往运算过程复杂，对于滑坡与因子之间的联系不能做出合理的解释。

甘肃省天水市地处陇中黄土高原典型区，受特殊地质地貌与气候环境格局的控制和影响，区内生态环境脆弱，滑坡灾害频发、广布，长期以来一直严重威胁和制约着区域城镇建设及经济社会的发展，今后亦会不断影响到“乡村振兴”和“美丽乡村”等战略的实施。近些年来，国内外学者对天水市滑坡陆续开展了许多研究工作，取得了大量研究成果^［14-20］，但由于缺乏详细的滑坡编目和高精度的孕灾因子数据，针对天水市滑坡敏感性分析评价的成果较少。

综上，鉴于滑坡敏感性评价中评价单元、评价因子、评价模型的重要性，本研究力图探索分析同一研究区、同一套评价因子和同一个评价模型及不同评价单元和不同数据精度条件下，区域滑坡敏感性评价的结果差异和精度优劣。因此，以陇中黄土高原典型生态脆弱区的甘肃省天水市辖区为研究区，基于区内详细的滑坡编目数据和孕灾因子数据，采用滑坡敏感性评价中已广泛运用的证据权法（WOE）模型一种模型，选取2种评价单元（栅格单元、斜坡单元）和2种数据分辨率（30 m、10 m），创建4个不同的孕灾因子数据集（GU30、SU30、GU10、SU10），开展滑坡因子敏感性定量对比分析，并进行敏感性分区评价和结果分析验证。

天水市位于甘肃省东南部、西秦岭北麓，地处黄土高原西部的陇中典型黄土区。研究区属黄河流域渭河水系，渭河及其一级支流藉河自西向东穿城而过，形成典型的山间河谷盆地地貌。脆弱的地质环境条件，使得天水市成为滑坡灾害的多发、高发区，严重威胁区内人民生命财产安全。天水市辖区（秦州区和麦积区）为天水市的政治、经济、文化中心，总面积约5 833 km²，其中秦州区面积约2 349 km²、麦积区面积约3 484 km²（图1），总人口约130万，人口密度约223人·km^-2。地理位置为105°13′15″~106°42′58″ E，34°5′5″~34°49′40″ N。据研究区气象站多年统计资料，区内气候属暖温带半湿润半干旱气候区，年平均气温为11 ℃，最热月为7月，平均气温为22.8 ℃；最冷月为1月，平均气温为-2.0 ℃。极端最高气温38.2 ℃，极端最低气温-17.4 ℃。区内海拔高程754~2 713 m，年平均降水量491.7 mm，自东南向西北逐渐减少。降水量主要集中在夏季，占全年降水量的70%左右，且多以集中的暴雨形式出现，一般多发生在7—9月。区内一次连续最大降水量为286.6 mm，一日降水量为113 mm，小时最大降水量为57.3 mm^［19］。

研究采用的数据包括详细的滑坡编目和高精度的孕灾因子数据两类。滑坡编目利用已有资料、遥感影像和野外调查获取；高精度的孕灾因子数据来源于30 m分辨率的SRTM DEM数据、由资源三号卫星立体像对处理生成的10 m分辨率DEM数据、1∶20万区域地质图、10 m分辨率的土地利用数据和Google卫星影像图和ZY3融合2.5 m分辨率影像图等多源影像数据。系统总结和调查分析研究区滑坡灾害的发育特征和成因等，在此基础上合理选取研究区内滑坡发育的孕灾因子。

通过上述数据分析处理过程，最终生成研究区1个滑坡编目数据集和4个不同分辨率/不同评价单元的滑坡孕灾因子数据集（GU30、SU30、GU10、SU10）。其中GU30表示栅格单元30 m分辨率数据、SU30表示斜坡单元30 m分辨率数据、GU10表示栅格单元10 m分辨率数据、SU10表示斜坡单元10 m分辨率数据。

通过研究区已有滑坡灾害研究资料整理分析甄别、室内遥感影像解译和野外实地调查验证等方法建立了研究区详细、可靠的滑坡空间分布数据集，共识别、获取到475个滑坡灾害点数据，包括秦州区257个、麦积区218个。研究区的滑坡灾害点中，470个滑坡面积在1×10⁴ m²以上、滑坡长度大于100 m，占总滑坡数的99%。滑坡灾害点总面积89 km²，将滑坡矢量图按30 m×30 m的栅格大小转换为栅格图，共得到98 968个滑坡栅格单元，整个研究区栅格单元数为6 481 583个；将滑坡矢量图按10 m×10 m的栅格大小转换为栅格图，共得到890 220个滑坡栅格单元，整个研究区栅格单元数为58 332 589个，研究区内总的滑坡面积百分比为1.5%，滑坡点密度为0.1个·km^-2。

研究区滑坡孕灾因子共分为地形因子、地质因子、人类活动因子和生态因子4类13个因子。地形因子包括高程、坡度、坡向、曲率、平面曲率、剖面曲率、地表粗糙度、地形起伏度、距水系距离等9个因子；地质因子包括地层岩性和距断层距离等2个因子；人类活动因子主要为距道路距离1个因子；生态因子包括土地利用1个因子。上述地形因子均基于研究区30 m和10 m分辨率的DEM数据，利用ArcGIS 10.0软件进行处理、分析和统计获取；地质因子基于1∶20万区域地质图，利用GIS工具通过栅格数据投影变换、地理配准、数字矢量化、区域分析、缓冲区分析、统计分析等过程获得；人类活动因子通过Google卫星图获取，再利用ArcGIS 10.0软件进行处理和统计分析获得；生态因子基于研究区10 m分辨率的土地利用数据，利用ArcGIS 10.0软件进行处理、分析和统计获取（表1、图2~3）。

证据权法（Weights-of-Evidence，WOE）以贝叶斯概率统计模型为基础，在地球科学领域其最早应用于矿产资源储量评价中^［21-26］。近些年来，该方法被广泛应用于滑坡敏感性评价研究^［27-31］。滑坡灾害敏感性制图中，基于区内滑坡存在和不存在两种情况，用证据权法计算每个滑坡孕灾因子的权重。该方法的第一个基本假设是未来滑坡发生的条件与那些有利于过去滑坡发生的条件相似；第二个假设是用于滑坡敏感性制图的孕灾因子不随时间而改变^［28］。

根据贝叶斯法则，证据因子（F）存在的条件下，滑坡（L）发生的概率可用式（1）所示的条件概率函数表达：

采用式（3）与式（4）来计算滑坡发生的证据权。PFL/PFL¯代表滑坡发生的充分率；PF¯L/PF¯L¯代表滑坡发生的必要率。Wi+表示当前孕灾因子级别发生滑坡的概率，其大小表示该孕灾因子级别内发生滑坡的正相关关系。Wi-表示当前孕灾因子级别以外的部分发生滑坡的概率，其表示该孕灾因子级别内部发生滑坡的负相关关系。两者的差值W_c代表该孕灾因子级别内发生滑坡的权重^［29］。

由公式（3）和（4）可得式（5）和式（6）。

式中：N₁表示该孕灾因子级别内发生滑坡的栅格数；N₂表示该孕灾因子级别外发生滑坡的栅格数；N₃表示该孕灾因子级别内未发生滑坡的栅格数；N₄表示该孕灾因子级别外未发生滑坡的栅格数。

证据权值（W_c）反映了因子对滑坡的重要性，如果证据权值为正，表明该级别利于滑坡的发生；如果其为负，表明其不利于滑坡的发生；如果其接近于0，表明其与滑坡的相关性很小。利用ArcGIS 10.0的空间分析模块分别统计出各因子内所有等级的滑坡单元数和因子单元数，并计算出Wi+、Wi-和W_c。

根据式（8）计算各因子整体对滑坡的影响和敏感性。

式中：SW为每一因子对滑坡的整体敏感性值；W(i,max)为孕灾因子i各类别对滑坡证据权值的最大值；W(i,min)为孕灾因子i各类别对滑坡证据权值的最小值。SW值越高，表明该因子对滑坡的响应和敏感性越高；反之则相反。

基于栅格单元和斜坡单元及30 m和10 m分辨率的4个数据集（GU30、SU30、GU10、SU10），运用证据权法计算获得滑坡孕灾因子各个分级的证据权值（W_c），进行归纳统计分析。总体上，4个不同的数据集中，坡度、地表粗糙度、地层岩性、断层缓冲区、道路缓冲区、水系缓冲区、土地利用等7个孕灾因子的优势因子区间表现出很好的一致性；高程因子中除GU10数据1 000~1 200 m值略高于1 200~1 400 m外，其他数据方法计算结果也具有很好的一致性；坡向因子中除SU10数据显示朝北的方向为优势因子区间外，其他数据方法计算结果均显示西南方向为优势因子区间，总体西南—东北方向为研究区滑坡坡向的优势因子区间；曲率因子（地面曲率、平面曲率和剖面曲率）中除GU10的地面曲率 -20~0为优势因子区间外，其他数据方法计算结果具有很好的一致性，但SU30平面曲率的证据权值较低，因此，综合认为地面曲率为负值即凹型坡、平面曲率为负值即凹型坡、剖面曲率为正值即凹型坡的因子区间为优势区间；地形起伏度因子计算结果较为复杂，主要包括<30、30~60、60~90、120~150因子区间，其中SU30和SU10数据结果一致，总体认为地形起伏度150 m以下为研究区滑坡的优势因子区间，如表2所示。

综合分析表明，研究区滑坡易发区域主要为渭河、西汉水等水系的斜坡中下部地带；区内地形地貌以河谷阶地、黄土丘陵为主；地层岩性主要为第四系上更新统马兰黄土，局部出露新近系和古近系泥岩、砂岩等易滑地层；坡体地质结构主要为河谷阶地的黄土与冲洪积物组成的二元结构、黄土丘陵的上部黄土、下部泥岩的“双层异质”结构等易滑结构。而研究区东部和南部的水系上游地带，区内地形地貌为西秦岭北缘基岩山地，出露地层岩性以泥岩、砂岩和变质岩及岩浆岩为主，区内黄土分布较少，地形高差大，斜坡坡度较陡，因此滑坡发育弱，基岩滑坡更是零星发育。总体上，研究区滑坡的易发区间均为地表起伏较低和坡面侵蚀较弱的区域，表明研究区分布的滑坡具有相对高差较小、坡度较缓的典型特征，如秦州区铁炉村滑坡、龙集寨村滑坡、胡家沟村滑坡、大柳树村滑坡和麦积区锻压机床厂滑坡、孟家山滑坡和白家壮村滑坡等滑坡^［19］。

通过上述分析可知，各个不同孕灾因子的分级因子层对滑坡发育的影响程度、重要性和敏感性各异，并可以计算出各自的优势区间；而对于某一类孕灾因子来说，其整体对滑坡的影响亦各不相同，采用滑坡整体敏感性值（S_W）近似表示各种因子对滑坡发育的整体影响程度、重要性和敏感性。根据式（8）分别计算4个数据集（GU30、SU30、GU10、SU10）证据权法统计模型条件下的各个孕灾因子整体敏感性值（S_W），并进行归一化处理（图5、表3）。

从表3和图3可以计算结果可以看出，GU30数据中地层岩性、高程和地形起伏度3个因子的整体敏感性值最高；SU30数据中地层岩性、地表粗糙度和坡度3个因子的整体敏感性值最高；GU10数据中地层岩性、地形起伏度和高程3个因子的整体敏感性值最高；SU10数据中地层岩性、地表粗糙度和坡度3个因子的整体敏感性值最高。

总体上，研究区滑坡发育的4大类13个孕灾因子中，地层岩性、高程、地形起伏度、地表粗糙度和坡度等5个因子是区内滑坡发育的关键控制因子，即地质因子和地形因子控制和决定了区内滑坡的形成发育。其中4个不同的数据中地层岩性的整体敏感性值最高，表现出很好的一致性，地层岩性是研究区滑坡发育最重要的控制因子。

在上述研究区滑坡的因子敏感性分析的基础上，按式（9）对计算的4个数据集各孕灾因子分级的证据权值分别进行累加，最后计算得出研究区滑坡的敏感性指数（LS），然后采用ArcGIS中的自然断点法^{［2，7，13］}对研究区滑坡敏感性指数（LS）进行重分类，将滑坡敏感性划分为极低敏感区、低敏感区、中敏感区、高敏感区、极高敏感区5类（图6）。

对研究区滑坡敏感性分区结果进行统计，4个数据集中，敏感性极高区占研究区总面积的24.55%~26.86%、高区约占研究区总面积的16.59%~19.42%、中区约占研究区总面积的13.98%~16.26%、低区约占研究区总面积的23.12%~25.32%、极低区约占研究区总面积的16.30%~18.28%。敏感性低区和敏感性极高区占比最大，敏感性极低区和敏感性高区占比次之，敏感性中区占比最小［表4、图7（a）］。研究区西北部的黄土区为滑坡敏感性高区，而研究区东南部的基岩区为滑坡敏感性低区。

对上述研究区滑坡敏感性分区评价结果分别按照滑坡点和滑坡面积进行统计分析其合理性，结果见图7（b）~7（c）和表5~6。

从图7（b）和表5可知，研究区发育的475处滑坡中，按滑坡点进行统计，位于敏感性高区和极高区的滑坡占总滑坡个数的90.95%以上；从图7（c）和表6可知，按滑坡面积进行统计，位于敏感性高区和极高区的滑坡占总滑坡面积的95.49%以上。4个数据集对比分析表明，采用相同分辨率的数据集时，基于斜坡单元分区的极高区滑坡占比高于基于栅格单元分区的极高区滑坡占比；基于斜坡单元10 m分辨率的滑坡敏感性极高区滑坡占比最高。因此，采用斜坡单元和高分辨率数据开展滑坡敏感性分析具有更高的精度效果。

目前，受试者工作特征曲线（ROC）被普遍应用到滑坡灾害敏感性评价的精度验证中，将研究区滑坡敏感性指数（LS）按1%的面积间隔由数值从高到低均分为100份，并分别求取这100个级别内滑坡发生的面积百分比，以各敏感性等级内研究区面积累加百分比为横坐标，以各敏感性等级内研究区滑坡面积累加百分比为纵坐标，绘制ROC（receiver operating characteristic curve）曲线。利用ROC曲线与X坐标轴围成的面积AUC值（area under curve，AUC）来衡量评价结果的精度，AUC值越大，表明评价精度越高。从4个不同数据集（GU30、SU30、GU10、SU10）的滑坡敏感性评价结果获得的ROC曲线可知，曲线下面积AUC值表现为SU10（0.8644）>SU30（0.8596）>GU10（0.8474）>GU30（0.8465），表明基于斜坡单元的AUC值大于基于栅格单元的AUC值，基于斜坡单元10 m分辨率的AUC值最大，其精度和准确度最高（图8）。

3S技术和多种数理统计模型已广泛应用于区域滑坡灾害敏感性评价研究，评价单元的科学合理选取是区域滑坡敏感性评价的关键，本文以地处陇中黄土高原典型生态脆弱区的甘肃省天水市为研究区，以区内广泛发育分布的滑坡为对象，运用证据权法（WOE）统计模型，基于2种评价单元（栅格单元、斜坡单元）和2种分辨率（30 m、10 m）共4个数据集，开展了研究区滑坡敏感性对比分析评价研究，得到主要结论如下：

（1）根据研究区滑坡发育特征和区域地质环境条件，选取地形因子、地质因子、人类活动因子和生态因子等4类13个因子进行敏感性分级对比分析，研究表明，最利于滑坡发生的因子分级区间分别是：①海拔高程：位于1 200~1 400 m的高程区间；②斜坡坡度：10°~15°的缓坡斜坡区；③斜坡坡向：西南—东北向的斜坡区；④地面曲率：负值区间；⑤平面曲率：负值区间；⑥剖面曲率：正值区间；⑦地表粗糙度：1~1.05区间；⑧地形起伏度：小于150 m的区间；⑨地层岩性：第四系上更新统（Q₃）马兰黄土和新近系（N）泥岩分布的区域；⑩距断层距离：4 000~5 000 m断层缓冲区间；⑪距道路距离：500~1 500 m道路缓冲区间；⑫距水系距离：1 200~1 600 m水系缓冲区间；⑬土地利用：耕地。上述13个分级因子层为滑坡灾害的易发因子层，对滑坡的响应和敏感性最高。

（2）采用滑坡整体敏感性值（S_W）近似表示各种因子对滑坡发育的整体影响程度、重要性和敏感性。计算分析得出，研究区滑坡发育的4大类13个孕灾因子中，地层岩性、高程、地形起伏度、地表粗糙度和坡度等5个因子是区内滑坡发育的关键控制因子，即地质因子和地形因子控制和决定了区内滑坡的形成发育。其中4个不同的数据集中地层岩性的整体敏感性值最高，表现出很好的一致性，地层岩性是研究区滑坡发育最重要的控制因子。

（3）研究区滑坡敏感性分区中，敏感性极高区四类数据占研究区总面积的24.55%~26.86%、高区约占研究区总面积的16.59%~19.42%、中区约占研究区总面积的13.98%~16.26%、低区约占研究区总面积的23.12%~25.32%、极低区约占研究区总面积的16.30%~18.28%。

（4）对4个数据集采用证据权法计算得到的研究区滑坡敏感性分区按照研究区发育的475处滑坡点和滑坡面积分别进行统计分析，结果表明：按滑坡点进行统计，位于敏感性高区和极高区的滑坡占总滑坡个数的90.95%以上；按滑坡面积进行统计，位于敏感性高区和极高区的滑坡占总滑坡面积的95.49%以上。4个数据集对比分析表明，基于斜坡单元（slope-unit）分区的极高区滑坡占比高于基于栅格单元（grid-unit）分区的极高区滑坡占比，基于斜坡单元10 m分辨率的滑坡敏感性极高区滑坡占比最高。

（5）采用受试者工作特征曲线（ROC）对研究区4个数据集得出的滑坡敏感性评价结果进行精度分析，表明基于斜坡单元10 m分辨率的滑坡敏感性评价结果的AUC值最大，其精度和准确度最高。因此，采用斜坡单元和高分辨率数据开展滑坡敏感性分析具有更高的精度效果。研究区滑坡敏感性分区结果与区内实际滑坡发育分布吻合。

区域滑坡灾害敏感性（易发性）分析评价是滑坡防灾减灾和国土规划利用的重要参考依据，也是滑坡灾害研究领域的科技难题，随着科学发展和技术进步，相关研究水平不断提高，成果日趋成熟完善，但由于滑坡敏感性研究本身的复杂性，依然有诸多问题需要深入探索和解决。本研究主要针对当前区域滑坡灾害敏感性研究中评价单元类型选取和数据精度确定方面存在的不足，探索不同评价单元类型和数据精度条件下，滑坡敏感性评价的结果差异和精度优劣。文中评价因子和评价模型采用国内外相关成果中已普遍运用的因子和模型，未对评价因子确定和评价模型构建进行深入细致的分析对比。因此，根据滑坡敏感性分析评价中的区域性特征和适用性条件等因素，针对性开展评价因子优化确定和评价模型合理构建将是下一步重要的研究方向和需要重点开展的工作。