多因子组合的地质灾害易发性空间精度验证.pdf

DOI：10.16031/ki.issn.1003-8035.202302032解明礼，巨能攀，赵建军，等.多因子组合的地质灾害易发性空间精度验证J.中国地质灾害与防治学报，2023，34(5):10-19.XIEMingli，JUNengpan，ZHAOJianjun，etal.Evaluationonspatialaccuracyandvalidationofgeologicalhazardsusceptibilitybasedonamulti-factorcombinationJ.TheChineseJournalofGeologicalHazardandControl，2023，34(5):10-19.多因子组合的地质灾害易发性空间精度验证解明礼，巨能攀，赵建军，范强，何朝阳（地质灾害防治与地质环境保护国家重点实验室（成都理工大学），四川成都610059）摘要：地质灾害的发生是多种因素相互作用、制约和触发的结果。长期以来，研究人员通过统计历史地质灾害所在区域的地质、地形、水文等环境因素预测未来地质灾害可能发生的位置、时间（或频率），即地质灾害易发性评价。地质灾害易发性评价前提工作是进行影响因子选取，而地质灾害发生的影响因子有数十种，是否叠加因子越多模型评价精度就越高？是否存在“最优因子数量”？这一简单而又关键的问题值得探讨。文章以四川省汶川县为例，选取 11 种广泛应用于地质灾害易发性评价的影响因子，按照 4 种排列组合模型，叠加 3 到 11 个因子信息量获得对应的地质灾害易发性指数分布图。运用成功率曲线确定线下面积值对各个结果进行预测精度评价。试验结果表明，按照初步设定的 4 种排列组合模型叠加因子数量到 8 个时，模型预测精度达到最大值；但在因子叠加过程中发现各个因子对于易发性的控制性与个人经验确定的控制性存在一定差异，按照实际因子控制性从大到小与从小到大排列组合后，叠加多个关键因子后模型预测精度才会达到峰值。研究成果表明，地质灾害易发性评价中叠加的因子数量越多，模型预测精度越高，叠加过程中如未加入关键因子，模型预测精度将不会达到峰值，说明地质灾害易发性评价不存在“最优因子数量”。关键词：地质灾害；易发性；影响因子；最优因子数量；关键因子中图分类号：P642;TU43文献标志码：A文章编号：1003-8035（2023）05-0010-10Evaluation on spatial accuracy and validation of geological hazardsusceptibility based on a multi-factor combinationXIEMingli，JUNengpan，ZHAOJianjun，FANQiang，HEChaoyang（State Key Laboratory of Geohazard Prevention and Geoenvironment Protection,Chengdu University of Technology,Chengdu,Sichuan610059,China）Abstract：Theoccurrenceofgeologicalhazardsistheresultoftheinteraction,constraints,andtriggersofvariousfactors.Foralongtime,researchershavepredictedthepotentiallocationsandtime(orfrequency)offuturegeologicalhazardsinareasproneto historical geological disasters based on environmental factors such as geology,topography,and hydrology,known asgeologicalhazardsusceptibilityassessment.Aprerequisiteforgeologicalhazardsusceptibilityassessmentistheselectionofimpactfactors,andtherearedozensoffactorscontributingtotheoccurrenceofgeologicalhazards.Doestheaccuracyofassessmentmodelincreasewiththeadditionofmorefactors?Istherean“optimalnumberoffactors”?Thissimpleyetcrucialquestionisworthexploring.TakingWenchuanCounty,SichuanProvince,asanexample,thisstudyselects11commonlyusedinfluencing factors in geological hazard susceptibility assessment and arranges them into four different combination,收稿日期：2023-02-28；修订日期：2023-07-10投稿网址：https:/ 引言地质灾害易发性评价是地质灾害风险评价的核心工作内容之一，是通过分析地质灾害位置与其相关因素之间的关系。利用统计、数据挖掘以及地理信息系统在空间上识别地质灾害易发区域，影响因子选取是易发性评价的前提工作13。因子的正确选择取决于地质灾害的类型、机理、特征、案例区、分析的尺度、数据的可用性和使用的评价模型方法46。地质灾害影响因子可划分为以下几类：（1）地质因子：岩性、断层距离（密度）、工程地质岩组、斜坡结构类型、向斜与背斜构造、褶皱轨迹等；（2）地形因子：坡度、坡高（地形起伏度）、高程、地形曲率（平面曲率、剖面曲率、标准曲率、坡形）、坡长、坡位、沟谷密度、地形表面纹理、地形位置指数（topographicpositionindex，TRI）、地形耐用指数（terrainruggednessindex，TPI）、粗糙度指数、地表切割度等；（3）水文因子：河流距离（密度）、降雨、地形湿度指数（topographicwetnessindex，TWI）、水动力指数、地下水高度、有效补给率、侵蚀程度、输沙能力指数、河谷深度、流路长度、径流强度指数、河流流量等；（4）地表覆盖因子：土地利用、植被指数（NDVI）、土壤类型、土壤厚度、森林类型、土壤渗透率、地表太阳辐射强度等；（5）人类活动因子：道路距离（密度）、居民距离（密度）等；（6）地震因子：地震烈度、峰值加速度、地震密度、震中距离等710。地形因子与地质因子可以表征主导滑坡发生的背景条件，地表覆盖因子、水文因子、人类活动因子与地震因子则反映附加因素加剧滑坡的可能。在已有的研究中，坡度是地质灾害易发性评价工作中最为常用的因素，岩性、高程、坡向、河流距离和断层距离等也是常用的评价因子，而其它因素的适用性因地制宜1114。对于地质灾害影响因子的选择，目前还没有统一的标准，以往研究工作中地质灾害易发性评价选择的影响因子往往是根据经验选取地质因子、地形因子、水文因子中的部分参数，每项研究选取的因子类型存在一定差异，且因子数量不一致1519。可能存在以下问题：选择因子较少，预测精度不足；选择因子过多，叠加部分因子后预测精度可能达到峰值，叠加过多因子增加一定工作量。此外，是否在地质灾害易发性评价中叠加的因子数量越多，模型预测精度越高或者上下大幅度波动？易发性评价中是否存在“最优因子数量”这一概念？这些问题值得探讨。基于以上提出的问题，本文在以往研究工作基础上，以四川省汶川县作为案例区，选取多个常用地质灾害影响因子，将所选取影响因子按照一定排列组合模式运用信息量法进行案例区地质灾害易发性评价，并采用成功率曲线验证叠加不同数量对地质灾害易发性评价精度的影响20。1 研究方法本研究选取“512”汶川地震后地质灾害频发的汶川县为案例区，案例区共发育有地质灾害 690 处，包括崩塌 192 处、滑坡 351 处、泥石流 147 处（图 1）。基于所收集资料与已有研究基础16，选取地质灾害易发性评价常用影响因子 11 种：地貌类因子（高程、坡度、起伏度、坡形、起伏度、沟谷密度）、地质类因子（工程岩组、断裂）、水文类（河流）、人类工程活动（道路、植被指数），并对因子进行分级（表 1）。运用信息量模型（表 1），以案例区 70%历史灾害点为训练样本，计算每个影响因子各个分级的信息量，信息量计算方法如式（1）（2）所示。根据不同排列组合叠加 3 到 11 个因子信息量获得对应的地质灾害易发性指数分布图，易发性指数越高2023 年解明礼，等：多因子组合的地质灾害易发性空间精度验证11代表地质灾害易发性越高。以 30%历史灾害点和非灾害点为检验样本，本文中非灾害点为历史地质灾害点数据1km 缓冲区范围外随机生成的点位数据，运用成功率（receiveroperatingcharacteristic，ROC）曲线确定线下面积（areaundercurve，AUC）值对各个结果进行预测精度评价，历史灾害点成功率曲线 AUC 值越趋近于 1 代表其评价精度越高，而非灾害点成功率曲线 AUC 值越趋近于 0 代表其评价精度越高。对比各个组合结果，分析叠加影响因子数量与地质灾害易发性评价精度的关系。研究思路如图 2 所示。Yi=NiN(SiS)1（1）I=ni=1lg(Yi)（2）式中：I评价区某单元信息量预测值；NiXi分布在因素内特定类别内的灾害点单元数；N案例区含有灾害点分布的单元总数；SiXi案例区内含有评价因素的面积；S为案例区总面积；Yi致灾因子指标值。2 因子排序组合首先采用层次分析法确定每个因子的权重，层次分析法是一种多指标分析评价方法，具有精度高，使用方便等特点。通过专家估计两两影响因子之间的关系构造矩阵对所有影响因子进行两两比较确定各个影响因子的权重，这样避免了个别比较不合理而造成的结果偏差过大。然而层次分析法带有一定的主观性，为避免主观性，选取 8 位从事工程地质研究工作学者对案例区 11灾害点非灾害点高程/m5 83276401020 kmNN高程/m7641 2001 2001 7001 7002 2002 2002 7002 7005 832坡度/（）0101020203030404088起伏度/m0200200400400600600800800工程岩组硬质岩体软层互层软质岩体坡形凹坡形凸坡形沟谷密度/（kmkm2）0.230.460.460.580.580.690.690.820.821.23植被指数0.24河流距离/m1 000道路距离/m1 000坡向水平北北东东南东南南西西北西断层距离/m2 00002550 km图 1 案例区基础信息Fig.1 Fundamental information of the case study area12中国地质灾害与防治学报第5期个因子进行打分，8 位专家打分结果平均值作为因子最终权重值（表 2）。最终确定各个因子对地质灾害敏感度从高到低排序为：断裂岩性坡度河流坡形起伏度沟谷高程公路坡向植被指数。结合汶川县地质灾害发育分布特征及每个因子的信息量综合分析，区内发育汶茂断裂与北川映秀断裂，地质灾害主要集中于河流两岸，受坡度控制明显，且区内地质灾害与构造活动有着高度耦合性，这一结论与已有研究成果是相同的16。综上说明通过多位专家打分的汶川县各个因子对地质灾害敏感度排序结果合理性较高。为了避免按照某种顺序叠加因子导致结果规律的偶然性，本文将各个因子按照不同排列组合成由 3 个因子至 11 个因子组成的评价模型，因子组合分为两类：顺序数组与随机数组。顺序数组涵盖两种组合：因子对地质灾害发生的敏感度从高至低排列与从低至高排列模式；随机数据由编程语言随机函数生成 111 中包含不同个数并且不重复的随机数组。因子排列组合如表 3所示。3 评价精度分析将各个因子信息量按照表 3 中因子组合方式分别叠加，计算出各个组合的案例区地质灾害易发性指数图（图 3），运用成功率曲线验证和比较各个组合模型易发性精度。如图 3 所示，为多个组合模型不同数量因子叠加的案例区地质灾害易发性指数图，结果表明当叠加因子数量 35 个时，易发性指数图受单个因子控制性较为明显，例如组合 1A（3）与组合 1B（4）中断层控制易发性指数图最为明显、组合 2A（3）中道路控制易发性指数图最为明显。而当叠加因子 67 个时，地质灾害易发性指数图受单个因子控制性不再明显，显现出了多个因子的叠加效应，但不同组合模型的地质灾害易发性指数图图面信息差异性较大，易发性高分布的区域和面积各不相同。当叠加至 8 个以上因子后，各个组合模型的易发性表 1 因子分级及信息量Table 1 Classification and information value of the factors因子分级灾害点比例/%因子分级面积比例/%信息量高程/m784,1200)27.872.603.421200,1700)40.788.692.231700,2200)19.8813.230.592200,2700)7.2616.981.232700,58324.2158.503.80坡度/（）0,10)19.883.212.630,20)26.8513.301.0120,30)34.4032.750.0730,40)14.9537.661.3340,883.9213.081.74地面起伏度/m0,200)15.094.491.75200,400)68.3642.070.70400,600)15.3845.221.56600,800)1.027.292.84800,)0.150.932.69沟谷密度/（kmkm2）0.23,0.46)1.3013.653.390.46,0.58)6.0824.262.000.58,0.69)31.8433.000.050.69,0.82)42.2623.380.850.82,1.2318.525.711.70道路距离/m0,200)1.011.700.75200,400)2.321.680.46400,600)2.321.660.48600,800)2.321.660.48800,1000)2.321.640.501000,)89.7391.660.03断层距离/m0,500)28.949.961.54500,1000)25.908.801.561000,1500)10.277.270.501500,2000)7.966.070.392000,)26.9267.901.33工程岩组硬质岩组18.389.560.94软硬互层岩组46.7453.020.18软质岩组34.8837.420.10河流距离/m0,200)8.101.592.35200,400)10.271.592.69400,600)11.291.592.82600,800)5.791.571.88800,1000)3.471.571.141000,)61.0792.070.59坡向北6.3411.300.83北东11.2112.430.15东16.3714.930.13南东19.0313.620.48南7.9611.820.57南西9.0012.470.47西12.2411.260.12北西17.8512.170.55坡形凹形坡68.8054.790.33凸形坡31.2045.210.53续表 1Table 1因子分级灾害点比例/%因子分级面积比例/%信息量植被指数1,0)2.034.761.230,0.1)18.4322.120.260.1,0.25)31.6420.930.600.25,0.4)23.0823.690.040.4,0.55)21.0418.310.200.55,0.63.7710.181.432023 年解明礼，等：多因子组合的地质灾害易发性空间精度验证13因子高程坡度坡向植被断裂其他基础数据灾害点信息量法因子信息量值因子组合叠加分析空间精度验证空间位置验证ROC曲线第一组：权重从高到低第二组：权重从低到高第三组：随机数组1第四组：随机数组2地质灾害易发性精度分析地质灾害易发性指数空间精度验证反思AUC值图 2 研究技术路线Fig.2 The research methodology flowchart表 2 因子权重Table 2 Factor weights table专家因子12345678平均值断层0.0550.2690.1930.2230.1380.1820.2090.1350.176岩性0.0230.1330.1820.1240.1680.1060.1820.1430.133高程0.1710.0530.0180.0220.0990.1380.0120.0560.071坡度0.0280.1160.1080.1460.0830.2030.1410.1120.117坡向0.1690.0140.0380.0410.0860.1060.0240.0230.063沟谷密度0.0630.0640.0820.0550.0820.1060.0960.0730.078坡形0.1280.1050.0460.1000.0730.0460.1050.0900.087河流0.1230.0310.0840.1030.0420.0430.0890.1960.089道路0.1280.0420.0780.0640.0570.0210.0570.0750.065植被指数0.0440.0530.0180.0430.0360.0360.0500.0280.039起伏度0.0690.1190.1530.0790.1380.0140.0350.0670.084表 3 因子排列组合Table 3 Factor combination table因子数量顺序组合随机组合组合1组合2组合3组合4A（3）B（4）C（5）D（6）E（7）F（8）G（9）H（10）I（11）14中国地质灾害与防治学报第5期易发性指数高:5.13低:3.25易发性指数高:2.71低:2.55易发性指数高:4.49低:6.07易发性指数高:1.96低:2.46易发性指数高:7.95低:3.84易发性指数高:6.54低:4.40易发性指数高:6.14低:6.40易发性指数高:5.51低:3.61易发性指数高:8.28低:4.37易发性指数高:7.81低:9.73易发性指数高:6.07低:6.53易发性指数高:4.69低:6.41易发性指数高:10.03低:7.21易发性指数高:9.54低:11.85易发性指数高:12.79低:8.84易发性指数高:7.56低:5.44易发性指数高:11.70低:10.54易发性指数高:9.87低:12.38易发性指数高:11.32低:13.12易发性指数高:11.46低:9.79易发性指数高:14.09低:14.39易发性指数高:12.56低:12.97易发性指数高:12.43低:10.97易发性指数高:9.31低:9.66易发性指数高:14.53低:15.14易发性指数高:15.19低:14.71易发性指数高:12.25低:11.15易发性指数高:14.68低:14.36易发性指数高:16.49低:15.22易发性指数高:15.01低:14.89易发性指数高:14.49低:15.63易发性指数高:14.72低:15.65易发性指数高:16.55低:16.22易发性指数高:16.55低:16.22易发性指数高:16.55低:16.22易发性指数高:16.55低:16.22组合1组合2组合3组合4A（3）B（4）C（5）D（6）E（7）F（8）G（9）H（10）I（11）图 3 不同因子组合易发性指数图Fig.3 Geological hazard susceptibility index diagram for different quantitative factor combinations2023 年解明礼，等：多因子组合的地质灾害易发性空间精度验证15指数图相似性较高，显现出的高易发区与实际情况匹配度较高。对比各类组合模型基于历史地质灾害点验证样本的成功率曲线（图 4），统计出随因子数增多成功率曲线下面积（AUC）变化规律（图 5）。叠加 3 个因子预测精度较差，组合 2 和组合 4中 AUC 值仅在 0.65 左右，而组合 1 和组合 3 相对于组合 2 和组合 4 同等数量因子组合中叠加预测精度较高。其共同规律为：4 种组合中AUC 值随因子数增多而不断增高，即随着叠加因子数量增多预测精度不断增高，但叠加因子数至 8 个时，AUC值不再明显上升与下降，其值约为 0.9，浮动幅度在 0.005左右，说明叠加 8 个以上因子时预测精度不再变化。00.20.40.60.81.00.20.40.60.81.0特异度灵敏度0.20.40.60.81.0灵敏度0.20.40.60.81.0灵敏度灵敏度ABCDEFGHIABCDEFGHI（a）组合100.20.40.60.81.0特异度（c）组合300.20.40.60.81.0特异度（b）组合200.20.40.60.81.0特异度（d）组合40.20.40.60.81.0ABIDFHGECBACDEFGHI图 4 基于验证样本的不同因子组合成功率曲线Fig.4 Success rate curves of multifactor combination based on validation samples246810120.600.650.700.750.800.850.900.951.00因子数量AUC组合2组合3组合4组合1图 5 基于验证样本的AUC值统计Fig.5 AUC value statistics based on validation samples对比各类组合基于非地质灾害点样本的成功率曲线，统计出随因子数增多成功率曲线下面积（AUC）变化规律（图 6、图 7）。由图中可观察出叠加少于 8 个因子的组合随叠加因子数增多，AUC 值浮动较大，且有着随因子数增多而逐渐下降的趋势。叠加至 8 个以上因子的组合模型 AUC 值相对变化浮动较小，稳定于 0.385左右。结合两种地质灾害易发性评价精度检验方法，对比分析了按照不同组合方式叠加 3 至 11 个因子的 36 种组合模型，分析结果发现随叠加因子数量增多，组合模型精度不断提升，但叠加至 8 个因子后，模型精度不再变化，精度值上下浮动较小，历史灾害点验证样本的AUC 值稳定于 0.9 左右，非灾害点验证样本的 AUC 值稳定于 0.385 左右，由于所选用的非地质灾害点为历史地质灾害点数据 1km 缓冲区范围外随机生成的点位数据，非地质灾害点又有可能在不久的将来成为新的地质灾害点，AUC 难以趋近于 0，说明评价模型叠加至 8 个因子时模型精度已达到峰值，叠加更多因子不会明显提升或降低其精度。16中国地质灾害与防治学报第5期4 讨论根据不同因子组合方式可发现，各个因子对于案例区的地质灾害易发性影响存在较大的差异性。由于汶川地区受到 2008 年“512”Ms8.0 地震的震裂影响，在断裂带区域地质灾害分布较为密集，断层缓冲区因子对于案例区的地质灾害易发性控制性最强。综合图 5 和图 7中叠加各个因子后 AUC 值的变化幅度，重新梳理各个影响因子的控制性排序为：断层河流道路岩性高程起伏度坡度沟谷密度坡形坡向植被指数。这一排序结果与前文通过专家打分确定因子重要性等级排序存在一定差异，分析原因为专家打分存在一定主观性，尽管采用了多个专家打分的平均值，但还是难以消去其主观性。对比前文四种因子组合模型，它们有着共同的特点，运用验证样本成功率曲线检验各种组合模型评价精度时：模型精度随着叠加因子数增多而提高，叠加至8 个因子时模型精度不再变化，趋于平稳状态，AUC 稳定于 0.9 左右，上下浮动约 0.005；运用非灾害点样本成功率曲线检验各种组合模型评价精度时：模型 AUC 值随叠加因子数增多而下降，即模型精度随着叠加因子数增多而上升，同样在叠加至 8 个因子时模型精度趋于稳定，AUC 稳定于 0.385。根据这一结果，可以确定当模型选取 8 个以上因子时，模型精度将不会改变，8 个因子可能是地质灾害易发性评价叠加最佳因子数。但这一结论是否正确值得再次证明与讨论。按照前文多次叠加后确定的因子实际控制性从高到低与从低到高两种组合模型再次检验随着因子叠加数量增多易发性评价精度的变化规律。如图 89所示，按照因子实际控制性从高到低排列组合，叠加断层、河流、道路 3 个因子后 AUC 值已经接近峰值，为0.889，其后再次叠加其它因子，AUC 值上下浮动约 0.02。BCIDFHGEAABCDEFGHIECFADIHBGABCDEFGHI00.20.40.60.81.0特异度（a）组合10.20.40.60.81.0灵敏度0.20.40.60.81.0灵敏度00.20.40.60.81.0特异度（b）组合200.20.40.60.81.0特异度（d）组合400.20.40.60.81.0特异度（c）组合30.20.40.60.81.0灵敏度0.20.40.60.81.0灵敏度图 6 基于非灾害点验证样本的不同因子组合成功率曲线Fig.6 Success rate curves of multifactor combinations based on non-hazard validation samples246810120.360.380.400.420.440.460.480.50因子数量AUC组合2组合3组合4组合1图 7 基于非灾害点验证样本的AUC值统计Fig.7 AUC value statistics based on non-hazard validation samples2023 年解明礼，等：多因子组合的地质灾害易发性空间精度验证17而按照实际因子控制性从低到高排列组合，当叠加到最后一个因子（断层）时 AUC 值才达到峰值。246810120.600.650.700.750.800.850.900.951.00因子数量AUC由大到小由小到大图 9 两种模型AUC值统计Fig.9 AUC value statistics of two models结合前面的试验研究与后面的验证结果综合分析，造成叠加至 8 个因子时易发性指数的 AUC 值最大的原因在于叠加过程中存在一定偶然性：前期四种组合模型在叠加因子时仅靠个人经验或随机组合，未将关键因子优先组合，AUC 值无法快速达不到峰值。而当叠加至78 个因子时已经包含了这类关键因子（例如断层、河流、道路），此时达到了评价结果精度的峰值，其 AUC值在 0.9 上下以 0.005 浮动。综上试验研究表明，开展某地区地质灾害易发性评价时，最先开展的工作应是确定出该区域地质灾害的主控因素，例如构造、水文、岩性、地形等因素，即需要开展的是孕灾条件分析。且对于大区域，例如省级地质灾害易发性评价，应根据地质环境条件与地质灾害发育特征，对研究区开展综合分区，找出各个分区的主控因素，进行分区评价。可采用反演分析模式，综合运用信息量模型与 ROC 曲线法，将逐个因子不同等级所对应的信息量作为检验变量，利用 ROC 曲线法进行单因子分析，根据 AUC 值确定各个因子对研究区地质灾害敏感度重要程度排序。5 结论本文以四川省汶川县为案例区，选取广泛应用的11 种地质灾害影响因子进行不同排列组合，验证“是否在地质灾害易发性评价中叠加的因子数量越多，模型预测精度越高或者上下波动。”这一问题。经对比试验研究，得出以下结论：（1）地质灾害影响因子进行随机组合时，叠加因子数量越多，地质灾害易发性评价结果精度越高，但叠加至一定数量因子后评价精度达到峰值，叠加更多因子不会明显提升或降低精度。（2）地质灾害的发生在不同区域有着不同的主控因子，因子选取原则不仅仅根据个人经验，更应该计算出来每个因子独立的控制性，可采用单因子信息量与ROC 曲线组合模型评价结果确定出主控因子，优先叠加控制性较强的因子，能够快速达到易发性评价精度的最高值。（3）根据本文有限的多次测试结果表明，地质灾害易发性评价中叠加的因子数量越多，模型预测精度越高，叠加过程中如未加入关键因子，模型预测精度将不会达到峰值，说明地质灾害易发性评价存在关键因子，但不存在“最优因子数量”。参考文献（References）：黄发明.基于 3S 和人工智能的滑坡位移预测与易发性评 价 D.武 汉：中 国 地 质 大 学，2017.HUANGFaming.Landslide displacement prediction and vulnerabilityevaluationbasedon3SandartificialintelligenceD.Wuhan：ChinaUniversityofGeosciences，2017.（inChinesewithEnglishabstract）1ABCDEFGHIABCDEGFHI00.20.40.60.81.0特异度00.20.40.60.81.0特异度0.20.40.60.81.0灵敏度0.20.40.60.81.0灵敏度（a）控制性由大到小组合（b）控制性由小到大组合图 8 两种模型成功率曲线Fig.8 Success rate curves of two models18中国地质灾害与防治学报第5期CRDENASNY，MERAEE.Landslidesusceptibilityanalysisusing remote sensing and GIS in the western EcuadorianAndesJ.NaturalHazards，2016，81（3）：18291859.2POURGHASEMI H R，YANSARI Z T，PANAGOS P，et al.Analysisandevaluationoflandslidesusceptibility：Areviewonarticlespublishedduring2005-2016（periodsof2005-2012and2013-2016）J.Arabian Journal of Geosciences，2018，11（9）：193.3ERCANOGLU M.Landslide susceptibility assessment of SEBartin（West Black Sea region，Turkey）by artificial neuralnetworksJ.Natural Hazards and Earth System Sciences，2005，5（6）：979992.4张俊，殷坤龙，王佳佳，等.三峡库区万州区滑坡灾害易发性评价研究J.岩石力学与工程学报，2016，35（2）：284296.ZHANGJun，YINKunlong，WANGJiajia，etal.Evaluation of landslide susceptibility for Wanzhou District ofThree Gorges ReservoirJ.Chinese Journal of RockMechanics and Engineering，2016，35（2）：284 296.（inChinesewithEnglishabstract）5MANZOG，TOFANIV，SEGONIS，etal.GIStechniquesforregional-scale landslide susceptibility assessment：The Sicily（Italy）casestudyJ.InternationalJournalofGeographicalInformationScience，2013，27（7）：14331452.6ABBASZADEHSHAHRIA，SPROSSJ，JOHANSSONF，etal.LandslidesusceptibilityhazardmapinsouthwestSwedenusingartificialneuralnetworkJ.CATENA，2019，183：104225.7REICHENBACH P，ROSSI M，MALAMUD B D，et al.Areviewofstatistically-basedlandslidesusceptibilitymodelsJ.Earth-ScienceReviews，2018，180：6091.8ZHAO Yu，WANG Rui，JIANG Yuanjun，et al.GIS-basedlogistic regression for rainfall-induced landslide susceptibilitymapping under different grid sizes in Yueqing，SoutheasternChinaJ.EngineeringGeology，2019，259：105147.9TRIGILAA，IADANZAC，ESPOSITOC，etal.Comparisonoflogistic regression and random forests techniques for shallowlandslide susceptibility assessment in Giampilieri（NE Sicily，Italy）J.Geomorphology，2015，249：119136.10HE Qingfeng，SHAHABI H，SHIRZADI A，et al.Landslidespatial modelling using novel bivariate statistical based NaveBayes，RBF Classifier，and RBF Network machine learningalgorithmsJ.ScienceoftheTotalEnvironment，2019，663：115.11REGMI N R，GIARDINO J R，VITEK J D.Modelingsusceptibility to landslides using the weight of evidenceapproach：western Colorado，USAJ.Geomorphology，2010，115（1/2）：172187.12GUZZETTIF，CARRARAA，CARDINALIM，etal.Landslidehazard evaluation：A review of current techniques and theirapplication in a multi-scale study，Central ItalyJ.13Geomorphology，1999，31（1/2/3/4）：181216.黄发明，汪洋，董志良，等.基于灰色关联度模型的区域滑坡敏感性评价J.地球科学，2019，44（2）：664676.HUANG Faming，WANG Yang，DONG Zhiliang，et al.Regional landslide susceptibility mapping based on greyrelational degree modelJ.Earth Science，2019，44（2）：664676.（inChinesewithEnglishabstract）14张玘恺，凌斯祥，李晓宁，等.九寨沟县滑坡灾害易发性快速评估模型对比研究J.岩石力学与工程学报，2020，39（8）：1595 1610.ZHANG Qikai，LING Sixiang，LIXiaoning，etal.Comparisonoflandslidesusceptibilitymapping