Landslide susceptibility mapping in Xide County, Sichuan Province based on frequency ratio-support vector machine coupling model
-
摘要:
针对滑坡易发性评价中因子分级基础数据与评价模型的选取问题，本文以滑坡灾害频发的四川省喜德县为研究区，采用斜坡单元为评价单元，通过对评价因子进行相关性分析，选取高程、坡度、曲率、NDVI、SPI、距水系距离、距道路距离、距断层距离、斜坡结构、工程地质岩组、土地利用类型11个评价因子，分别对区域点属性和滑坡点属性两类基础数据采用自然断点法进行因子分级，代入频率比模型和频率比–支持向量机耦合模型来评价滑坡易发性，并使用受试者工作特征（ROC）曲线与典型斜坡来验证模型精度。结果显示：以滑坡点属性作为分类基础数据并运用耦合模型得到的评价精度最高，对应的曲线下面积（SAUC）值为0.752，能更好地预测滑坡易发性；模拟结果显示，研究区极高、高易发区面积占比分别为4.65%和23.73%，主要分布在地形起伏较大、断层发育、人类工程活动强烈的区域。相反，断层稀疏、人口分散的地区属于中、低易发区，其面积占比分别为44.20%和27.42%。结果将为喜德县及其类似地区滑坡易发性评价工作提供科学参考。
Abstract:This study addresses the critical issue of selecting factor classification base data and evaluation models for landslide susceptibility mapping, focusing on Xide County in Sichuan Province, a region frequently affected by landslide hazards. Utilizing slope units as evaluation units, a correlation analysis of the evaluation factors was conducted, ultimately selecting eleven key factors: elevation, slope angle, curvature, normalized difference vegetation index (NDVI), stream power index (SPI), distance to watercourses, distance to roads, distance to faults, slope structure, engineering geological rock groups, and land use types. Factors were classified using the natural breaks method for both regional point attributes and landslide point attributes. These classified factors were then incorporated into the frequency ratio model and the frequency ratio-support vector machine coupled model to evaluate landslide susceptibility. The precision of these models was validated using receiver operating characteristic (ROC) curves and typical slope analysis. The findings revealed that using landslide-specific attributes as the classification base data within the coupled model framework yielded the highest evaluation accuracy, with an area under the ROC curve (SAUC) value of 0.752, indicating a superior predictive capability for landslide susceptibility. The simulation results indicated that areas of extremely high and high susceptibility constitute 4.65% and 23.73% of the study area, respectively, predominantly located in regions characterized by significant topographic relief, well-developed faults, and intense human engineering activities. Conversely, regions with sparse faults and low population density were categorized as medium and low susceptibility zones, accounting for 44.20% and 27.42% of the study area, respectively. These findings provide essential scientific insights and references for the effective assessment and management of landslide susceptibility in Xide County and other similar regions.
-
0. 引言
滑坡灾害是地质灾害中最具破坏性的类型之一，常常导致严重的人员伤亡和财产损失（铁永波等, 2022a; 徐伟等, 2023a; 殷跃平等, 2024）。为了减轻滑坡灾害的影响，进行区域滑坡易发性评价对于灾害预警、重大工程选址以及防灾减灾工作具有重要意义。
滑坡易发性评价作为滑坡灾害预测预防的基础，其结合研究区的地形地貌等特征来预测滑坡易发性程度的空间分布情况（孙德亮, 2019）。目前滑坡易发性评价包括定性评价和定量评价（Adition et al., 2018）。定性评价包括滑坡编录与知识驱动（Huang et al., 2017; 周萍等, 2022），依赖专家的知识和经验，主观性较强。定量评价包括物理模型方法（ Blais-Stevens A and Behnia P, 2016）和数据驱动方法（Pourghasemi et al., 2012），通过数学模型和概率统计进行分析，结果较为客观。近年来，随着数据库的不断完善和地理信息系统（GIS）的发展，基于统计分析和机器学习的评价方法大量涌现。
频率比模型是常用传统统计模型中的代表，其可以反映各指标因子在不同等级下对滑坡发生的影响（李文彦和王喜乐, 2020; 李郎平等, 2017; Meten et al., 2015）。支持向量机模型是常用机器学习模型中的代表，其能够很好地处理高维度的滑坡数据集（王念秦等, 2019; 张文春, 2012; 魏文豪等, 2023）。已有研究表明，将多个模型进行耦合并用的评价精度有较强的优越性（李倩琳, 2021; 吴常润等, 2021; 王雪冬等, 2022）。另外，蒋文学等（2023）采用斜坡单元，将信息量模型（I）、确定性系数（CF）与逻辑回归模型（LR）耦合进行怒江州的滑坡易发性评价，也表明CF-LR耦合模型的预测精度更高，同时还证明以斜坡单元为评价单元能有效反映滑坡发育特征，评价结果与实际情况更加吻合。目前关于滑坡易发性评价，评价单元多以栅格单元为主，采用斜坡单元的较少，同时绝大多数的研究都是使用区域点属性作为因子分级的基础数据，对于使用滑坡点属性作为分级基础数据的研究相对较少（孙德亮等, 2021）。鉴于此，本文以四川省喜德县为研究区，采用斜坡单元为评价单元，对区域点属性和滑坡点属性两类基础数据进行处理，分别代入频率比模型和频率比–支持向量机耦合模型，以比较两类基础数据作为分级依据的优劣以及探究耦合模型的性能提升情况，以期最终的评价结果可为研究区及类似地区的滑坡易发性评价工作提供科学参考。
1. 研究区概况及数据来源
1.1 研究区概况
喜德县位于四川盆地西南部山区，地处凉山彝族自治州中北部，地理坐标范围在东经102°12′至102°43′，北纬27°53′至28°31′之间（图1）。东西宽度约59.4 km，南北长度约70.8 km，总面积达
2206 km2。![]()
图 1 喜德县位置及滑坡点分布Figure 1. Location of Xide County and distribution of landslide points喜德县的地势特征表现为自东北向西南呈倾斜趋势，海拔范围在
1554 m到4381 m之间。该县位于川滇南北构造带的北段，主要地质构造线方向大致为南北向，地质历史上长期以东西向挤压应力为主。在县城以西区域，南北向断裂和褶皱发育明显，而在县城以东区域，断裂较少，褶皱较平缓，构造活动相对稳定（徐伟等, 2023b）。该县属于低纬度高海拔地区，具有典型的亚热带季风和高原气候特征。常年平均气温14.0 ℃，多年平均降雨量
1006.1 mm（徐伟等, 2023b）。该地区独特的气候和地理环境，加上降雨和地质等多种因素的影响，导致地质灾害频繁发生。截至2022年底，喜德县共发生地质灾害227起，其中滑坡灾害176起，占比高达77.53%。因此，在喜德县开展滑坡易发性评价研究，不仅有助于减轻滑坡灾害对当地造成的损失，更对类似地区的滑坡易发性评价工作具有参考意义。1.2 数据来源
本研究所用的数据及对应来源见表1。
表 1 研究所用数据及数据来源Table 1. Research data and data sources名称 来源 类型 精度 滑坡灾害编录数据 中国地质调查局成都地质调查中心 数据表 地层岩性分布图 中国地质调查局成都地质调查中心 矢量 1∶ 50000 DEM 地理空间数据云 栅格 30 m 卫星影像 地理空间数据云 栅格 30 m 水系 Open Street Map 矢量 1∶ 100000 NDVI 地理空间数据云+ENVI 栅格 30 m 2. 评价单元与评价指标选取
2.1 评价单元选取及划分
选取适当的评价单元对易发性评价至关重要（张钟远等, 2022; 蒋文学等, 2023; 余淙蔚等, 2022）。为了克服栅格单元切割斜坡整体性的缺点（王家柱等, 2023），本文采用斜坡单元为评价单元，借助ArcGIS中的水文分析工具，按照各斜坡单元大小大体一致、形态相似的原则，对研究区的DEM数据进行斜坡单元划分，并结合滑坡发育的自然条件特征，对不合理的单元进行人为修正。最终，将研究区划分为
20445 个斜坡单元（图2）。2.2 评价指标选取与分级
2.2.1 评价指标选取
对于不同的地区，由于地理条件及自然环境的差异，并不是所有的因子都适合参与易发性评价（高秉海等, 2023）。因此在选取评价因子时，需结合研究区的实际情况进行适当取舍。本研究根据现有资料，结合喜德县滑坡发育特征的实地调查，参考铁永波等（2022b）、徐伟等（2023b）、赵金彪等（2024）在喜德县取得的相关研究成果，初步选取高程、坡度、曲率、地形起伏度、地表粗糙度、地形位指数、归一化植被指数（NDVI）、地表径流强度指数（SPI）、距水系距离、距道路距离、距断层距离、斜坡结构、工程地质岩组、土地利用类型共14类因子作为滑坡易发性评价因子。
对这14类因子进行皮尔逊相关系数计算，结果见图3。皮尔逊相关系数是衡量两个变量之间线性相关程度的指标，用r表示，通常当|r|>0.5时，认为两变量之间相关性较强（田凡凡等, 2021）。由图可知，坡度与地表粗糙度、地形起伏度、地形位指数之间的相关系数均超过了0.9；地形位指数、地表粗糙度、地形起伏度三者之间的相关系数均在0.85以上。因此保留坡度，剔除地形位指数、地表粗糙度和地形起伏度因子，最终选取高程等11类因子作为喜德县滑坡易发性评价的指标（图4）。
![]()
图 3 易发性评价因子间皮尔逊相关系数Figure 3. Pearson correlation coefficient between susceptibility evaluation factors![]()
图 4 喜德县滑坡影响因子a. 高程；b. 坡度；c. 曲率；d. NDVI；e. SPI；f.距水系距离；g. 距道路距离；h. 距断层距离；i. 斜坡结构；j. 工程地质岩组；k. 土地利用类型Figure 4. Influencing factors of landslide in Xide County其中，（a）高程决定滑坡的地形条件、重力势能，直接影响滑坡发育（朱赛楠等, 2024）；（b）坡度主要与坡体的下滑力有关，相同条件下，坡度越大，下滑力越大，斜坡越不稳定；（c）曲率不同，坡面形态不同，导致水流汇聚和排水模式存在差异，进一步影响土壤水分饱和程度和坡体的稳定性；（d） NDVI，主要与土壤的抗侵蚀能力有关，其值越大，越有利于坡体稳定；（e） SPI，其值越大表示径流强度越大，可能导致更多的水土流失，从而增加滑坡发生的风险；（f）距水系距离对滑坡的影响主要表现为坡脚冲蚀；（g）距道路距离对滑坡的影响表现为人工开挖和切坡；（h）距断层距离，断层造成岩体破碎，同时对地下水有一定控制作用，影响滑坡发育；（i）斜坡结构对滑坡发育与否起着重要的控制作用；（j）工程地质岩组是滑坡发育的物质基础，不同类型对滑坡发育影响不同；（k）土地利用类型，主要反映人类活动的程度，影响着滑坡的发生。
2.2.2 评价指标分级
在选定的11个影响因子中，除斜坡结构、工程地质岩组和土地利用类型属于离散型因子,可通过其本身属性分类外，其余因子均为连续型因子，需要选择合适的分级区间。通过自然断点法对研究区全域因子数据进行分级，得到区域点属性分级结果（表2）；另外把滑坡点看作栅格单元，将各因子属性赋值到滑坡点上，分级得到滑坡点属性分级结果（表3）。需要说明的是，由于水系、道路和断层对承灾体的影响作用及影响范围比较特殊，参考前人研究成果（黄发明等, 2024），本研究中对水系和道路的分级仅考虑800 m以内的数据，对断层的分级仅考虑2000 m以内的数据。另外，为了更加明显地对比两种分级数据对评价结果影响的差异，分级区间数均设为6。
表 2 区域点属性各因子分级结果Table 2. The grading results of each factor of regional point attribute评价因子 分级情况 滑坡个数 频率比值 归一化值 高程/m < 2076 34 1.609 0.366 2076 ～2377 48 1.263 0.282 2377 ～2630 64 1.37 0.308 2630 ～2882 26 0.634 0.130 2882 ～3204 3 0.127 0.007 > 3204 1 0.181 0.020 坡度/° <14 44 2.244 0.520 14～23 66 1.465 0.331 23～31 51 1.045 0.229 31～39 13 0.345 0.060 39～48 2 0.099 0 >48 0 — — 曲率 <－6.084 0 — — －6.084～－2.741 16 0.964 0.210 －2.741～－1.069 61 1.258 0.281 －1.069～0.602 71 1.086 0.239 0.602～2.274 27 0.675 0.140 >2.274 1 0.202 0.025 NDVI <0.445 3 1.577 0.358 0.445～0.589 20 2.012 0.464 0.589～0.677 21 0.823 0.175 0.677～0.756 49 1.127 0.249 0.756～0.831 59 1.028 0.225 >0.831 24 0.635 0.130 SPI <－8.591 0 — — －8.591～－0.791 3 1.464 0.331 －0.791～－0.145 30 2.486 0.578 －0.145～0.243 71 1.561 0.354 0.243～0.588 58 0.823 0.175 >0.588 14 0.305 0.050 距水系距离/m <200 74 1.726 0.394 200～400 51 1.082 0.238 400～600 23 0.741 0.156 600～800 13 0.606 0.123 >800 15 0.447 0.084 距道路距离/m <200 33 4.226 1.000 200～400 22 1.676 0.382 400～600 19 1.232 0.275 600～800 10 0.65 0.134 >800 92 0.74 0.155 距断层距离/m <500 45 1.102 0.243 500～ 1000 33 0.967 0.210 1000 ～1500 16 0.633 0.129 1500 ～2000 22 1.18 0.262 > 2000 60 1.05 0.230 斜坡结构 顺向坡 36 1.222 0.272 斜向坡 56 1.066 0.234 横向坡 51 0.956 0.208 逆向坡 16 0.611 0.124 土质斜坡 10 1.773 0.406 块状结构斜坡 7 0.792 0.168 工程地质岩组 软质岩 49 2.378 0.552 软硬相间岩性 44 0.823 0.175 较坚硬岩性 75 0.804 0.171 坚硬岩性 8 0.925 0.200 土地利用类型 农田 80 2.786 0.651 森林 32 0.313 0.052 灌木 0 — — 草原 64 1.498 0.339 水域 0 — — 裸地 0 — — 不透水面 0 — — 表 3 滑坡点属性各因子分级结果Table 3. The classification results of each factor of landslide point attribute评价因子 分级情况 滑坡个数 频率比值 归一化值 高程/m < 1961 25 2.109 0.481 1961 ～2150 22 1.383 0.303 2150 ～2349 35 1.313 0.286 2349 ～2553 49 1.329 0.290 2553 ～2762 38 1.017 0.213 > 2762 7 0.148 0.000 坡度/° <9 11 1.424 0.313 9～15 34 2.136 0.487 15～21 52 1.794 0.404 21～27 41 1.098 0.233 27～33 28 0.817 0.164 >33 10 0.193 0.011 曲率 <－3.208 1 0.545 0.097 －3.208～－1.280 15 0.973 0.202 －1.280～－0.647 29 1.437 0.316 －0.647～－0.015 32 1.131 0.241 －0.015～0.617 38 1.124 0.239 >0.617 61 0.798 0.159 NDVI <0.491 8 2.859 0.665 0.491～0.626 18 1.216 0.262 0.626～0.714 31 0.994 0.207 0.714～0.775 47 1.242 0.268 0.775～0.842 54 0.999 0.209 >0.831 18 0.51 0.089 SPI <－0.845 2 1.056 0.223 －0.845～－0.174 31 2.461 0.567 －0.174～0.141 53 1.58 0.351 0.141～0.371 47 1.036 0.218 0.371～0.707 37 0.621 0.116 >0.588 6 0.261 0.028 3. 研究方法
3.1 频率比模型
频率比模型通过计算滑坡各评价因子在不同分级区间内发生滑坡的概率，进而确定各评价因子对滑坡发生影响大小。其计算公式如下：
$$ F{R_{ij}} = \frac{{{N_{ij}}/N}}{{{S_{ij}}/S}} $$ (1) 式中：FRij为第i个评价因子，第j个等级的频率比；Nij为第i个评价因子，第j个等级发生滑坡的数量；N为研究区内的滑坡总数量；Sij为第i个评价因子，第j个等级下发生滑坡的斜坡单元面积；S为研究区内的斜坡总面积。
3.2 支持向量机模型
支持向量机（SVM）是一种基于统计学习理论的监督机器学习算法，其基本思想是寻求能使分类间距最大化的最优超平台。假设有一组样本集：
$$ D{\text{ = }}\left\{ {\left( {{x_1},{y_1}} \right),\left( {{x_2},{y_2}} \right), \cdot \cdot \cdot ,\left( {{x_n},{y_n}} \right)} \right\},{y_1} \in \left( {－1,1} \right) $$ (2) 决策函数可以表示为：
$$ g\left( x \right) = {\omega ^T}\phi \left( x \right) + b $$ (3) 法向量ω和位移b的最佳值通过求解优化函数获得，最小化函数为：
$$ g\left( {\omega ,\xi } \right) = \parallel \omega {\parallel ^2} + C\sum\limits_{i = 1}^N {{\xi _i}} $$ (4) 其约束为：
$$ {y_i}\left( {\left( {\omega ,\phi \left( x \right)} \right) + b} \right) \geqslant 1－{\xi _i},{\xi _i} \geqslant 0 $$ (5) 式中：φ(x) 表示样本从输入空间到高维特征空间的映射；ω = (ω1, ω2,···, ωl)为法向量；b为位移项；xi与yi为训练样本变量；C为规则化参数；ξi为松弛变量。
3.3 频率比–支持向量机耦合模型
在频率比模型中，各因子在不同等级下的频率比值可以反映其对滑坡发生的影响。而支持向量机模型能够有效地捕捉各指标因子之间的非线性关系。为了将两模型的优势结合起来，本研究将两模型进行耦合。另外，为了避免不同因子由于量纲不统一而导致评价结果的精度降低，在输入到支持向量机模型之前需对各指标因子重分类后的频率比值进行归一化处理，使其数值处于0～1之间，计算公式如下：
$$ X{\text{ = }}\frac{{x－{x_{\min }}}}{{{x_{\max }}－{x_{\min }}}} $$ (6) 式中：X为归一化处理后的结果；x为各指标因子的原始数据；xmin为各指标因子中的最小值；xmax为各指标因子中的最大值。
4. 滑坡易发性区划与分析
4.1 滑坡易发性制图
用频率比–支持向量机耦合模型进行易发性预测时需要选取一定的样本数据，本文以研究区收集统计的176处滑坡灾害点作为正样本，在非滑坡区随机生成176个点作为负样本，构成共计352个样本的样本集。
分别对两组分类基础数据，按照公式（1）、（6）计算各因子在不同等级下的频率比值及其归一化值，结果见表2、表3。并代入模型计算，最终得到研究区滑坡易发性区划结果（图5）。
![]()
图 5 4种评价模型的滑坡易发性分区图a. 区域点属性−频率比模型；b. 区域点属性−耦合模型；c. 滑坡点属性−频率比模型；d. 滑坡点属性−耦合模型Figure 5. Landslide susceptibility zoning map of four evaluation models4.2 模型精度对比及分析
采用受试者工作特征曲线（ROC）和曲线下面积（SAUC）进行模型精度比较。各模型ROC曲线如图6所示。
由图可知，4种模型的SAUC值均大于0.7，说明其预测效果都较好。在区域点属性下频率比模型SAUC值（0.733）低于耦合模型（0.745），在滑坡点属性下有同样的规律（0.739<0.752），这说明使用耦合模型能提高易发性评价的预测精度。另外，在同种模型下比较不同分级方案的SAUC值，以探究区域点属性分级和滑坡点属性分级的优劣。发现在频率比模型中，前者的SAUC值小于后者（0.733<0.739），在耦合模型中，规律一致（0.745<0.752），说明采用滑坡点属性分级进行易发性评价较区域点属性分级更佳。综上可知，以滑坡点属性作为分类基础数据并运用耦合模型能更好地预测研究区的滑坡易发性。
4.3 典型斜坡验证
将区划结果与实际数据以及卫星遥感图进行比对，结合前期实地调查成果，选取光明镇某典型斜坡进一步验证模型精度（图7）。图7b中蓝线标注的斜坡单元，在滑坡点属性下的耦合模型中（图7a）易发性等级为极高，而在其余三种模型中均不是极高易发区。联合最新遥感影像图（图7c）发现，该斜坡内发育有轮廓清晰并且伴有明显下错跌坎的滑坡，说明该斜坡单元的确存在滑坡事件，应为极高易发区。上述模型结果与实际情况一致，再次证明该模型评价精度更高，预测效果更好。因此，以该模型的结果（图5d）作为研究区最终的滑坡易发性区划结果。
![]()
图 7 光明镇典型斜坡验证a. 研究区最终易发性区划结果图；b. 典型斜坡区域遥感影像图片；c. 典型斜坡单元内滑坡情况图片Figure 7. Verification of typical slope in Guangming Town4.4 滑坡易发性评价结果
对各易发等级分区面积占比进行统计（见图8）。由图可知，在最终的区划结果中（滑坡点属性–耦合模型），极高、高、中、低易发区面积占比分别为4.65%、23.73%、44.20%、27.42%。
![]()
图 8 研究区滑坡灾害易发性分区结果统计Figure 8. Statistics of landslide susceptibility zoning results in the study area从各易发等级分布情况来看，喜德县滑坡灾害极高易发区和高易发区主要分布在研究区西北部的冕山镇、光明镇、贺波洛乡和西南部的鲁基乡、李子乡以及米市镇的部分区域，这些区域地形起伏较大，地质构造环境复杂、多断层发育，且人类工程活动频繁。中易发区主要为研究区东南的大部分区域，低易发区主要分布在尼波镇南侧、两河口镇北侧、北山乡北侧以及红莫镇东南侧，该区域人口较为分散，断层分布稀疏。
5. 讨论
本研究以区域点属性和滑坡点属性作为因子分级的基础数据，基于自然断点法进行分级，得到两组分级结果，将频率比模型与支持向量机模型进行耦合。发现耦合模型体现出了更好的性能，证明将模型进行耦合并用能够取得更高的预测精度，研究结果具有可信度，但不排除研究方法的适用性和研究区域的特殊性。
根据影响滑坡的连续型因子在两种基础数据分级下各等级所对应的滑坡点比例（表4）可见，在区域点属性分级下，当坡度大于48°、曲率小于－6.084以及SPI小于－8.591时，滑坡点占比均为0，即此分级标准下没有发生过滑坡，则该分类没有意义；高程的第5等级和第6等级以及SPI的第1等级和第2等级，其滑坡点占比之间的差值仅在1.5%左右，两等级之间的差异不明显，造成了分类冗余的情况；另外，当某一分级出现滑坡过于集中的情况时，如曲率在－1.069～0.602之间及SPI在－0.145～0.243之间时滑坡点占比均高达40.34%，也会导致细节缺失从而影响滑坡易发性评价的精度。然而，在滑坡点属性中则很好地避免了上述问题。使用滑坡点自身属性进行因子分级，各分类等级中必然存在历史滑坡点，且滑坡点在各等级中占比较为均匀，能更加客观地反映滑坡分布与发生的特征，说明以滑坡点属性作为因子分级的基础数据更适用于滑坡易发性评价。
表 4 连续性因子分级结果对比Table 4. Comparison of continuity factor grading results评价因子 区域点属性 滑坡点属性 分级情况 滑坡点占比/% 分级情况 滑坡点占比/% 高程/m < 2076 19.32 < 1961 14.20 2076 ～2377 27.27 1961 ～2150 12.50 2377 ～2630 36.36 2150 ～2349 19.89 2630 ～2882 14.77 2349 ～2553 27.84 2882 ～3204 1.70 2553 ～2762 21.59 > 3204 0.57 > 2762 3.98 坡度/° <14 25.00 <9 6.25 14～23 37.50 9～15 19.32 23～31 28.98 15～21 29.55 31～39 7.39 21～27 23.30 39～48 1.14 27～33 15.91 >48 0 >33 5.68 曲率 <－6.084 0 <－3.208 0.57 －6.084～－2.741 9.09 －3.208～－1.280 8.52 －2.741～－1.069 34.66 －1.280～－0.647 16.48 －1.069～0.602 40.34 －0.647～－0.015 18.18 0.602～2.274 15.34 －0.015～0.617 21.59 >2.274 0.57 >0.617 34.66 NDVI <0.445 1.70 <0.491 4.55 0.445～0.589 11.36 0.491～0.626 10.23 0.589～0.677 11.93 0.626～0.714 17.61 0.677～0.756 27.84 0.714～0.775 26.70 0.756～0.831 33.52 0.775～0.842 30.68 >0.831 13.64 >0.831 10.23 SPI <－8.591 0 <－0.845 1.14 －8.591～－0.791 1.70 －0.845～－0.174 17.61 －0.791～－0.145 17.05 －0.174～0.141 30.11 －0.145～0.243 40.34 0.141～0.371 26.70 0.243～0.588 32.95 0.371～0.707 21.02 >0.588 7.95 >0.588 3.41 6. 结论
本文以四川省喜德县为研究区，选取高程、坡度、曲率、NDVI、SPI、距水系距离、距道路距离、距断层距离、斜坡结构、工程地质岩组、土地利用类型11个评价因子，基于自然断点法对区域点属性和滑坡点属性两类基础数据进行分级，并应用频率比模型与频率比–支持向量机耦合模型开展滑坡易发性评价。结果表明：
（1）喜德县滑坡灾害极高、高易发区面积占比分别为4.65%和23.73%，主要分布在西北部的冕山镇、光明镇、贺波洛乡和西南部的鲁基乡、李子乡以及米市镇的部分区域，这些区域地形起伏较大，地质构造环境复杂、多断层发育，且人类工程活动频繁；中易发区面积占比44.20%，分布于研究区东南的大部分区域，低易发区面积占比27.42%，主要分布在尼波镇南侧、两河口镇北侧、北山乡北侧以及红莫镇东南侧，这些区域人口较为分散，断层分布稀疏。
（2）以滑坡点属性作为分级基础数据，开展滑坡易发性评价时，能避免因子分类冗余、因子分级细节缺失等问题，得到的模型结果SAUC值更高，预测精度更佳，对研究影响因子分级问题具有一定的参考价值。
（3）将频率比模型与支持向量机模型进行耦合并用，运用ROC曲线及典型斜坡验证四种模型的预测精度。结果显示，基于滑坡点属性–耦合模型的SAUC值最高（0.752），预测结果与实际情况更为吻合，说明在进行易发性评价时将模型进行耦合并用能取得更好的效果，将其应用于喜德县及类似川西高原地区滑坡易发性评价中具有一定的有效性和可行性，得到的结果可为区域滑坡灾害防治工作提供科学参考。
-
![]()
图 1 喜德县位置及滑坡点分布
Figure 1. Location of Xide County and distribution of landslide points
![]()
图 3 易发性评价因子间皮尔逊相关系数
Figure 3. Pearson correlation coefficient between susceptibility evaluation factors
![]()
图 4 喜德县滑坡影响因子
a. 高程；b. 坡度；c. 曲率；d. NDVI；e. SPI；f.距水系距离；g. 距道路距离；h. 距断层距离；i. 斜坡结构；j. 工程地质岩组；k. 土地利用类型
Figure 4. Influencing factors of landslide in Xide County
![]()
图 5 4种评价模型的滑坡易发性分区图
a. 区域点属性−频率比模型；b. 区域点属性−耦合模型；c. 滑坡点属性−频率比模型；d. 滑坡点属性−耦合模型
Figure 5. Landslide susceptibility zoning map of four evaluation models
![]()
图 7 光明镇典型斜坡验证
a. 研究区最终易发性区划结果图；b. 典型斜坡区域遥感影像图片；c. 典型斜坡单元内滑坡情况图片
Figure 7. Verification of typical slope in Guangming Town
![]()
图 8 研究区滑坡灾害易发性分区结果统计
Figure 8. Statistics of landslide susceptibility zoning results in the study area
表 1 研究所用数据及数据来源
Table 1 Research data and data sources
名称 来源 类型 精度 滑坡灾害编录数据 中国地质调查局成都地质调查中心 数据表 地层岩性分布图 中国地质调查局成都地质调查中心 矢量 1∶ 50000 DEM 地理空间数据云 栅格 30 m 卫星影像 地理空间数据云 栅格 30 m 水系 Open Street Map 矢量 1∶ 100000 NDVI 地理空间数据云+ENVI 栅格 30 m 
下载: 导出CSV
表 2 区域点属性各因子分级结果
Table 2 The grading results of each factor of regional point attribute
评价因子 分级情况 滑坡个数 频率比值 归一化值 高程/m < 2076 34 1.609 0.366 2076 ～2377 48 1.263 0.282 2377 ～2630 64 1.37 0.308 2630 ～2882 26 0.634 0.130 2882 ～3204 3 0.127 0.007 > 3204 1 0.181 0.020 坡度/° <14 44 2.244 0.520 14～23 66 1.465 0.331 23～31 51 1.045 0.229 31～39 13 0.345 0.060 39～48 2 0.099 0 >48 0 — — 曲率 <－6.084 0 — — －6.084～－2.741 16 0.964 0.210 －2.741～－1.069 61 1.258 0.281 －1.069～0.602 71 1.086 0.239 0.602～2.274 27 0.675 0.140 >2.274 1 0.202 0.025 NDVI <0.445 3 1.577 0.358 0.445～0.589 20 2.012 0.464 0.589～0.677 21 0.823 0.175 0.677～0.756 49 1.127 0.249 0.756～0.831 59 1.028 0.225 >0.831 24 0.635 0.130 SPI <－8.591 0 — — －8.591～－0.791 3 1.464 0.331 －0.791～－0.145 30 2.486 0.578 －0.145～0.243 71 1.561 0.354 0.243～0.588 58 0.823 0.175 >0.588 14 0.305 0.050 距水系距离/m <200 74 1.726 0.394 200～400 51 1.082 0.238 400～600 23 0.741 0.156 600～800 13 0.606 0.123 >800 15 0.447 0.084 距道路距离/m <200 33 4.226 1.000 200～400 22 1.676 0.382 400～600 19 1.232 0.275 600～800 10 0.65 0.134 >800 92 0.74 0.155 距断层距离/m <500 45 1.102 0.243 500～ 1000 33 0.967 0.210 1000 ～1500 16 0.633 0.129 1500 ～2000 22 1.18 0.262 > 2000 60 1.05 0.230 斜坡结构 顺向坡 36 1.222 0.272 斜向坡 56 1.066 0.234 横向坡 51 0.956 0.208 逆向坡 16 0.611 0.124 土质斜坡 10 1.773 0.406 块状结构斜坡 7 0.792 0.168 工程地质岩组 软质岩 49 2.378 0.552 软硬相间岩性 44 0.823 0.175 较坚硬岩性 75 0.804 0.171 坚硬岩性 8 0.925 0.200 土地利用类型 农田 80 2.786 0.651 森林 32 0.313 0.052 灌木 0 — — 草原 64 1.498 0.339 水域 0 — — 裸地 0 — — 不透水面 0 — —
下载: 导出CSV
表 3 滑坡点属性各因子分级结果
Table 3 The classification results of each factor of landslide point attribute
评价因子 分级情况 滑坡个数 频率比值 归一化值 高程/m < 1961 25 2.109 0.481 1961 ～2150 22 1.383 0.303 2150 ～2349 35 1.313 0.286 2349 ～2553 49 1.329 0.290 2553 ～2762 38 1.017 0.213 > 2762 7 0.148 0.000 坡度/° <9 11 1.424 0.313 9～15 34 2.136 0.487 15～21 52 1.794 0.404 21～27 41 1.098 0.233 27～33 28 0.817 0.164 >33 10 0.193 0.011 曲率 <－3.208 1 0.545 0.097 －3.208～－1.280 15 0.973 0.202 －1.280～－0.647 29 1.437 0.316 －0.647～－0.015 32 1.131 0.241 －0.015～0.617 38 1.124 0.239 >0.617 61 0.798 0.159 NDVI <0.491 8 2.859 0.665 0.491～0.626 18 1.216 0.262 0.626～0.714 31 0.994 0.207 0.714～0.775 47 1.242 0.268 0.775～0.842 54 0.999 0.209 >0.831 18 0.51 0.089 SPI <－0.845 2 1.056 0.223 －0.845～－0.174 31 2.461 0.567 －0.174～0.141 53 1.58 0.351 0.141～0.371 47 1.036 0.218 0.371～0.707 37 0.621 0.116 >0.588 6 0.261 0.028
下载: 导出CSV
表 4 连续性因子分级结果对比
Table 4 Comparison of continuity factor grading results
评价因子 区域点属性 滑坡点属性 分级情况 滑坡点占比/% 分级情况 滑坡点占比/% 高程/m < 2076 19.32 < 1961 14.20 2076 ～2377 27.27 1961 ～2150 12.50 2377 ～2630 36.36 2150 ～2349 19.89 2630 ～2882 14.77 2349 ～2553 27.84 2882 ～3204 1.70 2553 ～2762 21.59 > 3204 0.57 > 2762 3.98 坡度/° <14 25.00 <9 6.25 14～23 37.50 9～15 19.32 23～31 28.98 15～21 29.55 31～39 7.39 21～27 23.30 39～48 1.14 27～33 15.91 >48 0 >33 5.68 曲率 <－6.084 0 <－3.208 0.57 －6.084～－2.741 9.09 －3.208～－1.280 8.52 －2.741～－1.069 34.66 －1.280～－0.647 16.48 －1.069～0.602 40.34 －0.647～－0.015 18.18 0.602～2.274 15.34 －0.015～0.617 21.59 >2.274 0.57 >0.617 34.66 NDVI <0.445 1.70 <0.491 4.55 0.445～0.589 11.36 0.491～0.626 10.23 0.589～0.677 11.93 0.626～0.714 17.61 0.677～0.756 27.84 0.714～0.775 26.70 0.756～0.831 33.52 0.775～0.842 30.68 >0.831 13.64 >0.831 10.23 SPI <－8.591 0 <－0.845 1.14 －8.591～－0.791 1.70 －0.845～－0.174 17.61 －0.791～－0.145 17.05 －0.174～0.141 30.11 －0.145～0.243 40.34 0.141～0.371 26.70 0.243～0.588 32.95 0.371～0.707 21.02 >0.588 7.95 >0.588 3.41
下载: 导出CSV
-
[1] Aditian A,Kubota T,Shinohara Y,2018. Comparison of GIS-based landslide susceptibility models using frequency ratio,logistic regression,and artificial neural network in a tertiary region of Ambon,Indonesia[J]. Geomorphology,318:101 − 111. DOI: 10.1016/j.geomorph.2018.06.006
[2] Blais-Stevens A,Behnia P,2016. Debris flow susceptibility mapping using a qualitative heuristic method and Flow-R along the Yukon Alaska Highway Corridor,Canada[J]. Natural Hazards and Earth System Sciences,16(2):449 − 462. DOI: 10.5194/nhess-16-449-2016
[3] 高秉海,何毅,张立峰,等,2023. 顾及 InSAR 形变的 CNN 滑坡易发性动态评估——以刘家峡水库区域为例[J]. 岩石力学与工程学报,42(2):450 − 465. Gao B H,He Y,Zhang L F,et al.,2023. Dynamic evaluation of landslide susceptibility by CNN considering InSAR deformation:A case study of Liujiaxia reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,42(2):450 − 465 (in Chinese with English abstract).
[4] Huang F M,Yin K L,Huang J S,et al.,2017. Landslide susceptibility mapping based on self-organizing-map network and extreme learning machine[J]. Engineering Geology,223:11 − 22. DOI: 10.1016/j.enggeo.2017.04.013
[5] 黄发明,张崟琅,郭子正,等,2024. 不同分级方法对区域滑坡易发性区划的影响[J]. 工程科学与技术,56(1):148−159. Huang F M,Zhang Y L,Guo Z Z,et al.,2024. Effects of different classification methods on regional landslide susceptibility zonation[J]. Advanced Engineering Sciences,56(1):148−159 (in Chinese with English abstract).
[6] 蒋文学,李益敏,杨雪,等,2023. 基于斜坡单元的怒江州滑坡易发性研究[J]. 水土保持学报,37:160 − 167. Jiang W X,Li Y M,Yang X,et al.,2023. Study on landslide susceptibility in Nujiang Prefecture based on slope unit[J]. Journal of Soil and Water Conservation,37:160 − 167 (in Chinese with English abstract).
[7] 李郎平,兰恒星,郭长宝,等,2017. 基于改进频率比法的川藏铁路沿线及邻区地质灾害易发性分区评价[J]. 现代地质,31:911 − 929. DOI: 10.3969/j.issn.1000-8527.2017.05.004 Li L P,Lan H X,Guo C B,et al.,2017. Zoning evaluation of geological disaster susceptibility along the Sichuan-Tibet Railway and its adjacent areas based on improved frequency ratio method[J]. Geoscience,31:911 − 929 (in Chinese with English abstract). DOI: 10.3969/j.issn.1000-8527.2017.05.004
[8] 李倩琳,2021. 基于信息量和随机森林模型的滑坡易发性空间预测研究[D]. 青海师范大学. Li Q L,2021. Spatial prediction of landslide susceptibility based on information quantity and random forest model[D]. Qinghai Normal University (in Chinese with English abstract).
[9] 李文彦,王喜乐,2020. 频率比与信息量模型在黄土沟壑区滑坡易发性评价中的应用与比较[J]. 自然灾害学报,29:213 − 220. Li W Y,Wang X L,2020. Application and comparison of frequency ratio and information quantity model in landslide susceptibility evaluation in loess gully region[J]. Journal of Natural Disasters,29:213 − 220 (in Chinese with English abstract).
[10] Meten M,Bhandary N P,Yatabe R,et al.,2015. GIS-based frequency ratio and logistic regression modelling for landslide susceptibility mapping of Debre Sina area in central Ethiopia[J]. Journal of Mountain Science,12(6):1355 − 1372. DOI: 10.1007/s11629-015-3464-3
[11] Pourghasemi H R,Pradhan B,Gokceoglu C,2012. Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed,Iran[J]. Natural Hazards,63(2):965 − 996. DOI: 10.1007/s11069-012-0217-2
[12] 孙德亮,2019. 基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究[D]. 华东师范大学. Sun D L,2019. Research on landslide susceptibility zoning and rainfall-induced landslide prediction and early warning based on machine learning[D]. East China Normal University (in Chinese with English abstract).
[13] 孙德亮,马祥龙,唐小娅,等,2021. 基于不同因子分级的滑坡易发性区划对比——以万州区为例[J]. 重庆师范大学学报(自然科学版),38(5):43 − 54. Sun D L,Ma X L,Tang X Y,et al.,2021. Comparison of landslide susceptibility zoning based on different factor classifications:Taking Wanzhou District as an example[J]. Journal of Chongqing Normal University (Natural Science),38(5):43 − 54 (in Chinese with English abstract).
[14] 铁永波,张宪政,龚凌枫,等,2022a. 西南山区典型地质灾害链成灾模式研究[J]. 地质力学学报,28(6):1071 − 1080. Tie Y B,Zhang X Z,Gong L F,et al.,2022a. Research on the pattern of typical geohazard chains in the southwest mountainous region,China[J]. Journal of Geomechanics,28(6):1071 − 1080 (in Chinese with English abstract).
[15] 铁永波,徐伟,向炳霖,等,2022b. 西南地区地质灾害风险“点面双控”体系构建与思考[J]. 中国地质灾害与防治学报,33(3):106 − 113. Tie Y B,Xu W,Xiang B L,et al.,2022b. The thoughts on construction of “double-control of point and zone” system of geological hazard risk in southwest China[J]. The Chinese Journal of Geological Hazard and Control,33(3):106 − 113 (in Chinese with English abstract).
[16] 田凡凡,薛喜成,郭有金,2021. 基于主元分析和信息量模型的滑坡易发性评价——以丹凤县为例[J]. 能源与环保,43:6 − 12+24. Tian F F,Xue X C,Guo Y J,2021. Landslide susceptibility assessment based on principal component analysis and information model:A case study of Danfeng County[J]. China Energy and Environmental Protection,43:6 − 12+24 (in Chinese with English abstract).
[17] 王家柱,高延超,铁永波,等,2023. 基于斜坡单元的山区城镇滑坡灾害易发性评价:以康定为例[J]. 沉积与特提斯地质, 43(3):640 − 650. Wang J Z,Gao Y C,Tie Y B,et al.,2023. Landslide susceptibility assessment based on slope units of mountainous cities and towns:A case study of Kangding city[J]. Sedimentary Geology and Tethyan Geology, 43(3):640 − 650 (in Chinese with English abstract).
[18] 王念秦,郭有金,刘铁铭,等,2019. 基于支持向量机模型的滑坡危险性评价[J]. 科学技术与工程,19(35):70 − 78. DOI: 10.3969/j.issn.1671-1815.2019.07.013 Wang N Q,Guo Y J,Liu T M,et al.,2019. Landslide hazard assessment based on support vector machine model[J]. Science Technology and Engineering,19(35):70 − 78 (in Chinese with English abstract). DOI: 10.3969/j.issn.1671-1815.2019.07.013
[19] 王雪冬,张超彪,王翠,等,2022. 基于 Logistic 回归与随机森林的和龙市地质灾害易发性评价[J]. 吉林大学学报(地球科学版),52:1957 − 1970. Wang X D,Zhang C B,Wang C,et al.,2022. Evaluation of geological disaster susceptibility in Helong City based on Logistic regression and random forest[J]. Journal of Jilin University (Earth Science),52:1957 − 1970 (in Chinese with English abstract).
[20] 魏文豪,贾雨霏,盛逸凡,等,2023. 基于 I、SVM、I-SVM 的滑坡灾害易发性评价模型研究[J]. 安全与环境工程,30(3):136 − 144. Wen W H,Jia Y F,Sheng Y F,et al.,2023. Study on landslide susceptibility evaluation model based on I,SVM and I-SVM[J]. Safety and Environmental Engineering,30(3):136 − 144 (in Chinese with English abstract).
[21] 吴常润,角媛梅,王金亮,等,2021. 基于频率比−逻辑回归耦合模型的双柏县滑坡易发性评价[J]. 自然灾害学报,30(4):213 − 224. Wu C R,Jiao Y M,Wang J L,et al.,2021. Evaluation of landslide susceptibility in Shuangbai County based on frequency ratio-logistic regression coupling model[J]. Journal of Natural Disasters,30(4):213 − 224 (in Chinese with English abstract).
[22] 徐伟,铁永波,郑玄,等,2023a. 凉山州地质灾害发育特征与时空分布规律[J]. 沉积与特提斯地质:1 − 17. Xu W,Tie Y B,Zheng X,et al.,2023a. The development characteristics and spatial and temporal distribution of geological disasters in Liangshan Prefecture[J]. Sedimentary Geology and Tethyan Geology:1 − 17 (in Chinese with English abstract).
[23] 徐伟,铁永波,王家柱,等,2023b. 四川省喜德县地质灾害“点面双控”体系探索与实践[J]. 中国地质灾害与防治学报,34(5):1 − 9. Xu W,Tie Y B,Wang J Z,et al.,2023b. Exploration and practice of the “dual control of point and zone” system for geological hazards in Xide County,Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,34(5):1 − 9 (in Chinese with English abstract).
[24] 殷跃平,高少华,2024. 高位远程地质灾害研究:回顾与展望[J]. 中国地质灾害与防治学报,35(1):1 − 18. Yin Y P,Gao S H,2024. Research on high-altitude and long-runout rockslides:Review and prospects[J]. The Chinese Journal of Geological Hazard and Control,35(1):1 − 18 (in Chinese with English abstract).
[25] 余淙蔚,柳侃,殷杰,等,2022. 一种适用于逻辑回归模型评价浅层滑坡易发性的网格尺度划分方法——以2019年福建省三明市群发浅层滑坡为例[J]. 山地学报,40(1):106 − 119. DOI: 10.3969/j.issn.1008-2786.2022.1.sdxb202201009 Yu C W,Liu K,Yin J,et al.,2022. A grid-scale division method suitable for logistic regression model to evaluate the susceptibility of shallow landslides:A case study of shallow landslides in Sanming City,Fujian Province in 2019[J]. Mountain Research,40(1):106 − 119 (in Chinese with English abstract). DOI: 10.3969/j.issn.1008-2786.2022.1.sdxb202201009
[26] 张文春,2012. 基于支持向量机−可拓学的三峡库区丰都县水库塌岸预测研究[D]. 吉林大学. Zhang W C,2012. Reservoir bank collapse prediction of Fengdu County in reservoir area of Three Gorges based on support vector machine and extenics[D]. Jilin University (in Chinese with English abstract).
[27] 张钟远,邓明国,徐世光,等,2022. 镇康县滑坡易发性评价模型对比研究[J]. 岩石力学与工程学报,41(1):157 − 171. Zhang Z Y,Deng M G,Xu S G,et al.,2022. Comparative Study on Landslide Susceptibility Evaluation Model in Zhenkang County[J]. Chinese Journal of Rock Mechanics and Engineering,41(1):157 − 171 (in Chinese with English abstract).
[28] 赵金彪,杨柳,崔玉龙,等,2024. 基于逻辑回归模型的喜德县滑坡易发性评价[J]. 河南科技,51(1):95 − 99. Zhao J B,Yang L,Cui Y L,et al.,2024. Landslide susceptibility Evaluation of Xide County Based on Logistic Regression Model[J]. Henan Science and Technology,51(1):95 − 99 (in Chinese with English abstract).
[29] 周萍,邓辉,张文江,等,2022. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例[J]. 地理科学,42(9):1665 − 1675. Zhou P,Deng H,Zhang W J,et al.,2022. Landslide susceptibility evaluation based on Information Value model and Machine Learning method:A case study of Lixian County,Sichuan Province[J]. Scientia Geographica Sinica,42(9):1665 − 1675 (in Chinese with English abstract).
[30] 朱赛楠,殷跃平,铁永波,等,2024. 乌蒙山区巨型古滑坡变形特征与复活机理研究——以大关古滑坡为例[J/OL]. 岩土工程学报,1 − 10. Zhu S N,Yin Y P,Tie Y B,et al.,2024. Deformation Characteristics and Reactivation Mechanism of Giant Ancient Landslide in Wumeng Mountain Area:A case study of the Daguan Ancient Landslide[J/OL]. Chinese Journal of Geotechnical Engineering,1 − 10 (in Chinese with English abstract).
-
期刊类型引用(1)
1. 宋进范，朱杰勇，顾鹏，向代龙，陶日洲. 云南绿春崩塌滑坡地质灾害风险评价. 世界地质. 2025(01): 152-163 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 59
- HTML全文浏览量: 15
- PDF下载量: 40
- 被引次数: 1
