Development characteristics and reactivation deformation mechanism of the Lumai landslide in Shannan City, Xizang
-
摘要:
青藏高原地质条件复杂，历史上形成了大量古滑坡，近年来在极端天气和人类工程活动影响下，古滑坡复活变形呈加剧趋势，潜在危害严重。文章以西藏山南鲁麦古滑坡作为研究对象，利用野外地质调查、无人机测绘、数值模拟等技术方法，在剖析其变形特征的基础上，分析了古滑坡复活的影响因素，探究了地表水入渗与堆载作用下古滑坡复活失稳机制。研究结果表明：鲁麦古滑坡体积为2.5×106～15.1×106 m3，前缘剪出口与坡脚的当许雄曲最大高差超过200 m，最深层的滑带位于基岩与堆积体间的接触面；受地表水入渗与堆载作用影响，古滑坡复活变形目前集中分布在堆积区前部，地表发育大量地表裂缝和下错陡坎；在地表水集中入渗影响下，滑坡前缘表层岩土体多次发生局部滑动；前缘堆载增加后，滑坡前部的形变整体增加，并呈高位剪出的趋势。研究成果对深化西藏山南地区古滑坡复活机理和支撑当地防灾减灾工作具有一定意义。
Abstract:The complex geological conditions of the Tibetan Plateau have historically fostered the development of numerous ancient landslides. In recent years, the reactivation of these landslides has exhibited a concerning escalation, driven by extreme weather events and human activities, thereby posing significant hazards. This study examines the Lumai ancient landslide in Shannan City, Xizang, employing a combination of field geological investigation, drone mapping, numerical simulation, and other technical methodologies. The research focuses on analysing the reactivation characteristics and influencing factors, specifically investigating the reactivation mechanism of the ancient landslide under the effects of surface water infiltration and loading. The results indicate that the Lumai ancient landslide has a volume of 2.5×106 to 15.1×106 m3. The maximum height difference between the landslide’s leading edge shear outlet and the Dangxuxiongqu River at the slope foot exceeds 200 meters, with the deepest sliding zone located at the interface between bedrock and loose deposits. Deformation is primarily concentrated in the front part of the landslide’s accumulation zone, characterized by numerous cracks and steep scarps. The reactivation is significantly influenced by surface water infiltration and overloading. Under concentrated water infiltration, localized sliding frequently occurs at the landslide front. Additionally, increased loading at the front leads to overall deformation and a tendency toward high-position shear failure. These findings enhance the understanding of reactivation mechanisms for ancient landslides in the Shannan City, Xizang, and provide valuable insights for local disaster prevention and mitigation efforts.
-
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 1 西藏山南措美县鲁麦古滑坡地质背景图
1—下白垩统拉康组一段；2—下白垩统拉康组二段；3—下侏罗统日当组；4—侏罗系中~下统陆热组；5—中侏罗统遮拉组；6—灰岩脉体；7—辉绿玢岩脉；8—二云母二长花岗岩；9—鲁麦古滑坡；10—河流；11—滑坡边界；12—岩层产状；13—平移断层；14—正断层；15—逆断层
Figure 1. Geological background map of the Lumai ancient landslide in Cuomei County, Shannan City, Xizang
![]()
图 3 西藏山南措美县鲁麦古滑坡工程地质剖面（A—A’）
1—泥岩；2—粉质黏土夹碎石；3—砂岩；4—第四系松散滑坡堆积层；5—下白垩统拉康组下段层；6—滑带；7—推测原始地形线；8—前缘堆载区；9—钻孔
Figure 3. Engineering geological profile (A-A’) of the Lumai ancient landslide in Cuomei County, Shannan City, Xizang
![]()
图 2 西藏山南措美县鲁麦古滑坡遥感影像图
Figure 2. Remote sensing image of the Lumai ancient landslide in Cuomei County, Shannan City, Xizang
![]()
图 4 西藏山南措美县鲁麦古滑坡复活变形特征
Figure 4. Reactivation and deformation characteristics of the Lumai ancient landslide in Cuomei County, Shannan City, Xizang
![]()
图 5 西藏山南措美县鲁麦古滑坡多期影像特征
Figure 5. Multi-stage image characteristics of the Lumai ancient landslide in Cuomei County, Shannan City, Xizang
![]()
图 6 西藏山南措美县鲁麦古滑坡数值计算模型
Figure 6. Numerical Calculation model of the Luma ancient landslide in Cuomei County, Shannan City,Xizang
![]()
图 7 不同工况下鲁麦古滑坡水平位移云图
Figure 7. Horizontal displacement contour map of the Lumai ancient landslide under different conditions
![]()
图 8 不同工况下鲁麦古滑坡剪应变增量云图
Figure 8. Shear strain increment contour map of the Lumai ancient landslide under different conditions
表 1 鲁麦古滑坡数值模拟参数取值
Table 1 Numerical simulation parameter values for the Lumai ancient landslide
岩性 体积模量
/MPa剪切模量
/MPa天然工况 地表水入渗工况 内聚力
/kPa内摩擦角
/（°）内聚力
/kPa内摩擦角
/（°）泥岩 5.4 3.8 50.0 32.0 40.0 25.6 粉质黏土
夹碎石4.2 2.1 12.0 15.0 9.6 12 
下载: 导出CSV
-
[1] 彭建兵,马润勇,卢全中,等. 青藏高原隆升的地质灾害效应[J]. 地球科学进展,2004,19(3):457 − 466. [PENG Jianbing,MA Runyong,LU Quanzhong,et al. Geological hazards effects of uplift of Qinghai-Tibet Plateau[J]. Advances in Earth Science,2004,19(3):457 − 466. (in Chinese with English abstract)] DOI: 10.3321/j.issn:1001-8166.2004.03.018 PENG Jianbing, MA Runyong, LU Quanzhong, et al. Geological hazards effects of uplift of Qinghai-Tibet Plateau［J］. Advances in Earth Science, 2004, 19（3）: 457 − 466. （in Chinese with English abstract） DOI: 10.3321/j.issn:1001-8166.2004.03.018
[2] 张永双,刘筱怡,吴瑞安,等. 青藏高原东缘深切河谷区古滑坡:判识、特征、时代与演化[J]. 地学前缘,2021,28(2):94 − 105. [ZHANG Yongshuang,LIU Xiaoyi,WU Ruian,et al. Cognization,characteristics,age and evolution of the ancient landslides along the deep-cut valleys on the eastern Tibetan Plateau,China[J]. Earth Science Frontiers,2021,28(2):94 − 105. (in Chinese with English abstract)] ZHANG Yongshuang, LIU Xiaoyi, WU Ruian, et al. Cognization, characteristics, age and evolution of the ancient landslides along the deep-cut valleys on the eastern Tibetan Plateau, China［J］. Earth Science Frontiers, 2021, 28（2）: 94 − 105. （in Chinese with English abstract）
[3] 张永双,吴瑞安,郭长宝,等. 古滑坡复活问题研究进展与展望[J]. 地球科学进展,2018,33(7):728 − 740. [ZHANG Yongshuang,WU Ruian,GUO Changbao,et al. Research progress and prospect on reactivation of ancient landslides[J]. Advances in Earth Science,2018,33(7):728 − 740. (in Chinese with English abstract)] DOI: 10.11867/j.issn.1001-8166.2018.07.0728 ZHANG Yongshuang, WU Ruian, GUO Changbao, et al. Research progress and prospect on reactivation of ancient landslides［J］. Advances in Earth Science, 2018, 33（7）: 728 − 740. （in Chinese with English abstract） DOI: 10.11867/j.issn.1001-8166.2018.07.0728
[4] 王占巍,赵发睿,谢文苹,等. 青海省高家湾滑坡的形成条件分析及稳定性评价[J]. 水土保持通报,2020,40(3):81 − 87. [WANG Zhanwei,ZHAO Farui,XIE Wenping,et al. Formation condition analysis and stability evaluation of Gaojiawan landslide in Qinghai Province[J]. Bulletin of Soil and Water Conservation,2020,40(3):81 − 87. (in Chinese with English abstract)] WANG Zhanwei, ZHAO Farui, XIE Wenping, et al. Formation condition analysis and stability evaluation of Gaojiawan landslide in Qinghai Province［J］. Bulletin of Soil and Water Conservation, 2020, 40（3）: 81 − 87. （in Chinese with English abstract）
[5] 刘涛,张明,王立朝,等. 江顶崖古滑坡形成演化机理与堆积体稳定性评价[J]. 地质科技通报,2024,43(3):272 − 284. [LIU Tao,ZHANG Ming,WANG Lichao,et al. Formation and evolution mechanism of Jiangdingya ancient landslide and stability evaluation of accumulation body [J]. Bulletin of Geological Science and Technology,2024,43(3):272 − 284. (in Chinese with English abstract)] LIU Tao, ZHANG Ming, WANG Lichao, et al. Formation and evolution mechanism of Jiangdingya ancient landslide and stability evaluation of accumulation body ［J］. Bulletin of Geological Science and Technology, 2024, 43（3）: 272 − 284. （in Chinese with English abstract）
[6] 郭长宝,张永双,刘定涛,等. 基于离心机模型试验的甘肃江顶崖古滑坡复活机理研究[J]. 工程地质学报,2022,30(1):164 − 176. [GUO Changbao,ZHANG Yongshuang,LIU Dingtao,et al. Centrifuge model test of reactivation mechanism of Jiangdingya ancient landslide in Gansu Province[J]. Journal of Engineering Geology,2022,30(1):164 − 176. (in Chinese with English abstract)] GUO Changbao, ZHANG Yongshuang, LIU Dingtao, et al. Centrifuge model test of reactivation mechanism of Jiangdingya ancient landslide in Gansu Province［J］. Journal of Engineering Geology, 2022, 30（1）: 164 − 176. （in Chinese with English abstract）
[7] VASSILEVA M,MOTAGH M,ROESSNER S,et al. Reactivation of an old landslide in north–central Iran following reservoir impoundment:Results from multisensor satellite time-series analysis[J]. Engineering Geology,2023,327:107337. DOI: 10.1016/j.enggeo.2023.107337
[8] 黄润秋. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报,2007,26(3):433 − 454. [HUANG Runqiu. Large-scale landslides and their sliding mechanisms in China since the 20th Century[J]. Chinese Journal of Rock Mechanics and Engineering,2007,26(3):433 − 454. (in Chinese with English abstract)] DOI: 10.3321/j.issn:1000-6915.2007.03.001 HUANG Runqiu. Large-scale landslides and their sliding mechanisms in China since the 20th Century［J］. Chinese Journal of Rock Mechanics and Engineering, 2007, 26（3）: 433 − 454. （in Chinese with English abstract） DOI: 10.3321/j.issn:1000-6915.2007.03.001
[9] IVERSON R M,GEORGE D L,ALLSTADT K,et al. Landslide mobility and hazards:Implications of the 2014 Oso disaster[J]. Earth and Planetary Science Letters,2015,412:197 − 208. DOI: 10.1016/j.jpgl.2014.12.020
[10] 张永双,郭长宝,周能娟. 金沙江支流冲江河巨型滑坡及其局部复活机理研究[J]. 岩土工程学报,2013,35(3):445 − 453. [ZHANG Yongshuang,GUO Changbao,ZHOU Nengjuan. Characteristics of Chongjianghe landslide at a branch of Jinsha River and its local reactivation mechanism[J]. Chinese Journal of Geotechnical Engineering,2013,35(3):445 − 453. (in Chinese with English abstract)] ZHANG Yongshuang, GUO Changbao, ZHOU Nengjuan. Characteristics of Chongjianghe landslide at a branch of Jinsha River and its local reactivation mechanism［J］. Chinese Journal of Geotechnical Engineering, 2013, 35（3）: 445 − 453. （in Chinese with English abstract）
[11] ZHANG Chenyang,YIN Yueping,DAI Zhenwei,et al. Reactivation mechanism of a large-scale ancient landslide[J]. Landslides,2021,18(1):397 − 407. DOI: 10.1007/s10346-020-01538-9
[12] ZHANG Yongshuang,REN Sanshao,LIU Xiaoyi,et al. Reactivation mechanism of old landslide triggered by coupling of fault creep and water infiltration:A case study from the East Tibetan Plateau[J]. Bulletin of Engineering Geology and the Environment,2023,82(8):291. DOI: 10.1007/s10064-023-03290-5
[13] TU Guoxiang,HUANG Da,DENG Hui. Reactivation of a huge ancient landslide by surface water infiltration[J]. Journal of Mountain Science,2019,16(4):806 − 820. DOI: 10.1007/s11629-018-5315-5
[14] 吴瑞安,张永双,郭长宝,等. 川西松潘上窑沟古滑坡复活特征及危险性预测研究[J]. 岩土工程学报,2018,40(9):1659 − 1667. [WU Ruian,ZHANG Yongshuang,GUO Changbao,et al. Reactivation characteristics and hazard prediction of Shangyaogou ancient landslide in Songpan County of Sichuan Province[J]. Chinese Journal of Geotechnical Engineering,2018,40(9):1659 − 1667. (in Chinese with English abstract)] DOI: 10.11779/CJGE201809012 WU Ruian, ZHANG Yongshuang, GUO Changbao, et al. Reactivation characteristics and hazard prediction of Shangyaogou ancient landslide in Songpan County of Sichuan Province［J］. Chinese Journal of Geotechnical Engineering, 2018, 40（9）: 1659 − 1667. （in Chinese with English abstract） DOI: 10.11779/CJGE201809012
[15] 李军霞. 西藏隆子县滑坡灾害形成机理及非线性预测研究[D]. 长春:吉林大学,2011. [LI Junxia. Study on formation mechanism and nonlinear prediction of landslide disaster in Longzi County,Tibet[D]. Changchun:Jilin University,2011. (in Chinese with English abstract)] LI Junxia. Study on formation mechanism and nonlinear prediction of landslide disaster in Longzi County, Tibet［D］. Changchun: Jilin University, 2011. （in Chinese with English abstract）
[16] 詹美强,葛永刚,贾利蓉,等. 藏东德弄弄巴古滑坡堆积体物理力学特征及稳定性分析[J]. 现代地质,2019,33(5):1118 − 1127. [ZHAN Meiqiang,GE Yonggang,JIA Lirong,et al. Study on physical and mechanical characteristics and stability analysis of ancient landslide deposit in east Tibet[J]. Geoscience,2019,33(5):1118 − 1127. (in Chinese with English abstract)] ZHAN Meiqiang, GE Yonggang, JIA Lirong, et al. Study on physical and mechanical characteristics and stability analysis of ancient landslide deposit in east Tibet［J］. Geoscience, 2019, 33（5）: 1118 − 1127. （in Chinese with English abstract）
[17] 边巴仁青,陈黎,周维德. 西藏措美县拉琼金锑矿成矿地质特征及找矿远景分析[J]. 西部资源,2019(6):36 − 37. [BIANBA Renqing,CEHN Li,ZHOU Weide. Analyses of metallogenic geological features and prospecting of gold and antimony ore in Lachung,Tsome County,Tibet[J]. Western Resources,2019(6):36 − 37. (in Chinese)] DOI: 10.3969/j.issn.1672-562X.2019.06.015 BIANBA Renqing, CEHN Li, ZHOU Weide. Analyses of metallogenic geological features and prospecting of gold and antimony ore in Lachung, Tsome County, Tibet［J］. Western Resources, 2019（6）: 36 − 37. （in Chinese） DOI: 10.3969/j.issn.1672-562X.2019.06.015
[18] 徐玢. 西藏夏瓦地区中生代地层特征及沉积演化研究[D]. 昆明:云南大学,2019. [XU Fen. Study on mesozoic stratigraphic characteristics and sedimentary evolution in Xiawa area,Tibet[D]. Kunming:Yunnan University,2019. (in Chinese with English abstract)] XU Fen. Study on mesozoic stratigraphic characteristics and sedimentary evolution in Xiawa area, Tibet［D］. Kunming: Yunnan University, 2019. （in Chinese with English abstract）
[19] 国家质量监督检验检疫总局,中国国家标准化管理委员会. 中国地震动参数区划图:GB 18306—2015[S]. 北京:中国标准出版社,2016. [General Administration of Quality Supervision,Inspection and Quarantine of the People’s Republic of China,Standardization Administration of the People’s Republic of China. Seismic ground motion parameters zonation map of China:GB 18306—2015[S]. Beijing:Standards Press of China,2016. (in Chinese)] General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of the People’s Republic of China. Seismic ground motion parameters zonation map of China: GB 18306—2015［S］. Beijing: Standards Press of China, 2016. （in Chinese）
[20] 姚晓峦. 基于GIS的藏南江孜-隆子地区扎西康式锑矿成矿预测[D]. 北京:中国地质大学(北京),2012. [YAO Xiaoluan. GIS-based metallogenic prediction of Zhaxikang antimony deposit in Gyangze-Longzi area,southern Tibet[D]. Beijing:China University of Geosciences,2012. (in Chinese with English abstract)] YAO Xiaoluan. GIS-based metallogenic prediction of Zhaxikang antimony deposit in Gyangze-Longzi area, southern Tibet［D］. Beijing: China University of Geosciences, 2012. （in Chinese with English abstract）
[21] 王伟,王卫,戴雄辉. 四川美姑拉马阿觉滑坡复活特征与影响因素分析[J]. 中国地质灾害与防治学报,2022,33(4):9 − 17. [WANG Wei,WANG Wei,DAI Xionghui. Analysis of reactivated characteristics and influencing factors of the Lamajue landslide in Meigu County of Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):9 − 17. (in Chinese with English abstract)] WANG Wei, WANG Wei, DAI Xionghui. Analysis of reactivated characteristics and influencing factors of the Lamajue landslide in Meigu County of Sichuan Province［J］. The Chinese Journal of Geological Hazard and Control, 2022, 33（4）: 9 − 17. （in Chinese with English abstract）
[22] 陈云生,刘光彬,张一铭,等. 阳鹿高速公路K52新滑坡变形特征与成因机理分析[J]. 中国地质灾害与防治学报,2022,33(1):83 − 91. [CHEN Yunsheng,LIU Guangbin,ZHANG Yiming,et al. Deformation characteristics and genetic mechanism of a new landslide at K52 of Luyang freeway[J]. The Chinese Journal of Geological Hazard and Control,2022,33(1):83 − 91. (in Chinese with English abstract)] CHEN Yunsheng, LIU Guangbin, ZHANG Yiming, et al. Deformation characteristics and genetic mechanism of a new landslide at K52 of Luyang freeway［J］. The Chinese Journal of Geological Hazard and Control, 2022, 33（1）: 83 − 91. （in Chinese with English abstract）
[23] 王斌,李洁涛,王佳俊,等. 强降雨诱发堆积体滑坡模型试验研究[J]. 岩土力学,2023,44(增刊1):234 − 248. [WANG Bin,LI Jietao,WANG Jiajun,et al. Model tests on accumulation landslides induced by extreme rainfall[J]. Rock and Soil Mechanics,2023,44(Sup 1):234 − 248. (in Chinese with English abstract)] WANG Bin, LI Jietao, WANG Jiajun, et al. Model tests on accumulation landslides induced by extreme rainfall［J］. Rock and Soil Mechanics, 2023, 44（Sup 1）: 234 − 248. （in Chinese with English abstract）
[24] ROSONE M,ZICCARELLI M,FERRARI A,et al. On the reactivation of a large landslide induced by rainfall in highly fissured clays[J]. Engineering Geology,2018,235:20 − 38. DOI: 10.1016/j.enggeo.2018.01.016
[25] 赵建军,解明礼,余建乐,等. 工程荷载诱发填方边坡变形破坏机制试验研究[J]. 工程地质学报,2019,27(2):426 − 436. [ZHAO Jianjun,XIE Mingli,YU Jianle,et al. Experimental study on deformation and failure mecha-nism of fill embankment slope due to engineering load[J]. Journal of Engineering Geology,2019,27(2):426 − 436. (in Chinese with English abstract)] ZHAO Jianjun, XIE Mingli, YU Jianle, et al. Experimental study on deformation and failure mecha-nism of fill embankment slope due to engineering load［J］. Journal of Engineering Geology, 2019, 27（2）: 426 − 436. （in Chinese with English abstract）
[26] 牟海峰. 基于工程堆载作用的山区堆积体斜坡滑坡机制及处治技术[D]. 重庆:重庆交通大学,2023. [MOU Haifeng. Mechanism and treatment technology of landslide in mountainous accumulation slope based on engineering surcharge[D]. Chongqing:Chongqing Jiaotong University,2023. (in Chinese with English abstract)] MOU Haifeng. Mechanism and treatment technology of landslide in mountainous accumulation slope based on engineering surcharge［D］. Chongqing: Chongqing Jiaotong University, 2023. （in Chinese with English abstract）
[27] 贺可强,阳吉宝,王思敬. 堆积层滑坡位移动力学理论及其应用:三峡库区典型堆积层滑坡例析[M]. 北京:科学出版社,2007. [HE Keqiang,YANG Jibao,WANG Sijing. Displacement dynamics theory on debris landslides & its application[M]. Beijing:Science Press,2007. (in Chinese)] HE Keqiang, YANG Jibao, WANG Sijing. Displacement dynamics theory on debris landslides & its application［M］. Beijing: Science Press, 2007. （in Chinese）
[28] WANG Qing,YAO Lei hua,ZHANG Ning. Application study on the stability of Xiufengsi landslide by using limit equilibrium method and finite element method[J]. Advanced Materials Research,2013,671/672/673/674:180 − 185.
[29] LI Xiao,LIAO Qinlin,HE Jianming. In situ tests and a stochastic structural model of rock and soil aggregate in the Three Gorges Reservoir area,China[J]. International Journal of Rock Mechanics and Mining Sciences,2004,41(3):494. DOI: 10.1016/j.ijrmms.2003.12.030
[30] 张强,郑艳妮,贾朝军,等. 复杂水库调度及降雨条件下堆积体滑坡离心试验研究[J]. 岩石力学与工程学报,2023,42(10):2427 − 2440. [ZHANG Qiang,ZHENG Yanni,JIA Chaojun,et al. Centrifugal experimental study on accumulation body landslides under complex reservoir operation and rainfall conditions[J]. Chinese Journal of Rock Mechanics and Engineering,2023,42(10):2427 − 2440. (in Chinese with English abstract)] ZHANG Qiang, ZHENG Yanni, JIA Chaojun, et al. Centrifugal experimental study on accumulation body landslides under complex reservoir operation and rainfall conditions［J］. Chinese Journal of Rock Mechanics and Engineering, 2023, 42（10）: 2427 − 2440. （in Chinese with English abstract）
[31] CHEN Dongqi. Research on the relationship between landslide of farming terraces and the intensity of rainfall and slope angle based on the indoor rainfall slide slope model[J]. International Journal Bioautomation,2016,20(1):135 − 142.
-
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: 239
- HTML全文浏览量: 21
- PDF下载量: 80
- 被引次数: 20
邮件订阅
RSS