基于信息量與機(jī)器學(xué)習(xí)耦合模型的滑坡易發(fā)性評(píng)價(jià)對(duì)比分析

摘" 要：陜西省商洛市鎮(zhèn)安縣地質(zhì)環(huán)境復(fù)雜，滑坡災(zāi)害頻發(fā)。以鎮(zhèn)安縣為研究區(qū)，提出將信息量模型分別與4種機(jī)器學(xué)習(xí)方法（SVM、RBF、ELM、BPNN）相結(jié)合，利用信息量模型的定量化和機(jī)器學(xué)習(xí)方法的非線性擬合能力，構(gòu)建耦合模型進(jìn)行滑坡易發(fā)性評(píng)價(jià)對(duì)比分析。首先，基于縣域地質(zhì)災(zāi)害調(diào)查數(shù)據(jù)，從地形地貌、地質(zhì)環(huán)境、氣象水文和人類工程活動(dòng)等方面選取9個(gè)影響因子，通過(guò)皮爾森相關(guān)系數(shù)分析各因子之間的相關(guān)性，構(gòu)建滑坡易發(fā)性評(píng)價(jià)指標(biāo)體系；然后，利用信息量模型量化影響因子，以各影響因子的信息量值作為樣本輸入數(shù)據(jù)，代入支持向量機(jī)、極限學(xué)習(xí)機(jī)、徑向基函數(shù)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)4種機(jī)器學(xué)習(xí)模型開(kāi)展滑坡易發(fā)性評(píng)價(jià)，并通過(guò)接收靈敏度（ROC）曲線進(jìn)行精度驗(yàn)證。結(jié)果表明：區(qū)內(nèi)滑坡主要分布于道路兩側(cè)、河流沿岸及山體破碎帶等地質(zhì)環(huán)境惡劣區(qū)域，其中人類工程活動(dòng)、氣象、地質(zhì)構(gòu)造是影響區(qū)內(nèi)滑坡發(fā)育的主要因素；4種耦合模型中IV-BPNN模型更適用于研究區(qū)滑坡易發(fā)性評(píng)價(jià)，其預(yù)測(cè)的極高易發(fā)區(qū)和高易發(fā)區(qū)單位面積內(nèi)分布的滑坡點(diǎn)數(shù)量更為集中，在僅占21.43%的區(qū)域分布了85.15%的滑坡災(zāi)害點(diǎn)，評(píng)價(jià)結(jié)果優(yōu)于其他耦合模型；ROC曲線中IV-SVM、IV-RBF、IV-ELM和IV-BPNN模型的AUC值分別為0.841、0.813、0.838、0.863，其中IV-BPNN模型精度最高，與信息量模型的AUC值（0.722）相比提高了19.5%，具有更高的可靠性。研究提出的IV-BPNN模型可以更好地解決傳統(tǒng)滑坡易發(fā)性評(píng)價(jià)方法中影響因子量綱不統(tǒng)一及因子間復(fù)雜非線性關(guān)系而導(dǎo)致評(píng)價(jià)結(jié)果適應(yīng)性一般的問(wèn)題，能更加精確地識(shí)別潛在滑坡災(zāi)害高風(fēng)險(xiǎn)區(qū)域，可為當(dāng)?shù)鼗聻?zāi)害防治工作提供參考依據(jù)。關(guān)鍵詞：滑坡；信息量模型；機(jī)器學(xué)習(xí)模型；神經(jīng)網(wǎng)絡(luò)模型；易發(fā)性評(píng)價(jià)中圖分類號(hào)：P 642

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2024）06-1140-14

DOI：10.13800/j.cnki.xakjdxxb.2024.0612開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

收稿日期：

2024-03-05

基金項(xiàng)目：

國(guó)家自然科學(xué)基金項(xiàng)目（41977059）；陜西省軟科學(xué)研究計(jì)劃項(xiàng)目（2022KRM034）；西北有色地質(zhì)礦業(yè)集團(tuán)科技項(xiàng)目（XBDKKJ202211）

通信作者：

吳雅睿，女，陜西西安人，博士，副教授，E-mail：wuyarui@xust.edu.cn

Comparative analysis of landslide susceptibility evaluation based on

the coupling model of information quantity and machine learning

WU Yarui1，LOU Chunhui1，HOU Longjun2，LIU

Feng1

（1.

College of Geomatics，Xi’an University of Science and Technology，Xi’an 710054，China；

2.Northwest Nonferrous Survey Engineering Co.，Ltd.，Xi’an 710038，China）Abstract：

The geological environment of Zhen’an County，Shangluo City，Shaanxi Province is complex，and landslide disasters occur frequently.This study focused on Zhen’an County and proposed combining the Information Value Model （IVM） with four machine learning methods （Support Vector Machine，Radial Basis Function，Extreme Learning Machine，and Back Propagation Neural Network） to construct coupled models for comparative landslide susceptibility assessment.First，based on geological disaster survey data of the county，nine influencing factors were selected from aspects such as topography，geological environment，meteorology，hydrology，and human engineering activities.The Pearson correlation coefficient was used to analyze the correlations between these factors，forming a landslide susceptibility evaluation index system.Secondly，the Information Value Model was used to quantify these factors，with the information value of each factor serving as input data for the machine learning models.Landslide susceptibility assessments were then conducted using the four machine learning models （SVM，RBF，ELM，and BPNN），and accuracy was verified through Receiver Operating Characteristic （ROC） curves.The results indicate that： Landslides in the study area are mainly distributed along roadsides，riverbanks，and fractured mountain zones with poor geological conditions.Human engineering activities，meteorology，and geological structures are the main factors influencing landslide development in the area.Among the four coupling models，the IV-BPNN model is more suitable for evaluating the landslide susceptibility assessment in the study area.This model shows the number of landslide points distributed per unit area in extremely high and high-risk areas is more concentrated，with 85.15% of landslide disaster points distributed in only 21.43% of the area，outperforming the other coupling models.The AUC values for the IV-SVM，IV-RBF，IV-ELM，and IV-BPNN models are 0.841，0.813，0.838，and 0.863，respectively.Among them，the IV-BPNN model has the highest accuracy，with an increase of 19.5% compared to the AUC value of the information model（0.722），indicating higher reliability.This model effectively addresses the issues of non-uniform dimensions of influencing factors and complex nonlinear relationships between factors that are common in traditional landslide susceptibility assessment methods.It can more accurately identify high-risk areas for potential landslide disasters，providing reference for local landslide disaster prevention and control efforts.

Key words：landslides；information value model；machine learning model；neural network model；susceptibility assessment

0" 引" 言

滑坡作為全球最具破壞性的地質(zhì)災(zāi)害之一，其具有高發(fā)生率和廣泛分布的特點(diǎn)

［1］。滑坡易發(fā)性評(píng)價(jià)主要是對(duì)山區(qū)滑坡災(zāi)害時(shí)空分布規(guī)律及其發(fā)育能力進(jìn)行評(píng)價(jià)和判斷，通過(guò)分析研究致災(zāi)因子來(lái)反映滑坡發(fā)生可能性［2］，從而有針對(duì)性地開(kāi)展防災(zāi)減災(zāi)工作，快速有效防治滑坡災(zāi)害。

傳統(tǒng)的滑坡易發(fā)性評(píng)價(jià)方法主要依賴于經(jīng)驗(yàn)?zāi)Ｐ秃徒y(tǒng)計(jì)模型，常用評(píng)價(jià)方法有層次分析法［3］、

確定系數(shù)法［4］、信息量法［5］等，這些方法在一定程度上受數(shù)據(jù)質(zhì)量和主觀分析的限制。近年來(lái)，隨著機(jī)器學(xué)習(xí)模型的快速發(fā)展，如邏輯回歸［6］、隨機(jī)森林［7］、卷積神經(jīng)網(wǎng)絡(luò)［8］、支持向量機(jī)［9］、BP神經(jīng)網(wǎng)絡(luò)［10］等機(jī)器學(xué)習(xí)模型被廣泛應(yīng)用

于滑坡易發(fā)性評(píng)價(jià)領(lǐng)域。機(jī)器學(xué)習(xí)方法具有能夠挖掘數(shù)據(jù)深層特征和處理非線性問(wèn)題的優(yōu)勢(shì)，能夠從大量復(fù)雜數(shù)據(jù)中更好地捕捉滑坡的復(fù)雜特征，從而提高模型的預(yù)測(cè)精度［11］。然而，獨(dú)立應(yīng)用機(jī)器學(xué)習(xí)模型也面臨過(guò)度擬合和因子不確定性等問(wèn)題，為此一些學(xué)者嘗試引入耦合模型，將統(tǒng)計(jì)學(xué)模型與機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型結(jié)合，以彌補(bǔ)單一評(píng)價(jià)方法之間的局限性，提高滑坡易發(fā)性評(píng)價(jià)的精度和穩(wěn)定性［12］。如喬德京等基于隨機(jī)森林模型與確定系數(shù)模型提出一種新的加權(quán)確定性系數(shù)模型，獲得多種因素耦合下的滑坡災(zāi)害易發(fā)性程度［13］；楊盼盼等結(jié)合隨機(jī)森林（FR）模型和信息量（IV）模型構(gòu)建的加權(quán)信息量（WIV）模型，結(jié)果顯示W(wǎng)IV模型具有更高的預(yù)測(cè)精度［14］；謝維安等采用信息量（I）與邏輯回歸（LR）、隨機(jī)森林（RF）、 BP神經(jīng)網(wǎng)絡(luò)（BPNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等4種模型耦合，對(duì)比分析選取最優(yōu)評(píng)價(jià)模型［15］；薛正海等選取經(jīng)驗(yàn)代表模型層次分析法和統(tǒng)計(jì)代表模型信息量法分別與 BP 神經(jīng)網(wǎng)絡(luò)模型耦合進(jìn)行滑坡易發(fā)性評(píng)價(jià)［16］；GUO等優(yōu)選信息量-邏輯回歸（I+LR）耦合模型結(jié)合多時(shí)相震后滑坡數(shù)據(jù)，準(zhǔn)確計(jì)算震后滑坡時(shí)變易發(fā)性［17］。以上研究表明，構(gòu)建多種評(píng)價(jià)模型相結(jié)合的耦合模型可以提高評(píng)價(jià)精度，使評(píng)價(jià)結(jié)果更為精確可靠。

陜西省商洛市鎮(zhèn)安縣地質(zhì)環(huán)境條件差，過(guò)度的采伐墾荒、大量修路、建房等人類活動(dòng)，突發(fā)性滑坡災(zāi)害頻發(fā)、數(shù)量多，具有典型性和普遍性，是利用數(shù)據(jù)驅(qū)動(dòng)耦合模型開(kāi)展中小比例尺區(qū)域滑坡易發(fā)性評(píng)價(jià)的理想?yún)^(qū)域。因此，選取具有較高線性分類強(qiáng)度的支持向量機(jī)模型（SVM），學(xué)習(xí)速度快、精度高的極限學(xué)習(xí)機(jī)模型（ELM）以及非線性擬合能力強(qiáng)的徑向基神經(jīng)網(wǎng)絡(luò)模型（RBF）和BP神經(jīng)網(wǎng)絡(luò)模型（BPNN）4種不同的機(jī)器學(xué)習(xí)算法。通過(guò)與信息量模型結(jié)合，構(gòu)建IV-SVM、IV-RBF、IV-ELM和IV-BPNN耦合模型對(duì)鎮(zhèn)安縣進(jìn)行滑坡易發(fā)性評(píng)價(jià)，對(duì)比分析選取更準(zhǔn)確高效的評(píng)價(jià)模型。研究利用信息量模型的定量化和機(jī)器學(xué)習(xí)方法的非線性擬合能力解決單一評(píng)價(jià)方法在因子量綱不統(tǒng)一、復(fù)雜非線性關(guān)系方面的問(wèn)題。從而提高了鎮(zhèn)安縣滑坡的預(yù)測(cè)精度，對(duì)其防災(zāi)減災(zāi)工作提供實(shí)質(zhì)性的支持，并為同類區(qū)域滑坡易發(fā)性評(píng)價(jià)提供了可借鑒的理論及方法。

1" 研究區(qū)概況及數(shù)據(jù)來(lái)源

1.1" 研究區(qū)概況

研究區(qū)位于陜西省商洛市西南部，地處秦嶺南麓中段，地理坐標(biāo)位于東經(jīng)108°34′35″～109°36′51″，北緯33°08′44″～33°48′57″之間，縣域面積3 487 km2，地勢(shì)呈西北高東南低之態(tài)，地形呈“三山兩谷一川”特征，地貌類型主要有低山河谷區(qū)、中山溝谷區(qū)和高山區(qū)。區(qū)內(nèi)山大溝深，構(gòu)造復(fù)雜，斷裂發(fā)育，巖體易風(fēng)化，巖性主要為板巖、片巖和千枚巖等區(qū)域變質(zhì)巖，斷裂近東西向延伸，貫通全區(qū)。氣候?qū)贈(zèng)鰜啛釒В昶骄鶜鉁?2.2 ℃，區(qū)內(nèi)雨量充沛，多年平均降雨量804.4 mm，同時(shí)水資源豐富，河流密集，共有大小河流5 300多條。區(qū)內(nèi)主要滑坡類型為自然條件下形成的小型堆積層滑坡，共有滑坡229處，其中土質(zhì)滑坡227處，占滑坡總數(shù)的99.13%；巖質(zhì)滑坡2處，占滑坡總數(shù)的0.87%。滑體規(guī)模以小型為主，為216處，占滑坡總數(shù)94.32%，其次為中型12處，占總數(shù)5.24%，大型僅為1處，占總數(shù)0.44%。區(qū)內(nèi)滑坡呈不均勻分布，多集中于低山河谷區(qū)域，研究區(qū)位置及災(zāi)點(diǎn)分布如圖1所示。區(qū)內(nèi)滑坡數(shù)量多、分布廣、地質(zhì)環(huán)境和人類活動(dòng)背景復(fù)雜，災(zāi)害頻發(fā)，給當(dāng)?shù)厝嗣袢罕姷纳钤斐蓢?yán)重威脅，因此開(kāi)展滑坡易發(fā)性評(píng)價(jià)對(duì)預(yù)防災(zāi)害的發(fā)生有重要意義。

1.2" 數(shù)據(jù)來(lái)源

依托鎮(zhèn)安縣1∶50 000地質(zhì)災(zāi)害風(fēng)險(xiǎn)調(diào)查評(píng)價(jià)項(xiàng)目，通過(guò)對(duì)鎮(zhèn)安縣滑坡災(zāi)害野外調(diào)查及發(fā)育特征分析，提取高程、坡度、起伏度、距水系距離、距道路距離、距構(gòu)造距離、地層巖性、災(zāi)點(diǎn)密度、降雨量9個(gè)評(píng)價(jià)因子進(jìn)行滑坡易發(fā)性評(píng)價(jià)分析。將全縣劃分為30 m×30 m的柵格單元，共計(jì)3 826 225個(gè)柵格單元，提取各評(píng)價(jià)指標(biāo)在同一柵格內(nèi)的值。數(shù)據(jù)均來(lái)自鎮(zhèn)安縣1∶50 000地質(zhì)災(zāi)害風(fēng)險(xiǎn)調(diào)查資料，主要包括：①2021年最新鎮(zhèn)安縣群測(cè)群防基本信息（提取滑坡災(zāi)點(diǎn)位置）；②分辨率為13.2 m的DEM數(shù)據(jù)（提取高程、坡度、起伏度）；③2021年鎮(zhèn)安縣土地利用現(xiàn)狀數(shù)據(jù)（提取水系、路網(wǎng)）；④巖土體類型圖；⑤地質(zhì)構(gòu)造圖；⑥2021年降雨量（來(lái)源于陜西省地質(zhì)災(zāi)害監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)站點(diǎn)數(shù)據(jù)插值得到的年降雨量）。

2" 研究方法

2.1" 信息量模型

信息量模型（IV）是進(jìn)行區(qū)域滑坡易發(fā)性評(píng)價(jià)的一種有效方法，以信息量為載體能夠解決因子量綱不統(tǒng)一的問(wèn)題，較為客觀地反映評(píng)價(jià)結(jié)果。主要研究滑坡地區(qū)各影響因子的信息數(shù)和質(zhì)量，通過(guò)計(jì)算特定的評(píng)價(jià)單元內(nèi)某一影響因子作用下滑坡發(fā)生的頻率與實(shí)際該區(qū)域滑坡發(fā)生的頻率之比確定其信息量，信息量越大，滑坡發(fā)生的可能性就越大［18］。各影響因子不同類別的信息量值見(jiàn)下式

I（xi）=Log2Si/SNi/N

（1）

式中" Si為影響因子第i類中地質(zhì)災(zāi)害點(diǎn)數(shù)；S為研究區(qū)地質(zhì)災(zāi)害點(diǎn)總數(shù)量；Ni為影響因子第i類的總柵格單元數(shù)；N為研究區(qū)總柵格單元數(shù)。

2.2" 支持向量機(jī)模型

支持向量機(jī)（SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)分類方法，SVM模型在非線性問(wèn)題上表現(xiàn)出色，可以用于確定對(duì)滑坡易發(fā)性影響最大的特征，識(shí)別和排除不相關(guān)或冗余的特征。如圖2所示，通過(guò)尋找一個(gè)最優(yōu)的超平面來(lái)劃分不同類別的數(shù)據(jù)點(diǎn)，使其之間的間隔最大化［19-20］。對(duì)于一組數(shù)據(jù)集，數(shù)據(jù)點(diǎn)xi到超平面的距離可以用決策函數(shù)表示，見(jiàn)下式

f（xi）=w·xi+b

（2）

式中" w為連接超平面的權(quán)重向量；b為偏置。

對(duì)于權(quán)重向量和偏置的最佳值可通過(guò)求解優(yōu)化函數(shù)獲得，最小化函數(shù)見(jiàn)下式

L（w，ξ）=12‖w‖2+C∑Ni=1ξi

（3）

約束條件見(jiàn)下式

yi（w·xi+b）≥1－ξi

（4）

2.3" 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）是一種局部逼近神經(jīng)網(wǎng)絡(luò)，適用于復(fù)雜模式識(shí)別任務(wù)。如圖3所示，其原理主要是通過(guò)徑向基函數(shù)的非線性映射，將輸入數(shù)據(jù)聚類到一個(gè)新的維度空間中，而不需要通過(guò)權(quán)值連接進(jìn)行映射。當(dāng)輸入樣本向量時(shí)，每個(gè)徑向基層的神經(jīng)元都輸出一個(gè)值，表示輸入向量與權(quán)值向量的接近程度，最后通過(guò)線性加權(quán)得到網(wǎng)絡(luò)的輸出［21-22］。

在徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中，常用的徑向基函數(shù)是高斯函數(shù)，見(jiàn)下式

i（x）=exp－||x－ci||22δ2i

（5）

式中" （x）為第i個(gè)徑向基函數(shù)的輸出；x為輸入向量；ci為第i個(gè)基函數(shù)的中心；δi為控制基函數(shù)的寬度。

徑向基函數(shù)的輸出對(duì)隱含層進(jìn)行線性加權(quán)求和，表達(dá)式如下

yi=∑ni=1wi·i（x）+b

（6）

式中" n為徑向基函數(shù)的數(shù)量；wi為連接徑向基函數(shù)輸出和輸出層的權(quán)重；b為偏置。

2.4" ELM極限學(xué)習(xí)機(jī)模型

極限學(xué)習(xí)機(jī)（ELM）是一種前饋神經(jīng)網(wǎng)絡(luò)模型，ELM相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型，在訓(xùn)練過(guò)程中僅需要隨機(jī)初始化的輸入層到隱含層的權(quán)重，而輸出層到隱含層的權(quán)重可以通過(guò)解析解或者矩陣求逆的方式直接得到，而不需要經(jīng)過(guò)反向傳播算法的迭代調(diào)整［23

-24］。如圖4所示，對(duì)于訓(xùn)練數(shù)據(jù)集的每個(gè)樣本xi，計(jì)算隱藏層的輸出見(jiàn)下式

H=g（win·xi+b）

（7）

式中" win為隨機(jī)初始化輸入層到隱藏層的權(quán)重；

g（·）為激活函數(shù)；b為偏置向量。

對(duì)于新的輸入樣本，可通過(guò)計(jì)算隱藏層輸出和輸出層權(quán)重，得到最終的預(yù)測(cè)輸出見(jiàn)下式

wout=H+·Y

（8）

式中" wout為輸出層到隱藏層的權(quán)重矩陣；H+為H的偽逆；Y為目標(biāo)輸出矩陣。

2.5 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)即反向傳播神經(jīng)網(wǎng)絡(luò)，用于訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)，通過(guò)反向傳播誤差來(lái)調(diào)整網(wǎng)絡(luò)的權(quán)重，以實(shí)現(xiàn)學(xué)習(xí)和模式識(shí)別的任務(wù)，在滑坡易發(fā)性評(píng)價(jià)中被廣泛應(yīng)用［25-26］。如圖5所示，BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層，和輸出層組成。對(duì)于輸入層到隱藏層的連接，隱藏層神經(jīng)元的輸出aj可以用激活函數(shù)f表示，見(jiàn)下式

aj=f（Zj）=f（∑ni=1wij·xi+bj）

（9）

式中" Zj為隱藏層神經(jīng)元j的輸入；wij為連接輸入神經(jīng)元i到隱藏層神經(jīng)元j的權(quán)重；xi為輸入神經(jīng)元i的輸出；bj為隱藏層神經(jīng)元j的偏置。

對(duì)于隱藏層到輸出層的連接，輸出層神經(jīng)元的輸出yk可以用激活函數(shù)f表示，見(jiàn)下式

yk=f（Zk）=f（∑mj=1wjk·aj+bk）

（10）

式中" Zk為輸出層神經(jīng)元k的輸入；wjk為連接隱藏層神經(jīng)元j到輸出層神經(jīng)元k的權(quán)重；aj為隱藏層神經(jīng)元j的輸出；bk為輸出層神經(jīng)元k的偏置。

2.6" 耦合模型構(gòu)建

IV模型是基于統(tǒng)計(jì)學(xué)方法分析滑坡易發(fā)性最穩(wěn)定的代表；SVM能夠?qū)⒕€性不可分的數(shù)據(jù)轉(zhuǎn)換成高維空間的線性可分?jǐn)?shù)據(jù)，從而獲得較合理的評(píng)價(jià)結(jié)果；RBF神經(jīng)網(wǎng)絡(luò)則具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)及非線性擬合能力；ELM具有學(xué)習(xí)速度快、精度高、參數(shù)設(shè)置簡(jiǎn)單等優(yōu)勢(shì)；BP神經(jīng)網(wǎng)絡(luò)則可通過(guò)非線性映射對(duì)未知樣本進(jìn)行預(yù)測(cè)。因此，研究利用信息量模型的定量化和機(jī)器學(xué)習(xí)方法的非線性擬合能力，通過(guò)充分結(jié)合兩者間的優(yōu)勢(shì)，構(gòu)建IV-SVM、IV-RBF、IV-ELM和IV-BPNN 4種耦合模型對(duì)鎮(zhèn)安縣進(jìn)行滑坡易發(fā)性評(píng)價(jià)。

首先，將區(qū)內(nèi)229個(gè)滑坡災(zāi)害點(diǎn)與隨機(jī)選取的相同數(shù)量的非災(zāi)害點(diǎn)組成總的樣本點(diǎn)，從總樣本點(diǎn)中隨機(jī)選取70%數(shù)據(jù)點(diǎn)組成訓(xùn)練集，剩余30%樣本點(diǎn)組成測(cè)試集，以評(píng)價(jià)因子的信息量值作為輸入層，是否發(fā)生滑坡作為輸出層，借助

Matlab軟件平臺(tái)對(duì)耦合模型進(jìn)行訓(xùn)練；然后，將研究區(qū)3 826 225個(gè)柵格單元的各信息量值導(dǎo)入到訓(xùn)練好的4種機(jī)器學(xué)習(xí)模型中，生成滑坡易發(fā)性值［27］；最后，使用ArcGIS將各模型預(yù)測(cè)得出的易發(fā)性值進(jìn)行插值處理生成易發(fā)性分區(qū)結(jié)果，并運(yùn)用自然

斷點(diǎn)法進(jìn)一步將其分為極高、高、中、低4個(gè)等級(jí)［28］。

3" 評(píng)價(jià)指標(biāo)體系的構(gòu)建

3.1" 影響因子的選取

結(jié)合鎮(zhèn)安縣滑坡實(shí)際情況，基于規(guī)則柵格單元對(duì)鎮(zhèn)安縣進(jìn)行滑坡易發(fā)性評(píng)價(jià)，通過(guò)選取高程、坡度、起伏度、災(zāi)點(diǎn)密度、距構(gòu)造距離、地層巖性、距道路距離、距水系距離、降雨量共9個(gè)因子構(gòu)建鎮(zhèn)安縣滑坡易發(fā)性評(píng)價(jià)指標(biāo)體系。根據(jù)上述公式（1）對(duì)災(zāi)害影響因子進(jìn)行分類計(jì)算信息量值，得到各評(píng)價(jià)因子的信息量值（表1）。

3.1.1" 高程

大量滑坡災(zāi)害調(diào)查結(jié)果表明，高差是滑坡災(zāi)害產(chǎn)生的基本地形條件之一，高程對(duì)滑坡災(zāi)害的發(fā)生有較大影響。區(qū)內(nèi)滑坡災(zāi)害點(diǎn)多集中于高程較低的低山河谷區(qū)和中山溝谷區(qū)的斜坡地帶，高山河谷區(qū)災(zāi)害點(diǎn)分布則較少。對(duì)高程指標(biāo)進(jìn)行分級(jí)處理，如圖6（a）所示。

3.1.2" 坡度

斜坡坡度的變化會(huì)影響其穩(wěn)定性，坡度的增加會(huì)造成斜坡穩(wěn)定性的降低。區(qū)內(nèi)滑坡災(zāi)害的發(fā)生實(shí)際情況，并非隨坡度的增加而增多，12°～40°的斜坡是滑坡災(zāi)害的多發(fā)坡度段，其中最容易發(fā)生滑坡災(zāi)害的坡度范圍是30°～40°，并依次向兩側(cè)遞減。對(duì)坡度指標(biāo)進(jìn)行分級(jí)處理，如圖6（b）所示。

3.1.3" 起伏度

起伏度主要是對(duì)斜坡坡形指標(biāo)的表達(dá)和量化，區(qū)內(nèi)滑坡災(zāi)害主要分布在起伏度為0～41 m之間的地區(qū)，且數(shù)量隨起伏度的增加呈先增加后減少的趨勢(shì)，即在0～19 m之間，起伏度越高，滑坡災(zāi)害發(fā)育數(shù)量越多，起伏度大于19 m之后，起伏度越高，滑坡災(zāi)害發(fā)育數(shù)量越少。對(duì)起伏度指標(biāo)進(jìn)行分級(jí)處理，如圖6（c）所示。

3.1.4" 災(zāi)點(diǎn)密度

鎮(zhèn)安縣滑坡災(zāi)害隱患點(diǎn)數(shù)量較多。單位面積內(nèi)災(zāi)害點(diǎn)數(shù)量越多，災(zāi)點(diǎn)密度越高，其發(fā)生災(zāi)害可能性越大，通過(guò)統(tǒng)計(jì)區(qū)內(nèi)每平方千米的災(zāi)點(diǎn)數(shù)量來(lái)表示災(zāi)點(diǎn)的發(fā)育情況，對(duì)災(zāi)點(diǎn)密度指標(biāo)進(jìn)行分級(jí)處理，如圖6（d）所示。

3.1.5" 距構(gòu)造距離

鎮(zhèn)安縣地處秦嶺山區(qū)，其地質(zhì)構(gòu)造活動(dòng)異常強(qiáng)烈，分布有眾多的深大斷裂，斷裂的發(fā)育使斷裂帶巖體變得十分破碎，其斷裂活動(dòng)形成的巖體破碎堆積物是形成滑坡災(zāi)害的物源。區(qū)內(nèi)一半以上的滑坡災(zāi)害與斷裂帶有關(guān)，多位于構(gòu)造帶800 m以內(nèi)，達(dá)到了150處，占總數(shù)的60.24%，位于構(gòu)造帶800～1 500 m的有58處，占23.29%。因此以距

構(gòu)造帶不同距離作為地質(zhì)構(gòu)造對(duì)災(zāi)害易發(fā)性的影響程度，對(duì)地質(zhì)構(gòu)造指標(biāo)進(jìn)行分級(jí)處理，如圖6（e）所示。

3.1.6" 地層巖性

地層巖性是影響地質(zhì)條件穩(wěn)定性的重要因素之一，區(qū)內(nèi)地層從震旦系至三疊系均有出露，其中與滑坡災(zāi)害有關(guān)的寒武、奧陶、志留、泥盆、石炭系地層出露廣泛，第4系廣泛分布于區(qū)內(nèi)溝谷階地、坡體凹槽部位。區(qū)內(nèi)巖土體類型分為4類，其中堅(jiān)硬致密塊狀侵入巖區(qū)有滑坡2處，堅(jiān)硬中厚層碳酸鹽巖區(qū)有滑坡47處，松散黏性碎石土堆積層類區(qū)有滑坡12處，其余的168處滑坡均位于碎屑巖及

淺變質(zhì)巖區(qū)。研究區(qū)地層巖性指標(biāo)如圖6（f）所示。

3.1.7" 距道路距離

滑坡災(zāi)害的發(fā)生往往與人類工程活動(dòng)密切相關(guān)，人類聚集區(qū)通常分布于道路兩旁，道路沿線人類工程活動(dòng)強(qiáng)烈，公路交通建設(shè)中開(kāi)挖切坡對(duì)災(zāi)害發(fā)育影響巨大。區(qū)內(nèi)滑坡災(zāi)害多分布于道路兩側(cè)山坡上，因此以距道路兩旁不同距離為指標(biāo)代表人類工程活動(dòng)作為其對(duì)滑坡災(zāi)害易發(fā)性的影響程度，對(duì)道路指標(biāo)進(jìn)行分級(jí)處理，如圖6（g）所示。

3.1.8" 距水系距離

鎮(zhèn)安縣水系比較發(fā)育，主要河系有子午河、池河、旬河，部分滑坡分布于河流兩岸岸坡上，沿河流溝谷呈線性集中分布，且主要分布于中下游。水系河流對(duì)滑坡災(zāi)害發(fā)育的影響主要表現(xiàn)在地表水滲入巖土體裂隙，侵蝕斜坡前緣，促使破體變形并誘發(fā)災(zāi)害發(fā)生。因此以距水系不同距離作為其對(duì)滑坡災(zāi)害易發(fā)性的影響程度，對(duì)水系指標(biāo)進(jìn)行分級(jí)處理，如圖6（h）所示。

3.1.9" 降雨量

降雨是導(dǎo)致滑坡災(zāi)害頻發(fā)的主要誘發(fā)因素之一，區(qū)內(nèi)滑坡災(zāi)害集中發(fā)生于夏秋6～10月份的多雨季節(jié)，占滑坡災(zāi)害總數(shù)的90％左右。通過(guò)對(duì)鎮(zhèn)安縣現(xiàn)有監(jiān)測(cè)點(diǎn)降雨數(shù)據(jù)進(jìn)行分析處理，年降雨量主要集中在600～900 mm，災(zāi)害發(fā)生數(shù)量和規(guī)模與降水呈正相關(guān)。對(duì)降雨指標(biāo)進(jìn)行分級(jí)處理，如圖6（i）所示。

3.2" 評(píng)價(jià)因子獨(dú)立性檢驗(yàn)

實(shí)際上，滑坡災(zāi)害的發(fā)生會(huì)受到多種因素影響，各因子之間可能會(huì)相互影響或依賴，其因子間不確定性會(huì)影響滑坡災(zāi)害的評(píng)價(jià)精度。為防止因子間相互干擾過(guò)大，需考慮各因素之間的關(guān)系，刪除重復(fù)影響因子。因此，采用皮爾森相關(guān)系數(shù)（PCCs）、容忍度（TOL）和方差膨脹因子（VIF）對(duì)選取的因子進(jìn)行相關(guān)性分析及共線性分析，檢驗(yàn)評(píng)價(jià)因子獨(dú)立性［29-30］。PCCs是一種較高評(píng)價(jià)精度的雙變量因子相關(guān)性分析方法，用于比較各因子關(guān)聯(lián)程度，PCCs絕對(duì)值越大，相關(guān)性越大。一般認(rèn)為當(dāng)|PCCs|gt;0.7時(shí)有極高的相關(guān)性；0.7gt;|PCCs|gt;0.5時(shí)有中等相關(guān)性；|PCCs|lt;0.5時(shí)相關(guān)性較低。當(dāng)TOLgt;0.1，且VIF＜10時(shí)不存在多重共線性。由表2和圖7可知，所選的9個(gè)評(píng)價(jià)因子中坡度與起伏度的相關(guān)性系數(shù)為0.53gt;0.5，二者之間的相關(guān)性并不是非常高，但仍具有一定的趨勢(shì)。其余各因子相關(guān)性系數(shù)絕對(duì)值均小于0.5，各因子相關(guān)性較低且不存在多重共線性，評(píng)價(jià)因子互相影響不大，獨(dú)立性較好，因子選擇合理。

3.3" 影響因子重要性分析

滑坡的發(fā)生受多種因素影響，每個(gè)因素對(duì)滑坡發(fā)生的影響程度各異，因此需對(duì)所選影響因子進(jìn)行重要性分析［31-32］。通過(guò)利用SPSS軟件，采用Critic權(quán)重法計(jì)算各影響因子標(biāo)準(zhǔn)差與相關(guān)系數(shù)之積，以此反映它們?cè)谡w影響中所占權(quán)重，進(jìn)而量化各影響因子的重要度。如圖8所示，排在前3位的分別為距道路距離、降雨量、距構(gòu)造距離，由此可知研究區(qū)內(nèi)滑坡災(zāi)害的誘發(fā)主要受人類工程活動(dòng)（距道路距離）、地質(zhì)構(gòu)造、降雨等因素影響。其主要誘因是區(qū)內(nèi)人類工程活動(dòng)強(qiáng)烈，在公路交通建設(shè)中開(kāi)挖切坡、亂堆亂倒現(xiàn)象頻繁；異常降雨也是導(dǎo)致全區(qū)滑坡災(zāi)害頻發(fā)主要因素，而滑坡分布主要沿?cái)嗔褞Оl(fā)育，加之區(qū)內(nèi)新構(gòu)造運(yùn)動(dòng)較為活躍，河流、溝谷下切作用顯著，使原有斜坡高差不斷增大，形成高陡斜坡，為滑坡發(fā)育提供了地形地貌條件［33］。通過(guò)對(duì)滑坡影響因子進(jìn)行重要性分析，一定程度上反映了研究區(qū)內(nèi)滑坡災(zāi)害的分布特征及所受到的影響程度，這與野外實(shí)地調(diào)查情況基本相符。

4" 結(jié)果與分析

4.1" 評(píng)價(jià)結(jié)果分析

對(duì)滑坡易發(fā)性分區(qū)面積及災(zāi)害占比進(jìn)行統(tǒng)計(jì)分析，統(tǒng)計(jì)結(jié)果見(jiàn)表3和如圖9所示。

基于ArcGIS生成各耦合模型及傳統(tǒng)獨(dú)立模型（IV）的滑坡易發(fā)性分區(qū)結(jié)果，如圖10和圖11所示。

可知IV模型得到的極高易發(fā)區(qū)面積為398.13 km2，占比為11.60%，其中滑坡災(zāi)害占為36.24%。而IV-SVM、 IV-RBF、 IV-ELM、 IV-BPNN 4種耦合模型得到的極高易發(fā)區(qū)面積分別為238.31，445.53，326.28，298.44 km2；面積占比分別為6.94%、 12.98%、 9.50%、 8.69%；極高易發(fā)區(qū)中滑坡災(zāi)害占比分別為39.30%、 58.08%、 48.03%、 51.09%；極高易發(fā)區(qū)災(zāi)害頻率比分別為5.66，4.48，5.05，5.88。從分區(qū)面積與災(zāi)點(diǎn)個(gè)數(shù)的頻率比來(lái)看4種耦合模型相比IV模型的分區(qū)結(jié)果更加精確。從評(píng)價(jià)分區(qū)結(jié)果對(duì)比圖9可知，4種耦合模型的易發(fā)性分區(qū)面積都在逐步減少，滑坡數(shù)量在逐步增加，符合實(shí)際情況，而IV模型卻在高易發(fā)區(qū)時(shí)分區(qū)面積最大。結(jié)果表明提出的4耦合模型相比傳統(tǒng)的統(tǒng)計(jì)模型（IV）優(yōu)勢(shì)更大，從滑坡災(zāi)害的實(shí)際分布情況及各模型的評(píng)價(jià)結(jié)果來(lái)看，其中IV-BPNN模型的易發(fā)性分區(qū)結(jié)果的分布更加合理。

通過(guò)對(duì)比發(fā)現(xiàn)，IV-BPNN模型的易發(fā)性分區(qū)與其他模型結(jié)果存在一定差異性，這是因?yàn)闃?gòu)成數(shù)據(jù)模型維度較高且數(shù)據(jù)之間不具備線性連續(xù)關(guān)系。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜數(shù)據(jù)中非線性關(guān)系方面更為突出，可以更有效地逼近數(shù)據(jù)的真實(shí)分布，相比之下，其他模型對(duì)于高維度數(shù)據(jù)和非線性關(guān)系的處理能力較弱，導(dǎo)致各模型結(jié)果之間的差異。

由各模型的易發(fā)性分區(qū)結(jié)果顯示，極高易發(fā)區(qū)和高易發(fā)區(qū)主要沿公路及河流方向呈條帶狀分布，多集中于永樂(lè)街道辦及各城鎮(zhèn)核心區(qū)域，該區(qū)域主要為低山河谷區(qū)，地質(zhì)環(huán)境復(fù)雜，滑坡災(zāi)害密集發(fā)育，水系豐富，交通道路密集，城鎮(zhèn)化水平高，人類活動(dòng)強(qiáng)度大。中易發(fā)區(qū)和低易發(fā)區(qū)呈片狀分布于木王鎮(zhèn)、云蓋寺鎮(zhèn)、西口回族和茅坪回族鎮(zhèn)，以及廟溝鎮(zhèn)、大坪鎮(zhèn)、青銅關(guān)鎮(zhèn)、達(dá)仁鎮(zhèn)、柴坪鎮(zhèn)等城鎮(zhèn)外圍區(qū)域，該區(qū)域主要為中山溝谷區(qū)和高山區(qū)，地質(zhì)環(huán)境較差，滑坡災(zāi)害較發(fā)育，人口相對(duì)較少，交通密度較小，城鎮(zhèn)化水平低，人類工程活動(dòng)中等。

4.2" 評(píng)價(jià)精度檢驗(yàn)

對(duì)結(jié)果進(jìn)行精度驗(yàn)證，可采用ROC曲線對(duì)評(píng)價(jià)模型精度進(jìn)行檢驗(yàn)，ROC曲線又稱工作特征曲線，是衡量評(píng)價(jià)模型精度的指標(biāo)，同時(shí)以曲線下方面積AUC指標(biāo)檢驗(yàn)評(píng)價(jià)結(jié)果精度，AUC值越接近１，表明模型評(píng)價(jià)結(jié)果精度越高［34-35］。以滑坡易發(fā)性分區(qū)累計(jì)面積比為橫坐標(biāo)表示預(yù)警概率或特異性，累計(jì)災(zāi)害點(diǎn)數(shù)量比為縱坐標(biāo)表示檢測(cè)概率或敏感性，分別將IV、IV-SVM、IV-RBF、IV-ELM和IV-BPNN模型得到的結(jié)果繪制成ROC曲線圖，從圖12可以看出其AUC值分別為0.722、0.841、0.813、0.838、0.863，

4種耦合模型的精度評(píng)價(jià)指標(biāo)整體大于IV模型，而其中IV-BPNN模型相比其他耦合模型評(píng)價(jià)精度更高，相比信息量模型提高了19.5%，更能較好地用于鎮(zhèn)安縣滑坡易發(fā)性評(píng)價(jià)工作中。

5" 結(jié)" 論

1）研究區(qū)內(nèi)滑坡災(zāi)害發(fā)生影響程度最大的是因子是距道路距離，其次為降雨量和距構(gòu)造距離，所占權(quán)重分別為0.133、0.131、0.129。反映了鎮(zhèn)安縣滑坡的廣泛發(fā)育與復(fù)雜的地質(zhì)構(gòu)造、降雨沖刷以及人類工程活動(dòng)強(qiáng)度有著密切的聯(lián)系。

2）基于IV-SVM、IV-RBF、IV-ELM、IV-BPNN 4種耦合模型得到的評(píng)價(jià)結(jié)果與研究區(qū)歷史滑坡的實(shí)際分布情況相吻合，研究區(qū)滑坡極高易發(fā)區(qū)和高易發(fā)區(qū)主要分布于道路兩側(cè)、地形起伏大的河流溝谷及斷裂帶發(fā)育的山體破碎地帶。

3）采用ROC曲線對(duì)4種耦合模型和信息量模型結(jié)果進(jìn)行精度檢驗(yàn)，耦合模型（IV-SVM、IV-RBF、IV-ELM、IV-BPNN）的AUC值均大于信息量模型的AUC值（0.722），具體分別為0.841、 0.813、0.838、0.863。與信息量模型相比，耦合模型具有更高的準(zhǔn)確度，可以提高滑坡預(yù)測(cè)能力，其中IV-BPNN耦合模型的評(píng)價(jià)精度更好，評(píng)價(jià)結(jié)果更為準(zhǔn)確，可作為當(dāng)?shù)鼗路乐喂ぷ鞯膮⒖家罁?jù)。

研究通過(guò)對(duì)比分析選擇適用于鎮(zhèn)安縣及其周邊地區(qū)滑坡易發(fā)性評(píng)價(jià)的模型及方法，為類似區(qū)域的滑坡防治提供一種研究思路。此外，研究未能充分關(guān)聯(lián)影響因素與滑坡內(nèi)部應(yīng)力分布、位移變化之間的關(guān)系，因此在后續(xù)研究中需采用更為綜合、多元的分析方法，進(jìn)一步提高對(duì)滑坡易發(fā)性的準(zhǔn)確評(píng)估。

參考文獻(xiàn)（References）：

［1］" YI X，F(xiàn)ENG W，BAI H，et al.Catastrophic landslide triggered by persistent rainfall in Sichuan，China：August 21，2020，Zhonghaicun landslide［J］.Landslides，2021，18（8）：1-15.

［2］黃發(fā)明，殷坤龍，蔣水華，等.基于聚類分析和支持向量機(jī)的滑坡易發(fā)性評(píng)價(jià)［J］.巖石力學(xué)與工程學(xué)報(bào)，2018，37（1）：156-467.

HUANG Faming，YIN Kunlong，JIANG Shuihua，et al.Landslide susceptibility assessment based on clustering analysis and support vector machine［J］.Chinese Journal of Rock Mechanics and Engineering，2018，37（1）：156-467.［3］

王存智，張煒，李晨冬，等.基于GIS和層次分析法的沙溪流域滑坡地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)［J］.中國(guó)地質(zhì)調(diào)查，2022，9（5）：51-60.

WANG Cunzhi，ZHANG Wei，LI Chendong，et al.Susceptibility evaluation of landslide hazards of Shaxi river basin based on GIS and AHP［J］.Geological Survey of China，2022，9（5）：51-60.

［4］楊光，徐佩華，曹琛，等.基于確定性系數(shù)組合模型的區(qū)域滑坡敏感性評(píng)價(jià)［J］.工程地質(zhì)學(xué)報(bào)，2019，27（5）：1153-1163.

YANG Guang，XU Peihua，CAO Chen，et al.Assessment of regional landslide susceptibility based on combined model of certainty factor method［J］.

Journal of Engineering Geology，2019，27（5）：1153-1163.

［5］

ABEDINI M，GHASEMIAN B，SHIRZADI A，et al.A comparative study of support vector machine and logistic model tree classifiers for shallow landslide susceptibility modeling［J］.Environmental Earth Sciences，2019，78（18）：560.

［6］錢紫玲，王平，李娜，等.基于信息量和邏輯回歸耦合模型的黃土地震滑坡危險(xiǎn)性分析［J］.地震工程學(xué)報(bào)，2023（3）：706-715.

QIAN Ziling，WANG Ping，LI Na，et al.Risk analysis of loess seismic landslides based on an information value-logistic regression coupling model［J］.China Earthquake Engineering Journal，2023（3）：706-715.

［7］

劉艷輝，黃俊寶，肖銳鏵，等.基于隨機(jī)森林的福建省區(qū)域滑坡災(zāi)害預(yù)警模型研究［J］.工程地質(zhì)學(xué)報(bào)，2022，30（3）：944-955.

LIU Yanhui，HUANG Junbao，XIAO Ruihua，et al.Study on early warning model for regional landslides based on random forest in Fujian Province［J］.Journal of Engineering Geology，2022，30（3）：944-955.［8］

武雪玲，楊經(jīng)宇，牛瑞卿.一種結(jié)合SMOTE和卷積神經(jīng)網(wǎng)絡(luò)的滑坡易發(fā)性評(píng)價(jià)方法［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2020，45（8）：1223-1232.

WU Xueling，YANG Jingyu，NIU Ruiqing.A landslide susceptibility assessment method using smote and convolutional neural network［J］.Geomatics and Information Science of Wuhan University，2020，45（8）：1223-1232.［9］

LUO X，LIN F，ZHU S，et al，Mine landslide susceptibility assessment using IVM，ANN and SVM models considering the contribution of affecting factors［J］.PLoS One，2019，14（4）：0215134.［10］

李成林，劉嚴(yán)松，賴思翰，等.基于BP神經(jīng)網(wǎng)絡(luò)模型的滑坡易發(fā)性評(píng)價(jià)方法［J］.科學(xué)技術(shù)與工程，2023，23（13）：5481-5492.

LI Chenglin，LIU Yansong，LAI Sihan，et al.Landslide susceptibility evaluation methods based on BP neural network model［J］.Science Technology and Engineering，2023，23（13）：5481-5492.［11］

劉飛，秦勝伍，喬雙雙，等.基于神經(jīng)網(wǎng)絡(luò)模型的斜坡地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)——以吉林永吉為例［J］.世界地質(zhì)，2019，38（4）：1166-1176.

LIU Fei，QIN Shengwu，QIAO Shuangshuang，et al.Slope geological hazards susceptibility evaluation based on neural network model：A case study from Yongji County of Jilin Province［J］.Global Geology，2019，38（4）：1166-1176.［12］

楊得虎，朱杰勇，劉帥，等.基于信息量、加權(quán)信息量與邏輯回歸耦合模型的云南羅平縣崩滑災(zāi)害易發(fā)性評(píng)價(jià)對(duì)比分析［J］.中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2023，34（5）：43-53.

YANG Dehu，ZHU Jieyong，LIU Shuai，et al.Comparative analyses of susceptibility assessment for landslide disasters based on information value，weighted information value and logistic regression coupled model in Luoping County，Yunnan Province［J］.The Chinese Journal of Geological Hazard and Control，2023，34（5）：43-53.

［13］喬德京，王念秦，郭有金，等.加權(quán)確定性系數(shù)模型的滑坡易發(fā)性評(píng)價(jià)［J］.西安科技大學(xué)學(xué)報(bào)，2020，40（2）：259-267.

QIAO Dejing，WANG Nianqian，GUO Youjin，et al.Landslide susceptibility assessment based on weighted certainty factor model［J］.Journal of Xi’ an University of Science and Technology，2020，40（2）：259-267.［14］楊盼盼，王念秦，郭有金，等.基于加權(quán)信息量模型的臨潼區(qū)滑坡易發(fā)性評(píng)價(jià)［J］.長(zhǎng)江科學(xué)院院報(bào)，2020，37（9）：50-56.

YANG Panpan，WANG Nianqin，GUO Youjin，et al.Evaluation of landslide susceptibility in Lintong area based on weighted information model［J］.Journal of Yangtze River Scientific Research Institute，2020，37（9）：50-56.［15］

謝維安，谷士飛，向星多，等.基于信息量與多模型耦合的碎屑巖區(qū)滑坡易發(fā)性分區(qū)評(píng)價(jià)［J］.自然災(zāi)害學(xué)報(bào)，2023，32（1）：236-244.

XIE Weian，GU Shifei，XIANG Xingduo，et al.Zoning evaluation of landslide susceptibility in clastic rock areas based on information and multi-model coupling［J］.Journal of Natural Disasters，2023，32（1）：236-244.［16］

薛正海，馮文凱，韓靖楠，等.基于信息量及層次分析關(guān)聯(lián)法和BP神經(jīng)網(wǎng)絡(luò)耦合的滑坡易發(fā)性評(píng)價(jià)［J］.桂林理工大學(xué)學(xué)報(bào)，2022，42（4）：809-819.

XUE Zhenghai，F(xiàn)ENG Wenkai，HAN Jingnan，et al.Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model［J］.Journal of Guilin University of Technology.2022，42（4）：809-819.［17］XINYI G，BIHONG F，JIE D，et al.Enhancing post-seismic landslide susceptibility modeling in China through a time-variant approach：A spatio-temporal analysis［J］.International Journal of Digital Earth，2023，16（2）：4265-4295.

［18］吳少元.基于信息量模型的廈門市崩塌和滑坡地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)［J］.安全與環(huán)境工程，2019，26（3）：22-27.

WU Shaoyuan.Susceptibility evaluation of geological hazards of collapse and landslides in Xiamen city based on information model［J］.Safety and Environmental Engineering，2019，26（3）：22-27.［19］

何萬(wàn)才，趙俊三，林伊琳，等.基于證據(jù)權(quán)和支持向量機(jī)模型的威信縣滑坡易發(fā)性評(píng)價(jià)［J］.科學(xué)技術(shù)與工程，2023，23（15）：6350-6360．

HE Wancai，ZHAO Junsan，LIN Yilin，et al． Landslide susceptibility assessment in Weixin County based on evidence weight and support vector machine model［J］．Science Technology and Engineering，2023，23（15）：6350-6360．［20］

魏文豪，賈雨霏，盛逸凡，等，基于Ⅰ、SVM、Ⅰ-SVM的滑坡災(zāi)害易發(fā)性評(píng)價(jià)模型研究［J］，安全與環(huán)境工程，2023，30（3）：136-144.

WEI Wenhao，JIA Yufei，SHENG Yifan，et al.Research on landslide susceptibility evaluation model based on I，SVM and I-SVM［J］.Safety and Environmental Engineering，2023，30（3）：136-144.［21］

黃立鑫，郝君明，李旺平，等.基于RBF神經(jīng)網(wǎng)絡(luò)-信息量耦合模型的滑坡易發(fā)性評(píng)價(jià)——以甘肅岷縣為例［J］.中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2021，32（6）：116-126.

HUANG Lixin，HAO Junming，LI Wangping，et al.Landslide susceptibility assessment by the coupling method of RBF neural network and information value：A case study in Minxian，Gansu Province［J］.The Chinese Journal of Geological Hazard and Control，2021，32（6）：116-126.［22］蔡捷，周金文，黎敏剛，等.基于AHP-RBF神經(jīng)網(wǎng)絡(luò)模型的廢棄礦區(qū)泥石流危險(xiǎn)性評(píng)價(jià)研究［J］.中國(guó)礦業(yè)，2023，32（S2）：55-60.

CAI Jie，ZHOU Jinwen，LI Min’gang，et al.Risk assessment of debris flow in abandoned mining area based on AHP-RBF neural network model［J］.China Mining Magazine，2023，32（S2）：55-60.［23］曹博，汪帥，宋丹青，等.基于蟻群算法優(yōu)化極限學(xué)習(xí)機(jī)模型的滑坡位移預(yù)測(cè)［J］.水資源與水工程學(xué)報(bào)，2022，33（2）：172-178.

CAO Bo，WANG Shuai，SONG Danqing，et al.Landslide displacement prediction based on extreme learning machine optimized by ant colony algorithm［J］.Journal of Water Resources amp; Water Engineering，2022，33（2）：172-178.［24］

張寧，李青，李闖將，等.基于極限學(xué)習(xí)機(jī)和熵值法的巖土災(zāi)變預(yù)警［J］.科學(xué)技術(shù)與工程，2019，19（33）：251-258.

ZHANG Ning，LI Qing，LI Chuangjiang，et al.Rock and soil catastrophe early warning research based on extreme learning machine and entropy method［J］.Science Technology and Engineering，2019，19（33）：251-258.［25］

SHUAI Z，CAN L，JINGYU P，et al.GIS-based soil planar slide susceptibility mapping using logistic regression and neural networks：A typical red mudstone area in southwest China［J］.Geomatics，Natural Hazards and Risk，2021，12（1）：852-879.［26］張?jiān)剑螣槦?基于BP神經(jīng)網(wǎng)絡(luò)和決策樹(shù)的昆明市東川區(qū)滑坡空間易發(fā)性評(píng)價(jià)［J］.國(guó)土與自然資源研究，2023（2）：67-70.

ZHANG Yue，SONG Weiwei.Spatial susceptibility evaluation of landslide in Dongchuan District of Kunming based on BP neural network and decision tree［J］.Territory amp; Natural Resources Study，2023（2）：67-70.［27］周萍，鄧輝，張文江，等.基于信息量模型和機(jī)器學(xué)習(xí)方法的滑坡易發(fā)性評(píng)價(jià)研究——以四川理縣為例［J］.地理科學(xué)，2022，42（9）：1665-1675.

ZHOU Ping，DENG Hui，ZHANG Wenjiang，et al.Landslide susceptibility evaluation based on information value model and machine learning method：A case study of Lixian County Sichuan Province［J］.Scientia Geographical Sinica，2022，42（9）：1665-1675.［28］陳飛，蔡超，李小雙，等.基于信息量與神經(jīng)網(wǎng)絡(luò)模型的滑坡易發(fā)性評(píng)價(jià)［J］.巖石力學(xué)與工程學(xué)報(bào)，2020，39（S1）：2859-2870.

CHEN Fei，CAI Chao，LI Xiaoshuang，et al.Evaluation of landslide susceptibility based on information volume and neural network model［J］.Chinese Journal of Rock Mechanics and Engineering，2020，39（S1）：2859-2870.［29］孔嘉旭，莊建琦，彭建兵，等.基于信息量和卷積神經(jīng)網(wǎng)絡(luò)的黃土高原滑坡易發(fā)性評(píng)價(jià)［J］.地球科學(xué)，2023，48（5）：1711-1729.

KONG Jiaxu，ZHUANG Jianqi，PENG Jianbing，et al.Evaluation of landslide susceptibility in Chinese loess Plateau based on IV-RF and IV-CNN coupling models［J］.Earth Science，2023，48（5）：1711-1729.

［30］鄧念東，李宇新，崔陽(yáng)陽(yáng)，等.基于機(jī)器學(xué)習(xí)混合模型的滑坡易發(fā)性評(píng)價(jià)［J］.科學(xué)技術(shù)與工程，2022，22（14）： 5539-5547.

DENG Niandong，LI Yuxin，CUI Yangyang，et al.Landslide susceptibility assessment based on hybrid model of machine learning［J］.Science Technology and Engineering，2022，22（14）： 5539-5547.

［31］黃發(fā)明，李金鳳，王俊宇，等.考慮線狀環(huán)境因子適宜性和不同機(jī)器學(xué)習(xí)模型的滑坡易發(fā)性預(yù)測(cè)建模規(guī)律［J］.地質(zhì)科技通報(bào)，2022，41（2）：44-59.

HUANG Faming，LI Jinfeng，WANG Junyu，et al.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，2022，41（2）： 44-59.

［32］牟家琦，莊建琦，王世寶，等.基于深度神經(jīng)網(wǎng)絡(luò)模型的雅安市滑坡易發(fā)性評(píng)價(jià)［J］.中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2023，34（3）：157-168.

MU Jiaqi，ZHUANG Jianqi，WANG Shibao，et al.Evaluation of landslide susceptibility in Yaan city based on depth neural network model［J］.The Chinese Journal of Geological Hazard and Control，2023，34（3）：157-168.［33］徐巖巖.陜南地質(zhì)災(zāi)害隱患點(diǎn)分布特征與防治對(duì)策［C］//陜西省地質(zhì)調(diào)查院.秦巴山區(qū)地質(zhì)災(zāi)害與防治學(xué)術(shù)研討會(huì)論文集.中國(guó)地質(zhì)大學(xué)出版社，2015：9.

XU Yanyan.Distribution characteristics and prevention measures of geological hazards in southern Shaanxi［C］//Shaanxi Institute of Geological Survey.Proceedings of the Symposium on Geological hazards and Prevention in Qinba Mountain area.China University of Geosciences Press，2015：9.［34］

溫鑫，范宣梅，陳蘭，等.基于信息量模型的地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)：以川東南古藺縣為例［J］.地質(zhì)科技通報(bào)，2022，41（2）：290-299.

WEN Xin，F(xiàn)AN Xuanmei，CHEN Lan，et al，Susceptibility assessment of geological.disasters based on an information value model：A case of Gulin county in Southeast Sichuan［J］.Bulletin of Geological Science and Technology，2022，41（2）：290-299.［35］焦偉之，張明，謝鑫鵬，等.基于GIS與加權(quán)信息量模型的城鎮(zhèn)地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)——以大新鎮(zhèn)為例［J］.安全與環(huán)境工程，2022，29（4）：119-128.

JIAO Weizhi，ZHANG Ming，XIE Xinpeng，et al.Susceptibility evaluation of urban geological disaster based on GIS and weighted information value model：A case study of Daxin town［J］.Safety and Environmental Engineering，2022，29（4）：119-128.

（責(zé)任編輯：高佳）