安凱強，牛瑞卿

(1.武漢大學 測繪遙感信息工程國家重點實驗室，武漢　430079；2.中國地質大學(武漢)地球物理與空間信息學院，武漢　430074)

?

信息量支持下SVM模型滑坡災害易發(fā)性評價

安凱強1，牛瑞卿2

(1.武漢大學 測繪遙感信息工程國家重點實驗室，武漢430079；2.中國地質大學(武漢)地球物理與空間信息學院，武漢430074)

三峽庫區(qū)是我國滑坡災害廣泛發(fā)育的地區(qū)之一，滑坡災害易發(fā)性評價對庫區(qū)的防災減災有重要意義。在滑坡災害易發(fā)性指標信息量的基礎上，構建了信息量支持下的SVM模型，并對滑坡災害易發(fā)性進行了評價。該模型根據(jù)地層巖性、地質構造、坡度、坡向、坡型結構、土地利用類型、水、歸一化植被指數(shù)，以及上述指標的總信息量，共9類指標組成的數(shù)據(jù)集進行SVM訓練，得到評價模型；運用該評價模型對研究區(qū)全區(qū)滑坡災害易發(fā)性進行評價，并以模型決策值的零點和突變點確定易發(fā)性等級劃分標準。并以三峽庫區(qū)萬州主城區(qū)為研究區(qū)驗證模型，研究表明：信息量支持下SVM模型的訓練樣本精度為81.41%，驗證樣本精度為91.11%，優(yōu)于常用的信息量模型，滑坡的高易發(fā)區(qū)和較高易發(fā)區(qū)占研究區(qū)總面積的47.05%，主要集中在人類工程活動強烈的長江干支流兩側，結果與已知滑坡分布基本一致，表明該模型在研究區(qū)具備較好的適用性。

滑坡災害；信息量；支持向量機；易發(fā)性評價；三峽庫區(qū)

1　研究背景

中國是世界上滑坡災害最嚴重的地區(qū)之一，全國至少有400多個市、縣、區(qū)、鎮(zhèn)，10 000多個村莊受到滑坡災害嚴重侵害，有證可查的滑坡災害點為41×104多處，總面積為173.52×104km2，占國土總面積的18.10%[1]，其中三峽庫區(qū)是滑坡災害發(fā)育最為集中的地區(qū)之一，嚴重威脅居民的生命財產(chǎn)安全，因而，在研究滑坡災害發(fā)生機理的基礎上，進行區(qū)域性滑坡災害易發(fā)性評價，對減災防災具有重要意義。

目前，滑坡災害易發(fā)性評價模型主要有以下2類：一是基于確定性模型，該方法雖然有明確的物理數(shù)學含義，但是需要具備大量詳細的地質勘查資料，不適用于較大區(qū)域的易發(fā)性評價研究[2-3]；二是基于統(tǒng)計分析理論，認為具備某些地質因素和非地質因素條件組合，對于滑坡災害的發(fā)生有一定影響，此類方法基于地質類比思想，常用的有信息量法、聚類分析、判別式分析、邏輯回歸模型、人工智能模型等。殷坤龍等[4]利用信息量模型對滑坡災害預測預報進行了深入研究，并取得了較好的結果；彭令等[5]利用邏輯回歸模型對三峽庫區(qū)秭歸縣境內(nèi)滑坡進行空間預測，并對易發(fā)性指標進行了評價。近年來，滑坡災害的智能預測和災害分析逐漸成為新的研究方向之一[6]，尤其是Vapnik等[7-8]提出的基于統(tǒng)計學習理論的支持向量機(SVM)算法，采取結構化風險最小和求解受限的二次型保證了支持向量機的性能。支持向量機對樣本要求低，預測結果精確，在滑坡災害空間預測與穩(wěn)定性評價方面也得到了很廣泛的應用[9-11]。

上述單一固定模型對滑坡災害易發(fā)性評價雖然可以取得較好的結果，但存在一定不足。如信息量模型僅對滑坡災害易發(fā)性指標信息熵進行線性疊加求和，BP神經(jīng)網(wǎng)絡模型受收斂性以及掩藏結點個數(shù)的制約，結果精度不夠穩(wěn)定。因而不斷有學者提出使用多模型耦合進行優(yōu)化以提高易發(fā)性評價精度，如陳玉萍等[12]利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡對陜西長壽溝地區(qū)進行了滑坡災害的預測。

本文在已知滑坡災害易發(fā)性指標信息量的基礎上，考慮易發(fā)性與各類指標間非線性關系，引入SVM模型對滑坡災害易發(fā)性進行評價。該模型以信息量為載體，考慮了不同誘災因子在區(qū)域地質環(huán)境穩(wěn)定性上的差異性，同時也對信息量計算結果進行良好的訓練和分級。以三峽庫區(qū)滑坡災害相對集中的重慶市萬州區(qū)主城區(qū)為研究區(qū)，利用信息量支持下的SVM模型對滑坡易發(fā)性進行研究。

2　模型理論分析

信息量代表著研究區(qū)域地質環(huán)境差異性因子對于地質災害穩(wěn)定性的影響，在進行SVM模型訓練時，以不同因素的信息量為基本輸入?yún)?shù)，充分考慮了地質環(huán)境因子的差異性。因此，本文提出采用信息量-支持向量機的耦合模型進行滑坡災害易發(fā)性評價，其基本步驟如下(見圖1)：

圖1　信息量支持下SVM模型滑坡災害易發(fā)性評價流程Fig.1　Flow chart of the WI(weighted information)- SVM model of landslide susceptibility assessment

(1)對易發(fā)性指標進行分類，并計算其信息量?；聻暮Φ陌l(fā)生受到內(nèi)外地質力作用的影響，大致可以將影響滑坡災害易發(fā)性的指標分為地質作用，主要包括基礎地質和工程地質、構造發(fā)育狀況等；地形作用，主要包括高程、坡度、坡向、地表粗糙度等；水的作用，主要包括降水、地表徑流等；人類活動，主要為工程建設；植被狀況，主要包括植被發(fā)育以及植被種類等。

(2)根據(jù)指標信息量曲線突變點確定不同等級劃分的臨界值。指標等級劃分的臨界值的確定是進行指標分級的基礎，根據(jù)指標信息量曲線突變點確定臨界值體現(xiàn)了評價單元預測值的相對集中性，也體現(xiàn)了預測單元空間上各等級之間的差異性[13]。

(3)根據(jù)步驟(2)得到的分級臨界值對各個指標進行分級。由于不同等級的指標對于滑坡災害發(fā)生的影響權值存在差異，因而對指標進行合理的分級、歸類合并是提高滑坡災害易發(fā)性評價精度的重要方法之一。

(4)根據(jù)步驟(3)得到的分級結果，計算分級指標信息量。

(5)在災害點500 m緩沖區(qū)外選擇均勻分布全區(qū)的非災害點，和已有的災害點的所有指標信息量集合共同組成訓練樣本集?；轮芙缫酝獾牡刭|體在穩(wěn)定狀態(tài)和滑坡體之間存在一定的差異，因而選擇滑坡災害點一定距離之外的地質體作為非滑坡點樣本具備合理性，將災害點與非災害點的指標數(shù)據(jù)進行整合，構建支持向量機訓練的樣本集合。

(6)利用樣本集合進行2類支持向量機模型訓練。由滑坡點與非滑坡點和各個指標數(shù)據(jù)組成的支持向量機訓練樣本集合中，以1、0標記滑坡狀態(tài)，1代表滑坡點，0代表非滑坡點。

(7)對研究區(qū)進行預測，得到?jīng)Q策值并進行滑坡易發(fā)性等級的劃分。根據(jù)步驟(6)訓練得到的模型，對區(qū)域評價單元計算決策值，并利用自然斷點法進行等級劃分。

3　模型應用分析

3.1研究區(qū)概況及數(shù)據(jù)

重慶市萬州區(qū)位于三峽庫區(qū)的腹心地段，屬于亞熱帶濕潤季風氣候，溫熱多雨，且降雨時空不均，萬州主體地貌上屬于構造-河流侵蝕地貌，以及低山丘陵剝蝕地貌。萬州主城區(qū)主要位于萬縣向斜附近，地層多為近水平產(chǎn)出，且多為順向坡，受河流沖刷侵蝕作用強烈，可引發(fā)后果嚴重的地質災害[13]。本文以萬州區(qū)人類工程活動最為頻繁的主城區(qū)為研究對象，探究信息量支持下SVM模型對滑坡災害易發(fā)性評價的適用性。

研究數(shù)據(jù)包括萬州區(qū)主城區(qū)1∶50 000地形圖、1∶100 000地質圖、1∶100 000滑坡災害分布圖、1∶100 000土地利用類型圖以及Landsat8 OLI遙感影像(行號127，列號039，獲取時間為2013年2月8日)。其中，1∶100 000滑坡災害分布數(shù)據(jù)為點狀數(shù)據(jù)，綜合考慮滑坡面積和范圍屬性，將滑坡點狀數(shù)據(jù)進行空間范圍的擴充，使得統(tǒng)計結果更加合理。

研究區(qū)災害點數(shù)據(jù)為點狀數(shù)據(jù)，并且研究區(qū)域較大，因而選擇柵格單元作為評價單元，柵格大小為30 m×30 m。研究區(qū)內(nèi)共統(tǒng)計發(fā)育的滑坡74個，根據(jù)1∶50 000地形圖內(nèi)插生成30 m分辨率DEM，并作為基礎數(shù)據(jù)的控制圖層，對已有的數(shù)據(jù)圖層進行配準，使其誤差控制在1個像元以內(nèi)。

3.2模型指標分析

3.2.1工程巖土類型及地質構造

萬州區(qū)城內(nèi)出露地層均為沉積巖，除第四系有小片或零星分布外，其余皆為中生界地層。沙溪廟組巖層構成了研究區(qū)的主要地層，其巖性為易滑的細砂巖、粉砂巖、粉砂質黏土巖及泥巖等。在天子城、太子城部分區(qū)域發(fā)育侏羅系上統(tǒng)遂寧組，泥巖、泥質粉砂巖、褐紅色粉砂巖不等厚互層，夾紫色細粒長石砂巖。地層的工程巖土性質因成分不同而變化，主體為層狀碎屑巖，部分為呈散體狀態(tài)。研究區(qū)內(nèi)軟硬巖互層廣泛發(fā)育，主要為泥砂巖互層，是該地區(qū)區(qū)域地質環(huán)境不穩(wěn)定的主要因素之一。

研究區(qū)處于萬縣復向斜核部，北西向發(fā)育黃百溪向斜，且研究區(qū)河網(wǎng)發(fā)育，易受河流侵蝕沖刷，發(fā)生地質災害。部分滑坡點集中發(fā)育在萬縣向斜一定緩沖區(qū)內(nèi)，由研究區(qū)構造區(qū)域滑坡數(shù)量分布和空間分布情況加以修正構造影響范圍[14]，同時根據(jù)第2節(jié)中的步驟2，3確定緩沖區(qū)距離為<200 m，200～400 m，400～800 m，>800 m的4個不同的2級指標。

3.2.2地形

通過對DEM空間分析，確定坡度、坡向、高程以及斜坡結構4類地形指標。

統(tǒng)計不同坡度內(nèi)滑坡災害面積，根據(jù)坡度-災害點信息量分布，發(fā)現(xiàn)滑坡點多發(fā)育在坡度較小的高程較低的地形中，尤其是集中發(fā)育在 坡度10°～40°區(qū)間內(nèi)。在變化較大的區(qū)段進行詳細劃分區(qū)段，其他部分可稍微粗略。坡向分布可以由ArcGIS坡度計算模塊直接得出統(tǒng)計結果，北向坡發(fā)生滑坡的概率相對于其他坡向較大。

三峽地區(qū)地形地貌單元的劃分與高程之間有著緊密的聯(lián)系，萬州區(qū)總體屬于構造-侵蝕、剝蝕低山丘陵地貌，地貌形態(tài)總體呈臺階狀。殷坤龍[15]對萬州龍寶區(qū)、五橋區(qū)實測5個典型階梯狀地形剖面，劃分了河流一級階地120～140 m平臺、河流二級階地140～160 m平臺、河流三級階地175～190 m平臺、220～250 m侵蝕平臺、陡崖前280～300 m侵蝕平臺、以及440～621 m構造剝蝕低山丘陵地帶。因此，根據(jù)前人研究以及研究區(qū)DEM值分布進行如上分級。斜坡結構反映了地層產(chǎn)狀與地形的空間關系，王佳佳等[13]根據(jù)坡度和地層傾向之間的關系，提出了用坡向與傾向間夾角表示斜坡結構。根據(jù)這種表示方法，統(tǒng)計發(fā)現(xiàn)，研究區(qū)滑坡點多發(fā)于坡度0°～45°及90°～162°區(qū)間內(nèi)。

3.2.3水的作用

水對斜坡穩(wěn)定性的影響主要體現(xiàn)在以下3個方面：水的浸潤軟化以及沖刷侵蝕作用、地下水靜水壓力、以及地下水的動水壓力。尤其是水的軟化沖刷作用，在三峽庫區(qū)蓄水后體現(xiàn)得尤為明顯，不同等級河流受庫水位變化影響反應不同，同時其對于滑坡災害發(fā)生的影響范圍也不同，滑坡點多集中在距災害點0～650 m的緩沖區(qū)之間。

3.2.4土地利用類型

萬州主城區(qū)是萬州區(qū)人類工程建設最為強烈的地區(qū)，其中交通建設和房屋建設主要集中在河流的階地上，并且階地內(nèi)地質環(huán)境脆弱，人類工程活動使得該地區(qū)地質災害的發(fā)生變得頻繁。同時，研究區(qū)存在部分林牧業(yè)用地和農(nóng)業(yè)用地，主要集中在城郊，部分滑坡點發(fā)生在其他用地中。

3.2.5歸一化植被指數(shù)

植被歸一化指數(shù)(NDVI)可以反映地表植被覆蓋情況。植被茂盛區(qū)域，由于植被根系對于土壤的固結能力增強，并且有水土保持功效，有利于控制斜坡災害的發(fā)生。王堅[16]通過研究表明經(jīng)過輻射校正和大氣校正之后的遙感影像進行NDVI分析能夠更加真實地反映地表植被的發(fā)育情況。因此，對Landsat8影像進行輻射校正和大氣校正，得到NDVI分析圖，災害點多分布在NDVI值在0～0.6的區(qū)域。

3.3相關性分析及信息量計算

考慮的9個一級指標間并非絕對相互獨立，而是在空間分布規(guī)律上具備一定的相關性，如果只是將各個一級指標信息量進行簡單疊加運算，會帶來信息冗余度增加，精度降低等問題。因此，對這些指標進行相關性分析。相關性大于0.2的有構造作用與水的作用以及高程、水的作用與高程、NDVI與坡向以及高程、坡度與坡向、坡向與高程5類。由于坡度、坡向都是根據(jù)高程數(shù)據(jù)進行處理分析而來，并且NDVI、河流與高程分布相關性較大，所以綜合考慮，去除高程指標。構造作用、水的作用、NDVI、斜坡類型、坡度、坡向、土地利用類型、地層共8個一級指標，37個二級指標共同組成最終的評價體系(見表1)。

3.4信息量-支持向量機模型訓練與分類

根據(jù)選取的8個一級指標，計算每個評價單元的總信息量，總信息量大于0，說明各級影響因子的線性疊加結果是有利于滑坡災害發(fā)生。反之，則不利于滑坡災害發(fā)生。2類SVM的決策值大于0，說明各級影響因子的非線性組合結果是有利于滑坡災害發(fā)生。反之，則不利于滑坡災害發(fā)生。因此，根據(jù)2種方法得到最終總信息量和決策值的零點以及突變點確定易發(fā)性的不同等級。

表1　指標分級以及信息量表

在區(qū)域內(nèi)災害點200 m緩沖區(qū)外選取35個非滑坡點。然后在74個滑坡點中隨機選取15 765個面狀數(shù)據(jù)，在35個非滑坡點中隨機選取4 787個面狀數(shù)據(jù)，共20 552個訓練樣本，8個一級指標以及計算得到的總信息量共同組成2類SVM模型訓練和分類特征集合，即一張20 553×9的二維初始表。

根據(jù)總信息量分布直方圖，將易發(fā)性劃分為低易發(fā)區(qū)(<-1.0)、較低易發(fā)區(qū)([-1.0，0])、較高易發(fā)區(qū)((0，2.1])、高易發(fā)區(qū)(>2.1)4個等級；根據(jù)信息量支持下SVM決策值分布直方圖，將易發(fā)性劃分為低易發(fā)區(qū)(<-1.1)、較低易發(fā)區(qū)([-1.1，0])、較高易發(fā)區(qū)((0，1.3])、高易發(fā)區(qū)(>1.3)4個等級。

圖2　兩種不同模型易發(fā)性評價結果Fig.2　Assessment results of the two landslide susceptibility models

3.5精度評價

為了驗證信息量支持下SVM模型對于研究區(qū)滑坡災害空間易發(fā)性的有效性和精確性，將圖層轉化為柵格文件，便于統(tǒng)計分析并且考慮以下3種評價指標：訓練樣本中滑坡點落入較高易發(fā)區(qū)與高易發(fā)區(qū)占總面積或者總柵格個數(shù)的比例；訓練樣本中非滑坡點落入低易發(fā)區(qū)和較低易發(fā)區(qū)占總面積或者總柵格個數(shù)的比例；城區(qū)主要滑坡體面狀矢量文件(見圖2)落入較高易發(fā)區(qū)與高易發(fā)區(qū)占總面積或者總柵格個數(shù)的比例。

由表2可知，信息量模型對于訓練樣本中滑坡點處于較高易發(fā)區(qū)的比例為57.18%，處于高易發(fā)區(qū)比例為26.35%，精度高達83.53%。信息量支持下SVM模型對于訓練樣本中滑坡點處于較高易發(fā)性區(qū)的比例為47.58%，處于高易發(fā)區(qū)比例為33.83%，精度為81.41%，該模型將研究區(qū)全區(qū)47.05%預測為易發(fā)性高的區(qū)域。

表2　訓練樣本與驗證樣本在不同易發(fā)性等級區(qū)所占比例

但根據(jù)表3可知，信息量模型易發(fā)性評價的結果將研究區(qū)全區(qū)56.79%預測為易發(fā)性高的區(qū)域；根據(jù)表2，信息量模型中訓練樣本中僅有50.52%非滑坡點落入易發(fā)性低的區(qū)域，而信息量支持下SVM模型中訓練樣本中有75.21%的非滑坡點落入易發(fā)性低的區(qū)域。在驗證樣本的檢驗中，信息量模型將85.46%滑坡預測為易發(fā)性高的區(qū)域，而信息量支持下SVM模型將91.11%滑坡預測為易發(fā)性高的區(qū)域。試驗表明，信息量模型與信息量支持下SVM模型在以零點和突變點為易發(fā)性等級劃分的情況下，均能夠對滑坡災害的空間易發(fā)性進行很好的預測，但信息量支持下SVM模型具備相對較高的預測能力和精度。

表3　研究區(qū)不同等級滑坡災害易發(fā)性占比例

4　結　論

通過對三峽庫區(qū)萬州城區(qū)滑坡災害應用信息量模型和信息量支持下SVM模型進行易發(fā)性評價，得出結論如下：

(1)三峽庫區(qū)萬州城區(qū)滑坡災害易發(fā)性高的區(qū)域多沿水系分布，表明庫水的側向侵蝕沖刷以及庫水位的升降對該地區(qū)滑坡穩(wěn)定性有著深遠影響，此外，萬州城區(qū)是人類工程建設強烈的區(qū)域，在建設用地中，多發(fā)滑坡災害，人類工程建設應當充分考慮區(qū)域地質環(huán)境系統(tǒng)的穩(wěn)定性與承載力。三峽庫區(qū)萬州城區(qū)滑坡災害多發(fā)于易滑的褐紅、紫紅雜灰黃、灰綠色細砂巖、粉砂巖、粉砂質黏土巖及泥巖沙溪廟組巖層，軟硬巖相夾，傾角較小；且構造活動對本地區(qū)滑坡災害的發(fā)生具有較強的影響作用。

(2)信息量模型與信息量支持下SVM模型在以信息量值與SVM決策值的零點和突變點為易發(fā)性等級劃分的情況下，能夠對滑坡災害的空間易發(fā)性進行很好的預測，但信息量支持下SVM模型具備相對較高的預測能力和精度，能夠對研究區(qū)滑坡災害的易發(fā)性進行有效預測。

[1]黃潤秋.20世紀以來中國的大型滑坡及其發(fā)生機制[J].巖石力學與工程學報,2007,26(3):433-453.

[2]蘭恒星,周成虎,王苓涓，等.地理信息系統(tǒng)支持下的滑坡-水文耦合模型研究[J].巖石力學與工程學報,2003,22(8):1309-1314.

[3]王佳佳,殷坤龍,杜娟，等.基于GIS考慮準動態(tài)濕度指數(shù)的滑坡危險性預測水文-力學耦合模型研究[J].巖石力學與工程學報,2013,32(2):1309-1314.

[4]殷坤龍.滑坡災害預測預報[M].武漢：中國地質大學出版社,2004:12-26.

[5]彭令,牛瑞卿,陳麗霞.GIS支持下三峽庫區(qū)秭歸縣滑坡災害空間預測[J].地理研究,2010,29(10):1889-1898.

[6]張永興,文海家,歐 敏.滑坡災害智能預測理論及其應用[M].北京:科學出版社,2005.

[7]VAPNIK V.Natural of Statistical Learning Theory[M].New York:John Wiley and Sons,1995.

[8]TAX D M J,DUIN R P W.Support Vector Domain Description[J].Pattern Recognition Letters,1999,20(11/12/13):1191-1199.

[10]李秀珍,孔紀明,王成華.多分類支持向量機在滑坡穩(wěn)定性判識中的應用[J].吉林大學學報·地球科學版,2010,40(3):631-637.

[11]武雪玲,任福,牛瑞卿.斜坡單元支持下的滑坡易發(fā)性評價支持向量機模型[J].武漢大學學報，2013,38(12):1499-1503.

[12]陳玉萍，袁志強，周博，等.遺傳算法優(yōu)化BP網(wǎng)絡在滑坡災害預測中的應用研究[J].水文地質工程地質，2012,39(1):114-118.

[13]王佳佳,殷坤龍,肖莉麗.基于GIS和信息量的滑坡災害易發(fā)性評價——以三峽庫區(qū)萬州區(qū)為例[J].巖石力學與工程學報，2014，33(4):797-808.

[14]劉雪梅.三峽庫區(qū)萬州區(qū)地貌特征及滑坡演化過程研究[D].武漢:中國地質大學,2010.

[15]殷坤龍.三峽庫區(qū)萬州區(qū)近水平地層滑坡成因機制與防治工程研究[M].武漢：中國地質大學出版社,2007：1-28.

[16]王堅.滑坡災害遙感遙測預警理論及方法[M].徐州:中國礦業(yè)大學出版社,2010:67-77.

(編輯：陳敏)

(Weighted-Information)-SVM(Support Vector Machine)model was adopted to assess the landslide susceptibility on the basis of entropy and SVM models.The SVM’s training dataset was comprised by the entropy of nine influence factors,including the stratum lithology,the geological structure,the slope gradient,the direction and structure of slope,the land use,the influence of water,and the NDVI (Normalized Difference Vegetation Index),together with the sum of them.The landslide susceptibility of the whole study area was evaluated,and the result of landslide susceptibility was ranked according to the zero value and abrupt change value of the decision value of model.The landslide susceptibility in Wanzhou district was assessed as an example to validate the WI-SVM model.The research result showed that the accuracy of the training dataset was 81.41% and verification dataset 91.11%,superior to commonly used models.Area with high and relatively high susceptibility accounts for 47.05% of the entire area,mainly in the mainstream and tributaries of the Yangtze River with strong human activities.The results are consistent with the distribution of landslides which has been known,indicating that the WI-SVM model has good applicability for the study area.

Landslide Susceptibility Assessment Using Support Vector MachineBased on Weighted-information Model

AN Kai-qiang1,NIU Rui-qing2

(1.State Key Laboratory of Information Engineering in Surveying,Mapping and Remote Sensing, Wuhan University,Wuhan430079,China; 2.Institute of Geophysics and Geomatics, China University of Geosciences,Wuhan430074,China)

Three Gorges Reservoir is one of the landslide disaster-prone areas in China,and it is meaningful to as-sess the landslides susceptibility of Three Gorges Reservoir both for disaster prevention and reduction.The WI

landslide hazards; weighted-information; support vector machine; susceptibility assessment; Three Gorges Reservoir area

2015-04-15；

2015-05-11

國家高技術研究發(fā)展計劃(863)項目(2012AA121303)

安凱強(1992-)，男，河北石家莊人，碩士研究生，研究方向為災害遙感變化檢測與評估，(電話)027-68778880(電子信箱)kaiqiaAN@163.com。

牛瑞卿(1969-)，男，河南南陽人，教授，博士，從事3S與地質災害研究，(電話)027-67883425(電子信箱)rqniu@163.com。

10.11988/ckyyb.201503112016,33(08):47-51，58

P642-23

A

1001-5485(2016)08-0047-05