Comparative Study on Evaluation Performance of Different Units of Susceptibility of Accumulation Layer Landslide in Qinba Mountain Area at Town Scale
-
摘要:
秦巴山区堆积层滑坡数量多、分布广、密度大、频次高，所造成的危害十分严重，且具有孕灾条件复杂多样和部分灾害评价数据获取难度大等特征。笔者选取秦巴山区小岭镇作为研究区，在地质灾害野外调查基础上，结合堆积层滑坡区域特点，采取栅格、斜坡两种单元类型，因地制宜的提取了滑坡孕灾因子，分析其相关性，提选出坡度、坡高、坡面形态、斜坡结构类型、堆积层厚度、距道路、矿区、断裂的距离等8个因子作为堆积层滑坡特征因子，运用随机森林模型方法对该镇域进行了滑坡易发性评价；并通过评价结果频率比、ROC曲线、易发性概率均值与标准差，对栅格单元、斜坡单元两种单元类型的精度与准确性进行了验证，结果表明：两种评价单元的预测结果都有良好的表现，但斜坡单元作为评价单元总体预测性能高于栅格单元，栅格单元在灾害防治具体空间部署上有着更精细的参考。研究成果对秦巴山区镇域地质灾害风险评价工作有一定的理论和实践意义。
Abstract:The accumulation layer landslides in Qinba Mountain area are abundant, widely distributed and frequently, and the harm caused by them is very serious. Moreover, it is characterized by complex and diverse disaster pregnancy conditions and difficult to obtain some disaster evaluation data. Xiaoling Town, Qinba Mountain, was selected as the research area. The geological hazard field survey was taken as the basis. Combined with the regional characteristics of accumulation landslide, two element types, grid element and slope element, are adopted. The landslide hazard factors were selected according to local conditions, and their correlation was analyzed. Eight factors, including slope, slope height, slope morphology, slope structure type, accumulation layer thickness, distance from road, mining area and fault, are selected as the characteristic factors of accumulation layer landslide. The random forest model method was used to evaluate the landslide susceptibility of the town area. In addition, the accuracy and accuracy of grid element and slope element were verified by frequency ratio, ROC curve, mean value and standard deviation of susceptibility probability of evaluation results. The results show that both evaluation elements have good performance in the re-prediction results, but the overall prediction performance of slope element as evaluation element is higher than that of grid element. In the specific spatial deployment of disaster prevention and control, more detailed reference comes from grid element. The research results have certain theoretical and practical significance for the risk assessment of geological hazards in towns in Qinba Mountains.
-
Keywords:
- susceptibility /
- landslide of accumulation layer /
- random forest /
- unit evaluation /
- Qinba Mountains
-
公路是一个国家或地区的“血管”，影响着这个国家或地区社会经济的发展。从西部大开发到“新丝绸之路”经济带持续推进，再到乡村振兴、区域协调发展和以人为核心的新型城镇化国家重大战略的深入实施。中国公路建设也发展迅速并不断向山区推进，目前总里程已达528×104 km（郝瑀然, 2022）。虽然中国在交通网络建设中取得了举世瞩目的成就，但由于丘陵山区公路建设期间的人为活动扰动了自然斜坡，使其更容易发生灾害（田媛等，2022；姚富潭等，2023）。这些边坡灾害不仅造成经济损失、环境和文化资产的破坏，有时还造成生命损失（Oboni et al., 2020; Panchal et al., 2022）。随着公路边坡灾害日益增加，开展公路边坡危险性评价已成为当前业界关注的焦点。
为了有效控制、管理和减少公路边坡地质灾害产生的不利影响，众多研究学者对此提出了针对不同尺度、不同规模的地质灾害危险性评估决策体系。这些评估体系总体思路是依托GIS平台提取评价因子，运用逻辑回归法、神经网络（Li et al., 2016）、层次分析法（Myronidis et al., 2015; Fan et al., 2017; Guo et al., 2019; Hepdeniz, 2020）、模糊层次分析法（梁涛等, 2016; Zhang et al., 2018; Du et al., 2019; Pal et al., 2019）、可拓物元模型（Su et al., 2016; Yang et al., 2017）、Scoops 3D模型（Rashid et al., 2020）等方法进行影响因子与公路边坡危险性的关系分析。然而，这些评价分析的基础资料几乎都来源于野外调查，通过人工野外调查获取地质数据，然后进行定性、定量或者半定量分析（Myronidis et al., 2015; Fan et al., 2017; Zhang et al., 2018; Yao et al., 2019; Du et al., 2019; Guo et al., 2019; Abdelkarim et al., 2020; Hepdeniz, 2020; Ding et al., 2020; Rashid et al., 2020; Xiao et al., 2020; Qiang et al., 2021）。对于公路边坡来讲，这种传统的地质调查方法存在很大的局限。一般山区的公路边坡都十分高陡，几十米甚至上百米的斜坡，通视性有限，人力难以到达（Gregory-Lederer, 2020; 崔溦等, 2021; 廖小平等, 2021; 谢金等, 2021; 周福军, 2021）。此外，受沿线边坡经常有落石、崩塌、滑塌等不良地质现象及车流的影响，作业人员的野外安全也难以保障。
随着地质灾害信息化、数字化的大力发展，计算机和无人机应用技术的不断创新，公路边坡危险性评价工作逐渐朝着网络化、智能化应用方向前进。一方面推动了评估体系软件技术集成应用，如Thiebes 等 （2013）采用极限平衡理论结合WebGIS开发了一种边坡稳定性分析辅助决策系统；梁涛等（2016）基于matlab语言环境和FAHP，研发了公路边坡风险评估软件RAslope。另一方面推动了岩土体地质信息获取手段的更新换代，如采用无人机/无人机载LiDAR摄影测量技术、车载激光扫描等构建高精度三维地质模型，获取高精度地形地貌数据（Svennevig et al., 2015; 刘洋洋等, 2018; Tang et al., 2018; 陈志华等, 2019; 陈宙翔等, 2019; Cheng et al., 2020; Gregory-Lederer, 2020; 贾虎军等, 2021; 廖斌等, 2021; 吕权儒等, 2021; 王俊豪等, 2021; 谢金等, 2021），进而进行评价工作。随着地质信息化建设的增强，基于人工智能的自动化巡查、物联网的智能化应用、路网运行感知等基础设施改造实施，地质灾害作业模式将形成智能化信息采集和网络化协同管理新模式。
因此，笔者以无人机倾斜摄影三维实景提取边坡信息与AHP结合，选取沿黄公路边坡的危险性评价进行探索性研究。运用基于开源JavaScript语言的Cesium数据可视化平台，实现支持倾斜摄影osgb格式的Web三维实景模型数据管理引擎，开发依据层次分析原理的公路边坡危险性评价信息系统，实现公路边坡量化的危险性自动化评价的集成应用。
1. 研究区概况
1.1 研究区范围
研究区为沿黄公路吴堡县宋家川镇至清涧县王家河镇路段，长90 km （图1），地处黄河中游的晋陕大峡谷内，属于黄土堆积–侵蚀地貌。区内沿黄公路海拔为627～994 m，受黄河下蚀的强烈影响，年均降雨量约为444.1 mm，年平均气温为11.5 ℃，属于中温带亚干旱区。地质构造属于鄂尔多斯盆地Ⅰ级构造单元陕北台凹，地质构造简单。出露岩性主要为三叠系近水平产状的砂岩–泥岩互层（T3h），局部披覆浅层第四系黄土，露头部位的泥岩风化掏蚀严重，地层差异性风化强烈，节理裂隙发育。
![]()
图 1 沿黄公路吴堡-永和段路线位置图Figure 1. Location map of the Wubu-Yonghe section along the Yellow River Highway1.2 地质灾害类型
沿黄公路的危险性因素主要来自于切坡、桥隧建设等人类工程活动中，沿线形成了大量的切坡群，这些高陡切坡成为沿黄公路沿线地质灾害的主要危险源。自2017年8月通车以来，公路沿线地质灾害以崩塌最为高发，常见形式有风化剥落、掉块落石、倾倒、垮塌等（图2），对沿线游客及过往车辆威胁极大。因此，沿黄公路沿线边坡崩塌地质灾害的形成条件及触发因素主要有以下几点：①地形地貌：险峻且高陡的山坡是产生崩塌的基本条件，坡度一般大于45°，且以55°～75°居多。② 岩性：如石灰岩、花岗岩、砂岩、页岩等，厚层土体或硬岩覆盖在软弱岩层之上的陡壁最易发生崩塌。③地质构造：各种结构面（如层理面、断层面、劈理面、节理面）等。④ 气候条件：在干湿循环、温差较大的地区易发生崩塌。⑤ 触发因素：主要有暴雨、冻融、地震、人类工程活动等。
![]()
图 2 研究路段公路沿线地质灾害类型图Figure 2. Photos of geological hazard types of the Wubu-Yonghe section along the Yellow River Highway2. 数据采集及评价模型构建
2.1 控制点布设及测量
测区沿黄公路两侧各150 m呈条带状，区内多为丘陵及沟壑地形（图1、图3a）。为完全满足项目成图和建模需要，沿线形测区埋设基础测量控制点50个（以GP+二位流水号命名），其中国家B级GPS点1个，C级GPS点3个，国家I等水准点1个，新埋设控制点45个。采用GPS RTK测量法，对不同时段的控制点坐标进行抽检，平面位置和高程较差分别为≤0.027 m和0.038 m（表1），满足《卫星定位城市测量技术标准》（CJJ/T73-2019）技术规范要求。
表 1 基础控制点误差表Table 1. The error of the base control point点号 平面位置较差（m） 高程较差（m） x y h GP02 −0.014 0.027 0.038 GP14 −0.019 −0.019 0.034 GP27 −0.036 −0.020 −0.033 GP42 −0.006 0.027 −0.021 GP48 0.027 −0.023 −0.027 由于测区范围沿线固定构造物较少，为保证相控测量的精度，使用基于CORS系统GPS RTK网络技术，布设地面标靶进行像控点测量，每间隔1～1.5 km布设一对像片控制点，两个像片控制点间布设一个检查点，在航线末端和航线交接处加密布设1～2个像片控制点，共布设测量像片控制点109个（以P+三位流水号命名），检查点146（以J+三位流水号命名）。像片控制点三维坐标的多次测量互差不大于0.05 m时，取其坐标均值为该像片控制点的坐标。
2.2 倾斜摄影数据获取
2.2.1 无人机倾斜摄影
无人机倾斜摄影技术是在飞行平台上搭载多镜头传感器对地摄影，颠覆了正射影像只能从垂直角度拍摄的局限。倾斜摄影飞行任务采用纵横CW20、华测P330电动固定翼长航时无人机进行（表2），通过在吊舱上搭载睿铂D2、D2 Pro五相机（表3），同时从1个垂直、4个侧视（前后左右各倾斜45°）多个角度同时对地进行摄影测量，获得更为完整精确的近地高分辨率航测影像信息（王俊豪等, 2021），大大提升了数据采集的速度和效率。再配合三维建模软件可快速重构一定区域内的空间三维模型（刘伟等, 2020），并能够提取真实地物的位置、高度及外观尺寸等属性（贾虎军等, 2021）。
表 2 无人机性能参数表Table 2. UAV performance parameters无人机 纵横CW20 华测P330 机身长度 1.8 m 1.22 m 翼展 3.2 m 2.5 m 实用升限 4500 m6000 m起降方式 垂直起降 垂直起降 垂直方向定位精度 3 cm 2 cm+1 ppm 水平方向定位精度 1 cm+1 ppm 1 cm+1 ppm 巡航速度 100 km/h 75 km/h 续航时间 180 min 150 min 抗风能力 7 级 6 级 测控半径 35 km 15 km 最大起飞重量 25 kg 14 kg 表 3 倾斜摄影相机性能参数表Table 3. Performance parameters of tilt camera总有效像素 1.2亿 图像分辨率 6000 ×4000 传感器数量 5个 传感器尺寸 23.5 mm×15.6 mm 最小曝光间隔 2 s 焦距 D2：20 mm/35 mm
D2 Pro：25 mm/35 mm倾斜相机角度 45° 总重量 0.65 kg 存储器总容量 640 G 像元大小 3.9 μm 根据《数字航空摄影规范 第1部分：框幅式数字航空摄影》（GB/T 27920.1-2011）规范要求，计算相对航高不得高于717 m，需划分多个航摄分区多架次进行航飞。综合考虑摄区地形、地面分辨率要求（优于0.15 m）、测区周边情况，使用航线设计及飞管系统CWComman\Recorder软件进行航线规划（图3b）：确定航高700 m、航高差小于10 m；航线平行于沿黄公路，旁向间隔依地形起伏确定为180 m，航向基线长119 m，航线弯曲度小于1%；旁向、航向的最小重叠度分别为71.3%和70.9%，像片旋偏角小于15°；像片有效范围在航向上超出成图范围的基线均在两条以上，旁向覆盖超出摄区边界70%，确保全区航摄无漏洞。通过空域申请和航飞协调，根据测区的天气预报和航线设计情况，组织航摄飞行。本次航摄共飞行30个架次，飞行航线160条，航线总长为939.4 km，获取倾斜影像133,858张。
2.2.2 数据处理和三维实景制作
通过无人机倾斜摄影技术采集边坡三维影像数据，构建边坡三维实景模型（图4），从而提取公路边坡特征参数，为边坡危险性分析提供基础数据（陈宙翔等, 2019）。
（1） 数据处理：每架次飞行结束后，现场进行航摄数据进行检查，确保无漏片，无航摄漏洞、POS与相机曝光和设计一致性。使用SKY-Sliter软件对倾斜摄影得到的巨量数据导出，并进行自动识别、归类和匀色处理。使用无人机差分解算软件JOPPS对获取的数据进行解算，检查POS数据完整性、计算像控点和检查点，获取高精度POS数据。
（2） 三维建模：采用Smart 3D软件ContextCpture Center模块进行三维实景建模。模型制作具体过程主要包括无人机影像数据预处理、空三测量、多视影像密集匹配、三角网构建、纹理映射、自动赋纹理等进行初步处理，再根据像控点数据，利用DP-Model、3D-MAX等软件对实景三维进行局部修饰，如云、浓雾、水汽、水面漏洞、拉花以及路面起伏扭曲变形等，得到具有真实坐标精细化的三维实景模型（图5），利用空三加密成果，还可制作数字线划图（DLG）、数字高程模型（DEM）、正射影像图（DOM）和点云数据（图6）。根据《测绘成果质量检查与验收》（GB/T 24356-2009）规范，采用野外实测检测方法对测区的空三测量、三维实景模型、DLG、DEM及DOM平面/高程精度进行检查，其中误差见表4。
![]()
图 5 沿黄公路三维实景模型图（a）.三维重构建模；（b～d）.局部三维实景Figure 5. 3D Realistic model of Highway along the Yellow River![]()
图 6 倾斜摄影数据产品图（a）. DLG数据；（b）. DEM数据；（c）. DOM数据；（d）. 点云数据Figure 6. Tilt photography data products表 4 数据质量控制表Table 4. Data quality control项目 数据类别 检查点数（个） 平面中误差（m） 高程中误差（m） 空三测量 定向点残差 101 0.169～0.261 −0.260～0.279 多余控制点不符值较差 83 0.52～0.63 0.160～0.332 三维实景模型 154 ±0.038 ±0.026 数字产品 DLG 85 0.793 0.285 DEM 131 – ±0.343 DOM 130 0.163 – 三维实景模型以极高的分辨率对地表特征进行精细刻画和极佳的现势性表达（图5b～图5d），通过高精度、高清晰的实景三维模型可从宏观和细观两个层次对沿线公路沿线边坡进行地质灾害进行解译，宏观上可以对整个路段、整个斜坡体进行观察，细观上能够快捷地获得到边坡细节信息。通过高精度三维实景模型，可获取三维模型在CGCS 2000坐标系，1985国家高程基准，高斯–克吕格投影3°带中央经线111°基准的空间参数。因而，在室内便可对公路边坡的地形地貌、地质构造、岩性等特征信息进行详细统计，大大提高了灾害地质调查精度和效率，同时也避免了实地调查的危险性。
2.3 层次评价模型
2.3.1 层次分析法（AHP）
层次分析法（AHP）是托马斯·萨提（Thomas Saaty）提出的一种多目标决策的重要方法（Saaty, 2001），已在许多不同领域成功应用（王红杰等，2021；杨波等，2021；Panchal et al., 2022；赵银鑫等，2023）。层次分析法把需要解决的问题分为：目标层（A）、准则层（B）和方案层（C）3个层次（Saaty, 2008）。将问题按照主次关系分成有序的递阶层次结构，构建层次评价结构模型（冯卫等, 2021）。层次结构建立后，对准则层中的每两个因素（Bi、Bj （i, j = 1, 2, …, n））进行定性和定量分析比较，以Bij表示Bi对Bj的相对重要性，构造判断矩阵，Bij的取值及含义见表5。
表 5 判断矩阵Bij的取值及含义表Table 5. The value and meaning of judgment matrix BijBij的取值 含义 1 i和j同样重要 3 i和j稍微重要 5 i和j明显重要 7 i和j强烈重要 9 i和j极端重要 2, 4, 6, 8 表示上述相邻判断的中间值 倒数 若因素i和j的重要性之比为Bij，那么因素j与i的重要性之比Bji = 1/ Bij。 将目标层矩阵的各行向量进行几何平均（方根法），然后进行归一化，所得特征向量wi即为各判断因子的权重（唐亚明等, 2012a）。
$$ {\lambda _{\max }} = \sum\limits_{i = 1}^n {\left( {{{{A_i}} \mathord{\left/ {\vphantom {{{A_i}} {n{W_i}}}} \right. } {n{W_i}}}} \right)} $$ (1) 式中：λmax为矩阵的最大特征根；Ai是向量A的第i个因子；Wi表示第i个因子的权重；n是判断矩阵的阶数。判断因子的权重是否合理，还需要利用随机一致性指数（CI）和随机一致性比率（CR），检验判断矩阵的偏差一致性和综合随机性。
$$ CR = {{CI} \mathord{\left/ {\vphantom {{CI} {RI}}} \right. } {RI}} $$ (2) 式中：$ CI = \dfrac{{{\lambda _{\max }} - n}}{{n - 1}} $为判断矩阵的一致性指标，CI越接近于0，一致性越好，CI越大，一致性越差； RI为平均随机一致性指标，其取值见表6。如果CR＜0.1，则认为该判断矩阵通过一致性检验，否则，需要根据实际情况调整判断矩阵，直到达到标准，才能继续验证结果（Panchal et al., 2022）。
表 6 平均随机一致性指标（RI）取值表Table 6. Values of average random consistency index (RI)n 3 4 5 6 7 8 9 10 RI 0.52 0.89 1.12 1.24 1.32 1.41 1.46 1.49 2.3.2 评价因子的选取、权重确定及评分赋值
（1）评价因子的选取：由于公路边坡的危险性影响因素众多（Ding et al., 2020），地质灾害的发生往往是众多因素耦合的结果。根据沿黄公路边坡危险性因素分析，触发地质灾害发生的因素有3类，分别是地震、降雨和人类活动。由于地震和降雨属于区域性的统一影响因素，很难在相邻的斜坡单元上体现个体差异，不宜选作评价指标（唐亚明等, 2012a， 2012b）。而人类工程活动对黄公路边坡的影响作用主要体现在不同斜坡单元其切坡参数各不相同，最直观的就是坡度、坡高、路-坡距以及节理密度。强烈的工程切坡不仅改变了原始地形地貌，同时也加剧了岩体原生地质构造（如节理、层理、劈理等非连续变形构造）进一步变形和变位，并产生大量次生构造，客观上增加地质灾害发生的可能性。因此，参考现行标准、规范和指南，由于沿黄公路地质构造及岩性条件和工程扰动因素，选择坡度（取斜坡单元的平均坡度，B1）、坡高（取斜坡单元最高点与最低点的差值，B2）、路–坡距离（取斜坡单元距离路缘的平均距离，B3）、节理密度（取斜坡单元内节理面密度，B4）等4个因子作为危险性评价指标，建立沿黄公路边坡危险性层次分析法模型（图7）。
（2）权重的确定：为了量化各判别因子的权重，根据沿黄公路边坡的实际情况，结合专家实地考察意见，采用层次分析法结合专家经验分析确定各评价因子的权重。使用1～9标度法确定各判别因子之间的相对重要性并赋值，从而得到公路边坡危险性评价的判断矩阵A-B（表7）。
表 7 构造A-B判断矩阵表Table 7. Construction of A-B judgment matrixA B1 B2 B3 B4 Wi λmax CR B1 7 3 1 2 0.489 4.109 0.007 B2 5 2 1/2 1 0.288 B3 3 1 1/3 1/2 0.162 B4 1 1/3 1/7 1/5 0.060 $$\begin{split}\\[-2pt] CR = \frac{{CI}}{{RI}} \end{split} $$ (3) 由已知得，RI=0.89，CI=
0.00064 ，计算得CR=0.007 ＜0.1，表明判断矩阵两两比较的一致性水平合理，足以识别沿黄公路边坡危险性模型中的因子权重。坡度的权重为0.489、节理密度的权重为0.288和坡高的权重为0.162是研究区域的重要参数，而路-坡距的重要性较低（表6）。（3）评价因子赋值：公路边坡地质灾害危险性指标GDHI （Geological Disaster Hazard Index）是在加权每个评估因子权重Wi与其评分赋值ai的积，反映每个方案层的发生概率。其数学模型如下，
$$ GDHI = \sum\limits_{i = 1}^n {{W_i}} {a_i} （i=1, 2, 3, \cdots , n） $$ (4) 其中，评价因子的赋值ai是根据三维实景模型的解译值采用线性插值法依据评分赋值表8计算获得。评分赋值表依据专家系统法收集调查而设置的，赋值越高，表示该等级的边坡危险性越大。
表 8 评价因子评分赋值表Table 8. Evaluation factor score assignment table路-坡距 坡高 坡度 节理密度 路–坡距（ m） 分值 平均坡高（m） 分值 平均坡度（°） 分值 基岩边坡
（条/m2）黄土边坡
（条/m2）分值 [0～0.5） （90～100] [0～2） [0～10） [0～5） [0～10） [0～2） [0.01～0.05） [0～10） [0.5～1） （80～90] [2～5） [10～20） [5～10） [10～20） [2～4） [0.05～0.1） [10～20） [1～2） （70～80] [5～10） [20～30） [10～20） [20～30） [4～7） [0.1～0.2） [20～30） [2～3） （60～70] [10～15） [30～40） [20～30） [30～40） [7～10） [0.2～0.3） [30～40） [3～4） （50～60] [15～20） [40～50） [30～40） [40～50） [10～15） [0.3～0.5） [40～50） [4～5） （40～50] [20～25） [50～60） [40～50） [50～60） [15～20） [0.5～1.0） [50～60） [5～10） （30～40] [25～30） [60～70） [50～60） [60～70） [20～25） [1.0～1.5） [60～70） [10～15） （20～30] [30～40） [70～80） [60～70） [70～80） [25～30） [1.5～2.0） [70～80） [15～30） （10～20] [40～50） [80～90） [70～80） [80～90） [30～35） [2～5） [80～90） [30～50） （0～10] [50～80） [90～100） [80～90） [90～100） [35～40） [5～10） [90～100） ≥50 m 0 ≥80 100 反倾 100 40以上 10以上 100 2.3.3 危险性等级划分
地质灾害危险性指标（GDHI）以斜坡单元表示危险性评价结果，按照地质灾害危险性指标（GDHI）划分相应的危险性级别。根据相似性原则将评价区边坡危险性划分为V（极高）、IV（高）、III（中）、II（低）、I（极低）5级，对应地质灾害危险性指标（GDHI）区间分别为[0-20]，（20-40]，（40-60]，（60-80]，（80-100]，地质灾害危险性指标（GDHI）与危险等级的对应关系如表9所示。
表 9 危险评分与危险等级的对应关系Table 9. Correspondence of risk value and risk grade危险值R [0-20] （20-40] （20-60] （60-80] （80-100] 危险等级Rg I （极低） II （低） III （中） IV （高） V （极高） 2.4 危险性评价系统平台架构
该系统采用如图8所示的分层架构设计，整个系统分为基础设施层（硬件层、虚拟化层）、核心系统层（软件层、GIS核心层）、客户应用层3个层次。平台前端采用轻量化设计，后端引入虚拟化技术，以充分发挥硬件设备的计算能力，增强系统的容错性、可扩展性，也使得整个系统具备向云端扩展的能力。
![]()
图 8 沿黄公路边坡危险性评价系统框架图Figure 8. Frame diagram of the risk assessment system for slopes along the Yellow River Highway（1）基础设施层：由计算/存储/网络基础设施和基于硬件辅助的虚拟化层构成，可分为物理硬件资源池和虚拟资源池两部分。
（2）核心系统层：为GIS服务器的核心组件，提供倾斜摄影osgb数据基于Cesium-Web三维实景模型服务加载、可视化应用（图9）、模型管理及核心地理信息服务（WMS/WFS/WPS）的GIS系统，以及基于PostgreSQL扩展的地理信息数据存储管理系统、自主开发的认证权限管理、运维及安全系统。
（3）客户应用层：基于核心服务层提供解决方案的应用（图10），主要包括三维边坡属性管理、三维边坡危险性评价以及运维管理子系统，实现数据源、地理地图、空间/属性数据编辑、管理，三维边坡模型分析以及用户权限、审计日志等功能。
![]()
图 10 地质灾害综合信息系统Web端展示图Figure 10. Web terminal of geological disaster comprehensive information system整个系统的关键是核心系统层和应用层，两者之间的职责分配遵循策略和机制分离原则，核心系统组件层提供原子性机制操作，在客户应用层中实现策略性封装为用户提供最终功能。
3. 危险性评价系统的应用与结果分析
3.1 评价因子解译及其信息提取
准确识别地质灾害体并确定其具体特征是科学评估地质灾害隐患危险性的重要前提（Ferrero et al., 2010; 贾虎军等, 2021; Tang et al., 2022），因此评价因子要具有可识别性（能够解译）、可度量性（定量度量）。针对沿黄公路边坡，充分考虑地形及地层出露条件，采用高分辨率影像构建的三维精细化实景三维模型、DLG、DEM和DOM及点云数据参数对地质灾害隐患体信息进行采集，也可以通过空间参数计算出地质灾害体的面积和体积大小等数据。
3.1.1 划分斜坡单元
沿黄公路沿线斜坡，短则几米，长则数千米，特别是过长的斜坡如果作为一个评价单元，其危险性评价结果会变得不可靠。因此对于评价单元的划分，确定两个基本原则：①自然或人工切削形成的大型岩质或黄土单体边坡，可单独作为评价单元（图11a）。②对于属性一致的连续不间断的长边坡，以长200 m左右分割形成多个评价单元（图11b）。考虑斜坡的完整性，斜坡单元的顶端至切坡带或者第一道分水岭，坡脚至公路内侧路缘。
![]()
图 11 沿黄公路斜坡单元划分图（a）.独立边坡；（b）.过长边坡Figure 11. Slope unit division of Highway along the Yellow River3.1.2 边坡特征信息提取
根据斜坡单元划分原则，对沿黄公路三维实景模型边坡进行室内解译，通过系统平台的Gis核心层即可提取路-坡距、坡度、坡高、节理密度等评价因子参数（图12）。
坡度是影响崩塌、落石发生的重要因素之一，它对崩滑的发生具有控制性作用（唐亚明等, 2012b）。因切坡造成岩土体应力释放，抗剪强度降低，进而影响斜坡的稳定性。一般来说，斜坡坡度越陡，发生崩塌的可能性就越大（唐亚明等, 2012b; 王萌等, 2014）。从图13中可以看出，该路段边坡坡度从平缓到非常陡峭不等，坡度大于45°占比达90%。因斜坡高陡，岩土体稳定较差，按10°的间隔将斜坡进行分类（表7）（王萌等, 2014），作为斜坡危险性的评价指标。
![]()
图 13 研究路段公路边坡坡度统计图Figure 13. Statistics of highway slope gradient of the study section图14为研究路段斜坡坡高统计结果，这里坡高是指公路内测路缘至边坡坡顶高程的差值。由于公路边坡切坡扰动，坡角会形成应力集中，使坡体的稳定性降低（王萌等, 2014）。因而斜坡越高陡，产生地质灾害的危险性程度越高，坡高对边坡稳定性有着重要作用和影响，但又没有坡度的影响显著。从边坡高度来说，研究路段边坡低边坡占比55.34%，高边坡占比42.53%，特高边坡占比2.13%；从物质组成来看，土质边坡（475个）、岩质边坡（151个）、二元结构边坡（黄土+基岩边坡30个）等。地层岩性是崩塌灾害发生的基础，可以控制崩塌灾害的发育并为其提供物质来源，不同岩性的地层由于其本身物理化学特性可以对崩塌灾害发育做出不同的贡献（王萌等, 2014）。对于本研究的二元结构边坡来说，相对于下层基岩，上覆的晚更新世或全新世黄土其结构性差、强度低，更易产生滑塌灾害，因此这里将二元结构斜坡纳入土质边坡进行统计。按表7的坡高区间将斜坡进行分类，作为斜坡危险性的评价指标。
![]()
图 14 研究路段公路边坡坡高统计图（a）.土质边坡；（b）.岩质边坡Figure 14. Statistics on the slope height of the highway in the research section节理密度又称节理频度（frequency of joints），通常指单位长度（或面积）内的节理数，是用来衡量节理发育程度的标志。本研究采用节理面密度来描述边坡表面岩土体的破碎程度，通过三维实景模型提取的斜坡节理数和斜坡单元的面积即可获取（图15）。在工程地质中，节理密度与岩土体的稳定性息息相关，节理越密集，表明岩土体越破碎，进而导致岩土体的稳定性越差，可以说断续节理的密度控制着岩土体的稳定性（刘刚等, 2007）。在道路施工过程中，开挖活动对自然边坡造成了破坏（Panchal et al., 2022）。
公路距边坡的距离也是其危险性评价的一个重要参数，公路距边坡越近，其遭受地质灾害的危险性就越大。从图16a可以看出，研究路段的边坡95%以上路–坡距离在5 m以内，而1～3 m的路–坡距又占到56.5%（图16b），这是因为受该地区地形限制，公路修筑必须切坡，进而形成大量紧贴公路高陡的边坡，因而考虑路-坡距作为的评价指标。
![]()
图 16 路-坡距统计分析图（a）.路-坡距数量统计；（b）.路-坡距区间分布Figure 16. Statistical analysis of road-slope distance3.2 危险性层次评价结果与ROC验证
应用沿黄公路边坡危险性评价系统总计评价斜坡656个（图17），公路边坡地质灾害危险性指数（GDHI）为23.22～84.90。层次评价结果显示，极低危险斜坡0个；低危险斜坡23个，占比为3.51%；中危险斜坡405个，占比为61.74%；高危险斜坡210个，占比为32.01%；极高危险斜坡18个，占比为2.74%（图18a）。
![]()
图 17 沿黄公路边坡危险性评价可视化成果（局部视野）展示图Figure 17. Visualization results of risk assessment of slopes along the Yellow Rever Highway (partial view)![]()
图 18 危险性评价结果及ROC检验图（a）.危险性等级统计；（b）.ROC校验Figure 18. Risk assessment results and ROC test可以看出，研究路段的基岩边坡和黄土边坡均以中、高危险性为主（图18a），二元结构的基岩+黄土型边坡绝大多数处于高危险等级。而极高危险等级以高陡的黄土边坡最为显著，其坡度均在51°以上，往往也是节理大量发育的边坡，其节理密度范围为10～42条/m2，坡高以高边坡和特高边坡为主。
验证评价结果的准确性和可靠性至关重要，因为公路边坡危险性评价是减轻潜在地质灾害的影响以及未来防灾减灾的关键要素。有许多科学方法可用于验证公路边坡灾害评价结果，而接受者操作特性曲线（ROC）和曲线下面积（AUC）是公路边坡危险性评价研究中最常用的（Pal et al., 2019; Panchal et al., 2022）。如果AUC接近1，则评价结果越好；AUC值小于0.5，这意味着评价结果不可靠。
为了验证边坡危险性评价的敏感性，通过实地调查绥德县、清涧县沿黄公路的51个斜坡与系统平台评价的斜坡危险性进行比较来评估模型的准确性和可靠性。图18b是使用Origin软件绘制的ROC曲线，曲线下面积AUC为
0.8545 ，预测准确率为85.45%，置信水平为95%。AUC值表明，本研究中公路边坡危险性评价的结果可靠性良好。4. 结论
（1）本次开发的系统平台集成了公路边坡危险性评价完整的工作步骤，以倾斜摄影三维实景地质信息提取代替传统的人工野外调查，实现计算及分析评价结果的可视化呈现，缩短了评价周期，提升了工作效率，推进地质调查数字化转型。
（2）基于无人机倾斜摄影技术构建的Cesium-Web三维实景模型，获取DLG、DEM、DOM及点云等高精度多维数据，可定量提取坡度、坡高、节理密度和路–坡距等微地形地貌数据，说明对于地形起伏较大、通视性差、人工难于到达的高陡边坡，可采用该技术实现地质信息准确、高效的数字化调查。
（3）针对本研究路段的公路边坡，本研究考虑了坡度、坡高、节理密度和路–坡距等主要影响因素，根据层次分析法构建了评价指标体系，确定了各指标的权重和评价准则，共计评价边坡656个，其中极低危险边坡0个，低危险边坡23个，中危险边坡405个，高危险边坡210个，极高危险边坡18个。本研究得到的评价结果与实地调查结果吻合较好，表明笔者建立的公路边坡危险性评价体系准确高效，可为相关管理部门提供决策建议，为路线边坡地质灾害的防治工作提供保障。
（4）基于3D实景模型和AHP边坡危险性评价系统是一种新的公路边坡调查评价方法。因此，下一步工作是进一步讨论笔者建立的危险性评价系统的优缺点，并研究更有效确定主要影响因素和权重的方法，以及拓展本系统在不同地质背景中的应用，从而使本研究提出的危险性评估体系广泛适用于更多类型的地质或工程风险评估工作。
-
![]()
图 2 研究区已有堆积层滑坡分布图
a. 研究区现有堆积层滑坡分布；b.岭丰村矿洞洞口堆积层滑坡；c.罗庄三组堆积层滑坡
Figure 2. The distribution of alluvial landslide in the study area
![]()
图 5 研究区滑坡地质灾害易发性评价指标因子
a.坡度；b.坡体高度；c.斜坡结构；d.堆积层厚度；e.斜坡形态；f.距河流距离；g.距断裂距离；h.距道路距离；i.距矿区距离
Figure 5. Index factors of landslide geological hazard Susceptibility assessment in the study area
![]()
图 6 研究区滑坡易发性区划
a.栅格单元下研究区滑坡易发性区划图；b.斜坡单元下研究区滑坡易发性区划图
Figure 6. The division of landslide susceptibility in the study area
表 1 研究区滑坡规模分类
Table 1 Classification of landslide scale in study area
滑坡类型 个数 规 模 比例（%） 大型（处） 比例（%） 中型（处） 比例（%） 小型（处） 比例（%） 堆积层滑坡 26 0 0 1 3.57 25 89.29 92.86 基岩滑坡 2 0 0 0 0 2 7.14 7.14 合 计 28 0 0 1 3.57 27 96.43 100.00 
下载: 导出CSV
表 2 数据类型及用途
Table 2 Data types and uses
数据类型 比例尺/分辨率 数据用途 DEM 5 m 提取坡度、坡向、剖面曲率、河流水系等因子；提取评价单元。 地质图 1∶50000 提取断裂等因子
下载: 导出CSV
表 3 斜坡单元面积概况
Table 3 Overview of slope unit area
斜坡单元
面积类型最大面积
（km2）最小面积
（km2）平均面积
（km2）面积值 0.81 0.019 0.14
下载: 导出CSV
表 4 两种评价单元下各因子的滑坡发育优势空间
Table 4 Dominant space of landslide development of each factor under two evaluation units
特征
因子坡度
（°）坡高
（m）堆积层
厚度（m）坡面
形态斜坡
结构距河流
距离（m）距道路
距离（m）距矿区
距离（m）距断裂
距离（m）栅格单元 25～35 100～300 1～3 凹型坡 顺向斜坡 100～400 0～100 500～700 ＞1000 斜坡单元 25～35 100～300 1～3 凹型坡 顺向斜坡 100～400 0～100 ＞1000 ＞1000
下载: 导出CSV
表 5 特征因子数据正态性检验结果
Table 5 Characteristic factor data Normality test results
特征因子 K-S检验（栅格单元） S-W检验（斜坡单元） 坡高 （m） 0. 33（0. 000***） 0. 762（0. 000***） 距河流距离 （m） 0. 343（0. 000***） 0. 843（0. 000***） 距道路距离 （m） 0. 210（0. 000***） 0. 866（0. 000***） 距矿区距离 （m） 0. 361（0. 000***） 0. 869（0. 000***） 堆积层厚度 （m） 0. 268（0. 000***） 0. 841（0. 000***） 坡度（°） 0. 293（0. 000***） 0. 719（0. 000***） 坡面形态 0. 355（0. 000***） 0. 794（0. 000***） 斜坡结构 0. 439（0. 000***） 0. 849（0. 000***） 距断裂距离 （m） 0. 208（0. 000***） 0. 852（0. 000***） 注：***、**、*分别代表1%、5%、10%的显著性水平。
下载: 导出CSV
表 6 特征因子Kendall’s tau-b等级相关系数矩阵（栅格单元）
Table 6 Characteristic factor Kendall’s tau-b rank correlation coefficient matrix (grid units)
距矿区
距离（m）距道路
距离（m）坡面
类型坡度
（°）距断裂
距离（m）斜坡
结构坡高
（m）堆积层
厚度（m）距河流
距离（m）距矿区距离（m） 1 距道路距离（m） 0.304 1 坡面类型 0.013 0.024 1 坡度（°） −0.01 0.087 0.023 1 距断裂距离（m） −0.001 0.118 0.005 −0.02 1 斜坡结构 −0.141 −0.057 0.006 −0.004 0.201 1 坡高（m） 0.214 0.203 0.009 0.06 0.002 −0.003 1 堆积层厚度（m） −0.053 −0.043 −0.003 −0.028 0.002 0.09 −0.024 1 距河流距离（m） 0.099 0.653 0.029 0.073 0.121 0.023 0.125 0.003 1
下载: 导出CSV
表 7 特征因子Kendall's tau-b等级相关系数矩阵（斜坡单元）
Table 7 Characteristic factor Kendall's tau-brank correlation coefficient matrix (slope units)
距矿区
距离（m）距道路
距离（m）坡面
类型坡度
（°）距断裂
距离（m）斜坡
结构坡高
（m）堆积层
厚度（m）距河流
距离（m）距矿区距离（m） 1 − 距道路距离（m） 0.246 1 坡面类型 0.059 0.124 1 坡度（°） −0.07 0.034 0.046 1 距断裂距离（m） 0.006 0.186 0.042 −0.018 1 斜坡结构 −0.112 −0.06 0.032 −0.083 0.199 1 坡高（m） 0.162 0.202 0.043 0.154 −0.011 −0.001 1 堆积层厚度（m） −0.039 −0.05 −0.043 −0.085 −0.002 0.093 −0.068 1 距河流距离（m） 0.02 0.606 0.122 0.004 0.138 0.011 0.125 −0.002 1
下载: 导出CSV
表 8 栅格单元与斜坡单元下评价结果频率比
Table 8 Frequency ratio of evaluation results under grid unit and slope unit
评价
单元易发
性滑坡
单元数
（个）滑坡
单元
比例（%）全区
单元
（个）全区
单元
比例（%）频率
比栅格
单元极低 0 0. 00 3055331 66.76 0. 00 低 27 0. 44 892435 19.50 0. 02 中 252 4.07 411435 8.99 0. 45 高 603 9.73 139129 3.04 3.20 极高 5310 85.76 78260 1.71 50.15 斜坡
单元极低 0 0. 00 451 35. 67 0. 00 低 0 0. 00 129 28. 53 0 中 1 3.57 79 18. 38 0. 19 高 1 3.57 38 12. 62 0.28 极高 26 92.86 32 4. 80 19.35
下载: 导出CSV
表 9 不同评价单元下易发性概率均值与标准差
Table 9 Mean and standard deviation of probability of Susceptibility under different evaluation units
评价单元 均值 标准差 栅格单元 0. 10 0. 13 斜坡单元 0. 13 0. 18
下载: 导出CSV
-
常志璐, 黄发明, 蒋水华等. 基于多尺度分割方法的斜坡单元划分及滑坡易发性预测[J]. 工程科学与技术, 2023, 55(01): 184-195 CHANG Zhilu, HUANG Faming, JIANG Shuihua et al, Slope Unit Extraction and Landslide Susceptibility Prediction Using Multi-scale Segmentation Method [J] Advanced EngineeringE Sciences, 2023, 55(01): 184-195
方匡南, 吴见彬, 朱建平等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(03): 32-38 doi: 10.3969/j.issn.1007-3116.2011.03.006 FANG Kuangnan, WU Jianbin, ZHU Jianping, et al. Review of random forest methods [J]. Statistics and Information Forum, 2011, 26 (03): 32-38 doi: 10.3969/j.issn.1007-3116.2011.03.006
范立民, 何进军, 李存购. 秦巴山区滑坡发育规律研究[J]. 中国地质灾害与防治学报, 2004(01): 47-51 FAN Limin, HE Jinjun, LI Cungou. Study on the development law of landslides in Qinba Mountains [J]. Chinese Journal of Geological Hazards and Prevention, 2004 (01): 47-51
郭芳芳, 杨农, 孟晖等. 地形起伏度和坡度分析在区域滑坡灾害评价中的应用[J]. 中国地质, 2008, 35(01): 131-143. 郭子正, 殷坤龙, 黄发明, 等. 基于滑坡分类和加权频率比模型的滑坡易发性评价[J]. 岩石力学与工程学报, 2019, 38(02): 287-300 doi: 10.13722/j.cnki.jrme.2018.0838 GUO Zizheng, YIN Kunlong, HUANG Fa ming, et al. Landslide susceptibility evaluation based on landslide classification and weighted frequency ratio model [J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(02): 287-300 doi: 10.13722/j.cnki.jrme.2018.0838
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(02): 79-90 HUANG Fangming, HU Songyan, YAN Xueya, et al. . Landslide susceptibility prediction modeling and main control factor identification based on machine learning [J]. Bulletin of Geological Science and Technology, 202, 41(02): 79-90.
黄润秋. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报, 2007, No.26(182): 433-454 HUANG Runqiu. Large-scale landslides and their mechanism in China since the 20th century [J]. Journal of Rock Mechanics and Engineering, 2007, No.26(182): 433-454
贾琳, 蔡静森, 晏鄂川等. 基于地质环境分区的南漳县城区滑坡易发性评价[J]. 人民长江, 2021, 52(05): 86-94 JIA Lin, CAI Jingsen, YAN Echuan, et al. Evaluation of landslide susceptibility in Nanzhang County based on geological environment zoning [J]. People's Yangtze River, 2021, 52 (05): 86-94
谷天峰, 王家鼎, 付新平, 等. 基于斜坡单元的区域斜坡稳定性评价方法[J]. 地理科学. 2013, 33(11): 1400-1405 GU Tianfeng, WANG Jiading, FU Xinping, et al. Regional slope stability evaluation method based on slope unit [J]. Scientia Geographica Sinica, 2013, 33(11): 1400-1405
刘彬. 基于GIS与随机森林算法的斜坡单元类型划分方法[J]. 经纬天地, 2021(04): 82-86 LIU Bin. Classification method of slope unit types based on GIS and random forest algorithm. Jingwei Heavenand Earth, 2021(04): 82-86.
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(07): 1085-1091 LIU Jian, LL Shulin, CHEN Tao, et al. Evaluation of landslide susceptibility based on optimized random forest model [J]. Geomatics andInformation Science of Wuhan University, 2018, 43(07): 1085-1091.
刘伟, 袁湘秦, 连海波, 等. 陕南地区堆积层滑坡发育规律研究[J]. 安徽农业科学, 2021, 49(10): 194-197+224. LIU Wei, YUAN Xiangqin, LIAN Haibo, et al. Research on the development law of accumulation landslide in southern Shaanxi [J]. Journal of Anhui Agricultural Sciences, 2021, 49(10): 194-197 224.
强菲, 赵法锁, 段钊, 等. 陕南秦巴山区地质灾害发育及空间分布规律[J]. 灾害学, 2015, 30(02): 193-198 QIANG Fei, ZHAO FaSuo, DUAN Zhao, et al. Developmentand spatialdistribution of geological disasters in Qinling-Data Mountains ofsouth Shaanxi [J]. Journal of Catastrophology, 2015, 30 (2): 193-198.
陕西省自然资源厅. 陕西省城镇(乡镇)地质灾害风险调查评价技术要求(1∶10000)(试行)[R]. 西安: 陕西省自然资源厅, 2021 唐睿旋. 堆积层滑坡单体稳定性评估及区域易发性评价研究[D]. 北京: 中国地质大学(北京), 2017 TANG Ruixuan .Study on stability assessment and regional vulnerability assessment of accumulative landslide[D]. Beijing: China University of Geosciences (Beijing), 2017
田述军, 张珊珊, 唐青松等. 基于不同评价单元的滑坡易发性评价对比研究[J]. 自然灾害学报, 2019, 28(06): 137-145 TIAN Shujun, ZHANG Shanshan, TANG Qingsong et al, Comparative study of landslide susceptibility assessment based on different evaluation units [J] Journal Of Natural Disasters, 2019, 28(06): 137-145
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(01): 321-330 WU Runze, HU Xudong, MEI Hongbo, et al. Spatial susceptibility assessment of landslides based on random forest: A case study in the Hubei section of the Three Gorges Reservoir Area [J]. Earth Science, 2021, 46(01): 321-330.
邢林啸. 三峡库区典型堆积层滑坡成因机制与预测预报研究[D]. 武汉: 中国地质大学, 2012 XING Linxiao. Research on the genetic mechanism and prediction of typical accumulation landslide in the Three Gorges Reservoir Area[D]. Wuhan: China University of Geosciences, 2012
赵力行, 范文, 柴小庆, 等. 秦巴山区地质灾害发育规律研究——以镇巴县幅为例[J]. 地质与资源, 2020, 29(02): 187-195 doi: 10.3969/j.issn.1671-1947.2020.02.011 ZHAO lixing, FAN Wen, CHAI Xiaoqing, et al. A study on thedevelopment law of geological hazards in qinling-bashan mountainsーtaking the Zhenba Countyarea as an example [J]. Geology and resources, 2020, 29(02): 187-195. doi: 10.3969/j.issn.1671-1947.2020.02.011
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(02): 260-270 Zhang Linfan, Wang Jiayun, Zhang Maosheng et al. Evaluation of regional landslide susceptibility based on BP neural network [J]. Northwest Geology, 2022, 55 (02): 260-270.
段钊, 彭建兵, 陈伟等. 泾河下游黄土台塬区滑崩灾害空间分异研究[J]. 西北地质, 2018, 51(03): 214-222 doi: 10.3969/j.issn.1009-6248.2018.03.020 Duan Zhao, Peng Jianbing, Chen Wei, et al. Spatial differentiation of landslide disasters in the loess plateau area of the lower reaches of the Jinghe River [J]. Northwest Geology, 2018, 51 (03): 214-222 doi: 10.3969/j.issn.1009-6248.2018.03.020
张世林. 秦巴山区斜坡结构类型及变形破坏模式研究[D]. 西安: 长安大学, 2020 ZHANG Shilin. Study on slope structure type and deformation failure mode in qinling-bashan mountain area [D]. Xi'an: Chang'an University, 2020
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(06): 131-144 ZHENG Yingkai, CHEN Jianguo, WANG Chengbin, et al. Application of deterministic coefficient and random forest model in landslide susceptibility assessment in Mangshi City, Yunnan Province [J]. Bulletin of Geological Science and Technology, 2020, 39(06): 131-144.
Ahmed Mohamed Youssef, Hamid Reza Pourghasemi, Zohre Sadat P ourtaghi, et al.Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree, and general linear models and comparison of their performance at WadiTayyah Basin, Asir Region, Saudi Arabia[J]. Landslides, 2016, 13: 839-856.
Merghadi Abdelaziz, Abderrahmane Boumezbeur, Tien Bui Dieu, et al. Landslide Susceptibility Assessmentat Mila Basin (Algeria): A Comparative Assessment of Prediction Capability of Advanced Machine Learning Methods[J]. ISPRS International Journal of Geo-Information, 2018, 7(7). [9] doi: 10.3390/ijgi7070268
Saro Lee, Joong-Sun Won, Seong Woo Jeon, InhyePark, Moung Jin Lee, et al. Spatial Landslide Hazard Prediction Using Rainfall Probability and a Logistic Regression Model[J]. Mathematical Geosciences, 2015, 47(5). doi: 10.1007/s11004-014-9560-z
计量
- 文章访问数: 282
- HTML全文浏览量: 44
- PDF下载量: 115
