Comparative Analysis of Slope Geological Hazard Susceptibility Assessment Based on Multiple Evaluation Models: A Case Study of Wuhan, China
-
摘要:
地质灾害易发性评价是防灾减灾工作中不可或缺的部分，挑选行之有效的评价方法与评价模型进行地质灾害易发性评价具有重要意义。本文以武汉市斜坡地质灾害（崩塌和滑坡）为研究对象，选取坡度、坡向、高程、工程地质岩组、植被覆盖率等9项评价因子，分别使用信息量法（IV）、确定系数法（CF）及随机森林模型（RF）进行地质灾害易发性评价，然后使用受试者工作特异性曲线（ROC）检验评价模型精确度并对比三种模型的评价结果。结果表明：（1）三种模型均能正确反映研究区斜坡地质灾害的发育特征，高易发区与极高易发区集中在研究区北部、中西部的高山地区及经河流剥蚀夷平形成的剥蚀堆积丘陵区域，低易发区占绝大部分，主要分布于长江沿岸和湖泊周边的平原地带及绝大部分低山平原地区。（2）三种模型AUC面积从高到低依次为IV>CF>RF，其中IV和CF模型得到的区划结果具有较高的相似度，同时二者的极高易发区的灾害点密度均要高于RF模型。（3）坡度、高程、工程地质岩组、斜坡结构类型是评价体系中重要性较高的因子，说明研究区斜坡地质灾害的发育因素主要与地形地貌、地层岩性有关。
Abstract:The susceptibility evaluation of geological disasters is an indispensable part of disaster prevention and mitigation. It is of great significance to select effective evaluation methods and models for the susceptibility evaluation of geological disasters. This paper takes the slope geological disasters (collapse and landslide) in Wuhan city as the research object, selects 9 evaluation factors such as slope, slope direction, elevation, engineering geological rock group and vegetation coverage, and uses the information method (IV), the determination coefficient method (CF) and the random forest model (RF) to evaluate the susceptibility of geological disasters, and then uses the receiver operating characteristic curve (ROC) to test the accuracy of the evaluation model and compare the evaluation results of the three models. The results show that: (1) The three models can correctly reflect the development characteristics of slope geological disasters in the study area. The high-prone areas and extremely high-prone areas are concentrated in the mountainous areas in the northern, central and western parts of the study area and the eroded accumulation hilly areas formed by river denudation and leveling. The low-prone areas account for the vast majority and are mainly distributed in the plain areas around the banks and lakes of the Yangtze River and most of the low-mountain plain areas. (2) The AUC area of the three models from high to low is IV > CF > RF. The zoning results obtained by the IV and CF models have high similarity, and the disaster point density of the extremely high-prone areas of the two models is higher than that of the RF model. (3) Slope, elevation, engineering geological rock group and slope structure type are the most important factors in the evaluation system, indicating that the development factors of slope geological disasters in the study area are mainly related to topography and lithology.
-
-
表 1 研究区数据源
Table 1. Data sources for the study area
数据名称 数据来源 数据处理方式 坡度 DEM ArcGIS空间分析工具提取坡度 坡向 DEM ArcGIS空间分析工具提取坡向 高程 NASA地球科学数据网站（ https://nasadaacs.eos.nasa.gov/ ）下载12.5 m精度DEM，采用二次曲面函数
对高程异常进行拟合校正工程地质岩组 湖北省地质调查院、湖北省地质环境总站、湖北省武汉水文
地质工程地质大队等单位完成的基础调查数据ArcGIS重分类工具矢量转栅格 植被覆盖率 地理空间数据云 下载Landsat 8 OLI 30 m精度影像
ENVI5.3处理分析斜坡结构类型 湖北省地质调查院、湖北省地质环境总站、湖北省武汉水文
地质工程地质大队等单位完成的基础地质调查数据ArcGIS重分类工具矢量转栅格 距构造距离 湖北省地质调查院、湖北省地质环境总站、湖北省武汉水文
地质工程地质大队等单位完成的基础地质调查数据ArcGIS空间分析工具缓冲区分析 距道路距离 全国地理信息资源目录服务系统 ArcGIS空间分析工具缓冲区分析 距水系距离 全国地理信息资源目录服务系统 ArcGIS空间分析工具缓冲区分析 
下载: 导出CSV
表 2 研究区评价因子分级统计表
Table 2. Statistical table of evaluation factor classification in the study area
评价因子 序号 因子分级 滑坡和
崩塌数（个）占总数
比例（%）面积
占比（%）面积（km2） 灾害点密度
（个/ km2）信息量
IV确定系数
CF坡度 1 <5° 22 22.7 84.6 7253.74 0.003 −1.317 −0.722 2 [5°，10°） 34 35.1 9.8 837.62 0.041 1.277 0.737 3 [10°，18°） 32 33.0 3.6 307.50 0.098 2.187 0.901 4 ≥18° 11 11.3 2.0 170.28 0.065 1.742 0.839 坡向 1 平面 0 0.0 11.4 973.50 0.000 0.000 −1.000 2 东北 20 20.2 10.6 910.76 0.022 0.642 0.479 3 东 7 7.1 11.9 1020.33 0.007 −0.521 −0.409 4 东南 7 7.1 12.0 1028.66 0.007 −0.529 −0.409 5 南 13 13.1 11.2 956.93 0.014 0.162 0.151 6 西南 16 16.2 11.6 998.08 0.016 0.328 0.283 7 西 12 12.1 12.0 1030.02 0.012 0.008 0.008 8 西北 11 11.1 11.1 949.95 0.012 0.002 0.002 9 北 13 13.1 8.2 700.92 0.019 0.473 0.382 高程 1 <25 m 26 26.5 73.0 6253.01 0.004 −1.013 −0.619 2 [25，50 m） 26 26.5 17.7 1514.32 0.017 0.404 0.363 3 [50，100 m） 35 34.7 5.8 494.67 0.069 1.789 0.849 4 [100 m，200 m） 8 8.2 2.1 182.12 0.044 1.362 0.758 5 ≥200 m 4 4.1 1.5 125.03 0.032 1.006 0.663 工程地质岩组 1 坚硬片麻混合岩 10 10.1 1.7 148.13 0.068 1.765 0.846 2 片状层状变质岩 17 17.2 11.1 953.82 0.018 0.435 0.387 3 松散松软沉积土体 44 44.4 84.7 7260.18 0.006 −0.646 −0.446 4 较坚硬碳酸盐岩 2 2.0 0.3 28.41 0.070 1.797 0.853 5 坚硬石英砂岩 21 21.2 1.4 121.67 0.173 2.703 0.947 6 层状碎屑沉积岩 5 5.1 0.7 56.93 0.088 2.038 0.884 植被覆盖率 1 <10 3 2.1 4.2 358.86 0.006 −0.693 −0.491 2 [10%，30%） 22 22.1 14.1 1206.20 0.017 0.449 0.372 3 [30%，60%） 64 66.3 61.3 5253.17 0.012 0.078 0.084 4 ≥60 10 9.5 20.4 1750.92 0.005 −0.764 −0.530 斜坡结构类型 1 顺向坡 9 9.2 6.8 580.35 0.016 0.302 0.294 2 顺斜坡 10 10.2 5.3 455.20 0.022 0.655 0.505 3 横向坡 9 9.2 13.0 1118.09 0.008 −0.346 −0.266 4 逆斜坡 5 5.1 5.3 452.99 0.011 −0.038 0.003 5 逆向坡 10 9.2 4.9 420.42 0.021 0.630 0.492 6 平缓坡 56 57.1 64.7 5542.11 0.01 −0.125 −0.081 距构造距离 1 <300 m 8 8.1 0.2 16.27 0.492 3.701 0.989 2 [300 m，600 m） 19 19.2 0.2 16.21 1.172 4.564 1.000 3 [600 m， 1200 m）19 19.2 0.4 30.79 0.617 3.871 0.993 4 ≥ 1200 m53 53.5 99.3 8505.89 0.006 −0.618 −0.431 距道路距离 1 <500 m 23 23.2 6.6 561.31 0.041 1.266 0.726 2 [500 m， 1000 m）11 11.1 5.7 491.94 0.022 0.660 0.489 3 [ 1000 m，2000 m）10 10.1 9.9 847.04 0.012 0.022 0.022 4 ≥ 2000 m55 55.6 77.8 6668.86 0.008 −0.337 −0.289 距水系距离 1 <800 m 10 10.1 6.5 555.68 0.018 0.443 0.362 2 [800 m， 16000 m）16 16.2 6.1 521.81 0.031 0.976 0.631 3 [ 1600 m，3000 m）5 5.1 9.3 794.83 0.006 −0.608 −0.458 4 ≥ 3000 m68 68.7 78.2 6696.83 0.010 −0.129 −0.122
下载: 导出CSV
表 3 RF模型的统计指数表
Table 3. Statistical index table of the RF model
统计指数 TF FP FN TN 准确率 精确度 召回率 F1分数 训练集 64 1 0 73 0.993 0.985 1 0.99 测试集 32 3 3 22 0.900 0.914 0.914 0.91
下载: 导出CSV
表 4 研究区地质灾害易发性分区统计表
Table 4. Statistical table of geological hazard susceptibility in the study area
灾害点个数 分区面积（km2） 灾害点密度（个/km2） IV CF RF IV CF RF IV CF RF 低易发区 32 24 36 7612.492 7118.936 7216.09 0.004 0.003 0.005 中易发区 27 20 17 638.306 795.05 850.30 0.042 0.025 0.020 高易发区 19 33 24 224.471 562.309 373.58 0.085 0.059 0.064 极高易发区 21 22 22 93.881 92.854 129.17 0.224 0.237 0.170
下载: 导出CSV
-
[1] 陈建国,钟连祥.2023.基于CF-AHP耦合模型的高速公路沿线崩塌地质灾害易发性评价——以蓉遵高速公路土城——旺隆段为例[J]. 中国地质灾害与防治学报,34(6):105-115.
[2] 黄 敏.2023.基于FR的多种机器学习模型在地质灾害易发性评价中的对比分析[J]. 福建地质,42(3):236-243. doi: 10.3969/j.issn.1001-3970.2023.03.010
[3] 焦伟之,张 明,谢鑫鹏,李成文,刘 涛,庞海松.2022.基于GIS与加权信息量模型的城镇地质灾害易发性评价—以大新镇为例[J]. 安全与环境工程,29(4):119-128.
[4] 连志鹏,厉一宁,刘 磊,王宁涛.2022.基于ArcGIS的湖北省远安县地质灾害风险定量评价[J]. 华南地质,38(4):680-688. doi: 10.3969/j.issn.2097-0013.2022.04.010
[5] 刘 坚,李树林,陈 涛.2018.基于优化随机森林模型的滑坡易发性评价[J]. 武汉大学学报(信息科学版),43(7):1085-1091.
[6] 孟凡奇,高 峰,林 波,张京钊,徐京梁,牛 伟.2023.基于AHP和信息量模型的地质灾害易发性评价——以鲁东片区为例[J]. 灾害学,38(3):111-117. doi: 10.3969/j.issn.1000-811X.2023.03.018
[7] 彭建兵,徐能雄,张永双,夏开文,薛翊国,张 彬,杨国香,陈 剑,王飞永,臧明东,梅 钢,穆文平,王祚鹏,李 星,张 欣.2022.论地质安全研究的框架体系[J]. 工程地质学报,30(6):1798-1810.
[8] 邵大江,叶 辉,王金亮,周京春,角媛梅,沙晋明.2023.基于机器学习均值化的地质灾害易发性评价[J]. 云南大学学报(自然科学版),45(3):653-665. doi: 10.7540/j.ynu.20220109
[9] 孙剑锋,马 超,胡金树,闫铁生,杲加俊,徐 辉.2023.基于灰色关联度与层次分析法耦合的地质灾害易发性评价—以浙江省云和县崇头镇为例[J]. 工程地质学报,31(2):538-551.
[10] 王雪冬,张超彪,王 翠,朱永东,王海鹏.2022.基于Logistic回归与随机森林的和龙市地质灾害易发性评价[J]. 吉林大学学报(地球科学版),52(6):1957-1970.
[11] 温 鑫,范宣梅,陈 兰,刘世康.2022.基于信息量模型的地质灾害易发性评价:以川东南古蔺县为例[J]. 地质科技通报,41(2):290-299.
[12] 于喜坤,张紫昭,史光明,李崇博,刘毅业,朱建华,陈伟楠.2023.基于确定性系数与信息量耦合模型的新疆额敏县地质灾害易发性评价[J]. 工程地质学报,31(4):1333-1349.
[13] 张 威,胡舫瑞,綦 巍,彭 琳,王咏林,陈 枫.2023.基于XGBoost和云模型的地质灾害易发性评价[J]. 中国地质灾害与防治学报,34(6):136-145.
[14] 章 昱,王 磊,伏永朋,刘亚磊,黄 皓.2023.基于斜坡单元与信息量法的丹江口库区典型流域地质灾害易发性评价[J]. 华南地质,39(3):512-522. doi: 10.3969/j.issn.2097-0013.2023.03.010
[15] 赵晓燕,李永平,谈树成.2022.GIS支持下CF与信息量耦合模型的攀枝花市矿山地质灾害易发性评价[J]. 云南大学学报(自然科学版),44(4):754-764.
[16] 翟文华,王小东,吴明堂,吴晓亮,李倩倩.2023.基于频率比模型和随机森林模型耦合的地质灾害易发性评价[J]. 自然灾害学报,32(6):74-82.
[17] Jiang N, Li Y E, Han Z, Yang J M, Fu B J, Li J Y, Li C L. 2024. A side-sampling based Linformer model for landslide susceptibility assessment: a case study of the railways in China[J]. Geomatics, Natural Hazards and Risk, 15(1): 2354507.
[18] Ksantini F, Sdiri A, Aydi A, Almeida-Naunay A F, Achour H, Tarquis A M. 2024. A comparative study based on AHP and fuzzy logic approaches for landslide susceptibility zoning using a GIS-based multi-criteria decision analysis[J]. Euro-Mediterranean Journal for Environmental Integration, 9(2): 1-20.
[19] Li L P, Lan H X. 2024. Analytical ‘decisiveness’ as a robust measure of the absolute importance of landslide predisposing factors[J]. International Journal of Digital Earth, 17(1): 2356161. doi: 10.1080/17538947.2024.2356161
[20] Li R W, Tan S C, Zhang M F, Zhang S H, Wang H S, Zhu L. 2024. Geological Disaster Susceptibility Evaluation Using a Random Forest Empowerment Information Quantity Model[J]. Sustainability, 16(2): 765. doi: 10.3390/su16020765
[21] Lombardo L, Opitz T, Ardizzone F, Guzzetti F, Huser R. 2020. Space-time landslide predictive modelling[J]. Earth-Science Reviews, 209: 103318. doi: 10.1016/j.earscirev.2020.103318
[22] Nocentini N, Rosi A, Piciullo L, Liu Z Q, Segoni S, Fanti R. 2024. Regional-scale spatiotemporal landslide probability assessment through machine learning and potential applications for operational warning systems: a case study in Kvam (Norway)[J]. Landslides, 21(10): 1-19.
[23] Pradhan B. 2013. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS[J]. Computers & Geosciences, 51: 350-365.
[24] Reichenbach P, Rossi M, Malamud B D, Mihir M, Guzzetti F. 2018. A review of statistically-based landslide susceptibility models[J]. Earth-Science Reviews, 180: 60-91. doi: 10.1016/j.earscirev.2018.03.001
[25] Sun K, Li Z Q, Wang S J, Hu R L. 2024. A support vector machine model of landslide susceptibility mapping based on hyperparameter optimization using the Bayesian algorithm: a case study of the highways in the southern Qinghai–Tibet Plateau[J]. Natural Hazards, 120(12): 11377-11398. doi: 10.1007/s11069-024-06665-3
[26] Wang Z P, Chen J P, Lian Z C, Li F, Pang L, Xin Y B. 2024. Influence of buffer distance on environmental geological hazard susceptibility assessment[J]. Environmental Science and Pollution Research, 31(6): 9582-9595. doi: 10.1007/s11356-023-31739-3
[27] Zhang S H, Tan S C, Wang H S, Shi Y Q, Ding D Y, Sun Y Q, Gao H X. 2024. To explore the optimal solution of different mapping units and classifiers and their application in the susceptibility evaluation of slope geological disasters[J]. Ecological Indicators, 163: 112073. doi: 10.1016/j.ecolind.2024.112073
-
图(7)
表(4)
计量
- 文章访问数: 244
- PDF下载数: 21
- 施引文献: 0