于淼 邢會(huì)歌 胡士瑜

摘要：泥石流是中國(guó)西南地區(qū)常見(jiàn)的地質(zhì)災(zāi)害，通常會(huì)造成巨大破壞和人員傷亡，泥石流易發(fā)性評(píng)價(jià)可以為地區(qū)防災(zāi)減災(zāi)及工程選址規(guī)劃提供理論依據(jù)。以四川省石棉縣為研究區(qū)，獲取該縣288個(gè)歷史泥石流作為泥石流數(shù)據(jù)集，選取高程、坡度、坡向、水系密度、地層巖性等13個(gè)評(píng)價(jià)因子，使用信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型對(duì)石棉縣進(jìn)行泥石流易發(fā)性評(píng)價(jià)，并利用受試者工作特征曲線(xiàn)（ROC）對(duì)模型進(jìn)行對(duì)比和評(píng)估。結(jié)果表明：四川省石棉縣泥石流高易發(fā)區(qū)集中分布在該縣縱向中部地區(qū)，多處于河流、道路及斷層附近;信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型的ROC曲線(xiàn)下面積（AUC）分別為0.917，0.928和0.931，可見(jiàn)耦合模型的精度最高，分區(qū)結(jié)果更加合理可靠。因此，信息量-邏輯回歸耦合模型在泥石流易發(fā)性評(píng)價(jià)上具有優(yōu)越性，其分區(qū)結(jié)果對(duì)泥石流防治具有實(shí)踐意義。

關(guān) 鍵 詞：泥石流; 易發(fā)性評(píng)價(jià); 信息量模型; 邏輯回歸模型; 信息量-邏輯回歸耦合模型; ROC曲線(xiàn)

中圖法分類(lèi)號(hào)： P642.2

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.12.016

0 引 言

中國(guó)氣候條件多樣，地貌差異性大，部分地區(qū)降水集中，極易引發(fā)滑坡、崩塌、泥石流等地質(zhì)災(zāi)害[1]。2019年全國(guó)共發(fā)生地質(zhì)災(zāi)害6 181起，造成211人死亡、13人失蹤、75人受傷，直接經(jīng)濟(jì)損失27.7億元[2]。石棉縣隸屬四川省雅安市西南部，為泥石流高發(fā)區(qū)域。泥石流時(shí)常造成石棉縣道路受阻、村民房屋淤埋等情況，更有甚者，嚴(yán)重威脅村民生命安全。如2013年7月4日，石棉縣暴發(fā)特大泥石流，造成G108、S211等國(guó)、省干道和縣鄉(xiāng)公路多處中斷，其中回隆鄉(xiāng)8人遇難，18人失蹤[3]。2014年7月10日發(fā)生的山洪泥石流造成石棉縣直接經(jīng)濟(jì)損失22 904萬(wàn)元，受災(zāi)人數(shù)1 886人[4]。2020年8月12日，石棉縣栗子坪鄉(xiāng)發(fā)生泥石流，造成直接經(jīng)濟(jì)損失1 500萬(wàn)元[5]。

泥石流易發(fā)性評(píng)價(jià)是指在一定的孕災(zāi)背景條件下泥石流的空間發(fā)生概率，主要判斷評(píng)價(jià)區(qū)內(nèi)容易發(fā)生泥石流的位置，而不考慮發(fā)生的具體時(shí)間和規(guī)模，進(jìn)而預(yù)測(cè)評(píng)價(jià)區(qū)域未來(lái)產(chǎn)生泥石流的可能性[6]，以有效減少泥石流造成的人員傷亡及財(cái)產(chǎn)損失。針對(duì)災(zāi)害易發(fā)性評(píng)價(jià)，Reichenbach等將文獻(xiàn)中提出的方法分為地貌圖、災(zāi)害清單分析、基于指數(shù)的方法、基于過(guò)程的方法和基于統(tǒng)計(jì)的建模方法5類(lèi)[7]。其中邏輯回歸模型因其假設(shè)簡(jiǎn)單，具有能對(duì)分類(lèi)自變量、連續(xù)自變量或混合自變量進(jìn)行回歸建模，以事件發(fā)生概率的形式提供結(jié)果等優(yōu)點(diǎn)[8]，是基于統(tǒng)計(jì)的建模方法中使用頻率最高的方法[7]。Esper使用頻率比和邏輯回歸模型對(duì)位于圣胡安的安第斯山脈和山前部分地區(qū)進(jìn)行了泥石流易發(fā)性評(píng)價(jià)[9]。Alisa等采用SINMAP模型和邏輯回歸模型進(jìn)行泥石流易發(fā)性評(píng)價(jià)，均發(fā)現(xiàn)邏輯回歸模型具有更高的精度[10]。邏輯回歸模型也被Zhao等用于浙江省樂(lè)清市北部的滑坡易發(fā)性研究[11]。雖然邏輯回歸模型應(yīng)用廣泛，但是需要大量而準(zhǔn)確的數(shù)據(jù)對(duì)數(shù)學(xué)模型的構(gòu)建進(jìn)行支撐，當(dāng)數(shù)據(jù)較少時(shí)，評(píng)價(jià)結(jié)果不準(zhǔn)確[12]。若將兩種模型或多種模型耦合進(jìn)行地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)，將會(huì)取長(zhǎng)補(bǔ)短，使評(píng)價(jià)結(jié)果精度更高[13]。如隨機(jī)森林與信息量模型結(jié)合的加權(quán)信息量模型[14]，AHP、二元邏輯回歸模型和最小信息熵相結(jié)合的綜合權(quán)重模型[15]，確定性系數(shù)與邏輯回歸耦合模型[16]，層次分析法與模糊數(shù)學(xué)耦合模型[17]等多模型耦合的方法均在災(zāi)害易發(fā)性評(píng)價(jià)中表現(xiàn)出優(yōu)越性。因?yàn)樾畔⒘磕Ｐ褪且环N非常流行的雙變量統(tǒng)計(jì)方法，可以較好地解決因素眾多、難以量化的地質(zhì)災(zāi)害定量評(píng)價(jià)問(wèn)題[18]，并且信息量模型與邏輯回歸模型結(jié)合能充分利用彼此模型的優(yōu)點(diǎn)，克服存在的缺點(diǎn)，提高模型易發(fā)性評(píng)價(jià)精度[19]，所以本文采用信息量-邏輯回歸耦合模型進(jìn)行易發(fā)性評(píng)價(jià)。

以四川省石棉縣作為研究區(qū)域，從研究區(qū)地形、降雨、水文、地表等背景條件出發(fā)，初步選取13個(gè)評(píng)價(jià)因子，利用ROC曲線(xiàn)法和信息量模型對(duì)評(píng)價(jià)因子進(jìn)行篩選，確定關(guān)鍵評(píng)價(jià)因子體系，分別使用信息量模型，邏輯回歸模型和信息量-邏輯回歸耦合模型進(jìn)行泥石流易發(fā)性評(píng)價(jià)，并利用ROC曲線(xiàn)評(píng)價(jià)模型精度，以為石棉縣選址規(guī)劃、防災(zāi)減災(zāi)提供一定的參考。

1 研究區(qū)概況

石棉縣隸屬四川省雅安市，位于青藏高原橫斷山脈東部，大渡河中游（見(jiàn)圖1）。地理坐標(biāo)東經(jīng)101°56′27″～102°34′09″，北緯28°51′03″～29°32′11″，東西最大橫距60.0 km，南北最大縱距76.5 km，處于川西高原與四川盆地過(guò)渡帶，地勢(shì)西高東低，南北高、中部低，呈西、南、北向中部?jī)A斜，地形陡峻，相對(duì)高差大[20]。石棉縣屬中緯度亞熱帶季風(fēng)氣候?yàn)榛鶐У纳降貧夂?，受地形影響，氣候垂直分布明顯，近11 a平均降水量為1 207.57 mm。石棉縣地層以早震旦系、震旦系和第四系地層為主，巖性以巖漿巖為主，其次為沉積巖、變質(zhì)巖和松散巖類(lèi)[20-21]。

石棉縣泥石流頻發(fā)，地質(zhì)云服務(wù)平臺(tái)的數(shù)據(jù)顯示：1949～2018年石棉縣泥石流災(zāi)害點(diǎn)共288處，占石棉縣442處地質(zhì)災(zāi)害點(diǎn)的65.16%，占四川省391處泥石流災(zāi)害點(diǎn)的73.67%。石棉縣是四川省內(nèi)發(fā)生泥石流最多的地區(qū)，所以本文選擇石棉縣進(jìn)行泥石流易發(fā)性評(píng)價(jià)具有研究意義。

2 數(shù)據(jù)來(lái)源及研究方法

2.1 數(shù)據(jù)來(lái)源

（1） 地理空間數(shù)據(jù)云（http：∥www.webmap.cn/）：30 m分辨率的DEM數(shù)據(jù)用于提取高程、坡度、坡向、相對(duì)高差等評(píng)價(jià)因子;30 m分辨率的Landsat8衛(wèi)星影像（2017年）用于提取評(píng)價(jià)因子歸一化植被指數(shù)（NDVI）。

（2） 全國(guó)地理信息資源目錄服務(wù)系統(tǒng)（http：∥www.webmap.cn/）：獲取30 m分辨率的水系、交通、居民點(diǎn)和土地利用數(shù)據(jù)。

（3） 地質(zhì)云（http：∥geocloud.cgs.gov.cn/）：獲取斷層、地層巖性和泥石流災(zāi)害點(diǎn)數(shù)據(jù)。

（4） 美國(guó)國(guó)家海洋和大氣管理局官網(wǎng)（https：∥www.noaa.gov/）：獲取石棉縣及周?chē)?縣近11 a年平均降水量數(shù)據(jù)。

（5） 石棉縣公安局：獲取2019年石棉縣各鄉(xiāng)鎮(zhèn)戶(hù)籍人口數(shù)據(jù)。

2.2 研究方法

2.2.1 ROC曲線(xiàn)法

受試者工作特征（ROC）曲線(xiàn)能表示出擬合數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)之間的關(guān)系[12]，因其簡(jiǎn)單、直觀，且具有較好的試驗(yàn)準(zhǔn)確性，被廣泛應(yīng)用于地質(zhì)災(zāi)害易發(fā)性區(qū)域評(píng)價(jià)[18]。ROC曲線(xiàn)橫坐標(biāo)為1-特異度，代表非泥石流預(yù)測(cè)為泥石流，縱坐標(biāo)為敏感度，代表泥石流預(yù)測(cè)為非泥石流，即可對(duì)比單個(gè)評(píng)價(jià)因子對(duì)泥石流發(fā)育的影響和重要性[22]。ROC曲線(xiàn)下面積（Area Under the Curve，AUC）是衡量評(píng)價(jià)結(jié)果精度的一個(gè)標(biāo)準(zhǔn)，AUC值越接近1，表示評(píng)價(jià)結(jié)果精度越高。

2.2.2 信息量模型

信息量模型源于信息理論中量化描述信息的一種統(tǒng)計(jì)評(píng)價(jià)方法[23]，可將研究區(qū)實(shí)測(cè)數(shù)據(jù)轉(zhuǎn)化為可量化大小的信息量值，從而作為衡量地質(zhì)災(zāi)害易發(fā)性的定量指標(biāo)[18]。具體公式如下：

Iij=lnNij/NSij/S （1）

I=ni=1Iij=ni=1lnNij/NSij/S （2）

式中：I（ij）為評(píng)價(jià)因子i的第j類(lèi)的信息量值;I為評(píng)價(jià)單元總的信息量值;Nij為評(píng)價(jià)因子i的第j類(lèi)中泥石流災(zāi)害點(diǎn)個(gè)數(shù);N為研究區(qū)泥石流災(zāi)害點(diǎn)總數(shù);Sij為研究區(qū)中含有ij的總面積;S為研究區(qū)總面積;n為評(píng)價(jià)因子個(gè)數(shù)。

一般而言，總信息量值I越大，說(shuō)明該單元越易發(fā)生泥石流，易發(fā)性等級(jí)高。對(duì)研究區(qū)每個(gè)評(píng)價(jià)單元進(jìn)行信息量值的疊加運(yùn)算，即可得到該區(qū)域泥石流易發(fā)性情況，進(jìn)而確定泥石流易發(fā)性分區(qū)。

2.2.3 邏輯回歸模型

邏輯回歸模型是一種廣義的線(xiàn)性回歸分析模型，可以在一個(gè)因變量和多個(gè)自變量之間形成多元回歸關(guān)系，從而預(yù)測(cè)某一區(qū)域某一事件的發(fā)生概率[24]。邏輯回歸的因變量為分類(lèi)變量，將泥石流是否發(fā)生作為因變量，取值“1”代表發(fā)生泥石流，取值“0”代表未發(fā)生泥石流。由于泥石流是否發(fā)生為二分類(lèi)，所以本文的邏輯回歸分析均指二元邏輯回歸分析。

記泥石流發(fā)生的條件概率為P，則邏輯回歸模型為

lnP1-P=β0+β1X1+β2X2+…+βiXi （3）

式中：β0，β1，β2，…，βn為邏輯回歸系數(shù);X0，X1，X2，…，Xn為自變量。

對(duì)公式（3） 的P求解，即得到泥石流發(fā)生概率為

P=eβ0+β1X1+β2X2+…+βiXi1+eβ0+β1X1+β2X2+…+βiXi （4）

P為單個(gè)評(píng)價(jià)單元內(nèi)發(fā)生泥石流的概率，P值越大，說(shuō)明該單元越易發(fā)生泥石流，易發(fā)性等級(jí)高，可根據(jù)P值對(duì)研究區(qū)域進(jìn)行泥石流易發(fā)性分區(qū)。

2.2.4 信息量-邏輯回歸耦合模型

信息量-邏輯回歸耦合模型是將計(jì)算得到的信息量值作為邏輯回歸模型的自變量，計(jì)算邏輯回歸系數(shù)β0，β1，β2，…，βn，進(jìn)而完成泥石流易發(fā)性評(píng)價(jià)。

3 評(píng)價(jià)因子體系的確定

3.1 評(píng)價(jià)因子的選取與分級(jí)

泥石流的形成需要3個(gè)必備條件：① 利于集水、集物的地形條件;② 豐富的松散物質(zhì);③ 短期內(nèi)充足的水源。因此，從地形因子、巖性因子、地質(zhì)構(gòu)造因子、人為活動(dòng)因子、降水因子等基礎(chǔ)條件出發(fā)構(gòu)建初始評(píng)價(jià)體系。本文在前人較為普遍采用的評(píng)價(jià)因子基礎(chǔ)上，考慮因子可獲得性和可計(jì)算性，最終選取高程、坡度、坡向、相對(duì)高差、水系密度、地層巖性、距斷層距離、NDVI、居民點(diǎn)密度、路網(wǎng)密度、人口密度、年平均降水量和土地利用13個(gè)初始評(píng)價(jià)因子。將每個(gè)評(píng)價(jià)因子圖層轉(zhuǎn)換為格網(wǎng)大小150 m×150 m的柵格數(shù)據(jù)，并利用ArcGIS刪除沒(méi)有包含全部評(píng)價(jià)因子信息的柵格單元，以消除不重合的圖層邊界[25]。

在以往學(xué)者研究的基礎(chǔ)上[26-27]，確定了本文評(píng)價(jià)因子的分級(jí)標(biāo)準(zhǔn)：因?yàn)樽匀粩帱c(diǎn)法是根據(jù)數(shù)值統(tǒng)計(jì)分布規(guī)律使類(lèi)與類(lèi)之間不同最大化的分級(jí)方法，所以使用自然斷點(diǎn)法將連續(xù)性數(shù)據(jù)NDVI、相對(duì)高差、居民點(diǎn)密度、路網(wǎng)密度、水系密度、人口密度和年平均降水量分為5類(lèi);按《工程巖體分級(jí)標(biāo)準(zhǔn)》中的巖石軟硬程度定性分級(jí)標(biāo)準(zhǔn)將地層巖性分為5類(lèi)[28];按照四川省第一次地理國(guó)情普查公報(bào)中對(duì)高程及坡度的分類(lèi)標(biāo)準(zhǔn)及石棉縣實(shí)際情況將高程分為4類(lèi)，坡度分為5類(lèi);按照ArcGIS軟件分類(lèi)標(biāo)準(zhǔn)將坡向分為9類(lèi);根據(jù)全國(guó)地理信息資源目錄服務(wù)系統(tǒng)土地利用說(shuō)明將土地利用分為8類(lèi);根據(jù)以往學(xué)者經(jīng)驗(yàn)及石棉縣實(shí)際情況將距斷層距離分為5類(lèi)。評(píng)價(jià)因子分級(jí)詳圖如圖2所示。

3.2 基于ROC曲線(xiàn)法與信息量模型構(gòu)建關(guān)鍵評(píng)價(jià)因子體系

如果將所有因子都考慮到易發(fā)性評(píng)價(jià)的計(jì)算過(guò)程中，某些性質(zhì)相近的因子可能會(huì)存在較高程度的相關(guān)性，這相當(dāng)于因子重復(fù)使用，會(huì)影響評(píng)價(jià)結(jié)果的科學(xué)性[29]。所以利用ArcGIS的多元分析功能對(duì)評(píng)價(jià)因子進(jìn)行相關(guān)性分析，得到坡度與相對(duì)高差、路網(wǎng)密度與居民點(diǎn)密度的相關(guān)系數(shù)值大于0.7，說(shuō)明這兩對(duì)因子均具有強(qiáng)正相關(guān)性，需要進(jìn)行篩除。

將ROC曲線(xiàn)法與信息量模型相結(jié)合，以確定關(guān)鍵評(píng)價(jià)因子體系。首先利用公式（1） 計(jì)算評(píng)價(jià)因子各分級(jí)狀態(tài)下的信息量值（見(jiàn)表1），然后選取288個(gè)泥石流災(zāi)害點(diǎn)和等量非災(zāi)害點(diǎn)（發(fā)生泥石流為1，未發(fā)生為0）作為狀態(tài)變量，將對(duì)應(yīng)評(píng)價(jià)因子各分級(jí)狀態(tài)下的信息量值作為檢驗(yàn)變量，利用ROC曲線(xiàn)法進(jìn)行分析，并按照AUC值確定各評(píng)價(jià)因子的重要程度排序（見(jiàn)圖3）。如圖3所示，13個(gè)評(píng)價(jià)因子的重要度排序?yàn)楦叱?gt;路網(wǎng)密度>土地利用>居民點(diǎn)密度>坡度>相對(duì)高差>水系密度>NDVI>距斷層距離>地層巖性>人口密度>坡向>年平均降水量。按照相關(guān)性分析及此排序，刪除相對(duì)高差及居民點(diǎn)密度。

評(píng)價(jià)因子的選取數(shù)量也是災(zāi)害易發(fā)性評(píng)價(jià)中的關(guān)鍵點(diǎn)，評(píng)價(jià)因子選取數(shù)量過(guò)多或過(guò)少，都會(huì)影響評(píng)價(jià)結(jié)果的準(zhǔn)確性[30]。因此，按照重要程度從小到大依次剔除評(píng)價(jià)因子，將剩余評(píng)價(jià)因子按公式（2） 進(jìn)行信息量值疊加計(jì)算，得到一次泥石流易發(fā)性評(píng)價(jià)結(jié)果，最后利用ROC曲線(xiàn)評(píng)價(jià)每次泥石流易發(fā)性評(píng)價(jià)結(jié)果的精度，使得AUC值最大的評(píng)價(jià)因子體系即為關(guān)鍵評(píng)價(jià)因子體系。

如表2所列，由11個(gè)評(píng)價(jià)因子組成的指標(biāo)體系的AUC值最大，所以選擇高程、路網(wǎng)密度、土地利用、坡度、水系密度、NDVI、距斷層距離、地層巖性、人口密度、坡向、年平均降水量作為最終的評(píng)價(jià)因子。

4 易發(fā)性評(píng)價(jià)結(jié)果及分析

4.1 信息量模型評(píng)價(jià)結(jié)果

由表1可知：

（1） 泥石流易發(fā)生在低海拔、坡度平緩和相對(duì)高差小的區(qū)域，高程大于3 500 m的區(qū)域沒(méi)有泥石流發(fā)生。

（2） 路網(wǎng)密度、水系密度、人口密度和居民點(diǎn)密度都整體呈現(xiàn)出評(píng)價(jià)單元密度越大，越易發(fā)生泥石流的情況。

（3） 年平均降雨量大于1 000 mm的地區(qū)和距斷層距離小于1 000 m的地區(qū)更易發(fā)生泥石流，與實(shí)際情況一致。

（4） 人類(lèi)活動(dòng)頻繁的地區(qū)如建設(shè)用地、耕地比林地等植被覆蓋率高的地區(qū)更易發(fā)生泥石流。

根據(jù)信息量結(jié)果，利用ArcGIS計(jì)算得到評(píng)價(jià)單元的總信息量值，信息量值范圍為-14.267～12.535。使用自然斷點(diǎn)法將總信息量值分為5類(lèi)，從而得到信息量模型下的石棉縣泥石流易發(fā)性分區(qū)圖，見(jiàn)圖4（a）。

4.2 邏輯回歸模型評(píng)價(jià)結(jié)果

將288個(gè)泥石流災(zāi)害點(diǎn)與等量非泥石流災(zāi)害點(diǎn)作為泥石流易發(fā)性評(píng)價(jià)的統(tǒng)計(jì)樣本。其中“1”代表發(fā)生泥石流，“0”代表不發(fā)生泥石流。使用頻率比作為模型的指標(biāo)值，頻率比公式如下：

Rij=Nij/NSij/S （5）

將樣本數(shù)據(jù)導(dǎo)入SPSS軟件中進(jìn)行邏輯回歸分析，結(jié)果坡向、人口密度和水系密度的顯著性均大于0.05，說(shuō)明這3個(gè)評(píng)價(jià)因子對(duì)模型結(jié)果影響不顯著，所以剔除坡向、人口密度和水系密度，重新進(jìn)行邏輯回歸分析，得每個(gè)評(píng)價(jià)單元泥石流發(fā)生的概率為

P=（e-8.201+0.440I1+0.775I2+0.204I3+3.047I4+0.221I5+0.229I6+0.338I7+1.393I8）/

（1+e-8.201+0.440I1+0.775I2+0.204I3+3.047I4+0.221I5+0.229I6+0.338I7+1.393I8）（6）

式中：I1，I2，…，I8分別為評(píng)價(jià)單元內(nèi)對(duì)應(yīng)的NDVI、距斷層距離、高程、年平均降水量、路網(wǎng)密度、土地利用、坡度和地層巖性的頻率比。通過(guò)ArcGIS計(jì)算得研究區(qū)內(nèi)評(píng)價(jià)單元發(fā)生泥石流概率值為0.002 1～0.999 9，使用自然斷點(diǎn)法將概率值分為5類(lèi)，從而得到邏輯回歸模型下的石棉縣泥石流易發(fā)性分區(qū)圖，見(jiàn)圖4（b）。

4.3 信息量-邏輯回歸耦合模型評(píng)價(jià)結(jié)果

同邏輯回歸模型分析步驟，將信息量值作為模型的指標(biāo)值導(dǎo)入SPSS軟件中進(jìn)行邏輯分析，結(jié)果表明人口密度的顯著性大于0.05，剔除人口密度后再次進(jìn)行邏輯回歸分析，得每個(gè)評(píng)價(jià)單元的泥石流發(fā)生概率P。

P=（e-0.154+0.684+0.693I2+0.766I3+1.040I4+0.248I5+1.233I6+0.684I7+0.428I8+0.417I9+0.885I10）/

（1+e-0.154+0.684+0.693I2+0.766I3+1.040I4+0.248I5+1.233I6+0.684I7+0.428I8+0.417I9+0.885I10）（7）

式中：I1，I2，…，I10分別為評(píng)價(jià)單元內(nèi)對(duì)應(yīng)的NDVI、距斷層距離、高程、 年平均降水量、路網(wǎng)密度、坡向、水系密度、土地利用、坡度和地層巖性的信息量值。利用ArcGIS得研究區(qū)內(nèi)評(píng)價(jià)單元發(fā)生泥石流的概率值范圍為0.000 1～0.999 9，使用自然斷點(diǎn)法將概率值分為5類(lèi)，從而得到耦合模型下的石棉縣泥石流易發(fā)性分區(qū)圖（見(jiàn)圖4（c））。

4.4 易發(fā)性評(píng)價(jià)結(jié)果分析

根據(jù)圖4可知：3種模型計(jì)算得到的易發(fā)性分區(qū)圖具有一定的相似性，根據(jù)泥石流易發(fā)性評(píng)價(jià)結(jié)果及泥石流災(zāi)害點(diǎn)分布情況可知：

（1） 易發(fā)區(qū)高的地區(qū)較為集中的分布在石棉縣縱向中部地區(qū)和中東部地區(qū)，包括河流（大渡河、南椏河）、道路（京昆高速公路、G108）及斷層等，說(shuō)明泥石流易發(fā)于河流、道路及斷層附近。此外該地區(qū)人類(lèi)活動(dòng)頻繁，增加了泥石流發(fā)生的可能性。

（2） 石棉縣西部、東北部和東南部地區(qū)易發(fā)性等級(jí)較低。其中東北部和西南部地區(qū)海拔較高，地表大部分被林地和永久冰雪覆蓋;東北部地區(qū)地層巖性多為穩(wěn)定性強(qiáng)的堅(jiān)硬巖，且年均降水量較少，所以此地區(qū)不易發(fā)生泥石流。

（3） 3個(gè)易發(fā)性分區(qū)圖也具有一定差異。信息量模型的高易發(fā)區(qū)分布較為分散，中、低等級(jí)易發(fā)區(qū)呈混合型分布;邏輯回歸模型的高等級(jí)易發(fā)區(qū)沿路網(wǎng)過(guò)于集中分布;耦合模型易發(fā)區(qū)分布則融合了信息量模型與邏輯回歸模型的特點(diǎn)，即高易發(fā)區(qū)沿河流、路網(wǎng)集中分布的同時(shí)也具有一定的分散性。

4.5 評(píng)價(jià)結(jié)果驗(yàn)證

本文采用ROC曲線(xiàn)法評(píng)價(jià)3個(gè)模型的精度，如圖5所示，邏輯回歸模型、信息量模型和耦合模型的AUC值分別為0.917，0.928和0.931。3個(gè)模型的AUC值均大于0.9，說(shuō)明3個(gè)模型的精度都很好，但是耦合模型的精度最高，說(shuō)明模型的耦合確實(shí)提高了評(píng)價(jià)精度。

將歷史泥石流災(zāi)害點(diǎn)與易發(fā)性分區(qū)圖進(jìn)行疊加分析，如表3所列。3個(gè)模型的災(zāi)害點(diǎn)百分比都隨著易發(fā)區(qū)等級(jí)的升高而增加，說(shuō)明3個(gè)模型都具有合理性。其中信息量模型、邏輯回歸模型和耦合模型的高易發(fā)區(qū)災(zāi)害點(diǎn)百分比分別為69.44%，64.58%和75.69%，耦合模型的災(zāi)害點(diǎn)百分比為最大值，這進(jìn)一步說(shuō)明了耦合模型的易發(fā)性分區(qū)與研究區(qū)實(shí)際情況更為一致，模型精度更高。

5 結(jié) 論

（1） 以四川省石棉縣為研究對(duì)象，選取高程、坡向、相對(duì)高差、距斷層距離、地層巖性、水系密度、NDVI、路網(wǎng)密度、人口密度、居民點(diǎn)密度、坡度、年均降水量和土地利用13個(gè)初始評(píng)價(jià)因子。對(duì)評(píng)價(jià)因子進(jìn)行相關(guān)性分析，并基于ROC曲線(xiàn)法和信息量模型對(duì)評(píng)價(jià)因子進(jìn)行篩選，剔除相對(duì)高差及居民點(diǎn)密度后，確定了由11個(gè)評(píng)價(jià)因子組成的關(guān)鍵評(píng)價(jià)因子體系。

（2） 利用信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型分別對(duì)石棉縣進(jìn)行泥石流易發(fā)性評(píng)價(jià)。評(píng)價(jià)結(jié)果表明：石棉縣泥石流高易發(fā)區(qū)位于縱向中部地區(qū)及中東部地區(qū)，集中分布在河流、道路及斷層附近。位于該地區(qū)的宰羊鄉(xiāng)、迎政鄉(xiāng)、先鋒藏族鄉(xiāng)、擦羅彝族鄉(xiāng)、新民藏族彝族鄉(xiāng)、美羅鄉(xiāng)、新棉街道等鄉(xiāng)鎮(zhèn)在暴雨天氣要重點(diǎn)監(jiān)測(cè)不穩(wěn)定邊坡，應(yīng)做好泥石流預(yù)警工作，以保障人民群眾的生命及財(cái)產(chǎn)安全。

（3） 利用ROC曲線(xiàn)評(píng)價(jià)信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型的精度，3個(gè)模型的AUC值分別為0.917，0.928和0.931，耦合模型的AUC值最大，體現(xiàn)了模型耦合在泥石流易發(fā)性評(píng)價(jià)中的優(yōu)越性。并且耦合模型高易發(fā)區(qū)的災(zāi)害點(diǎn)百分比最大，進(jìn)一步說(shuō)明了耦合模型的精度更高。因此，本文使用信息量-邏輯回歸模型對(duì)石棉縣進(jìn)行泥石流易發(fā)性評(píng)價(jià)具有可靠性和合理性，分區(qū)結(jié)果可以為石棉縣選址規(guī)劃及防災(zāi)減災(zāi)提供參考依據(jù)。

參考文獻(xiàn)：

[1] 何樹(shù)紅，姜毅，計(jì)曉林.泥石流災(zāi)害經(jīng)濟(jì)損失研究綜述[J].災(zāi)害學(xué)，2019，34（4）：153-158.

[2] 金昌市自然資源局金川分局.2019年全國(guó)地質(zhì)災(zāi)害災(zāi)情及2020年地質(zhì)災(zāi)害趨勢(shì)預(yù)測(cè)[EB/OL].[2020-01-13].http：∥www.jinchuan.gov.cn/xxgkml/zfbm/gtfj/gzxx_1963/ywgzgtj/202001/t20200113_134022.html.

[3] 石棉縣公安局.石棉縣公安局全力開(kāi)展“7.4”特大泥石流災(zāi)害搶險(xiǎn)救災(zāi)工作[EB/OL].[2013-09-11].http：∥www.shimian.gov.cn/gongkai/show/20171225115300-024744-00-000.html.

[4] 石棉縣氣象局.石棉縣7.10自然災(zāi)害統(tǒng)計(jì)表[EB/OL].[2014-12-22].http：∥www.shimian.gov.cn/gongkai/show/20171225115300-042767-00-000.html.

[5] 四川在線(xiàn).石棉一場(chǎng)泥石流“沖走”1500萬(wàn) 萬(wàn)幸無(wú)人員傷亡[EB/OL].[2020-8-13].http：∥k.sina.com.cn/article_1887538377_70818cc902000n5hl.html.

[6] 王高峰，楊強(qiáng)，田運(yùn)濤，等.泥石流易發(fā)性評(píng)價(jià)模型的構(gòu)建：以白龍江流域石門(mén)鄉(xiāng)羊湯河段為例[J].干旱區(qū)研究，2019，36（3）：761-770.

[7] REICHENBACH P，ROSSI M，MALAMUD B D，et al.A review of statistically-based landslide susceptibility models[J].Earth-science Reviews，2018，180：60-91.

[8] 李雪平.基于GIS的區(qū)域斜坡穩(wěn)定性評(píng)價(jià)Logistic回歸模型研究[D].武漢：中國(guó)地質(zhì)大學(xué)，2005.

[9] ESPER ANGILLIERI M Y.Debris flow susceptibility mapping in a portion of the Andes and Preandes of San Juan，Argentina using frequency ratio and logistic regression models[J].Earth Sciences Research Journal，2013，17（2）：159-167.

[10] ALISA A M，MASTRANTONIO L，MOREIRAS S M.Debris rlows susceptibility analysis in the Provincial Aconcagua Park，Mendoza，Argentina[J].Revista De La Facultad De Ciencias Agrarias，2019，51（2）：177-191.

[11] ZHAO Y，WANG R，JIANG Y，et al.Gis-based logistic regression for rainfall-induced landslide susceptibility mapping under different grid sizes in Yueqing，Southeastern China[J].Engineering Geology，2019，259：1-10.

[12] 杜謙，范文，李凱，等.二元Logistic回歸和信息量模型在地質(zhì)災(zāi)害分區(qū)中的應(yīng)用[J].災(zāi)害學(xué)，2017，32（2）：220-226.

[13] 王昌明，黃健，李橋，等.基于信息量模型與Logistic回歸模型耦合的山西呂梁市地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)研究[J].水利水電技術(shù)，2019，50（3）：132-138.

[14] 楊盼盼，王念秦，郭有金，等.基于加權(quán)信息量模型的臨潼區(qū)滑坡易發(fā)性評(píng)價(jià)[J].長(zhǎng)江科學(xué)院院報(bào)，2019，36（1）：1-9.

[15] 陳朝亮，彭樹(shù)宏，錢(qián)靜，等.基于AHP-Logistic熵權(quán)模型的西南淺丘區(qū)地質(zhì)災(zāi)害分布特征研究：以?xún)?nèi)江市為例[J].長(zhǎng)江科學(xué)院院報(bào)，2020，37（2）：55-61.

[16] 覃乙根，楊根蘭，江興元，等.基于確定性系數(shù)模型與邏輯回歸模型耦合的地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)：以貴州省開(kāi)陽(yáng)縣為例[J].科學(xué)技術(shù)與工程，2020，20（1）：96-103.

[17] 崔志超，王俊豪，崔傳峰，等.基于層次分析法和模糊數(shù)學(xué)相結(jié)合的甘肅東鄉(xiāng)八丹溝泥石流易發(fā)性評(píng)價(jià)[J].中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2020，31（1）：44-50.

[18] 陳立華，李立豐，吳福，等.基于GIS與信息量法的北流市地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)[J].地球與環(huán)境，2020，48（4）：471-479.

[19] 田欽，張彪，郭建飛，等.基于信息量和邏輯回歸耦合模型的滑坡易發(fā)性評(píng)價(jià)[J].科學(xué)技術(shù)與工程，2020，20（21）：8460-8468.

[20] 倪化勇，巴仁基，劉宇杰.四川省石棉縣地質(zhì)災(zāi)害發(fā)生的雨量條件與氣象預(yù)警（報(bào)）[J].水土保持通報(bào)，2010，30（6）：112-118.

[21] 王春山，巴仁基，周洪福，等.四川省石棉縣縣城泥石流災(zāi)害風(fēng)險(xiǎn)評(píng)估[J].水土保持研究，2014，21（4）：219-223，228.

[22] 劉月，王寧濤，周超，等.基于ROC曲線(xiàn)與確定性系數(shù)法集成模型的三峽庫(kù)區(qū)奉節(jié)縣滑坡易發(fā)性評(píng)價(jià)[J].安全與環(huán)境工程，2020，27（4）：61-70.

[23] 王雷，吳君平，趙冰雪，等.基于GIS和信息量模型的安徽池州地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)[J].中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2020，31（3）：96-103.

[24] 周偉.基于Logistic回歸和SINMAP模型的白龍江流域滑坡危險(xiǎn)性評(píng)價(jià)研究[D].蘭州：蘭州大學(xué)，2012.

[25] 許湘華.用Logistic回歸模型編制滑坡災(zāi)害敏感性區(qū)劃圖的方法研究[J].鐵道科學(xué)與工程學(xué)報(bào)，2010，7（5）：87-91.

[26] 蔡健玲.GIS技術(shù)與貝葉斯層次模型支持下的滇西北泥石流易發(fā)性評(píng)價(jià)[D].昆明：昆明理工大學(xué)，2019.

[27] 樊芷吟，茍曉峰，秦明月，等.基于信息量模型與Logistic回歸模型耦合的地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)[J].工程地質(zhì)學(xué)報(bào)，2018，26（2）：340-347.

[28] 長(zhǎng)江水利委員會(huì)長(zhǎng)江科學(xué)院.工程巖體分級(jí)標(biāo)準(zhǔn)：GB/T 50218-2014[S].北京：中國(guó)計(jì)劃出版社，2014

[29] 張恒曼.基于泥石流易發(fā)性評(píng)估的東川區(qū)村落分布特征研究[D].昆明：云南大學(xué)，2019.

[30] 張志沛，魏在豪.基于加權(quán)信息量模型的滑坡災(zāi)害易發(fā)性評(píng)價(jià)：以灞橋區(qū)為例[J].科學(xué)技術(shù)與工程，2020，20（9）：3492-3500.

（編輯：劉 媛）

Debris flow susceptibility assessment based on information value and logistic regression coupled model：case of Shimian County，Sichuan Province

YU Miao，XING Huige，HU Shiyu

（College of Architecture and Environment，Sichuan University，Chengdu 610065，China）

Abstract：

Debris flow is a common geological disaster in southwest of China，usually causing huge damage and casualties.The assessment of debris flow susceptibility can provide a theoretical basis for regional disaster prevention and mitigation and engineering site selection planning.Shimian County，Sichuan Province was used as the study area，and 288 historical debris flows in the county were obtained as the debris flow data set.Thirteen assessment factors including elevation，slope，aspect，topographic relief，water system density，lithology，NDVI，land use，fault distance，residential density，population density，road density and rainfall were selected.Debris flow susceptibility was assessed by adopting information value model，logistic regression model and information value-logistic regression coupled model.And the models were compared and evaluated by using receiver operating characteristic （ROC） curves.The results showed that the debris flow-prone areas in Shimian County were concentrated in the central and central-eastern parts of the county，mostly near rivers，roads and faults.The area of ROC curve （AUC） obtained by the information value model，logistic regression model，and information value-logistic regression coupled model were 0.917，0.928 and 0.931，respectively.It can be seen that the coupled model has the highest accuracy and the results is more reasonable and reliable.These results suggest that the information value-logistic regression coupled model is superior in the assessment of debris flow susceptibility，and the zoning results have practical implications for debris flow prevention in Shimian County.

Key words：

debris flow;susceptibility assessment;information value model;logistic regression model;information value-logistic regression coupled model;ROC curve