Evaluation of Loess Landslide Susceptibility Based on Optimised MaxEnt Model: A Case Study of Wuqi County in Shaanxi Province
-
摘要:
黄土高原地区滑坡灾害频发，严重危害人民生命财产安全和重大工程建设，进行精准的滑坡易发性评价，识别“什么地方易发生”，有助于高效预测滑坡灾害风险，为防灾减灾提供有效的科学依据。笔者以黄土高原腹地吴起县为例，采用优化最大熵模型（MaxEnt），利用505个滑坡点，选取高程、坡向、坡度、地形粗糙度、岩性、河流缓冲区、降雨、NDWI（地表湿度）及道路缓冲区作为评价因子，并引入InSAR地表形变数据作为动态评价因子，开展了滑坡易发性评价。基于Enmeval数据包调整优化的MaxEnt模型，分别随机选取90%和10%的滑坡点进行模型训练及验证，模型精度高（AUC值为0.855），模拟效果准确可信。引入InSAR地表形变速率作为动态评价因子，模型精度、评价结果均有所提升。评价结果显示：研究区较高易发区面积和高易发区面积分别占吴起县总面积10.27%和6.33%，高、较高易发区内的滑坡点占全部滑坡点的73.27%，滑坡易发性评价结果与滑坡点分布现状吻合，评价效果好。高程、坡度和地表粗糙度对模型模拟结果贡献较高，是研究区滑坡易发性重要评价因子。
-
关键词:
- 黄土地貌区 /
- 优化MaxEnt模型 /
- 黄土滑坡 /
- 易发性评价 /
- 吴起县
Abstract:Landslide disasters which occur frequently in the Loess Plateau, seriously endanger the safety of people's lives and property, and affect the construction of major projects. Accurate landslide susceptibility assessment is useful for efficiently and quickly landslide risk prediction, and can provide scientific backing for disaster prevention and reduction by identifying "where landslides are prone". Taking Wuqi County on the Loess Plateau as an example, we use the optimized MaxEnt model and 505 landslide points to evaluate the landslide susceptibility. Elevation, aspect, slope, terrain roughness, lithology, river buffer, rainfall, NDWI (surface humidity), road buffer, and InSAR surface deformation data, which was introduced as dynamic evaluation factors, were selected as influencing factors. The results show: In the MaxEnt model based on Enmeval packet adjustment, when 90% landslide points were randomly selected as the training set and 10% landslide points as the verification set, the model accuracy was the highest (AUC value was 0.855), and the simulation effect was accurate and reliable. InSAR surface deformation rate was introduced as a dynamic evaluation factor, and the model accuracy and evaluation results were both improved. In the study area, the area of high and relatively high susceptibility areas accounted for 10.27% and 6.33% of the total area respectively, and the landslide points in the high and relatively high prone areas accounted for 73.27% of the total landslide points, of which the high prone areas accounted for 48.11%. The evaluation results of landslide susceptibility were consistent with the distribution of landslide points, which proves that the evaluation works well. Elevation, slope and surface roughness contribute significantly to the simulation results, and are important factors affecting the landslide susceptibility.
-
Keywords:
- loess landform region /
- optimized MaxEnt model /
- loess landslide /
- evaluation /
- Wuqi county
-
注浆压力作用下产生的渗透–压密–劈裂效应，可有效提升岩土介质薄弱区域的强度和整体稳定性，保证工程安全和正常运营。注浆工程属于隐蔽工程，注浆效果的准确评价关系着工程的长期服役性能和经济效益（Park，2018; 张庆松等，2018）。在地质环境日趋复杂和恶劣的工程背景下，注浆加固的质量要求越来越高，建立科学合理的注浆效果评价体系，具有重要的理论意义和研究价值。
李术才等（2019）运用TSP物探法、注浆压力-流量-时间（P-Q-t）法、检查孔法及数字摄像法，对青岛胶州湾海底隧道注浆效果进行了综合检验。Lu等（2020）推导了富水砂岩波速-渗透率理论模型，基于Wyllie-Clemenceau波速-孔隙率公式及Kozeny-Carman渗透方程，建立了富水砂岩注浆效果定量评价体系。Ballesteros 等（2021）运用灰色关联度分析法（GRA）和层次分析法（AHP），结合模糊数学基本原理对软土隧道注浆效果进行了评价分析。Yan等（2023）提出了基于模糊综合评价法的注浆效果评价模型，实现了岩溶帷幕注浆效果多层次、多维度的综合评价。
上述研究大多是基于现场经验或物探检测结果，对注浆效果作出初步和直观的评价，定量深入分析则略显不足，且没有形成具有指导性的统一标准。为此笔者结合郑州地铁7号线隧道建设项目，针对其注浆加固效果进行深刻分析评价。首先通过抽取一级、二级评价指标确立层次评价体系，并结合专家意见与实际工况构建注浆效果评价数学模型，然后基于模糊数学的基本原理，将权向量作为评价因素的权重进行量化，通过矩阵运算实现了模糊现象的数学表达，完成了砂土隧道注浆效果的准确评价，对注浆效果评价从半经验化向定量化转变起到了推动作用，研究成果具有一定的工程实用价值。
1. 郑州地铁砂土隧道
以郑州地铁工程项目建设为依托，针对砂土隧道不良地质注浆加固效果，建立系统、科学的评价方法。郑州地铁7号线陈砦–白庙站为更新世含黏土砂砾层，地质环境复杂，地下水赋存丰富。砂粒为石英质中粗砂，结构松散，静力触探锥尖阻力qc=5.93 MPa，标贯击数平均值为9.4击；砾石粒径不均一，分布范围约为2.91～14.42 cm，外观呈次圆–浑圆状。地下水以架空空隙和粒间间隙为赋存空间和运移通道，水流渗透速度快，侵蚀性强（图1）。
2022年3月隧道左侧拱壁发生涌水、溃砂，导致隧道结构局部坍塌。为提高隧道洞室稳定性，保证后期施工顺利进行，现场采用水泥、水泥-水玻璃浆液，进行软弱区域注浆加固治理。注浆加固总长度
1139 m，帷幕圈厚度2.6 m。注浆作业结束后，采用压力-注浆量-时间（P-Q-t）法、检查孔法、数字钻孔摄像技术分析法，及地球物理探测法对加固效果进行了评价。2. 模糊评价体系构建
2.1 评价因素比选
富水砂层等不良地质的注浆加固与改良处理，是多因素综合作用、交互影响的复杂系统工程，注浆效果的评价应从多方位、多层次着手，才能取得科学、客观和准确的结果（程少振等，2019；贾杰等，2023）。笔者将注浆加固效果归纳为A、B、C、D 4个等级，A等级表明注浆作业实现预期目的，完全满足工程建设和运维的需要，D等级则表明注浆设计方案存在缺陷，未能起到必要的防渗加固效果。A→B→C→D等级变化过程中，注浆效果依次变差。
目前P-Q-t 曲线法、物探检测法、注浆量核算法和检查孔分析法，在注浆效果评定方面应用较为普及，笔者将这4种方法定为一级指标；从一级指标中抽取关键因素形成二级指标，由此构建注浆效果评价的分级体系。P-Q-t 曲线法的关键因素为注浆过程中的P-t、Q-t曲线，物探检测法为时间域电磁法（TEM）和地质雷达法数据特征，注浆量核算法为注浆总量及浆液充填量与地质结构的契合度，检查孔分析法则为渗水量和芯样采取率。
2.2 模糊评价权重
本研究综合采用P-Q-t 曲线法、物探检测法、注浆量核算法和检查孔分析法，对注浆效果进行评定。由于评价所考虑的因素多且类型复杂，传统处理方法很难取得满意的结果，为此采用模糊数学的方法来进行系统分析。模糊理论的基本思想是，对大规模、复杂不确定性现象进行子集划分、隶属判别，利用精确的数学手段实现其恰如其分的处理（钟登华等，2017；Xin et al，2020）。
在充分考虑专家意见及注浆效果各影响因素层次的基础上，模糊评价体系所建立的判断矩阵为：
$$ J=\left[\begin{array}{ccc} 1 & \cdots & m_{1 \mathrm{j}} \\ \vdots & 1 & \vdots \\ m_{\mathrm{i} 1} & \cdots & 1 \end{array}\right] $$ (1) 采用逐项求和的方法对模糊矩阵进行归一化处理，继而对处理后的各行要素求取算术平均值：
$$ {z_i} = \frac{1}{n}\sum\limits_{j = 1}^n {J({m_{ij}})} (i = 1,2,3) $$ (2) 结合矩阵运算和特征空间理论，可得与最大特征值相应的权向量为：
$$ U = {({z_1},{z_2}, \ldots ,{z_n})^{\rm{T}}} $$ (3) 2.3 准确性校验
为提高评价体系的准确性，可采用一致性指标IU对分析过程进行控制：
$$ IU = \frac{{{\lambda _{\max }} - n}}{{n - 1}} $$ (4) $$ {\lambda _{\max }} = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {J({m_{ij}})} } {z_i} $$ (5) 式中：IU为模糊判断矩阵一致性评价指标；λmax为一致性判断矩阵的最大特征根。由于专家意见的主观性和影响因素的离散性，IU指标有时不足以表征判断矩阵的一致性，为此可增加一项指标对IU值进行校正（陈湘生等，2020）：
$$ CU = \frac{{IU}}{{IA}} $$ (6) 式中：CU为修正后的一致性指标；IA为平均随机一致性指标。当CU≤0.1时认为判断矩阵通过一致性检验，反之则需要反复调整直至符合要求（王学平等，2010）。
3. 层次分析评价
郑州地铁7号线富水砂土隧道地质环境恶劣，注浆加固过程中联合使用了纯水泥浆、水泥-水玻璃双液浆及CW环氧树脂等多种材料。与加固材料和工艺相适应，注浆机械采用的是BW150型活塞式注浆泵、3ZBQS12/10型煤矿用气动双液注浆泵等新型设备。水泥浆液现场配置，水灰比由1.5∶1至0.6∶1逐级变浓，密度大致为1.29～1.74 g/cm3。水泥-水玻璃双液浆体积比设计为3∶1～5∶1，水玻璃浆液浓度为36～43 Be。CW环氧树脂采用初始黏度6～20 mPa·s、密度1.02～1.06 g/cm3的高性能环保材料。
3.1 P-Q-t曲线法
P-Q-t曲线法通过对自动监测设备，所记录注浆压力P、注浆速度Q等参数的分析，实现注浆加固效果的评判。P-Q-t曲线法不需现场开挖，具有简洁、智能、高效的优势。
注浆作业中采用LJ型三参数记录仪，对注浆参量P、Q及t进行追踪，根据采集到的数据绘制P-t、Q-t曲线，客观评价注浆加固效果。
（1）P-Q-t曲线分析。A5、A35钻孔P-t、Q-t曲线变化趋势见图2、图3，从图中可以看出，注浆压力P随时间t呈上升趋势，注浆速率Q随时间t呈增减波动趋势。分析原因是由于注浆初期压力起升较慢，浆液以渗透方式扩散，浆液充填了砂土结构中的不密实区域。15 min后浆液转向砂土的粒间孔隙扩散，注浆速率逐步下降，浆液积聚导致扩散通道上的压力升高，砂层内部产生轻微劈裂破坏。
（2）P-Q-t权重。注浆压力决定着浆液的扩散形态和结石体的宏观结构，因而是注浆效果评价中的关键因素。相较于Q-t曲线，P-t曲线及其变化特征更具有实际工程意义。将a12权重设定为5，得其判断矩阵
$$ G_1=\left[\begin{array}{cc} 1 & 5 \\ 1 / 5 & 1 \end{array}\right] $$ (7) 根据式（2）、（3），可得权向量：
$$ {U_1} = (0.83,0.17) $$ (8) 3.2 地球物理探测法
针对富水砂土隧道的构造特点，采用地质雷达法、瞬变电磁法对注浆加固后的地质体进行探测。通过分析电磁波、感应电流的变化，推测注浆加固体的物理形态，进而评价加固效果（图4、图5）。
（1）地质雷达法。使用Zond探地雷达，对隧道核心区段电阻率、介电常数等性能参数进行了检测。分析DK18+136-138拱圈、侧壁雷达反射波与透射波波形，发现浆液在隧道结构内分布均匀、连续，隧道结构坚固、完整。仅DK18+137局部区域信号异常，存在不密实部位，地质雷达探测结果与P-Q-t法推测结果基本一致。
（2）TEM法。使用YCS200瞬变电磁仪对注浆区段防水性能进行检测，结合相关资料对探测结果进行了合理解译。根据电磁感应的强弱和一维反演，推测注浆加固区段电阻率呈较高态势，表明注浆帷幕起到了良好止水效果，地下水向反方向迁移。
（3）物探法权重。地质雷达携带方便，现场测试较瞬变电磁法受外界干扰小，分析结果更加真实可信，因此将a12的权重定为2。
$$ G_2=\left[\begin{array}{cc} 1 & 2 \\ 1 / 2 & 1 \end{array}\right] $$ (9) 根据式（2）、（3），可得权向量：
$$ {U_2} = (0.67,0.33) $$ (10) 3.3 注浆量核算
综合考虑工程地质、水文地质条件及长期运营耐久性要求，本工程注浆帷幕厚度设计为2.6 m，注浆压力1.6~2.2 MPa。注浆孔排距1.6 m，一次成孔，分序灌注（图6）。注浆管分段长度2 m，管口与注浆泵使用高压胶管连接。根据注浆总量及浆液充填量与地质构造的契合性，对注浆加固区实际效果进行整体评价。
![]()
图 6 注浆孔横剖面布置（a）和纵剖面布置图（b）Figure 6. （a） Cross section layout of grouting holes and （b） Vertical section layout（1）注浆总量分析。注浆设计方案中水泥用量为9.6 t，而实际施工中水泥消耗量达到了11.8 t，比原计划超出22.9 %。分析原因是砂砾石地层存在架空结构，松散结构的卵砾石层吸收了部分水泥、水玻璃浆液，使得注浆总量增加。
（2）浆液充填量与地质构造的契合度分析。由于砂土结构的天然复杂性和自然变异性，隧道断面岩性成分改变较大，浆液充填量明显受地质构造影响，注浆量区域分布呈现较大的离散性。左侧拱及穹顶为稳定地质结构，浆液充填量偏少，右侧拱土质成分复杂，注浆量较其他区域显著偏多。部分钻孔注浆量（m3）见表1。
表 1 单孔注浆量统计（m3）Table 1. Single hole grouting quantity statistics（m3）A1-A5 A6-A10 A31-A35 A36-A40 A66-A70 A91-A95 A96-A100 A115-A120 A135-A140 A135-A140 27.4 25.9 41.1 39.1 29.9 30.9 29.1 27.4 28.4 27.9 31.7 33.7 35.7 37.7 34.8 35.4 34.8 33.3 33.8 30.3 37.6 28.4 35.2 27.9 40.1 39.1 40.3 29.1 41.2 29.3 35.7 33.1 36.1 33.1 32.8 34.4 30.8 37.8 30.7 30.8 35.7 37.9 34.8 35.8 38.1 37.1 39.1 31.1 34.6 38.5 （3）注浆量权重。根据专家经验及富水砂土隧道灾害治理的特征，认为注浆总量相较于浆液充填量与地质构造的契合度作用更加突出，是衡量注浆效果的显著因素，因而将m12的权重定为3。 由此构建的注浆量分析法判断矩阵为：
$$ G_3=\left[\begin{array}{cc} 1 & 3 \\ 1 / 3 & 1 \end{array}\right] $$ (11) 根据模糊判断矩阵归一化处理方法及线性代数运算准则，可得最大特征值相应的权向量为（Wu et al，2020；Yan et al，2020）：
$$ {U_3} = (0.75,0.25) $$ (12) 3.4 检查孔分析
通过施打检查孔可直观察看结石体胶结质量，准确计算渗漏涌水量，检查孔布置遵循“均匀连续、适度加密”的准则，力求全面、准确反映砂土隧道的加固质量。现场检测时共施打孔位17处，占总设计注浆孔数量的10%，基本覆盖隧道不良地质区域。
（1）取心率。对隧道结构控制性部位和成分变化性大的区域，进行取心率法以检测注浆效果。实测表明注浆加固后砂土心样采取率平均可达80%，局部地质区段达90%~93%。心样外观连续完整，仅部分发生折断、残损。浆液充填不饱满的区位主要为粉细砂，注浆压力衰减在此不足以有效注入。宏观而论，砂土物理力学性状整体得到了显著改善。
（2）涌水量分析。隧址区地下水丰富，帷幕注浆钻孔施打期间，地下水急速涌出，水泥-水玻璃浆液被冲释。注浆作业单位及时调整浆液浓度、配比，提高浆液抗冲释能力，逐步实现了不良区域封堵、加固治理。探孔检测时发现，部分孔位涌水量大幅减少，涌水位置向深部转移，注浆封堵、加固取得明显效果。
以D3和D12注浆检查孔为例进行对比分析，D3钻孔在水文地质勘察期间实测涌水量为64 m3/h，注浆治理后涌水量降低为0.2 m3/h；D12钻孔勘察时实测涌水量为22 m3/h，注浆治理后涌水量降低为0.1 m3/h。注浆封堵率平均达到95%左右，实现了预期治理效果。检查孔涌水量统计分析见表2。
表 2 检查孔涌水量统计分析Table 2. Statistical analysis of water inflow from inspection hole号别 孔位深度（m） 单点涌水量（m3/h） 平均涌水量（L/（min·m）） 号别 孔位深度（m） 单点涌水量（m3/h） 平均涌水量（L/（min·m）） D1 26 1.10 0.90 D11 27 0.90 0.30 D3 25 0.20 0.08 D13 25 0.10 0.02 D5 27 0 0 D15 26 0 0 D9 28 0.80 0.10 D17 27 0 0 （3）检查孔权重。涌水量接近于0的探查孔数量越多，表明注浆结石体的完整性越好。涌水量比取心率权重高，将其设为4，得判断矩阵：
$$ G_4=\left[\begin{array}{cc} 1 & 4 \\ 1 / 4 & 1 \end{array}\right] $$ (13) 权向量经线性运算为：
$$ {U_4} = (0.8,0.2) $$ (14) 4. 基于模糊理论的分级综合评价
基于模糊理论的综合评价法消除了单一评价方法的不足，具有结果清晰、系统性强的特点，非常适宜于复杂不确性问题的分析处理（Shi et al，2016；Feng et al，2018）。前述4种评价方法的重要程度依次为：注浆量核算法、检查孔分析法、P-Q-t曲线法、物探检测法。模糊综合评价判断矩阵为：
$$ J=\left[\begin{array}{cccc} 1 & 2 & 5 & 7 \\ 1 / 2 & 1 & 4 & 6 \\ 1 / 5 & 1 / 4 & 1 & 3 \\ 1 / 7 & 1 / 6 & 1 / 3 & 1 \end{array}\right] $$ (15) 相应的权向量为$ U = \left( {0.51,0.33,0.11,0.05} \right) $，一致性检验符合要求。
4.1 注浆效果评价矩阵
依据模糊综合评价基本原理，针对4种评价方法的二级指标，建立单因素评价矩阵VAi（表3），进行一级综合评价。因素权重按A、B、C、D顺序逐级赋值（李培楠等，2020）。
表 3 单因素模糊评价矩阵Table 3. Single factor fuzzy evaluation matrix评价指标 因素权重（A/B/C/D） 评价指标 因素权重（A/B/C/D） 总注浆量 0.25 0.50 0.15 0.10 P-t 特征 0.50 0.25 0.15 0.10 地层契合度 0.20 0.60 0.15 0.05 Q-t 特征 0.35 0.25 0.30 0.10 涌水量 0.10 0.50 0.30 0.10 地质雷达法 0.30 0.20 0.40 0.10 取心率 0.15 0.45 0.30 0.10 TEM 法 0.05 0.35 0.50 0.10 将指标权重向量U与单因素评价矩阵VAi相乘，可以得出各模糊评价集的隶属向量，进而可逐级对注浆效果作出准确、客观的评价。隶属向量计算方法为（魏久传等，2019）：
$$\begin{array}{l}\\[-6pt] V_1 = U_3 \times V_{A 1}= ( 0.75 \; \; \; \; 0.25 ) \cdot \left[ \begin{array}{cccc} 0.25 \; \; \; \; 0.50 \; \; \; \; 0.15 \; \; \; \; 0.10 \\ 0.20 \; \; \; \; 0.60 \; \; \; \; 0.15 \; \; \; \; 0.05 \end{array} \right] \\ \quad \; =(0.24,0.53,0.15,0.07) \end{array} $$ (16) 同理，其他隶属向量可依次计算求得：V2 =（0.11，0.49，0.30，0.10）；V3 =（0.47，0.25，0.18，0.10）；V4 =（0.22，0.25，0.43，0.10）。将隶属向量组合、整理，构成二级指标评价的模糊矩阵，然后将其与相应的权向量相乘，得到二级综合模糊评价结果（张连震等，2018）。
$$\begin{split} V= & U \times R^{\prime}=(0.51,0.33,0.11,0.05) \cdot \\& \left[\begin{array}{cccc} 0.24 \;\;\;\; 0.53 \;\;\;\; 0.15 \;\;\;\; 0.07 \\ 0.11 \;\;\;\; 0.49 \;\;\;\; 0.30 \;\;\;\; 0.10 \\ 0.47 \;\;\;\; 0.25 \;\;\;\; 0.18 \;\;\;\; 0.10 \\ 0.22 \;\;\;\; 0.25 \;\;\;\; 0.43 \;\;\;\; 0.10 \end{array}\right] \\& =(0.22,0.47,0.22,0.08) \end{split}$$ (17) 4.2 评价结果定量分析
利用模糊矩阵单值化方法对注效果进行定量分析，以确定注浆结果的具体等级。将A、B、C、D 4个等级赋予数值，分别为c1=0、c2=2、c3=4、c4=6。将其与最终指标评价结果加权平均，可分析出最终效果（邓聚龙等，2016）。
$$\begin{split} T= & \sum_{i=1}^n v_i c_i / \sum_{i=1}^n v_i=(0 \times 0.22+2 \times0.47+4 \times \\& 0.22+ 6 \times 0.08) / 12=0.19 \end{split} $$ (18) 根据模糊综合评判，并适当参考专家经验，T值对应4个等级（表4）。分析认为注浆效果评定为B，隧道开挖中不会出现威胁施工的地质灾害，注浆加固实现了预期目的。
表 4 模糊评价等级划分Table 4. Fuzzy evaluation level等级 指标取值 工程表现 等级 指标取值 工程表现 A 0＜T≤0.1 注浆加固完全达到预期设想 C 0.3＜T≤0.6 需做二次处理以预防工程事故 B 0.1＜T≤0.3 发生工程事故的可能性很小 D 0.6＜T≤ 1 注浆失败，需重新设定预案 5. 结论
（1）针对注浆效果评价方法中的一级、二级因素进行综合分析，通过抽取主要评价指标确立层次评价体系，并结合专家意见与实际工况构建了注浆效果评价数学模型。
（2）基于模糊数学的基本原理，将权向量作为评价因素的权重进行量化，通过矩阵运算实现了模糊现象的数学表达，完成了砂土隧道注浆效果的准确评价。
（3）以郑州地铁7号线砂土隧道为例，通过模糊评价综合分析，认为注浆效果等级为B。隧道实际开挖期间，未出现任何形式的水文、地质干扰，表明评价结果真实可信，可为其他工程施工提供指导或参考。
-
![]()
图 1 研究区地理位置、地形地貌及滑坡点分布图
Figure 1. Geographical location and landslide distribution map of the study area
![]()
图 2 易发性评价因子分布图
a.高程；b.坡度；c.坡向；d.地形地貌；e.岩性；f.河流缓冲区；g.降雨量；h.NDWI；i.道路缓冲区
Figure 2. Distribution of Susceptibility assessment impact factors
![]()
图 5 MaxEnt模型易发性评价结果精度ROC曲线验证
a.未优化未引入地表变形速率；b.优化未引入地表变形速率；c.未优化引入地表变形速率；d.优化引入地表变形速率
Figure 5. ROC curve verification of susceptibility evaluated by MaxEnt model
![]()
图 6 吴起县滑坡易发性动态评价结果
Figure 6. Results of dynamic evaluation of landslides susceptibility in Wuqi County
![]()
图 7 Maxent 模型对评价因子重要性的刀切法检验
Figure 7. Jacknife text of the importance of impact factors in MaxEnt
表 1 基于刀切法评价因子重要性分布表
Table 1 The importance distribution table of evaluation factors based on knife-cutting method
评价因子 贡献率（%） 坡度 38.4 岩性 18.6 高程 18.1 河流缓冲区 9.4 坡向 6.6 道路缓冲区 2.6 NDWI 2.3 地表粗糙度 1.6 地表形变速率 1.2 降雨 1.1 NDBI 0 NDVI 0 平面曲率 0 剖面曲率 0 
下载: 导出CSV
表 2 不同参数设置下MaxEnt模型评价结果
Table 2 Evaluation results of MaxEnt model under different parameters setting
是否引入地表形变速率 模型评价 调控倍频 特征组合 Delta.AICc 10%训练遗漏率 引入地表形变速率 默认 1 LQHPT 13.0896 0.131827 优化 1.5 QHP 0 0.129843 未引入地表形变速率 默认 1 LQHPT 37.4817 0.126679 优化 0.5 QHP 0 0.115884
下载: 导出CSV
表 3 易发性评价结果与滑坡点分布现状对比
Table 3 Comparison of susceptibility evaluation results and landslide point distribution status
易发登记 面积（km2） 面积百分比（%） 滑坡点数量（个） 滑坡点占比 滑坡点密度 高易发区 241.96 6.33 243 48.11 1.01 较高易发区 392.90 10.27 127 25.15 0.32 中易发区 596.17 15.59 80 15.8 0.13 较低易发区 845.52 22.11 44 8.7 0.05 低易发区 1747.84 45.70 11 2.2 0.1 合计 3824.39 100% 505 100% /
下载: 导出CSV
表 4 各评价因子的贡献率和置换重要性比值表
Table 4 Contribution and inportance of impact variables affecting the landslide susceptibility
评价因子 因子贡献率（%） 置换重要性（%） 高程 25.2 33.9 坡度 20.1 24.2 粗糙度 14 11.3 河流缓冲区 11.7 7.3 岩性 11.3 4.1 降雨 7.1 7.9 坡向 5.1 2.2 地表变形速率 3.2 3.6 道路缓冲区 1.5 4.3 NDWI 0.7 1.1
下载: 导出CSV
-
陈舞, 王浩, 张国华, 等. 基于T-S模糊故障树和贝叶斯网络的隧道坍塌易发性评价[J]. 上海交通大学学报, 2020, 54（8）: 820−830. CHEN Wu, WANG Hao, ZHANG Guohua, et al. Evaluation of Tunnel Collapse Susceptibility Based on T-S Fuzzy Fault Tree and Bayesian Network[J]. Journal of Shanghai Jiaotong University,2020,54(8):820−830.
段钊, 赵法锁, 陈新建. 陕北黄土高原区滑坡发育类型与时空分布特征——以吴起县为例[J]. 灾害学, 2011, 26（4）: 52−56. DUAN Zhao, ZHAO Fasuo, CHEN Xinjian. Types and Spatio-Temporal Distribution of Loess Landslides in Loess Plateau Region —A Case Study in Wuqi County[J]. Journal of Catastrophology,2011,26(4):52−56.
郭飞, 赖鹏, 黄发明, 等. 基于知识图谱的滑坡易发性评价文献综述及研究进展[J]. 地球科学, 2024, 49（5）: 1587−1606. GUO Fei,LAI Peng,HUANG Faming,et al. Literature review and research progress of landslide susceptibility mapping based on knowledge graph[J]. Earth Science,2024,49(5):1587−1606.
高秉海, 何毅, 张立峰, 等. 顾及InSAR形变的CNN滑坡易发性动态评估——以刘家峡水库区域为例[J]. 岩石力学与工程学报, 2023, 42（2）: 450−465. GAO Binghai, HE Yi, ZHANG Lifeng, et al. Dynamic evaluation of landslide susceptibility by CNN considering InSAR deformation: A case study of Liujiaxia reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,2023,42(2):450−465.
胡胜, 邱海军, 王宁练, 等. 地形对黄土高原滑坡的影响[J]. 地理学报, 2021, 76（11）: 2697−2709. HU Sheng, QIU Haijun, WANG Ninglian, et al. The influence of terrain on loess landslides in Loess Plateau[J]. Acta Geographica Sinica,2021,76(11):2697−2709.
贾丽娜, 陈世昌. 基于AHP和GIS的舟曲地质灾害易发性评价[J]. 西北地质, 2024, 57（1）: 23−33. JIA Lina,CHEN Shichang. Geological Hazard Susceptibility Evaluation Based on AHP and GIS in Zhouqu County, Gansu[J]. Northwestern Geology,2024,57(1):23−33.
胡燕, 李德营, 孟颂颂, 等. 基于证据权法的巴东县城滑坡灾害易发性评价[J]. 地质科技通报, 2020, 39（3）: 187−194. HU Yan, LI Deying, MENG Songsong, et al. Landslide susceptibility evaluation in Badong County based on weights of evidence method[J]. Bulletin of Geological Science and Technology,2020,39(3):187−194.
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. 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.
姜建伟, 赵法锁, 祝俊华, 等. 陕西省吴起县斜坡几何形态与地质灾害相关性研究[J]. 灾害学, 2018, 33（2）: 188−192. JIANG Jianwei, ZHAO Fasuo, ZHU Junhua, et al. Study on the correlation between slope geometrical morphology and geological disasters in Wuqi County of Shaanxi Province[J]. Journal of Catastrophology,2018,33(2):188−192.
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 of Susceptibility of Accumulation Layer Landslide in Qinba Mountain Area at Town 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, 2024, 57（1）: 12−22. LIN Qin,GUO Yonggang,WU Shengjie,et al. Evaluation of Landslide Susceptibility by Optimization Integrated Machine Learning Algorithm Based on Gradient Boosting: Take Both Banks of Yarlung Zangbo River and Niyang River as Examples[J]. Northwestern Geology,2024,57(1):12−22.
刘东生, 安芷生, 文启忠, 等. 中国黄土的地质环境[J]. 科学通报, 1978（1）: 19−26. LIU Tongsheng, AN Zhisheng, WEN Qizhong, et al. Geological Environment of Chinese Loess[J]. Chinese Science Bulletin,1978(1):19−26.
兰恒星, 彭建兵, 祝艳波, 等. 黄河流域地质地表过程与重大灾害效应研究与展望[J]. 中国科学: 地球科学, 2022, 65（2）: 234−256. LAN Hengxing,PENG Jianbing,ZHU Yanbo,et al. Research on geological and surfacial processes and major disaster effects in the Yellow River Basin[J]. Science China Earth Sciences,2022,65(2):234−256.
麦鉴锋, 冼宇阳, 刘桂林. 气候变化情景下广东省降雨诱发型滑坡灾害潜在分布及预测[J]. 地球信息科学学报, 2021, 23（11）: 2042−2054. doi: 10.12082/dqxxkx.2021.210182 MAI Jianfeng, XIAN Yuyang, LIU Guilin. Predicting Potential Rainfall-Triggered Landslides Sites in Guangdong Province (China) using MaxEnt Model under Climate Changes Scenarios[J]. Journal of Geo-information Science,2021,23(11):2042−2054. doi: 10.12082/dqxxkx.2021.210182
牛全福, 冯尊斌, 党星海, 等. 黄土区滑坡研究中地形因子的选取与适宜性分析[J]. 地球信息科学学报, 2017, 19（12）: 1584−1592. NIU Quanfu, FENG Zunbin, DANG Xinghai, et al. Suitability analysis of topographic factors in Loess landslide research[J]. Journal of Geo-information Science,2017,19(12):1584−1592.
彭建兵, 兰恒星, 钱会, 等. 宜居黄河科学构想[J]. 工程地质学报, 2020, 28（2）: 189−201. PENG Jianbing, LAN Hengxing, QIAN Hui, et al. Scientific research framework of livable Yellow River[J]. Journal of Engineering Geology,2020,28(2):189−201.
彭建兵, 王启耀, 门玉明, 等. 黄土高原滑坡灾害[M]. 北京: 科学出版社, 2019. PENG Jianbing, WANG Qiyao, MEN Yuming, et al. Landslides in loess Plateau[M]. Beijing: Science Press, 2019.
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.
孙长明, 马润勇, 尚合欣等. 基于滑坡分类的西宁市滑坡易发性评价[J]. 水文地质工程地质, 2020, 47（3）: 173−181. SUN Changming, MA Runyong, SHANG Hexin, et al. Landslide susceptibility assessment in Xining based on landslide classification[J]. Hydrogeology & Engineering Geology,2020,47(3):173−181.
孙萍萍, 张茂省, 程秀娟, 等. 黄土高原地质灾害发生规律[J]. 山地学报, 2019, 37（5）: 737−746. SUN Pingping, ZHANG Maosheng, CHENG Xiujuan, et al. On the Regularity of Geological Hazards on the Loess Plateau in China[J]. Mountain Research,2019,37(5):737−746.
唐亚明, 张茂省, 李林, 等. 滑坡易发性危险性风险评价例析[J]. 水文地质工程地质, 2011, 38（2）: 125−129. TANG Yaming, ZHANG Maosheng, LI Lin, et al. Discrimination to the landslide susceptibility, hazard and risk assessment[J]. Hydrogeology & Engineering Geology,2011,38(2):125−129.
唐兴港, 王慧勇, 黄豆, 等. 长江中下游地区滑坡的易发性评价——以江西省为例[J]. 水土保持通报, 2021, 41（3）: 166−172. TANG Xinggang, WANG Huiyong, HUANG Dou, et al. Evaluation of Landslide Susceptibility in Middle and Lower Reaches of Yangtze River-Taking Jiangxi Province as a Caes Study[J]. Bulletin of Soiland Water Conservation,2021,41(3):166−172.
唐亚明, 程秀娟, 薛强, 等. 基于层次分析法的黄土滑塌风险评价指标权重分析[J]. 中国地质灾害与防治学报, 2012, 23（4）: 40−46. TANG Yaming, CHENG Xiujuan, XUE Qiang, et al. Weights analysis of loess collapse risk assessing factors based on analytical hierarchy process[J]. The Chinese Journal of Geological Hazard and Control,2012,23(4):40−46.
吴树仁, 石菊松, 张春山, 等. 地质灾害风险评估技术指南初论[J]. 地质通报, 2009, 28（8）: 995−1005. WU Shuren, SHI Jusong, ZHANG Chunshan, et al. Preliminary discussion on technical guideline for geohazard risk assessment[J]. Geological Bulletin of China,2009,28(8):995−1005.
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. A Comparative Study of Landslide Susceptibility Evaluation Based on Three Different Machine Learning Algorithms[J]. Northwestern Geology,2024,57(1):34−43.
王高峰, 郭宁, 邓兵, 等. 不同组合模型区域滑坡易发性及精度分析[J]. 西北地质, 2021, 54（2）: 259−272. WANG Gaofeng, GUO Ning, DENG Bing, et al. Analysis of Landslide Susceptibility and Accuracy in Different Combination Models[J]. Northwestern Geology,2021,54(2):259−272.
王晓帆, 段雨营, 金露露, 等. 基于优化的最大嫡模型预测中国高山栋组植物的历史、现状与未来分布变化[J]. 生态学报, 2023, 43（16）: 6590−6604. WANG Xiaofan, DUAN Yuying, JIN Lulu, et al. Prediction of historical, present and future distribution of Ouercus sect. Heterobalanus based on the optimized MaxEnt model in China[J]. Acta Ecologica Sinica,2023,43(16):6590−6604.
万洋, 郭捷, 马凤山, 等. 基于最大熵模型的中尼交通廊道滑坡易发性分析[J]. 中国地质灾害与防治学报, 2022, 33（2）: 88−95. WAN Yang, GUO Jie, MA Fengshan, et al. Landslide susceptibility assessment based on MaxEnt model of along Sino-Nepal traffic corridor[J]. The Chinese Journal of Geological Hazard and Control,2022,33(2):88−95.
熊小辉, 汪长林, 白永健, 等. 基于不同耦合模型的县域滑坡易发性评价对比分析——以四川普格县为例[J]. 中国地质灾害与防治学报, 2022, 33（4）: 114−124. XIONG Xiaohui, WANG Changlin, BAI Yongjian, et al. Comparison of landslide susceptibility assessment based on multiple hybrid models at county level: A case study for Puge County, Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):114−124.
于开宁, 吴涛, 魏爱华, 等. 基于AHP-突变理论组合模型的地质灾害危险性评价——以河北平山县为例[J]. 中国地质灾害与防治学报, 2023, 34（2）: 146−155. YU Kaining, WU Tao, WEI Aihua, et al. Geological hazard assessment based on the models of AHP, catastrophe theory and their combination: A case study in Pingshan County of Heibei Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(2):146−155.
赵冬梅, 角媛梅, 邱应美, 等. 基于maxEnt模型的哈尼梯田核心区滑坡易发性评价[J]. 水土保持学报, 2020, 27（4）: 392−399. ZHAO Dongmei, JIAO Yuanmei, QIU Yingmei, et al. Assessment on Landslide Susceptibility of the Core Area of Hani Race Terraces Heritage Site Maximum Entropy Model[J]. Research of Soil and Water Conservation,2020,27(4):392−399.
张伟, 周松林, 尹仑. 基于优化 MaxEnt 模型的高山峡谷区地质灾害易发性评价—以云南省德钦县为例[J]. 灾害学, 2023, 38（2）: 185−190. ZHANG Wei,ZHOU Songlin,YIN Lun. Evaluation of Susceptibility to Geological Hazard in Alpine Canyon Area Based on Optimized MaxEnt Model: A Case Study in Deqin County,Yunnan Province[J]. Journal of Catastrophology,2023,38(2):185−190.
曾韬睿, 邬礼扬, 金必晶, 等. 基于stacking集成策略和SBAS-InSAR的滑坡动态易发性制图[J]. 岩石力学与工程学报, 2023, 42（9）: 2266−2282. ZENG Taorui, WU Liyang, JIN Bijing, et al. Landslide dynamic susceptibility mapping based on stacking ensemble strategy and SBAS-InSAR[J]. Chinese Journal of Rock Mechanics and Engineering,2023,42(9):2266−2282.
朱耿平, 乔慧捷. Maxent模型复杂度对物种潜在分布区预测的影响[J]. 生物多样性, 2016, 24（10）: 1189−1196. doi: 10.17520/biods.2016265 ZHU Gengping, QIAO Huijie. Effect of the Maxent model’s complexity on the prediction of species potential distributions[J]. Biodiversity Science,2016,24(10):1189−1196. doi: 10.17520/biods.2016265
张茂省, 李同录. 黄土滑坡诱发因素及其形成机理研究[J]. 工程地质学报, 2011, 19（4）: 530−540. ZHANG Maosheng, LI Tonglu. Triggering factors and forming mechanism of loess landslide[J]. Journal of Engineering Geology,2011,19(4):530−540.
Ayalew L, Yamagishi H. The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan[J]. Geomorphology,2005,65(1/2):15−31.
Berardino P, Fornaro G, Lanari R, et al. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms[J]. Geoscience and Remote Sensing,2002,40(11):2375−2383. doi: 10.1109/TGRS.2002.803792
Corominas J, Van W C J, Frattini P, et al. Recommendations for the Quantitative Analysis of Landslide Risk[J]. Bulletin of Engineering Geology and the Environment,2014,73(2):209−263.
Calderon-Guevara W, Sanchez-Silva M, Nitescu B, et al. Comparative Review of Data-driven Landslide Susceptibility Models: Case Study in the Eastern Andes Mountain Range of Colombia[J]. Natural Hazards,2022,113:1105−1132. doi: 10.1007/s11069-022-05339-2
Calvello M, Peduto D, Arena L. Combined use of statistical and DInSAR data analyses to define the state of activity of slow-moving landslides[J]. Landslides,2017,14(2):473−489. doi: 10.1007/s10346-016-0722-6
Chao Zhou, Ying Cao, Xie Hu, et al. Enhanced dynamic landslide hazard mapping using MT-InSAR method in the Three Gorges Reservoir Area[J]. Landslides,2022,19:1585−1597. doi: 10.1007/s10346-021-01796-1
Fell R, Corominas J, Bonnard C, et al. Guidelines for Landslide Susceptibility, Hazard and Risk Zoning for Land use Planning[J]. Engineering Geology,2008,102(3-4):85−98. doi: 10.1016/j.enggeo.2008.03.022
Felicisimo Á M, Cuartero A, Remondo J, et al. Mapping landslide susceptibility with logistic regression, multiple adaptive regression splines, classification and regression trees, and maximum entropy methods: a comparative study[J]. Landslides,2013,10(2):175−189. doi: 10.1007/s10346-012-0320-1
Huang Faming, Yao Chi, Liu Weiping, et al. Landslide susceptibility assessment in the Nantian area of China: a comparison of frequency ratio model and support vector machine[J]. Geomatics,2018,1(9):919−938.
Hitoshi S, Daichi N, Hiroshi M. Comparison of landslide susceptibility based on a decision-tree model and actual landslide occurrence: The Akaishi Mountains, Japan[J]. Geomorphology,2009,109(3-4):108−121. doi: 10.1016/j.geomorph.2009.02.026
Kornejady A, Ownegh M, Bahrem A. Landslide susceptibility assessment using maximum entropy model with two different data sampling methods[J]. Catena,2017,152:144−162. doi: 10.1016/j.catena.2017.01.010
Lima P, Steger S, Glade T, et al. Literature review and bibliometric analysis on data-driven assessment of landslide susceptibility[J]. Journal of Mountain Science, 2022, 19(6): 1670-1698.
Lee S, Ryu J H, Won J S, 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
Muscarella R, Galante P J, Soley-Guardia M, et al. ENMeval: An R package for conducting spatially independent evaluations and estimating optimal model complexity for Maxent ecological niche models[J]. Methods in Ecology & Evolution,2015,5(11):1198−1205.
Piacentini D, Devoto S, Mantovani M, et al. Landslide susceptibility modeling assisted by Persistent Scatterers Interferometry(PSI): an example from the northwestern coast of Malta[J]. Natural Hazards,2015,78(1):681−697. doi: 10.1007/s11069-015-1740-8
Phillips S J, Erson R P, Dudik M, et al. Opening the black box: an open-source release of Maxent[J]. Ecography,2017,40(7):887−893. doi: 10.1111/ecog.03049
Steven J P, Robert P A, Robert E S. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling,2006,190(3):231−259.
Tang Yaming, Feng Fan, Guo Zizheng, et al. Integrating principal component analysis with statistically-based models for analysis of causal factors and landslide susceptibility mapping: A comparative study from the Loess Plateau area in Shanxi (China)[J]. Journal of Cleaner Production,2020,277(20):124−159.
Warren D L, Seifert S N. Ecological niche modeling in Maxent: the importance of model complexity and the performance of model selection criteria[J]. Ecological Applications,2011,21(2):335−342. doi: 10.1890/10-1171.1
Xu Ling, Yan Dongdong, Zhao Tengyuan. Probabilistic evaluation of loess landslide impact using multivariate model[J]. Landslides,2021,18(3):1011−1023. doi: 10.1007/s10346-020-01521-4
Yuan Meijiao, Dong Meizhao, Yin Pingding, et al. Performance evaluation for four GIS-based models purposed to predict and map landslide susceptibility: A case study at a World Heritage site in Southwest China-ScienceDirect[J]. Catena,2019,183:104−221.
Yong Weili, Xian Minwang, Hang Mao. Influence of Human Activity on Landslide Susceptibility Development in the Three Gorges area[J]. Natural Hazards,2020,104:2115−2151. doi: 10.1007/s11069-020-04264-6
Yikunoamlak G, Selemawi A, Esayas M, et al. Current and future predicting potential areas of Oxytenanthera abyssinica(A. Richard) using MaxEnt model under climate change in Northern Ethiopia[J]. Ecological Processes,2020,9(1):1−15. doi: 10.1186/s13717-019-0204-6
Zhuang Jianqi, Peng Jianbing, Wang Gonghui, et al. Distribution and characteristics of landslide in Loess Plateau: a case study in Shaanxi Province[J]. Engineering Geology,2018,236(26):89−96.
计量
- 文章访问数: 30
- HTML全文浏览量: 5
- PDF下载量: 20
