張庭瑜，毛忠安，孫增慧

(1.陜西地建土地工程技術(shù)研究院有限責(zé)任公司 高標(biāo)準(zhǔn)農(nóng)田建設(shè)研究室，西安 710075； 2.陜西省土地工程建設(shè) 集團(tuán)有限責(zé)任公司，西安 710075； 3.陜西省土地工程建設(shè)集團(tuán)有限責(zé)任公司 自然資源部退化及未利用土地整治 工程重點(diǎn)實(shí)驗(yàn)室，西安 710075；4.陜西省土地工程建設(shè)集團(tuán)有限責(zé)任公司 陜西省土地整治工程技術(shù)研究中心， 西安 710075)

1 研究背景

滑坡是世界上危險(xiǎn)性最高的地質(zhì)災(zāi)害之一，我國(guó)每年因滑坡造成的人員傷亡和財(cái)產(chǎn)損失不計(jì)其數(shù)，如何有效預(yù)測(cè)滑坡發(fā)生的范圍是滑坡防治工作的關(guān)鍵問(wèn)題之一?；乱装l(fā)性分區(qū)就是在空間尺度上預(yù)測(cè)滑坡可能影響的范圍。合理的滑坡易發(fā)性分區(qū)可以為滑坡防治的決策者提供高效的判斷依據(jù)，從而減少損失，降低傷亡。

隨著地理信息系統(tǒng)(Geographic Information System，GIS)技術(shù)的不斷發(fā)展，知識(shí)驅(qū)動(dòng)型模型最先被用于制作滑坡易發(fā)性分區(qū)圖(Landslide Susceptibility Map, LSM)[1-3]。此類模型原理相對(duì)簡(jiǎn)單，對(duì)數(shù)據(jù)要求較低，但會(huì)受到人為因素的干擾，導(dǎo)致滑坡易發(fā)性分區(qū)結(jié)果具有明顯的差異性。統(tǒng)計(jì)學(xué)模型可有效避免人為因素的干擾[4-7]，但無(wú)法有效解決變量之間相互依賴的問(wèn)題，因此對(duì)滑坡易發(fā)性分區(qū)結(jié)果精度的提升較小。機(jī)器學(xué)習(xí)算法同樣可有效避免人為因素的干擾[8-11]，但輸入數(shù)據(jù)的質(zhì)量會(huì)對(duì)滑坡易發(fā)性分區(qū)的結(jié)果產(chǎn)生影響。因此，對(duì)滑坡易發(fā)性分區(qū)模型的挖掘和對(duì)比變得十分必要。

鑒于此，本文以陜西省漢中市城固縣為研究區(qū)，基于野外實(shí)地調(diào)查的184個(gè)滑坡數(shù)據(jù)和地質(zhì)環(huán)境背景資料，分別選取坡度、坡向、平面曲率、剖面曲率、高程、年平均降雨量、道路緩沖區(qū)、水系緩沖區(qū)、斷層緩沖區(qū)、歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)和地層巖組作為滑坡易發(fā)性分區(qū)建模的誘發(fā)因子，利用徑向基神經(jīng)網(wǎng)絡(luò)模型(Radial Basis Function Neural Network, RBFNN模型)耦合確定性指數(shù)(Certainty Fctor, CF指數(shù))構(gòu)建一種混合模型，開(kāi)展研究區(qū)滑坡易發(fā)性分區(qū)建模。采用受試者工作特征(Receiver Operating Characteristic, ROC)曲線對(duì)分區(qū)結(jié)果和模型進(jìn)行對(duì)比評(píng)價(jià)，最終結(jié)果可為該地區(qū)的滑坡防治工作以及滑坡易發(fā)性研究提供有效的建議和參考。

2 研究區(qū)簡(jiǎn)介

城固縣位于陜西省漢中市東側(cè)，地理坐標(biāo)介于107°03′E—107°30′E、32°45′N—33°40′N之間，南北長(zhǎng)101 km，東西寬24 km，面積2 265 km2。城固縣氣候類型屬北亞熱帶季風(fēng)性氣候，年平均氣溫為14.2 ℃，境內(nèi)河流均屬于長(zhǎng)江流域漢江水系。年降雨總量平均約791.7 mm，降雨年內(nèi)分配差異明顯，7—9月份占全年降雨量的59%，且降雨常以連陰雨、暴雨形式出現(xiàn)，因此，區(qū)內(nèi)的滑坡常在夏、秋季集中發(fā)生，研究區(qū)滑坡編錄圖見(jiàn)圖1。

圖1 研究區(qū)滑坡編錄圖Fig.1 Landslide inventory map of study area

城固縣北部為秦嶺區(qū)康縣—略陽(yáng)分區(qū)，屬地槽型沉積，南部為揚(yáng)子區(qū)大巴山分區(qū)，屬準(zhǔn)地臺(tái)型沉積，地貌類型主要包括沖擊平原區(qū)、低山丘陵區(qū)和中山區(qū)。研究區(qū)地層年代和巖性見(jiàn)表1。區(qū)內(nèi)主要出露元古界—第四系地層，斷裂自北至南依次有：馬道—雙溪斷裂帶(F1)、陽(yáng)平關(guān)—洋縣斷裂帶(F2)、海棠寺—七里店斷裂帶(F3)、峽口—白勉峽斷裂帶(F4)。新構(gòu)造運(yùn)動(dòng)發(fā)生在喜馬拉雅運(yùn)動(dòng)古構(gòu)造的基礎(chǔ)上，具有明顯繼承性，活動(dòng)強(qiáng)烈，跡象明顯，差異性活動(dòng)幅度大。根據(jù)區(qū)內(nèi)各類巖土體工程地質(zhì)特征，按巖土體的結(jié)構(gòu)、強(qiáng)度與滑坡的關(guān)系，將巖土體劃分為5類：堅(jiān)硬塊狀侵入巖類、堅(jiān)硬中厚層-塊狀碳酸鹽巖類、較堅(jiān)硬互層狀淺變質(zhì)碎屑巖類、較軟弱薄層狀千枚巖類、第四系松散土類。研究區(qū)內(nèi)的地下水類型主要包括基巖裂隙孔隙水、碳酸鹽巖類巖溶裂隙水和松散巖類孔隙水。

表1 研究區(qū)地層年代和巖性Table 1 Lithological information of study area

3 數(shù)據(jù)源和研究方法

3.1 數(shù)據(jù)源

基于野外實(shí)際調(diào)查和研究區(qū)相關(guān)的研究資料，以層次性、系統(tǒng)性、獨(dú)立性和代表性為原則，分別選取了高程、平面曲率、剖面曲率、坡度、坡向、道路緩沖區(qū)、水系緩沖區(qū)、斷層緩沖區(qū)、年均降雨量和地層巖組作為研究區(qū)滑坡誘發(fā)因子。

本文采用的數(shù)據(jù)源有：① 30 m分辨率的數(shù)字高程模型(Digital Elevation Model, DEM)，用于提取坡度、坡向、平面曲率、剖面曲率、高程因子圖層；② 8 m分辨率的GF-1全色遙感影像，用于提取NDVI因子圖層；③ 1992—2012年間的平均降雨量統(tǒng)計(jì)數(shù)據(jù)，用于制作年均降雨量因子圖；④ 1∶250 000地質(zhì)圖，用于制作地層巖組和斷層緩沖區(qū)因子圖層；⑤ 研究區(qū)路網(wǎng)、水系矢量圖形，用于制作道路緩沖區(qū)和水系緩沖區(qū)因子圖層。

3.2 數(shù)據(jù)預(yù)處理

根據(jù)野外調(diào)查數(shù)據(jù)，研究區(qū)內(nèi)共發(fā)育184處滑坡，其中堆積層滑坡182處，巖質(zhì)滑坡2處。滑坡的最大面積為5.4×105m2，最小面積為68 m2，平均面積為2.14×104m2，滑坡總面積僅占研究區(qū)總面積的0.07%。鑒于此，本文利用質(zhì)心法將184處滑坡圖斑轉(zhuǎn)換為滑坡點(diǎn)，70%(127)的滑坡點(diǎn)作為訓(xùn)練數(shù)據(jù)訓(xùn)練模型，30%(57)的滑坡點(diǎn)作為測(cè)試數(shù)據(jù)，對(duì)模型和結(jié)果進(jìn)行評(píng)估(見(jiàn)圖1)。

3.3 研究方法

3.3.1 RBFNN模型

RBFNN模型是一種具有三層結(jié)構(gòu)的前饋式神經(jīng)網(wǎng)絡(luò)(見(jiàn)圖2)[12]。RBFNN模型的三層網(wǎng)絡(luò)結(jié)構(gòu)使其具有結(jié)構(gòu)簡(jiǎn)單、收斂速度快等優(yōu)勢(shì)，并且可以以一定的精度逼近任意的非線性函數(shù)，避免模型陷入局部最小值缺陷。

圖2 RBFNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure of RBFNN

圖2中X=[x1,x2,…,xm]T為輸入向量，表明有m個(gè)輸入神經(jīng)元被包括在整個(gè)網(wǎng)絡(luò)內(nèi)；Y=[y1,y2,…,ym]T為輸出向量，代表有m個(gè)神經(jīng)元被輸出；有m個(gè)隱含層中心的隱含層基向量由H=[h1,h2,…,hm]T表示；權(quán)值向量由W=[w1,w2,…,wm]T代表。假設(shè)X=[x1,x2,…,xm]T為輸入樣本，Ci=[ci1,ci2,…,cim]T為第i個(gè)節(jié)點(diǎn)的中心矢量，i=1,2,…,m。那么高斯函數(shù)可以表示為

其中bi為第i個(gè)節(jié)點(diǎn)的基函數(shù)的寬度，bi>0。則第j個(gè)神經(jīng)元的輸出表示為

(2)

以下為RBFNN模型的建模流程。假設(shè)輸入樣本(xp)和輸出樣本(dp)共有p組(p=1,2,…,L)，那么誤差目標(biāo)函數(shù)為

(3)

式中:dp為樣本的期望輸出向量;yp為輸入向量下的輸出向量[13]。

3.3.2 確定性指數(shù)

確定性指數(shù)CF通常被用來(lái)分析滑坡誘發(fā)因子與滑坡發(fā)育之間的關(guān)系，可以通過(guò)構(gòu)建判斷函數(shù)來(lái)計(jì)算[14]。

(4)

式中:PPa表示在誘發(fā)因子分級(jí)范圍內(nèi)滑坡發(fā)生的概率，可由分級(jí)范圍內(nèi)滑坡所占的面積與分級(jí)面積之比得到；PPs則表示整個(gè)研究區(qū)內(nèi)滑坡發(fā)生的先驗(yàn)概率，可由研究區(qū)內(nèi)滑坡所占的面積與研究區(qū)的面積之比得到。

3.3.3 多重共線性問(wèn)題

在進(jìn)行分類建模時(shí)，誘發(fā)因子之間可能會(huì)存在高度的相關(guān)性，即多重共線性問(wèn)題。由于多重共線性問(wèn)題會(huì)導(dǎo)致模型分類的結(jié)果失真，所以對(duì)誘發(fā)因子進(jìn)行多重共線性問(wèn)題檢測(cè)是十分必要的。本文采用Pearson相關(guān)性系數(shù)(Pearson Correlation Coefficient，PCC)來(lái)定量檢測(cè)各誘發(fā)因子之間的多重共線性問(wèn)題，同時(shí)定量反映各誘發(fā)因子之間的相關(guān)性。PCC值越高，表明誘發(fā)因子之間的相關(guān)性越強(qiáng)，當(dāng)PCC>0.7時(shí)，說(shuō)明誘發(fā)因子之間存在多重共線性問(wèn)題，需要排除造成影響的誘發(fā)因子[15-16]。

3.3.4 信息增益率

信息增益率(Information Gain Ratio, IGR)是通過(guò)規(guī)范化信息增益來(lái)反映滑坡誘發(fā)因子對(duì)模型貢獻(xiàn)程度的指標(biāo)[17]。假設(shè)隨機(jī)變量X取有限個(gè)值，那么變量X的概率分布為

P(X=xi)=pi,i=1,2,3,…,n。

(5)

則X的熵可以表示為

(6)

系統(tǒng)中信息的不確定性是由熵來(lái)描述的，但系統(tǒng)在某些特殊的情況下并不需要這些不確定性。為了消除這些不確定性，需要把一個(gè)特征x增加進(jìn)系統(tǒng)，降低系統(tǒng)的熵，從而消除系統(tǒng)中的不確定性。當(dāng)特征x被固定為值xi，特征X的整體分布情況被固定時(shí)，其條件熵為

(7)

其中，特征X中所出現(xiàn)的所有種類的數(shù)量用n表示。信息增益就是在特征X被固定后系統(tǒng)減小的不確定度，其表達(dá)式為

log2p(c|x=xi)=H(c)-H(c|X) 。

(8)

數(shù)據(jù)子集(X1，X2，…，Xn)所產(chǎn)生的n個(gè)分區(qū)的分裂信息為

然后以信息增益率作為決策樹(shù)的分裂準(zhǔn)則，則類別標(biāo)識(shí)c上劃分的信息增益率為

(10)

3.3.5 受試者接受特征曲線

受試者接受特征曲線是一種可有效對(duì)比和評(píng)估滑坡易發(fā)性分區(qū)的方法。ROC曲線以1-特異度(1-specificity)作為橫軸，敏感度(Sensitivity)作為縱軸繪制，通過(guò)曲線下的面積規(guī)一化(AUC)來(lái)判斷模型的優(yōu)劣以及分區(qū)結(jié)果的精度[18]。AUC的計(jì)算方法如下：

(11)

(12)

(13)

式中：TP、TN分別表示被正確分類的滑坡與非滑坡數(shù)量；FN、FP分別表示被錯(cuò)誤分類的滑坡與非滑坡的數(shù)量。一般來(lái)講AUC<0.5表明模型不具有分類能力，且分區(qū)結(jié)果無(wú)價(jià)值；0.8>AUC>0.7表明模型的分類能力較強(qiáng)，所得到的分區(qū)結(jié)果較為可信；AUC>0.8表明模型具有優(yōu)秀的分類能力，并且分區(qū)結(jié)果的精度較高[19]。

4 結(jié) 果

4.1 滑坡誘發(fā)因子提取

提取滑坡誘發(fā)因子是建立滑坡易發(fā)性分區(qū)模型的前提，本文基于已獲得的數(shù)據(jù)源，利用GIS軟件提取研究區(qū)的滑坡誘發(fā)因子。隨后基于自然間斷點(diǎn)法，按照表2對(duì)提取處的滑坡誘發(fā)因子進(jìn)行分級(jí)和可視化(圖3)。

4.2 確定性指數(shù)計(jì)算結(jié)果和誘發(fā)因子量化

本文基于訓(xùn)練樣本，計(jì)算了每一個(gè)滑坡誘發(fā)因子各分級(jí)區(qū)間對(duì)應(yīng)的CF指數(shù)(表2)。CF指數(shù)越大，對(duì)應(yīng)的誘發(fā)因子分級(jí)區(qū)間與滑坡發(fā)生的內(nèi)在聯(lián)系越強(qiáng);反之,CF指數(shù)越小，對(duì)應(yīng)的誘發(fā)因子分級(jí)區(qū)間與滑坡發(fā)生的內(nèi)在聯(lián)系越弱。從表2可以看出，在高程為452～750 m的范圍內(nèi)CF指數(shù)最高(0.436)，說(shuō)明研究區(qū)內(nèi)的滑坡主要發(fā)育在此范圍內(nèi)。從坡度因子的CF指數(shù)計(jì)算結(jié)果來(lái)看，當(dāng)坡度介于10°～20°之間時(shí)，CF指數(shù)最高(0.371)，且對(duì)應(yīng)的PPa最高(40.945)，隨著坡度的增大，滑坡的分布數(shù)量降低。當(dāng)坡向位于南東-南西之間時(shí)，CF指數(shù)為正，且坡向?yàn)槟蠒r(shí)對(duì)應(yīng)的CF指數(shù)最高(0.319)。CF指數(shù)在平面曲率和剖面曲率分別處于-0.50～0.31和0.32～1.60區(qū)間內(nèi)最高。CF指數(shù)與道路緩沖區(qū)、水系緩沖區(qū)和斷層緩沖區(qū)呈反比趨勢(shì)，說(shuō)明滑坡的發(fā)育與道路、水系和斷層有著緊密的內(nèi)在聯(lián)系。此外，從年均降雨量的計(jì)算結(jié)果來(lái)看，當(dāng)年均降雨量介于1 100～1 200 mm之間時(shí)CF指數(shù)最高(0.659)，CF指數(shù)與年均降雨量之間不存在線性關(guān)系，這是由于研究區(qū)內(nèi)的短時(shí)集中降雨所造成的。當(dāng)NDVI位于0.48～0.63范圍內(nèi)時(shí)，CF指數(shù)最低(-0.867)。另外，當(dāng)?shù)貙訋r組分組為8時(shí)CF指數(shù)最大(0.452)。

表2 滑坡誘發(fā)因子分級(jí)和CF指數(shù)計(jì)算結(jié)果Table 2 Classification of landslide’s triggering factors and calculated result of CF

圖3 研究區(qū)滑坡誘發(fā)因子分級(jí)Fig.3 Mapping of landslide’s triggering factors

基于計(jì)算得出的CF指數(shù)，利用GIS軟件對(duì)每一種滑坡誘發(fā)因子進(jìn)行量化，最終得到基于CF指數(shù)量化的訓(xùn)練數(shù)據(jù)集1和測(cè)試數(shù)據(jù)集1，用于構(gòu)建混合模型。同時(shí)基于每一種滑坡誘發(fā)因子自身的屬性值，得到訓(xùn)練數(shù)據(jù)集2和測(cè)試數(shù)據(jù)集2，用于構(gòu)建RBFNN模型。

4.3 多重共線性問(wèn)題檢測(cè)結(jié)果

通過(guò)計(jì)算滑坡誘發(fā)因子對(duì)應(yīng)的PCC值定量檢測(cè)誘發(fā)因子之間是否存在潛在的多重共線性問(wèn)題，分別計(jì)算了每一種滑坡誘發(fā)因子的PCC值，并得到了滑坡誘發(fā)因子的Pearson相關(guān)性矩陣。從結(jié)果(表3)可以看出，坡度因子與剖面曲率因子之間的PCC值最高(PCC=0.402)，說(shuō)明這2種因子之間的相關(guān)性較強(qiáng)。但所有滑坡誘發(fā)因子之間的PCC值都不大于0.7，表明因子之間不存在多重共線性問(wèn)題，因此保留所有的誘發(fā)因子參與后續(xù)建模。

4.4 誘發(fā)因子優(yōu)選結(jié)果

滑坡誘發(fā)因子的優(yōu)選對(duì)滑坡易發(fā)性分區(qū)有著重要的意義。本文分別基于訓(xùn)練數(shù)據(jù)集1和訓(xùn)練數(shù)據(jù)集2，利用10-折交叉驗(yàn)證法計(jì)算了每一個(gè)滑坡誘發(fā)因子的信息增益率的平均值(Average Merit, AM)。當(dāng)誘發(fā)因子的信息增益率的平均值為0時(shí)，表明該誘發(fā)因子對(duì)模型無(wú)貢獻(xiàn)。因此，為了避免干擾，需要將此因子排除，不參與后續(xù)建模。通過(guò)計(jì)算得到訓(xùn)練數(shù)據(jù)集1和訓(xùn)練數(shù)據(jù)集2中滑坡誘發(fā)因子信息增益率的平均值，從表4可以看出，在訓(xùn)練數(shù)據(jù)集1和訓(xùn)練數(shù)據(jù)集2中，所有滑坡誘發(fā)因子信息增益率的平均值均不等于0，并且對(duì)應(yīng)的標(biāo)準(zhǔn)差<0.01，表明所有誘發(fā)因子對(duì)模型都有貢獻(xiàn)。因此，訓(xùn)練數(shù)據(jù)集1和訓(xùn)練數(shù)據(jù)集2中全部的滑坡誘發(fā)因子都被保留并參與后續(xù)建模。

表3 滑坡誘發(fā)因子的Pearson相關(guān)性矩陣Table 3 Pearson correlation matrix of landslide’s triggering factors

表4 訓(xùn)練數(shù)據(jù)集中滑坡誘發(fā)因子信息增益率的平均值Table 4 Average merit of information gain ratio of landslide’s triggering factors in training dataset

4.5 研究區(qū)滑坡易發(fā)性分區(qū)

本文利用訓(xùn)練數(shù)據(jù)集1作為RBFNN模型的輸入數(shù)據(jù)，構(gòu)建出了混合模型(RBFNN-CF模型)，模型輸出的后驗(yàn)概率即為滑坡易發(fā)性指數(shù)(Landslide Susceptibility Index, LSI)，且輸出范圍為0.000～1.000。隨后在GIS軟件中采用等間隔法將LSI分割為0.000～0.200、 0.200～0.400、 0.400～0.600、 0.600～0.800、 0.800～1.000這5個(gè)區(qū)間，分別對(duì)應(yīng)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),并且統(tǒng)計(jì)了5個(gè)區(qū)間的面積占比(表5)。

表5 滑坡易發(fā)性分區(qū)面積占比統(tǒng)計(jì)Table 5 Percentages of landslide susceptibility areas

最后生成研究區(qū)滑坡易發(fā)性分區(qū)圖(Landslide Susceptibility Map, LSM)(圖4(a))。

利用訓(xùn)練數(shù)據(jù)集2作為RBFNN模型的輸入數(shù)據(jù)，構(gòu)建RBFNN模型，并計(jì)算LSI。在GIS軟件中同樣采用等間隔法將LSI分割為0.000～0.200、 0.200～0.400、 0.400～0.600、 0.600～0.800、 0.800～1.000這5個(gè)區(qū)間，分別對(duì)應(yīng)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)。最后生成對(duì)應(yīng)的研究區(qū)滑坡易發(fā)性分區(qū)圖(圖4(b))。

圖4 研究區(qū)滑坡易發(fā)性分區(qū)Fig.4 Landslide susceptibility mapping of study area

4.6 結(jié)果評(píng)估與模型對(duì)比

本文分別基于訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集繪制ROC曲線(圖5)，并測(cè)量曲線下的面積(AUC)，用以定量評(píng)價(jià)和對(duì)比2種模型生成的滑坡易發(fā)性分區(qū)的精度。從圖5(a)可以看出，RBFNN-CF模型的AUC值同樣最大(0.745)，并且標(biāo)準(zhǔn)差最小(0.047)，而RBFNN模型的AUC為0.693，標(biāo)準(zhǔn)差為0.052。

圖5 研究區(qū)滑坡易發(fā)性分區(qū)模型的ROC曲線Fig.5 ROC curves of landslide susceptibility areas

基于測(cè)試數(shù)據(jù)集繪制ROC曲線(圖5(b))，并測(cè)量曲線下的面積，用以定量評(píng)估2種模型的泛化性。從圖5(b)結(jié)果可以看出，RBFNN-CF模型的AUC值最大(0.828)，并且標(biāo)準(zhǔn)差最小(0.027)，說(shuō)明RBFNN-CF模型生成的滑坡易發(fā)性分區(qū)精度最高。而RBFNN模型的AUC為0.759，標(biāo)準(zhǔn)差為0.031。說(shuō)明RBFNN-CF模型的泛化性強(qiáng)于RBFNN模型的泛化性。

5 討 論

關(guān)于輸入數(shù)據(jù)對(duì)滑坡易發(fā)性分區(qū)的影響，目前尚沒(méi)有一個(gè)統(tǒng)一的結(jié)論。盡管現(xiàn)階段已有基于CF指數(shù)構(gòu)建混合模型進(jìn)行滑坡易發(fā)性分區(qū)的研究，但這些研究所使用的模型均為統(tǒng)計(jì)學(xué)模型[20-22]。由于統(tǒng)計(jì)學(xué)模型本身對(duì)輸入數(shù)據(jù)的依賴性較高，所以常常會(huì)導(dǎo)致結(jié)果失真。而本文采用的RBFNN模型具有非線性擬合能力、泛化性、記憶能力強(qiáng)等諸多優(yōu)點(diǎn)，通過(guò)對(duì)比分析利用訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)繪制的ROC曲線，發(fā)現(xiàn)RBFNN-CF模型的泛化性以及對(duì)滑坡的分類能力均強(qiáng)于RBFNN模型的泛化性以及對(duì)滑坡的分類能力。

滑坡的發(fā)生受到多種誘發(fā)因子的影響。從誘發(fā)因子的CF指數(shù)計(jì)算結(jié)果來(lái)看，研究區(qū)內(nèi)的滑坡主要發(fā)育在高程為452～750 m且坡度介于10°～20°的區(qū)域內(nèi)，并且隨著高程和坡度的增加，滑坡的分布數(shù)量呈減少的趨勢(shì)。造成這種現(xiàn)象的原因可能是由于研究區(qū)內(nèi)大量修建公路，導(dǎo)致大部分低海拔地區(qū)的斜坡坡腳被人工開(kāi)挖，從而形成軟弱臨空面所導(dǎo)致的。從道路緩沖區(qū)的CF指數(shù)計(jì)算結(jié)果也可以看出，距離道路越近，CF指數(shù)越高。此外，剖面曲率的CF指數(shù)在區(qū)間-0.58～1.60之間為正，并且在該區(qū)間內(nèi)，坡度的變化最快，因而容易誘發(fā)滑坡。

由于研究區(qū)的地貌類型屬于黃土丘陵溝壑區(qū)，地形破碎，溝谷十分發(fā)育，這也導(dǎo)致滑坡在空間中的分布十分復(fù)雜，僅利用滑坡誘發(fā)因子的原始屬性作為建模數(shù)據(jù)，難以體現(xiàn)誘發(fā)因子與滑坡之間的內(nèi)在聯(lián)系。而CF指數(shù)是基于研究區(qū)特有的地質(zhì)環(huán)境背景，通過(guò)構(gòu)建判斷函數(shù)來(lái)計(jì)算的，這可有效地挖掘誘發(fā)因子與滑坡之間的內(nèi)在關(guān)系。并且從結(jié)果(圖5)可以看出，利用CF指數(shù)量化誘發(fā)因子所構(gòu)建出的混合模型，對(duì)于滑坡分類能力和泛化性明顯強(qiáng)于RBFNN模型的分類能力和泛化性，這也印證了利用CF指數(shù)耦合RBFNN模型的可行性。

從表6可以看出，RBFNN模型中的高和極高易發(fā)區(qū)面積占比超過(guò)了40%，會(huì)降低滑坡防治決策的效率。而RBFNN-CF模型中的高和極高易發(fā)區(qū)面積占比約為20%，處于一個(gè)較為合理的區(qū)間內(nèi)，同時(shí)也提升了滑坡防治決策的效率。

但需要注意的是，RBFNN模型的解釋性差，在數(shù)據(jù)優(yōu)選的過(guò)程中容易出現(xiàn)病態(tài)現(xiàn)象，因此在今后的研究中應(yīng)對(duì)建模輸入數(shù)據(jù)的前期優(yōu)化以及模型參數(shù)的調(diào)整進(jìn)行深入的研究。

6 結(jié) 論

本文以陜西省漢中市城固縣為研究區(qū)，選取了11種滑坡誘發(fā)因子構(gòu)建指標(biāo)體系，通過(guò)計(jì)算滑坡誘發(fā)因子的CF指數(shù)，在滑坡誘發(fā)因子優(yōu)選的基礎(chǔ)上，構(gòu)建了混合模型(RBFNN-CF)，分別利用RBFNN-CF模型和RBFNN模型對(duì)研究區(qū)進(jìn)行滑坡易發(fā)性分區(qū)。利用ROC曲線下的面積(AUC)對(duì)模型的分類能力和滑坡易發(fā)性分區(qū)的精度進(jìn)行了對(duì)比和評(píng)估，所得結(jié)論如下。

(1)研究區(qū)內(nèi)的滑坡主要發(fā)育在高程為452～750 m，坡度介于10°～20°，年均降雨量介于1 100 ～1 200 mm之間的區(qū)域內(nèi)，并且越靠近水系和道路的區(qū)域，滑坡的數(shù)量越多。

(2)RBFNN-CF模型的AUC值大于RBFNN模型的AUC值，且對(duì)應(yīng)的標(biāo)準(zhǔn)差小于RBFNN模型的標(biāo)準(zhǔn)差，RBFNN-CF模型在滑坡易發(fā)性分區(qū)中表現(xiàn)最優(yōu)，是一種值得推廣的滑坡易發(fā)性分區(qū)模型。

(3)本文所制作的滑坡易發(fā)性分區(qū)圖可以為當(dāng)?shù)鼗路乐蔚臎Q策者提供參考，也可為相關(guān)的研究提供參考。