基于GIS滑坡地质灾害易发性评价方法综述

2021-01-24陶伟，孙岳

世界有色金属 2020年21期

陶伟，孙岳

（东华理工大学地球科学学院，江西南昌 330013）

滑坡作为最常见的地质灾害，危害性大、破坏力强，给人民的生命财产安全造成巨大威胁。据全国地质灾害通报，2019年全国共发生地质灾害6181起，共造成211人死亡、13人失踪、75人受伤，直接经济损失27.7亿元，其中滑坡4220起，占地质灾害总数的68.27%，造成严重的环境破坏和经济损失，具有自然和社会双重属性[1，2]。我国幅员辽阔，地质环境复杂多样的特殊性决定了滑坡地质灾害多样性和区域变异性，滑坡同时受多种外界因素耦合诱发，亟待提高滑坡灾害监测预警的时效性与准确性[3]。科学地进行滑坡灾害预测和评价对防灾减灾和保护人民生命、财产安全意义重大，选定合适的评价方法、建立分析模型，划分研究区滑坡地质灾害易发性等级，从而为防灾减灾和区域规划的制定提供可靠的决策依据，为滑坡灾害防治和预警提供指导[4]。

地理信息系统（geographic information system，GIS）作为数据管理、空间分析和图像输出的强有力技术手段，能使得分析结果更加精细化，被广泛应用于滑坡地质灾害的早期识别和定量分析领域。将地形地貌特征、地质信息以及与滑坡有关的降水量和历史灾害等数据导入GIS平台，建立相应的预测模型，能有效对滑坡灾害进行评价和预测。GIS高效率、高精度、定量化的模拟与分析，对滑坡灾害的易发性区划研究及预警有重要的现实意义，为滑坡灾害的研究开创了新局面。

本文通过总结前人基于GIS滑坡灾害易发性评价的研究方法和模型，归纳几种常用的滑坡灾害评价方法，分析了其适用范围及在应用中的优势和局限性。在此基础上，总结出基于GIS滑坡易发性评价思路，以期对今后的不同形成机理的滑坡灾害研究提供借鉴。

1 常见滑坡灾害易发性评价方法分析

滑坡灾害的易发性评价研究起始于20世纪60年代，九十年代开始伴随着数理统计、概率论及信息量理论、模糊数学理论等学科不断被引入地质灾害研究领域，传统定性研究逐步向定量研究发展，即以数据资料为基础和依据，能够更加客观和科学的反映滑坡地质灾害的真实状况[5]。当前，基于GIS应用于滑坡地质灾害评价的方法大致可以分为统计分析方法和数学模型法两类。统计分析法中比较常见的方法有层次分析法、频率比法、证据权法和逻辑回归等；数学模型法中比较常用的有神经网络模型法、模糊综合评判法、信息量模型、支持向量机模型法等[6，7]。

1.1 统计分析法

（1）层次分析法（Analytic Hierarchy Process，AHP）：20世纪90年代由T.L.Saaty提出层次分析理论的“1～9标度法”，用于解决层次结构或网络结构的多指标决策分析的方法[8]。将评价因子大致分为目标层、准则层和方案层三个层次，分析思路是确定研究区域的方案层要素因子，照各因子相互之间的内在关系，建立层次结构模型，通过各因子的两两对比，建立判断矩阵，进行层次分析排序，确定单个因子的相对重要性。运用层次分析法进行滑坡灾害易发性分区与评价基本流程为：分析地质条件，选定评价因子和评价单元→建立递阶层次结构模型→构造判断矩阵并计算各因子权重，计算权向量，一致性检验→因子加权叠加，分级拟合后进行分区[2]。

层次分析法的优势是根据判断矩阵定量计算出各因子的权重，虽然判断矩阵是人为确定，但是矩阵需要通过一致性检验判断权重是否科学，一致性检验合格后，确定各个评价因子的权重值，大大减少了人为确定的主观性和错误可能性，确保AHP法在研滑坡易发性评价上的运用是科学合理的[9]。缺点是在构建判断矩阵时，评价指标过多，统计量大，指标间可能存在很强的相关性导致模型失真，且由于决策者很难掌握标度的标准，因此往往做出的判断不能满足一致性检验。这会导致计算收敛较慢，迭代次数较多，从而增加计算量[10，11]。

（2）频率比法（Frequency Ratio，FR）：基于已知的滑坡分布与各滑坡灾害影响因子间的关系，通过数学方法计算滑坡灾害与评价因子间的关系得到频率比值（FR）表示滑坡地质灾害位置和评价因子间的相关程度。FR值为1代表平均值，当FR小于1时，表明评价因子与滑坡灾害相关性低；当FR大于1时，说明评价因子与滑坡灾害间的相关性高。频率比法类似于专家打分和层次分析法的确定权重步骤，仅仅是纯数理统计，而对滑坡发育机理和各因子协同耦合关系缺少深入研究。

（3）证据加权分析法（Weights of Evidence Model，WEM）：是加拿大数学地质学家Agterberg提出的一种地质学统计方法，它基于贝叶斯理论，统计分析计算滑坡灾害评价因子的权重值。证据加权分析法成立有两个前提条件，一是评价因子通过独立性检验去除相关性大的因素，二是滑坡灾害所有的致灾因子均是长期保持不变的[12]。对滑坡灾害和滑坡灾害的致灾因子进行空间分析，计算致灾因子的权重值，求取滑坡灾害危险性指数。这种方法成立的前提条件要求致灾因子相对稳定，但是近年来极端气候频发，降水和温度的变化较大，会间接影响一些其他因子，不能有效避免评价因子之间的相互依赖，因此使用该方法有很大局限性。

（4）逻辑回归（Logistic Regression，LR）：从统计学角度出发，各因子数据可以作为自变量，而灾害的发生与否可以作为分类因变量。由于不是连续变量，线性回归不适用于推导自变量和因变量之间的关系。这种情况下，通常采用对数线性模型，而Logistic回归模型就是对数线性模型的一种特殊形式，被引入到地质灾害评价中，展现了较好的评价效果[13]。逻辑回归模型有操作方法简单、计算过程不受主观因素影响，评价结果的物理意义明确等突出优点。其缺点是基于大样本统计规律的，需要大量数据的支持，且对于研究区特征如植被覆盖度高的容易造成数据本身的不确定性导致回归模型的结果不可靠[4]。

1.2 数学模型法

（1）人工神经网络模型法（Artificial Neural Networks Model，ANNM）：是模拟人脑结构和神经元网络进行信息处理的数学模型，由大量处理单元互联而成，具有独特的学习和适应特性，收敛速度快，容错率高，被广泛应用于灾害预测等各个方面，取得了令人满意的效果[13，14]。其中BP（Back-Propagation Network）神经网络模型是应用最成熟广泛的一种，于1986年被提出的，采用反推学习规则，又称为反向传播神经网络，是一种按误差逆向传播算法训练的多层前馈网络。BP网络是一种有监督的学习算法，具有很强的自适应、自学习、非线性映射能力，能较好地解决数据少、信息贫、不确定性问题，且不受非线性模型的限制。一个典型的BP网络包括三层：输入层、隐含层和输出层，输入层为滑坡灾害评价因子，输出层主要是输出滑坡灾害易发性的评价结果，而隐含层主要是用于修正误差。但是由于人工神经网络对输入层和输出层有着严格的要求，而在地质灾害评价中输出层(危险性等级)很难和实际数据(灾害是否发生)一致，使得在地质灾害中应用人工神经网络技术的难点集中在训练样本的选择上。虽然BP神经网络具有高度非线性和较强的泛化能力，但也存在收敛速度慢、迭代步数多、易陷入局部极小和全局搜索能力差等缺点。

（2）模糊综合评判（Fuzzy Comprehensive Evaluation，FCE）：是以模糊数学为基础，将定性评价转化为定量评价的综合评判方法。可以对确定性或不确定性因素基于给予综合评价，将边界不清，复杂模糊和不易定量的因素进行量化[15]。滑坡地质灾害的影响因子十分复杂，存在很多不确定性因素，而模糊综合评判能够对其中的不确定因素建立分析模型，综合考虑多因素、多层次的影响，直观的描述各风险因素间的关系，利用概率推理中的先验概率及后验概率进行计算，确定不同区域的灾害发生风险，对相似的地区进行类比分析，再结合研究区实际地质条件进行综合评判，使评价结果更加科学。但应用模糊数学理论时，其隶属度函数的选取更多的是依靠专家经验，评价结果具有很大的主观性，而且由于模型的限制，在区划中网格通常较大，致使评价结果不够精确，本方法更适合单体滑坡的评价，在大范围、区域性的滑坡空间预测上有很大的局限性。

（3）信息量模型（Information Model，IM）:是以已知灾害区的滑坡致灾因素为依据，推算出贡献大小的信息量，建立评价预测模型。依照类比原则外推到相邻地区，从而对整个地区的危险性做出评价。信息量模型相对于其他预测方法在单元划分数量较大的灾害区划中更具优势。但信息量模型所统计的信息只能反映不同影响因子在特定组合情况下灾害出现的可能性，各因子的影响程度的差异不能体现，可能出现某种条件对灾害发生具有抑制作用，与自然规律相悖，影响准确性[16，17]。为了解决这一问题，应对评价因子进行加权，使其反映出不同因素对滑坡影响的差异性，采用加权信息量评价模型，提高评价的准确性[18]。信息量模型常用来与其他模型的计算评价结果交叉检验，效果较好。理论上信息量模型对参与危险性评价因子的标志状态的划分没有特殊要求，但研究发现[10]，因子选取及其标志状态划分的合理性影响着计算评价的结果。所以，因子选择要有代表性，能够反映灾害活动的特征。在预测单元划分上，依比例尺的不同要足够小，这样才能减少误差，从而提高预测的准确性[19，20]。地质灾害有一定的随机性，只从历史灾害因素去分析和预测，缺少灾害形成机制的分析判断，那么进行分析的准确性将取决于收集的数据量的大小，具有一定局限性。

（4）支持向量机模型（Support Vector Machine，SVM）：由Vapnik提出，是一种基于统计学原理的分类预测模型，通过引入核函数，将特征空间内线性不可分的数据转换为多维空间线性可分数据的算法[17]。核函数是SVM的核心，核函数的选择直接影响到运算结果的精度和时间。常见的SVM模型可以分为单类支持和两类支持两种。与其他统计预测模型或学习算法相比，支持向量机模型具有两个突出优点：①易于使用而不需要对输入参数进行较大的调整；②结合了最优理论、统计和函数分析，计算效率高、预测能力强，在解决小样本、高纬度和非线性问题方面更具优势，避免了人为因素的干扰[13，14]。在研究区资料不够丰富时，可利用易于获得的资料，如地形图、遥感影像，加上已知滑坡点和不稳定斜坡的位置，建立滑坡的预测评价模型，快速完成滑坡灾害的区划评价。但这种方法需要选定合适的核函数，对数理分析及计算机能力要求较高。两种类型中，由于单类支持向量机没有未发生滑坡样本的约束，因此在相同的预测精度下可能导致高危险区域偏大。

表1 常用滑坡易发性评价方法对比

2 常用滑坡评价方法对比

通过上述统计分析法和数字模型法的分析总结，不同方法的优势和局限性如表1所示。

由表1可知，不同方法都具有一定的局限性和适用范围。在研究某一地区滑坡灾害时，由于影响滑坡发育的因素众多，所有对滑坡的产生有贡献的因素也很难被全部收集到，因此在研究区资料不够充足时，可用已获得的各种来源的数据结合现有的滑坡的详细位置资料等，应用一定的数据挖掘模型来建立适合目标研究区的滑坡评价模型，实现滑坡灾害评价。本文针对不同形成机理的滑坡灾害，归纳出基于GIS滑坡易发性评价基本思路。首先依据已发生滑坡灾害的规模、大小、地形特征、坡度、岩石性质、断裂等信息进行统计分析，确定评价因子，并进行相应赋值，然后根据滑坡易发性评价因子选择合适的一种或几种评价方法及模型，最后划分易发性等级，完成滑坡灾害易发性评价和预测。