Sensitivity and susceptibility assessment of geological hazard factors: A case study of Xinping County in the Ailao mountain area of Yunnan Province, China
-
摘要:
针对地质灾害敏感因子选取和易发性评价问题,为寻求适宜云南省哀牢山区地质灾害易发性评价分区方法,论文选择新平县为典型研究区,选择了工程地质岩组、距断裂距离、高程、坡度、坡向、距水系距离、距道路距离和地类等因子,应用证据权法进行了地质灾害因子敏感性分析和易发性评价。评价结果显示:地质灾害高易发区面积
1532.94 km2、灾点占比74.06%;中易发区面积2119.07 km2、灾点占比24.69%。评价结果与历史地质灾害空间分布特征相符,证明了此次所选取的评价因子和评价模型的合理性,支持云南省哀牢山区灾害防治。Abstract:In response to the selection of sensitive factors for geological disasters and susceptibility assessment, and seeking an appropriate method for evaluating the susceptibility of geological disasters in the Ailao mountain area of Yunnan Province, this paper selects Xinping County as a typical research area, with eight key factors including engineering geological rock formations, distance from fault structures, elevation, slope, slope direction, river buffer zone, roads buffer zone, and land type. The weights of evidence method based on Bayesian theory is applied to conduct a sensitivity analysis and susceptibility evaluation of geological hazard factors. The evaluation results show that the areas with high and medium susceptibility to geological disasters covering
1532.94 km2 and2119.07 km2, respectively, with 74.06% and 24.69% of geological disaster points falling within these regions. These findings are highly consistent with the spatial distribution of historical geological disasters, proving the rationality of the chosen evaluation factors and models. This study provides valuable insights for the evaluation of geological disaster susceptibility in the Ailao mountain area of Yunnan Province. -
0. 引言
地震震动会导致地表裂缝、土壤疏松,在降水、人类活动等因素影响下,震后极易发生滑坡。通常情况下,震后滑坡数量显著增多的现象要延续相当长的一段时间,直到随着地震灾区生态和地质环境的逐渐恢复,才会显著降低并恢复到震前水平[1 − 2]。因此,对地震后滑坡的长时序时空分异特征进行分析,对于震后长期恢复、土地规划以及地震灾害防治可以起到一定的指示作用。
众多学者对地震触发的同震滑坡进行了研究,如汶川地震[3]、鲁甸地震[4 − 6]、2015年尼泊尔地震[7]、九寨沟地震[8 − 9]、泸定地震[10 − 12]等,研究多关注同震滑坡数据清单建立、同震滑坡空间分布、易发性预测、影响因子敏感性研究等。虽然同震滑坡相关研究取得了一定的进展,但不能全方位地描述震后滑坡的整体变化情况。受地震触发的滑坡会表现出不同的特征[13],如滑坡数量、强度、分布特征变化等,地震引起的岩体松动、地表破裂、植被破坏等都影响着滑坡的时空分布规律[14],因此,在关注同震滑坡灾害的同时更应该关注地震后滑坡的长期分异规律[15]。目前,震后滑坡的时空分异规律相关研究还不丰富,仍处于案例累计阶段且主要以强震滑坡案例为主,如1999年台湾集集地震[16],2005年克什米尔地震[17],2008年汶川地震[18]等。同时,由于历史强震典型案例的局限性以及滑坡数据清单的缺乏,导致地震后滑坡的长时序时空分异规律研究还未形成完整体系,因此,为了更深入地了解地震后滑坡随时间、空间的长期分异规律,探究地震及震后滑坡的时空分异特征,还需要积累更多的地震案例和研究经验。综上所述,加强震后滑坡的时空分异特征研究对进一步了解震后滑坡活动效应和稳定性具有重要意义。
2014年8月3日,中国云南省鲁甸县发生Ms6.5级地震,地震以27.1°N,103.3°E为震源中心,造成617人死亡,112人失踪,
3143 人受伤,22.97万人紧急转移安置,同时,地震至少触发了1024 处面积大于100 m2的滑坡。震级虽为6.5级,但其触发的大量滑坡造成的损伤甚至超过了很多大于7.0级的地震[19]。基于此,本文以鲁甸Ms6.5级地震为研究对象,以多时相高分遥感影像为数据源,首先构建长时序列的震后滑坡数据清单,在此基础上,从滑坡数量及规模对滑坡时空分布特征角度进行探索;再以2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡为比较基线,以扩大滑坡、新增滑坡和恢复区域为研究指标进行震后滑坡时空面积变化的分析;最后,对震后8 a时间内震后滑坡的活动演化进行分析[20 − 21]。1. 研究区与数据
1.1 研究区
2014年8月3日的鲁甸Ms6.5级地震是近年来云南省危害较高的一次地震,不仅造成极大的人员伤亡,而且触发了大量的滑坡。鲁甸地震发生于包谷垴—小河断裂带(BXF)以及西鱼河—昭通断裂带(XZF),地震灾区最高烈度为Ⅸ度,涉及Ⅸ级、Ⅷ级、Ⅶ级、Ⅵ级共4个等级,等震线长轴总体呈北北西走向。根据地震烈度及以往研究成果,以鲁甸地震后长时序列滑坡为研究对象,选取共314 km2作为本次研究区范围(图1)。研究区涉及鲁甸县及巧家县的部分区域,包括玄武岩、白云岩、石灰岩等不同类型的岩石类型,海拔范围852~
2812 m,震中位置海拔为2087 m,同时内有牛栏江、龙泉河、沙坝河3条河流,河谷地形突出,沿河流区域海拔较低。1.2 数据来源与数据处理
研究数据主要包括遥感影像数据、滑坡数据以及降水数据3类。
(1)遥感影像数据:震前1期和震后14期的遥感影像如表1所示。影像均通过正射校正、图像配准、图像融合、地理配准等数据处理,将所有影像统一重采样为2 m。
表 1 影像数据信息Table 1. Image data information日期 2014年
4月13日2014年
10月26日2015年
10月29日2016年
7月11日2017年
5月13日2018年
8月24日2019年
8月18日2020年
8月27日2021年
8月2日2022年
7月16日数据
来源资源3号
(ZY3)高分1号
(GF1)高分1号
(GF1)高分2号
(GF2)资源3号
(ZY3)高分1号
(GF1)高分2号
(GF2)高分1号
(GF1)高分2号
(GF2)高分1号B卫星
(GF1B)数量/景 1 1 1 2 1 1 1 1 4 2 分辨率/m 2.1 2 2 0.8 2.1 2 0.8 2 0.8 2 (2)震前滑坡清单。由于2014年8月3日鲁甸Ms6.5级地震震前影像缺乏,选择较为接近的2014年4月13日ZY3影像进行震前滑坡清单的建立。此时植被稀少,地物相似度极高,滑坡数量较少并且震前滑坡与裸地等较为相似,为有效排除震前滑坡,进行人工解译得到震前滑坡清单。
(3)同震滑坡清单。文章使用许冲团队建立的滑坡清单,下载于USGS官网(https://www.sciencebase.gov/catalog/item/594428d4e4b062508e32319f),选择的研究区边界范围内,鲁甸Ms6.5级地震共造成
1014 个滑坡,面积达5.16 km2。2. 研究方法
为探究鲁甸Ms6.5级地震震后滑坡的时空分异特征,首先基于ENVI深度学习模块构建多时期震后滑坡数据清单,在此基础上从地震后滑坡数量规模、同震滑坡面积变化类型、不同阶段滑坡活动期3个方面对震后滑坡时空分布特征、时空面积变化、活动期演化进行分析,具体技术路线如图2所示。
2.1 多时期震后滑坡数据清单构建
对不同时期高分辨率遥感影像进行滑坡识别,构建鲁甸Ms6.5级地震震后多时期滑坡数据清单。如图3所示,构建过程分为5个部分。(1)滑坡样本构建。选择GF1、ZY3、GF2影像中2014年10月26日、2017年5月13日、2019年8月18日3景影像共绘制了586个滑坡样本进行训练和验证。(2)震后滑坡粗提取。基于ENVI深度学习模块,以“模型训练-执行分类-分类后处理”为流程,进行震后滑坡粗提取。(3)滑坡精识别。利用地形坡度特征排除少部分低坡度区域的影响;基于几何特征中的长宽比和密度,排除道路、河流等长条形地物对滑坡识别结果的干扰;通过纹理对比度,排除建筑及人工地物对滑坡解译结果的影响;最后对精识别结果与震前滑坡进行差值得到最终的震后滑坡。(4)精度验证。对震后滑坡进行识别并进行精度验证与评估。(5)多时期震后滑坡数据清单。将整个滑坡识别流程应用于整个长时间序列,构建多时期震后滑坡数据清单。
2.2 震后滑坡时空面积变化分析
为了分析鲁甸Ms6.5级地震触发滑坡后续的变化情况,以2014年8月3日地震触发的同震滑坡为基线,与后续年份做比较,根据滑坡的变化情况分为同震滑坡、扩大滑坡 、新增滑坡和恢复区4种不同类型。同震滑坡为2014年8月地震触发的滑坡;扩大滑坡是指原本存在同震滑坡且在现有同震滑坡面积基础上继续增大的区域;新增滑坡是指本来某区域内没有滑坡但后来出现了滑坡;恢复区即原来存在的同震滑坡区域表现为已恢复状态。为了对震后滑坡面积变化程度进行量化,理清同震滑坡后续时间的持续变化情况,将2014年8月的滑坡活动率设定为100%,作为研究滑坡活动变化的基线,通过滑坡活动率进行更有力的定量评价,计算方式如式(1)所示。
$$ P = \frac{{S _{\mathrm{a}}}}{{S _{\text{c}}}} \times 100\% $$ (1) 式中:P——活动滑坡活动率/%,表示同震滑坡的活动强 度,将扩大滑坡和新增滑坡定义为活动滑坡;
Sa——滑坡活动面积/km2;
Sc——同震滑坡面积/km2。
2.3 震后滑坡活动期演化分析
地震后较长时间内,滑坡存在不同程度的复发新增阶段,有着较长时间的活动期,而地震后滑坡活动程度对评估震后滑坡时空演化评估至关重要。为了定量分析地震震后滑坡的活动过程,以地震触发滑坡变化类型即扩大滑坡、新增滑坡以及滑坡活动率为活动期的分类标准,若起始年份满足表2所示滑坡活动期分类标准中的规则,则以起始年份为分割节点,将包含起始年份及其范围内的所有年份归为3个活动期中的一个,将震后滑坡的整个活动过程分为3个时期,以此对滑坡活动过程进行分析。具体的分类标准如表2所示。
表 2 滑坡活动期分类标准Table 2. Classification standard of landslide activity period滑坡活动期 滑坡活动率/% 扩大滑坡面积/km2 新增滑坡面积/km2 震后滑坡强活动期 P>50 >1.5 >1 震后滑坡中等活动期 10<P≤50 >0.2且≤1.5 >0.2且≤1 震后滑坡弱活动期 P≤10 ≤0.2 ≤0.2 3. 计算结果与分析
3.1 滑坡识别结果精度验证
完成模型训练及试验后,对滑坡识别结果进行精度评估。考虑到研究区域滑坡数量和分布,选择地物相对复杂的4个子区域(区域1—4)对滑坡识别结果进行精度验证(图4)。精确率、召回率、F1、错分率(commission error,CE)、漏分率(omission error,OE)是滑坡提取中常用的精确度量标准,由于研究中的滑坡提取是一个二值分类问题,即对于每个像素,只有2种情况:滑坡或背景,因此,如图4(a)(b),验证基于4种提取结果,即TP(真阳性,表示被正确识别的滑坡,即预测为滑坡且识别为滑坡)、FP(假阳性,表示预测滑坡但实际为背景)、TN(真阴性,即预测为背景且识别为背景)和FN(假阴性,即预测为背景但识别为滑坡)进行5个指标计算完成精度验证,具体计算方程式如式(2)—(6)。
精确率(Precision)评估的是作为滑坡被提取的区域有多少是真正的滑坡:
$$Precision=\frac{TP}{TP+FP} $$ (2) 式中:TP——真阳性滑坡面积/km2;
FP——假阳性滑坡面积/km2。
召回率(Recall)用于计算正确提取了多少滑坡:
$$Recall=\frac{TP}{TP+FN}$$ (3) 式中:FN——假阴性滑坡面积/km2。
F1则以更平衡的方式评估模型分类精度,其范围为[0, 1],越接近1,则代表效果越好:
$$F1=2\times \frac{Precision \times Recall}{Precision+Recall}$$ (4) 式中:Precision——精确率,评估的是作为滑坡被提取 的区域有多少是真正的滑坡;
Recall——召回率,用于计算正确提取了多少滑坡。
错分率(CE)是指实际为背景,但被分为了滑坡:
$$CE=\frac{FP}{TP+FP}$$ (5) 漏分率(OE)则是指实际为滑坡,但被分为背景的区域:
$$OE=\frac{FN}{TP+FN}$$ (6) 表3为子区域精度验证结果,滑坡识别精确率为85%以上,召回率74%以上, F1在80%以上,错分率(CE)在15%以下,而漏分率(OE)在25%以下,漏分现象主要发生于边界处,即有部分滑坡边界被分为了背景,但总体而言,滑坡识别流程可以识别出滑坡的主体和主要区域,具有较高的可靠性,可以应用于研究区域和整个研究时期(2014年10月—2022年7月)。
表 3 精度验证结果Table 3. Accuracy verification results区域 影像类型 Precision Recall CE OE F1 验证区域1 GF2 0.8614 0.8281 0.1386 0.1719 0.8444 验证区域2 ZY3 0.8573 0.8439 0.1427 0.1561 0.8506 验证区域3 ZY3 0.8650 0.7499 0.1350 0.2490 0.8034 验证区域4 GF2 0.8634 0.7561 0.1366 0.2439 0.8062 3.2 震后滑坡时空分布特征分析
根据2.1节滑坡识别流程得到震后多时期滑坡清单,将其进行可视化得到如图5(a)—(k)所示的分布图。总体上,2014年8月至2022年7月期间,地震后触发滑坡主要沿牛栏江、沙坝河以及龙泉河河谷两侧分布。距震中距离越近,越易触发滑坡,然而,此次距震中距离
2000 m的范围内,滑坡分布较少,主要分布在大于2000 m范围的区域内,原因是此次震中区域在龙头山一个平坦的盆地。同震及震后滑坡主要分布于地震烈度为Ⅸ级的区域内,地震烈度Ⅷ级范围同样分布着一个滑坡严重区域,位于震源中心西侧。如图5和表4,根据滑坡面积大小,以0.01 km2、0.02 km2为分隔点,将滑坡分为小、中、大滑坡3种规模。震后主要以面积小于0.01 km2的小型滑坡为主,其次为面积介于0.01 km2和0.02 km2的中型滑坡,数量相对较少的为大于0.02 km2的大型滑坡。2014年4月,地震前,小型滑坡和中型滑坡数量为36个和25个,无大型滑坡,小中型滑坡主要沿牛栏江分布,见图5(a);2014年8月地震初发后,小中大型滑坡数量骤增,大型滑坡数量达42个,主要沿沙坝河和牛栏江分布,见图5(b);2014年10月,震后2个月时间后,小型滑坡数量减少明显,中型滑坡数量变化较小,大型滑坡数量增多,见图5(c);震后8a时间,小中大型滑坡总体呈现逐期减少的趋势,截至2022年7月,小中大型滑坡数量为42,8,9,与震前相比,中型滑坡减少明显,而大型滑坡由0变为9,位于Ⅸ级地震烈度范围内,主要位于沿沙坝河分布的光明村滑坡群和沿牛栏江分布的红石岩滑坡,见图5(d)—(k)。
表 4 地震震后滑坡规模分布情况统计Table 4. Statistical distribution of landslide scale after earthquake2014年4月 2014年8月 2014年10月 2015年10月 2016年7月 2017年5月 2018年8月 2019年8月 2020年8月 2021年8月 2022年7月 小型滑坡/个 36 908 408 300 367 307 179 107 153 85 42 中型滑坡/个 25 64 56 37 54 37 27 25 24 9 8 大型滑坡/个 0 42 49 37 45 42 16 15 11 13 9 根据多时期震后滑坡数据清单得到的数量和面积,绘制如图6所示的分布情况统计图。鲁甸Ms6.5级地震震前滑坡数量较少,面积小于1 km2;2014年8月地震发生后,触发滑坡
1014 个,总面积5.16 km2,滑坡数量和面积急剧增加;震后2个多月时间内,滑坡数量急剧减少,但面积呈现略微增加趋势;震后8 a时间内,滑坡数量及面积总体呈下降趋势,但年份间存在波动,2016年7月、2020年8月较上一时期而言滑坡数量和面积略微上升。在地震后的2个月时间内,滑坡数量急剧减少,而滑坡总面积呈现略微增加趋势。原因是地震初期同震滑坡面积破碎,而在2个多月之后,由于人类紧急救援、降水等原因[22],破碎的小滑坡合并为成片的大面积滑坡,滑坡数量减少,面积则增加。在震后8a时间,滑坡数量和面积整体呈下降趋势。但2016年7月较2015年10月滑坡数量和面积均略微上升。根据鲁甸气象站降水数据可知(表5),2016年年降水总量超过
1100 mm,远超过其他年份降水总量,而地震后较长一段时间内,土壤等受到长期影响,降水极有可能引发更多的滑坡。文中所使用影像由2016年7月11日和7月25日构成,统计2016年7月25日前日降水数据,发现日降水大于25 mm超过9次,而根据降水分级显示,日降水总量大于25 mm则为大雨,由此可见,大雨事件可能导致了滑坡的扩大和发生[23]。2020年8月滑坡数量和面积较2019年8月有所上升,这与2020年5月18日21时47分,在云南省昭通市巧家县发生5.0级地震具有一定相关性,此次地震震源深度8 km,可能引发周边区域发生滑坡[24]。表 5 2014—2022年鲁甸地区降水统计Table 5. Statistics of precipitation in Ludian area from 2014 to 2022年份 2014 2015 2016 2017 2018 2019 2020 2021 2022 年降水量/mm 941.0 976.4 1107.1 955.4 879.7 721.9 794.5 742.2 861.4 3.3 震后滑坡时空面积变化
2014年8月,研究区内鲁甸Ms6.5级地震共触发同震滑坡
1014 个,总面积5.1577 km2。以2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡为比较基线,与2014年10月滑坡进行相交擦除等操作,得到如图7所示的滑坡时空面积变化分析图。2014年10月,滑坡集中在J1—J3区域,在原有的同震滑坡基础上进一步恢复的同时出现扩张滑坡,同时区域内也出现新增的滑坡。表6总结了地震后不同时期同震滑坡恢复、扩张和新增的滑坡面积以及活动率。表 6 滑坡活动面积变化及活动率统计Table 6. Landslide activity area change and activity rate statistics年月 恢复区域
/km2扩大面积
/km2新增面积
/km2活动面积
/km2活动率
/%2014年10月 2.81 2.08 0.80 2.88 55.78 2015年10月 3.23 1.27 0.77 2.03 39.44 2016年7月 3.41 1.52 1.10 2.63 50.98 2017年5月 3.21 1.07 0.90 1.97 38.28 2018年8月 4.20 0.73 0.50 1.23 23.79 2019年8月 4.39 0.48 0.44 0.91 17.70 2020年8月 4.27 0.36 0.44 0.80 15.48 2021年8月 4.55 0.33 0.22 0.55 10.67 2022年7月 4.50 0.20 0.11 0.31 6.08 从表6中可以看出,2014年10月、2015年10月、2016年7月、2017年5月、2018年8月、2019年8月、2020年8月、2021年8月、2022年7月,滑坡活动面积分别是2.88,2.03,2.63,1.97,1.23,0.91,0.80,0.55,0.31 km2,滑坡活动面积呈先减少后增加再持续减少的趋势。以2014年8月的同震滑坡活动率(P)为基线,滑坡活动性年衰减率分别为55.78%、39.44%、50.98%、38.28%、23.70%、17.70%、15.48%、10.67%、6.08%,年衰减率呈现与活动面积同样的规律。根据滑坡类型及活动率,发现2016年7月的滑坡扩大和新增面积较上一年有所增加,同时恢复区域较上一年也呈现增加的现象,表明此时期范围内活动性滑坡较多,扩大和新增滑坡明显。总体而言,随时间推移,同震滑坡逐渐恢复,扩大滑坡和新增滑坡面积总体呈现减少趋势,虽然仍有同震滑坡存在,但2022年只有6.08%的滑坡仍处于活动状态,这表明地震对滑坡的影响已经逐渐减弱。
3.4 震后滑坡活动期演化分析
根据表6所示滑坡活动面积变化及活动率和2.3节滑坡活动期分类标准,对鲁甸Ms6.5级地震震后滑坡进行活动期分析。2016年7月的滑坡活动率大于50%,扩大面积大于1.5 km2且新增滑坡面积大于1 km2,则将2016年7月以前称为强活动期;而2021年8月的滑坡活动率10%~50%、扩大滑坡面积0.2~1.5 km2、新增滑坡面积为0.2~1 km2,则2016年7月—2021年8月之间的时期为中等活动期;2021年8月以后的时间活动率小于10%、扩大和新增滑坡面积少于0.2 km2则为滑坡低活动期。
根据以上规则得出如图8所示的变化图。通过2014年8月―2022年7月不同阶段滑坡面积变化和活动率的定量分析,将鲁甸地震震后滑坡活动状态分为了强活动期、中等活动期和弱活动期。可见,随时间推移,同震滑坡面积逐渐减少,地震触发滑坡呈现逐渐恢复的趋势,扩滑坡表现出较为明显的扩张趋势,而滑坡新增面积相对较少。
如图8所示,2016年7月以前为滑坡强活动期,滑坡活动率先下降而后出现增长,滑坡扩张和新增趋势也较为明显,扩张明显的为震后两个月时间内,而新增明显的为2015年10月—2016年7月,主要原因是震后救灾致使滑坡扩张以及大量降雨导致了降雨型新滑坡的产生。
2016年7月—2021年8月期间为滑坡中等活动期,随时间推移,滑坡扩张和新增程度逐渐下降,滑坡活动率也呈现持续下降趋势,由2016年7月的50.98%下降为2021年的10.67%。2016年8月—2017年5月期间,较上一期滑坡数据清单而言,同震滑坡面积增多,恢复区域减少,说明已经恢复的同震滑坡区域再次变为滑坡,这与2017年2月9日发生在鲁甸县的Ms4.9级地震以及2020年5月18日发生在巧家的Ms5.0级地震可能具有相关性[24 − 25],2017年2月9日鲁甸Ms4.9级地震震中(27.07°N),位于2014年8月鲁甸地震震中的南东方向,二者相距约4 km。2019年9月至2020年8月期间,相较于上一期滑坡,已经恢复的同震滑坡再次变为滑坡,这与2020年5月18日巧家Ms5.0级地震具有相关性,此次地震震中为(27.18N,103.16E),震源深度8 km。这两次地震为2014年8月后鲁甸地震周边区域的二次冲击,会使已经恢复的同震滑坡区域再次被激活。
2021年9月之后为滑坡弱活动期,此时大部分小型滑坡均已恢复,依然存在的同震滑坡主要为红石岩滑坡、光明村等大型滑坡残留的滑坡臂以及靠近道路河流的部分滑坡,如图9所示,存留的大型滑坡内部植被还未明显恢复。
4. 结论
(1)建立了鲁甸地区多时期震后滑坡数据清单。历年来,震后滑坡数量面积呈现逐年下降趋势,2014年8月,研究区内滑坡数量
1014 个,面积为5.16 km2,截至2022年7月,滑坡数量为59个,面积不到1 km2,震后8a时间内,滑坡数量和面积呈现总体下降趋势。(2)震后滑坡主要分布于距断层距离
2000 m以上范围,并且主要集中于河谷两侧,此外,地震触发滑坡以小型滑坡为主,中等型滑坡数量相对较少,而大型滑坡数量少,但面积多。(3)2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡活动率为100%,以此为比较基线,2014年10月、2015年10月、2016年7月、2017年5月、2018年8月、2019年8月、2020年8月、2021年8月、2022年7月的滑坡活动性年衰减率分别为55.78%、39.44%、50.98%、38.28%、23.70%、17.70%、15.48%、10.67%、6.08%,总体呈现逐渐下降趋势。截至2022年7月,只有6.08%的滑坡仍处于活动状态,表明地震对滑坡的影响已经逐渐减弱。
(4)震后滑坡存在强活动期(2014年8月—2016年7月)、中等活动期(2016年8月—2021年8月)、弱活动期(2021年9月—2022年7月),总体而言,截至2022年7月,地震造成的滑坡以及影响还未完全恢复。
-
表 1 数据简介
Table 1 Data overview introduction
数据 灾点及
致灾要素类型 来源 地灾 地灾点 矢量点 地质灾害历年调查数据 地质 工程地质岩组 矢量面 地质灾害调查与区划报告[15] 距断裂距离 矢量线和缓冲区 地质灾害调查与区划报告[15] 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 道路 距道路距离 矢量线缓冲区 根据矢量线用ArcGIS制作 水系 距水系距离 矢量线缓冲区 根据矢量线用ArcGIS制作 土地类型 地类 栅格 ESA WorldCover 10 m 2020,
https://esa-worldcover.org/en表 2 因素证据权重计算结果表
Table 2 Results of factor evidence weight calculation
因
素因素分级 因素分级
面积百分
比(%)灾点数
百分比
(%)β W+ W− Wf 因
素因素分级 因素分级
面积百分
比(%)灾点数
百分比
(%)β W+ W− Wf 工
程
岩
组块状次硬岩组(A) 9.92 23.94 2.41 0.8824 − 0.1693 1.0517 坡
度/
(°)<8 10.63 10.47 0.98 − 0.0144 0.0017 − 0.0161 块状次软岩组(B) 13.32 3.49 0.26 − 1.3393 0.1075 − 1.4468 8~15 25.22 30.92 1.23 0.2041 − 0.0794 0.2835 层状软硬岩组(C) 74.45 69.83 0.94 − 0.0642 0.1665 0.2307 15~25 40.78 41.15 1.01 0.0089 − 0.0062 0.0151 层状软弱岩组(D) 1.42 1 0.70 − 0.3520 0.0043 − 0.3563 25~35 19.2 15.46 0.81 − 0.2170 0.0453 − 0.2623 松散岩组(E) 0.9 1.75 1.94 0.6658 − 0.0086 0.6744 35~45 3.83 2 0.52 − 0.6514 0.0189 − 0.6703 距
断
裂
距
离/
m0~50 1.01 2.99 2.96 1.0855 − 0.0202 1.1057 45~69 0.34 0 0.00 0.0000 0.0034 0.0034 50~100 1.01 1.25 1.24 0.2158 − 0.0024 0.2182 距
河
流
距
离/
m<50 6 6.8 1.13 0.1252 − 0.0086 0.1338 100~300 4.06 8.73 2.15 0.7659 − 0.0499 0.8158 50~100 5.91 7.05 1.19 0.1763 − 0.0122 0.1885 300~500 4.05 7.48 1.85 0.6157 − 0.0365 0.6522 100~300 22.56 29.47 1.31 0.2673 − 0.0935 0.3608 500~ 1000 9.83 10.47 1.07 0.0640 − 0.0072 0.0712 300~500 19.88 20.4 1.03 0.0260 − 0.0066 0.0326 > 1000 80.05 69.08 0.86 − 0.1475 0.4388 − 0.5863 500~ 1000 31.79 27.96 0.88 − 0.1284 0.0546 − 0.1830 高
程/
m<800 10.45 9.73 0.93 − 0.0717 0.0080 − 0.0797 > 1000 13.86 8.31 0.60 − 0.5113 0.0624 − 0.5737 800~ 1100 14.44 14.46 1.00 0.0020 − 0.0003 0.0023 距
道
路
距
离/
m<50 4.63 7.23 1.56 0.4464 − 0.0277 0.4741 1100 ~1300 10.94 7.98 0.73 − 0.3157 0.0327 − 0.3484 50~100 4.55 7.48 1.64 0.4968 − 0.0312 0.5280 1300 ~1500 13.62 17.71 1.30 0.2630 − 0.0486 0.3116 100~300 17.11 26.43 1.54 0.4354 − 0.1194 0.5548 1500 ~1700 14.53 18.7 1.29 0.2528 − 0.0501 0.3029 300~500 15.02 19.2 1.28 0.2459 − 0.0505 0.2964 1700 ~1900 11.14 18.95 1.70 0.5317 − 0.0921 0.6238 500~ 1000 28.64 25.19 0.88 − 0.1286 0.0473 − 0.1759 1900 ~2100 8.94 10.22 1.14 0.1340 − 0.0142 0.1482 > 1000 30.04 14.46 0.48 − 0.7315 0.2013 − 0.9328 2100 ~2500 11.43 2 0.17 − 1.7462 0.1013 − 1.8475 地
类林地(A) 70.37 47.38 0.67 − 0.3959 0.5752 0.9711 2500 ~3200 4.52 0.25 0.06 − 2.8976 0.0438 − 2.9414 灌木(B) 0.4 0.5 1.25 0.2097 − 0.0009 0.2106 坡
向北东(NE) 14.73 17.96 1.22 0.1979 − 0.0385 0.2364 草地(C) 13.55 14.46 1.07 0.0655 − 0.0107 0.0762 东(E) 13.72 20.95 1.53 0.4236 − 0.0876 0.5112 耕地(D) 11.34 26.18 2.31 0.8378 − 0.1834 1.0212 南东(SE) 12.99 14.21 1.09 0.0902 − 0.0142 0.1044 建筑(E) 0.64 2.49 3.89 1.3701 − 0.0189 1.3890 南(S) 12.73 12.22 0.96 − 0.0409 0.0058 − 0.0467 裸地(F) 3.47 8.98 2.59 0.9509 − 0.0588 1.0097 南西(SW) 10.93 7.23 0.66 − 0.4129 0.0407 − 0.4536 开阔水域(G) 0.22 0 0.00 0.0000 0.0000 0.0000 西(W) 10.43 6.48 0.62 − 0.4757 0.0431 − 0.5188 北西(NW) 11.34 8.23 0.73 − 0.3206 0.0345 − 0.3551 北(N) 13.14 12.72 0.97 − 0.0323 0.0048 − 0.0371 表 3 地质灾害易发性分区表
Table 3 Geological hazard susceptibility zoning table
易发性分区 面积/km2 占总面积/% 灾点数 灾点百分比/% 高 1532.94 36.11 297 74.06 中 2119.07 49.92 99 24.69 低 592.72 13.97 5 1.25 -
[1] 曹慧,何政伟,陈亮. 云南某县地质灾害与土地利用类型相关性分析[J]. 测绘科学,2007,32(2):114 − 115. [CAO Hui,HE Zhengwei,CHEN Liang. The relevancy analysis of geological hazard and land-use types in some County of Yunnan Province[J]. Science of Surveying and Mapping,2007,32(2):114 − 115. (in Chinese with English abstract)] DOI: 10.3771/j.issn.1009-2307.2007.02.041 CAO Hui, HE Zhengwei, CHEN Liang. The relevancy analysis of geological hazard and land-use types in some County of Yunnan Province[J]. Science of Surveying and Mapping, 2007, 32(2): 114 − 115. (in Chinese with English abstract) DOI: 10.3771/j.issn.1009-2307.2007.02.041
[2] 仲冰. 云南省新平县滑坡灾害风险评估研究[D]. 北京:中国地质大学(北京),2008. [ZHONG Bing. Study on risk assessment of landslide disaster in Xinping County,Yunnan Province[D]. Beijing:China University of Geosciences,2008. (in Chinese with English abstract)] ZHONG Bing. Study on risk assessment of landslide disaster in Xinping County, Yunnan Province[D]. Beijing: China University of Geosciences, 2008. (in Chinese with English abstract)
[3] 徐为. 基于区域风险评估的降雨型地质灾害监测预警方法研究——以云南哀牢山新平县为例[D]. 北京:中国科学院大学,2013. [XU Wei. Study on monitoring and early warning method of rainfall geological disasters based on regional risk assessment:A case study of Xinping County,Ailao mountain,Yunnan Province[D]. Beijing:University of Chinese Academy of Sciences,2013. (in Chinese with English abstract)] XU Wei. Study on monitoring and early warning method of rainfall geological disasters based on regional risk assessment: A case study of Xinping County, Ailao mountain, Yunnan Province[D]. Beijing: University of Chinese Academy of Sciences, 2013. (in Chinese with English abstract)
[4] 康杰. 云南新平县地质灾害形成机制及易发性分区研究[D]. 昆明:昆明理工大学,2021. [KANG Jie. Study on formation mechanism and susceptibility zoning of geological disasters in Xinping County,Yunnan Province[D]. Kunming:Kunming University of Science and Technology,2021. (in Chinese with English abstract)] KANG Jie. Study on formation mechanism and susceptibility zoning of geological disasters in Xinping County, Yunnan Province[D]. Kunming: Kunming University of Science and Technology, 2021. (in Chinese with English abstract)
[5] 金德山. 县域地质灾害调查是构筑地灾防治工作体系的基石——以云南省为例[J]. 中国地质灾害与防治学报,2005,16(3):28 − 30. [JIN Deshan. County territory investigation of geo-disaster is the footstone of geo-disaster control system:Taking the Yunnan Province as a example[J]. The Chinese Journal of Geological Hazard and Control,2005,16(3):28 − 30. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1003-8035.2005.03.007 JIN Deshan. County territory investigation of geo-disaster is the footstone of geo-disaster control system: Taking the Yunnan Province as a example[J]. The Chinese Journal of Geological Hazard and Control, 2005, 16(3): 28 − 30. (in Chinese with English abstract) DOI: 10.3969/j.issn.1003-8035.2005.03.007
[6] BONHAM-CARTER G,AGTERBERG F,WRIGHT D. Weights of evidence modelling:A new approach to mapping mineral potentia[J]. Paper - Geological Survey of Canada,1990:171 − 183.
[7] 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
[8] 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. Oxford:Oxford University Press,1994.
[9] LUSTED LEE B. An introduction to medical decision making[J]. American Journal of Physical Medicine & Rehabilitation,1970,49(5):322.
[10] 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
[11] 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)] DOI: 10.19657/j.geoscience.1000-8527.2020.091 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) DOI: 10.19657/j.geoscience.1000-8527.2020.091
[12] 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]. 工程地质学报,2023,31(1):165 − 175. [LIU Luyao,GAO Huiying. Landslide susceptibility evaluation based on the coupling of evidence weight and Logistic regression model[J]. Journal of Engineering Geology,2023,31(1):165 − 175. (in Chinese with English abstract)] DOI: 10.13544/j.cnki.jeg.2020-482 LIU Luyao, GAO Huiying. Landslide susceptibility evaluation based on the coupling of evidence weight and Logistic regression model[J]. Journal of Engineering Geology, 2023, 31(1): 165 − 175. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2020-482
[13] 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):16 − 28. [HUANG Faming,SHI Yu,OUYANG Weiping,et al. Landslide susceptibility prediction modeling based on weight of evidence and Chi-square automatic interactive detection decision tree[J]. Journal of Civil and Environmental Engineering,2022,44(5):16 − 28. (in Chinese with English abstract)] HUANG Faming, SHI Yu, OUYANG Weiping, et al. Landslide susceptibility prediction modeling based on weight of evidence and Chi-square automatic interactive detection decision tree[J]. Journal of Civil and Environmental Engineering, 2022, 44(5): 16 − 28. (in Chinese with English abstract)
[14] 孙滨,祝传兵,康晓波,等. 基于信息量模型的云南东川泥石流易发性评价[J]. 中国地质灾害与防治学报,2022,33(5):119 − 127. [SUN Bin,ZHU Chuanbing,KANG Xiaobo,et al. Susceptibility assessment of debris flows based on information model in Dongchuan,Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(5):119 − 127. (in Chinese with English abstract)] SUN Bin, ZHU Chuanbing, KANG Xiaobo, et al. Susceptibility assessment of debris flows based on information model in Dongchuan, Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(5): 119 − 127. (in Chinese with English abstract)
[15] 云南地质环境监测总站,云南地质工程第二勘察院. 云南省新平县地质灾害调查与区划报告[R]. 2003. [Yunnan Geological Environment Monitoring Station,The Second Survey Institute of Geological engineering. Geological hazards survey and division in Xinping County,Yunnan Province[R]. 2003. (in Chinese)] Yunnan Geological Environment Monitoring Station, The Second Survey Institute of Geological engineering. Geological hazards survey and division in Xinping County, Yunnan Province[R]. 2003. (in Chinese)
[16] 尹洪峰,谢博,赵体,等. 云南省新平县地质灾害发育特征及防治对策研究[J]. 长春工程学院学报(自然科学版),2006,7(2):54 − 56. [YIN Hongfeng,XIEBo,ZHAOTi,et al. Research on developing characteristics and preventing measures of geology disaster in Xinping Country of Yunnan Province[J]. Journal of Changchun Institute of Technology (Natural Sciences Edition),2006,7(2):54 − 56. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1009-8984.2006.02.018 YIN Hongfeng, XIEBo, ZHAOTi, et al. Research on developing characteristics and preventing measures of geology disaster in Xinping Country of Yunnan Province[J]. Journal of Changchun Institute of Technology (Natural Sciences Edition), 2006, 7(2): 54 − 56. (in Chinese with English abstract) DOI: 10.3969/j.issn.1009-8984.2006.02.018
[17] 自然资源部.地质灾害风险调查评价技术要求(1∶ 50000 )::FXPC/ZRZY B-01[S]. 2020. [Ministry of Natural Resources of the People's Republic of China.Technical requirements of survey and evaluation for geohazard risk (1: 50 000):FXPC/ZRZY B-01[S]. 2020. (in Chinese)]Ministry of Natural Resources of the People's Republic of China.Technical requirements of survey and evaluation for geohazard risk (1: 50 000):FXPC/ZRZY B-01[S]. 2020. (in Chinese)
[18] 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
[19] WALKER S P. The ROC curve redefined:Optimizing sensitivity (and specificity) to the lived reality of cancer[J]. New England Journal of Medicine,2019,380(17):1594 − 1595. DOI: 10.1056/NEJMp1814951
[20] 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