基于证据权法与多源数据的陇中生态脆弱区滑坡敏感性评价——以天水市为例
Landslide susceptibility using weights-of-evidence approach and multi-source data in Longzhong ecologically vulnerable area: a case study of Tianshui City
通讯作者:
收稿日期: 2022-03-18 修回日期: 2022-06-14
基金资助: |
|
Received: 2022-03-18 Revised: 2022-06-14
关键词:
Keywords:
本文引用格式
李霞, 宿星, 张满银, 任皓晨, 周自强, 吴玮江, 董耀刚, 王国亚.
LI Xia, SU Xing, ZHANG Manyin, REN Haochen, ZHOU Ziqiang, WU Weijiang, DONG Yaogang, WANG Guoya.
0 引言
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。
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。
1 研究区概况
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]。
图1
图1
研究区位置与滑坡分布图
Fig. 1
Map showing the landslide distribution in the study area
2 数据与方法
2.1 数据准备
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。
2.1.1 滑坡编目数据
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。
2.1.2 孕灾因子数据
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)。
表1 天水市辖区滑坡13个孕灾因子统计表
Table 1
因子类型 | 数据来源 | 孕灾因子 | 因子分级 |
---|---|---|---|
地形因子 | SRTM DEM 30 m ZY-3 DEM 10 m | 高程/m | <1 000、1 000~1 200、1 200~1 400、1 400~1 600、1 600~1 800、1 800~2 000、2 000~2 200、 2 200~2 400、>2 400 |
坡度 | 0°~5°、5°~10°、10°~15°、15°~20°、20°~25°、25°~30°、30°~35°、35°~40°、>40° | ||
坡向 | 平坦、北、北东、东、东南、南、南西、西、北西 | ||
地面曲率 | <-4、-4~-2、-2~-0.5、-0.5~0、0~0.5、0.5~2、2~4、>4 | ||
平面曲率 | <-2、-2~-1、-1~-0.5、-0.5~0、0~0.5、0.5~1、1~2、>2 | ||
剖面曲率 | <-2、-2~-1、-1~-0.5、-0.5~0、0~0.5、0.5~1、1~2、>2 | ||
地表粗糙度 | 1~1.05、1.05~1.1、1.1~1.15、1.15~1.2、1.2~1.25、1.25~1.3、1.3~1.35、1.35~1.4、>1.4 | ||
地形起伏度/m | <30、30~60、60~90、90~120、120~150、150~180、180~210、210~240、>240 | ||
水系缓冲区/m | <400、400~800、800~1 200、1 200~1 600、1 600~2 000 | ||
地质因子 | 区域地质图 1∶20万 | 地层岩性 | 第四系全新统(Q4);第四系上更新统(Q3);新近系(N);古近系(E);侏罗系(J);石炭系(C);泥盆系(D);下古生界牛头河群(Pz1);震旦系(Z);前震旦系(AnZ);花岗岩、闪长岩(γ) |
断层缓冲区/m | <1 000、1 000~2 000、2 000~3 000、3 000~4 000、4 000~5 000、5 000~6 000、6 000~7 000、 7 000~8 000、>8 000 | ||
人类活动因子 | Google卫星影像图 | 道路缓冲区/m | <500、500~1 000、1 000~1 500、1 500~2 000、2 000~2 500、2 500~3 000、>3 000 |
生态因子 | 土地覆盖产品 10 m | 土地利用 | 耕地、森林、草地、灌木、湿地、水域、不透水面、裸地 |
图2
图2
研究区地形孕灾因子分级图(SU10)
Fig. 2
The grading map of various terrain factors in the study area (SU10)
图3
图3
研究区其他孕灾因子分级图(SU10)
Fig. 3
The grading map of various other factors in the study area (SU10)
2.2 研究方法
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
采用
图4
由
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(
根据
式中:
3 基于多种数据类型的滑坡敏感性分析评价
3.1 滑坡因子敏感性分级对比分析
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(
表2
研究区滑坡优势孕灾因子区间统计表(据
Table 2
数据 | 孕灾因子 | ||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
高程/m | 坡度 | 坡向 | 地面曲率 | 平面曲率 | 剖面曲率 | 地表粗糙度 | 地形起伏度/m | 地层岩性 | 断层缓冲区/m | 道路缓冲区/m | 水系缓冲区/m | 土地利用 | |
GU30 | 1 200~1 400 | 10°~15° | 西南 | -0.5~0 | -0.5~0 | 0~0.5 | 1~1.05 | 60~90 | N、Q3 | 5 000 | 1 000 1 500 | 1 600 | 耕地 |
SU30 | 1 200~1 400 | 10°~15° | 西南 | -0.5~0 | 0~0.5 | 0~0.5 | 1~1.05 | 30~60 120~150 | N、Q3 | 5 000 | 1 000 1 500 | 1 600 | 耕地 |
GU10 | 1 000~1 200 1 200~1 400 | 10°~15° | 西南 | -20~0 | -20~0 | 0~20 | 1~1.05 | <30 30~60 | N、Q3 | 5 000 | 1 000 1 500 | 1 600 | 耕地 |
SU10 | 1 200~1 400 | 10°~15° | 北 | -0.5~0 | -0.5~0 | 0~0.5 | 1~1.05 | 30~60 120~150 | N、Q3 | 5 000 | 1 000 1 500 | 1 600 | 耕地 |
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]。
3.2 滑坡因子整体敏感性对比分析
图5
图5
研究区各孕灾因子的归一化
Fig. 5
The normalized
表3 研究区滑坡孕灾因子整体敏感性值统计表
Table 3
孕灾因子 | 归一化 | |||||||
---|---|---|---|---|---|---|---|---|
高程 | 5.15 | 4.57 | 5.10 | 4.69 | 1.44 | 1.24 | 1.29 | 1.18 |
坡度 | 3.34 | 7.16 | 2.89 | 5.84 | 0.93 | 1.95 | 0.73 | 1.47 |
坡向 | 1.47 | 0.84 | 0.61 | 2.91 | 0.41 | 0.23 | 0.16 | 0.73 |
地面曲率 | 2.86 | 1.98 | 2.83 | 3.57 | 0.80 | 0.54 | 0.72 | 0.90 |
平面曲率 | 3.00 | 3.01 | 4.39 | 3.38 | 0.84 | 0.82 | 1.12 | 0.85 |
剖面曲率 | 2.44 | 0.26 | 3.82 | 3.37 | 0.68 | 0.07 | 0.97 | 0.85 |
地表粗糙度 | 3.90 | 7.28 | 3.26 | 6.76 | 1.09 | 1.98 | 0.83 | 1.70 |
地形起伏度 | 4.72 | 1.27 | 7.51 | 1.28 | 1.32 | 0.35 | 1.91 | 0.32 |
地层岩性 | 7.58 | 8.56 | 7.57 | 8.51 | 2.12 | 2.33 | 1.92 | 2.13 |
断层缓冲区 | 1.86 | 1.78 | 1.85 | 1.80 | 0.52 | 0.48 | 0.47 | 0.45 |
道路缓冲区 | 3.31 | 3.26 | 3.32 | 3.26 | 0.93 | 0.89 | 0.84 | 0.82 |
水系缓冲区 | 3.72 | 1.65 | 4.32 | 1.66 | 1.04 | 0.45 | 1.10 | 0.42 |
土地利用 | 3.74 | 4.86 | 3.74 | 4.83 | 1.05 | 1.32 | 0.95 | 1.21 |
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。
3.3 基于不同数据的滑坡敏感性评价
图6
图6
研究区滑坡敏感性分区图
Fig. 6
Landslide susceptibility map [GU30-W(a), SU30-W(b), GU10-W(c), SU10-W(d)]
表4 研究区4个数据集滑坡敏感性分区统计表
Table 4
敏感性分区 | GU30 | SU30 | GU10 | SU10 | ||||
---|---|---|---|---|---|---|---|---|
分区栅格数 | 分区占比/% | 分区栅格数 | 分区占比/% | 分区栅格数 | 分区占比/% | 分区栅格数 | 分区占比/% | |
合计 | 6 481 566 | 100 | 6 481 581 | 100 | 58 332 455 | 100 | 58 332 585 | 100 |
极低 | 1 056 652 | 16.30 | 1 076 746 | 16.61 | 10 663 827 | 18.28 | 10 563 349 | 18.11 |
低 | 1 585 055 | 24.45 | 1 641 226 | 25.32 | 13 485 558 | 23.12 | 14 570 109 | 24.98 |
中 | 1 053 969 | 16.26 | 947 019 | 14.61 | 9 175 116 | 15.73 | 8 156 231 | 13.98 |
高 | 1 258 940 | 19.42 | 1 075 533 | 16.59 | 10 690 168 | 18.33 | 9 725 791 | 16.67 |
极高 | 1 526 950 | 23.56 | 1 741 057 | 26.86 | 14 317 786 | 24.55 | 15 317 105 | 26.26 |
图7
图7
研究区4个数据集各敏感性分区滑坡数据统计图
Fig. 7
Statistical diagram of landslide data in each sensitive zone of four data sets in the study area [map of landslide susceptibility zonation (a), landslide number ratio in each susceptibility zonation (b), landslide area ratio in each susceptibility zonation (c)]
3.4 基于不同数据的滑坡敏感性评价结果分析验证
3.4.1 评价结果的合理性分析(滑坡点和滑坡面积)
表5 各敏感性分区滑坡个数统计表
Table 5
敏感性分区 | GU30-W | SU30-W | GU10-W | SU10-W | ||||
---|---|---|---|---|---|---|---|---|
滑坡个数 | 占总滑坡比例/% | 滑坡个数 | 占总滑坡比例/% | 滑坡个数 | 占总滑坡比例/% | 滑坡个数 | 占总滑坡比例/% | |
1(极低) | 0 | 0.00 | 0 | 0.00 | 0 | 0.00 | 1 | 0.21 |
2(低) | 4 | 0.84 | 2 | 0.42 | 5 | 1.05 | 1 | 0.21 |
3(中) | 39 | 8.21 | 19 | 4.00 | 22 | 4.63 | 22 | 4.63 |
4(高) | 117 | 24.63 | 117 | 24.63 | 113 | 23.79 | 104 | 21.89 |
5(极高) | 315 | 66.32 | 337 | 70.95 | 335 | 70.53 | 347 | 73.05 |
表6 各敏感性分区滑坡面积统计表
Table 6
敏感性分区 | GU30-W | SU30-W | GU10-W | SU10-W | ||||
---|---|---|---|---|---|---|---|---|
滑坡栅格数 | 占总滑坡比例/% | 滑坡栅格数 | 占总滑坡比例/% | 滑坡栅格数 | 占总滑坡比例/% | 滑坡栅格数 | 占总滑坡比例/% | |
1(极低) | 31 | 0.03 | 7 | 0.01 | 246 | 0.03 | 167 | 0.02 |
2(低) | 434 | 0.44 | 150 | 0.15 | 3 111 | 0.35 | 2 056 | 0.23 |
3(中) | 3 972 | 4.01 | 1 926 | 1.95 | 36 795 | 4.13 | 18 497 | 2.08 |
4(高) | 20 711 | 20.93 | 15 130 | 15.29 | 171 407 | 19.25 | 119 267 | 13.40 |
5(极高) | 73 820 | 74.59 | 81 755 | 82.61 | 678 661 | 76.24 | 750 233 | 84.28 |
3.4.2 评价结果的精度分析(ROC曲线)
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)。
图8
图8
基于4个数据集敏感性评价模型的ROC曲线
Fig.8
Receiver operating characteristic curves of assessment models for four types of data
4 结论与展望
4.1 结论
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(
(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。
4.2 展望
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。
参考文献
Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy
[J]. ,
Regional landslide susceptibility mapping based on Grey Relational Degree Model
[J]. ,
基于灰色关联度模型的区域滑坡敏感性评价
[J]. ,
Small regional geohazards susceptibility mapping based on geomorphic unit
[J]. ,
基于地貌单元的小区域地质灾害易发性分区方法研究
[J]. ,
Method of classification for susceptibility evaluation unit for geological hazards: a case study of Huangling County, Shaanxi, China
[J]. ,
地质灾害易发性评价单元划分方法——以陕西省黄陵县为例
[J]. ,
Regional slope stability analysis method based on the slope unit
[J]. ,
基于斜坡单元的区域斜坡稳定性评价方法
[J]. ,
Loess landslide susceptibility evaluation based on slope unit and information value method in Baota District, Yan’an
[J]. ,
基于斜坡单元与信息量法结合的宝塔区黄土滑坡易发性评价
[J]. ,
Landslide susceptibility assessment based on WOE model along Jiacha—Langxian County section of Sichuan-Tibet Railway, China
[J]. ,
基于证据权模型的川藏铁路加查—朗县段滑坡易发性评价
[J]. ,
Assessment of regional landslide susceptibility based on combined model of certainty factor method
[J]. ,
基于确定性系数组合模型的区域滑坡敏感性评价
[J]. ,
Assessment on landslide susceptibility in Gansu Province based on AHP and information quantity method
[J]. ,
基于AHP与信息量法的甘肃省滑坡易发性评估
[J]. ,
Landslide susceptibility mapping in the Sichuan-Tibet traffic corridor using logistic regression-information value method
[J]. ,
基于逻辑回归-信息量的川藏交通廊道滑坡易发性评价
[J]. ,
Application of artificial neural network in landslide susceptibility assessment
[J]. ,
人工神经网络在滑坡敏感性评价中的应用
[J]. ,
Landslide susceptibility mapping based on logistic regression and support vector machine
[J]. ,
逻辑回归与支持向量机模型在滑坡敏感性评价中的应用
[J]. ,
Spatial sensitivity evaluation of loess landslide in Liulin County, Shanxi based on random forest
[J]. ,
基于随机森林的山西省柳林县黄土滑坡空间敏感性评价
[J]. ,
Research of jiaoshuwan and Taishanmiao landslides in Tianshui City
[J]. ,
天水市椒树湾、泰山庙滑坡研究
[J]. ,
Landslide and debris flow hazards in city of Tianshui
[J]. ,
天水市滑坡泥石流灾害
[J]. ,
Characteristics and causes of assembled geo-hazards induced by the rainstorm on 25th July 2013 in Tianshui City, Gansu, China
[J]. ,
天水市“7·25”群发性地质灾害特征及成因
[J]. ,
Loess-mudstone interface landslides: characteristics and causes
[J]. ,
黄土-泥岩接触面滑坡的特征与成因
[J]. ,
Application and comparison of two probability models in landslide susceptibility analysis: a case study in Luoyu Valley, Tianshui
[J]. ,
两种概率模型在滑坡敏感性分析中的应用及比较——以甘肃省天水市罗玉沟为例
[J]. ,
Analyzing the impact of relief amplitude to loess landslides based on SRTM DEM in Tianshui Prefecture
[J]. ,
基于SRTM DEM的地形起伏度对天水市黄土滑坡的影响分析
[J]. ,
Statistics of characteristic parameters and evolutionary mechanism of landslides in typical area of Longzhong Loess Plateau: a case study of Tianshui City
[J]. ,
陇中黄土高原典型地区滑坡特征参数统计及发育演化机制研究——以天水市为例
[J]. ,
Integration of geological datasets for gold exploration in Nova Scotia
[M]//Digital Geologic and Geographic Information Systems. Washington D. C.: ,
Weights of evidence modelling: a new approach to mapping mineral potential
[R].
Statistical pattern integration for mineral exploration
[M]//.
Combining indicator patterns in weights of evidence modeling for resource evaluation
[J]. ,
Weights of evidence modeling and weighted logistic regression for mineral potential mapping
[M]//.
Geographic information systems for geoscientists: modeling with GIS
[M]//.
Use of geomorphological information in indirect landslide susceptibility assessment
[J]. ,
Landslide susceptibility assessment using “weights-of-evidence” applied to a study area at the Jurassic escarpment (SW-Germany)
[J]. ,
Modeling susceptibility to landslides using the weight of evidence approach: western Colorado, USA
[J]. ,
A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey
[J]. ,
Application of frequency ratio and weights of evidence models in landslide susceptibility mapping for the Shangzhou District of Shangluo City, China
[J]. ,
Geographic information systems for geoscientist: modelling with GIS
[M]//.
/
〈 | 〉 |