Regional landslide hazard assessment using the IV-RF coupling model and critical monthly average rainfall threshold：A case study from Fuling District, Chongqing
-
摘要:
提高降雨型滑坡易发性预测精度和构建合适的降雨阈值模型对区域滑坡危险性评价具有重要意义。以重庆市涪陵区为例，采用信息量模型、BP神经网络模型、随机森林模型、信息量-BP神经网络耦合模型和信息量-随机森林耦合模型进行区域滑坡易发性评价，对比不同模型下的接受者操作特征曲线、曲线下方面积和易发性分布规律。提出滑坡临界月平均降雨阈值模型，反演出不同时间概率下的临界月平均降雨阈值。将易发性结果与时间概率等级进行耦合得到区域滑坡危险性评价结果并随机选取30次滑坡事件与4次典型滑坡事件进一步验证了评价精度。研究结果表明：信息量和机器学习模型进行耦合，弥补了机器学习在前期数据输入和非样本选择的缺点，提升了单一机器学习模型的预测精度，其中信息量-随机森林耦合模型预测精度最高；随机选取的30例滑坡样本中，有20例滑坡（占67%）位于发生时间概率50%以上区域，验证了临界月平均降雨阈值模型的精度；随机选取的4例典型滑坡样本中，时间概率等级基本为P4或P5，且位置均位于高危险区与极高危险区中，与现场调查结果基本一致，说明基于信息量-随机森林耦合模型和临界月平均降雨阈值的区域滑坡危险性评价结果准确且可靠。
Abstract:Improving the accuracy of susceptibility prediction for rainfall-induced landslides and establishing suitable rainfall threshold models are of great significance for regional landslide hazard assessment. Taking Fuling District of Chongqing as a case study, the information value model, BP neural network model, random forest model, information value-BP neural network coupled model, and information value-random forest coupled model were used to evaluate regional landslide susceptibility. By comparing the receiver operating characteristic (ROC) curves, area under the curve (AUC), and susceptibility distribution patterns of different models, a critical monthly average rainfall threshold model for landslides is proposed, and critical monthly average rainfall thresholds for different temporal probabilities were inferred. The susceptibility results were coupled with temporal probability levels to produce regional landslide hazard assessment results. The evaluation accuracy is further validated with 30 randomly selected landslide events and 4 typical landslide cases. The results show that coupling the Information Value and machine learning models compensates for the shortcomings of machine learning in early data input and non-sample selection, enhancing the predictive accuracy of single machine learning models. Among these, the information value-random forest coupled model exhibits the highest predictive accuracy; of the 30 randomly selected landslide samples, 20 cases (67%) occurred in areas with a temporal probability of over 50%, validating the accuracy of the critical monthly average rainfall threshold model. The 4 typical landslide samples selected randomly were primarily in the P4 or P5 temporal probability levels and were located in high to very high-risk areas, aligning well with field survey results. This indicates that the regional landslide hazard assessment based on the information value-random forest coupled model and the critical monthly average rainfall threshold is accurate and reliable.
-
0. 引言
地面沉降是世界范围内普遍发生的缓变地质灾害[1]，中国已有超过50 个地区均发生过不同程度的地面沉降[2-4]，其中京津冀平原是中国地面沉降影响面积最大的区域。天津作为京津冀地区的重要港口城市，地面沉降灾害具有松散层巨厚、含水层结构极其复杂、地下水开发历史久、沉降监测序列长等特点，是展现地面沉降灾害发生、发展、治理全过程的最具代表性的城市之一[5]。
天津市地下水开发利用历史悠久，1898年第一口供水井在中心城区建成，到1948年天津市年平均抽水量达到4.00×104 m3/a[6]，1949年以来天津市经历了快速的经济发展和城市化建设，天津市地面沉降主要经历了6个阶段[7-8]：
① 沉降发生（1923—1957年）：中心城区地下水开采量为2.00×106～1.20×107 m3/a，平均沉降速率7～12 mm/a；
② 分散式发展（1958—1966年）：中心城区地下水开采量增加至1.20×107～4.70×107 m3/a，平均沉降速率30～50 mm/a；
③ 急剧发展（1967—1985年）：中心城区地下水开采量达到1.00×108～1.20×108 m3/a，平均沉降速率达到80～100 mm/a，沉降中心范围进一步扩大；
④ 初步治理（1986—1995年）：天津市实施三期三年控沉计划，集中治理地面沉降，将中心城区的地下水开采量降至1.30×107 m3/a左右，平均沉降速率降至15 mm/a左右；
⑤ 综合治理（1996—2010年）：寻找替代水源，沉降速率明显减缓，中心城区地下水开采量降至1.30×106 m3/a，平均沉降速率降至10～15 mm/a；
⑥ 沉降新形势（2010—）：通过采取一系列积极有效的综合防治措施，天津市平均沉降量持续减小，全市平原区年平均沉降量控制在18 mm以内，中心城区地面沉降速率降低到10 mm/a以下。
经过几十年的努力，天津市的控沉工作取得了一定的成果，但作为滨海城市，与上海等地年沉降速率控制在6 mm以下相比，天津市用水短缺问题仍然存在，地下水超采问题依然突出，地面沉降防控形势依然严峻。
天津市的地面沉降问题得到了学者们的广泛关注[9-10]，针对天津市地面沉降监测、地面沉降成因、地面沉降治理等方面也开展了诸多研究。张姣姣等[11]利用分层标监测数据和地下水位长期观测数据，结合地层固结特征以及黏性土物理力学性质，详细阐述了天津市西青区地面沉降特征；Cui等[12]建立了天津平原地下水与地面沉降耦合数值模型，研究1998—2008年的地下水资源及其变化，并预测未来地下水位和相关地面沉降的变化模式；郑玉萍等[13]研究了各类自然因素对天津市地面沉降的影响；朱庆川等[14]利用层次分析法等多种数学方法对天津市地面沉降影响因素进行定量分析。针对天津市全市域的地面沉降演化研究，多数仍集中于地面沉降综合治理阶段，且并未重点关注地面沉降严重区（年沉降量大于50 mm区域）的演化规律研究。目前，天津市大范围的地面沉降已得到基本控制，天津市地面沉降从大面积治理过渡到小区域精准防控，为实现地面沉降“削峰”的目标，有针对性地实施控沉措施，地面沉降年沉降量不再是衡量沉降严重性和沉降治理成效的唯一指标，地面沉降严重区面积也是一个十分重要的衡量标准。准确掌握新形势下地面沉降严重区分布特征及演化规律，对于预测未来地面沉降发展趋势、采取主动、有效的沉降控制对策以及天津市安全、绿色、健康发展均具有重要意义。
1. 研究区概况
天津市地处华北平原东北部，东南临渤海，北依燕山山脉，西北部为我国首都北京市和河北省，区内水运、铁路、航空、公路四通八达，交通十分便捷。天津市属暖温带半湿润大陆季风气候，四季分明，夏季炎热多雨，冬季寒冷干燥，年平均气温11～12 °C。全区多年平均降水量为582 mm/a。天津市基岩仅出露于北部低山丘陵及残丘地带，其余大部分平原地区被第四系覆盖，一般认为，第四系厚度可达550 m。天津市地面沉降多发于南部平原区松散地层地下水超采区域，北部山区主要开采基岩地下水，地面沉降现象轻微[15]。
2. 研究方法
天津市已形成一套完善的地面沉降监测网络体系，平面上以水准监测网为主，GPS和InSAR监测为辅，垂向上以分层标组监测为主要手段，并和均布全市的地下水位长期观测井结果相互验证。自1985年开始，天津市开展大范围地面沉降水准监测工作，监测频率为每年一次，截至2020年，已积累了35年的地面沉降水准监测资料，监测面积由最初的2400 km2扩展到现在的约1.1×104 km2，覆盖天津市全部地面沉降区域[16]。每年地面沉降水准监测工作集中于秋季开展，历时约2月，通过将水准测量数据与全市范围内23个GPS连续监测站的同期观测数据联合处理获取地面沉降监测结果。本文通过收集整理2010—2020年地面沉降水准监测、地下水位动态监测、地下水开采量数据，利用数理统计和ArcGIS软件空间分析的方法分析新形势下天津市地面沉降严重区的分布特征及演化规律。为减少因极端气候变化对地面沉降防控评估工作的影响，当年地面沉降值采用近3年平均值（以2019年为例：2019年现状值即为2017—2019年平均值）。
3. 地面沉降严重区分布及演化特征分析
自2010年起，天津市地面沉降严重区面积以2012年为分界线，整体呈现先增大后减小的趋势，由2012年的1722 km2减小至2020年的576 km2。全市年平均沉降量（区域年平均沉降量：区域范围内每年发生的地面沉降总体积与区域面积的比值）变化趋势与地面沉降严重区面积基本相似，由2012年的27 mm降至2020年的17 mm（图1）。
![]()
图 1 天津市年平均沉降量及沉降严重区面积变化趋势图Figure 1. Time-history curve of annual average subsidence and changes in severe subsidence zone area in Tianjin from 2010 to 2020由图2、图3可见，天津市地面沉降严重区集中分布于环城四区（东丽区、西青区、津南区、北辰区）、滨海新区、武清区和静海区等区域。2010—2012年，各区地面沉降严重区面积均呈现增大趋势；2012—2014年间，环城四区、滨海新区沉降严重区面积开始稳步减小，而武清区、静海区沉降严重区面积仍持续增大，因此，2010—2015年，天津市全市平均沉降量基本持平，环城四区等老地面沉降严重区沉降形势有所减缓，但武清区南部、滨海新区东北部等新地面沉降严重区也在逐步显现。2016年起，天津市各区地面沉降严重区面积减幅明显，特别是环城四区和滨海新区，地面沉降严重区面积基本控制在50 km2以下，全市平均沉降量也持续减小，地面沉降治理成效显著。至2020年，天津市基本形成了如图2（d）所示的5个沉降严重区，多数集中分布于天津市西南部。
![]()
图 2 天津市平原区地面沉降情况对比图Figure 2. Comparison of land subsidence distribution in the plain area of Tianjin![]()
图 3 天津市各区地面沉降严重区面积变化趋势图Figure 3. Time-history curve of areas with severe land subsidence in Tianjin from 2010 to 20204. 地下水漏斗分布及演化特征分析
天津市地面沉降与地下水开发利用存在密切联系。如图4、图5所示，天津市平原区深部含水组地下水位降落漏斗（水位埋深等值线大于40 m的区域）分布范围与地面沉降严重区基本位置一致，覆盖了A-E 5个沉降区。
![]()
图 4 天津市第Ⅱ含水组水位等值线图注：据2013、2016、2019年《天津市水资源公报》。Figure 4. Groundwater level contour map of the second water-bearing group in Tianjin![]()
图 5 天津市第Ⅲ含水组水位等值线图注：据2013、2016、2019年《天津市水资源公报》。Figure 5. Groundwater level contour map of the third water-bearing group in Tianjin结合图6可见，自2010—2012年起，天津市平原区深部第Ⅱ含水组地下水位降落漏斗面积呈现波动变化，先增大后减小；2012年以后地下水位降落漏斗面积整体呈现减小趋势，与地面沉降严重区面积和全市年平均沉降量变化趋势一致，而且沉降的峰值出现时间明显晚于水位的峰值出现时间，也体现了地面沉降对地下水开采的滞后效应。第Ⅲ含水组地下水位降落漏斗面积呈现先减小后增大趋势，这主要是由武清—宝坻—宁河一带埋深等值线大于40 m区域面积增大引起的；第Ⅲ含水组水位埋深等值线大于60 m的漏斗区域面积整体呈现先增大后减小趋势，2016年出现拐点，与前述分析的2016年之后天津市地面沉降严重区面积和年平均沉降量减小相对应。
![]()
图 6 天津市深部含水组地下水位漏斗面积变化趋势图（2010—2020年）Figure 6. Time-history curve of groundwater level drop funnel area in deep water-bearing group of Tianjin from 2010 to 2020同时，2013—2019年，第Ⅱ、Ⅲ含水组地下水位降落漏斗中心水位整体呈现减小趋势。2019年，第Ⅱ含水组已不存在埋深大于80 m区域，第Ⅲ含水组已不存在埋深大于90 m区域。
5. 地面沉降防治措施及建议
深层地下水的主要排泄方式是人工开采，其水位变化主要取决于人工开采量，针对地下水超采是影响天津市地面沉降的主要因素这一现状，天津市实行一系列的有效控沉措施，包括地下水开采控沉预审、地下水压采、水源转换等。由图7和图8可见，受地下水压采等多项措施的影响，自2010年起天津市深层地下水开采量呈现逐年递减的趋势，地下水位整体呈现波动式回升的趋势，与年平均沉降量减缓和地面沉降严重区面积减小的趋势相符，其中2017年以前，地下水位整体处于波动式回升，水位变化幅度较小，地面沉降减小趋势趋缓，2017年以后，地下水位开始大幅度回升，地面沉降也开始迅速下降。
![]()
图 7 天津市深层地下水开采量变化趋势图（2010—2020年）Figure 7. Time-history curve of deep groundwater exploitation quantity in Tianjin from 2010 to 2020![]()
图 8 沉降严重区内某观测井水位及沉降动态曲线图Figure 8. Changes of ground water level and land subsidence of an observation well in severe land subsidence area in Tianjin自2010年起，在各项控制地面沉降措施和地下水压采取措施的影响下，天津市地面沉降开始呈现波动式发展；2014年，天津市正式颁布实施了《天津市控制地面沉降管理办法》，同年《天津市地下水压采方案》获批，南水北调中线工程正式通水，既缓解了用水紧张的现状，又大力压采地下水，实行地面沉降速率、地下水位、地下水开采量三元控制，天津市地面沉降形势稳中向好；2016年，天津市实施控制地面沉降分区管理，并逐步将控沉指标纳入到市政府对区政府的绩效考核评价体系中，地下水压采和控沉力度逐步加大，2017年开始，天津市地面沉降开始快速减缓，控制地面沉降工作取得了显著成效。2010—2020年，地面沉降严重区面积大幅减小，减小了67%，年平均沉降量下降了37%（沉降严重面积及年平均沉降量变化均由以下公式计算获得）。
$$ C=\frac{B-A}{A}\times 100 $$ 式中：C—地面沉降严重区面积（年平均沉降量）变化 百分比/%；
B—2020年地面沉降严重区面积（年平均沉降量）/km2（mm）；
A—2010年地面沉降严重区面积（年平均沉降量）/km2（mm）。
总结地面沉降防治措施的历史经验，结合地面沉降现状，针对天津市地面沉降的特点，对地面沉降防治措施提出建议：①完善地面沉降监测体系，实现地面沉降多频次、多手段融合监测；②加强地下水资源管理与保护，加大以地面沉降防治为导向的地下水超采治理力度，开展向地面沉降严重区调配地表水的输水工程，切实减少地面沉降严重区地下水开采量，大力推进农业节水，寻找替代水源；③开展地下水人工回灌的相关技术研究，为在地面沉降严重区开展回灌工程做技术储备，并积累运行管理经验；④建立京津冀地面沉降联防联控机制，实现信息共享，同步治理[17-20]。
6. 结论
本文通过长序列的地面沉降监测数据整理及分析，对天津市新形势下地面沉降严重区分布特征及演化规律进行归纳总结，主要得到以下结论：
（1）自2010年起，天津市地面沉降可划分为3个阶段：①2010—2012年：沉降波动期；②2013—2016年：稳中向好期；③2017—2020年：快速减缓期，且各阶段沉降变化规律与地下水开采量变化关系密切。
（2）至2020年，天津市基本形成了集中分布于西南部的5个沉降严重区，且与深部含水组地下水漏斗分布范围基本一致，10 a间地面沉降严重区面积整体呈下降趋势，减小了67%。
近年来，虽然天津市地面沉降年平均沉降量和严重区面积均完成了相关规划指标，天津市控制地面沉降工作取得了显著成效，但部分水资源严重匮乏地区的产业结构、产业布局与区域水资源条件不适应，压采难度大，周边省市地下水超采对天津市地面沉降影响明显等问题仍然存在，地面沉降问题仍然不容忽视。
-
![]()
图 4 研究区地理位置及雨量站分布情况
Figure 4. Geographical location and rainfall stations distribution of the study area
![]()
图 5 涪陵区滑坡相关评价因子图
Figure 5. Environmental assessment factors map of landslide in Fuling District
![]()
图 10 雨量站多年月平均降雨量统计图
Figure 10. Statistical map of multi-year average monthly cumulative rainfall at rainfall stations
![]()
图 11 斜坡单元月平均降雨量分布图
Figure 11. Distribution map of monthly average rainfall across slope units
![]()
图 12 月平均降雨量与滑坡频率
Figure 12. Relationship between monthly average rainfall and landslide frequency
![]()
图 13 滑坡累计占比曲线及月平均降雨量分级
Figure 13. Cumulative proportion curve of landslides and grading of monthly average rainfall
![]()
图 15 时间概率等级依次为P1−P5时的涪陵区滑坡危险性
Figure 15. Landslide hazard in Fuling District for temporal probability levels P1 to P5
表 1 基于易发性与时间概率等级的区域滑坡危险性评价表
Table 1 Regional landslide hazard assessment table based on susceptibility and temporal probability levels
时间等级 易发性 极低
易发性低
易发性中
易发性高
易发性极高
易发性P1(0<P(x)≤P1) 极低
危险性极低
危险性极低
危险性极低
危险性低
危险性P2(P1<P(x)≤P2) 极低
危险性极低
危险性低
危险性低
危险性中
危险性P3(P2<P(x)≤P3) 极低
危险性低
危险性中
危险性中
危险性高
危险性P4(P3<P(x)≤P4) 极低
危险性低
危险性中
危险性高
危险性极高
危险性P5(P4<P(x)≤1) 低
危险性中
危险性高
危险性极高
危险性极高
危险性
下载: 导出CSV
表 2 评价因子分级结果
Table 2 The grading results of assessment factors
评价
因子分级 分级面积/km2 Si/S
(×100)滑坡面积/km2 Ni/N
(×100)I 坡度/（°） 0～10 997.6 33.9 1.8 22.8 −0.4 10～20 996.8 33.9 3.7 46.8 0.3 20～30 629.7 21.4 2.0 25.3 0.2 30～40 246.3 8.4 0.4 5.1 −0.5 >40 71.8 2.4 0.0 0.0 −5.3 坡向/
（°）北(337.5～22.5) 168.2 5.7 0.3 3.8 −0.4 东北(22.5～67.5) 67.7 2.3 1.5 19.0 2.1 东(67.5～112.5) 320.3 10.9 1.0 12.7 0.2 东南(112.5～157.5) 337.5 11.5 0.8 10.1 −0.1 南(157.5～202.5) 294.5 10.0 0.8 10.1 0.0 西南(202.5～247.5) 313.1 10.6 0.8 10.1 0.0 西(247.5～292.5) 352.2 12.0 1.3 16.5 0.3 西北(292.5～337.5) 400.8 13.6 1.1 13.9 0.0 平面(−1) 687.7 23.4 0.3 3.8 −1.8 曲率 <−9 100.9 3.4 0.0 0.0 −5.6 −9～−6 172.7 5.9 0.1 1.3 −1.5 −6～−3 1201.1 40.8 3.4 43.0 0.1 −3～0 550.7 18.7 0.3 3.8 −1.6 0～3 550.7 18.7 4.1 51.9 1.0 3～6 176.0 6.0 0.0 0.0 −6.2 6～12 92.9 3.2 0.0 0.0 −5.5 >12 97.7 3.3 0.0 0.0 −5.6 高程/
m<200 129.4 4.4 1.9 24.1 1.7 200～300 377.1 12.8 2.6 32.9 0.9 300～400 449.6 15.3 1.6 20.3 0.3 400～500 417.2 14.2 0.7 8.9 −0.5 500～600 377.3 12.8 0.4 5.1 −0.9 600～700 435.3 14.8 0.4 5.1 −1.1 700～800 375.7 12.8 0.2 2.5 −1.6 800～900 124.1 4.2 0.1 1.3 −1.2 900～ 1000 72.7 2.5 0.0 0.0 −5.3 > 1000 184.1 6.3 0.0 0.0 −6.2 地形湿度指数 <10 558.1 19.0 0.9 11.4 −0.5 10～20 825.4 28.1 2.2 27.8 0.0 20～30 449.1 15.3 1.6 20.3 0.3 30～40 215.4 7.3 1.2 15.2 0.7 40～50 108.0 3.7 0.5 6.3 0.5 >50 786.5 26.7 1.5 19.0 −0.3 地表粗
糙度<1.1 2346.2 79.7 6.7 84.8 0.1 1.1～1.2 400.9 13.6 1.0 12.7 −0.1 1.2～1.3 120.8 4.1 0.2 2.5 −0.5 1.3～1.4 55.9 1.9 0.0 0.0 −5.0 1.4～1.5 15.8 0.5 0.0 0.0 −3.7 >1.5 2.7 0.1 0.0 0.0 −2.0 地层 梁山组+栖霞组+
茅口组并层26.1 0.9 0.0 0.1 −1.9 大冶组与嘉陵江
组并层533.8 18.1 0.3 3.8 −1.6 巴东组 212.6 7.2 1.0 12.7 0.6 地层 吴家坪组与长兴
组并层48.8 1.7 0.0 0.0 −4.9 韩家店组 9.0 0.3 0.0 0.0 −3.2 须家河组 137.7 4.7 0.4 5.1 0.1 珍珠冲组 122.2 4.2 0.7 8.9 0.8 自流井组 85.3 2.9 0.7 8.9 1.1 新田沟组 85.4 2.9 0.2 2.5 −0.1 沙溪庙组 841.7 28.6 2.4 30.4 0.1 龙马溪组与小河坝组并层 2.2 0.1 0.0 0.0 −1.8 蓬莱镇组 367.7 12.5 0.0 0.5 −3.2 遂宁组 469.8 16.0 2.2 27.8 0.6 岩层倾
角/（°）<10 632.0 21.5 1.8 22.8 0.1 10～20 1096.4 37.3 3.9 49.4 0.3 20～30 443.6 15.1 1.1 13.9 −0.1 30～40 364.9 12.4 0.6 7.6 −0.5 40～50 342.2 11.6 0.5 6.3 −0.6 50～60 58.2 2.0 0.0 0.0 −5.1 >60 5.2 0.2 0.0 0.0 −2.6 岩层倾
向/（°）北(337.5～22.5) 376.3 12.8 1.0 12.9 0.0 东北(22.5～67.5) 319.5 10.8 0.7 8.5 −0.2 东(67.5～112.5) 367.2 12.5 1.0 12.5 0.0 东南(112.5～157.5) 364.8 12.4 0.8 9.6 −0.3 南(157.5～202.5) 305.1 10.3 0.5 6.6 −0.4 西南(202.5～247.5) 313.5 10.6 1.5 18.4 0.6 西(247.5～292.5) 427.1 14.5 1.5 18.7 0.3 西北(292.5～337.5) 476.2 16.1 1.0 12.8 −0.2 距断层距离/km <1 101.2 3.4 0.5 6.3 0.6 1～2 111.9 3.8 0.6 7.6 0.7 2～3 128.4 4.4 0.2 2.5 −0.5 3～4 141.3 4.8 0.4 5.1 0.1 4～5 154.4 5.2 0.3 3.8 −0.3 >5 2305.2 78.3 5.9 74.7 0.0 距水系距离/m 0～200 173.6 5.9 2.6 32.4 1.7 200～400 102.1 3.5 1.2 14.9 1.5 400～600 104.7 3.6 0.2 2.5 −0.4 600～800 94.5 3.2 0.2 2.9 −0.1 800～ 1000 102.9 3.5 0.2 2.9 −0.2 1000 ～1200 84.8 2.9 0.1 0.9 −1.2 1200 ～1400 100.2 3.4 0.1 0.8 −1.4 1400 ～1600 90.9 3.1 0.7 8.9 1.1 > 1600 2087.6 71.0 2.7 33.9 −0.7 距道路距离/m 0～200 310.1 10.5 2.1 28.5 1.0 200～400 197.5 6.7 0.5 6.6 0.0 400～600 177.1 6.0 0.8 11.2 0.6 600～800 144.4 4.9 0.4 5.1 0.0 800～ 1000 140.5 4.8 0.2 2.2 −0.8 1000 ～1200 110.4 3.8 0.2 2.9 −0.3 1200 ～1400 122.2 4.2 0.3 4.0 0.0 > 1400 1739.1 59.1 3.4 44.9 −0.3 土层厚
度/m0～2.5 2503.5 85.1 4.0 50.6 −0.5 2.5～5 272.4 9.3 1.3 16.5 0.6 5～7.5 30.5 1.0 0.9 11.4 2.4 7.5～10 69.8 2.4 0.9 11.4 1.6 10～12.5 18.6 0.6 0.2 2.5 1.4 12.5～15 19.6 0.7 0.2 2.5 1.3 15～17.5 13.8 0.5 0.4 5.1 2.4 17.5～20 9.3 0.3 0.0 0.0 −3.2 >20 5.2 0.2 0.0 0.0 −2.6 归一化植被指数 <−0.1 53.1 1.8 0.6 7.6 1.4 −0.1～0 15.8 0.5 0.2 2.5 1.5 0～0.1 24.1 0.8 0.1 1.3 0.4 0.1～0.2 62.9 2.1 0.1 1.3 −0.5 0.2～0.3 135.6 4.6 0.5 6.3 0.3 0.3～0.4 720.1 24.5 1.7 21.5 −0.1 0.4～0.5 1624.4 55.2 3.7 46.8 −0.2 >0.5 306.1 10.4 1.0 12.7 0.2 土地利用类别 耕地 1452.9 49.4 5.3 67.5 0.3 林地 726.6 24.7 0.4 4.7 −1.7 草地 512.1 17.4 1.3 16.6 −0.1 灌木地 67.1 2.3 0.1 1.2 −0.7 湿地 0.3 0.0 0.0 0.1 2.1 水体 88.7 3.0 0.0 0.1 −3.1 人造地表 94.4 3.2 0.8 9.8 1.1
下载: 导出CSV
表 3 雨量站月平均降雨量
Table 3 Average monthly rainfall of rainfall stations
雨量站 月平均降雨量/mm 长寿 95.6 涪陵 91.4 丰都 91.6 凤来 106.4 雨台山 81.9 睦和 87.5 双河口 104.2 大木 117.6 河图 75.6 武陵山 89.3 龙潭 102.5
下载: 导出CSV
表 4 时间概率等级与月平均降雨量关系表
Table 4 Relationship between temporal probability levels and monthly average rainfall
时间概率等级 时间概率 月平均降雨量/mm P1 0<P(x)≤0.1 <78 P2 0.1<P(x)≤0.25 78～87 P3 0.25<P(x)≤0.5 87～96 P4 0.5<P(x)≤0.75 96～106 P5 0.75<P(x)≤1 >106
下载: 导出CSV
表 5 30次滑坡样本发生时间概率等级统计表
Table 5 Temporal probability levels of occurrence for 30 landslide samples
时间概率等级 P1 P2 P3 P4 P5 样本数 2 2 6 12 8
下载: 导出CSV
表 6 4次典型滑坡信息
Table 6 Information on four typical landslides
滑坡事件 日期 月平均降雨量/mm 时间概率等级 滑坡1 2020-06-29 98.7 P4 滑坡2 2018-08-01 103.4 P4 滑坡3 2020-06-27 118.2 P5 滑坡4 2016-06-02 121.3 P5
下载: 导出CSV
-
[1] 谢家龙,李远耀,王宁涛,等. 考虑库水位及降雨联合作用的云阳县区域滑坡危险性评价[J]. 长江科学院院报,2021,38(12):72 − 81. [XIE Jialong,LI Yuanyao,WANG Ningtao,et al. Assessment of regional landslide hazard in Yunyang County considering the combined effect of reservoir water level and rainfall[J]. Journal of Yangtze River Scientific Research Institute,2021,38(12):72 − 81. (in Chinese with English abstract)] XIE Jialong, LI Yuanyao, WANG Ningtao, et al. Assessment of regional landslide hazard in Yunyang County considering the combined effect of reservoir water level and rainfall［J］. Journal of Yangtze River Scientific Research Institute, 2021, 38（12）: 72 − 81. （in Chinese with English abstract）
[2] LIN Qigen,LIMA P,STEGER S,et al. National-scale data-driven rainfall induced landslide susceptibility mapping for China by accounting for incomplete landslide data[J]. Geoscience Frontiers,2021,12(6):101248. DOI: 10.1016/j.gsf.2021.101248
[3] LI Langping,LAN Hengxing,GUO Changbao,et al. A modified frequency ratio method for landslide susceptibility assessment[J]. Landslides,2017,14(2):727 − 741. DOI: 10.1007/s10346-016-0771-x
[4] HUANG Faming,YIN Kunlong,HUANG Jinsong,et al. Landslide susceptibility mapping based on self-organizing-map network and extreme learning machine[J]. Engineering Geology,2017,223:11 − 22. DOI: 10.1016/j.enggeo.2017.04.013
[5] HUANG Faming,ZHANG Jing,ZHOU Chuangbing,et al. A deep learning algorithm using a fully connected sparse autoencoder neural network for landslide susceptibility prediction[J]. Landslides,2020,17(1):217 − 229. DOI: 10.1007/s10346-019-01274-9
[6] GUO Zizheng,YIN Kunlong,GUI Lei,et al. Regional rainfall warning system for landslides with creep deformation in Three Gorges using a statistical black box model[J]. Scientific Reports,2019,9:8962. DOI: 10.1038/s41598-019-45403-9
[7] NGUYEN B Q V,KIM Y T. Regional-scale landslide risk assessment on Mt. Umyeon using risk index estimation[J]. Landslides,2021,18(7):2547 − 2564. DOI: 10.1007/s10346-021-01622-8
[8] HUANG Faming,CAO Zhongshan,GUO Jianfei,et al. Comparisons of heuristic,general statistical and machine learning models for landslide susceptibility prediction and mapping[J]. Catena,2020,191:104580. DOI: 10.1016/j.catena.2020.104580
[9] HE Qian,JIANG Ziyu,WANG Ming,et al. Landslide and wildfire susceptibility assessment in southeast Asia using ensemble machine learning methods[J]. Remote Sensing,2021,13(8):1572. DOI: 10.3390/rs13081572
[10] WANG Zitao,LIU Qimeng,LIU Yu. Mapping landslide susceptibility using machine learning algorithms and GIS:A case study in Shexian County,Anhui Province,China[J]. Symmetry,2020,12(12):1954. DOI: 10.3390/sym12121954
[11] 周超,甘露露,王悦,等. 综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模[J]. 地球信息科学学报,2023,25(8):1570 − 1585. [ZHOU Chao,GAN Lulu,WANG Yue,et al. Landslide susceptibility prediction based on non-landslide samples selection and heterogeneous ensemble machine learning[J]. Journal of Geo-Information Science,2023,25(8):1570 − 1585. (in Chinese with English abstract)] ZHOU Chao, GAN Lulu, WANG Yue, et al. Landslide susceptibility prediction based on non-landslide samples selection and heterogeneous ensemble machine learning［J］. Journal of Geo-Information Science, 2023, 25（8）: 1570 − 1585. （in Chinese with English abstract）
[12] 贾雨霏,魏文豪,陈稳,等. 基于SOM-I-SVM耦合模型的滑坡易发性评价[J]. 水文地质工程地质,2023,50(3):125 − 137. [JIA Yufei,WEI Wenhao,CHEN Wen,et al. Landslide susceptibility assessment based on the SOM-I-SVM model[J]. Hydrogeology & Engineering Geology,2023,50(3):125 − 137. (in Chinese with English abstract)] JIA Yufei, WEI Wenhao, CHEN Wen, et al. Landslide susceptibility assessment based on the SOM-I-SVM model［J］. Hydrogeology & Engineering Geology, 2023, 50（3）: 125 − 137. （in Chinese with English abstract）
[13] 李国营,刘平,张凯,等. 量纲统一在滑坡易发性评价中的影响分析[J]. 水文地质工程地质,2024,51(3):118 − 129. [LI Guoying,LIU Ping,ZHANG Kai,et al. Analysis of the influence of dimensional unity in landslide susceptibility assessment[J]. Hydrogeology & Engineering Geology,2024,51(3):118 − 129. (in Chinese with English abstract)] LI Guoying, LIU Ping, ZHANG Kai, et al. Analysis of the influence of dimensional unity in landslide susceptibility assessment［J］. Hydrogeology & Engineering Geology, 2024, 51（3）: 118 − 129. （in Chinese with English abstract）
[14] 易靖松,王峰,程英建,等. 高山峡谷区地质灾害危险性评价——以四川省阿坝县为例[J]. 中国地质灾害与防治学报,2022,33(3):134 − 142. [YI Jingsong,WANG Feng,CHENG Yingjian,et al. Study on the risk assessment of geological disasters in alpine valley area:A case study in Aba County,Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(3):134 − 142. (in Chinese with English abstract)] YI Jingsong, WANG Feng, CHENG Yingjian, et al. Study on the risk assessment of geological disasters in alpine valley area: A case study in Aba County, Sichuan Province［J］. The Chinese Journal of Geological Hazard and Control, 2022, 33（3）: 134 − 142. （in Chinese with English abstract）
[15] 陈洪凯,魏来,谭玲. 降雨型滑坡经验性降雨阈值研究综述[J]. 重庆交通大学学报(自然科学版),2012,31(5):990 − 996. [CHEN Hongkai,WEI Lai,TAN Ling. Review of research on empirical rainfall threshold of rainfall-induced landslide[J]. Journal of Chongqing Jiaotong University (Natural Science),2012,31(5):990 − 996. (in Chinese with English abstract)] CHEN Hongkai, WEI Lai, TAN Ling. Review of research on empirical rainfall threshold of rainfall-induced landslide［J］. Journal of Chongqing Jiaotong University （Natural Science）, 2012, 31（5）: 990 − 996. （in Chinese with English abstract）
[16] 许强. 对滑坡监测预警相关问题的认识与思考[J]. 工程地质学报,2020,28(2):360 − 374. [XU Qiang. Understanding the landslide monitoring and early warning:Consideration to practical issues[J]. Journal of Engineering Geology,2020,28(2):360 − 374. (in Chinese with English abstract)] XU Qiang. Understanding the landslide monitoring and early warning: Consideration to practical issues［J］. Journal of Engineering Geology, 2020, 28（2）: 360 − 374. （in Chinese with English abstract）
[17] ROSI A,PETERNEL T,JEMEC-AUFLIČ M,et al. Rainfall thresholds for rainfall-induced landslides in Slovenia[J]. Landslides,2016,13(6):1571 − 1577. DOI: 10.1007/s10346-016-0733-3
[18] 赵伯驹,李宁,幸夫诚,等. 基于I-CF模型的四川德格县滑坡危险性评价与区划[J]. 中国地质灾害与防治学报,2023,34(5):32 − 42. [ZHAO Boju,LI Ning,XING Fucheng,et al. Landslide geological hazard assessment based on the I-CF model of Dege County in Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(5):32 − 42. (in Chinese with English abstract)] ZHAO Boju, LI Ning, XING Fucheng, et al. Landslide geological hazard assessment based on the I-CF model of Dege County in Sichuan Province［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（5）: 32 − 42. （in Chinese with English abstract）
[19] PRADHAN B,LEE S,BUCHROITHNER M F. A GIS-based back-propagation neural network model and its cross-application and validation for landslide susceptibility analyses[J]. Computers,Environment and Urban Systems,2010,34(3):216 − 235. DOI: 10.1016/j.compenvurbsys.2009.12.004
[20] L-B STATISTICS,BREIMAN L. Random forests[J]. Machine Learning,2001:5 − 32.
[21] 黄发明,曹中山,姚池,等. 基于决策树和有效降雨强度的滑坡危险性预警[J]. 浙江大学学报(工学版),2021,55(3):472 − 482. [HUANG Faming,CAO Zhongshan,YAO Chi,et al. Landslides hazard warning based on decision tree and effective rainfall intensity[J]. Journal of Zhejiang University (Engineering Science),2021,55(3):472 − 482. (in Chinese with English abstract)] HUANG Faming, CAO Zhongshan, YAO Chi, et al. Landslides hazard warning based on decision tree and effective rainfall intensity［J］. Journal of Zhejiang University （Engineering Science）, 2021, 55（3）: 472 − 482. （in Chinese with English abstract）
[22] 谭玉敏,郭栋,白冰心,等. 基于信息量模型的涪陵区地质灾害易发性评价[J]. 地球信息科学学报,2015,17(12):1554 − 1562. [TAN Yumin,GUO Dong,BAI Bingxin,et al. Geological hazard risk assessment based on information quantity model in Fuling District,Chongqing City,China[J]. Journal of Geo-Information Science,2015,17(12):1554 − 1562. (in Chinese with English abstract)] TAN Yumin, GUO Dong, BAI Bingxin, et al. Geological hazard risk assessment based on information quantity model in Fuling District, Chongqing City, China［J］. Journal of Geo-Information Science, 2015, 17（12）: 1554 − 1562. （in Chinese with English abstract）
[23] 柳依莎,杨华. 基于信息量模型的地质灾害危险性评价研究——以重庆市涪陵区为例[J]. 重庆师范大学学报(自然科学版),2012,29(4):34 − 40. [LIU Yisha,YANG Hua. On the information content model of geological hazard assessment in the area of Fuling of Chongqing[J]. Journal of Chongqing Normal University (Natural Science),2012,29(4):34 − 40. (in Chinese with English abstract)] LIU Yisha, YANG Hua. On the information content model of geological hazard assessment in the area of Fuling of Chongqing［J］. Journal of Chongqing Normal University （Natural Science）, 2012, 29（4）: 34 − 40. （in Chinese with English abstract）
-
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)
计量
- 文章访问数: 115
- HTML全文浏览量: 36
- PDF下载量: 29
- 被引次数: 6
邮件订阅
RSS