Assessment of landslide susceptibility in southeast Xizang Region based on multiple models
-
摘要:
藏东南地区地质环境复杂、灾害频发,滑坡给区内工程建设和人财安全造成较大威胁。为选出藏东南地区区域滑坡预测精度较高的模型,文章通过实地调研修正滑坡点数据,结合地形地貌因子、地质因子、地表覆盖因子和诱发因子并通过主成分分析法进行因子筛选,采用频率比模型、BP神经网络模型以及两种模型耦合来进行藏东南地区区域滑坡预测,最后用ROC曲线来检验模型精度。结果表明:经过因子筛选后的频率比模型对藏东南地区预测精度最高(AUC=0.889),通过主成分分析剔除因子的模型精度高于未剔除因子模型精度且藏东南地区滑坡主要沿水系分布,多分布在雅鲁藏布江、达曲、藏曲、怒江、澜沧江、伟曲、詹曲和扎曲两侧。利用所得模型对研究区灾害进行预测,得出滑坡点均处于高易发区及易发区内,研究得出的模型可为藏东南地区工程建设提供技术参考。
Abstract:The geological environment in southeast Xizang is complicated and disasters occur frequently. Landslides pose a great threat to engineering construction and human and financial safety in the region. In order to select models with higher precision for regional landslide prediction in southeast Xizang, this paper used modified landslide point data through field investigation, combined with topographic and geomorphic factors, geological factors, land cover factors and induced factors, and screened the factors through principal component analysis. Frequency ratio models, BP neural network models, and a combination of the two models were used for regional landslides prediction in southeast Xizang. Finally, ROC curves were used to evaluate the model accuracy. The results showed that the frequency ratio model after factor selection had the highest prediction accuracy for southeast Xizang (AUC=0.889). Models with factors removed through principal component analysis had higher accuracy than those without removal, and landslides in southeast Xizang were mainly distributed along river systems, including the Yarlung Zangbo River, Daqu River, Zangqu River, Nujiang River, Lancang River, Weiqu River, Janqu River and Zhaqu River. The models were used to predict the disaster in the study area, revealing that landslide points were located in high susceptibility and susceptibility zones. The models developed in this study can provide technical reference for engineering construction in southeast Xizang.
-
Keywords:
- geological hazards /
- landslide /
- frequency ratio /
- BP neural networks /
- southeast Xizang
-
0. 引言
近年来,我国工程建设逐步向西部推进,泥石流灾害对居民生活、工程建设的危害日益增显,不仅威胁工程的建设及运营,严重的甚至可以导致人员伤亡[1 − 5]。川西藏东交通廊道位于青藏高原东南缘,东起成都,向西经康定、昌都终至拉萨,是西藏自治区与外省的重要通道[6 − 7]。该地区地形起伏大,地质条件复杂,新构造运动活跃发育,河流冰川发育,气候湿润,为泥石流高发地区,因泥石流活动导致公路、铁路交通阻断、施工事故的案例屡见不鲜[8 − 10]。在此地区的工程建设中,受复杂地形地貌影响,铁路、公路选线常常出现无法绕避泥石流沟的情况,因此科学评价泥石流的发育特征并快速准确揭示泥石流动力学特性,对于川西藏东交通廊道安全建设具有重要意义。
前人针对川西藏东交通廊道泥石流灾害发育特征和对工程影响研究众多。王运生等[11]分析了川藏铁路泸定段的地质环境条件,提出该地区泥石流主要以堵河-溃决的危害形式影响工程设施。向兵等[9]认为丰富物源是川西地区低频泥石流危害性大的关键,并提出了川西地区针对公路泥石流防控的要点。袁东等[12]分析了西部山区交通廊道泥石流的发育类型和分布规律,指出了工程建设中防控难点和对策建议。
泥石流流量、流速等动力学特性分析对于防治工程的设计起重要作用。对于流速,现阶段的计算公式:弯道超高公式、基于量纲分析的经验公式、基于运动模型的半经验公式和改进的曼宁公式,而在工程实际中最多采用的一般为第二种[13 − 15]。流量计算方法包括:配方法、形态调查法、综合成因法和经验公式法,其中考虑堵塞因素的雨洪修正法也是配方法的一种,目前应用最广泛[16]。另外,胡卸文等[18 − 19]对火后泥石流、冰湖溃决型泥石流、震后泥石流等特殊泥石流的流量计算方法也进行了探讨论述。近年来,GIS技术在泥石流防控工作的应用也逐渐增多[20],传统泥石流参数计算方法在量取流域参数时效率较低,计算位置局限于某一特定断面。如何提升计算效率以满足日益增加的工程需求成为了现阶段泥石流灾害防治工作的新挑战。
毛家沟位于甘孜藏族自治州康定市境内,为典型的“宽缓沟道型泥石流”。G4218线康定—新都桥段高速公路(以下简称“康新高速”)拟设选线方案都以桥隧形式穿越毛家沟及其支沟磨子沟、野人沟。本文通过现场调查、遥感解译,分析了毛家沟泥石流的孕灾环境和发育特征,基于雨洪修正法,提出了利用GIS、Matlab揭示毛家沟沟道各点动力学特征参数的方法,为康新高速的线路方案选取和灾害防控及川西藏东交通廊道地质灾害防控提供了理论科学依据。
1. 研究区泥石流孕灾环境
1.1 地形地貌
毛家沟位于四川盆地青藏高原东南缘过渡区的川西高原,为大渡河支流折多河右岸支沟,地形切割强烈,高山峡谷地貌,河谷宽缓,山体陡峻(图1)。高程
3201 ~5487 m,最大相对高差2286 m,沟谷岸坡坡度15°~77°主支沟沟口泥石流堆积扇明显,多有挤压主河道现象。毛家沟流域面积144.29 km2,主沟长23.48 km,形态顺直,平均纵坡降75.3‰,共发育14条支沟,其中野人沟和磨子沟流域面积最大,沟道与主沟大角度相交,在下游交汇,流域特征参数见表1。
表 1 毛家沟主、支沟流域特征参数Table 1. Basin characterization parameters of main and branch ditches basins in Maojia gully沟域 流域江水面积/km2 江水沟长/km 平均纵坡降/‰ 毛家沟 144.29 23.48 75.30 磨子沟 20.73 8.18 174.85 野人沟 42.54 11.73 182.50 3#支沟 1.19 1.82 472.79 4#支沟 4.75 3.24 223.86 5#支沟 4.40 2.95 279.51 6#支沟 4.84 3.18 235.62 7#支沟 5.97 3.75 163.83 8#支沟 6.91 4.53 169.08 9#支沟 3.13 1.98 228.49 10#支沟 4.76 2.42 174.81 1-1#支沟 6.56 3.20 155.96 2-1#支沟 5.75 3.69 199.59 2-2#支沟 8.67 3.80 189.96 8-1#支沟 0.68 0.60 381.43 1.2 水源条件
泥石流暴发的主要水源条件是降雨、融雪和冰湖溃决[22]。研究区属青藏高原亚湿润气候区,年平均降雨量约
1100 mm,集中在5~9月,降水强度大,历时短,易形成暴雨型泥石流。上游海拔高,常年积雪,夏季冰雪融水量大,为泥石流起动提供一定水源条件。上游发育一处冰湖,根据遥感解译,现状面积约5.7×104 m2,历史变化不显著,周围无明显冰崩、冰滑坡,溃决可能性较小,形成冰湖溃决型泥石流可能性小。近30年,康定地区由短时强降雨引发泥石流共记录到40次[22],因此,短时暴雨仍是毛家沟泥石流最主要的水源激发条件。1.3 物源储量
流域内主要出露地层为燕山晚期似斑状黑云花岗岩($ {\gamma}_{\text{βn5}}^{\text{3}} $)、上三叠统居里寺组板岩、石英砂岩(T1j)。在多期强烈地震作用下,流域内岩体破碎、风化强烈,滑坡崩塌不良地质现象发育。上游山地冰川发育,冰碛物堆积体分布广泛。构造及冰川活动导致沟内第四系松散堆积物种类丰富,涵盖第四系更新统(${\mathrm{Q}}{\mathrm{p}}^{fgl} $)冰水堆积层,全新统崩坡积层(${\mathrm{Q}}{\mathrm{h}}^{col+dl}$)、冲洪积层(${\mathrm{Q}}{\mathrm{h}}^{al+pl} $)、泥石流堆积层(${\mathrm{Q}}{\mathrm{h}}^{sef} $)和人工填筑层(${\mathrm{Q}}{\mathrm{h}}^{ml} $)等。
根据野外调查及遥感解译,沟域内发育物源主要有5类:崩滑物源、沟道物源、坡面物源、早期冰碛物源、冻融物源。沟域内共发育294处物源,估算物源总静储量2.7×108 m3,动储量7.7×106 m3,典型物源照片见图2。
1.4 泥石流活动历史
根据走访调查,毛家沟主沟四十年来未暴发大规模泥石流,1995年曾暴发山洪。部分支沟沟口堆积扇发育,且沟道侵蚀作用明显,呈泥石流堆积特征,历史暴发泥石流频率较高(图3)。
2. 泥石流动力学特性
泥石流的流量、流速、泥深、整体冲击力等动力学参数是泥石流灾害防控中的重要依据。本文基于雨洪修正法对上述参数计算,流程见图4。
2.1 计算参数
研究区处于川西山地,相对高差200 m以上,故在确定流域产流参数(μ)、汇流参数(m)时,皆采用“川西南山地”分区对应公式。假定暴雨历时1~6 h,暴雨参数选取n2,N是暴雨公式指数,n=1+1.285log(SP/H6P),Ψ是洪峰径流系数,Ψ=1−(1.1μ/SP·$\tau_0^n $)。
泥石流容重(γc)及泥深修正系数(φ)由数量化得分获取,根据《泥石流灾害防治工程勘查规范》(DZ/T0220—2006)[23],对毛家沟、野人沟及磨子沟进行泥石流易发性评价,分别得分84,90,98,为轻度、中度、中度易发,查附录G可知,容重(γc)分别为1.579,1.676,1.621 g/cm3;泥沙修正系数(φ)分别为0.549,0.710,0.611。根据四川省暴雨统计参数图集,研究区所处位置10 min、1 h、6 h、24 h暴雨均值分别为5,9,24,37 mm,变差系数分别为0.55,0.43,0.39,0.38。本文中分别取降雨频率P=5%、2%、1%。
根据调查在毛家沟内发现7处潜在堵塞点,分布位置见图5a,引发堵塞的原因包括支沟泥石流暴发、崩塌滑坡失稳挤压主沟道等,毛家沟、野人沟、磨子沟沟道总体较顺直,河段宽窄较均匀,陡坎、卡口不多;主支沟交角多小于60°,形成区不大集中;河床堵塞情况一般,堵塞系数取值1.5~2.5,沟床糙率系数取值10~20。从上游至下游随堵塞点变多逐步变大。例如,堵溃点D5处沟道左岸发育一处中型崩塌,如图5b,体积约2.5×104m3,沟道内多崩塌碎块石,堵沟较严重,堵塞系数(Dc)取值由1.6变为1.7,沟床糙率系数(M)取值由16变为18;堵溃点D1处主沟沟道受两支沟沟口挤压,如图5c,沟口堆积体体积约9×104m3,沟道堵塞程度较严重,堵塞系数(Dc)取值由1.8变为1.9,沟床糙率系数(M)取值由18变为20。堵塞系数(Dc)、沟床糙率系数(M)沿沟道分段赋值结果见表2。
表 2 堵溃点位置及成因Table 2. The location and cause of the plugging point沟道 堵溃点 距沟口位置/km 堵塞系数 沟床糙率系数 堵塞原因 毛家沟 D1 4.2 1.9 20 磨子沟、野人沟
挤压主沟1.8 18 D2 6.9 左岸崩滑体 1.7 16 D3 9.5 6#、7#支沟
挤压主沟1.6 14 D4 16.2 大块石 1.5 12 野人沟 D5 5.3 1.7 18 左岸崩滑体 1.6 16 D6 8.1 支沟挤压 1.5 14 磨子沟 D7 4.2 1.6 16 支沟挤压 1.5 14 沟道宽度(D)指泥石流行进过程中流经轨迹的宽度,是计算泥石流流速(Vc)的主要控制参数,一般可在现场观察泥石流、洪水痕迹测量获取。定义沟谷宽度(W)为沟道岸坡坡度突增处间距,获取过程如下:选取沟道内一点做垂直于沟道的剖面线,读取剖面线上各点高程,沟道线与剖面线交点即为沟底,高程最低,由此点向剖面线左右两侧,以一定间距x0(由DEM精度确定,本文中取12.5 m)为间隔,计算高差ΔHi及高差增率δi,如式(1)—(3),寻找高差增率(δi)第一次超过50%的地形点,所得左右两侧两点至对岸水平距离平均值为沟谷宽度(W),示意图见图6。此过程可基于DEM数据,利用Python代码库GDAL、Shapely实现。
$$ \mathrm{\Delta}{H}_{{i}}{=H}_{{i+1}}{-H}_{{i}} $$ (1) $$ {\delta}_{{i}}=(\Delta{H}_{{i+}\mathrm{1}}\mathrm{-\Delta}{H}_{{i}})/\Delta{H}_{i} $$ (2) $$ {W}=({W}_{\mathrm{L}}+{W}_{\mathrm{R}})/2 $$ (3) 式中:Hi——岸坡某处海拔高程/m;
ΔHi——间隔x0内岸坡高差/m;
δi——相邻间隔高差增率/m;
WL(R)——左(右)侧δi首次超过50%的地形点至对 岸水平距离/m;
W——泥石流沟谷宽度/m。
毛家沟作为典型“宽缓沟道型泥石流沟”,沟道长,高差大,泥石流暴发不频繁,痕迹不明显,直接测量沟道宽度难度大。因此本文结合遥感影像及现场调查,获取了16处泥石流沟道宽度(表3),与处理DEM数据得到的沟谷宽度对比拟合,得出幂函数拟合关系如式(4),函数曲线见图7。通过拟合公式计算反推得到沟道宽度(D)栅格,进行泥石流流速等参数计算。
表 3 沟道宽度、沟谷宽度统计Table 3. Statistics of the width of the ditch and valley沟道 距沟口距离/km 沟谷宽度/m 沟道宽度/m 毛家沟 1.09 62 37 2.38 99 47 2.99 112 53 4.32 87 45 6.82 110 51 9.23 99 48 11.70 136 62 13.36 87 44 野人沟 0.72 112 53 1.72 150 67 2.84 161 75 4.54 100 45 磨子沟 1.17 112 52 2.37 124 52 2.88 113 56 3.80 137 54 $$ {D}\mathrm{=1.467}{W}^{\mathrm{0.758}},\;{R}^{\mathrm{2}}\mathrm{=0.866} $$ (4) 式中:D——泥石流沟道宽度/m;
W——泥石流沟谷宽度/m。
利用ArcGIS:Hydrology模块提取毛家沟、野人沟、磨子沟流域参数。其中,数字高程数据(DEM)来源于日本ALOS卫星相控阵型L波段合成孔径雷达(PALSAR),精度12.5m。首先利用ArcMAP水文分析模块中的填洼(fill)对DEM数据修正,并使用流向(flow direction)确定流域沟道汇水范围,使用河网链接(stream link)、河网分级(stream order)和河网栅格矢量化(stream to feature)确定毛家沟内汇水沟道,重分类后保留毛家沟主沟、野人沟、磨子沟沟道,之后使用流量(flow accumulation)和栅格字段计算器确定沟道各点的汇水面积(F)、汇水沟长(L)、平均纵坡降(J),流域参数提取流程见图8。
2.2 计算结果
分别计算毛家沟、野人沟、磨子沟降雨频率在P=5%、P=2%、P=1%下的泥石流流量、流速、泥深、整体冲击力等动力学特征参数。结果显示,在不同降雨频率下,毛家沟暴发泥石流的最大峰值流量分别为420,566,676 m3/s;最大流速分别为6.1,5.7,7.2 m/s;最大泥深为2.1,2.3,2.5 m;最大整体冲击力7.4,8.5,9.6 tF/m2;动力学参数最大点均位于毛家沟沟口。
各项动力学参数均呈现由上游到下游数值逐渐增大、在主支沟交汇点陡增两个特点,分析动力学参数变化与潜在堵溃点分布位置关系,以P=1%时为例,毛家沟、磨子沟、野人沟内的泥石流峰值流量随距沟口距离减小而增大,分别在7个潜在堵溃点处陡增20.8%~122.9%,在D1处,流量由293 m3/s陡增至655 m3/s;D3处由193 m3/s陡增至250 m3/s;D5处148 m3/s陡增至198 m3/s(图9)。另外,流量在陡增后,流域和沟道形态变化明显,汇水面积和汇水沟长增加,沟道纵坡降降低,故峰值流量呈现小幅下降的趋势。毛家沟的各项动力学特征参数计算结果见图10 − 13。
3. 泥石流对拟设线路的影响评价
拟建康新高速公路两种比选方案皆以桥隧形式通过毛家沟。K线服务区设于毛家沟下游右岸山坡,通过1#桥以隧道形式穿越毛家沟,通过2#桥进入磨子沟左岸山体,两处大桥桥面最低高程分别为
3447.24 ,3577.40 m。N3线1#大桥设于野人沟沟口,2#桥设于毛家沟、磨子沟与野人沟交汇处上游500 m处,两处大桥桥面最低高程分别为3439.54 ,3574.97 m。考虑10 m的安全高度及泥石流爬高过程中受沟床阻力的影响,分析4处拟设桥位处的泥石流影响高度,其中泥石流爬高∆Hc、影响高度(H)计算公式如式(5)—(6)。K线服务区(1#桥)与N3线1#桥位置重合,取相同的泥石流动力学参数。拟设桥位处各动力学参数见表4。
表 4 拟设桥位处泥石流动力学参数Table 4. Dynamic parameters of debris flow at the proposed bridge site动力学参数 设计频率/% N3线1#桥/K线服务区 N3线2#桥 K线2#桥 泥石流流量/(m3·s−1) 5 124.57 181.58 91.52 2 169.71 247.71 124.28 1 203.71 298.34 148.73 泥石流流速/(m·s−1) 5 4.41 3.05 3.83 2 4.62 3.55 4.43 1 4.78 4.06 4.70 泥石流泥深/m 5 0.48 1.11 0.36 2 0.56 1.20 0.44 1 0.89 1.34 0.51 泥石流整体冲击力/(tF·m−2) 5 6.22 2.60 4.71 2 7.27 3.58 8.08 1 8.20 9.41 9.55 泥石流影响高度/m 5 11.47 11.58 11.11 2 11.65 11.84 11.44 1 12.06 12.18 11.64 注:tF是吨力,为1吨质量产生的力,工程单位制中力的主单位,1 tF=9.8×103 N。 $$ \Delta{H_{\mathrm{c}}}=V_{\mathrm{c}}^{\mathrm{2}}\mathrm{/2}{g} $$ (5) $$ {H}\mathrm={H_{\mathrm{c}}}{+\Delta}{H_{\mathrm{c}}}+{H'} $$ (6) 式中:∆Hc——泥石流爬高/m;
Vc——泥石流流速/(m·s−1);
g——重力加速度/(m·s−2);
H——泥石流影响高度/m;
Hc——泥石流泥深/m;
H'——安全高度,取10 m。
根据线路与沟道相对位置,分析拟设桥面高度与P=1%时的泥石流影响高度(图14—15),泥石流不会直接对桥面直接冲击淤埋,但可能对桥墩产生直接威胁,危害方式包括:(1)裹挟大块石冲击损坏桥墩;(2)堵塞桥涵导致桥墩侧向变形倾斜,影响桥体安全;(3)桥墩基础受冲刷掏蚀导致桥体不均匀沉降。
2种方案均受毛家沟泥石流暴发的威胁,为保证线路运营安全,需建立完善的泥石流预警系统,必要时可根据动力学参数结果采取相应治理措施。此外,为避免增加毛家沟内可启动物源,需加强工程建设弃渣、土石料的安全管理。
4. 结论
(1)毛家沟位于川西藏东交通廊道的高山峡谷地区,流域面积大,地形高差大,沟道长缓,支沟发育,属于典型的“宽缓沟道型泥石流沟”。受构造活动影响,沟内山体风化强烈,岩体破碎,为泥石流发育提供了丰富的物源,同时充足的降雨及冰雪融水为泥石流的起动提供了触发条件。
(2)基于GIS,在研究区DEM栅格数据的基础上,提取了沟道各点的汇水面积(F)、汇水沟长(L)、平均纵坡降(J)、沟谷宽度(W)等流域参数栅格。同时根据统计分析,得到了沟道宽度(D)与沟谷宽度(W)的函数关系(D=1.467W0.758)。
(3)利用Matlab和Python,对获取的流域参数栅格进行矩阵运算,揭示了毛家沟在降雨概率P=5%、2%、1%时的沟道各点的泥石流峰值流量、流速、泥深、整体冲击力。各项动力学参数最大值均出现在毛家沟沟口,流量在堵溃点处陡增20.8%~122.9%。
(4)分析拟设康新高速两种方案4处桥址处的泥石流动力学参数,采用高架桥的方案可避免泥石流对线路的直接冲淤,但桥墩会存在受泥石流冲击损坏的可能。建议合理选取桥基桥墩位置,必要设置治理措施,同时加强工程建设土石材料与弃渣的堆放管理。
-
表 1 数据来源
Table 1 Summary table of data sources
一级因子 二级因子 数据来源 类型 精度 地形因子 坡度 国家地理空间数据云(www.gscloud.cn)
国家地质资料数据中心(www.ngac.org.cn)栅格 30 m 坡向 栅格 30 m 高程 栅格 30 m 地形起伏度 栅格 30 m 地质因子 地层岩性 GLi M 全球岩性数据集 栅格 30 m 地表覆盖因子 距河流距离 1∶100万全国基础地理信息数据 矢量 1∶50 000 距道路距离 矢量 1∶50 000 土地利用率 中国科学院资源环境科学与技术中心 矢量 1∶50 000 诱发因子 降雨量 栅格 30 m 表 2 因子相关性分析
Table 2 Factor correlation analysis
坡度 坡向 高程 地形起伏度 距河流距离 距道路距离 土地利用 降雨量 地层岩性 坡度 1 坡向 0.062 1 高程 −0.072 −0.016 1 地形起伏度 0.679** 0.077* −0.167** 1 距河流距离 −0.07 0 0.413** −0.073 1 距道路距离 0.053 0.047 −0.049 0.198** 0.162** 1 土地利用 0.007 0.026 0.073 0.053 0.057 0.186** 1 降雨量 0.149** 0.155** −0.547** 0.259** −0.228** 0.195** 0.008 1 地层岩性 0.110** 0.067 −0.353** 0.157** −0.144** 0.098* 0.051 0.295** 1 注:**在0.01级别(双尾),相关性显著;*在0.05级别(单尾),相关性显著。 表 3 主成分分析矩阵
Table 3 Principal component analysis matrix
成分 1 2 3 高程 −0.855 降雨量 0.748 距河流距离 −0.601 地层岩性 0.585 坡度 0.923 地形起伏度 0.890 距道路距离 0.768 土地利用 0.621 坡向 表 4 重大滑坡事件易发性预测
Table 4 Prediction of susceptibility for major landslide events
灾害名称 地理位置 预测易发性 贡龙滑坡 昌都市察雅县 易发区 易贡电站滑坡 林芝市波密县 易发区 达木乡滑坡 林芝市墨脱县 高易发区 通易公路滑坡 林芝市波密县 高易发去 塔林村 林芝市察隅县 易发区 -
[1] 张林梵,王佳运,张茂省,等. 基于BP神经网络的区域滑坡易发性评价[J]. 西北地质,2022,55(2):260 − 270. [ZHANG Linfan,WANG Jiayun,ZHANG Maosheng,et al. Evaluation of regional landslide susceptibility assessment based on BP neural network[J]. Northwestern Geology,2022,55(2):260 − 270. (in Chinese with English abstract)] ZHANG Linfan, WANG Jiayun, ZHANG Maosheng, et al. Evaluation of regional landslide susceptibility assessment based on BP neural network[J]. Northwestern Geology, 2022, 55(2): 260 − 270. (in Chinese with English abstract)
[2] 陶伟,孙岳. 基于GIS滑坡地质灾害易发性评价方法综述[J]. 世界有色金属,2020(21):157 − 159. [TAO Wei,SUN Yue. Review on the evaluation methods of landslide geological hazards based on GIS[J]. World Nonferrous Metals,2020(21):157 − 159. (in Chinese with English abstract)] TAO Wei, SUN Yue. Review on the evaluation methods of landslide geological hazards based on GIS[J]. World Nonferrous Metals, 2020(21): 157 − 159. (in Chinese with English abstract)
[3] 马啸,王念秦,李晓抗,等. 基于RF-FR模型的滑坡易发性评价——以略阳县为例[J]. 西北地质,2022,55(3):335 − 344. [MA Xiao,WANG Nianqin,LI Xiaokang,et al. Assessment of landslide susceptibility based on RF-FR model:Taking Lueyang County as an example[J]. Northwestern Geology,2022,55(3):335 − 344. (in Chinese with English abstract)] MA Xiao, WANG Nianqin, LI Xiaokang, et al. Assessment of landslide susceptibility based on RF-FR model: Taking Lueyang County as an example[J]. Northwestern Geology, 2022, 55(3): 335 − 344. (in Chinese with English abstract)
[4] 常志璐,黄发明,蒋水华,等. 基于多尺度分割方法的斜坡单元划分及滑坡易发性预测[J]. 工程科学与技术,2023,55(1):184 − 195. [CHANG Zhilu,HUANG Faming,JIANG Shuihua,et al. Slope unit extraction and landslide susceptibility prediction using multi-scale segmentation method[J]. Advanced Engineering Sciences,2023,55(1):184 − 195. (in Chinese with English abstract)] CHANG Zhilu, HUANG Faming, JIANG Shuihua, et al. Slope unit extraction and landslide susceptibility prediction using multi-scale segmentation method[J]. Advanced Engineering Sciences, 2023, 55(1): 184 − 195. (in Chinese with English abstract)
[5] 吴晶晶,江思义,吴秋菊,等. 基于GIS与BP神经网络的崩塌滑坡地质灾害易发性预测[J]. 资源信息与工程,2021,36(4):100 − 104. [WU Jingjing,JIANG Siyi,WU Qiuju,et al. Landslide geological hazard vulnerability evaluation based on GIS and BP neural network[J]. Resource Information and Engineering,2021,36(4):100 − 104. (in Chinese with English abstract)] WU Jingjing, JIANG Siyi, WU Qiuju, et al. Landslide geological hazard vulnerability evaluation based on GIS and BP neural network[J]. Resource Information and Engineering, 2021, 36(4): 100 − 104. (in Chinese with English abstract)
[6] 刘璐瑶,高惠瑛,李照. 基于CF与Logistic回归模型耦合的永嘉县滑坡易发性评价[J]. 中国海洋大学学报(自然科学版),2021,51(10):121 − 129. [LIU Luyao,GAO Huiying,LI Zhao. Landslide susceptibility assessment based on coupling of CF model and Logistic regression model in Yongjia County[J]. Periodical of Ocean University of China,2021,51(10):121 − 129. (in Chinese with English abstract)] LIU Luyao, GAO Huiying, LI Zhao. Landslide susceptibility assessment based on coupling of CF model and Logistic regression model in Yongjia County[J]. Periodical of Ocean University of China, 2021, 51(10): 121 − 129. (in Chinese with English abstract)
[7] 杨强,王高峰,丁伟翠,等. 多种组合模型的区域滑坡易发性及精度评价[J]. 自然灾害学报,2021,30(2):36 − 51. [YANG Qiang,WANG Gaofeng,DING Weicui,et al. Susceptibility and accuracy evaluation of regional landsldie based on multiple hybrid models[J]. Journal of Natural Disasters,2021,30(2):36 − 51. (in Chinese with English abstract)] YANG Qiang, WANG Gaofeng, DING Weicui, et al. Susceptibility and accuracy evaluation of regional landsldie based on multiple hybrid models[J]. Journal of Natural Disasters, 2021, 30(2): 36 − 51. (in Chinese with English abstract)
[8] 丛威青,潘懋,李铁锋,等. 基于GIS的滑坡、泥石流灾害危险性区划关键问题研究[J]. 地学前缘,2006,13(1):185 − 190. [CONG Weiqing,PAN Mao,LI Tiefeng,et al. Key research on landslide and debris flow hazard zonation based on GIS[J]. Earth Science Frontiers,2006,13(1):185 − 190. (in Chinese with English abstract)] CONG Weiqing, PAN Mao, LI Tiefeng, et al. Key research on landslide and debris flow hazard zonation based on GIS[J]. Earth Science Frontiers, 2006, 13(1): 185 − 190. (in Chinese with English abstract)
[9] 崔阳阳. 基于不同评价单元的滑坡易发性评价方法研究——以陕西省洛南县为例[D]. 西安:西安科技大学,2021. [CUI Yangyang. A comparative study on evaluation methods of landslide susceptibility based on different evaluation units[D]. Xi’an:Xi’an University of Science and Technology,2021. (in Chinese with English abstract)] CUI Yangyang. A comparative study on evaluation methods of landslide susceptibility based on different evaluation units[D]. Xi’an: Xi’an University of Science and Technology, 2021. (in Chinese with English abstract)
[10] 邓念东,崔阳阳,郭有金. 基于频率比-随机森林模型的滑坡易发性评价[J]. 科学技术与工程,2020,20(34):13990 − 13996. [DENG Niandong,CUI Yangyang,GUO Youjin. Frequency ratio-random forest-model-based landslide susceptibility assessment[J]. Science Technology and Engineering,2020,20(34):13990 − 13996. (in Chinese with English abstract)] DENG Niandong, CUI Yangyang, GUO Youjin. Frequency ratio-random forest-model-based landslide susceptibility assessment[J]. Science Technology and Engineering, 2020, 20(34): 13990 − 13996. (in Chinese with English abstract)
[11] 杨云建,周学铖,何中海,等. 多时相数字孪生滑坡变形监测方法与应用研究——以金沙江白格滑坡为例[J]. 水文地质工程地质,2024,51(2):132 − 143. [YANG Yunjian, ZHOU Xuecheng, HE Zhonghai, et al. Multi-temporal digital twin method and application of landslide deformation monitoring: A case study on Baige landslide in Jinsha River[J]. Hydrogeology & Engineering Geology,2024,51(2):132 − 143. (in Chinese with English abstract)] YANG Yunjian, ZHOU Xuecheng, HE Zhonghai, et al. Multi-temporal digital twin method and application of landslide deformation monitoring: A case study on Baige landslide in Jinsha River[J]. Hydrogeology & Engineering Geology, 2024, 51(2): 132 − 143. (in Chinese with English abstract)
[12] 张泽方. 耦合MaxEnt模型的望谟县滑坡易发性对比研究[J]. 赤峰学院学报(自然科学版),2022,38(10):108 − 113. [ZHANG Zefang. Comparative study on landslide vulnerability in Wangmo County coupled with MaxEnt model[J]. Journal of Chifeng University (Natural Science Edition),2022,38(10):108 − 113. (in Chinese with English abstract)] ZHANG Zefang. Comparative study on landslide vulnerability in Wangmo County coupled with MaxEnt model[J]. Journal of Chifeng University (Natural Science Edition), 2022, 38(10): 108 − 113. (in Chinese with English abstract)
[13] 刘明学,陈祥,杨珊妮. 基于逻辑回归模型和确定性系数的崩滑流危险性区划[J]. 工程地质学报,2014,22(6):1250 − 1256. [LIU Mingxue,CHEN Xiang,YANG Shanni. Zonation of landslide risk with logistic regression model and certainty factor[J]. Journal of Engineering Geology,2014,22(6):1250 − 1256. (in Chinese with English abstract)] LIU Mingxue, CHEN Xiang, YANG Shanni. Zonation of landslide risk with logistic regression model and certainty factor[J]. Journal of Engineering Geology, 2014, 22(6): 1250 − 1256. (in Chinese with English abstract)
[14] 李信,薛桂澄,夏南,等. 基于CF模型、CF-LR模型和CF-AHP模型的国家热带雨林公园地质灾害易发性研究——以海南保亭为例[J]. 现代地质,2023,37(4):1033 − 1043. [LI Xin,XUE Guicheng,XIA Nan,etal. Study on geological hazard susceptibility of national tropical rainforest Park based on CF model,CF-LR model and CF-AHP model:A case study of Baoting,Hainan Province[J]. Modern Geology,2023,37(4):1033 − 1043. (in Chinese with English abstract)] LI Xin, XUE Guicheng, XIA Nan, etal. Study on geological hazard susceptibility of national tropical rainforest Park based on CF model, CF-LR model and CF-AHP model: A case study of Baoting, Hainan Province[J]. Modern Geology, 2023, 37(4): 1033 − 1043. (in Chinese with English abstract)
[15] 薛正海,冯文凯,韩靖楠,等. 基于信息量及层次分析关联法和BP神经网络耦合的滑坡易发性评价[J/OL]. 桂林理工大学学报,2022:1 − 13. (2022-10-10). https://kns.cnki.net/kcms/detail/45.1375.N.20221010.1140.004.html. [XUE Zhenghai,FENG Wenkai,HAN Jingnan,et al. Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model[J/OL]. Journal of Guilin University of Technology,2022:1 − 13. (2022-10-10). https://kns.cnki.net/kcms/detail/45.1375.N.20221010.1140.004.html. (in Chinese with English abstract)] XUE Zhenghai, FENG Wenkai, HAN Jingnan, et al. Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model[J/OL]. Journal of Guilin University of Technology, 2022: 1 − 13. (2022-10-10). https://kns.cnki.net/kcms/detail/45.1375.N.20221010.1140.004.html. (in Chinese with English abstract)
[16] 何书,胡萌,杨志华,等. 基于模糊频率比与熵指数的滑坡易发性评价——以崇义县为例[J]. 有色金属科学与工程,2022,13(4):80 − 90. [HE Shu,HU Meng,YANG Zhihua,et al. Evaluation of landslide susceptibility based on the fuzzy frequency ratio and entropy index:A case study of Chongyi County[J]. Nonferrous Metals Science and Engineering,2022,13(4):80 − 90. (in Chinese with English abstract)] HE Shu, HU Meng, YANG Zhihua, et al. Evaluation of landslide susceptibility based on the fuzzy frequency ratio and entropy index: A case study of Chongyi County[J]. Nonferrous Metals Science and Engineering, 2022, 13(4): 80 − 90. (in Chinese with English abstract)
[17] 黄艳婷,郭永刚. 考虑降雨敏感度的泥石流危险性评价——以藏东南地区为例[J]. 中国地质灾害与防治学报,2023,34(1):129 − 138. [HUANG Yanting,GUO Yonggang. Debris flow risk assessment considering different rainfall sensitivity:A case study in southeast Tibet[J]. The Chinese Journal of Geological Hazard and Control,2023,34(1):129 − 138. (in Chinese with English abstract)] HUANG Yanting, GUO Yonggang. Debris flow risk assessment considering different rainfall sensitivity: A case study in southeast Tibet[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(1): 129 − 138. (in Chinese with English abstract)
[18] 张本浩,魏云杰,杨成生,等. 西藏然乌地区地质灾害隐患点InSAR识别与监测[J]. 中国地质灾害与防治学报,2022,33(1):18 − 26. [ZHANG Benhao,WEI Yunjie,YANG Chengsheng,et al. InSAR identification and monitoring of geological hazards in Ranwu region of Tibet[J]. The Chinese Journal of Geological Hazard and Control,2022,33(1):18 − 26. (in Chinese with English abstract)] ZHANG Benhao, WEI Yunjie, YANG Chengsheng, et al. InSAR identification and monitoring of geological hazards in Ranwu region of Tibet[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(1): 18 − 26. (in Chinese with English abstract)
[19] 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)
[20] KHAN H,SHAFIQUE M,KHAN M A,et al. Landslide susceptibility assessment using Frequency Ratio,a case study of northern Pakistan[J]. The Egyptian Journal of Remote Sensing and Space Sciences,2019,22(1):11 − 24. DOI: 10.1016/j.ejrs.2018.03.004
[21] 张海军,戚鹏程. 基于频率比和逻辑回归模型的东北地区火险制图研究[J]. 地理与地理信息科学,2012,28(5):35 − 38 + 42 + 113. [ZHANG Haijun,QI Pengcheng. Mapping fire occurrence susceptibility in Northeast China:Comparison of Frequency ratio and binary logistic regression[J]. Geography and Geo-Information Science,2012,28(5):35 − 38. (in Chinese with English abstract)] ZHANG Haijun, QI Pengcheng. Mapping fire occurrence susceptibility in Northeast China: Comparison of Frequency ratio and binary logistic regression[J]. Geography and Geo-Information Science, 2012, 28(5): 35 − 38. (in Chinese with English abstract)
[22] PAL S C,CHOWDHURI I. GIS-based spatial prediction of landslide susceptibility using frequency ratio model of Lachung River Basin,North Sikkim,India[J]. SN Applied Sciences,2019,1(5):416. DOI: 10.1007/s42452-019-0422-7
[23] LEE S,SAMBATH T. Landslide susceptibility mapping in the Damrei Romel area,Cambodia using frequency ratio and logistic regression models[J]. Environmental Geology,2006,50(6):847 − 855. DOI: 10.1007/s00254-006-0256-7
-
期刊类型引用(6)
1. 郝建伟,于沭,周国清,苏安双,尹鹏海. 基于SBAS-InSAR和CNN的地面沉降监测与预测分析. 水利科学与寒区工程. 2024(01): 8-15 . 百度学术
2. 张倩,马悦,周洪月,闫世勇. 基于InSAR技术的天津局部地表沉降特征分析. 测绘通报. 2024(02): 74-79 . 百度学术
3. Fu Wang,Xue-zheng Liu,Yong Li,Heng Yu,Ming-zheng Wen,Yun-zhuang Hu. Risk assessment of coastal flooding disaster by storm surge based on Elevation-Area method and hydrodynamic models: Taking Bohai Bay as an example. China Geology. 2024(03): 494-504 . 必应学术
4. 张宁月,徐方,曹永强,么嘉棋,李世金. 基于PS-InSAR的天津市建设用地演变对地表沉降影响研究. 中国水利水电科学研究院学报(中英文). 2024(05): 477-490 . 百度学术
5. 耿芳,白苏娜,齐文艳,于金山,毛华,张梅,席雪萍,高学飞,罗福贵. 基于随机森林算法的天津市滨海地区地面沉降模拟. 地质科技通报. 2024(05): 197-205 . 百度学术
6. 高峰,赵团芝,王文军,章旬立,郑凌逶. 宁波市地面沉降现状分析及风险评价. 中国地质灾害与防治学报. 2023(06): 127-135 . 本站查看
其他类型引用(0)