基于3種算法的海南州泥石流易發(fā)性預(yù)測及致災(zāi)因子研究

關(guān)鍵詞：泥石流；致災(zāi)因子；易發(fā)性預(yù)測;RF算法;GBDT算法;XGBoost算法；海南藏族自治州中圖分類號：P642.22 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.07.003引用格式：胡少偉，郭要輝，葉宇霄，等.基于3種算法的海南州泥石流易發(fā)性預(yù)測及致災(zāi)因子研究[J].人民黃河，2025，47（7）：13-19.

Study on Debris Flow Susceptibility Prediction and Disaster-Causing Factors in Hainan Based on Three Algorithms

HU Shaowei ^1，2 ，GUO Yaohui2，YE Yuxiao1， LIAO Yi 1， ZHANG Zhiwei2，，LI Liang2 （1.College of Water Conservancy and Transportation， Zhengzhou University，Zhengzhou 45Oo01，China; 2.School of Civil Engineering， Chongqing University，Chongqing 4Oo045，China）

Abstract：Inodertosrentedisasterausingfactors tatiducedebrisfows，evaluatetepefoanceof tetreemachilaingal gorithmsofRF，GBDndXGBot，preditigtesuseptiblityfebrisos，ndprovdeferenesfgeolocalsastert anddisasterpreventionandmitigationintheareaspronetodebrisflows，akingHainanTibetanAutonomousPrefecture，QinghaiProvinceas thestudyaraandasedonstorcaldebrisflowisasterdataasedoteitiallseleced7ifuencngfactorsandteeasoe tioncoeficientfebrsfodssters，edsstercausigfctorstatiducedebrsereseedTemaingdisastecausigc torswereclasifidnd8ombatiosofdisaster-ausingfctos ereset.Tethe macheangalgiofRF，GBD，andXGoost wereusedtopredictthesusceptibilityofebrisflow.Thpredictionfectwasevaluatedyindicatorssuchasaccuracyateprecisiorate， recallrate，soendOAUC.esulssotata）distaefroeiverhael，levatio，oilrodibilityopgacs tureindexaliallaoias ture，curvature，lointofvatiooevationdsptareisastecaingfactosatiduedebrisflowiestudy area.Amogtlevatiostaefroiveaeloliltpogapcoedalfallal vegetationndexaretheaindisaster-causingfactos.b）WhentetreealgoitsofRF，GBDandXGBoostareusedtopredictthlikeliodfebrisflow，thepredictionfctbasedontedisaster-causingfactrcombiationC7（tiscombiationdosnotcosiderslopedirection）isthebst，andthepredictionefectsbasedontedisaster-causigfactorcombnatiosC5（thiscombnationdoesnotcosiderurvature，coeficientofvarationofelevationandlopedirection）andC8（thisombiationcosidersalldisaster-ausingfactors）arealso goodc）Whenpredictingthesuseptibilityofebrisflowsbasedonthdsaster-causingfactorcombinationC7，theankingofteadvantages and disadvantages of the three algorithms is XGBoost， GBDT and RF.

Keywords：debrisflow;disaster-causingfactors；susceptibilityprediction;RFalgori;GBDalgorit;XGBostalgoritHaan betan Autonomous Prefecture

0 引言

泥石流是由強降水或洪水等誘發(fā)的一種地質(zhì)災(zāi)害，其挾帶大量泥沙、石塊和巨礫等固體顆粒沿山谷或坡地快速流動，具有突發(fā)性強、破壞力大、災(zāi)害嚴重、波及范圍廣等特點[1-4]。泥石流易發(fā)性預(yù)測是制定防災(zāi)減災(zāi)措施的基礎(chǔ)工作之一[5-7]，然而，泥石流的發(fā)生受多種因素（地形地貌、氣候、土壤類型、植被覆蓋和人類活動等）影響[8-9]，且各種因素相互交織、具有復(fù)雜的非線性關(guān)系，使得泥石流預(yù)測極具挑戰(zhàn)性。泥石流預(yù)測方法大致可分為傳統(tǒng)統(tǒng)計方法和機器學(xué)習(xí)算法（模型）兩類[10]，其中：傳統(tǒng)統(tǒng)計方法有邏輯回歸法、頻率比法、證據(jù)權(quán)法、熵權(quán)法、信息量法等[1I-16]，這些方法假設(shè)致災(zāi)因子之間為線性關(guān)系，構(gòu)建泥石流發(fā)生概率數(shù)學(xué)模型對泥石流發(fā)生的可能性進行估計，因沒有考慮（捕捉到）因子間的非線性關(guān)系而模型泛化能力及預(yù)測精度相對較低；機器學(xué)習(xí)算法是隨著GIS、RS、大數(shù)據(jù)等信息技術(shù)快速發(fā)展而出現(xiàn)的基于數(shù)據(jù)驅(qū)動的預(yù)測方法，如支持向量機、隨機森林、梯度提升決策樹、極端梯度提升、深度神經(jīng)網(wǎng)絡(luò)等[17-23]，能夠處理因子間復(fù)雜的非線性關(guān)系并挖掘其潛在的交互作用，在相關(guān)領(lǐng)域預(yù)測中已展現(xiàn)出強大的性能優(yōu)勢。

本文以青海省海南藏族自治州為研究區(qū)，基于歷史泥石流災(zāi)害數(shù)據(jù)，篩選誘發(fā)泥石流的致災(zāi)因子、評估當前在相關(guān)領(lǐng)域廣泛應(yīng)用的3種機器學(xué)習(xí)算法（RF、GBDT、XGBoost）用于泥石流易發(fā)性預(yù)測的性能及適用性，以期為泥石流多發(fā)區(qū)地質(zhì)災(zāi)害預(yù)測及防災(zāi)減災(zāi)工作提供參考。

1 研究區(qū)概況

海南藏族自治州位于東經(jīng) 99^°51^′-102^°54^′ 、北緯35^°34^′-37^°10^′ ，地處青藏高原東北緣，轄共和、貴德、貴南、同德、興海五縣。境內(nèi)地勢西高東低，四周環(huán)山（如南山、日月山等）、盆地居中，地形起伏較大；研究區(qū)屬典型的高原大陸性氣候區(qū)，冬季漫長、寒冷，夏季短暫、溫暖，降水主要集中在夏季；境內(nèi)河流眾多，主要為黃河水系（黃河干流及多條支流從境內(nèi)流過）和青海湖水系；地質(zhì)構(gòu)造復(fù)雜，受喜馬拉雅造山運動的影響較大，地層多為古生代、中生代和新生代沉積巖，受構(gòu)造運動和巖漿活動的影響，地質(zhì)活動較為頻繁；地處地震帶和滑坡帶交會處，山體滑坡、泥石流和地面塌陷等災(zāi)害時有發(fā)生，對當?shù)鼐用竦纳a(chǎn)生活造成一定影響。

2 泥石流影響因子及分級

泥石流成因復(fù)雜多變，影響因子眾多[24]。一般來說，泥石流的產(chǎn)生需要充足的水源、陡峭的地形和松散的物源。根據(jù)研究區(qū)地質(zhì)環(huán)境背景及泥石流災(zāi)害發(fā)育情況，本研究從地形、水文、植被、土壤、地質(zhì)與人類活動等方面初選17個泥石流影響因子，從中篩選致災(zāi)因子。

2.1 地形因子

1）高程（海拔， .X₁ ）。本文高程為黃海高程。一般來說，中等海拔區(qū)容易積累泥石流物源（松散碎屑物），具有發(fā)生泥石流的必要條件。

2）坡度 （X₂） 。坡度即坡面垂直高度與水平寬度的比值。坡度較大的陡坡上泥石流運動往往具有充足動力但物源難以積累，而緩坡上物源容易積累但泥石流運動動力較小。

3）坡向 （X₃） 。不同坡向的降水量、地表徑流流向、植被覆蓋度等有所不同，間接對泥石流的孕育產(chǎn)生影響。

4）曲率 （X₄） 、平面曲率 （X₅） 、剖面曲率 （X₆） 。凹形坡面（山谷）匯聚水流、加速土壤飽和、易引發(fā)泥石流，凸形坡面（山脊）分散徑流、不易發(fā)生泥石流。

5）地表切割深度 （X₇） 。一般來講，地表切割深度越大土壤侵蝕越強烈、溝谷越發(fā)育、物源越豐富，越能為泥石流提供物源和通道。

6）地形粗糙度 （X₈） 。高粗糙度地形可阻礙水流，但也可能因微地形起伏形成局部堵塞而增大潰決風(fēng)險并引發(fā)泥石流。

7）高程變異系數(shù) （X₉） 。高程變異系數(shù)反映地形復(fù)雜度，其值越大表明地勢起伏越劇烈、坡面穩(wěn)定性越差、泥石流越容易發(fā)生。

8）地形起伏度（ X₁₀） 。地形起伏度指在特定區(qū)域內(nèi)最高點高程與最低點高程的差值，其值越大往往土攘侵蝕越強烈、坡面松散碎屑物遷移越活躍、泥石流發(fā)生的概率越大。

2.2 水文因子

1）年降雨量 （X₁₁） 。降雨（尤其短歷時暴雨）是泥石流主要誘因，其導(dǎo)致土壤飽和、孔隙水壓驟升、抗剪強度降低并為泥石流提供充足的水源。

2）地形濕度指數(shù)（ X₁₂） 。地形濕度指數(shù)大的區(qū)域（如河谷、洼地）匯水能力強，土壤長期濕潤，易發(fā)生泥石流。

3）與河道距離 （X₁₃） 。一般來講，距離河道越近土體被侵蝕的強度越大，越能為泥石流提供物源等條件。

2.3 植被與土壤因子

1）歸一化植被指數(shù)（ （X₁₄） 。歸一化植被指數(shù)反映植被覆蓋度，高覆蓋度地區(qū)植被能有效截留降水、減少徑流且根系固結(jié)土壤的能力較強，能顯著減小泥石流運動動力、減少物源供給

2）土壤可蝕性 （X₁₅） 。土壤可蝕性指土壤對侵蝕動力的敏感性，可蝕性強（抗蝕性弱）的土壤易被侵蝕、持續(xù)為泥石流提供物源。

2.4 地質(zhì)與人類活動因子

1）巖性 （X₁₆） 。堅硬巖石抗剪強度高、抗風(fēng)化能力強，不易發(fā)生泥石流，而軟弱巖易碎解并成為泥石流物源。

2）與道路距離 （X₁₇ ）。一般來說，在山區(qū)修建道路往往需要開挖坡面，因而降低坡面穩(wěn)定性、改變地表徑流路徑、為泥石流提供物源等，與道路越近以修路為代表的人類活動導(dǎo)致泥石流發(fā)生的風(fēng)險越大。

2.5 數(shù)據(jù)來源及因子分級（分類）

1）數(shù)據(jù)來源。高程數(shù)據(jù)來源于地理空間數(shù)據(jù)云提供的數(shù)字高程模型（DEM），坡度、坡向、曲率、平面曲率、剖面曲率、地形起伏度、地形粗糙度、地表切割深度、高程變異系數(shù)和地形濕度指數(shù)基于DEM進行數(shù)據(jù)處理得到，與河道距離、與公路距離基于國家基礎(chǔ)地理信息系統(tǒng)提供的公路路網(wǎng)和水系數(shù)據(jù)進行數(shù)據(jù)處理得到，歸一化植被指數(shù)源于國家生態(tài)數(shù)據(jù)中心資源共享服務(wù)平臺，年降雨量數(shù)據(jù)源于中國氣象局氣象數(shù)據(jù)中心。

2）因子分級（分類）。對于取值為連續(xù)型的影響因子采用自然斷點法進行分級，而對于取值為離散型的致災(zāi)因子，以已有分級為基礎(chǔ)，根據(jù)研究區(qū)取值實際情況進行重分級，分級標準見表1（各數(shù)值型因子分為4＼～6級）。對于巖性（為非數(shù)值型因子），分為14類：1—酸性深成巖，2一酸性火山巖，3一基性深成巖，4—基性火山巖，5—碳酸鹽沉積巖，6—蒸發(fā)巖，7—冰川，8—中性深成巖，9—中性火山巖，10—變質(zhì)巖，11一混合沉積巖，12—火山碎屑巖，13—硅質(zhì)碎屑沉積巖，14一松散沉積物。

3研究方法

采用皮爾遜相關(guān)系數(shù)反映影響因子與泥石流災(zāi)害的相關(guān)性，據(jù)此進行致災(zāi)因子篩選；采用RF（RandomForest，隨機森林）、GBDT（Gradient Boosting DecisionTree，梯度提升決策樹）、XGBoost（eXtremeGradientBoosting，優(yōu)化的梯度提升樹）3種機器學(xué)習(xí)算法（也稱模型）對泥石流發(fā)生的概率進行預(yù)測，比較3種機器學(xué)習(xí)算法用于泥石流易發(fā)性預(yù)測的效果，為選擇合適的機器學(xué)習(xí)算法提供參考。

3.1 RF算法

RF是一種基于集成學(xué)習(xí)思想的機器學(xué)習(xí)算法[25-26]，通過構(gòu)建大量決策樹并對各決策樹的預(yù)測結(jié)果進行集成來有效提升預(yù)測性能，具有簡單、高效等優(yōu)點，在地質(zhì)災(zāi)害預(yù)測中被廣泛應(yīng)用。具體來講，就是利用Bootstrap重采樣方法，從原始樣本數(shù)據(jù)集中進行有放回的抽樣，生成多個子集，每個子集用于訓(xùn)練一棵獨立的決策樹；在樹的生成過程中，隨機選擇部分特征（因子）作為分裂節(jié)點的候選特征，從而降低對單一特征的過度依賴；通過集成各決策樹的預(yù)測結(jié)果，輸出整體預(yù)測值。這種“集成多樣性”的策略不僅可提高預(yù)測精度，而且可增強對噪聲和異常值的魯棒性，使其在復(fù)雜的地質(zhì)災(zāi)害預(yù)測中表現(xiàn)出色。

3.2 GBDT算法

GBDT是一種基于決策樹的高效集成學(xué)習(xí)算法，通過逐步迭代使預(yù)測誤差最小化，將多個弱學(xué)習(xí)器逐步組合成一個強學(xué)習(xí)器，從而顯著提升預(yù)測性能[27]在每次迭代中，通過擬合當前的殘差生成新決策樹、不斷減小誤差，最終實現(xiàn)更高的預(yù)測精度。這種逐步優(yōu)化的策略在處理非線性、大規(guī)模和高維數(shù)據(jù)時優(yōu)勢突出。與RF有所不同，GBDT的各決策樹之間存在依賴關(guān)系，新決策樹的訓(xùn)練以當前的殘差為基礎(chǔ)，通過逐步減小誤差來增強預(yù)測性能。在地質(zhì)災(zāi)害預(yù)測領(lǐng)域，GBDT能有效捕捉多個因子的非線性交互關(guān)系，從而顯著提高預(yù)測精度，成為復(fù)雜地質(zhì)災(zāi)害預(yù)測的重要工具之一。

3.3 XGBoost算法

XGBoost是一種基于梯度提升框架的高性能機器學(xué)習(xí)算法，在GBDT框架的基礎(chǔ)上引入L1和L2正則化項，使其泛化能力顯著提升[28]，不僅能有效防止模型過擬合，而且能更好地自動捕捉特征（因子）間的復(fù)雜關(guān)系。作為一種高效的集成學(xué)習(xí)方法，XGBoost算法因在分類和回歸中表現(xiàn)出高精度、高效率，尤其在處理大規(guī)模復(fù)雜非線性數(shù)據(jù)時優(yōu)勢顯著而廣泛應(yīng)用于各種預(yù)測。XGBoost的核心機制是通過逐步優(yōu)化（最小化誤差），在每輪迭代中擬合當前殘差，不斷提升預(yù)測能力。此外，XGBoost的高效計算性能和支持并行處理的特點，使其在大規(guī)模地質(zhì)災(zāi)害數(shù)據(jù)分析中具有獨特的適用性。

3.4 評價指標

用準確率、精確率、召回率、F1分數(shù)、ROC-AUC等指標評價3種機器學(xué)習(xí)算法用于泥石流易發(fā)性預(yù)測的效果，其中：準確率反映整體預(yù)測正確率，適用于類別平衡（各類樣本數(shù)量保持相對均衡）的場景;精確率反映預(yù)測為正類的樣本中真實正類的比例，體現(xiàn)判準能力；召回率衡量真實正類被正確預(yù)測的比例，反映算法的覆蓋能力；F1分數(shù)為精確率與召回率的調(diào)和平均數(shù)，適用于類別不平衡場景的綜合評估；ROC-AUC是評估二分類機器學(xué)習(xí)算法性能的核心指標，通過計算ROC特征曲線[以假陽率為橫軸、真陽率為縱軸，左下角坐標為（0，0）、右上角坐標為（1，1），理想分類曲線靠近左上角（O，1）］下的面積AUC（AreaUnderCurve），評估算法在不同閾值下區(qū)分正負類的整體性能，其值越接近1說明性能越好。

4結(jié)果與分析

4.1 致災(zāi)因子篩選結(jié)果及致災(zāi)因子組合

分別計算前述初選影響因子與泥石流災(zāi)害的皮爾遜相關(guān)系數(shù)，把相關(guān)系數(shù)大于0.05的14個因子作為泥石流致災(zāi)因子（按皮爾遜相關(guān)系數(shù)大小排序為 X₁₃ 、

X₁、X₁₅、X₇、X₁₁、X₁₂、X₁₆、X₈、X₆、X₁₄、X₂、X₄、X₉、X₃） ，據(jù)此設(shè)置了8種致災(zāi)因子組合，見表2。

對3種機器學(xué)習(xí)算法進行訓(xùn)練時，每種致災(zāi)因子組合均按 4：1 的比例通過分層抽樣劃分訓(xùn)練集（占樣本總數(shù)的 80% ）和測試集（占樣本總數(shù)的 20% ），均在同一計算環(huán)境下通過重復(fù)5次五折交叉驗證法確定測試集和訓(xùn)練集，并固定隨機數(shù)種子為42以確保可復(fù)現(xiàn)性。

4.2 RF算法預(yù)測性能分析

依據(jù)Gini系數(shù)設(shè)置100棵決策樹，啟用袋外誤差估計，進行RF算法建模，各致災(zāi)因子在RF算法用于泥石流易發(fā)性預(yù)測時的權(quán)重見表3，基于各因子組合的RF算法評價指標見表4。

由表3可知，在RF算法中各致災(zāi)因子重要性（權(quán)重）差異較大。其中：高程、與河道距離重要性位列前二，權(quán)重分別為 0.21141.0.18455 （均明顯大于其他因子權(quán)重），表明高程、與河道距離是泥石流易發(fā)性預(yù)測的核心因子；地形粗糙度的重要性最弱，權(quán)重僅為0.01746，表明其對泥石流預(yù)測的貢獻有限，可能屬于冗余因子。

由表4可知，基于不同因子組合的RF算法預(yù)測性能指標均較優(yōu)，其中ROC-AUC值均大于0.90，說明RF算法的分類能力非常強，能夠有效區(qū)分泥石流的易發(fā)性區(qū)域。基于不同因子組合的預(yù)測性能有顯著差別，表明某些因子可能因具有重要的泥石流致災(zāi)機理而對泥石流易發(fā)性預(yù)測有較大作用，其中：基于C7的預(yù)測性能最優(yōu)，其準確率、召回率、F1分數(shù)、ROC-AUC均較高;基于C4、C5、C6、C8的預(yù)測性能較為接近，ROC-AUC均達到或超過了0.93。綜上所述，優(yōu)化因子組合、準確把握變量間的作用機制是提升泥石流易發(fā)性預(yù)測性能的關(guān)鍵

4.3 GBDT算法預(yù)測性能分析

設(shè)置100棵回歸樹（最大深度為3、學(xué)習(xí)率為10% ），通過100輪迭代進行建模，各致災(zāi)因子在GBDT算法用于泥石流易發(fā)性預(yù)測時的權(quán)重見表3，基于各因子組合的GBDT算法評價指標見表5。

由表3可知，各致災(zāi)因子在GBDT算法中重要性位列前二的為高程、與河道距離（二者權(quán)重分別為0.41746、0.21720，顯著大于其他因子的權(quán)重），表明這2個因子對GBDT算法的預(yù)測性能貢獻最大；地形粗糙度坡度的重要性很弱（權(quán)重僅分別為0.00043和0.00489），對GBDT算法的預(yù)測性能幾乎沒有作用。

由表5可知，GBDT算法基于不同因子組合的預(yù)測性能差異不大，各種因子組合的ROC-AUC均達到0.93（不同因子組合的ROC曲線基本重合，本文圖略）。其中C1的準確率、精確率、召回率在所有組合中最高（分別為0.89、0.90、0.77），表明GBDT算法基于C1的分類預(yù)測能力較強，但是在各評價指標中召回率相對較低，原因可能是GBDT算法在捕獲正類實例時有一定欠缺。

4.4 XGBoost預(yù)測性能分析

設(shè)置100棵最大深度為3的提升樹、學(xué)習(xí)率為10% ，啟用確定性訓(xùn)練模式進行建模，各致災(zāi)因子在XGBoost算法中用于泥石流易發(fā)性預(yù)測的權(quán)重見表3，基于各因子組合的XGBoost算法評價指標見表6。

表6基于各因子組合的XGBoost算法評價指標

Tab.6 XGBoost Algorithm Evaluation Indices

由表3可知，各致災(zāi)因子中重要性最強的是高程（其權(quán)重為0.28092），與河道距離也具有較強的重要性（權(quán)重為0.17438）；重要性最弱的因子是坡度，其權(quán)重僅為0.021 70。

由表6可知，基于不同因子組合的XGBoost算法預(yù)測性能評價指標中，基于C7的所有評價指標均為最大值，準確率、精確率、召回率、F1分數(shù)、ROC-AUC分別為0.90、0.90、0.79、0.84、0.94；除基于C3的表現(xiàn)相對較差（準確率為0.85、精確率為0.83、召回率為0.71、F1分數(shù)為0.76、ROC-AUC為0.93）外，XGBoost算法基于其他因子組合的預(yù)測性能均較優(yōu)，即在區(qū)分正負樣本方面表現(xiàn)良好。

4.5 各種因子組合及3種算法綜合對比

采用RF算法對泥石流易發(fā)性進行預(yù)測時，基于因子組合C7、C5的表現(xiàn)相對較好；采用GBDT算法對泥石流易發(fā)性進行預(yù)測時，基于因子組合C1的性能最優(yōu)，基于因子組合C7、C8的表現(xiàn)也較優(yōu)；采用XGBoost算法對泥石流易發(fā)性進行預(yù)測時，基于因子組合C7的表現(xiàn)優(yōu)異。綜合對比分析認為，采用RF算法、GBDT算法和XGBoost算法對泥石流易發(fā)性進行預(yù)測時首選的因子組合為C7，因子組合C5和C8也較好。需要說明的是，因子組合C8與C7相比增加了坡向，由于坡向與坡度和地形濕度指數(shù)存在強相關(guān)性，尤其在溝谷走向與主風(fēng)向一致的區(qū)域，坡向?qū)搅鞣较虻慕忉屃Χ鄶?shù)被地形濕度指數(shù)覆蓋，因此因子組合C8的表現(xiàn)并不比C7更優(yōu)。從3種算法基于因子組合C7的預(yù)測性能評價指標比較來看，XGBoost的預(yù)測性能最優(yōu)。

5 結(jié)論

1）與河道距離、高程、土壤可蝕性、地形濕度指數(shù)、年降雨量、歸一化植被指數(shù)、高程變異系數(shù)、巖性、地形粗糙度、剖面曲率、曲率、坡度、高程變異系數(shù)、坡向是研究區(qū)誘發(fā)泥石流發(fā)生的致災(zāi)因子，其中高程、與河道距離、土壤可蝕性、地形濕度指數(shù)、年降雨量、歸一化植被指數(shù)為主要致災(zāi)因子。

2）采用RF、GBDT、XGBoost3種算法對泥石流易發(fā)性進行預(yù)測時，基于致災(zāi)因子組合C7的預(yù)測效果最佳，基于致災(zāi)因子組合C5和C8的預(yù)測效果也較好。

3）基于致災(zāi)因子組合C7進行泥石流易發(fā)性預(yù)測時，3種算法的優(yōu)劣排序為XGBoost、GBDT、RF。

參考文獻：

［1］張小曳，李澤椿，端義宏.自然災(zāi)害風(fēng)險防控科技支撐體系發(fā)展戰(zhàn)略研究[M.北京：氣象出版社，2021：105.

[2] 唐堯，王立娟，孫或，等.基于遙感技術(shù)的地震高發(fā)區(qū)山洪-泥石流災(zāi)害應(yīng)急偵測與搜救分析：以漢源縣馬烈鄉(xiāng) ^a7?20^° 災(zāi)害為例[J].中國地質(zhì)調(diào)查，2025，12（2）：112-119.

[3] 李亞娟，王祎陽，黃凱，等.基于水動力分析的下碑寺鄉(xiāng)泥石流風(fēng)險研究[J].地下水，2024，46（4）：133-135，256

[4] 陳哲鋒，郭朝旭.基于模糊層次分析法的泥石流易發(fā)性地形因子敏感性分析[J].防災(zāi)科技學(xué)院學(xué)報，2023，25（1）：21-30.

[5] 王倪山，張程，肖龍，等.干旱河谷區(qū)松散土體泥石流發(fā)育特征及流量計算：以新疆阿克蘇卡爾斯亞溝泥石流為例[J].四川地質(zhì)學(xué)報，2024，44（4）：664-670.

[6] 鮮一丁.成昆鐵路龍門溝泥石流動力學(xué)特征及危險性評估[J].鐵道建筑，2024，64（8）：156-161.

[7] 彭忠，徐剛，曾譜，等.藏中南瑪尼崗南側(cè)泥石流動力學(xué)特征、發(fā)展趨勢及防治建議[J].資源環(huán)境與工程，2024，38（6）：707-713，720.

[8]陳德斌，韓慶洋，付晶，等.排導(dǎo)困難區(qū)域的泥石流災(zāi)害防治模式研究：以新疆布爾津科克遜泥石流為例[J].工程地質(zhì)學(xué)報，2023，31（4）：1429-1437.

[9]魏萬軍.甘肅省電尕鎮(zhèn)地質(zhì)災(zāi)害分布規(guī)律及發(fā)育特征研究[J].科技創(chuàng)新與應(yīng)用，2025，15（13）：88-92.

［10］郭鵬寧，邢會歌，李從江，等.基于OOD泛化性驗證和深度全連接神經(jīng)網(wǎng)絡(luò)的泥石流易發(fā)性評價方法［J].工程科學(xué)與技術(shù)，2024，56（4）：182-193.

[11］李信，薛桂澄，柳長柱，等.基于IV、CF、LRIV和LRCF模型的海南昌江縣地質(zhì)災(zāi)害易發(fā)性評價研究［J].地震工程學(xué)報，2025，47（2）：319-330，41.

[12]周修波，李永紅，陳建平，等.基于邏輯回歸模型的山區(qū)城鎮(zhèn)地質(zhì)災(zāi)害風(fēng)險評價方法［J].城市地質(zhì)，2025，20（1）：81-91.

[13］周子俁.基于文獻計量學(xué)分析GIS地質(zhì)災(zāi)害風(fēng)險評價研究熱點[J].礦產(chǎn)勘查，2023，14（2）：258-265.

［14］何必，李遠征，陳華，等.基于熵權(quán)法和聚類分析的泥石流群危險度評價研究［J].公路，2024，69（9）：159-169.

[15]雷青青，向靈芝，羅亮，等.基于信息量與災(zāi)害熵的泥石流危險性評價對比研究：以成蘭鐵路松潘段為例[J].防災(zāi)減災(zāi)工程學(xué)報，2024，44（4）：921-932.

[16]王詩媛，向洋，高翻翻，等.自然和人為因素影響下的生態(tài)系統(tǒng)服務(wù)時空演變特征：以關(guān)中平原城市群為例[J/OL].西安理工大學(xué)學(xué)報：1-12（2024-07-11）［2025-01-24].http：//kns.cnki.net.

［17］鄧雪沁，孫力楹，陳芳.基于專利角度的我國泥石流災(zāi)害預(yù)警現(xiàn)狀[J].中國科技信息，2025（3）：25-27.

[18］肖烊，郭永剛，衛(wèi)璐寧.藏東南地區(qū)泥石流監(jiān)測預(yù)警系統(tǒng)設(shè)計與實現(xiàn)[J].四川地質(zhì)學(xué)報，2024，44（4）：708-715.

[19］陳世瀧，孟慶凱，戴勇，等.基于CMIP6未來情景的伊犁