許霄霄，牛瑞卿

面向?qū)ο蟮娜龒{庫(kù)區(qū)新生型滑坡空間預(yù)測(cè)研究

許霄霄，牛瑞卿

（中國(guó)地質(zhì)大學(xué)地球物理與空間信息學(xué)院，武漢430074）

三峽水庫(kù)運(yùn)行期間，庫(kù)水位的變動(dòng)不僅可能誘發(fā)老滑坡復(fù)活，還會(huì)產(chǎn)生新的滑坡（新生型滑坡）。以庫(kù)首區(qū)秭歸段岸坡為研究區(qū)，采用了面向?qū)ο蟮腃5.0決策樹(shù)分類的預(yù)測(cè)方法，選取了庫(kù)水、坡度、工程巖組、斜坡結(jié)構(gòu)和影像紋理等作為評(píng)價(jià)因子，在遙感解譯和野外調(diào)查的基礎(chǔ)上，利用遙感、地理信息系統(tǒng)和空間數(shù)據(jù)挖掘技術(shù)，建立了新生型滑坡空間預(yù)測(cè)模型，生成了新生型滑坡易發(fā)性區(qū)劃圖。驗(yàn)證顯示：預(yù)測(cè)結(jié)果與實(shí)際較為一致，該方法可為新生型滑坡的防治提供科學(xué)依據(jù)。

三峽庫(kù)區(qū)；新生型滑坡；面向?qū)ο螅籆5.0決策樹(shù)；空間預(yù)測(cè)

1 研究背景

三峽水庫(kù)蓄水后，庫(kù)水位迅速抬升近百米，打破了數(shù)萬(wàn)年以來(lái)大自然塑造的地質(zhì)環(huán)境平衡。水庫(kù)運(yùn)行期間，庫(kù)水位的浸泡與變動(dòng)及周邊庫(kù)岸地下水位的抬升，必然產(chǎn)生眾多的水庫(kù)新生型滑坡［1］。與已經(jīng)發(fā)生的滑坡（老滑坡）相比，水庫(kù)新生型滑坡的特點(diǎn)是具有突發(fā)性、穩(wěn)定性狀態(tài)未知、產(chǎn)出位置不確定、受庫(kù)水影響嚴(yán)重，因此難以識(shí)別和預(yù)測(cè)。對(duì)于新生型滑坡，現(xiàn)場(chǎng)調(diào)查確認(rèn)是目前較為成熟可靠的方法［2］，但受時(shí)間、資金、現(xiàn)場(chǎng)條件等限制，不可能大量實(shí)施。一些學(xué)者［3－7］利用GIS（Geographic Information System）和RS（Remote Sensing）技術(shù)可以快捷實(shí)時(shí)地調(diào)查和監(jiān)測(cè)滑坡，分析滑坡孕災(zāi)環(huán)境和影響因素，并進(jìn)行區(qū)域風(fēng)險(xiǎn)分區(qū)及預(yù)測(cè)，但沒(méi)有涉及水庫(kù)新生型滑坡的預(yù)測(cè)研究。另外，由于受影像空間分辨率的制約，傳統(tǒng)的遙感變化監(jiān)測(cè)和信息提取只能依靠影像的光譜信息，導(dǎo)致分類結(jié)果破碎、椒鹽效應(yīng)明顯，且是在像素層次上通過(guò)目視判讀的計(jì)算機(jī)分類，人為主觀性較大、信息提取的精度和效率也不能兼顧。Beliz Aksoy［8］在滑坡識(shí)別和分類中提出了面向?qū)ο蟮姆治龇椒ǎ詫?duì)象作為分類的基本單元，提取紋理、光譜、形狀信息，再將這些信息作為知識(shí)加入到分類器中，這樣可以提高分類精度。但滑坡數(shù)據(jù)具有多樣化、選擇誘發(fā)滑坡的關(guān)鍵因子也是非常困難的，其采用的模糊隸屬度分類亦不能充分挖掘多樣復(fù)雜的滑坡信息，因此需要尋求一種數(shù)據(jù)挖掘［9］的算法。Shiuan Wan提出了決策樹(shù)的數(shù)據(jù)挖掘算法來(lái)分析泥石流災(zāi)害問(wèn)題［10］，精簡(jiǎn)了誘發(fā)滑坡的因子，提高了預(yù)測(cè)的效率和精度。

鑒于此，本文提出了面向?qū)ο蟮腃5.0決策樹(shù)分類的空間預(yù)測(cè)方法，以三峽庫(kù)區(qū)秭歸段為研究區(qū)，建立了C5.0決策樹(shù)預(yù)測(cè)模型，分析了新生型滑坡與各因子間的定量關(guān)系，繪制了新生型滑坡易發(fā)性區(qū)劃圖，為庫(kù)區(qū)新生型滑坡預(yù)測(cè)及防治提供決策支持。

2 C 5.0決策樹(shù)算法原理

決策樹(shù)學(xué)習(xí)是數(shù)據(jù)挖掘中典型的分類算法，主要作用是揭示數(shù)據(jù)中的結(jié)構(gòu)化信息，所建立的樹(shù)型結(jié)構(gòu)直觀、易于理解，而且便于處理非線性數(shù)據(jù)，能提取數(shù)據(jù)中隱藏的知識(shí)規(guī)則。C5.0決策樹(shù)算法分類的依據(jù)是信息增益（Information Gain），根據(jù)信息增益最大的字段對(duì)樣本數(shù)據(jù)進(jìn)行分類［11］。

通?？梢杂萌缦碌姆椒ㄓ?jì)算C5.0決策樹(shù)算法中的信息增益：設(shè)訓(xùn)練集樣本總數(shù)為S，共分為m類樣本Ci（i＝1，2，…，m），類Ci中的樣本數(shù)為Si，則樣本集合S的信息熵定義為

式中pi是任意樣本屬于Ci的概率，可用pi＝Si／｜S｜來(lái)估計(jì)。設(shè)屬性X具有v個(gè)值｛x1，x2，…，xv｝，則S被分成v個(gè)子集｛s1，s2，…，sv｝。令Sj為在樣本集S中屬性X的取值為xj的子集，j＝1，2，…，v。在分類的過(guò)程中，如果X被選為決策屬性，則根據(jù)屬性X可以將樣本集劃分到不同的分枝中。如果用Sij表示子集Sj中屬于Ci類的元組數(shù)量，則屬性X為分類所需的期望熵（條件熵）是

式中屬性X的每個(gè)取值對(duì)分類Ci的信息熵I（S1j，…，Smj）可由下式給出：

式中pij＝Sij／｜Sj｜表示子集Sj中屬于類Ci的概率。由此，可以得到屬性X作為決策分類的屬性的度量值（稱為信息增益）：

信息增益函數(shù)在可能產(chǎn)生多分枝的測(cè)試中更傾向于得到大的函數(shù)值，但是分枝多并不說(shuō)明該測(cè)試對(duì)未知樣本有更好的預(yù)測(cè)效果，為解決該問(wèn)題出現(xiàn)了信息增益率函數(shù)。某個(gè)屬性X的信息增益率函數(shù)表示為

3 研究區(qū)和數(shù)據(jù)

3.1 研究區(qū)概況

三峽庫(kù)區(qū)位于長(zhǎng)江上游段，研究區(qū)位于三峽庫(kù)區(qū)首段秭歸縣境內(nèi)，地理范圍為110°30′～110°57′E，30°50′～31°04′N，面積約213 km2，長(zhǎng)江大致呈NWW－SEE向穿越研究區(qū)，主干流長(zhǎng)度約42 km，是庫(kù)區(qū)人類工程活動(dòng)強(qiáng)烈、滑坡災(zāi)害突出地段。該區(qū)地處中國(guó)地形第二階梯向第三階梯的過(guò)渡地帶，是川東褶皺與鄂西山地會(huì)合部位，為中、低山侵蝕峽谷地貌［12］。地層發(fā)育較完整，除缺失泥盆系下統(tǒng)、石炭系的上統(tǒng)、下統(tǒng)和白堊系的大部分及第三系外，自前震旦系至第四系皆有出露，總體上地層具有自東向西漸新展布的規(guī)律［13］。在香溪以東峽谷區(qū)以三疊系的地層連續(xù)出露，以碳酸鹽巖為主；香溪以西地區(qū)主要是中三疊至侏羅系（T2－J）地層，以碎屑巖為主，主要巖性為砂巖、粉砂巖和頁(yè)巖。褶皺是區(qū)內(nèi)的主要構(gòu)造形式，主要發(fā)育黃陵背斜和秭歸向斜。區(qū)內(nèi)地層巖性多樣、構(gòu)造復(fù)雜，不僅提供了地質(zhì)災(zāi)害發(fā)育的物質(zhì)條件，還控制空間孕災(zāi)環(huán)境的差異，部分地層（如巴東組）被稱為易滑地層，且大部分屬于第四系堆積層滑坡。研究區(qū)是庫(kù)區(qū)地質(zhì)災(zāi)害最嚴(yán)重、災(zāi)害防治重點(diǎn)區(qū)域之一，曾在1985年發(fā)生著名的新灘滑坡以及2003年發(fā)生了千將坪特大型滑坡，慶幸的是這2處滑坡均已成功預(yù)報(bào)，滑坡體上人員在滑坡發(fā)生前安全撤離。近年來(lái)不斷有滑坡險(xiǎn)情出現(xiàn)，如白水河滑坡、臥沙溪滑坡等。研究區(qū)地質(zhì)構(gòu)造見(jiàn)圖1。

圖1 研究區(qū)地質(zhì)構(gòu)造圖［13］Fig.1 Geological structure of the researched area［13］

3.2 數(shù)據(jù)準(zhǔn)備

研究區(qū)收集到覆蓋該區(qū)的Landsat TM近期數(shù)據(jù)6景和高分辨率SPOT全色波段的遙感影像，主要用于提取紋理特征因子和遙感解譯選取樣本；其他數(shù)據(jù)還有1∶200 000地質(zhì)圖、1∶10 000地形圖、高精度DEM（數(shù)字高程模型），主要用于提取相關(guān)的地形地質(zhì)因子；除此之外，還有典型新生型滑坡野外現(xiàn)場(chǎng)調(diào)查資料等。

4 新生型滑坡空間預(yù)測(cè)方法

針對(duì)三峽庫(kù)區(qū)新生型滑坡空間預(yù)測(cè)問(wèn)題，首先在收集數(shù)據(jù)資料基礎(chǔ)上選擇合理的評(píng)價(jià)因子，利用RS和GIS軟件對(duì)因子信息進(jìn)行提?。蝗缓筢槍?duì)預(yù)測(cè)模型對(duì)地形地質(zhì)因子進(jìn)行分級(jí)，將所有的因子信息集中到ArcGIS軟件中對(duì)多種數(shù)據(jù)進(jìn)行疊加和綜合；接著在遙感解譯和野外調(diào)查的基礎(chǔ)上選取訓(xùn)練樣本數(shù)據(jù)集，建立C5.0決策樹(shù)預(yù)測(cè)模型，對(duì)模型進(jìn)行精度評(píng)價(jià)與分析，繪制新生型滑坡易發(fā)性分區(qū)圖；最后結(jié)合野外調(diào)查資料對(duì)預(yù)測(cè)模型及預(yù)測(cè)精度進(jìn)行驗(yàn)證。

4.1 多尺度分割

面向?qū)ο蟮男畔⑻崛〖夹g(shù)是一種基于目標(biāo)的信息提取方法，這種方法可以充分利用遙感影像的光譜、紋理、形狀、相關(guān)性等空間信息。它主要包括2個(gè)關(guān)鍵技術(shù)：多尺度分割和面向?qū)ο蟮挠跋穹诸悺６喑叨葓D像分割采用異質(zhì)性準(zhǔn)則的區(qū)域合并策略，目的是實(shí)現(xiàn)分割后圖像對(duì)象的權(quán)重最小異質(zhì)性。在分割前需要確定異質(zhì)性閾值的2種因子（圖2）：光譜因子與形狀因子，其中形狀又分為緊湊度和平滑度。分割程序始于單一的圖像對(duì)象（即種子），在設(shè)定的同質(zhì)閾值條件下，通過(guò)反復(fù)的循環(huán)合并來(lái)增大對(duì)象。處理過(guò)程是種子對(duì)象尋找最合適的鄰域作為合并的對(duì)象。如果鄰近像元符合異質(zhì)性最小的特征則合并，不滿足條件則設(shè)立新的種子對(duì)象并尋找符合條件像元。一個(gè)循環(huán)中，每個(gè)對(duì)象只處理一次，直到圖像中沒(méi)有新的對(duì)象合并為止。這種基于對(duì)象的分割技術(shù)具有效率高、分類結(jié)果連續(xù)性好的優(yōu)點(diǎn)。

圖2 多尺度分割概念圖（據(jù)Definiens Developer 7 Reference Book修改）Fig.2 The concept ofmultiresolution segmentation（revised from Definiens Developer 7 Reference Book）

4.2 評(píng)價(jià)因子的提取

新生型滑坡空間預(yù)測(cè)需要考慮多種影響因子，根據(jù)三峽庫(kù)區(qū)新生型滑坡的具體特點(diǎn)，選取了Landsat TM4，TM3和TM2波段的紋理特征因子（熵、能量、相關(guān)性、對(duì)比度）以及相關(guān)地形地質(zhì)因子（庫(kù)水、坡度、斜坡結(jié)構(gòu)、工程巖組）共8個(gè)因子作為評(píng)價(jià)因子。這里選取TM4，TM3和TM2波段的紋理特征因子可反映研究區(qū)的植被覆蓋情況和滑坡形態(tài)特征，通過(guò)影像校正、地理裁剪等預(yù)處理，利用面向?qū)ο蟮倪b感軟件eCognition提取影像的光譜和紋理信息。經(jīng)過(guò)多次實(shí)驗(yàn)和反復(fù)驗(yàn)證，最終確定的分割尺度為20，形狀異質(zhì)性參數(shù)為0.3，則顏色異質(zhì)性參數(shù)為0.7，其中表征形狀的光滑度參數(shù)設(shè)為0.5，則緊湊度參數(shù)也為0.5。而地質(zhì)因子主要利用地形圖、高精度數(shù)字高程模型（DEM）和地質(zhì)圖通過(guò)ArcGIS軟件來(lái)提取，并對(duì)提取出的因子進(jìn)行了分級(jí)處理。評(píng)價(jià)因子的分級(jí)見(jiàn)表1。

4.3 構(gòu)建C5.0決策樹(shù)模型

樣本選取對(duì)滑坡預(yù)測(cè)評(píng)價(jià)影響很大，它直接影響到評(píng)價(jià)因子的表達(dá)。新生型滑坡樣本是結(jié)合三峽水庫(kù)蓄水前遙感影像、DEM數(shù)字高程模型與地質(zhì)圖及部分野外調(diào)查驗(yàn)證資料綜合解譯來(lái)選取的。區(qū)內(nèi)的新生型災(zāi)害主要有塌岸、庫(kù)岸、不穩(wěn)定斜坡和滑坡，其中新生型滑坡包括土質(zhì)滑坡和巖質(zhì)滑坡兩大類。對(duì)于土質(zhì)滑坡的解譯主要依據(jù)是否存在第四系堆積物、具備優(yōu)勢(shì)滑動(dòng)面、適宜的地形條件和庫(kù)水位的浸泡與周期性升降等標(biāo)志；對(duì)于巖質(zhì)滑坡解譯主要依據(jù)易滑巖層、岸坡形態(tài)、斜坡結(jié)構(gòu)類型和庫(kù)水位的浸泡等標(biāo)志。通過(guò)樣本數(shù)據(jù)采集，基于C5.0決策樹(shù)算法構(gòu)建分類預(yù)測(cè)模型，對(duì)樣本的分類情況進(jìn)行精度評(píng)價(jià)。

表1 地質(zhì)評(píng)價(jià)因子分級(jí)Table 1 Classification of the geological evaluation factors

4.4 預(yù)測(cè)模型精度評(píng)價(jià)

本文利用數(shù)據(jù)挖掘軟件Clementine構(gòu)建C5.0模型，模型中參數(shù)均采用軟件的默認(rèn)設(shè)置。經(jīng)面向?qū)ο蟮亩喑叨确指詈?，研究區(qū)共被分割成1 158個(gè)對(duì)象，選取了260個(gè)作為樣本，占研究區(qū)總對(duì)象數(shù)的22%。樣本中包括新生型滑坡樣本60個(gè)屬性賦值為1、非滑坡樣本200個(gè)屬性賦值為0。在構(gòu)建C5.0決策樹(shù)模型時(shí)對(duì)樣本又進(jìn)行分區(qū)，分為70%的訓(xùn)練樣本和30%測(cè)試樣本，C5.0決策樹(shù)模型對(duì)樣本進(jìn)行分類預(yù)測(cè)的結(jié)果如表2、表3。

從表2、表3可以看出模型對(duì)于訓(xùn)練樣本總的正確率達(dá)92.66%，測(cè)試樣本總的正確率為80.72%，總體來(lái)說(shuō)分類精度良好。Kappa系數(shù)是對(duì)分類精度的另一種度量，主要反映用戶和智能分類是否具有一致性。表中訓(xùn)練樣本的Kappa系數(shù)大于0.8表明兩者分類精度一致性非常好，而測(cè)試樣本的Kappa系數(shù)0.46表明兩者的分類精度一致性很好。

表2 C5.0決策樹(shù)模型對(duì)訓(xùn)練樣本的分類預(yù)測(cè)結(jié)果Table 2 Prediction results by C5.0 decision treemodel for training sam ples

表3 C5.0決策樹(shù)模型對(duì)測(cè)試樣本的分類預(yù)測(cè)結(jié)果Table 3 Prediction results by C5.0 decision treem odel for testing sam p les

5 結(jié)果分析與驗(yàn)證

利用建立的模型對(duì)研究區(qū)1 158個(gè)對(duì)象進(jìn)行分類，分類結(jié)果有2種形式：一種是離散型的只有0和1的值，0表示不易發(fā)生滑坡設(shè)為穩(wěn)定區(qū)，而1表示發(fā)生滑坡可能性較大設(shè)為危險(xiǎn)區(qū)；另一種形式是［0，1］的連續(xù)型預(yù)測(cè)值，數(shù)值越大，反映各因素對(duì)滑坡發(fā)生的綜合影響越大，滑坡的發(fā)生就越容易。為了便于區(qū)分滑坡發(fā)生的容易程度，將預(yù)測(cè)值重新分類，分區(qū)依據(jù)的是預(yù)測(cè)連續(xù)值的統(tǒng)計(jì)直方圖，按直方圖的自然裂點(diǎn)將研究區(qū)劃分為4級(jí)：不易發(fā)區(qū)、低易發(fā)區(qū)、中易發(fā)區(qū)、高易發(fā)區(qū)。C5.0決策樹(shù)模型對(duì)研究區(qū)總對(duì)象的分類預(yù)測(cè)的結(jié)果如表4。

表4 C5.0決策樹(shù)模型對(duì)研究區(qū)的分類預(yù)測(cè)結(jié)果Table 4 Prediction results by C5.0 decision treem odel for the researched area

根據(jù)C5.0決策樹(shù)模型生成的易發(fā)性區(qū)劃圖（圖3），結(jié)合研究區(qū)的實(shí)際情況和新生型滑坡的具體特點(diǎn)，分析得出危險(xiǎn)區(qū)的分布特點(diǎn)及其影響較大的原因如下：

圖3 研究區(qū)基于C5.0決策樹(shù)的新生型滑坡易發(fā)性評(píng)價(jià)圖Fig.3 The susceptibility evaluation of neogenic landslides by C5.0 decision treemodel for the researched area

（1）主要分布于庫(kù)水強(qiáng)影響區(qū)和波動(dòng)區(qū)。長(zhǎng)江干流及支流兩岸，童莊河和香溪河2大支流兩岸為高易發(fā)區(qū)和中易發(fā)區(qū)的集中區(qū)，說(shuō)明新生型滑坡受庫(kù)水浸泡和升降影響非常嚴(yán)重。對(duì)于土質(zhì)滑坡，庫(kù)水位的浸泡會(huì)降低土體抗剪強(qiáng)度，升降會(huì)使坡體內(nèi)地下水滲流形成動(dòng)水壓力；而對(duì)于巖質(zhì)滑坡，岸坡前緣涉水段受到庫(kù)水位的浮托而產(chǎn)生一個(gè)不利于岸坡穩(wěn)定的浮托力，庫(kù)水對(duì)巖體內(nèi)軟弱結(jié)構(gòu)面或潛在滑面的軟化會(huì)導(dǎo)致其強(qiáng)度降低，這些都不利于庫(kù)岸邊坡的穩(wěn)定性。

（2）主要分布于軟巖巖組。這是因?yàn)樘幱谫_系、三疊系中統(tǒng)巴東組和志留系的易滑地層，特別是三疊系巴東組地層是調(diào)查中庫(kù)區(qū)滑坡發(fā)育最多的地層。侏羅系地層巖性主要包括砂質(zhì)泥巖、砂巖、泥質(zhì)頁(yè)巖及煤層；三疊系地層主要為灰?guī)r、白云巖、泥灰?guī)r、砂頁(yè)巖互層等；志留系地層巖性主要為砂巖、粉砂巖、頁(yè)巖等。

（3）主要分布于順向坡和斜向坡的坡體結(jié)構(gòu)。斜坡結(jié)構(gòu)類型是根據(jù)岸坡坡向、下伏地層傾向以及長(zhǎng)江流向的關(guān)系劃分的，一般而言，巖質(zhì)滑坡易發(fā)生于順向坡之中的順向飄傾坡、斜向坡，地層傾向和坡向交角較小易滑，而逆向坡不易于巖質(zhì)滑坡的發(fā)生。其中，順向伏傾坡一般不具備滑坡發(fā)生的剪出條件而不利于滑坡的形成。

（4）主要分布在緩傾坡，坡度在15°～30°。這個(gè)坡度范圍的岸坡前緣地形較緩而后緣地形較陡，如果坡體兩側(cè)還具有沖溝或具有走向與坡向相近的斷層條件，這時(shí)坡體就相當(dāng)于一個(gè)六面體，不利于坡體的穩(wěn)定性。

在易發(fā)性分區(qū)圖中的塌岸實(shí)形是三峽水庫(kù)172 m蓄水后野外調(diào)查的資料，共有21個(gè)塌岸，其中分布在高易發(fā)區(qū)的塌岸有8個(gè)、在中易發(fā)區(qū)的塌岸有10個(gè)、低易發(fā)區(qū)塌岸有1個(gè)、不易發(fā)區(qū)塌岸有3個(gè)。分布在高易發(fā)區(qū)的塌岸是一些大型的塌岸，中易發(fā)區(qū)的則為一些小型的塌岸。拍攝的野外調(diào)查塌岸圖片與易發(fā)性分區(qū)圖的對(duì)照如圖4所示。圖中顯示了5個(gè)大型的塌岸，其中代號(hào)1，2，3的塌岸均為秭歸縣郭家壩鎮(zhèn)蔡家坡塌岸，4號(hào)塌岸為秭歸縣郭家壩鎮(zhèn)周家灣塌岸，5號(hào)塌岸為秭歸縣郭家壩鎮(zhèn)譚家坡塌岸。蔡家坡塌岸和周家灣塌岸是典型的受水庫(kù)蓄水后新生的大型塌岸，地層巖性為侏羅系上沙溪廟組的粉砂巖與長(zhǎng)石石英砂巖，塌岸長(zhǎng)度約1.5 km，涉水深度近30 m，危害房屋40余間，對(duì)耕地、柑桔和村級(jí)公路也造成較大危害。預(yù)測(cè)的結(jié)果將其劃分在了高易發(fā)區(qū)，驗(yàn)證了預(yù)測(cè)結(jié)果的可靠性。

圖4 易發(fā)性評(píng)價(jià)與野外驗(yàn)證圖Fig.4 The susceptibility evaluation and field validation

6 結(jié) 論

針對(duì)三峽庫(kù)區(qū)新生型滑坡的特殊性，本文提出了面向?qū)ο蟮腃5.0決策樹(shù)分類的空間預(yù)測(cè)流程，將多尺度分割技術(shù)、智能決策樹(shù)分類法、GIS空間分析功能與模型預(yù)測(cè)有機(jī)地結(jié)合在一起。

以三峽庫(kù)區(qū)秭歸段長(zhǎng)江干流為研究區(qū)開(kāi)展了新生型滑坡的空間預(yù)測(cè)，利用易獲得的遙感影像、地形圖與地質(zhì)圖等資料綜合解譯和現(xiàn)場(chǎng)調(diào)查，選取分類樣本、建立C5.0決策樹(shù)模型，對(duì)研究區(qū)進(jìn)行了新生型滑坡的易發(fā)性評(píng)價(jià)。研究得出：庫(kù)水波動(dòng)區(qū)和強(qiáng)影響區(qū)、軟巖巖組、15°～30°緩傾坡及順向坡和斜向坡坡體結(jié)構(gòu)對(duì)新生型滑坡的影響和控制較大。經(jīng)野外調(diào)查驗(yàn)證得出易發(fā)性評(píng)價(jià)結(jié)果與實(shí)際較為一致，表明本文提出的方法適合于庫(kù)區(qū)新生型滑坡的空間預(yù)測(cè)。

［1］ 羅先啟，劉德富，吳 劍，等.雨水及庫(kù)水作用下滑坡模型試驗(yàn)研究［J］.巖石力學(xué)與工程學(xué)報(bào)，2005，24（14）：2476－2483.（LUO Xian-qi，LIU De-fu，WU Jian，etal.Model Test Study on Landslide under Rainfall and Reservoir Water Fluctuation［J］.Chinese Journal of Rock Mechanics and Engineering，2005，24（14）：2476－2483.（in Chinese））

［2］ 程圣國(guó)，方坤河，羅先啟，等.三峽庫(kù)區(qū)新生型滑坡滑帶土抗剪強(qiáng)度確定概率方法［J］.巖石力學(xué)與工程學(xué)報(bào)，2007，26（4）：840－845.（CHENG Sheng-guo，F(xiàn)ANG Kun-he，LUO Xian-qi，et al.Probability Method to Determine Shear Strength of Slide Zone Clay for Neogenic Landslide in Three Gorges Reservoir Area［J］.Chinese Journal of Rock Mechanics and Engineering，2007，26（4）：840－845.（in Chinese））

［3］ 胡德勇，李 京，陳云浩，等.GIS支持下滑坡災(zāi)害空間預(yù)測(cè)方法研究［J］.遙感學(xué)報(bào)，2007，11（6）：852－859.（HU De-yong，LI Jing，CHEN Yun-hao，et al.GIS-based Landslide Spatial Prediction Methods，A Case Study in Cameron Highland，Malaysia［J］.Journalof Remote Sensing，2007，11（6）：852－859.（in Chinese））

［4］ BISWAJEET P.Remote Sensing and GIS-based Landslide Hazard Analysis and Cross-Validation Using Multivariate Logistic Regression Model on Three Test Areas in Malaysia［J］.Advances in Space Research，2010，45（10）：1244－1256.

［5］ BAISB，WANG J，LU G N，et al.GIS-based Landslide Susceptibility Mapping in the Three Gorges Area-Comparisons of Mapping Results Obtained by Two Methods：Analytical Hierarchy Process and Logistic Regression［C］∥Landslides and Engineered Slopes：From the Past to the Future：Proceedings of the 10th International Symposium on Landslides and Engineered Slopes，Xi’an，China，30 June－4 July，2008：1067－1070.

［6］ OZDEMIR H，TUROGLU H.Landslide Susceptibility Assessment Using GISand RS in the Havran River Basin（Balikesir－TURKEY）［C］∥International Association for MathematicalGeology（IAMG）.The12th International Mathematical Geological Congress，Beijing，August，26－31，2007：185－189.

［7］ PRADHAN B.Remote Sensing and GIS-based Landslide Hazard Analysis and Cross-Validation Using Multivariate Logistic Regression Model on Three Test Areas in Malaysia［J］.Advances in Space Research，2010，45（10）：1244－1256.

［8］ AKSOY B，ERCANOGLU M.Landslide Identification and Classification by Object-based Image Analysis and Fuzzy Logic：An Example from the Azdavay Region（Kastamonu，Turkey）［J］.Computers and Geosciences，2012，38（1）：87－98.

［9］ 李德仁，王樹(shù)良，李德毅.空間數(shù)據(jù)挖掘理論與應(yīng)用［M］.北京：科學(xué)出版社，2006.（LIDe-ren，WANG Shu-liang，LIDe-yi.The Theory and Application of Spatial Data Mining［M］.Beijing：Science Press，2006.（inChinese））

［10］ABDALLAH C.Spatial Distribution of Block Falls Using Volumetric GIS-Decision-Tree Models［J］.International Journal of Applied Earth Observation and Geoinformation，2010，12（5）：393－403.

［11］柯新利，邊馥苓.基于C5.0決策樹(shù)算法的元胞自動(dòng)機(jī)土地利用變化模擬模型［J］.長(zhǎng)江流域資源與環(huán)境，2010，19（4）：403－408.（KE Xin-li，BIAN Fu-lin.Land-use Change CA Model Based on C5.0 Decision Tree［J］.Resources and Environment in the Yangtze Valley，2010，19（4）：403－408.（in Chinese））

［12］地質(zhì)礦產(chǎn)部編寫組.長(zhǎng)江三峽工程庫(kù)岸穩(wěn)定性研究［M］.北京：地質(zhì)出版社，1988：1－69.（Compilation Group of Geology and Minerals Ministry.Research on Stability of Reservoir Bank of the Three Gorges Project［M］.Beijing：Geological Publishing House，1988：1－69.（in Chinese））

［13］湖北省地質(zhì)礦產(chǎn)局.1∶20萬(wàn)巴東幅（H～49～Ⅸ）區(qū)域地質(zhì)調(diào)查報(bào)告［R］.武漢：湖北省地質(zhì)礦產(chǎn)局，1984：1－156.（Bureau of Geology and Mineral Resources of Hubei Province.Report on Areal Geology Survey of 1：200，000 Badong Map［R］.Wuhan：Bureau of Geology and Mineral Resources of Hubei Province，1984：1－156.（in Chinese） ）

（編輯：曾小漢）

長(zhǎng)江科學(xué)院承擔(dān)的“重慶港主城港區(qū)果園作業(yè)區(qū)二期擴(kuò)建工程加筋邊坡離心模型試驗(yàn)研究”通過(guò)驗(yàn)收

2012年11月15—16日，中交第二航務(wù)工程勘察設(shè)計(jì)院有限公司在武漢主持召開(kāi)了“重慶港主城港區(qū)果園作業(yè)區(qū)二期擴(kuò)建工程加筋邊坡離心模型試驗(yàn)研究”課題評(píng)審會(huì)。來(lái)自重慶市交通委員會(huì)、重慶港務(wù)物流集團(tuán)有限公司、重慶果園港埠有限公司、重慶雙源建設(shè)監(jiān)理咨詢有限公司、中國(guó)科學(xué)院武漢巖土力學(xué)研究所、中國(guó)水利水電科學(xué)研究院、武漢大學(xué)、重慶交通大學(xué)等單位的專家和領(lǐng)導(dǎo)出席了會(huì)議。長(zhǎng)江科學(xué)院汪在芹副院長(zhǎng)、程展林副總工以及長(zhǎng)江科學(xué)院水利部巖土力學(xué)與工程重點(diǎn)實(shí)驗(yàn)室相關(guān)學(xué)科的技術(shù)人員參加了會(huì)議。

與會(huì)專家聽(tīng)取了課題承擔(dān)單位長(zhǎng)江科學(xué)院水利部巖土重點(diǎn)實(shí)驗(yàn)室的項(xiàng)目研究執(zhí)行情況和成果匯報(bào)，審閱了研究報(bào)告和相關(guān)成果資料，進(jìn)行了現(xiàn)場(chǎng)質(zhì)詢和討論。通過(guò)評(píng)審，專家們一致認(rèn)為：本課題基于重慶港主城港區(qū)果園作業(yè)區(qū)二期擴(kuò)建工程高陡加筋邊坡的工程問(wèn)題，采用離心模型試驗(yàn)與數(shù)值分析相結(jié)合的技術(shù)路線，揭示了該工程邊坡變形規(guī)律，完成了合同規(guī)定的研究?jī)?nèi)容，符合已通過(guò)的《工作大綱》的要求，一致同意通過(guò)驗(yàn)收。同時(shí)，與會(huì)專家還認(rèn)為本研究課題結(jié)論明確，研究成果可靠，對(duì)于指導(dǎo)該工程的邊坡設(shè)計(jì)具有重要的指導(dǎo)意義。

（摘自：長(zhǎng)江水利科技網(wǎng)）

Object-Oriented Spatial Prediction for Neogenic Landside in the Three Gorges Reservoir Area

XU Xiao-xiao，NIU Rui-qing
（Institute of Geophysics and Geomatics，China University of Geosciences，Wuhan 430074，China）

During the operation of the Three Gorges Reservoir，the reservoirwater level fluctuation could induce old landslide revivification and trigger new landslides（neogenic landslides）.The aim of this study is to provide basis for the prevention and treatment of these neogenic landslides.A predictionmethod with object-oriented C5.0 decision treemodelwas presented.Evaluation factorswere selected，including reservoir water fluctuation，slope gradient，engineering rock group，slope structure and image texture.On the basis of RS interpretation，field investigation，and with RS，GISand spatial datamining technology，the spatial predictionmodel for neogenic landslide was built，and the susceptibilitymap was obtained.The bank slope of Zigui segment in the reservoir area was taken as a case study.Verification shows that the prediction results are consistentwith the actual situation.

Three Gorges Reservoir area；neogenic landslide；object-oriented；C5.0 decision tree；spatial prediction

P642.22

A

1001－5485（2012）12－0024－06

10.3969／j.issn.1001－5485.2012.12.006 2012，29（12）：24－29

2011－11－22

國(guó)家高技術(shù)研究發(fā)展計(jì)劃（863）（2009AA122004）；國(guó)家自然科學(xué)基金項(xiàng)目（4067225）；國(guó)土資源部三峽庫(kù)區(qū)三期地質(zhì)災(zāi)害防治重大科學(xué)研究項(xiàng)目（SXKY3－3－2）

許霄霄（1988－），女，山東泰安人，碩士研究生，主要從事遙感地質(zhì)研究，（電話）13098821696（電子信箱）gisphh＠126.com。