Susceptibility assessment of geological hazards in Wuhua District of Kuming, China using the weight evidence method
-
摘要: 地质灾害易发性评价是国土空间规划和区域地质灾害防灾减灾的重要依据。为探索适合云南高原低山丘陵区地质灾害易发性评价方法，论文选择云南省昆明市五华区为典型研究区，选择工程地质岩组、距断裂构造线距离、高程、坡度、坡向、坡面曲率、距公路线距离和土地利用类型等8个因素，应用基于贝叶斯理论的证据权法进行地质灾害易发性评价，通过对各因素各分级（分类）综合证据权重的近似学生化检验（Student-T）优化了各因素的分级（分类）方案。采用文中所构建模型评价得出的易发性分区结果表明，89.9%和9.1%的地灾点落入高和中易发区，对比分析显示建模结果与地质灾害发育情况吻合度高，较好地揭示了研究区地质灾害易发性特征，可为昆明市五华区及云南高原其它低山丘陵区地质灾害防治规划提供参考。Abstract: Geological hazard susceptibility assessment is an important basis for territorial space planning and geological hazard prevention and mitigation. In order to explore the evaluation method suitable for the geological hazard susceptibility of low hills and gullies in Yunnan plateau, Wuhua District of Kunming, Yunnan Province, China was selected as a typical study area. Eight factors including the engineering geology groups, distance from faults, elevation, slope, direction, curvature, distance from roads and land use covers were selected, and the weight evidence method based on Bayesian theory was applied to evaluate the susceptibility of geological hazards. After performing the Student-T test of the comprehensive evidence weight of each factor, the classification scheme of factors were optimized. The results of vulnerability zoning based on the evaluation of the model established in this paper showed that 89.9% and 9.1% of the geological hazard points fall into high and medium susceptibility areas. The comparative analysis showed that the modeling results are highly consistent with the geological hazards distribution, which better reveals the characteristics of geological hazards susceptibility in the study area. It can provide reference for the planning of geological hazards prevention in Wuhua District and other low hills and gullies areas of Yunnan plateau.
-
0. 引言
黄土滑坡是一种突发性极强的地质灾害，近年来，随着黄土高原地区经济发展、人类活动以及在地震或暴雨等诱发因素作用下常呈大面积高发状态[1]。传统的滑坡监测手段以野外实地调查为主，譬如GPS、水准监测，该方法可识别勘测滑坡性质、范围以及运动规律等，但需要耗费大量的时间和人力，无法快速、准确地获取区域性滑坡信息，阻碍后续工作的进展。随着遥感技术的发展，滑坡体信息的识别从长期以来的点到线，线到面的模式得到改变，提高了精度与效率[2]，其中光学影像以其视点高、视域广、时效好等特点成为滑坡体识别优先手段。然而，光学影像受云雾以及天气影响大，且只能根据滑坡体在影像上的光谱特征与纹理特性进行简单的定性分析与解译。合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）技术具有覆盖范围广、穿透云层、全天候运作、精度高的特点[3-4]，能够定量对滑坡体进行描述，在对大型滑坡追溯、监测与普查方面已经发挥重要作用。在滑坡灾害追溯方面，Dong等[5]采用Sentinel-1与ALOS-2 PALSAR数据对发生在2017年造成80多人遇难的新磨村滑坡灾害进行了追溯，监测结果表明此次灾害前已有明显加速阶段；戴可人等[6]采用InSAR方法对2018年南峪乡滑坡进行形变追溯，发现了滑前明显的累计与加速形变信息，但未获取到临滑前明显加速阶段；侯燕军等[7]利用L波段升轨ALOS数据，对兰州市普兰太有限公司进行了有效识别。滑坡灾前形变追溯能够分析引起形变加速的原因，进而了解了该地区滑坡成因机理，为后续监测预警以及预测工作打好基础。
文中将采用SBAS-InSAR（small baseline sunset InSAR）技术，融合升/降轨Sentinel-1A数据对甘肃省通渭县常河镇滑坡灾前进行二维形变追溯，研究其灾前演变过程。结合降雨量信息分析滑坡诱因，并通过D-InSAR技术进行形变追溯佐证，有利于了解滑坡诱导因素、滑坡内部机理以及更好的进行灾后稳定性评估，为未来该区域滑坡监测与预警提供理论支撑。
1. 研究区概况
2019年9月14日，受多日降雨影响，甘肃省定西市通渭县常家河镇小庄村发生山体滑坡，滑坡体长约560 m，宽约800 m，平均厚度约20 m，体积约7.74×106 m3，属于大型滑坡。经相关文献核查统计[8]，此滑坡灾害损失范围涉及通渭县1个乡镇17个村民小组 2 975 人（未有人员伤亡），农业、水利、道路、桥梁等直接经济损失 2347.2 万元。现场调查显示，在县道X087的23 km+400 m—24 km+400 m处地面出现大面积蠕滑造成的拉张裂缝，部分农田表面发育裂缝，常家河前进砖瓦厂工人宿舍后墙坍塌、阳坡大桥垮塌等现象[9]。
常家河镇位于甘肃省定西市通渭县西南向，见图1（a）、图1（b）则为Sentinel-1A数据覆盖范围，其灾后影像如图1（c）所示。研究区在1718年和1920年发生两次大地震，通渭县东南部一带形成大面积滑坡隐患，导致这些规模巨大的滑坡体对当今甚至未来地质灾害活动仍有强烈影响[10]。该区域属陇中黄土高原丘陵沟壑区，断裂发育，分布有常家河与苦水河两大河流，因此新构造运动与剥蚀作用强烈。加上区内以粉砾质泥岩和砾质泥岩为主，河流两侧成为滑坡最发育的区域。由于连续降雨是引起黄土滑坡的重要诱因之一，而该区域降水主要集中在6—9月，且多以连续降雨的形式出现[9]，因此每年7—9月是该区域滑坡多发期。
2. 数据与方法
2.1 数据
在研究区和研究期间内采用欧洲航天局提供的升/降轨渐进扫描(TOPS)模式地形观测Sentinel-1A场景图像共63景，其中升轨数据有31景，其获取日期为2018年9月1日—2019年9月8日；降轨数据32景，日期为2018年9月6日—2019年9月13日。升/降轨轨道卫星主要参数见表1。在SBAS-InSAR技术中，文中研究中还采用美国地质调查局公布的航天飞机雷达地形任务SRTM（Shuttle Radar Topography Mission）数据提供的90 m分辨率DEM(数字高程模型)对地形相关的相位进行了去除和编码[11]。另外，采用中国资源卫星中心陆地观测卫星服务平台提供的降水数据进行了后续分析（http://36.112.130.153:7777/DSSPlatform/index.html）。
表 1 Sentinel-1A卫星SAR数据主要参数Table 1. Main parameters of Sentinel-1A satellite SAR data主要参数 升轨 降轨 波段 C C 雷达波长/cm 5.6 5.6 空间分辨率/m 5×20 5×20 入射角/（°） 33.0 36.2 获取日期 2018年9月1日—
2019年9月8日2018年9月6日—
2019年9月13日2.2 D-InSAR
D-InSAR是具有时间与空间上形变的雷达影像做差分处理消除平地相位与地形相位以便获取微小形变信息的技术，根据所使用的雷达影像数量可分为二轨法、三轨法和四轨法[12-13]。实验采用二轨法，主要利用外部DEM模拟地形相位，然后同两幅影像干涉获取到的具有形变的地形相位进行差分处理，获取最终的变形相位。D-InSAR方法差分干涉图的每个像素的相位值
$ \varphi $ 可表示为：$$ \varphi=\varphi_{\text{def}}\text+\varphi_{\text{orb}}+\varphi_{\text{atm}}+\varphi_{\text{dem}}+\varphi_{\text{n}} $$ (1) 式中：
$ \varphi_{\text{def}} $ ——地表形变信息；$ \varphi_{\text{orb}} $ ——卫星轨道误差；$ \varphi_{\text{atm}} $ ——大气噪声；$ \varphi_{\text{dem}} $ ——高程误差；$ \varphi_{\text{n}} $ ——噪声误差。对除地表形变信息以外的其他相位误差进行去除，最终得到的视线向地表形变则可表示为：
$$ {\Delta }{D=}\frac{{ \lambda }}{\text{4π}}{\varphi}_{\text{def}} $$ (2) 式中：∆D——视线向地表形变；
λ——波长/cm。
2.3 SBAS-InSAR
SBAS-InSAR是一种利用多幅主影像获得短空间基线差分干涉图数据集的时间序列InSAR（TS-InSAR）分析方法[14-15]。主要研究思路是基于该区域合适的时空基线阈值，生成阈值内根据不同主影像自由组合而成的SAR影像干涉对，随后对高相干点进行相位解缠处理反演出时间序列沉降信息[16]。该方法适用于非城镇区域，在传统InSAR技术上有效降低了时间与空间失相干的影响。
SBAS-InSAR技术的主要原理如下。首先将N+1幅SLC（Single Look Complex）影像按时间序列获取，分别为：
$t_0,t_1,t_2,\cdots ,t_i,\cdots ,t_{{N}}$ 。然后将符合预先设定的时空间基线阈值的影像进行配对和差分干涉处理，得到M对干涉对。此时，干涉图中每个像素的相位值的组成部分同式（1）。利用轨道信息与外部DEM数据可逐影像对去除平地与地形效应，然后对高相干性像元的相位采用最小费用流方法进行相位解缠，再根据最小二乘法和奇异值分解（Singular Value Decomposition，SVD）法对每个像元进行形变速率与DEM误差的第一次求解。由于大气相位的干扰，会影响结果精度，因此在第一次基线估算后，通过时域上的高通滤波（365 d）和空间域上的低通滤波（1200 m）进行大气相位估算与删除，接着使用相同方法进行第二次形变速率与DEM误差估算，得到最终的变形结果。SBAS-InSAR技术在SARscape5.5中有四个主要步骤，其具体处理流程如图2所示。在连接图生成步骤中，本研究通过设置降轨数据以日期为20190104影像作为主影像，升轨数据以日期为20181203影像作为主影像，120 d时间基线阈值，20 m垂直基线阈值这些参数，将其他所有影像都根据主影像进行精配准与干涉图生成，文中所使用升/降轨数据的具体获取日期与时空基线关系如图3所示；第二步干涉处理升/降轨数据则分别生成了205组与142组干涉对，并采用Goldstein滤波方法提高了信噪比，在此步骤中，编辑去除相干性不好与解缠结果不好的干涉对；第三步SBAS技术反演中，通过选择形变大小接近０值且位于山脊与远离形变区的GCP控制点共38个进行了轨道精炼与重去平，并利用SVD方法获得地表形变速率；第四步地理编码则是对SBAS反演结果进行地理坐标投影，选择虚拟值去除可得到更精确的结果。
![]()
图 3 升降轨SAR影像时空基线图Figure 3. Spatiotemporal baseline image of SAR imagery of ascending/descend orbit2.4 基于升降轨的滑坡二维形变获取
随着利用InSAR技术应用于滑坡监测研究的不断深入，科研者们发现同一区域在升/降轨InSAR监测结果存在较大的差异，甚至完全相反[17]，这是因为InSAR技术一般只能得到LOS方向上的一维形变，很难对滑坡体真实形变特征进行描述。再加之SAR影像存在的叠掩、透视收缩、阴影等几何畸变对LOS向形变结果产生影响[18]，因此融合多个InSAR监测结果，利用信息冗余，将主影像异常像元值用对应地理位置副影像正常像元值进行替代，从而对丢失信息进行补偿[19]，能在不同维度对滑坡体形变进行研究，获得更为准确的形变特征，满足滑坡监测的工程需求。假设朝向雷达卫星方向的形变为正，远离雷达卫星运动方向的形变为负[6]。根据雷达卫星成像几何可知，垂直方向
$ {d}_{{\rm{h}}} $ 、南北方向$ {d}_{{\rm{n}}} $ 以及东西方向$ {d}_{{\rm{e}}} $ 可构成雷达LOS向的形变 [18] ，如式（3）所示。$$ {{d}}_{\text{LOS}}\text=\left[{\cos\theta\ \sin\theta\sin\alpha\ -\sin\theta\cos\alpha}\right]\left[\begin{array}{c}{{d}}_{\text{h}}\\ {{d}}_{\text{n}}\\ {{d}}_{\text{e}}\end{array}\right] $$ (3) 式中：
$ \theta $ ——雷达视线方向的入射角/（°）；$\alpha$ ——雷达卫星航向角/（°）。由于常规InSAR对垂直方向形变监测最为敏感，东西方向形变次之，而南北方向对于LOS向形变量的贡献最小，因此视线向上的南北方向形变分量可以忽略不计，所以卫星LOS向形变量与InSAR监测的形变量的关系可写为:
$$ {d}_{\mathrm{L}\mathrm{O}\mathrm{S}}=[\cos\theta\ -\sin\theta \cos\alpha ] \left[\begin{array}{c}{d}_{\mathrm{h}}\\ {d}_{\mathrm{e}}\end{array}\right] $$ (4) 3. 结果与讨论
3.1 SBAS-InSAR形变追溯
文中基于上述SBAS-InSAR技术，获取了甘肃通渭县常河镇从2018年9月—2019年9月升/降轨视线方向上的形变，并基于苦水河建立600 m缓冲区对形变结果进行裁剪（图4）。图中，形变为负值表示地物位移远离卫星视线方向，用蓝色代表；形变为正值则表示地物位移靠近卫星视线方向，用红色代表；黑色椭圆则圈定出滑坡体所在区域。升轨向形变场结果显示，升轨数据获取的滑坡体最大年平均速率为−24.47 mm/a；降轨形变场结果显示，降轨数据获取的滑坡体最大年平均形变速率为18.63 mm/a。升/降轨数据由于不同的观测几何，其获取到的雷达影像的后向散射值不同，进而导致其探测到的形变范围与形变量级有一定的差异。对于该滑坡体，升/降轨数据获取的形变范围与形变量级差异较小，且都显示出西南走向的形变几何，表明两个轨道结果相干性好且吻合度高，可进行升/降轨数据联合分析，对单轨道探测不完全的区域进行互补。根据该滑坡体的DEM与升/降轨LOS形变结果，可以推测其滑动方向大致沿东西向分布，因此利用东西向形变结果与垂直向形变结果能够更好的反应此次滑坡形变过程。基于上述二维分解方法，联合升/降轨LOS向形变结果获取了常家河镇区域的二维形变。二维形变图东西向形变场显示，该滑坡体最大年平均形变速率为29.94 mm/a，整体向东移动；垂直向形变场显示该滑坡体最大年平均速率为−18.25 mm/a，垂直向下形变。两形变场方向对比分析显示，该区域形变量级大的地方多分布于苦水河附近，且东西向的形变量级大于垂直向。
![]()
图 4 SBAS-InSAR不同方向的形变结果Figure 4. Different direction of SBAS-InSAR deformation result为了更好的反应该滑坡体运动过程，用滑坡体大致边界裁剪出东西向与垂直向InSAR结果，做出形变时序图（图5），其中越呈现红色的区域代表沿着该方向抬升的形变越大，越凸显蓝色的区域则表示沿着该方向沉降的形变越大。二维时序图最终结果显示，在2018年9月到2019年9月这一年里，该滑坡体最大累计东向形变量为33.53 mm，最大累计西向形变量为18.36 mm，最大累计上升形变量为10 mm，最大累计下沉形变量为15.99 mm。其中，西向最大形变分布在滑坡体最北端，苦水河右侧区域，东向最大形变区域分布在县道X087与苦水河中间区域，即苦水河左侧与县道右侧区域，可以说东西向最大形变量的分布规律符合苦水河侵蚀河岸所造成的坡体下滑现象。垂直上升形变区分布在滑坡体周边区域，以滑坡体后缘为主，而该区域附近存在落水洞、地下暗河以及少数裂缝，连续降雨沿裂缝、落水洞等集中通道快速下渗致使滑带界面处出现泥化、软化现象，并逐步促进落水洞等与滑带及地下水的连通。随着时间的推移，降雨入渗产生的地下水不断集聚，出现滞水现象，致使地下水位上升[7, 21]。文献[20]指出，地下水位与地面沉降呈正相关。因此，该滑坡体后缘区域因为地下水位的上升，导致在垂直向上的形变出现灾害发生前的抬升现象。垂直下沉形变区域分布在苦水河附近，且距苦水河越近蓝色越明显，可以说垂直向的形变分布规律也满足苦水河侵蚀作用造成的坡体下移现象。王浩杰等[9]将此次滑坡定性为推移-牵引式滑坡，根据灾害发生前垂直向形变结果来看，抬升最大累计量区域（10 mm）位于坡体后缘，滑坡下沉最大累计量区域（15.99 mm）则位于苦水河西侧坡体前缘，满足推移-牵引式滑坡灾害发生规律。对二维向形变进行交叉分析，该滑坡体最先发生形变的区域处于县道X087与苦水河之间的耕地上，这可能与降水以及灌溉引起的水位变化相关[22]。随后，在东西向时序图上显示，分布在苦水河附近的区域开始形变且形变量级逐渐与耕地上的形变量级融合成为形变中心；垂直向时序图上显示，分布在苦水河附近的区域形变量级则逐渐取代耕地上的形变量级成为形变中心。在滑坡发生前，垂直向与东西向形变较大的区域基本介于县道X087与苦水河之间，且两方向上的最大累计形变都沿苦水河分布，分别可达到−15.99 mm与33.53 mm。为验证苦水河是否对该区域形变有影响，选取县道X087与苦水河距离相近的三条水平线对垂直方向上20190908期SBAS结果进行剖面分析（图6）。由图6可以明显看出，剖面图具有以苦水河为中心的沉降漏斗，距其48 m缓冲区内累计沉降量都小于0 mm；在县道X087附近区域形变都较小，距离苦水河120 m时，区域内形变值大幅度降低。因此，可以推测该滑坡发生的诱发因素之一是苦水河对河岸的侵蚀作用。
据报道，此滑坡发生前有连续降雨现象。徐辉等人[23]研究表明滑坡灾害发生前10 d特别是前5 d的降雨是导致滑坡发生的关键因素，这与王浩杰等[7]研究的此次通渭滑坡结果相吻合，表明降雨可能是此滑坡的诱发因素。然而，降雨是否对此次滑坡有长时间序列的影响未知，因此文中选取二维时序图上远离苦水河的四个点的时序统计结果与月降水量进行分析，探究月降雨对此滑坡的影响。按照近苦水河的垂直距离的大小依次对四个点命名，a、b、c、d四点距苦水河的垂直距离分别为395 m、146 m、111 m以及103 m，其统计结果如图7所示。根据降雨量多少，将研究区累积形变时间段以2019年5月为分界点分为两个阶段，2018年9月—2019年5月降雨量较少将其标记为Ⅰ阶段，Ⅱ阶段（2019年5—9月）则为降雨量较多月份。从东西向形变结果折线图与时序点可以看出，Ⅰ阶段形变较为稳定是形变累积阶段；在2019年5月后的Ⅱ阶段形变加速，四个点的形变斜率都普遍增大，以距离苦水河最近的d点形变加速最为明显。从垂直向形变结果与时序点可以看出，Ⅰ阶段中，b、c两点在2018年9—10月形变斜率大于另外两点，在2018年11月—2019年2月四个点形变都较为平稳，2019年3—4月，b、c、d三点形变斜率增大，而在2019年5月之后，随着降雨量的增加，四个点形变呈现出直线的加速阶段。据王浩杰等[7]的研究，c点处于的台缘区域横向裂缝和陡坎十分发育，土壤裸露，遇水更容易软化，水土保护能力低于位于耕地处的a、b、d三点。我们知道裂缝、落水洞处区域，连续降雨会引起地下水位抬升，进而引起向上的形变，c点虽然有着地下水位抬升引起的抬升，但其位于的台缘区，有临空条件，裸露土壤软化导致的下滑趋势更大，因此c点在垂直向中Ⅱ阶段与其他三点呈相反趋势加速。时序统计结果表明，此滑坡体的灾前形变过程经历了两个阶段：形变累积（缓慢形变）阶段和加速形变阶段。将加速形变阶段同该时段降雨统计结果交互分析，2019年5—9月降水量增加的同时，相应的滑坡变形也明显增大，呈现明显相关性。因此，可以说降雨为此滑坡发生的诱发因素之一。李鹏程[24]研究表明，通渭县内河流为降雨型补给河流，汛期水量大且集中在6—9月，来势凶猛，对河岸的侵蚀作用更加强烈。因此，在垂直向上累积沉降量的形变累积阶段，出现距离苦水河进的b、c两点形变斜率变大的现象（2018年9—11月），这也进一步说明苦水河对河岸的侵蚀作用是此滑坡发生的诱发因素之一。
3.2 内符合精度验证与D-InSAR结果佐证
SBAS-InSAR结果显示，此次滑坡灾害并非偶然，该区域在滑坡发生前一年时间里一直存在形变。为了验证SBAS-InSAR结果的可靠性，利用内符合精度方法与D-InSAR技术进行验证。D-InSAR技术中升轨数据选择时间为2019年9月8日与2019年9月20日，降轨数据获取时间为2019年9月1日与2019年9月25日。
陈有东等[2]指出，相干性系数越高，所得干涉相位的条纹越清晰，干涉相位观测量越可靠，且平均相干系数在0.5以上就能提取到有用的形变信号。因此，文中对这一年中不同季节的干涉相对进行了平均相干系数计算，结果如图8所示。在图8中，不同季节的干涉对平均相干系数均在0.5及以上，说明了文中实验结果可靠。利用D-InSAR技术进行佐证，两个轨道的D-InSAR结果如图9所示。因为滑坡体滑动后，形变量级大，出现未能解算出的区域，而这区域位于县道X087与苦水河之间，与SBAS技术追述的灾前形变最大区域相吻合。相关报道指出[6]，此次滑坡灾害致使道路出现多处裂缝与阳坡大桥区域垮塌；王浩杰等[7]研究则表明，县道X087在灾害发生前无裂缝，阳坡大桥灾害发生前只有一条裂缝，均处于稳定状态。在文中实验，SBAS追溯的结果显示，一年间道路县道X087与阳坡大桥区域形变较小； D-InSAR升轨结果显示县道X087灾后形变最大为13.37 mm，阳坡桥区域形变为8 mm，降轨结果则表明县道X087灾后形变最大值是11.01 mm，阳坡大桥区域最大形变值是2 mm，这两种技术的监测结果均与实际情况相吻合。综上所述，此次SBAS-InSAR结果有很好的可信度。
![]()
图 8 升/降轨不同季节相干性图以及相干性系数Figure 8. Coherence diagrams and coherence coefficients in different seasons of ascending / descend orbits4. 结束语
文中基于SBAS-InSAR技术和升/降轨Sentinel-1A雷达卫星影像获取了甘肃省通渭县滑坡灾前的形变，建立二维模型分析此滑坡形变特征，探讨影响滑坡发生的因素，并用内符合精度验证方法与D-InSAR技术对SBAS-InSAR技术的可靠性进行了验证。结果显示：
（1）通渭滑坡从2018年9月起便存在形变，随着时间的推移形变量逐渐增大。至滑坡发生前东西向与垂直向最大累计形变量达33.53 mm与−15.99 mm。
（2）二维时序累计图显示，此滑坡灾害发生前区域内的形变中心沿着苦水河分布，且形变严重区域基本位于县道X087与苦水河之间，苦水河对于河岸的侵蚀作用可能是此次滑坡诱发因素之一。
（3）将时序结果与降雨量数据联合分析，滑坡区域内远离苦水河的时间序列形变可分成两个阶段：缓慢形变（形变积累）阶段与加速形变阶段。在加速形变阶段，形变趋向与降水量变化趋向高度一致，因此可以表明降水也是此次滑坡滑动的主要诱发因素。
（4）由于二维形变的日期是2018年9月6日—2019年9月8日，距离滑坡发生尚有6 d时间，因此不能得到临滑阶段明显的加速形变期，这说明基于Sentinel数据的InSAR技术运用在滑坡长期监测预警中可能存在时间分辨率不足等缺点，因此需结合其他雷达影像、技术等完备滑坡监测预警体系。
-
![]()
图 2 地质灾害分布图（底图为高程和山体阴影渲染）
Figure 2. Map of geological hazard distribution (The bottom was rendered by elevation and hillshade)
![]()
图 3 各因素分级分区和地灾点数量相关性统计图
Figure 3. Statistical charts of correlation between the factors and the number of geological hazard points
表 1 数据简介
Table 1 Data introduction
数据 灾点及
致灾要素类型 来源 地灾 地灾点 矢量点 地质灾害风险普查 地质 工程地质岩组 矢量面 云南省地质局 距断裂
距离矢量线和缓冲区 云南省地质局 地形地貌 高程 栅格 12.5 m DEM，
https://asf.alaska.edu/坡度 栅格 根据DEM，应用ArcGIS提取 坡向 栅格 根据DEM，应用ArcGIS提取 坡面曲率 栅格 根据DEM，应用ArcGIS提取 道路 距公路
距离矢量线缓冲区 http://www.openstreetmap.org，
根据矢量线用ArcGIS制作土地利用
类型土地利用
类型栅格 ESA WorldCover 10 m 2020，https://esa-worldcover.org/en 
下载: 导出CSV
表 2 因素证据权重计算结果表
Table 2 Calculation results of factor evidence weights
因素 因素分级 因素面积
百分比/%地灾数
百分比/%正权重
W+W+的
标准差${\sigma }_{{W}^{+}}^{} $负权重W− W−的
标准差${\sigma }_{{W}^{-}}^{} $综合权重
$ {W}_{{\rm{f}}} $$ {W}_{{\rm{f}}} $的
标准差${\sigma }_{{W}_{{\rm{f}}}} $Student−T 分类
归并归并后
权重权重
标准差高程/m <1735 0.01 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.2744 0.1607 1735～1800 0.36 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.2744 0.1607 1 800～1 850 0.65 1.12 0.5550 1.0082 −0.0048 0.1071 0.5598 1.0138 0.5522 合并 −0.2744 0.1607 1 850～1 900 9.55 10.11 0.0574 0.3350 −0.0063 0.1123 0.0636 0.3533 0.1801 合并 −0.2744 0.1607 1 900～1 920 6.81 4.49 −0.4186 0.5015 0.0248 0.1090 −0.4434 0.5133 −0.8639 合并 −0.2744 0.1607 1 920～1 950 6.73 21.35 1.1758 0.2329 −0.1720 0.1200 1.3478 0.2620 5.1444 4 1.1758 0.2329 1 950～2 000 12.50 23.60 0.6439 0.2202 −0.1368 0.1218 0.7807 0.2516 3.1032 5 0.6439 0.2202 2 000～2 100 23.25 11.24 −0.7318 0.3169 0.1468 0.1131 −0.8787 0.3365 −2.6110 13 −0.7318 0.3169 2 100～2 200 18.86 20.22 0.0708 0.2369 −0.0172 0.1192 0.0879 0.2652 0.3315 合并 −0.2744 0.1607 2 200～2 300 11.48 4.49 −0.9436 0.5009 0.0767 0.1090 −1.0203 0.5126 −1.9903 合并 −0.2744 0.1607 2 300～2 400 7.02 3.37 −0.7383 0.5786 0.0389 0.1084 −0.7772 0.5887 −1.3201 合并 −0.2744 0.1607 2 400～2 500 2.61 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.2744 0.1607 >2 500 0.19 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.2744 0.1607 坡度/(°) <5 18.72 4.49 −1.4297 0.5006 0.1620 0.1091 −1.5916 0.5123 −3.1068 5 −1.4297 0.5006 5～15 38.32 37.08 −0.0288 0.1749 0.0174 0.1343 −0.0462 0.2205 −0.2093 合并 0.0221 0.1450 15～25 28.72 41.57 0.3785 0.1655 −0.2023 0.1392 0.5808 0.2163 2.6853 3 0.3785 0.1655 25～35 11.60 12.36 0.0688 0.3030 −0.0093 0.1138 0.0782 0.3237 0.2416 合并 0.0221 0.1450 >35 2.64 4.49 0.5436 0.5040 −0.0195 0.1090 0.5632 0.5157 1.0921 合并 0.0221 0.1450 坡向 北东 9.72 11.24 0.1460 0.3179 −0.0171 0.1130 0.1631 0.3374 0.4833 合并 −0.0001 0.1065 东 12.77 15.73 0.2107 0.2688 −0.0349 0.1160 0.2456 0.2928 0.8388 合并 −0.0001 0.1065 南东 16.92 19.10 0.1222 0.2438 −0.0268 0.1184 0.1490 0.2710 0.5496 合并 −0.0001 0.1065 南 13.16 11.24 −0.1592 0.3175 0.0221 0.1130 −0.1813 0.3370 −0.5379 合并 −0.0001 0.1065 南西 10.57 10.11 −0.0448 0.3348 0.0052 0.1123 −0.0500 0.3532 −0.1415 合并 −0.0001 0.1065 西 13.45 6.74 −0.6954 0.4092 0.0754 0.1103 −0.7707 0.4238 −1.8186 合并 −0.0001 0.1065 北西 14.58 12.36 −0.1667 0.3027 0.0259 0.1138 −0.1926 0.3234 −0.5955 合并 −0.0001 0.1065 北 8.82 13.48 0.4290 0.2908 −0.0529 0.1145 0.4819 0.3125 1.5423 合并 −0.0001 0.1065 坡面
曲率−0.75～−0.28（凹形） 3.20 5.62 0.5690 0.4509 −0.0255 0.1096 0.5945 0.4640 1.2812 合并 0.0960 0.1367 −0.28～−0.15（凹形） 10.64 22.47 0.7577 0.2258 −0.1432 0.1209 0.9009 0.2562 3.5171 1 0.7577 0.2258 −0.15～−0.05（凹形） 19.66 26.97 0.3197 0.2054 −0.0962 0.1246 0.4159 0.2403 1.7311 合并 0.0960 0.1367 −0.05～0.05（平坦） 34.18 16.85 −0.7119 0.2588 0.2362 0.1169 −0.9482 0.2840 −3.3388 6 −0.7119 0.2588 0.05～0.15（凸形） 17.53 21.35 0.1990 0.2307 −0.0478 0.1201 0.2468 0.2601 0.9489 合并 0.0960 0.1367 0.15～0.28（凸形） 11.00 5.62 −0.6766 0.4483 0.0593 0.1097 −0.7359 0.4615 −1.5945 合并 0.0960 0.1367 0.28～0.69（凸形） 3.78 1.12 −1.2194 1.0014 0.0275 0.1071 −1.2469 1.0071 −1.2381 合并 0.0960 0.1367 工程
地质
岩组松散碎石土体 13.15 6.74 −0.6736 0.4092 0.0720 0.1103 −0.7456 0.4238 −1.7592 合并 −0.1844 0.1329 石英砂岩 7.55 10.11 0.2947 0.3354 −0.0283 0.1123 0.3230 0.3537 0.9131 合并 −0.1844 0.1329 砂岩、泥岩、页岩 23.08 35.96 0.4474 0.1781 −0.1844 0.1330 0.6318 0.2222 2.8430 3 0.4474 0.1781 白云岩、灰岩 38.88 37.08 −0.0491 0.1749 0.0301 0.1343 −0.0793 0.2205 −0.3596 合并 −0.1844 0.1329 玄武岩 16.94 10.11 −0.5206 0.3343 0.0800 0.1124 −0.6005 0.3526 −1.7029 合并 −0.1844 0.1329 侵入岩脉 0.29 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.1844 0.1329 距断层
距离/m0～50 5.63 12.36 0.7973 0.3046 −0.0746 0.1137 0.8719 0.3252 2.6814 3 0.7973 0.3046 50～100 5.86 5.62 −0.0429 0.4492 0.0026 0.1096 −0.0455 0.4624 −0.0985 合并 −0.0746 0.1137 100～300 19.87 19.10 −0.0397 0.2436 0.0096 0.1184 −0.0493 0.2709 −0.1822 合并 −0.0746 0.1137 300～500 16.11 20.22 0.2299 0.2371 −0.0508 0.1192 0.2806 0.2654 1.0574 合并 −0.0746 0.1137 500～1000 26.12 17.98 −0.3764 0.2508 0.1056 0.1177 −0.4820 0.2770 −1.7397 合并 −0.0746 0.1137 1000～2 000 22.75 24.72 0.0840 0.2143 −0.0261 0.1227 0.1101 0.2469 0.4457 合并 −0.0746 0.1137 >2000 3.66 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.0746 0.1137 距主要
公路
距离/m0～50 11.11 29.21 0.9820 0.1986 −0.2296 0.1265 1.2116 0.2354 5.1469 3 0.9820 0.1986 50～100 8.14 13.48 0.5111 0.2909 −0.0605 0.1145 0.5716 0.3126 1.8284 合并 −0.1257 0.1296 100～300 20.62 20.22 −0.0196 0.2368 0.0050 0.1192 −0.0247 0.2651 −0.0931 合并 −0.1257 0.1296 300～500 12.53 3.37 −1.3195 0.5781 0.1005 0.1084 −1.4201 0.5882 −2.4144 4 −1.3195 0.5781 500～1000 17.21 16.85 −0.0210 0.2594 0.0043 0.1168 −0.0253 0.2845 −0.0889 合并 −0.1257 0.1296 1000～2 000 16.67 10.11 −0.5038 0.3343 0.0765 0.1124 −0.5803 0.3527 −1.6455 合并 −0.1257 0.1296 >2000 13.72 6.74 −0.7153 0.4092 0.0785 0.1103 −0.7939 0.4238 −1.8733 合并 −0.1257 0.1296 土地
利用
类型林地 54.70 28.09 −0.0794 0.1497 0.0883 0.1515 −0.1676 0.2130 −0.7870 合并 −0.1287 0.1183 灌木 0.14 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.1287 0.1183 草地 7.39 8.99 0.1979 0.3556 −0.0176 0.1116 0.2155 0.3727 0.5783 合并 −0.1287 0.1183 耕地 16.54 10.11 −0.4955 0.3343 0.0749 0.1124 −0.5704 0.3527 −1.6174 合并 −0.1287 0.1183 建筑 12.82 11.24 −0.1332 0.3175 0.0182 0.1130 −0.1514 0.3370 −0.4492 合并 −0.1287 0.1183 裸地或稀疏植被 8.09 41.57 0.8719 0.2452 −0.1287 0.1183 1.0006 0.2723 3.6746 4 0.8719 0.2452 开阔水域 0.32 0.00 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 合并 −0.1287 0.1183
下载: 导出CSV
表 3 地质灾害易发性分区表
Table 3 Form of geological hazard susceptibility zoning
易发性
分区面积/
km2占总面积/
%编号 面积/
km2占大区/
面积%灾点数 灾点密度/
(个·km−2)地质灾害
高易发区（Ⅰ）188.55 49.41 Ⅰ1 152.32 80.79 64 0.41 Ⅰ2 17.93 9.51 9 0.50 Ⅰ3 16.11 8.54 8 0.94 Ⅰ4 2.19 1.16 1 0.46 地质灾害
中易发区（Ⅱ）152.21 39.88 Ⅱ1 1.30 0.85 − − Ⅱ2 18.82 12.36 2 0.11 Ⅱ3 15.03 9.87 1 0.07 Ⅱ4 12.92 8.49 − − Ⅱ5 18.51 12.16 2 0.11 Ⅱ6 9.12 5.99 − − Ⅱ7 44.66 29.34 − − Ⅱ8 12.34 8.11 1 0.08 Ⅱ9 11.73 7.71 − − Ⅱ10 7.78 5.11 − − 低易发区（Ⅲ） 47.40 12.42 Ⅲ1 47.40 100 1 0.02
下载: 导出CSV
-
[1] REGMI N R,GIARDINO J R,VITEK J D. Modeling susceptibility to landslides using the weight of evidence approach:western Colorado,USA[J]. Geomorphology,2010,115(1/2):172 − 187. DOI: 10.1016/j.geomorph.2009.10.002
[2] DU J,GLADE T,WOLDAI T,et al. Landslide susceptibility assessment based on an incomplete landslide inventory in the Jilong Valley,Tibet,Chinese Himalayas[J]. Engineering Geology,2020,270:105572. DOI: 10.1016/j.enggeo.2020.105572
[3] GOYES-PEÑAFIEL P,HERNANDEZ-ROJAS A. Landslide susceptibility index based on the integration of logistic regression and weights of evidence:A case study in Popayan,Colombia[J]. Engineering Geology,2021,280:105958. DOI: 10.1016/j.enggeo.2020.105958
[4] BĂLTEANU D,MICU Mihai,JURCHESCU M,et al. National-scale landslide susceptibility map of Romania in a European methodological framework[J]. Geomorphology,2020,371:107432. DOI: 10.1016/j.geomorph.2020.107432
[5] SMITH H G,SPIEKERMANN R,BETTS H,et al. Comparing methods of landslide data acquisition and susceptibility modelling:examples from New Zealand[J]. Geomorphology,2021,381:107660. DOI: 10.1016/j.geomorph.2021.107660
[6] 黄立鑫,郝君明,李旺平,等. 基于RBF神经网络-信息量耦合模型的滑坡易发性评价—以甘肃岷县为例[J]. 中国地质灾害与防治学报,2021,32(6):116 − 126. [HUANG Lixin,HAO Junming,LI Wangping,et al. Landslide susceptibility assessment by the coupling method of RBF neural network and information value:A case study in Min Xian,Gansu Province[J]. The Chinese Journal of Geological Hazard and Control,2021,32(6):116 − 126. (in Chinese with English abstract) [7] 廖小平,徐风光,蔡旭东,等. 香丽高速公路边坡地质灾害发育特征与易发性区划[J]. 中国地质灾害与防治学报,2021,32(5):121 − 129. [LIAO Xiaoping,XU Fengguang,CAI Xudong,et al. Development characteristics and susceptibality zoning of slope geological hazards in Xiangli expressway[J]. The Chinese Journal of Geological Hazard and Control,2021,32(5):121 − 129. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-15 [8] 罗守敬,王珊珊,付德荃. 北京山区突发性地质灾害易发性评价[J]. 中国地质灾害与防治学报,2021,32(4):126 − 133. [LUO Shoujing,WANG Shanshan,FU Dequan. Assessment on the susceptibility of sudden geological hazards in mountainous areas of Beijing[J]. The Chinese Journal of Geological Hazard and Control,2021,32(4):126 − 133. (in Chinese with English abstract) [9] 吴赛男,田毅. 我国单体滑坡模拟和区域滑坡易发性评价研究进展[J]. 中国地质灾害与防治学报,2019,30(3):113 − 119. [WU Sainan,TIAN Yi. Review on progress of individual landslide simulation and assessment of reginal landslide susceptibility in China[J]. The Chinese Journal of Geological Hazard and Control,2019,30(3):113 − 119. (in Chinese with English abstract) [10] 闫怡秋,杨志华,张绪教,等. 基于加权证据权模型的青藏高原东部巴塘断裂带滑坡易发性评价[J]. 现代地质,2021,35(1):26 − 37. [YAN Yiqiu,YANG Zhihua,ZHANG Xujiao,et al. Landslide susceptibility assessment based on weight-of-evidence modeling of the Batang fault zone,eastern Tibetan Plateau[J]. Geoscience,2021,35(1):26 − 37. (in Chinese with English abstract) [11] LUSTED L B. An introduction to medical decision making[J]. American Journal of Physical Medicine & Rehabilitation,1970,49(5):322.
[12] SPIEGELHALTER D J,KNILL-JONES R P. Statistical and knowledge-based approaches to clinical decision-support systems,with an application in gastroenterology[J]. Journal of the Royal Statistical Society Series A (General),1984,147(1):35. DOI: 10.2307/2981737
[13] BONHAM-CARTER G F, AGTERBERG F P, WRIGHT D F. Weights of evidence modelling: A new approach to mapping mineral potential[R]. Natural Resources Canada/CMSS/Information Management, 1990.
[14] AGTERBERG F P. Combining indicator patterns in weights of evidence modeling for resource evaluation[J]. Nonrenewable Resources,1992,1(1):39 − 50. DOI: 10.1007/BF01782111
[15] AGTERBERG F P, BONHARN-CARTER G F. Weights of evidence modeling and weighted logistic regression for mineral potential mapping[M]. Computers in Geology - 25 Years of Progress. 13 − 32: Oxford University Press, 1994.
[16] CARRANZA E,HALE M. Spatial association of mineral occurrences and curvilinear geological features[J]. Mathematical Geology,2002,34:203 − 221. DOI: 10.1023/A%3A1014416319335
[17] 孙琳,任娜娜,李云安,等. 基于证据权法的公路路基岩溶塌陷危险性评价[J]. 中国地质灾害与防治学报,2019,30(3):94 − 100. [SUN Lin,REN Nana,LI Yunan,et al. Risk assessment on karst collapse of the highway subgrade based on weights of evidence method[J]. The Chinese Journal of Geological Hazard and Control,2019,30(3):94 − 100. (in Chinese with English abstract) [18] 刘璐瑶, 高惠瑛. 基于证据权与Logistic回归模型耦合的滑坡易发性评价[J/OL]. 工程地质学报. https://doi.org/10.13544/j.cnki.jeg.2020-482. LIU Luyao, GAO Huiying. Landslide susceptibility assessment based on coupling of woe model and logistic regression model[J/OL]. Journal of Engineering Geology. https://doi.org/10.13544/j.cnki.jeg.2020-482. （in Chinese with English abstract）
[19] CHEN L F,GUO H X,GONG P S,et al. Landslide susceptibility assessment using weights-of-evidence model and cluster analysis along the highways in the Hubei section of the Three Gorges Reservoir Area[J]. Computers & Geosciences,2021,156:104899. DOI: 10.1016/j.cageo.2021.104899
[20] ALSABHAN A H,SINGH K,SHARMA A,et al. Landslide susceptibility assessment in the Himalayan range based along Kasauli - Parwanoo Road corridor using weight of evidence,information value,and frequency ratio[J]. Journal of King Saud University - Science,2022,34(2):101759. DOI: 10.1016/j.jksus.2021.101759
[21] SAHA A,SAHA S. Comparing the efficiency of weight of evidence,support vector machine and their ensemble approaches in landslide susceptibility modelling:a study on Kurseong region of Darjeeling Himalaya,India[J]. Remote Sensing Applications:Society and Environment,2020,19:100323. DOI: 10.1016/j.rsase.2020.100323
[22] 黄发明,石雨,欧阳慰平,等. 基于证据权和卡方自动交互检测决策树的滑坡易发性预测[J]. 土木与环境工程学报(中英文),2022,44(5):1 − 15. [HUANG Faming,SHI Yu,OUYANG Weiping,et al. Landslide susceptibility prediction modeling based on weight of evidence and Chi-square automatic interactive detection[J]. Journal of Civil and Environmental Engineering,2022,44(5):1 − 15. (in Chinese with English abstract) [23] 杨华阳,许向宁,杨鸿发. 基于证据权法的九寨沟地震滑坡危险性评价[J]. 中国地质灾害与防治学报,2020,31(3):20 − 29. [YANG Huayang,XU Xiangning,YANG Hongfa. The Jiuzhaigou co-seismic landslide hazard assessment based on weight of evidence method[J]. The Chinese Journal of Geological Hazard and Control,2020,31(3):20 − 29. (in Chinese with English abstract) [24] 云南省地质局第二区测队. 昆明幅G-48-25 1/20万地质调查报告[R]. 昆明: 云南省地质局, 1971 The Second Regional Survey Bureau. Kunming G-48-25 1/200000 Geological survey report[R]. Kunming: Yunnan Geological Bureau, 1971. （in Chinese with English abstract）
[25] 云南省地质局第二区测大队. 武定幅G-48-19 1/20万地质图, 矿产图及其说明书[R]. 昆明: 云南省地质局, 1969 The Second Regional Survey Bureau. Wuding G-48-19 1/200000 geological map, mineral map and description[R]. Kunming: Yunnan Geological Bureau, 1969. （in Chinese）
[26] BONHAM-CARTER G F. Geographic information systems for geoscientists: Modelling with GIS[M]. Canada: Pergamon, 1994.
[27] CARTER GF B,AGTERBERG F P,WRIGHT D F. Integration of geological datasets for gold exploration in Nova Scotia[J]. photogrammetric Engineering & Remote Sensing,1990,54(11):1585 − 1592.
[28] AGTERBERG F P, BONHAM-CARTER G F, WRIGHT D F. Statistical pattern integration for mineral exploration[M].Computer Applications in Resource Estimation Amsterdam: Elsevier, 1990: 1 − 21.
[29] HOYER A,KUSS O. Meta-analysis of full ROC curves with flexible parametric distributions of diagnostic test values[J]. Research Synthesis Methods,2020,11(2):301 − 313. DOI: 10.1002/jrsm.1395
[30] WALKER S P. The ROC curve redefined - optimizing sensitivity (and specificity) to the lived reality of cancer[J]. The New England Journal of Medicine,2019,380(17):1594 − 1595. DOI: 10.1056/NEJMp1814951
[31] OMAR L,IVRISSIMTZIS I. Using theoretical ROC curves for analysing machine learning binary classifiers[J]. Pattern Recognition Letters,2019,128:447 − 451. DOI: 10.1016/j.patrec.2019.10.004
[32] 王高峰, 郭宁, 邓兵, 等. 不同组合模型区域滑坡易发性及精度分析[J]. 西北地质,2021,54(2):259 − 272. [WANG Gaofeng, GUO Ning, DENG Bing, et al. Analysis of landslide susceptibility and accuracy in different combination models[J]. Northwestern Geology,2021,54(2):259 − 272. (in Chinese with English abstract) -
期刊类型引用(23)
1. 马明明，伍尚前，谢猛，童鹏，袁晓波. 决策树分类在铁路沿线桉树提取及滑坡隐患识别中的应用——以贵广高铁广西段为例. 中国地质灾害与防治学报. 2025(01): 37-45 . 
本站查看
2. 刘亚静，刘红健. 基于信息量-随机森林模型的地震带地质灾害易发性评价：以松潘-较场地震带为例. 科学技术与工程. 2024(01): 143-154 . 百度学术
3. 黄海，江思义，李海良，李春玲，吴秋菊. 岩溶地区危岩和岩质崩塌易发性评价研究——以广西贺州市平桂区为例. 成都理工大学学报(自然科学版). 2024(01): 137-151 . 百度学术
4. 刘玥，申玉松，李旭，张迪. 基于不同耦合模型的区域地质灾害易发性评价——以河南商城县为例. 中国地质调查. 2024(01): 83-92 . 百度学术
5. 高茂宁，魏冠军，雷传金，张沛. 顾及时序InSAR的海东市辖区滑坡敏感性评价. 地理空间信息. 2024(05): 97-101 . 百度学术
6. 石文君，王宇栋，解晋航，李章杰，梁形形. 基于多种模型对比的寻甸县地质灾害易发性分析. 矿产勘查. 2024(06): 1092-1102 . 百度学术
7. 寸得欣，令狐昌卫，马一奇，尹林虎，陈庆松，刘振南，涂春霖. 基于GIS和加权信息量模型的富源县地质灾害易发性评价. 科学技术与工程. 2024(18): 7563-7573 . 百度学术
8. 冯振，陈亮，王立朝，侯圣山，田怡帆，刘明学. 区域地质灾害易发性评价的证据权法原理与实践. 地质通报. 2024(07): 1255-1265 . 百度学术
9. 张宇，简季，郝利娜，杨鑫. 基于IV-MLP耦合模型的龙陵县滑坡易发性评价. 物探化探计算技术. 2024(05): 618-626 . 百度学术
10. 桂富羽，史正涛，喜文飞，付尧，郭峻杞. 基于证据权模型的滑坡灾害易发性评价研究——以普洱市为例. 城市勘测. 2024(05): 188-193+198 . 百度学术
11. 梁峰，江攀和. 基于IVM-CF耦合模型的贵定县滑坡地质灾害易发性评价. 水利水电技术(中英文). 2024(S2): 669-677 . 百度学术
12. 裴鹏程，黄帅，袁静，张智康. 走滑断层作用下上覆土层的变形破坏机理. 中国地质灾害与防治学报. 2024(06): 115-127 . 本站查看
13. 赖波，赵风顺，江金进，江山，江宁，李俊生. 基于AHP-信息量法的珠海市地质灾害风险评价. 华南地质. 2023(01): 147-156 . 百度学术
14. 阮征，周少伟，姚胜，田垚. 黄土高原腹地地质灾害致灾因素分析及易发性评价. 科技导报. 2023(10): 115-124 . 百度学术
15. 王伟中，李树兴，杨成，许涛，宋飞，曹小红，李浩然，王伟华. 基于GIS和证据权模型的山阳县地质灾害易发性评价. 新疆地质. 2023(02): 262-269 . 百度学术
16. 黄鑫，吴珍云，丁德建，李希星，石祖峰，祝民强，孙彬涵. 基于信息量-逻辑回归模型的江西省婺源县地质灾害易发性评价. 东华理工大学学报(自然科学版). 2023(03): 259-268 . 百度学术
17. 曾斌，吕权儒，寇磊，艾东，许汇源，袁晶晶. 基于Logistic回归和随机森林的清江流域长阳库岸段堆积层滑坡易发性评价. 中国地质灾害与防治学报. 2023(04): 105-113 . 本站查看
18. 胡杨，张紫昭，林世河. 基于证据权与逻辑回归耦合的新疆伊犁河谷地区滑坡易发性评价. 工程地质学报. 2023(04): 1350-1363 . 百度学术
19. 张潇远，苏巧梅，赵财胜，朱月琴，李凯新，范锦龙，白东升. 一种利用贝叶斯算法优化XGBoost的滑坡易发性评价方法. 测绘科学. 2023(06): 140-150 . 百度学术
20. 张华湘，孙乾征，樊善兴，杨子林. 滑坡易发性评价方法和精度比较——以贵州省大方县为例. 贵州地质. 2023(03): 302-309+295 . 百度学术
21. 龚芯磊，张斌，高金利，杨洪森. 基于斜坡单元尺度AHP-信息量模型的重点区域地质灾害风险评价——以贵州省紫云县中部重点区为例. 贵州地质. 2023(03): 310-320 . 百度学术
22. 谭燕，崔雨，金华丽，方龙建，葛鹏，付乐意. 基于信息量模型及层次分析法的镇江丹徒区滑坡崩塌地质灾害易发性评价. 昆明冶金高等专科学校学报. 2023(04): 7-15 . 百度学术
23. 董凯，王永卿，蒲秀勇，梁凯丽. 基于信息量法的广西南宁市武鸣区地质灾害易发性评价. 农业灾害研究. 2023(09): 300-303 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 443
- HTML全文浏览量: 216
- PDF下载量: 186
- 被引次数: 30
邮件订阅
RSS