An in-situ method for assessing soil aggregate stability in burned landscapes
-
摘要: 森林火灾后因火烧迹地土壤斥水性，导致坡面径流和土壤可蚀性增强，提高了火后泥石流易发性，而土壤团聚体稳定性是影响土壤入渗能力和侵蚀敏感性的关键指标。目前常用于火烧迹地土壤团聚体稳定性测定的水滴冲击测定方法（counting the number of water drop impacts，CND），不适用于原位测定且耗时较长（滴定一组团聚体需要数小时）。因此文章提出一种基于冲击振荡破坏效应的团聚体稳定性测定方法（shock and vibration damage method，SVD）。充分考虑容重、有机质含量和斥水性对土壤团聚体稳定性的影响，通过室内火烧模拟试验，制备了13种类型的土壤团聚体。采用自制的试验仪器进行SVD法正交试验测定土壤团聚体质量损失率，并与传统CND法测得的破坏团聚体的水滴数量进行对比。结果表明：SVD法的测定MT-6方案（冲击高度1 m、容器容水量40%、冲击5次、测定团聚体20颗）与CND法的测定结果具有很强的一致性（Kendall系数=0.797）和相关性(R2=0.634)，测定时间较短（测定一组团聚体约5 min），且测定结果区分度较好（约62%的团聚体MLR位于区分度良好的40%～60%区间），将其作为SVD法的最优测定方案。此外，SVD法试验装置结构简单、便携易拆卸，可用于原位快速且定量地区分火烧迹地不同火烈度下土壤团聚体稳定性水平，对火烧迹地土壤侵蚀、水土流失治理以及火后泥石流起动机理研究具有重要指导意义。Abstract: Due to soil repellency in burned areas, slope runoff and soil erodibility escalates following forest fires, increasing the vulnerability to post-fire debris flows. Soil aggregate stability is a critical determinant of soil infiltration capacity and erosion susceptibility. The prevalent method of assessing soil aggregate stability in burned areas, the counting the number of water drop impacts (CND) method, is time-intensive and impractical for in-situ measurements. In response, this study introduces a novel technique based on the shock and vibration damage (SVD) effect for evaluating soil aggregate stability in burned areas. Thirteen distinct soil aggregate types were meticulously prepared for indoor simulated fire testing, with due consideration to factors such as bulk weight, organic matter content, and water repellency, which influence stability of soil aggregates. Employing a custom-built test apparatus, the mass loss rate (MLR) of soil aggregates was determined through orthogonal experiments using the SVD method and compared against the standard CND technique's quantification of water droplet-induced aggregate destruction. The findings demonstrated that SVD method, employing Test Scheme 6 (testing 20 aggregates, 1-meter impact height, 40% water content, and five impacts), exhibits excellent agreement (Kendall coefficient = 0.797) and correlation (R2 = 0.634) with CND method outcomes. This testing scheme, characterized by rapid determination and effective discrimination, is identified as the optimal testing approach. The SVD testing apparatus is straightforward, portable, and easily disassembled, rendering it suitable for on-site use. It can be used to distinguish the stability level of soil aggregates swiftly and quantitatively under various fire intensities in burned areas in situ, which is an important guiding significance for the study of soil erosion, erosion control, and post-fire debris flow initiation mechanism in burned areas.
-
0. 引言
近年来，基于数据驱动的滑坡易发性评价已成为区域滑坡评价领域的热点和重点 [1]。各种常规统计模型和机器学习算法广泛应用于滑坡易发性评价，前者基于对数据样本的统计分析，后者则基于某种学习算法对训练样本进行建模。
常规统计模型对样本数量要求更高，而机器学习算法通常可根据相对更少的样本数据，利用模型的泛化能力进行区域预测，因而受到更为广泛的关注[2]。因此，在针对样本不足，区域面积较大的评价中，机器学习算法往往被视为更好的选择。常见的机器学习算法包括：神经网络[3]、模糊推理[4]、决策树[5]、支持向量机[6-7]、随机森林[8]、逻辑回归[9]等，不同算法有不同的建模过程与预测精度，在实际应用过程中，需要评价者选择合适的方法。各种算法均有优缺点，为弥补单一方法的不足，将多种方法融合用于滑坡易发性评价，越来越受到欢迎[10-13]。
机器学习算法在滑坡空间预测建模过程中通常需要非滑坡样本，在实际应用中，往往基于人为经验或随机方法进行选取[14]，难免造成部分位于高易发区的样本被列为非滑坡样本。为克服非滑坡样本选择的主观性，部分研究尝试利用聚类方法事先进行初步的易发性分区，再进行非滑坡样本的选取[15-17]。 黄发明等[18]研究表明，基于聚类方法的非滑坡样本选取方法对于样本优化具有一定价值，聚类方法本身的预测精度对非滑坡样本选取具有显著的控制作用。
现有研究表明，评价单元选取对滑坡易发性评价结果有重要影响[15]。在非滑坡样本选取过程中，已有研究多采用栅格单元进行前期的易发性评价。为此，为进一步探讨评价单元和非滑坡样本选取方法对滑坡敏感性评价的影响，以斜坡单元划分为基础，将栅格单元和斜坡单元有机融合，基于自组织特征映射网络（以下简称SOM）和随机森林模型，构建滑坡易发性评价模型，并通过应用实例开展相关对比分析研究，探讨评价方法的有效性。
1. 研究方法
1.1 SOM网络
自组织特征映射网络（SOM网络）属于无导师、自组织、自学习网络，可根据输入向量的分组进行学习和分类，降低了人工干预程度，运算过程可以自动调节[19]。典型的自组织特征映射网络结构由输入层和竞争层组成，输入层向量和竞争层神经元的距离由式(1)计算[20]：
(1) 式中：
X——输入向量；
在学习过程中，通过不断修正
1.2 随机森林模型
随机森林模型的实质是包含多个决策树的分类器，利用随机方法构建决策树，而决策树之间没有关联。随机森林通常采用Bootstrap法进行重采样，形成新的样本集后，利用样本集生成对应的决策树，然后针对测试样本，利用决策树得到每个决策树的分类结果，最后采用投票的方法进行分类。由于每个树的训练样本及节点分裂属性均为随机选取，在一定程度上避免了模型的过拟合[21]。 近年来，利用随机森林方法进行滑坡易发性评价逐渐受到重视[22]。
1.3 基于斜坡单元的SOM-随机森林模型
进行滑坡易发性评价，制图单元的选择至关重要[23]，目前应用最为广泛当属栅格单元和斜坡单元[24]，二者均有各自的优缺点。栅格单元对数据，特别是DEM数据的精度要求较高[25]，栅格单元数据在制图过程中，数据提取方便，评价结果相对更为精确，但栅格单元并不代表实际地形地貌，且空间分布零碎，存在与评价因子之间相关性较差的问题[26]。与此同时，斜坡单元的评价指标值一般通过计算单元内栅格值的平均值求取[27-28]。当评价区域面积较大，斜坡单元规模通常远大于实际滑坡规模，因此斜坡单元指标值不能很好的反映滑坡影响因子，从而造成较大误差。为弥补两种评价单元的不足，文中将栅格单元和斜坡单元进行整合，并以此为基础构建SOM-随机森林评价模型。
模型评价步骤（具体流程见图1）：（1）选取滑坡易发性评价指标，对研究区进行斜坡单元划分，提取单元各指标的滑坡频率；（2）利用SOM神经网络进行滑坡易发性分区，在易发性较低地区选取非滑坡训练样本；（3）利用随机森林分类算法对所有栅格单元进行二值分类（滑坡或非滑坡）；（4）统计斜坡单元内的滑坡预测比率，进行滑坡易发性制图。
2. 研究区概况及评价指标分析
2.1 研究区概况
大余县位于江西省赣州市西南部，总面积1367.63 km²，区内以丘陵地貌为主，属典型的丘陵盆地（图2）。地势西高东低，西部和北部中低山海拔在800 m以上，中部丘陵一般在500 m以下，东部盆地地势平坦，海拔低于200 m。区内年平均气温20.54℃，年均降雨量1454 mm，多雨季节集中在3−8月。大余盆地地质条件复杂，构造活动强烈，褶皱及裂隙发育，岩浆活动频繁，地层出露以寒武系浅变质岩及第四系冲、残、坡积层为主。区内人类活动频繁，路堑边坡开挖成为诱发滑坡的主要因素之一。综上，大余县降雨集中、地形地貌及地质条件复杂、人类活动频繁，为滑坡灾害频发提供了环境基础。因此，文章将该区域作为验证评价方法的典型地区。
2.2 数据来源及评价指标体系
主要数据来源包括：（1）GDEMV2 30m分辨率数字高程数据，用于提取坡度、坡向、水文等信息，来源于地理空间数据云（http://www.gscloud.cn/sources/accessdata）；（2）1∶20万区域地质图来源于全国地质资料馆（http://www.ngac.org.cn/Map），用于提取岩土分布类型；（3）Landsat8影像2景来源于地理空间数据云（http://www.gscloud.cn/sources/accessdata），用于提取植被指数、土地利用类型等信息；（4）历史滑坡数据，来源于中国地质环境监测院编制的中国典型县（市）地质灾害易发程度分区图集以及野外滑坡编录，用于滑坡解译及滑坡频率统计；（5）Google卫星地图，用于道路提取及水文校正。结合大余县滑坡发育特征，选择评价因子，并利用相关因子系数分析和平均影响值算法（Mean Impact Value, MIV）对SOM神经网络进行变量筛选，剔除部分次要因子，最终选取10个评价因子，分别为高程、植被归一化指数（NDVI）、土地利用类型、坡度、总曲率、岩土类型、道路密度、距道路的距离、距水系的距离、距断层的距离。未纳入评价指标体系的指标如坡向，根据对历史滑坡点的调查分析表明，研究区内滑坡以浅层滑坡为主，与坡向的关联度较低。基于MIV算法的变量筛选，优化了神经网络的网络结构，提高了模型的预测精度，剖面曲率和平面曲率被排除在评价指标体系之外。参与滑坡预测模型构建的评价指标及分类分级结果见表1。
表 1 评价指标体系Table 1. Evaluation index system滑坡影响因素 分类及分级 高程 （1）[130,200)；（2）[200,300）；（3）[300,400)；（4）[400,500)；（5）[500,600)；（6）[600,700)；（7）[700,800)；（8）[800,900)；（9）[900,1346)； 植被归一化指数 （1）[−1,0.2)；（2）[0.2,0.4）；（3）[0.4,0.6)；（4）[0.6,0.8)；（5）[0.8,1.0) 土地利用类型 （1）矿山工程用地；（2）乔木；（3）耕地和荒地；（4）城镇用地 坡度/(◦) （1）[0,10)；（2）[10,20）；（3）[20,30)；（4）[30,40)；（5）[40,54.6) 总曲率 （1）[−6.3,−0.82)；（2）[−0.82,−0.27）；（3）[−0.27,−0.18)；（4）[−0.18,0.88)；（5）[0.88,6.44) 岩土类型 （1）C:白云质灰岩类；（2）D:砂岩类；（3）Q:松散沉积物；（4）H:变余砂岩类；
（5)K:红色砂砾岩类；（6）R:岩浆岩类；（7）Z:板岩千枚岩道路密度/(km∙km-2) （1）[0,0.393)；（2）[0.393,0.786）；（3）[0.786,1.178)；（4）[1.178,1.571)；（5）[1.571,1.964) 距道路的距离/m （1）[0,50)；（2）[50,100）；（3）[100,150)；（4）[150,200)；（5）≥200 距水系的距离/m （1）[0,50)；（2）[50,100）；（3）[100,150)；（4）[150,200)；（5）≥200 距断层的距离/m （1）[0,200)；（2）[200,400）；（3）[400,600)；（4）[600,800)；（5）≥800 3. 滑坡易发性评价
3.1 栅格及斜坡单元的划分与评价指标制图
所有评价指标均基于ArcGIS软件进行处理及提取，制成专题图（图3），栅格单元大小设为30 m×30 m，研究区共划分为1487829个栅格。对于面积超过900 m2的滑坡，以滑坡周界代替栅格单元，参与指标值提取。斜坡单元采用DEM水文分析模型划分，流量阈值设为1000，斜坡单元平均面积约0.59 km2，利用Google卫星地图进行校正，经人工反复修编，共划分为2312个斜坡单元。
3.2 基于斜坡单元的滑坡易发性指数优化算法
现有历史滑坡数据是滑坡易发性评价最重要的参考信息，通过对该数据统计分析，可初步获得不同评价指标对滑坡发生的贡献率，其中相对滑坡频率被广泛应用于神经网络预测模型中[29]，基于栅格单元赋值，计算公式如下：
(2) 式中：
一般地，可将
由于模型输出值与各指标相对频率之和（Z）密切相关，通过神经网络模型，将输入向量和输出向量之间的线性关系演变为非线性关系，目的在于寻求各指标相对权重大小。然而，因样本数量限制，预测模型的泛化能力将受到明显影响，理论上样本数量越多，代表性越强，模型泛化能力越强。若将输出向量设为0和1，0代表非滑坡，1代表滑坡，则建模过程将得到较大简化，因模型泛化过程仅为二值分类，对模型精度的要求明显降低。因此，在样本数相同的情况下，基于相同的方法，二值分类的泛化能力将更高。
相对于单一滑坡而言，本次划分的斜坡单元面积偏大，以栅格平均值计算斜坡单元值，显然会造成较大误差。因此，为保证评价精度，提出以下斜坡单元易发性指数计算方法：
(3) 式中：
n ——被判为滑坡的栅格单元数；
N——斜坡单元总的栅格数。
最后将所有斜坡单元的
3.3 基于SOM的滑坡易发性分区与样本选取
利用机器学习算法进行滑坡易发性预测，需要获取与滑坡样本数量相等的非滑坡样本，非滑坡样本的选择要求避开滑坡点，为比较不同非滑坡样本选取方法对滑坡预测的影响，现分别采用SOM神经网络聚类和较为常见的随机选取方法获取非滑坡样本，其中随机选取方法不考虑非滑坡点所在区域的易发性程度。通过资料收集和野外调查，共获取137个滑坡点历史数据，因此需获取相同数量的非滑坡点数据。利用随机选取方法进行采样时，尽量保持与滑坡样本一定缓冲距离，并尽可能均匀布点。
首先利用SOM模型对研究区进行滑坡易发性初步分区，非滑坡点全部选择在易发性等级最低的地区。具体流程为：（1）首先利用SOM对研究区进行自组织、无导师分类，然后利用式（2）统计各分区的相对频率，按照相对频率高低分别划分为高易发区、较高易发区、中等易发区、较低易发区和低易发区5个区；（2）在低易发区均匀选取非滑坡样本。滑坡易发性分区及非滑坡点的选取结果如图4(a)所示。
3.4 滑坡易发性分区及结果分析
由137个滑坡样本和以上两种方法选取的137个非滑坡样本分别构成随机森林模型和SOM-随机森林模型的基础样本，其中100个作为训练样本，37个作为测试样本，采用TreeBagger随机森林分类器构建滑坡易发性预测模型。决策树数目均设为500，训练误差曲线见图5。测试样本的预测准确率分别达到94.59%（随机森林）和95.95%（SOM-随机森林）。将1487829个栅格单元各指标数据，分别输入训练好的随机森林和SOM-随机森林模型中，获取每一个栅格单元的滑坡预测结果。然后利用式（3）统计各斜坡单元的滑坡易发性指数，在ArcGIS软件中利用自然断点法进行滑坡易发性分级，得到易发性评价图4(b)、图4(c)。随机森林模型收敛速度较快，对大样本的运算也非常迅速，1487829个栅格单元的运算总用时仅为4 min左右。对比SOM、随机森林和SOM-随机森林3种评价模型的分区结果发现（表2），SOM模型与其余两种模型的评价结果相差较大，较高和高易发区的滑坡频率占比仅为68.87%，同时其低易发区的分布面积明显小于随机森林和SOM-随机森林模型的分区结果，且位于后两种方法的低易发区内。因此，单独SOM神经网络对于易发性分区而言，精度略显不足，但作为非滑坡样本的选择依据，完全能够满足选择需要。随机森林模型和SOM-随机森林模型分区结果中，较高和高易发区的滑坡频率占比分别为91.19% 和94.94%，表明二者均很好的评价了研究区的滑坡易发性。从分区面积及占比看，由图4统计，随机森林模型中，较高和高易发区的面积分别为152.83 km2和373.34 km2，占比分别为11.41%和27.88%；SOM-随机森林模型中分别为152.12 km2和380.21 km2，占比为11.36%和28.39%，其余三个等级的滑坡易发性分区面积也十分接近。
![]()
图 5 模型误差与决策树数量关系Figure 5. Relationship between model error and decision tree quantity表 2 不同滑坡易发性分区的滑坡频率Table 2. Landslide frequency in different landslide susceptibility zones序号 滑坡
易发性
等级SOM 随机森林 SOM-随机森林 分区面积/km2 滑坡频率
/（个·km−2）比例/% 分区面积/km2 滑坡频率
/（个·km-2）比例/% 分区面积/km2 滑坡频率
/（个·km−2）比例/% 1 低 372.45 0.0081 1 561.52 0 0 545.46 0.0000 0 2 较低 495.01 0.0626 7.76 113.70 0.0176 3.94 122.06 0.0082 1.84 3 中等 288.02 0.1805 22.37 137.65 0.0218 4.88 139.19 0.0144 3.22 4 较高 61.03 0.2785 34.5 152.83 0.0916 20.49 152.12 0.1183 26.53 5 高 122.53 0.2775 34.37 373.34 0.3161 70.70 380.21 0.3051 68.41 为检验以上评价模型对大余县滑坡易发性评价结果的准确性，选用成功率曲线对结果进行验证，线下面积大小反映了模型的预测准确性，越接近1准确性越高[30]。由图6可知，SOM、随机森林和SOM-随机森林三种模型的线下面积（AUC）分别为0.688、0.822和0.849。检验结果表明，单独的SOM进行滑坡易发性分区，准确率偏低，单独随机森林模型的预测率则低于SOM-随机森林模型约2.7%，表明基于SOM的非滑坡样本选择能够有效提高随机森林模型的预测精度。
4. 结论
以大余县为例，对比分析SOM神经网络和传统随机选取非滑坡样本方法，基于斜坡单元构建滑坡易发性评价模型，并得出以下结论：
（1）单独利用SOM神经网络进行滑坡易发性预测，预测精度有限，但分区结果作为非滑坡样本选择依据，能使样本选择更加合理。
（2）将栅格单元滑坡预测结果与斜坡单元相结合，提出了一种滑坡易发性指数计算方法，该方法简单易用，运算快速，同时避免了因栅格单元较小而引起评价结果空间分布零散的缺点，使斜坡单元评价结果的物理意义更加明确。
（3）对比分析随机森林模型和SOM-随机森林模型的评价结果，较高易发区和高易发区的滑坡频率占比分别为90.19%和94.94%，根据预测成功率曲线，AUC值分别达到0.822和0.849，表明SOM-随机森林模型的评价精度比随机森林模型有一定提高。
致谢：中国科学院计算机网络信息中心地理空间数据云提供的遥感和DEM数据。
-
![]()
图 3 SVD法与CND法测试结果
注：①（a）为强能组，对应方案MT-4、9、10、15、18、19、20、22、24；（b）为中能组，对应方案MT-1、6、12、13、21、23；（c）为低能组，对应方案MT-2、3、5、7、8、11、14、16、17、25。②高温亲水：ST-1～ST-3，轻度斥水：ST-7～ST-9，强烈斥水：ST-10～ST-11，严重斥水：ST-12，极端斥水：ST-13。③同一土壤层不同小写字母代表显著性差异（P < 0.05）；同一斥水性不同大写字母代表显著性差异（P < 0.05），相同字母表示差异不显著，误差条表示测量结果平均值的标准误差。
Figure 3. Test results of the SVD method and CND method
![]()
图 4 SVD法与CND法函数拟合关系（b、c、d）及SVD法测试结果区分度分析（a）
注：函数关系式中，y代表SVD法所测质量损失率，x代表CND法所测水滴数量。
Figure 4. Relationship between SVD method and CND method function fitting (b, c, d) and discriminative analysis of discriminative analysis of (a)
![]()
图 5 SVD法各试验参数均值主效应图
Figure 5. Main effects diagram of mean value of each test parameter for SVD method
表 1 供试土壤主要物理化学性质
Table 1 Key physical and chemical properties of the studied soils
指标 高温亲水组 天然对照组 轻度斥水组 强烈−极端斥水组 ST-1 ST-2 ST-3 ST-4 ST-5 ST-6 ST-7 ST-8 ST-9 ST-10 ST-11 ST-12 ST-13 温度/（°C） 600 600 600 常温 常温 常温 200 200 400 200 400 200 400 时间/min 120 120 120 \ \ \ 5 60 5 30 5 60 5 深度/cm 0～2 2～4 4～6 0～2 2～4 4～6 0～2 2～4 4～6 0～2 2～4 0～2 0～2 斥水性 亲水 亲水 亲水 强烈
斥水轻度
斥水亲水 轻度
斥水轻度
斥水轻度
斥水强烈
斥水强烈
斥水严重
斥水极端
斥水干容重/（g·cm−3） 0.95 1.04 1.16 0.95 1.04 1.16 0.95 1.04 1.16 0.95 1.04 0.95 0.95 初始有机质含量/% 14.0 9.48 6.93 14.0 9.48 6.93 14.0 9.48 6.93 14.0 9.48 14.0 14.0 注：亲水（WDPT≤5 s），轻度斥水（WDPT：5～60 s），强烈斥水（WDPT：60～600 s），严重斥水（WDPT：600～3600 s），极端斥水（WDPT：>3600 s）[23]，ST-1～13代表团聚体类型编号。 
下载: 导出CSV
表 2 团聚体稳定性测定正交试验设计表
Table 2 Table for orthogonal test design for determining aggregation stability
测定方法编号 A/% B/cm C/次 D/颗 测定方法编号 A/% B/cm C/次 D/颗 MT-01 40 80 10 10 MT-14 80 100 1 10 MT-02 100 50 3 10 MT-15 20 100 10 25 MT-03 80 50 5 15 MT-16 20 50 1 5 MT-04 20 80 15 15 MT-17 60 80 5 5 MT-05 60 50 10 20 MT-18 100 200 5 25 MT-06 40 100 5 20 MT-19 20 150 5 10 MT-07 80 80 3 25 MT-20 60 200 15 10 MT-08 100 80 1 20 MT-21 40 200 1 15 MT-09 100 150 10 15 MT-22 80 200 10 5 MT-10 80 150 15 20 MT-23 100 100 15 5 MT-11 60 150 1 25 MT-24 20 200 3 20 MT-12 40 150 3 5 MT-25 60 100 3 15 MT-13 40 50 15 25 注：影响因素A是容器容水量，B是冲击高度，C是冲击次数，D单次测试所需土壤团聚体颗数，MT-1～25代表SVD法试验方案。
下载: 导出CSV
表 3 SVD法各方案与CND法的一致性检验结果
Table 3 Consistency test results between various schemes of the SVD method and the CND method
方案 Kendall系数 P 方案 Kendall系数 P 方案 Kendall系数 P 方案 Kendall系数 P MT-1 0.827 0.071 MT-8 0.687 0.170 MT-15 0.791 0.089 MT-22 0.726 0.134 MT-2 0.299 0.845 MT-9 0.709 0.149 MT-16 0.918 0.037 MT-23 0.684 0.173 MT-3 0.495 0.456 MT-10 0.723 0.137 MT-17 0.581 0.304 MT-24 0.679 0.178 MT-4 0.654 0.206 MT-11 0.890 0.045 MT-18 0.874 0.051 MT-25 0.604 0.270 MT-5 0.761 0.108 MT-12 0.874 0.051 MT-19 0.659 0.199 MT-6、
MT-11、
MT-160.797 0.000 MT-6 0.904 0.041 MT-13 0.780 0.095 MT-20 0.815 0.076 MT-7 0.728 0.133 MT-14 0.659 0.199 MT-21 0.794 0.087 注：表中P为显著性，P值小于0.05，说明具有显著一致性；Kendall系数值代表一致性程度（较差：<0.2，一般：0.2～0.4，中等：0.4～0.6，较强：0.6～0.8，很强：0.8～1.0）[25]。
下载: 导出CSV
-
[1] 胡卸文,金涛,殷万清,等. 西昌市经久乡森林火灾火烧区特点及火后泥石流易发性评价[J]. 工程地质学报,2020,28(4):762 − 771. [HU Xiewen,JIN Tao,YIN Wanqing,et al. The characteristics of forest fire burned area and susceptibility assessment of post-fire debris flow in jingjiu township,xichang City[J]. Journal of Engineering Geology,2020,28(4):762 − 771. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2020-224 HU Xiewen, JIN Tao, YIN Wanqing, et al . The characteristics of forest fire burned area and susceptibility assessment of post-fire debris flow in jingjiu township, xichang City[J]. Journal of Engineering Geology,2020 ,28 （4 ）:762 −771 . （in Chinese with English abstract） DOI: 10.13544/j.cnki.jeg.2020-224[2] BADÍA-VILLAS D,GONZÁLEZ-PÉREZ J A,AZNAR J M,et al. Changes in water repellency,aggregation and organic matter of a mollic horizon burned in laboratory:Soil depth affected by fire[J]. Geoderma,2014,213:400 − 407. DOI: 10.1016/j.geoderma.2013.08.038
[3] VARELA M E,BENITO E,KEIZER J J. Effects of wildfire and laboratory heating on soil aggregate stability of pine forests in Galicia:The role of lithology,soil organic matter content and water repellency[J]. CATENA,2010,83(2/3):127 − 134.
[4] ZAVALA L M,GRANGED A J P,JORDÁN A,et al. Effect of burning temperature on water repellency and aggregate stability in forest soils under laboratory conditions[J]. Geoderma,2010,158(3/4):366 − 374.
[5] JORDÁN A,ZAVALA L M,MATAIX-SOLERA J,et al. Effect of fire severity on water repellency and aggregate stability on Mexican volcanic soils[J]. CATENA,2011,84(3):136 − 147. DOI: 10.1016/j.catena.2010.10.007
[6] WIETING C,EBEL B A,SINGHA K. Quantifying the effects of wildfire on changes in soil properties by surface burning of soils from the Boulder Creek Critical Zone Observatory[J]. Journal of Hydrology:Regional Studies,2017,13:43 − 57.
[7] JIMÉNEZ-PINILLA P,MATAIX-SOLERA J,ARCENEGUI V,et al. Advances in the knowledge of how heating can affect aggregate stability in Mediterranean soils:a XDR and SEM-EDX approach[J]. CATENA,2016,147:315 − 324. DOI: 10.1016/j.catena.2016.07.036
[8] 胡卸文,王严,杨瀛. 火后泥石流成灾特点及研究现状[J]. 工程地质学报,2018,26(6):1562 − 1573. [HU Xiewen,WANG Yan,YANG Ying. Research actuality and evolution mechanism of post-fire debris flow[J]. Journal of Engineering Geology,2018,26(6):1562 − 1573. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2018-073 HU Xiewen, WANG Yan, YANG Ying . Research actuality and evolution mechanism of post-fire debris flow[J]. Journal of Engineering Geology,2018 ,26 （6 ）:1562 −1573 . （in Chinese with English abstract） DOI: 10.13544/j.cnki.jeg.2018-073[9] 郭军玲,王虹艳,卢升高. 亚热带土壤团聚体测定方法的比较研究[J]. 土壤通报,2010,41(3):542 − 546. [GUO Junling,WANG Hongyan,LU Shenggao. Comparative studies on measurement methods for aggregate stability of subtropical soils[J]. Chinese Journal of Soil Science,2010,41(3):542 − 546. (in Chinese with English abstract) DOI: 10.19336/j.cnki.trtb.2010.03.007 GUO Junling, WANG Hongyan, LU Shenggao . Comparative studies on measurement methods for aggregate stability of subtropical soils[J]. Chinese Journal of Soil Science,2010 ,41 （3 ）:542 −546 . （in Chinese with English abstract） DOI: 10.19336/j.cnki.trtb.2010.03.007[10] SCHOMAKERS, J., et al . Measurement of soil aggregate stability using low intesity ultrasonic vibration[J]. Spanish Journal of Soil Science,2011 ,1 （1 ）:8 −19 .SCHOMAKERS, J., et al. Measurement of soil aggregate stability using low intesity ultrasonic vibration[J]. Spanish Journal of Soil Science,2011,1(1):8 − 19.
[11] AKSAKAL E L,ANGIN I,SARI S. A new approach for calculating aggregate stability:mean weight aggregate stability (MWAS)[J]. CATENA,2020,194:104708. DOI: 10.1016/j.catena.2020.104708
[12] AMÉZKETA E. Soil aggregate stability:a review[J]. Journal of Sustainable Agriculture,1999,14(2/3):83 − 151.
[13] 黄悦等,基于高能水分特性法的土壤团聚体结构稳定性研究进展[J]. 水土保持研究,2022 :1 − 8. [HUANG Yue,et al. Progress in Research on Structural Stability of Soil Aggregates Based on High Energy Moisture Characteristic Method[J]. Research of Soil and Water Conservation,2022 :1 − 8. (in Chinese with English abstract) HUANG Yue, et al. Progress in Research on Structural Stability of Soil Aggregates Based on High Energy Moisture Characteristic Method[J]. Research of Soil and Water Conservation, 2022 : 1 − 8. （in Chinese with English abstract）
[14] THOMAZ E L. Effects of fire on the aggregate stability of clayey soils:A meta-analysis[J]. Earth-Science Reviews,2021,221:103802. DOI: 10.1016/j.earscirev.2021.103802
[15] 成小彬. 水锤振荡器的关键技术研究与结构设计[D]. 北京:中国石油大学(北京),2017. [CHENG Xiaobin. Research on key technology of water hammer oscillator and its structural design[D]. Beijing:china university of petroleum (bei jing),2017. (in Chinese with English abstract) CHENG Xiaobin. Research on key technology of water hammer oscillator and its structural design[D]. Beijing: china university of petroleum （bei jing）, 2017. （in Chinese with English abstract）
[16] IMESON A C,VIS M. Assessing soil aggregate stability by water-drop impact and ultrasonic dispersion[J]. Geoderma,1984,34(3/4):185 − 200.
[17] MCCALLA T M. Water-drop method of determining stability of soil structure[J]. Soil Science,1944,58(2):117 − 122. DOI: 10.1097/00010694-194408000-00002
[18] ALMAJMAIE A,HARDIE M,ACUNA T,et al. Evaluation of methods for determining soil aggregate stability[J]. Soil and Tillage Research,2017,167:39 − 45. DOI: 10.1016/j.still.2016.11.003
[19] RAWLINS B G,TURNER G,WRAGG J,et al. An improved method for measurement of soil aggregate stability using laser granulometry applied at regional scale[J]. European Journal of Soil Science,2015,66(3):604 − 614. DOI: 10.1111/ejss.12250
[20] 张绍科,胡卸文,王严,等. 四川省冕宁县华岩子沟火后泥石流成灾机理[J]. 中国地质灾害与防治学报,2021,32(5):79 − 85. [ZHANG Shaoke,HU Xiewen,WANG Yan,et al. Disaster mechanism of post-fire debris flow in Huayanzi gully,Mianning County,Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2021,32(5):79 − 85. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-09 ZHANG Shaoke, HU Xiewen, WANG Yan, et al . Disaster mechanism of post-fire debris flow in Huayanzi gully, Mianning County, Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2021 ,32 （5 ）:79 −85 . （in Chinese with English abstract） DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-09[21] 胡彩莉,马玉贞,郭超,等. 烧失量法测定土壤有机质含量的实验条件探究[J]. 地球与环境,2016,44(1):110 − 118. [HU Caili,MA Yuzhen,GUO Chao,et al. Optimization of the experiment conditions for estimating organic matter content with loss-on-ignition method[J]. Earth and Environment,2016,44(1):110 − 118. (in Chinese with English abstract) DOI: 10.14050/j.cnki.1672-9250.2016.01.015 HU Caili, MA Yuzhen, GUO Chao, et al . Optimization of the experiment conditions for estimating organic matter content with loss-on-ignition method[J]. Earth and Environment,2016 ,44 （1 ）:110 −118 . （in Chinese with English abstract） DOI: 10.14050/j.cnki.1672-9250.2016.01.015[22] 孔凡伟. 如何精测土壤容重[J]. 黑龙江农业科学,2010,(10):178. [KONG Fanwei. How to accurately measure soil bulk density[J]. Heilongjiang Agricultural Sciences,2010,(10):178. (in Chinese) KONG Fanwei . How to accurately measure soil bulk density[J]. Heilongjiang Agricultural Sciences,2010 , （10 ）:178 . （in Chinese）[23] BISDOM E B A,DEKKER L W,TH SCHOUTE J F. Water repellency of sieve fractions from sandy soils and relationships with organic material and soil structure[J]. Geoderma,1993,56(1/2/3/4):105 − 118.
[24] 程佳会,范成伟,徐晓兵,等. 正交试验下黏土导热系数影响分析[J]. 江西建材,2022(3):34 − 36. [CHENG Jiahui,FAN Chengwei,XU Xiaobing,et al. Influence analysis of thermal conductivity of clay under orthogonal test[J]. Jiangxi Building Materials,2022(3):34 − 36. (in Chinese with English abstract) CHENG Jiahui, FAN Chengwei, XU Xiaobing, et al . Influence analysis of thermal conductivity of clay under orthogonal test[J]. Jiangxi Building Materials,2022 （3 ）:34 −36 . （in Chinese with English abstract）[25] 侯勋,方刚. 基于肯德尔系数的改进ID3算法[J]. 科学技术创新,2021,(22):21 − 22. [HOU Xun,FANG Gang. Improved ID3 algorithm based on Kendall coefficient[J]. Scientific and Technological Innovation,2021,(22):21 − 22. (in Chinese) HOU Xun, FANG Gang . Improved ID3 algorithm based on Kendall coefficient[J]. Scientific and Technological Innovation,2021 , （22 ）:21 −22 . （in Chinese）[26] LI Qiwen,AHN S,KIM T,et al. Post-fire impacts of vegetation burning on soil properties and water repellency in a pine forest,South Korea a[J]. Forests,2021,12(6):708,2021
[27] 李萌. 热声制冷机板叠内工质流动与换热规律研究[D]. 包头:内蒙古科技大学,2021. [LI Meng. Study on the flow and heat transfer laws of working medium in the stack of thermoacoustic refrigerator[D]. Baotou:Inner Mongolia University of Science & Technology,2021. (in Chinese with English abstract) LI Meng. Study on the flow and heat transfer laws of working medium in the stack of thermoacoustic refrigerator[D]. Baotou: Inner Mongolia University of Science & Technology, 2021. （in Chinese with English abstract）
-
期刊类型引用(10)
1. 杨佳艺，杨成生，魏云杰，朱赛楠，李祖锋. 基于时间序列InSAR技术的云南车邑坪滑坡活动监测及影响因素分析. 大地测量与地球动力学. 2025(01): 13-21 . 
百度学术
2. 王子倩，杨成生，侯祖行，张雪，丁慧兰. 辽河油田区InSAR形变监测与开采参数反演. 山东科技大学学报(自然科学版). 2025(01): 53-64 . 百度学术
3. 赵恒，董继红，王猛，黄细超，余天彬，刘文，张堃. InSAR技术用于黄河流域滑坡隐患识别和多维形变分析. 水利水电技术(中英文). 2025(S1): 689-698 . 百度学术
4. 张钟远，徐世光，邓明国，曾营，李超，晁江琴. 基于SBAS-InSAR技术的木场古滑坡变形特征分析. 科学技术与工程. 2023(04): 1414-1423 . 百度学术
5. 於心竹，朱煜峰，李敏. 基于SBAS-InSAR技术的温泉县滑坡形变监测分析. 江西科学. 2023(02): 272-278 . 百度学术
6. 郭一兵，翟向华，姜鑫，丁保艳，郭富赟，岳东霞. SBAS-InSAR技术在特大型滑坡变形监测中的应用. 地震工程学报. 2023(03): 642-650+672 . 百度学术
7. 于冰，胡云亮，刘国祥，罗小军，胡金龙. 时序InSAR反演唐山市二维地表形变时间序列. 测绘科学. 2023(06): 82-94+230 . 百度学术
8. 刘媛媛，陈人杰，陈能辉. 西藏色拉滑坡时序InSAR二维形变反演与预测. 北京理工大学学报. 2023(11): 1115-1124 . 百度学术
9. 张本浩，魏云杰，杨成生，熊国华，董继红. 西藏然乌地区地质灾害隐患点InSAR识别与监测. 中国地质灾害与防治学报. 2022(01): 18-26 . 本站查看
10. 杨成业，张涛，高贵，卜崇阳，吴华. SBAS-InSAR技术在西藏江达县金沙江流域典型巨型滑坡变形监测中的应用. 中国地质灾害与防治学报. 2022(03): 94-105 . 本站查看
其他类型引用(10)
计量
- 文章访问数: 157
- HTML全文浏览量: 17
- PDF下载量: 63
- 被引次数: 20
邮件订阅
RSS