基于RBF神經(jīng)網(wǎng)絡(luò)-信息量耦合模型的滑坡易發(fā)性評價
——以甘肅岷縣為例

黃立鑫，郝君明，李旺平，周兆葉，賈佩錢

（1.蘭州理工大學(xué)土木工程學(xué)院，甘肅 蘭州 730050；2.甘肅省應(yīng)急測繪工程研究中心，甘肅 蘭州 730050）

0 引言

目前，基于GIS 技術(shù)的滑坡易發(fā)性評價已成為滑坡研究領(lǐng)域的熱點，研究者們基于地形地貌、水文地質(zhì)和人類工程活動等方面選取滑坡影響因子，采用評價模型對區(qū)域滑坡災(zāi)害的易發(fā)性進(jìn)行評價分析。主流的評價模型主要有基于統(tǒng)計分析和機(jī)器學(xué)習(xí)的方法，如邏輯回歸[1-2]、信息量[3-6]、支持向量機(jī)[7]和人工神經(jīng)網(wǎng)絡(luò)[7-10]模型等。諸多研究表明，與單一的評價模型相比，多模型耦合的方法可以提高評價精度和預(yù)測能力，更具有科學(xué)性和合理性[11-12]。如SAHA 等[8]采用邏輯回歸（LR）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）和隨機(jī)森林（RF）模型及其耦合模型對印度Rudraprayag地區(qū)進(jìn)行滑坡易發(fā)性評價，結(jié)果表明ANN-RF-LR 耦合模型的穩(wěn)健性最好，評價精度和預(yù)測能力最高；陳飛等[9]采用信息量與神經(jīng)網(wǎng)絡(luò)組合模型對江西省上猶縣進(jìn)行了滑坡易發(fā)性評價，結(jié)果表明組合模型的評價精度優(yōu)于單一信息量模型；連志鵬等[3]通過優(yōu)勢耦合模型對湖北省五峰縣的滑坡進(jìn)行了易發(fā)性評價研究，結(jié)果也表明耦合模型預(yù)測精度明顯高于單一模型。

近年來，信息量模型（I）由于其模型的語義明確、易于實現(xiàn)等優(yōu)點已被廣泛應(yīng)用于山區(qū)復(fù)雜地形區(qū)域的滑坡易發(fā)性評價中，并取得了較好的效果[3-6,9]。但信息量模型只能獲得指標(biāo)因子對應(yīng)的信息量值，無法準(zhǔn)確地表達(dá)各指標(biāo)因子的權(quán)重大小和相關(guān)性，所以在一定程度上，很難準(zhǔn)確客觀地進(jìn)行易發(fā)性評價。RBF 神經(jīng)網(wǎng)絡(luò)（RBFNN）模型是以徑向基函數(shù)作為激活函數(shù)的一種性能良好的前饋神經(jīng)網(wǎng)絡(luò)，具有最佳逼近和克服局部極小值問題的優(yōu)點[13]?？梢岳肦BF 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)擬合功能，建立模型并映射出歷史滑坡分布和影響因子之間的非線性關(guān)系，是區(qū)域滑坡災(zāi)害易發(fā)性評價的新技術(shù)。因此，本文通過RBF 神經(jīng)網(wǎng)絡(luò)和信息量模型的耦合，優(yōu)化區(qū)域滑坡災(zāi)害易發(fā)性評價結(jié)果。

甘肅省岷縣位于青藏高原邊緣，地形復(fù)雜，地質(zhì)條件脆弱，土體結(jié)構(gòu)穩(wěn)定性差，滑坡災(zāi)害頻發(fā)，嚴(yán)重制約了當(dāng)?shù)氐耐恋亻_發(fā)利用、工礦建設(shè)和生態(tài)環(huán)境保護(hù)。文章以岷縣為研究區(qū)，綜合考慮滑坡發(fā)生的內(nèi)在、外在誘發(fā)因素，篩選了高程、坡度、坡向、平面曲率、距斷層距離、地層、降雨量、距水系的距離、NDVI、距道路的距離10 個指標(biāo)因子，采用RBF 神經(jīng)網(wǎng)絡(luò)-信息量耦合模型（RBFNN-I）對研究區(qū)滑坡災(zāi)害進(jìn)行易發(fā)性評價研究。最后，采用合理性和受試者工作特征曲線（ROC）對耦合模型和單一模型的評價結(jié)果對比分析，以期建立一種有效的滑坡災(zāi)害易發(fā)性評價模型，為岷縣滑坡災(zāi)害預(yù)防治理和防災(zāi)減災(zāi)工作提供參考，有效地減少滑坡災(zāi)害給人民生命財產(chǎn)和生產(chǎn)生活帶來的損失。

1 研究方法

1.1 信息量模型

信息量（I）模型的原理是通過信息熵綜合分析各指標(biāo)因子對區(qū)域滑坡易發(fā)性的貢獻(xiàn)值，確定滑坡分布與環(huán)境因子之間的空間關(guān)系。根據(jù)已經(jīng)發(fā)生的滑坡區(qū)域所提供的信息把區(qū)域內(nèi)各指標(biāo)因子的實測值轉(zhuǎn)化為能反映區(qū)域穩(wěn)定性的信息熵，通過統(tǒng)計各個影響因素對滑坡災(zāi)害貢獻(xiàn)的信息熵來確定導(dǎo)致災(zāi)害發(fā)生的“最優(yōu)因素組合”，將多個影響因素的信息熵疊加實現(xiàn)區(qū)域滑坡易發(fā)性評價[5-6]。其表達(dá)式為：

式中：I(xi,H)——指標(biāo)因子對滑坡災(zāi)害發(fā)生提供的信息量值；

xi——評價單元內(nèi)指標(biāo)因子的等級；

Ni——研究區(qū)指標(biāo)因子xi的滑坡災(zāi)害面積；

N——研究區(qū)內(nèi)滑坡災(zāi)害總面積；

Si——研究區(qū)內(nèi)指標(biāo)因子xi的面積；

S——研究區(qū)的總面積。

可以根據(jù)單一指標(biāo)因子的信息量值計算整個研究區(qū)內(nèi)評價單元的信息量，計算表達(dá)式為：

式中：n——研究區(qū)選取的指標(biāo)因子總數(shù)；

I——總信息量值，是評價滑坡災(zāi)害易發(fā)性的綜合指標(biāo)，其總信息量值I越大，說明滑坡易發(fā)性越高，反之則說明滑坡易發(fā)性較低。

1.2 RBF 神經(jīng)網(wǎng)絡(luò)模型

RBF 神經(jīng)網(wǎng)絡(luò)（RBFNN）模型是由輸入層、隱含層和輸出層構(gòu)成（圖1）。從輸入層到隱含層是非線性變換，不需要權(quán)值連接，從隱含層到輸出層變換是線性的，也就是整個網(wǎng)絡(luò)的輸出是隱含層輸出結(jié)果的線性加權(quán)和。第一層為輸入層，主要是將輸入的樣本傳遞給隱含層，起到傳輸信號的作用。第二層為隱含層，隱含層含有若干隱節(jié)點，每個隱節(jié)點的激活函數(shù)采用徑向基函數(shù)；第三層為輸出層，是將隱含層空間映射到輸出層[13-14]，對應(yīng)的映射關(guān)系為：

圖1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The structure of RBF neural network

式中：i=1,2,3,···,h——隱含層有h個節(jié)點；

j=1,2,3,···,n——輸出層有n個節(jié)點；

ωij——隱含層到輸出層的連接權(quán)值；

xp——n維的輸入向量，

ci——第i個高斯核函數(shù)的中心值，與輸入向量的維數(shù)相同；

Ri(xp?ci)——基函數(shù)。

選用高斯函數(shù)作為基函數(shù)，定義第i個隱含單元的激活函數(shù)為：

σi——第i個高斯核函數(shù)的中心點寬度。

1.3 RBFNN-I 模型及精度驗證方法

RBFNN-I 模型是將影響滑坡災(zāi)害的各指標(biāo)因子不同等級的信息量值作為模型的輸入?yún)?shù)，是否發(fā)生滑坡作為目標(biāo)類型，經(jīng)過反復(fù)訓(xùn)練創(chuàng)建標(biāo)準(zhǔn)的RBFNN-I 模型，其建模流程見圖2。

圖2 基于RBFNN-I 模型滑坡災(zāi)害易發(fā)性評價流程圖Fig.2 The flow chart of landslide susceptibility evaluation based on the RBFNN-I model

滑坡災(zāi)害易發(fā)性評價結(jié)果是否準(zhǔn)確對區(qū)域滑坡風(fēng)險早期識別和監(jiān)測預(yù)警工作有直接的影響作用，因此對評價結(jié)果進(jìn)行精度檢驗十分必要，文中主要從評價結(jié)果合理性檢驗和模型精度檢驗兩個方面對評價結(jié)果進(jìn)行檢驗。合理性檢驗是對評價模型檢驗的方法之一，主要通過分析各等級易發(fā)區(qū)的面積和空間分布狀況，及其實際發(fā)生的滑坡點在各等級易發(fā)區(qū)內(nèi)的分布數(shù)量來檢驗?zāi)Ｐ偷暮侠硇訹15]。受試者工作特征曲線（ROC）分析是滑坡易發(fā)性評價中常用的模型精度評價方法[4-7]。首先將未發(fā)生滑坡的單元被正確預(yù)測的比例（特異性）定義為X軸，然后將已發(fā)生滑坡的單元被正確預(yù)測的比例（敏感性）定義為Y軸，繪制得到ROC 曲線。通常計算ROC 曲線線下面積（AUC）來評價模型的準(zhǔn)確度，AUC值越大表明模型的性能越好。

2 研究區(qū)概況

2.1 研究區(qū)概況

岷縣位于甘肅省定西市西南部，洮河中游，是甘南高原東緣與隴中黃土高原和西秦嶺隴南山地交匯處（圖3）。境內(nèi)地形起伏大，呈南高北低趨勢，海拔約2 040～3 754 m，以山地為主，約占縣域面積的88%；氣候?qū)儆跍貛О霛駶櫄夂?，高寒陰濕，年均氣?.5℃，年均降水量598.3 mm，南部和東部區(qū)域植被覆蓋率較高；水系多呈樹狀，支流較多，分屬長江和黃河兩大流域；地質(zhì)環(huán)境脆弱，巖性以上古生代的海陸交互相層的灰?guī)r、砂巖、泥炭、礫巖為主，地層從晚古生代泥盆紀(jì)中期到第四紀(jì)均有出露，走滑型的斷裂帶較多，地震滑坡主要分布在臨潭—宕昌斷裂帶矩形區(qū)[16-17]。同時，岷縣受到“5·12”汶川地震和“7·22”岷縣地震的影響，地表巖層破碎，在強(qiáng)降雨和地震的作用下，山洪、泥石流和滑坡等自然災(zāi)害頻發(fā)。

圖3 岷縣地理位置及歷史滑坡點分布圖Fig.3 Geographical location and distribution of historical landslide points in Min Xian

2.2 滑坡災(zāi)害數(shù)據(jù)編錄

滑坡災(zāi)害數(shù)據(jù)編錄是進(jìn)行滑坡易發(fā)性評價分析的基礎(chǔ)。首先根據(jù)研究區(qū)范圍內(nèi)的高分辨率遙感影像數(shù)據(jù)（Landsat8：2018年；GF-6：2019年；Google Earth：2020年），將研究區(qū)劃分為5 行10 列，共50 個格網(wǎng)，以《滑坡災(zāi)害防治手冊-認(rèn)識滑坡:防治滑坡》為指南[18]，依據(jù)遙感影像滑坡解譯標(biāo)志，通過目視解譯的方法識別滑坡災(zāi)害點，然后結(jié)合現(xiàn)場核查，得到岷縣滑坡災(zāi)害點共549處，單體滑坡面積最大為31 164 m2，面積最小為203 m2，面積大于10 000 m2的滑坡30 處，滑坡災(zāi)害的總面積1.98 km2，約占整個研究區(qū)的0.055%（圖3）。岷縣的滑坡災(zāi)害類型主要以淺層、小型滑坡為主。為解決建模過程中的滑坡點和非滑坡點的比例平衡問題，在非滑坡區(qū)域隨機(jī)生成間距大于1 km 的隨機(jī)點549個，共得到1 098個樣本點。

3 建立評價指標(biāo)體系

3.1 指標(biāo)因子的選取與分級

根據(jù)指標(biāo)因子選取的原則和滑坡的形成機(jī)理，參考近年來國內(nèi)外學(xué)者在滑坡易發(fā)性評價研究中最常使用的指標(biāo)因子以及岷縣的實際情況，并考慮指標(biāo)因子數(shù)據(jù)的可量化、可獲取性，本研究從地形地貌、地質(zhì)構(gòu)造、氣象水文、地表覆蓋和人類活動五個方面選取了10 個指標(biāo)因子，分別是高程、坡度、坡向、平面曲率、距斷層距離、地層、降雨量、距水系距離、歸一化植被指數(shù)（NDVI）和距道路距離。選取的指標(biāo)因子的數(shù)據(jù)類型主要分為連續(xù)型和離散型數(shù)據(jù)集，依據(jù)不同的數(shù)據(jù)類型和已有的相關(guān)研究經(jīng)驗確定每個指標(biāo)因子的分級標(biāo)準(zhǔn)[1-9]。將各指標(biāo)因子制作成空間范圍一致且分辨率相同的柵格專題圖層（圖4）。

3.1.1 地形地貌類指標(biāo)因子

基于GIS 軟件從岷縣DEM 數(shù)據(jù)提取地形地貌類的指標(biāo)因子，主要有高程、坡度、坡向和平面曲率見圖4（a）-圖4（d）。高程與巖土體的含水率、人類活動強(qiáng)度和植被覆蓋度等都具有很高的相關(guān)性，是滑坡災(zāi)害發(fā)育的主要影響因素之一，岷縣高程的分布范圍在2 039～3 817 m，按100 m 的間隔重分類為10 個等級。坡度與坡體的應(yīng)力分布、地表徑流、堆積物厚度等方面有密切的關(guān)系，不同坡度范圍內(nèi)，滑坡的發(fā)育類型和規(guī)模存在明顯差異[19]，岷縣坡度的分布范圍在0～67°，以坡度值為5°間隔進(jìn)行劃分，并對坡度值分布較少的等級區(qū)間進(jìn)行合并得到10 個等級。坡向?qū)聻?zāi)害的影響主要源于不同坡向的太陽輻射強(qiáng)度和降雨量不同，從而對地表溫度、水分蒸發(fā)量、植被覆蓋情況和坡面的風(fēng)化程度等方面產(chǎn)生影響，造成滑坡災(zāi)害發(fā)育的空間分布差異性，文中將其分為平地、北向、東北、東向、東南、南向、西南、西向、西北9 個等級。平面曲率描述了地表沿水平方向的彎曲和變化情況，是對地形表面扭曲變化程度的定量化度量因子，且凹凸變化與地形曲率一致，文中將其分為10 個等級，見圖4（d）。

3.1.2 地質(zhì)構(gòu)造類指標(biāo)因子

基于GIS 軟件從岷縣1∶20 萬地質(zhì)圖中提取地質(zhì)構(gòu)造類指標(biāo)因子見圖4（e）-圖4（f）。斷層能夠改變巖體的構(gòu)造形式和力學(xué)強(qiáng)度，且斷層活動產(chǎn)生的擠壓和拉裂作用使得地層結(jié)構(gòu)面的裂隙更為發(fā)育，是影響滑坡形成和發(fā)育的重要因素[20]。岷縣位于祁連加里東造山帶和西秦嶺復(fù)合造山帶的結(jié)合部位，境內(nèi)有多條活躍斷層，因此以1 km 的緩沖距離創(chuàng)建了11 個距斷層距離的分級。地層是滑坡發(fā)育的物質(zhì)基礎(chǔ)，不同地層的巖土體類型和結(jié)構(gòu)特征在抗風(fēng)化能力、抗剪強(qiáng)度和抗侵蝕性等方面有顯著的差異，能夠直接影響斜坡的形變和穩(wěn)定性[21]，岷縣的地層發(fā)育較為齊全，文中按年代從新到老進(jìn)行地層等級的劃分，依次是第四系、侏羅系、三疊系、二疊系、石炭系和泥盆系。

圖4 岷縣滑坡災(zāi)害易發(fā)性評價指標(biāo)因子Fig.4 Evaluation index factors of landslide susceptibility in Minxian County

3.1.3 氣象水文類指標(biāo)因子

選取的氣象水文類指標(biāo)因子主要是降雨量和距水系距離，見圖4（g）-圖4（h）。降雨是造成滑坡災(zāi)害的主要誘發(fā)因素，主要原因是雨水滲入巖土體內(nèi)部，會增加坡體的容重，降低巖土體的抗剪強(qiáng)度和摩擦力，極易使坡體失穩(wěn)而誘發(fā)滑坡災(zāi)害[22]，對2000—2017年岷縣逐月降雨數(shù)據(jù)進(jìn)行整理分析，按照自然間斷法劃分為9 個等級。水系與滑坡災(zāi)害之間的關(guān)系密切，主要表現(xiàn)在當(dāng)坡體距離水系越近時，所受到的沖刷、侵蝕作用就越強(qiáng)，特別在河道拐彎處的側(cè)蝕作用極強(qiáng)，文中以200 m的緩沖距離創(chuàng)建了11 個距水系距離的分級。

3.1.4 地表覆蓋類指標(biāo)因子

選取的地表覆蓋類指標(biāo)因子是植被，植被能夠減緩地表徑流對坡體的侵蝕程度，增加土壤的滲透性和降低孔隙水壓力，并且植被的根系對坡體具有一定的穩(wěn)固作用，對滑坡災(zāi)害發(fā)育有至關(guān)重要的作用[23]。歸一化植被指數(shù)（NDVI）是衡量植被生長發(fā)育狀態(tài)和植被覆蓋度的重要指標(biāo)，因此本文基于ENVI 軟件通過Landsat8 影像數(shù)據(jù)提取NDVI 值，并將其分為9 個等級，如圖4（i）所示。

3.1.5 人類活動類指標(biāo)因子

交通建設(shè)是人類活動的一種重要表現(xiàn)形式，距道路距離通常作為滑坡易發(fā)性分析的指標(biāo)因子之一。在道路建設(shè)之前，坡體是平衡的。施工的擾動會改變地形，影響道路沿線的自然環(huán)境，直接或間接的對滑坡災(zāi)害的發(fā)生起到一定的促進(jìn)作用。因此本文以200 m 的緩沖距離建立了11 個距道路距離的分級，如圖4（j）所示。

3.2 指標(biāo)因子的檢驗與篩選

在進(jìn)行模型的建立和訓(xùn)練之前，為了保證輸入模型的指標(biāo)因子之間具有獨立性和客觀性，本文采用Pearson相關(guān)系數(shù)法[24]對選取的10 個指標(biāo)因子進(jìn)行檢驗與篩選，統(tǒng)計其相關(guān)性系數(shù)R，結(jié)果如表1所示。由表可知，高程與降雨量、距道路距離相關(guān)性系數(shù)R分別為0.75 和0.52，均大于0.5，其余各指標(biāo)因子之間的相關(guān)性都較低，因此，經(jīng)綜合考慮后剔除高程指標(biāo)因子，將剩余的9個指標(biāo)因子用于建立岷縣滑坡災(zāi)害易發(fā)性評價指標(biāo)體系。在此基礎(chǔ)上，將研究區(qū)按照基本網(wǎng)格單元30 m×30 m 進(jìn)行劃分，計算得到每個指標(biāo)因子不同等級的面積以及各等級內(nèi)滑坡分布的面積。通過信息量模型公式（1）得到各指標(biāo)因子分類等級的信息量值，結(jié)果如表2所示。

表1 指標(biāo)因子相關(guān)性檢驗表Table 1 Correlation of controlling index factors

表2 指標(biāo)因子分類等級信息量值計算表Table 2 The classification information for index factors of landslide

續(xù)表2

4 岷縣滑坡易發(fā)性評價

4.1 基于RBFNN-I 耦合模型

為了滿足對RBFNN-I 耦合模型進(jìn)行建模與訓(xùn)練，從1 098個（滑坡點549 個，非滑坡點549 個）總樣本點中隨機(jī)選取80%的數(shù)據(jù)（滑坡點439 個，非滑坡點439個）作為訓(xùn)練樣本點，剩余20%的數(shù)據(jù)作為檢驗樣本點，進(jìn)行標(biāo)準(zhǔn)耦合模型的訓(xùn)練。在模型確定以后，將研究區(qū)的全部柵格數(shù)據(jù)作為數(shù)據(jù)源，調(diào)用已訓(xùn)練完成的RBFNN-I 耦合模型預(yù)測每個柵格數(shù)據(jù)的滑坡易發(fā)性指數(shù)，最后在GIS 中繪制并輸出預(yù)測結(jié)果。依據(jù)中國地質(zhì)調(diào)查局《地質(zhì)災(zāi)害調(diào)查技術(shù)要求（1∶50 000）》（DD2019-08）[25]中關(guān)于滑坡災(zāi)害易發(fā)性評價的技術(shù)標(biāo)準(zhǔn)，對研究區(qū)滑坡易發(fā)性進(jìn)行分級。采用自然間斷分級法將RBFNN-I 耦合模型的評價結(jié)果劃分為極高易發(fā)區(qū)、高易發(fā)區(qū)、中易發(fā)區(qū)、低易發(fā)區(qū)4 個等級分區(qū)，生成岷縣滑坡災(zāi)害易發(fā)性分區(qū)圖（圖5）。

圖5 基于RBFNN-I 模型的岷縣滑坡易發(fā)性評價結(jié)果圖Fig.5 Landslide susceptibility mapping for Min Xian used RBFNN-I model

4.2 評價結(jié)果檢驗分析

4.2.1 評價結(jié)果合理性檢驗

為了檢驗已建模型的客觀性和穩(wěn)定性，統(tǒng)計RBFNN-I 模型計算得到的極高、高、中和低4 個等級的易發(fā)區(qū)面積，以及各等級易發(fā)區(qū)內(nèi)滑坡點的分布數(shù)量，統(tǒng)計結(jié)果如表3所示。

從表3中可知，通過RBFNN-I 模型得到低易發(fā)區(qū)的面積比例在劃分的各等級分區(qū)中最大；極高易發(fā)區(qū)內(nèi)滑坡點所占比例為56.10%；耦合模型的比率R值均由低易發(fā)區(qū)向極高易發(fā)區(qū)逐漸增大。綜上所述，文中構(gòu)建的RBFNN-I 模型計算得到的岷縣滑坡易發(fā)性區(qū)劃結(jié)果符合模型合理性檢驗標(biāo)準(zhǔn)。

表3 岷縣滑坡災(zāi)害易發(fā)性分區(qū)合理性檢驗表Table 3 Rationality test table of landslide susceptibility zone in Min Xian

4.2.2 評價模型精度檢驗

滑坡災(zāi)害易發(fā)性評價結(jié)果是否準(zhǔn)確直接關(guān)系到評價模型的可靠性，通過檢驗評價模型的結(jié)果，可以準(zhǔn)確地比較出不同評價模型的預(yù)測性能，以便選擇出最優(yōu)的滑坡易發(fā)性評價模型。因此，文中為了檢驗耦合模型的性能，分別將單一I、RBFNN 模型和RBFNN-I 模型的評價結(jié)果進(jìn)行ROC 曲線檢驗分析，得到三種評價模型的ROC 曲線，并且統(tǒng)計每種評價模型的ROC 曲線下面積AUC 值作為一個定量的評價指標(biāo)來衡量模型預(yù)測的準(zhǔn)確度，更加直觀的表示各種模型的評價結(jié)果（圖6）。

從圖6中可知，RBFNN-I 模型的AUC 為0.853，表明耦合模型的預(yù)測效果較高；并且耦合模型的AUC 值優(yōu)于單一RBFNN 和I 模型的0.790 和0.756，表明RBFNN-I模型比單一RBFNN 和I 模型具有更好的預(yù)測能力，更能較為客觀準(zhǔn)確地岷縣滑坡災(zāi)害易發(fā)性進(jìn)行評價。

圖6 ROC 精度驗證曲線Fig.6 ROC curves of the three used models

4.3 岷縣滑坡易發(fā)性與指標(biāo)因子分析

指標(biāo)因子的重要性反映了不同指標(biāo)因子對于區(qū)域滑坡易發(fā)性的影響程度，有的指標(biāo)因子對滑坡的發(fā)育作用比較重要，而有的指標(biāo)因子則對滑坡的影響比較小。因此，計算分析各指標(biāo)因子的重要性，可以為滑坡災(zāi)害管理工作提供指導(dǎo)依據(jù)。將通過篩選后的9 個指標(biāo)因子的信息量值作為模型的輸入數(shù)據(jù)，通過RBFNN-I 模型分析計算得到每個指標(biāo)因子的重要性（圖7）。

從圖7中可知，距斷層距離、降雨量、距道路距離和NDVI 這4 個指標(biāo)因子的重要性最高，是影響岷縣滑坡災(zāi)害分布的主控因子。結(jié)合表2分析，距斷層距離在0～7 km 內(nèi)的頻率比值均大于1，且在1 km 范圍內(nèi)最大，說明距離斷層越近的坡體越容易發(fā)生滑坡；降雨量在554～590 mm 范圍內(nèi)頻率比值均大于1，說明易于發(fā)生滑坡。隨著降雨量的增加，頻率比值并沒有顯著的增加，主要是由于岷縣的地質(zhì)條件受斷層活動等影響極其脆弱，坡體在短時間的降雨作用下就會出現(xiàn)失穩(wěn)現(xiàn)象，發(fā)生滑坡；距道路在0.2 km 范圍內(nèi)時，頻率比值遠(yuǎn)大于1，說明距離道路越近滑坡災(zāi)害越容易發(fā)生，主要是因為岷縣的地貌以山地為主，近年來全縣的交通建設(shè)快速發(fā)展，在施工過程中普遍存在削坡擴(kuò)基等現(xiàn)象，容易造成道路沿線的植被破壞和巖土體失穩(wěn)，也加劇了地表風(fēng)化和水土流失，若遭遇強(qiáng)降雨等極端天氣極易發(fā)生滑坡；NDVI 值小于0.08 和大于0.60 時，頻率比值均小于1，且隨著NDVI 值增大，該值有減小的趨勢，DAI等[26]研究認(rèn)為裸地類型滑坡發(fā)生相對較少，當(dāng)植被覆蓋度越高時，植物的根固作用越強(qiáng)，能夠降低坡體的侵蝕程度，增加穩(wěn)定性。

圖7 各指標(biāo)因子重要性分布圖Fig.7 Importance distribution chart of each index factor

5 結(jié)論

文章以甘肅省岷縣為研究區(qū)，結(jié)合環(huán)境條件和歷史滑坡災(zāi)害的分布特征，運用RBFNN-I 模型展開了滑坡災(zāi)害易發(fā)性評價，得到以下結(jié)論：

（1）文章采用的RBFNN-I 模型評價的結(jié)果與研究區(qū)歷史滑坡的實際分布情況相吻合。評價精度相比單一的RBFNN 模型提高了6.3%，相比單一的I 模型精度提高了9.7%，表明RBFNN-I 模型具有更高的準(zhǔn)確度，能在一定程度上解決單一模型主觀性較強(qiáng)、可靠性低等問題，是一種有效的區(qū)域滑坡災(zāi)害易發(fā)性評價方法。

（2）岷縣滑坡災(zāi)害的極高易發(fā)區(qū)和高易發(fā)區(qū)超過總面積的25%，在岷縣西部的中寨鎮(zhèn)—梅川鎮(zhèn)—茶埠鎮(zhèn)地區(qū)分布比較密集，主要分布在臨潭—宕昌斷裂帶，以及洮河及其支流、閭井河和蒲麻河兩側(cè)河谷地帶；中易發(fā)區(qū)主要分布在麻子川鎮(zhèn)北部和蒲麻鎮(zhèn)東北部地區(qū)、寺溝鎮(zhèn)和禾馱鎮(zhèn)的南部地區(qū)、閭井鎮(zhèn)的中部、馬塢鎮(zhèn)和鎖龍鄉(xiāng)的北部地區(qū)分布；低易發(fā)區(qū)分布在南部和東部地區(qū)的高山地帶以及中部地形平緩的地區(qū)，主要分布在秦許鄉(xiāng)，麻子川鎮(zhèn)、閭井鎮(zhèn)、鎖龍鄉(xiāng)和馬塢鎮(zhèn)的南部。距斷層距離、降雨量、距道路距離和NDVI 是影響岷縣滑坡災(zāi)害分布的主控因子。