孫 巧，唐朝暉，李遠耀，柴 波，盧繼指

(1.中國地質(zhì)大學(武漢)工程學院，湖北 武漢 430074；2.中國地質(zhì)大學(武漢)地質(zhì)調(diào)查研究院，湖北 武漢 430074；3.中國地質(zhì)大學(武漢)環(huán)境學院，湖北 武漢 430074；4.廣西交通規(guī)劃勘察設(shè)計研究院有限公司，廣西 南寧 530029)

基于啞變量分析的龍駒壩地區(qū)崩塌災害易發(fā)性評價

孫 巧1，唐朝暉1，李遠耀2，柴 波3，盧繼指4

(1.中國地質(zhì)大學(武漢)工程學院，湖北 武漢 430074；2.中國地質(zhì)大學(武漢)地質(zhì)調(diào)查研究院，湖北 武漢 430074；3.中國地質(zhì)大學(武漢)環(huán)境學院，湖北 武漢 430074；4.廣西交通規(guī)劃勘察設(shè)計研究院有限公司，廣西 南寧 530029)

選擇合適的評價模型對準確評價崩塌災害的易發(fā)性至關(guān)重要。以磨刀溪流域龍駒壩地區(qū)崩塌災害為對象，對設(shè)置啞變量和未設(shè)置啞變量的Logistic回歸模型進行比選分析，準確建立區(qū)域崩塌災害易發(fā)性區(qū)劃。分析表明：根據(jù)Cox & SnellR2和NagelkerkeR2統(tǒng)計量、混淆矩陣、hosmer-Lemeshow檢驗的結(jié)果，設(shè)置了啞變量的回歸模型對樣本的擬合效果較好，對災害發(fā)生的判對率高。設(shè)置啞變量的回歸模型崩塌概率歸一值集中于極易崩區(qū)和易崩區(qū)，比重和為93%；未設(shè)置啞變量的模型僅為65%，前者的區(qū)劃效果更佳。

Logistic回歸模型；易發(fā)性評價；崩塌；啞變量

中國2/3以上國土是山地和丘陵，崩塌災害極易發(fā)生，是危巖崩塌最發(fā)育的國家之一[1]，致災后果嚴重[2]。易發(fā)性評價是災害預測預報和防災減災工作的主要內(nèi)容。易發(fā)性評價模型較多，國內(nèi)應用較為廣泛的是定性分析推理方法[3]和利用相關(guān)數(shù)學模型的半定量方法[4～7]。在模型選擇上，基于GIS技術(shù)的Logistic回歸模型，是地質(zhì)災害易發(fā)性評價的常用方法之一。在致災因子中，連續(xù)變量可以直接導入模型進行計算，但分類變量(離散型變量)不能直接作為解釋變量進入回歸方程，因為各類別之間是非等距的，故要設(shè)置成啞變量[8]參與分析。然而在以往的研究中，有些學者對于分類變量沒有設(shè)置成虛擬變量[9～10]，或者設(shè)置了虛擬變量[11]但沒深入闡述設(shè)置虛擬變量對研究區(qū)區(qū)劃結(jié)果的影響。

在評價因子的選擇上，胡德勇等[12]以馬來西亞金馬倫高原為研究區(qū)，選擇高程、坡度、坡向、地表曲率、構(gòu)造、土地覆蓋、地貌類型、道路和排水系統(tǒng)作為環(huán)境因素，做了滑坡易發(fā)性預測。楊德宏等[13]選擇坡高、坡度、坡形、地層巖性、區(qū)域構(gòu)造、河流分布、降雨量、人類工程活動、坡表應力應變和歷史災害點作為評價因子，建立了旬陽縣地質(zhì)災害易發(fā)性分區(qū)的多因子綜合評價體系。許湘華[14]根據(jù)貴州省歷史災害分布情況，選擇巖性、地形地貌、降雨量、高程、坡度、坡向、與構(gòu)造線距離、與河流距離、與公路距離、與鐵路距離十個因子，編制了滑坡敏感性區(qū)劃圖，并得出回歸模型中是否設(shè)置啞變量對區(qū)劃結(jié)果沒有顯著影響。

磨刀溪流域龍駒壩地區(qū)降水豐富，崩塌多受控于地質(zhì)構(gòu)造、河流深蝕導致的復雜地形地貌，崩塌發(fā)育密度較高。截至2014年12月底，已查明的磨刀溪下游滑坡、崩塌、泥石流等災害點252處，其中崩塌182處，滑坡67處，泥石流3處。區(qū)域內(nèi)318國道附近，崩塌災害頻發(fā)。如2014年6月25日，在謀道鎮(zhèn)至龍駒壩段發(fā)生一處崩塌，造成4人死亡；2013年6月，趕場鄉(xiāng)一處危巖體崩塌，造成2間房屋損毀、6人受傷。因此，區(qū)域崩塌應予以重視。本文以磨刀溪流域龍駒壩地區(qū)崩塌災害為研究對象，建立設(shè)置啞變量和未設(shè)置啞變量兩種Logistic回歸評價模型比選，準確建立起區(qū)域崩塌災害易發(fā)性區(qū)劃。

1 崩塌災害發(fā)育背景

磨刀溪流域位于三峽庫區(qū)，為長江右岸一級支流。研究區(qū)位于磨刀溪中下游及支流龍駒河，隸屬于重慶市萬州區(qū)和湖北省利川市(圖1)。區(qū)內(nèi)為中低山峽谷地貌，地形切割強烈，坡度大，為崩塌創(chuàng)造了臨空面，崩塌災害發(fā)育集中。交通以公路為主。暴雨集中的夏季，洪澇災害頻繁，尤其是滑坡、巖崩等特別嚴重。

圖1 研究區(qū)地理位置Fig.1 Location of the study area

磨刀溪流域以中生代地層為主，除背斜核部出露三疊系灰?guī)r外，其余為侏羅系紅層。區(qū)內(nèi)以凸向北西的弧形褶皺構(gòu)造為主。

2 啞變量回歸模型的基本原理

2.1 Logistic模型的推導

Logistic模型是二分類因變量回歸分析時常用的統(tǒng)計方法，是一種非線性模型。將崩塌災害是否發(fā)生作為被解釋變量，1，0分別代表災害發(fā)生、不發(fā)生。設(shè)P為災害發(fā)生的概率，取值范圍[0～1]，1-P為不發(fā)生的概率。將P轉(zhuǎn)換成Ω：

(1)

式中：Ω——相對風險或發(fā)生比(odds)，即發(fā)生概率與不發(fā)生概率的比值。

Ω是P的單調(diào)函數(shù)，保證了Ω與P增長(下降)的一致性，使模型易于解釋，取值范圍在0～+∞。Ω轉(zhuǎn)換成lnΩ：

(2)

lnΩ稱為LogitP。兩步轉(zhuǎn)換稱為Logit變換。便可用一般線性回歸模型建立被解釋變量與解釋變量的多元分析模型，即Logistic回歸方程。

因此，設(shè)置啞變量前，回歸模型的方程為:

(3)

(4)

設(shè)置啞變量后，式(4)變成式(5)：

(5)

式中：B——回歸系數(shù)；k——分類變量的個數(shù)；xij——分類變量面積比歸一化值。

2.2 Logistic模型系數(shù)的意義

研究x1變化一個單位對Ω的影響。如果將x1變化之后的相對風險設(shè)為Ω*，則有：

(6)

(7)

(8)

x1增加一個單位導致的相對風險是原來相對風險的exp(B1)倍，即相對風險比為exp(B1)。反映解釋變量變化引起事件發(fā)生概率P的變化程度。

2.3 Logistic回歸方程的檢驗

2.3.1 回歸模型的顯著性檢驗

假設(shè)解釋變量xi引入回歸方程前、后的對數(shù)似然函數(shù)值為L、Lxi，-ln(L/Lxi)2近似服從卡方分布，也稱為似然比卡方。反映了解釋變量xi引入回歸方程后對數(shù)似然比的變化幅度，值越大說明引入越有意義。如果似然比卡方的觀測值對應的概率P值小于顯著水平α，一般α取0.05，解釋變量的全體與LogitP之間的線性關(guān)系顯著。

2.3.2 回歸系數(shù)的顯著性檢驗

采用Wald統(tǒng)計量檢驗，若某解釋變量Waldi觀測值對應的概率P(也稱Sig顯著性)小于顯著性水平0.05，該解釋變量與LogitP的線性關(guān)系顯著，應保留在方程中。反之，不應保留在方程中。

2.3.3 回歸方程擬合優(yōu)度檢驗

(1)Cox & SnellR2及NagelkerkeR2統(tǒng)計量

(9)

式中：LL0——方程中只含常數(shù)項的對數(shù)似然數(shù)；LLk——當前方程的對數(shù)似然數(shù)；n——樣本量。

NagelkerkeR2是修正的Cox & SnellR2，也反映了方程對解釋變量變差的解釋程度。

(10)

Cox & SnellR2和NagelkerkeR2的值在0～1之間，越接近1，擬合優(yōu)度越高，反映了回歸方程能夠解釋被解釋變量的變差程度。

(2)混淆矩陣

通過表格展示模型預測值與實際觀測值的吻合程度?；煜仃嚨囊话阈问揭姳?。

表1 混淆矩陣Table 1 Confusion matrix

(3)hosmer-Lemeshow檢驗

hosmer-Lemeshow統(tǒng)計量越小，表明樣本的實際值和預測值的總體差異越小，擬合效果越好，反之越差。對于hosmer-Lemeshow統(tǒng)計量的概率P值，如果其小于給定的顯著水平α,模型效果擬合不好；反之，模型擬合好。

3 Logistic模型建立

3.1 確定評價因子

建立基于ArcGIS的崩塌災害因子指標(表2)。在回歸分析中，自變量既可能是連續(xù)變量，也可以是離散變量。由于土地利用類型、斜坡結(jié)構(gòu)、地層巖組和坡向分類變量并不是一個連續(xù)的取值范圍，是離散的，故可設(shè)為虛擬變量，用B91～B94、B71～B76、B51～B54、B31～B39表示；當不設(shè)置啞變量時，將B91～B94、B71～B76、B51～B54、B31～B39分別用B9、B7、B5、B3表示。道路、構(gòu)造、水系距離、高程、坡度分類變量都是連續(xù)的取值范圍，設(shè)為連續(xù)變量，用B8、B6、B4、B2、B1表示。評價單元大小為50 m×50 m，共劃分評價單元網(wǎng)格數(shù)為175 640個。

表2 致災因子及其指標值Table 2 Hazard factors and index values

根據(jù)ArcGIS與遙感解譯，得到研究區(qū)的坡度、高程、坡向、河流距離、地層巖組、距構(gòu)造線距離、斜坡結(jié)構(gòu)、道路距離、土地利用類型分級圖。河流距離圖見圖2，其它分級圖略。其中地層巖組劃分為4組，分別為：

圖2 河流距離分級圖Fig.2 Classification map of the distance to the river

侏羅系中統(tǒng)上、下沙溪廟組(J2s、J2xs)，為泥巖夾長石砂巖、石英砂巖巖性；

侏羅系中統(tǒng)新田溝組(J2x)和侏羅系中下統(tǒng)自流井組(J1-2z)，為頁巖、泥巖夾長石砂巖、粉砂巖巖性；

侏羅系下統(tǒng)珍珠沖組(J1z)和三疊系上統(tǒng)須家河組(T3xj)，為巖屑砂巖夾頁巖巖性；

三疊系中統(tǒng)巴東組(T2b)，弱巖溶化泥灰?guī)r、灰?guī)r夾泥巖巖性。

3.2 設(shè)置啞變量的Logistic模型

研究區(qū)內(nèi)發(fā)生崩塌的單元有412個，隨機抽取未發(fā)生崩塌的單元2 060個，使崩塌單元與不塌單元之比為1∶4，得到崩塌災害點情況和對應的因子指標數(shù)據(jù)集，導入SPSS建立樣本數(shù)據(jù)分析集。經(jīng)過顯著值的篩選，剔除了高程指標，保留了坡度、坡向、河流、地層巖性、構(gòu)造、斜坡結(jié)構(gòu)、道路以及土地利用類型8個指標(表3)。

表3 設(shè)置啞變量的崩塌因子敏感性Logistic回歸分析表Table 3 Logistic regression analysis of collapse factors sensitivity considering dummy variables

啞變量中至少有一個顯著性小于0.05的分類變量，普通變量的顯著性均小于0.05，模型通過顯著性檢驗。

將啞變量中各分類變量對應的回歸系數(shù)B絕對值求和，得到土地類型、地層巖組、坡向、斜坡結(jié)構(gòu)指標的求和回歸系數(shù)為1.865，3.045，2.773，1.433，與構(gòu)造、水系、道路及坡度指標相比，崩塌災害對各因子的敏感性程度：道路指標(5.166)>構(gòu)造指標(4.416)>坡度指標(3.683)>河流水系指標(3.651)>地層巖組指標(3.045)>坡向指標(2.773)>土地類型指標(1.865)>斜坡結(jié)構(gòu)指標(1.443)。

3.3 未設(shè)置啞變量的Logistic模型

經(jīng)過顯著性的篩選，高程因子被自然剔除，保留了8個指標(表4)。篩選后的因子顯著性均小于顯著性水平α=0.05，說明各因子與LogitP線性關(guān)系顯著。

各因子對崩塌災害的影響程度：道路指標(5.034)>坡度指標(4.407)>構(gòu)造指標(4.052)>土地類型指標(3.803)>水系指標(3.449)>坡向指標(2.633)>斜坡結(jié)構(gòu)指標(1.396)>地層巖組指標(1.243)。與上個模型結(jié)果對比，除道路和坡向因子順序不變外，其他因子的影響排序均改變，需要進一步比較擬合效果，判斷兩個模型的優(yōu)劣，以得到準確的排序。

表4 未設(shè)置啞變量的崩塌因子敏感性Logistic回歸分析表Table 4 Logistic regression analysis of collapse factors sensitivity not considering dummy variables

4 兩種模型的比較

4.1 分類變量的影響比較

根據(jù)啞變量的回歸分析表，林地、水域、耕地發(fā)生崩塌的odds分別為參照組的1.955，0.458，1.498倍。J2s、J2xs巖組、J1-2z、J2x巖組和J1z、T3xj巖組發(fā)生崩塌的odds分別為參照組的4.131，2.849，0.560倍。崩塌易發(fā)生的三個方向是“西”、“西北”、“西南”，發(fā)生崩塌的odds分別為參照組的2.320，1.671，1.609倍。崩塌災害對逆斜坡、水平坡和橫向坡的敏感性最強，順斜坡和順層坡整體起抑制作用，逆斜坡、水平坡和橫向坡崩塌發(fā)生的odds分別是參照組的1.701，1.622，1.160倍。

未設(shè)置啞變量模型未能得出某一變量的分類變量對崩塌災害是否發(fā)生的影響程度，在細節(jié)上的體現(xiàn)要低于設(shè)置成啞變量的模型。

4.2 擬合優(yōu)度比較

4.2.1 模型系數(shù)的混合檢驗

模型系數(shù)的混合檢驗結(jié)果見表5，設(shè)置啞變量和不設(shè)置啞變量模型的自由度分別是df=22和df=8，計算出的卡方臨界值分別為33.924和15.507。而兩個模型對應的卡方值分別為730.239和692.609，均大于對應的臨界值，并且相應的Sig.值小于0.05，檢驗通過。

表5 模型系數(shù)混合檢驗Table 5 Mixed test of model coefficients

4.2.2 Cox & SnellR2和NagelkerkeR2統(tǒng)計量

統(tǒng)計量結(jié)果見表6。-2倍的對數(shù)似然函數(shù)值：138.603<230.814；Cox & SnellR2：0.497>0.386；NagelkerkeR2：0.712>0.507。在顯著性檢驗、模型系數(shù)混合檢驗均通過時，將離散型變量設(shè)置成啞變量的模型擬合優(yōu)度要高于未設(shè)置成啞變量的模型。

表6 Cox & Snell R2和Nagelkerke R2統(tǒng)計量Table 6 Cox & Snell R2 and Nagelkerke R2 statistical results

4.2.3 混淆矩陣

設(shè)置啞變量的模型，對非崩塌災害區(qū)判斷的正確率小于未設(shè)置啞變量的模型(86.47%<94.05%)(表7)，但對崩塌災害區(qū)，判斷的正確率遠大于未設(shè)置啞變量的模型(75.73%>49.27%)，兩個模型整體的正確判斷率分別為84.32%和85.09%。在整體判對率基本相同時，發(fā)生崩塌的判對率越高，應用中越有現(xiàn)實意義。

表7 回歸模型混淆矩陣Table 7 Confusion matrix of regression models

4.2.4 hosmer-Lemeshow檢驗

由表8可見，設(shè)置啞變量的回歸模型，對應的顯著性為0.121>0.05，說明觀測頻數(shù)與期望頻數(shù)的分布差異不顯著，擬合良好。未設(shè)置啞變量的回歸模型，對應的顯著值為0.049<0.05，觀測頻數(shù)與期望頻數(shù)分布差異較顯著，擬合結(jié)果較差。另外，設(shè)置了啞變量模型的卡方的統(tǒng)計值小于未設(shè)置啞變量的統(tǒng)計值(9.103<16.425)，也說明了前者的差異性小，擬合效果更佳。

表8 回歸模型的h-L測試Table 8 h-L test of regression models

4.3 易發(fā)性區(qū)劃比較

由表2各因子的面積歸一化指標xij及表3、4對應的回歸系數(shù)B，可得到回歸方程。

未設(shè)置啞變量的回歸方程如下：

(11)

設(shè)置啞變量的回歸方程如下：

0.152x32+0.4x33+0.201x34+0x35+0.188x36+

(1.418x51+1.047x52-0.58x53+0x54)+

(-0.782x91+0x92+0.404x93+0.67x94)

(12)

將z1、z2代入式(3)，求出每個評價單元的概率值。將崩塌易發(fā)性分成四級：穩(wěn)定區(qū)、較易崩區(qū)、易崩區(qū)、極易崩區(qū)(圖3，4)。設(shè)置模型崩塌概率區(qū)間，設(shè)置啞變量的模型分別為(0.006～0.055)、(0.055～0.176)、(0.176～0.298)、(0.298～0.473)；未設(shè)置啞變量的模型分別為(0.003～0.039)、(0.039～0.147)、(0.147～0.284)、(0.284～0.435)。得出研究區(qū)崩塌地質(zhì)災害易發(fā)性區(qū)劃。

圖3 設(shè)置啞變量的崩塌易發(fā)性區(qū)劃圖Fig.3 Susceptibility zoning of collapse hazards considering dummy variables

圖4 未設(shè)置啞變量的研究區(qū)崩塌易發(fā)性區(qū)劃圖Fig.4 Susceptibility zoning of collapse hazards not considering dummy variables

概率歸一化值是指將崩塌概率值(崩塌面積與對應的易發(fā)等級區(qū)域面積的比值)歸一化后的數(shù)值。未設(shè)置啞變量的模型，預測能力較低，在易發(fā)和極易發(fā)區(qū)，概率歸一化值和僅為65%，說明易發(fā)性區(qū)劃有35%的崩塌落在了穩(wěn)定區(qū)和較易崩塌區(qū)，區(qū)劃的結(jié)果不理想；設(shè)置啞變量的回歸模型崩塌概率歸一值集中于極易崩區(qū)和易崩區(qū)，比重和為93%(表9)，崩塌落在穩(wěn)定區(qū)和較易崩塌區(qū)僅占歸一化值的7%，總體上效果理想。

表9 崩塌概率比較結(jié)果Table 9 Comparison of the collapse hazard probability

注：表中1、2、3、4分別表示易發(fā)等級極易崩區(qū)、易崩區(qū)、較易崩區(qū)、穩(wěn)定區(qū)。

5 研究區(qū)崩塌易發(fā)性區(qū)劃結(jié)果

5.1 影響崩塌發(fā)育的因子權(quán)重

根據(jù)模型比較，設(shè)置啞變量的模型應作為研究區(qū)崩塌地質(zhì)災害易發(fā)性區(qū)劃的評價模型。在求取地質(zhì)災害危險性評價指標權(quán)重(表10)時，將各項邏輯系數(shù)與邏輯系數(shù)絕對值的和，作為危險性評價權(quán)重計算的數(shù)值來源，求其比重α，則有：

(13) 表10 易發(fā)性評價指標因子權(quán)重Table 10 Susceptibility assessment index weights

崩塌發(fā)育受道路影響最大，受構(gòu)造、坡度、水系影響次之。修建道路切坡開挖會形成臨空面，構(gòu)造不僅控制地層傾角還會引起巖體裂隙發(fā)育，坡度大也提供了良好臨空面，河流的沖刷剝蝕是影響地形地貌的重要原因。由此可見，臨空面、結(jié)構(gòu)面、大坡度是研究區(qū)崩塌發(fā)育的主要原因。

5.2 易發(fā)性區(qū)劃結(jié)果

極易崩區(qū)面積50.77 km2，占研究區(qū)面積的11.44%，崩塌災害點73處，災害點密度為1.44處/km2；易崩區(qū)面積54.13 km2，占研究區(qū)面積的12.20%，崩塌災害點26處，平均災害點密度約0.48處/km2；較易崩區(qū)主要分布在羅田鎮(zhèn)百丈溝河兩岸以及獅子河寨壩村，分區(qū)面積48.38 km2，占總面積的10.9%，崩塌災害點5處，均為小型崩塌，處于基本穩(wěn)定狀態(tài)，災害點密度0.103處/km2；穩(wěn)定區(qū)面積為290.32 km2，占研究區(qū)面積的65.45%，崩塌災害點13處，均為小型崩塌，處于基本穩(wěn)定狀態(tài)，災害點密度為0.045處/km2。

結(jié)合實際背景情況，極易崩區(qū)、易崩區(qū)分布龍駒河、四步河和趕雙河一帶，且有縣道054、縣道553、國道318等要道，受河流和受道路切坡開挖等人為因素影響較大。分布地帶地形坡度較大，為崩塌創(chuàng)造了臨空面，致使崩塌災害發(fā)育集中。結(jié)合區(qū)域地質(zhì)平面圖，基本上可以劃分為四個條帶：趕場鄉(xiāng)—熊家村崩塌帶、民義村—折巖村—中山村崩塌帶、太吉村—小河社區(qū)崩塌帶、龍駒鎮(zhèn)—白云村—玉都村崩塌帶。研究區(qū)處于區(qū)域褶皺地帶，其中白云村—玉都村崩塌帶處于馬頭場向斜核部。崩塌帶主要出露沙溪廟組(J2s)紫紅色泥質(zhì)粉砂巖夾中厚層灰綠色巖屑石英砂巖，臨空面植被覆蓋少，裂隙發(fā)育。崩塌發(fā)育基本不受高程影響。

6 結(jié)論

(1)根據(jù)設(shè)置啞變量的回歸模型，可得出某一變量的分類變量對崩塌災害是否發(fā)生的影響程度，在細節(jié)上的體現(xiàn)要高于未設(shè)置啞變量的模型。

(2)設(shè)置啞變量的回歸模型，其Cox & SnellR2統(tǒng)計量和NagelkerkeR2統(tǒng)計量、混淆矩陣、hosmer-Lemeshow檢驗的結(jié)果均優(yōu)于未設(shè)置啞變量的模型，對樣本的擬合效果較好，對災害發(fā)生的判對率高。

(3)設(shè)置啞變量的回歸模型，崩塌災害易發(fā)性區(qū)劃好。應優(yōu)先選用設(shè)置啞變量的logistic模型進行易發(fā)性評價。

(4)研究區(qū)發(fā)育了四條崩塌帶，臨空面、結(jié)構(gòu)面、大坡度是研究區(qū)崩塌發(fā)育的主要原因。對崩塌帶內(nèi)的危巖體，要做好相應的防護措施。

[1] 何冬曉,謝世友,孫在斌,等.中國地質(zhì)災害發(fā)育特點及防治對策綜述[J].四川地質(zhì)學報,2007,27(1):31-36.[HE D X,XIE S Y,SUN Z B,etal.Characteristics of geological hazards in china and countermeasures of the prevention and control[J].Sichuan Geology,2007,27(1):31-36.(in Chinese)]

[2] Hungr O, Evans S G, Bovis M J,etal. A review of the classification of landslides of the flow type[J]. Environmental & Engineering Geoscience,2001,7(3): 221-238.

[3] 唐亞明,張茂省,李林,等.滑坡易發(fā)性危險性風險評價例析[J].水文地質(zhì)工程地質(zhì),2011,38(2):125-129.[TANG Y M,ZHANG M S,LI L,etal. An example of landslide susceptibility, hazard and risk assessment[J]. Hydrogeology & Engineering Geology,2011,38(2): 125-129. (in Chinese)]

[4] 劉傳正,李鐵鋒,程凌鵬,等.區(qū)域地質(zhì)災害評價預警的遞進分析理論與方法[J].水文地質(zhì)工程地質(zhì),2004,31(4):1-8.[LIU C Z,LI T F,CHENG L P,etal. Progressive analysis theory and method of regional geohazard assessment and early warning[J]. Hydrogeology & Engineering Geology,2004, 31(4):1-8. (in Chinese)]

[5] 劉傳正,李鐵鋒,溫銘生,等.三峽庫區(qū)地質(zhì)災害空間評價預警研究[J].水文地質(zhì)工程地質(zhì),2004,31(4): 9-19.[LIU C Z,LI T F,WEN M S,etal. Study on geohazard space assessment and warning in Sanxia reservoir[J]. Hydrogeology & Engineering Geology,2004, 31(4):9-19. (in Chinese)]

[6] 李媛,曲雪妍,房浩,等.地質(zhì)災害綜合評價指標體系和評價方法研究[J].水文地質(zhì)工程地質(zhì),2013, 40(5):129-132.[LI Y,QU X Y,FANG H,etal.A study of a comprehensive evaluation index system and methods for geo-hazard[J].Hydrogeology & Engineering Geology, 2013, 40(5):129-132.(in Chinese)]

[7] 張超,陳艷,張宇飛,等.基于多元線性回歸模型的云南昭通地質(zhì)災害易發(fā)性評價[J].水文地質(zhì)工程地質(zhì),2016,43(3):159-163.[ZHANG C,CHEN Y,ZHANG Y F,etal. Geohazard susceptibility evaluation in Zhaotong of Yunnan based on the multivariate linear regression model[J]. Hydrogeology & Engineering Geology,2016, 43(3):159-163.(in Chinese)]

[8] 李雪平.基于GIS的區(qū)域斜坡穩(wěn)定性評價Logistic回歸模型研究[D].武漢:中國地質(zhì)大學(武漢),2005.[LI X P.Study on logistic regression model applied to regional slope stability evaluation based on GIS[D].Wuhan: China University of Geosciences(Wuhan),2005.(in Chinese)]

[9] 莊建琦,崔鵬,葛永剛,等.“5·12”汶川地震崩塌滑坡危險性評價——以都汶公路沿線為例[J].巖石力學與工程學報,2010(增刊2):3 735-3 742.[ZHUANG J Q,CUI P,GE Y G,etal.Risk assessment of collapses and landslides caused by 5.12 Wenchuan earthquake—a case study of Dujiangyan—Wenchuan highway[J].Rock Mechanics and Engineering,2010(Sup2):3735-3742.(in Chinese)]

[10] Domínguez-Cuesta M J, Jiménez-Sánchez M, Colubi A,etal. Modelling shallow landslide susceptibility: a new approach in logistic regression by using favourability assessment[J].International Journal of Earth Sciences, 2010,99(3):661-674.

[11] Oh H J, Lee S, Chotikasathien W,etal. Predictive landslide susceptibility mapping using spatial information in the Pechabun area of Thailand[J]. Environmental Geology,2009,57(3):641-651.

[12] 胡德勇,李京,陳云浩,等.GIS支持下滑坡災害空間預測方法研究[J].遙感學報,2007,11(6):852-859.[HU D Y,LI J,CHEN Y H,etal.GIS-based landslide spatial prediction methods,a case study in Cameron highland, Malaysia[J]. Journal of Remote Sensing,2007,11(6):852-859.(in Chinese)]

[13] 楊德宏,范文.基于ArcGIS的地質(zhì)災害易發(fā)性分區(qū)評價——以旬陽縣為例[J].中國地質(zhì)災害與防治學報, 2015,26(4):82-86.[YANG D H,FAN W.Zoning of probable occurrence level of geological disasters based on ArcGIS——a case of Xunyang[J].The Chinese Journal of Geological Hazard and Control, 2015, 26(4):82-86.(in Chinese)]

[14] 許湘華.用Logistic回歸模型編制滑坡災害敏感性區(qū)劃圖的方法研究[J].鐵道科學與工程學報,2010(5): 87-91.[XU X H. Approach study of landslides susceptibility mapping using logistic regression model[J]. Railway Science and Engineering, 2010(5): 87-91.(in Chinese)]

責任編輯：汪美華

Susceptibility assessment of rock collapse hazards in Longjubaarea based on dummy variables analysis

SUN Qiao1，TANG Zhaohui1，LI Yuanyao2，CHAI Bo3，LU Jizhi4

(1.EngineeringFaculty，ChinaUniversityofGeosciences，Wuhan，Hubei430074，China；2.InstituteofGeologicalSurvey，ChinaUniversityofGeosciences，Wuhan，Hubei430074，China；3.SchoolofEnvironmentalStudies，ChinaUniversityofGeosciences，Wuhan，Hubei430074，China；4.GuangxiCommunicationsPlanningSurveyingandDesigningInstituteCo.,Ltd，Nanning，Guangxi530029，China)

Selecting the appropriate assessment model is crucial to the susceptibility assessment of rock collapse hazards. Taking the collapse hazards in the Longjuba area of the Modaoxi basin as an example, this article establishes a logistic regression model considering dummy variables and a logistic regression model not considering dummy variables, and the models are compared to accurately establish the susceptibility zoning. The analysis results show that according to the Cox & SnellR2statistical results, the NagelkerkeR2statistical results, the confusion matrix results, and the hosmer-Lemeshow results, the regression model considering dummy variables provides a better fit to the samples and a higher right percentage of classification whether collapse has occurred. In the regression model considering dummy variables, the normalized probability values of the high easy-happening area and the easy-happening area are 93%. Comparing to only 65% in the model not considering dummy variables, the former has a better zoning effect.

Logistic regression model; susceptibility assessment; rock collapse; dummy variables

2016-07-29;

2016-11-01

地質(zhì)調(diào)查項目(12120113007600)；國家自然科學基金項目(41572256)

孫巧(1991-)，男，碩士研究生,主要研究工程地質(zhì)與環(huán)境地質(zhì)。E-mail:qisu410322@163.com

唐朝暉(1964-)，女，教授，主要從事工程地質(zhì)與環(huán)境巖土工程的教學科研工作。E-mail: zhtang@cug.edu.cn

10.16030/j.cnki.issn.1000-3665.2017.03.19

P642.21

A

1000-3665(2017)03-0127-09