基于GIS滑坡地質災害易發性評價方法綜述

陶 偉，孫 岳

（東華理工大學地球科學學院，江西 南昌 330013）

滑坡作為最常見的地質災害，危害性大、破壞力強，給人民的生命財產安全造成巨大威脅。據全國地質災害通報，2019年全國共發生地質災害6181起，共造成211人死亡、13人失蹤、75人受傷，直接經濟損失27.7億元，其中滑坡4220起，占地質災害總數的68.27%，造成嚴重的環境破壞和經濟損失，具有自然和社會雙重屬性[1，2]。我國幅員遼闊，地質環境復雜多樣的特殊性決定了滑坡地質災害多樣性和區域變異性，滑坡同時受多種外界因素耦合誘發，亟待提高滑坡災害監測預警的時效性與準確性[3]。科學地進行滑坡災害預測和評價對防災減災和保護人民生命、財產安全意義重大，選定合適的評價方法、建立分析模型，劃分研究區滑坡地質災害易發性等級，從而為防災減災和區域規劃的制定提供可靠的決策依據，為滑坡災害防治和預警提供指導[4]。

地理信息系統（geographic information system，GIS）作為數據管理、空間分析和圖像輸出的強有力技術手段，能使得分析結果更加精細化，被廣泛應用于滑坡地質災害的早期識別和定量分析領域。將地形地貌特征、地質信息以及與滑坡有關的降水量和歷史災害等數據導入GIS平臺，建立相應的預測模型，能有效對滑坡災害進行評價和預測。GIS高效率、高精度、定量化的模擬與分析，對滑坡災害的易發性區劃研究及預警有重要的現實意義，為滑坡災害的研究開創了新局面。

本文通過總結前人基于GIS滑坡災害易發性評價的研究方法和模型，歸納幾種常用的滑坡災害評價方法，分析了其適用范圍及在應用中的優勢和局限性。在此基礎上，總結出基于GIS滑坡易發性評價思路，以期對今后的不同形成機理的滑坡災害研究提供借鑒。

1 常見滑坡災害易發性評價方法分析

滑坡災害的易發性評價研究起始于20世紀60年代，九十年代開始伴隨著數理統計、概率論及信息量理論、模糊數學理論等學科不斷被引入地質災害研究領域，傳統定性研究逐步向定量研究發展，即以數據資料為基礎和依據，能夠更加客觀和科學的反映滑坡地質災害的真實狀況[5]。當前，基于GIS應用于滑坡地質災害評價的方法大致可以分為統計分析方法和數學模型法兩類。統計分析法中比較常見的方法有層次分析法、頻率比法、證據權法和邏輯回歸等；數學模型法中比較常用的有神經網絡模型法、模糊綜合評判法、信息量模型、支持向量機模型法等[6，7]。

1.1 統計分析法

（1）層次分析法（Analytic Hierarchy Process，AHP）：20世紀90年代由T.L.Saaty提出層次分析理論的“1～9標度法”，用于解決層次結構或網絡結構的多指標決策分析的方法[8]。將評價因子大致分為目標層、準則層和方案層三個層次，分析思路是確定研究區域的方案層要素因子，照各因子相互之間的內在關系，建立層次結構模型，通過各因子的兩兩對比，建立判斷矩陣，進行層次分析排序，確定單個因子的相對重要性。運用層次分析法進行滑坡災害易發性分區與評價基本流程為：分析地質條件，選定評價因子和評價單元→建立遞階層次結構模型→構造判斷矩陣并計算各因子權重，計算權向量，一致性檢驗→因子加權疊加，分級擬合后進行分區[2]。

層次分析法的優勢是根據判斷矩陣定量計算出各因子的權重，雖然判斷矩陣是人為確定，但是矩陣需要通過一致性檢驗判斷權重是否科學，一致性檢驗合格后，確定各個評價因子的權重值，大大減少了人為確定的主觀性和錯誤可能性，確保AHP法在研滑坡易發性評價上的運用是科學合理的[9]。缺點是在構建判斷矩陣時，評價指標過多，統計量大，指標間可能存在很強的相關性導致模型失真，且由于決策者很難掌握標度的標準，因此往往做出的判斷不能滿足一致性檢驗。這會導致計算收斂較慢，迭代次數較多，從而增加計算量[10，11]。

（2）頻率比法（Frequency Ratio，FR）：基于已知的滑坡分布與各滑坡災害影響因子間的關系，通過數學方法計算滑坡災害與評價因子間的關系得到頻率比值（FR）表示滑坡地質災害位置和評價因子間的相關程度。FR值為1代表平均值，當FR小于1時，表明評價因子與滑坡災害相關性低；當FR大于1時，說明評價因子與滑坡災害間的相關性高。頻率比法類似于專家打分和層次分析法的確定權重步驟，僅僅是純數理統計，而對滑坡發育機理和各因子協同耦合關系缺少深入研究。

（3）證據加權分析法（Weights of Evidence Model，WEM）：是加拿大數學地質學家Agterberg提出的一種地質學統計方法，它基于貝葉斯理論，統計分析計算滑坡災害評價因子的權重值。證據加權分析法成立有兩個前提條件，一是評價因子通過獨立性檢驗去除相關性大的因素，二是滑坡災害所有的致災因子均是長期保持不變的[12]。對滑坡災害和滑坡災害的致災因子進行空間分析，計算致災因子的權重值，求取滑坡災害危險性指數。這種方法成立的前提條件要求致災因子相對穩定，但是近年來極端氣候頻發，降水和溫度的變化較大，會間接影響一些其他因子，不能有效避免評價因子之間的相互依賴，因此使用該方法有很大局限性。

（4）邏輯回歸（Logistic Regression，LR）：從統計學角度出發，各因子數據可以作為自變量，而災害的發生與否可以作為分類因變量。由于不是連續變量，線性回歸不適用于推導自變量和因變量之間的關系。這種情況下，通常采用對數線性模型，而Logistic回歸模型就是對數線性模型的一種特殊形式，被引入到地質災害評價中，展現了較好的評價效果[13]。邏輯回歸模型有操作方法簡單、計算過程不受主觀因素影響，評價結果的物理意義明確等突出優點。其缺點是基于大樣本統計規律的，需要大量數據的支持，且對于研究區特征如植被覆蓋度高的容易造成數據本身的不確定性導致回歸模型的結果不可靠[4]。

1.2 數學模型法

（1）人工神經網絡模型法（Artificial Neural Networks Model，ANNM）：是模擬人腦結構和神經元網絡進行信息處理的數學模型，由大量處理單元互聯而成，具有獨特的學習和適應特性，收斂速度快，容錯率高，被廣泛應用于災害預測等各個方面，取得了令人滿意的效果[13，14]。其中BP（Back-Propagation Network）神經網絡模型是應用最成熟廣泛的一種，于1986年被提出的，采用反推學習規則，又稱為反向傳播神經網絡，是一種按誤差逆向傳播算法訓練的多層前饋網絡。BP網絡是一種有監督的學習算法，具有很強的自適應、自學習、非線性映射能力，能較好地解決數據少、信息貧、不確定性問題，且不受非線性模型的限制。一個典型的BP網絡包括三層：輸入層、隱含層和輸出層，輸入層為滑坡災害評價因子，輸出層主要是輸出滑坡災害易發性的評價結果，而隱含層主要是用于修正誤差。但是由于人工神經網絡對輸入層和輸出層有著嚴格的要求，而在地質災害評價中輸出層(危險性等級)很難和實際數據(災害是否發生)一致，使得在地質災害中應用人工神經網絡技術的難點集中在訓練樣本的選擇上。雖然BP神經網絡具有高度非線性和較強的泛化能力，但也存在收斂速度慢、迭代步數多、易陷入局部極小和全局搜索能力差等缺點。

（2）模糊綜合評判（Fuzzy Comprehensive Evaluation，FCE）：是以模糊數學為基礎，將定性評價轉化為定量評價的綜合評判方法。可以對確定性或不確定性因素基于給予綜合評價，將邊界不清，復雜模糊和不易定量的因素進行量化[15]。滑坡地質災害的影響因子十分復雜，存在很多不確定性因素，而模糊綜合評判能夠對其中的不確定因素建立分析模型，綜合考慮多因素、多層次的影響，直觀的描述各風險因素間的關系，利用概率推理中的先驗概率及后驗概率進行計算，確定不同區域的災害發生風險，對相似的地區進行類比分析，再結合研究區實際地質條件進行綜合評判，使評價結果更加科學。但應用模糊數學理論時，其隸屬度函數的選取更多的是依靠專家經驗，評價結果具有很大的主觀性，而且由于模型的限制，在區劃中網格通常較大，致使評價結果不夠精確，本方法更適合單體滑坡的評價，在大范圍、區域性的滑坡空間預測上有很大的局限性。

（3）信息量模型（Information Model，IM）:是以已知災害區的滑坡致災因素為依據，推算出貢獻大小的信息量，建立評價預測模型。依照類比原則外推到相鄰地區，從而對整個地區的危險性做出評價。信息量模型相對于其他預測方法在單元劃分數量較大的災害區劃中更具優勢。但信息量模型所統計的信息只能反映不同影響因子在特定組合情況下災害出現的可能性，各因子的影響程度的差異不能體現，可能出現某種條件對災害發生具有抑制作用，與自然規律相悖，影響準確性[16，17]。為了解決這一問題，應對評價因子進行加權，使其反映出不同因素對滑坡影響的差異性，采用加權信息量評價模型，提高評價的準確性[18]。信息量模型常用來與其他模型的計算評價結果交叉檢驗，效果較好。理論上信息量模型對參與危險性評價因子的標志狀態的劃分沒有特殊要求，但研究發現[10]，因子選取及其標志狀態劃分的合理性影響著計算評價的結果。所以，因子選擇要有代表性，能夠反映災害活動的特征。在預測單元劃分上，依比例尺的不同要足夠小，這樣才能減少誤差，從而提高預測的準確性[19，20]。地質災害有一定的隨機性，只從歷史災害因素去分析和預測，缺少災害形成機制的分析判斷，那么進行分析的準確性將取決于收集的數據量的大小，具有一定局限性。

（4）支持向量機模型（Support Vector Machine，SVM）：由Vapnik提出，是一種基于統計學原理的分類預測模型，通過引入核函數，將特征空間內線性不可分的數據轉換為多維空間線性可分數據的算法[17]。核函數是SVM的核心，核函數的選擇直接影響到運算結果的精度和時間。常見的SVM模型可以分為單類支持和兩類支持兩種。與其他統計預測模型或學習算法相比，支持向量機模型具有兩個突出優點：①易于使用而不需要對輸入參數進行較大的調整；②結合了最優理論、統計和函數分析，計算效率高、預測能力強，在解決小樣本、高緯度和非線性問題方面更具優勢，避免了人為因素的干擾[13，14]。在研究區資料不夠豐富時，可利用易于獲得的資料，如地形圖、遙感影像，加上已知滑坡點和不穩定斜坡的位置，建立滑坡的預測評價模型，快速完成滑坡災害的區劃評價。但這種方法需要選定合適的核函數，對數理分析及計算機能力要求較高。兩種類型中，由于單類支持向量機沒有未發生滑坡樣本的約束，因此在相同的預測精度下可能導致高危險區域偏大。

表1 常用滑坡易發性評價方法對比

2 常用滑坡評價方法對比

通過上述統計分析法和數字模型法的分析總結，不同方法的優勢和局限性如表1所示。

由表1可知，不同方法都具有一定的局限性和適用范圍。在研究某一地區滑坡災害時，由于影響滑坡發育的因素眾多，所有對滑坡的產生有貢獻的因素也很難被全部收集到，因此在研究區資料不夠充足時，可用已獲得的各種來源的數據結合現有的滑坡的詳細位置資料等，應用一定的數據挖掘模型來建立適合目標研究區的滑坡評價模型，實現滑坡災害評價。本文針對不同形成機理的滑坡災害，歸納出基于GIS滑坡易發性評價基本思路。首先依據已發生滑坡災害的規模、大小、地形特征、坡度、巖石性質、斷裂等信息進行統計分析，確定評價因子，并進行相應賦值，然后根據滑坡易發性評價因子選擇合適的一種或幾種評價方法及模型，最后劃分易發性等級，完成滑坡災害易發性評價和預測。

3 結語

對比基于GIS評價滑坡災害的不同方法可知，針對不同區域的滑坡災害，需要分析滑坡災害的形成機理，選擇合適的易發性評價方法。此外，往往還需要綜合多種方法加以交叉驗證，才能達到科學合理的評價和預測結果。