ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD收录期刊
  • Caj-cd规范获奖期刊
  • Scopus 收录期刊
  • DOAJ 收录期刊
  • GeoRef收录期刊
欢迎扫码关注“i环境微平台”

基于快速聚类-信息量模型的汶川及周边两县滑坡易发性评价

周天伦, 曾超, 范晨, 毕鸿基, 龚恩慧, 刘晓

周天伦, 曾超, 范晨, 毕鸿基, 龚恩慧, 刘晓. 基于快速聚类-信息量模型的汶川及周边两县滑坡易发性评价[J]. 中国地质灾害与防治学报, 2021, 32(5): 137-150. DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-17
引用本文: 周天伦, 曾超, 范晨, 毕鸿基, 龚恩慧, 刘晓. 基于快速聚类-信息量模型的汶川及周边两县滑坡易发性评价[J]. 中国地质灾害与防治学报, 2021, 32(5): 137-150. DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-17
Tianlun ZHOU, Chao ZENG, Chen FAN, Hongji BI, Enhui GONG, Xiao LIU. Landslide susceptibility assessment based on K-means cluster information model in Wenchuan and two neighboring counties, China[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(5): 137-150. DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-17
Citation: Tianlun ZHOU, Chao ZENG, Chen FAN, Hongji BI, Enhui GONG, Xiao LIU. Landslide susceptibility assessment based on K-means cluster information model in Wenchuan and two neighboring counties, China[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(5): 137-150. DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-17

基于快速聚类-信息量模型的汶川及周边两县滑坡易发性评价

基金项目: 国家自然科学基金面上项目(42072314;41572279);国家重点研发计划项目(2017YFC1501304);中国博士后科学基金项目(2014T70758;2012M521500);中交第二公路勘察设计研究院有限公司科技研发项目(WFYZ-2018-049-001)
详细信息
    作者简介:

    周天伦(1997-),男,湖南湘潭人,硕士,主要从事地质工程与地质灾害方面的研究。E-mail:ztl@cug.edu.cn

    通讯作者:

    刘 晓(1977-),男,湖北武汉人,副研究员,主要从事边坡动力稳定性方面的研究。E-mail:liuxiao@china.cn

  • 中图分类号: P642.22

Landslide susceptibility assessment based on K-means cluster information model in Wenchuan and two neighboring counties, China

  • 摘要: 滑坡灾害易发性评价研究对规划灾害区域、制定防灾策略等方面具有十分重要的意义。以滑坡灾害频发的汶川及周边两县(理县和茂县)为例,提出滑坡灾害易发性评价的快速聚类-信息量模型。选取坡度、高程、坡向、距构造的距离、距水系的距离、地层岩性和土地利用情况为对滑坡有重要影响的7个影响因子,并在二级因子的分类上,对上述前5个影响因子依据159处滑坡样本分别开展快速聚类分析,同时也给出了传统的等距分类法,以便与快速聚类方法形成对比,对后2个影响因子则以定性方法分类。根据上述二级分类方法的不同,以及滑坡样本是否考虑面积因素,将信息量模型细分为四类(模型a:快速聚类-数量模型、模型b:等距分类-数量模型、模型c:快速聚类-面积模型、模型d:等距分类-面积模型),分别计算各二级指标信息量,并通过ArcGIS空间叠加分析得到研究区域信息量分布,然后通过自然断点法将研究区滑坡易发性划分为五个等级。以易发性递增原则和线下面积(Area Under Curve,AUC)作为精度评价指标,结果表明:①快速聚类模型(模型a和模型c)整体效果优于等距分类模型(模型b和模型d);②相同分类方法下,面积模型(模型c与模型d)整体优于数量模型(模型a和模型b);③在上述两项优势的加持下,模型c相较于模型b,评价精度明显提升,其AUC值从80.46%提高到87.25%。
    Abstract: The study of landslide susceptibility evaluation is of great significance to both zoning of geological disasters and disaster prevention strategies. Taking Wenchuan and two surrounding counties (Li County and Mao County), which are prone to landslides, as an example, K-means cluster information model for landslide susceptibility mapping is proposed. After seven impact factors, i.e., slope angle, elevation, aspect, distance from the structure, distance from the water system, formation lithology and the land usage, are selected, the secondary classification for factors is carried out. The former five impact factors mentioned above were classified separately by K-means cluster analysis according to 159 landslide samples. At the sametime, the traditional isometric classification was also presented to compare with the K-means clustering method. The latter two impact factors were classified qualitatively. According to the differences of the above secondary classification methods and whether the landslide sample considers the area factor, the information model is subdivided into four categories (model a: K-means clustering quantitative model, model b: isometric classification quantitative model, model c: K-means clustering area model, and model d: isometric classification area model). The information of each secondary index was calculated separately, and the information distribution of the study area was obtained through spatial overlay analysis of ArcGIS. Then, the landslide susceptibility of the study area was divided into five grades by natural breakpoint method. Taking the principle of increasing susceptibility and Area Under Curve (AUC) as the accuracy evaluation indicators, three results were obtained. First, the overall effect of K-means clustering models (model a and model c) is better than that of isometric classification models (model b and model d). Second, the area models (model c and model d) are generally better than the quantitative models (model a and model b) under the same classification method. Third, With the above two advantages, the evaluation accuracy of model c is significantly improved compared with model b, and its AUC value is increased from 80.46% to 87.25%.
  • 地质灾害气象风险预警是基于气象降雨因素引发地质灾害的区域性预警,是通过分析孕育地质灾害的地质特征与引发地质灾害的降水特征建立模型算法,在地质灾害易发性基础上,结合前期过程降雨和未来预报降雨,对一定区域在未来一段时间内发生地质灾害的可能性及成灾风险进行预报预警。近20年的实践表明,地质灾害气象风险预警在防御地质灾害中发挥着“指挥棒”的作用,是地质灾害风险管控的行之有效的手段。

    对降雨引发的地质灾害区域预警研究,广大学者开展了大量的研究和探索。美国地质调查局1969年完成了基于泥石流临界降雨强度预警系统的开发;1985年进行了区域内大暴雨与滑坡灾害的统计分析,建立了滑坡与降雨强度的临界降雨模型,并研发了早期的滑坡灾害预警系统[1];日本学者通过对流域实况降雨与地下水渗流场分析,研究确定泥石流发生的临界降雨阈值,并实现了自动预警;学者Flentje、Chowdhury、Crozier、Emmanuel Gabet、Aleotti、Enrico Gregori等也在实时预警方面做了大量的探索工作[23]。刘传正等[45]将区域预警理论原理分为隐式统计预警、显式统计预警和动力预警三大类,并针对显式统计预警模型提出了地质灾害区域“发育度”、“潜势度”、“危险度”、“风险度”和“危害度”等“五度”递进分析理论方法。刘艳辉等[6]在显式统计预警模型中采用确定系数方法实现了区域预警潜势度的计算,解决了地质灾害区域预警模型方法的难题,地质灾害气象预警工作逐步在全国山区省、市、县开展。以上研究成果多偏重于技术层面,对地质灾害防治管理体制机制方面的探索涉及较少。

    在近20年的地质灾害气象风险预报预警工作实践中,因缺少统一的系统建设标准和成果发布规范,这种省、市、县各自建设的地质灾害气象预警系统经常会出现结果不统一、数据共享难、更新时效差、平台功能不完善等问题,导致同区域同时段出现不同预警等级和重复预警的现象,给基层应急响应和防灾处置工作带来一定困扰,对预警信息发布的严肃性和权威性造成不利影响[711]。2018年以来,浙江、四川、福建、云南等省份率先探索地质灾害省-市-县一体化预警平台建设,在数据资源高效共享、预警结果同台会商、预警信息统一发布等方面取得了较大进步,形成了不同模式的省-市-县一体化地质灾害风险预警体系。下面以浙江省为例介绍省-市-县一体化地质灾害风险预警系统建设。

    浙江省地处我国东南沿海,地貌类型多样,主要以中低山丘陵为主;地质构造复杂,以江山-绍兴深断裂带为界,横跨“扬子台地”(江南地层区)和“华南褶皱系”(华南地层区)两大Ⅰ级地质构造单元;降雨丰沛,梅汛期降雨持续时间长,台风降雨强度大。同时,人类工程活动强烈、人口密度大,容易引发地质灾害。浙江省地质灾害易发区占到全省陆域面积的73%(图1),地质灾害规模虽以小型为主,但时常造成较大的人员伤亡和经济损失。据统计,全省已发生突发性地质灾害灾情6343处,造成296人死亡、15人失踪、102人受伤,直接经济损失10.17亿元。截至2023年11月,全省现有地质灾害隐患点422处,地质灾害风险防范区16934处,威胁6.99万户22.2万人,威胁财产173.8亿元。

    图  1  浙江省地质灾害易发区图
    Figure  1.  Map of geological hazard prone areas in Zhejiang Province

    2003年浙江省自然资源厅与省气象局联合开展地质灾害预报预警工作,截至2023年,全省因地质灾害预警成功避险地质灾害532起,避免人员伤亡5564人,避免经济损失6252.5万元,取得了良好成效。为提升地质灾害预报预警精准度,2005年完成了市级1∶5万市级地质灾害预警系统,实现了省、市地质灾害分级预报预警;2007年为强化山区实况降雨对地质灾害的影响,将水利部门监测实况雨量纳入地质灾害预警系统,提升了地质灾害预报预警精度;2009年为有效防范局地强降雨引发地质灾害,研发了3 h短临预警系统;2013年针对预警对象研发了全国首个基于斜坡单元的地质灾害预警系统[12];2019年为进一步提升预警精度,采用均一单元升级了地质灾害预警系统[13];2020年,自然资源部在浙江实施地质灾害风险隐患“双控”试点,针对新调查的地质灾害风险防范区研发了以临界降雨为基础的1 h实时预警系统[14]。同时,将24 h每日预报、3 h短临预报和1 h的实时预警三种模式的地质灾害气象风险预报预警模型,并按照“省级预报到县、市级预报到乡、县级预警到村(点)”的工作原则,初步建成了省-市-县一体化地质灾害气象风险预报预警系统[15],并制定了《浙江省突发性地质灾害风险预报预警技术要求(试行)》,对全省地质灾害预报预警业务进行了规范。

    浙江省地质灾害气象风险预报预警时间尺度如图2所示,可分为趋势预测、等级预报和实时预警三类。

    图  2  预报预警时间尺度示意图
    Figure  2.  Time scale diagram of forecast and early warning

    (1)趋势预测:根据气象部门阶段性降雨预测,按年度、季度、月度及重点时段(节假日和重要活动等)开展地质灾害风险趋势预测,研究确定本阶段是否可能存在地质灾害风险较高及以上区域、重点风险地段和风险点,以及相应时段,并提出本阶段地质灾害防范工作建议。

    (2)风险预报:包括未来24 h地质灾害气象风险等级预报和未来3 h短临预报。根据气象部门未来24 h预报雨量和前期实况雨量,结合地质环境条件开展地质灾害风险区域预报,提醒预报区域防灾管理人员及时开展地质灾害防范工作;强降雨时段,结合实际工作需求,加密预报频次,根据气象部门未来3 h预报雨量和前期实况雨量,开展地质灾害气象风险3 h短临预报;台风暴雨时段开展48/72 h短期风险预报。风险预报为区域概率预报,预报层级最小到乡镇级。

    (3)实时预警:通过研究设定地质灾害隐患点和风险防范区降雨阈值,结合周边雨量监测站监测的实时降雨开展地质灾害风险实时预警,并向地质灾害隐患点和风险防范区管理人员逐小时发布风险预警信息,指导基层开展地质灾害巡查和受威胁人员转移避险。实时预警是对区域概率预报的补充和矫正。

    通过全面梳理省、市、县三级地质灾害风险预报预警业务工作需求,我省确定“省预报到县,市预报到乡,县预警到村(点)”的工作要求,省、市自然资源主管部门结合预报产品,以行政区划为单位,发布风险“五色图”,提醒各级部门依据工作职责,做好地质灾害防治工作;县级自然资源主管部门对地质灾害风险防范区和隐患点开展实时预警,实时发布风险预警信息,精准指导地质灾害影响人员转移避险,工作体系架构见图3

    图  3  预报预警工作结构框架图
    Figure  3.  Structure framework diagram of forecast and early warning work

    通用模型是在全省地质灾害基础上统一研发的地质灾害气象风险预报预警模型,各市可直接调用,也可自行研发不同的预报预警模型。通用模型主要是通过区域地质灾害机理研究,确定地质灾害敏感因子和诱发因子,应用相关性原理建立地质灾害易发性评价指标体系,综合评价不同区域地质灾害易发程度,结合地质灾害与降雨量的关系分析,基于逻辑回归的概率预报方法,构建地质灾害气象风险预报预警模型,包含省市3 h短时预报、24 h常规预报、48/72 h趋势预测模型,开展区域地质灾害风险等级预报。县级实时预警模型主要面向地质灾害风险防范区和隐患点开展,根据降雨强度-历时(I-D曲线)确定临界降雨阈值,利用实时降雨与临界降雨阈值判别矩阵开展实时预警工作。

    省级预报模型主要采用主成分逻辑回归方法(图4),以地质灾害赋存环境条件均一的不规则单元为预报对象,对已发生地质灾害影响因子进行主成分分析,最终确定坡度、坡向、高程、地层岩性、断裂构造、工程地质岩组,土地利用及植被类型共8个因子作为地质灾害敏感因子。其中省级预报模型以全省山地丘陵区为地质灾害预报预警范围构建32.5万余评价单元,对预警单元进行地质灾害危险性指标(G)进行计算,通过危险度与降雨条件(降水指数)的相关及回归分析,确立预警指数数学表达式(式1)。

    图  4  地质灾害气象风险预报模型方法
    Figure  4.  Methodology of geological hazard meteorological risk prediction model
    T=k0G+k1(Ra+Rf)/R0+e (1)

    式中:T——预警指数;

    G——地质灾害危险性指标;

    Ra——前期有效降雨;

    Rf——预报降雨;

    R0——降雨区划;

    k0k1——回归系数;

    e——修正值。

    经过统计分析,浙江省大部分地质灾害均在强降雨当天发生,而地质灾害发生前3 d有降雨的占83.9%,前7 d累计降雨与地质灾害发生数相关程度非常高[7]。根据实际降雨与地质灾害发生情况复盘分析,短临预报通常考虑前24 h有效雨量,每日预报和短期预报考虑前7日累计有效雨量符合浙江省地质灾害发生与降雨强度规律[1213]

    市级预报模型除宁波采用斜坡单元外,其余均采用200~500 m精度的网格单元,因东西部地质条件差异和降雨类型(台风暴雨和梅雨)不同,采用的地质灾害影响因子和前期降雨稍有不同,均采用逻辑回归的方法建立市级预报模型。

    预警模型主要采用降雨强度-历时(I-D曲线)的临界降雨阈值方法[1416]。浙江省以县级行政区划为单元,统计分析历史发生的地质灾害降雨强度(I)和降雨历时(D)的关系,在对数坐标下,以数据分布(式2)的下限作为该县(市、区)的降雨阈值曲线(I-D曲线),并根据该曲线,提取不同历时(1 h、3 h、6 h、12 h、24 h)的黄、橙、红临界降雨阈值来实施地质灾害实时预警(图5)。目前,依托乡镇地质灾害风险调查项目,根据地质灾害体的破坏和变形情况、受灾体的风险承受差异等指标,逐步实现更为精细的“一坡一阈值”风险动态调整机制。

    图  5  县级实时预警I-D阈值模型示意图[15]
    Figure  5.  Schematic diagram of the I-D threshold model for county-level real-time early warning[15]
    R(H)=aHb (2)

    式中:R(H)——降雨强度;

    H——降雨时长;

    a——比例系数;

    b——幂指数。

    根据地质灾害气象风险预警业务需求,采用节点建设模式,基于云计算技术研发了省市县一体化预报预警平台,平台由数据中心、数据中台及应用场景组成。数据中心主要负责数据采集、存储和管理等,包含数据仓、模型仓、功能仓和节点仓,每个节点仓保存各自的业务库、雨量库和成果库;数据中台主要负责数据调用、治理和共享,为全省预报预警一体化业务提供数据节点管理、功能调用、综合展示、运维监控和共享管理等功能;应用场景包括等级预报子系统、实时预警子系统、其他预警子系统和会商平台[15]。平台基础设施如服务器、网络及安全防护等资源由省级统一建设,市县级应用场景按照标准格式,调用省数据中心数据,结合当地气象、水利部门降雨数据进行地质灾害等级预报和实时预警,并将预警响应数据反馈数据中心,形成闭环管理。系统实现了跨部门多层级业务融合和数据共性支撑全省复用,同时,预报预警产品通过数据服务接口,实时为地质灾害防治业务场景、防汛防台在线等提供预警成果共享服务。

    等级预报子系统主要在建设省、市两级,是开展地质灾害区域风险分析的专业系统,包含数据获取处理、模型分析计算、人工会商干预、预报产品制作和预报产品发布等功能。各级子系统通过专线将各级气象降雨预报数据导入数据中心,通过模型计算形成初级预报结果,上传会商中心进行全省会商研判,各市根据研判结果分别制作市、县预报产品进行发布,省级部门对各市产品进行综合,形成地质灾害风险等级预报“五色图”进行发布。同时,省部门根据气象3 h降雨预报数据实施自动化短临预警提醒。

    实时预警子系统主要建设在县级,是针对地质灾害隐患点、风险防范区和重点乡村进行实时自动化预警,每小时发布风险预警信息。主要功能包括数据获取处理、预警分析研判和预警结果发布等。县级实时预警系统将地质灾害风险防范区或隐患点关联周边气象和水文部门雨量监测站,利用监测降雨量与1 h、3 h、6 h、12 h、24 h的黄、橙、红临界降雨阈值进行对比研判,采用不同历时的最高预警等级作为当前地质灾害风险防范区或隐患点的预警级别,并逐小时更新。

    为保证地质灾害风险预报预警信息的任务闭环和可视化监管,一体化预警平台研发了风险防控驾驶舱和移动应用终端“地灾智防”APP。通过移动终端,实时查询地质灾害等级预报、实时预警、专业监测预警等预警信息,实现防灾指令的实时贯通和防灾数据的及时汇集;通过驾驶舱大屏,各级自然资源主管部门可以查看台风降雨、等级预报、实时预警、值班值守、巡查排查、驻县进乡、灾险情处置、防治工作等信息,切实提升浙江省地质灾害防治指挥决策的时效性和科学性。

    “省级预报到县、市级预报到乡、县级预警到村(点)”工作体系是浙江省地质灾害气象风险预报预警一体化工作机制的重要内容之一。省级通过一体化平台省级节点,开展3 h、24 h等多时段地质灾害风险等级预报,发布范围覆盖省级有关部门和市、县自然资源主管部门;市级地质灾害风险等级预报成果范围覆盖市级有关部门和县级自然资源主管部门和乡镇(街道);县级通过气象、水利部门的实况降雨数据,结合风险降雨阈值,针对地质灾害隐患点、风险防范区和重点乡村等开展实时预警,发布范围覆盖县级有关部门和乡(镇街道)村(社区)责任人和群测群防员(图6)。

    图  6  一体化地质灾害风险预报预警系统框架图
    Figure  6.  Framework diagram of integrated geological hazard risk forecast and early warning system

    “有预警就有响应,有响应务必闭环”是一体化工作机制的另一重要内容,根据省、市、县三级在不同防御阶段的地质灾害风险管控要求,围绕地质灾害风险预报预警结果,移动终端发布预报预警信息,派发巡查处置任务,并回流基层地质灾害防治工作反馈情况,实现地质灾害风险预报预警响应的闭环管控。通过驾驶舱大屏,实现地质灾害风险信息和防治业务信息的可视化展示,消息和任务的全生命周期监控,配合“叫应叫醒”工作机制,保证信息的贯通,落实闭环管理。

    受2023年5号台风“杜苏芮”影响,温州南部地区遭受持续强降雨。2023年7月26日18时,省级预警系统对温州市平阳县发布未来24 h地质灾害气象风险橙色预警,温州市预警系统对平阳县顺溪镇发布未来24 h地质灾害气象风险橙色预警。27日8时省、市预警级别均升级为红色预警(图7),值班人员第一时间电话叫应当地政府主要领导。顺溪镇人民政府立即组织开展隐患点和风险防范区人员转移工作,11时将顺溪镇下东村风险防范区(编号330326FF0263)受威胁的5人提前转移至避灾场所。27日13时县级实时预警系统(基于临界降水阈值模型)对该处风险防范区发布黄色预警,并生成巡查任务,群测群防员立即开展巡查,并通过“地灾智防”APP反馈巡查和人员转移情况。14时省级预警系统对平阳县再次加密发布未来3 h短临红色预警,15时该处专业监测设备也发出红色报警,16时该风险防范区发生滑坡,体积约300 m3。滑坡造成坡脚房屋墙体和窗户局部损毁和屋内泥水淤积(图8)。由于预警及时精准,人员提前撤离,成功避免1户5人伤亡。本起案例是基于省-市-县一体化预警工作体系,逐级逐步精准发布预警信息、有效落实闭环管控、成功避免人员伤亡的典型案例。

    图  7  地质灾害风险预警综合展示图
    Figure  7.  Comprehensive display of geological disaster risk early warning
    图  8  温州市平阳县顺溪镇下东村滑坡
    Figure  8.  Landslide at Xiadong Village, Shunxi Town, Pingyang County, Wenzhou City

    (1)浙江省通过构建“省级预报到县、市级预报到乡、县级预警到村(到点)”预报预警一体化工作体系,依托“地灾智防”APP等数字化手段,加强了预报预警与预警响应联动,建立预警响应闭环工作机制,实现了地质灾害气象风险预警响应闭环管理。

    (2)浙江省通过开展地质灾害气象风险预警一体化建设,在模型构建、系统建设、数据共享和闭环管控机制建设等方面形成了一套较为完整的技术和管理体系,为其他省市开展预警一体化建设提供了较为成熟的应用示范。

    (3)浙江省预报预警一体化系统自上线以来,运行效果良好,工作成效显著,有效支撑了全省地质灾害防治工作。但由于预报降雨数据更新和实况降雨数据校正的滞后性,导致地质灾害风险预警结果实时性不足,在与气象、水利部门数据协同机制方面仍需进一步加强。

  • 图  1   技术路线图

    Figure  1.   Technology road mapping

    图  2   快速聚类流程图

    Figure  2.   Flow chart of K-means clustering model

    图  3   研究区地理位置及滑坡调查图

    Figure  3.   Location of study area and distribution of landslides

    图  4   影响因子分类图

    Figure  4.   The classification diagram of the impact factors

    图  5   研究区滑坡易发性区划

    Figure  5.   Landslide susceptibility regionalization in the study area

    图  6   影响因子信息量值统计分析图

    Figure  6.   Statistical analysis diagram of impact factor information value

    图  7   四种模型评价结果对比之:滑坡占比(易发区间滑坡/总滑坡)

    Figure  7.   Comparison of the evaluation results of the four models: landslide proportion (susceptibility grade landslide/total landslide)

    图  8   四种模型评价结果对比:滑坡比率(滑坡占比/易发区间面积比)

    注:模型按聚类方式和是否考虑面积与否分为4类:模型a(快速聚类-数量),模型b(等距分类-数量),模型c(快速聚类-面积),模型d(等距分类-面积)。

    Figure  8.   Comparison of evaluation results of the four models: landslide ratio (landslide proportion/area ratio of susceptibility area)

    图  9   滑坡成功预测曲线

    Figure  9.   The curve of successful landslide prediction

    表  1   影响因子选择

    Table  1   Selection of impact factors

    坡度 坡向 高程 地形粗糙度 岩性 构造 水系 降雨 地震 人类工程活动/土地利用 公路 距居民点的距离
    王磊[9]
    韩蓓[13]
    JIANG等[7]
    王帅永[18]
    YANG等[19]
    本文
    下载: 导出CSV

    表  2   基于滑坡样本点数的信息量表

    Table  2   Information table based on landslide sample points

    快速聚类 等距分类
    影响因子 类别 Ni/个 Si/km2 信息量 信息量排序 类别 Ni/个 Si/km2 信息量 信息量
    排序
    坡度/(°) 0~11 7 511.43 0.0537 19 0~10 6 421.68 0.0925 18
    11~16 6 628.12 −0.3060 31 10~20 19 1 487.20 −0.0152 26
    16~23.5 23 1 675.49 0.0566 18 20~30 37 3 152.83 −0.1001 28
    23.5~31 29 2 644.01 −0.1678 27 30~40 43 4 006.00 −0.1893 33
    31~37.1 29 2 505.85 −0.1141 24 40~50 35 2 442.66 0.0995 17
    37.1~42.3 20 1 869.38 −0.1926 29 50~60 17 649.38 0.7022 4
    42.3~48 19 1 371.03 0.0661 17 60~70 2 82.78 0.6220 6
    48~55 18 766.38 0.5937 9 70~80 0 11.90 0.0000 20
    >55 8 285.93 0.7687 4 80~90 0 3.20 0.0000 21
    坡向/(°) 平地 0 16.21 0.0000 21 平地 0 16.21 0.0000 22
    0~73 28 2 408.54 −0.1096 23 34 2 900.44 −0.1013 29
    73~165 52 3 433.19 0.1550 16 53 3 370.65 0.1924 16
    165~273 30 3 452.58 −0.4007 33 21 2 916.79 −0.5887 37
    273~360 49 2 947.11 0.2482 12 西 51 3 053.54 0.2528 11
    高程/m 0~1 560 31 457.67 1.6528 1 0~1 000 2 36.59 1.4385 2
    1 560~2 141 38 1 171.89 0.9162 3 1 000~2 000 53 1 235.36 1.1962 3
    2 141~2 647 42 1 653.95 0.6717 6 2 000~3 000 79 3 466.41 0.5636 9
    2 647~3 196 37 2 335.66 0.1999 15 3 000~4 000 24 4 719.42 −0.9364 40
    3 196~3 805 10 2 958.07 −1.3447 39 4 000~5 000 1 2 719.74 −3.5633 42
    >3 805 1 3 680.40 −3.8658 42 5 000~6 000 0 80.12 0.0000 23
    距水系的距离/m 0~375 88 3 712.72 0.6028 8 0~600 106 5 734.40 0.3542 10
    375~858 37 4 024.04 −0.3441 32 600~1 200 32 4 003.87 −0.4843 36
    858~1373 23 2 728.73 −0.4311 34 1 200~1 800 18 1 836.15 −0.2801 34
    1 373~1 972 10 1 352.43 −0.5621 35 1 800~2 400 3 555.91 −0.8770 39
    >1 972 1 439.71 −1.7411 40 >2 400 0 127.30 0.0000 24
    距构造的距离/m 0~912 50 2 130.68 0.5928 10 0~1 000 53 2 316.74 0.5674 8
    912~2137 39 2 268.16 0.2818 11 1 000~2 000 31 1 866.78 0.2470 12
    2 137~3 705 25 1 897.92 0.0154 20 2 000~3 000 19 1 367.60 0.0686 19
    3 705~5 592 26 1 615.25 0.2159 13 3 000~4 000 12 1 030.66 −0.1080 30
    5 592~7 350 12 1 120.21 −0.1914 28 4 000~5 000 14 877.28 0.2072 15
    7 350~8 689 3 615.83 −0.9794 37 5 000~6 000 12 742.27 0.2202 13
    8 689~11 039 3 741.00 −1.1644 38 6 000~7 000 8 634.16 −0.0279 27
    >11 039 1 1 868.59 −3.1879 41 >7 000 10 3 422.15 −1.4904 41
    岩性 坚硬岩石 3 531.70 −0.8325 36 坚硬岩石 3 531.70 −0.8325 38
    较硬岩石 58 5 964.50 −0.2881 30 较硬岩石 58 5 964.50 −0.2881 35
    较软岩石 37 3 226.83 −0.1233 25 较软岩石 37 3 226.83 −0.1233 31
    软硬相间岩石 55 2 299.43 0.6119 7 软硬相间岩石 55 2 299.43 0.6119 7
    软岩 6 235.17 0.6765 5 软岩 6 235.17 0.6765 5
    土地利用 耕地 24 421.85 1.4784 2 耕地 24 421.85 1.4784 1
    林地 134 11 766.00 −0.1301 26 林地 134 11 766.00 −0.1301 32
    人类活动 0 7.15 0.0000 22 人类活动 0 7.15 0.0000 25
    其他用地 1 62.64 0.2077 14 其他用地 1 62.64 0.2077 14
    下载: 导出CSV

    表  3   基于滑坡样本面积的信息量表

    Table  3   Information table based on landslide sample area

    快速聚类 等距分类
    影响因子 类别 Ai/km2 Si/km2 信息量 信息量排序 类别 Ai/km2 Si/km2 信息量 信息量排序
    坡度/(°) 0~11 0.0053 511.43 −2.1677 39 0~10 0.0049 421.68 −2.0431 40
    11~16 0.0267 628.12 −0.7512 31 10~20 0.0460 1 487.20 −1.0677 36
    16~23.5 0.1035 1 675.49 −0.3766 28 20~30 0.3476 3 152.83 0.2026 15
    23.5~31 0.3189 2 644.01 0.2923 11 30~40 0.3695 4 006.00 0.0242 20
    31~37.1 0.1896 2 505.85 −0.1739 23 40~50 0.2291 2 442.66 0.0407 18
    37.1~42.3 0.1544 1 869.38 −0.0862 21 50~60 0.0938 649.38 0.4724 8
    42.3~48 0.1237 1 371.03 0.0021 17 60~70 0.0127 82.78 0.5321 7
    48~55 0.1519 766.38 0.7891 4 70~80 0.0000 11.90 0.0000 21
    >55 0.0297 285.93 0.1422 16 80~90 0.0000 3.20 0.0000 22
    坡向/(°) 平地 0.0000 16.21 0.0000 18 平地 0.0000 16.21 0.0000 23
    0~73 0.1839 2 408.54 −0.1651 22 0.1600 2 900.44 −0.4901 32
    73~165 0.5009 3 433.19 0.4826 9 0.5816 3 370.65 0.6504 5
    165~273 0.0719 3 452.58 −1.4646 35 0.0606 2 916.79 −1.4667 38
    273~360 0.3471 2 947.11 0.2684 12 西 0.3015 3 053.54 0.0923 16
    高程/m 0~1 560 0.3770 457.67 2.2135 1 0~1 000 0.0587 36.59 2.8806 1
    1 560~2 141 0.1873 1 171.89 0.5739 7 1 000~2 000 0.4482 1 235.36 1.3937 3
    2 141~2 647 0.3084 1 653.95 0.7280 5 2 000~3 000 0.4682 3 466.41 0.4056 9
    2 647~3 196 0.1977 2 335.66 −0.0620 20 3 000~4 000 0.1277 4 719.42 −1.2024 37
    3 196~3 805 0.0325 2 958.07 −2.1033 38 4 000~5 000 0.0008 2 719.74 −5.7310 42
    >3 805 0.0008 3 680.40 −6.0335 42 5 000~6 000 0.0000 80.12 0.0000 24
    距水系的距离/m 0~375 0.6835 3 712.72 0.7153 6 0~600 0.7637 5 734.40 0.3915 10
    375~858 0.2641 4 024.04 −0.3162 27 600~1 200 0.2228 4 003.87 −0.4812 31
    858~1 373 0.0973 2 728.73 −0.9261 33 1 200~1 800 0.0761 1 836.15 −0.7759 33
    1 373~1 972 0.0575 1 352.43 −0.7509 30 1 800~2 400 0.0411 555.91 −0.1982 27
    >1 972 0.0012 439.71 −3.4659 41 >2 400 0.0000 127.30 0.0000 25
    距构造的距离/m 0~912 0.4494 2 130.68 0.8512 3 0~1 000 0.4571 2 316.74 0.7844 4
    912~2 137 0.1493 2 268.16 −0.3136 26 1 000~2 000 0.1180 1 866.78 −0.3534 30
    2 137~3 705 0.2212 1 897.92 0.2580 13 2 000~3 000 0.1266 1 367.60 0.0275 19
    3 705~5 592 0.1791 1 615.25 0.2081 15 3 000~4 000 0.1194 1 030.66 0.2519 14
    5 592~7 350 0.0379 1 120.21 −0.9782 34 4 000~5 000 0.1140 877.28 0.3672 11
    7 350~8 689 0.0276 615.83 −0.6976 29 5 000~6 000 0.0720 742.27 0.0750 17
    8 689~11 039 0.0100 741.00 −1.8935 37 6 000~7 000 0.0262 634.16 −0.7775 34
    >11 039 0.0292 1 868.59 −1.7520 36 >7 000 0.0703 3 422.15 −1.4778 39
    岩性 坚硬岩石 0.0380 531.70 −0.2312 24 坚硬岩石 0.0380 531.70 −0.2312 28
    较硬岩石 0.2407 5 964.50 −0.8024 32 较硬岩石 0.2407 5 964.50 −0.8024 35
    较软岩石 0.5088 3 226.83 0.5603 8 较软岩石 0.5088 3 226.83 0.5603 6
    软硬相间岩石 0.2888 2 299.43 0.3327 10 软硬相间岩石 0.2888 2 299.43 0.3327 12
    软岩 0.0274 235.17 0.2565 14 软岩 0.0274 235.17 0.2565 13
    土地利用 耕地 0.2865 421.85 2.0207 2 耕地 0.2865 421.85 2.0207 2
    林地 0.8168 11 766.00 −0.2601 25 林地 0.8168 11 766.00 −0.2601 29
    人类活动 0.0000 7.15 0.0000 19 人类活动 0.0000 7.15 0.0000 26
    其他用地 0.0003 62.64 −2.7848 40 其他用地 0.0003 62.64 −2.7848 41
    下载: 导出CSV
  • [1] 高华喜. 滑坡灾害风险区划与预测研究综述[J]. 灾害学,2010,25(2):124 − 128. [GAO Huaxi. Overview on landslide risk zoning and prediction research[J]. Journal of Catastrophology,2010,25(2):124 − 128. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-811X.2010.02.025
    [2]

    LEE S, PRADHAN B. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models[J]. Landslides,2007,4(1):33 − 41. DOI: 10.1007/s10346-006-0047-y

    [3]

    POURGHASEMI H R, JIRANDEH A G, PRADHAN B, et al. Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran[J]. Journal of Earth System Science,2013,122(2):349 − 369. DOI: 10.1007/s12040-013-0282-2

    [4]

    DU J, GLADE T, WOLDAI T, et al. Landslide susceptibility assessment based on an incomplete landslide inventory in the Jilong Valley, Tibet, Chinese Himalayas[J]. Engineering Geology,2020,270:105572. DOI: 10.1016/j.enggeo.2020.105572

    [5] 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
    [6] 刘艺梁, 殷坤龙, 刘斌. 逻辑回归和人工神经网络模型在滑坡灾害空间预测中的应用[J]. 水文地质工程地质,2010,37(5):92 − 96. [LIU Yiliang, YIN Kunlong, LIU Bin. Application of logistic regression and artificial neural networks in spatial assessment of landslide hazards[J]. Hydrogeology & Engineering Geology,2010,37(5):92 − 96. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-3665.2010.05.017
    [7]

    JIANG L, LIU D S, JIANG Y H, et al. Landside susceptibility assessment based on weighted information value model: A case study of Wenchuan earthquake 10 degree region[C]//2014 The Third International Conference on Agro-Geoinformatics. Beijing: IEEE, 2014: 1-4.

    [8] 马国超. 强震区汶川县地质灾害危险性评价研究[D]. 成都: 成都理工大学, 2015.

    MA Guochao. The geological hazard assessment and mapping study of Wenchuan in meizoseismal area[D]. Chengdu: Chengdu University of Technology, 2015. (in Chinese with English abstract)

    [9] 王磊. 基于GIS的理县滑坡地质灾害风险性评价[D]. 成都: 成都理工大学, 2013.

    WANG Lei. Risk assessment of landslide in Li County based on GIS[D]. Chengdu: Chengdu University of Technology, 2013. (in Chinese with English abstract)

    [10] 崔志超, 王俊豪, 崔传峰, 等. 基于层次分析法和模糊数学相结合的甘肃东乡八丹沟泥石流易发性评价[J]. 中国地质灾害与防治学报,2020,31(1):44 − 50. [CUI Zhichao, WANG Junhao, CUI Chuanfeng, et al. Evaluation of the susceptibility of debris flow in Badan gully of Dongxiang County of Gansu based on AHP and fuzzy mathematics[J]. The Chinese Journal of Geological Hazard and Control,2020,31(1):44 − 50. (in Chinese with English abstract)
    [11] 孙长明, 马润勇, 尚合欣, 等. 基于滑坡分类的西宁市滑坡易发性评价[J]. 水文地质工程地质,2020,47(3):173 − 181. [SUN Changming, MA Runyong, SHANG Hexin, et al. Landslide susceptibility assessment in Xining based on landslide classification[J]. Hydrogeology & Engineering Geology,2020,47(3):173 − 181. (in Chinese with English abstract)
    [12] 方然可, 刘艳辉, 苏永超, 等. 基于逻辑回归的四川青川县区域滑坡灾害预警模型[J]. 水文地质工程地质,2021,48(1):181 − 187. [FANG Ranke, LIU Yanhui, SU Yongchao, et al. A early warning model of regional landslide in Qingchuan County,Sichuan Province based on logistic regression[J]. Hydrogeology & Engineering Geology,2021,48(1):181 − 187. (in Chinese with English abstract)
    [13] 韩蓓. 基于GIS的岷江上游汶川—叠溪河段滑坡灾害危险性评价[D]. 成都: 成都理工大学, 2014.

    HAN Bei. Landslide geological disaster hazard assessment in Minjiang river from Wenchuan to diexi based on GIS[D]. Chengdu: Chengdu University of Technology, 2014. (in Chinese with English abstract)

    [14] 王雷, 吴君平, 赵冰雪, 等. 基于GIS和信息量模型的安徽池州地质灾害易发性评价[J]. 中国地质灾害与防治学报,2020,31(3):96 − 103. [WANG Lei, WU Junping, ZHAO Bingxue, et al. Susceptibility assessment of geohazards in Chizhou City of Anhui Province based on GIS and informative model[J]. The Chinese Journal of Geological Hazard and Control,2020,31(3):96 − 103. (in Chinese with English abstract)
    [15] 冯超. K-means聚类算法的研究[D]. 大连: 大连理工大学, 2007.

    FENG Chao. Research of K-means clustering algorithm[D]. Dalian: Dalian University of Technology, 2007. (in Chinese with English abstract)

    [16] 吴夙慧, 成颖, 郑彦宁, 等. K-means算法研究综述[J]. 现代图书情报技术,2011(5):28 − 35. [WU Suhui, CHENG Ying, ZHENG Yanning, et al. Survey on K-means algorithm[J]. New Technology of Library and Information Service,2011(5):28 − 35. (in Chinese with English abstract)
    [17] 李军, 周成虎. 基于栅格GIS滑坡风险评价方法中格网大小选取分析[J]. 遥感学报,2003,7(2):86 − 92. [LI Jun, ZHOU Chenghu. Appropriate grid size for terrain based landslide risk assessment in lantau island, Hong Kong[J]. Journal of Remote Sensing,2003,7(2):86 − 92. (in Chinese with English abstract) DOI: 10.11834/jrs.20030202
    [18] 王帅永. 县域地质灾害风险评价研究: 以四川省汶川县为例[D]. 成都: 成都理工大学, 2016.

    WANG Shuaiyong. Geohazard risk assessment at the county-level: A case study of Wenchuan County, Sichuan Province[D]. Chengdu: Chengdu University of Technology, 2016. (in Chinese with English abstract)

    [19]

    YANG J T, SONG C, YANG Y, et al. New method for landslide susceptibility mapping supported by spatial logistic regression and GeoDetector: A case study of Duwen Highway Basin, Sichuan Province, China[J]. Geomorphology,2019,324:62 − 71. DOI: 10.1016/j.geomorph.2018.09.019

    [20] 吴志宇, 刘齐建. SH波作用下边坡地形的地面运动分析[J]. 公路工程,2019,44(3):80 − 84. [WU Zhiyu, LIU Qijian. Surface motion of a slope on half space to SH waves[J]. Highway Engineering,2019,44(3):80 − 84. (in Chinese with English abstract)
    [21] 王智伟, 王利, 黄观文, 等. 基于BP神经网络的滑坡监测多源异构数据融合算法研究[J]. 地质力学学报,2020,26(4):575 − 582. [WANG Zhiwei, WANG Li, HUANG Guanwen, et al. Research on multi-source heterogeneous data fusion algorithm of landslide monitoring based on BP neural network[J]. Journal of Geomechanics,2020,26(4):575 − 582. (in Chinese with English abstract)
    [22] 樊晓一, 张睿骁, 胡晓波. 沟谷地形参数对滑坡运动距离的影响研究[J]. 地质力学学报,2020,26(1):106 − 114. [FAN Xiaoyi, ZHANG Ruixiao, HU Xiaobo. Study on the influence of valley topographic parameter on the moving distance of landslide[J]. Journal of Geomechanics,2020,26(1):106 − 114. (in Chinese with English abstract)
  • 期刊类型引用(3)

    1. 郭桢,毛无卫,黄雨,潘龙,牟旭,崔寅兵. 基于地脉动观测的花岗岩风化壳边坡结构探查与动力响应研究——以浙江丽水某滑坡为例. 中国地质灾害与防治学报. 2025(02): 54-62 . 本站查看
    2. 刘少泽,崔美娟,付晓祎,唐宗源. 顾及缓冲区范围与负样本优化的随机森林地质灾害易发性评价. 科学技术与工程. 2025(15): 6220-6229 . 百度学术
    3. 曾新雄,刘佳,赖波,赵风顺,江山. 广东珠海市降雨型崩塌滑坡预警阈值研究. 中国地质灾害与防治学报. 2024(05): 141-150 . 本站查看

    其他类型引用(0)

图(9)  /  表(3)
计量
  • 文章访问数:  314
  • HTML全文浏览量:  140
  • PDF下载量:  253
  • 被引次数: 3
出版历程
  • 收稿日期:  2020-12-11
  • 修回日期:  2021-06-02
  • 网络出版日期:  2021-08-17
  • 刊出日期:  2021-10-19

目录

/

返回文章
返回