2022年馬爾康6.0級震群同震滑坡空間分布規(guī)律分析

關(guān)鍵詞：地震群；同震滑坡；空間分布；FCNN模型；水電站流域；四川??；馬爾康中圖法分類號：P642.22；TV221.2 文獻(xiàn)標(biāo)志碼：A DOI：10.15974/j.cnki. slsdkb.2025.08.005文章編號： 1006-0081（2025）08-0031-09

0 引言

2022年6月10日，四川省阿壩藏族羌族自治州馬爾康市先后發(fā)生了5.8，6.0，5.2級地震[1]。下文將這3次地震稱為“馬爾康Ms6.0級震群”。此次地震群及其引發(fā)的次生災(zāi)害影響馬爾康市及周邊多個地區(qū)，造成較大損失[2]。近年來四川省地震引發(fā)的地質(zhì)災(zāi)害對人民生命和財產(chǎn)安全造成威脅。震后迅速且準(zhǔn)確地獲取地質(zhì)災(zāi)害的分布，對于地震災(zāi)害的緊急救援和后續(xù)安置規(guī)劃至關(guān)重要[3-4]

四川省位于中國西南部，受到印度板塊與歐亞板塊持續(xù)擠壓作用，地質(zhì)構(gòu)造復(fù)雜，西北部山區(qū)河谷狹窄、邊坡陡峭[5]。水電站工程周圍環(huán)境的邊坡高度達(dá)幾百米乃至上千米，滑坡會導(dǎo)致山體崩塌，沖擊水電站的建筑物，并攜帶大量泥沙和石塊，堵塞水電站的引水渠道，形成安全隱患[6]。如何對滑坡的空間分布進(jìn)行準(zhǔn)確預(yù)測意義重大。近年來，伴隨地質(zhì)災(zāi)害防控需求的持續(xù)攀升以及人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)在滑坡易發(fā)預(yù)測領(lǐng)域得以有效應(yīng)用，其借助已發(fā)生災(zāi)害區(qū)域的滑坡數(shù)據(jù)與環(huán)境指標(biāo)耦合，從而實現(xiàn)對其他區(qū)域的精準(zhǔn)預(yù)測，主要學(xué)習(xí)方法包括人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等[7]。趙占驁等[8]構(gòu)建了耦合多維CNN模型進(jìn)行滑坡易發(fā)性評估，通過不同維度卷積進(jìn)行融合，減少模型參數(shù)量，獲取影響因子的更深層次特征。余波等基于證據(jù)權(quán)-全連接神經(jīng)網(wǎng)絡(luò)模型，建立滑坡易發(fā)性評價模型，對阿富汗北部高原地區(qū)進(jìn)行了滑坡易發(fā)性分析，大幅提高了預(yù)測的擬合精度。然而，由于計算量較大，目前機器學(xué)習(xí)方法在對廣闊區(qū)域的評估方面仍有不足。

本研究將CNN算法中的卷積層替換為全連接層，經(jīng)過改進(jìn)，建立了全連接神經(jīng)網(wǎng)絡(luò)（FCNN）模型，使其不會忽略掉第一層卷積層中的特征信息，進(jìn)一步提高了算法準(zhǔn)確性和效率。本文所選取的地震事件位于四川西、北部地區(qū)，其同震地質(zhì)災(zāi)害發(fā)生機制與規(guī)律較為類似，且所采用數(shù)據(jù)精度、效率較以往研究都更高，據(jù)此構(gòu)建的預(yù)測模型適用性更明確、結(jié)果更為客觀。采用此模型對馬爾康Ms6.0級震群誘發(fā)的滑坡空間分布概率及境內(nèi)水電站附近流域滑坡易發(fā)性展開研究，并分析了馬爾康地區(qū)同震滑坡的分布規(guī)律，旨在為馬爾康滑坡災(zāi)害預(yù)防、水電站流域滑坡災(zāi)害治理提供參考依據(jù)。

1 研究區(qū)概況

馬爾康市地處川西北高原南端，屬高原峽谷區(qū)。地形呈不規(guī)則長方形，地勢由東北向西南逐漸降低。山嶺連綿，溝谷陡峻，地質(zhì)構(gòu)造復(fù)雜，地層多為三疊系，包括砂巖、板巖和變質(zhì)巖等。馬爾康市平均海拔 3 000m 以上，地表整體輪廓為典型高原，地勢高，由丘狀高原面和分割山頂面組成。山勢南高北低，河谷地勢西北高、東南低，山川呈西北至東南走向。地震發(fā)生于龍日壩斷裂南段與松崗斷裂交匯處的巴顏喀拉塊體處，構(gòu)造相對復(fù)雜，境內(nèi)山岳縱橫，地勢高聳，嶺谷高差懸殊，達(dá) 1800～2300m 。轄區(qū)內(nèi)有背斜40余條，構(gòu)造復(fù)合現(xiàn)象頻繁出現(xiàn)，是中小地震活躍的地段。松崗斷裂帶近NW走向，巴彥以龍日壩斷裂帶為邊界（圖1），東側(cè)為龍門山次級塊體，由長安斷裂、樓村斷裂和錦廈斷裂等組成，始于馬爾康南側(cè)夢筆山北坡，經(jīng)松崗斷裂后沿腳木足河向NW方向延伸，經(jīng)達(dá)爾蒼和若爾格一帶，構(gòu)造隆升強烈，河谷深切，地形落差大，地形地貌類型多樣，活動斷裂發(fā)育[10-13]根據(jù)此次震后解譯的滑坡編目，震群共誘發(fā)滑坡1142處，其中規(guī)模小型891處，中型242處，大型9處，多數(shù)為土質(zhì)滑坡，滑體物質(zhì)以粉質(zhì)黏土、塊碎石土、碎石土為主。

2 數(shù)據(jù)與方法

2.1數(shù)據(jù)

利用ArcGIS隨機點生成工具生成了災(zāi)害緩沖區(qū)200m 內(nèi)以及其余非災(zāi)害區(qū)隨機點，利用“多值提取至點\"功能將地震峰值加速度（PGA）、距斷層距離、地形坡度、地形起伏度、巖石堅硬程度、曲率、距水系距離、距道路距離、地形坡向、土地類型、歸一化植被指數(shù)、地形濕度指數(shù)、水流強度指數(shù)等13個因子的實際值提取到每個隨機點屬性表中，有滑坡災(zāi)害的隨機點標(biāo)定為正樣本（1），無滑坡災(zāi)害的隨機點標(biāo)定為負(fù)樣本（0）；隨機選取一定比例作為訓(xùn)練集和驗證集，其中訓(xùn)練集和驗證集中正負(fù)樣本比例仍為1：1。

圖1馬爾康震群主要強震震中和斷裂帶分布

Fig.1Distribution of the epicenters of majorpowerful earthquakesand fault zonesof theMaerkang earthquakecluster

2.2 全連接神經(jīng)網(wǎng)絡(luò)

全連接神經(jīng)網(wǎng)絡(luò)（FCNN）是一種監(jiān)督學(xué)習(xí)方法，具有強大的非線性建模能力，能夠捕捉復(fù)雜的非線性關(guān)系。通過多層網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)自動從輸入數(shù)據(jù)中提取高層次特征，減少對人工特征工程的依賴。在大規(guī)模數(shù)據(jù)集上訓(xùn)練的全連接神經(jīng)網(wǎng)絡(luò)模型能夠提供更高精度的預(yù)測結(jié)果，提高地質(zhì)災(zāi)害易發(fā)性評價的準(zhǔn)確性。通過適當(dāng)?shù)恼齽t化和優(yōu)化技術(shù)，F(xiàn)CNN可以在一定程度上減少過擬合，提高模型的魯棒性。FCNN可以利用現(xiàn)代GPU進(jìn)行并行計算，大大加快了模型訓(xùn)練和預(yù)測的速度。這些特點使FCNN能夠有效處理復(fù)雜的地質(zhì)災(zāi)害數(shù)據(jù)，提高預(yù)測的準(zhǔn)確性和效率。

FCNN中的神經(jīng)元是模擬生物神經(jīng)系統(tǒng)的計算單元，神經(jīng)元接受來自其他神經(jīng)元的輸入，通過加權(quán)求和和激活函數(shù)產(chǎn)生輸出，每一個神經(jīng)元相互連接形成網(wǎng)絡(luò)。該方法憑借強大的非線性擬合能力，能夠精準(zhǔn)捕捉滑坡發(fā)生與多種復(fù)雜因素之間的非線性關(guān)聯(lián)，能有效應(yīng)對高維度的滑坡影響因素數(shù)據(jù)，實現(xiàn)綜合分析。此外，出色的泛化能力使其能對未知區(qū)域做出合理的易發(fā)性預(yù)測，同時還能全面考量多種相互作用的因素，給出精準(zhǔn)評估。加之模型具有靈活性，可隨數(shù)據(jù)特點和需求調(diào)整，還有助于挖掘潛在規(guī)律，開展滑坡的研究和防治工作。對于多層的全連接神經(jīng)網(wǎng)絡(luò)，假設(shè)第 l 層有 ?_m 個神經(jīng)元，第 l+1 層有 n 個神經(jīng)元。第 l+1 層的 j 個神經(jīng)元的輸入值為

式中： a_i^（l） 是第 ξ_l 層第 i 個神經(jīng)元的輸出; w_ij^（l） 是連接第l 層第 i 個神經(jīng)元和第 l+1 層第 j 個神經(jīng)元的權(quán)重；b_j^（l） 是第 l+1 層的第 j 個神經(jīng)元的偏置。

本文選取sigmoid函數(shù)作為激活函數(shù)。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，使用反向傳播算法來更新權(quán)重和偏置。通過定義損失函數(shù)來衡量網(wǎng)絡(luò)的預(yù)測值與真實值之間的差異。然后根據(jù)梯度下降法，計算損失函數(shù)對每個權(quán)重和偏置的梯度，從而按照一定的學(xué)習(xí)率來更新權(quán)重和偏置，以最小化損失函數(shù)，使網(wǎng)絡(luò)能夠更好地擬合訓(xùn)練數(shù)據(jù)。本文所使用的損失函數(shù)為二分類交叉熵?fù)p失BCEloss函數(shù)：

式中： N 為樣本數(shù)量； l_n 為第 n 個樣本對應(yīng)的損失值。

3馬爾康Ms6.0級震群誘發(fā)滑坡空間分布概率預(yù)測

本文使用FCNN模型對研究區(qū)進(jìn)行同震滑坡災(zāi)害空間預(yù)測，模型算法的環(huán)境均使用Python3.9進(jìn)行編程，用weight_decay權(quán)重衰減防止過擬合；設(shè)置最大訓(xùn)練次數(shù)（epoch）為20000次。采用滑坡數(shù)據(jù)庫和13個特征因子進(jìn)行數(shù)據(jù)采樣，并以此為基礎(chǔ)，以7：3的比例隨機劃分?jǐn)?shù)據(jù)為訓(xùn)練集和驗證集[14]。對選取的歷史地震事件進(jìn)行數(shù)據(jù)間的交叉驗證進(jìn)而優(yōu)化模型，將最優(yōu)模型應(yīng)用于地震誘發(fā)滑坡空間分布概率的快速預(yù)測。

國內(nèi)外針對地震誘發(fā)滑坡的影響因素及因子選取已開展大量研究，主要包括地震作用、地形地貌、地質(zhì)構(gòu)造、水文條件等自然因素，而在指標(biāo)選取方面也多圍繞以上4個方面展開[15-17]。針對該研究區(qū)基本數(shù)據(jù)資源情況及國內(nèi)外相關(guān)研究，考慮地形地貌、地震、水文、道路、地質(zhì)構(gòu)造、環(huán)境地質(zhì)特征6個方面因素，選取13個地震滑坡影響因子來建立模型。構(gòu)建 5?12^′′ 汶川地震、“8·8”九寨溝地震、 ?₆?1^? 蘆山地震、 9?5^′′ 瀘定地震4次四川省內(nèi)典型地震事件數(shù)據(jù)集作為樣本訓(xùn)練數(shù)據(jù)集（表1），逐個、逐層提取與滑坡圖層中滑坡點所在空間位置相對應(yīng)的影響因子參數(shù)，完成數(shù)據(jù)集的構(gòu)建（圖2），用于模型的訓(xùn)練；通過SPSS對FCNN模型中的13個影響因素與同震滑坡發(fā)生之間的相關(guān)性進(jìn)行分析，得出確定各因子誤差線的顯著性，按其重要性排序（圖3）。

完成數(shù)據(jù)集的構(gòu)建后，基于四川省歷史地震誘發(fā)滑坡數(shù)據(jù)集，調(diào)整模型參數(shù)，針對馬爾康Ms6.0級震群建立地震誘發(fā)滑坡近實時預(yù)測模型，實現(xiàn)滑坡近實時空間分布概率的預(yù)測，將結(jié)果歸一化，用自然斷點法將地震誘發(fā)滑坡的空間概率分為極低、低、中、高、極高5個等級，得到馬爾康 Ms6.0 級震群誘發(fā)滑坡的易發(fā)性空間分布（圖4）。

表1訓(xùn)練集樣本數(shù)據(jù)

Tab.1Sample data for the training set

圖2數(shù)據(jù)集建立流程

Fig.2Dataset establishment process

圖3特征因子重要性

Fig.3Importance of feature factors

圖4馬爾康震群誘發(fā)滑坡易發(fā)性分布

Fig.4Distributionof landslide susceptibilityinduced by MaerkangSeismic Cluster

統(tǒng)計結(jié)果顯示：極低易發(fā)性區(qū)域所含滑坡60處，占比 5.25% ，災(zāi)害密度約0.03處 'km² ；低易發(fā)性區(qū)域含滑坡125處，占比 10.95% ，災(zāi)害密度約為0.07處 /km² ；中易發(fā)性區(qū)域含滑坡174處，占比為15.24% ，災(zāi)害密度約為0.16處 ?km² ；高易發(fā)性區(qū)域含滑坡370處，占比為 32.40% ，災(zāi)害密度約為0.45處 ?km² ;極高易發(fā)性區(qū)域含滑坡413處，占比為36.16% ，災(zāi)害密度約為0.64處 'km² 。滑坡密度、數(shù)量均從低易發(fā)性區(qū)域到高易發(fā)性區(qū)域逐步遞增，且本次預(yù)測的受試者工作特征（ROC）曲線的曲線下面積（AreaUndertheCurve，AUC）值為0.9247（圖5），說明預(yù)測結(jié)果良好。提取極高、高易發(fā)區(qū)與影像解譯的滑坡區(qū)域進(jìn)行對比， 68.56% 的滑坡均落入?yún)^(qū)域內(nèi)，僅少量滑坡分布于區(qū)域附近；滑坡密集分布于河流沿岸、陡峭的斜坡上，表明預(yù)測結(jié)果與實際情況符合。

圖5 ROC曲線Fig.5 ROC curve

4馬爾康Ms6.0級震群誘發(fā)滑坡分布規(guī)律分析

4.1馬爾康Ms6.0級震群誘發(fā)滑坡災(zāi)害遙感解譯數(shù)據(jù)

高分辨率影像的解譯結(jié)果（圖6）表明：本次震群引發(fā)了1142處滑坡， 68.56% 的滑坡落入預(yù)測的高、極高易發(fā)性區(qū)域，總面積大約為 96.84km² ，占影像總面積的 1.7% 。從影像分析，滑坡主要沿河流分布在周邊陡峭坡體上，近河流地區(qū)滑坡明顯密集分布，草登鄉(xiāng)東北側(cè)腳木足河溝口地區(qū)滑坡數(shù)量最多，分布最為集中。表明在馬爾康地區(qū)，水系對滑坡發(fā)育占主導(dǎo)作用，與FCNN模型中選取的13個特征因子重要性結(jié)果一致。

圖6衛(wèi)星影像解譯滑坡

Fig.6Interpret landslideswith satellite images

4.2馬爾康Ms6.0級震群誘發(fā)滑坡的空間分布規(guī)律

基于馬爾康震群誘發(fā)的滑坡數(shù)據(jù)，探討地震、地形地貌、水文、道路、地質(zhì)構(gòu)造、環(huán)境地質(zhì)特征六大類因素，涵蓋了坡度、坡向、曲率、距水系距離、距道路距離、地震峰值加速度、距斷層距離、植被覆蓋率、地形濕度指數(shù)、水流強度指數(shù)、土地類型、巖石堅硬程度和地形起伏度等13個特征因子。利用空間統(tǒng)計分析方法，對特征因子進(jìn)行分級，通過對不同因子分類中滑坡面積進(jìn)行統(tǒng)計，計算滑坡的分級面積密度（滑坡面積/因子分級面積），以分析地震引發(fā)滑坡的空間分布特征[18]見圖7～8，表2～3。結(jié)果如下：

（1）地形地貌。震群誘發(fā)滑坡主要分布在 36～ 107m 地形起伏區(qū)間內(nèi)，斜坡傾斜度多為 16^°～48^° ，各坡向均發(fā)生均等數(shù)量的滑坡；從曲率來看，曲率小于-9的區(qū)域滑坡密度最大，大于1的區(qū)域內(nèi)滑坡數(shù)量最多，表明在地形較凸或較凹處及剖面凹凸轉(zhuǎn)折處最有助于滑坡的發(fā)育。

（2）地震。對PGA數(shù)據(jù)進(jìn)行分析，可見PGA與滑坡發(fā)育密度呈正相關(guān)關(guān)系，PGA在 0.1～0.15cm/s² 范圍內(nèi)滑坡密度最大。

（3）水文。約 60% 的滑坡發(fā)生在距離河流 600m 的范圍內(nèi)；從地形濕度指數(shù)看，小于 0.2km 的滑坡數(shù)量最多， 0.6～0.8km 范圍內(nèi)滑坡密度最大，可見土壤濕度對滑坡發(fā)育起到輔助作用；從水流強度指數(shù)來看，滑坡主要集中發(fā)育于大于 0.8km 的區(qū)域，水流集中的侵蝕潛力對滑坡起推進(jìn)作用；由此可見，水系對滑坡有著多方面顯著影響。

（4）道路。 50% 左右的滑坡發(fā)生在距道路 600m 以內(nèi)的地方，究其原因是道路修建破壞山體原有結(jié)構(gòu)及山體坡度變陡，從而導(dǎo)致滑坡發(fā)育數(shù)量增加。

（5）地質(zhì)構(gòu)造。分析距斷層距離的影響， 71.2% 的滑坡點分布在距離斷層 7km 以內(nèi)的區(qū)域。其中，滑坡密度在距斷層 1～4km 分級范圍內(nèi)隨斷層距離的增加而呈遞減趨勢，表明距斷層越近，滑坡密度越高，發(fā)生的可能性更高。斷層活動往往會導(dǎo)致山體形成陡峭的崖壁、錯落的地形或大起伏變化地形等特殊地貌。使山體巖土體所受的重力下滑分力增大，更容易失穩(wěn)產(chǎn)生滑坡。從巖石堅硬程度看， 73.2% 的滑坡發(fā)生在極軟巖、軟巖區(qū)域，表明巖石軟、較軟的巖體更適于滑坡發(fā)育。頁巖、泥巖等軟巖的抗剪強度和抗壓強度較低，在受到外力時，容易發(fā)生變形。此外，較軟巖、軟巖在飽水狀態(tài)下，其強度會進(jìn)一步降低，山體的穩(wěn)定性變差，進(jìn)一步增加了滑坡的風(fēng)險。

（6）環(huán)境地質(zhì)特征。對馬爾康區(qū)域內(nèi)土地進(jìn)行統(tǒng)計得出：除森林地區(qū)外，人造地表、耕地滑坡密度最大，分別為 2.21，3.64km²， 處，由于人類活動干擾，土地翻耕破壞土壤結(jié)構(gòu)使土壤松散、農(nóng)作物生長周期致植被覆蓋度變化、工程建設(shè)活動中地下空間開發(fā)擾動地下巖土體、建筑施工破壞山體，降低了巖土體抗剪強度，增加了滑坡發(fā)生的可能性。對植被覆蓋指數(shù)進(jìn)行分析：植被覆蓋率較低的地區(qū)滑坡密度較大，可見植被覆蓋率和滑坡發(fā)育呈負(fù)相關(guān)關(guān)系，究其原因是植被減少了降水滲入量及地表巖土受到降水侵蝕，從而抑制滑坡發(fā)育。

圖7特征因子

Fig.7Characteristic factors

5馬爾康水電站流域滑坡易發(fā)性評價

從Landsat8衛(wèi)星影像中提取雙江口水電站、巴拉水電站、盤龍河水電站、龍爾甲水電站附近河流的

Shapefile導(dǎo)人ArcGis，基于全連接神經(jīng)網(wǎng)絡(luò)模型對該區(qū)域進(jìn)行評價，提取后得到的水電站流域滑坡高、極高易發(fā)性等級見圖9。

雙江口水電站、巴拉水電站、龍爾甲水電站、沙爾水電站位于腳木足河、茶堡河，均為大渡河的分支之 一，沿岸滑坡高、極高易發(fā)性區(qū)域分布密集，周邊環(huán)境 邊坡陡峭，環(huán)境惡劣，地形起伏較大，多在 28～179m之間，且沿岸土壤濕度指數(shù)、水流強度指數(shù)較高。斜坡 高低起伏度大、受水力侵蝕嚴(yán)重，經(jīng)歷地震后穩(wěn)定性下 降，基本滿足滑坡發(fā)育條件，發(fā)生概率較高。盤龍河水電站位于黨壩鄉(xiāng)內(nèi)的盤龍河，上游地勢險峻，多為極高易發(fā)性區(qū)域，下游地勢較為平緩，起伏多小于 20m ，多為低易發(fā)性區(qū)域。

表2數(shù)據(jù)來源及分級統(tǒng)計

Tab.2Data sources and hierarchical statistics

表3巖石堅硬程度等級的定性分類

Tab.3Qualitative classfication of rock hardness class

圖9水電站流域滑坡高、極高易發(fā)性區(qū)域

Fig. 9 Areaof high landslideandextremely highsusceptibilityof landslides inthehydropower station basin

6結(jié)論

（1）本文利用全連接神經(jīng)網(wǎng)絡(luò)算法建立模型，對馬爾康 Ms6.0 級震群誘發(fā)滑坡空間分布概率進(jìn)行分析。結(jié)果顯示：模型預(yù)測的地震誘發(fā)滑坡極低易發(fā)性區(qū)域約有 2 217. 13km² ，占比 39.43% ；低易發(fā)性區(qū)域面積約為 1835.17km² ，占比 32.64% ；中易發(fā)性區(qū)域約面積約為 1115.69km² ，占比 19.84% ；高易發(fā)性區(qū)域面積約為 813.75km² ，占比為 14.47% ;極高易發(fā)性區(qū)域面積約為 641. 14km² ，占比為11.40% 。經(jīng)衛(wèi)星影像解譯與實地考察，分析結(jié)果與實際情況較為吻合，且AUC值達(dá)0.9247，表明預(yù)測結(jié)果較好。

（2）馬爾康地區(qū)震群誘發(fā)滑坡受多種因素綜合影響。從地形地貌方面看，多分布于 36～107m 地形起伏區(qū)間、 .16^°～48^° 斜坡傾斜度范圍、較凸或較凹及剖面凹凸轉(zhuǎn)折處；從地震相關(guān)因子來看，地震峰值加速度 0.1～0.15cm/s² 范圍滑坡密度最大;從水文條件來看，約 60% 滑坡在距河流 600m 范圍，且地形濕度指數(shù)和水流強度指數(shù)均表明水流對滑坡有顯著影響；從道路因素看， 50% 左右滑坡在距道路 600m 內(nèi)，原因是道路修建破壞山體結(jié)構(gòu)致坡度變陡，誘發(fā)滑坡；從地質(zhì)構(gòu)造看， 71.2% 滑坡點在距斷層 7km 內(nèi)，且距斷層越近，滑坡密度越高， 73.2% 滑坡發(fā)生在極軟巖、軟巖區(qū)域;環(huán)境地質(zhì)特征顯示，除森林區(qū)域，人造地表、耕地滑坡密度最大，分別為2.21，3.64km²/ 處，可見人類活動對滑坡有顯著影響，植被覆蓋率與滑坡發(fā)育呈負(fù)相關(guān)，植被可減少降水滲入與侵蝕，從而抑制滑坡產(chǎn)生。

（3）從衛(wèi)星影像中提取馬爾康雙江口水電站、龍爾甲水電站、沙爾水電站、盤龍河水電站、巴拉水電站流域進(jìn)行滑坡易發(fā)性分析得到分布圖，結(jié)果顯示腳木足河、茶堡河水電站流域均為滑坡高度發(fā)育區(qū)，盤龍河水電站流域上游為滑坡高度發(fā)育區(qū)，下游處于中低易發(fā)區(qū)域。

參考文獻(xiàn)：

[1] 梁遠(yuǎn)玲，肖本夫，毛利，等.馬爾康 Ms6.0 震群地震烈度分布與房屋震害特征分析[J].地震地磁觀測與研究，2023，44（1） ：28-35

[2] 范宣梅，王欣，戴嵐欣，等.2022年Ms6.8級瀘定地震誘發(fā)地質(zhì)災(zāi)害特征與空間分布規(guī)律研究［J].工程地質(zhì)學(xué)報，2022，30（5）：1504-1516.

[3]范宣梅，方成勇，戴嵐欣，等.地震誘發(fā)滑坡空間分布概率近實時預(yù)測研究——以2022年6月1日四川蘆山地震為例[J].工程地質(zhì)學(xué)報，2022，30（3）：729-739.

[4]陳陸軍，易武，黃曉虎，等.譚家河滑坡監(jiān)測與精細(xì)化預(yù)警模型研究山[J].水利水電快報，2024，45（2）：34-43.

[5］張世殊，胡新麗，章廣成，等.西部高山峽谷區(qū)復(fù)雜工程地質(zhì)條件下重大滑坡成生規(guī)律及災(zāi)變演化機理研究進(jìn)展（204 [J/OL] .地質(zhì)力學(xué)學(xué)報，1-15（2024-07－10）[2024-10-19]. http：// kns.cnki. net/kcms/detail/11. 3672. P.20240708.1003.002. html.

[6］張青宇.四川某水電站壩肩環(huán)境邊坡危險源發(fā)育規(guī)律研究[J].人民長江，2016，47（增1）：93-95.

[7]蔣萬鈺，陳冠，孟興民，等.基于卷積神經(jīng)網(wǎng)絡(luò)模型的區(qū)域滑坡敏感性評價——以川藏鐵路沿線為例[J].蘭州大學(xué)學(xué)報（自然科學(xué)版），2022，58（2）：203-211.

[8］趙占驁，王繼周，毛曦，等.多維CNN耦合的滑坡易發(fā)性評價方法［J].武漢大學(xué)學(xué)報（信息科學(xué)版），2024，49（8） ：1466 -1481.

[9]余波，常鳴，倪章，等.優(yōu)化神經(jīng)網(wǎng)絡(luò)下阿富汗東北高原寒旱區(qū)滑坡危險性評價[J].地球科學(xué)，2023，48（5）：1825-1835.

[10］張建勇，戴丹青，楊志高，等.2022年6月10日四川馬爾康6.0級地震應(yīng)急產(chǎn)品及震源參數(shù)初步分析[J].中國地震，2022，38（2）：370-382.

[11］孫東，王道永，吳德超，等.馬爾康巴拉水電站近場區(qū)主要斷裂活動性及對工程的影響[J].工程地質(zhì)學(xué)報，2010，18（6） ：940 -949.

[12]徐錫偉，聞學(xué)澤，陳桂華，等.巴顏喀拉地塊東部龍日壩斷裂帶的發(fā)現(xiàn)及其大地構(gòu)造意義［J].中國科學(xué)（D 輯：地球科學(xué)），2008（5）：529-542.

[13]肖本夫，袁小祥，陳波，等.基于傾斜攝影技術(shù)的典型情景可視化震害定量評估——以四川馬爾康震群為例[J].地震地質(zhì)，2023，45（4）：847-863.

[14］吳潤澤，胡旭東，梅紅波，等.基于隨機森林的滑坡空間易發(fā)性評價：以三峽庫區(qū)湖北段為例［J].地球科學(xué)，2021，46（1） ：321 -330.

[15]許沖，徐錫偉，周本剛，等.同震滑坡發(fā)生概究——新一代地震滑坡危險性模型［J].工程地質(zhì)學(xué)報，2019，27（5） ：1122 - 1130.

[16]王天河，賴桂林，李坤，等.月度防控視角下韓江下游城鎮(zhèn)地質(zhì)災(zāi)害危險性評價［J].人民長江，2024，55（7）：98-107，137.

[17]吳興貴，王藍(lán)婷，丁梓逸，等.云南橫斷山區(qū)鄉(xiāng)鎮(zhèn)滑坡災(zāi)害易發(fā)性評價[J].地質(zhì)災(zāi)害與環(huán)境保護(hù)，2023，34（4）：13 - 19.

［18］張建石.汶川縣肖家溝泥石流物源演變及沖出規(guī)模研究[J].人民長江，2020，51（8）：37-43.

（編輯：高小雲(yún)）

Analysis of spatial distribution law of co-seismic landslides in Maerkang 6.O earthquake swarm in 2022

XIANG Han，LI Ning，XING Fucheng，CHEN Yutao，BU Xianghang （CollegeofEmergencyManagement，XihuaUniversity，Chengdu61oo39，China）

Abstract：To effectivelyprevent and control the landslide disasters inthe Maerkang area of Sichuan Province，aiming at thelandslide disasters triggered bythe Ms5.8，Ms6.O，and Ms5.2earthquakes thatoccurred consecutively in Maerkang City on June 10，2O22，a databasebasedon historical seismicdata in Sichuan Province was establishedand the spatial distributionof landslides induced bythis swarm wasanalyzed byFCNN model.Moreover，themain hydropower station basins within Maerkang were extracted to conduct landslide susceptibility analysis. The results showed that ： ①68.56% of thelandslidesfellintotheveryhighand high susceptibilityzones，andthepredictionresults were inlinewith those interpreted from the satellite images. ② The earthquake-induced landslide disasters were large in number，widely distributed，anduneven inscale，mainlyconcentrated inthe north sideofthe SonggangFracture Zoneandthenorthwest sideof the Longziba Fracture Zone，with terrain undulations of 36 to 1O7 m and slopes ranging from 16^° to 48^o ： ③ Jiaomuzu River and Chabao River hydropower station basins were all highly developed landslide areas.The upstream of Panlong River hydropower station basin is ahighlydeveloped landslide area，and the downstream is inthe medium-low susceptibility area.The landslides in the region are strongly controlldby hydraulic erosion and topographic changes. ④ Comparing the predictionresultsofFCNN model used inthis study with the image interpretation and geological disasterfield investigation data，it is verified that the model prediction accuracy is more than 75% . The research result is of great theoreticaland practical significance forthe monitoring，preventionand controlof landslide disasters in the Maerkang area.

Key words：earthquake swarm；co-seismic landslide；spatial distribution；FCNN model；hydropower station basin; Sichuan Province； Maerkang