目前滑坡易发性评价研究方法主要分为3类：物理机理模型、知识驱动分析模型、数据驱动分析模型。物理机理模型具有结果精准、物理意义明确的优势，但需要确定大量复杂的水文、地质等相关参数，在分析大范围滑坡易发性方面不具备优势^[1]；知识驱动分析模型，如德尔菲法，是一种综合多名专家经验与主观判断的预测技术方法，易受到主观因素的影响^[2]；数据驱动分析模型通过收集历史滑坡以及各影响因子，构建统计模型或机器学习模型进行评价分析，相较前两者，该方法结果可靠、可行性较高，广泛应用于滑坡易发性评价领域^[3-4]。孙冉等^[5]将降水、地形地貌、地质特征和人类工程活动等4种评价因子细分为10个影响因子，采用层次分析法结合信息量模型对费县地质灾害风险性进行评价；易靖松等^[6]基于信息量模型和层次分析法分别开展危险性评价，发现多种地质灾害耦合的评价思路能获取更精确的危险性评价结果。

上述研究仅考虑地质、地形、水文等静态特征数据，但滑坡是一个动态变化过程。因此，本文以六盘水市水城区为研究对象，采用在实现大范围监测方面具有优势的合成孔径雷达干涉测量技术(interferometric synthetic aperture radar，InSAR)^[7]，提取研究区动态形变特征数据，结合加权信息量模型绘制滑坡易发性评价图，通过对比未融入动态评价因子在加权信息量模型下ROC曲线下面积验证模型准确度，并将真实灾害点叠加至易发性评价图，进一步验证融入InSAR动态因子在评价易发性分区中的准确性。

1 研究区概况与数据来源 1.1 研究区概况

贵州省六盘水市水城区地理坐标为104°34′~105°15′E、26°02′~26°55′N，区内地势起伏大，最大海拔为2 865.2 m。研究区出露地层为泥盆系至第四系，其中，石炭系、二叠系和三叠系发育好、分布广，泥盆系、侏罗系和下第三系零星分布，第四系发育最差，分布极为零散。水城区属于中亚热带季风气候区，年均降雨量1 300 mm。通过地理遥感生态网平台获取209个历史滑坡灾害点，其空间分布如图 1所示。

1.2 数据选取

全面、合理地选取评价因子至关重要^[8]。地形地貌、基础地质条件、降水量与人类活动是滑坡发生的主要因素。地形坡度、坡向以及岩层或土壤的稳定性会影响滑坡潜在风险；降水过大和人类活动如土地开发、建筑施工等会增加滑坡发生的可能性；地表长时间累积形变也会影响滑坡发生。本文从地形地貌、基础地质条件、水文气象、植被覆盖程度、人类活动、地表形变等6个方面进行考虑，选取评价因子。

1.3 数据来源

使用SBAS-InSAR处理69景Sentinel-1A升降轨数据得到水城区地表形变，时间为2018-07~2019-08。地形地貌数据来源于地理空间数据云共享的ASTER GDEM 30 m分辨率数字高程数据，用于提取坡度、坡向、平面曲率、剖面曲率、地形湿度指数(topographic wetness index，TWI)、水流强度指数(stream power index，SPI)，获取时间为2019年。基础地质数据来源于国家地质资料数据中心1 ∶20万地质图，用于提取地质岩性与距断层距离。植被覆盖程度来源于中国科学院资源环境科学与数据中心提供的归一化植被指数(normalized difference vegetation index，NDVI)，获取时间为2019-06。水文气象与人类活动数据来源于Landsat遥感影像处理得到的土地利用数据，获取时间为2019-06；通过全国地理信息资源目录服务系统1 ∶25万全国基础地理数据库提供的水系与道路分布图提取距道路距离、距河流距离数据，获取时间为2015年；通过国家地球系统科学数据中心获取年降水量与土壤数据，获取时间为2019年。

1.4 评价因子筛选与分级

考虑到滑坡评价因子之间的相关性会影响最终评价的准确性，采用皮尔逊相关系数R作为衡量各评价因子间相关性程度的指标^[9]。结合筛选后的水城区实际评价因子，构建评价因子相关性矩阵，结果如图 2所示。

由相关性矩阵分析结果可知，DEM与NDVI、TWI、SPI因子的相关性大于0.3，考虑到TWI与SPI是通过DEM计算得到，存在一定联系。对于NDVI与DEM因子取舍问题，通过再次构建相关性矩阵可以发现，保留DEM时，DEM与距河流距离、AS地表形变速率的相关性均大于0.3；保留NDVI时，各因子之间的相关性均小于0.3，故在NDVI与DEM中保留NDVI。

最终选取坡度、坡向、地质岩性等12个评价因子参与评价，通过自然间断法对各评价因子进行分级，各评价因子分级图如图 3所示。

2 研究流程及耦合模型 2.1 研究流程

利用SBAS-InSAR技术解译69景Sentinel-1A影像数据生成地表形变速率，将其作为动态因子参与构建基础数据集，采用皮尔逊法进行相关性检验，然后利用层次分析法确立权重，结合信息量法衡量各分层评价因子的信息量值，通过加权信息量值绘制水城区滑坡易发性图，最后利用ROC曲线对模型进行验证，并与未融入动态因子的滑坡易发性分区结果进行对比。

2.2 信息量法原理

信息量法(information volume，IV)在滑坡易发性研究中可以用于确定影响最显著的组合因子^[10]。该方法的核心思想在于计算影响因子对灾害发生的贡献量，表达式为：

$ I=\ln \frac{\frac{M_{i 0}}{M_i}}{\frac{N_0}{N}} $

(1)

式中，M_i0为每个影响因子中各分级类别所含历史滑坡点个数；M_i为总历史灾害点个数；N₀为各分级类别面积；N为研究区总面积。

2.3 层次分析法原理

层次分析法(analytic hierarchy process，AHP)是一种用于解决多因子决定目标的决策分析方法，被广泛应用于灾害评价^[11]。计算公式为：

$ \left\{\begin{array}{l} \mathrm{CI}=\frac{\lambda_{\max }-n}{n-1} \\ \mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}} \end{array}\right. $

(2)

式中，λ_max为判断矩阵的最大特征根；n为判断矩阵的阶数；CI为衡量判断矩阵一致性的度量指标；RI为判断矩阵的随机一致性的平均参考值。当CR < 0.1时，判断矩阵合理可靠。

通过对比评价因子建立判断矩阵，利用特征向量法计算得到2个类别的权重值(表 1)。最大特征根分别为10.931和13.128，对应CI值均为0.103，RI值分别为1.486和1.536。通过一致性检验得到CR值分别为0.069和0.067，均小于0.1，因此判断矩阵合理，可用于评价因子的合理定权。

2.4 加权信息量模型构建

通过耦合信息量法与层次分析法构建加权信息量模型，采用层次分析法确定权重值，将其分配到信息量值可以得到影响因子的权重及等级。具体计算公式为：

$ I=\sum\limits_{i=1}^n W_i \cdot \ln \frac{\frac{M_{i 0}}{M_i}}{\frac{N_0}{N}} $

(3)

式中，W_i为第i个评价因子的权重值; I_i为第i个评价因子提供的信息量值。

3 地表形变与评价因子分析 3.1 地表形变提取

廖军等^[12]研究表明，SBAS-InSAR提取的形变可识别水城区潜在滑坡。本文利用SBAS-InSAR技术处理水城区69景升降轨影像数据，获取水城区地表形变速率。由于现阶段InSAR技术的局限性，导致部分区域存在失相干，利用升降轨形变互补的方式对失相干区域进行处理，最终使209个历史滑坡点都处于形变区域内，同时计算出在不同分级形变区域下的信息量值(表 2)。对于互补后区域失相干，因未有历史滑坡点存在，信息量值始终为0，故对分区影响可忽略不计。

对滑坡体变形发展过程中的运动速度进行筛选^[13]，最终确定水城区形变速率范围为-169~-16 mm/a，共获取1 838 251个形变速率点。

3.2 评价因子分析

在12个评价因子中，NDVI值会因冬夏季节变化而波动，故对其进行验证，避免影响后续分区的准确性。收集2018-07~2019-08时间段NDVI数据，统计得到14个月内极限区间分布为[0.052 3，0.959 4]。利用自然间断法对NDVI进行重分类，同时计算加权后的NDVI信息量值，结果表明，未融入动态因子时信息量值最大与最小区间差值为0.117 9，融入动态因子后信息量值最大与最小区间差值为0.075 1，对最终利用自然间断法进行易发性分区的影响较小，故选取合理。各评价因子在加权与重分类后的结果如图 4所示。

4 滑坡易发性评价 4.1 精度评价

采用受试者工作特征曲线(receiver operating characteristic curve，ROC)对所构建模型的精度进行评价，曲线越靠近左上角，说明模型的准确性越高，但该评价指标本身并不具备动态特性。从图 5可以看出，在未融入动态因子时使用AHP-IV模型，ROC曲线下面积为0.756 02；在融入动态因子后，曲线下面积为0.888 68。相较于只用静态因子进行评价，本文所提模型准确度提升约13.3%，表明融入动态因子使模型泛化能力更好。

4.2 滑坡易发性分区评价图及对比验证

为评价并对比融入与未融入动态因子时计算结果的差异性，使用加权信息量模型，分别绘制2种类型的滑坡易发性评价图，然后进行重分类(图 6)。

结合图 4和图 6可以看出，滑坡高易发区和较高易发区主要分布在鸡场镇、都格镇、比德镇、阿戛镇、米箩镇等区域，这些区域主要位于水城区西南和东北方向，且大多靠近建筑区、道路，或距河流距离在500 m以内；距离断层2 km之外所产生的滑坡灾害居多，滑坡中易发性、较低易发性、低易发性区域大多地势平坦，或远离建筑区与道路。

为进一步验证融入InSAR对滑坡灾害预警的影响，将收集的真实历史灾害点分别叠加在2类分区图中进行对比分析(表 3)。可以看出，未融入动态因子的分区图在较高易发性及以上等级的历史灾害点比例为56.94%，融入动态评价因子后比例为69.38%，比例相差12.44%；较低易发性及低易发性历史灾害点比例分别为19.14%与12.92%，相差6.22%；中易发性区域占比分别为23.92%与17.70%，相差6.22%。

上述数据表明，在未融入动态因子时，已发生的灾害更容易被误分在较低及中易发性区域；融入动态因子后，分区准确度提升12.44%，再次验证了融入InSAR数据作为动态因子对评价结果具有积极作用，可极大提升灾害分区的准确性。

5 结语

1) 应用ROC曲线验证滑坡易发性评价模型的准确度，融入InSAR动态因子的AHP-IV模型滑坡易发性评价ROC曲线下面积达到0.888 68，未融入动态评价因子时ROC曲线下面积为0.756 02，表明融入InSAR动态因子有利于提高滑坡易发性评价模型的准确性。

2) 比较历史滑坡数据与2类分区图可知，未融入动态因子时，分区图在较高易发性及以上等级的历史灾害点比例为56.94%；融入动态因子后，可纠正12.44%的误分类区域，显著提升灾害分区的可靠性。表明InSAR融入形变特征作为动态因子能更好地识别潜在的滑坡区域，可为滑坡预警提供有力支持。

3) 本文所构建的滑坡易发性评价模型仅针对贵州省六盘水市水城区实际情况，具有一定的特殊性。为增加模型的普适性、动态性，未来可以进一步优化和改进该方法，结合更多的动态遥感数据和地质信息，以提高滑坡预警的准确性和实用性。