震后滑坡易发性评价及其时效性研究

李佳春 孟祥瑞 胡顺忠 杨勇 第宝锋

摘 要：在汶川地震重灾区，滑坡等次生地质灾害具有频率高、周期长的特点，静态的滑坡易发性评价难以长期指导滑坡风险治理。为了研究震后滑坡易发性评价结果的时效性，对银厂沟附近震后滑坡进行了遥感解译与野外调查，并筛选出10个易发性评价因子，利用确定性系数法，以斜坡为评价单元建立震后滑坡易发性模型。将研究区划分为5个易发性等级，根据滑坡解译数据的空间分布和数量关系特征分析易发性评价的时效性。结果表明：银厂沟地区基于2010年解译数据的震后滑坡易发性评价结果在2010年和2014年时效性较好，但于2016年以后滑坡发育情况差异较大，基本失去时效性。研究说明强震区震后滑坡易发性评价的时效性较短，针对震后灾害频发地区的滑坡易发性评价需要提升评价频率或开展多时相评价，以有效应用于滑坡风险治理。

关键词：震后滑坡；易发性；时效性；确定性系数法；银厂沟

中图分类号：P694;P954；X43 文献标志码：A 文章编号：1673-5072（2023）03-0269-10

汶川地震后，重災区“三年重建任务，两年基本完成”的目标顺利实现，这种短时间内的快速重建模式容易忽略震后长周期次生地质灾害造成的影响。在山地地区发生强震造成地表强烈晃动以及断层断裂，通常伴随着高密度发育的同震滑坡。这些滑坡严重威胁着山区人民的生命财产安全，因此在重建基本完成的基础上，建立准确的震后滑坡易发性模型尤为必要。

滑坡易发性评价是震后恢复重建和灾害风险治理的重要工具，旨在确定一定区域内滑坡发生的空间分布概率［1］。学者们在易发性评价中广泛采用逻辑回归［2-5］、确定性系数法［6］以及一些机器学习的方法［7-9］来进行易发性分区。包括汶川地震在内的震后滑坡易发性评价已有大量研究，其中一个被普遍接受的假设是特定地区的易发性评价结果是静态的［10］，即评价因子（如地形因子）在很长一段时间不会发生重大变化。而强震以后地形地貌是动态变化的，大量物源输移，滑坡的发生与稳定都会影响地貌形态。此外，强震导致的同震滑坡形成大量松散物质堆积于山体斜坡上，将成为震后初期影响滑坡发育的重要因素。Fan等［11］通过机器学习的方法发现，某一年确定的震后滑坡易发性评价因子，在几年后已经不适合预测滑坡易发性。因此，滑坡易发性是会随内外因素的变化而发生变化的，早期静态的评价结果将会失去时效性，难以有效应用于灾害风险治理。汶川地震造成的重灾区，震后次生灾害发生频率高，持续周期长，对于滑坡易发性时效性的研究可以在相对集中的时间段内开展。选取滑坡频发的汶川地震极震区银厂沟景区作为研究区域具有典型性与代表性，在滑坡易发性时效性的验证上也具有可行性。希望通过时效性研究为滑坡易发性评价模型的实际应用提供新的思路与参考。

1 研究区概况

四川省彭州市西北部龙门山镇银厂沟景区距汶川地震震中映秀不足50 km，区内平均海拔1 805 m，最大高差达2 800 m。汶川地震对该地区造成了非常严重的破坏，产生大量同震滑坡［12］，缺少植被覆盖，被地震破坏形成的地表侵蚀和大量物源造成长期威胁［13-15］。从白水河大桥沿湔江流域向上至接引寺，以湔江两侧山脊线以内区域为研究范围，总面积57.8 km2（图1）。

银厂沟地处四川盆地西部，属亚热带季风性气候，降水量偏高且集中，多年均降水量1 224 mm，年内降水集中在5—10月，占全年降水约80%，多为暴雨，滑坡泥石流等次生灾害多发于雨季。银厂沟出露的地层有：元古界黄水河群、震旦系和须家河组，主要岩性包括砂岩、泥岩、火山岩、碎屑岩以及花岗岩。

2 数据与方法

2.1 数据库建立及预处理

基础数据包括12.5 m分辨率的DEM数据（阿拉斯加卫星设施网站，https：//asf.alaska.edu/），地质构造图（中国地调局，https：//www.cgs.gov.cn/）。滑坡编目数据是进行易发性评价的基础，主要通过遥感影像解译、查阅文献资料获取。本研究在Google Earth平台选取遥感影像，按照光照条件好、大气覆盖低、影像分辨率高以及下一次雨季来临前的原则进行选取，共筛选出5期影像，数据获取时间与数据类型如表1所示。以及XU等［16］提供的2008年同震滑坡数据（图1）。将多期滑坡解译结果与研究区地形叠加（图2），发现在空间分布上，滑坡灾害发育与坡向分异特征明显，主要集中于背对震中区域的东、东南和南面坡向，面向震中的西向、北向、西北向区域滑坡发育显著降低。此外，滑坡也主要集中分布于海拔较高区域，这主要是由于同震滑坡产生的松散物质最初主要堆积在较高海拔区域。在海拔较低的湔江河谷区域，地势相对平坦，极少滑坡发育。统计各年滑坡解译总面积和平均面积（表2），发现滑坡平均规模变化不大，总体规模呈现逐年减少趋势，这可能是松散物质由较高海拔区域输移到低海拔区域并逐渐稳定的缘故。

2.2 斜坡单元划分

评价单元是滑坡易发性评价的基本单元，评价因子的分级统计和制图都是以评价单元为基本单位。由于滑坡主要发生于山体坡面上，并且易发性评价中，高程和坡度等多个因子适合基于斜坡单元统计［17］，因此本文综合前人研究以及滑坡解译结果和野外调研情况，选取斜坡单元开展易发性评价。

斜坡单元是依据山谷线和山脊线共同分割的图元［18］。采用DEM水文分析模型划分斜坡单元，关键步骤包括正反DEM洼地填充、水流方向提取、累积流量计算、集水区生成、正反流域合并［19］，合并后生成初始斜坡单元。在生成集水区过程中，综合考虑研究区范围和沟谷河网特点，将流量阈值设为2 000，与实际河网分布吻合度高。生成初始斜坡单元后，为保证分割精度，需要对初始斜坡单元进行人工编辑，剔除不合理元素，最终将研究区划分为308个斜坡单元（图2）。将斜坡单元划分结果和实际地形对比，划分结果较为符合实际情况。

2.3 评价因子选取

震后长期一段时间滑坡发育是地震因素、斜坡单元内基础地质条件与外界环境因素共同作用的结果［20］。为使大量同震滑坡量化为滑坡发育的地震因素，本文以每个斜坡单元内同震滑坡面积与其对应单元面积之比定义为同震滑坡密度（图3a），将其作为易发性评价的地震因素。斜坡单元内基础地质条件主要包括岩性、地形地貌及断裂构造等，其中地形地貌因子包括海拔、坡度、坡向以及斜坡单元内相对高差，外界环境因素为水文地质环境（距河流距离）、人类工程活动（距道路距离）、地表植被覆盖（NDVI）等。

同震滑坡表现为大量岩土体破坏，形成大量松散堆积物，为震后滑坡崩塌等的启动创造了丰富的物源条件；海拔的差异会直接影响滑坡启动条件；坡度的大小决定了松散物质发生位移并形成滑坡的可能性，是影响滑坡发育的重要因素；坡向通常会影响坡体所受的阳光照射、水流情况、植被生长以及相应风化程度，进而影响坡体稳定性程度；NDVI反映区域内水土保持能力，植被覆盖稀疏的山体边坡更容易失稳；斜坡单元内相对高差影响松散物质的重力势能，相对高差大的區域，坡体上的松散物质易受重力影响而滑落；距河流距离反映一定区域内水文特征，水系分布密集度越高，地表侵蚀越强，利于滑坡发育；距道路距离是人类工程活动的重要指标，山区道路建设中对山体的施工开挖会给山体边坡稳定性造成影响；断裂构造通常与滑坡灾害发育密切相关，在断裂构造交叉复合区域通常有利于形成滑坡发育的构造条件；岩性的不同代表其抗剪程度不同，松软的岩石相较坚硬的岩石更易失稳发生滑坡。

综合上述因素，结合研究区为地震极震区的特点并考虑数据可获取性，选取10个因子开展易发性评价。其中同震滑坡密度、海拔、坡度、坡向、相对高差以及NDVI等连续性因子采用等步长分级方法，距河流距离、距道路距离和距断层距离综合考虑研究区范围和滑坡分布，以0.4 km为步长进行分级［21-22］。研究区内岩性种类较少，直接依据地质图进行分级。各评价指标具体分级及分布见图3。

2.4 研究方法

2.4.1 确定性系数法

确定性系数（Certainty Factor，CF）法被广泛应用于滑坡易发性评价［23-24］，主要用于处理结合不同数据层以及输入数据的异质性和不确定性的问题。其计算公式为：

式中：Pa为二级划分因子a内发生滑坡的条件概率，其值为a中滑坡的面积与该因子分级面积之比；Ps为滑坡事件在研究区内发生的先验概率，其值为滑坡总面积与研究区面积之比。CF的值域为［-1，1］，正值意味着滑坡发生的确定性增加，而负值表示滑坡发生的确定性减少，接近0表示无法判断滑坡发生的确定性。

2.4.2 ROC曲线与AUC值

ROC（Receiver Operating Characteristic）曲线与AUC（Area Under Curve）被广泛地应用于地质灾害易发性评价结果的检验。其中ROC曲线依据易发性评价结果对数据集正负样本的分类结果来绘制，共有4种分类结果：TP（True Positive）、FP（False Positive）、FN（False Negative）、TN（True Negative）。由此计算TPR（True Positive Rate）与FPR（False Positive Rate），公式如下：

TPR=TPTP+FN，FPR=FPFP+FN，

以TPR为纵轴，FPR为横轴即可绘制ROC曲线。曲线下方区域面积即AUC值，可衡量模型预测的准确度。AUC值域为［0.5，1］，越接近1，表明模型准确性越高。

3 基于确定性系数法的震后滑坡易发性评价

3.1 震后滑坡易发性评价

评价因子各级的CF值如表3所示。各斜坡单元内，同震滑坡密度、海拔、坡度、相对高差、距河流距离、距道路距离、距断层距离和NDVI共8个评价因子分别取平均值，坡向、岩性取单元内面积占比最大值为斜坡单元因子值。根据CF值含义，同震滑坡密度越大，CF值越接近1，滑坡越易发生；相对高差为0.6～0.8 km时，CF值最大，滑坡易发生；随着海拔的增加，CF值先增加，后降低，后又升高；坡向为东、东南和南向的CF为正，其余方向为负；在25°～30°的坡度范围内，CF较高，滑坡较易发生；河流和道路位于较为平坦地区，距两者较近范围内以及超过1.6 km的范围CF值为负，滑坡不易发生。NDVI越小，CF值越大，滑坡越易发生；花岗岩区域CF值较大，滑坡易发生；区内仅一条断层从中部穿过，滑坡发育与其距离相关性不强。

3.2 易发性结果分析

将所有评价因子CF值合并得到滑坡易发性指数（Landslide Susceptibility Index，LSI），采用自然断点法将LSI分为5类，依次为低、较低、中、较高、高易发区（图4）。较高易发性和高易发性区域主要集中在湔江流域的西北部，这与西北部同震滑坡密度大、海拔高、坡度大、植被覆盖稀疏有着密切关系。湔江两岸河谷地带地势平坦，易发性普遍较低，但也存在零星的较高易发性区域，尤其是湔江上游区域易发性较高。研究区域东南部大部分为低、较低易发性区域，此区域内植被覆盖茂密，坡度较缓，不易孕育滑坡。

银厂沟震后滑坡易发性分级统计结果（表4）显示：2010年震后滑坡易发性达到中度及以上的面积为265.54 hm2，占2010年震后滑坡面积的88.48%。低较、低易发区中的滑坡面积仅34.58 hm2，占2010年滑坡总面积的比例只有11.52%。将2010年的滑坡解译结果叠加到易发性分区图中（图4a），大量滑坡落在中度易发区及以上，可以看出，利用CF法得出的银厂沟震后滑坡易发性评价结果与2010年滑坡解译结果在空间分布上契合度较高。

4 模型检验与易发性评价的时效性探究

4.1 易发性评价模型检验

通过绘制ROC曲线和计算AUC值进行模型验证，以2010年各斜坡单元内是否发生滑坡作为数据集正负样本，分别采用两种方法确定纵横坐标并绘制ROC曲线（图5）。图5a以易发性指数从高到低的区域累积面积占比为横轴，对应区域内2010年滑坡面积累积占比为纵轴，AUC值为0.781；图5b将斜坡单元内是否发生滑坡作为判断该单元滑坡活动的分类标准，当斜坡单元内存在滑坡区域，活动性记为1，否则记为0，据此生成二分类混淆矩阵，根据公式计算得到横轴FPR和纵轴TPR，AUC值为0.773。两种计算方法得出的检验结果接近并且较高，表明银厂沟震后滑坡易发性评价模型精度较高。

4.2 震后滑坡易发性评价的时效性分析

4.2.1 定性分析

将基于2010年银厂沟滑坡解译数据得到的易发性评价结果分别与2010、2014、2016、2017、2018年滑坡解译数据叠加开展时效性定性分析。在空间分布上，2010年和2014年滑坡主要分布于较高和高易发性区域，并且分布较为均匀（图4a，b），滑坡易发性评价结果与实际发生滑坡区域较为吻合。但从2016年开始，滑坡在较高和高易发性区域内分布数量减少，且主要集中于小部分区域（图4c，d，e），滑坡易发性评价结果与实际发生滑坡差异较大。

4.2.2 定量分析

在滑坡数量关系上，依据滑坡易发性等级进行分级统计，从滑坡面积年际变化和发生滑坡斜坡单元数量年际变化2个维度分析易发性评价结果的时效性。开展定量时效性分析的前提是，如果评价结果具有时效性，则对应易发区内的滑坡面积或者数量会维持相对稳定水平；当失去时效性时，对应易发区内滑坡面积或者数量与易发性评价年份滑坡发育情况差异明显。基于此，引入统计学中时间序列突变点检测理论［25-26］，认为在突变点失去时效性。

滑坡面积年际变化采用研究区滑坡总面积，较高及以上易发区滑坡面积和高易发区滑坡面积3个区间进行统计。结果显示（图6a）：3个区间总体均呈现下降趋势，说明研究区内滑坡发育趋于衰减。除滑坡总面积在2010—2014年有一定降低，较高及以上易发区内滑坡面积和高易发区滑坡面积变化不大。分别对每条曲线进行突变点检测，结果显示每条曲线有且只有1个突变点，发生时间为2016年。

将各年解译的滑坡叠加到对应斜坡单元，并按照发生滑坡斜坡单元总量，较高及以上易发区和高易发区发生滑坡的斜坡单元数量3个区间进行统计。结果显示（图6b）：3个区间总体趋势与滑坡面积年际变化趋势相近，进行突变点检测后发现，较高及以上易发区和高易发区突变点同样在2016年，研究区这条曲线突变点虽然在2014年，但该曲线突变特征不明显，故不考虑该条曲线。

综合2个统计维度，认为银厂沟地区震后滑坡在2010和2014年发育显著，与基于2010年滑坡解译数据的震后滑坡易发性评价结果吻合度较高，滑坡易发性评价结果具有时效性。但在2016年以后，滑坡发育较之前明显减缓，尤其是在高易发性区域内，实际发生滑坡数量和面积明显减少。如果使用基于2010年滑坡数据的易发性评价结果预判风险，则会放大2016年及以后滑坡灾害风险区域。说明此时易发性评价结果基本失去时效性。

从滑坡灾害的角度来看，较高、高易发区内发生滑坡数量和面积在2016年以后明显减少是一种积极的信号，这种快速衰减的情况与近年来的大地震是一致的［27-29］。分析认为这可能是因为同震滑坡形成的松散物质最初主要堆积于山体斜坡之上，经过数年的滑坡输移，松散物质大量进入山谷沟道，山体斜坡趋于稳定。即同震滑坡密度不再是影响滑坡发育的主要影响因子。主控因子发生变化，易发性也将随之改变，同处于汶川地震重灾区的映秀地区的相关研究证实了这一分析［11］。但从负面角度看，松散物质大量进入沟道，破坏性泥石流爆发频率或者规模将增加。最近一次汶川地震重灾区群发性泥石流发生在2019年8月，三江镇、水磨镇、银杏乡多条支沟爆发山洪泥石流灾害，造成12人遇难，26失联。2015年尼泊尔地震后，也有关于泥石流爆发频率升高的报道［30］。

5 结 论

以精细化斜坡为评价单元，考虑同震滑坡因素，基于确定性系数法的震后滑坡易发性评价适用于汶川地震极震区银厂沟景区，研究区按照易发性等级划分为低、较低、中、较高和高易发区。模型准确度检验表明易发性评价结果精度较高，能够为该地区滑坡灾害风险治理提供参考。易发性评价过程中得到的各评价因子二级分类下的CF值显示，震后滑坡发育的主要控制因素为滑坡密度、相对高差和NDVI。滑坡发育与坡向具有显著分异特征，东向、东南向和南向滑坡发育程度严重。

研究区内滑坡体面积分级年际变化以及发生滑坡的斜坡单元数量分级年际变化趋势总体上具有高度相似性。基于2010年滑坡解译数据的震后滑坡易发性评价结果与2010年和2014年实际發生滑坡在数量变化和空间分布上吻合度较高，滑坡易发性评价结果在此期间具有时效性。2016年以后实际滑坡发育情况与滑坡易发性评价结果在数量变化和空间分布上差异较大，易发性评价结果基本失去时效性。在Dai等［31］有关汶川地震重灾区的研究中也发现，在2015年之前，滑坡活动显著，但2017—2020年滑坡活动衰减明显，这与本文所得结论较为吻合。

本文关于滑坡易发性时效性的研究是聚焦于银厂沟景区的典型区域研究，结果表明依靠单一的滑坡编目数据和一套静态的评价因子得出的静态易发性模型是不可靠的。考虑到包括同震滑坡密度、次生灾害导致的地形改变在内的滑坡泥石流发育主控因素在迅速演变，未来，在开展滑坡易发性评价时，应着重评估可能的主控因子演变，利用多时空滑坡数据开展多时相易发性评价以应对震后长期灾害威胁。

致谢：本文所用同震滑坡数据来源于应急管理部国家自然灾害防治研究院许冲研究员。在野外考察与数据处理中，四川大学李杰瑞、吴绍琳、刘健民给予了帮助，在此一并致谢！

参考文献：

［1］ COROMINAS J，VAN WESTEN C，FRATTINI P，et al.Recommendations for the quantitative analysis of landslide risk［J］.Bulletin of Engineering Geology and the Environment，2014，73（2）：209-263.

［2］ 冯策，刘瑞，苟长江.基于Logistic回归模型的芦山震后滑坡易发性评价［J］.成都理工大学学报（自然科学版），2013，40（3）：282-287.

［3］ BAI S B，WANG J，L G N，et al.GIS-based logistic regression for landslide susceptibility mapping of the Zhongxian segment in the Three Gorges area，China［J］.Geomorphology，2010，115（1-2）：23-31.

［4］ CHEN T，NIU R，JIA X.A comparison of information value and logistic regression models in landslide susceptibility mapping by using GIS［J］.Environmental Earth Sciences，2016，75（10）：867.

［5］ CHEN T，NIU R，DU B，et al.Landslide spatial susceptibility mapping by using GIS and remote sensing techniques：a case study in Zigui county，the Three Georges reservoir，China［J］.Environmental Earth Sciences，2015，73（9）：5571-5583.

［6］ LIU L，XU C，CHEN J.Landslide factor sensitivity analyses for landslides triggered by 2013 Lushan earthquake using GIS platform and certainty factor method［J］.Journal of Engineering Geology，2014，22（6）：1176-1186.

［7］ HUANG F，YIN K，HUANG J，et al.Landslide susceptibility mapping based on self-organizing-map network and extreme learning machine［J］.Engineering Geology，2017，223：11-22.

［8］ 陈涛，钟子颖，牛瑞卿，等.利用深度信念网络进行滑坡易发性评价［J］.武汉大学学报（信息科学版），2020，45（11）：1809-1817.

［9］ POURGHASEMI H R，PRADHAN B，GOKCEOGLU C.Application of fuzzy logic and analytical hierarchy process（AHP） to landslide susceptibility mapping at Haraz watershed，Iran［J］.Natural Hazards，2012，63（2）：965-996.

［10］SEGONI S，TOFANI V，ROSI A，et al.Combination of rainfall thresholds and susceptibility maps for dynamic landslide hazard assessment at regional scale［J］.Frontiers in Earth Science，2018，6：85.

［11］FAN X，YUNUS A P，SCARINGI G，et al.Rapidly evolving controls of landslides after a strong earthquake and implications for hazard assessments［J］.Geophysical Research Letters，2021，48（1）：e2020GL090509.

［12］许冲，徐锡伟，吴熙彦，等.2008年汶川地震滑坡详细编目及其空间分布规律分析［J］.工程地质學报，2013，21（1）：25-44.

［13］DI B F，ZENG H J，ZHANG M H，et al.Quantifying the spatial distribution of soil mass wasting processes after the 2008 earthquake in Wenchuan，China：a case study of the Longmenshan area［J］.Remote Sensing of Environment，2010，114（4）：761-771.

［14］朱兆棋，刘鲁光，陈曦，等.银厂沟谢家店滑坡体植被物种多样性和群落稳定性研究［J］.西华师范大学学报（自然科学版），2021，42（4）：348-354.

［15］刘守江，朱兆棋，陈曦，等.龙门山银厂沟区域5·12地震前后灾害与生态研究进展与展望［J］.西华师范大学学报（自然科学版），2021，42（3）：239-245.

［16］XU C，XU X W，YAO X，et al.Three（nearly） complete inventories of landslides triggered by the May 12，2008 Wenchuan Mw 7.9 earthquake of China and their spatial distribution statistical analysis［J］.Landslides，2014，11（3）：441-461.

［17］ALVIOLI M，MARCHESINI I，REICHENBACH P，et al.Automatic delineation of geomorphological slope units with r.slopeunits v1.0 and their optimization for landslide susceptibility modeling［J］.Geoscientific Model Development，2016，9（11）：3975-3991.

［18］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.

［19］顏阁，梁收运，赵红亮.基于GIS的斜坡单元划分方法改进与实现［J］.地理科学，2017，37（11）：1764-1770.

［20］韩用顺，梁川，崔鹏，等.地形条件对次生山地灾害易发性分析［J］.四川大学学报（工程科学版），2010，42（S1）：15-21.

［21］LI W L，HUANG R Q，XU Q，et al.Rapid susceptibility mapping of co-seismic landslides triggered by the 2013 Lushan Earthquake using the regression model developed for the 2008 Wenchuan Earthquake［J］.Journal of Mountain Science，2013，10（5）：699-715.

［22］TANG C，ZHU J，LIANG J.Emergency assessment of seismic landslide susceptibility：a case study of the 2008 Wenchuan earthquake affected area［J］.Earthquake Engineering and Engineering Vibration，2009，8（2）：207-217.

［23］LUZI L，PERGALANI F.Slope instability in static and dynamic conditions for urban planning：the ‘Oltre Po Pavese case history（Regione Lombardia-Italy）［J］.Natural Hazards，1999，20（1）：57-82.

［24］KANUNGO D，SARKAR S，SHARMA S.Combining neural network with fuzzy，certainty factor and likelihood ratio concepts for spatial prediction of landslides［J］.Natural Hazards，2011，59（3）：1491.

［25］AMINIKHANGHAHI S，COOK D J.A survey of methods for time series change point detection［J］.Knowledge and Information Systems，2017，51（2）：339-367.

［26］苏卫星，朱云龙，刘芳，等.时间序列异常点及突变点的检测算法［J］.计算机研究与发展，2014，51（4）：781-788.

［27］HOVIUS N，MEUNIER P，LIN C W，et al.Prolonged seismically induced erosion and the mass balance of a large earthquake［J］.Earth and Planetary Science Letters，2011，304（3-4）：347-355.

［28］MARC O，HOVIUS N，MEUNIER P，et al.Transient changes of landslide rates after earthquakes［J］.Geology，2015，43（10）：883-886.

［29］ZHANG S，ZHANG L，LACASSE S，et al.Evolution of mass movements near epicentre of Wenchuan earthquake，the first eight years［J］.Scientific Reports，2016，6（1）：1-9.

［30］DAHLQUIST M P，WEST A J.Initiation and runout of post-seismic debris flows：insights from the 2015 Gorkha earthquake［J］.Geophysical Research Letters，2019，46（16）：9658-9668.

［31］DAI L，SCARINGI G，FAN X，et al.Coseismic debris remains in the orogen despite a decade of enhanced landsliding［J］.Geophysical Research Letters，2021，48（19）：e2021GL095850.

Abstract：As landslides and other secondary geological disasters are characterized by high frequency and long period in the hardest hit regions of Wenchuan earthquake，it is difficult for static landslide susceptibility to guide the landslide risk management for a long time.Remote sensing interpretation and field investigation are carried out for the post-earthquake landslides near Yinchanggou to study the timeliness of post-earthquake landslide susceptibility.Ten factors are selected as assessment factors of post-earthquake landslide susceptibility.Certainty factor module and slope as the assessment unit are employed as assessment unit to establish a post-earthquake landslide susceptibility assessment model.The study area is divided into five susceptibility grades and the timeliness of susceptibility is analyzed in accordance with the relationship between spatial distribution and quantitative relationship of the landslide interpretation data.The results show that the post-earthquake landslide susceptibility based on 2010 landslide interpretation data in Yinchanggou area have excellent timeliness in 2010 and 2014.However，it is quite different from the actual landslide development after 2016，probably losing its timeliness.It indicates that the timeliness of post-earthquake landslide susceptibility in highly seismic region is relatively short and the landslide susceptibility assessment of areas with frequent post-earthquake disasters requires the promotion of evaluation frequency and multi-temporal evalation to effictively manage landslide risk.

Keywords：post-earthquake landslide；susceptibility；timeliness；certain factor module；Yinchanggou

基金项目：国家重点研发计划项目（2020YFD1100701）;四川省科技厅国际合作项目（2020YFH0060）

作者简介：李佳春（1996—），男，硕士研究生，主要从事地质灾害风险研究。

通信作者：第宝锋（1977—），男，博士，教授，博士生导师，主要从事地质灾害风险与环境遥感研究。E-mail：dibaofeng@scu.edu.cn

引文格式：李佳春，孟祥瑞，胡顺忠，等.震后滑坡易发性评价及其时效性研究［J］.西华师范大学学报（自然科學版），2023，44（3）：269-278.