A Comparative Study of Landslide Susceptibility Evaluation Based on Three Different Machine Learning Algorithms
-
摘要:
准确的滑坡易发性评价结果是山区滑坡灾害防治的关键，可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考，笔者以云南芒市为研究对象，选取高程、地层岩性、年均降雨量等9项评价因子，通过多重共线性分析，构建研究区滑坡易发性评价指标体系。分别基于支持向量机（SVM）、BP神经网络和随机森林（RF）3种典型机器学习算法进行滑坡易发性评价。利用准确性（ACC）、ROC曲线下面积（AUC）、滑坡比（Sei）及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的SeV值最高，分别为0.867、0.94、9.21；BP神经网络模型次之，其SeV值分别为0.829、0.90、9.14；SVM最低，其SeV值分别为0.794、0.88、6.85。此外，RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比，RF算法在芒市区域具有更高的准确性和可靠性，更适合用于该区域的滑坡易发性建模，且利用该模型获得的评价结果，能够为芒市区域的滑坡防治提供理论依据和科学参考。
Abstract:Accurate landslide susceptibility evaluation results are the key to landslide disaster prevention and control in mountainous areas, which can effectively avoid the risk caused by potential landslides. To obtain an accurate and reliable reference for landslide prevention, this paper selects nine evaluation factors, including elevation, stratigraphic lithology, average annual rainfall et al, and constructs a landslide susceptibility evaluation index system in the study area through multiple covariance analysis, taking Mangcheng, Yunnan Province as the research object. Subsequently, three typical machine learning models based on support vector machine (SVM), BP neural network and random forest (RF) were used for landslide susceptibility evaluation. Finally, the accuracy of the model evaluation results was compared and validated by using accuracy (ACC), area under the ROC curve (AUC), landslide ratio (Sei) and field fieldwork. The results showed that the RF model had the highest SeV values of 0.867, 0.94 and 9.21 for ACC, AUC, and very high susceptibility areas, respectively; the BP neural network model had the second highest values of 0.829, 0.90 and 9.14; the SVM had the lowest values of 0.794, 0.88 and 6.85; and the RF model results were more consistent with the field study. The results of experiments show that compared with the other two algorithms, the RF algorithm has higher accuracy and reliability in the Mangshi region and is more suitable for landslide susceptibility modeling in the region, and the evaluation results obtained by using the model can provide a theoretical basis and scientific reference for landslide control in the Mangshi region.
-
Keywords:
- SVM /
- BP neural networks /
- RF /
- landslide susceptibilit /
- Mangshi city
-
地热资源作为一种可再生的清洁能源，以储量大、分布广、开发利用简便的优点成为具有竞争力的新能源（周国富等，2014；杨学明等，2020；陈海雯等，2023）。开发利用地热资源，对于地方新旧动能转换、缓减空气污染、促进经济社会发展等方面具有重要作用（王贵玲等，2017；黄建军等，2021）。在“双碳”目标提出后，地热资源作为五大非碳基能源之一，成为建设绿色油气田的重要增量选项（敬民，2021；杨合群等，2022）。
胶东半岛地下热源蓄量丰富，有广阔的发展前景，许多学者从地热田的特征和成因机制、地热资源的勘查和开发利用等方面对其进行研究。金秉福等（1999）分析胶东半岛地热资源的特征，认为胶东半岛地热系统均为中低温深循环对流型地热系统，其主要热源为深大断裂的对流热，多数温泉出露在多组断裂的交汇部位，热水化学成分差异很大。崔煜烽等（2018）在结合鲁东地区地热勘查的基础上，对比不同方法的勘查效果，提出地热勘查定井宜选位置和不同深度地层勘查适宜方法。王秀芹等（2015）对胶东半岛各地热田的资源量进行了计算，并提出了针对性开发建议和保护对策。史猛等（2021）针对胶东半岛各地热田的地温场特征及影响因素，提出了胶东半岛隆起–凹陷分流聚热模式。钟振楠等（2021）通过分析岩层热导率、生热率及地温分布特征，计算招远地热田的地热通量并估算热储温度及热循环深度，以此建立招远地热田成因概念模型。王昕昀（2018）对胶东半岛部分温泉的成因模式进行了分析，认为大气降水入渗经深循环加热后上升，上升过程中混入部分地下水，最后在断裂交汇部位出露成泉。前人对于胶东地热温泉的研究大多侧重于定性分析与推断，地热田的成因机制定量化研究相对不足。此外，虽然威海市内地热资源丰富，但其开发利用程度较低。因此，笔者在七里汤地热田地质背景分析的基础上，通过水化学特征分析与研究，基本查明了地热田形成的水源、热源、热储、盖层和地热流体通道，构建了七里汤地热田的概念模型，对促进威海地区地热资源开发与综合利用具有积极的指导意义。
1. 研究区概况
七里汤地热田位于秦岭–大别–苏鲁造山带威海隆起区，具备形成地热田的地质背景。胶东半岛地区出露地层有中太古界、新太古界、古元古界、新元古界震旦系和中生界白垩系及新生界古近系、新近系、第四系等。而七里汤地热田附近岩浆岩未出露，发育于新生代第四纪地层之下，顶板为淤泥质黏土、粉质黏土和风化的花岗岩，底板为块状构造花岗岩。地热水主要赋存于地热田内破碎结构、裂隙较发育的构造裂隙破碎带内。地热田内主要有两条断裂：北东向东母猪河断裂，呈压扭性；与之相交的为近东西向的抱龙河断裂，呈张扭性（图1）。
![]()
图 1 七里汤采样点分布图（a）及典型钻孔地层结构图（b）Figure 1. (a) Qilitang sampling point distribution and (b) typical borehole formation structure七里汤已有上千年历史，始建于齐，“二泉并发，一热一凉，味皆甘洁”，元代易名为“如意泉”。早期泉眼到处喷涌，每天涌水量为1065.6 m3，正常水温为65.8 ℃，最高达80 ℃，富含多种对人体有益的元素。解放前，主要用于洗衣、洗菜和洗澡。新中国成立后，早在1955年七里汤建设的丝绸厂、染织厂产品远销欧美等地；1958年利用温泉水种植蔬菜成功；1985年利用温泉水养殖罗非鱼苗成功。改革开放以来，七里汤大规模开发利用，规划区面积为0.092 km2，热储埋藏浅，便于开发利用，地热水温度为62.5 ℃，允许开采量为15.44 万m3/a。七里汤地热田采矿权有效期内企业开采量为3.5 万m3/a；七里汤虽然现在有证开采量较小，但水位下降趋势明显，总开采量不可超过15.44万m3/a。
2. 研究方法
2.1 水样采集及孔内测温
依照《生活饮用水标准检验法》（GB5750－2023）采集地下水水样，其中Y01~Y15水样进行水质全分析测试，ZK1~ZK3孔内水样进行水质全分析以及同位素分析测试（图1），现场测试pH值、水温。样品采集后72小时之内进行处理和测试，测试过程严格按照有关规程、规范进行，保证测试质量。同位素样品密封后72小时之内送至中国地质科学院水文地质环境地质研究所检测，保证测试质量。使用SH–610S深井测温仪对ZK1、ZK2、ZK3进行孔内测温，每隔5 m测一次温度。
2.2 基础温度计算方法
热储温度一般采用阳离子温标法和SiO2温标法来估算。SiO2温标法的原理是SiO2矿物质在地热水中的溶解–沉淀平衡理论：SiO2溶解度随温度升高而增加，根据对ZK1、ZK2、ZK3孔内水样的水质分析结果分析选取公式。
$$ T = \frac{{1032}}{{4.69 - \log {\rm{Si}}{{\rm{O}}_2}}} - 273.15 $$ (1) 式中：SiO2为SiO2浓度，单位mg/L；T为热储温度，单位℃。
2.3 遥感解译
选用搭载于美国陆地资源卫星的Landsat 8 OL，根据不同光谱波段的特性，利用热红外波段，开展七里汤地热田地热信息分析及信息提取工作。遥感解译范围北起九里水头村南至文登碧桂园，西起马家沟后村东至苏家河村，采用辐射传输方程法进行地表温度反演，利用ENVI软件经过定标、参数波段运算、裁剪后得出七里汤地热田地表温度反演结果。对反演结果进行密度分割并将温度划分区间，得出最终的地表温度反演图。
3. 水化学特征与地温场特征
3.1 水化学特征及动态
3.1.1 水化学特征
根据检测数据得知，常温地下水中主要阳离子含量情况相近，最高的为Ca2+，一般接近100 mg/L左右；其次为Na++K+，一般为40～100 mg/L；含量最低的为Mg2+，普遍低于50 mg/L。常温地下水中主要阴离子含量情况差异较大，Cl−含量为23.87～413.57 mg/L；SO42－含量为27.21～300.54 mg/L；HCO3−含量为31.05～298.05 mg/L；NO3−含量为19.48～479.43 mg/L。
地热水主要阳离子中Na++K+浓度最高，在200 mg/L左右，显著高于常温地下水中Na++K+含量；其次为Ca2+，含量低于100 mg/L，与常温地下水接近；最低的为Mg2+，离子浓度多低于30 mg/L，含量低于常温地下水中Mg2+含量。地热水主要阴离子中HCO3−浓度最高，含量为218.6～502.9 mg/L，显著高于常温地下水中HCO3−含量；其次为SO42－，含量为122.3～170.6 mg/L；Cl−含量为47.16~96.77 mg/L；含量最低的为NO3−，仅个别检出，普遍低于常温地下水的含量（图2）。地热水中溶解性固体总量相对较低，水化学类型较常温地下水相比较为稳定（表1）。地热田地热水中部分离子含量基本与常温地下水相近，这说明地热水与周围常温地下水存在一定的联系。
![]()
图 2 七里汤地热田水样点水化学Piper图Figure 2. Water chemical Piper diagram of water sample in Qilitang hot field表 1 七里汤田水化学类型表Table 1. Chemical types of Qilitang water采样编号 水化学类型 采样编号 水化学类型 采样编号 水化学类型 Y01 HCO3·Cl–Ca·Mg·Na Y02 Cl·SO4–Ca·Mg Y03 SO4·HCO3–Ca·Na Y04 Cl·HCO3–Ca·Na Y05 NO3·Cl–Ca·Na Y06 NO3–Ca·Na Y07 Cl·HCO3–Ca·Na·Mg Y08 HCO3·Cl–Ca·Na Y09 NO3–Ca·Na Y10 HCO3–Ca·Mg Y11 SO4–Ca·Mg Y12 SO4–Ca·Mg Y13 NO3·HCO3–Ca·Mg Y14 Cl–Ca·Na Y15 Cl·HCO3–Ca·Na ZK1 HCO3·SO4–Na·Ca ZK2 HCO3–Na·Ca ZK3 SO4·HCO3–Ca·Na 对比胶东其他温泉的水化学类型发现，七里汤地热水中主要阳离子含量与胶东地区温泉水含量接近，但主要阴离子含量却有所不同，七里汤地热水中以HCO3−和SO42－为主，而胶东地区温泉水以Cl−为主。胶东地区温泉水水化学类型主要以Cl–Na、Cl–Na·Ca、HCO3·SO4–Na、SO4·HCO3–Na型水为主（史猛等，2019a），而七里汤地热水水化学类型以SO4·HCO3–Ca·Na和HCO3–Na·Ca型水为主，说明地热水在上升过程中混入浅层地下水，导致水化学类型与周围常温地下水相似。
除主要阴阳离子外，地热水中明显高于常温地下水的还有：氟化物、偏硅酸等微量元素，且氟化物和偏硅酸含量均较高，其中，氟化物含量为3.24～12.20 mg/L，是生活饮用水水质标准的3.24～12.20倍，是常温地下水平均含量的5～24倍；偏硅酸含量为41.38～130.9 mg/L，是常温地下水平均含量的1.3～4倍。
地热水中的微量元素F含量偏高，是因为地热水在深循环径流过程中溶解了围岩中的含氟矿物质。偏硅酸含量偏高是因为区内花岗岩在深循环径流过程中发生了水－岩相互作用，而且温度越高，硅酸盐的溶解度越大。此外，地热水中还含有Rn、Ra等放射性元素，这既是地下水深循环的特征，也是构造活动的标志。
3.1.2 水化学动态
对地热田ZK1内地热水历年的化学组分进行分析，发现总体趋势较为稳定（图3）。主要化学组分中的K++Na+、Ca2+、Mg2+、Cl−、pH值、总溶解固体含量比较稳定，HCO3−呈缓慢上升趋势，SO42−呈下降趋势；特殊组分中氟化物含量相对稳定，SiO2和偏硅酸变化幅度稍大，原因主要是地下热水的持续开采，导致水位下降，混入了一定的浅层地下水，地下热水循环加快，地下热水对花岗岩的溶滤作用增强，使水中偏硅酸含量变幅较大。
![]()
图 3 七里汤地热水化学组分历年含量曲线图Figure 3. Content curve of chemical components in Qilitang geothermal water over the years3.1.3 地下热水水位与水温动态
随着七里汤地热田开发利用程度的不断提高，水位呈下降趋势（图4），特别是自20世纪90年代以来，随着人工开采量的大幅增加，水位下降明显。从调查结果可以看出，七里汤地热田2006年开采量为17.60 万m3/a，2020年增至22.89 万m3/a，增加幅度为0.35 万m3/a；ZK1水位埋深由2006年的22.4 m，降低至2020年的25.2 m，降低幅度为0.18 m/a。
七里汤温泉水的水温也存在着变化，从1980年的71 ℃到2006年的68 ℃，再到如今的66 ℃，水温共减小5 ℃；胶东半岛的一些温泉，如附近的大英汤水温从1980年的63 ℃到现在的62 ℃，呼雷汤水温从1980年的69 ℃到现在的60 ℃，温泉汤水温从1980年的73 ℃到现在的59 ℃，招远温泉水温从1980年的98 ℃到现在的81 ℃，即墨东温泉水温从1980年的89 ℃到现在的62 ℃（史猛等，2021），发现胶东半岛地区温泉水的水温逐年降低，可能是地热水的大量开采，加剧了地下水径流交替循环强度，进而造成泉水温度的下降。
3.2 地温场特征及地热异常区圈定
3.2.1 地温场特征
根据测温结果绘制地温等值线（图5），可以看出该地热田中心部位地温变化比较明显，呈串珠状向南北两端延伸，在东侧也有多个高值带，但温度较中心部位明显偏低。总体来说，各高值带分布呈现一定规律性，即北东向的高值带与东母猪河断裂走向大致相同，推测其为地热田的控热构造。
对研究区内3处钻孔进行垂向测温得知水温均呈递增趋势（图6），其中ZK1的水温起始温度为33.5 ℃，至孔深147 m处增温至53 ℃，在147～148 m段水温快速上升，至终孔150 m处水温达到62.5 ℃，平均地温梯度为21.48 ℃/100 m；ZK2的水温起始温度为18.5 ℃，终孔温度为39.6 ℃，地温梯度为15.48 ℃/100 m；ZK3的水温起始温度为19.7 ℃，终孔温度为42.9 ℃，地温梯度为14.66 ℃/100 m。ZK2和ZK3垂向测温曲线基本一致，说明两处热储形态相近，受北东向的东母猪河断裂和东西向抱龙河断裂影响相近；ZK1的水温在同深度均比其余两处钻孔水温高，并且深部温度上升加快，说明在150 m左右进入热储热源构造带，推测该断裂深部仍有温度增加的潜力。
3.2.2 异常区圈定
本地区地热平均增温率约为3 ℃/100 m，将超过平均增温率的部分作为地热异常区。根据遥感解译中地表温度反演结果，发现七里汤附近地热异常区反映为暗红色异常特征，地热异常区成中心扩散型，呈不规则块状展布。地热异常主要分布在断裂构造带周围，附近城市开发利用程度高，城市热岛效应明显，城市开发建设将一些重要地质背景及地热信息掩盖。在遥感解译的基础上，综合分析研究区地热地质条件，结合地温测量以及钻孔测温，划定七里汤地热异常区，确定地热异常区的面积约0.092 km2（图5）。并且对比胶东地区其他地热田面积得知，大英汤地热田为0.14 km2，宝泉汤地热田面积为0.14 km2，洪水岚汤地热田面积为0.2 km2，由此可以看出在胶东地区，地热田的面积都较小且相差不大（田粟，2012）。
4. 地热田成因机制
4.1 地热水补给来源
中低温地热资源中的δ18O、δ2H含量相对比较稳定，可以用来研究地热水的补给来源。经检测七里汤地热田地热水中的δ18O、δ2H测定结果分别为−64‰、−8.9‰，附近大英汤地热田地热水中的δ18O、δ2H测定结果分别为−63‰、−8.7‰，同时搜集研究区附近其余地热水中的δ18O、δ2H测定结果，发现研究区及附近地热流体的δ18O、δ2H数据点都落在全球大气降雨线（δ2H=8δ18O+10）及中国东部地区大气降雨线（δ2H=7.46δ18O+0.9）附近（图7），未出现明显的氧同位素偏移。此外，张涛（2011）通过对胶东半岛14处温泉进行研究，发现威海宝泉汤、牟平于家汤、招远东汤温泉形成年龄大于40a，其余温泉年龄小于40a，以现代水补给为主。因此，七里汤地热田及附近的地热水来源主要来自于大气降水，而非地球内部的内生水或者古封存水等水体。
![]()
图 7 水样δ2H−δ18O关系图七里汤、大英汤的地热水的氢氧同位素为实测数据，其他数据来自王昕昀（2018）Figure 7. Relationship between δ2H and δ18O in water samples4.2 热源分析
胶东半岛位于环太平洋地热带，为华北板块与扬子板块的碰撞结合带，早期处于地温上升阶段，近期地温上升虽有所衰退，但仍具有较高的地热背景（陈墨香，1988）。前人研究表明胶东半岛具有较高的大地热流背景值（图8）（史猛等，2021），而且高热流值与深大断裂走向基本一致，说明深大断裂是其导热通道。
![]()
图 8 胶东半岛硅热流等值线图（据史猛等，2021修改）Figure 8. Isoline map of silicon heat flow in Jiaodong Peninsula胶东半岛岩浆活动十分频繁，从太古代到新生代均有发育，以中生代岩浆活动最为强烈，而胶东半岛地热水的形成时间多在5~10a，少部分地热水年龄为30~40a（张涛，2011），从热水形成年龄和岩浆活动时间来看，热源为岩浆残余热的可能性不大。另外，通过地热水放射性元素分析，虽普遍含有Ra、Rn、U等，但是依据相关公式计算其热量很小，不足以支撑地热资源的形成（史猛等，2019b；钟振楠等，2021）。综上所述，地热增温为其主要热源。
从ZK2和ZK3测温曲线可以看出，两孔测温曲线均为直线增温型，无明显温度异常，热源为深大断裂的热传热，而位于导热断裂带ZK1孔测温曲线为上凸型，说明该孔为水热对流增温型地热井（李攻科等，2014）。
综合胶东地区热源分析以及钻孔测温曲线可以看出，七里汤的聚热模式为导热断裂带中的水热对流聚热，深大断裂沟通了地壳深部热源，断裂带破碎构成强富水条带、导水通道和优势导热通道，深部热流沿该通道以热对流方式携带到达地壳浅部，形成带状对流聚热。
4.3 热储温度与循环深度
采用SiO2温标法，依据温泉水水质分析结果绘制SiO2溶解度曲线（图9）。可以看出七里汤温泉落在玉髓溶解曲线附近，说明玉髓是控制温泉水中SiO2平衡的主要矿物，因此采用玉髓溶解曲线计算热储温度。
计算结果表明：当七里汤温泉水SiO2的浓度为106.42 mg/L、水温为67 ℃的时候，计算的热储温度为114.39 ℃。经分析可知七里汤主要补给水源为大气降水，沿着北东向横口–杨格庄断裂入渗，在深循环径流过程中被加热后上升，在上升过程中混入部分地下水，导致温度下降，最后在断裂交汇部位出露成泉。假设地下热量随深度的增加遵循正常的地温梯度，可根据当地的地温梯度来估算地热水的循环深度：
$$\begin{split} \\ Z=G(t_{Z}-t_{0})+Z_{0 } \end{split} $$ (2) 式中：G为增温梯度，单位m/℃；tZ为热储温度，单位℃；t0为威海地区多年平均气温，单位℃；Z0为常温带深度，单位m。
根据资料可知，七里汤地热水的增温梯度为22.7 m/℃，威海地区多年平均气温为15 ℃，常温带的深度为20 m，经计算得七里汤地热田地热水的循环深度为2 276.07 m。在胶东地区，所有温泉水的热储温度均为106～135 ℃，相互之间温度差距不大，都属于中低温型地热田，并且可能所有温泉水的热源相同。胶东半岛地区温泉中除于家汤温泉循环深度较浅以外，威海地区温泉循环深度普遍较深（表2），其中宝泉汤、温泉汤、呼雷汤、乳山小汤、招远东汤温泉的循环深度为1.3～3.6 km，其他等地的温泉循环深度深为5.5～9.7 km，由上可知七里汤温泉也属于中深循环地热流体。
表 2 胶东部分温泉热储温度及所处构造表Table 2. Temperature and structure of some hot spring heat storage in Jiaodong温泉 热储温度（℃） 循环深度（m） 构造部位 备注 威海宝泉汤 115.16 2022.14 NW神道口断裂；NE金线顶断裂 ○ 威海温泉汤 125.5 1743 NW温泉汤断裂；NE西字城—鲍家山断裂 ※ 文登洪水岚汤 135.02 5532.74 NE横口—东柳林断裂 ☆ 文登呼雷汤 136.6 1352.69 NE青龙河断裂；NW汤西断裂 ☆ 文登汤村汤 106.32 7302.85 NE昌阳河断裂；NW汤村断裂 ☆ 文登大英汤 109.18 1808.79 NE米山断裂、NE甸里院断裂 ☆ 乳山小汤 110.47 1503.2 NE仙姑顶断裂 ☆ 牟平龙泉汤 109.34 9653.24 NE汤西—龙泉断裂 ☆ 牟平于家汤 116.33 620.15 NE桃村断裂、郭城—即墨断裂；NW于家汤断裂 ☆ 乳山兴村汤 112.61 9784.65 NE朱吴断裂 ☆ 即墨东温泉 123.8 7803.84 NE青岛断裂、NE郭城—即墨断裂 ☆ 栖霞艾山汤 117.09 8568.32 NE寨里—杨础断裂 ☆ 蓬莱温石汤 132.09 8921.29 NE村里集断裂；NW温石汤断裂 ☆ 招远东汤温泉 127.63 3634.7 NE玲珑断裂；NW招平断裂（招远段） ☆ 注：○表示资料来自于杜桂林等（2012）；※表示资料来自于隋来伦等（2020）；☆表示资料来自于史猛等（2019a）。 4.4 断裂对温泉控制作用
从地质构造上看，胶东温泉附近均存在区域性的深大断裂，主要以北东向导热断裂为主，部分地热田出露点附近也存在相对次一级的北东向断裂与北西向断裂（表2），如温泉汤温泉受北西向温泉汤断裂和北东向西字城—鲍家山断裂控制，招远温泉受北东向玲珑断裂和北西向招平断裂控制，即墨东温泉受北东向青岛断裂和北东向郭城—即墨断裂控制（图10）。因此，区域上的深大断裂是地热水运移的主要通道，而局部的断裂交汇部位则是控制温泉出露的决定性因素（史猛等，2019b）。综合上文的分析可以看出：北东向的东母猪河断裂为七里汤地热田的控热构造，北东向的东母猪河断裂和东西向抱龙河断裂控制了温泉出露位置。
![]()
4.5 七里汤地热田概念模型
在借鉴胶东温泉成因机制的基础上，结合七里汤地热田特定的地质构造、地热水的补给来源和循环演化特征等方面，研究七里汤地热田的成因机制。七里汤地热田内的热储盖层主要有2种，即第四系松散层和侏罗纪二长花岗岩。第四系松散岩层，厚度一般小于8 m，保温效果不甚明显；二长花岗岩分布于第四系松散岩层下部，厚度为15～20 m，该岩石既是构成热储的主要岩层，又是热储的主要盖层。
地热田热储为北东向东母猪河断裂与近东西向抱龙河断裂控制的断裂裂隙型热储，热储中心在老母猪河断裂与抱龙河断裂的交汇复合部位。断裂带两侧构造裂隙发育既是热能储存场所，也是热能传输、运移的主要通道，同时为大气降水入渗补给和深部热流上升提供了理想通道。地热田内地热水为裂隙水，主要接受大气降水补给，其次在低处受松散层孔隙水的补给。大气降水和常温地下水通过东母猪河断裂与抱龙河断裂交汇部位的断裂破碎带入渗，经过深部循环热源加热后，以对流的方式上升至地表浅部，以泉的形式进行排泄（图11）。
综上所述，七里汤为深循环–对流型，即在山区接受大气降水入渗补给，沿着横口–杨格庄深大断裂径流，在深循环径流过程中温度不断升高，循环至地下2276.07 m处温度升至114.39 ℃，由于温度升高水压降低，地热水开始向上运移，在上升过程中混入部分地下水，导致温度下降，最后在断裂交汇处、第四系静水压力最小的部位出露成泉，泉水温度约67 ℃。
从七里汤地热泉可以看出，热水沿着高渗透性的破碎带上涌至地表形成地热田，所以胶东半岛热异常显示范围相对较小，地热资源均属于受断裂控制的中低温对流型地热资源。
5. 结论
（1）七里汤地热田地热水的水化学类型主要为SO4·HCO3–Ca·Na和HCO3–Na·Ca型水，地热水中F、H2SiO3含量较周边地下水和地表水明显偏高。七里汤地热田及附近的地热水来源主要来自于大气降水，而非地球内部的内生水或者古封存水等水体，地热增温是其主要热源，热储温度为114.39 ℃，循环深度为2 276.07 m。
（2）七里汤地热田成因机制为深循环–对流型，即在山区接受大气降水入渗补给，沿着横口–杨格庄深大断裂径流，在深循环径流过程中温度不断升高，循环至地下2 276.07 m处温度升至114.39 ℃，由于温度升高水压降低，地热水开始向上运移，在上升过程中混入部分地下水，导致温度下降，最后在断裂交汇处、第四系静水压力最小的部位出露成泉，泉水温度约为67 ℃。
（3）近年来，随着开采量的增加和开采时间的延续，七里汤地热田的水位呈下降趋势。因此，在未来开发利用过程中，地热田总开采量不可超过15.44万m3/a。
-
![]()
图 1 研究区地理位置及样本分布
Figure 1. Geographical location of the study area and distribution of sample
![]()
图 3 研究区滑坡易发性结果（a、b、c分别为SVM、BP、RF模型下的滑坡易发性结果）
Figure 3. Landslide susceptibility results in the study area (a, b and c are landslide susceptibility results under SVM, BP and RF models, respectively)
![]()
图 5 局部滑坡易发性结果图及野外考察照片
a、b、c. 分别为SVM、BP神经网络、RF算法得到的局部滑坡易发性图；d、e. 分别为野外实地考察图
Figure 5. Amplification of local landslide susceptibility results and field study
表 1 评价因子多重共线性分析结果
Table 1 Results of multiple covariance analysis of evaluation factors
评价因子 容差 VIF 评价因子 容差 VIF 高程 0.781 1.281 起伏度 0.176 5.693 坡度 0.159 6.298 地层岩性 0.990 1.010 坡向 0.979 1.022 年均降雨量 0.981 1.019 平面曲率 0.708 1.413 土地利用 0.984 1.017 剖面曲率 0.869 1.151 
下载: 导出CSV
表 2 测试样本精度评价
Table 2 Test sample accuracy evaluation
评价指标 评价模型 SVM BP神经网络 RF TP（真阳性） 130 143 138 FP（假阳性） 29 31 29 TN（真阴性） 139 138 156 FN（假阴性） 41 27 16 ACC（准确度） 0.794 0.829 0.867
下载: 导出CSV
表 3 易发性分区合理性检验结果
Table 3 Rationality test results of susceptibility zoning
评价
模型易发区 分级面
积（km2）滑坡
点（个）Mei（%) Dei（%) Sei（%) SVM 极低（I） 1260.04 47 43.51 8.32 0.19 低（II） 624.7 47 21.57 8.32 0.39 中（III） 449.2 49 15.51 8.67 0.56 高（IV） 328.04 109 11.33 19.29 1.70 极高（V） 234.11 313 8.08 55.40 6.85 BP神经
网络极低（I） 1282.66 27 44.29 4.78 0.11 低（II） 619.45 31 21.39 5.49 0.26 中（III） 443.81 42 15.32 7.43 0.49 高（IV） 330.44 73 11.41 12.92 1.13 极高（V） 219.73 392 7.59 69.38 9.14 RF 极低（I） 1262.13 17 43.58 3.00 0.07 低（II） 684.86 20 23.65 3.54 0.15 中（III） 422.73 37 14.60 6.55 0.45 高（IV） 287.12 61 9.91 10.80 1.09 极高（V） 239.25 430 8.26 76.11 9.21
下载: 导出CSV
-
陈玉萍, 袁志强, 周博, 等. 遗传算法优化BP网络在滑坡灾害预测中的应用研究[J]. 水文地质工程地质, 2012, 39(1): 114-119 Chen Yuping, Yuan Zhiqiang, Zhou Bo, et al. Application of back propagation neural networks with optimization of genetic algorithms to landslide hazard prediction[J]. Hydrogeology & Engineering Geology, 2012, 39(1): 114-119. (in Chinese)
杜国梁, 杨志华, 袁颖, 等. 基于逻辑回归–信息量的川藏交通廊道滑坡易发性评价[J]. 水文地质工程地质, 2021, 48(5): 102-111 Du Guoliang, Yang Zhihua, Yuan Ying, et al. Landslide susceptibility mapping in the Sichuan-Tibet trafficcorridor using logistic regression- information value method[J]. Hydrogeology & Engineering Geology, 2021, 48(5): 102-111. (in Chinese)
黄发明, 胡松雁, 闫学涯, 等. 基于机器学习的滑坡易发性预测建模及其主控因子识别[J]. 地质科技通报, 2022, 41(2): 79–90 HUANG Faming, HU Songyan, YAN Xueya, et al. Landslide susceptibility prediction and identification of its main environmental factors based on machine learning models[J]. Bulletin of Geological Science and Technology 2022, 41(2): 79–90.
黄武彪, 丁明涛, 王栋, 等. 基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价[J]. 地球科学, 2022, 47(6): 2015-2030 Huang Wubiao, Ding Mingtao, Wang Dong, et al. Evaluation of landslide susceptibility based on layer adaptive weighted convolutional neural network model along Sichuan-tibet traffic torridor[J]. Earth Science, 2022, 47(6): 2015-2030. (in Chinese)
黄煜, 谢婉丽, 刘琦琦, 等. 基于GIS与MaxEnt模型的滑坡易发性评价—以铜川市中部城区为例[J]. 西北地质, 2023, 56(1): 266-275. doi: 10.12401/j.nwg.2022001 HUANG Yu, XIE Wanli, LIU Qiqi, et al. Landslide Susceptibility Assessment Based on GIS and MaxEnt Model: Example from Central Districts in Tongchuan City[J]. Northwestern Geology, 2023, 56(1): 266−275. doi: 10.12401/j.nwg.2022001
贾俊, 毛伊敏, 孟晓捷, 等. 深度随机森林和随机森林算法的滑坡易发性评价对比—以汉中市略阳县为例[J]. 西北地质, 2023, 56(3): 239−249. JIA Jun, MAO Yimin, MENG Xiaojie, et al. Comparison of Landslide Susceptibility Evaluation by Deep Random Forest and Random Forest Model: A Case Study of Lueyang County, Hanzhong City[J]. Northwestern Geology, 2023, 56(3): 239−249.
康孟羽, 朱月琴, 陈晨, 等. 基于多元非线性回归和BP神经网络的滑坡滑动距离预测模型研究[J]. 地质通报, 2022, 41(12): 2281−2289. KANG Mengyu, ZHU Yueqin, CHEN Chen, et al. Research on landslide sliding distance prediction model based on multiple nonlinear regression and BP neural network[J]. Geological Bulletin of China, 2022, 41(12): 2281−2289.
李东, 周可法, 孙卫东, 等. BP神经网络和SVM在矿山环境评价中的应用分析[J]. 干旱区地理, 2015, 38(1): 128-134 Li Dong, Zhou Kefa, Sun WeiDong, et al. Application of BP neural network and SVM in mine environmental assessment[J]. Arid Land Geography, 2015, 38(1): 128-134. (in Chinese)
李宇嘉, 陈宁生, 杨溢, 等. 汉源县中海村“8·21”雨后型滑坡特征与成因[J]. 成都理工大学学报(自然科学版), 2022, 49(2): 185−195. LI Ningjia, CHENG Ningsheng, YANG Yi, et al. Characteristics and causes of 8·21 rainfall-induced landslide at Zhonghai Village, Hanyuan County, Sichuan, China[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 2022, 49(2): 185−195.
林荣福, 刘纪平, 徐胜华, 等. 随机森林赋权信息量的滑坡易发性评价方法[J]. 测绘科学, 2020, 45(12): 131-138 Lin Rongfu, Liu Jiping, Xu Shenghua, et al. Evaluation method of landslide susceptibility based on random forest weighted information[J]. Science of Surveying and Mapping, 2020, 45(12): 131-138. (in Chinese)
刘坚, 李树林, 陈涛. 基于优化随机森林模型的滑坡易发性评价[J]. 武汉大学学报(信息科学版), 2018, 43(7): 1085-1091 Liu Jian, Li Shulin, Chen Tao. Landslide susceptibility assesment based on optimized random forest model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1085-1091. (in Chinese)
刘璐瑶, 高惠瑛, 李照. 基于CF与Logistic回归模型耦合的永嘉县滑坡易发性评价[J]. 中国海洋大学学报(自然科学版), 2021, 51(10): 121-129 Liu Luyao, Gao Huiying, Li Zhao. Landslide susceptibility assessment based on coupling of CF model and logistic regression model in Yongjia county[J]. Periodical of Ocean University of China, 2021, 51(10): 121-129. (in Chinese)
刘希林, 庙成, 田春山. 区域滑坡和泥石流灾害两种危险性评价方法的比较分析[J]. 防灾减灾工程学报, 2017, 37(1): 71-78 Liu Xilin, Miao Cheng, Tian Chunshan. Comparative analysis of two methods for assessing hazard of landslide and debris-flow on a regional scale[J]. Journal of Disaster Prevention and Mitigation Engineering, 2017, 37(1): 71-78. (in Chinese)
马啸, 王念秦, 李晓抗, 等. 基于RF-FR模型的滑坡易发性评价——以略阳县为例[J]. 西北地质, 2022, 55(3): 335−344. MA Xiao, WANG Nianqin, LI Xiaokang, YAN Dong, LI Jialin. Assessment of Landslide Susceptibility Based on RF-FR Model: Taking Lueyang County as an Example[J]. Northwestern Geology, 2022, 55(3): 335−344.
孟晓捷, 张新社, 曾庆铭, 等. 基于加权信息量法的黄土滑坡易发性评价——以1∶5万天水市麦积幅为例[J]. 西北地质, 2022, 55(2): 249−259. MENG Xiaojie, ZHANG Xinshe, ZENG Qingming, et al. The Susceptibility Evaluation of Loess Landslide Based on Weighted Information Value Method: Taking 1∶50 000 Map of Maiji District of Tianshui City As an Example[J]. Northwestern Geology, 2022, 55(2): 249−259.
唐睿旋, 晏鄂川, 唐薇. 基于粗糙集和BP神经网络的滑坡易发性评价[J]. 煤田地质与勘探, 2017, 45(6): 129-138 Tan Ruixuan, Yan Echuan, Tan Wei. Landslide susceptibility evaluation based on rough set and back-propagation neural network[J]. Coal Geology & Exploration, 2017, 45(6): 129-138. (in Chinese)
孙萍萍, 张茂省, 贾俊, 等. 中国西部黄土区地质灾害调查研究进展[J]. 西北地质, 2022, 55(3): 96−107. SUN Pingping, ZHANG Maosheng, JIA Jun, et al. Geo-hazards Research and Investigation in the Loess Regions of Western China[J]. Northwestern Geology, 2022, 55(3): 96−107.
田媛, 巨能攀, 解明礼, 等. 滑坡编录表达模式对易发性评价结果的影响[J]. 成都理工大学学报(自然科学版), 2022, 49(5): 606−615. TIAN Yuan, JU Nengpan, XIE Mingli, et al. Analysis of the impact of landslide cataloguing expression patterns on the evaluation results of landslide susceptibility[J], Journal of Chengdu University of Technology (Science Technology Edition), 2022, 49(5): 606−615.
王朋伟, 安玉科. 滑坡匀速变形阶段快速诊断方法研究[J]. 西北地质, 2023, 56(5): 197−203. WANG Pengwei, AN Yuke. Research on Rapid Diagnosis Method of Landslide’s Uniform Deformation Stage[J]. Northwestern Geology, 2023, 56(5): 197−203.
王海芝, 王颂, 周剑, 等. 樟木堆积体斜坡动力稳定性与极限承载力评价[J]. 西北地质, 2022, 55(1): 262−273. WANG Haizhi, WANG Song, ZHOU Jian, et al. Dynamic Stability Analysis and Ultimate Bearing Capacity Evaluation of Zhangmu Landslide Deposit[J]. Northwestern Geology, 2022, 55(1): 262−273.
王毅, 方志策, 牛瑞卿, 等. 基于深度学习的滑坡灾害易发性分析[J]. 地球信息科学学报, 2021, 23(12): 2244-2260 doi: 10.12082/dqxxkx.2021.210057 Wang Yi, Fang Zhice, Niu Ruiqing, et al. Landslide susceptibility analysis based on deep learning[J]. Journal of Geo-information Science, 2021, 23(12): 2244-2260. (in Chinese) doi: 10.12082/dqxxkx.2021.210057
吴孝情, 赖成光, 陈晓宏, 等. 基于随机森林权重的滑坡危险性评价: 以东江流域为例[J]. 自然灾害学报, 2017, 26(5): 119-129 Wu Xiaoqing, Lai Chengguang, Chen Xiaohong, et al. A landslide hazard assessment based on random forest weight: a case study in the Dongjiang River Basin[J]. Journal of Natural Disasters, 2017, 26(5): 119-129. (in Chinese)
杨平芬, 李艳美, 杨保住. 云南省芒市土壤肥力现状及变化趋势[J]. 云南农业科技, 2014, (5): 4-7 doi: 10.3969/j.issn.1000-0488.2014.05.001 Yang Pingfen, Li Yanmei, Yang Baozhu. Status and trends of soil fertility in Mangshi, Yunnan province[J]. Yunnan Agricultural Science and Technology, 2014, (5): 4-7. (in Chinese) doi: 10.3969/j.issn.1000-0488.2014.05.001
张林梵, 王佳运, 张茂省, 等. 基于BP神经网络的区域滑坡易发性评价[J]. 西北地质, 2022, 55(2): 260-270 Zhang Linfan, Wang Jiayun, Zhang Maosheng, et al. Evaluation of regional landslide susceptibility assessment based on BP neural network[J]. Northwestern Geology, 2022, 55(2): 260-270. (in Chinese)
郑迎凯, 陈建国, 王成彬, 等. 确定性系数与随机森林模型在云南芒市滑坡易发性评价中的应用[J]. 地质科技通报, 2020, 39(6): 131-144 Zheng Yingkai, Chen Jianguo, Wang Chengbin, et al. Application of certainty factor and random forests model in landslide susceptibility evaluation in Mangshi city[J]. Bulletin of Geological Science and Technology, 2020, 39(6): 131-144. (in Chinese)
周定义, 左小清, 喜文飞, 等. 联合SBAS-InSAR和PSO-BP算法的高山峡谷区地质灾害危险性评价[J]. 农业工程学报, 2021, 37(23): 108-116 doi: 10.11975/j.issn.1002-6819.2021.23.013 Zhou Dingyi, Zuo Xiaoqing, Xi Wenfei, et al. Combined SBAS-InSAR and PSO-BP algorithm for evaluating the risk of geological disasters in alpine valley regions[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(23): 108-116. (in Chinese) doi: 10.11975/j.issn.1002-6819.2021.23.013
周宇, 常鸣, 孙文静, 等. 基于改进证据权重法的北海道地震同震滑坡易发性评价[J]. 地理与地理信息科学, 2022, 38(1): 138-144 Zhou Yu, Chang Ming, Sun Wenjing, et al. Susceptibility evaluation of Hokkaido earthquake coseismic landslides based on improved weights of evidence method[J]. Geography and Geo-Information Science, 2022, 38(1): 138-144. (in Chinese)
Adnan Ozdemir, Tolga Altural. A comparative study of frequency ratio, weights of evidence and logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW Turkey[J]. Journal of Asian Earth Sciences, 2013, 64: 180-197. doi: 10.1016/j.jseaes.2012.12.014
L Ayalew, H Yamagishi. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan[J]. Geomorphology, 2005, 65(1): 15-31.
Binh Thai Pham, Biswajeet Pradhan, Dieu Tien Bui, et al. A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of Uttarakhand area (India)[J]. Environmental Modelling & Software, 2016, 84: 240-250.
Wei Chen, Hamid Reza Pourghasemi, Mahdi Panahi, et al. Spatial prediction of landslide susceptibility using an adaptive neuro-fuzzy inference system combined with frequency ratio, generalized additive model, and support vector machine techniques[J]. Geomorphology, 2017, 297: 69-85. doi: 10.1016/j.geomorph.2017.09.007
FC Dai, CF Lee, YY Ngai. Landslide risk assessment and management: an overview[J]. Engineering Geology, 2002, 64(1): 65-87. doi: 10.1016/S0013-7952(01)00093-X
Francisco Gutiérrez, Rogelio Linares, Carles Roqué, et al. Large landslides associated with a diapiric fold in Canelles Reservoir (Spanish Pyrenees): Detailed geological geomorphological mapping, trenching and electrical resistivity imaging[J]. Geomorphology, 2015, 241: 224-242. doi: 10.1016/j.geomorph.2015.04.016
Harlow L L. The Essence of multivariate thinking: Basic themes and methods[M]. London: Lawrence ErlbaumAssociates, 2005: 199-207.
Haydar Y. Hussin, Veronica Zumpano, Paola Reichenbach, et al. Different landslide sampling strategies in a grid-based bi-variate statistical susceptibility model[J]. Geomorphology, 2016, 253: 508-523. doi: 10.1016/j.geomorph.2015.10.030
Rumelhart d Hinton-G-Williams-R. . Learning representations by back-propagatingerrors[J]. Nature, 1986, 323: 533-536. doi: 10.1038/323533a0
Faming Huang, Zhongshan Cao, Jianfei Guo, et al. Comparisons of heuristic, general statistical and machine learning models for landslide susceptibility prediction and mapping[J]. Catena, 2020, 191: 104580. doi: 10.1016/j.catena.2020.104580
Guan-Wei Lin, Hongey Chen, Tsun-Ying Shih, et al. Various links between landslide debris and sediment flux during earthquake and rainstorm events[J]. Journal of Asian Earth Sciences, 2012, 54-55: 41-48. doi: 10.1016/j.jseaes.2012.03.012
Markus Meinhardt, Manfred Fink, Hannes Tuenschel. Landslide susceptibility analysis in central Vietnam based on an incomplete landslide inventory: Comparison of a new method to calculate weighting factors by means of bivariate statistics[J]. Geomorphology, 2015, 234: 80-97. doi: 10.1016/j.geomorph.2014.12.042
Pham, BT, Shirzadi, et al. A hybrid machine learning ensemble approach based on a Radial Basis Function neural network and Rotation Forest for landslide susceptibility modeling: A case study in the Himalayan area, India[J]. Int J Sediment Res, 2018, 2018, 33(2): 157-170.
B. Pradhan. Landslide susceptibility mapping of a catchment area using frequency ratio, fuzzy logic and multivariate logistic regression approaches[J]. Journal of the Indian Society of Remote Sensing, 2010, 38(2): 301-320. doi: 10.1007/s12524-010-0020-z
Ryuta Tamura, Ken Kobayashi, Yuichi Takano, et al. Mixed integer quadratic optimization formulations for eliminating multicollinearity based on variance inflation factor[J]. Journal of Global Optimization, 2019, 73(2): 431-446. doi: 10.1007/s10898-018-0713-3
Shen Chaoyong, Feng Zhongke, Xie Chou, et al. Refinement of Landslide Susceptibility Map Using Persistent Scatterer Interferometry in Areas of Intense Mining Activities in the Karst Region of Southwest China[J]. Remote Sensing, 2019, 11（23）: 2821-2843. doi: 10.3390/rs11232821
Vijendra Kumar Pandey, Kaushal Kumar Sharma, Hamid Reza Pourghasemi, et al. Sedimentological characteristics and application of machine learning techniques for landslide susceptibility modelling along the highway corridor Nahan to Rajgarh (Himachal Pradesh), India[J]. Catena, 2019, 182: 104150. doi: 10.1016/j.catena.2019.104150
Chao Zhou, Kunlong Yin, Ying Cao, et al. Application of time series analysis and PSO-SVM model in predicting the Bazimen landslide in the Three Gorges Reservoir, China[J]. Engineering Geology, 2016, 204: 108-120. doi: 10.1016/j.enggeo.2016.02.009
Zhifu Zhu, Shu Gan, Xiping Yuan, et al. Landslide Susceptibility Mapping with Integrated SBAS-InSAR Technique: A Case Study of Dongchuan District, Yunnan (China)[J]. Sensors, 2022, 22(15): 5587. doi: 10.3390/s22155587
-
期刊类型引用(8)
1. 冯旻譞，毛伊敏，贾俊，齐琦，孟晓捷，刘港，高波，高满新. 地质灾害危险性评价中不同机器学习方法优劣对比：以宁强县大安镇为例. 中国地质. 2025(01): 205-214 . 
百度学术
2. 卫璐宁，郭永刚，周兴波. 基于优化随机森林模型的藏东南地区滑坡主控因子分析及易发性评价. 地质与资源. 2025(01): 112-127 . 百度学术
3. 李光明，杨玉飞，唐亚明，王小浩，尹春旺，冯凡，周永恒. 数据驱动模型评价滑坡易发性的对比研究：以黄河中游流域为例. 西北地质. 2025(02): 51-65 . 本站查看
4. 张天宇，李林翠，刘凡，洪增林，钱法桥，胡斌，张淼. 基于优化最大熵模型的黄土滑坡易发性评价：以陕西省吴起县为例. 西北地质. 2025(02): 172-185 . 本站查看
5. 胡祥祥，石亚亚，胡良柏，吴涛，庞栋栋，刘帅令，宋宝. 融合InSAR与信息量–机器学习耦合模型的黄土滑坡易发性评价. 西北地质. 2025(02): 159-171 . 本站查看
6. 王喜，徐世光，陈玉波. 基于确定性系数与随机森林模型的滑坡易发性评价. 江西科学. 2025(02): 375-384 . 百度学术
7. 吴逢涛，杨志全，赵旭光. 基于Stacking集成机器学习模型的川西重大交通干线地质灾害易发性评价. 科学技术与工程. 2025(13): 5340-5350 . 百度学术
8. 周修波，李永红，陈建平，何意平，姬怡微，蒙晓，张辉. 基于机器学习模型的斜坡地质灾害易发性评价. 甘肃地质. 2024(04): 63-75 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 249
- HTML全文浏览量: 64
- PDF下载量: 69
- 被引次数: 12
