Risk assessment of rainfall-induced landslides based on SHALSTAB-SVM model: A case study of Daguan County, Yunnan Province
-
摘要:
我国是降雨型滑坡地质灾害频发国家之一，频繁发生的滑坡灾害对社会经济发展和人民生活质量造成不同程度的影响。针对我国长期面临的降雨型滑坡灾害威胁，本研究提出采用SHALSTAB和SVM模型相结合的方法，充分利用了SHALSTAB模型对降雨入渗影响边坡稳定性评价的优势和SVM模型对非线性数据的处理能力，开发形成SHALSTAB-SVM模型。本次研究选择云南省大关县作为研究区域，深入探究降雨型滑坡的危险性评估。研究结果表明，该模型的评估精度，由单一SHALSTAB模型的82.7%提高至SHALSTAB-SVM模型的94.5%，精度提升达到14.268%。这一显著提升彰显了融合模型在准确分析降雨型滑坡危险性预测方面具备更高的准确性。同时，卫星影像解译情况表明预测结果与实际滑坡情况相符，进一步验证了该模型在实际应用中展现出了高度的准确性。该研究不仅在大关县滑坡灾害风险评估方面具有重要意义，同时也为类似地区或其他类型地质灾害的预测和评估提供了宝贵的参考。
-
关键词:
- 降雨型滑坡 /
- 滑坡危险性评价 /
- SHALSTAB模型 /
- SVM模型 /
- 融合模型
Abstract:China is one of the countries with frequent rainfall-induced landslide geological disasters. Frequent landslide disasters affect economic development and quality of people's life to some degree. To address this issue, this study proposes a method combining the SHALSTAB model and SVM model, which integrates the advantage of the SHALSTAB model in evaluating the stability of rainfall infiltration on slopes with the advantage of the SVM model in processing nonlinear data. In this study, Daguan County in Yunnan Province has been selected as the research focus to further explore the risk assessment of rainfall-induced landslides. The results show that the evaluation accuracy of the model improves from 82.7% for the single-SHALSTAB model to 94.5% for the SHALSTAB-SVM model, and the accuracy improves by 14.268%. This significant improvement highlights the higher accuracy of the fusion model in accurately analyzing the risk prediction of rainfall-induced landslides. Meanwhile, the satellite image interpretation confirms that the prediction results are consistent with actual landslide conditions, verifying the model's better accuracy in practical applications. This study is not only of great significance for the risk assessment of landslide disasters in Daguan County, but also provides a valuable reference for the prediction and assessment of similar areas or other types of geological disasters.
-
Keywords:
- rainfall landslide /
- landslide risk assessment /
- SHALSTAB model /
- SVM model /
- fusion model
-
0. 引言
我国地域广阔，作为世界上国土面积第三大的国家，同时也是最大的发展中国家，面临着巨大的资源和环境压力。我国是全球受降雨型滑坡地质灾害袭扰频繁的国家之一，频发的滑坡灾害在不同程度上直接或间接影响了我国的社会经济发展和人民生活质量，成为危害国家安全与社会稳定的重大问题（刘传正和陈春利，2020）。开展降雨型滑坡地质灾害危险性评价对于我国的防灾减灾十分重要（Zeng et al., 2023a）。
当前，国内外对降雨型滑坡危险性评价主要归纳为两种方法：数据驱动模型及物理分析模型。其中数据驱动模型有：层次分析法（姜亚东等, 2022；张景华等，2024）、主成分分析法（季建万等，2023）及信息量模型（刘任鸿等，2021；曾营等，2023）等。近年来，随着计算机技术的进步，又涌现出许多机器算法模型，诸如支持向量机（SVM）（Zeng et al., 2023b）、逻辑回归模型（LR）（穆柯等，2022；张晓博等，2023）及随机森林（RF）（贺攀，2023）等，当前应用较为广泛，在实际应用中也取得了斐然的效果。然而，这些方法高度依赖于精确且全面的历史滑坡数据，这在实际应用中可能构成较大障碍。降雨型滑坡危险性评价的物理分析模型主要有以SHALSTAB为代表的稳态模型（陈悦丽等，2015；Vieira et al., 2018）和以TRIGRS为代表的瞬态模型（Ciurleo et al., 2019；王杰，2023）。稳态模型聚焦滑坡系统长期平衡状态，假定滑坡会在特定条件下达到稳定状态，模型整合土壤特性、地形、降雨等要素，通过计算安全系数评估滑坡稳定性。相比之下，瞬态模型聚焦滑坡系统对短期动态刺激（如降雨、地下水波动）的响应，能模拟滑坡在特定时段内的变形与失稳进程，对预测灾害事件的时间点和规模至关重要。总体而言，此类模型从模拟滑坡发生的物理机制出发，一般以地质及水文特征为输入参数，将降雨量作为驱动因子，能较好地模拟坡体的动力变化，更加还原降雨场景下的坡体稳定状态，是目前降雨型滑坡灾害的重点研究方向。但该类物理分析模型受制于大区域地质和水文参数，现实中这些参数难以获取准确的参数值，这是该类模型的一大弊端。参数的不确定性导致该类方法的评价精度较低，限制了其在实际应用中的有效性。
针对该问题，本文以云南省大关县为具体研究案例。鉴于SHALSTAB稳态模型在揭示滑坡系统长期稳定态势方面的显著优势，更适于区域滑坡风险评价。加之本研究数据获取与计算资源局限，使得SHALSTAB模型凭借其高效的数据处理能力和适应性更能够灵活应对复杂降雨条件和工程需求。因此，选择SHALSTAB稳态模型进行降雨型滑坡危险性评价，同时尝试将SHALSTAB模型和SVM（丁茜等，2022）融合后构建SHALSTAB-SVM模型。基于SHALSTAB模型对SVM模型的数据采样进行优化，旨在通过物理分析模型提高数据驱动模型的训练样本精度，并通过数据驱动模型改进物理分析模型的评价精度。这种相互验证和修正的方法提高了降雨型滑坡危险性评价的准确性和可靠性。研究成果可为该区域的灾害防治与风险管理提供科学的指导建议和理论支撑，也可为未来降雨型滑坡危险性评价方法提供借鉴。
1. 方法及原理
1.1 SHALSTAB模型
SHALSTAB模型是由美国伯克利大学Dietrich和华盛顿大学的Montgomery在1995年提出并完善的。该模型是一种以广义摩尔–库伦破坏准则为基本原理，考量降雨入渗动态过程并结合了无限边坡模型和稳态水文模型–TOPMODEL模型（Beven and Kirkby, 1979）的浅层滑坡稳定性模型。主要针对长度大于厚度的浅层滑坡进行预测，其通过计算边坡安全系数对坡体的稳定状态进行判断。其基本公式如下所示：
$$ {Fs}=\frac{c+\left(\gamma \cdot z-{\gamma }_{w} \cdot h\right) \cdot g \cdot {\mathrm{cos}}^{2}\theta \cdot \mathrm{tan}\varphi }{\gamma \cdot z \cdot g\cdot\mathrm{sin}\theta \cdot \mathrm{cos}\theta } $$ (1) 式中：
$ c $ 为土层凝聚力（kPa）；$ \gamma $ 为土层重度（kN/m3）；$ z $ 为土层厚度（m）；$ \varphi $ 为土层的内摩擦角（°）；$ \theta $ 为坡体坡度（°）；$ {\gamma _w} $ 为水容重（kN/m3）；$ h $ 为滑动面以上地下水竖直高度（m）。如图1所示，该模型基于无限边坡模型，假设地表、地下水位、滑坡面三者是平行的，降雨入渗导致的地下水位
$ h $ 计算公式如下：$$ h=\frac{q \cdot a}{{Ks} \cdot b \cdot \mathrm{cos}\theta \cdot \mathrm{sin}\theta } $$ (2) 式中
$ q $ 为降雨量（mm/d）；$ a $ 为汇水面积（m2）；$ K{{s}} $ 为渗透系数（m/d）；$ b $ 为排水宽度（m）。1.2 SVM模型
支持向量机（support vector machine, SVM）将统计学习理论作为基础（San and Taner, 2014），模型是一种二分类模型，它的基本模型是在特征空间上找到最佳的分离超平面，使得训练集上正负样本间隔最大。适用于线性可分、近似线性可分和非线性可分的情况。它通过使用核函数将输入空间映射到高维特征空间，使得数据在高维空间中更容易划分。SVM具有稀疏支持向量和鲁棒性强的优点，同时可以扩展到多分类问题。SVM在解决非线性问题和高维模式识别方面具有独特的优势（Zhu et al., 2019; Yu and Chen, 2020）。SVM的基本公式如下所示：
$$ \left\{ \begin{array}{l} {\min = L\left( {w{\text{ }},{\text{ }}{b_0}} \right) = \dfrac{1}{2}{{\left\| w \right\|}^2}} \\ {{y_i}\left( {{w^T}{x_i} + {b_0}} \right) \geqslant 1{\text{ }},{\text{ }}i = 1,2, \cdots ,m} \end{array} \right. $$ (3) 将拉格朗日公式和KKT条件代入即可求得SVM的模型公式（黄发明等，2022）：
$$ f\left( x \right) = \sum\limits_{i = 1}^n {{\lambda _i}} {y_i}x_i^Tx + b $$ (4) 1.3 SHALSTAB-SVM模型
为了全面考量降雨型滑坡的区域地质及水文特征，并进一步丰富数据驱动模型的滑坡训练样本集。首先计算得到的SHALSTAB边坡稳定性分布，该分析首先根据边坡稳定性状态划分出稳定区域作为无滑坡灾害点的采样边界，同时选择潜在不稳定区域作为滑坡灾害点的采样边界。为避免采样区域与实际滑坡地点在地理位置上发生重叠，特意排除了滑坡点周围50米的缓冲区域。通过上述步骤，成功地构建了一个滑坡训练样本集，其中滑坡点被标记为1，非滑坡点则被标记为0。为了有效训练SVM模型，将样本集的70%用于训练，而剩余的30%则作为验证集，用于评估模型的性能。基于训练结果，再对研究区做降雨型滑坡危险性预测，得到SHALSTAB-SVM模型评价结果。为验证SHALSTAB-SVM模型的性能，将预测结果与实际滑坡作对比分析，探讨SHALSTAB-SVM模型的预测性能及适用性。
2. 研究区概况及数据源
2.1 研究区概况
大关县处于云南省东北部，隶属于昭通市，位于云南省东北部，昭通地区的腹心地带。地理坐标介于东经103°43′～104°7′，北纬27°36′～28°15′之间，历来为滇川交通要道（唐春，2008；蔡向阳，2020）。该县地处亚热带季风气候区，四季分明，县域全年平均气温为15℃，最高气温为40.3℃，最低气温为－6.4℃；年均日照时数为
1014.2 h，日照率为23%。地处上扬子古陆块滇东被动边缘，与川滇经向构造带北端及华夏式构造带东部接壤。其地质历史历经晋宁、燕山、加里东三大运动阶段，其中燕山运动最为显著。区域构造特征以褶皱和断裂为主，整体走向北东，属于鲁甸–盐津构造带中段，受北段影响，呈左倾“多”字形排列，且断裂间等距分布现象明显，尤以南部地区最为突出。县域北部与南部以南北向、北西向构造占主导，中部则以北东向构造为特色，背斜多呈现短轴宽缓形态。总体而言，研究区地质环境条件复杂，山高坡陡，沟谷纵横。加上气候变化和人类活动的影响，导致地质灾害频繁发生。大关县的地质灾害类型多样，包括滑坡、崩塌、泥石流和地面塌陷等。这些灾害的发生往往受到多种因素的影响，如降雨、地震、人类活动等。其中，滑坡是最常见的地质灾害之一，其发生的频率和规模都较大，对当地居民的生命财产安全构成严重威胁。该区域全年降雨充沛，降雨主要在每年的6—9月份，其中滑坡也主要集中于该时期，全县由降雨诱发的滑坡灾害占滑坡总数的80%以上。因此选取大关县作为本文的研究区域，重点分析降雨诱发型滑坡灾害的危险性。大关县位置如图3所示。
2.2 数据及来源
本次研究共收集到了大关县内的78处滑坡点，大关县南部地区滑坡灾害情况相对较为严重（图4a）。同时，西部的灾害发生概率高于东部地区。为了深入探究这些滑坡点的形成机制和影响因素，及进一步做危险性评价。研究使用了多种数据来源，包括遥感影像数据、ASTER GDEM 30M数字高程模型、地质图，以及2000—2015年的降雨量数据等。这些数据分别来源于地理空间信息云、全国地质资料官网、中国科学院资源环境科学与数据中心以及GlobeLand30等权威机构。利用数字高程模型（DEM）数据提取了高程、坡度、坡向和地形起伏度等信息。这些信息对于分析滑坡点的地形特征和地貌形态具有重要意义。此外，通过遥感影像数据，提取了归一化植被指数（normalized difference vegetation index, NDVI），以反映植被覆盖情况和生态系统状况。同时，道路、河流等信息则是由高分辨率影像中提取并作矢量化处理得到的，这些信息有助于分析地表特征和地理环境对滑坡发育的影响。相关数据的具体来源见表1，图4b为大关县日均降雨量分布图。
![]()
图 4 研究区高程及滑坡点分布图（a）和降雨量及滑坡点分布图（b）Figure 4. The location map of landslide with elevation (a) and the location map of landslide with rainfall (b)表 1 相关数据及其来源Table 1. Relevant data and sources数据名 数据格式 数据来源 遥感影像 5 m×20 m 阿拉斯加卫星设备 https://search.asf.alaska.edu DEM 30 m 日本宇宙航空研究开发机构 https://global.jaxa.jp 土地利用类型 30 m GlobeLand30 http://www.globallandcover.com/ 地层岩性 1∶ 500000 国家地质资料库http://www.ngac.org.cn 降雨 / 中国科学院资源环境科学与数据中心 https://www.resdc.cn/ 谷歌卫星图 0.5 m Google Earth 软件 3. 滑坡危险性评价
3.1 基于SHALSTAB模型的浅层滑坡计算结果
在SHALSTAB模型中，计算边坡的安全系数
$ {{Fs}} $ 需要用到土层的力学参数、地质水文特征参数及触发条件降雨参数。土层力学参数及地质水文特征参数参照大关县历史数据及工程经验值，现将参数列于表2（中华人民共和国建设部，1995；毛昶熙，2009, 刘志明，2023）。首先，通过式（2）得到地下水位$ h $ ，然后代入式（1），可以预测出潜在的滑坡危险性，并提供关于地表坡体稳定性的定量评估结果。最终得到图5a的评价结果，其中不稳定坡体占全区的25.619%，主要分布在以河谷为主的集水区域，分析导致该原因在于，河谷区域的陡峭地形特性以及在降雨导致的地下水位变化，因降雨引发的水位上升可能加剧了坡体的不稳定性，成为滑坡危险区。此外，在集水区域，由于地表水径流的集聚作用，水流更容易形成地表径流冲刷，加速了土壤侵蚀，导致坡体变得不稳定，滑坡的发生频率也就更高。表 2 研究区的土层参数值Table 2. Soil layer parameter values in the study area工程岩组 土层凝聚力（$ c $） 土层摩擦角（$ \varphi $） 土层重度（$ \gamma $） 渗透系数（$ K{\text{s}} $） 软弱岩 25 25 23 1.73×10－4 半坚硬岩 28 28 27 2.59×10－6 坚硬岩 35 32 30 2.59×10－7 ![]()
图 5 基于SHALSTAB模型的大关县边坡稳定性情况Figure 5. Slope stability of Daguan County based on the SHALSTAB model滑坡危险性评价的可信度与合理性在很大程度上取决于所采用模型的计算精确度，而评估模型性能的常用手段是绘制接收者操作特征（receiver operating characteristic, ROC）曲线并计算其下方面积（SAUC）。ROC曲线巧妙地以特异性（true negative rate, TNR）为横坐标，以灵敏度（true positive rate, TPR）为纵坐标，直观展示了模型在不同阈值设定下识别滑坡事件的能力。当SAUC趋近于理想值1时，意味着模型的预测性能越强，即其区分实际滑坡与非滑坡的能力越出色。结合实际发生的滑坡实例，我们生成了如图5b所示的ROC曲线图。该图对应的SAUC为0.742，这一数值清晰地揭示了模型具备较高的可靠性，能够在滑坡风险识别任务中展现出稳健的表现。说明SHALSTAB模型在构建过程中，因强调了降雨因素对坡体稳定性的作用机制，这一独特设计使模型能够细致入微地考量降雨季节中各种降雨条件对坡体潜在风险的影响，从而实现对降雨型滑坡风险的精准量化。因此，基于SHALSTAB模型所得出的分析结果，不仅为识别降雨诱发滑坡的高风险区域提供了关键线索，更为制定降雨期间地质灾害风险防控策略提供了坚实的数据支撑和科学依据，有助于提升灾害预警与应急响应的针对性与实效性。
3.2 基于SHALSTAB-SVM模型的浅层滑坡计算结果
在地震滑坡危险性评估研究领域中，SVM模型本质上为一种概率模型，其整体结构包括输入数据、计算模型、输出数据三个核心部分。模型的输入数据样本有两类：灾害点样本，标签设置为1，代表灾害发生；而非灾害点样本标签设置为0，表示灾害未发生。输出数据则是介于0到1之间的概率值，阈值为0.5，数值接近1表示滑坡发生概率较高，反之，数值接近0表示未发生滑坡的概率较高。因此，首先基于SHALSTAB模型获得评估结果，确定小于1的区域为潜在不稳定边坡。这些区域被选为滑坡灾害样本采样区域，共提取4 800个滑坡点。随后，从大于1的区域中提取相等数量的非滑坡点，构成最终的滑坡样本集。接下来，使用SVM模型进行计算。在数据驱动模型中，选择合适的滑坡因子至关重要。本文旨在提出SHALSTAB-SVM模型，对于滑坡因子组合及重要性研究不做深入探讨。因此，参照当前诸多学者的研究，选取高程、坡向、坡度、起伏度、土地类型等十种滑坡指标因子（见图6）。因SHALSTAB模型中重点考量了区域的降雨量，所以在SVM模型中，便不再重复考虑。鉴于SHALSTAB模型已充分考量了区域降雨量因素，因此在SVM模型中无需重复考虑，以确保模型间的互补性和避免多重共线性问题。利用GIS平台中的“多值提取至点”功能，提取出滑坡和非滑坡点的因子数据，构建了最终的输入数据–滑坡训练样本集。
![]()
图 6 滑坡指标因子图a. 坡向；b. 坡度；c. 起伏度；d. 土地类型；e. NDVI；f. 工程岩组；g. 道路缓冲区；h. 断层缓冲区；i. 河流缓冲区Figure 6. Diagrams for landslide index factors再将样本集输入SVM模型中进行训练与学习，其SVM模型的优势在于对非线性关系的拟合能力强，能够处理高维度数据和复杂的地质特征。为展现SHALSTAB-SVM复合模型相较于单一SVM模型的优势所在，同样执行了单一SVM模型作对照实验。基于训练得到的计算模型，再对研究区做降雨型滑坡危险性预测，得到研究区各点0～1的概率值。并将评价结果分为五个等级：低、较低、中等、较高、高危险区，不同等级反映着该区域发生降雨型滑坡灾害的难易程度（如图7所示）。
![]()
图 7 大关县边坡危险性结果（a. SVM模型；b. SHALSTAB-SVM模型）Figure 7. Slope risk results of Daguan County (a, based on the SVM model; b, based on the SHALSTAB-SVM model)3.3 评价结果验证
结合实际滑坡情况，所得到的ROC曲线结果（见图5，图8）。滑坡敏感性分析结果显示，单独使用SHALSTAB模型和SVM模型进行滑坡风险预测时，其准确性分别达到了74.2%和82.7%。这表明两种模型在滑坡敏感性评估方面均具有一定的有效性和可靠性。然而，当将SHALSTAB模型与SVM模型进行结合应用时，滑坡敏感性分析的准确性得到了显著的提升，达到了94.5%。相较于SHALSTAB模型精度提升27.359%，相比于单一SVM模型精度提升14.268%。这一结果明显高于单独使用任何一种模型时的准确性，充分展示了模型融合在滑坡敏感性分析中的优势。
![]()
图 8 ROC曲线SVM模型结果图（a）和SHALSTAB-SVM模型结果图（b）Figure 8. SVM model ROC curve (a) and SHALSTAB-SVM model ROC curve (b)为了深入验证SHALSTAB-SVM模型在滑坡预测中的实际效能，进一步借助了卫星解译手段，对实际发生的滑坡进行了现场检验（详见图9）。这些“近实时”的谷歌卫星影像提供了一个直观且真实的视角，能够清晰地观察到研究区的当前状况。随机挑选了三个高危险区域，通过细致对比卫星影像中地表裸露的实际情况与模型的预测结果，发现这些区域在现实中确实发生了滑坡事件。SHALSTAB-SVM模型在实际应用中展现出了高度的准确性。它不仅能够精准地识别出滑坡发生的具体区域，还能对滑坡的规模、形态等关键特征进行详尽而精确地刻画。这一成果充分证明了SHALSTAB-SVM模型在滑坡敏感性分析中的卓越性能，同时也验证了其在应对复杂环境下降雨型滑坡危险性评价中的高度适用性。这一结果充分验证了SHALSTAB-SVM模型在滑坡敏感性分析中的优势，以及在应对复杂环境下降雨型滑坡危险性评价中的适用性。
![]()
图 9 SHALSTAB-SVM模型结果与卫星地图实拍滑坡对比图Figure 9. Comparison of the SHALSTAB-SVM model results with actual landslides from satellite maps综上所述，通过模型SAUC并结合谷歌地球的卫星影像进行实际滑坡的现场检验，成功验证了SHALSTAB-SVM模型在滑坡预测中的可靠性。SHALSTAB模型擅长考量降雨入渗对边坡稳定性的影响，而SVM模型则对非线性数据具有优越的处理能力。通过将两者结合，其结果不仅能够综合考量多种影响滑坡敏感性的因素，还能够更准确地捕捉滑坡发生的非线性规律。SHALSTAB-SVM模型提高了滑坡预测中真阳性和真阴性推断的准确率，相应地降低了假阴性和假阳性误差，为滑坡预测提供了更精确的判断依据。因此，SHALSTAB-SVM模型更适用于应对复杂环境进行降雨型滑坡危险性评价。
4. 结论
文章选取云南省大关县作为研究对象，该县作为云南省重点防灾地区之一，长期受到滑坡灾害的威胁。首先利用SHALSTAB模型针对模型的训练样本进行优化，再发挥SVM模型对非线性数据的优越处理能力，构建形成SHALSTAB- SVM模型。具体结果如下：
（1）滑坡敏感性分析结果显示，使用SHALSTAB模型和SVM模型进行滑坡风险预测时，其准确性分别达到了74.2%和82.7%。整体反映出这两种模型在滑坡敏感性评估方面具有一定的有效性和可靠性，但预测精度还有较大的提升空间。
（2）通过对SHALSTAB与SVM模型的结合应用，充分利用SHALSTAB模型在考量降雨入渗影响边坡稳定性方面的优势，以及SVM模型对非线性数据的反演学习能力。根据计算得到的AUC值，以及卫星影像解译情况结果，SHALSTAB-SVM模型相较于SHALSTAB模型，精度提升了27.359%，相比于单一SVM模型，精度提升14.268%，预测结果与实际情况相符。显著的精度提升展示了该融合模型在准确预测降雨型滑坡风险方面的突出表现。
（3）模型的预测能力显著增强了该地区的应急响应效能，管理部门能够依据该模型结果，重点关注高危险区域，从而有充足的时间进行有效的预防部署，降低潜在的人民财产和生命损失。同时，相关结果为土地利用规划提供了科学依据，相关部门能够据此制定更加合理的土地使用政策，避免盲目开发带来的环境破坏与安全隐患，实现人与自然的和谐共生。
这个结果不仅对大关县滑坡灾害的风险评估具有重要意义，同时也为类似地区或者其他类型地质灾害的预测和评估提供了宝贵的参考。笔者希望本文的研究成果能够为地质灾害防灾减灾及风险管理提供一些参考与助力。此外，虽然该融合模型在本研究中取得了显著的成果，但不同地区的地理环境和降雨条件可能存在差异。因此，在未来的研究中，还需要进一步探讨该模型在不同地理环境和不同降雨情景下的适用性，以更全面、更精确地评估其预测效果。并寻求模型优化的可能途径，以提高其普适性和可靠性。
-
![]()
图 4 研究区高程及滑坡点分布图（a）和降雨量及滑坡点分布图（b）
Figure 4. The location map of landslide with elevation (a) and the location map of landslide with rainfall (b)
![]()
图 5 基于SHALSTAB模型的大关县边坡稳定性情况
Figure 5. Slope stability of Daguan County based on the SHALSTAB model
![]()
图 6 滑坡指标因子图
a. 坡向；b. 坡度；c. 起伏度；d. 土地类型；e. NDVI；f. 工程岩组；g. 道路缓冲区；h. 断层缓冲区；i. 河流缓冲区
Figure 6. Diagrams for landslide index factors
![]()
图 7 大关县边坡危险性结果（a. SVM模型；b. SHALSTAB-SVM模型）
Figure 7. Slope risk results of Daguan County (a, based on the SVM model; b, based on the SHALSTAB-SVM model)
![]()
图 8 ROC曲线SVM模型结果图（a）和SHALSTAB-SVM模型结果图（b）
Figure 8. SVM model ROC curve (a) and SHALSTAB-SVM model ROC curve (b)
![]()
图 9 SHALSTAB-SVM模型结果与卫星地图实拍滑坡对比图
Figure 9. Comparison of the SHALSTAB-SVM model results with actual landslides from satellite maps
表 1 相关数据及其来源
Table 1 Relevant data and sources
数据名 数据格式 数据来源 遥感影像 5 m×20 m 阿拉斯加卫星设备 https://search.asf.alaska.edu DEM 30 m 日本宇宙航空研究开发机构 https://global.jaxa.jp 土地利用类型 30 m GlobeLand30 http://www.globallandcover.com/ 地层岩性 1∶ 500000 国家地质资料库http://www.ngac.org.cn 降雨 / 中国科学院资源环境科学与数据中心 https://www.resdc.cn/ 谷歌卫星图 0.5 m Google Earth 软件 
下载: 导出CSV
表 2 研究区的土层参数值
Table 2 Soil layer parameter values in the study area
工程岩组 土层凝聚力（$ c $） 土层摩擦角（$ \varphi $） 土层重度（$ \gamma $） 渗透系数（$ K{\text{s}} $） 软弱岩 25 25 23 1.73×10－4 半坚硬岩 28 28 27 2.59×10－6 坚硬岩 35 32 30 2.59×10－7
下载: 导出CSV
-
[1] Beven K J,Kirkby M J,1979. A physically based,variable contributing area model of basin hydrology / Un modèle à base physique de zone d’appel variable de l’hydrologie du bassin versant[J]. Hydrological Sciences Bulletin, 24(1):43 − 69.
[2] Ciurleo M,Mandaglio M C,Moraci N,2019. Landslide susceptibility assessment by TRIGRS in a frequently affected shallow instability area[J]. Landslides, 16(1):175 − 188.
[3] 陈悦丽,陈德辉,李泽椿,等,2015. 基于Monte Carlo-SHALSTAB模型的滑坡危险性评价——以福建省德化县为例[J]. 灾害学, 30(4):101 − 106. Chen Y L,Chen D H,Li Z C,et al.,2015. Assessment of landslide hazard based on Monte Carlo-SHALSTAB model[J]. Journal of Catastrophology, 30(4):101 − 106 (in Chinese with English abstract).
[4] 蔡向阳,2020. 山区城镇地质灾害风险评价研究[D]. 北京:中国地质大学(北京). Cai X Y,2020. Study on the risk evaluation of geologic disasters in mountainous towns[D]. Beijing:China University of Geosciences(Beijing) (in Chinese with English abstract).
[5] 丁茜,赵晓东,吴鑫俊,等,2022. 基于RBF核的多分类SVM滑塌易发性评价模型[J]. 中国安全科学学报, 32(3):194 − 200. Ding Xi,Zhao X D,Wu X J,et al.,2022. Landslide susceptibility assessment model based on multi-class SVM with RBF kernel[J]. China Safety Science Journal, 32(3):194 − 200 (in Chinese with English abstract).
[6] 黄发明,李金凤,王俊宇,等,2022. 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律[J]. 地质科技通报, 41(2):44 − 59. Huang F M,Li J F,Wang J Y,et al.,2022. Modelling rules of landslide susceptibility prediction considering the suitability of linear environmental factors and different machine learning models[J]. Bulletin of Geological Science and Technology, 41(2):44 − 59 (in Chinese with English abstract).
[7] 贺攀,2023. GRA-RF在铁路沿线滑坡危险性评价中的应用研究[D]. 兰州交通大学. He P,2023. Application of GRA-RF in landslide risk assessment along railway[D]. Lanzhou Jiaotong University (in Chinese with English abstract).
[8] 姜亚东,那仁格日勒,周丹丹,2022. 基于层次分析法的呼和浩特市辖区地质灾害易发性评价[J]. 环境与发展, 34(8):38 − 45. Jiang Y D,Narengerile,Zhou D D,2022. Evaluation of geological disaster susceptibility in Hohhot city area based on hierarchical analysis method[J]. Environment and Development, 34(8):38 − 45 (in Chinese with English abstract).
[9] 季建万,熊义兵,姜琳琳,等,2023. 基于GD-SPCA的京津冀城市群地质灾害易发性评价[J]. 灾害学,38(1):94−99. Ji J W,Xiong Y B,Jiang L L,et al.,2023. Evaluation of geological disaster susceptibility of jing -jin-ji urban agglomeration based on geodetector and spatial principal component analysis methods[J]. Journal of Catastrophology ,38(1):94−99. (in Chinese with English abstract).
[10] 刘志明,2023. 大关县地质灾害发育特征及风险评估[D]. 昆明理工大学. Liu Z M,2023. Developmental Characteristics and Risk Assessment of Geological Hazards in Daguan County. [D]. Kunming University of Science and Technology (in Chinese with English abstract).
[11] 刘传正,陈春利,2020. 中国地质灾害防治成效与问题对策[J]. 工程地质学报, 28(2):375 − 383. Liu C Z,Chen C L,2020. Achievements andcountermeasures in risk reduction of geological disasters in china[J]. Journal of Engineering Geology, 28(2):375 − 383 (in Chinese with English abstract).
[12] 刘任鸿,李明辉,邓英尔,等,2021. 基于GIS的华蓥市地质灾害易发性评价[J]. 沉积与特提斯地质,41(1):129 − 136. Liu R H,Li M H,Deng Y E,et al.,2021. GIS assessments of geologic hazards in Huaying City,Sichuan[J]. Sedimentary Geology and Tethyan Geology,41(1):129 − 136 (in Chinese with English abstract).
[13] 中华人民共和国建设部. 中华人民共和国国家标准,1995. 工程岩体分级标准[M]. 中国计划出版社. Ministry of Construction of the People's Republic of China,1995. National Standard of the People's Republic of China. Engineering rock classification standard[M]. China Planning Press,1995 (in Chinese with English abstract).
[14] 穆柯,谢婉丽,刘琦琦,等,2022. 基于LR-RF模型的滑坡易发性评价——以铜川市耀州区为例[J]. 灾害学, 37(3):212 − 218. Mu K,Xie W L,Liu Q Q,et al.,2022. Research on landslide susceptibility evaluation based on Logistic Regression and LR coupling model[J]. Journal of Catastrophology, 37(3):212 − 218 (in Chinese with English abstract).
[15] 毛昶熙,2009. 堤防工程手册[M]. 北京:中国水利水电出版社. Mao C X,2009. Handbook of embankment engineering[M]. Beijing:China Water Resources and Hydropower Press(in Chinese with English abstract).
[16] San Taner B,2014. An evaluation of SVM using polygon-based random sampling in landslide susceptibility mapping:The Candir catchment area (western Antalya,Turkey)[J]. International Journal of Applied Earth Observation and Geoinformation, 26:399 − 412.
[17] 唐春,2008. 大关县地质灾害风险评价与防治对策研究[D]. 昆明理工大学. Tang Chun,2008. Research on Risk Evaluation and Prevention Countermeasures of Geological Hazards in Daguan County[D]. Kunming University of Science and Technology (in Chinese with English abstract).
[18] Vieira B C,Fernandes NF,Augusto Filho O,et al.,2018. Assessing shallow landslide hazards using the TRIGRS and SHALSTAB models,Serra do Mar,Brazil[J]. Environmental Earth Sciences,77 (6):260.
[19] 王杰,2023. 基于TRIGRS模型的区域滑坡危险性评价——以洛哈镇为例[D]. 西南交通大学. Wang J,2023. Regional landslide hazard assessment based on trigrs model—taken LuoHa town as an example[D]. Southwest Jiaotong University (in Chinese with English abstract).
[20] Yu C L,Chen J P,2020. Landslide Susceptibility Mapping Using the Slope Unit for Southeastern Helong City,Jilin Province,China:A Comparison of ANN and SVM[J]. Symmetry, 12(6): 1047.
[21] Zeng Y,Zhang Y B,Liu J,et al.,2023a. Rapid Emergency Response Assessment of Earthquake-Induced Landslides Driven by Fusion of InSAR Deformation Data and Newmark Physical Models[J]. Remote Sensing,15 (18):4605.
[22] Zeng Y, Zhang Y B, Liu J, et al., 2023b. Assessment of earthquakeinduced landslide hazard zoning using the physics-environmental coupled Model[J]. Journal of Mountain Science, 20 (9), 2644 –2664.
[23] Zeng Y,Zhang Y B,Zhang Z Y,et al.,2023. Landslide susceptibility evaluation based on coupled x-multilayer perceptron model—a case study of Songtao Autonomous County of Guizhou Province,China[J]. Mountain Research, 41(2):280 − 294(in Chinese with English abstract).
[24] 曾营, 张迎宾, 张钟远, 等, 2023. 基于X-多层感知器耦合模型的滑坡易发性评价——以贵州省松桃自治县为例[J]. 山地学报 41(2), 280 – 294. Zhu A X,Miao Y,Liu J,et al.,2019. A similarity-based approach to sampling absence data for landslide susceptibility mapping using data-driven methods[J]. Catena,183 (1):104188.
[25] 张晓博,周萍,张焜,等,2023. 基于GIS和CF-Logistic回归模型地质灾害易发性评价:以青海湟中县为例[J]. 沉积与特提斯地质, 43(4):797 − 807. Zhang X B,Zhou P,Zhang K,et al.,2023. Evaluation method of geological hazard susceptibility:A case study on GIS and CF-Logistic regression model in Huangzhong,Qinghai[J]. Sedimentary Geology and Tethyan Geology, 43(4):797 − 807 (in Chinese with English abstract).
[26] 张景华,张建龙,欧阳渊,等,2024. 基于形成机理的石漠化敏感性评价:以贵州省黔西县为例[J]. 沉积与特提斯地质, 44(1):162 − 171. Zhang J H,Zhang J L,Ouyang Y,et al.,2024. Sensitivity evaluation of Karst rock desertification based on its formation mechanism:A case study of Qianxi County in Guizhou Province[J]. Sedimentary Geology and Tethyan Geology, 44(1):162 − 171 (in Chinese with English abstract).
[27] 曾营,张迎宾,张钟远,等,2023. 基于X-多层感知器耦合模型的滑坡易发性评价——以贵州省松桃自治县为例[J]. 山地学报 41(2),280 – 294. Zhang J H, Zhang J L, Ouyang Y, et al., 2024. Sensitivity evaluation of Karst rock desertification based on its formation mechanism: A case study of Qianxi County in Guizhou Province[J]. Sedimentary Geology and Tethyan Geology, 44（1）: 162 − 171.
计量
- 文章访问数: 51
- HTML全文浏览量: 21
- PDF下载量: 35
