張峰 趙忠國(guó) 謝大偉 李剛 毛偉

摘? 要：在綜合當(dāng)?shù)鼗聻?zāi)害發(fā)育特征和誘發(fā)因素基礎(chǔ)上，選取黃土、坡度、坡向、剖面曲率、降雨等12個(gè)因子作為滑坡災(zāi)害易發(fā)性評(píng)價(jià)因子。利用確定系數(shù)法和信息量模型分別與邏輯回歸結(jié)合構(gòu)建了LLCF、LLSI兩種模型作為滑坡敏感性評(píng)價(jià)方法。據(jù)模型計(jì)算結(jié)果，將滑坡災(zāi)害易發(fā)程度劃分為極低易發(fā)區(qū)、低易發(fā)區(qū)、中易發(fā)區(qū)、高易發(fā)區(qū)和極高易發(fā)區(qū)。利用接收者操作特征曲線（ROC， Receiver Operating Characteristic Curve）及下圍面積（AUC，，Area Under the ROC Curve）值分別對(duì)兩種模型進(jìn)行精度檢驗(yàn)。結(jié)果表明：LLCF和LLSI模型在訓(xùn)練集上成功率曲線AUC值分別為0.903 2和0.841 1;在測(cè)試集上預(yù)測(cè)率曲線AUC值分別為0.899 8、0.871 5。整體上LLCF模型精度高于LLSI模型，為當(dāng)?shù)胤罏?zāi)減災(zāi)、國(guó)土資源等方面提供了有效的數(shù)據(jù)支持。

關(guān)鍵詞：特克斯縣;滑坡敏感性;確定系數(shù)法;信息向量模型;邏輯回歸

隨著氣候變化及城鎮(zhèn)化、人類活動(dòng)等因素影響，滑坡等地質(zhì)災(zāi)害變的非常活躍，我們需重視對(duì)地質(zhì)災(zāi)害的易損性評(píng)價(jià)及區(qū)劃??；旅舾行栽u(píng)價(jià)是以地質(zhì)環(huán)境條件為基礎(chǔ)，綜合分析地質(zhì)災(zāi)害發(fā)生的控制條件及誘發(fā)條件，預(yù)測(cè)地質(zhì)災(zāi)害在一定區(qū)域內(nèi)發(fā)生的可能性[1-2]。目前對(duì)滑坡敏感性評(píng)價(jià)主要采取定性和定量方法評(píng)估[3-5]。定性方法快捷簡(jiǎn)單，可實(shí)現(xiàn)對(duì)地質(zhì)災(zāi)害易發(fā)性的快速分析判斷和評(píng)價(jià)，其局限性是對(duì)參與模型因子權(quán)重的確定存在主觀性，同時(shí)模型的應(yīng)用性也受地域限制，缺乏可重復(fù)性[6-7]。定量物理模型和數(shù)學(xué)模型具不同的局限性，如物理模型準(zhǔn)確性受單個(gè)斜坡或研究區(qū)巖土參數(shù)影響較大，僅適合小范圍或單個(gè)災(zāi)害評(píng)估等[8-9]。數(shù)學(xué)模型需大量精度高的地質(zhì)水文數(shù)據(jù)，因此數(shù)據(jù)選擇和要素等級(jí)劃分差異對(duì)輸出結(jié)果影響較大[10]。近年來，3S技術(shù)的快速發(fā)展有效提高了區(qū)域地質(zhì)災(zāi)害敏感性評(píng)價(jià)模型的評(píng)價(jià)精度，尤其是基于GIS的不同模型方法組合使用在地質(zhì)災(zāi)害敏感性評(píng)價(jià)中得到廣泛應(yīng)用并取得良好效果。

1? 研究區(qū)概況

特克斯縣位于新疆維吾爾自治區(qū)北緯42°22′30″～43°25′30″，東經(jīng)81°19′00″～82°37′30″。特克斯縣屬山區(qū)縣，面積8 352 km2，93%的面積為丘陵地，研究區(qū)海拔919～4 958 m，地勢(shì)呈北低南高（圖1）。該區(qū)氣候?yàn)榈湫捅睖貛Т箨懶詺夂颍昶骄鶜鉁丶s5.3 ℃，年降水量約382.3 mm，日照2 719 h，主要地質(zhì)災(zāi)害為滑坡、泥石流、崩塌等。

2? 數(shù)據(jù)來源與研究方法

2.1? 數(shù)據(jù)來源

本文在實(shí)地調(diào)查和收集現(xiàn)有資料基礎(chǔ)上，分析當(dāng)?shù)氐刭|(zhì)環(huán)境、地質(zhì)災(zāi)害分布規(guī)律、發(fā)育特征及形成條件，選取了數(shù)字高程模型、距斷層距離、巖性、起伏度、土壤類型、平面曲率、黃土分布、年降水量和歸一化植被指數(shù)，在數(shù)字高程模型（DEM）基礎(chǔ)上，分別提取坡向、坡度、剖面曲率為滑坡易發(fā)性評(píng)價(jià)因子。以上參與滑坡條件因子均通過ArcGIS等相關(guān)軟件處理。據(jù)91個(gè)實(shí)測(cè)監(jiān)測(cè)滑坡數(shù)據(jù)點(diǎn)隨機(jī)按7∶3比例劃分為兩個(gè)子集，標(biāo)記為“1”（圖1）。另在非滑坡區(qū)域隨機(jī)生成91個(gè)相同數(shù)量的非滑坡點(diǎn)，同樣按7∶3比例劃分為兩部分，標(biāo)記為“0”。最后得到128個(gè)訓(xùn)練模型數(shù)據(jù)和54個(gè)驗(yàn)證數(shù)據(jù)。

2.2? 研究方法

2.2.1? 確定系數(shù)法（CF）

[Pa]為事件（地質(zhì)災(zāi)害）在因子分類數(shù)據(jù)a中發(fā)生的條件概率，實(shí)際研究中通常用因子分類a中的地質(zhì)災(zāi)害個(gè)數(shù)（或面積）與數(shù)據(jù)分類a的面積比值表示。[Ps]為整個(gè)研究區(qū)災(zāi)害總個(gè)數(shù)（或面積）與研究區(qū)總面積比值。CF變化區(qū)間為[-1，1]，當(dāng)CF值為正時(shí)，其值越大，表明該單元為滑坡易發(fā)區(qū);當(dāng)CF值為負(fù)時(shí)，其值越小，表明該區(qū)域不易發(fā)生滑坡[11] 。

2.2.2? 信息量模型 （SI）

信息量模型認(rèn)為可根據(jù)評(píng)價(jià)因子推算出信息值預(yù)測(cè)是否發(fā)生滑坡的概率。當(dāng)信息量值為負(fù)時(shí)，數(shù)值越小，表明滑坡易發(fā)性的可能性較低。信息量值越大，表明滑坡易發(fā)性的可能性較高[12]。

[I=i=1nIxi，H=i=1nlnNiNSiS]…（2）

式中，[xi]代表評(píng)價(jià)單元內(nèi)所取的因子等級(jí)，[Ixi，H]為因子[xi]對(duì)地質(zhì)災(zāi)害貢獻(xiàn)的信息量;[S]為研究區(qū)面積;[S]為研究區(qū)內(nèi)含有因子[xi]的面積;[N]為研究區(qū)地質(zhì)災(zāi)害總數(shù);[N]為發(fā)生地質(zhì)災(zāi)害區(qū)域內(nèi)含有因子[xi]的數(shù)量，[I]為評(píng)價(jià)單元中綜合信息量;n 為影響因子數(shù)量。

2.2.3? 邏輯回歸

邏輯回歸是研究分類結(jié)果與影響因子之間的一種常用的多元統(tǒng)計(jì)分析方法?；聻?zāi)害建模分析中，它被描述為二元因變量（一般來說，1表示滑坡，0表示非滑坡）與其他自變量（X1，X2，...，Xn）之間的關(guān)系[11]。

[PY=1X=11+ezZ=β0+β1X1+…+βnXn]…（3）

其中[P]為滑坡災(zāi)害發(fā)生的概率，取值范圍為[0，1] ，[β]為邏輯回歸系數(shù)。

3? 結(jié)果分析

3.1? 多重共線性分析

滑坡敏感性評(píng)價(jià)中，由于所選因子在參與回歸分析中可能存在多重共線性問題，因此會(huì)降低構(gòu)建模型的預(yù)測(cè)準(zhǔn)確性。本文在R語言中實(shí)現(xiàn)lasso的運(yùn)算，分析因子之間的多元共線性問題。通過訓(xùn)練集和驗(yàn)證集分別得到各因子對(duì)應(yīng)的Lasso系數(shù)，達(dá)到滑坡敏感性因子的篩選。最終選取高程、土壤類型、年均降雨量、坡度、起伏度、黃土、巖性參與滑坡敏感性模型構(gòu)建分析（表1）。

3.2? 滑坡因子與滑坡分布相關(guān)性分析

滑坡敏感性分區(qū)精度取決于所選的影響因子，深入理解每個(gè)影響因子與滑坡災(zāi)害點(diǎn)的關(guān)系有助于提高滑坡敏感性評(píng)價(jià)及分區(qū)效果。通過將高程、土壤類型、年均降雨量、坡度、起伏度、黃土、巖性因子按公式（1）和（2）分別計(jì)算上述因子在不同分級(jí)中的SI和CF的值，表明滑坡易發(fā)性趨勢(shì)（表2）。

坡度影響因子中，10°～20°內(nèi)滑坡分布比為54.01%。高程因子中，1 800～2 100 m滑坡分布比為70.73%。降水因子中，降水量在400～500 m中滑坡分布比為48.43%。起伏度方面 ，滑坡面積68.29%分布在123～234范圍。巖性方面，碎屑巖組滑坡分布比為79.79%，其他巖性分組占比較少。我們按全國(guó)1∶100土壤分類圖，將研究區(qū)土壤劃分為15類，其中黑氈土發(fā)生滑坡占比為37.98%，黑鈣土滑坡分布占比為29.97%，兩類共占滑坡總面積比的67.95%。

3.3? 滑坡敏感性評(píng)價(jià)結(jié)果

本文將滑坡災(zāi)害點(diǎn)樣本的高程、坡度、土壤類型、年均降雨量、起伏度、黃土、巖性信息量模型的值（SI）和確定系數(shù)法的值（CF）參與到邏輯回歸模型分析中，將評(píng)價(jià)因子分類級(jí)別的SI值和CF值作為自變量，是否發(fā)生地質(zhì)災(zāi)害作為因變量（1代表地質(zhì)災(zāi)害樣本點(diǎn)，0代表非地質(zhì)災(zāi)害樣本點(diǎn)），在SPSS軟件中計(jì)算邏輯的回歸系數(shù)，并構(gòu)建LLSI和LLCF模型，得到滑坡敏感性分區(qū)圖（圖2，3）。本文將滑坡敏感性按照自然間斷點(diǎn)法劃分為5類（極低易發(fā)區(qū)、低易發(fā)區(qū)、中易發(fā)區(qū)、高易發(fā)區(qū)、極高易發(fā)區(qū)）。其中通過LLSI模型劃分得到的極低易發(fā)區(qū)面積（12.33%）、低易發(fā)區(qū)面積（25.07%）、中易發(fā)區(qū)面積（28.76%）、高易發(fā)區(qū)面積（23.46%）和極高易發(fā)區(qū)面積（10.38%）;通過LLCF模型劃分得到的極低易發(fā)區(qū)面積（11.53%）、低易發(fā)區(qū)面積（23.56%）、中易發(fā)區(qū)面積（30.06%）、高易發(fā)區(qū)面積（25.71%）和極高易發(fā)區(qū)面積（9.14%）。

3.3? 評(píng)價(jià)模型精度驗(yàn)證

為進(jìn)一步驗(yàn)證滑坡敏感性分區(qū)意義，利用訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)，分別對(duì)LLCF、LLSI兩種模型進(jìn)行精度檢驗(yàn)。

接收者操作特征曲線（ROC）是評(píng)價(jià)滑坡敏感性模型的有效方法，但往往ROC曲線不能清晰表明哪個(gè)模型的效果更佳，因此我們結(jié)合ROC曲線下的面積（AUC）值評(píng)價(jià)模型。AUC值一般為0.5～1，模型AUC值越大，對(duì)應(yīng)模型效果越好[12]。利用模型建立過程中使用的滑坡數(shù)據(jù)集和模型建立過程中未使用的滑坡數(shù)據(jù)集，對(duì)兩個(gè)模型得出的滑坡敏感性進(jìn)行測(cè)試。本文通過接收者操作特征曲線（ROC）和ROC曲線下方的面積大?。ˋUC）對(duì)模型擬合優(yōu)度及預(yù)測(cè)能力進(jìn)行評(píng)價(jià)。X軸為錯(cuò)誤分類的非滑坡位置，Y軸為成功分類的滑坡位置，ROC曲線下面積越大，模型的性能越好。LLCF和LLSI模型在訓(xùn)練集上的AUC值分別為0.903 2和0.841 1（圖4）。LLCF和LLSI模型在測(cè)試集上的AUC值分別為0.899 8和0.871 5（圖5）。整體上LLCF模型精度高于LLSI模型，從模型精度評(píng)價(jià)可知，基于LLCF模型的滑坡敏感性評(píng)價(jià)效果高于LLSI模型，高敏感性等級(jí)區(qū)間基本覆蓋了已有實(shí)測(cè)滑坡監(jiān)測(cè)點(diǎn)，從一定程度上說明基于LLCF模型的滑坡敏感性評(píng)價(jià)方法可行。

4? 結(jié)論

本文以新疆特克斯縣地質(zhì)災(zāi)害詳查的91個(gè)地質(zhì)災(zāi)害點(diǎn)為基礎(chǔ)，選取高程、距斷層距離、坡度、坡向、剖面曲率、起伏度、土壤類型、黃土分布、年降水量、平面曲率，巖性和歸一化植被指數(shù)作為地質(zhì)災(zāi)害敏感性評(píng)價(jià)因子。分別采用確定系數(shù)法（CF）和信息量法（SI）與邏輯回歸結(jié)合構(gòu)建LLCF和LLSI模型，通過ROC曲線下面積AUC值分別對(duì)LLCF、LLSI模型進(jìn)行精度檢驗(yàn)，整體上基于LLCF模型精度優(yōu)于LLSI模型。因此，LLCF模型對(duì)本研究區(qū)地質(zhì)災(zāi)害敏感性分區(qū)方法具有適用性。

參考文獻(xiàn)

[1]? ? Cruden DM .A simple definition of a landslide[J].Bulletin of Engineering Geology and the Environment，1991，43 （1）： 27-29.

[2]? ?Guzzetti? F， Reichenbach P， Cardinali M， et al. Probabilistic landslide hazard assessment at the basin scale[J]，2005，72（1/2/3/4）：272 -299.

[3]? ? Guzzetti F， Carrara A， Cardinali M， et al. Landslide hazard evaluation： a review of current techniques and their application in a multi-scale study， central Italy[J]. Geomorphology，1999，31（1-4）：181-216.

[4]? ? 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.

[5]? ? Corominas J， van Westen C， Frattini， P， et al. Recommendations for the qunantiative analysis of landslide risk[J]. Bulletin of Engineering Geology and the Environment. 2014， 73（2）：209-263.

[6]? ? Saha AK，? Gupta RP ， Sarkar I，et al.An approach for GIS-based statistical landslide susceptibility zonation—with a case study in the Himalayas[J]. Landslides， 2005，2（1）： 61-69.

[7]? ? Kanungo， DP， Arora， Mk， Gupta， RP， et al. A comparative study of conventional， ANN black box， fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas[J].Engineering Geology. 2006. 85（3-4）： 347-366.

[8]? ? Aleotti P， Chowdhury R .Landslide hazard assessment： summary review and new perspectives[J]. Bulletin of Engineering Geology and the Environment ， 1999，58（1）：21-44.

[9]? ? Baeza C， Corominas J. Assessment of shallow landslide susceptibility by means of ultivariate statistical techniques[J]. Earth Surface Processes and Landforms， 2001，26（12）： 1251-1263.

[10]? Mousavi SZ， Kavian A， Soleimani K，et al. GIS-basedspatial prediction of landslide susceptibility using logistic regression model[J]. Geomatics， Natural Hazards and Risk， 2011，2 （1）， 33-50.

[11]? 田春山，劉希林，汪佳. 基于 CF 和 Logistic 回歸模型的廣東省地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)[J]. 水文地質(zhì)工程地質(zhì)，2016，43（6）：154-170.

[12]? 張曉東，劉湘南，趙志鵬. 信息量模型、確定性系數(shù)模型與邏輯回歸模型組合評(píng)價(jià)地質(zhì)災(zāi)害敏感性的對(duì)比研究[J].現(xiàn)代地質(zhì)，2018，32（3）：602-610.

Comparative Study on Landslide Sensitivity Assessment in Turks County of Xinjiang Based on Determined Coefficient Method

and Information Quantity Model

Zhang feng1， Zhao Zhongguo2，Xie Dawei1，Li Gang1，Mao wei1

（（1.Xinjiang Vocational and Technology college of communication， Urumqi，Xinjiang，830000，China;2.Xinjiang University，Urumqi，Xinjiang，830000，China）

Abstract：On the basis of synthetically considering the development characteristics and inducing factors of local landslide hazards，twelve factors，such as loess，slope gradient，slope direction， section curvature and rainfall，were selected to evaluate the susceptibility of landslide hazards. LLCF and LLSI models are constructed by combining deterministic coefficient method and information model with logistic regression respectively.According to the calculation results of the model， the vulnerability of landslide disasters can be divided into extremely low-vulnerable areas， low-vulnerable areas，medium-vulnerable areas，high-vulnerable areas and extremely high-vulnerable areas.The accuracy of the two models is tested by using ROC （Receiver Operating Characteristic Curve） and AUC （Area Under the ROC Curve） values. The results show that the AUC values of LLCF and LLSI models on the training set are 0.903 2 and 0.841 1 respectively， and the AUC values of predictive rate curve on the test set are 0.899 8 and 0.871 5 respectively. Overall，the accuracy of LLCF model is higher than that of LLSI model，which provides effective data support for local governments in disaster prevention and reduction，land and resources，etc.

Key words：Turks County;Landslide Sensitivity;Determined Coefficient Method;Information Vector Model;Logical Regression