滑坡敏感性評價模型研究

鄭向東，妙 丹，薛東劍

（1.西安市勘察測繪院，陜西 西安 710000；2.西安四維圖新信息技術有限公司，陜西 西安710075；3.成都理工大學 地球科學學院，四川 成都 610059；4.國土資源部國土資源信息技術與應用重點實驗室，四川 成都610059）

滑坡敏感性評價模型研究

鄭向東1，妙 丹2，薛東劍3,4

（1.西安市勘察測繪院，陜西 西安 710000；2.西安四維圖新信息技術有限公司，陜西 西安710075；3.成都理工大學 地球科學學院，四川 成都 610059；4.國土資源部國土資源信息技術與應用重點實驗室，四川 成都610059）

以得榮縣為研究區，結合野外調查資料，選取坡度、坡向、高程、斷裂、水系、地表曲率、工程巖組、土地利用和NDVI等9個評價因子，利用信息量、邏輯回歸和支持向量機（SVM）3種定量模型進行了敏感性評價，并引入成功率驗證法對評價模型精度進行了評定。研究結果表明，SVM模型具有很高的預測精度，為81.2%，可推廣到其他高山峽谷區域使用。

得榮縣；滑坡敏感性評價；SVM

滑坡是僅次于地震和洪水的嚴重地質災害[1]。2008 年5·12汶川地震后，強烈的震動使地表遭到嚴重破壞，形成大量的堆積物和松散物，西南地區在未來較長的時間里滑坡會更趨向嚴重[2]。滑坡災害敏感性區劃有定性、定量及確定性[3]3類建模方法。定性方法包括層次分析法（AHP）；定量方法有概率分析法、邏輯回歸模型、信息量模型、人工神經網絡模型和SVM模型；確定性方法有安全系數模型等。LEE[4]采用邏輯回歸模型對Penang、Malaysia 地區進行了敏感性分析；Suzen等在土耳其的Asarsuyu集水流域，利用滑坡種子元圖和統計百分位圖來確定各個影響因子的權重，并對其進行了滑坡災害敏感性評價[5]；Van Westen進一步將貝葉斯概率統計方法的數據驅動權重模型應用到滑坡災害敏感性評價領域[5]；朱良峰[6]等利用信息量模型對全國范圍內的滑坡敏感性進行了評價，研究成果有一定的指導意義；趙建華[7]等通過研究得出，邏輯回歸模型需要在大量樣本數據的支持下才能取得較為理想的效果。

1 研究區概況

得榮縣城位于四川省甘孜州南部，呈南北長、東西窄的長條形，幅員面積2 908 km2。研究區地處青藏高原東南緣橫斷山脈北端、川西高原高山峽（深）谷區，地形切割強烈，坡陡谷深，以深切割的高山、高中山為主。研究區屬青藏滇尼“歹”字型構造體系中部川滇南北向構造體系歸并復合的最北段，受區域性強大的壓應力作用，形成規模較大的褶皺帶。研究區內大部分地區基巖裸露，從奧陶系到第四系地層除缺失第三系、白堊系和侏羅系外，其他各系均有不同程度的發育，尤其是三迭系分布最廣，在局部地區還分布有火山巖。得榮縣屬金沙江水系，金沙江自北向南，流經縣境西部和西南部邊緣，縣境內其一級支流有定曲河，二級支流有瑪曲、許曲和崗曲。

2 研究區滑坡現狀

區內滑坡以大中型土質滑坡為主，通過調查得知，截至2011年區內共有245處滑坡等災害點。滑坡體外形以微凸狀或階梯狀為主，滑坡后緣的開裂、下錯等變形現象較多，部分還可見鼓丘；而滑坡前緣的剪出口和隆起等現象較多。區內滑坡一般都屬于松散巖類，滑體物質組成多為結構松散塊碎石土，且主要分布在松麥鎮和奔都鄉。

3 敏感性評價

由于各因子的量綱不同，首先對指標數據進行歸一化處理，運用統計學的方法統計災害點和各因子間的關系。本文采用信息量模型、邏輯回歸模型以及SVM模型對研究區進行敏感性評價，研究流程如圖1所示。

3.1 信息量模型

信息量法是以已知災害區的影響因素為依據，推算出標志各影響因子敏感性的信息量，建立評價預測模型，并依照類比原則外推到相鄰地區，從而對整個地區的敏感性作出評價[6]，其公式為：

式中，I（Xi，D）是因子Xi對滑坡災害發生D提供的信息量；S是研究區內評價單元的總數；Si是研究區內含有評價因子Xi的單元數；N是研究區含有滑坡等地質災害的單元總數；Ni是分布在因素Xi內特定類別內的滑坡單元數。

圖1 模型敏感性評價技術路線圖

選取坡度、 坡向、 高程、 斷裂、 水系、 地表曲率、工程巖組、 土地利用和 NDVI等9個評價因子，運用式 （1），計算各個I（Xi，D）的值；再利用GIS的空間分析功能，對各指標分別賦相應的信息量，然后將各個因子圖層進行疊加，得到研究區敏感性評價結果；最后用自然斷點法將敏感性系數分為極輕度、 輕度、 中度、 高度和極高度5個等級，如圖2。

3.2 邏輯回歸模型

在地質災害和災情分析中會遇到，在因變量取值范圍已知的情況下，預測某種災害發生的可能性，邏輯回歸模型就是用來解決這類問題的[8]。P表示發生滑坡的概率；Q表示未發生滑坡的概率；x1，x2，…，xn是影響滑坡發生的n個因子，邏輯回歸模型對滑坡發生的概率表示為：

對滑坡未發生的概率表示為：

式中，β0、β1、βn、e都是常數，最后通過回歸分析得到表1。

表1 邏輯回歸模型系數表

利用GIS空間分析功能，結合式（2），得到研究區的敏感性評價結果。P值越大，滑坡發生的概率就越大。利用自然斷點法將敏感性系數分為5個等級：極輕度、 輕度、 中度、 高度和極高度（圖3）。

3.3 SVM模型

SVM是1995年Cortes和Vapnik首先提出的，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢。圓形的樣本點定為正樣本，方形的點定為負樣本。H是分類回歸函數，而H1和H2是平行于H，且過離H最近的兩類樣本的直線，H1與H，H2與H之間的距離叫做幾何間隔，它與樣本的誤分次數有關。為了分開兩類樣本，求得這樣一個線性函數公式[9]：

求取g（x）的過程即是求w（一個n維向量）與b （一個實數）兩個參數的過程。SVM方法的核心概念是支持向量。落在H1與H2上的紅色圓形點與藍色方形點就是支持向量，通過這些點可求出w。w可寫成為拉格朗日乘子，γi為樣本的標簽，它等于1或-1。

因為各因子之間呈現的是多維空間信息，會出現簡單的低維空間線性不可分問題，但最終發現當低維空間中的線性不可分問題映射到多維空間后，則變成了線性可分。因此，使其變得線性可分，只需要一個函數使其由低維向高維空間轉化。該函數則是核函數，一般情況下，只要是滿足了Mercer條件的函數，都能成為核函數。核函數的基本作用就是接受兩個低維空間里的向量，經過某個變換后能夠計算出在高維空間里的向量內積值。通常用于研究的核函數有：線性核函數： k（x，xi）=x·xi；多項式核函數：k（x，xi）=（γx·xi+r）d，γ＞0 ；徑向基函數：k（x，xi）=exp（-γ||x-xi||2），γ＞0和S形函數：k（x，xi）=tan（γx·xi+r） 。

將核函數帶入式（6），就可得到最后的回歸函數：

通過參數優化，最終回歸分析得到研究區敏感性評估結果，運用自然斷點法將敏感性系數分為極輕度、輕度、 中度、 高度和極高度5個等級（圖4）。

4 精度分析

成功率驗證法能定量地評價滑坡空間預測結果。它將敏感性系數歸一化為0～100之間，然后作降序排列并等分為100份，然后計算各個單位內滑坡發生的百分比；再將滑坡發生累積百分比作Y軸，敏感性系數降序排列作X軸，得到滑坡敏感性指數—滑坡發生累計頻率曲線圖。整個區域的面積為1，曲線與X軸所圍成的面積則是預測成功率的大?。▓D5）。

圖2 信息量模型敏感性評估結果

圖3 邏輯回歸模型敏感性評估結果

圖4 SVM模型敏感性評估結果

圖5 評估模型精度對比

從圖5得知，對于80%～70%（X軸30%處）的敏感性指數，信息量模型、邏輯回歸模型、SVM模型分別可以概括29.6%、70%、74%的滑坡發生，顯然SVM模型的精度要高于其他模型；60%～50%（X軸50%處）三者分別為54%、92%和99%的滑坡發生。累計頻率曲線和X軸包圍的面積分別為信息量模型0.556、邏輯回歸模型0.768和SVM模型0.812，因此可以說信息量模型、邏輯回歸模型和SVM模型的預測精度分別為55.6%、76.8%和81.2%。由此可見，SVM相對具有較好的描述精度。

5 結 語

通過運用SVM模型、邏輯回歸模型以及信息量模型，結合GIS與RS技術，對得榮縣進行敏感性評價，得出以下結論：

1）運用3種模型對研究區進行了敏感性評價，SVM模型具有較高精度，為81.2%；邏輯回歸模型在進行評估時需要大量的樣本數據，才能得到較好的結果，如果研究區資料收集不充分，很難保證邏輯回歸模型的精度，但SVM模型因其本身具有解決小樣本、非線性及高維模式識別的優勢，在同等樣本數據基礎上，它可利用少量的樣本信息，對研究區進行敏感性評價，并能獲得較高精度結果。因此SVM模型能夠推廣到其他高山峽谷地區使用。

2）得榮縣為地質災害多發區域，通過敏感性系數可知，系數越大，發生再次災害的可能性越大，因此該研究成果對得榮縣滑坡預警具有重要的參考意義。

3）敏感性系數最高區主要位于定曲河谷深切割高山峽谷區、金沙江河谷區、許曲河谷區和瑪曲河谷區，對人民的人身與財產安全構成很大威脅，對該區的滑坡災害防治迫在眉睫。

[1] CHEN J, YANG Z F, LIU H Q. Landslide Susceptibility Zoning and Its Probabilistic Forecast[J].Chinese Journal of Rock Mechanics and Engineering,2005,24(13):2 392-2 396

[2] 陶舒,胡德勇,趙文吉,等.基于信息量與邏輯回歸模型的次生滑坡災害敏感性評價:以汶川縣北部為例[J].地理研究,2010,29(9):1 594-1 605

[3] 解傳銀.基于權重模型的滑坡災害敏感性評價[J].中南大學學報(自然科學版),2011,42(6):1 772-1 779

[4] LEE S. Application of Logistic Regression Model and Its Validation for Landslide Susceptibility Mapping Using GIS and Remote Sensing Data[J].International Journal of Remote Sensing,2005,26(7):1 477-1 491

[5] 張麗君,江思宏.區域性滑坡敏感性評價的數據驅動權重模型及應用[J].水文地質工程地質,2005,31(6):33-36

[6] 朱良峰,吳信才,殷坤龍,等.基于GIS的中國滑坡災害風險分析[J].巖土力學,2003,24(增刊):221-230

[7] 趙建華,陳漢林,楊樹鋒.滑坡災害危險性評價模型比較[J].自然災害學報,2006,15(1):128-134

[8] 邢秋菊,趙純勇,高克昌,等.基于GIS的滑坡危險性邏輯回歸評價研究[J].地理與地理信息科學,2004,20(3):49-51

[9] Cortes C,Vapnik V. Support Vector Networks[J].Machine Learning,1995,20(3): 273-297

[10] Chung C F, Fabbri A G. Probabilistic Prediction Models for Landslide Hazard Mapping[J].Photogrammetric Engineering &Remote Sensing,1999,65(12):1 388-1 399

[11] LEE S, Cho l J, Min K. Probabilistic Landslide Hazard Mapping Using GIS and Remote Sensing Data at Boun Korea[J]. International Journal of Remote Sensing,2004,25(11):2 037-2 052

[12] 胡德勇,李京,陳云浩,等.GIS支持下滑坡災害空間預測方法研究[J].遙感學報,2007,11(6):852-859

[13] Mehmet Lutfi Suzen, Vedat Doyuran. Data Driven Bivariate Landslide Susceptibility Assessment Using Geographical Information Systems: a Method and Application to Asarsuyu Catchment, Turkey[J]. Engineering Geology,2004,71:303-321

[14] Van Westen C J. Lecture Notes of Application of GIS to Landslide Hazard Assessment ITC[R].Enschede, the Netherland,2002

[15] Guzzetti F, Carrara A, Cardinali M, et al. Landslide Hazard Evaluation: a Review of Current Techniques and Their Application in a Multiscale Study, Central Italy [J].Geomorphology,1999,31(1/4):181-216

[16] Ayalew L, Yamagishi H, Marui H, et al. Landslides in Sado Island of Japan: Part II.GIS-based Susceptibility Mapping with Comparisons of Results from Two Methods and Verifications[J]. Engineering Geology, 2005,81(4):432-445

P208

B

1672-4623（2016）07-0098-03

10.3969/j.issn.1672-4623.2016.07.032

鄭向東，主要從事環境遙感與地質災害風險評價研究。

2015-05-05。

項目來源：國家自然科學基金資助項目（40972225）；教育部博士點基金聯合資助項目（20095122110003）。