Comparative analyses on susceptibility of cutting slope landslides in southern Jiangxi using different models
-
摘要: 赣南地区滑坡灾害点多、面广、规模小，具有群发性和突发性的特点，90%以上的滑坡是因人工切坡导致的。为研究赣南地区小型削方滑坡对易发性评价模型的适用性，以赣州市于都县银坑镇为例，基于野外地质调查成果，并利用地理探测器，选取坡度、坡体结构、岩组、断层、道路、植被等6个评价指标，分别选用信息量模型、人工神经网络模型、决策树模型和逻辑回归模型开展易发性评价。结果表明：信息量、人工神经网络、决策树和逻辑回归等模型得到的AUC值分别为0.800、0.708、0.672和0.586，信息量模型所得的易发性结果与研究区滑坡实际分布情况较吻合，高易发区和中易发区滑坡占比近80%。信息量模型较其他三个模型，更适合于赣南地区小型削方滑坡易发性评价，评价结果对该地区地质灾害易发性评价模型选取提供了参考与借鉴。Abstract: There are many landslide disasters in southern Jiangxi, with a wide area and a small scale, and are characterized by mass and suddenness. More than 90% of landslides are caused by artificial slope cutting. In order to study the applicability of the susceptibility evaluation model for cutting slope landslides caused by cutting slopes in southern Jiangxi, taking Yinkeng Town, Yudu County, Ganzhou City as an example, based on the results of field geological surveys, and using GeoDetectors, the slope, the slope structure, rock formation, fault, road, and vegetation, were selected to carry out landslide susceptibility assessment by using the information value model (I), artificial neural network model (ANN), decision tree model (DT) and Logic regression model respectively. The results show that the AUC values obtained from information value model, artificial neural network model, decision tree model and logistic regression model are 0.800, 0.708, 0.672 and 0.586, respectively. The susceptibility results obtained by the information value model are in good agreement with the actual distribution of landslides in the study area. The specific value of the proportion of landslides in high-prone areas and medium-prone areas exceeds 80%. The information model is more suitable for the landslide susceptibility assessment under cutting slope in southern Jiangxi than the other three models. The assessment results provide a reference for the selection of the assessment model for the geohazard susceptibility in this region.
-
Keywords:
- cutting slope /
- GeoDetectors /
- information value /
- artificial neural network /
- decision tree /
- logistic regression
-
0. 引言
近年来，受全球气候变化影响，局部地区极端强降雨频发，罕见特大暴雨引起新地质灾害，同时加剧已有地质灾害程度。降雨量每日超过100 mm的为大暴雨，超过250 mm的为特大暴雨，暴雨诱发的滑坡和崩塌最终会转化为泥石流[1-2]。地质灾害与暴雨极值有关，获取地质灾害的诱发降雨量和临界降雨量，可以有效构建灾害评价模型[3-4]。台风暴雨致灾不同于内陆地区暴雨致灾，台风暴雨诱发的灾害有“即雨即滑”的特点[5]。陕北延安“7·3暴雨”诱发多处灾害，主要以泥石流和滑坡为主，根据此次灾害提出三类降雨预警指标，预警准确率高达94.3%[6-7]。降雨入渗和人类工程活动共同驱动地质灾害发生，采用综合治理手段，全面对灾害进行治理防控[8-9]。四川境内暴雨频发，运用遥感技术对暴雨后的承灾体和灾害隐患进行预先判别，提出对灾害链的断链措施[10-11]。利用ArcGIS技术评价暴雨灾害风险性，为高速公路暴雨灾害提供预防依据[12]。基于温度和降雨双指标建立地质灾害预警模型，这种模型适用于冰川型地质灾害[13]。极端暴雨引发泥石流灾害，这种情况多发生在侏罗系与三叠系的顺层斜坡中，顺层斜坡因暴雨发生滑坡，阻塞沟谷，堰塞湖溃决形成泥石流[14]。由此可见，暴雨前需做好防灾预案，暴雨中需做好预警信息发布，暴雨后需做好防灾救灾体系。通过遥感解译发现，滑坡集中发生在日降雨量超过100mm和累计降雨量超过210 mm时，迎风坡坡度25°的斜坡易发生滑坡灾害[15-16]。研究发现，林芝市内发生特大暴雨后，灾害发生率为100%；高山峡谷地区降雨后主要地质灾害为泥石流，岷江的极高易发泥石流沟主要分布在汶川—理县一带[17-18]。
综上所述，特大暴雨对已有地质灾害有加剧作用，对新增地质灾害有诱导驱动作用。通过遥感技术和调查收集来查明地灾频发期间的暴雨累计降雨量，研究暴雨致灾规律和致灾特征。文中通过分析孕灾地质条件与灾害分布关系，研究孕灾地质条件对暴雨灾害的影响程度；分析暴雨降雨量与新增灾害频繁数量和已有灾害加剧程度之间的关系。
1. 研究意义
受2021年8月8—9日的特大暴雨袭击，8月8日当天最大1 h雨强121.3 mm，日累计最大降雨量334 mm，远超250 mm，本次降雨为特大暴雨。四川渠县部分乡镇（街道）出现不同程度的山洪、积涝，县境新增地质灾害隐患点38处，其中滑坡36处，崩塌2处，规模均为小型，滑坡类型均为土质滑坡，崩塌类型均为岩质崩塌，规模亦均为小型。山洪及地质灾害导致部分农房倒塌、大量房屋进水，农作物受淹，多处道路、电力等基础设施损坏。
此次降雨过程导致渠县境内新增大量滑坡、崩塌地质灾害，且原有地质灾害隐患点绝大部分亦出现变形加剧、险情加重趋势。现对该阶段暴雨的地质灾害事件进行分析，旨在掌握区内地质灾害发育规律，利于地质灾害防治工作。
2. “8·8”暴雨历程
通过对渠县2021年1月1日至9月30日（9个月）降水总量分布统计，降水总量1598.8 mm，是往年同期的2.1倍，其中8月月降水总量达605.8 mm，是往年同期的5.2倍，为历史同期极大值（图1）。
![]()
图 1 2021年1—9月各雨量站月累计平均降雨量Figure 1. Monthly average rainfall at each rainfall station from January to September 2021根据渠县气象台2021年8月8日15时52分发布的降雨数据。当日12—13时，渠县共16个站点雨量超过50 mm，分别为东安流溪89.7 mm、土溪水口83.5 mm、土溪青神82.4 mm、李馥81.3 mm、东安76 mm、万寿板桥71.5 mm、丰乐68.7 mm、三汇64.1 mm、临巴62.3 mm、城区57.1 mm。
图2是8月1—31日的累计平均降雨量。8月8日当天最大1 h雨强121.3 mm，最大3 h降水量191.3 mm，最大6 h降水量247 mm。最大连续24 h降水量334 mm。其中24 h降水量为有气象记录以来最大降雨天气过程的1.23倍（渠县24 h降水量有气象记录以来为272.3 mm）。
3. “8·8”暴雨地质灾害发育及危害特征
截至8月9日下午19时，渠县共接到31个乡镇上报灾情数据，受灾行政村共120个，受灾群众1.4万余户，共4.3万余人，房屋损坏240间倒塌37间，道路受损超1×104 m，农作物受灾超369 ha。其中，新增38处地灾灾害隐患点共威胁405户1558人7410万元，各个新增灾害规模详见图3。
![]()
图 3 新增地质灾害发育的规模分级统计图Figure 3. Newly added scale grading chart of geological hazard development4. “8·8”暴雨地质灾害孕灾条件分析
4.1 “8·8”暴雨地质灾害与地形坡度关系
图4是“8·8”暴雨地质灾害与地形坡度关系图。地质灾害与地形坡度的对比分析表明，滑坡多发于坡度45°以下，15°～30°区间最多，而坡度>40°，滑坡不发育，相反，此坡度易发育地质灾害为崩塌。图5是“8·8”暴雨地质灾害与地形坡度关系统计图。
![]()
图 4 “8·8”暴雨地质灾害与地形坡度关系图Figure 4. Relationship between “8·8”rainstorm geological hazards and terrain slope![]()
图 5 “8·8”暴雨地质灾害与地形坡度关系统计图Figure 5. Statistical map of the relationship between geological disasters of “8·8”rainstorm and terrain slope4.2 “8·8”暴雨地质灾害与地形起伏度分布关系
图6是“8·8”暴雨地质灾害与地形起伏度关系图。渠县大部分地貌为侵蚀堆积的丘陵，包括中丘、浅丘及局部深丘，相对高差一般在0～60 m，西北部为低山地貌，一般高差40～100 m，局部大于100 m。从地质灾害分布来看，在地形起伏度为0～60 m的范围内分布了渠县大部分的地质灾害点。从另一个角度分析，地质灾害点的发育和分布也是以人为本的，地质灾害点在地形起伏度0～60 m的区间内分布了绝大多数，表明人类工程活动在这一区间是频繁的、剧烈的。纵观渠县滑坡的形成因素，多与切坡建房等人类工程活动等外部因素相关，而崩塌的形成因素则多与自身的地层岩性和岩土体结构等内部因素相关，因此，滑坡的发育随着地形起伏度增加，人类工程活动程度减弱而大幅减弱；而崩塌的发育则几乎不受限于此，多受控与其内在条件。图7是“8·8”暴雨地质灾害与地形起伏度关系统计图。地质灾害与地形起伏分布密度统计分析表明，随着地形起伏度增大，地质灾害发育密度基本呈递增趋势。
![]()
图 6 “8·8”暴雨地质灾害与地形起伏度关系图Figure 6. Relationship between “8·8” rainstorm geological hazards and terrain relief![]()
图 7 “8·8”暴雨地质灾害与地形起伏度关系统计图Figure 7. Statistical map of “8·8” rainstorm and terrain relief at the relationship between geological disasters4.3 “8·8”暴雨地质灾害在各高程带上的分布特征
图8是“8·8”暴雨地质灾害不同高程带分布图。渠县地质灾害点分布在400 m以下海拔发育有地质灾害隐患点占地质灾害隐患点总数的50%。
![]()
图 8 “8·8”暴雨地质灾害不同高程带分布图Figure 8. Distribution map of “8·8”rainstorm geological disasters at different elevation zones图9是“8·8”暴雨地质灾害不同高程带的分布统计图。随着高程增加，地质灾害发育密度增大。地质灾害不同高程带分布密度统计分析表明，随着高程增加，地质灾害发育密度基本呈递增趋势，尤其是崩塌，250～500 m高程区间内，其占比最大。
![]()
图 9 “8·8”暴雨地质灾害不同高程带的分布统计图Figure 9. Distribution statistical map of “8·8”rainstorm geological hazards in different elevation zones4.4 “8·8”暴雨地质灾害与斜坡结构关系
图10是“8·8”暴雨地质灾害与斜坡结构分布图，图11是“8·8”暴雨地质灾害与斜坡结构关系统计图。根据图中信息可知，区内地质灾害主要为滑坡、崩塌灾害。近水平层状坡、顺向坡和顺向斜向坡整体地质灾害发育密度大，逆向坡地质灾害密度发育小。
![]()
图 10 “8·8”暴雨地质灾害与斜坡结构分布图Figure 10. “8·8” rainstorm geological hazards and slope structure distribution map![]()
图 11 “8·8”暴雨地质灾害与斜坡结构关系统计图Figure 11. Statistical map of the relationship between the “8·8”rainstorm geological disaster and the slope structure4.5 “8·8”暴雨地质灾害在各工程地质岩组分布特征
地层岩性往往是滑坡体的物质来源，特定区域的滑坡发育于特定的地层中。岩土体的物理力学性质、抗风化强弱及产生的各种变形破坏特征与岩石类型、层间结构及相应的软硬程度密切相关，所有地层岩性在一定程度上将影响斜坡稳定性和地表侵蚀难易程度，是滑坡地质灾害形成的极其重要的内在条件之一。如图12渠县土质滑坡与地层岩性关系分布图，渠县地层岩性大致可分为第四系松散岩组、粉砂质泥岩与砂岩互层岩组、粉砂质泥岩夹砂岩岩组、页岩夹粉砂岩岩组、灰岩、白云质灰岩、白云岩岩组。其中粉砂质泥岩与砂岩互层岩组、粉砂质泥岩夹砂岩岩组分布灾害点数最多，为29处，占总灾害点数的76.31%（图13）。因为红层软岩较软弱、强度低、力学性质差、水敏性强，浅表层出露基岩多为全风化−强风化，结构面发育，容易成为滑坡体的物质来源；且红层软岩在干湿交替作用下，风化迅速，遇水软化、泥化，常于上部土层与下部基岩分界处形成软弱带，为滑坡的发生提供天然滑移面，在强降雨的条件下，红层区易发生土质滑坡。
![]()
图 12 “8·8”暴雨地质灾害与工程地质岩组分布图Figure 12. “8·8” rainstorm geological disaster and engineering geological rock group distribution map![]()
图 13 “8·8”暴雨地质灾害与工程地质岩组关系统计图注：2处崩塌灾害处于粉砂质泥岩夹砂岩岩组。Figure 13. Statistical table of the relationship between the “8·8”rainstorm geological disasters and engineering geological rock groups5. 滑坡分布与“8·8”累计雨量相关关系
5.1 新增滑坡分布与“8·8”累计雨量关系
2021年“8·8”特大暴雨，触发渠县发生大量的土质滑坡。在所有的诱发因素中，降雨是触发渠县土质滑坡最重要的外在因素，通过统计全县不同区域“8·8”特大暴雨24 h的累计雨量，渠县2021年“8·8”累计24 h雨量集中分布在261.7～348 mm，其中又以300～324.3 mm累计雨量分布最多。如图14为“8·8”累计雨量与灾害点密度和灾害点数目图：有27个土质滑坡集中在300～325 mm累计雨量内，其滑坡点密度为1.766个/100 km2；有8个滑坡分布在290～300 mm累计雨量内，滑坡点密度为0.272个/100 km2；在280～290 mm的累计雨量内1个灾害点，滑坡点密度为0.0766个/100 km2；在261.2～280 mm的累计雨量内有2个灾害点，滑坡点密度为0.0511个/100 km2。24 h累计雨量越大，灾害点密度越大，灾害越易发生。
![]()
图 14 “8·8”累计雨量与灾害点密度和灾害点数目图Figure 14. “8·8” cumulative rainfall, density of disaster points and number of disaster points5.2 已有滑坡变形加剧程度与“8·8”累计雨量关系
图15是“8·8”累计雨量与已有灾害点变形迹象加剧程度分布图。“8·8”暴雨前渠县全县共发育190个灾害点，经过“8·8”暴雨后，已有灾害点变形迹象出现不同程度加剧，其中变形迹象加剧程度严重的灾害点23处，占总灾害点数的12.1%，主要分布在静边、万寿、巨光等乡镇，其“8·8”累计24 h雨量集中分布在337～348 mm；变形迹象加剧程度较严重的灾害点84处，占总灾害点数的44.7%，主要分布在渠江社区、土溪、三汇、临巴等乡镇，其“8·8”累计24 h雨量集中分布在334～339 mm；变形迹象加剧程度一般的灾害点83处，占总灾害点数的43.2%，主要分布在县域南部的有庆、宝城、鲜渡等乡镇，其“8·8”累计24 h雨量集中分布在261.7～293 mm间。综上所述“8·8”24 h累计雨量越大，已有灾害点变形迹象加剧程度越严重，灾情越大。
![]()
图 15 “8·8”累计雨量与已有灾害点变形迹象加剧程度分布图Figure 15. “8·8”cumulative rainfall and the distribution map of the intensified degree of deformation of the existing disaster points5.3 降雨与地质灾害的关系
降雨是滑坡形成的主要诱发因素，渠县的滑坡多属暴雨型滑坡。降雨不仅增加土体自重，增大下滑推力，还转变为地下水，产生渗透力、扬压力，软化、润滑滑动面，对松散土体斜坡的稳定性极为不利。
降雨对崩塌的影响主要体现在两方面，一是泥化、软化下部软质岩层，形成良好的临空面和凹岩腔，二是产生较高的孔隙水压力，使裂缝增大、增宽。渠县的崩塌产生多与暴雨有关，暴雨时雨水迅速渗入岩体裂隙中，来不及消散，将产生很大的孔隙水压力，导致高位岩体产生崩塌。
综上可以看出，渠县地质灾害的发生同降雨之间具有密切关系，其中，滑坡灾害的强变形时间同汛期强降雨发生时间一致，这均说明降雨在地质灾害的形成和发生过程中起到重要作用，是地质灾害发生的触发因素或诱发因素。降雨的高发份，在过去认为与太阳黑子的活动密切相关，但近随着全球气候变暖，厄尔尼诺现象频增，气候异常多发，大量50年乃至百年频率的降雨多发，使滑坡、崩塌等地质灾害受降雨因素的影响进一步加大。
6. 控灾条件分析
6.1 各孕灾地质条件控制机制分析
暴雨诱发地质灾害与地貌关系：根据研究分析得知，渠县“8·8”暴雨诱发的地质灾害分布特征与地貌有密切关系，灾害强发育区主要位于中切宽谷缓坡丘陵区和低山区和浅切宽谷丘陵区，而河谷平坝区灾害发育强度相对较弱，究其原因：（1）河谷平坝区山体低矮，坡度相对较缓，无法提供滑坡所需的地势条件；（2）低山区的山体相对高度虽然较低，但是其坡度较大，暴雨侵润冲刷过后，坡表土层自重增大，黏聚力和内摩擦角降低，有利于斜坡失稳下滑；（3）中切宽谷缓坡丘陵区内分布大量厚土层丘陵，暴雨过后，土层被雨水侵润通透，自重增加，黏聚力和内摩擦角降低，土丘在劣势面出现大体积滑移，形成灾害。
暴雨诱发地质灾害与地形坡度关系：滑坡多发于坡度45°以下，15°～30°区间最多，而坡度>40°，滑坡不发育，相反，此坡度易发育地质灾害为崩塌。导致出现这种现象的原因：（1）坡度大于45°时，坡表无法存留足量的残坡积物来作为滑坡体，所以滑坡在45°坡度以上表现为不发育；（2）大于45°坡度易发育崩塌，这是因为坡面岩体在差异性风化过后形成凹腔临空面，而较大的坡度给崩塌体提供了有利于启动的地势条件；（3）滑坡坡度主要集中在15°～30°，这是因为斜坡坡度小于15°时不能有效的将滑坡物重力转换成有效下滑力。
暴雨诱发地质灾害与地形起伏度分布关系：在地形起伏度为0～60 m的范围内分布了渠县大部分的地质灾害点。这是因为地质灾害点的发育和分布是以人为本，地形起伏度0～60 m的区间内人类工程活动频繁且剧烈，人类工程活动扰动山体，破坏斜坡原有的平衡状态。
暴雨诱发地质灾害在各高程带上的分布关系：渠县地质灾害点分布在400 m以下海拔发育有地质灾害隐患点占地质灾害隐患点总数的50%，这个海拔带，一是人类较为集中的生产生活栖息地，二是多为地形地貌转折部位，三是多为软弱泥岩地层出露或残坡积土石层较厚软弱岩土分布带，加上降雨量集中，故地质灾害多发育于这些地区。
暴雨诱发地质灾害与斜坡结构关系：近水平层状坡、顺向坡和顺向斜向坡整体地质灾害发育密度大，逆向坡地质灾害密度发育小，这是因为顺向坡的岩层与土层交界面与滑坡方向一致，交界面中的软弱破碎带有助于滑坡下滑；逆向坡的岩层倾向和交界面与滑坡方向相反，对滑坡下滑有阻碍作用。
暴雨诱发地质灾害与工程地质岩组关系：粉砂质泥岩与砂岩互层岩组、粉砂质泥岩夹砂岩岩组分布灾害点数最多，为27处，占总灾害点数的71.1%。灾害主要分布在这种岩组地区的原因：粉砂质泥岩在暴雨雨水侵润后会形成泥化泥膜，这层泥化泥膜表面光滑，在滑坡面与滑床之间有润滑作用，有助于滑坡发育扩展。
暴雨诱发地质灾害与地质构造关系：距离断层越近，地灾灾害发育程度越高。究其原因为：（1）断层活跃带附近基岩破碎程度相对较高，雨水更容易经过破碎带渗入地下，为滑坡提供外部动力；（2）断层错动形成危岩体和险峻山坡，这些危岩体为崩塌提供有利条件，险峻山体为滑坡形成提供有利的地势条件。
暴雨诱发的地质灾害集中于15°～30°坡度区间，坡度大于40°时滑坡不发育，崩塌发育。天然状态下，坡度15°～30°的斜坡处于稳定状态，大于40°的斜坡无法较好保留表层覆盖层，甚至基本无覆盖层，为纯岩质斜坡。降雨增大表层覆盖层的自重，降低覆盖层黏聚力及内摩擦角，但对纯岩质斜坡影响较小，因此，降雨导致滑坡主要集中在15°～30°坡度区间。大于40°的斜坡基本为岩质斜坡，因差异性风化导致表层岩石酥松易剥落，降雨的侵润作用加剧酥松岩体剥落，导致崩塌发生。
地质灾害集中于0～60 m起伏范围。人类工程活动主要集中在0～60 m起伏高差区域，该区域内降雨诱发的地质灾害威胁到人类工程的概率高。高于60 m起伏高差的区域人类工程活动少，该区域内降雨诱发的地质灾害威胁到人类工程的概率低。
近水平层状坡、顺向坡和顺向斜向坡的层状基岩倾向与斜坡倾斜方向一致，有利于斜坡顺岩层节理裂隙面滑动，降雨入渗导致斜坡自重增加，自身强度降低，斜坡表层沿着节理面下滑。逆向坡的层状基岩倾向与斜坡倾斜方向相反，岩层对表层覆盖层下滑有阻挡作用。
粉砂质泥岩夹砂岩岩组的灾害分布最多。粉砂质泥岩遇水膨胀9.0%～9.6%[19]，泥岩亲水性较好；砂岩空隙发育，吸水能力强，强风化砂岩遇水后软化崩解，强度明显降低。
6.2 各孕灾地质条件对灾害的控制程度分析
7种孕灾地质条件对灾害影响程度各不相同，现在基于影响机理和实际影响特征，对其影响程度排序：斜坡结构>地形坡度>工程地质岩组>地貌>地质构造>地形起伏度>高程。
斜坡结构中，顺层坡灾害密度大，驱动滑坡下滑所需坡度和外界因素较小，因此斜坡结构对灾害影响程度最大。地形坡度次之是因为大坡度斜坡如果是逆向坡结构时，这种斜坡结构能有效阻止滑坡下滑，发生滑坡的概率较小。工程地质岩组和地貌对滑坡发育有辅助作用，地质构造中的断层主要形成破碎带和险峻地势，大部分断层周围的地质灾害已经发生过，新灾害出现数量有限；地形起伏和高程主要与人类活动有关，地质灾害在人类活动区具有被选择性，人类活动对地质灾害具有避让性，因此将这两种孕灾条件排在最后。
7. 结论
对渠县“8·8”特大暴雨引发的地质灾害和孕灾地质条件展开分析和研究，获得5点结论：
（1）“8·8”暴雨导致当日新增地质灾害隐患点38处，其中滑坡36处，崩塌2处，滑坡类型均为土质滑坡，崩塌类型均为岩质崩塌。
（2）孕灾地质条件有7种，即地貌、地形坡度、地形起伏度、高程、斜坡结构、工程地质岩组、地质构造，基于影响机理和实际影响程度对这七种孕灾条件的影响程度排序，排序为：斜坡结构>地形坡度>工程地质岩组>地貌>地质构造>地形起伏度>高程。
（3）有27个新增土质滑坡集中在300～325 mm累计雨量期间，8个新增滑坡分布在290～300 mm累计雨量期间，在261.2～280 mm的累计雨量内有2个新增灾害点。
（4）累计雨量越大，已有灾害点变形迹象加剧程度越严重。“8·8”累计24 h雨量集中分布在337～348 mm间时，有23处变形迹象加剧程度严重的灾害点；累计24 h雨量集中分布在334～339 mm间时，变形迹象加剧程度较严重的灾害点84处；累计24 h雨量集中分布在261.7～293 mm间时，变形迹象加剧程度一般的灾害点83处。
（5）工程建设中减少高填方、高切坡的工程措施；汛期前、中、后时期进行排查，查清新增地质灾害隐患，核实已有隐患点现状，并及时上报，采取防灾措施。
-
![]()
图 1 银坑镇地理位置以及滑坡点分布图
Figure 1. The distribution of landslides and location of Yinkeng Town, Yudu County
表 1 地理探测器得到11个指标的q值
Table 1 The normalized weight values of 11 indicators
指标 距道路距离 岩组 坡体
结构坡度 距断层距离 植被
覆盖率坡向 高程变异系数 粗糙度 曲率 地表切割深度 q值 0.2897 0.2767 0.1203 0.1102 0.0807 0.0727 0.0152 0.0122 0.0120 0.0092 0.0011 排序 1 2 3 4 5 6 7 8 9 10 11 
下载: 导出CSV
表 2 评价指标各自信息量值
Table 2 Each information value of evaluation index
评价指标 评价指标子类 信息量值 坡度/（°） 0～7 −0.439 7～17 0.186 17～26 0.304 26～36 −0.268 >36 0 坡体结构 碎石土质边坡 −0.115 岩质−顺向坡 0.145 岩质−逆向坡 −0.147 岩质−斜向破 0.147 工程地质岩组 多层含砾黏土、粉质黏土 −0.458 较坚硬−坚硬的变质砂岩、变质粉砂岩、
千枚岩等组0.140 坚硬花岗岩组 0.508 较坚硬的波状复成份砾岩、安山岩岩组 2.457 较硬、较软的砾岩、粉砂岩、页岩等组 −0.942 较软弱−较坚硬石英砾岩、
砂岩、粉砂岩、泥岩等组0.888 坚硬石英砾岩、砂砾岩、粉砂岩等组 −1.974 软硬相间的砾岩、粉砂岩夹煤层 −0.060 距断层距离/m <100 0.395 100～200 0.237 200～300 0.461 300～400 −0.093 400～500 −0.078 >500 −0.058 距道路距离/m <50 −0.076 50～100 0.772 100～200 1.076 200～500 1.109 >500 −0.508 植被 高植被覆盖率 −0.412 较高植被覆盖率 −0.168 中植被覆盖率 −0.313 较低植被覆盖率 0.007 低植被覆盖率 −0.206 极低植被覆盖率 0.161
下载: 导出CSV
表 3 滑坡点在各个分区所占比例
Table 3 The proportion of disaster points in each partition
易发性
分区灾害点在各个分区所占比例/% I ANN DT LR 非 5.6 6.5 16.5 18.6 低 16.8 16.6 23.4 20.8 中 59.2 48.1 41.1 38.9 高 18.4 28.8 19.0 21.7
下载: 导出CSV
-
[1] 郭子正,殷坤龙,黄发明,等. 基于滑坡分类和加权频率比模型的滑坡易发性评价[J]. 岩石力学与工程学报,2019,38(2):287 − 300. [GUO Zizheng,YIN Kunlong,HUANG Faming,et al. Evaluation of landslide susceptibility based on landslide classification and weighted frequency ratio model[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38(2):287 − 300. (in Chinese with English abstract) [2] 周超,殷坤龙,曹颖,等. 基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价[J]. 地球科学,2020,45(6):1865 − 1876. [ZHOU Chao,YIN Kunlong,CAO Ying,et al. Landslide susceptibility assessment by applying the coupling method of radial basis neural network and adaboost:A case study from the Three Gorges Reservoir area[J]. Earth Science,2020,45(6):1865 − 1876. (in Chinese with English abstract) [3] CHEN T,ZHU L,NIU R Q,et al. Mapping landslide susceptibility at the Three Gorges Reservoir,China,using gradient boosting decision tree,random forest and information value models[J]. Journal of Mountain Science,2020,17(03):670 − 685. DOI: 10.1007/s11629-019-5839-3
[4] 郭天颂,张菊清,韩煜,等. 基于粒子群优化支持向量机的延长县滑坡易发性评价[J]. 地质科技情报,2019,38(3):236 − 243. [GUO Tiansong,ZHANG Juqing,HAN Yu,et al. Evaluation of landslide susceptibility in Yanchang County based on particle swarm optimization-based support vector machine[J]. Geological Science and Technology Information,2019,38(3):236 − 243. (in Chinese with English abstract) [5] 邱维蓉,吴帮玉,潘学树,等. 几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用[J]. 西北地质,2020,53(1):222 − 233. [QIU Weirong,WU Bangyu,PAN Xueshu,et al. Application of several cluster-optimization-based machine learning methods in evaluation of landslide susceptibility in Lingtai County[J]. Northwestern Geology,2020,53(1):222 − 233. (in Chinese with English abstract) [6] 刘永垚,第宝锋,詹宇,等. 基于随机森林模型的泥石流易发性评价:以汶川地震重灾区为例[J]. 山地学报,2018,36(5):765 − 773. [LIU Yongyao,DI Baofeng,ZHAN Yu,et al. Debris flows susceptibility assessment in Wenchuan earthquake areas based on random forest algorithm model[J]. Mountain Research,2018,36(5):765 − 773. (in Chinese with English abstract) [7] 戴岚欣,许强,范宣梅,等. 2017年8月8日四川九寨沟地震诱发地质灾害空间分布规律及易发性评价初步研究[J]. 工程地质学报,2017,25(4):1151 − 1164. [DAI Lanxin,XU Qiang,FAN Xuanmei,et al. A preliminary study on spatial distribution patterns of landslides triggered by Jiuzhaigou earthquake in Sichuan on August 8th,2017 and their susceptibility assessment[J]. Journal of Engineering Geology,2017,25(4):1151 − 1164. (in Chinese with English abstract) [8] 胡凯衡,陈成,李秀珍,等. 地震区降雨作用下泥石流易发性动态评估[J]. 中国地质灾害与防治学报,2018,29(2):1 − 8. [HU Kaiheng,CHEN Cheng,LI Xiuzhen,et al. Dynamic assessment of debris-flow susceptibility under the influence of earthquake and rainfall events[J]. The Chinese Journal of Geological Hazard and Control,2018,29(2):1 − 8. (in Chinese with English abstract) [9] 冯杭建,周爱国,俞剑君,等. 浙西梅雨滑坡易发性评价模型对比[J]. 地球科学,2016,41(3):403 − 415. [FENG Hangjian,ZHOU Aiguo,YU Jianjun,et al. A comparative study on plum-rain-triggered landslide susceptibility assessment models in West Zhejiang Province[J]. Earth Science,2016,41(3):403 − 415. (in Chinese with English abstract) [10] 彭珂,彭红霞,梁峰,等. 赣州市地质灾害分布特征及孕灾环境分析[J]. 安全与环境工程,2017,24(1):33 − 39. [PENG Ke,PENG Hongxia,LIANG Feng,et al. Distribution characteristics and development environment of geological disasters in Ganzhou City[J]. Safety and Environmental Engineering,2017,24(1):33 − 39. (in Chinese with English abstract) [11] 王力,李高,陈勇,等. 赣南地区人工切坡降雨致灾机制现场模型试验[J]. 岩土力学,2021,42(3):846 − 854. [WANG Li,LI Gao,CHEN Yong,et al. Field model test on failure mechanism of artificial cut-slope rainfall in Southern Jiangxi[J]. Rock and Soil Mechanics,2021,42(3):846 − 854. (in Chinese with English abstract) [12] 刘婷,谭建民,郭飞,等. 人工切坡下滑坡易发性评价中权重修正方法研究—以赣州市沙地镇为例[J]. 自然灾害学报,2021,30(5):217 − 225. [LIU Ting,TAN Jianmin,GUO Fei,et al. Research on the method of weight correction for landslide susceptibility with artificial cutting slope:A case study of Shadi Town,Ganzhou City[J]. Journal of Natural Disasters,2021,30(5):217 − 225. (in Chinese with English abstract) [13] 黄发明,李金凤,王俊宇,等. 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律[J]. 地质科技通报,2022,41(2):44 − 59. [HUANG Faming,LI Jinfeng,WANG Junyu,et al. Modelling rules of landslide susceptibility prediction considering the suitability of linear environmental factors and different machine learning models[J]. Bulletin of Geological Science and Technology,2022,41(2):44 − 59. (in Chinese with English abstract) [14] 王雷,吴君平,赵冰雪,等. 基于GIS和信息量模型的安徽池州地质灾害易发性评价[J]. 中国地质灾害与防治学报,2020,31(3):96 − 103. [WANG Lei,WU Junping,ZHAO Bingxue,et al. Susceptibility assessment of geohazards in Chizhou City of Anhui Province based on GIS and informative model[J]. The Chinese Journal of Geological Hazard and Control,2020,31(3):96 − 103. (in Chinese with English abstract) [15] 任敬,范宣梅,赵程,等. 贵州省都匀市滑坡易发性评价研究[J]. 水文地质工程地质,2018,45(5):165 − 172. [REN Jing,FAN Xuanmei,ZHAO Cheng,et al. Evaluation of the landslide vulnerability in Duyun of Guizhou Province[J]. Hydrogeology & Engineering Geology,2018,45(5):165 − 172. (in Chinese with English abstract) [16] 孙长明,马润勇,尚合欣,等. 基于滑坡分类的西宁市滑坡易发性评价[J]. 水文地质工程地质,2020,47(3):173 − 181. [SUN Changming,MA Runyong,SHANG Hexin,et al. Landslide susceptibility assessment in Xining based on landslide classification[J]. Hydrogeology & Engineering Geology,2020,47(3):173 − 181. (in Chinese with English abstract) [17] 李姗姗,谭光超,柳晓晨,等. 基于加权信息量法的枣阳市地质灾害易发性分区评价研究[J]. 资源环境与工程,2018,32(4):635 − 641. [LI Shanshan,TAN Guangchao,LIU Xiaochen,et al. Geological hazards susceptibility assessment based on weighted information method[J]. Resources Environment & Engineering,2018,32(4):635 − 641. (in Chinese with English abstract) [18] 樊芷吟,苟晓峰,秦明月,等. 基于信息量模型与Logistic回归模型耦合的地质灾害易发性评价[J]. 工程地质学报,2018,26(2):340 − 347. [FAN Zhiyin,GOU Xiaofeng,QIN Mingyue,et al. Information and logistic regression models based coupling analysis for susceptibility of geological hazards[J]. Journal of Engineering Geology,2018,26(2):340 − 347. (in Chinese with English abstract) [19] 涂婧,刘长宪,姜超,等. 湖北武汉岩溶塌陷易发性评价[J]. 中国地质灾害与防治学报,2020,31(4):94 − 99. [TU Jing,LIU Changxian,JIANG Chao,et al. Susceptibility assessment of karst collapse in Wuhan City[J]. The Chinese Journal of Geological Hazard and Control,2020,31(4):94 − 99. (in Chinese with English abstract) [20] 许冲,徐锡伟. 基于GIS与ANN模型的地震滑坡易发性区划[J]. 地质科技情报,2012,31(3):116 − 121. [XU Chong,XU Xiwei. GIS and ANN model for earthquake triggered landslides susceptibility zonation[J]. Geological Science and Technology Information,2012,31(3):116 − 121. (in Chinese with English abstract) [21] 唐斌. ID3算法在地质灾害易发性评价中的应用—以延安市为例[D]. 西安: 长安大学, 2013 TANG Bin. ID3 Algorithm in geological disaster susceptibility evaluation: Case of the Yan’an[D]. Xi’an: Changan University, 2013. （in Chinese with English abstract）
[22] 杜国梁,杨志华,袁颖,等. 基于逻辑回归–信息量的川藏交通廊道滑坡易发性评价[J]. 水文地质工程地质,2021,48(5):102 − 111. [DU Guoliang,YANG Zhihua,YUAN Ying,et al. Landslide susceptibility mapping in the Sichuan-Tibet traffic corridor using logistic regression-information value method[J]. Hydrogeology & Engineering Geology,2021,48(5):102 − 111. (in Chinese with English abstract) [23] YANG J T,SONG C,YANG Y,et al. New method for landslide susceptibility mapping supported by spatial logistic regression and GeoDetector:A case study of Duwen Highway Basin,Sichuan Province,China[J]. Geomorphology,2019,324:62 − 71. DOI: 10.1016/j.geomorph.2018.09.019
[24] 王劲峰,徐成东. 地理探测器:原理与展望[J]. 地理学报,2017,72(1):116 − 134. [WANG Jinfeng,XU Chengdong. Geodetector:Principle and prospective[J]. Acta Geographica Sinica,2017,72(1):116 − 134. (in Chinese with English abstract) DOI: 10.11821/dlxb201701010 -
期刊类型引用(9)
1. 郭英，申健，刘晓晓，周亮，石向菲，王聪毅. 北京门头沟区“23·7”特大暴雨诱发地质灾害特征及分布规律研究. 中国防汛抗旱. 2025(03): 39-45 . 
百度学术
2. 李永勤，王鹏，李琛，尉学勇，闫肖楠. 极端强降雨诱发临汾黄土地区公路灾害分布特征和影响因素分析. 公路工程. 2024(01): 112-117+130 . 百度学术
3. 顾福计，钱龙，王梦洁，沈荣辉，李朦，王立峰，闫国芹. 太行山河北段“23·7”强降雨引发的地质灾害规律研究. 中国地质灾害与防治学报. 2024(02): 55-65 . 本站查看
4. 黄莉，王芸清，王伟，宋月，石雨欣. 粤港澳大湾区复合灾害系统暴露度评估. 郑州大学学报(工学版). 2024(04): 95-101 . 百度学术
5. 王伟，石雨欣，宋月，王芸清，黄莉，杨天军. 暴雨-滑坡灾害链应急能力评估——以粤港澳大湾区为例. 自然灾害学报. 2024(04): 95-105 . 百度学术
6. 王佳津，王皓，王春学，龙柯吉. 四川省汛期小时极端降水精细化特征. 西南大学学报(自然科学版). 2024(10): 167-176 . 百度学术
7. 曹满，王洋，陈曦，魏运芳，王传涛. 基于时空分布特征的地质灾害气象预警预报模型研究. 计算机测量与控制. 2024(11): 278-286 . 百度学术
8. 丘嘉荣，陈海燕. 广东省连山壮族瑶族自治县地质灾害分布特征及其成因分析. 四川有色金属. 2024(04): 52-56 . 百度学术
9. 次旦央宗，李鸿雁，李晓峰. 东北寒区SWAT模型融雪径流空间异质性参数率定方法及应用——以白山流域为例. 吉林大学学报(地球科学版). 2023(01): 230-240 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 1412
- HTML全文浏览量: 898
- PDF下载量: 254
- 被引次数: 11
邮件订阅
RSS