引用本文
刘康, 田臣龙, 徐凤琳. 基于信息量-层次分析耦合模型的泗水县地质灾害易发性评价[J].中国地质调查, 2023,10(2): 77-86.
LIU Kang, TIAN Chenlong, XU Fenglin. Susceptibility assessment of geological disasters in Sishui County based on the coupling model of Information Content and Analytic Hierarchy Process method[J].Geological Survey of China, 2023,10(2): 77-86.  
doi: 10.19388/j.zgdzdc.2023.02.10
Permissions
Copyright@2023, 《中国地质调查》编辑部
《中国地质调查》编辑部 所有
基于信息量-层次分析耦合模型的泗水县地质灾害易发性评价
刘康1, 田臣龙2, 徐凤琳2
1.山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队),山东 兖州 272100
2.济宁市勘测院,山东 济宁 272000
通讯作者简介: 田臣龙(1988—),男,高级工程师,主要从事工程地质及岩土工程工作。Email: 15554433261@126.com。

第一作者简介: 刘康(1989—),男,工程师,主要从事地质灾害方面工作。Email: 314965394@qq.com。

收稿日期: 2022-10-18 修回日期: 2023-03-06
摘要

以泗水县为研究区,选取区域地貌、地质构造、地层岩性及人类工程活动等9个评价因子,基于GIS数据分析功能,运用信息量法及层次分析法确定各评价因子信息量及权重,进行地质灾害易发性评价。研究表明: 区域地貌低山区,坡度28°~65°,坡向西和西北,较坚硬的中厚层状碎屑岩、页岩、砂岩夹灰岩岩组,降雨量700~730 mm 及地震加速度0.10 g的区域内信息量最大; 各评价因子权重从大到小依次为区域地貌(0.21)、降水(0.16)、坡度(0.14)、地层岩性及人类工程活动(0.10)、坡向(0.09)、地质构造及地震(0.07)、水系(0.06); 研究区高易发区面积为294.26 km2,面积占比26.30%,灾害点数量占比84.62%,中易发区面积为66.28 km2,面积占比5.92%,灾害点数量占比15.38%,低易发区面积为758.42 km2,面积占比67.78%。对易发性评价过程的合理性进行检验,3个构造矩阵的随机一致性比率 CR分别为0.000、0.013、0.020,均小于0.1,表明易发性研究结果具有合理性,能够为研究区地质灾害防治、土地利用规划及地质环境保护提供基础依据。

关键词: 地质灾害; 信息量法; 层次分析法; 易发性评价
中图分类号:P694 文献标志码:A 文章编号:2095-8706(2023)02-0077-10
Susceptibility assessment of geological disasters in Sishui County based on the coupling model of Information Content and Analytic Hierarchy Process method
LIU Kang1, TIAN Chenlong2, XU Fenglin2
1. Shandong Provincial Lunan Geology and Exploration Institute(No.2 Geological Brigade, Shandong Provincial Bureau of Geology and Mineral Resources), Shandong Yanzhou 272100, China
2. Investigation and Geomatics Institute of Jining, Shandong Jining 272000, China
Abstract

Taking Sishui County as the study area, the researchers in this paper selected 9 evaluation factors, such as regional landforms, geological structure, lithology and engineering activity. Based on GIS data analysis function, the information value and weight of each factor were identified by Information Content and Analytic Hierarchy Process method to evaluate geological disasters susceptibility. The results show that the biggest information content located in low mountainous area, with slope of 28°-65°, west and northwest slope aspect, hard medium - thick layered clastic rock, shale and sandstone with limestone rock group, 700-730 mm rainfall and 0.10 g ground motion acceleration. The comprehensive weight value of each factor in descending order is 0.21 for regional landform, 0.16 for rainfall, 0.14 for slope, 0.10 for lithologic character and engineering activities, 0.09 for slope aspect, 0.07 for geological structure and earthquake, and 0.06 for river systems. The high-prone area is 294.26 km2, accounting for 26.30% of area proportion and 84.62% of disaster points proportion. The medium-prone area is 66.28 km2, accounting for 5.92% of area proportion and 15.38% of disaster points proportion. The low-prone area is 758.42 km2, accounting for 67.78% of area proportion. The rationality test of the susceptibility assessment shows that the CR of the three constructed matrices is 0.000, 0.013 and 0.020, which are all less than 0.100, indicating that the susceptibility evaluation is reasonable. This research results can provide theoretical basis for geological disaster prevention, land use planning and geological environment protection in the study area.

Keyword: geological disasters; Information Content method; Analytic Hierarchy Process method; susceptibility assessment
0 引言

地质灾害易发性研究主要有定性研究和定量研究。局限于技术条件, 早期以理论阐述及概念归纳的定性研究方法为主。科技发展及学科融合为定量研究地质灾害易发性提供了先决条件。常用的定量研究分析方法有信息量法[1]、层次分析法[2]、证据权法[3]、逻辑回归分析法[4]、神经网络法[5]、频率比法[6]、随机森林模型[7]及确定系数法[8]等。单个研究模型都具有先进性和局限性, 近年来, 学者在分析单个模型优缺点的基础上, 通过互补的方式进行多个评价模型耦合, 使评价精度大幅提高, 取得较多不错的研究成果[9, 10, 11, 12, 13]。

信息量法是由信息理论演化出来的一种统计预测方法, 它将单个评价因子导致地质灾害发生的可能性通过数字化的信息量来表示, 进而由信息量来度量评价因子与地质灾害发生的关系。信息量法早期应用于矿产预测方向, 殷坤龙等[14]还将其运用到地质灾害预测分析中, 目前在滑坡、斜坡稳定性评价中的应用较为成熟, 信息量模型能较好地避免主观判断, 客观反映评价结果, 但此方法并未考虑到各因子的贡献率。

层次分析法将待解决问题的有关因素划分成目标、准则、方案3个基本层次[15], 是通过构建层次结构模型, 利用较少的定量数据, 把问题数字化, 进行定性及定量分析的一种解决手段。层次分析法已广泛运用到地质灾害问题分析中, 能够系统性确定各因子的权重, 考虑各因子对灾害发生的贡献率, 但通常评价主观判断过多, 精度偏低。

因此, 本文将上述2种方法进行结合, 以山东泗水县为研究区, 选取区域地貌、地层构造、地层岩性及人类工程活动等9个评价因子, 构建信息量-层次分析耦合模型, 对研究区地质灾害易发性进行评价, 并对评价结果进行合理性检验, 旨在为研究区及其他相似地区的地质灾害防治工作、重点项目布局及土地利用规划等提供基础依据。

1 研究区概况

泗水县隶属于山东省济宁市, 位于鲁中山区西南部。泗水县属暖温带半湿润大陆性季风气候, 1980— 2020年平均降水量为786.4 mm, 降雨集中在5~9月。区内主要河流为泗河, 横穿中部, 支流由南北两侧汇集到泗河(图1)。在大地构造单元上属中朝准地台的一部分, 区域构造错综复杂, 以断裂构造为主[16], 北部为汶泗断裂, 横穿研究区北部, 独角断裂及郓城断裂分布在中部, 尼山断裂位于南部, 形成类似“ U” 字型地貌, 低山、丘陵主要分布在南北两侧(图1)。地层以太古界泰山群闪长岩和片麻岩、元古界花岗岩及古生界寒武系— 奥陶系九龙群灰岩为主, 中部为河流冲积平原, 地层以古近系官庄群及第四系为主。

图1 研究区构造位置简图Fig.1 Geological structure of the study area

2 研究方法

地质灾害易发性评价流程如图2所示。将研究区划分为113 302个100× 100 m的评价单元, 利用GIS软件对评价单元中的各评价因子进行参数赋值, 通过信息量模型算出各评价因子信息量, 再结合层次分析法求出各评价因子的权重, 得到评价单元加权信息量, 进而对地质灾害易发性进行评价, 最后对评价过程进行合理性检验。

图2 地质灾害易发性评价流程Fig.2 Flow chart of the susceptibility assessment of geological disasters

2.1 信息量法

在单个评价因子情况下, 评价单元信息量的方法为

Ixi=lnNi/NSi/S　。(1)

式中: Ixi为评价因子; xi为评价单元提供的信息量; Ni为分布在评价因子xi内特定级别内的地质灾害总数; Si为含有评价因子xi的评价单元数; N为地质灾害总数; S为评价单元总数。

在各评价因子叠加情况下, 评价单元总信息量的方法为

I=∑i=1nIxi=∑i=1nlnNi/NSi/S　。(2)

式中: I为评价单元总信息量; n为评价体系中参评因子总数。

2.2 层次分析法

本文采用和积法(算数平均法)确定各评价因子权重, 特征向量(加权权重)和最大特征值的计算分别为

W=1n∑j=1naij∑k=1nakj(i=1, 2, 3, ..., n)　。(3)

式中: W为特征向量(加权权重); n为判断矩阵的阶数; i, j, k表示评价因子在方阵中位置; aij表示与评价因子j相比, i的重要程度; akj与aij同理。

λmax=∑i=1n(AW)inWi　。(4)

式中: λ max为最大特征值; i表示某评价因子; Wi表示某因子的特征向量(加权权重); A为aij 构成的判断矩阵。

2.3 评价因子加权信息量确定

此次研究采用加权信息量作为衡量地质灾害易发性强弱的指标, 加权信息量计算公式为

I权=∑i=1nWiIxi=∑i=1nWi×lnNi/NSi/S　。(5)

式中: I权为评价单元总加权信息量。

3 评价因子的选取与分析
3.1 评价因子选取及数据获取

地质灾害受主控(基本)因素和诱发(间接)因素的共同作用而发生, 基于以往地质图、野外详细调查资料、遥感影像以及文档资料等, 考虑地质灾害时空分布规律及特征, 选取区域地貌、坡度、坡向、地质构造、地层岩性、水系、降水、地震及人类工程活动9个影响因素作为评价因子。

区域地貌、坡度、坡向由DEM高程数据提取; 地质构造、地层岩性数据来源于1:50 000区域地质图; 水系及人类工程活动数据由土地三调地类图斑提供; 降水数据取自研究区近40 a气象数据; 地震数据来自中国地震局网站。

3.2 评价因子分析

(1)区域地貌。地貌的演化造就地质灾害形成和发生[17], 地质灾害的发育受地形条件影响较为明显, 其中崩塌、滑坡尤为显著。

研究区主要地貌为低山、丘陵和平原, 如图3(a)所示, 地质灾害主要发生在低山区, 灾害点数量占比为84.62%, 其次为丘陵区, 灾害点数量占比为15.38%, 平原区未发生地质灾害。从信息量来看, 丘陵区虽有灾害点发育但分布面积过大, 故信息量较小。

图3 各评价因子区域面积和灾害点数量占比以及信息量统计
注: 图(e)中变质岩指坚硬的层状混合岩化变质岩岩组; 灰岩指坚硬、较坚硬的中厚— 厚层状灰岩岩组、页岩夹灰岩岩组; 碎屑岩指较坚硬的中厚层状碎屑岩、页岩、砂岩夹灰岩岩组; 第四系指第四系冲洪积松散土类岩组。Fig.3 Statistics of area and disaster point proportions for each evaluation factor and its information content

(2)坡度。坡度对斜坡体上松散碎屑物的厚度和应力状态有一定的控制作用, 可为崩塌、滑坡等灾害提供物源和运动势能, 并通过影响地表、地下径流的流向和流速间接影响斜坡的稳定性[18]。

将研究区坡度分为5级, 如图3(b)所示, 地质灾害点主要分布在坡度[28, 65)范围内, 占灾害点总数的88.46%, 随坡度增加, 灾害点数量占比呈上升趋势。信息量与坡度增加也呈正相关。可见坡度越大, 地质灾害敏感性和易发性程度程度越高。

(3)坡向。坡向的不同会导致接受太阳辐射的差异, 影响水蒸发量、坡面岩土风化等诸多要素, 进而影响岩土体结构的稳定性及力学特征。

将研究区坡向分为8个方向, 如图3(c)所示, 研究区地质灾害分布与坡向分布存在一定的耦合对比关系, 西方向最为敏感, 灾害点数量占比为42.31%, 信息量为0.90, 西北方向次之, 灾害点数量占比为15.38%, 信息量为0.82。相较区域地貌和坡度, 差异对比性稍弱。

(4)地质构造。断层褶皱会造成地形的起伏或形成临空面, 并对岩体造成破坏, 形成破碎岩石, 为灾害形成提供地形条件和物源基础[19]。

以断裂带为基准线, 根据距基准线的距离向两侧缓冲5个等级, 如图3(d)所示, [0, 500)和[500, 1 200)范围内最为敏感, 灾害点数量占比为73.08%。地质灾害点数量与断裂带的距离呈负相关, 地质构造对地质灾害起较到为重要的控制作用。从信息量来看, [1 200, 2 000)范围内灾害点发育不多但分布面积较小, 故信息量较大。

(5)地层岩性。岩体类型决定岩体强度, 影响斜坡形态及应力分布, 是地质灾害形成的内在因素。根据研究区岩石工程地质组合及土的类型, 大体划分为4个工程地质分区: 坚硬的层状混合岩化变质岩岩组; 坚硬、较坚硬的中厚— 厚层状灰岩岩组、页岩夹灰岩岩组; 较坚硬的中厚层状碎屑岩、页岩、砂岩夹灰岩岩组; 第四系冲洪积松散土类岩组。

利用GIS空间分析功能对地质灾害点和工程地质分区进行叠加分析, 如图3(e)所示, 地质灾害点分布在坚硬的层状混合岩化变质岩岩组工程地质区与较坚硬的中厚层状碎屑岩、页岩、砂岩夹灰岩岩组工程地质区内, 且两区信息量也较大, 另外两个岩组工程地质区内无地质灾害点分布。

(6)水系。研究区地貌以低山-丘陵-平原为主, 与中国西南地区河流所处深切峡谷地形地貌不同, 深切峡谷地区河流对两岸的侧向冲刷和淘蚀作用发育, 使河谷斜坡下部悬空, 故引起地质灾害的发生, 而研究区基本无此种现象, 因此水系分布对地质灾害的控制作用较弱。

以河流为中心, 向两侧缓冲5个等级, 即距河流的距离, 如图3(f)所示, [500, 1 800)范围内地质灾害发生频率最高, 灾害点数量占比为65.39%。随距河流距离增加, 信息量呈增加的趋势。

(7)降水。降水对崩塌、滑坡、泥石流等突发性地质灾害的形成、发育和诱发起到重要作用。灾害体发育初期, 降水通过风化、侵蚀、剥蚀等作用, 使得母岩(土)体产生变形、开裂等现象, 最终形成灾害体。

根据近40 a来平均降水量等值线图将研究区划分为4个区域, 如图3(g)所示, [700, 730)区域内灾害点数量最多, 为11个, 灾害点数量占比为42.31%。< 700区域内灾害点数量最少, 但该区域面积占比仅为8.84%, 故信息量也较高。

(8)地震。在基岩裸露区, 风化作用强烈, 水平裂隙发育, 当地震发生时, 受震动及重力作用影响, 裂隙面上部岩层与下部岩层发生剧烈碰撞、磨蚀, 裂隙上、下层面摩擦力降低, 原有平衡力遭到破坏, 上部岩层在重力作用下失稳, 易形成滑塌地质灾害。

根据《GB 18306— 2015中国地震动参数区划图》[20]将研究区按地震峰值加速度GPA划分为0.10 g、0.15 g两个区域, 如图3(h)所示, 0.10 g区域是地质灾害高发区, 灾害点数量占比84.62%, 信息量高达2.27。

(9)人类工程活动。对地质灾害影响较为严重的人类工程活动主要有矿产资源开采和工程建设(修建公路等), 开采或修建过程中形成的陡坡、陡崖坡面形态呈直面或凸面, 会直接或间接导致地质灾害的发生。

利用GIS空间近邻分析功能, 根据距公路和采矿用距离, 分为5个区域, 如图3(i)所示, [0, 100)范围内地质灾害点分布最多, 共计15个, 灾害点数量占比达57.69%。≥ 200范围内虽地质灾害点数量较少, 但面积占比仅为6.38%, 故信息量较大。

3.3 评价因子信息量

基于GIS重分类得到评价因子分级图(图4), 根据计算, 各评价因子的分级信息量如表1所示。

图4 评价因子分级Fig.4 Grading diagrams for evaluation factors

表1 各评价因子分级信息量 Tab.1 Information content of each evaluation factor classification

由以上图表可知, 地质灾害在区域地貌低山区, 坡度28° ~65° , 坡向西和西北, 较坚硬的中厚层状碎屑岩、页岩、砂岩夹灰岩岩组, 降雨量700~730 mm 及地震加速度0.10 g 的区域内信息量最大。

3.4 评价因子权重

利用如图5所示的层次分析法模型及流程, 构造3个判断矩阵(表2, 表3, 表4), 根据层次分析法得到各评价因子权重如表5所示。

图5 层次分析法模型及流程Fig.5 Model and flow chart of Analytic Hierarchy Process method

表2 评价因子权重判断矩阵 Tab.2 Weight assessment matrix of evaluation factors
表3 基本评价因子权重判断矩阵 Tab.3 Weight assessment matrix of basic evaluation factors
表4 间接评价因子权重判断矩阵 Tab.4 Weight assessment matrix of indirect evaluation factors
表5 评价因子加权权重 Tab.5 Weight of evaluation factors

由表5可知, 区域地貌、降水和坡度对地质灾害影响较大, 权重分别为0.21、0.16和0.14, 其次是地层岩性和人类工程活动, 权重为0.10, 坡向权重为0.09, 地质构造及地震权重为0.07, 水系权重最低, 为0.06。

4 评价结果与分析
4.1 评价结果

采用格栅计算器将单个评价因子加权信息量图层叠加, 得到易发性评价单元, 节点划分采用均分法, 将研究区分类成3类易发区, 即高易发区、中易发区和低易发区, 如图6所示。

图6 易发性分区Fig.6 Susceptibility zoning

据统计, 高易发区面积为294.26 km2, 面积占比26.30%, 地质灾害隐患点22处, 主要为崩塌及滑坡, 占灾害点总数的84.62%, 灾害点密度为0.07个/km2。高易发区呈带状分布在北部及中南部低山区, 呈EW走向, 地层岩性北侧为吕梁期花岗岩, 南侧为阜平期闪长岩, 局部分布变质岩性。山体大部基岩裸露, 植被覆盖率低, 且作为饰面花岗岩开采区, 采石场大多残留陡峭的岩体面或岩柱, 存在地质灾害隐患, 如遇连续大雨天气, 发生崩塌、滑坡危险性极大。道路、房屋等建设工程活动强烈, 对岩土体的自然平衡扰动较大, 存在较大地质灾害隐患, 易引起地质灾害。

中易发区面积为66.28 km2, 面积占比5.92%, 有4处地质灾害隐患点, 占灾害点总数的15.38%, 全部为崩塌灾害点。中易发区主要分布于南部低山丘陵区, 岩性主要为寒武系九龙群灰岩及泥页岩, 断裂带存在变质岩, 构造节理发育, 南侧为尼山断裂, 中部为独角断裂, 岩体部分裸露, 植被覆盖率较低。该区分布面积广, 以崩塌地质灾害为主, 危岩体主要由寒武系灰岩自然节理风化作用产生, 人口密度相对较低, 没有较大的工程活动, 地质灾害发生频率不高。

低易发区面积为758.42 km2, 面积占比67.78%, 区内无地质灾害隐患点分布。低易发区主要分布于泗水县中部及中南部地区。该区域为低缓丘陵区及平原区, 地势起伏较小, 发育第四系沂河组砂砾层, 底层分布古近系紫红色黏土岩, 地层岩性为古元古代吕梁期正长花岗岩, 夹有新太古代五台期闪长岩, 岩体抗风化能力差, 风化松散堆积层分布不均, 厚度为1~5 m, 土壤发育较差, 南部岩性为奥陶系马家沟组白云岩, 平缓倾斜地层, 无软弱结构面, 且极少存在结构面与边坡面倾向相同、结构面倾角小于坡面倾角的现象, 局部灰岩裸露, 风化程度为微风化, 无地质灾害发育条件。

4.2 评价结果合理性检验

权重分配还需进行合理性检验, 判断公式为

CI=λmax-nRI, (6)

R=CIRI(7)

式中: CI为一致性指标; n为判断矩阵的阶数; RI为平均随机性指标(表7); CR为随机一致性比率。若CR< 0.1, 则权重分配合理; 若CR=0.1, 权重分配较合理; 若CR> 0.1, 则权重分配不合理, 需重新构建判断矩阵再分配。

表7 平均随机性指标RI[14] Tab.7 Average random index RI[14]

3个判断矩阵中CR< 0.1(表8), 表明本文构造的3个判断矩阵一致性均满足要求, 评价结果具有合理性。

表8 评价因子一致性检验结果 Tab.8 Consistency assessment results of evaluation factors
5 结论

以泗水县为研究对象, 选取区域地貌、坡度、坡向、地质构造、地层岩性、水系、降水、地震及人类工程活动9个影响因素作为评价因子, 运用信息量法及层次分析法评价地质灾害易发性, 得到以下结论。

(1)通过各评价因子的分级信息量研究得知, 区域地貌低山区, 坡度28° ~65° , 坡向西和西北, 较坚硬的中厚层状碎屑岩、页岩、砂岩夹灰岩岩组, 降雨量700~730 mm及地震加速度0.10 g的区域内信息量最大。各评价因子权重从大到小依次为区域地貌(0.21)、降水(0.16)、坡度(0.14)、地层岩性及人类工程活动(0.10)、坡向(0.09)、地质构造及地震(0.07)、水系(0.06)。

(2)对各评价因子加权信息量图层进行叠加, 将研究区分为3类易发区, 其中高易发区面积为294.26 km2, 面积占比26.30%, 地质灾害隐患点22处, 主要为崩塌及滑坡, 灾害点数量占比84.62%, 灾害点密度为0.07个/km2; 中易发区面积为66.28 km2, 面积占比5.92%, 有4处地质灾害隐患点, 灾害点数量占比15.38%, 全部为崩塌点; 低易发区面积为758.42 km2, 面积占比67.78%, 区内无地质灾害隐患点分布。

(3)对易发性评价过程的合理性进行检验, 3个构造矩阵的随机一致性比率CR分别为0.000、0.013、0.020, 均小于0.1, 表明易发性研究结果具有合理性, 能够为研究区及其相似地区的地质灾害防治工作提供基础依据, 对当地重点项目布局、土地利用规划及地质环境保护具有指导意义。

(责任编辑: 刘丹)

参考文献
[1] 鲁霞, 兰安军, 母浩江, 等. 基于信息量模型的盘州市地质灾害易发性评价[J]. 科学技术与工程, 2020, 20(14): 5544-5551.
Lu X, Lan A J, Mu H J, et al. Geological hazard risk assessment based on information quantity model in Panzhou City[J]. Sci Technol Eng, 2020, 20(14): 5544-5551. [本文引用:1]
[2] 毛佳睿, 李铁锋, 田运涛, 等. 基于物源特征的白龙江流域泥石流易发性评价[J]. 科学技术与工程, 2020, 20(28): 11479-11490.
Mao J R, Li T F, Tian Y T, et al. Evaluation of debris flow susceptibility in Bailong River Basin based on source characteristics[J]. Sci Technol Eng, 2020, 20(28): 11479-11490. [本文引用:1]
[3] Sand ric I, Ionita C, Chitu Z, et al. Using CUDA to accelerate uncertainty propagation modelling for land slide susceptibility assessment[J]. Environ Modell Software, 2019, 115: 176-186. [本文引用:1]
[4] 陈朝亮, 张文君, 钱静, 等. 基于改进Logistic回归模型在地质灾害评价中的应用[J]. 环境科学与技术, 2019, 42(4): 188-193, 213.
Chen C L, Zhang W J, Qian J, et al. Application of improved logistic regression model in geological hazard evaluation[J]. Environ Sci Technol, 2019, 42(4): 188-193, 213. [本文引用:1]
[5] Aditian A, Kubota T, Shinohara Y. Comparison of GIS-based land slide susceptibility models using frequency ratio, logistic regression, and artificial neural network in a tertiary region of Ambon, Indonesia[J]. Geomorphology, 2018, 318: 101-111. [本文引用:1]
[6] Juliev M, Mergili M, Mondal I, et al. Comparative analysis of statistical methods for land slide susceptibility mapping in the Bostanlik District, Uzbekistan[J]. Sci Total Environ, 2019, 653: 801-814. [本文引用:1]
[7] 张书豪, 吴光. 随机森林与GIS的泥石流易发性及可靠性[J]. 地球科学, 2019, 44(9): 3115-3134.
Zhang S H, Wu G. Debris flow susceptibility and its reliability based on rand om forest and GIS[J]. Earth Sci, 2019, 44(9): 3115-3134. [本文引用:1]
[8] 李益敏, 李驭豪, 赵志芳. 基于确定性系数模型的泸水市泥石流易发性评价[J]. 水土保持研究, 2019, 26(4): 336-342.
Li Y M, Li Y H, Zhao Z F. Assessment on susceptibility of debris flow in Lushui based on the certain factor model[J]. Res Soil Water Conserv, 2019, 26(4): 336-342. [本文引用:1]
[9] Hu J, Chen J, Chen Z, et al. Risk assessment of seismic hazards in hydraulic fracturing areas based on fuzzy comprehensive evaluation and AHP method (FAHP): A case analysis of Shangluo area in Yibin City, Sichuan Province, China[J]. J Pet Sci Eng, 2018, 170: 797-812. [本文引用:1]
[10] 梁丽萍, 刘延国, 唐自豪, 等. 基于加权信息量的地质灾害易发性评价——以四川省泸定县为例[J]. 水土保持通报, 2019, 39(6): 176-182.
Liang L P, Liu Y G, Tang Z H, et al. Geologic hazards susceptibility assessment based on weighted information value: A case study in Luding County, Sichuan Province[J]. Bull Soil Water Conserv, 2019, 39(6): 176-182. [本文引用:1]
[11] 邓念东, 崔阳阳, 郭有金. 基于频率比-随机森林模型的滑坡易发性评价[J]. 科学技术与工程, 2020, 20(34): 13990-13996.
Deng N D, Cui Y Y, Gao Y J. Frequency ratio-rand om forest-model-based land slide susceptibility assessment[J]. Sci Technol Eng, 2020, 20(34): 13990-13996. [本文引用:1]
[12] 陈飞, 蔡超, 李小双, 等. 基于信息量与神经网络模型的滑坡易发性评价[J]. 岩石力学与工程学报, 2020, 39(S1): 2859-2870.
Chen F, Cai C, Li X S, et al. Evaluation of land slide susceptibility based on information volume and neural network model[J]. Chin J Rock Mech Eng, 2020, 39(S1): 2859-2870. [本文引用:1]
[13] 李利峰, 张晓虎, 邓慧琳, 等. 基于熵指数与逻辑回归耦合模型的滑坡灾害易发性评价——以蓝田县为例[J]. 科学技术与工程, 2020, 20(14): 5536-5543.
Li L F, Zhang X H, Deng H L, et al. Assessment of land slide susceptibility based on coupling model of index of entropy and logistic regression: A case study of Lantian County[J]. Sci Technol Eng, 2020, 20(14): 5536-5543. [本文引用:1]
[14] 殷坤龙, 晏同珍. 汉江河谷旬阳段区域滑坡规律及斜坡不稳定性预测[J]. 地球科学, 1987, 12(6): 631-638.
Yin K L, Yan T Z. Distribution regularity of land slides and prediction of slope instability nearby Xunyang, Han River valley[J]. Earth Sci, 1987, 12(6): 631-638. [本文引用:1]
[15] Saaty T L, Bennett J P. A theory of analytical hierarchies applied to political cand idacy[J]. Behav Sci, 1977, 22(4): 237-245. [本文引用:1]
[16] 张增奇, 张成基, 王世进, 等. 山东省地层侵入岩构造单元划分对比意见[J]. 山东国土资源, 2014, 30(3): 1-23.
Zhang Z Q, Zhang C J, Wang S J, et al. Views on classification and contrast of tectonic units in strata in Shand ong Province[J]. Shand ong Land Resour, 2014, 30(3): 1-23. [本文引用:1]
[17] 姜木鸿. 地貌演化与地质灾害[C]//自然边坡稳定性分析暨华蓥山边坡变形研讨会论文集. 重庆: 中国岩石力学与工程学会, 1991: 103-111.
Jiang M H. Land form evolution and geological disasters[C]//Proceedings of the Natural Slope Stability Analysis & Huayingshan Slope Deformation. Chongqing: Chinese Society for Rock Mechanics & Engineering, 1991: 103-111. [本文引用:1]
[18] 杨敏. 岷江上游寿江流域地质灾害危险性分析[D]. 成都: 成都理工大学, 2017.
Yang M. Risk Analysis of Geological Hazards in the Shoujiang River Basin of the Upper Reach of Minjiang[D]. Chengdu: Chengdu University of Technology, 2017. [本文引用:1]
[19] 刘任鸿, 李明辉, 邓英尔, 等. 基于GIS的华蓥市地质灾害易发性评价[J]. 沉积与特提斯地质, 2021, 41(1): 129-136.
Liu R H, Li M H, Deng Y E, et al. GIS assessments of geologic hazards in Huaying City, Sichuan[J]. Sediment Geol Tethyan Geol, 2021, 41(1): 129-136. [本文引用:1]
[20] 中国地震局. GB 18306—2015中国地震动参数区划图[S]. 2015.
China Earthquake Administration. GB 18306—2015 Seismic Ground Motion Parameter Zonation Map of China[S]. 2015. [本文引用:1]