Susceptibility assessment of debris flows based on information model in Dongchuan, Yunnan Province
-
摘要:
以东川泥石流为研究对象，选取高程、坡度、坡向、起伏度、曲率、工程岩组、距断层距离、距水系距离、土地利用类型9个影响因子，以研究区144条泥石流为样本数据，建立了东川泥石流易发性评价体系。基于GIS平台，采用信息量模型计算各个评价指标状态分级的信息量值，以小流域为评价单元使用自然间断法将研究区泥石流易发程度分为极高、高、中和低4个易发区等级。结果表明：研究区极高易发区和高易发区发生泥石流灾害数量占比94.44%，AUC值为0.876，表明选取评价指标合理，信息量模型适用于东川泥石流易发性评价研究。
Abstract:In this paper, taking debris flow in Dongchuan as the research object, nine influence factors are chosen as the selected indices, including the elevation, slope, aspect, relief, curvature, engineering rock group, distance to faults, distance to faults rivers, and land use types, sample data from 144 debris flows in the study area are used to establish the Dongchuan debris flow susceptibility assessment system. Based on the information model and GIS platform, the information vaule of each factor classification is calculated, and the natural discontinuity method is used to divide the debris flow susceptibility into 4 levels: extremely high-prone areas, high-prone areas, medium-prone areas, and low-prone areas in the study area. The results show that the number of debris flow disasters in the extremely high and high-risk areas in the study area accounted for 94.44%, and the AUC value was 0.876, indicating that the selection of evaluation indicators was reasonable, and the information model was suitable for the evaluation of debris flow susceptibility in Dongchuan.
-
Key words:
- debris flow /
- susceptibility assessment /
- information model /
- Dongchuan
-
0. 引言
泥石流作为我国自然灾害重要类型之一，具有暴发突然、波及范围广、破坏性大等特点。泥石流易发性评价也从最早的定性分析发展到定量分析，一直以来是国内外地学专家学者研究的热点[1-2]，其评价质量的好坏与评价指标的选取、评价模型的确定有着密不可分的关系[3-8]。地形地貌、地质构造及人类活动等是泥石流易发性的主要影响因素，也成为其评价指标选取的重要参考依据[9-10]。常用的泥石流易发性评价模型有专家系统模型（层次分析、专家打分）、数理统计模型（信息量、证据权和逻辑回归等）和机器学习模型（决策树、随机森林、神经网络和支持向量机等）[11-18]，这些模型各有所长，同时也存在一定的缺陷。相对于专家系统模型受人为因素影响明显、机器学习模型存在参数调试较难等问题，信息量模型作为《地质灾害风险调查评价技术要求》（1∶50000）（试行）推荐的方法具有操作简单、应用广泛和客观性好等优势，能够科学的对各指标区间分级[19]。
东川区地质灾害发育，尤以泥石流分布广泛，危害最为严重，素有“世界泥石流天然博物馆”之称，是全国泥石流危害最严重的地区。据不完全统计，解放以来泥石流已造成人员伤亡300余人，直接经济损失近4亿元，并且对生态环境破坏明显，严重制约了东川经济与社会发展。因此，在东川建立科学合理的泥石流易发性评价模型，为泥石流精准防控提供支撑，意义重大[20-21]。
文中在对东川区地质灾害详细调查成果系统梳理基础上，细致分析东川泥石流流域特征、动力学特性与形成机理等，选取坡度、坡向、起伏度、曲率、工程岩组、距水系距离、距断层距离和土地利用类型9个评价指标，基于信息量模型和GIS平台技术，以小流域为单元对东川泥石流进行了易发性评价，以期为东川防灾减灾工作提供参考。
1. 研究区概况及数据来源
1.1 研究区概况
东川区位于云南省昆明市最北端，面积1858.79 km2，属侵蚀剥蚀构造地貌，地势呈东西高中间河谷低、南高北低的特征，最大相对高差达3600 m。区域上属金沙江流域，区域年降水量701～1163 mm，降水量的85%以上集中在5—10月。区内地层岩性以元古代昆阳群碎屑岩分布最广，约占全区面积的43.68%，古生代碎屑岩夹碳酸盐岩约占19.10%，古生代玄武岩、中生代碎屑岩约占32.36%，新生代黏土岩和松散碎石土等约占4.86%。区内地质构造复杂，主构造线为南北向的小江断裂带。复杂的地形地貌、特殊的地质背景及独特的气候条件导致了东川泥石流频发。
通过收集东川区地质灾害详查、隐患排查和风险普查等数据，结合InSAR地质灾害隐患早期识别成果和精细化调查野外验证，系统梳理出研究区典型泥石流144条（图1），以此作为样本数据，开展研究区泥石流易发性定量评价。
1.2 数据来源
DEM数据收集自阿拉斯加卫星设备，制作高程、坡度、坡向、起伏度和曲率5个评价指标；水系数据收集自OSM并与DEM提取水系进行比对制作距水系距离评价指标；地质数据收集自全国地质资料馆东川幅、会理幅、曲靖幅和武定幅20万地质图[22]制作工程岩组分类和距断层距离2个评价指标，土地类型数据收集自欧空局官网制作土地利用类型评级指标（表1）。
表 1. 数据来源及类型Table 1. Data source and types基础数据 评价因子 数据来源及制作 数据格式 DEM 高程 ASF
（阿拉斯加
卫星设备）12.5 m×12.5 m
栅格数据坡度 坡向 起伏度 曲率 水系 距水系距离 DEM提取
Open Street Map矢量数据 地质数据 工程岩组分类 全国地质资料馆 矢量数据 距断层距离 土地类型 土地利用类型 ESA WorldCover 10 m栅格数据 灾害点 泥石流数量 地质灾害详查、排查等 矢量数据 | Show Table
DownLoad:
CSV
2. 研究方法
2.1 流域单元划分
泥石流易发性常用栅格作为评价单元，虽易于划分和模型计算，但忽略其流域特性，不能有效反映真实的泥石流情况，无法建立合理的评价模型，得出精准的评价结果。文中以收集的12.5 m×12.5 m的DEM栅格数据为基础，利用ArcGIS10.8模型构建器将流域划分过程（填洼→流向→流量→提取河流网络→栅格河网矢量化→盆域分析→栅格转面）模块化，化繁为简，实现自动化生成流域，通过反复调整集水阈值，最终得到最符合实际的流域划分结果。将研究区划分为961个流域，其中平均流域面积为1.94 km2，最大流域面积为10.62 km2，最小流域面积为0.44 km2。
2.2 信息量模型基本原理
信息量模型的理论基础是信息论[23]，运用概率论和数理统计的方法以信息熵的概念来分析各种评价指标作用下泥石流易发性的模型。通过各种评价指标与泥石流灾害点空间叠加分析，依托GIS平台计算其单个指标信息量，然后进行多个指标的加权叠加得到综合信息量，从而建立泥石流易发性评价模型，其信息量值越大，表明易发性越高。
I=∑nj=1lnNj/NSj/S (1) 式中：I——各种评价指标加权的总信息量，可作为泥石流 易发性指数；
Nj—单个评价指标特定分级区间内含有泥石流的个数；
N——泥石流总数量；
Sj——单个评价指标特定分级区间内栅格数；
S——总栅格数。
3. 研究区泥石流易发性评价
3.1 评价指标选取原则
泥石流的形成影响因素众多，其演化是一个复杂的多因素耦合作用的地质过程。东川自1961年中科院建立野外观测站至今，对东川泥石流动力地貌过程与区域演化规律、运动学与动力学特征、流体物理力学与流变特性等方面取得了一系列国际先进水平成果。本文在系统分析东川泥石流触发因素基础上，结合大量专家学者泥石流易发性评价研究成果进行了评价指标的优选，选取坡度、坡向、起伏度、曲率、工程岩组、距水系距离、距断层距离和土地利用类型9个评价指标。
3.2 评价流程
首先通过GIS平台得到各评价指标的状态分级[24-25]，然后对其分级区间进行重分类，与泥石流灾害点图层进行空间叠加分析统计，计算各评价指标图层的信息量值；采用栅格转面-空间连接-面转栅格实现将各评价指标的状态分级信息量值赋值到栅格图层中，运用空间分析工具叠加各评价指标的信息量栅格图层获取总信息量值，并按流域单元划分总信息量栅格图层，以子流域总信息量的平均值作为该子流域的信息量值，并按自然间断法对其进行重分类，实现研究区的泥石流易发性分区。
3.3 评价指标状态分级
因各评价指标的状态分级对信息量模型精度影响较大，科学合理划分其状态分级至关重要。文中在处理各评价指标状态分级时首先采用自然间断法一般将其细分为10～15级，与泥石流灾害点图层进行叠加分析，得出其信息量值，然后优先将信息量值为零的分级与相邻分级合并，接着将信息量值相近的分级与相邻分级合并，最后计算归并后的分级信息值，从而实现最优各评价指标状态分级（图2、表2）。
表 2. 各因素状态信息量表Table 2. Weighted information values of each factor指标因子 分级 泥石流点比例 信息量值 指标因子 分级 泥石流点比例 信息量值 高程/m 660～1500 0.2033 1.238744 曲率 −38～−1 0.2139 −0.131543 1500～2000 0.2598 −0.577567 −1～0 0.3114 0.430833 2000～2500 0.2209 −1.380367 0～2 0.3838 −0.205470 2500～3000 0.1594 −0.831065 >2 0.0909 −1.473365 >3000 0.1566 −1.729497 工程岩组 软岩组 0.0277 1.255712 坡度/（°） 0～10 0.1137 1.315538 较软岩组 0.5647 0.067643 10～20 0.2133 0.545702 较坚硬岩组 0.0693 −0.220774 20～30 0.2821 −0.871237 坚硬岩组 0.3383 −0.330859 30～40 0.2553 −1.206583 距水系距离/m 0 0.0037 1.322303 >40 0.1356 −2.278888 200 0.5022 0.624230 坡向 平坦（−1） 0.0011 0.000000 400 0.2786 −1.899977 北（0～22.5） 0.0638 0.084068 >400 0.2155 −3.435165 北东（22.5～67.5） 0.1268 0.353573 距断层距离/m <1000 0.6126 0.183653 东（67.5～112.5） 0.136 0.392672 1000～2000 0.2277 −0.445741 南东（112.5～157.5） 0.1266 −0.337806 2000～3000 0.0933 0.041246 南（157.5～202.5） 0.1072 −0.791193 >3000 0.0664 −1.158486 南西（202.5~247.5） 0.1119 −0.214621 土地利用类型 林地 0.2839 0.184122 西（247.5～292.5） 0.1379 0.269687 灌木 0.0024 −1.048475 北西（292.5～337.5） 0.1269 −0.266767 草地 0.4877 0.955946 北（337.5～360） 0.0618 −0.394293 耕地 0.1166 −0.437008 起伏度/（°） 0～20 0.2639 1.006637 建筑用地 0.0230 −1.937148 20～40 0.4084 −0.577548 裸地/稀疏植被区 0.0822 −0.994439 40～60 0.2465 −1.960151 开阔水域 0.0042 −0.514259 60～441 0.0812 −1.766161 | Show TableDownLoad:
CSV
（1）高程
以研究区12.5 m精度的DEM栅格数据为基础，最高点为拱王山雪岭，海拔4344 m，最低点位于金沙江与小江交汇处，海拔660 m，高差大于3600 m。以660～4344 m为区间，将高程分为5级，见图2（a）。泥石流主要分布在660～3000 m，占泥石流总数量的84.34%，见图3（a）。
图 3. 各指标分级分区面积和泥石流数量相关性统计图Figure 3. Statistical charts of correlation between the area of factor and the number of debris flow points（2）坡度
从0°起，以10°为间隔，将坡度分为5级，见图2（b）。泥石流点在坡度各分级均有分布，主要集中在20°～40°，见图3（b）。
（3）坡向
将坡向划为10个分级，见图2（c）。泥石流在南、西南、东南方向比例为34.57%，在北、北西、北东方向为37.93%，可见泥石流在北坡比例大于南坡，见图3（c）。
（4）地形起伏度
地形起伏度可以直观的反映山体的相对高差，是划分地貌类型的一个重要指标，同时还能有效地体现人类活动与地质灾害发育程度的相关性。借助ArcGIS平台提取出研究区地形起伏度在0～441 m，分为0～20 m平坦起伏、20～40 m微起伏、40～60 m小起伏，>60 m较大起伏4个分级，见图2（d）。泥石流在微起伏占比最高，为40.84%，见图3（d）。
（5）曲率
曲率主要是用来反映地形弯曲程度的指标，将曲率划为4个分级，见图2（e）。泥石流主要分布在曲率−1～2，占泥石流总数量的69.52%，见图3（e）。
（6）工程岩组分类
以研究区20万地质图为基础，根据地层岩性的工程地质特性，将研究区工程岩组划分为4大类，见图2（f）。泥石流主要分布在较软岩组内，占泥石流总数量的56.47%，见图3（f）。
（7）距水系距离
研究区水系发育，分布有小江流域和普渡河流域，均属金沙江水系。以研究区内河流为中心作200 m、400 m、>400 m缓冲区分析，见图2（g）。结果表明，在距河流400 m范围内泥石流点分布集中，占泥石流总数量的78.08%，见图3（g）。
（8）距断层距离
研究区位于川滇菱形块体内部小江断裂与普渡河断裂夹持地带，断层发育。以研究区1∶20万构造纲要图为基础，以断层为中心作1 km、2 km、3 km、>3 km缓冲区分析，见图2（h）。分析表明泥石流主要位于断层0～2 km范围内，占比84.03%，见图3（h）。
（9）土地利用类型
土地利用数据采用欧空局（ESA）发布的2020年10 m分辨率的全球土地利用（World Cover）数据。研究区土地利用主要包括林地、灌木、草地、耕地、建筑用地、裸地/稀疏植被区和开阔水域7类，见图2（i）。泥石流主要集中分布在林地、草地和耕地内，占比88.82%，见图3（i）。
3.4 基于GIS的信息量计算和易发性评价
评价指标体系建立完成后，基于GIS平台将各评价指标状态分级（图2）与泥石流灾害点进行空间叠加分析，得出各评价指标状态分级区间内泥石流分布数量（图3），根据信息量模型公式进行各评价指标信息量值计算，然后通过栅格叠加分析计算总信息量值，以自然间断法将其划分为4个等级，得到研究区泥石流易发性分区图，见图4（a）。低易发区[−14.15，−5.60]、中易发区[−5.60，−2.72]、高易发区[−2.72，0.42]及极高易发区[0.42，8.10]，占东川区全域栅格比例为18.49%、32.43%、33.30%和15.78%，其灾点占栅格频率比分别为0.038、0.150、0.542、4.843，极高易发区和高易发区内灾点频率比最高，符合客观事实。
3.5 基于小流域的信息量法易发性评价
目前泥石流易发性定量评价多采用直接以栅格单元为评价单元，往往会出现单条泥石流流域内存在不同的易发性分区，忽略了泥石流单元的整体性，与实际的环境不相符合，对指导泥石流的精准防控不利。为真实反映泥石流的环境演变，解决单条泥石流流域内分区差异性，文中将基于栅格单元计算得来的泥石流易发性总信息量值以流域为单元进行划分，然后统计每个子流域范围内信息量值的平均值，作为研究区子流域单元信息量值，通过自然间断法将其划分为4个等级：低易发区[−7.85，−3.97]、中易发区[−3.97，−2.25]、高易发区[−2.25，−0.31]及极高易发区[−0.31，3.39]，得到研究区泥石流易发性分区图，见图4（b）。
4. 结果分析与精度评价
4.1 易发性结果分析
研究区泥石流极高易发区和高易发区主要集中在小江流域沿岸的阿旺镇、铜都镇、拖布卡镇一带分布，占全域面积的37.27%，其中著名的蒋家沟、大小白泥沟、大桥河沟以及城市后山4条沟均位于极高易发区，与历史泥石流灾害点吻合度较高。
极高易发区和高易发区内地质环境特征典型，主要表现在以下几点：（1）位于小江活动断裂附近，构造极为发育，地震频发；（2）工程岩组以较软岩组为主，受小江断裂等影响岩石极为破碎，为泥石流发生提供了物质来源；（3）地形陡峻，相对高差大，地貌以侵蚀剥蚀为主；（4）距离水系越近泥石流易发性越高；（5）主要集中在小江河谷一线，人类工程活动强烈，对地形地貌破坏作用明显。
4.2 易发性精度评价
文中采用深度学习二分类中常用评价模ROC型曲线进行检验，构建以易发性分区累计百分比为横轴，泥石流灾点数累计百分比为纵轴，曲线下面积（AUC）表示易发性预测成功率，其值越接近1，代表准确率越高[26-28]。本次采用的信息量模型AUC为0.876，准确度较高（图5）。
5. 结论
（1）构建了云南东川泥石流易发性定量评价指标体系，对评价指标状态分级进行优化处理后发现：泥石流主要分布在高程660～3000 m、坡度20°～40°，曲率−1～2，地形集中在微起伏地形，工程岩组主要以较软岩组为主，距河流400 m内，断层在0～2 km，土地利用类型以林地、草地和耕地为主，而坡向对其影响不大。
（2）东川泥石流极高易发区和高易发区主要集中在小江流域沿岸的阿旺镇、铜都镇、拖布卡镇一带分布，占全域面积的37.27%。
（3）通过信息量模型可以很好建立东川泥石流易发性定量预测模型，ROC曲线检验模型AUC=0.876，准确度较高，建模结果与历史泥石流灾害点吻合度较高，较好地揭示了研究区泥石流易发性特征，为东川防灾减灾工作提供参考。
文中在评价指标选取和状态分级过程中仍存在一些不足之处。评价指标选取和状态分级合并主观性较强，后续可引入类似ROC曲线等验证模型进行定量化评价，提高其合理性和科学性。
-
表 1 数据来源及类型
Table 1. Data source and types
基础数据 评价因子 数据来源及制作 数据格式 DEM 高程 ASF
（阿拉斯加
卫星设备）12.5 m×12.5 m
栅格数据坡度 坡向 起伏度 曲率 水系 距水系距离 DEM提取
Open Street Map矢量数据 地质数据 工程岩组分类 全国地质资料馆 矢量数据 距断层距离 土地类型 土地利用类型 ESA WorldCover 10 m栅格数据 灾害点 泥石流数量 地质灾害详查、排查等 矢量数据
下载: 导出CSV
表 2 各因素状态信息量表
Table 2. Weighted information values of each factor
指标因子 分级 泥石流点比例 信息量值 指标因子 分级 泥石流点比例 信息量值 高程/m 660～1500 0.2033 1.238744 曲率 −38～−1 0.2139 −0.131543 1500～2000 0.2598 −0.577567 −1～0 0.3114 0.430833 2000～2500 0.2209 −1.380367 0～2 0.3838 −0.205470 2500～3000 0.1594 −0.831065 >2 0.0909 −1.473365 >3000 0.1566 −1.729497 工程岩组 软岩组 0.0277 1.255712 坡度/（°） 0～10 0.1137 1.315538 较软岩组 0.5647 0.067643 10～20 0.2133 0.545702 较坚硬岩组 0.0693 −0.220774 20～30 0.2821 −0.871237 坚硬岩组 0.3383 −0.330859 30～40 0.2553 −1.206583 距水系距离/m 0 0.0037 1.322303 >40 0.1356 −2.278888 200 0.5022 0.624230 坡向 平坦（−1） 0.0011 0.000000 400 0.2786 −1.899977 北（0～22.5） 0.0638 0.084068 >400 0.2155 −3.435165 北东（22.5～67.5） 0.1268 0.353573 距断层距离/m <1000 0.6126 0.183653 东（67.5～112.5） 0.136 0.392672 1000～2000 0.2277 −0.445741 南东（112.5～157.5） 0.1266 −0.337806 2000～3000 0.0933 0.041246 南（157.5～202.5） 0.1072 −0.791193 >3000 0.0664 −1.158486 南西（202.5~247.5） 0.1119 −0.214621 土地利用类型 林地 0.2839 0.184122 西（247.5～292.5） 0.1379 0.269687 灌木 0.0024 −1.048475 北西（292.5～337.5） 0.1269 −0.266767 草地 0.4877 0.955946 北（337.5～360） 0.0618 −0.394293 耕地 0.1166 −0.437008 起伏度/（°） 0～20 0.2639 1.006637 建筑用地 0.0230 −1.937148 20～40 0.4084 −0.577548 裸地/稀疏植被区 0.0822 −0.994439 40～60 0.2465 −1.960151 开阔水域 0.0042 −0.514259 60～441 0.0812 −1.766161
下载: 导出CSV
-
[1] 岳溪柳,黄玫,徐庆勇,等. 贵州省喀斯特地区泥石流灾害易发性评价[J]. 地球信息科学学报,2015,17(11):1395 − 1403. [YUE Xiliu,HUANG Mei,XU Qingyong,et al. The susceptibility assessment of debris flow in karst region of Guizhou Province[J]. Journal of Geo-Information Science,2015,17(11):1395 − 1403. (in Chinese with English abstract)
[2] 陈剑,黎艳,许冲. 金沙江干热河谷区泥石流易发性评价模型及应用[J]. 山地学报,2016,34(4):460 − 467. [CHEN Jian,LI Yan,XU Chong. Susceptibility assessment model of debris flows in the dry-hot valley of the Jinsha River and its application[J]. Mountain Research,2016,34(4):460 − 467. (in Chinese with English abstract)
[3] 王劲峰. 中国自然灾害区划: 灾害区划、影响评价、减灾对策[M]. 北京: 中国科学技术出版社, 1995
WANG Jinfeng. Regionalization of hazards in China: Regionalization, assessment and strategies [M]. Beijing: China Science and Technology Press, 1995. （in Chinese）
[4] 殷坤龙,朱良峰. 滑坡灾害空间区划及GIS应用研究[J]. 地学前缘,2001,8(2):279 − 284. [YIN Kunlong,ZHU Liangfeng. Landslide hazard zonation and application of GIS[J]. Earth Science Frontiers,2001,8(2):279 − 284. (in Chinese with English abstract) doi: 10.3321/j.issn:1005-2321.2001.02.010
[5] DYMOND J R,JESSEN M R,LOVELL L R. Computer simulation of shallow landsliding in New Zealand hill country[J]. International Journal of Applied Earth Observation and Geoinformation,1999,1(2):122 − 131. doi: 10.1016/S0303-2434(99)85005-3
[6] JIBSON R W,HARP E L,MICHAEL J A. A method for producing digital probabilistic seismic landslide hazard maps[J]. Engineering Geology,2000,58(3/4):271 − 289. doi: 10.1016/S0013-7952(00)00039-9
[7] TIEN BUI D,PRADHAN B,LOFMAN O,et al. Landslide susceptibility assessment in the Hoa Binh Province of Vietnam:A comparison of the Levenberg-Marquardt and Bayesian regularized neural networks[J]. Geomorphology,2012,171/172:12 − 29. doi: 10.1016/j.geomorph.2012.04.023
[8] PRADHAN B,LEE S. Delineation of landslide hazard areas on Penang Island,Malaysia,by using frequency ratio,logistic regression,and artificial neural network models[J]. Environmental Earth Sciences,2010,60(5):1037 − 1054. doi: 10.1007/s12665-009-0245-8
[9] 胡凯衡,崔鹏,韩用顺,等. 基于聚类和最大似然法的汶川灾区泥石流滑坡易发性评价[J]. 中国水土保持科学,2012,10(1):12 − 18. [HU Kaiheng,CUI Peng,HAN Yongshun,et al. Susceptibility mapping of landslides and debris flows in 2008 Wenchuan earthquake by using cluster analysis and maximum likelihood classification methods[J]. Science of Soil and Water Conservation,2012,10(1):12 − 18. (in Chinese with English abstract) doi: 10.3969/j.issn.1672-3007.2012.01.003
[10] 焦方谦,赵新生,陈川. 证据权模型在泥石流灾害易发性评价中的应用[J]. 干旱区地理,2013,36(6):1111 − 1124. [JIAO Fangqian,ZHAO Xinsheng,CHEN Chuan. Debris flow hazard susceptibility evaluation application with weighted evidences model[J]. Arid Land Geography,2013,36(6):1111 − 1124. (in Chinese with English abstract)
[11] 刘磊,殷坤龙,王佳佳,等. 降雨影响下的区域滑坡危险性动态评价研究—以三峡库区万州主城区为例[J]. 岩石力学与工程学报,2016,35(3):558 − 569. [LIU Lei,YIN Kunlong,WANG Jiajia,et al. Dynamic evaluation of regional landslide hazard due to rainfall:A case study in Wanzhou central district,Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,2016,35(3):558 − 569. (in Chinese with English abstract)
[12] 刘磊. 三峡水库万州区库岸滑坡灾害风险评价研究[D]. 武汉: 中国地质大学, 2016
LIU Lei. Assessment of landslide risk along Wanzhou area in Three Gorges Reservoir[D]. Wuhan: China University of Geosciences, 2016. （in Chinese with English abstract）
[13] CHEN W,POURGHASEMI H R,KORNEJADY A,et al. Landslide spatial modeling:Introducing new ensembles of ANN,MaxEnt,and SVM machine learning techniques[J]. Geoderma,2017,305:314 − 327. doi: 10.1016/j.geoderma.2017.06.020
[14] ZHOU C,YIN K L,CAO Y,et al. Application of time series analysis and PSO-SVM model in predicting the Bazimen landslide in the Three Gorges Reservoir,China[J]. Engineering Geology,2016,204:108 − 120. doi: 10.1016/j.enggeo.2016.02.009
[15] TIEN BUI D,TUAN T A,KLEMPE H,et al. Spatial prediction models for shallow landslide hazards:A comparative assessment of the efficacy of support vector machines,artificial neural networks,kernel logistic regression,and logistic model tree[J]. Landslides,2016,13(2):361 − 378. doi: 10.1007/s10346-015-0557-6
[16] 吴孝情,赖成光,陈晓宏,等. 基于随机森林权重的滑坡危险性评价:以东江流域为例[J]. 自然灾害学报,2017,26(5):119 − 129. [WU Xiaoqing,LAI Chengguang,CHEN Xiaohong,et al. A landslide hazard assessment based on random forest weight:A case study in the Dongjiang River basin[J]. Journal of Natural Disasters,2017,26(5):119 − 129. (in Chinese with English abstract)
[17] PARK I,LEE S. Spatial prediction of landslide susceptibility using a decision tree approach:A case study of the Pyeongchang area,Korea[J]. International Journal of Remote Sensing,2014,35(16):6089 − 6112. doi: 10.1080/01431161.2014.943326
[18] 庄育龙,田原,程楚云. 基于深度神经网络的滑坡危险性评价:以深圳市为例[J]. 地理与地理信息科学,2019,35(2):104 − 110. [ZHUANG Yulong,TIAN Yuan,CHENG Chuyun. Landslide susceptibility assessment based on deep neural network:A case study of Shenzhen[J]. Geography and Geo-Information Science,2019,35(2):104 − 110. (in Chinese with English abstract) doi: 10.3969/j.issn.1672-0504.2019.02.016
[19] 王佳佳,殷坤龙,肖莉丽. 基于GIS和信息量的滑坡灾害易发性评价—以三峡库区万州区为例[J]. 岩石力学与工程学报,2014,33(4):797 − 808. [WANG Jiajia,YIN Kunlong,XIAO Lili. Landslide susceptibility assessment based on GIS and weighted information value:A case study of Wanzhou District,Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,2014,33(4):797 − 808. (in Chinese with English abstract)
[20] 胡瑞林,范林峰,王珊珊,等. 滑坡风险评价的理论与方法研究[J]. 工程地质学报,2013,21(1):76 − 84. [HU Ruilin,FAN Linfeng,WANG Shanshan,et al. Theory and method for landslide risk assessment-current status and future development[J]. Journal of Engineering Geology,2013,21(1):76 − 84. (in Chinese with English abstract) doi: 10.3969/j.issn.1004-9665.2013.01.009
[21] 程英建,石豫川,石胜伟,等. 数量化理论在泥石流易发性预测中的应用[J]. 水文地质工程地质,2015,42(1):140 − 145. [CHENG Yingjian,SHI Yuchuan,SHI Shengwei,et al. Prediction of debris flow occurrence based on the quantification theory[J]. Hydrogeology & Engineering Geology,2015,42(1):140 − 145. (in Chinese with English abstract)
[22] 李晨阳, 王新春, 何春珍, 等. 全国1∶200 000 数字地质图（公开版）空间数据库（V1）[DB]. 中国地质调查局发展研究中心, 中国地质调查局, 全国地质资料馆, 1957
LI Chenyang, WANG Xinchun, HE Chunzhen, etal. China national digital geological map （public version at 1∶200000 scale） spatial database （V1）[DB]. Development and Research Center, China Geological Survey, China Geological Survey, National Geological Archives of China, 1957. （in Chinese）
[23] 高克昌,崔鹏,赵纯勇,等. 基于地理信息系统和信息量模型的滑坡危险性评价:以重庆万州为例[J]. 岩石力学与工程学报,2006,25(5):991 − 996. [GAO Kechang,CUI Peng,ZHAO Chunyong,et al. Landslide hazard evaluation of Wanzhou based on GIS information value method in the Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,2006,25(5):991 − 996. (in Chinese with English abstract) doi: 10.3321/j.issn:1000-6915.2006.05.020
[24] 王宁涛,彭轲,黎清华,等. 基于RS和GIS的地质灾害易发性定量评价:以湖北省五峰县为例[J]. 地学前缘,2012,19(6):221 − 229. [WANG Ningtao,PENG Ke,LI Qinghua,et al. Quantitative evaluation of geological disaster liability based on RS & GIS analysis:A case study of Wufeng County,Hubei Province[J]. Earth Science Frontiers,2012,19(6):221 − 229. (in Chinese with English abstract)
[25] 牛全福,程维明,兰恒星,等. 基于信息量模型的玉树地震次生地质灾害危险性评价[J]. 山地学报,2011,29(2):243 − 249. [NIU Quanfu,CHENG Weiming,LAN Hengxing,et al. Susceptibility assessment of secondary geological disaster based on information value methodology for Yushu earthquake region[J]. Journal of Mountain Science,2011,29(2):243 − 249. (in Chinese with English abstract) doi: 10.3969/j.issn.1008-2786.2011.02.014
[26] 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
[27] WALKER S P. The ROC curve redefined - optimizing sensitivity (and specificity) to the lived reality of cancer[J]. The New England Journal of Medicine,2019,380(17):1594 − 1595. doi: 10.1056/NEJMp1814951
[28] 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
期刊类型引用(26)
1. 曹苏傲，郭振，陈佳乐. 基于改进信息量模型的地质灾害易发性评价——以西藏察隅县G219国道沿线为例. 地质通报. 2025(01): 185-200 . 
百度学术
2. 常康泰，赵志芳，牟乔木，杨永林，胡云飞，秦阳. 基于灰色关联分析-信息量法的永胜县泥石流易发性评价. 科学技术与工程. 2025(03): 933-941 . 百度学术
3. 陈宾，李颖懿，张联志，屈添强，魏娜，刘宁，黄春林. 地质灾害易发性评价因子分级的AIFFC算法优化. 中国地质灾害与防治学报. 2024(01): 72-81 . 本站查看
4. 赵佳忆，田述军，李凯，侯鹏鹂. 岷江上游汶川地震前后泥石流易发性评价. 中国地质灾害与防治学报. 2024(01): 51-59 . 本站查看
5. 韩俊，王保云，徐繁树. 基于自校正原型网络的泥石流灾害易发性评价——以怒江州为例. 人民长江. 2024(03): 123-133 . 百度学术
6. 王惠聪，周爱红，袁颖. 基于信息量法—层次分析法的北京市延庆区崩塌灾害危险性评价. 河北地质大学学报. 2024(02): 47-55+60 . 百度学术
7. 文海家，胡吉威，张辉，向学坤，黄勤. 泥石流危险范围Laharz修正模型及其应用. 吉林大学学报(地球科学版). 2024(03): 905-918 . 百度学术
8. 吴兴贵，王宇栋，王蓝婷，丁梓逸. 加权信息量模型在云南澜沧县滑坡危险性评价中的应用. 中国地质灾害与防治学报. 2024(03): 119-128 . 本站查看
9. 陈建平，辛亚波，王泽鹏，陈伟，万长园，刘云艳，黄俊杰. 样本选取对地质灾害易发性评价的影响——以山西柳林县为例. 中国地质灾害与防治学报. 2024(03): 152-162 . 本站查看
10. 张云，资锋，曹运江，成湘伟，韩用顺，唐龙. GIS支持下基于归一化信息量模型的地质灾害易发性评价. 矿业工程研究. 2024(02): 20-28 . 百度学术
11. 张宇，简季，郝利娜，杨鑫. 基于IV-MLP耦合模型的龙陵县滑坡易发性评价. 物探化探计算技术. 2024(05): 618-626 . 百度学术
12. 王华锋，陈洪海，贾琛，马龙，亓贞才，张晓飞，马建伟，张晔. 基于GIS分析的鲁中南低山丘陵区地质灾害风险评价. 山东国土资源. 2024(10): 66-72 . 百度学术
13. 赵蔓，孙俊，朱恺悦. 云南兰坪县啦井村泥石流模拟预测及风险评价. 中国地质灾害与防治学报. 2024(05): 110-119 . 本站查看
14. 李彩侠，马煜. 基于不同数学模型的四川省马边县地质灾害易发性评价研究. 地质与勘探. 2024(06): 1205-1216 . 百度学术
15. 杨文礼，白光顺，孙滨，张卫锋，杨雪梅. 云南哀牢山地区地质灾害因子敏感性和易发性评价——以新平县为例. 中国地质灾害与防治学报. 2024(06): 145-152 . 本站查看
16. 张平平，李滨，高浩源，万佳威. 西藏林芝多雄河流域高位雪崩易发性评价. 中国地质灾害与防治学报. 2024(06): 44-57 . 本站查看
17. 余明威，郭永刚，苏立彬. 西藏林芝地区崩滑流灾害影响因子定量评价. 中国地质灾害与防治学报. 2024(06): 33-43 . 本站查看
18. 黄鑫，吴珍云，丁德建，李希星，石祖峰，祝民强，孙彬涵. 基于信息量-逻辑回归模型的江西省婺源县地质灾害易发性评价. 东华理工大学学报(自然科学版). 2023(03): 259-268 . 百度学术
19. 张潇远，苏巧梅，赵财胜，朱月琴，李凯新，范锦龙，白东升. 一种利用贝叶斯算法优化XGBoost的滑坡易发性评价方法. 测绘科学. 2023(06): 140-150 . 百度学术
20. 蒋文学，李益敏，杨雪，邓选伦，杨一铭. 基于斜坡单元的怒江州滑坡易发性研究. 水土保持学报. 2023(05): 160-167 . 百度学术
21. 杨得虎，朱杰勇，刘帅，马博，代旭升. 基于信息量、加权信息量与逻辑回归耦合模型的云南罗平县崩滑灾害易发性评价对比分析. 中国地质灾害与防治学报. 2023(05): 43-53 . 本站查看
22. 阳清青，余秋兵，张廷斌，易桂花，张恺. 基于GDIV模型的大渡河中游地区滑坡危险性评价与区划. 中国地质灾害与防治学报. 2023(05): 130-140 . 本站查看
23. 韩俊，王保云. 基于原型网络的云南怒江州泥石流灾害易发性评价与区划. 中国地质灾害与防治学报. 2023(05): 117-129 . 本站查看
24. 冯培华，向灵芝，罗亮，雷青青，崔开林，梁梦辉. 基于灾害熵与层次分析法的泥石流危险性评价对比分析：以甘肃省迭部县为例. 科学技术与工程. 2023(29): 12416-12426 . 百度学术
25. 王常明，刘辛磊，王飞. 品字形桩林防护结构对泥石流冲击桥墩作用的影响. 吉林大学学报(地球科学版). 2023(06): 1773-1784 . 百度学术
26. 邱锦安，邓志德，刘燕辉，金炯球，张杰，童纪伟，谢润培，梅伟标，黄宗万. 集镇地质灾害易发性分区研究——以梅州市大埔县银江镇为例. 华南地震. 2023(04): 80-86 . 百度学术
其他类型引用(10)
-
图(5)
表(2)
计量
- 文章访问数: 2099
- PDF下载数: 164
- 施引文献: 36