Comparison of Landslide Susceptibility Evaluation by Deep Random Forest and Random Forest Model: A Case Study of Lueyang County, Hanzhong City
-
摘要:
针对浅层的机器学习模型泛化能力低而导致其滑坡易发性评价模型预测精度不高的问题，笔者围绕陕西省汉中市略阳县城中心为研究区，采用深度随机森林构建区域地灾易发性评价模型来提升预测精度。依据略阳县滑坡成灾机理研究成果，选取坡度、相对高差、坡向、坡型、工程地质岩组、断裂距离、水系距离、公路铁路距离、植被覆盖等9个因子作为易发性评价指标；将研究区栅格单元按5 m × 5 m进行划分并提取评价因子值，输入深度随机森林评价模型，从而获得研究区易发性评价图。依据评价结果略阳县地质灾害可划分为极高易发区、高易发区、中易发区、低易发区4个等级，面积所占比例分别为5.31%、22.97%、42.11%、29.61%，其划分结果与研究区内地质灾害实际发育情况吻合，合理反映研究区地灾分布的总体特征。深度随机森林的地质灾害易发性预测模型在ROC曲线下面积值（AUC）为91.2%，高于随机森林预测模型的86.3%，表明该模型具有一定的合理性与可行性，可为区域滑坡易发性评价进一步提供新方法。
Abstract:To address the problem of low prediction accuracy of landslide susceptibility evaluation model due to the difficulty of knowledge reuse and generalization of shallow machine learning model, this paper takes Lueyang County, Hanzhong City, Shaanxi Province as the study area and uses deep random forest to build a regional geological disaster susceptibility evaluation model to improve the prediction accuracy. Firstly, based on the research results of landslide mechanism in Lueyang County, nine factors such as slope, relative height difference, slope direction, slope type, engineering geological rock group, fault distance, river system distance, road and railroad distance, and vegetation cover are selected as susceptibility evaluation indexes; secondly, the study area is divided into 5 m × 5 m raster cells and the values of evaluation factors are extracted and input into the depth random forest evaluation model; finally, the susceptibility evaluation map of the study area is obtained. Based on the evaluation results, geological hazards in Lueyang County can be classified into four levels: very high susceptibility, high susceptibility, medium susceptibility, and low susceptibility, with the proportion of area being 5.31%, 22.97%, 42.11%, and 29.61%. The classification results are consistent with the actual development of geological hazards and reasonably reflect the overall characteristics of geological hazard distribution in the study area. In addition, the area under the ROC curve of the geological hazard susceptibility prediction model of deep random forest is 91.2%, which is higher than 86.3% of the random forest prediction model, indicating that the model is reasonable and feasible, and can provide new ideas for the evaluation of regional landslide susceptibility.
-
Keywords:
- landslide /
- Lueyang County /
- susceptibility evaluation /
- Deep Random Forest Model
-
碳酸盐岩作为内源沉积岩，在形成过程中与水介质之间存在着复杂的地球化学平衡，元素在碳酸盐岩中迁移富集除与元素本身性质有关外，还受古气候和古环境等外部因素的影响，同时许多元素的赋存并不受成岩后生变化影响，因此利用碳酸盐岩中各元素的含量、比值可以推断沉积环境（Guy et al.，1999；Brian et al.，2004；史冀忠等，2021）。此外，碳酸盐岩的碳氧同位素也蕴含着其沉积时的古海洋环境信息（张秀莲，1985；杨捷等，2014；王小林等，2016），也是研究古海洋环境的重要手段。利用碳酸盐岩地球化学特征示踪古海洋环境及盆地演化，越来越受到沉积学家们的重视（何雨旸等，2014；赵晓辰等，2017；李文正等，2019；杨晓璇等，2022）。
阿木山组是地质部 241 队于 1955 年创名，地点在内蒙古包头市达尔罕茂明安联合旗阿木山地区（高振家等，2000），其分布十分广泛，西起阿拉善，东至巴林左旗，断续分布1 400 km（张玉清等，2016）。阿木山组在阿拉善左旗乌力吉出露良好，三段齐全，不同学者从地层时代、层序地层特征、岩相古地理等方面对该套地层进行了研究。1∶20万乌力吉幅区域地质调查报告认为该套地层为晚石炭世（宁夏回族自治区地质局，1980），卜建军等（2012）通过䗴类和珊瑚化石、郑荣国等（2017）通过火山岩锆石U-Pb测年，认为该套地层为晚石炭系世—早二叠世。苏华英（2011）通过露头层序地层学研究将阿木山组划分为 3 个三级层序。近年来笔者所在团队首次开展银额盆地石炭系—二叠系油气基础地质调查，通过剖面实测以及路线地质调查，对阿木山组沉积时期的物源、岩相古地理以及盆地演化进行了初步研究（史冀忠等，2013，2018；卢进才等，2018），关于阿木山组碳酸盐岩形成的古海洋环境及演化规律尚未进行深入研究。笔者以乌力吉陶来剖面为例，在实测剖面的基础上，系统采集薄片、地球化学、碳氧同位素等样品，进行详细的岩石学及地球化学分析，重建银额盆地阿木山组碳酸盐岩沉积时期的古海洋环境及其演化特征，为银额盆地的油气勘探提供理论依据。
1. 地质概况
银额盆地位于内蒙古自治区西部，处于华北板块、塔里木板块和哈萨克斯坦板块的结合处（图1a），是中国陆地上油气勘探程度较低的地区之一（卢进才等，2006；魏建设等，2023）。研究区内分布着3条重要的断裂带，自北向南分别为雅干断裂带、恩格尔乌苏断裂带和查干础鲁断裂带，据此划分为雅干构造带、珠斯楞–杭乌拉构造带、沙拉扎山构造带和诺日公–狼山构造带（吴泰然等，1993；王廷印等，1998；张文等，2013）（图1b）。
![]()
图 1 研究区构造位置（a）、阿木山组分布（b）和乌力吉地区地质简图（c）Figure 1. (a) Tectonic location, (b) distribution of Amushan Formation and (c) geological sketch of Wuliji Area银额盆地东部的阿木山组出露于芒罕超克、恩格尔乌苏北、乌力吉、阿伦功、264界碑西南、呼伦陶勒盖和乌兰敖包等地（图1b），各剖面岩性组成见表1。阿木山组在乌力吉出露最全，根据岩性组合特征可划分为3段：下段为中酸性火山碎屑岩、长石砂岩为代表的火山岩–碎屑岩；中段为生物碎屑灰岩为代表的碳酸盐岩；上段为砾岩及长石石英砂岩为代表的粗碎屑岩，沿走向岩性及厚度变化较大。
表 1 银额盆地石炭系—二叠系阿木山组实测剖面岩性组合特征Table 1. Lithologic association of measured profile of Carboniferous-Permian Amushan Formation in Yin’e basin剖面名称 段 碎屑岩 碳酸岩 火山岩 累计厚度
（m）砂砾岩
（m）粉砂岩
（m）泥页岩
（m）合计
（m）比例
（%）厚度
（m）比例
（%）厚度
（m）比例
（%）芒罕超克 79.41 281.17 180.83 541.4 100.0 － － － － 541.41 恩格尔乌苏北 747.10 49.50 10.40 807.0 87.3 － － 117.10 12.67 924.10 乌力吉尚丹 上段 716.04 47.81 175.57 939.4 100.0 － － － － 939.42 乌力吉陶来 中段 40.48 77.70 21.31 139.5 17.9 638.03 82.06 － － 777.52 乌力吉查古尔 下段 1331.42 － 87.16 1418.6 93.8 21.47 1.42 72.63 4.80 1512.68 阿伦功 383.76 304.20 289.35 977.3 98.4 16.20 1.63 － － 993.51 264界碑西南 577.28 67.20 14.12 658.6 83.3 131.57 16.65 － － 790.17 乌兰敖包 上段 383.13 128.45 3.66 515.2 92.2 43.46 7.78 － － 558.70 中段 14.19 － － 14.2 16.1 73.85 83.88 － － 88.04 下段 424.54 12.88 15.63 453.1 97.7 2.62 0.56 － － 463.82 呼伦陶勒盖 下段 194.32 37.54 94.05 325.9 69.1 － － 146.01 30.94 471.92 陶来剖面的碳酸盐岩厚度最大，其位于内蒙古阿拉善左旗乌力吉东约20 km（图1c），厚约为777.52 m，岩性以灰色中–薄层灰岩、生物碎屑灰岩、藻灰岩为主，夹泥质粉砂岩、粉砂质泥岩、含砾粗砂岩、钙质粗砂岩、钙质长石砂岩（图2，表1）。生物灰岩中含有丰富的化石，有䗴类、珊瑚、腕足、海百合茎、菊石、腹足、有孔虫及藻类等（图3、图4）。根据岩性组合特征、古生物化石等对阿木山组碳酸盐岩段进行了沉积相的划分，总体为碳酸盐岩台地相，进一步划分为台地边缘、开阔台地亚相（图2）。
![]()
图 2 研究区碳酸盐岩段综合柱状图及采样位置Figure 2. Comprehensive column and sampling position of carbonate rocks in the study area![]()
图 3 研究区碳酸盐岩野外及显微照片a.灰色薄层灰岩；b.珊瑚化石；c.菊石化石；d.藻类；e.生物碎屑灰岩中有孔虫（B5）；f.生物碎屑灰岩中䗴化石（B5）；g.生物碎屑灰岩（B7）；h.生物碎屑灰岩（B12）Figure 3. Field and microscopic characteristics of carbonate rocks in the study area![]()
图 4 研究区碳酸盐岩中珊瑚和䗴化石a. Caninia sp.，横切面（TL-19F2）；b. Caninia sp.，纵切面（TL-19F2）；c. Pseudozaphrentoides sp.，横切面（TL-19F2）；d. Pseudozaphrentoides sp.，纵切面（TL-19F2）；e. Caninia sp.，横切面（TL-19F2）；f. Caninia sp.，横切面（TL-19F2）；g. Caninia bothrophylloides Zeng，纵切面（TL-19F2）；h. Caninia bothrophylloides Zeng，横切面（TL-19F2）；i. Fusulinella peruana Meyer，×10（TL-1F1）；j. Triticites winterensis Thompson，Verville and Lokke，×10（TL-36F6）；k. Triticites winterensis Thompson，Verville and Lokke，×10（TL-36F6）；l. Triticites pseudoarcticus Rauser，×10（TL-12F2）Figure 4. Fossils of coral and skink in carbonate rocks in the study area2. 样品及实验方法
样品采自内蒙古阿拉善左旗乌力吉东陶来剖面，层位为石炭系—二叠系阿木山组碳酸盐岩段，采样时沿剖面均匀采集，尽可能选取新鲜，未蚀变及矿化的样品。共采集12件薄片、12件地球化学和12件碳氧同位素样品，采样位置见图2，同时采集古生物化石样品进行详细鉴定（图4）。
地球化学（常量元素、微量元素及稀土元素）分析在自然资源部岩浆作用成矿与找矿重点实验室进行，主量元素采用X射线荧光光谱法（XRF）测定，分析精度优于2%；微量元素及稀土元素采用电感耦合等离子质谱仪法（ICP-MS）测定，分析精度优于5%。碳氧同位素在西北大学大陆动力学国家重点实验室采用Gasbench-IRMS测试，δ13C分析精度为±0.1‰，δ18O分析精度为±0.2‰。
3. 岩石学特征
岩石学是碳酸盐岩地球化学分析的基础，对采集的薄片在偏光显微镜下进行岩相学鉴定，主要为生物碎屑灰岩。
生物碎屑灰岩为生物碎屑结构，块状构造，主要由生物碎屑组成，含量为45%～70%，主要为䗴科、有孔虫类、腕足和藻类等。䗴科壳体形态多呈纺锤形，少数为椭圆形，大小一般为0.8～3.5 mm；有孔虫呈锥形、长圆形、圆形等，壳体一般为0.2～2.8 mm；腕足常见腕足刺，呈圆形、同心层状构造；藻类多呈圆形或椭圆形，有些具同心层状；另外还有双壳类、海百合茎、苔藓类及其他生物碎屑，胶结物为方解石亮晶（图3、图4）。
中国地质大学（武汉）李志明教授对珊瑚进行了详细鉴定，有Caninia sp.、Pseudozaphrentoides sp.、Caninia bothrophylloides Zeng等（图4a～图4h）。中国地质调查局武汉地质调查中心牛志军教授对䗴类进行了详细鉴定，有：Fusulinella peruana Meyer、Triticites winterensis Thompson、Verville and Lokke、Triticites pseudoarcticus Rauser和Fusulinella devexa Thompson（图4i～图4l）。根据化石确定该套地层时代为晚石炭系世小独山期—早二叠世紫松期（卜建军等，2012）。
4. 测试结果
陶来剖面阿木山组碳酸盐岩的常量元素、微量元素、稀土元素及北美页岩标准化、C-O同位素分析结果分别见表2～表5。
表 2 研究区碳酸盐岩常量元素分析结果Table 2. Major elements analysis of carbonate rocks in the study area样号 SiO2 Al2O3 Fe2O3 FeO CaO MgO K2O Na2O TiO2 P2O5 MnO 烧失量（LOI） a m CH1 2.57 0.70 0.12 0.15 53.33 0.53 0.07 0.07 0.04 0.04 0.04 42.23 96.09 75.71 CH2 2.44 0.53 0.15 0.10 53.50 0.67 0.07 0.07 0.03 0.03 0.01 42.25 96.42 126.42 CH3 4.60 0.53 0.11 0.15 52.15 0.67 0.03 0.05 0.03 0.04 0.03 41.45 94.27 126.42 CH4 2.93 0.16 0.06 0.10 53.62 0.58 0.01 0.05 0.01 0.02 0.03 42.30 96.50 362.50 CH5 1.16 0.09 0.01 0.10 54.69 0.72 0.01 0.04 0.01 0.03 0.01 43.04 98.45 800.00 CH6 1.93 0.18 0.05 0.12 53.23 1.30 0.02 0.06 0.01 0.03 0.02 42.88 97.41 722.22 CH7 0.53 0.04 0.01 0.10 55.39 0.63 0.01 0.03 0.01 0.02 0.01 43.16 99.18 1575.00 CH8 2.00 0.36 0.13 0.05 53.61 0.69 0.02 0.05 0.02 0.02 0.02 42.86 97.16 191.67 CH9 2.91 0.37 0.18 0.15 53.20 0.54 0.03 0.06 0.02 0.03 0.04 42.33 96.07 145.95 CH10 1.76 0.33 0.13 0.08 54.34 0.55 0.01 0.05 0.02 0.02 0.01 42.54 97.43 166.67 CH11 3.22 0.42 0.24 0.18 53.09 0.52 0.06 0.07 0.03 0.03 0.06 41.98 95.59 123.81 CH12 2.60 0.36 0.12 0.15 53.54 0.59 0.04 0.06 0.03 0.03 0.03 42.30 96.43 163.89 注：常量元素含量为%。a=Σ（CaO+MgO+LOI）；m=100×（MgO/Al2O3）。 表 3 研究区碳酸盐岩微量元素分析结果Table 3. Trace elements analysis of carbonate rocks in the study area样号 Ni Co Sr Ba V Zr B U Th Cu Sr/Cu Sr/Ba 1000 ×（Sr/Ca）V/（V+Ni） Ni/Co CH1 12.10 2.51 627 39.60 9.87 8.05 2.50 1.77 0.74 2.98 210 15.83 1.65 0.45 4.82 CH2 10.60 1.77 1080 39.40 12.80 10.80 2.65 2.43 0.89 2.82 383 27.41 2.83 0.55 5.99 CH3 12.80 1.51 800 102.00 6.70 9.05 2.32 2.20 0.45 1.84 435 7.84 2.15 0.34 8.48 CH4 11.80 1.68 976 28.20 6.70 7.62 2.01 2.66 0.30 1.14 856 34.61 2.55 0.36 7.02 CH5 10.50 1.46 780 26.70 4.50 4.54 1.55 3.66 0.23 1.24 629 29.21 2.00 0.30 7.19 CH6 10.40 1.54 1280 35.10 4.46 6.04 2.30 4.02 0.35 0.75 1707 36.47 3.37 0.30 6.75 CH7 10.20 1.47 1010 15.30 2.09 2.25 1.74 1.51 0.20 0.96 1052 66.01 2.55 0.17 6.94 CH8 10.40 1.50 1280 17.80 6.81 9.69 2.60 2.37 0.39 0.88 1455 71.91 3.34 0.40 6.93 CH9 10.50 1.53 693 29.20 6.27 5.34 2.20 1.44 0.49 1.91 363 23.73 1.82 0.37 6.86 CH10 11.10 1.68 1040 20.00 7.58 5.32 1.99 2.04 0.40 1.42 732 52.00 2.68 0.41 6.61 CH11 11.50 1.87 774 25.60 8.16 7.78 2.26 2.06 0.48 1.60 484 30.23 2.04 0.42 6.15 CH12 11.80 1.86 1120 28.60 8.07 7.24 2.22 2.28 0.47 1.55 723 39.16 2.93 0.41 6.34 注：微量元素含量为10–6。 表 4 研究区碳酸盐岩稀土元素及北美页岩标准化计算结果Table 4. Rare earth elements analysis and NASC-normalized result of carbonate rocks in the study area样号 La Ce Pr Nd Sm Eu Gd Tb Dy Ho Er Tm Yb Lu Y CH1 4.00 7.47 0.95 3.40 0.78 0.20 0.78 0.12 0.75 0.16 0.46 0.07 0.42 0.07 6.02 CH2 4.46 7.18 0.99 3.63 0.78 0.18 0.80 0.14 0.81 0.17 0.47 0.07 0.42 0.07 6.88 CH3 3.01 4.59 0.68 2.51 0.62 0.16 0.74 0.12 0.80 0.17 0.49 0.08 0.49 0.08 7.71 CH4 1.98 3.47 0.44 1.70 0.40 0.10 0.46 0.08 0.52 0.12 0.34 0.05 0.33 0.05 4.76 CH5 2.68 4.19 0.55 2.20 0.56 0.12 0.61 0.11 0.68 0.14 0.40 0.06 0.38 0.06 5.38 CH6 3.96 4.17 0.74 2.92 0.74 0.16 0.88 0.14 0.89 0.18 0.51 0.08 0.49 0.07 10.40 CH7 0.97 1.29 0.20 0.76 0.19 0.05 0.21 0.04 0.24 0.06 0.16 0.02 0.15 0.03 2.85 CH8 1.63 3.34 0.42 1.60 0.37 0.09 0.40 0.06 0.41 0.09 0.24 0.04 0.25 0.04 3.58 CH9 3.46 5.30 0.73 2.77 0.62 0.14 0.66 0.11 0.67 0.14 0.40 0.06 0.36 0.05 6.32 CH10 2.22 3.66 0.49 1.83 0.41 0.10 0.44 0.07 0.44 0.10 0.27 0.04 0.24 0.04 4.26 CH11 2.87 4.70 0.58 2.08 0.50 0.13 0.56 0.10 0.60 0.12 0.36 0.05 0.35 0.05 5.57 CH12 2.56 4.65 0.55 1.99 0.46 0.12 0.51 0.09 0.52 0.11 0.32 0.05 0.30 0.04 5.18 样号 LREE HREE ΣREE LREE/HREE （La/Yb）N δEuN δCeN （La/Ce）N （La/Sm）N Y/Ho Ce/La CH1 16.80 8.85 25.65 1.90 0.92 1.13 0.83 1.22 0.91 37.63 1.87 CH2 17.22 9.83 27.05 1.75 1.03 1.00 0.74 1.42 1.02 40.47 1.61 CH3 11.57 10.67 22.24 1.08 0.60 1.04 0.70 1.50 0.86 45.35 1.52 CH4 8.09 6.72 14.80 1.20 0.58 0.98 0.81 1.30 0.88 39.67 1.75 CH5 10.30 7.83 18.13 1.32 0.68 0.90 0.75 1.46 0.85 38.43 1.56 CH6 12.69 13.64 26.33 0.93 0.78 0.87 0.53 2.17 0.95 57.78 1.05 CH7 3.46 3.75 7.21 0.92 0.63 0.99 0.64 1.72 0.91 51.82 1.33 CH8 7.45 5.11 12.55 1.46 0.63 0.98 0.88 1.11 0.78 42.12 2.05 CH9 13.02 8.77 21.79 1.48 0.93 0.96 0.73 1.49 0.99 45.14 1.53 CH10 8.71 5.90 14.60 1.48 0.90 1.00 0.76 1.38 0.96 44.38 1.65 CH11 10.86 7.76 18.62 1.40 0.79 1.08 0.79 1.39 1.02 46.42 1.64 CH12 24.34 7.12 31.46 3.42 0.83 1.09 0.85 1.26 0.99 47.09 1.82 注：稀土元素含量为10−6。 表 5 研究区碳酸盐岩C-O同位素分析结果Table 5. Carbon and oxygen isotope analysis of carbonate rocks in the study area样号 δ13C（‰） δ18O（‰） 盐度指数Z（‰） 温度指数T（℃） CH1 4.47 −7.67 132.63 24.75 CH2 4.47 −5.00 133.97 13.22 CH3 4.86 −6.41 134.06 19.07 CH4 3.80 −9.67 130.26 34.60 CH5 4.86 −5.52 134.50 15.33 CH6 4.60 −7.33 133.08 23.16 CH7 4.28 −5.40 133.37 14.84 CH8 3.04 −6.96 130.05 21.52 CH9 3.94 −7.43 131.66 23.61 CH10 4.68 −6.06 133.88 17.57 CH11 4.46 −8.70 132.10 29.70 CH12 4.59 −6.35 133.54 18.83 4.1 受陆源物质混染程度分析
利用碳酸盐岩地球化学数据进行古海洋环境分析时，要考虑样品受陆源物质混入的影响。主量元素中的Al2O3、微量元素中的Zr、Th等通常来源于陆源碎屑，如果碳酸盐岩中这些元素含量较高，说明受到陆源物质混染（赵晓辰等，2017）。稀土元素（REE）的稳定性较强，并且溶解度很低（Murray et al.，1992），如果碳酸盐岩受到陆源物质的混染，将具有较高的稀土元素（REE）含量（常华进等，2009）。陶来剖面阿木山组碳酸盐岩地球化学分析结果见表1～表3，Al2O3质量分数为0.04%～0.70%，平均值为0.34%；Zr质量分数为2.25×10−6～10.80×10−6，平均值为6.98×10−6；Th质量分数为0.20×10−6～0.89×10−6，平均值为0.45×10−6；稀土元素（REE）质量分数为7.21×10−6～31.46×10−6，平均值为20.04×10−6；所有样品陆源碎屑含量均较低（图5），说明碳酸盐岩的微量元素主要来自自生沉积。
![]()
图 5 研究区碳酸盐岩地球化学特征Figure 5. Geochemical characteristics of carbonate rocks in the study areaY和Ho的比值也可以用来反映碳酸盐岩受陆源物质的影响（Webb et al.，2000）。现代海水的Y/Ho值为44～74（Bau et al.，1996），正常灰岩的Y/Ho值为44左右（Nagarajan et al.，2011），陶来剖面阿木山组碳酸盐岩的Y/Ho值为37.63～57.78，平均值为44.69（表4），接近正常灰岩，说明较少受陆源物质混染。
成岩作用和热液活动也会影响沉积物中微量元素的含量，如果沉积物受成岩作用影响，δCe与δEu、w（ΣREE）之间将具有良好的相关性（Shields et al.，2001），热液作用会使沉积物具明显的Eu正异常（常华进等，2009）。陶来剖面阿木山组碳酸盐岩δCe与δEu、w（ΣREE）之间未见明显相关性（图6a、图6b），同时（La /Sm）N＞0.35（0.78～1.02，平均值为0.93）（表4），且（La /Sm）N与δCe也无明显相关性（图6c）（Sholkovitz et al.，1994），δEu值为0.87～1.13，平均值为1.00（表3），Eu不具有正异常。陶来剖面阿木山组碳酸盐岩受成岩作用和热液作用影响较弱，所测地球化学数据可以客观反映古海洋环境。
![]()
图 6 研究区碳酸盐岩相关性图解Figure 6. The correlation diagrams of carbonate rocks in the study areaa.δEu-δCe图解；b.w（ΣREE）-δCe图解；c.（La / Sm）N -δCe图解4.2 C-O同位素有效性分析
碳酸盐岩成岩后受大气淡水、热液活动等影响，容易造成δ18O值降低（曲长胜等，2017）。研究发现：当碳酸盐岩δ18O＜−5‰时，表明已发生成岩蚀变，但仍能反映一定的古海洋环境；当碳酸盐岩δ18O＜−10‰时，表明已遭受强烈的蚀变，已不能用于反映古海洋环境（Kaufman et al.，1995）。此外，可以利用碳酸盐岩C-O同位素两者之间的相关性来判断：若存在相关性，说明碳酸盐岩已遭受蚀变，不能用于反映古海洋环境；若不具有相关性或相关性差，则说明碳酸盐岩受成岩蚀变影响较小，能够反映古海洋环境（Horacek et al.，2007）。
陶来剖面阿木山组12件碳酸盐岩样品δ18O值为−9.67‰～−5.00‰，均高于−10‰，平均值为−6.88‰（表5），同时δ13C与δ18O值相关系数为0.137，相关性较差（图7），说明所测试样品受后期水岩交互作用影响微弱，碳氧同位素测试结果基本满足古海洋环境分析的要求。
![]()
图 7 研究区碳酸盐岩碳氧同位素关系图Figure 7. The relationship between δ13C and δ18O values of carbonate rocks in the study area4.3 地球化学特征
陶来剖面阿木山组12件碳酸盐岩样品地球化学测试结果显示：主量元素以CaO为主，质量分数为52.15%～55.39%，平均值为53.64%，接近纯灰岩化学成分理论值56%；MgO质量分数为0.52%～1.30%，平均值为0.67%；烧失量（LOI）为41.45%～43.16%，平均值为42.44%；Σ（CaO+MgO+LOI）的质量分数为94.27%～99.18%，平均值为96.75%，其余元素质量分数较少（表2），说明碳酸盐岩沉积时的古海洋环境较稳定。稀土元素总量（ΣREE）为（7.21×10−6～31.46×10−6，平均值为20.04×10−6，符合碳酸盐岩稀土元素总量小于100×10−6的特征（王中刚等，1986；Bellanca et al.，1997）。轻重稀土元素比值（LREE/HREE）为0.92～3.42，平均值为1.53，轻稀土略富集，但分异度不大。δCe值为0.53～0.88，平均值为0.75，具有轻微的负异常；δEu值为0.87～1.13，平均值为1.00，正异常不明显（表4，图8）。δ13C值为3.04‰～4.86‰，平均值为4.34‰；δ18O值为−9.67‰～−5.00‰，平均值为−6.88‰（表5）。
![]()
图 8 研究区碳酸盐岩稀土元素北美页岩标准化配分模式图Figure 8. NASC-normalized REE patterns of carbonate rocks in the study area5. 古海洋环境
根据碳酸盐岩地球化学特征及碳氧同位素组成，可以有效恢复其形成时的古海洋环境，包括古气候、古水深、古盐度、古氧相、古水温等。
5.1 古气候
Sr/Cu值对气候变化非常敏感：Sr/Cu值介于1～10指示温湿气候，大于10指示干热气候（梁文君等，2015）。陶来剖面阿木山组碳酸盐岩Sr/Cu值远远大于10（表3），说明阿木山组碳酸盐岩沉积时总体为干热气候，纵向上表现为由低值变为高值再降低的趋势，在样品CH6处达到最高值（图9）。
![]()
图 9 研究区碳酸盐岩地球化学古环境判别图Figure 9. Geochemical paleo-environmental recognition of carbonate rocks in the study area5.2 古水深
前人研究表明，Sr质量分数、Sr/Ba值以及1 000×（Sr/Ca）值从浅水到深水具有由低变高的趋势，因此可以据此判断古水深（Veizer et al.，1974；何雨旸等，2014；许中杰等，2020）。陶来剖面阿木山组碳酸盐岩Sr质量分数为627×10−6～1 280×10−6，平均值为995×10−6；Sr/Ba值为7.84～71.91，平均值为36.20；1 000×（Sr/Ca）值为1.65～3.37，平均值为2.49（表3）。Sr、Sr/Ba值与1 000×（Sr/Ca）值具有相同的变化趋势，由低变高再降低，反映阿木山组组碳酸盐岩总体经历了1个大的海侵海退旋回（图9）。
5.3 古盐度
（1）常量元素：通常镁具亲海性、铝具亲陆性，利用其比值m=100×（w（MgO）/w（Al2O3））可以反映海相或陆相沉积环境：m＜1时为淡水环境；1≤m＜10时为海陆过渡环境；10≤m＜500时为海相环境；m≥500时为陆表海或泻湖碳酸盐环境（何雨旸等，2014；赵晓辰等，2017）。陶来剖面阿木山组碳酸盐岩m值为75.71～1 575.00，平均值为381.69（表2），说明阿木山组碳酸盐岩沉积时总体为正常海相环境，在CH5-CH7段为陆表海环境，CH7处m值达到最高值（图9）。
（2）碳氧同位素：碳酸盐岩碳氧同位素组成随盐度增加而增加（Clayton et al.，1959），Keith提出根据δ13C、δ18O同位素计算古盐度的公式：Z=2.048（δ13C+50）+0.498（δ18O+50）（当Z值＞120时，为海相碳酸盐岩；Z＜120时，为淡水碳酸盐岩），用来区分侏罗纪和时代更晚的碳酸盐岩沉积环境（Keith et al.，1964），后来又将此公式推广到古生界碳酸盐岩等较老地层的古盐度分析中（康建威等，2015；杜洋等，2016；高达等，2021），均取得了良好的效果。
陶来剖面阿木山组碳酸盐岩的Z值介于130.05‰～134.50‰，平均值为132.76‰，均高于120‰（表5，图9），说明阿木山组碳酸盐岩沉积于正常海相环境。Z值与δ13C的相关系数为0.811，与δ18O的相关系数为0.543，说明δ13C与古盐度关系更为密切。
5.4 古氧相
Hatch等和Jones等指出，根据V/（V+Ni）和Ni/Co值可判别沉积介质的氧化还原条件：V/（V+Ni）＜0.46代表氧化环境，V/（V+Ni）≥0.46指示还原环境；Ni/Co＜5指示氧化环境，5≤Ni/Co＜7代表弱氧化–弱还原环境，Ni/Co≥7指示还原环境（Hatch et al.，1992；Jones et al.，1994）。陶来剖面阿木山组碳酸盐岩V/（V+Ni）值为0.17～0.55，平均值为0.37，指示研究区碳酸盐岩沉积时主体为氧化环境；Ni/Co值为4.82～8.48，平均值为6.67，指示研究区碳酸盐岩沉积时主体为弱氧化–弱还原环境（表3，图9）。
稀土元素方面，Ce/La值可以用来反映碳酸盐岩沉积时的氧化还原条件，Ce/La＜1.5时为氧化环境，1.5≤Ce/La＜2.0时为弱氧化–弱还原环境，Ce/La≥2.0时为还原环境（颜佳新等，1998）。陶来剖面阿木山组碳酸盐岩的Ce/La值为1.05～2.05，平均值为 1.62，说明研究区碳酸盐岩沉积时主体为弱氧化–弱还原环境（表4，图9）。
综合分析认为，陶来剖面阿木山组碳酸盐岩沉积时为弱氧化–弱还原环境。
5.5 古水温
δ18O受水体温度影响较大，而δ13C受水体温度影响甚微，因此利用δ18O值可计算古海水温度（Craig，1965），经验公式为：T=16.9－4.2（δ18OCaCO3校正+0.22）+0.13（δ18OCaCO3校正+0.22）2 ，对于中生代之前的样品，需要对δ18O值进行“年代效应”校正以减少成岩作用的影响（邵龙义，1994）。通常利用第四纪海相碳酸盐岩的δ18O（平均值－1.2‰）来进行年代校正，陶来剖面阿木山组碳酸盐岩δ18O平均值为－6.88‰，二者差值Δδ18O=－5.68‰。用实测值与年代校正中Δδ18O值相减，即可得到δ18OCaCO3校正校正值。
根据公式计算陶来剖面阿木山组碳酸盐岩沉积时的古海水温度为13.22 ～34.60 ℃，平均值为21.35 ℃（表5），说明当时为温暖或炎热的亚热带气候。从古水温变化来看，阿木山组沉积时气候比较稳定，约66.7%的数据分布在15 ～25 ℃，未发生较大的变化，仅存在短暂的波动（图9）。
6. 古海洋环境间的耦合关系及对油气勘探的启示
碳酸盐岩的地球化学特征及碳氧同位素可有效反应古海洋环境及其演化，且各参数间可以相互补充验证。地质演化过程中，构造运动或气候变化常常导致古水深、古盐度、古水温等的一系列变化（王鹏万等，2016）。根据前述陶来剖面阿木山组碳酸盐岩古海洋环境，气温升高伴随着海平面的上升、盐度降低（图10）。古海洋环境为一有机整体，各因素间存在耦合关系。
![]()
图 10 古气候与沉积环境间相关性Figure 10. The correlation between paleoclimate and sedimentary environment地球化学特征反应的古海洋环境可以从岩石学特征中得到印证。古盐度为正常海相环境，这从阿木山组中发育的大量珊瑚、腕足、有孔虫、䗴等正常浅海相生物化石得到验证；古气候为温暖或炎热的亚热带气候，气候比较稳定，适宜生物的生长。
碳酸盐岩是油气勘探重要的领域，中国海相碳酸盐岩油气资源量占全国油气资源总量的40%以上，但探明程度较低，勘探潜力较大（杜洋等，2016）。根据全球已发现的碳酸盐岩油田，石炭系碳酸盐岩中的储量占比最大（熊加贝等，2022），塔里木盆地、四川盆地碳酸盐岩中含丰富的油气资源。阿木山组碳酸盐岩西起阿拉善，东至巴林左旗，断续分布1 400 km（张玉清等，2016），陶来剖面阿木山组中藻灰岩有机碳含量为1.52%，具有良好的生烃条件，预示阿木山组碳酸盐岩有较好的油气勘探前景。
7. 结论
（1）阿木山组碳酸盐岩陆源元素质量分数均较低，稀土元素特征值、碳氧同位素之间未见明显相关性，说明受陆源物质、成岩作用及热液作用影响较弱，所测地球化学数据能有效反映碳酸盐岩的古海洋环境。
（2）阿木山组碳酸盐岩沉积于正常海相环境，属温暖或炎热的亚热带气候，古氧相为弱氧化–弱还原环境，古海水温度为13.22 ～34.60 ℃，根据古水深变化阿木山组碳酸盐岩总体经历了1个大的海侵海退旋回，古环境参数间存在耦合关系。
（3）根据全球已发现的碳酸盐岩油田，结合阿木山组碳酸盐岩的分布及生烃条件，预示阿木山组碳酸盐岩有较好的油气勘探前景。
-
![]()
图 2 研究区灾害示意图
a. 略阳县谢家坪村阴坡里滑坡；b. 略阳县碾子湾村何硖路旁崩塌
Figure 2. Hazard photographs of researching area
![]()
图 3 深度随机森林模型流程结构（据Zhou， 2017）
Figure 3. Process structure illustration of Deep Random Forest Model
![]()
图 4 滑坡与单评价因子分类图
Figure 4. The landslides division and evaluation factors classification
![]()
图 5 略阳县随机森林滑坡易发性评价图
Figure 5. Landslide susceptibility assessment map of Lueyang County base on Random Forest Model
![]()
图 6 略阳县深度随机森林滑坡易发性评价图
Figure 6. Landslide susceptibility assessment map of Lueyang County base on Deep Random Forest Model
![]()
图 7 深度随机森林与随机森林易发性评价ROC曲线对比图
Figure 7. DRF and RF Mode ROC Curve Comparison on Landslide susceptibility assessment
表 1 各评价因子信息量表
Table 1 Weighted information values of individual evaluation factors
因子 分级 Si（km2） Ni（个） Ii 坡度 ＜10° 10.535625 8 −0.085244 10°～20° 13.3961 21 0.639636 20°～30° 35.77955 46 0.441342 30°～40° 54.226925 38 −0.165514 40°～50° 38.6219 12 −0.978836 ＞50° 13.119575 12 0.100879 相对高差 16～175 m 24.930925 53 0.944260 175～238 m 55.38815 46 0.004353 238～300 m 49.224425 29 −0.339017 300～379 m 26.43665 8 −1.005232 379～605 m 9.6986 1 −2.081904 坡向 0～45° 23.746850 21 0.067150 45°～90° 21.137625 23 0.274517 90°～135° 17.924900 10 −0.393528 135°～180° 18.869250 14 −0.108399 180°～225° 20.641625 26 0.420864 225°～275° 22.018400 18 −0.011429 275°～315° 20.152475 13 −0.248300 315°～360° 21.185550 12 −0.378335 曲率 ＜−0.5（凹形坡） 11.1099 12 0.267147 −0.5～0.5
（直线形坡）143.597 119 0.002190 ＞0.5（凸形坡） 10.969775 6 −0.413307 工程地质岩组 坚硬岩组 65.882425 40 −0.308915 半坚硬岩组 29.980725 13 −0.645528 软硬相间岩组 58.766425 46 −0.054852 松散岩组 11.050425 39 1.451170 距断裂距离 ＜100 m 31.79 26 −0.010915 100～200 m 25.87 26 0.195167 200～500 m 49.79 53 0.252595 500～1000 m 34.60 23 −0.218224 ＞1000 m 23.64 9 −0.775554 距河流水系
距离＜200 m 69.69 86 0.400425 200～400 m 52.38 31 −0.334384 400～600 m 27.98 17 −0.308056 600～800 m 11.37 1 −2.240549 ＞800 m 4.28 2 −0.569794 距公路、铁路
距离＜100 m 18.99 58 1.306584 100～500 m 46.12 41 0.072488 500～1000 m 38.06 14 −0.809915 1000～1500 m 26.29 11 −0.681226 ＞1500 m 36.23 13 −0.834794 NDVI −0.41～0.07 1.88 0 0.07～0.32 7.64 26 1.415100 0.32～0.52 26.25 56 0.947905 0.52～0.68 91.74 50 −0.416840 0.68～0.84 38.18 5 −1.842838 
下载: 导出CSV
表 2 易发性等级划分与滑坡实际发生比率对比表
Table 2 Comparison of susceptibility classification and actual landslide occurrence rate
评价
方法易发性
等级a
易发分区面积占比（%）b
分区滑坡数量c
滑坡百分比（%）c/a
滑坡发生比率随机森林 低 16.34 1 0.73 0.04 中 69.21 74 54.01 0.78 高 11.24 40 29.20 2.60 极高 3.21 22 16.06 5.00 深度
随机森林低 29.61 7 5.11 0.17 中 42.11 41 29.93 0.71 高 22.97 62 45.26 1.97 极高 5.31 27 19.71 3.71
下载: 导出CSV
-
黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程地质学报, 2018, 37(1): 156-167 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): 156-167.
李亭, 田原, 邬伦, 等. 基于随机森林方法的滑坡灾害危险性区划[J]. 地理与地理信息科学, 2014, 30(6): 25-30 doi: 10.3969/j.issn.1672-0504.2014.06.006 LI Ting, TIAN Yuan, WU Lun, et al. Landslide susceptibility Mapping Using Random Forest[J]. Geography and Geo-Information Science, 2014, 30(6): 25-30. doi: 10.3969/j.issn.1672-0504.2014.06.006
刘坚, 李树林, 陈涛, 等. 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, et al. Landslide Susceptibility Assesment Based on Optimized Random Forest Model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1085-1091.
孟庆华. 秦岭山区地质灾害风险评估方法研究—以陕西凤县为例[D]. 北京: 中国地质科学院, 2011 MENG Qinghua. Study on the Methods of Geo-hazards Risk Assessment in Qinling Mountain: A case studyof Feng County, Baoji City, Shaanxi Province[D]. Beijing: Chinese Academy of Geological Sciences, 2011.
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: 50000 Map of Maiji District of Tianshui City As an Example[J]. Northwestern Geology, 2022, 55(2): 249-259.
邱海军. 区域滑坡崩塌地质灾害特征分析及其易发性和危险性评价研究——以宁强县为例[D]. 西安: 西北大学, 2012: 83 QIU Haijun. Study on the Regional Landslide Characteristic Analysis and Hazard Assessment: A case study of Ningqiang County[D]. Xi’an: Northwest University, 2012: 83.
邱维蓉, 吴帮玉, 潘学树, 等. 几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用[J]. 西北地质, 2020, 53(1): 222-233 QIU Weirong, WU Bangyu, PAN Xueshu, et al. Application of Several Cluster-optimization-based Machine Learning Methods in Evaluation of Landslide Susceptibility in Lingtai County[J]. Northwestern Geology, 2020, 53(1): 222-233.
田春山, 刘希林, 汪佳, 等. 基于CF和Logistic回归模型的广东省地质灾害易发性评价[J]. 水文地质工程地质, 2016, 43(6): 154-170 TIAN Chunshan, LIU Xilin, WANG Jia. et al. Geohazard susceptibility assessmentbased on CF model and Logistic Regression models in Guangdong[J]. Hydrogeology & Engineering Geology, 2016, 43(6): 154-170.
王佳运, 毕俊擘, 杨旭东, 等. 山西吕梁山区城镇边坡风险分级与优化[J]. 地质通报, 2020, 39(12): 2004-2012 doi: 10.12097/j.issn.1671-2552.2020.12.014 WANG Jiayun, BI Junbo, YANG Xudong, et al. Risk classification and optimization of to-wn side slope in Lüliang Mountain[J]. Geological Bulletin of China, 2020, 39(12): 2004-2012. doi: 10.12097/j.issn.1671-2552.2020.12.014
王杰, 马凤山, 郭捷, 等. 一种改进的区域滑坡危险性评价模型及其应用[J]. 中国地质灾害与防治学报, 2011, 22(2): 14-19 doi: 10.3969/j.issn.1003-8035.2011.02.003 WANG Jie, MA Fengshan, GUO Jie, et al. An improved regional landslide hazard assessment, model and its application[J]. The Chinese Journal of Geological Hazard and Control, 2011, 22(2): 14-19. doi: 10.3969/j.issn.1003-8035.2011.02.003
王涛, 吴树仁, 石菊松, 等. 秦岭中部太白县地质灾害发育特征及危险性评估[J]. 地质通报, 2013, 32(12): 1976-1983 WANG Tao, WU Shuren, SHI Jusong, et al. Case Study Of Landslide Characteristics And Hazard Assessment In Taibai County, Central Qinling Mountains[J]. Geological Bulletinof China, 2013, 32(12): 1976-1983.
吴常润, 赵冬梅, 刘澄静, 等. 基于GIS和信息量模型的陇川县滑坡易发性评价[J]. 西北地质, 2020, 53(2): 308-320 WU Changrun, ZHAO Dongmei, LIU Chengjing, et al. Landslide Susceptibility Assessment of Longchuan County Based on GIS and Information Value Model[J]. NorthwesternGeology, 2020, 53(2): 308-320.
吴润泽, 胡旭东, 梅红波, 等. 基于随机森林的滑坡空间易发性评价: 以三峡库区湖北段为例[J]. 地球科学, 2021, 46(1): 321-330 WU Runze, HU Xudong, MEI Hongbo, et. al. Spatial Susceptibility Assessment of Landslides Based on Random Forest: A Case Study from Hubei Section in the Three Gorges Reservoir Area[J]. Earth Science, 2021, 46(1): 321-330.
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 forestweight: a case study in the Dongjiang River Basin[J]. Journal of Natural Disarsters, 2017, 26(5): 119-129.
向喜琼. 区域滑坡地质灾害危险性评价与风险管理[D]. 成都: 成都理工大学, 2005: 22 XIANG Xiqiong. Regional Landslide Hazard Assessment and Risk Management[D]. Chengdu: Chengdu University of Technology, 2005: 22.
薛强, 张茂省, 李林等. 基于斜坡单元与信息量法结合的宝塔区黄土滑坡易发性评价[J]. 地质通报, 2015, 34(11): 2108-2115 XUE Qiang, ZHANG Maosheng, LI Lin. Loess landslide susceptibility evaluation based on slope unit and information value method in Baota District, Yan’an. Geological Bulletin of China, 2015, 34(11): 2108-2115.
张春山, 韩金良, 孙炜锋, 等. 陕西陇县地质灾害危险性分区评价[J]. 地质通报, 2008, 27(11): 1795-1801 doi: 10.3969/j.issn.1671-2552.2008.11.006 ZHANG Chunshan, HAN Jinliang, SUN Weifeng, et al. Assessments of geohazard danger zoning in Longxian County, Shaanxi, China[J]. Geological Bulletin of China, 2008, 27(11): 1795-1801. doi: 10.3969/j.issn.1671-2552.2008.11.006
张茂省, 贾俊, 王毅, 等. 基于人工智能(AI)的地质灾害防控体系建设[J]. 西北地质, 2019a, 52(2): 103-116 ZHANG Maosheng, JIA Jun, WANG Yi, et. al. Construction of Geological Disarster Prevention and Control System Based on AI[J]. Northwestern Geology, 2019a, 52(2): 103-116.
张茂省, 薛强, 贾俊, 等. 山区城镇地质灾害调查与风险评价方法及实践[J]. 西北地质, 2019b, 52(2): 125-135 doi: 10.19751/j.cnki.61-1149/p.2019.02.013 ZHANG Maosheng, XUE Qiang, JIA Jun, et. al. Methods and Practice for the Investigationand Risk Assessment of Geo-hazards in Mountains Towns[J]. Northwestern Geology, 2019b, 52(2): 125-135. doi: 10.19751/j.cnki.61-1149/p.2019.02.013
张向营, 张春山, 孟华君, 等. 基于Random Forest和AHP的贵德县北部山区滑坡危险性评价[J]. 水文地质工程地质, 2018, 45(4): 142-149 ZHANG Xiangying, ZHANG Chunshan, MENG Huajun, et al. Landslide hazard evaluation in the northern mountainous area of Guide County based on Random Forest and AHP[J]. Hydrogeology & Engineering Geology, 2018, 45(4): 142-149.
张永双, 苏生瑞, 吴树仁, 等. 强震区断裂活动与大型滑坡关系研究[J]. 岩石力学与工程学报, 2011, 30(增刊2): 3503-3513 ZHANG Yongshuang, SU Shengrui, WU Shuren, et al. Research On Relationship Between Fault Movement And Large-Scale Landslide In Intensive Earthquake Region[J]. Chinese Journalof Rock Mechanics and Engineering, 2011, 30(Sup. 2): 3503-3513.
赵建华, 陈汉林, 杨树峰, 等. 基于决策树算法的滑坡危险性区划评价[J]. 浙江大学学报(理学版), 2004, 31(4): 465-470 ZHAO Jianhua, CHEN Hanlin, YANG Shufeng, et al. Landslide risk assessment based on decision tree arithmetic[J]. Journal of Zhejiang University (Science Edition), 2004, 31(4): 465-470.
周静静, 赵法锁, 李辉, 等. 陕西省地质灾害与影响因素相关性研究[J]. 灾害学, 2019, 34(2): 228-234 doi: 10.3969/j.issn.1000-811X.2019.02.041 ZHOU Jingjing, ZHAO Fasuo, LI Hui, et al. Correlational Research Between Geological Hazards and impact Factors in Shaanxi Province[J]. Journal of Catastrophology, 2019, 34(2): 228-234. doi: 10.3969/j.issn.1000-811X.2019.02.041
周样样. 陕南地区强降雨条件下突发型地质灾害成因机制研究[D]. 西安: 长安大学, 2013 ZHOU Yangyang. Study on Formation Mechanism of Abrupt Geological Hazards of Southern Shaanxi Region in Condition of Strong Rainstorm[D]. Xi’an: Chang’an University, 2013.
Chung C J F, Fabbri A G. Validation of spatial prediction modelsfor landslidehazard mapping[J]. Natural Hazards, 2003, 30(3): 451-472. doi: 10.1023/B:NHAZ.0000007172.62651.2b
Dou J , Yunus A P , Merghadi A , et al. Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning[J]. Science of the Total Environment, 2020, 720: 137320. https://doi.org/10.1016/j.scitotenv.2020.137320
Maher Ibrahim Samee, Biswajeet Pradhana, Saro Lee, et al. Application of convolutional neural networks featuring Bayesian optimization for landslide susceptibility assessment[J]. Catena, 2020, 186: 10424. https://doi.org/10.1016/j.catena.2019.104249
Saro, Lee, Joo Hyung Ryu, Joong Sun Won, et al. Determination and application of the weights for landslide susceptibility mapping using an artificial neural network[J]. Engineering Geology, 2004, 71(3-4): 289-302. doi: 10.1016/S0013-7952(03)00142-X
Snoek J, Larochelle H, Adams R P. et al. Practical Bayesian Optimization of Machine Learning Algorithms[J]. Advances in Neural Information Processing Systems, 2012, 4: 1–12.
Fang Zhice, Wang Yi , Ling Peng, et al. Integration of convolutional neural network and conventional machine learning classifiers for landslide susceptibility mapping[J]. Computer & Geosciencees, 2020, 139: 104470. https://doi.org/10.1016/j.cageo.2020.104470
Zhou Zhihua, Ji Feng. Deep Forest: Towards An Alternative to Deep Neural Networks[J]. Statistics, 2017, 71(3–4): 289–302.
-
期刊类型引用(10)
1. 林琴，郭永刚，吴升杰，臧烨祺，王国闻. 基于梯度提升的优化集成机器学习算法对滑坡易发性评价：以雅鲁藏布江与尼洋河两岸为例. 西北地质. 2024(01): 12-22 . 
本站查看
2. 贾丽娜，陈世昌. 基于AHP和GIS的舟曲地质灾害易发性评价. 西北地质. 2024(01): 23-33 . 本站查看
3. 王本栋，李四全，许万忠，杨勇，李永云. 基于3种不同机器学习算法的滑坡易发性评价对比研究. 西北地质. 2024(01): 34-43 . 本站查看
4. 蔡文权，李建颖. 开挖和降雨耦合诱发工程边坡地质隐患易发性分析. 云南地质. 2024(01): 98-104 . 百度学术
5. 王郭艳 ，林建平 ，王阳 . 基于可解释随机森林的场地放大系数估算方法研究. 河南城建学院学报. 2024(03): 29-36 . 百度学术
6. 王宇栋，刘娟，解晋航，李章杰，张小亮，张杰，梁形形. 半山区滑坡灾害易发性评价——GIS支持下基于CF与Logistic耦合模型. 华北地质. 2024(02): 45-53 . 百度学术
7. 党政西. 基于随机森林算法的淠河总干渠河湖生态系统健康评价方法. 水利技术监督. 2024(07): 155-158 . 百度学术
8. 周浩，朱平华，蒋宏伟，俞宏艳，沈心怡. 逻辑回归优化的静—动态耦合模型在滑坡位移预测中的应用. 资源环境与工程. 2024(04): 446-456 . 百度学术
9. 杨冰颖，缪海波，马闯，崔玉龙. 基于多模型耦合的永嘉县滑坡易发性评价. 河南城建学院学报. 2024(04): 91-99+127 . 百度学术
10. 刘金沧，王欢欢，李云，杨婷. 基于支持向量机的华南斜坡类地质灾害易发性评价：以肇庆市怀集县为例. 时空信息学报. 2024(06): 785-794 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 113
- HTML全文浏览量: 23
- PDF下载量: 33
- 被引次数: 17
