基于GIS和多变量决策树的地震滑坡道路中断风险应急评估模型

白仙富 杨志全 罗伟东 王杰 田鹏 戴雨芡

基金项目：中国地震局地震科技星火计划攻关项目（XH222509C）；云南省重点研发计划（202203AC100003）；中国地震局地质研究所中央级公益性科研院所基本科研业务专项（IGCEA2106）.

第一作者简介：白仙富（1979-），高级工程师，主要从事山地灾害防治和山地环境保育的理论与技术、自然灾害风险评估相关研究.E-mail：xf_bai520@163.com.

通讯作者简介：戴雨芡（1979-），博士，主要从事公共安全与区域防灾基础理论与关键技术研究.E-mail：282658421@qq.com.

摘要：在地震应急阶段，如何定量评估地震滑坡道路中断风险是一项亟待完善的关键技术。为解决这一难题，以2008年汶川MS8.0地震、2014年鲁甸MS6.5地震及2012年彝良MS5.7、5.6地震为案例开展地震滑坡道路中断风险应急评估模型的构建和检验。汶川研究区用来建立地震滑坡道路中断风险多变量决策树的应急评估模型，并对模型作有效性评价，鲁甸和彝良研究区用来对所建模型开展相似区域外延适用性的评价。通过P值检验模型统计学的显著性，使用Kappa值评价模型推断结果与实际情况的一致性。汶川研究区的P值为2.52×10-203，Kappa系数为0.91。说明使用模型计算出的道路中断风险是地震滑坡道路是否中断的良好指标。鲁甸和彝良研究区的P值为9.7×10-107，Kappa系数为0.81。这表明在允许一定误差的情况下，本研究建立的地震滑坡道路中断风险多变量决策树应急评估模型可以推广应用到其它类似地区。

关键词：道路中断风险；地震滑坡；多变量决策树；应急评估

中图分类号：P315.94文献标识码：A文章编号：1000-0666（2023）03-0343-11

doi：10.20015/j.cnki.ISSN1000-0666.2023.0040

0引言

道路系统的通行状态对地震灾害救援时的物资和人员输送至关重要（阮璇，2014），因此，地震应急评估需要尽可能提供准确的灾区道路中断风险信息（马海建等，2015；张敬等，2019）。在川滇多山区域，地震滑坡次生地质灾害通常会造成道路交通系统严重损毁（赵红蕊等，2014），地震滑坡道路中断风险应急评估尤为重要。An等（2015）基于决策树最大信息增益比的C4.5方法对2008年汶川MS8.0地震道路滑坡中断风险评估研究表明，可以利用地震滑坡易发性水平数据对道路中断风险进行预测。但这项研究还存在一些不足：一是在每个节点上只检验单一属性的影响，剪枝代价较大；二是在模型构建过程中忽略了低烈度（Ⅵ～Ⅶ度）区的情况，模型的外延推广应用不足；三是模型的总体精度不够高，Kappa系数为0.71。如何准确评估地震滑坡道路中断风险并用于地震应急还有许多理论和技术问题需要继续探索。本文提出一种基于GIS和多变量决策树的地震滑坡道路中断风险应急评估方法，并利用2008年汶川MS8.0地震的道路数据进行模型的构建和检验，用2014年鲁甸MS6.5地震和2012年彝良MS5.6、5.7地震灾区的道路数据开展模型的外延適用性检验。

1方法和数据

基于GIS和多变量决策树方法的地震滑坡道路中断风险应急评估方法的基本思路为：首先计算各烈度区的地震滑坡易发性水平，然后提取每条路段两侧180m范围（缓冲区）内的滑坡易发性水平及其像元数量作为路段的地震滑坡属性，再用路段地震滑坡属性与道路中断风险之间的多变量决策树关系进行路段中断风险推断。

依据这种思路，本文提出的评估方法的特点包括：将路段作为评估的基本单元；路段的中断风险分为有风险和无风险两类，有风险指的是道路被地震滑坡体掩埋或冲毁，车辆无法通行，无风险表示道路没有被地震滑坡冲毁或掩埋；利用多变量决策树模型，根据路段缓冲区范围内各滑坡易发性水平像元数量组合进行道路中断风险分类。评估方法包括3个基本步骤（图1）：①定制路段单元，即在GIS中将研究区的道路划分为路段，制作每条路段两侧180m的缓冲区，将路段编码通过空间关联赋值给缓冲区。②绘制评估区域的地震滑坡易发性水平空间分布图。该步骤实质上就是根据地震烈度分布（基于应急评估的结果）在GIS中建立评估区域的地震滑坡易发性水平数据。统计各缓冲区范围上不同滑坡易发性水平的像元数量，把统计结果赋值给对应的路段作为路段的地震滑坡属性。③利用样本数据建立的多变量决策树应急评估模型对路段的地震滑坡中断风险进行推断，并在GIS中绘制地震灾区道路中断风险应急评估结果。

1.1路段数据建立

本文将道路网络上只连接两个节点之间的交通线定义为路段，并把它作为地震滑坡道路中断风险应急评估的基本单元。路段两端的节点类型包括城市、乡镇、村庄、匝道进出口、公路交叉口（含十字路口）、环岛、车站等其他公路起始点。按照此约定，在GIS软件中，将道路分割为矢量化的路段并进行编码等字段处理。路段的中断风险字段类型为逻辑型，有风险对应字段值为1，无风险则为0。

1.2路段缓冲区处理

造成道路中断的滑坡主要发生在道路经过的地方或道路上侧，因此，地震滑坡的影响范围就是道路缓冲区的依据。为了确定地震滑坡影响范围，我们测量了2008年汶川MS8.0地震引发的5928个滑坡体的滑动距离（图2），绝大部分滑坡体滑动距离为90～190m，大于180m的样本仅有386个，平均值为168.8m。为了减轻统计的冗余量，本文将影响道路中断风险的地震滑坡空间范围定义为道路两侧180m。据此，在GIS中进行路段缓冲区制作时，缓冲距离为道路两侧180m，且路段两端不做缓冲（图3）。在此基础上，将路段的编码赋值给对应的缓冲区，以方便后续的属性关联。

1.3地震滑坡易发性制图与路段滑坡属性赋值

1.3.1地震滑坡易发性水平空间分布制图

国际上对地震滑坡易发性评估的研究中，适用于应急评估的方法主要有两类。即基于Newmark位移模型及其派生模型的方法（Capolongo，Mankelow，2002；DelGaudio，Wasowski，2004；Havenithetal，2006；DelGaudioetal，2012；Chousianitisetal，2014；James，Sitharam，2014）和基于滑坡易发性的相关分析法（Havenithetal，2006；Kampetal，2008，2010；Xuetal，2012，2013）。本文使用中国地震局大中城市地震灾害情景构建重点专项“地震滑坡危险性分析方法研究”产出的地震滑坡易发性水平评估模块绘制地震滑坡易发性水平空间分布图。该模块考虑了地形坡度、地震动参数（烈度）、岩性、土地利用、气象水文因子等影响因素（白仙富，2022），可以进行不同烈度设定下区域地震滑坡易发性水平空间分布预测制图。使用该模块绘制地震滑坡易发性水平空间分布图的过程实质是采用自然断点法将各像元的地震滑坡发生概率值划分为5类，并依次赋值1～5，表示地震滑坡易发性水平从极低到极高，属性值越高，发生滑坡的可能性越大。对历史滑坡数据的检验表明该套数据是检验地震滑坡能否发生的良好指标（张方浩等，2022）。使用该模块进行地震滑坡易发性空间分布制图时，本质上是用研究区的烈度属性（通常来源于地震影响场应急评估结果）从预测数据集中提取对应烈度区的地震滑坡易发性水平数据，然后通过GIS镶嵌功能完成整个评估区的地震滑坡易发性水平空间分布图的绘制（图4）。

1.3.2缓冲区地震滑坡属性赋值

缓冲区地震滑坡属性赋值是指在地震滑坡易发性水平空间分布制图的基础上，通过GIS软件中的空间统计模块对各缓冲区上的滑坡易发性像元信息进行统计。统计的像元包括完全落在缓冲区内的像元和与缓冲区边界线相交的像元（图3）。统计方式分别为计算缓冲区内每一类滑坡易发性水平的像元数量。表1中FID表示缓冲区字段的机器自动编码；ID表示缓冲区的唯一编码；name为缓冲区对应的路段名称；X1表示地震滑坡易发性水平属性为1的字段名，其余依次类推；X1i表示第i个缓冲区上滑坡易发性水平属性值为1的像元个数，其余的依次类推；r表示缓冲区对应的路段中断风险字段名，当r的字段值为1时表示路段的地震滑坡中断风险属性为有风险，当r的字段值为0时则表示无风险。

1.3.3路段滑坡属性赋值

在缓冲区地震滑坡属性赋值的基础上，将缓冲区上的地震滑坡属性根据唯一编码关联赋值给路段，作为路段的滑坡属性。赋值后的路段属性见表1，此处不再赘述。

1.4地震滑坡道路中断风险应急评估模型

1.4.1多变量决策树

本文使用多变量决策树构建地震滑坡道路中断风险应急评估模型。通用的单变量决策树模型（比如C4.5）固有的限制成为提高决策树分类精度的瓶颈。Murthy等（1994）提出了多变量决策树模型。多变量决策树中，每个非叶结点是一个形如∑d[]i=1wiXi=t的线分类器，其中wi是Xi属性的权重；t是该节点的分类阈值。与单变量决策树不同的是，在多变量决策树的学习目标不是为每个非叶结点寻找一个最优划分属性，而是建立一个合适的线性分类器（周志华，2016）。本文通过R软件求解地震滑坡道路中断风险多变量决策树应急评估模型构建时的wi、Xi和t的参数值。

1.4.2地震滑坡道路中斷风险通用模型

对一个特定区域中的地震滑坡道路中断风险应急评估实际上就是基于多变量决策树的路段中断风险分类。地震滑坡道路中断风险与路段的滑坡属性之间的通用关系描述为函数，根据路段滑坡属性，函数可以有两种选择，如式（1）所示：

2研究结果

2.1研究区

如图5所示，本文研究区为3次地震震后现场调查确定的烈度为Ⅵ度及以上的区域（图5）。地震滑坡道路中断数据最翔实的汶川地震样本用于模型的建立和有效性的评价；鲁甸和彝良地震样本数据用来对所建立模型在相似区域的适用性进行评价。

2.2路段数据处理

将道路数据按照1.1节的约定在GIS软件中划分成路段数据。在进行路段空间数据处理时，处理对象为每个灾区地震之前一年的空间道路数据。我们通过现场调查获得研究区地震滑坡造成的路段中断空间分布（图5），把被地震滑坡冲毁或掩埋路段的中断风险属性定义为有风险，相应的属性赋值为1；其他路段的中断风险定义为无风险，相应的属性赋值为0。

2.3地震滑坡易发性空间分布制图

为了与实际情况做更好的对比，我们采用现场调查后确定的地震烈度数据（空间矢量面属性数据），按照地震滑坡易发性评估流程（图4）绘制3个地震灾区的地震滑坡易发性水平空间分布图（图6）。在此基础上，按照1.3.2节和1.3.3节所述方法对研究区路段进行地震滑坡属性赋值，得到具有地震滑坡和中断风险属性的路段数据。

2.4模型求解及其在汶川研究区的检验

2.4.1影响地震滑坡道路中断因子分析

将2008年汶川地震灾区的路段分为两类：地震滑坡中断路段（定义为有风险，属性值为1）和其它路段（定义为无风险，属性值为0）。在路段分析中，只考虑了高等级公路（包括高速公路、国道、省道），其它公路没有统计在内。从汶川研究区地震滑坡中断路段和其他路段的滑坡属性统计图（图7）可以看出，中断路段两侧180m范围内滑坡易发性极高或较高的像元数量较多，其它路段两侧滑坡易发性极高或较高的像元极少或没有，表明路段的地震滑坡属性是其中断风险的重要指标。

采用列联表对汶川研究区内26151条路段的地震滑坡中断风险与滑坡属性的相关性进行分析与推断。进行列联分析时，将样本中地震滑坡中断道路的r记为1，其它路段的r记为0，把缓冲区上代表各滑坡易发性等级像元数量的X1～X5分为大于0和等于0两类，然后进行不同地震滑坡易发性水平像元数量组合与道路中断风险之间的关系分析，见表2。对应的X1～X5分别表示路段缓冲区上地震滑坡易发性等级从极低到极高的像元数量。滑坡属性与中断风险属性对应下的数值为满足这两个条件的路段数量。用表2进行列联分析时，约定：原假设H0：Xi与r独立；备择假设H1：Xi与r相合。X5与r的检验P值为4.8311×10-116，相合系数为0.6794。显著地有X5=0，

X1[]＞0[]966[]23506[]24472

[]合计[]2231[]23920[]26151

倾向于r的取值等于0；X5>0，倾向于r的取值等于1，拒绝原假设，X5与r的正相合。X4与r的检验P值为4.361×10-144，相合系数为0.8598。显著地有X4=0，倾向于r的取值等于0；X4>0，倾向于r的取值等于1，拒绝原假设，X4与r的正相合。X3与r的检验P值为1.0703×10-155，相合系数为0.9591。显著地有X3=0，倾向于r的取值等于0；X3>0，r的取值倾向于等于1，拒绝原假设，X3与r的正相合。X2与r的检验P值为1.216×10-155，相合系数为-0.2915。显著地有X2=0，r的取值倾向于等于1；X2>0，r的取值倾向于等于0，拒绝原假设，X2与r的负相合。X1与r的检验P值为1.79146×10-38，相合系数为-0.6217。显著地有X1=0，r的取值倾向于等于1；X1>0，r的取值倾向于等于0，拒绝原假设，X1与r的负相合。

从表2结果可以看出，路段兩侧180m范围内不同滑坡易发性等级的像元数量与路段是否因地震滑坡中断存在联系。列联分析表明可以使用路段的地震滑坡属性推断其滑坡中断风险。

2.4.2模型参数求解

选取汶川地震灾区中的8717条路段数据（约占汶川研究区样本数据的30%）作为训练集构建地震滑坡道路中断风险多变量决策树模型，其余的17434条路段数据作为测试集测试模型的合理性。通常在决策时，随着划分过程的进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的“纯度”尽可能高。基尼指数是度量样本集合纯度常用的一种指标。假定当前样本集合D中第k类样本所占的比例为pk（k=1，2，…，y），则D的基尼指数定义为：

Gini（D）=∑y[]k=1∑k≠1pkpk′=1-∑y[]k=1p2k（2）

Gini（D）越小，则数据集D的纯度越高。假定离散属性a有V个可能的取值，若使用a来对样本集D进行划分，则会产生V个分支结点，其中第v个分支结点包含了D中所有在属性a上取值为av的样本记为Dv。可根据式（2）计算出Dv的基尼指数，再考虑到不同的分支结点所包含的样本数不同，各分支结点赋予权重Dv/D计算出用属性a对样本集D进行划分所获得的基尼指数（Gini_index）。采用与式（2）相同的符号表示，属性a的基尼指数定义为：

Gini_index（D，a）=∑V[]v=1Dv[]DGini（Dv）（3）

在候选属性集合A中，选择使划分后基尼指数最小的属性作为最优划分方案，即：

a*=argmina∈AGini_index（d，a）（4）

当Gini（D）值取最小时，通常认为对应的分类器是最佳分类。

根据上述约束，采用统计软件R完成地震滑坡道路中断风险多变量决策树模型的构建，结果如图8所示。

地震滑坡道路中断风险多变量决策树应急评估模型从根结点开始“生长”，建模时使用的训练样本8717个，其中实际地震滑坡风险属性为有风险的样本739个，无风险的样本7978个。训练样本在各叶节点上的基尼指数见表3。

一般来说，一个模型只有通过统计学评价和一致性检验才能表明其具有科学意义。统计学上，P值为结果可信程度的一个递减指标，P值越大，样本中变量的关联越无法作为总体中各变量关联的可靠指标。Kappa系数反映的是模拟结果与实际情况的一致性程度，通行的做法是将Kappa值分为5组来表示不同级别的一致性：（0.0～0.20）为极低一致性，（0.21～0.40）为一般一致性，（0.41～0.60）为中等一致性，（0.61～0.80）为高度一致性，（0.81～1）为几乎完全一致。将通过训练集求解的模型对包括测试集在内的所有样本进行地震滑坡道路中断风险推断，然后对推断结果进行检验（表4）。汶川研究区的检验P值为2.52×10-203，远小于0.001；总体正确率达到98.50%；Kappa系数达到0.91。对比C4.5的决策树方法研究结果，多变量决策树模型覆盖的范围更广，涵盖了Ⅵ～Ⅺ度区域，且有更高的差异显著性（更显著的统计学意义）、更高的Kappa系数（更高的一致性）和更高的总体正确率。

利用上述模型，基于地震后现场调查得到的地震烈度计算各路段的地震滑坡道路中断风险值，在GIS中反演研究区地震滑坡道路中断风险分布（图9a），对照实际道路中断情况（图5）发现，模型评估为有风险而实际畅通的路段主要是高烈度区的少量高速公路，而模型评估为无风险但实际却因滑坡中断的主要是低烈度区的部分省道。

2.5模型的外延适用性检验

模型的外延适用性检验即在所有数据处理方法、建模指标和模型参数都不发生变化的情况下，使用在汶川研究区建立的地震滑坡道路中断风险多变量决策树应急评估模型，对云南2014年鲁甸MS6.5和2012年彝良MS5.7、5.6地震灾区的路段进行地震滑坡中断风险推断。鲁甸和彝良研究区的地震滑坡道路中断风险空间分布反演结果如图9b所示。从检验结果（表5）可以看出，鲁甸和彝良研究区的检验P值更加接近于0；总体正确率99.67%；Kappa系数0.81，仍属于几乎完全一致性级别。这表明，用模型计算出的道路中断风险属性是路段是否因地震滑坡而中断的良好指标，在允许存在一定误差的情况下，所建立的模型可以用于地理环境相似地区的地震滑坡道路中断风险应急评估。

3讨论

本文通过建立每个节点的线性分类器和增加低烈度区的样本数据来改进C4.5算法存在的不足。显然，路段单元的地震滑坡中断风险与地震滑坡易发性水平之间的紧密关系是本文成功建立模型的关键。本文提出的模型需要3个条件才能成立：①评估对象的基本单元为路段；②路段两侧的缓冲区距离为180m，且两端不做缓冲；③所使用的地震滑坡易发性水平数据是分辨率为90m×90m分级数据。这3个条件中，如果评估的基本单元发生变化，或者缓冲距离和缓冲方式发生变化，又或是地震滑坡易发性水平数据分辨率发生变化，则本文的评估方法的有效性就会发生变化。

在建立地震滑坡道路中斷风险应急评估模型时，需要将道路进行路段化处理。这种处理可能存在两个缺陷：一是各条路段的实际长度不一样，这在一定程度上也是模型存在误差的原因之一；二是对高速公路、国道、省道统一建立了一个模型，这也会增大评估结果的误差。若能统一评估单元的几何属性和针对不同等级道路给出不同的模型，有望能进一步提高模型效能。

4结论

本文选取2008年四川汶川MS8.0地震和2014年云南鲁甸MS6.5地震及2012年彝良MS5.7、5.6地震作为研究区开展地震滑坡道路中断风险应急评估模型构建。其中汶川研究区用来进行模型的构建和模型合理性检验，鲁甸和彝良研究区用来进行模型外延适用性评价。主要得到以下结论：

（1）基于汶川研究区建立的模型统计显著性检验P值为2.52×10-203，远小于0.001；通过模型评估的道路中断风险总体正确率达到98.50%；一致性检验的Kappa系数为0.91，模型评估结果与实际情况几乎完全一致，表明在汶川研究区建立的地震滑坡道路中断风险多变量决策树模型推断的结果是路段是否出现地震滑坡中断的良好指标。对比以往的C4.5的决策树方法，多变量决策树模型研究覆盖了更广泛的范围，结果取得了更高的差异显著性（更显著的统计学意义）、更高的Kappa系数（更高的一致性）和更高的总体正确率。将所建立的模型外延到鲁甸和彝良研究区时对模型不做任何改变，评估结果的统计显著性检验P值为9.7×10-107，远低于0.001；总体正确率达到99.67%；一致性检验Kappa系数为0.81，介于0.81～1，模型评估结果与实际情况也几乎完全一致。鲁甸—彝良研究区的结果同样表明，模型计算出的道路中断风险属性是路段是否因地震滑坡中断的良好指标，在允许存在一定误差的情况下，所建立的方法可以用于与我国川滇自然地理环境相似区域不同震级影响下的地震滑坡道路中断风险应急评估。

（2）本文仅使用了多变量决策树模型来建立地震滑坡道路中断风险与地震滑坡易发性属性之间的关系，如何开发更多的模型并筛选出最为有效的模型是一个亟待解决的问题。

（3）本文提出的地震滑坡道路中断风险应急评估模型，是对现有地震滑坡道路中断风险评估方法存在不足的一种探索与改进。在历史地震滑坡道路中断数据的丰富性、基础数据的现势性、模型方法的多样性等方面，都可能仍存在一定的不足，需要在今后进一步完善和发展。

参考文献：

白仙富，戴雨芡，余庆坤，等.2015.地震滑坡危险性评估模型及初步应用［J］.地震研究，38（2）：301-312.

白仙富.2022.滇东北地区地震滑坡灾害定量评估方法研究［D］.昆明：云南师范大学.

马海建，陆楠，李晓璇，等.2015.道路连通性能震害评估方法研究［J］.地理与地理信息科学，31（3）：108-110.

阮璇.2014.重大自然灾害后“生命通道”应急管理机制构建研究——基于四川雅安地震的调查分析［J］.中国公共安全（学术版），（4）：48-53.

张方浩，杜浩国，邓树荣，等.2022.以乡镇为单元评估云南省建水县地震灾害风险［J］.地震研究.45（1）：109-117.

张敬，张林，王长伟，等.2019.震后道路通行能力模型修正［J］.机电信息，（29）：146-147.

赵红蕊，王涛，石丽梅，等.2014.芦山7.0级地震震后道路损毁风险评估方法研究［J］.灾害学，29（2）：33-37.

周志华.2016.机器学习［M］.北京：清华大学出版社.

AnJW，BaiXF，XuJH.2015.Predictionofhighwayblockagecausedbyearthquakeinducedlandslidesforimprovingearthquakeemergencyresponse［J］.NaturalHazards，79（1）：511-536.

CapolongoD，MankelowRJ.2002.EvaluatingearthquaketriggeredlandslidehazardattheBasinScalethroughGisintheUpperSeleRiverValley［J］.SurveysinGeophysics，23（6）：595-625.

ChousinitisK，DelGaudioV，KalogerasI.2014.PredictivemodelofAriasintensityandNewmarkdisplacementforregionalscaleevaluationofearthquakeinducedlandslidehazardinGreece［J］.SoilDynamicsandEarthquakeEngineering，65（4）：11-29.

DelGaudioV，PierriP，CalcagnileG.2012.Analysisofseismichazardinlandslideproneregions：criteriaandexampleforanareaofDaunia（southernItaly）［J］.NaturalHazards，61：203-215.

DelGaudioV，WasowskiJ.2004.TimeprobabilisticevaluationofseismicallyinducedlandslidehazardinIrpinia（SouthernItaly）［J］.SoilDynamicsandEarthquakeEngineering，24：915-928.

HavenithH-B，StromA，CaceresF.2006.AnalysisoflandslidesusceptibilityintheSuusamyrregion，TienShan：statisticalandgeotechnicalapproach［J］.Landslides，3（1）：39-50.

JamesN，SitharamTG.2014.AssessmentofseismicallyinducedlandslidehazardfortheStateofKarnatakausingGIStechnique［J］.IndianSocRemoteSens，42：73-89.

KampU，GrowleyBJ，KhattakGA，etal.2008.GISbasedlandslidesusceptibilitymappingforthe2005Kashmirearthquakeregion［J］.Geomorphology，101（4）：631-642.

KampU，OwenL，GrowleyB，etal.2010.Backanalysisoflandslidesusceptibilityzonationmappingforthe2005Kashmirearthquake：anassessmentofthereliabilityofsusceptibilityzoningmaps［J］.NaturalHazards，54：1-25.

MurthySK，KasifS，SalzbergS.1994.Asystemforinductionofobliquedecisiontrees［J］.JournalofArtificialIntelligenceReserch，2：1-32.

XuC，XuX，DaiF，etal.2012.LandslidehazardmappingusingGISandweightofevidencemodelinQingshuiRiverwatershedof2008Wenchuanearthquakestruckregion［J］.JEarthSci，23（1）：97-120.

XuC.2013.Applicationofanincompletelandslideinventory，logisticregressionmodelanditsvalidationforlandslidesusceptibilitymappingrelatedtotheMay12，2008WenchuanearthquakeofChina［J］.NaturalHazards，68（2）：883-900.