Evaluation of Loess Landslide Susceptibility by Combining InSAR and Information-Machine Learning Coupling Model
-
摘要:
环境因子、气象因子与人类活动之间的相互作用，影响地表形态的变化。尤其对于黄土高原区域，在诸多因子的复杂互馈作用下易导致黄土崩滑灾害，亟需选择适用的影响因子和训练模型开展滑坡易发性评价研究。本研究以天水市为研究区，基于InSAR获取的地表形变信息，综合地形、水文、气候、生态以及人类活动等诸多影响因素，采用信息量模型（IV）分别联接到随机森林模型（RF）、决策树模型（DT）、支持向量机模型（SVM）和BP神经网络模型（BP）构建耦合模型IV-RF、IV-DT、IV-SVM和IV-BP，开展滑坡易发性评价研究。结果表明：耦合模型（IV-RF、IV-DT、IV-SVM和IV-BP）的 AUC 值分别为0.925、0.846、0.883、0.792，IV-RF具有更强的精度。滑坡频率比IV-RF模型从极低易发分区向极高易发区逐渐递增，滑坡易发性分区结果更均匀平稳。IV-RF模型具有更强的预测能力和精度，更适合黄土滑坡地质灾害易发性评价。IV-RF 模型的极高、高、中、低、极低易发性区域面积占比分别为 20.45%、18.28%、22.27%、16.92、22.09%，主要分布在天水市北部地质环境复杂和人类活动强烈的山地、黄土梁峁地区。岩性、坡度、土地利用、降雨、道路密度、InSAR形变在贡献率分析中排在前6位，是影响滑坡发育的主控因子。本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据，为滑坡易发性评价研究深化建模思路，优化独立模型评价结果不确定性问题。
Abstract:The interaction between environmental factors, meteorological factors, and human activities affects surface morphology change. Especially for the Loess Plateau region, it is easy to cause a loess slide disaster under the complex interaction of many factors, so selecting suitable influencing factors and training models to conduct landslide susceptibility evaluation research is urgent. This study takes Tianshui City as the research area and constructs a multi-factor evaluation system covering terrain scale, basic environmental factors, and human activity scale based on the surface deformation information obtained by InSAR. The coupled models IV-RF, IV-DT, IV-SVM, and IV-BP were constructed by connecting the information content model (IV) to the random forest model (RF), decision tree model (DT), support vector machine model (SVM) and BP neural network model (BP), and the landslide susceptibility evaluation was carried out. The results show that the AUC values of the coupled models (IV-RF, IV-DT, IV-SVM, and IV-BP) are 0.925, 0.846, 0.883, and 0.792, respectively, and IV-RF has stronger accuracy. Compared with the IV-RF model, the landslide frequency gradually increases from the very low prone zone to the very high prone zone, and the results of the landslide-prone zone are more uniform and stable. The IV-RF model has stronger prediction ability and accuracy and is more suitable for evaluating the geological hazard susceptibility of loess landslides. The areas of extremely high, high, medium, low, and very low susceptibility in the IV-RF model accounted for 20.45%, 18.28%, 22.27%, 16.92 and 22.09%, respectively, which were mainly distributed in the mountainous and loess ridge areas with complex geological environment and strong human activities in the north of Tianshui City. Lithology, slope, land use, rainfall, road density, and InSAR deformation rank the top 6 in the contribution rate analysis and are the main controlling factors affecting landslide development. This study aims to provide a reliable scientific basis for predicting and preventing landslide disasters in the Loess Plateau, deepen the modeling ideas for evaluating landslide susceptibility, and optimize the uncertainty of independent model evaluation results.
-
Keywords:
- loess plateau /
- susceptibility evaluation /
- information model /
- machine learning methods /
- InSAR
-
中国拥有接近6.7%的黄土区域，集中在甘肃、陕西、宁夏和山西等地区。由于黄土土质疏软、黏合性低，使其极具不稳定性，容易引发黄土崩塌、滑坡、泥石流等灾害，严重威胁着黄土高原区域的人民生命财产安全（李晶等，2024；许强等，2022）。此外，黄河流域也涵盖黄土高原区域，对黄河流域生态保护和国土空间规划管控也意味着对黄土区域的防治与管控。因此，针对黄土滑坡建立滑坡数据库和滑坡易发性评价工作亟需开展。
滑坡易发性评价是对滑坡灾害发生的概率和可能性进行综合性度量和评价，可为灾害预警和防治措施的制定等提供科学依据（Dou et al.，2020；杜鹏等，2024； 吴铭洋等，2024；杨畅等，2024）。常用的滑坡易发性机制评价方法有定性方法和定量方法（胡祥祥等，2023），其中定性方法是一种依赖于涵盖滑坡数据库和知识映射规则的专家库的主观分析方法，主要依赖于滑坡数据库和知识驱动的专家分析，具有一定主观因素。定量分析方法是以确定的、可表达的信息量为尺度衡量的方法，它克服了定性分析方法偏主观性的倾向问题。凭借这一优点，它被广泛和成熟应用于当前滑坡易发性和频发性的评价研究中。然而，定性方法和定量方法在滑坡易发性评价中忽视了不同影响因子之间的非线性问题。因此，它们在解决滑坡灾害易发性分析中存在局限性（武雪玲等，2019）。人工智能技术赋能各行各业进行不同层次的优化和改革，尤其在交叉领域的科学问题和工程应用中更具驱动力，由此许多研究者致力于将随机森林模型（RF）、决策树模型（DT）、支持向量机模型（SVM）和神经网络模型（NN）等为代表的机器学习模型应用在滑坡易发性评价工作中（贾俊等，2019；刘福臻等，2021；窦杰等，2023；李成林等，2023）。
然而基于独立的机器学习模型在滑坡易发性评价过程中容易出现数据的过拟合学习，进而影响最终的评价精度，因此，仅使用单一机器学习模型的评价思路有待进一步的优化和改进（周超等，2023）。据此，一些学者们提出多模型耦合的方法来提高滑坡易发性评价精度（Jiang et al.，2023）。孔嘉旭等（2023）利用信息量模型耦合随机森林模型和卷积神经网络模型，发现信息量-卷积神经网络模型比随机森林的耦合模型更适合黄土滑坡。魏文豪等（2019）基于信息量和支持向量机模型进行耦合，发现耦合模型精度高于单一模型。
近年来，合成孔径雷达干涉测量（InSAR）凭借大尺度、高精度等优势，广泛应用于地表变形监测领域，同时也为提高滑坡易发性评价结果的精度带来可能性（黄龙等，2022；柯福阳等，2023；盖侨侨等，2024）。朱怡飞等（2022）利用InSAR技术获取的形变数据对滑坡易发性区域进行了更新；Jin等（2024）利用PS-InSAR技术识别的地表变形强度作为滑坡易发性建模的动态因素，加入机器学习模型中进行滑坡易发性评价。Zhang 等（2023）将InSAR形变结果当作“动态活动因子”，结合静态地质条件因子，利用多通道扩展卷积神经网络（MCE-CNN）进行滑坡危害性分析，发现SBAS-InSAR方法适用的地区，提高了滑坡分析的精度。
笔者针对于现有滑坡易发性评价方法中对于InSAR因子的评价缺乏普适性和鲁棒性的问题，以天水市区域内滑坡为研究对象，利用信息量-机器学习（RF、DT、SVM、CNN）的数据驱动耦合模型开展滑坡易发性评价，讨论了评价因子和模型选择问题。不同与以往的相似研究，笔者重点研究了独立模型和耦合模型的评价优劣问题，重点研究了将InSAR因子应用到了滑坡易发性评价，建立天水市黄土滑坡易发性评价模型。因此，笔者的研究将深化黄土高原区域中复杂环境互相作用下滑坡易发性评价机制，为黄土高原城镇化的发展提供可靠的科学依据。
1. 研究区概况和数据分析
1.1 研究区概况
天水市位于黄土高原南部沟壑区和西秦岭山脉结合地带，地处E 104°35′～106°44′、N 34°05′～35°10′之间，总面积约为1.4万km2。区域内地形起伏，整体呈现西北高，东南低的趋势，最高海拔
3120 m，最低海拔点760 m（图1）。区域内地貌分布差异明显，东、南为山地，北部为丘陵，中部为河谷。区域处于温带季风季候，年均气温11 ℃，年降水量为574 mm。总之，区域地质构造复杂，新构造运动剧烈，降水充足，如此系列条件极容易孕育滑坡灾害。因此，天水地区的滑坡防治是城市安全体系建设的核心。1.2 数据源
据研究内容和研究方法，使用的数据主要包含天水市遥感影像数据、区域数字高程数据、区域地质分布情况数据、气象数据等。此外，预研的滑坡点来源于遥感解译与人工实地调查互相印证数据。其中，区域内坡向、坡度等孕灾因子通过数字高程数据使用SAGS GIS实现提取，植被覆盖指数通过Earth Engine 平台提取，路网、水系等数据通过电子地图、高分一号数据进行提取，地质构造属性主要来源于1∶25 W的地质图矢量数据。使用ENVI SARScape软件，利用SBAS-InSAR技术对所得256景Sentinel-1A卫星降轨数据进行处理（图2），得到天水市2020年8月至2023年8月变速率场数据，正值表示地表形变方向抬升，负值表示地表形变方向下沉，即靠近雷达方向和远离雷达方向（图3）。
![]()
图 3 天水市2020年8月至2023年8月地表形变速率Figure 3. Surface deformation rate of Tianshui City from august 2020 to august 20231.3 天水市地表形变分析
天水市2020年8月至2023年8月最大下沉速率−40.9 mm/a，最大抬升速率30.5 mm/a（图3）。武山县地表抬升面积较大，抬升区域顺着渭河流域分布。甘谷县西部地表抬升明显，东部地表下沉明显。秦安县境内地表下沉和抬升交替，地势较低处多为抬升。秦州区地表下沉面积最大，中部地势低处略有抬升。清水和张家川两县县内地表多为抬升，地势较低处抬升明显。麦积区渭河流域，地表抬升明显，南部多为地表下沉区域，同时南部地表信息较少，可能是由于麦积山附近山林茂密，相干性较差。综合所述，河水流经区域多为地势较低处，根据InSAR所得结果，发现天水市内渭河流域在武山、甘谷两县，地表多为抬升状态，武山县内的渭河流域附近地表抬升尤为明显。秦州和麦积西部区域，渭河流域附近的地表多为下沉。麦积区中部渭河流域地表又开始抬升，且抬升明显。A区为大石乡，形变速率为−8.00～0.00 mm/a；B区为杨家寺乡，形变速率为−15.76～7.65 mm/a；C区为汪川镇，形变速率为−16.07～4.04 mm/a；D区为利桥乡，形变速率为−31.85～25.60 mm/a；E区为三岔乡，形变速率为−17.16～11.39 mm/a；F区为马鹿乡，形变速率为−16.14～17.11 mm/a。
2. 评价方法模型
2.1 信息量模型
信息量模型（杨根云等，2018）是一种常用于数据挖掘和分类问题的数学模型。其基本思想是通过计算每个特征对于分类的重要性（信息量）来进行特征选择和分类。信息量的计算通常使用熵或基尼指数等方法，这些方法能够衡量一个特征对于分类的影响程度，进而确定出对于分类更为重要的特征。笔者将天水市栅格单元按30 m×30 m进行划分，总计划分
651053 个栅格单元（图4）。2.2 机器学习模型
随机森林（谭翠等，2024）是一种集成算法，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。RF模型在处理大量多维数据问题时尽可能避免了过度拟合问题,具有较高的稳定性，同时有效降低了异常值与算法方面的误差率（Li et al.，2021）。
决策树模型（林炫歆等，2023）是一种简单易用的非参数分类器，笔者使用的是 C4.5 算法，该算法采用信息增益率来选择划分特征，其数学表示为：
$$ GainRatio\left( {D|A} \right) = \frac{{infoGain\left( {D|A} \right)}}{{IV\left( A \right)}} $$ (1) $$ IV\left( A \right) = - \sum\nolimits_{k = 1}^K {\frac{{|{D_k}|}}{{|D|}} \cdot lo{g_2}\frac{{|{D_k}|}}{{|D|}}} $$ (2) 式中，$ A=\left[{a}_{1}，{a}_{2}，\cdots ，{a}_{k}\right] $，K个值。若使用A来对样本集D进行划分，则会产生K个分支节点，其中第k个节点包含D中所有属性A上取值为$ {a_k} $的样本，记为$ {D_k} $。
支持向量机模型（徐胜华等，2019）近年来也逐渐应用到滑坡易发性评价中，其重要应用之一就是用来分类。在分类分析上，设同时存在正样本和负样本，考虑一个训练样本集$ {X}_{i}\left(i=1，2，3，\cdots ，n\right) $ 由两类构成，表示为$ y = \pm 1 $两类。SVM的目标是寻求一个n维空间上的超平面，能最大间隔地区分它们，且使分开的两类数据点距离此分类面最远。
BP神经网络（赵占骜等，2024）是一种按照误差逆向传播算法训练的传递非线性函数的前馈型神经网络。BP神经网络的结构分为3层：输入层、隐藏层、输出层。输入层的神经元数目为输入变量的个数，即输入滑坡影响因子数；隐藏层的层数视问题的复杂性决定；输出层的神经元数为输出变量的个数，即每组因子对应的输出预测结果。
2.3 评价体系构建
滑坡的发生是由内在和外在多种因素共同作用下的复杂非线性过程，绘制滑坡易发性图是识别潜在滑坡空间分布的关键方法。目前有关滑坡易发性评价因子的选取并无固定标准，唯一原则是保证评价因子可测量、可操做和非冗余（Ayalew et al.，2005）。已有研究显示地形地貌是导致滑坡发生的主要因素之一（王瑞琪等，2019；赵永辉等，2021）。刘帅等（2024）以坡度、坡向、高程、曲率、地形起伏度等因子作为评价指标。卢星宇等（2021）基于InSAR技术评价了九寨沟地质灾害危险性。此外，陈丹璐等（2024）利用SHAP算法对因子重要性排序得到降雨是形成滑坡很关键的因素。生态环境也会影响滑坡的发生，如土地利用和植被覆盖度指数被通常当作滑坡易发性评价指标（李萍等，2021；林琴等，2024；李益敏等，2024）。黄发明等（2022）等通过多种模型将原始因子结果和改进因子结果对比发现道路密度和水系密度较距道路距离和水系距离在滑坡易发性评价中效果更佳。因此，笔者在前人研究基础上结合区域孕灾特征，从地形地貌、气候条件、生态环境、地质水文条件、基础数据5个方面选取了12个影响因子作为评价指标（表1，图5）构建滑坡易发性评价体系（图6）。同时根据已有的诸多文献（王本栋等，2019；李泽芝等，2019）滑坡易发性可分为极高、高、中、低、极低5个易发区等级。
表 1 天水市滑坡易发性评价指标Table 1. Evaluation index of landslide susceptibility in Tianshui City目标层 准则层 方案层 滑坡易发性评价 地形地貌 地表形变；坡度；坡向；高程；曲率；地形起伏度 气候条件 降雨量 生态环境 土地利用类型；植被覆盖指数 地质水文 水系密度；地层岩性 基础数据 道路密度 ![]()
图 6 耦合模型的滑坡易发性评价技术路线Figure 6. Technical route of landslide susceptibility evaluation by coupling model2.4 耦合模型及处理流程
图6为融合InSAR的信息量-机器学习耦合模型的滑坡易发性评价机制的技术路线。步骤①，构建滑坡影响因子评价体系规则。其中，采集研究区滑坡灾害信息和区域InSAR数据等数据，建立区域内滑坡灾害数据库，进而形成涵盖地形地貌、气候条件、生态环境、地质水文条件、基础数据等多因子评价体系；步骤②，评价因子预处理机制。为了使得评价因子之间互相独立非共线，对选取的12种滑坡因子进行相关性分析，其中笔者选取皮尔逊相关性分析方法；步骤③，信息量计算和样本数据制作。其中信息量是根据IV模型计算各个滑坡因子的信息量值，对已经按照易发性划分的研究区中极低、低易发区按照1∶1的原则制作滑坡的正负样本数据；步骤④，基于样本数据和评价因子，分别进行在RF、DT、SVM、CNN 模型中执行，得到具体的执行结果；步骤⑤，将IV‐（RF、DT、SVM、CNN）模型得到的滑坡易发性评价结果进行分区制图和因子重要性排序；步骤⑥，根据上述结果制作ROC曲线、AUC、频率比等指标评价模型精度。
3. 评价结果及精度检验
3.1 评价因子的相关性
滑坡灾害的发生是一个复杂机制，通常是由多个环境影响因子共同作用下的结果。因此，为消除因为环境影响因子之间相关度过高引起的模型评价机制精度低的问题，研究者提出采用相关性分析方法进行影响因子的独立性检验机制的思路。笔者使用常见的皮尔逊相关性分析方法，具体是使用皮尔逊相关系数（PCCs）进行实际的筛选。通常认为，PCCs＞0.8时，筛选的评价因子之间具有很高的相关性。笔者对所选择的评价因子进行皮尔逊分析，结果显示选择的评价因子之间互相独立，均满足非共线的阈值要求（表2）。
表 2 评价因子相关性分析Table 2. Correlation analysis of evaluation factors岩性 土地利用 道路密度 河流密度 起伏度 坡向 坡度 NDVI 曲率 高程 降雨 InSAR 岩性 1 −0.013 0.042 0.003 −0.109 0.002 −0.002 0.031 0.090 0.011 0.113 0.108 土地利用 −0.013 1 −0.059 −0.054 0.100 −0.007 −0.019 −0.035 −0.154 0.013 −0.138 −0.179 道路密度 0.042 −0.059 1 0.256 −0.221 0.015 0.002 0.144 0.261 0.277 0.141 0.295 河流密度 0.003 −0.054 0.256 1 −0.260 0.009 0.022 0.110 0.384 0.219 0.223 0.368 起伏度 −0.109 0.100 −0.221 −0.260 1 0.010 −0.050 −0.115 −0.277 −0.088 −0.252 −0.180 坡向 0.002 −0.007 0.015 0.009 0.010 1 0.068 −0.001 −0.001 0.008 −0.001 −0.002 坡度 −0.002 −0.019 0.002 0.022 −0.050 0.068 1 0.009 0.046 −0.006 0.045 0.055 NDVI 0.031 −0.035 0.144 0.110 −0.115 −0.001 0.009 1 0.180 0.316 −0.152 0.181 曲率 0.090 −0.154 0.261 0.384 −0.277 −0.001 0.046 0.180 1 0.130 0.279 0.204 高程 0.011 0.013 0.277 0.219 −0.088 0.008 −0.006 0.316 0.130 1 −0.143 0.129 降雨 0.113 −0.138 0.141 0.223 −0.252 −0.001 0.045 −0.152 0.279 −0.143 1 0.347 InSAR 0.108 −0.179 0.295 0.368 −0.180 −0.002 0.055 0.181 0.204 0.129 0.347 1 3.2 易发性评价结果
笔者以天水市为研究对象，使用对样本数据进行训练后的4种耦合模型得到区域滑坡易发性评价结果。笔者使用百分位分类方法，将天水市划分为5个等级的滑坡易发性区域，即：极低易发区、低易发区、中易发区、高易发区和极高易发区，根据易发性分布情况，天水市滑坡灾害分布广，滑坡灾害点多（图7，表3）。其中，天水北部、中部地区为极高、高易发区，南部和东部区为极低、低易发区。天水北部和中部地区多为山地、黄土塬/梁峁地貌，其地质构造较为复杂，地表起伏变化剧烈，且水系发育较为饱满，地壳活动频发、降水较为充足，同时北部、中部地图人类密度高、活动频繁。因此在原始环境和人类活动的双重干预下，使得这些区域地表稳定性不够，容易滋生滑坡隐患。
表 3 不同模型滑坡易发性分区结果Table 3. Landslide susceptibility zoning results of different models模型 易发性分区 分区面积（km2） 分区面积占比（%） 滑坡数量（个） 滑坡数量占比（%） 滑坡密度（个/km2） IV-BP模型 极低易发区 2606.58 17.79 7 0.74 0.0027 低易发区 2636.73 18.00 40 4.23 0.0152 中易发区 766.125 5.23 43 4.55 0.0561 高易发区 4636.1025 31.65 397 42.01 0.0856 极高易发区 4003.155 27.33 458 48.47 0.1144 IV-RF模型 极低易发区 3235.7475 22.09 10 1.06 0.0031 低易发区 2478.06 16.92 84 8.89 0.0339 中易发区 3262.005 22.27 279 29.52 0.0855 高易发区 2677.275 18.28 280 29.63 0.1046 极高易发区 2995.605 20.45 292 30.90 0.0975 IV-SV模型 极低易发区 3882.1725 26.60 22 2.33 0.0057 低易发区 2495.61 17.10 114 12.09 0.0457 中易发区 1818.7425 12.46 166 17.60 0.0913 高易发区 2812.9275 19.28 289 30.65 0.1027 极高易发区 3582.7875 24.55 352 37.33 0.0982 IV-DT模型 极低易发区 5955.2325 40.81 85 9.01 0.0143 低易发区 333.81 2.29 19 2.01 0.0569 中易发区 1228.6125 8.42 86 9.12 0.0700 高易发区 2110.41 14.46 151 16.01 0.0716 极高易发区 4964.175 34.02 602 63.84 0.1213 IV-BP耦合模型得到的滑坡易发性评价结果显示极高易发区和高易发区面积最大，分别为27.33%和31.65%，但是中易发区只有5.23%，极高易发区和高易发区的滑坡数量占比超过90%，IV-BP耦合模型评价结果对极高和高易发区占比过大，忽略了中、低、极低易发区的占比（图7a）。IV-DT模型得到的滑坡易发性评价结果显示极高易发区和极低易发区面积最大，分别为34.02%和40.81%，极高和极低分区占比过大，较为极端，中、低易发区占比只有10%（图7d），但极高易发区的滑坡数量占比达63.84%，可见IV-DT模型忽略了高、中易发区面积占比，将部分高易发区归于极高易发区。相比较IV-BP、IV-DT耦合模型，IV-RF和IV-SVM耦合模型得到的滑坡易发性评价结果分布规律更加合理，在高易发区和极低易发区之间，有大量低易发区作为缓冲，各个分区占比合理，5个分区面积占比均匀，区内滑坡数量占比合理（图7a、图7b）。
3.3 ROC曲线
笔者引入ROC曲线对耦合模型进行精度评价。曲线向左上越凸，曲线下面积越大，表示模型准确性越高。AUC即为曲线下面积，其值越接近1模型越准确，一般认为AUC大于0.7，表示预测结果准确性越高。IV-BP、IV-RF、IV-SVM、IV-DT耦合模型的AUC值分别是0.792、0.925、0.883、0.846，表明4种模型的评价结果均具有一定可信度（图8）。其中IV-RF 耦合模型更适应天水市滑坡情况，能为天水市黄土滑坡提供依据。
3.4 频率比
笔者对耦合模型的滑坡比与滑坡频率比在易发性分区表现进行分析，结果显示滑坡密度与研究区滑坡易发性等级成正比（图7、图9）。即，极高区滑坡密度最大，极低区密度最小。分区面积与滑坡分区等级成反比。即高易发区的分区面积最小。
![]()
图 9 耦合模型的滑坡频率比和滑坡比Figure 9. Landslide frequency ratio and landslide ratio of the coupled model此外，中、高、极高易发区的无论是滑坡频率比还是滑坡比在4种方法下数值均较大，其发生滑坡隐患的概率最大。极低与低易发区的滑坡发生频率均小于1。
4种模型的评价结果中，均表现为在中、高、极高区的滑坡灾害点总数占据全域内历时灾害点的90%以上，且分区内滑坡比和滑坡发生频率比与区域易发性等级成正比，趋势均为增势（图9）。具体而言，4种模型中，IV-DT模型的极高区的滑坡频率比最高，分区面积占据34.02%，面积冗余，因此IV-DT模型可能存在过拟合现象，致使分区的鲁棒性不足。对于IV-BP模型而言，其分区面积相对平衡，分区结果优于IV-DT模型，但是，在极高区的分区面积仍存在冗余现象，在中易发区，频率比低于1。IV-SVM模型中易发区面积占比较少，相较而言IV-RF模型结果的分区滑坡频率比从低到高是逐渐递增的。极高易发区内分区面积仅占20.45%，IV-RF模型的滑坡易发性分区结果更均匀平稳，能更好地反映滑坡发育的空间分布规律。
3.5 评价因子贡献率
滑坡的发生是系列环境因子和人类活动互相作用反馈的结果，其诱发机制亦然是复杂的，各个影响因子对于滑坡的作用机理不一致，因此在实际应用中需要确定影响因子对于滑坡的作用力或者贡献值。笔者选择RF模型的附带属性，对筛选的12个评价因子进行贡献度分析，结果显示岩性、坡度、土地利用、降雨、道路密度、InSAR信息值在评价机制中的作用程度和贡献度更大（图10）。这里InSAR贡献率排名不前的原因可能是天水市南部存在较多树木，影像相干性较差，InSAR形变信息未能充分表现出来。
4. 结论
（1）4种耦合模型中，IV-RF模型的滑坡易发性结果更能反映天水市滑坡发育的空间分布规律。IV-RF模型的易发性分区结果显示，天水市滑坡的极高、高、中、低、极低易发性区域面积占比分别为20.45%、18.28%、22.27%、16.92、22.09%。
（2）IV-BP、IV-RF、IV-SVM、IV-DT耦合模型的AUC值分别是0.792、0.925、0.883、0.846，表明4种耦合模型的评价结果均具有一定可信度。其中IV-RF 耦合模型更适应天水市滑坡情况，能为天水市黄土滑坡提供依据。
（3）岩性、坡度、土地利用、降雨、道路密度、InSAR形变在贡献率分析中排在前6位，是影响天水市滑坡发育的主控因子。
-
![]()
图 3 天水市2020年8月至2023年8月地表形变速率
Figure 3. Surface deformation rate of Tianshui City from august 2020 to august 2023
![]()
图 6 耦合模型的滑坡易发性评价技术路线
Figure 6. Technical route of landslide susceptibility evaluation by coupling model
![]()
图 9 耦合模型的滑坡频率比和滑坡比
Figure 9. Landslide frequency ratio and landslide ratio of the coupled model
表 1 天水市滑坡易发性评价指标
Table 1 Evaluation index of landslide susceptibility in Tianshui City
目标层 准则层 方案层 滑坡易发性评价 地形地貌 地表形变；坡度；坡向；高程；曲率；地形起伏度 气候条件 降雨量 生态环境 土地利用类型；植被覆盖指数 地质水文 水系密度；地层岩性 基础数据 道路密度 
下载: 导出CSV
表 2 评价因子相关性分析
Table 2 Correlation analysis of evaluation factors
岩性 土地利用 道路密度 河流密度 起伏度 坡向 坡度 NDVI 曲率 高程 降雨 InSAR 岩性 1 −0.013 0.042 0.003 −0.109 0.002 −0.002 0.031 0.090 0.011 0.113 0.108 土地利用 −0.013 1 −0.059 −0.054 0.100 −0.007 −0.019 −0.035 −0.154 0.013 −0.138 −0.179 道路密度 0.042 −0.059 1 0.256 −0.221 0.015 0.002 0.144 0.261 0.277 0.141 0.295 河流密度 0.003 −0.054 0.256 1 −0.260 0.009 0.022 0.110 0.384 0.219 0.223 0.368 起伏度 −0.109 0.100 −0.221 −0.260 1 0.010 −0.050 −0.115 −0.277 −0.088 −0.252 −0.180 坡向 0.002 −0.007 0.015 0.009 0.010 1 0.068 −0.001 −0.001 0.008 −0.001 −0.002 坡度 −0.002 −0.019 0.002 0.022 −0.050 0.068 1 0.009 0.046 −0.006 0.045 0.055 NDVI 0.031 −0.035 0.144 0.110 −0.115 −0.001 0.009 1 0.180 0.316 −0.152 0.181 曲率 0.090 −0.154 0.261 0.384 −0.277 −0.001 0.046 0.180 1 0.130 0.279 0.204 高程 0.011 0.013 0.277 0.219 −0.088 0.008 −0.006 0.316 0.130 1 −0.143 0.129 降雨 0.113 −0.138 0.141 0.223 −0.252 −0.001 0.045 −0.152 0.279 −0.143 1 0.347 InSAR 0.108 −0.179 0.295 0.368 −0.180 −0.002 0.055 0.181 0.204 0.129 0.347 1
下载: 导出CSV
表 3 不同模型滑坡易发性分区结果
Table 3 Landslide susceptibility zoning results of different models
模型 易发性分区 分区面积（km2） 分区面积占比（%） 滑坡数量（个） 滑坡数量占比（%） 滑坡密度（个/km2） IV-BP模型 极低易发区 2606.58 17.79 7 0.74 0.0027 低易发区 2636.73 18.00 40 4.23 0.0152 中易发区 766.125 5.23 43 4.55 0.0561 高易发区 4636.1025 31.65 397 42.01 0.0856 极高易发区 4003.155 27.33 458 48.47 0.1144 IV-RF模型 极低易发区 3235.7475 22.09 10 1.06 0.0031 低易发区 2478.06 16.92 84 8.89 0.0339 中易发区 3262.005 22.27 279 29.52 0.0855 高易发区 2677.275 18.28 280 29.63 0.1046 极高易发区 2995.605 20.45 292 30.90 0.0975 IV-SV模型 极低易发区 3882.1725 26.60 22 2.33 0.0057 低易发区 2495.61 17.10 114 12.09 0.0457 中易发区 1818.7425 12.46 166 17.60 0.0913 高易发区 2812.9275 19.28 289 30.65 0.1027 极高易发区 3582.7875 24.55 352 37.33 0.0982 IV-DT模型 极低易发区 5955.2325 40.81 85 9.01 0.0143 低易发区 333.81 2.29 19 2.01 0.0569 中易发区 1228.6125 8.42 86 9.12 0.0700 高易发区 2110.41 14.46 151 16.01 0.0716 极高易发区 4964.175 34.02 602 63.84 0.1213
下载: 导出CSV
-
陈丹璐, 孙德亮, 文海家, 等. 基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究[J]. 北京师范大学学报(自然科学版), 2024, 60（1）: 148−158. CHEN Danlu, SUN Deliang, WEN Haijia, et al. Study on landslide susceptibility of LightBM-SHAP based on different factor screening methods[J]. Journal of Beijing Normal University (Natural Science Edition),2024,60(1):148−158.
窦杰, 向子林, 许强, 等. 机器学习在滑坡智能防灾减灾中的应用与发展趋势[J]. 地球科学, 2023, 48（5）: 1657−1674. DOU Jie, XIANG Zilin, XU Qiang, et al. Application and development trend of machine learning in landslide intelligent disaster prevention and reduction[J]. Earth Science,2023,48(5):1657−1674.
杜鹏, 陈宁生, 伍康林, 等. 基于随机森林模型的藏东南地区滑坡易发性评价及主控因素分析[J]. 成都理工大学学报(自然科学版), 2024, 51（2）: 328−344. DU Peng, CHENG Ningsheng, WU Kanglin, et al. Evaluation of landslide susceptibility in southeast Tibet based on arandom forestmodel[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2024,51(2):328−344.
盖侨侨, 孙倩, 张宁, 等. 融合时序InSAR形变的白银市地质灾害易发性评价[J]. 武汉大学学报(信息科学版), 2024, 49（8）: 1434−1443. GAI Qiaoqiao, SUN Qian, ZHANG Ning, et al. Geological hazard susceptibility evaluation of Baiyin City based on time-series InSAR deformation[J]. Journal of Wuhan University (Information Science Edition),2024,49(8):1434−1443.
胡祥祥, 明璐璐, 吴涛, 等. 融合InSAR与信息量-层次分析耦合模型的西宁市地质灾害易发性评价[J]. 测绘通报, 2023（12）: 51−56+75. HU Xiangxiang, MING Lulu, WU Tao, et al. Geological hazard susceptibility evaluation of Xining City by combining InSAR and information-hierarchy analysis coupling model[J]. Bulletin of Surveying and Mapping,2023(12):51−56+75.
黄发明, 李金凤, 王俊宇, 等. 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律[J]. 地质科技通报, 2022, 41（2）: 44−59. HUANG Faming, LI Jinfeng, WANG Junyu, et al. Landslide susceptibility prediction modeling law considering the suitability of linear environmental factors and different machine learning models[J]. Bulletin of Geological Science and Technology,2022,41(2):44−59.
黄龙, 孙倩, 胡俊. 基于InSAR与随机森林的滑坡敏感性评价与误差改正[J]. 测绘通报, 2022（10）: 13−20. HUANG Long, SUN Qian, HU Jun. Landslide sensitivity evaluation and error correction based on InSAR and Random forest[J]. Bulletin of Surveying and Mapping,2022(10):13−20.
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 Yinmin, MENG Xiaojie, et al. Comparison of landslide susceptibility evaluation between deep random forest and random forest algorithm: A case study of Qingyang County, Hanzhong City[J]. Northwestern Geology,2023,56(3):239−249.
柯福阳, 胡祥祥, 明璐璐, 等. 面向地表形变高精度监测的GNSS-InSAR融合方法[J]. 遥感技术与应用, 2023, 38（5）: 1028−1041. KE Fuyang, HU Xiangxiang, MING Lulu, et al. A GNSS-InSAR fusion method for high-precision surface deformation monitoring[J]. Remote Sensing Technology and Application,2023,38(5):1028−1041.
孔嘉旭, 庄建琦, 彭建兵, 等. 基于信息量和卷积神经网络的黄土高原滑坡易发性评价[J]. 地球科学, 2023, 48（5）: 1711−1729. KONG Jiaxu, ZHUANG Jianqi, PENG Jianbing, et al. Evaluation of landslide vulnerability in Loess Plateau based on information and convolutional neural networks[J]. Earth Science,2023,48(5):1711−1729.
李成林, 刘严松, 赖思翰, 等. 基于BP神经网络模型的滑坡易发性评价方法[J]. 科学技术与工程, 2023, 23（13）: 5481−5492. LI Chenglin, LIU Yansong, LAI Sihan, et al. Landslide susceptibility evaluation method based on BP neural network model[J]. Science Technology and Engineering,2023,23(13):5481−5492.
李晶, 朱武, 张关龙, 等. 基于InSAR和热点分析技术的黄土高原地质灾害隐患识别[J/OL]. 工程地质学报, 2022, 1−17. doi: 10.13544/j.cnki.jeg.2022-0444. LI Jin,ZHU Wu,ZHANG Guanlong,et al. Potential geological hazard identification in Loess Plateau based on InSAR and hot spot analysis techniques [J/OL]. Journal of Engineering Geology, 2022, 1−17. doi: 10.13544/j.cnki.jeg.2022-0444.
李萍, 叶辉, 谈树成. 基于层次分析法的永德县地质灾害易发性评价[J]. 水土保持研究, 2021, 28（5）: 394−399. LI Ping, YE Hui, TAN Shucheng. Geological hazard susceptibility evaluation based on analytic hierarchy process in Yongde County[J]. Research of Soil and Water Conservation,2021,28(5):394−399.
李益敏, 向倩英, 邓选伦, 等. 基于优化 MaxEnt 模型的怒江州滑坡易发性评价[J/OL]. 河南理工大学学报(自然科学版), 2024, 1−11. doi: 10.16186/j.cnki.1673-9787.2023070010. LI Yimin,XIANG Qianying,DENG Xuanlun,et al. Evaluation of landslide vulnerability in Nujiang Prefecture based on optimized MaxEnt model [J/OL]. Journal of Henan Polytechnic University (Natural Science Edition),2024,1−11. doi: 10.16186/j.cnki.1673-9787.2023070010.
李泽芝, 王新刚. 镇域尺度下秦巴山区堆积层滑坡易发性不同单元评价性能对比研究[J]. 西北地质, 2024, 57(1): 1−11. LI Zezhi, WANG Xingang. Comparative study on evaluation performance of different units for landslide susceptibility of accumulative strata in Qinba Mountain area at township scale [J]. Northwestern Geology, 2024, 57 (1): 1−11.
林琴, 郭永刚, 吴升杰, 等. 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[J]. 西北地质, 2014, 57（1）: 12−22. LIN Qin, GUO Yonggang, WU Shengjie, et al. Evaluation of landslide susceptibility by an optimized integrated machine learning algorithm based on gradient lifting: A case study of the two banks of the Yarlung Zangbo River and the Niyang River[J]. Northwest Geology,2014,57(1):12−22.
林炫歆, 肖桂荣, 周侯伯. 顾及土地利用动态变化的滑坡易发性评估方法[J]. 地球信息科学学报, 2023, 25（5）: 953−966. doi: 10.12082/dqxxkx.2023.220567 LIN Xuanxin, XIAO Guirong, ZHOU Houbo. Landslide susceptibility assessment method considering land use dynamic change[J]. Journal of Geo-Information Science,2023,25(5):953−966. doi: 10.12082/dqxxkx.2023.220567
刘福臻, 王灵, 肖东升. 机器学习模型在滑坡易发性评价中的应用[J]. 中国地质灾害与防治学报, 2021, 32（6）: 98−106. LIU Fuzhen, WANG Ling, XIAO Dongsheng. Application of machine learning model in landslide susceptibility evaluation[J]. Chinese Journal of Geological Hazards and Control,2021,32(6):98−106.
刘帅, 朱杰勇, 杨得虎, 等. 不同降雨工况条件下的崩滑地质灾害危险性评价[J]. 地质科技通报, 2024, 43（2）: 253−267. LIU Shuai, ZHU Jieyong, YANG Dehu, et al. Risk assessment of landslide geological hazards under different rainfall conditions[J]. Bulletin of Geological Science and Technology,2024,43(2):253−267.
卢星宇. 基于InSAR技术的九寨沟地质灾害危险性评价研究[D]. 成都: 电子科技大学, 2021. LU Xingyu. Research on geological hazard assessment of Jiuzhaigou Valley based on InSAR technology [D]. Chengdu:University of Electronic Science and Technology of China, 2021.
谭翠, 黄钦, 杨波, 等. 随机森林算法在区域生态旅游适宜性评价中的应用研究[J]. 地球信息科学学报, 2024, 26（2）: 318−331. doi: 10.12082/dqxxkx.2024.230198 TAN Cui, HUANG Qin, YANG Bo, et al. Application of random forest algorithm in regional ecotourism suitability evaluation[J]. Journal of Geoinformation Science,2024,26(2):318−331. doi: 10.12082/dqxxkx.2024.230198
王本栋, 李四全, 许万忠, 等. 基于 3 种不同机器学习算法的滑坡易发性评价对比研究[J]. 西北地质, 2024, 57(1): 34−43. WANG Bendong, LI Siquan, XU Wanzhong, et al. Comparative study on landslide susceptibility evaluation based on Three different machine learning algorithms [J]. Northwestern Geology, 2019, 57 (1): 34−43.
王瑞琪, 王学良, 刘海洋, 等. 基于精细 DEM 的崩塌滑坡灾害识别及主控因素分析——以雅鲁藏布江缝合带加查-朗县段为例[J]. 工程地质学报, 2019, 27（5）: 1146−1152. WANG Ruiqi, WANG Xueliang, LIU Haiyang, et al. Landslide hazard identification and main control factors analysis based on fine DEM: A case study of Jiacha-Lang County section of Yarlung Zangbo River suture zone[J]. Journal of Engineering Geology,2019,27(5):1146−1152.
魏文豪, 贾雨霏, 盛逸凡, 等. 基于I、SVM、I-SVM的滑坡灾害易发性评价模型研究[J]. 安全与环境工程, 2023, 30（3）: 136−144. WEI Wenghao, JIA Yufei, SHENG Yifan, et al. Research on landslide hazard susceptibility evaluation model based on I, SVM and I-SVM[J]. Safety and Environmental Engineering,2023,30(3):136−144.
武雪玲, 杨经宇, 牛瑞卿. 一种结合SMOTE和卷积神经网络的滑坡易发性评价方法[J]. 武汉大学学报(信息科学版), 2020, 45（8）: 1223−1232. WU Xueling, YANG Jingyu, NIU Ruiqing. A landslide susceptibility evaluation method with SMOTE and Convolutional neural network[J]. Journal of Wuhan University (Information Science Edition),2020,45(8):1223−1232.
徐胜华, 刘纪平, 王想红, 等. 熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例[J]. 武汉大学学报(信息科学版), 2020, 45（8）: 1214−1222. XU Shenghua, LIU Jiping, WANG Xianghong, et al. Landslide hazard susceptibility evaluation method based on entropy index integrated with support vector machine: A case study of Shaanxi Province[J]. Journal of Wuhan University (Information Science Edition),2020,45(8):1214−1222.
吴铭洋, 陈宁生, 杨溢, 等. 三工河小流域泥石流生态—岩土工程调控措施减缓土壤侵蚀的定量研究[J]. 成都理工大学学报(自然科学版), 2024, 51（1）: 117−129. WU Mingyang, CHEN Ningsheng, YANG Yi, et al. Quantitative study on the mitigation of soil erosion by comprehensive ecological and geotechnical debris flow treatment measures in small basins: A case study of the Sangong River Basin[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2024,51(1):117−129.
许强, 陈婉琳, 蒲川豪, 等. 基于自然的解决方案在黄土高原重大工程灾变防控中的理论与实践[J]. 工程地质学报, 2022, 30（4）: 1179−1192. XU Qiang, CHEN Wanling, PU Chuanhao, et al. Theory and practice of nature-based solutions in disaster prevention and control of major projects on the Loess Plateau[J]. Journal of Engineering Geology,2022,30(4):1179−1192.
杨根云, 周伟, 方教勇. 基于信息量模型和数据标准化的滑坡易发性评价[J]. 地球信息科学学报, 2018, 20（5）: 674−683. doi: 10.12082/dqxxkx.2018.170535 YANG Genyun, ZHOU Wei, FANG Jiaoyong. Landslide susceptibility evaluation based on information model and data standardization[J]. Journal of Geoinformation Science,2018,20(5):674−683. doi: 10.12082/dqxxkx.2018.170535
杨畅, 赵建军, 王寿宇, 等. 基于MatDEM的易贡滑坡铲刮效应研究[J]. 成都理工大学学报(自然科学版), 2024, 51（3）: 477−488. YANG Chang, ZHAO Jianjun, WANG Shouzi, et al. MatDEM-based investigation of shovel-scraping effect on Yigongland slidel[J]. Journal of Chengdu University of Technology (Science & Technolgy Edition),2024,51(3):477−488.
赵永辉. 雅鲁藏布江公路滑坡发育特征及破坏机理研究[J]. 公路, 2021, 66（4）: 6−10. ZHAO Yonghui. Development characteristics and failure mechanism of highway landslide in Yarlung Zangbo River[J]. Highway,2021,66(4):6−10.
赵占骜, 王继周, 毛曦, 等. 多维CNN耦合的滑坡易发性评价方法[J]. 武汉大学学报(信息科学版), 2024, 49（8）: 1466−1481. ZHAO Zhanao, WANG Jizhou, MAO Xi, et al. Landslide susceptibility evaluation method based on multi-dimensional CNN coupling[J]. Journal of Wuhan University (Information Science Edition),2024,49(8):1466−1481.
周超, 甘露露, 王悦, 等. 综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模[J]. 地球信息科学学报, 2023, 25（8）: 1570−1585. ZHOU Chao, GAN Lulu, WANG Yue, et al. Regional landslide susceptibility modeling based on non-landslide sample selection index and heterogeneous integrated machine learning[J]. Journal of Geoinformation Science,2023,25(8):1570−1585.
朱怡飞, 姚鑫, 姚磊华, 等. 基于InSAR和光学遥感的贵州鬃岭采煤滑坡识别与危险性评价[J]. 地质力学学报, 2022, 28（2）: 268−280. ZHU Yifei, YAO Xin, YAO Leihua, et al. Identification and risk assessment of coal mining landslide in Ziling, Guizhou Province based on InSAR and optical remote sensing[J]. Chinese Journal of Geomechanics,2022,28(2):268−280.
Ayalew L, Yamagishi H. The application of GIS-based logistic regression for landslide susceptibility mapping in the KakudaYahiko Mountains, Central Japan[J]. Geomorphology,2005,65(1):15−31.
Dou J, Ali P Y, Dieu T B, et al. Improved landslide assessment using support vector machine with bagging, boosting, and stacking ensemble machine learning framework in a mountainous watershed, Japan[J]. Landslides, 2020, 17(3).641−658
Jiang N, Li Y, Han Z, et al. A dataset-enhanced Linformer model for geo-hazards susceptibility assessment: a case study of the railway in Southwest China[J]. Environmental Earth Sciences, 2023, 82(17).
Jin B, Zeng T, Yin K, et al. Dynamic landslide susceptibility mapping based on the PS-InSAR deformation intensity[J]. Environmental Science and Pollution Research, 2024: 1−17.
Li W B, Fan X M, Huang F M, et al. Uncertainties of landslide susceptibility modeling under different environmental factor connections and prediction models[J]. Earth Science,2021,46(10):3777−3795.
Zhang Y, Chen Y Y, Ming D P, et al. Landslide hazard analysis based on SBAS-InSAR and MCE-CNN model: a case study of Kongtong, Pingliang[J]. Geocarto International,2023,38(1):1−22.
计量
- 文章访问数: 42
- HTML全文浏览量: 7
- PDF下载量: 20
