| 276 | 0 | 122 |
| 下载次数 | 被引频次 | 阅读次数 |
为给滑坡灾害防治和滑坡致灾因子敏感性研究提供参考，选取黄河上游龙羊峡至积石峡段流域为研究区，以高程、坡度、地形粗糙度、岩性等16个因子为滑坡典型致灾因子，通过斯皮尔曼相关系数法进行共线性检验以筛选出相关性较强的滑坡致灾因子，利用GIS将滑坡致灾因子重分类后使用地理探测器分析得到各因子权重，将地理探测结果耦合随机森林模型，得到不同致灾因子作用下的滑坡预测概率，并通过ROC曲线验证预测结果的准确度。结果表明：1)致灾因子交互作用的解释力均大于单个致灾因子的解释力，高程因子与其他地形参数的协同作用尤为突出；2)河网密度、地形粗糙度和剖面曲率的解释力几乎为0,在一定程度上说明这些特征变量可能与滑坡发生没有直接或显著的相关性；3)各致灾因子对预测结果的解释力存在显著差异，其中高程-坡度组合是研究区滑坡发育的核心驱动力；4)随机森林模型的AUC值达到0.93,表明随机森林模型具有较高的分类能力。
Abstract：In order to provide references for landslide hazard prevention and research on the sensitivity of landslide-causing factors, the Longyangxia-Jishixia section of the upper Yellow River basin was selected as the study area, and 16 factors such as elevation, slope, terrain roughness and lithology were taken as typical landslide hazard factors. The collinearity test was carried out by Spearman correlation coefficient method to select landslide hazard factors with strong correlation. GIS was used to reclassify landslide disaster-causing factors and analyze their weights with geographic detectors. The geographic detection model results were coupled with random forest model to obtain landslide prediction probabilities under different causative factors. ROC curve was used to verify the accuracy of prediction results. The results indicate that a)the explanatory power of the interaction between causative factors is greater than that of individual factors, with the synergistic effect of elevation and other topographic parameters being particularly significant. b)The importance of drainage density, topographic roughness, and profile curvature is nearly zero, suggesting that these features may not have a direct or significant correlation with landslide occurrence. c)There are notable differences in the contribution of causative factors to the prediction results, with the elevation-slope combination being the core driving unit for landslide development in the study area. d)The AUC value ofrandom forest model has achieved 0.93, indicating strong classification performance.
[1] 李子豪，王钧，郭婷婷，等.基于降雨强度-历时的安徽省黄山市滑坡分组阈值研究[J].水土保持通报，2022,42(1):184-190.
[2] 尚敏，王殿鹏，易庆林，等.基于最大信息系数法的卧沙溪滑坡变形相关性分析及预警模型研究[J].工程地质学报，2025,33(2):572-580.
[3] 耿豪鹏，徐子怡，郭宇，等.基于粒子群优化算法的东构造结滑坡清单建立与侵蚀速率估算[J].水土保持学报，2025,39(2):338-347.
[4] 郭钟群，刘凌峰，刘颜硕，等.风化壳淋积型稀土矿区滑坡预测方法及适用性探讨[J].稀土，1-15(2024-11-28)[2024-12-21].https://kns.cnki.net/kcms/detail/15.1099.TF.20241127.1544.003.html.
[5] 路昌明，王祚鹏，吴靓，等.基于环剪试验的蠕变型滑坡滑带力学性质：以甘肃舟曲地区锁儿头滑坡为例[J].地球科学与环境学报，2024,46(5):677-688.
[6] 余绍淮，徐乔，余飞.联合光学和SAR遥感影像的山区公路滑坡易发性评价方法[J].自然资源遥感，2023,35(4):81-89.
[7] 洪浩源，王德生，朱阿兴.面向机器学习型区域滑坡易发性评价的训练样本采样方法[J].地理学报，2024,79(7):1718-1736.
[8] MERGHADI A,YUNUS A P,DOU J,et al.Machine Learning Methods for Landslide SusceptibiLity Studies:A Comparative Overview of Algorithm Performance[J].Earth-Science Reviews,2020,207:103225.
[9] 周超，殷坤龙，曹颖，等.基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价[J].地球科学，2020,45(6):1865-1876.
[10] 李郎平，兰恒星，郭长宝，等.基于改进频率比法的川藏铁路沿线及邻区地质灾害易发性分区评价[J].现代地质，2017,31(5):911-929.
[11] 刘长江，罗晓东.南疆盐渍土峡谷景区滑坡易发性评价[J].科技与创新，2024(5):71-74,77.
[12] 王烜，李英，赵利军，等.基于双重层次分析法的地质灾害易发性评价：以辽宁省为例[J].资源环境与工程，2025,39(2):215-223,233.
[13] 谢琳琳，喻子宜，杨强，等.HOPSCA项目施工安全风险评价[J].土木工程与管理学报，2024,41(6):53-60.
[14] 丁思蒙，韩尚鹏，田仕雄，等.基于GIS技术的乃东区斜坡类地质灾害易发性评价[J].防灾减灾学报，2024,40(4):13-20.
[15] 余淙蔚，柳侃，殷杰，等.一种适用于逻辑回归模型评价浅层滑坡易发性的网格尺度划分方法：以2019年福建省三明市群发浅层滑坡为例[J].山地学报，2022,40(1):106-119.
[16] CARRARA A.Multivariate Models for Landslide Hazard Evaluation[J].Mathematical Geology,1983,15:403-426.
[17] 秦佳松，李为乐，单云锋，等.融合时序InSAR形变的石棉县滑坡易发性评价[J/OL].地质科技通报，1-14(2024-08-29)[2024-12-22].https://doi.org/10.19509/j.cnki.dzkq.tb20240342.
[18] 张清，何毅，陈学业，等，基于多尺度卷积神经网络的深圳市滑坡易发性评价[J].中国地质灾害与防治学报，2024,35(4):146-162.
[19] 周书东，丁其乐，王奕仁，等.基于随机森林算法和物理模型试验的软土滑坡运动特性预测研究[J/OL].水利水电技术(中英文),1-14(2024-12-13)[2024-12-22].http://kns.cnki.net/kcms/detail/10.1746.TV.20241213.1423.006.html.
[20] 刘伊铭，徐胜华，刘春阳，等.顾及多方法集成特征选择与负样本优化的滑坡易发性评价[J].测绘通报，2024(9):74-79.
[21] 郑德凤，潘美伊，高敏，等.集中降雨影响下辽南仙人洞国家级自然保护区滑坡灾害多因子风险评价[J].地质科技通报，2025,44(2):48-58.
[22] 林娜，谭力兵，张迪，等.时序InSAR和LSTM结合的滑坡形变时空分析与预测方法[J].地球信息科学学报，2024,26(12):2772-2787.
[23] 刘金沧，王欢欢，李云，等.基于支持向量机的华南斜坡类地质灾害易发性评价：以肇庆市怀集县为例[J].时空信息学报，2024,31(6):785-794.
[24] 李世琦，姚国清.基于CNN与SETR的特征融合滑坡体检测[J].自然资源遥感，2024,36(4):158-164.
[25] 于长狮.基于可解释性Transformer网络的滑坡易发性预测研究[D].南昌：南昌大学，2024:8-23.
[26] 黎承球，苏小婷，王盈，等.雅砻江流域大型滑坡分布规律及成因机制[J].第四纪研究，2025,45(1):132-148.
[27] 郭飞，吴迪，葛民荣，等.连续变量因子分级和机器学习模型对滑坡易发性评价精度的影响[J/OL].武汉大学学报(信息科学版),1-17(2024-09-20)[2024-12-22].https://doi.org/10.13203/j.whugis20230413.
[28] 王劲峰，徐成东.地理探测器：原理与展望[J].地理学报，2017,72(1):116-134.
[29] 刘聪林，李盛，崔晓宁，等.融合XGBoost和SHAP的混凝土抗压强度预测分析模型[J].水利水电技术(中英文),2025,56(2):246-258.
基本信息:
DOI：
中图分类号:TP181;P642.22;P208
引用信息:
[1]胡少伟,郭要辉,许耀群,等.耦合地理探测器和机器学习模型的滑坡致灾因子敏感性分析[J].人民黄河,2025,47(07):1-7+34.
基金信息:
国家重点研发计划项目(2022YFC3004401); 国家自然科学基金重点项目(52130901); 河南省自然科学基金资助项目(232300421003)