基于不同評價單元的三峽庫區(qū)滑坡易發(fā)性對比

摘要：為探究不同評價單元對區(qū)域滑坡易發(fā)性評估的影響，基于網(wǎng)格單元與斜坡單元對三峽庫區(qū)典型縣域重慶市云陽縣開展了滑坡易發(fā)性研究。首先選取高程、坡度、曲率等22個評價因子，根據(jù)研究區(qū)988個歷史滑坡數(shù)據(jù)，通過30 m×30 m的柵格數(shù)據(jù)提取斜坡單元，并基于網(wǎng)格單元及斜坡單元分別建立22個滑坡影響因子地理空間數(shù)據(jù)庫；然后利用隨機(jī)森林與貝葉斯優(yōu)化算法來構(gòu)建滑坡易發(fā)性模型，對研究區(qū)滑坡進(jìn)行易發(fā)性評估；最后結(jié)合ROC （受試者工作特征）曲線與混淆矩陣結(jié)果檢驗評價單元的易發(fā)性模型預(yù)測精度。結(jié)果表明：易發(fā)性評估的結(jié)果可劃分為低、較低、中、較高、高5個等級；基于網(wǎng)格單元的滑坡易發(fā)性模型中，高程、與道路距離、坡度這3個因子對滑坡發(fā)生的貢獻(xiàn)率大，基于斜坡單元的模型中，INDV（歸一化植被指數(shù)）、剖面曲率、平面曲率這3個因子對滑坡發(fā)生的貢獻(xiàn)率大，并且2個模型的滑坡密度均隨著滑坡易發(fā)性等級的升高而變大；與網(wǎng)格單元相比，斜坡單元能更好地解釋地形間的聯(lián)系，以斜坡單元（AUC=0.744）為最小評價單元的滑坡易發(fā)性模型比網(wǎng)格單元（AUC=0.714）精度更高。

關(guān)鍵詞：滑坡；滑坡評價單元；斜坡單元；網(wǎng)格單元；滑坡易發(fā)性；隨機(jī)森林；三峽庫區(qū)；重慶市云陽縣

doi：10.13278/j.cnki.jjuese.20230071

中圖分類號：X43

文獻(xiàn)標(biāo)志碼：A

安雪蓮，密長林，孫德亮，等.基于不同評價單元的三峽庫區(qū)滑坡易發(fā)性對比：以重慶市云陽縣為例.吉林大學(xué)學(xué)報（地球科學(xué)版），2024，54（5）：16291644. doi：10.13278/j.cnki.jjuese.20230071.

An Xuelian，Mi Changlin，Sun Deliang，et al. Comparison of" Landslide Susceptibility in" Three Gorges Reservoir Area Based on Different Evaluation Units：Take Yunyang County in Chongqing as an Example. Journal of Jilin University （Earth Science Edition），2024，54（5）： 16291644. doi：10.13278/j.cnki.jjuese.20230071.

收稿日期：20230318

作者簡介：安雪蓮（1999-），女，碩士研究生，主要從事機(jī)器學(xué)習(xí)、大數(shù)據(jù)與地災(zāi)易發(fā)性建模及評估方面的研究，E-mail：419496030@qq.com

通信作者：孫德亮（1976-），男，副教授，主要從事機(jī)器學(xué)習(xí)、大數(shù)據(jù)與地災(zāi)易發(fā)性建模及評估方面的研究， E-mail：sundeliang2002@aliyun.com

基金項目：重慶市自然科學(xué)基金項目（CSTB2023NSCQMSX0618）；教育部人文社會科學(xué)規(guī)劃項目（20XJAZH002）

Supported by the Natural Science Foundation of Chongqing （CSTB2023NSCQMSX0618） and the Humanities and Social Science Planning Fund of Ministry of Education （20XJAZH002）

Comparison of" Landslide Susceptibility in Three Gorges Reservoir Area Based on Different Evaluation Units

——Take Yunyang County in Chongqing as an Example

An Xuelian1，Mi Changlin2，Sun Deliang1，Wen Haijia3，Li Xiaoqin2，Gu Qingyu1，Ding Yuekai1

1. Chongqing Key Laboratory of GIS Application" （Chongqing Normal University）， Chongqing 401331， China

2." Linyi Natural Resources Development Service Center of" Shandong， Linyi 276000， Shandong，" China

3. Key Laboratory of New Technology for Construction of Cities in Mountain Area （Chongqing University）， Ministry of Education， ""Chongqing 400045，China

Abstract：

In order to explore the influence of different evaluation units on the assessment of regional landslide susceptibility， the landslide susceptibility of Yunyang County in Chongqing， a typical county in the Three Gorges reservoir area， was studied based on grid units and slope units. Twenty-two evaluation factors such as elevation， slope and curvature were selected. Combined with 988 historical landslide data in the study area， slope units were extracted from 30 m×30 m raster data， and geospatial databases of landslide impact factors were established based on slope units and grid units. The landslide susceptibility model was constructed by random forest and Bayesian optimization algorithm to evaluate the landslide susceptibility in the study area. The results indicate that the susceptibility assessment can be divided into five levels： low， moderately low， medium， moderately high， and high. In the landslide susceptibility model based on the grid units， the three factors of elevation， distance from the road and slope contribute greatly to the landslide occurrence. In the model based on slope units， the three factors of INDV （normalized difference vegetation index ）， profile curvature and plane curvature contribute greatly to the landslide occurrence. The landslide density of both models increases with the increase of susceptibility level. Compared with grid units， slope units can better explain the relationship between terrain， and the landslide susceptibility model with slope units （AUC=0.744） as the minimum evaluation unit is more accurate than grid units （AUC=0.714）.

Key words：

landslide; landslide evaluation units; slope units; grid units; landslide susceptibility; random forest; Three Gorges reservoir area；Yunyang County in Chongqing

0" 引言

滑坡是常見的地質(zhì)災(zāi)害之一，頻繁發(fā)生且分布廣，破壞力強(qiáng)［1］。中國是世界上滑坡災(zāi)害最為嚴(yán)重的國家之一［2］，根據(jù)自然資源部發(fā)布的數(shù)據(jù)，2021年我國共發(fā)生地質(zhì)災(zāi)害4 772起，造成80人死亡、11人失蹤，導(dǎo)致了32億元的直接經(jīng)濟(jì)損失，其中滑坡2 335起，占地質(zhì)災(zāi)害總數(shù)的48.93%?；乱装l(fā)性區(qū)劃是根據(jù)研究區(qū)的地形地貌等特征來預(yù)測滑坡發(fā)生概率的空間分布，對滑坡災(zāi)害預(yù)防以及城市規(guī)劃選址有重要意義［3］。

早期對滑坡易發(fā)性的研究有定性和定量的方法。定性方法有層次分析法［45］、專家打分法［6］等，但這類方法主觀性較強(qiáng)，對數(shù)據(jù)缺乏定量的分析；而傳統(tǒng)的定量模型如信息量模型［7］、頻率比模型［8］等則需要大量數(shù)據(jù)作為支撐，評價精度也不理想。隨著人工智能技術(shù)和GIS（地理信息系統(tǒng)）的不斷發(fā)展，研究者開始采用機(jī)器學(xué)習(xí)算法進(jìn)行滑坡易發(fā)性的研究。如：閆舉生等［9］采用ANN（人工神經(jīng)網(wǎng)絡(luò)）模型和LR模型（邏輯回歸模型）對遠(yuǎn)安縣進(jìn)行滑坡易發(fā)性評價，結(jié)果表明ANN模型在該研究區(qū)的預(yù)測能力更好；劉睿等［10］選取了高程、起伏度、坡度等22個因子作為滑坡易發(fā)性的影響因子，利用巫山縣歷史滑坡數(shù)據(jù)和隨機(jī)森林構(gòu)建滑坡易發(fā)性模型進(jìn)行滑坡易發(fā)性評價研究，結(jié)果表明隨機(jī)森林模型有良好的預(yù)測功能，且有較高的穩(wěn)定性和準(zhǔn)確性；Merghadi等［11］以北非米拉盆地為研究區(qū)，

對比分析了

5種不同的滑坡易發(fā)性模型（邏輯回歸、梯度提升機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)）的預(yù)測能力，結(jié)果表明隨機(jī)森林模型

的預(yù)測能力最好；崔陽陽［12］結(jié)合經(jīng)典的機(jī)器學(xué)習(xí)模型

（樸素貝葉斯分類器、支持向量機(jī)、k 近鄰算法分類器、線性判別分析）和集成學(xué)習(xí)模型（隨機(jī)森林、Bagging、Adaptive Boosting），選取了17個滑坡影響因子，利用斜坡單元和30、60 m柵格單元進(jìn)行滑坡易發(fā)性對比研究，結(jié)果表明，滑坡評價單元與機(jī)器學(xué)習(xí)算法的最優(yōu)組合是30 m柵格單元和隨機(jī)森林模型的組合。通過以上學(xué)者的研究發(fā)現(xiàn)，隨機(jī)森林模型有較高水平的預(yù)測能力，與其他模型相比更適用于進(jìn)行滑坡易發(fā)性的區(qū)劃研究。

滑坡評價單元的選取是進(jìn)行滑坡易發(fā)性研究的基礎(chǔ)，目前網(wǎng)格單元和斜坡單元應(yīng)用較多。例如：王銳［13］基于6種不同大小的網(wǎng)格單元開展滑坡易發(fā)性評估，以分析不同大小的網(wǎng)格單元對評估結(jié)果的影響，結(jié)果表明隨著網(wǎng)格的增大，評估結(jié)果的精度基本呈現(xiàn)出先增后減的趨勢；王家柱等［14］基于斜坡單元，對康定市采用證據(jù)權(quán)模型進(jìn)行滑坡易發(fā)性評估，模型精度達(dá)77.8%，較好地反映了康定市滑坡易發(fā)性分布情況。然而，大部分學(xué)者都是以單一評價單元進(jìn)行滑坡易發(fā)性研究，很少有學(xué)者基于不同評價單元利用隨機(jī)森林算法構(gòu)建模型來進(jìn)行滑坡易發(fā)性區(qū)劃研究。

三峽庫區(qū)地形地貌復(fù)雜，地質(zhì)結(jié)構(gòu)特殊，同時人類工程活動十分頻繁，滑坡等地質(zhì)災(zāi)害發(fā)育也十分廣泛［1516］。重慶市云陽縣位于三峽庫區(qū)腹心，地形起伏較大，受長江蓄水的影響，云陽縣滑坡發(fā)生頻繁［17］。本文以云陽縣為研究對象，選取22個滑坡影響因子，利用隨機(jī)森林算法，對網(wǎng)格單元和斜坡單元得到的滑坡易發(fā)性評估結(jié)果進(jìn)行對比研究，獲取評價單元及隨機(jī)森林的最佳組合算法，以期對滑坡災(zāi)害的預(yù)防以及城市的規(guī)劃選址提供科學(xué)參考。

1" 研究區(qū)概況與數(shù)據(jù)源

1.1" 研究區(qū)概況

云陽縣位于重慶市的東北部（圖1），四周分別與奉節(jié)縣、萬州區(qū)、開縣、巫溪縣和湖北省的利川市相鄰。云陽縣的地理坐標(biāo)為108°24′32″E—109°14′51″E，30°35′06″N— 31°26′30″N 。地形近似為菱形，地勢南、北高，中部低，海拔高低相差1 670 m。云陽縣位于亞熱帶季風(fēng)濕潤氣候區(qū)，夏冬季節(jié)較長，春秋季節(jié)短，月平均溫度為7 ℃（1月）～28 ℃（8月和9月）。長江河道從境內(nèi)穿過，河流水系發(fā)育，年降雨量大，但季節(jié)分布不均，降水主要集中在5—9月。

云陽縣地處丘陵向山地的過渡地帶，地貌受華鎣山—方斗山弧形褶皺體系和大巴山斷褶帶控制，主要為單斜低山和背斜梳狀低山。云陽縣為喀斯特地貌，除溶蝕作用外，水蝕、雨蝕、風(fēng)蝕等機(jī)械侵蝕作用也加劇了該地區(qū)的水土流失。云陽縣內(nèi)地層主要包括第四系（Q）、侏羅系（J）、三疊系（T）、志留系（S）和奧陶系（O）等，區(qū)內(nèi)地質(zhì)構(gòu)造多為褶皺，斷裂規(guī)模很小。褶皺形態(tài)為向斜背斜相間排列，形成隔檔式構(gòu)造。由

于云陽縣的地質(zhì)環(huán)境比較脆弱，并且近年來云陽縣的人類工程活動越來越強(qiáng)烈，導(dǎo)致云陽縣內(nèi)地質(zhì)災(zāi)害發(fā)育頻繁。根據(jù)資料［18］

顯示，云陽縣內(nèi)共有1 363處地質(zhì)災(zāi)害點(diǎn)，其中包括1 312處滑坡（包括不穩(wěn)定斜坡）災(zāi)害點(diǎn)、40處崩塌（包括危巖體）災(zāi)害點(diǎn)和11處泥石流災(zāi)害點(diǎn)?；聻?zāi)害在云陽縣頻發(fā)，其中比較嚴(yán)重的有舊縣坪滑坡、西城滑坡和雞扒子滑坡等。

底圖來源于重慶標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)，審圖號渝S（2019）055號，下同。

1.2" 數(shù)據(jù)來源

本研究的數(shù)據(jù)詳情如表1所示。其中：歷史滑坡數(shù)據(jù)，共988個，來自于2001—2016年的重慶市地質(zhì)監(jiān)測站，包括滑坡名稱、滑坡發(fā)生的地理坐標(biāo)、滑坡發(fā)生時間等；DEM（digital elevation model）數(shù)據(jù)，來自于ASTER（advanced spaceborne thermal emission and reflection radiometer）衛(wèi)星，空間分辨率為30 m，用于計算坡度、坡向、坡位、微地貌、剖面曲率、地形濕度指數(shù)等；地質(zhì)資料數(shù)據(jù)，來自國家地質(zhì)資料數(shù)據(jù)中心；行政區(qū)劃、土地利用、多年平均降雨量數(shù)據(jù)，來自地理國情監(jiān)測云平臺；河網(wǎng)和道路數(shù)據(jù)，由中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心提供，精度為1∶20萬；INDV （歸一化植被指數(shù)）數(shù)據(jù)，利用ENVI 軟件計算Landsat 8下載的衛(wèi)星影像獲得；POI （point of interest）數(shù)據(jù)，來自百度地圖服務(wù)，通過網(wǎng)絡(luò)爬蟲技術(shù)從地圖上抓取。

1.3" 評價單元劃分

在滑坡評價研究中，滑坡評價單元的劃分要盡量保證滑坡評價單元內(nèi)部的均一性和滑坡評價單元之間的差異性［19］。目前，常見的研究區(qū)滑坡單元格劃分方法有正方形網(wǎng)格法、地域單元法、子流域單元法和斜坡單元法［20］。本研究采用了網(wǎng)格單元和斜坡單元作為滑坡易發(fā)性評價的基本單元。其中：網(wǎng)格單元作為滑坡地質(zhì)災(zāi)害的評價單元，具有劃分方便、數(shù)據(jù)處理速度快等優(yōu)勢［21］，其劃分的本質(zhì)是將研究區(qū)劃分為若干個大小相同的規(guī)則網(wǎng)格單元。本研究是通過ArcGIS軟件的面轉(zhuǎn)柵格工具實現(xiàn)的，共劃分了4 043 641個網(wǎng)格單元。斜坡單元已廣泛應(yīng)用在滑坡易發(fā)性研究中，本文斜坡單元的劃分通過

Alvoli等［2224］提出的

r.slopeunits方法實現(xiàn)，用r.slopeunits方法劃分能夠得到坡向均一性的斜坡單元。具體的劃分流程如圖2所示。

HB. half basin，半流域；HBchild. HB小區(qū)域。m和a分別設(shè)定為最大和最小面積閾值；c為斜坡單元的圓方差。

進(jìn)行r.slopeunits劃分時，首先利用GrassGIS中的r.watershed水文模塊對匯流累積量進(jìn)行分析，將DEM柵格數(shù)據(jù)劃分為子流域。然后不斷減小匯流累積量設(shè)定的閾值，這樣每個子流域會被劃分為左右兩個部分，以此來提取半流域（HB），HB如果存在平地，則去除平地區(qū)域。最后在不斷減少設(shè)定閾值的過程中，將HB進(jìn)一步細(xì)分為許多小區(qū)域（HBchild），分水線或匯水線就在小區(qū)域的邊界上。若某個HBchild面積≤a，這個小區(qū)域就被作為斜坡單元；若HBchild面積gt;a

就繼續(xù)劃分，直到

HBchild面積lt;m，或者

圓方差lt;c時，

則

HBchild作為斜坡單元

。

參考文獻(xiàn)［22］，對a和c進(jìn)行不同的調(diào)試，選取不同參數(shù)a（50 000、250 000、500 000、750 000、1 000 000 m2）和c（0.1、0.2、0.3、0.4、0.5、0.6）運(yùn)行r.slopeunits軟件進(jìn)行斜坡劃分。

通過r.slopeunits方法將研究區(qū)劃分為9 640個斜坡單元，結(jié)果如圖3所示。

2" 地理空間數(shù)據(jù)庫

2.1" 影響因子

影響因子與滑坡易發(fā)性評價結(jié)果的準(zhǔn)確性密不可分［8］?；碌挠绊懸蜃颖姸?，本文在綜合參考了相關(guān)文獻(xiàn)和各影響因素［2530］條件下，結(jié)合云陽縣自身地理條件，最終選取了地形地貌、地質(zhì)條件、環(huán)境條件、人類活動及降雨等５個方面的22個影響因子，構(gòu)建滑坡易發(fā)性評價指標(biāo)體系。

2.1.1地形地貌

與地形地貌有關(guān)的影響因子包括高程、地形起伏度、坡度、坡向、坡位、曲率、平面曲率、剖面曲率、微地貌、地形濕度指數(shù)、地形粗糙度指數(shù)、輸沙指數(shù)和水流動力指數(shù)。

高程是與滑坡發(fā)生相關(guān)的常見影響因子，人類的工程活動和植被覆蓋程度都和高程密不可分［31］。一般情況下，高程較低的地方，工程活動更多，人類對地表的改造更多，對生態(tài)破壞也更多；高程還會影響植被的生長，不同高程地區(qū)植被的生長情況和類型也不同，雨水沖刷后，不同高程地區(qū)的地表水土流失情況也有所不同。

地形起伏度對滑坡的發(fā)生有很大影響［32］。地形起伏度是在一定范圍的區(qū)域內(nèi)，區(qū)域最高點(diǎn)與區(qū)域最低點(diǎn)之間的高程之差。通過地形起伏度可以看到局部區(qū)域的地表切割程度。

坡度是水平面和斜坡之間的夾角，它是影響滑坡發(fā)生的重要影響因子［33］。坡度會影響邊坡的入滲過程和應(yīng)力場的分布，這與滑坡的發(fā)生密切相關(guān)［34］。坡度大小對邊坡穩(wěn)定性有一定的影響。

坡向與降水和太陽輻射密切相關(guān)。坡向不同，斜坡的溫度和濕度也會存在差異，其會影響植被、土壤條件、土地利用和土壤飽和度等因素，而這些因素與滑坡的形成至關(guān)重要［35］。

坡位是指邊坡所處的地貌位置。它主要由3個方面決定，分別是侵蝕地貌的斜坡組合、土地利用和地貌起源的侵蝕特征［36］。在不同的地貌位置上，滑坡發(fā)生的概率是不同的。

曲率、平面曲率和剖面曲率是反映邊坡幾何特征的地形因子，主要通過影響地表侵蝕過程和地表徑流來影響滑坡的發(fā)生［37］。平面曲率和剖面曲率是地形凹凸程度的體現(xiàn)，其中，平面曲率表示曲面在水平方向上的彎曲程度，剖面曲率表示曲面在垂直方向上的彎曲程度。

微地貌通常由一些風(fēng)化碎屑物質(zhì)在重力、水流、風(fēng)力等作用下被風(fēng)化、搬運(yùn)、沉積后形成［38］，規(guī)模相對較小。

地形濕度指數(shù)（ITW）是一個復(fù)合地形指數(shù)［39］，可用來評價土壤水分的空間分布情況，并且可用來描述地形對土壤水分飽和程度的影響。ITW比較高的地方，巖土的含水率較大，孔隙水的壓力也較大。目前，ITW被廣泛應(yīng)用于水文、土壤和地貌等研究領(lǐng)域中。

地形粗糙度指數(shù)（ITR）是描述地表形態(tài)的宏觀因子，它表現(xiàn)地表的凹凸情況，通過計算地球表面積與特定區(qū)域投影面積的比值得到［40］。ITR較高的地方地表巖石抗風(fēng)化能力較強(qiáng)，不易發(fā)生風(fēng)化作用，但是地表水流流速變化較大，流水侵蝕作用較強(qiáng)。

輸沙指數(shù)（IST）和水流動力指數(shù)（ISP）可以定量描述地表水的輸沙能力和侵蝕能力［4142］。這兩個值越大，水流的輸沙

能力和侵蝕能力越強(qiáng)，越容易使鄰近河流的邊坡失去穩(wěn)定性。

ITW、ITR、IST和ISP的計算公式如下：

ITW=lnAstan β；

ITR=1cos（βπ/180）；

IST=As22.130.6sin β0.08961.3；

ISP=Astan β。

式中：As為單位面積的匯流累積量（m2）；β為局地坡度（°）。

2.1.2" 地質(zhì)條件

與地質(zhì)條件有關(guān)的影響因子有巖性、與斷層距離和傾坡類型。

巖性是影響滑坡發(fā)生的重要因子，特別是在山區(qū)［43］。巖土體是坡體的組成因素，巖性不同意味著巖石的物理化學(xué)性質(zhì)有很大的不同。一般來說，低滲透巖體的地區(qū)更容易發(fā)生滑坡［42］，云陽縣巖性主要包括中侏羅統(tǒng)和上侏羅統(tǒng)的砂巖、頁巖、泥巖等多種類型的沉積巖。

與斷層距離也是評價滑坡易感性的常用地質(zhì)因子。斷層是指在地應(yīng)力作用下，地殼巖層發(fā)生脆性破裂并且伴隨著明顯位移的地質(zhì)構(gòu)造。在一定范圍內(nèi)，離斷層越近，巖石越不連續(xù)，土體越疏松，發(fā)生滑坡的概率越高［44］。

傾坡類型是指巖層傾向與斜坡坡向的關(guān)系［3］。平疊坡、順向坡和逆向坡是常見的傾坡類型，其中：

平疊坡

穩(wěn)定性較好；順向坡分為兩種情況，傾角小于坡角的順向坡容易發(fā)生順層滑坡，傾角大于坡角的順向坡，則穩(wěn)定性較好；逆向坡的穩(wěn)定性一般較好，但如果巖層比較薄，則容易發(fā)生彎折。

2.1.3" 環(huán)境條件

與環(huán)境條件相關(guān)的影響因子包括歸一化植被指數(shù)、與河流距離和土地利用類型。

歸一化植被指數(shù)（INDV）是影響滑坡發(fā)生的重要因子，它能反映植被覆蓋情況和生長狀態(tài)，INDV對邊坡的滲流、徑流和風(fēng)化有重要影響［45］。INDV越高的區(qū)域，植被覆蓋程度就越高，水土保持情況越好，因此雨水對區(qū)域地表的沖刷作就越弱，滑坡發(fā)生的概率也就越低。因此，在滑坡易發(fā)性區(qū)劃研究中，INDV一直被視為代表植被特征的因子，并廣泛應(yīng)用于以往的研究中［46］。其表達(dá)式為

INDV=（RIN-R）/（RIN+R）。

式中：RIN為近紅外波段的反射值；R為紅外波段的反射值。

與河流的距離也是滑坡易發(fā)性評估中常用的一個因素［4748］。河流兩岸是滑坡集中發(fā)育的場所。河流對河岸具有侵蝕作用，分別是向下和向側(cè)方。當(dāng)斜坡的坡腳被掏空時，會形成臨空面，導(dǎo)致斜坡有向下滑動的趨勢；而且河流還會影響地下水的埋藏深度。長江沿岸滑坡發(fā)育廣泛，且支流附近水系發(fā)育，受各類水流的長期侵蝕和沖刷，斜坡整體穩(wěn)定性低［49］。消落帶的形成是由于在河岸兩側(cè)河流季節(jié)性的升降，降低了邊坡的穩(wěn)定性［3］。

土地利用類型與滑坡之間有一定的相關(guān)性，其背后的機(jī)制也得到了進(jìn)一步的研究［32］。土地覆被一方面是指植被覆蓋的類型，另一方面可以決定人類的工程活動。

2.1.4" 人類活動

與人類活動相關(guān)的影響因子有與道路距離和POI核密度。

與道路距離是代表人類工程活動的常用因子［50］。人類活動對地表有重要影響，道路修建時可能會開挖山體，這容易導(dǎo)致巖土體的破碎，開挖路基時會在坡腳產(chǎn)生臨空面，導(dǎo)致坡體穩(wěn)定性降低。

POI核密度是通過POI數(shù)據(jù)在ArcGIS中進(jìn)行核密度分析得到的。POI數(shù)據(jù)可表現(xiàn)區(qū)域內(nèi)與人類活動密切相關(guān)的特征［32］，POI核密度可以用來反映人類工程活動的程度。

2.1.5" 降雨

與降雨有關(guān)的影響因子有多年平均降雨量。

降雨是重慶山區(qū)滑坡的主要觸發(fā)因素［32，51］，降雨量對表層土壤體積含水量的影響非常顯著［52］。短期高強(qiáng)度降雨會增加孔隙水壓力，降低邊坡的穩(wěn)定性，滑坡災(zāi)害更容易發(fā)生。然而，從研究區(qū)域的氣象站獲得的數(shù)據(jù)非常有限。因此，本研究采用研究區(qū)2001—2016年多年平均降雨量數(shù)據(jù)進(jìn)行滑坡易發(fā)性評價。

2.2" 數(shù)據(jù)處理

利用ArcGIS的工具對DEM數(shù)據(jù)進(jìn)行處理可得到高程、地形起伏度、坡度、坡向、坡位、曲率等數(shù)據(jù)，在ArcGIS里對地質(zhì)圖進(jìn)行矢量化可以獲得巖性、斷層等數(shù)據(jù)，通過ENVI軟件處理可得INDV數(shù)據(jù)，在ArcGIS里進(jìn)行多重緩沖分析可得到與河流距離、與道路距離和與斷層距離數(shù)據(jù)，通過核密度計算可以得到POI核密度，多年平均降雨量通過空間內(nèi)插方法獲得。為降低數(shù)據(jù)離散性，需對數(shù)據(jù)進(jìn)一步做歸一化處理，公式如下：

X*=X-XminXmax-Xmin。

式中：X*為22個滑坡影響因子進(jìn)行歸一化處理后的結(jié)果；X為原始數(shù)據(jù)；Xmin為滑坡影響因子中的最小值；Xmax為滑坡影響因子中的最大值。

本文以30 m精度的網(wǎng)格單元和斜坡單元作為滑坡評價單元，建立了滑坡影響因子數(shù)據(jù)庫。圖4為數(shù)據(jù)庫的部分影響因子。

3" 滑坡易發(fā)性區(qū)劃

3.1" 隨機(jī)森林

Breiman［53］和Cutler等［54］提出的隨機(jī)森林（random forest）模型具有較高的泛化能力，并且可以處理高維度、大數(shù)據(jù)量的數(shù)據(jù)集，它與傳統(tǒng)方法相比具有一定的優(yōu)勢［55］。隨機(jī)森林是一種無監(jiān)督學(xué)習(xí)分類方法，無監(jiān)督學(xué)習(xí)是指從現(xiàn)有的訓(xùn)練集出發(fā)，經(jīng)過訓(xùn)練得出一定結(jié)果［56］。隨機(jī)森林本質(zhì)是先構(gòu)建多棵決策樹，然后對多個決策樹的判斷結(jié)果進(jìn)行投票，再從投票結(jié)果中選擇眾數(shù)作為輸出結(jié)果。

隨機(jī)森林的核心是互不關(guān)聯(lián)的n棵決策樹組合模型［h（X，θk）（k=1，2，…， n）］建立的分類模型，在模型中，每棵決策樹都單獨(dú)進(jìn)行預(yù)測和判斷樣本的類別，判斷樣本屬于哪種類別的決策樹更多，就預(yù)測樣本為哪種類別。隨機(jī)森林由多棵決策樹進(jìn)行判斷，可以減小單一的決策樹帶來的不準(zhǔn)確性和片面性問題，且操作簡單、易于實現(xiàn)、不易過擬合、計算效率高［57］。隨機(jī)森林流程如圖5所示。

隨機(jī)森林通過構(gòu)建不同的訓(xùn)練集來增加模型之間的差異，從而提高隨機(jī)森林模型性能。先通過樣本訓(xùn)練，得到不同分類模型h1（X），h2（X），…，hk（X），再用這些分類組合隨機(jī)森林模型，然后進(jìn)行投票決策：

H（x）=arg maxZ∑ki=1I（hi（X）=Z）。

式中：H（x）為隨機(jī)森林模型的最終輸出結(jié)果；Z為輸出變量；

arg maxZ為找到?jīng)Q策樹投票最多的類別Z，即票數(shù)總和最大的類別標(biāo)簽；

hi為單個決策樹模型的輸出結(jié)果；k為決策樹的個數(shù)；

hi（X）為第i棵決策樹對輸入X進(jìn)行預(yù)測；I（hi（X）=Z）為指示函數(shù)，當(dāng)

hi（X）的預(yù)測結(jié)果為Z時，

I（hi（X）=Z）取值為1，否則為0。

構(gòu)建隨機(jī)森林主要有以下2個步驟：

1）有放回的抽樣產(chǎn)生訓(xùn)練集來構(gòu)建單獨(dú)的決策樹。隨機(jī)森林采用Bagging技術(shù)有放回的抽樣來建立訓(xùn)練子集（n個），其中訓(xùn)練子集的數(shù)量一般約為總訓(xùn)練樣本數(shù)量的1/3或1/4。

2）生成決策樹（n個），構(gòu)建隨機(jī)森林?；诓襟E1）建立的訓(xùn)練子集為每個子集建立1棵決策樹。在建立決策樹的過程中，本文采用CART（classification and regression trees）算法進(jìn)行節(jié)分裂。CART采用基尼系數(shù)（IGini）最小原則來進(jìn)行，在t節(jié)點(diǎn)處，將隨機(jī)選擇的對象分配給i類的概率為p（i|t），而實際上隨機(jī)選擇的對象是屬于j類的估計概率為p（j|t），在此條件下分類的基尼系數(shù)公式為

IGini=∑Ji≠jp（i|t）p（j|t）。

式中，J為類別的總數(shù)。

3.2" 模型優(yōu)化

超參數(shù)優(yōu)化是指根據(jù)評價指標(biāo)來選擇最合適的超參數(shù)值［3］。目前模型優(yōu)化常用的方法是網(wǎng)格搜索法，但是網(wǎng)格搜索法的效率并不高。2012年，Snoek等［58］提出貝葉斯優(yōu)化算法。和網(wǎng)格搜索法相比，貝葉斯優(yōu)化算法充分使用了先驗知識，和隨機(jī)搜索相比，貝葉斯優(yōu)化算法具有更強(qiáng)的魯棒性，可以得到最優(yōu)解；故本文采用貝葉斯算法進(jìn)行模型優(yōu)化。

優(yōu)化過程采用的貝葉斯公式為

P（f|Dx）=PDx|fP（f）P（Dx）。

式中：P（f|Dx）為f的后驗概率分布；f為參數(shù)模型中的參數(shù)；Dx為觀測集合，

Dx={（a1，b1），（a2，b2），…，（ax，bx）}，其中ax為決策向量，bx為觀測值 ，

bx=f（ax）+ε，ε為觀測誤差；P（Dx|f）為在給定f的情況下觀測數(shù)據(jù)Dx的似然分布；P（f）為f的先驗概率分布；P（Dx）為觀測數(shù)據(jù)Dx的邊際似然分布。

3.3" 模型訓(xùn)練

本研究首先使用云陽縣歷史滑坡數(shù)據(jù)（988個）作為正樣本；然后將研究區(qū)內(nèi)滑坡500 m緩沖區(qū)和河流所在的區(qū)域剔除，作為非滑坡區(qū)，按照滑坡點(diǎn)與非滑坡點(diǎn)1∶1的比例在非滑坡區(qū)隨機(jī)提取相同數(shù)量的非滑坡樣本作為負(fù)樣本［59］；最后由正負(fù)樣本構(gòu)成全體數(shù)據(jù)集進(jìn)行訓(xùn)練。

3.4" 模型檢驗

3.4.1" 混淆矩陣

在進(jìn)行滑坡易發(fā)性研究時可采用混淆矩陣對模型的預(yù)測精度進(jìn)行分析評價［3］。

在二值分類中，可將實例分成正類（positive）和負(fù)類（negative），如樣本點(diǎn)為滑坡，則為正類；樣本點(diǎn)為非滑坡，則為負(fù)類。對于分類結(jié)果，會出現(xiàn)四種情況；第一種情況是實例為“滑坡”并且也被預(yù)測成“滑坡”，記作TP（true positive）；第二種情況是實例為“非滑坡”而被預(yù)測為“滑坡”，記為FP（1 positive）；第三種情況是實例為“非滑坡”且被預(yù)測成“非滑坡”，記為TN（true negative）；最后一種情況是實例為“滑坡”而被預(yù)測成“非滑坡”，記為FN（1 negative）。由于滑坡易發(fā)性評價所得到的結(jié)果是一個易發(fā)性概率，如要得到一個二分類的結(jié)果，需要設(shè)定一個閾值。參考相關(guān)文獻(xiàn)［55］可知，本文的閾值為0.5，即當(dāng)預(yù)測值小于0.5時，預(yù)測結(jié)果為不發(fā)生滑坡，預(yù)測值大于0.5時，預(yù)測結(jié)果為發(fā)生滑坡。

混淆矩陣是用來衡量模型分類精度的有效方法，主要以矩陣的形式表示真實情況與模型分類的情況，如表2所示。

基于混淆矩陣，我們選用IACC（accuracy，準(zhǔn)確率）、IPRE（precision，精確率）、ISST（sensitivity，敏感度）和If1-score（精確率和敏感度的調(diào)和平均數(shù)）對其進(jìn)行精度驗證。計算公式為：

IACC=（Tp+Tn）/（Tp+Fp+Tn+Fn）；

IPRE=Tp/（Tp+Fp）；

ISST=Tp/（Tp+Fn）；

Ifl-score=2IPREISST/（IPRE+ISST）。

式中：Tp為TP的數(shù)量；Fp為FP的數(shù)量；Fn為FN的數(shù)量；Tn 為TN的數(shù)量。

IACC、IPRE、ISST和If1-score的取值范圍均為0～1，越接近1表示模型的預(yù)測越準(zhǔn)確，越接近0表示模型的預(yù)測越不準(zhǔn)確。

從混淆矩陣評價結(jié)果（表3）來看，斜坡單元比網(wǎng)格單元的預(yù)測精度高。

3.4.2" 受試者工作特征曲線

模型分類的準(zhǔn)確度也可以通過ROC（受試者工作特征）曲線來分析［60］?；诰W(wǎng)格單元和斜坡單元的隨機(jī)森林模型ROC曲線如圖6所示。

把真陽性率（TP所占比例）作為縱坐標(biāo)，假陽性率（FP所占的比例）作為橫坐標(biāo)來繪制曲線，即可得到ROC曲線。曲線越靠近左上方，真陽性率越大，假陽性率越小，模型分類的精確度就越高。AUC（曲線下的面積值）可以定量判斷模型分類的精度大小，當(dāng)AUC＜0.5時，說明模型不具有診斷價值；當(dāng)AUC在0.5～0.7之間時，模型的預(yù)測效果較差；當(dāng)AUC在0.7～0.9之間時，模型的預(yù)測效果較好；當(dāng)AUC＞0.9時，模型的預(yù)測效果優(yōu)秀。AUC值越接近1.0，表明模型的預(yù)測效果越優(yōu)秀［61］。計算結(jié)果表明，斜坡單元的AUC值為0.744，網(wǎng)格單元的AUC值為0.714（圖6），說明基于2種評價單元的隨機(jī)森林模型滑坡易發(fā)性評價結(jié)果較好。

使用基于不同評價單元的隨機(jī)森林模型對研究區(qū)的滑坡易發(fā)性進(jìn)行預(yù)測，并利用自然斷點(diǎn)的方法對預(yù)測結(jié)果進(jìn)行劃分，將研究區(qū)域的易發(fā)性等級劃分成低、較低、中、較高和高5個等級。2種評價單元的易發(fā)性區(qū)劃如圖7所示。從圖7可以看出，滑坡的高易發(fā)區(qū)多集中于水系附近。統(tǒng)計分析各易發(fā)性等級基本數(shù)據(jù)，計算滑坡的密度，結(jié)果如表4所示。從表4可以看出：斜坡單元和網(wǎng)格單元的易發(fā)性區(qū)劃等級分區(qū)面積有所差異，但是隨著滑坡易發(fā)性等級的升高，網(wǎng)格單元與斜坡單元的滑坡災(zāi)害密度均增加，兩者為正相關(guān)性；從網(wǎng)格單元來看，低易發(fā)區(qū)和高易發(fā)區(qū)的面積相當(dāng)，而高易發(fā)區(qū)的滑坡密度（0.793 1個/ km2）是低易發(fā)區(qū)（0.023 2個/ km2）的34倍。統(tǒng)計結(jié)果說明滑坡易發(fā)性的結(jié)果是可靠的。

4" 討論

4.1" 影響因子重要性排序

探究不同因子對易發(fā)性模型預(yù)測的貢獻(xiàn)程度可以為滑坡易發(fā)性研究和災(zāi)害管理提供參考。網(wǎng)格單元基于規(guī)則網(wǎng)格進(jìn)行劃分，通常由一個或多個地理位置的均值或代表值來表示；而斜坡單元根據(jù)地形特征和地形變化進(jìn)行劃分，每個斜坡單元的形狀和大小是不規(guī)則的，因此可更好地捕捉地形變化和植被狀況。各影響因子相關(guān)性排序如圖8所示。

在斜坡評價單元（圖8a）中，INDV、剖面曲率和平面曲率重要性位于前3，其對滑坡發(fā)生的貢獻(xiàn)率較大。其中：INDV可以反映地表植被的覆蓋情況，INDV高的地方，水土保持更好，雨水對地表的沖刷程度更低，INDV較低的地方，雨水對地表的沖刷程度高，更容易發(fā)生水土流失；剖面曲率對斜坡體的下滑力有影響，剖面曲率越大，地表水的流速越快，對地表的沖刷作用越強(qiáng)，滑坡更易發(fā)生；平面曲率表現(xiàn)等高線的彎曲程度，它會影響地表徑流的匯聚和分散?？傮w來說，凹坡不太容易被外力侵蝕，風(fēng)化剝蝕穩(wěn)定性更好，而凸坡容易被外力侵蝕。

在網(wǎng)格評價單元（圖8b）中，高程、與道路距離和坡度的重要性位于前3，說明這三者對滑坡發(fā)生的貢獻(xiàn)率較大。其中：高程是影響滑坡發(fā)生的常見

因子，高程影響地形的穩(wěn)定性和氣候條件，同時影響人類活動，如工程建設(shè)等；與道路距離因子與人類工程活動密切相關(guān)，云陽縣的縣級公路較多，道路修建涉及對地形的改造，會直接影響土體穩(wěn)定性；坡度是影像滑坡發(fā)生的重要因子，它表示地形的陡緩程度，坡度陡峭的地方下滑力大，更易發(fā)生滑坡，而坡度較小的地方較穩(wěn)定。

4.2" 隨機(jī)森林模型

已有學(xué)者［62］利用隨機(jī)森林模型進(jìn)行滑坡易發(fā)性研究，證明了隨機(jī)森林模型具良好的預(yù)測效果。本研究基于隨機(jī)森林模型將斜坡單元和網(wǎng)格單元進(jìn)行比較分析，結(jié)果如圖6所示。由圖6可見，基于斜坡單元

的模型AUC值為0.744，基于網(wǎng)格單元的模型AUC值為0.714；說明這兩種評價單元構(gòu)建的隨機(jī)森林模型均具有一定的合理性。另外從表4可以直觀地看出，研究區(qū)內(nèi)斜坡評價單元在較高—高易發(fā)區(qū)包含了61.34%的滑坡，網(wǎng)格評價單元在較高—高易發(fā)區(qū)的包含了74.50%的滑坡，并且2種評價單元滑坡易發(fā)性區(qū)劃的分級統(tǒng)計的結(jié)果均是滑坡密度隨著易發(fā)性等級的升高而變大;以上表明基于這兩種評價單元構(gòu)建的隨機(jī)森林模型均具有較好的預(yù)測能力。

4.3" 評價單元

斜坡單元和網(wǎng)格單元都是滑坡易發(fā)性研究中常用的評價單元。網(wǎng)格單元由于劃分簡單的特點(diǎn)，在滑坡易發(fā)性研究中最為常見，而斜坡單元更能夠體現(xiàn)地質(zhì)環(huán)境條件與地勢起伏。本文基于這兩種評價單元構(gòu)建隨機(jī)森林模型進(jìn)行滑坡易發(fā)性評價，根據(jù)預(yù)測結(jié)果得到滑坡易發(fā)性分級結(jié)果，分級結(jié)果表明兩者的滑坡密度均隨易發(fā)性等級的升高而變大，說明斜坡單元作為評價單元對山地丘陵地區(qū)進(jìn)行滑坡易發(fā)性區(qū)劃具有一定的適用性。此外，通過混淆矩陣和AUC值可直觀反映出，斜坡單元進(jìn)行滑坡易發(fā)性評估比網(wǎng)格單元更合理與準(zhǔn)確。

5" 結(jié)論

本文選取高程、巖性、傾坡類型、曲率等22個因子作為滑坡易發(fā)性的影響因子，基于30 m網(wǎng)格單元和斜坡單元，利用隨機(jī)森林算法構(gòu)建模型來進(jìn)行滑坡易發(fā)性研究，對2種評價單元的滑坡易發(fā)性結(jié)果進(jìn)行對比分析，主要結(jié)論如下：

1）基于斜坡單元和網(wǎng)格單元的隨機(jī)森林滑坡易發(fā)性區(qū)劃模型AUC值分別為0.744和0.714，說明兩種模型均具有較好的預(yù)測能力。

2）

斜坡評價單元中，INDV、剖面曲率和平面曲率這3個因子對滑坡發(fā)生的貢獻(xiàn)率大；

網(wǎng)格評價單元中，高程、與道路距離和坡度對滑坡發(fā)生的貢獻(xiàn)率大。

3）斜坡單元AUC值和混淆矩陣精確度均高于網(wǎng)格單元，這說明基于斜坡單元的隨機(jī)森林模型更適用于進(jìn)行滑坡易發(fā)性區(qū)劃研究。

參考文獻(xiàn)（References）：

［1］" 周超. 集成時間序列InSAR技術(shù)的滑坡早期識別與預(yù)測研究［D］. 武漢： 中國地質(zhì)大學(xué)， 2018.

Zhou Chao. Landslide Identification and Prediction with the Application of Time Series InSAR［D］. Wuhan： China University of Geosciences， 2018.

［2］" 王濤， 劉甲美. 全國地震滑坡危險性評價研究［J］. 地質(zhì)力學(xué)學(xué)報， 2019， 25（3）： 453.

Wang Tao， Liu Jiamei. National Earthquake Landslide Risk Assessment Study［J］. Journal of Geomechanics， 2019， 25（3）： 453.

［3］" 孫德亮. 基于機(jī)器學(xué)習(xí)的滑坡易發(fā)性區(qū)劃與降雨誘發(fā)滑坡預(yù)報預(yù)警研究［D］. 上海：華東師范大學(xué)， 2019.

Sun Deliang. Mapping Landslide Susceptibility Based on Machine Learning and Forecast Warning of Landslide Induced by Rainfall［D］. Shanghai： East China Normal University， 2019.

［4］" 吳棟哲，姜琦剛，顧宗瑞，等.基于AHP的海峽沿岸地區(qū)生態(tài)地質(zhì)環(huán)境質(zhì)量評價：以馬六甲海峽北岸馬來西亞西南沿海地區(qū)為例［J］.吉林大學(xué)學(xué)報（地球科學(xué)版），2024，54（2）：619632.

Wu Dongzhe，Jiang Qigang，Gu Zongrui，et al. Evaluation of Eco-Geological Environment Quality in Strait Coastal Areas Based on AHP：Taking Southwest Coastal Areas of Malaysia of North Coast of Malacca Strait as an Example［J］. Journal of Jilin University （Earth Science Edition），2024，54（2）：619632.

［5］" 許嘉慧， 孫德亮， 王月， 等. 基于GIS與改進(jìn)層次分析法的奉節(jié)縣滑坡易發(fā)性區(qū)劃［J］. 重慶師范大學(xué)學(xué)報（自然科學(xué)版）， 2020， 37（2）： 3644.

Xu Jiahui， Sun Deliang， Wang Yue， et al. Landslide Susceptibility Mapping in Fengjie County Based on GIS and Improved Analytic Hierarchy Process［J］. Joural of Chongqing Normal University （Natural Science）， 2020， 37（2）： 3644.

［6］" 祁元， 劉勇， 楊正華， 等. 基于GIS的蘭州滑坡與泥石流災(zāi)害危險性分析［J］. 冰川凍土， 2012， 34（1）： 96104.

Qi Yuan， Liu Yong， Yang Zhenghua， et al. GIS-Based Analysis of Langslide and Debris Flow Hazard in Lanzhou［J］. Journal of Glaciology and Geocryology， 2012，34 （1）： 96104.

［7］" 吳常潤， 趙冬梅， 劉澄靜， 等. 基于GIS的華寧縣滑坡災(zāi)害影響因子分析及易發(fā)性評價［J］. 水土保持研究， 2019， 26（6）： 212218.

Wu Changrun， Zhao Dongmei， Liu Chengjing， et al. GIS-Based Analysis on Impact Factors and Susceptibility Evaluation of Landslide Hazard in Huaning County［J］. Research of Soil and Water Conservation， 2019， 26（6）： 212218.

［8］" 李文彥， 王喜樂. 頻率比與信息量模型在黃土溝壑區(qū)滑坡易發(fā)性評價中的應(yīng)用與比較［J］. 自然災(zāi)害學(xué)報， 2020， 29（4）： 213220.

Li Wenyan，Wang Xile. Application and Comparison of Frequency Ratio and Information Value Model for Evaluating Landslide Susceptibility of Loess Gully Region［J］. Journal of Natural Disasters， 2020， 29（4）： 213220.

［9］" 閆舉生， 譚建民.基于ANN和LR的遠(yuǎn)安縣滑坡易發(fā)性評價［J］. 山西建筑， 2018， 44（20）： 4850.

Yan Jusheng，Tan Jianmin. Landslide Susceptibility Assessment Based on ANN and LR Model in Yuan’an County ［J］. Shanxi Architecture， 2018， 44（20）： 4850.

［10］" 劉睿， 施婌嫻， 孫德亮， 等. 基于GIS與隨機(jī)森林的巫山縣滑坡易發(fā)性區(qū)劃［J］. 重慶師范大學(xué)學(xué)報（自然科學(xué)版）， 2020， 37（3）： 8696.

Liu Rui， Shi Shuxian， Sun Deliang， et al. Based on GIS and Random Forest Model for Landslide Susceptibility Mapping in Wushan County［J］. Journal of Chongqing Normal University （Natural Science）， 2020， 37 （3）： 8696.

［11］" Merghadi A， Abderrahmane B， Bui D T. Landslide Susceptibility Assessment at Mila Basin （Algeria）： A Comparative Assessment of Prediction Capability of Advanced Machine Learning Methods［J］. Isprs International Journal of Geo-Information， 2018， 7： 268.

［12］" 崔陽陽. 基于不同評價單元的滑坡易發(fā)性評價方法研究：以陜西省洛南縣為例［D］. 西安： 西安科技大學(xué)， 2021.

Cui Yangyang. A Comparatives Study on Evaluation Methods of Landslide Susceptibility Based on Different Evaluation Units： A Case Study of Luonan County， Shaanxi Province［D］. Xi’an： Xi’an University of Science and Technology， 2021.

［13］" 王銳. 基于GIS和Logistic回歸模型的降雨型滑坡易發(fā)性研究［D］.杭州：浙江大學(xué)， 2018.

Wang Rui. GIS-Based Logistic Regression Model for Rainfall-Induced Landslide Susceptibility Assessment［D］. Hangzhou： Zhejiang University， 2018.

［14］" 王家柱， 高延超， 鐵永波， 等. 基于斜坡單元的山區(qū)城鎮(zhèn)滑坡災(zāi)害易發(fā)性評價：以康定為例［J］. 沉積與特提斯地質(zhì)， 2023， 43（3）： 640650.

Wang Jiazhu， Gao Yanchao， Tie Yongbo， et al. Evaluation of the Susceptibility to Landslide in Mountainous Towns Based on Slope Unit： Taking Kangding as an Example［J］. Sedimentary Geology and Tethyan Geology， 2023， 43（3）： 640650.

［15］" 楊何， 湯明高， 許強(qiáng)， 等. 三峽庫區(qū)石榴樹包滑坡近期變形特征與機(jī)理分析［J］. 中國地質(zhì)災(zāi)害與防治學(xué)報， 2022， 33（1）： 6774.

Yang He，Tang Minggao，Xu Qiang，et al. Recent Deformation Characteristics and Mechanism of the Shiliushubao Landslide in the Three Gorges Reservoir Area［J］. The Chinese Journal of Geological Hazard and Control， 2022， 33（1）： 6774.

［16］" 夏輝. 三峽庫區(qū)重慶庫段區(qū)域滑坡風(fēng)險評價［D］. 武漢：中國地質(zhì)大學(xué)， 2018.

Xia Hui. Landslide Risk Assessment in Chongqing Section， Three Gorges Reservoir［D］. Wuhan： China University of Geosciences， 2018.

［17］" 王莉芳. 云陽縣自然災(zāi)害的類型及防災(zāi)對策［J］. 現(xiàn)代農(nóng)業(yè)科技， 2013（3）： 173174.

Wang Lifang. The Types of Natural Disasters and Disaster Prevention Countermeasures in Yunyang County［J］. Modern Agricultural Science and Technology， 2013 （3）： 173174.

［18］" 張利芹， 李浩， 顧超， 等. 基于信息量法的重慶云陽縣（三峽庫區(qū)）地質(zhì)災(zāi)害易發(fā)性評價［J］. 礦產(chǎn)勘查， 2020， 11（12）： 28092815.

Zhang Liqin， Li Hao， Gu Chao， et al. Geological Hazard Susceptibility Sssessment Based on Weighted Information Value in Yunyang County （the Three Gorges Reservoir Area）， Chongqing［J］. Mineral Exploration， 2020， 11 （12）： 28092815.

［19］" 趙彬. 基于GIS的汶川地震地質(zhì)災(zāi)害危險性評價研究［D］. 北京： 首都師范大學(xué)， 2011.

Zhao Bin. Study on Risk Assessment of Wenchuan Earthquake Geological Dsaster Based on GIS［D］. Beijing： Capital Normal University， 2011.

［20］" 唐亞明，張茂省.滑坡風(fēng)險評價難點(diǎn)及方法綜述［J］. 水文地質(zhì)工程地質(zhì)， 2011， 38（2）： 130134.

Tang Yaming， Zhang Maosheng. Landslide Risk Assessment Difficulties and Methods：An Review［J］. Hydrogeology ＆ Engineering Geology， 2011， 38（2）： 130134.

［21］" 田述軍， 張珊珊， 唐青松，等. 基于不同評價單元的滑坡易發(fā)性評價對比研究［J］. 自然災(zāi)害學(xué)報， 2019， 28（6）： 137145.

Tian Shujun， Zhang Shanshan， Tang Qingsong， et al. Comparative Study of Landslide Susceptibility Assessment Based on Different Evaluation Units［J］. Journalof Natural Disasters， 2019， 28（6）： 137145.

［22］" Alvoli M， Guzzetti F， Rossi M. Scaling Properties of Rainfall Induced Landslides Predicted by a Physically Based Model［J］. Geomorphology， 2014， 213： 3847.

［23］" Alvoli M， Marchesini I， Reichenbach P， et al. Automatic Delineation of Geomorphological Slope-Units and Their Optimization for Landslide Susceptibility Modelling［J］. Geoscientific Model Development Discussions， 2015， 9： 3975.

［24］" Alvoli M， Marchesini I， Reichenbach P， et al. Automatic Delineation of Geomorphological Slope-Units with r.Slope Units V1.0 and Their Optimization for Landslide Susceptibility Modeling［J］. Geoscientific Model Development， 2016， 9（11）： 39753991.

［25］" Zhou X Z，Wen H J， Li Z W， et al. An Interpretable Model for the Susceptibility of Rainfall-Induced Shallow Landslides Based on SHAP and XGBoost［J］. Geocarto International， 2022， 37： 1341913450.

［26］" Zhang J Y， Ma X L， Zhang J L， et al. Insights into Geospatial Heterogeneity of Landslide Susceptibility Based on the SHAP-XGBoost Model［J］. Journal of Environmental Management， 2023，332： 117357.

［27］" 文海家， 胡東萍， 王桂林. 汶川縣地震滑坡易發(fā)性LR與NN評價比較研究［J］. 土木工程學(xué)報， 2014， 47（增刊1）： 1723.

Wen Haijia， Hu Dongping， Wang Guilin. A Comparative Study on the Susceptibility Mapping of Earthquake Triggered Landslide by Neural Network and Logistic Regression， Wenchuan County［J］. China Civil Engineering Journal， 2014， 47 （Sup.1）： 1723.

［28］" 文海家， 張永興， 柳源. 三峽庫區(qū)地質(zhì)災(zāi)害防減災(zāi)戰(zhàn)略關(guān)鍵問題［J］. 中國地質(zhì)災(zāi)害與防治學(xué)報， 2004， 15（2）： 2531.

Wen Haijia， Zhang Yongxing， Liu Yuan. Some Crucial Problems of Controlling Geological Hazard in the Section of the Three Gorges Reservior［J］. The Chinese Journal of Geological Hazard and Control， 2004， 15（2）： 2531.

［29］" 謝明娟， 蒲瑞， 韓信， 等. 基于多模型的滑坡易發(fā)性評價［J］. 測繪與空間地理信息， 2019， 42（10）： 8385.

Xie Mingjuan， Pu Rui，Han Xin， et al. Landslide Vuinerability Assessment Based on Multiple Models［J］. Geographic amp; Spatial Information Technology， 2019， 42（10）： 8385.

［30］" Kalanter B， Pradhan B， Naghibi S A， et al. Assessment of the Effects of Training Data Selection on the Landslide Susceptibility Mapping：A Comparison Between Support Vector Machine （SVM）， Logistic Regression （LR） and Artificial Neural Networks （ANN）［J］. Geomatics， Natural Hazards and Risk， 2018， 9（1）： 4969.

［31］" Zhou X Z， Wen H J， Zhang Y L， et al. Landslide Susceptibility Mapping Using Hybrid Random Forest with GeoDetector and RFE for Factor Optimization［J］. Geoscience Frontiers， 2021， 12（5）： 101211.

［32］" Wang Y， Sun D L， Wen HJ， et al. Comparison of Random Forest Model and Frequency Ratio Model for Landslide Susceptibility Mapping （LSM） in Yunyang County （Chongqing， China）［J］. International Journal of Environmental Research and Public Health， 2020， 17（12）： 4206.

［33］" Gorokhovich Y， Machado E A， Melgar L I G， et al. Improving Landslide Hazard and Risk Mapping in Guatemala Using Terrain Aspect［J］. Natural Hazards， 2016， 81（2）： 869886.

［34］" Hong H Y， Pourghasemi H R， Pourtaghi Z S. Landslide Susceptibilit Assessment in Lianhua County （China）： A Comparison Between a Random Forest Data Mining Technique and Bivariate and Multivariate Statistical Models［J］. Geomorphology， 2016， 259（15）：105118.

［35］" 楊樂， 彭海游， 周莫林， 等. 基于層次分析法的奉節(jié)縣城地質(zhì)環(huán)境承載力評價［J］. 重慶交通大學(xué)學(xué)報（自然科學(xué)版）， 2014， 33（2）： 9599.

Yang Le， Peng Haiyou， Zhou Molin， et al. Assessment of Geological Environment Carrying Capacity of Fengjie County Based on AHP［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2014， 33（2）：9599.

［36］" Sun D L， Xu J H， Wen H J， et al. Assessment of Landslide Susceptibility Mapping Based on Bayesian Hyperparameter Optimization： A Comparison Between Logistic Regression and Random Forest［J］. Engineering Geology， 2021， 281： 105972.

［37］" Moosavi V， Niazi Y. Development of Hybrid Wavelet Packet-Statistical Models （WPSM） for Landslide Susceptibility Mapping［J］. Landslides， 2016， 13（1）： 97114.

［38］" Weiss A. Topographic Position and Landforms Analysis［R］. San Diego， CA： ERSI User Conferece， 2001.

［39］" 于海洋， 羅玲， 馬慧慧， 等. SRTM（1″）DEM在流域水文分析中的適用性研究［J］. 國土資源遙感， 2017， 29（2）： 138143.

Yu Haiyang， Luo Ling， Ma Huihui， et al. Application Appraisal in Catchment Hydrological Analysis Based on SRTM 1 Arc-Second DEM［J］. Remote Sensing for Land and Resources， 2017， 29（2）： 138143．

［40］" Pham B T， Nguyen-Thoi T， Qi C C， et al. Coupling RBF Neural Network with Ensemble Learning Techniques for Landslide Susceptibility Mapping［J］. Catena， 2020， 195： 104805.

［41］" Moore I D， Wilson J P. Length-Slope Factors for the Revised Universal Soil Loss Equation： Simplified Method of Estimation［J］. Journal of Soil and Water Conservation， 1992， 47（5）： 423428.

［42］" Pradhan A M S， Kim Y T. Relative Effect Method of Landslide Susceptibility Zonation in Weathered Granite Soil： A Case Study in Deokjeok-ri Creek， South Korea［J］. Natural Hazards， 2014， 72（2）： 11891217.

［43］" Ali S A， Parvin F， Vojtekova J， et al. GIS-Based Landslide Susceptibility Modeling： A Comparison Between Fuzzy Multi-Criteria and Machine Learning Algorithms［J］. Geoscience Frontiers， 2021， 12（2）：857876.

［44］" Shirzadi A， Soliamani K， Habibnejhad M， et al. Novel GIS Based Machine Learning Algorithms for Shallow Landslide Susceptibility Mapping［J］. Sensors， 2018， 18（11）：3777.

［45］" Zhang S H， Li Z H， Hou X N， et al. Impacts on Watershed-Scale Runoff and Sediment Yield Resulting from Synergetic Changes in Climate and Vegetation［J］. Catena， 2019， 179： 129138.

［46］" Yi Y， Zhang Z J， Zhang W C， et al. Landslide Susceptibility Mapping Using Multiscale Sampling Strategy and Convolutional Neural Network： A Case Study in Jiuzhaigou Region［J］. Catena， 2020， 195： 104851.

［47］" Jebur M N， Pradhan B， Tehrany M S. Optimization of Landslide Conditioning Factors Using Very High-Resolution Airborne Laser Scanning （LiDAR） Data Acatchment Scale［J］. Remote Sensing of Environment， 2014， 152：150165.

［48］" Kavzoglu T， Sahin E K， Colkesen I. Selecting Optimal Conditioning Factors in Shallow Translational Landslide Susceptibility Mapping Using Genetic Algorithm［J］. Engineering Geology， 2015， 192：101112.

［49］" 吳宏陽，周超，梁鑫，等. 基于XGBoost模型的三峽庫區(qū)燕山鄉(xiāng)滑坡易發(fā)性評價與區(qū)劃［J］. 中國地質(zhì)災(zāi)害與防治學(xué)報，2023，34（5）： 141152.

Wu Hongyang，Zhou Chao，Liang Xin，et al. Assessment of Landslide Susceptibility Mapping Based on Xgboost Model： A Case Study of Yanshan Township［J］. The Chinese Journal of Geological Hazard and Control，2023，34（5）： 141152.

［50］" Chen W， Chen X， Peng J B， et al. Landslide Susceptibility Modeling Based on ANFIS with Teaching-Learning-Based Optimization and Satin Bowerbird Optimizer［J］. Geoscience Frontiers， 2021， 12：93107.

［51］" Sun D L， Wen H J， Wang D Z， et al. A Random Forest Model of Landslide Susceptibility Mapping Based on Hyperparameter Optimization Using Bayes Algorithm［J］. Geomorphology， 2020， 362： 107201.

［52］" 劉勇，魏良帥，黃安邦，等. 氣候變化下長江源土壤水時空演化及其環(huán)境響應(yīng)［J］. 水文地質(zhì)工程地質(zhì)，2023，50（5）： 3952.

Liu Yong，Wei Liangshuai，Huang Anbang，et al. Spatial and Temporal Evolution of Soil Water and Its Response to the Environment in the Yangtze River Source Area Under Climate Change［J］. Hydrogeology amp; Engineering Geology， 2023， 50（5）： 3952.

［53］" Breiman L. Bagging Predictors［J］. Machine Learning， 1996， 24（2）： 123140.

［54］" Cutler A， Cutler D R， Stevens J R. Random Forests［M］. New York： Springer， 2012： 157175.

［55］" 曹正鳳. 隨機(jī)森林算法優(yōu)化研究［D］. 北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)， 2014.

Cao Zhengfeng. Study on Optimization of Random Forests Algorithm［D］. Beijing：Capital University of Economics and Business， 2014.

［56］" 齊永強(qiáng)，李文鵬，鄭躍軍，等. 地下水機(jī)器學(xué)習(xí)方法研究：水位監(jiān)測數(shù)據(jù)驅(qū)動的區(qū)域補(bǔ)排邊界識別［J］. 水文地質(zhì)工程地質(zhì)，2022，49（1）： 111.

Qi Yongqiang，Li Wenpeng，Zheng Yuejun，et al. Application of Machine Learning to Aquifer Analyses：Locating Hydrogeological Boundaries with Water Table Monitoring Data［J］. Hydrogeology amp; Engineering Geology， 2022， 49（1）： 111.

［57］" 侯賢沐， 王付勇， 宰蕓， 等. 基于機(jī)器學(xué)習(xí)和測井?dāng)?shù)據(jù)的碳酸鹽巖孔隙度與滲透率預(yù)測［J］. 吉林大學(xué)學(xué)報（地球科學(xué)版）， 2022， 52（2）： 644653.

Hou Xianmu， Wang Fuyong， Zai Yun， et al. Prediction of Carbonate Porosity and Permeability Based on Machine Learning and Logging Data［J］. Journal of Jilin University （Earth Science Edition）， 2022， 52（2）： 644653.

［58］" Snoek J， Larochelle H， Adams R P. Practical Bayesian Optimization of Machine Learning Algorithms［C］//Neural Information Processing Systems（NIPS）. Nevada： Lake Tahoe， 2012： 29512959.

［59］" 張虹， 辜慶渝， 孫誠彬， 等. 基于可解釋性機(jī)器學(xué)習(xí)的丘陵緩坡地區(qū)滑坡易發(fā)性區(qū)劃研究［J］. 重慶師范大學(xué)學(xué)報（自然科學(xué)版）， 2022， 39（3）： 7892.

Zhang Hong， Gu Qingyu， Sun Chengbin， et al. Landslide Susceptibility Mapping Hilly and Gentle Slope Region Based on Interpretable Machine Learing［J］. Journal of Chongqing Normal University （Natural Science）， 2022， 39 （3） ：7892.

［60］" 方然可. 基于機(jī)器學(xué)習(xí)的四川青川縣區(qū)域滑坡災(zāi)害預(yù)警模型研究［D］. 鄭州： 華北水利水電大學(xué)， 2021.

Fang Ranke. Research on Regional Landslide Disaster Early Warning Model Based on Machine Learning in Qingchuan County， Sichuan Province［D］. Zhengzhou： North China University of Water Resources and Electric Power， 2021.

［61］" 王冬燕. Logistic回歸與決策樹分類效能的ROC曲線比較［J］. 智能計算機(jī)與應(yīng)用， 2014， 4（5）： 3436.

Wang Dongyan. The ROC Curves Comparing of Classification Performance Between Logistic Regression and Decision Tree［J］. Intelligent Computer and Applications， 2014， 4（5）： 3436.

［62］" 王雪冬， 張超彪， 王翠， 等. 基于Logistic回歸與隨機(jī)森林的和龍市地質(zhì)災(zāi)害易發(fā)性評價［J］. 吉林大學(xué)學(xué)報（地球科學(xué)版）， 2022， 52（6）： 19571970.

Wang Xuedong， Zhang Chaobiao， Wang Cui， et al. Geological Disaster Susceptibility in Helong City Based on Regression and Randdom Forest［J］. Journal of Jilin University （Earth Science Edition）， 2022， 52（6）： 19571970.