牛全福, 馮尊斌, 張映雪, 黨星海

(蘭州理工大學 土木工程學院, 甘肅 蘭州 730050)

基于GIS的蘭州地區(qū)滑坡災害孕災環(huán)境敏感性評價*

牛全福, 馮尊斌, 張映雪, 黨星海

(蘭州理工大學 土木工程學院, 甘肅 蘭州 730050)

選取坡度、坡向等八個孕災環(huán)境因子，利用概率指數(shù)法、信息量法和Logistic回歸模型對蘭州地區(qū)地質災害進行了危險性研究，對比三種模型的評價結果可以看出，地質災害的敏感性強弱分布趨勢基本一致，信息量模型對應的ROC曲線下面積較大，Logistic回歸模型次之，概率指數(shù)模型略低。模型精度評價表明，信息量模型略高于Logistic回歸模型，概率指數(shù)模型評價精度最低。評價結果表明，位于地質災害極高易發(fā)區(qū)的縣(區(qū))為：城關區(qū)、西固區(qū)、永登縣；位于高易發(fā)區(qū)的縣(區(qū))有：七里河區(qū)、安寧區(qū)；位于易發(fā)區(qū)的縣(區(qū))為皋蘭縣；相對較穩(wěn)定(不易發(fā)區(qū))的縣(區(qū))為榆中縣。

滑坡災害；孕災環(huán)境；敏感性；模型；蘭州

黃土滑坡與崩塌是黃土地區(qū)很重要的地質災害。前者是斜坡或邊坡地帶的巖土體，在重力或其他附加力的作用下，整體順坡下滑的現(xiàn)象；后者是較陡斜坡上的巖土體，在重力作用下，突然發(fā)生崩落現(xiàn)象。由于我國黃土高原地質構造復雜、斷裂發(fā)育、新構造運動強烈，黃土及下伏中新生界泥巖、沙質泥巖等巖土體疏松、欠壓密的巖性性質，以及區(qū)內地形起伏、溝壑縱橫的地貌特征，加之降雨集中、局地性暴雨多，植被稀疏，土體裸露等因素，因此黃土滑坡和崩塌異常發(fā)育。黃土高原地區(qū)滑坡是我國滑坡災害最嚴重的地區(qū)，據統(tǒng)計，我國滑坡約有1/3發(fā)生于黃土高原地區(qū)，僅甘肅省就有各類大小滑坡4萬處，其中，體積大于50萬m3的滑坡約5 580處[1]。滑坡災害是山區(qū)常見的突發(fā)性地質災害，經常壓埋村莊城市、毀壞道路渠道、摧毀工程礦山、堵塞江河水庫、破毀農田，還可引發(fā)泥石流等次生災害。因此，滑坡已成為制約我國黃土山區(qū)經濟發(fā)展和人民生命財產安全的最嚴重自然災害之一，故對黃土區(qū)滑坡災害研究和危險性評價具有重要現(xiàn)實意義[2]。

黃土區(qū)域滑坡災害的危險性是指在一定區(qū)域內滑坡災害發(fā)生的可能性[3]，自1980年后期始，世界各地廣泛開展了滑坡危險性研究。Cross[4]于1996年利用滑坡敏感性指數(shù)(LSI)在英國Derbyshire地區(qū)進行滑坡危險性區(qū)劃實踐研究。Finlay P J等[5]采用統(tǒng)計學原理，對香港1984-1993年間的3 000多個滑坡災害記錄數(shù)據庫進行了統(tǒng)計分析研究，建立了基于滑坡災害幾何條件預測滑坡災害水平運動距離的多元回歸模型。隨著遙感與地理信息系統(tǒng)的發(fā)展，為滑坡災害危險性評價研究提供了更加便利的數(shù)據來源與空間分析工具，使滑坡災害危險性評價研究的精度與效率都得到了很大提高[6-7]。

中國滑坡災害危險性評價研究發(fā)展也較快。仵惠寧[8]分析了蘭州市區(qū)地質環(huán)境特征及其對崩滑流災害的控制作用，并分析了人類工程經濟活動對地質環(huán)境的重大影響。李家存等[9]以馬來西亞金馬侖高原作為研究區(qū),利用概率指數(shù)評價模型進行了滑坡危險性評價，表明此模型具有較好的評價精度。牛全福[10]等基于信息量模型，研究了玉樹地震重災區(qū)結古鎮(zhèn)的滑坡危險性，得出的危險性評價等級與實際滑坡發(fā)生情況吻合度較好。許沖等[11]基于GIS和RS技術，應用邏輯回歸模型開展玉樹地震滑坡危險性評價，并對結果合理性進行檢驗，正確率達83.21%[10]。唐川[12]以柵格單元與地貌單元作為單位評價單元，以信息量法與邏輯回歸法兩種評價模型對汶川進行地質災害易發(fā)性評價分區(qū)，研究表明在小范圍區(qū)域內，基于地貌單元的地質災害易發(fā)性評價分區(qū)具有良好的適用性與可塑性。災害是地球表層變異過程的產物，是致災因子、孕災環(huán)境與承災體綜合作用的結果[13]。目前對滑坡災害孕災環(huán)境危險性的評價，大多依靠專家經驗及因子疊加法進行研究，評價結果往往存在一定的主觀性。同時在研究中采用單一方法進行評價相對較多，而運用多方法比較研究相對較少。因此，本研究償試以黃土地區(qū)實測滑坡為基準，選用滑坡災害危險性評價常用模型：概率指數(shù)模型、信息量模型和邏輯回歸模型，結合研究區(qū)地質災害特點，分別對研究區(qū)滑坡災害危險性進行計算模擬，對比分析評價結果，進一步探究討論評價模型對研究區(qū)的適用性，以期為黃土區(qū)域滑坡災害危險性評價提供研究思路。

1 地質災害危險性評價方法

1.1 概率指數(shù)模型

(1)

式中：GWarea(i)是因子Bi中發(fā)生地質災害的概率，Darea(i)是因子Bi的地質災害的面積密度。

1.2 信息量模型

信息量模型是一種統(tǒng)計分析預測方法。它的理論基礎是信息論，采用地質災害發(fā)生過程中熵的減少來表征地質災害發(fā)生的可能性。區(qū)域地質災害穩(wěn)定性計算中，首先利用已有災害數(shù)據和評價因子，計算各評價因子的信息量，所有影響因子的綜合指標可以通過下式計算得到：

(2)

式中：S為研究區(qū)評價單元的總數(shù)；N為研究區(qū)分布滑坡災害的單元總數(shù)；Si為研究區(qū)內含有評價因素x1的單元數(shù)；Ni為分布在因素x1內特定類別內的滑坡災害單元數(shù)目；總信息量Ii表示區(qū)域地質災害穩(wěn)定性的綜合指標，其值越大表明越利于滑坡災害的發(fā)生。

1.3 Logistic回歸模型

邏輯回歸模型是一種多元非線性統(tǒng)計模型，是地質災害發(fā)生與否這類二分類因變量常用的統(tǒng)計分析方法?；聻暮Πl(fā)生的概率與評價因子之間的關系可表示為：

Z=B0+B1X1+B2X2+…+BnXn；

(3)

P=1/(1+e-z)。

(4)

式中：Z代表變量疊加后的線性權重之和；Bi是回歸系數(shù)；P代表滑坡發(fā)生的概率，輸出結果范圍為0～1，0表示發(fā)生滑坡的概率為 0，1表示發(fā)生滑坡的概率為100% 。

2 研究區(qū)地質災害概況

蘭州地區(qū)地處黃河上游的黃土高原西部，其南北兩側為綿延起伏的山地和溝壑縱橫的黃土梁峁，城區(qū)主要坐落在黃河兩岸Ⅰ、Ⅱ級階地上，黃河干流橫穿主城區(qū)，黃河谷地呈峽谷、串珠狀河谷階地相間，是典型的山地城市。該區(qū)經歷了多個時期的造山運動，地質構造復雜、地形起伏強烈，南北兩山主要為上覆第四系黃土的新生界紅色碎屑巖類，其結構非常疏松，加之高差大，形成較多垂直截立面，故是我國地質災害最嚴重的城市之一[14]。近年來，隨著城市發(fā)展規(guī)模的進一步擴大，受制于特殊的地形地貌條件，城市建設不斷向黃河兩岸山前和臺塬地帶拓展，人類活動對地質災害的引發(fā)和加劇作用已越來越明顯，因此研究該地區(qū)的滑坡災害具有重要的意義。

本次研究選取地質災害高發(fā)的蘭州市及周邊，范圍為103°28′～104°02′ E，35°50′～36°20′ N，面積約2 051.54 km2。區(qū)內突發(fā)性地質災害的類型主要為滑坡、崩塌、泥石流和地面塌陷等。通過遙感解譯和實地調查統(tǒng)計，研究區(qū)共有滑坡災害及隱患點達227處，其中滑坡121處，崩塌68處，不穩(wěn)定斜坡38處，主要分布于南北兩山及山前地帶、蘭州市區(qū)自河口到桑園峽、蘭州火車站到焦家灣、西固洪水溝、黃河北岸大砂溝及徐家灣地帶(圖1)。研究區(qū)滑坡災害主要以斜坡變形破壞為主，即以崩塌、滑坡災害占主導地位，其次為泥石流災害,也與崩塌、滑坡的關系較為密切。

3 滑坡災害危險性評價

3.1 評價指標的獲取

影響黃土滑坡、崩塌災害的因素主要有地形地貌、地層巖性、植被覆蓋、降雨以及人類工程活動等，是多種因素聯(lián)合作用的結果[15]，因此，在地質災害孕災環(huán)境危險性評價中影響因子的選取至關重要。由于研究樣區(qū)范圍不大，故只選影響斜坡穩(wěn)定性的基本因素：高程、坡度、坡向、地形起伏度、地層巖性、曲率及高程變異系數(shù)七個因素作為孕災

圖1 研究范圍

環(huán)境危險性評價因子，而降雨、植被覆蓋等影響因素由于基本相同故沒有考慮。在影響因子的提取中，地層巖性主要依據收集的1：25萬地質數(shù)據獲取，為便于統(tǒng)計計算，將研究區(qū)地層巖性面狀數(shù)據轉換為柵格數(shù)據格式，并根據巖層的堅硬程度，將其劃分為5個等級，即穩(wěn)定巖組、偶滑巖組、較易滑巖組、易滑巖組、極易滑巖組；坡度等其它因子主要基于ArcGIS軟件的表面分析功能，利用1：5萬DEM為基礎數(shù)據進行提取并進行分級。

3.2 區(qū)域滑坡災害危險性計算

3.2.1 概率指數(shù)模型法

首先基于ArcGIS軟件平臺，將調查獲得的歷史滑坡災害數(shù)據和已提取的影響因子圖層進行疊加運算，得到研究區(qū)滑坡面積密度；然后將歷史滑坡與各因子各分段區(qū)域進行疊加分析，分別獲得各影響因子各分段的區(qū)域面積、分段內滑坡災害的面積，依據公式(1)計算得到概率指數(shù)(表1)；最后將所有影響因子概率指數(shù)圖層進行疊加運算，得到全要素綜合概率指數(shù)圖，即基于概率指數(shù)的研究區(qū)滑坡災害敏感性分布圖，采用幾何分割方法將計算結果分為5個等級，分別為極高易發(fā)區(qū)、高易發(fā)區(qū)、易發(fā)區(qū)、不易發(fā)區(qū)、極不易發(fā)區(qū)，然后將解譯的滑坡災害數(shù)據與敏感性分布圖進行疊加(圖2)。

圖2 概率指數(shù)法

3.2.2 信息量模型

對獲取的8個影響因子圖層，利用ArcGIS的空間分析功能，結合已調查獲取的滑坡災害數(shù)據進行疊加運算，獲取滑坡災害在不同因子類別中的分布密度，依據公式(2)計算各評價因子的信息量值(表1)；其次對各影響因子的各類別依據計算的信息量值進行重分類，獲得各因子的信息量圖層；最后將所有因子的信息量圖層進行疊加運算，得到全要素綜合信息量圖，采用幾何分割方法將計算結果分為 5 個等級，分別為極高易發(fā)區(qū)、高易發(fā)區(qū)、易發(fā)區(qū)、不易發(fā)區(qū)、極不易發(fā)區(qū)，然后將解譯的滑坡災害數(shù)據與信息量分布圖進行疊加(圖3)。

3.2.3 Logistic回歸模型

基于Logistic回歸模型的地質災害危險性評估中，在已提取的柵格數(shù)據上進行滑坡發(fā)生和未發(fā)生點采樣，然后利用SPSS軟件進行邏輯回歸分析，得到各影響因子的邏輯回歸系數(shù)值 (表2)。由于邏輯回歸本身具有挑選變量的功能，對變量沒有貢獻或貢獻很小的變量剔除出模型，本研究基于Logistic回歸模型選取的影響因子有：高程、坡度、平面曲率、起伏度、地質巖組以及高程變異系數(shù)，將其邏輯回歸系數(shù)值代入公式(3)，計算各個評價單元發(fā)生滑坡的概率，概率數(shù)值越大，反映發(fā)生滑坡的敏感性越大。

同樣采用幾何分割方法將計算結果分為5個等級，分別為極高易發(fā)區(qū)、高易發(fā)區(qū)、易發(fā)區(qū)、不易發(fā)區(qū)、極不易發(fā)區(qū)，然后將解譯的滑坡災害數(shù)據與邏輯回歸計算得概率分布圖進行疊加(圖4)。

圖4 Logistic模型法

評價因子分段情況類內面積/km2類內滑坡面積/km2概率指數(shù)信息量高程/m<18002172028068-0201800～210028570541000182100～24001166016072-0152400～2700710012085002>2700129002076-009坡度/(°)<15863010024-03515～252443031028-02125～352151034034-00135～45118402504502745～55347010062060>55046002100108坡向平地033001082002N822012073-010EN924014078-003E1079018086006ES853013078-003S726010067-019WS735010069-016W956019100021WN907016087008坡度變率<52119029034-0145～10383306203900110～15975018045015>15107003064050坡向變率<20152103110002520～40235803908000440～601955026065-018>601199015063-021地形起伏度/m<151194013025-03515～303612050031-01330～45176903404402045～60396011064058>60062003100103地質穩(wěn)定巖組342001017-149偶滑巖組247004070-054較易滑巖組363001014-169易滑巖組3073066100031極易滑巖組267034060-021切割深度/m<51221014028-0345～103576049035-01410～20172103404902220～30426011064048>30089004100092

表2 Logistics回歸系數(shù)表

3.3 評價結果分析

3.3.1 精度評定

ROC曲線(receiver operating characteristic curve)，又稱感受性曲線，曲線上各點可反映在幾種不同的判定標準下對同一信號刺激的相同感受性[16]。ROC曲線下的面積值位于0～1之間，越接近于1，說明模型的判別結果較好。其評判標準為：曲線下的面積小于0.5，預測結果相反；面積接近0.5，為隨機模型；面積在 0.5～0.7 之間，則模型具有較低的準確性，面積在0.7～0.9 之間，模型具有較高的準確性；面積大于0.9，說明該模型具有極高的準確性。ROC曲線已成功應用于地質災害敏感性模型評價中[9]，其對應關系為：①靈敏度表示為現(xiàn)實為地質災害，通過數(shù)學模型計算也判斷為地質災害的概率；②特異度表示為實際上未發(fā)生地質災害，通過數(shù)學模型計算亦判斷不是地質災害的概率；③誤判率表示把實際為假值，通過數(shù)學模型計算卻判斷為真值的概率。

本次研究采用SPSS軟件，將概率指數(shù)模型、信息量模型及Logistic回歸模型的預測結果及建模區(qū)內地質災害發(fā)生與否情況，通過采樣并制作成Excel文件導入SPSS軟件中，得到三種評價模型的ROC曲線(圖5)和精度計算結果(表3)。由圖5和表3可知，信息量模型的預測精度最好，其ROC曲線下面積為0.732；Logistic回歸模型ROC曲線下面積為0.723，其預測精度次之；概率指數(shù)模型的

預測精度較前兩種模型略低，其ROC曲線下面積為0.7。但依據ROC曲線評價標準，信息量和概率指數(shù)模型均達到較高準確性級別，說明本研究區(qū)其預測結果具有較高的可信度，均能夠較好地進行本研究區(qū)地質災害危險性預測。

圖5 ROC曲線

3.3.2 危險性分布特征分析

為了更進一步討論此三種模型的預測可靠性，本研究對每一種模型的預測結果按相同的標準進行風險分級，并進行各算法預測結果中各等級面積統(tǒng)計(表4)。

為進一步對三種模型的預測結果作詳細分析，研究中分別對城關區(qū)、七里河區(qū)、西固區(qū)以及安寧區(qū)的預測結果進行對比分析(圖6)。

表3 ROC曲線計算結果

表4 三種模型各等級面積統(tǒng)計表 km2

圖6 預測結果對比直方圖

分析圖6得出：就城關區(qū)的預測結果來看，三種模型預測結果中各級別面積大小的趨勢基本一致，尤其在極高、高和中三個級別中，概率指數(shù)和信息量模型的預測結果十分接近，而邏輯回歸模型的預測結果較大，在低和極低級別中，三種模型的預測結論趨勢一致，但有些許差異，其主要原因為該區(qū)域面積較大，災害發(fā)生數(shù)據少，模型計算預測有一定誤差所致；從七里河區(qū)的預測結果來分析，概率指數(shù)和信息量模型的預測結果與城關區(qū)相似，而邏輯回歸模型的預測結果卻較其它兩種方法偏小；在西固區(qū)的預測結果上，三種方法在極高、高和中三個級別中的預測結論解本一致；安寧區(qū)的預測結果與城關區(qū)的預測結果基本相似。綜合四個區(qū)域的預測結果，信息量和邏輯回歸模型的預測結論基本一致，這與上述ROC的精度評定結論相一致。

由此，本研究區(qū)進行地質災害孕災環(huán)境危險性評估，可以信息量模型或邏輯回歸模型的預測結果分析，本研究選取息量法的預測結果進行進一步的討論。首先，將研究區(qū)調查得到的滑坡歷史地質災害數(shù)據與信息量模型預測結果圖進行疊加統(tǒng)計，分別計算落入各區(qū)縣、各危險等級的滑坡歷史災害面積，然后，計算滑坡歷史災害數(shù)據與各區(qū)縣、各危險等級的面積百分比，若數(shù)值相對較大，則確定為風險等級較高。通過計算得出：位于極高易發(fā)區(qū)的縣(區(qū))為：城關區(qū)、西固區(qū)，其實際滑坡面積占預測面積分別為5.63%和5.91%； 位于高易發(fā)區(qū)的縣(區(qū))有：七里河區(qū)、安寧區(qū)，其實際滑坡面積占預測面積分別為1.57%和1.54%；位于易發(fā)區(qū)的縣(區(qū))為皋蘭縣，其實際滑坡面積占預測面積為0.5%；位于不易發(fā)區(qū)的縣(區(qū))為榆中縣，其實際滑坡面積占預測面積為0.15%，即相對較穩(wěn)定。

4 結束語

蘭州地區(qū)由于其地質構造復雜、地形起伏較大，人類活動強烈，山地災害頻發(fā)。地質災害的發(fā)生除了受地層巖性、地質構造、地形地貌等孕災環(huán)境條件的控制外，人類活動、降雨等誘發(fā)因素也是地質災害發(fā)生的直接誘發(fā)因素。對于研究區(qū)地質災害風險評估，除了要考慮研究區(qū)的靜態(tài)本底影響因素和誘發(fā)因素外，預測方法也是相對重要的一環(huán)。本研究主要針對地質災害研究廣泛采用的概率指數(shù)、信息量法和Logistic回歸模型，以地質災害高發(fā)的蘭州市區(qū)及周邊為研究對象進行了孕災環(huán)境敏感性分析，詳細對比分析了三種模型適用性，并以信息量模型所得結果進行敏感性分析，得出以下結論。

(1)從三種模型的預測結果來看，其敏感性強弱分布的趨勢基本一致，基于ROC曲線分析得出，信息量模型對應ROC曲線下的面積較大，Logistic回歸模型次之，概率指數(shù)模型略低。就本區(qū)域本次研究結果來看，信息量模型略高于Logistic回歸模型，而Logistic回歸模型略高于概率指數(shù)模型。

(2)進一步對三種模型的預測結果作詳細分析得出，各模型預測結果中各等級的面積大小趨勢基本一致，同時，通過統(tǒng)計各區(qū)縣、各等級的面積進行對比分析，綜合分析得出：信息量和邏輯回歸模型的預測結果基本相似，這與ROC曲線的分析結論相一致。

(3)基于信息量模型的預測結果，并與滑坡歷史災害數(shù)據疊加統(tǒng)計，計算其與各區(qū)縣、各等級面積百分比，結果表明，位于地質災害極高易發(fā)區(qū)的縣(區(qū))為：城關區(qū)、西固區(qū)；位于高易發(fā)區(qū)的縣(區(qū))有：七里河區(qū)、安寧區(qū)；位于易發(fā)區(qū)的縣為皋蘭縣；相對較穩(wěn)定的縣為榆中縣。需要指出的是，本次研究區(qū)選擇的是蘭州市及南北兩山部分區(qū)域，致災因子的選取僅選擇了與孕災環(huán)境相關的一部分因素，如植被覆蓋、降雨等由于研究范圍較小，認為對研究區(qū)影響相同而未采用，同時也未進一步考慮各評價因子間的相關性以及影響地質災害發(fā)生的機理問題，因此，后續(xù)在更多數(shù)據輔助下，可進一步針對各評價因子對地質災害的影響做更深入的綜合分析。

[1] 吳瑋江, 王念秦. 甘肅滑坡災害[M]. 蘭州: 蘭州大學出版社, 2006.

[2] 史培軍. 再論災害研究的理論與實踐[J]. 自然災害學報, 1996, 5(4): 6-17.

[3] 董穎. 地質災害風險評估理論與實踐[M]. 地質出版社, 2009.

[4] 李強. 基于GIS的重慶北碚城區(qū)滑坡災害危險性評價[D]. 重慶: 西南大學, 2008.

[5] Finlay P J, Mostyn G R, Fell R. Landslide risk assessment: prediction of travel distance[J]. Canadian Geotechnical Journal, 1999, 36(3):556-562.

[6] 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.

[7] Biswajeet P, Saro L. Utilization of optical remote sensing data and GIS tools for regional landslide hazard analysis using an artificial neural network model[J]. Earth Science Frontiers, 2007, 14(6):143-151.

[8] 仵慧寧. 蘭州市區(qū)地質環(huán)境特征與崩滑流災害[J]. 甘肅科學學報, 2000, 12(3): 78-82.

[9] 李家存, 李京, Jasmi. 基于概率指數(shù)模型的區(qū)域滑坡危險性評價[J]. 中國圖象圖形學報, 2007, 12(8): 1471-1475.

[10] 牛全福, 程維明, 蘭恒星. 基于信息量模型的玉樹地震次生地質災害危險性評價[J]. 山地學報, 2011, 29(2): 243-248.

[11]許沖, 徐錫偉. 邏輯回歸模型在玉樹地震滑坡危險性評價中的應用與檢驗[J]. 工程地質學報, 2012, 20(1): 326-333.

[12]唐川, 馬國超. 基于地貌單元的小區(qū)域地質災害易發(fā)性分區(qū)方法研究[J]. 地理科學, 2015, 35(1): 91-98.

[13]史培軍. 三論災害研究的理論與實踐[J]. 自然災害學報, 2002, 11(3): 1-9.

[14]張春山, 李國俊, 張業(yè)成. 黃河上游地區(qū)崩塌滑坡泥石流地質災害風險評價[J]. 地質力學學報, 2006, 12(2): 211-218.

[15]Niu Quanfu, Cheng Weiming, et al. Risk assessment of secondary geological disasters induced by Yushu Earthquake [J]. Journal of mountain science, 2012, 9: 232-242.

[16]陳玉, 郭華東, 王欽軍. 基于RS與GIS的蘆山地震地質災害敏感性評價[J]. 科學通報, 2013, 58(36): 3859-3866.

Susceptibility Assessment of Disaster Environment for LandslideHazard based on GIS in Lanzhou Area

NIU Quanfu, FENG Zunbin, ZHANG Yingxue and DANG Xinghai

(SchoolofCivilEngineering,LanzhouUniversityofTechnology,Lanzhou730050,China)

Becauseofitscomplexgeologicalstructure,largerelief,stronghumanactivities,frequentgeologichazards,LanzhouisoneofthemostseriousgeologicalhazardinChina.Inthisstudy,eightfactorsofdisasterenvironmentwereselected,suchasslope,aspectandsoon,andtheriskassessmentofgeologicalhazardswerestudiedwiththemethodsofProbabilityIndex(PI),InformationModel(IM)andLogisticRegression(LR).Theassessmentresultsofthethreemodelswerecomparedanditcanbeseenthatthesensitivitydistributionofgeologicalhazardsisbasicallyconsistent.TheareaundertheROCcurveoftheIMislarger,andtheLRissecond,andthePIisslightlylower.Fromitsaccuracy,itshowsthattheIMisslightlyhigherthantheLR,andthelowestisthePI.Theassessmentresultsshowthatthecounty(district)locatedinthehigherproneareasofgeologicalhazardsare:Chengguandistrict,Xigudistrict,Yongdengcounty;thehighproneareasofgeologicalhazardsare:Qilihedistrict,Anningdistrict;Gaolancountyislocatedintheproneareas;andtherelativelystableareaisYuzhongcounty.

landslidehazard;hazard-pregnantenvironment;susceptibility;models;Lanzhou

2016-11-25

2017-01-04

國家自然科學基金(41461084)；甘肅省自然科學基金(145RJZA180)

牛全福(1973-)，男，甘肅天水人，博士，副教授，主要從事地理信息與數(shù)字地形分析方面的研究. E-mail:330398304@qq.com

10.3969/j.issn.1000-811X.2017.03.006.]

X43；P642.22

A

1000-811X(2017)03-0029-07

10.3969/j.issn.1000-811X.2017.03.006

牛全福, 馮尊斌, 張映雪,等. 基于GIS的蘭州地區(qū)滑坡災害孕災環(huán)境敏感性評價[J]. 災害學，2017，32(3)：29-35. [NIU Quanfu, FENG Zunbin, ZHANG Yingxue,et al.Susceptibility Assessment of Disaster Environment for Landslide Hazard based on GIS in Lanzhou Area[J]. Journal of Catastrophology，2017，32(3)：29-35.