Avalanche susceptibility evaluation of the Kezhayi to Gongnaisi section of the Duku expressway
-
摘要:
独库高速公路克扎依—巩乃斯段以高山地貌为主，地形切割剧烈，为雪崩发育提供了有利的地形条件，对该区域进行雪崩易发性评价是独库高速公路安全建设及运行的重要前提。通过遥感解译和现场调查等手段获取149个雪崩点的因子数据，通过对因子进行相关性检测，筛选出10个评价因子，构成雪崩评价因子体系。在此基础上，运用K均值聚类法和随机法提取出非雪崩点和原始雪崩点构成样本集，通过机器学习中的多层感知器、支持向量机算法对研究区域开展雪崩易发性评价。研究结果表明，随机法和K均值聚类法提取出的样本集分别带入算法中训练，R-SVM、R-MLP、K-SVM、K-MLP四种模型的Kappa系数均大于0.6，4组模型对验证数据集的预测结果与实际值存在高度的一致性。经多层感知器训练的AUC值由0.762提高至0.983，经支持向量机训练的AUC值由0.724提高至0.951。基于本研究预测性能最佳的K-MLP模型分区显示该研究区雪崩发育对拟建线路影响较小，但对于隧道洞口可能会造成威胁。本研究可为独库高速公路建设、运营以及雪崩灾害防治工作提供理论支撑和方法参考。
Abstract:The Kezhayi to Gongnaisi section of the Duku expressway is predominantly characterized by alpine landforms, with steep terrain cutting that provides conducive conditions for avalanche development. The study on the evaluation of snow avalanche susceptibility in this area is a crucial prerequisite for the safety construction and operation of the Duku expressway. The 149 snow avalanche points were collected by employing remote sensing interpretation and field investigations. Through correlation analysis of these factors, 10 evaluation factors were selected, forming the avalanche evaluation factor system. Subsequently, the non-avalanche points and original avalanche points were extracted using the K-means clustering method and random method to create a sample set. Machine learning techniques, including multilayer perceptron (MLP) and support vector machine (SVM) algorithms, were utilized to assess avalanche susceptibility in the study area. The results show that the sample datasets extracted by the random and K-means clustering methods were used for training, the Kappa coefficient of the R-SVM, R-MLP, K-SVM, and K-MLP models were greater than 0.6. These four sets of models exhibited a high degree of consistency between the predicted results and actual values of the validation dataset. The AUC (area under curve) value trained by MLP increased from 0.762 to 0.983, while the AUC value trained by SVM increased from 0.724 to 0.951. Based on the K-MLP model partition with the highest evaluation accuracy, the snow avalanche development in the research area has a relatively minor impact on the proposed route but may pose a threat to tunnel entrances. This study provides theoretical support and methodological references for the construction, operation and mitigation of sonw avalanche disasters for the Duku expressway.
-
Keywords:
- avalanche /
- susceptibility evaluation /
- support vector machine /
- multilayer perceptron /
- ArcGIS
-
0. 引言
2023年12月18日23时59分，甘肃省临夏州积石山县柳沟乡发生6.2级地震，震源深度为 10 km[1]。地震造成甘肃117人遇难，781人受伤，青海34人遇难，198人受伤。此次地震属于逆冲型，最大烈度为Ⅷ度[2]，地震发生后造成大量山体滑坡失稳，震后多次余震更增加了滑坡发生的风险，给当地居民的影响深远。
地震发生往往会诱发大量的崩塌、滑坡、泥石流等地质灾害，严重威胁当地人民的生命以及财产安全[3]。由于我国位于欧亚板块东南部，受印度板块和太平洋板块的挤压碰撞与俯冲作用的影响，地壳变形强烈，是全球陆内地震最为活跃的地区[4]。特别是青藏高原东缘，地质构造复杂，地形地貌多样，断裂带密集分布，地质灾害频发，造成当地众多人员伤亡和大量财产损失[5 − 6]，例如：1933年四川茂县叠溪地震[7]、2008年5月12日汶川地震[8 − 9]、2010年4月14日玉树地震[10 − 11]；2014年8月13日云南鲁甸地震[12]、2017年8月8日四川九寨沟地震[13]以及2022年泸定地震[14]等。受活动构造带强震影响，上述地震导致的地面运动强度超过国家设计规范最高标准（9度罕遇）的水平，导致了严重的基础设施破坏、滑坡灾害和人员伤亡。甘肃积石山地震也造成较大的损失[15]，同时该区域历史上地质灾害频发[16 − 17]，因此，进行积石山震后地质灾害危险性评价，对防灾减灾和保证人民生命财产安全具有现实意义。近年来，国内外学者对地质灾害危险性评价进行了大量的研究，其中，利用GIS技术和统计学方法相融合已成为最有效、最主要的评价方法。这些方法常见的有：层次分析法[18]、信息量法[19]、逻辑回归模型[20]、灰色模型[21]等。由于单一方法的评价结果并不高以及缺乏足够的说服力[18]，因此，一些学者也采用多种方法结合应用于地质灾害风险评价[22]，取得较好的评价效果。可见，多种评价方法交叉融合可综合多方法优势、科学准确地表达灾害风险评价结果。
然而，上述研究多致力于影响因子与滑坡等灾害的特征分析和风险评价，在影响因子对滑坡的响应分析，特别是影响因子对灾害发生风险的贡献率和重要性分析等方面鲜有研究。为此，本文以甘肃积石山Ms6.2级地震区为研究区，基于多源遥感数据，在深入探讨滑坡灾害与影响因子间的特征分布，以及影响因子对滑坡的响应分析基础上，快速进行震区地质灾害危险性评价和分析，以期为灾后救援和重建工作提供参考。
1. 研究区概况
甘肃积石山Ms6.2级地震位于甘肃和青海两省交界地带，地震中心位置为北纬35.70°、东经102.79°，震源深度为 10 km，最高震中烈度达Ⅷ度。此次地震涉及甘肃省3个市（州）9个县（市、区），涉及青海省2个市（州）4个县（市），强烈的地震造成大量人员伤亡、房屋、道路等基础设施损毁（图1）。震区地势上属青藏高原一级阶梯向黄土高原二级阶梯的过渡带，高差起伏较大，最大高差为
3000 余米，区内断裂带活动强烈，有拉脊山南、北断裂带，倒淌河-临夏断裂带，西秦岭北缘断裂带等，为地震等自然灾害的频发区[23]。其中拉脊山断裂带是穿过震区的主要断裂，受印度板块俯冲挤压的动力驱动，青藏高原东北缘和东缘持续扩张，导致该区域新构造活跃、地震频发，为我国同震地质灾害发育最频繁的地区[24]。本次同震地质灾害主要分布于拉脊山断裂两侧，就地形地貌来看，海拔西高东低，西侧主要为基岩高山区，该区域主要分布有古生界砂岩、粉砂岩和泥岩等；右侧区域主要为黄土低山丘陵，由于黄河的下切和强烈的构造抬升，形成广泛分布的黄河阶地和大量高陡边坡存在，为地震同震灾害发育创造了条件。震区的气候类型属于典型的大陆季风性气候，年均降水量650 mm/a，年均蒸发量
1110 mm/a[24]。2. 数据与方法
2.1 数据
（1）卫星影像数据
本次所用光学遥感影像为高分一号和吉林一号，其空间分辨率分别为2 m和0.75 m，震前影像为12月18日，震后影像分别为12月20日和12月19日。影像预处理主要包括辐射定标、大气校正、几何纠正和图像融合等处理，最后得到真彩色高分辨率影像，主要用于滑坡灾害点的目视解译[25]。
（2）地震点数据
本次所用地震和余震点发生的地理位置数据来自国家地震科学数据中心（https://search.asf.alaska.edu/#/）。该数据为截至2023年12月20日、震级3.0以上的资料（表1）。
表 1 甘肃积石山Ms6.2级地震及余震数据Table 1. Ms6.2 Jishishan earthquake and its aftershocks in Gansu Province序号 发震时刻 纬度 经度 深度/km 震级/Ms 地名 备注 1 2023-12-18T23:59:30.0 35°42′ 102°47′ 10 6.2 积石山县 震中 2 2023-12-19T00:24:49.9 35°44′ 102°47′ 10 3.9 积石山县 余震 3 2023-12-19T00:36:18.3 35°47′ 102°47′ 10 4.0 积石山县 余震 4 2023-12-19T00:43:12.9 35°47′ 102°46′ 10 3.4 积石山县 余震 5 2023-12-19T00:56:51.3 35°42′ 102°47′ 10 3.4 积石山县 余震 6 2023-12-19T00:59:11.3 35°44′ 102°46′ 10 3.1 积石山县 余震 7 2023-12-19T00:59:39.0 35°50′ 102°47′ 10 4.1 积石山县 余震 8 2023-12-19T01:10:31.4 35°48′ 102°47′ 10 3.2 积石山县 余震 9 2023-12-19T01:20:12.6 35°48′ 102°46′ 10 3.2 积石山县 余震 10 2023-12-19T02:10:06.4 35°50′ 102°46′ 10 3.2 积石山县 余震 11 2023-12-19T00:32:52.9 35°46′ 102°47′ 9 3.4 积石山县 余震 （3）环境变量数据
本文所使用的环境变量数据，主要包括：地形、断裂带、道路、土地利用、植被、人口、土壤质地，并通过数据处理得到14个影响因子（表2）。其中：地形数据为 ALOS 的数字高程模型（DEM），空间分辨率为 12.5 m，主要用于获取坡度、坡向、剖面曲率、平面曲率、曲率、距河流的距离和地形湿度指数（TWI）；断裂带，下载自国家地震科学数据中心，经处理得到距断裂带距离；道路数据，来自OSG（Open Street Map）官网，用于计算距道路的距离；土地利用为武汉大学的 CLCD（China land cover dataset）数据集，其空间分辨率为 30m，主要包括：耕地、林地、灌木、草地、水域、雪/冰、裸地、不透水面和湿地；归一化植被指数来自国家青藏高原科学数据中心，其数据源为 MODIS，空间分辨率为 250 m；6）人口分布，来自WorldPop 全球人口数据，空间分辨率为100 m，下载自GEE（Google Earth Engine）平台；土壤质地数据，来自世界土壤数据库，其空间分辨率为1 km。
表 2 甘肃积石山Ms6.2级地震诱发滑坡灾害影响因子数据Table 2. Disaster-causing factors of landslides induced by the Ms6.2 Jishishan earthquake in Gansu Province环境变量 影响因子 数据来源 地形因子 高程、坡度、坡向、剖面曲率、平面曲率、
曲率、距河流距离、TWI高程数据为数字高程模型（DEM），下载自ASF官网（https://search.asf.alaska.edu/#/），
其它因子数据为DEM的派生数据断裂带 距断裂带的距离 断裂带数据下载自国家地震科学数据中心（https://search.asf.alaska.edu/#/） 土壤质地 土壤质地数据 下载自世界土壤数据库（https://www.fao.org/） 道路 距道路的距离 OSM官网（https://www.openstreetmap.org/） 人口 人口分布密度 OSM官网（https://www.openstreetmap.org/） 土地利用 地表覆盖 武汉大学CLCD数据集（https://zenodo.org/） 植被 归一化植被指数 国家青藏高原科学数据中心（https://data.tpda.ac.cn/home ） 2.2 研究方法
2.2.1 MaxEnt模型原理
最大熵（MaxEnt）模型是基于最大熵原理来预测随机事件概率分布的方法，该模型在灾害危险性评价、预测物种分布等领域都得到了广泛应用[26 − 27]。利用MaxEnt模型进行地质灾害预测的原理，主要以地质灾害发生点和环境变量之间的关系为基础，建立地质灾害危险性的概率模型，从而对整个区域的地质灾害危险性进行预测。本文是以14个影响因子为约束条件，以灾害点为事件，寻求地质灾害危险性在14个约束条件下的最大熵，进而估算地质灾害的危险性。
2.2.2 数据预处理
对目视解译的
1205 个滑坡灾害点数据进行预处理，包括：1）剔除滑坡目视解译得到的重复和错误点；2）通过建立渔网去除自相关点；3）数据转换，主要是将最终得到的980个滑坡灾害点数据转成csv格式用于模型构建。对影响因子的预处理，包括将致灾因子重采样为统一像元尺度、裁剪使所有影响因子有相同的行列号，然后将其转换为ASCII格式用于构建MaxEnt模型[28]。
2.2.3 模型参数设置
模型参数调整是构建MaxEnt模型的重要环节。具体流程包括，输出格式设置为logistic，将滑坡灾害点分为测试集和训练集，其中，随机测试集设置比例为25%，75%用于模型训练[29]。精度评定采用受试者工作特征曲线（receiver operating characteristic，ROC），将正则化参数（regularization multiplier）设置为1，重复建模次数设置为10，以防止欠拟合和过拟合现象的发生，并且使模型构建达到最佳效果[30]。
2.2.4 危险评价
对滑坡危险性评价结果等级的划分，参考前人研究成果[31 − 32]，并结合高分影像目视解译得到的滑坡灾害点空间分布，将危险区等级划分为五个等级：极低危险区，低危险区，中危险区，高危险区和极高危险区。
2.2.5 精度评价
模型精度评价采用ROC曲线与坐标轴围成的曲线下面积（area under curve，AUC）值来表示，AUC值大小表示预测成功率，其值越大，则准确率越高，说明模型的预测效果就越好[32]。AUC值的具体评价标准如表3 。
表 3 AUC评价标准Table 3. AUC evaluation criteriaAUC值 精度评价 [0, 0.6） 很差 [0.6, 0.7） 较差 [0.7, 0.8） 一般 [0.8, 0.9） 好 [0.9, 1] 极好 3. 结果
3.1 滑坡点的影响因子分布特征
本文通过对比积石山Ms6.2级地震前后的高分一号和吉林一号卫星影像，对滑坡进行目视解译。由于地震前，该区域发生大面积降雪，在地震发生后，发生滑坡的区域裸露出新的土壤，因此有利于滑坡灾害点的卫星影像目视解译。此次目视解译原则为：首选区域内空间分辨率高的影像，若存在云层遮挡或地形阴影，将按照空间分辨率从高到低的顺序，选择时相相近的影像，最终达到覆盖整个震区。在滑坡点目视解译中，主要采取震前震后影像对比的方式，本次解译共编目滑坡和潜在灾害点
1205 处（图2），大多以小型崩塌和滑坡为主，主要集中于震区黄河两岸黄土丘陵区、道路与沟谷附近，多发育于建房和公路内边坡陡坎部位[30]，其威胁的主要承灾体为公路和农田等。![]()
图 2 积石山地震诱发滑坡灾害点空间分布Figure 2. Spatial distribution of landslides induced by the Jishishan earthquake为进一步分析灾害点在各影响因子上的分布特征，研究中将灾害点与各因子进行叠加，分别作直方图进行统计分析，其中横坐标为各因子分级，纵坐标为密度。
对于各地形因子（图3），分析中将高程因子按100 m间隔分为九级，叠加统计分析发现，地震诱发滑坡灾害点在高程因子上基本呈抛物线分布（R2 =
0.7394 ），主要分布在1700 ～2250 m高程带；就灾害点在坡度上的分布，将坡度按5°间隔等间距分级，统计发现灾害点主要发生在小于25°区间内，大于30°坡度范围零星分布；在地形湿度指数（TWI）上，灾害点发生基本呈现指数分布（R2 =0.6816 ）；就坡向分布来看，地震诱发地质灾害点大多数发生于东、东南和南向范围内。对于各类距离因子（图4），研究中将距道路距离因子按间隔0.5 km等间距作缓冲区分级，分析发现地震诱发的绝大多数灾害点发生于距道路1.5 km范围内；对于距断裂带距离，第一级按1 km、第二级以后按2 km进行分级统计，分析发现地震诱发地质灾害点在距断裂带距离上基本呈现指数型分布（R2 = 0.201），主要分布于小于1 km、3～4 km和8～12 km范围内，其中3～4 km和8～12 km区间为黄河两岸；就距河流距离来看，地震诱发地质灾害点分布呈指数型分布（R2 =
0.7727 ），主要分布在河流两岸及附近；对于距地震中心距离因子，研究中第一级按1 km统计，第二级按5 km统计，后面各级按10 km统计，分析发现灾害点呈指数型分布（R2 =0.8706 ）。同时，也对土地利用、土壤质地、归一化植被指数和人口分布因子进行地质灾害点分布统计（图5）。就土地利用来看，地震诱发地质灾害点主要发生于耕地、部分草地和水域附近也有一些地质灾害发生；就土壤质地来看，地震诱发地质灾害点主要分布在壤土、有少量分布于黏土和壤砂土层；就NDVI来看，地震诱发地质灾害主要分布在0.08～0.16；就震区人口分布来看，人口密度大的地方人类活动也较强烈，因而地震诱发地质灾害点的分布也相应多一些。
![]()
图 5 滑坡灾害点的其他因子分布Figure 5. Distribution of landslides based on LULC, soil texture, population density, and NDVI3.2 影响因子对滑坡的响应分析
1）模型评价精度
将滑坡灾害点数据和选取的14个影响因子数据输入MaxEnt模型，通过10次的迭代计算，最后得到AUC值为0.854（图6），模型可靠性达到“好”的水平。因此，本次研究利用解译的地质灾害点和各影响因子，通过10次迭代计算构建MaxEnt模型进行积石山Ms6.2级地震诱发滑坡危险性评价，其结果具有较好的可靠性。
2）影响因子重要性分析
置换重要性是反映模型对该变量的依赖程度的指标[33]。表4为各影响因子对滑坡灾害影响程度的贡献率和置换重要性。可见，排名前五的影响因子为距断裂带的距离、高程、人口分布、土壤质地和距河流的距离，其贡献率分别为39.0%、38.1%、17.8%、1.3%和1.2%，其累计贡献率占比高达97.4%。同时可以看出，置换重要性排名前五的影响因子为距断裂带的距离、高程、距河流的距离、人口分布以及土壤质地，其置换重要性分别为48.3%、45.1%、2.4%、1.4%和1.3%，累计值达98.5%。
表 4 滑坡灾害主要影响因子贡献率和置换重要性Table 4. Contribution rates and permutation importance of main disaster-causing factors of landslides序号 因子 贡献率/% 置换重要性/% 1 距断裂带距离 39 48.3 2 高程 38.1 45.1 3 人口分布 17.8 1.4 4 土壤质地 1.3 1.3 5 距河流距离 1.2 2.4 6 归一化植被指数 0.8 0.6 7 坡度 0.8 0.1 8 距道路距离 0.6 0.5 9 坡向 0.3 0.2 10 地形湿度指数 0.1 0 11 土地利用 0 0 12 平面曲率 0 0 13 剖面曲率 0 0 14 曲率 0 0 图7为通过刀切法检验对各影响因子重要性的检验结果。由测试增益值[34]，见图7（a），重要性位列前五的影响因子为距断裂带的距离、高程、人口分布、土壤质地和归一化植被指数，其值分别为：0.35、0.32、0.22、0.12和0.1。由AUC值，见图7（b），排位前五的影响因子为高程、距断裂带的距离、人口分布、归一化植被指数和距河流的距离，其值分别为0.74、0.73、0.67、0.65和0.59。由正则化训练增益，见图7（c），位列前五的影响因子为高程、距断裂带距离、人口分布、距道路距离和距河流距离，其值分别为0.3、0.29、0.22、0.1 和 0.08。
3）影响因子对滑坡危险性响应分析
图8和图9分别为各影响因子对滑坡发生的响应曲线，其中，纵轴代表滑坡发生的概率，横轴代表各因子的取值范围。设定参考概率阈值为0.5[35]，当大于0.5时，认为该因子取值范围有利于灾害的发生。图8可知，坡向因子对滑坡发生的响应最高。其他因子的某一取值范围对滑坡发生的响应也较敏感。例如，当地形湿度指数大于4 m时，其概率均大于0.5，极易引起滑坡的发生；同理，当高程带在
1700 ～2250 m、剖面曲率为−4.2～3、平面曲率为−3.9～4.1、综合曲率为−6～11时，该范围对滑坡发生强响应；当距断裂带距离小于1.7 km、距河流距离小于3.8 km、距道路距离小于2 km、坡度小于30°、人口分布密度大于20人/km2时，其概率均大于0.5，极易引起滑坡的发生。同时也可以看出，当归一化植被指数小于−0.04和0.06～0.15时，其概率均大于0.5，该区段滑坡灾害发生的响应较好；就土地利用因子来看（图9），耕地、草地和水域的概率均大于0.5，极易发生滑坡灾害；对于土壤质地，砂质壤土和壤土的概率大于0.5，极易发生滑坡灾害。![]()
图 9 土地利用与土壤质地的滑坡响应直方图Figure 9. Histogram of landslide responses to LULC and soil texture3.3 滑坡危险性评价
本文采用影响因子重要性和相关系数法，剔除贡献率较低（即土地利用、平面曲率、泡面曲率和曲率）和相关性高（即高程）的因子，然后将其余因子构建模型，计算最大熵结果，并按自然断点法分五级[36]，图10为本研究获取的积石山Ms6.2级地震诱发滑坡危险性评价结果。经统计得出，极高危险区面积为 49.38 km2，占研究区总面积的0.84%；高危险区面积为157.79 km2，占研究区总面积的 2.69%；中危险区面积为430.03 km2，占研究区总面积的7.33%；低危险区面积为526.07 km2，占研究区总面积的8.96%；极低危险区面积为
4699.02 km2，占研究区总面积的80.18%。可见，由于本次地震发生在冬季，大多数地方为季节性冻土，因而本次地震诱发滑坡大多为小型，其极高和高危险性分布相对较少，主要位于黄河两岸的部分地区，与文献[25]结果一致。![]()
图 10 积石山Ms6.2级地震诱发的滑坡危险性评价结果Figure 10. Landslide hazard assessment results induced by the Ms6.2 Jishishan earthquake为进一步分析危险区与地震烈度之间的关系，将危险性评价结果与地震烈度图[37]进行叠加，统计得出（表5），极高和高危险区密度主要位于地震烈度为Ⅷ区，其面积为21.2 km2，占Ⅷ区的百分比为26.38%；中危险区密度主要分布于Ⅶ和Ⅷ区，面积为341.22 km2，占Ⅶ和Ⅷ区面积百分比分别为16.92%和28.82%；低和极低危险区主要分布于Ⅶ和Ⅵ区，面积占比分别为75.33%和97.55%，该区域远离发震区，地震诱发地质灾害危险性也较低。
表 5 不同地震烈度区的危险性等级面积百分比统计Table 5. Area percentage of different risk grades in various seismic intensity zones地震烈度 极高危险/% 高危险/% 中危险/% 低危险/% 极低危险/% Ⅷ区 6.91 19.47 28.82 11.76 33.05 Ⅶ区 1.80 5.95 16.92 16.12 59.21 Ⅵ区 0.03 0.23 2.19 6.15 91.40 4. 讨论
影响因子的选择是地震诱发滑坡危险性评价可靠性的主要环节[38]。与前人研究不同，本研究从地形因子、断裂带、土壤质地、道路、人口、土地利用以及植被等环境变量出发，选取影响因子，在分析影响因子对滑坡危险性响应的基础上，通过获取贡献率和置换重要性、采用刀切法对影响因子进行重要性评估，来优选主要影响因子。研究发现，距断裂带距离、高程、人口分布、土壤质地和距河流距离的贡献率和置换重要性均大于1，其中，距断裂带距离最大，分别为39.0%和48.3%。
为进一步分析本研究的可靠性，采用刀切法对各影响因子重要性进行检验，由测试增益值、AUC 值以及正则化训练增益三个指标进行计算，得出对本次地震诱发滑坡危险性的主要响应因子为距断裂带距离、高程和人口分布。可见，除属于孕灾环境条件的高程因子外，距断裂带距离和人口分布是本次地震诱发滑坡危险性的主要驱动因子。由于震区相对高差约
3000 m，地形起伏较大，高海拔地区因地形坡度陡峭，土壤和岩石的稳定性相对较差，特别是在1700 ～2300 m区间，人类活动（例如：修路、建房、耕作等）也较强烈，遥感解译发现，大多发生在距离道路较近的地区，道路建设往往会破坏原有地形和土壤结构，为滑坡崩塌发育创造了条件。断裂带区因地壳应力集中以及地质结构脆弱，在地震等外部因素的驱动下，极易引发滑坡灾害；同时，由于河流的侵蚀作用往往会破坏斜坡的稳定性，导致滑坡灾害的发生。实地调查发现，由于本次地震主要发生在冬季，其诱发地质灾害主要以小型崩塌和滑坡为主。从灾害分布区域、规模和密集程度来看，与本研究计算确定的主要影响因素吻合性较好。例如：图11为实地地质灾害调查中，获得的典型性滑坡，其中，图11a和图11b为砂/泥岩滑坡类，大多分布于公路等的内边坡区；图11c和图11d为黄土滑坡类，大多发生于建房和公路等的切坡区；图11e为裂缝，发育于震区黄河两岸阶地居民区。
![]()
图 11 积石山震区典型滑坡注：a—b为砂/泥岩滑坡；c—d为黄土滑坡；e为裂缝。Figure 11. Typical landslides in the Ms6.2 Jishishan earthquake5. 结论
（1）从地形因子来看，本次地震诱发滑坡灾害点主要分布在
1700 ～2250 m高程带、20°～25°的坡度区间，且大多数群发于坡向为东、东南和南向的阳坡范围内，在TWI上基本呈现指数分布，同时在距道路距离1.5 km、距地震中心距离5 km范围内广布。从LULC来看，地震诱发地质灾害点主要发生于耕地，且土壤质地多为壤土区域；在植被覆盖上，主要集中发生于NDVI为0.2～0.4区间、震区人口分布密度大的地方。（2）由影响因子的贡献率和置换重要性、刀切法计算的测试效益值、AUC 值和正则化训练增益值，得到本次地震诱发地灾危险性的主要影响因子为：距断裂带的距离、高程和人口分布。当距断裂带距离小于1.7 km、人口分布密度达20人/km2时，其概率均大于0.5，对滑坡危险性发生的响应较明显。
（3）基于构建的MaxEnt模型得出，震区滑坡高危险区主要分布于黄河两岸及附近区域。其中，极高和高危险区密度主要位于地震烈度为Ⅷ区，其面积为21.2 km2，占Ⅷ区的面积百分比为26.38%；中危险区密度主要分布于Ⅶ和Ⅷ区，面积百分比分别为16.92%和28.82%；低和极低危险区主要分布于Ⅶ和Ⅵ区，面积百分比分别为75.33%和97.55%。
-
![]()
图 1 研究区域雪崩遥感解译与分布图
Figure 1. Remote sensing interpretation and distribution of snow avalanches in the study area
![]()
图 9 基于K-MLP模型雪崩易发性分区图
Figure 9. Snow avalanche susceptibility partition map based on K-MLP model
表 1 评价因子数据源
Table 1 Data sources for evaluates factors
分类 评价因子 数据源 地形条件 高程、坡度、坡向、地表粗糙度、
地表起伏度、高程变异系数地理空间数据云DEM 气候条件 1月平均温度、最大风速、
年平均降雨量研究区及周边各站点
的气象数据积雪条件 年平均降雪量、
最大积雪厚度研究区及周边各站点
的气象数据
下载: 导出CSV
表 2 雪崩评价因子分级量化结果
Table 2 Quantitative results of snow avalanche evaluation factor grading
评价因子 二级属性 $ {S _{ij}} $ $ {N_{ij}} $ $ {X_{ij}} $ $ {C_{ij}} $ 评价因子 二级属性 $ {S _{ij}} $ $ {N_{ij}} $ $ {X_{ij}} $ $ {C_{ij}} $ 高程/m 1873～2295 43244 5 0.241 0.000 地面粗糙度 1～1.1 149984 37 0.514 0.228 >2295～2619 82136 15 0.381 0.051 >1.1～1.2 83112 48 1.206 0.536 >2619～2927 59328 30 1.056 0.297 >1.2～1.4 51767 38 1.533 0.681 >2927～3262 51439 31 1.258 0.370 >1.4～1.7 19965 21 2.196 0.976 >3262～3627 43467 23 1.105 0.315 >1.7～2.4 4640 5 2.250 1.000 >3627～4459 31463 45 2.986 1.000 >2.4～7.2 709 0 0.000 0.000 坡度/（°） 0～10 62301 5 0.167 0.000 地形起伏度
/m0～194 49218 1 0.042 0.000 >10～19 56267 18 0.668 0.253 >194～332 55415 11 0.414 0.213 >19～28 59776 28 0.978 0.410 >332～457 68499 31 0.945 0.516 >28～37 62891 40 1.328 0.587 >457～588 67127 48 1.493 0.829 >37～47 49479 38 1.603 0.726 >588～754 53605 46 1.792 1.000 >47～82 19463 20 2.145 1.000 >754～1263 17213 12 1.455 0.808 坡向 北 67060 31 0.962 0.373 1月平均气温
/ °C−14～−11 39756 15 0.788 0.045 东北 23094 7 0.633 0.000 >−11～−9 201195 71 0.737 0.000 东 22559 15 1.388 0.855 >−9～−7 70126 63 1.876 1.000 东南 38180 21 1.148 0.583 年平均降雨量
/mm43～45 65586 27 0.859 0.319 南 48476 21 0.904 0.307 >45～47 127682 31 0.507 0.000 西南 43794 17 0.810 0.201 >47～49 117809 91 1.613 1.000 西 31664 23 1.517 1.000 最大风速
/（m·s−1）9～12 32130 18 1.170 0.760 西北 35250 14 0.829 0.222 >12～15 169196 63 0.777 0.000 高程
变异系数0～0.016 41667 4 0.200 0.000 >15～19 109751 68 1.294 1.000 >0.016～0.028 72137 27 0.781 0.540 年平均降雪量
/mm11～15 22538 7 0.648 0.000 >0.028～0.040 80064 48 1.252 0.977 >15～18 219917 77 0.731 0.062 >0.040～0.051 63506 38 1.249 0.974 >18～21 68622 65 1.978 1.000 >0.051～0.065 45784 28 1.277 1.000 地表切割度
/m0～88 74711 2 0.056 0.000 >0.065～0.107 7919 4 1.055 0.794 >88～161 70384 18 0.534 0.210 最大积雪深度
/mm55～61 121679 51 0.875 0.628 >161～232 62245 23 0.771 0.315 >61～68 153748 95 1.290 1.000 >232～309 55587 62 2.329 1.000 >68～78 35650 3 0.176 0.000 >309～401 39623 36 1.897 0.810 >401～682 8527 8 1.959 0.837
下载: 导出CSV
表 3 雪崩评价因子相关性矩阵
Table 3 Correlation matrix of snow avalanche evaluation factors
高程 坡度 坡向 高程
变异系数地表
切割度地面
粗糙度地形
起伏度1月平均
气温年平均
降雨量最大
风速年平均
降雪量最大
积雪深度高程 1 坡度 0.12 1 坡向 0.03 0.01 1 高程变异系数 0.17 0.28 0.03 1 地表切割度 0.21 0.11 0.05 0.11 1 地面粗糙度 0.34 0.26 0.01 0.25 0.28 1 地形起伏度 0.44 0.6 0.05 0.92 0.93 0.47 1 1月平均气温 0.03 0.11 0.02 0.15 0.13 0.06 0.12 1 年平均降雨量 0.01 0.07 0 0.04 0.06 −0.01 0.04 0.16 1 最大风速 0.51 0.01 −0.01 −0.02 −0.13 −0.11 −0.17 0.61 0.07 1 年平均降雪量 0.28 0.22 0.02 0.19 0.24 0.14 0.25 0.23 0.23 0.08 1 最大积雪深度 −0.54 −0.19 −0.02 −0.13 −0.22 −0.19 −0.27 0.14 0.18 0.64 0.18 1
下载: 导出CSV
表 4 K均值聚类法分析结果
Table 4 Results of K-means clustering algorithm method
聚类结果 栅格数量/个 雪崩个数/个 相对雪崩比 1 13484 46 7.122 2 85561 5 0.122 3 64712 47 1.516 4 33041 7 0.442 5 114280 44 0.804
下载: 导出CSV
表 5 基于K-MLP模型雪崩易发性分区结果统计
Table 5 Statistical results of snow avalanche susceptibility partition based on K-MLP model
易发性等级 栅格
数量/个面积
/km2雪崩
数/个分区
比例/%雪崩比 雪崩密度
/（个·km−2）低易发区 79284 71.35 9 25.59 0.06 0.12 中易发区 86287 77.66 24 27.74 0.16 0.31 高易发区 83594 75.23 51 26.87 0.34 0.68 极高易发区 61912 55.72 64 19.90 0.44 1.17
下载: 导出CSV
-
[1] 王世金,效存德. 全球冰冻圈灾害高风险区:影响与态势[J]. 科学通报,2019,64(9):890 − 900. [WANG Shijin,XIAO Cunde. Global cryospheric disaster at high risk areas:Impacts and trend[J]. Chinese Science Bulletin,2019,64(9):890 − 900. (in Chinese with English abstract)] WANG Shijin, XIAO Cunde . Global cryospheric disaster at high risk areas: Impacts and trend［J］. Chinese Science Bulletin,2019 ,64 （9 ）:890 −900 . （in Chinese with English abstract）[2] SCHWEIZER J,BRUCE JAMIESON J,SCHNEEBELI M. Snow avalanche formation[J]. Reviews of Geophysics,2003,41(4):1016.
[3] 杨金明,张旭,毛炜峄,等. 中国天山雪崩灾害调查分析[J]. 自然灾害学报,2022,31(1):188 − 197. [YANG Jinming,ZHANG Xu,MAO Weiyi,et al. Investigation and analysis of snow avalanche disaster in Tianshan Mountains of China[J]. Journal of Natural Disasters,2022,31(1):188 − 197. (in Chinese with English abstract)] YANG Jinming, ZHANG Xu, MAO Weiyi, et al . Investigation and analysis of snow avalanche disaster in Tianshan Mountains of China［J］. Journal of Natural Disasters,2022 ,31 （1 ）:188 −197 . （in Chinese with English abstract）[4] 史志文,徐俊荣,陈忠升,等. 天山西部寒区山地生态系统近40年来气候变化特征——以中国科学院天山积雪雪崩研究站为例[J]. 山地学报,2009,27(1):41 − 48. [SHI Zhiwen,XU Junrong,CHEN Zhongsheng,et al. Analysis on climatic changes under global climatic change:A case study of Tianshan snow and avalanche research station[J]. Journal of Mountain Science,2009,27(1):41 − 48. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1008-2786.2009.01.006 SHI Zhiwen, XU Junrong, CHEN Zhongsheng, et al . Analysis on climatic changes under global climatic change: A case study of Tianshan snow and avalanche research station［J］. Journal of Mountain Science,2009 ,27 （1 ）:41 −48 . （in Chinese with English abstract） DOI: 10.3969/j.issn.1008-2786.2009.01.006[5] 郝建盛,李兰海. 雪崩灾害防治研究进展及展望[J]. 冰川冻土,2022,44(3):762 − 770. [HAO Jiansheng,LI Lanhai. Research progress and prospect of snow avalanche disaster prevention and control[J]. Journal of Glaciology and Geocryology,2022,44(3):762 − 770. (in Chinese with English abstract)] HAO Jiansheng, LI Lanhai . Research progress and prospect of snow avalanche disaster prevention and control［J］. Journal of Glaciology and Geocryology,2022 ,44 （3 ）:762 −770 . （in Chinese with English abstract）[6] JACKSON M. Snow and ice-related hazards,risks,and disasters. 2nd edition. edited by wilfried haeberli and colin whiteman[J]. Mountain Research and Development,2022,42(2):1 − 5.
[7] FAVIER P,ECKERT N,FAUG T,et al. A framework to account for structural damage,functional efficiency and reparation costs within the optimal design of countermeasures:Application to snow avalanche risk mitigation[J]. Cold Regions Science and Technology,2022,199:103559. DOI: 10.1016/j.coldregions.2022.103559
[8] 郝建盛,黄法融,冯挺,等. 亚洲高山区雪崩灾害时空分布特点及其诱发因素分析[J]. 山地学报,2021,39(2):304 − 312. [HAO Jiansheng,HUANG Farong,FENG Ting,et al. Analysis of spatio-temporal distribution characteristics of snow avalanche disaster and its triggering factors in the high mountain Asia[J]. Mountain Research,2021,39(2):304 − 312. (in Chinese with English abstract)] HAO Jiansheng, HUANG Farong, FENG Ting, et al . Analysis of spatio-temporal distribution characteristics of snow avalanche disaster and its triggering factors in the high mountain Asia［J］. Mountain Research,2021 ,39 （2 ）:304 −312 . （in Chinese with English abstract）[9] 段仕美,刘时银,朱钰,等. 梅里雪山1991年和2019年雪崩事件重建及影响因素分析[J]. 冰川冻土,2022,44(3):771 − 783. [DUAN Shimei,LIU Shiyin,ZHU Yu,et al. Reconstructing and analyzing avalanche events of 1991 and 2019 in Meili Snow Mountain[J]. Journal of Glaciology and Geocryology,2022,44(3):771 − 783. (in Chinese with English abstract)] DUAN Shimei, LIU Shiyin, ZHU Yu, et al . Reconstructing and analyzing avalanche events of 1991 and 2019 in Meili Snow Mountain［J］. Journal of Glaciology and Geocryology,2022 ,44 （3 ）:771 −783 . （in Chinese with English abstract）[10] TROSHKINA E,GLAZOVSKAYA T,KONDAKOVA N,et al. Zoning of snowiness and avalanching in the mountains of western Transcaucasia[J]. Annals of Glaciology,2001,32:311 − 313. DOI: 10.3189/172756401781819012
[11] 武万里,缑晓辉,刘垚. 基于GIS的路面积雪灾害风险分析与区划研究[J]. 防灾科技学院学报,2021,23(1):87 − 93. [WU Wanli,GOU Xiaohui,LIU Yao. Snow cover risk analysis and zoning of expressway in Ningxia based on GIS[J]. Journal of Institute of Disaster Prevention,2021,23(1):87 − 93. (in Chinese with English abstract)] WU Wanli, GOU Xiaohui, LIU Yao . Snow cover risk analysis and zoning of expressway in Ningxia based on GIS［J］. Journal of Institute of Disaster Prevention,2021 ,23 （1 ）:87 −93 . （in Chinese with English abstract）[12] 李靖,邓桃,潘前,等. 基于GIS和层次分析法的雪崩灾害危险性评估及线路工程减灾对策研究——以帕隆藏布流域为例[J]. 四川建筑,2019,39(2):59 − 61. [LI Jing,DENG Tao,PAN Qian,et al. Risk assessment of avalanche disaster based on GIS and analytic hierarchy process and research on disaster reduction countermeasures of line engineering:A case study of palong Zangbo Basin[J]. Sichuan Architecture,2019,39(2):59 − 61. (in Chinese)] LI Jing, DENG Tao, PAN Qian, et al . Risk assessment of avalanche disaster based on GIS and analytic hierarchy process and research on disaster reduction countermeasures of line engineering: A case study of palong Zangbo Basin［J］. Sichuan Architecture,2019 ,39 （2 ）:59 −61 . （in Chinese）[13] RAHMATI O,GHORBANZADEH O,TEIMURIAN T,et al. Spatial modeling of snow avalanche using machine learning models and geo-environmental factors:comparison of effectiveness in two mountain regions[J]. Remote Sensing,2019,11(24):2995. DOI: 10.3390/rs11242995
[14] 文洪,巫锡勇,赵思远,等. 基于机器学习法的青藏高原沙鲁里山系中段雪崩易发性评价研究[J]. 冰川冻土,2022,44(6):1694 − 1706. [WEN Hong,WU Xiyong,ZHAO Siyuan,et al. Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method[J]. Journal of Glaciology and Geocryology,2022,44(6):1694 − 1706. (in Chinese with English abstract)] WEN Hong, WU Xiyong, ZHAO Siyuan, et al . Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method［J］. Journal of Glaciology and Geocryology,2022 ,44 （6 ）:1694 −1706 . （in Chinese with English abstract）[15] 边瑞. 基于集成机器学习模型的沙鲁里山系中段雪崩易发性评价研究[D]. 成都:西南交通大学,2021. [BIAN Rui. Avalanche susceptibility evaluation in the middle part of Shaluli Mountain system based on integrated machine learning model[D]. Chengdu:Southwest Jiaotong University,2021. (in Chinese with English abstract)] BIAN Rui. Avalanche susceptibility evaluation in the middle part of Shaluli Mountain system based on integrated machine learning model［D］. Chengdu: Southwest Jiaotong University, 2021. （in Chinese with English abstract）
[16] AKAY H. Spatial modeling of snow avalanche susceptibility using hybrid and ensemble machine learning techniques[J]. CATENA,2021,206:105524. DOI: 10.1016/j.catena.2021.105524
[17] BALLESTEROS-CÁNOVAS J A,TRAPPMANN D,MADRIGAL-GONZÁLEZ J,et al. Climate warming enhances snow avalanche risk in the Western Himalayas[J]. Proceedings of the National Academy of Sciences of the United States of America,2018,115(13):3410 − 3415.
[18] FROMM R,SCHÖNBERGER C. Estimating the danger of snow avalanches with a machine learning approach using a comprehensive snow cover model[J]. Machine Learning With Applications,2022,10:100405. DOI: 10.1016/j.mlwa.2022.100405
[19] 刘福臻,王灵,肖东升. 机器学习模型在滑坡易发性评价中的应用[J]. 中国地质灾害与防治学报,2021,32(6):98 − 106. [LIU Fuzhen,WANG Ling,XIAO Dongsheng. Application of machine learning model in landslide susceptibility evaluation[J]. The Chinese Journal of Geological Hazard and Control,2021,32(6):98 − 106. (in Chinese with English abstract)] LIU Fuzhen, WANG Ling, XIAO Dongsheng . Application of machine learning model in landslide susceptibility evaluation［J］. The Chinese Journal of Geological Hazard and Control,2021 ,32 （6 ）:98 −106 . （in Chinese with English abstract）[20] LEE S. Current and future status of GIS-based landslide susceptibility mapping:A literature review[J]. Journal of Remote Sensing,2019,35:179 − 193.
[21] 李倩楠. 基于不同算法的DEM地面曲率提取的比较分析[J]. 首都师范大学学报(自然科学版),2016,37(5):82 − 85. [LI Qiannan. Based on the difference of the digital elevation model(DEM) algorithm analysis and comparison of the ground curvature extraction[J]. Journal of Capital Normal University (Natural Science Edition),2016,37(5):82 − 85. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1004-9398.2016.05.015 LI Qiannan . Based on the difference of the digital elevation model（DEM） algorithm analysis and comparison of the ground curvature extraction［J］. Journal of Capital Normal University （Natural Science Edition）,2016 ,37 （5 ）:82 −85 . （in Chinese with English abstract） DOI: 10.3969/j.issn.1004-9398.2016.05.015[22] 李艳,朱军,胡亚,等. 不同插值方法模拟四川省逐月降水量的对比分析[J]. 水土保持研究,2017,24(1):151 − 154. [LI Yan,ZHU Jun,HU Ya,et al. Comparison analysis on different spatial interpolation methods to simulate monthly precipitation in Sichuan Province[J]. Research of Soil and Water Conservation,2017,24(1):151 − 154. (in Chinese with English abstract)] LI Yan, ZHU Jun, HU Ya, et al . Comparison analysis on different spatial interpolation methods to simulate monthly precipitation in Sichuan Province［J］. Research of Soil and Water Conservation,2017 ,24 （1 ）:151 −154 . （in Chinese with English abstract）[23] 王新宇,黄鹏程. 基于GIS的气象要素插值方法比较研究[J]. 测绘与空间地理信息,2020,43(5):167 − 170. [WANG Xinyu,HUANG Pengcheng. Comparative study on interpolation methods of meteorological elements based on GIS[J]. Geomatics & Spatial Information Technology,2020,43(5):167 − 170. (in Chinese)] DOI: 10.3969/j.issn.1672-5867.2020.05.047 WANG Xinyu, HUANG Pengcheng . Comparative study on interpolation methods of meteorological elements based on GIS［J］. Geomatics & Spatial Information Technology,2020 ,43 （5 ）:167 −170 . （in Chinese） DOI: 10.3969/j.issn.1672-5867.2020.05.047[24] JARVIS C H,STUART N. A comparison among strategies for interpolating maximum and minimum daily air temperatures. part II:the interaction between number of guiding variables and the type of interpolation method[J]. Journal of Applied Meteorology,2001,40(6):1075 − 1084. DOI: 10.1175/1520-0450(2001)040<1075:ACASFI>2.0.CO;2
[25] 李文彦,王喜乐. 频率比与信息量模型在黄土沟壑区滑坡易发性评价中的应用与比较[J]. 自然灾害学报,2020,29(4):213 − 220. [LI Wenyan,WANG Xile. Application and comparison of frequency ratio and information value model for evaluating landslide susceptibility of loess gully region[J]. Journal of Natural Disasters,2020,29(4):213 − 220. (in Chinese with English abstract)] LI Wenyan, WANG Xile . Application and comparison of frequency ratio and information value model for evaluating landslide susceptibility of loess gully region［J］. Journal of Natural Disasters,2020 ,29 （4 ）:213 −220 . （in Chinese with English abstract）[26] 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)] 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）[27] 王森,刘琛,邢帅杰. K-means聚类算法研究综述[J]. 华东交通大学学报,2022,39(5):119 − 126. [WANG Sen,LIU Chen,XING Shuaijie. Review on K-means clustering algorithm[J]. Journal of East China Jiaotong University,2022,39(5):119 − 126. (in Chinese with English abstract)] WANG Sen, LIU Chen, XING Shuaijie . Review on K-means clustering algorithm［J］. Journal of East China Jiaotong University,2022 ,39 （5 ）:119 −126 . （in Chinese with English abstract）[28] 牛瑞卿,彭令,叶润青,等. 基于粗糙集的支持向量机滑坡易发性评价[J]. 吉林大学学报(地球科学版),2012,42(2):430 − 439. [NIU Ruiqing,PENG Ling,YE Runqing,et al. Landslide susceptibility assessment based on rough sets and support vector machine[J]. Journal of Jilin University (Earth Science Edition),2012,42(2):430 − 439. (in Chinese with English abstract)] NIU Ruiqing, PENG Ling, YE Runqing, et al . Landslide susceptibility assessment based on rough sets and support vector machine［J］. Journal of Jilin University （Earth Science Edition）,2012 ,42 （2 ）:430 −439 . （in Chinese with English abstract）[29] 张驰,郭媛,黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用,2021,57(11):57 − 69. [ZHANG Chi,GUO Yuan,LI Ming. Review of development and application of artificial neural network models[J]. Computer Engineering and Applications,2021,57(11):57 − 69. (in Chinese with English abstract)] ZHANG Chi, GUO Yuan, LI Ming . Review of development and application of artificial neural network models［J］. Computer Engineering and Applications,2021 ,57 （11 ）:57 −69 . （in Chinese with English abstract）[30] 周萍,邓辉,张文江,等. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例[J]. 地理科学,2022,42(9):1665 − 1675. [ZHOU Ping,DENG Hui,ZHANG Wenjiang,et al. Landslide susceptibility evaluation based on information value modeland machine learning method: A case study of Lixian County, Sichuan Province[J]. Scientia Geographica Sinica,2022,42(9):1665 − 1675. (in Chinese with English abstract)] ZHOU Ping, DENG Hui, ZHANG Wenjiang, et al . Landslide susceptibility evaluation based on information value modeland machine learning method: A case study of Lixian County, Sichuan Province［J］. Scientia Geographica Sinica,2022 ,42 （9 ）:1665 −1675 . （in Chinese with English abstract）[31] 熊小辉,汪长林,白永健,等. 基于不同耦合模型的县域滑坡易发性评价对比分析——以四川普格县为例[J]. 中国地质灾害与防治学报,2022,33(4):114 − 124. [XIONG Xiaohui,WANG Changlin,BAI Yongjian,et al. Comparison of landslide susceptibility assessment based on multiple hybrid models at County level:A case study for Puge County,Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):114 − 124. (in Chinese with English abstract)] XIONG Xiaohui, WANG Changlin, BAI Yongjian, et al . Comparison of landslide susceptibility assessment based on multiple hybrid models at County level: A case study for Puge County, Sichuan Province［J］. The Chinese Journal of Geological Hazard and Control,2022 ,33 （4 ）:114 −124 . （in Chinese with English abstract）[32] MAGGIONI M,GRUBER U. The influence of topographic parameters on avalanche release dimension and frequency[J]. Cold Regions Science and Technology,2003,37(3):407 − 419. DOI: 10.1016/S0165-232X(03)00080-6
[33] 王世金,任贾文. 国内外雪崩灾害研究综述[J]. 地理科学进展,2012,31(11):1529 − 1536. [WANG Shijin,REN Jiawen. A review of the progresses of avalanche hazards research[J]. Progress in Geography,2012,31(11):1529 − 1536. (in Chinese with English abstract)] WANG Shijin, REN Jiawen . A review of the progresses of avalanche hazards research［J］. Progress in Geography,2012 ,31 （11 ）:1529 −1536 . （in Chinese with English abstract）[34] 张钟远,邓明国,徐世光,等. 镇康县滑坡易发性评价模型对比研究[J]. 岩石力学与工程学报,2022,41(1):157 − 171. [ZHANG Zhongyuan,DENG Mingguo,XU Shiguang,et al. Comparison of landslide susceptibility assessment models in Zhenkang County,Yunnan Province,China[J]. Chinese Journal of Rock Mechanics and Engineering,2022,41(1):157 − 171. (in Chinese with English abstract)] ZHANG Zhongyuan, DENG Mingguo, XU Shiguang, et al . Comparison of landslide susceptibility assessment models in Zhenkang County, Yunnan Province, China［J］. Chinese Journal of Rock Mechanics and Engineering,2022 ,41 （1 ）:157 −171 . （in Chinese with English abstract）[35] 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)] DOI: 10.16030/j.cnki.issn.1000-3665.201906074 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） DOI: 10.16030/j.cnki.issn.1000-3665.201906074 -
期刊类型引用(1)
1. 刘星宇，朱立峰，孙建伟，贾煦，刘向东，黄虹霖，程贤达，孙亚柯，胡超进，张晓龙. 沟谷型泥石流特征参数的等代面积递归精细求解. 西北地质. 2024(03): 272-284 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 659
- HTML全文浏览量: 794
- PDF下载量: 88
- 被引次数: 1
邮件订阅
RSS