黃艷琴， 李為樂， 許 洲， 李鵬飛， 鐵永波

(1.成都理工大學地質災害防治與地質環(huán)境保護國家重點實驗室，四川 成都 610059；2.四川峨眉山四零三建設工程有限責任公司，四川 樂山 614200； 3.中國電建集團貴陽勘測設計研究院有限公司，貴州 貴陽 550081；4.中國地質調查局成都地質調查中心，四川 成都 610081)

0 引言

目前，我國公路交通建設正處于快速發(fā)展階段，山區(qū)公路建設的投入也在不斷加大[1]。山區(qū)地質環(huán)境復雜、山高坡陡、溝谷縱橫，在地震或強降雨作用下滑坡災害頻發(fā)，嚴重威脅著山區(qū)公路的建設和運營安全。近年來，隨著山區(qū)大量高速公路的建設和使用，每年都會出現公路滑坡災害發(fā)生的情況，造成公路損毀、交通癱瘓甚至人員傷亡。例如： 2014年7月17日，國道213線K774+600 m處突發(fā)山體滑坡，塌方量達3 000 m3，造成國道213線約100 m的道路被掩埋阻斷[2]； 2018年7月26日，國道213線K852 +600 m處發(fā)生山體滑坡，造成交通臨時中斷[3]。

山區(qū)公路滑坡隱患一般具有高位、高隱蔽性、突發(fā)性強等特點[4]，傳統地面調查手段無法進行大范圍提前識別。利用光學遙感技術可大范圍識別出形態(tài)特征和變形跡象顯著的滑坡[5]。而采用合成孔徑雷達干涉測量(interferometric synthetic aperture radar，InSAR)技術可獲取滑坡地表形變，對目前正在變形的活動滑坡進行識別。其中，差分干涉圖疊加(Stacking-InSAR)技術相比于其他InSAR技術，能夠有效抑制大氣效應并減少DEM誤差的影響，快速獲取地表形變速率，被廣泛應用于滑坡隱患的早期識別[5]。光學遙感和InSAR技術的結合可提高滑坡隱患識別的準確性。

滑坡易發(fā)性是對滑坡空間發(fā)生概率的定量評價[6]。隨著遙感技術的發(fā)展，國內外學者依托遙感技術對滑坡易發(fā)性評價開展了大量研究工作，評價方法也由定性評價轉為定量評價。常見滑坡易發(fā)性定量評價模型有Logistic回歸模型、隨機森林模型、支持向量機模型、信息量模型、神經網絡模型等[7]。

國道213汶川—松潘段位于強震山區(qū)，構造活動強烈，滑坡災害頻發(fā)，造成公路被堵斷或損毀，影響公路交通的正常運營。本文以國道213汶川—松潘段為研究區(qū)，結合光學遙感技術和Stacking-InSAR技術識別研究區(qū)滑坡隱患，并采用Logistic回歸模型進行易發(fā)性評價，為提前預防研究區(qū)山體滑坡，保障國道213線安全運行，并為我國公路規(guī)劃建設、防災減災提供理論參考和技術支撐。

1 研究區(qū)概況

國道213汶川—松潘段位于四川強震山區(qū)，自四川省汶川縣映秀鎮(zhèn)開始，途徑茂縣，向北延伸至松潘縣川主寺鎮(zhèn)，總長約230 km(圖1)。研究區(qū)整體地勢北西高、南東低，海拔在800～4 700 m之間，相對高差500～1 200 m，屬于中-高山地貌。岷江是研究區(qū)內的主要水系，由南向北貫穿全境，受內部水動力和外部地質作用的影響，岷江河床不斷向下深切，形成了如今的高山峽谷地貌。受高海拔西北風氣流和印度洋西南季風的影響，研究區(qū)呈現青藏高原季風氣候特點，冬季干冷，夏季濕潤涼爽，日照量大，氣溫日差大、年差小。研究區(qū)內地質構造活動強烈，主要發(fā)育的斷層有龍門山斷裂帶、岷江斷裂帶、虎牙斷裂帶、松坪溝斷層、汶川—茂汶斷層、較弧場構造等[8]，2008年汶川Ms 8.0級地震和2017年九寨溝Ms 7.0級地震均造成研究區(qū)公路不同程度的損毀。區(qū)內出露地層有新元古界震旦系，古生界寒武系、奧陶系、志留系、泥盆系、石炭系、二疊系，中生界三疊系以及新生界第四系，巖體質量較差、結構破碎。

圖1 研究區(qū)位置和影像覆蓋范圍

2 滑坡隱患綜合遙感識別

2.1 光學衛(wèi)星遙感識別

利用2022年2月獲取的高分2號衛(wèi)星影像和Google Earth在線三維衛(wèi)星影像數據，采用人工目視解譯方法。光學遙感識別的滑坡隱患類型主要分為2類： 已發(fā)生整體失穩(wěn)的老(古)滑坡隱患和正在變形的潛在滑坡隱患[9]。不同滑坡隱患類型的識別標志不同： 對于已經發(fā)生過整體失穩(wěn)的古(老)滑坡，主要基于形態(tài)特征進行識別，整體平面形態(tài)呈圈椅狀或舌形，后緣可見滑坡壁，前緣可見滑坡舌擠壓河流，滑坡體上有群居居民或耕地[10](圖2)； 對于正在變形的潛在滑坡隱患，主要識別變形跡象特征明顯的區(qū)域，識別標志是坡體裂縫的形成過程以及前緣是否出現局部垮塌現象，針對這一類型滑坡隱患的識別，相對快速有效的方法是充分收集多時相光學遙感影像，通過對比不同時期的遙感影像特征解譯滑坡隱患，從而提高遙感識別滑坡隱患的準確性(圖3)。

圖2 典型老(古)滑坡隱患衛(wèi)星影像(左)與Google Earth衛(wèi)星影像(右)

(a) 2011年 (b) 2016年 (c) 2019年 (d) 2021年

2.2 時序InSAR技術活動滑坡探測

InSAR技術是一種監(jiān)測地表緩慢形變的遙感技術[11]，具有全天候、全天時、精度高、周期性重復觀測等優(yōu)點。本文選取2017年1月至2021年12月覆蓋研究區(qū)域的288景Sentinel-1A降軌數據，采用Stacking-InSAR技術對研究區(qū)活動滑坡進行探測。

2.2.1 Stacking-InSAR技術原理

Stacking-InSAR技術由Price等[12]提出，其基本理論為： 假設地形相位誤差、大氣延遲相位誤差等具有隨機性，聯合多期解纏后的差分干涉相位圖建立形變速率和干涉相位間的線性函數模型，從而監(jiān)測時間段的線性形變速率。利用該技術可以削弱InSAR技術中存在的隨機軌道誤差、大氣延遲相位誤差和地形誤差等的影響，提高形變計算精度。Stacking-InSAR技術的計算方法可表示為[13]

。

(1)

式中：V為雷達衛(wèi)星視線方向平均形變速率,mm/a；λ為波長,m；φi為第i個解纏后的差分干涉相位；M為干涉圖數量；ti為第i個差分干涉相位的時間間隔,d。

相應的誤差傳播公式為

。

(2)

式中：ΔVdisp為雷達衛(wèi)星視線方向形變速率誤差值,mm/a；E為假定的單幅干涉圖相位誤差；M為干涉圖數量；λ為波長,m；ti為第i個差分干涉相位的時間間隔,d。

2.2.2 Stacking-InSAR技術處理流程

通過Stacking-InSAR技術獲取研究區(qū)地表形變速率圖，可以大面積探測活動滑坡隱患。運用該技術首先對SAR影像數據進行處理，之后選取主從影像并配準生成干涉圖。結合外部DEM與衛(wèi)星成像參數，將DEM和SAR影像精確配準，并將DEM數據編碼到SAR影像坐標系，生成差分干涉圖。對差分干涉圖進行空間濾波和相位解纏處理，解纏相位加權疊加后生成地表形變速率圖。通過地表形變速率圖篩選形變區(qū)域，從而確定滑坡隱患位置并識別滑坡隱患，數據處理流程見圖4。

2.3 野外調查驗證

結合現場調查與無人機航攝技術進行滑坡野外調查驗證，主要工作包括判斷室內解譯的滑坡隱患是否為滑坡、滑坡邊界的圈定是否正確并判定滑坡類型； 查明坡體裂縫的發(fā)育情況，如位置、方向、深度、寬度等(圖5)。研究區(qū)共驗證滑坡點185處，占滑坡總數的59.7%。其中有163處屬于滑坡，排除滑坡22處，野外驗證正確率為88.1%。

(a) 滑坡隱患邊界范圍 (b) 坡體變形及裂縫發(fā)育調查

2.4 滑坡隱患識別結果

利用光學衛(wèi)星影像共識別滑坡隱患308處，基于InSAR技術共探測出活動滑坡隱患27處?；顒踊轮饕蟹植加阢氪āh段，其中25處為光學衛(wèi)星遙感與InSAR技術共同識別，另外2處(B4、B16)為InSAR技術單獨識別(圖6、圖7)。野外驗證排除滑坡隱患22處，最終研究區(qū)共識別滑坡隱患288處(圖8)。其中，汶川—茂縣段滑坡隱患發(fā)育較多，分布較密集，該區(qū)域內地質構造活動強烈，地層巖性差異大，巖體結構較破碎，受公路或河流切割明顯，臨空條件較好。在地震或惡劣天氣條件誘發(fā)作用下，發(fā)生滑坡的可能性增大。

圖6 基于Stacking-InSAR技術的活動滑坡隱患形變探測

圖7 Stacking-InSAR技術探測滑坡隱患放大效果圖

圖8 研究區(qū)滑坡隱患分布

3 滑坡易發(fā)性評價

3.1 評價因子的選取

通常易發(fā)性評價因子體系主要由內在因素和外在因素兩部分構成[14]。內在因素一般側重于斜坡本身的巖土體性質或地形地貌條件，其中地形地貌包括斜坡坡度、坡向和坡高等，巖土體性質包括地層巖性、斜坡及其周圍環(huán)境的地質構造等。外在因素則被定義為除斜坡本身成災環(huán)境條件之外誘發(fā)滑坡發(fā)生的因素，即外部環(huán)境條件對滑坡的影響，一種是自然環(huán)境的誘發(fā)因素，如地震或降雨； 另一種是人類工程活動的誘發(fā)因素，如交通建設、城鎮(zhèn)建設、水利水電工程建設等。

根據上述對易發(fā)性評價因子體系的分析以及對研究區(qū)滑坡特點、分布規(guī)律、影響因素等的研究，選取高程、坡度、坡向、地表曲率、工程地質巖組、歸一化植被指數(normalized difference vegetation index，NDVI)、距道路距離、距河流距離以及距斷層距離共計9個評價因子，對研究區(qū)進行了滑坡易發(fā)性評價。

3.2 評價因子數據來源

評價因子數據來源主要分為4類： DEM數據來源于30 m GDEMV2數字高程數據(地理空間數據云)，用于提取高程、坡度、坡向、地表曲率因子； 地質數據來源于1∶20萬地質圖，用于獲取巖性與斷層分布； 水文數據來源于1∶20萬地質圖，主要提取河流與道路矢量； NDVI數據來源于2020年12月2日的全球植被覆蓋Landsat 8衛(wèi)星影像數據。

3.3 評價單元的確定

研究區(qū)采用的評價單元為柵格單元，柵格單元是滑坡易發(fā)性評價中應用最廣泛的評價單元，把研究區(qū)按照一定尺寸劃分為規(guī)則的網格，具有計算機處理方便、可操作性強等優(yōu)點。柵格單元劃分的大小由多種因素決定，常用專家經驗公式求取[15]。同時，需綜合考慮研究區(qū)地貌特征以及歸一化植被指數柵格數據的空間分辨率，因此研究區(qū)采用的柵格單元大小為30 m×30 m，共劃分出2 759 358個柵格單元。公式為

Gs=7.49+6×10-4×S-2.0×
10-6+2.9×10-15×S2。

(3)

式中：Gs為柵格單元建議大??；S為高程數據的比例尺倒數，高程數據比例尺為1∶50 000。

3.4 評價因子分級

分析各評價因子對滑坡發(fā)育的影響，統計各評價因子類別中滑坡發(fā)育的數量(圖9)，從而對各評價因子進行分級。

(1)高程。高程反映區(qū)域的宏觀地貌特征，表現為巖土體特征和地下水性質的差異，從而間接影響滑坡的發(fā)育條件。研究區(qū)處于中-高山區(qū)，海拔在828～4 694 m之間，將高程按300 m等間距分為10個區(qū)間，統計分析各區(qū)間內滑坡的分布。結果表明，滑坡在[1 300,1 600) m區(qū)間分布比較集中，該區(qū)間內滑坡較發(fā)育，易發(fā)性貢獻率大，而在高程<1 300 m和≥3 400 m區(qū)間滑坡發(fā)育相對最弱，易發(fā)性貢獻率小。根據滑坡在研究區(qū)高程的發(fā)育程度，將研究區(qū)高程分為： <1 300 m、[1 300,1 600) m、[1 600,2 500) m、[2 500,2 800) m、[2 800,3 400) m以及≥3 400 m共6個區(qū)間。

(2)坡度。斜坡的應力分布受坡度的影響，坡度大小不同，則斜坡的應力與穩(wěn)定性不同。研究區(qū)坡度在0°～87°之間，為了更好地分析滑坡在不同坡度范圍內的發(fā)育數量和分布情況，將研究區(qū)的坡度因子以等間距5°劃分為11個坡度區(qū)間。分析結果顯示，滑坡在[35°,45°)區(qū)間內分布比較集中，該坡度區(qū)間滑坡較發(fā)育，易發(fā)性貢獻率大，而坡度在<20°和≥50°區(qū)間內滑坡分布較稀疏，滑坡不發(fā)育，易發(fā)性貢獻率小。根據滑坡在研究區(qū)坡度的分布情況，將研究區(qū)坡度分為<20°、[20°,30°)、[30°,40°)、[40°,50°)以及≥50°共5個區(qū)間。

(a) 高程-滑坡數量 (b) 坡度-滑坡數量 (c) 坡向-滑坡數量

(d) 地表曲率-滑坡數量 (e) 工程地質巖組-滑坡數量 (f) NDVI-滑坡數量

(g) 距道路距離-滑坡數量 (h) 距河流距離-滑坡數量 (i) 距斷層距離-滑坡數量

(3)坡向。坡向是日照時數和太陽照射強弱的客觀反映[16]。研究區(qū)坡向在0°～360°之間，將其按方位劃分為8個方位向，并統計滑坡在各方位向的數量和分布情況。分析統計結果可知，研究區(qū)東朝向[67.5°,112.5°)、西南向[202.5°,247.5°)以及南朝向[247.5°,292.5°)滑坡分布較為密集，易發(fā)性貢獻率較大，而坡向[0,22.5°)與[337°,360°)區(qū)間的滑坡分布少，易發(fā)性貢獻率相對最低。根據滑坡在各朝向的分布情況，將研究區(qū)坡向劃分為[0°,67.5°)、[67.5°,112.5°)、[112.5°,202.5°)、[202.5°,247.5°)、[247.5°,337.5°)以及≥337.5°共6個區(qū)間。

(4)地表曲率。地表曲率的大小指示了斜坡的形態(tài)特征。在不同斜坡形態(tài)條件下，滑坡的發(fā)生具有一定的差異性。根據滑坡發(fā)育形態(tài)特征進行分類： 地表曲率<-0.5為凹型坡，地表曲率[-0.5,0.5)的為直線型坡，地表曲率≥0.5為凸型坡。

(5)工程地質巖組。斜坡穩(wěn)定性受自身物質組成的影響，物質組成不同，巖土體的物理參數不同，則巖土體的物理性質不同。研究區(qū)巖組的分類標準參考《GB 50218—2014工程巖體分級標準》[17]，共分為4個等級，分別為松散巖體、較軟弱巖體、較堅硬巖體和堅硬巖體。統計分析各類巖組中的滑坡發(fā)育數量，可知松散巖體中滑坡數量最少，相對最不發(fā)育； 較堅硬巖體和堅硬巖體中滑坡發(fā)育最多，可能與巖體遭受風化剝蝕有關，風化越嚴重，巖體破碎程度越明顯，斜坡越不穩(wěn)定，發(fā)生滑坡災害的可能性越大。

(6)歸一化植被指數。植被對滑坡發(fā)生的影響主要表現為植被的根莖深入地底，可以起到根固的作用，還可以緩沖坡面水流流速，從而極大程度地減少山體水流對坡面的破壞，減少滑坡災害的發(fā)生。NDVI能反映某一區(qū)域內植被的覆蓋程度，利用Landsat8遙感影像求取NDVI，計算公式為[18]

NDVI=(IR-R)/(IR+R)。

(4)

式中：IR為近紅外波段；R為紅外波段。NDVI的取值區(qū)間為[-1，1]，其值越大表示植被覆蓋程度越高，生長狀況良好。結合研究植被分布規(guī)律，本研究采用自然間斷法，將NDVI劃分為<0.17、[0.17,0.36)、[0.36,0.58)、[0.58,0.82)以及[0.82,1]共5個區(qū)間。

(7)距道路距離。在道路建設過程中，坡腳開挖、坡頂荷載等人類工程活動會不同程度地破壞巖土體完整性和天然狀態(tài)下的自然結構。按照100 m間距劃分出11個區(qū)間，得出距道路距離與滑坡數量的關系。在距道路100 m范圍內滑坡分布最多，道路對滑坡發(fā)生的影響最大。根據滑坡在不同距道路距離的分布情況，將研究區(qū)劃分為<100 m、[100,200) m、[200,300) m、[300,500) m以及≥500 m共5個區(qū)間。

(8)距河流距離。河流掏蝕作用會使巖體產生裂縫，越靠近河流的巖土體含水率越大，抗剪強度降低，斜坡穩(wěn)定性隨之降低。以100 m為間隔將距河流距離劃分為11個區(qū)間，統計各區(qū)間的滑坡發(fā)育情況。分析表明，滑坡主要集中分布在距河流距離300 m的范圍內，而距離河流大于800 m的區(qū)域滑坡總體發(fā)育較少。通過分析滑坡發(fā)育數量及分布與河流距離的關系，將研究區(qū)距河流距離劃分為<100 m、[100,300) m、[300,500) m、[500,800) m以及≥800 m共5個區(qū)間。

(9)距斷層距離。區(qū)域構造活動的強烈程度會影響節(jié)理裂隙發(fā)育和巖土體結構，可直接或間接影響滑坡的形成和破壞。以1 km為緩沖間隔將研究區(qū)的距斷層距離劃分為11個區(qū)間，統計分析各緩沖區(qū)域內滑坡的發(fā)育數量。結果表明，在[0，1) km區(qū)間內滑坡相對最發(fā)育，而在[2，8) km區(qū)間滑坡發(fā)育數量呈現逐步降低趨勢，當距斷層距離≥10 km時，滑坡發(fā)育數量呈增長模式，由于研究區(qū)區(qū)域的形狀較長，斷層分布跨度大，在此區(qū)間內斷層相對集中，滑坡發(fā)育數量增多。統計不同斷層緩沖區(qū)內滑坡的數量，將研究區(qū)斷層緩沖區(qū)劃分為<1 km、[1，2) km、[2，4) km、[4，10) km以及≥10 km共5個區(qū)間。

3.5 評價模型

3.5.1 Logistic回歸模型

Logistic回歸模型是一種預測性建模技術，其基本原理為利用回歸分析方法研究因變量(目標)與自變量(預測器)之間的關系，由一個或多個滑坡影響因素(自變量)來判定一個滑坡(自變量)是否發(fā)生(0或1)的概率[19-20]。Logistic回歸函數表達式為

Y=Logit(P)=ln[P/(1-P)]=
B0+B1X1+B2X2+…BnXn，

(5)

P=1/(1-exp(-Y))。

(6)

式中：Y為二元值(0或1)，表示滑坡發(fā)生與否，發(fā)生Y=1，不發(fā)生Y=0；P為滑坡發(fā)生概率；X1,X2,…,Xn為各評價因子；B0為常量，取值-10.756；B1,B2,…,Bn為各評價因子回歸系數。

本文選取Ayalew[21]提出的評價因子量綱歸一化方法獲取歸一化值。計算公式為

，

(7)

。

(8)

表1 評價因子分級和因子歸一化值

(續(xù)表)

3.5.2 Logistic回歸模型的構建

建立邏輯回歸模型的步驟如下：

(1)將研究區(qū)矢量滑坡分布圖轉為柵格圖層，發(fā)生滑坡的區(qū)域賦值為1，未發(fā)生滑坡的區(qū)域賦值為0。

(2)根據所求的歸一化值，分別將9個評價因子圖柵格化。

(3)在研究區(qū)域范圍內，隨機選取230個滑坡點(占總滑坡點的80%)，將剩余的58個滑坡點(占總滑坡點的20%)作為本次評價的檢驗點。同時，借助ArcGIS軟件中的隨機點生成工具，在研究區(qū)范圍內,排除滑坡點以相同的點間距500 m生成隨機點，創(chuàng)建與滑坡點數量相同的230個非滑坡點，共460個點作為本次評價的總樣本點。

(4)將步驟(1)和步驟(2)中的值賦在460個樣本點上，得到樣本點屬性表，將其導入SPSS軟件中，利用回歸分析工具進行總樣本點的邏輯回歸分析，得出回歸分析結果(表2)。

表2 Logistic回歸分析結果

將各因子回歸系數代入式(5)和式(6)，建立Logistic回歸模型為

P=1/[exp(-10.756+5.423a+8.153b+

5.624c+3.334d+6.603e+1.621f+

5.025g+2.329h+4.069i)] 。

(7)

式中：P為滑坡發(fā)生概率，取值范圍為0～1；a為高程因子歸一化值；b為坡度因子歸一化值；c為坡向因子歸一化值；d為地表曲率因子歸一化值；e為工程地質巖組因子歸一化值；f為NDVI因子歸一化值；g為距道路距離因子歸一化值；h為距河流距離因子歸一化值；i為距斷層距離因子歸一化值。

3.6 評價結果與分析

建立邏輯回歸模型后，利用ArcGIS的柵格計算器工具，將各評價因子回歸系數的柵格圖層進行疊加運算，得到研究區(qū)滑坡災害易發(fā)性概率，概率區(qū)間為[0.008，0.963]，采用自然斷點法[22]，按照易發(fā)性程度將易發(fā)性概率進行分級，可分為極低易發(fā)區(qū)[0.008，0.176)、低易發(fā)區(qū)[0.176，0.323)、中等易發(fā)區(qū)[0.323，0.481)、高易發(fā)區(qū)[0.481，0.688)、極高易發(fā)區(qū)[0.688，0.963]共5級，采用重分類生成研究區(qū)滑坡易發(fā)性等級分區(qū)，結果如圖10所示。

圖10 研究區(qū)滑坡易發(fā)性等級分區(qū)

由圖11可知，國道213汶川—松潘段滑坡分布特征如下： ①極高易發(fā)區(qū)和高易發(fā)區(qū)主要集中分布在汶川縣映秀鎮(zhèn)至茂縣石大關鄉(xiāng)一帶，該區(qū)域地勢陡峻，斜坡坡度較大，巖體破碎，易發(fā)生滑坡災害。其中，極高易發(fā)區(qū)面積約106.75 km2，占研究區(qū)總面積的4.31%，發(fā)育滑坡92處，滑坡點密度為0.862處/km2； 高易發(fā)區(qū)面積約505.25 km2，占研究區(qū)總面積的12.15%，發(fā)育滑坡54處，滑坡點密度為0.179處/km2； ②滑坡的中易發(fā)區(qū)面積約492.54 km2，占研究區(qū)總面積的19.83%，發(fā)育滑坡37處，滑坡點密度約為0.075處/km2； ③低易發(fā)區(qū)和極低易發(fā)區(qū)主要集中在茂縣石大關鄉(xiāng)以北至松潘縣城一帶。其中，低易發(fā)區(qū)面積約505.25 km2，占研究區(qū)總面積的20.34%，發(fā)育滑坡25處，滑坡點密度為0.049處/km2； 極低易發(fā)區(qū)面積約1 077.23 km2，占研究區(qū)總面積的43.38%，發(fā)育滑坡22處，滑坡點密度為0.021處/km2。低易發(fā)區(qū)和極低易發(fā)區(qū)范圍內地勢相對平緩，斜坡坡度較小，坡度大部分約20°，發(fā)生滑坡的可能性較小。

由分析結果可知： 隨著滑坡易發(fā)性等級的升高，易發(fā)性面積占研究區(qū)總面積的比例減少，發(fā)育滑坡數量增加，因而滑坡點密度不斷增大，說明易發(fā)性分區(qū)是合理的。

3.7 評價結果檢驗

3.7.1 顯著性檢驗

Logistic回歸模型顯著性檢驗指的是因變量與自變量之間相關關系的檢驗。采用Wald檢驗法[23]，若各評價因子的顯著性均小于0.05，表示自變量通過95%的顯著水平檢驗，即邏輯回歸模型的檢驗效果好[20-22]。從表2可知，各評價因子顯著性均小于0.05，自變量通過了95%的顯著水平檢驗，模型顯著性較高。

3.7.2 精度檢驗

易發(fā)性評價結果精度可以采用受試者工作特征曲線(receiver operating characteristic curve,ROC)進行檢驗[24]。ROC曲線是依據多種不同種類的二分類方式，以敏感度為縱坐標，以1-特異度為橫坐標繪制的曲線，表示敏感度和特異的相互關系。ROC曲線利用曲線下面積(the area under the ROC curve,AUC)來評定評價結果的精度，AUC的取值范圍為[0.5，1]，其值越大，檢驗越具有價值，評價結果的精度越高。檢驗結果得出AUC值為0.837，表明評價結果的精度較高，說明采用邏輯回歸模型對國道213汶川—松潘段滑坡易發(fā)性進行評價是較為客觀準確的(圖11)。

圖11 Logistic回歸模型的ROC曲線

5 結論

本文以國道213汶川—松潘段為研究區(qū)，綜合運用光學衛(wèi)星遙感與InSAR變形探測技術，結合統計分析與邏輯回歸評價方法，開展研究區(qū)滑坡隱患綜合遙感識別和易發(fā)性評價研究，得出以下結論：

(1)采用光學遙感和InSAR變形觀測技術對研究區(qū)進行滑坡隱患識別，共識別出滑坡隱患288處，其中InSAR技術探測出活動滑坡27處，說明綜合遙感識別技術在該研究區(qū)具有較好的識別效果。

(2)極高易發(fā)區(qū)和高易發(fā)區(qū)主要集中分布在汶川—茂縣一帶，總面積約612 km2； 極低易發(fā)區(qū)和低易發(fā)區(qū)主要集中在茂縣以北至松潘一帶，總面積約1 582 km2。同時，采用ROC曲線進行易發(fā)性結果精度分析，AUC值為0.837，表明評價結果的精度較高，說明采用Logistic回歸模型對國道213汶川—松潘段滑坡隱患進行易發(fā)性評價是較為客觀準確的。

(3)分析9個評價因子的邏輯回歸系數，結果表明坡度、高程、坡向、距道路距離4個評價因子對國道213汶川—松潘段滑坡易發(fā)程度的貢獻相對較大，其中坡度[35°,45°)、高程[1 300,1 600) m、坡向[67.5°,112.5°)、距道路距離<100 m是滑坡最容易發(fā)生的地區(qū)。