工程地质学报  2018, Vol. 26 Issue (5): 1211-1218   (#KB#)    
Article Options
  • PDF (#KB#)
  • Full Text HTML
  • Abstract
  • Figures
  • References
  • History
  • 收稿日期:2018-04-25
  • 接受日期:2018-07-20
  • 扩展功能
    把本文推荐给朋友
    加入引用管理器
    Email Alert
    文章反馈
    浏览反馈信息
    本文作者相关文章
    尚敏
    马锐
    张英莹
    刘昱廷

    引用本文  

    尚敏, 马锐, 张英莹, 等. 2018. 基于GIS的证据权重法的崩塌敏感性分析研究[J]. 工程地质学报, 26(5): 1211-1218. doi: 10.13544/j.cnki.jeg.2018163.
    SHANG Min, MA Rui, ZHANG Yingying, et al. 2018. Gis based weights of evidence method for rock fall susceptibility[J]. Journal of Engineering Geology, 26(5): 1211-1218. doi: 10.13544/j.cnki.jeg.2018163.

    基于GIS的证据权重法的崩塌敏感性分析研究
    尚敏①②③, 马锐, 张英莹, 刘昱廷    
    ① 三峡大学, 土木与建筑学院 宜昌 443002;
    ② 湖北长江三峡滑坡国家野外科学观测研究站 宜昌 443002;
    ③ 三峡大学, 地质灾害防治研究院 宜昌 443002
    摘要:证据权重法评价模型作为一个客观的系统,它可以对不同因素的权重值进行计算,且分配权重过程客观,可以区分不同因素对于崩塌敏感性的影响。为了了解不同因素对崩塌的敏感性,本文利用已经发生的崩塌灾害的信息,以湖北省巴东县沿渡河镇为例,选取了106个崩塌点,采用证据权重法,通过ArcGIS软件对坡度、坡向、到断层的距离、到水系的距离、到公路的距离以及地层岩性等6个基本因素进行了敏感性分析,其中随机选取78个崩塌点作为训练集用来建模,另外28个崩塌点作为测试集对评价结果进行检测。分析结果表明:在影响崩塌的6个因子中,崩塌点到公路的距离的敏感性最大;崩塌敏感性高的区域呈线性分布在道路及河流附近,极高敏感区和高敏感性区占整个研究区的15.27%,测试集中有22个崩塌点分布在该区域内,即78.58%的崩塌点被正确评价,与现场调查结果相吻合,所得到的崩塌敏感性图对于防灾减灾工作具有指导作用。
    关键词证据权重法    崩塌敏感性    ArcGIS    
    GIS BASED WEIGHTS OF EVIDENCE METHOD FOR ROCK FALL SUSCEPTIBILITY
    SHANG Min①②③, MA Rui, ZHANG Yingying, LIU Yuting    
    ① College of Civil Engineering & Architecture, China Three Gorges University, Yichang 443002;
    ② National Field Observation and Research Station of Landslides in Three Gorges Reservoir Area of Yangtze River, Yichang 443002;
    ③ Institute of Geological Disaster Prevention and Control, China Three Gorges University, Yichang 443002
    Abstract: As an objective system, the evaluation model of weights of evidence can calculate the weight values of different factors, assign the weight process objectively, and distinguish the impact of different factors on the sensitivity of collapse. In order to understand the sensitivity of different factors to collapse, this paper uses the information of the collapse disasters that have already occurred and used the example of the Yan Duhe Town in Badong County, Hubei Province as an example. 106 collapse points are selected, and the weight method of evidence is adopted. The sensitivity analysis of six basic factors is carried out by ArcGIS software. The six factors include slope, slope direction, distance to fault, distance to water system, distance to highway, and formation lithology. 78 randomly selected collapse points are used as a training set for modeling, and the other 28 are used as a test set to test the evaluation result. The analysis results show that the sensitivity of the distance from the collapse point to the highway is the largest. The area with high sensitivity to collapse is linearly distributed near the road and the river. The extremely sensitive area and the high sensitivity area account for 15.27% of the whole research area. There are 22 collapse points in the test set distributed in the area. This is to say that 78.58% of the collapse points are correctly evaluated, which is consistent with the on-site investigation results. The collapse sensitivity map obtained has a guiding role in disaster prevention and reduction work.
    Key words: Weights of evidence    Rock fall susceptibility    ArcGIS    

    0 引言

    崩塌是较陡斜坡上的岩土体,在重力和其他外力作用下,突然脱离母体崩落、滚动、堆积在坡脚的现象(沈均等,2008韩振华等,2017)。崩塌具有突发性强、可预见性差、速度快、能量高、运动距离短、影响范围大、监测预警困难、危害严重等特点(胡厚田,1989),严重威胁着山区公路、城镇和人民的生命财产安全。因此,对崩塌的敏感性进行分区和评价,可以对区域地质灾害勘察、资金分配和防治规划提供科学的理论依据。

    崩塌敏感性评价,其意义在于研究一定区域内多种地质灾害因素导致崩塌发生的可能性。国外有学者运用神经网络模型对韩国伯恩、济州岛地区进行了滑坡敏感性分析(Pradhan et al., 2010Quan et al., 2012),但其结果随意性较强,不能提供稳定结果。国内有学者以汶川地震重灾区北川县为例,采用层次分析法对影响崩塌的因素进行权重定量,使用因子加权相加模型对北川县由地震引发的崩塌滑坡敏感性进行评价,并在此基础上进行了敏感性分区。其还采用逻辑回归的统计方法分别基于子流域和像元对研究区进行建模,并且采用ROC曲线和Kappa系数对模型的精度进行评价(张建强等, 2010, 2012)。有学者采用主成分分析法,选用spss软件对崩塌的成灾因子敏感性进行了统计分析(任凯珍等,2017),但受调查资料的限制,所研究灾害数据为定量和半定量相结合。李权等(2015)利用ArcGIS软件的空间分析方法对兰坪县崩塌滑坡分布规律进行了统计分析,运用多元逻辑回归方法对该县未来发生崩塌滑坡的空间位置进行了易发性评价。冯杭建(2017)等利用GIS技术与确定性系数分析方法,对具有典型降雨型滑坡的多个影响因子开展了敏感性分析,确定了各滑坡影响因子最利于滑坡发生的数值区间。刘映辉等(2009)利用敏感性系数SC,分析了崩塌滑坡对于地层岩性的敏感性,并且根据实际情况将敏感性系数进行了分类。樊芷吟等(2017)选取各种影响因子,基于GIS的栅格数据模型,采用信息量模型、Logistic回归模型以及两种模型耦合分析进行了地质灾害易发性评价。陆俊等(2009)利用贴近原则和专家打分法确定各评判因素的指标值,通过模糊综合评判得到滑坡预报结果,预报结果与实际吻合较好,但应该避免或者降低主观性对评价结果的影响。刘艺梁等(2010)利用人工神经网络和逻辑回归模型,在ArcGIS中进行了滑坡灾害危险性预测,结果表明滑坡危险性区划图和实际的滑坡发育情况基本吻合。

    对于崩塌敏感性评价,国内外专家学者主要以信息量模型、Logistic回归模型、人工神经网络法和专家打分法等进行建模评价,各模型有着自己的优缺点,但将证据权重模型应用到滑坡崩塌敏感性分析评价中的研究却相对较少。因此,本文将利用证据权重法模型,以湖北省巴东县沿渡河镇为例,选取6个影响崩塌发生的证据因子,对研究区的崩塌敏感性进行预测与评价,为防灾减灾工作提供理论依据。

    1 研究方法

    证据权重法(Weight of evidence)由Agterberg在20世纪80年代后期提出,是一种基于数据驱动、离散多元的地学统计方法(Agterberg,1992Agterberg et al., 2002)。通过对一些与崩塌相关的地学信息的叠加复合分析,来进行崩塌发生概率的预测。选取的每一种地学信息都被视为预测崩塌发生的一个证据影响因子,每一个证据影响因子对崩塌发生概率的贡献是由这个证据影响因子的权重值决定的(秦喜文等,2009)。通过ArcGIS软件,将研究区划分为大小相等的栅格单元,通过对证据因子相关的信息进行叠加分析,从而来划分研究区的崩塌敏感性分区。

    1.1 证据权重法原理

    证据权重法中对于任意一个证据因子,其权重值表示为:

    $ {W^ + } = {\log _e}\left({\frac{{\frac{{{A_1}}}{{{A_1} + {A_2}}}}}{{\frac{{{A_3}}}{{{A_3} + {A_4}}}}}} \right) $ (1)

    $ {W^ - } = {\log _e}\left({\frac{{\frac{{{A_2}}}{{{A_1} + {A_2}}}}}{{\frac{{{A_4}}}{{{A_3} + {A_4}}}}}} \right) $ (2)

    式中,W+为已知崩塌点与预测崩塌点存在的正相关程度;W-为已知崩塌点与预测崩塌点存在的负相关程度;A1为给定因子中出现已知崩塌点的栅格的个数;A2为给定因子中未出现已知崩塌点的栅格的个数;A3为有给定因子,但没有出现已知崩塌的栅格数;A4为既没有给定因子也没有出现已知崩塌的栅格数。W+W-分别为证据因子存在区域和证据因子存在区域不存在区域的权重值,若原始数据缺失区,则权重值为0。

    证据权重法要求各证据影响因子之间相对于崩塌的分布分别满足条件独立。Cambuin(2009)提出对于每个证据因子,若它们都关于崩塌分布条件独立,则后验概率为:

    $ {P_{\left(s \right)}} = \exp \left\{ {\sum {{W^ + } + \ln P{p_{\left(s \right)}}} } \right\} $ (3)

    $ \ln {P_{\left(s \right)}} = \left\{ {\sum {{W^ + } + \ln P{p_{\left(s \right)}}} } \right\} $ (4)

    其中,p(s)为后验概率,在本研究中,后验概率为崩塌发生的概率。Pp(s)为先验概率,Pp(s)=崩塌面积/研究区面积,先验概率在本研究中表示随机选取一个栅格中发生崩塌的概率。

    证据权重法属于数据驱动方法,避免了权重值选择的主观性,客观地减少了误差,且容易结合GIS形成多图件模式。后验概率图是依据已知崩塌点的空间分布来预测未发生的崩塌的分布。

    1.2 证据权重法步骤

    证据权重法的主要操作实现步骤为:

    1.2.1 计算权重值,生成证据因子图

    证据权重法分析结果中的统计分析量包括正权重W+,负权重W-C。用C反映预测崩塌点和证据因子之间的空间关联性,计算公式如下:

    $ C = {W^ + } - {W^ - } $ (5)

    式中,C值为正,表示证据因子有利于崩塌的出现;C值为0,表示所考虑的证据因子对于分析没有意义;C值越大越有利于崩塌的出现,反之亦反。

    1.2.2 生成后验概率图即崩塌敏感性预测图

    综合证据因子图,生成最终的崩塌预测图,预测图用后验概率表示。根据不同的阈值确定不同的分类。崩塌敏感性预测图分为4个区域:极高敏感性区、高敏感性区、中等敏感性区、低敏感性区。

    1.2.3 模型评价

    证据权重法模型评价应采取独立的数据进行验证。本文采用分离样本法对数据进行验证。106个崩塌点被随机分为两部分,其中78个已经发生的崩塌的数据作为训练集来建立模型,剩余28个数据作为测试集来进行预测模型的评价。

    2 研究区概况
    2.1 研究区背景

    巴东县沿渡河镇位于湖北省西部,隶属于恩施土家族自治州,地形地质复杂,是湖北省崩塌地质灾害高发区。沿渡河镇面积492 km2。研究区内主要出露二叠系、三叠系下统嘉陵江组碳酸盐岩以及中统巴东组碳酸盐岩夹碎屑岩、碎屑岩。碳酸盐岩广泛分布,岩性以灰岩、白云岩为主。研究区内水系发育,主要为长江支流神农溪。图 1为沿渡河镇的崩塌分布图。

    图 1 崩塌分布图 Fig. 1 Location of rock falls

    2.2 研究区资料的处理

    从巴东县国土资源局获得研究区地形图,利用ARCGIS10.0软件,从地形图中提取等高线,间隔为10 m,利用三角形不规则网络(TIN)模型,用30 m×30 m单元为研究区建立数字高程模型(DEM)。从数字高程模型(DEM)出发,推导出坡度、坡向和高程图。利用传统的GIS计算功能处理崩塌点分别到道路、河流、断层的距离。利用巴东县1: 50000工程地质条件图,对研究区的地层岩性进行分区分析。研究区面积为486 km2,将研究区划分为540 706个栅格,通过选取106个崩塌点来确定崩塌的存在条件与各给定因素之间的关系,随机选取78个崩塌点作为训练集,因此先验概率为0.000 144。

    3 证据因子的选择
    3.1 崩塌与坡度的关系

    一般来说,斜坡的坡度从几何上决定了崩塌滑坡的发生与否,尤其对于崩塌,它反映的是地表面位于该点的倾斜程度。图 2a为研究区坡度的分级图。利用ArcGIS空间分析功能,将坡度分级图与崩塌点分布图重叠,统计不同坡度分级下的崩塌灾害点的个数,并计算不同坡度下的权重值(表 1)。从图 2a表 1中可以发现,崩塌主要发生在坡度大于30°的区域,崩塌灾害点数为55个,占灾害点总数70.51%。总体来看,随着坡度的增加,发生崩塌的可能性也随之增加。

    图 2 崩塌敏感性评价指标图 Fig. 2 Evaluation index chart of rock fall sensitivity a.坡度分布;b.坡向分布;c.断层缓冲区分布;d.河流缓冲区分布;e.道路缓冲区分布;f.地层岩性分布

    表 1 各证据因子的分布规律及权重值 Table 1 Various factors of distribution and weight values

    3.2 崩塌与坡向的关系

    坡向通过改变太阳光束的入射角来改变坡面接受的太阳辐射,从而对影响崩塌的斜坡岩土体变形的方式和强度具有一定的影响(曾忠平等,2006)。图 2b为研究区关于坡向分布图。通过崩塌与坡向的叠加分析,统计出崩塌在各个方位上的分布,并计算各个坡向的权重值(表 1)。经过现场调查发现,研究区内多处坡体坡向与岩层倾向同向,形成顺向坡,有利于崩塌的发生。从图 2b表 1中可以看出,坡向为北向的崩塌灾害分布最少,坡向为东向的崩塌灾害分布最多,其余方向崩塌发生的数量相差不大。

    3.3 崩塌与到断层的距离的关系

    研究区内断层分布较多,主要为淮阳山字型构造体系西翼反射弧的一部分。褶皱主要为震旦系、古生代及部分中生代地层组成的北东—北东东向紧密褶皱,即两河口花边状褶皱束,部分地层发生倒转。断裂主要为压性和压扭性断裂。对研究区内断层进行缓冲区后,得到研究区断层缓冲区的分布规律并利用证据权重法计算出训练集崩塌点到断层距离的权重值(表 1)。图 2c为研究区断层缓冲区分布图,从图 2c表 1中可以看出:研究区内断层较多,主要的崩塌发生在距离断层3 km以内的区域,且距离断层越近,其发生的越频繁。

    3.4 崩塌与到河流距离的关系

    河流水系的切割为崩塌提供了一定的卸荷作用,崩塌具有沿主干水系分布的特点(李为乐等,2013)。通过ArcGIS软件对河流进行缓冲区分析,得到研究区河流缓冲区分布图(图 2d)。由表 2图 2d可知,在距离河流600 m范围内,河流对崩塌的影响范围比较大,且距离河流越近,崩塌灾害点分布越密集。

    表 2 地层岩性的分布规律及权重值 Table 2 Formation lithology distribution and weight values

    3.5 崩塌与到到路的距离的关系

    到路对崩塌的影响主要是由于人为开挖坡脚,改变了斜坡的地形地貌,形成了高陡临空面,从而为崩塌的发生创造了有利条件(李星星,2012)。图 2e为研究区道路缓冲区分布图,通过对到路做缓冲区分析,统计了崩塌点至到路距离的分布情况,并计算出其权重值,具体见表 1。由图 2e表 1,可以发现崩塌主要发生在距离河流400 m以内的区域,随着距离的增加,其影响程度逐渐减小。

    3.6 崩塌与地层岩性的关系

    根据岩石的类型和坚硬程度,将研究区岩层分为6类。图 2f为研究区地层岩性的分布图,表 2则统计出了各地层岩性中崩塌的具体分布数值,由图 2f表 2不难发现:研究区内的崩塌大多发生在碳酸盐岩组中,主要是三叠系嘉陵江组(T1j),大冶组(T1d),二叠系栖霞、茅口组(P2q+m)。部分发生在碎屑岩岩组中,分布于寒武系覃家庙和三游洞组(∈2q-∈3s),志留系纱帽组(S2s)及泥盆系黄家磴组和云台观组(D2y+h)石英砂岩、砂岩中。

    上硬下软的岩性组合容易发生崩塌或者形成危岩体,这是由于岩体抗风化能力的差异导致的,下伏软弱岩层抗风化能力低,容易发生退坡现象,使上部坚硬的突出岩体失去支撑,从而在重力作用下,容易被卸荷裂隙或构造裂隙切割为块状的岩体,最终因为重心不稳而发生崩塌。

    4 敏感性分析与评价

    利用ArcGIS软件,对影响崩塌发生的不同因子复合叠加,得到研究区崩塌敏感性预测图。按照自然间断点法(Jenks)将结果划分为敏感性低、敏感性中等、敏感性高和敏感性极高4个等级。后验概率值代表各独立的栅格单元发生崩塌的可能性的大小,其值在0.000 116~0.003 493 1之间,数值越大,发生崩塌的概率越大。图 3表示的是崩塌敏感性预测图。表 3为崩塌敏感性分级表。

    图 3 崩塌敏感性预测图 Fig. 3 Rock fall sensitivity prediction map

    表 3 崩塌敏感性分级表 Table 3 Collapsibility sensitivity rating scale

    利用测试集的28个随机崩塌点对证据权重法模型进行验证与评价。将预测结果与测试集崩塌点进行对比,发现53.58%的崩塌位于敏感性极高的区域内,25%的崩塌点位于敏感性高的区域,即78.58%的崩塌点被正确评价。因此,说明证据权重法模型的预测结果是可行的,预测方法是有效的。

    对比研究区崩塌分布图(图 1)和崩塌敏感性预测图(图 3)发现,崩塌敏感性高的区域呈线性分布,主要在道路及河流附近,其他敏感性较高的区域,主要分布在断层附近。

    极高敏感区占整个研究区的3.18%,分布在极高敏感区内的崩塌点达15个,即该区域内存在很高的发生崩塌的可能性。在影响崩塌的6个因子中,崩塌点到公路的距离的权重最大,崩塌点主要分布在双神公路两侧,故对双神公路两侧的保护和治理具有重要意义。

    5 结论

    根据崩塌敏感性评价结果,将崩塌敏感性分为敏感性极高、敏感性高、敏感性中等、敏感性低4个等级。测试集中有22个崩塌点分布在敏感性极高和敏感性高的区域内,即78.58%的崩塌点被正确评价。

    分析发现,研究区内最有利于崩塌发生的条件为:坡度大于30°,且随着坡度的增加,发生崩塌的可能性随之增大;崩塌主要发生方向为东向,而北向和南向发生崩塌可能性相对较弱;距河流600 m范围内发生崩塌的可能性较大;在距离断层2 km范围内崩塌发生的可能性较大,且距离断层越远,发生崩塌的可能性越小;在距离公路400 m范围内,崩塌发生的可能行较大,随着距离的增加,发生崩塌的可能性逐渐减小;崩塌主要发生在坚硬、较坚硬的碳酸盐岩组内。

    证据权重法评价模型是一个独立的系统,可以区分各种参数,了解哪些是影响崩塌发生的最重要的因素,且分配权重的过程是客观的,几乎独立于研究者的选择。

    参考文献
    Agterberg F P, Cheng Q M. 2002. Conditional independence test for weights-of -evidence modeling[J]. Natural Resources Research, 11(4): 249~255. DOI:10.1023/A:1021193827501
    Agterberg F P. 1992. Combining indicator patterns in weights of evidence modeling for resource evaluation[J]. Nonrenewable Resources, 1(1): 39~50. DOI:10.1007/BF01782111
    Cambuli P. 2009. The weight of evidence statistical method in landslide susceptibility mapping of the Rio Pardu Valley(Sardinia, Italy)[C]//18th World Imacs Congress and MODSIM09 International Congress on Modelling and Simulation: Interfacing Modelling and Simulation with Mathematical and Computational Sciences, 1 (4): 2658-2664.
    Fan Z Y, Gou X F, Qin M Y, et al. 2018. Information and Logistic regression models based coupling analysis for susceptibility of geological hazards[J]. Journal of Engineering Geology, 26(2): 340~347.
    Feng H J, Zhou A G, Tang X M, et al. 2017. Susceptibility analysis of factors controlling rainfall-triggered landslides using certainty factor method[J]. Journal of Engineering Geology, 25(2): 436~446.
    Han Z H, Chen X, Wang X L, et al. 2017. Risk assessment for Luojiaqinggangling rockfall[J]. Journal of Engineering Geology, 25(2): 520~530.
    Hu H T. 1989. Collapse and rockfall[M]. Beijing: China Railway Publishing House.
    Li Q, Zeng T, Qin H, et al. 2015. Landslides susceptibility mapping of Lanping using multivariate logistical regression method[J]. Geomatics & Spatial Information Technology, 38(12): 36~39, 42.
    Li W L, Huang R Q, Xu Q, et al. 2013. Rapid prediction of co-seismic landslides triggered by Lushan earthquake, Sichuan, China[J]. Journal of Chengdu University of Technology(Science & Technology Edition), 40(3): 264~274.
    Li X X. 2012 Landslides susceptibility mapping of Lanping using multivariate logistical regression method[D]. Xi'an: Chang'an University.
    Liu Y H, Zhu Y Y, Su F H, et al. 2009. Sensitivity analysis of collapse and landslide on stratum lithology-Taking Dou-Wen highway of post-earthquake as an example[J]. Research of Soil and Water Conservation, 16(3): 125~130.
    Liu Y L, Yin K L, Liu B. 2010. Application of logistic regression and artificial neural networks in spatial assessment of landslide hazards[J]. Hydrogeology & Engineering Geology, 37(5): 92~96.
    Lu J, Hu S W, Ye S Y. 2009. Landslide prediction model and its application based on fuzzy comprehensive evaluation method[J]. Research of Soil and Water Conservation, 16(5): 241~244.
    Pradhan B, Saro L. 2010. Landslide susceptibility assessment and factor effect analysis:Back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling[J]. Environmental Modelling & Software, 25(6): 747~759.
    Qin X W, Zhang S Q, Li X F, et al. 2009. Assessment of red-crowned crane habitat suit ability based on weights-of -evidence[J]. Acta Ecologica Sinica, 29(3): 1047~1082.
    Quan H C, Lee B G. 2012. Gis-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju(Korea)[J]. Journal of Civil Engineering, 16(7): 1258~1266.
    Ren K Z, Yu M, Wang S Y, et al. 2017. Sensitivity analysis of land-collapsing disasters' influencing factors in Beijing area[J]. Yangtze River, 48(7): 60~64, 91.
    Shen J, He S M, Wu Y. 2008. Present research status and development trend of rockfall hazards[J]. Journal of Catastrophology, 23(4): 122~125, 138.
    Xiang L Z, Cui P, Zhang J Q, et al. 2010. Triggering factors susceptibility of earthquake-induced collapses and landslides in Wenchuan county[J]. Journal of Sichuan University(Engineering Science Edition), 42(5): 105~112.
    Zeng Z P, Fu X L, Liu X M, et al. 2006. Mapping and quantitative analysis on the correlation between landslide and geometric alignment of strikes of slope and stratum based on GIS[J]. Geography and Geo-Information Science, 22(1): 22~25, 30.
    Zhang J Q, Cui P, Xiang L Z, et al. 2010. Susceptibility assessment of landslides induced by earthquake based on sub-basin[J]. Journal of Sichuan University(Engineering Science Edition), 42(S1): 43~49.
    Zhang J Q, Fan J R, Hu K H, et al. 2012. Comparison of landslide distribution and susceptibility before and after the Wenchuan earthquake[J]. Bulletin of Soil and Water Conservation, 32(3): 208~210, 276, 301.
    曾忠平, 付小林, 刘雪梅, 等. 2006. GIS支持下滑坡斜坡类型定量化及制图研究[J]. 地理与地理信息科学, 22(1): 22~25, 30. DOI:10.3969/j.issn.1672-0504.2006.01.005
    樊芷吟, 苟晓峰, 秦明月, 等. 2018. 基于信息量模型与Logistic回归模型耦合的地质灾害易发性评价[J]. 工程地质学报, 26(2): 340~347.
    冯杭建, 周爱国, 唐小明, 等. 2017. 基于确定性系数的降雨型滑坡影响因子敏感性分析[J]. 工程地质学报, 25(2): 436~446.
    韩振华, 陈鑫, 王学良, 等. 2017. 四川罗家青杠岭崩塌风险的定量评价研究[J]. 工程地质学报, 25(2): 520~530.
    胡厚田. 1989. 崩塌与落石[M]. 北京: 中国铁道出版社.
    李权, 曾涛, 覃虎, 等. 2015. 基于多元逻辑回归的兰坪县崩塌滑坡敏感性评价[J]. 测绘与空间地理信息, 38(12): 36~39, 43. DOI:10.3969/j.issn.1672-5867.2015.12.011
    李为乐, 黄润秋, 许强, 等. 2013. "4·20"芦山地震次生地质灾害预测评价[J]. 成都理工大学学报(自然科学版), 40(3): 264~274. DOI:10.3969/j.issn.1671-9727.2013.03.06
    李星星. 2012.公路崩塌风险评价[D].西安: 长安大学.
    刘艺梁, 殷坤龙, 刘斌. 2010. 逻辑回归和人工神经网络模型在滑坡灾害空间预测中的应用[J]. 水文地质工程地质, 37(5): 92~96. DOI:10.3969/j.issn.1000-3665.2010.05.017
    刘应辉, 朱颖彦, 苏凤环, 等. 2009. 基于地层岩性的崩塌滑坡敏感性分析——以5·12震后都汶公路沿线为例[J]. 水土保持研究, 16(3): 125~130.
    陆俊, 胡少伟, 叶少有. 2009. 基于模糊综合评判的滑坡预报模型及其应用[J]. 水土保持研究, 16(5): 241~244.
    秦喜文, 张树清, 李晓峰, 等. 2009. 基于证据权重法的丹顶鹤栖息地适宜性评价[J]. 生态学报, 29(3): 1047~1082.
    任凯珍, 于淼, 王晟宇, 等. 2017. 北京地区崩塌灾害成灾因子敏感性分析[J]. 人民长江, 48(7): 60~64, 91.
    沈均, 何思明, 吴永. 2008. 滚石灾害研究现状及发展趋势[J]. 灾害学, 23(4): 122~135, 138. DOI:10.3969/j.issn.1000-811X.2008.04.025
    张建强, 崔鹏, 向灵芝, 等. 2010. 基于子流域的地震诱发崩塌敏感性评价[J]. 四川大学学报(工程科学版), 42(S1): 43~49.
    张建强, 范建容, 胡凯衡. 2012. 汶川地震前后崩塌和滑坡分布特征与敏感性对比分析[J]. 水土保持通报, 32(3): 208~210, 276, 301.
    Agterberg F P, Cheng Q M. 2002. Conditional independence test for weights-of -evidence modeling[J]. Natural Resources Research, 11(4): 249~255. DOI:10.1023/A:1021193827501
    Agterberg F P. 1992. Combining indicator patterns in weights of evidence modeling for resource evaluation[J]. Nonrenewable Resources, 1(1): 39~50. DOI:10.1007/BF01782111
    Cambuli P. 2009. The weight of evidence statistical method in landslide susceptibility mapping of the Rio Pardu Valley(Sardinia, Italy)[C]//18th World Imacs Congress and MODSIM09 International Congress on Modelling and Simulation: Interfacing Modelling and Simulation with Mathematical and Computational Sciences, 1 (4): 2658-2664.
    Fan Z Y, Gou X F, Qin M Y, et al. 2018. Information and Logistic regression models based coupling analysis for susceptibility of geological hazards[J]. Journal of Engineering Geology, 26(2): 340~347.
    Feng H J, Zhou A G, Tang X M, et al. 2017. Susceptibility analysis of factors controlling rainfall-triggered landslides using certainty factor method[J]. Journal of Engineering Geology, 25(2): 436~446.
    Han Z H, Chen X, Wang X L, et al. 2017. Risk assessment for Luojiaqinggangling rockfall[J]. Journal of Engineering Geology, 25(2): 520~530.
    Hu H T. 1989. Collapse and rockfall[M]. Beijing: China Railway Publishing House.
    Li Q, Zeng T, Qin H, et al. 2015. Landslides susceptibility mapping of Lanping using multivariate logistical regression method[J]. Geomatics & Spatial Information Technology, 38(12): 36~39, 42.
    Li W L, Huang R Q, Xu Q, et al. 2013. Rapid prediction of co-seismic landslides triggered by Lushan earthquake, Sichuan, China[J]. Journal of Chengdu University of Technology(Science & Technology Edition), 40(3): 264~274.
    Li X X. 2012 Landslides susceptibility mapping of Lanping using multivariate logistical regression method[D]. Xi'an: Chang'an University.
    Liu Y H, Zhu Y Y, Su F H, et al. 2009. Sensitivity analysis of collapse and landslide on stratum lithology-Taking Dou-Wen highway of post-earthquake as an example[J]. Research of Soil and Water Conservation, 16(3): 125~130.
    Liu Y L, Yin K L, Liu B. 2010. Application of logistic regression and artificial neural networks in spatial assessment of landslide hazards[J]. Hydrogeology & Engineering Geology, 37(5): 92~96.
    Lu J, Hu S W, Ye S Y. 2009. Landslide prediction model and its application based on fuzzy comprehensive evaluation method[J]. Research of Soil and Water Conservation, 16(5): 241~244.
    Pradhan B, Saro L. 2010. Landslide susceptibility assessment and factor effect analysis:Back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling[J]. Environmental Modelling & Software, 25(6): 747~759.
    Qin X W, Zhang S Q, Li X F, et al. 2009. Assessment of red-crowned crane habitat suit ability based on weights-of -evidence[J]. Acta Ecologica Sinica, 29(3): 1047~1082.
    Quan H C, Lee B G. 2012. Gis-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju(Korea)[J]. Journal of Civil Engineering, 16(7): 1258~1266.
    Ren K Z, Yu M, Wang S Y, et al. 2017. Sensitivity analysis of land-collapsing disasters' influencing factors in Beijing area[J]. Yangtze River, 48(7): 60~64, 91.
    Shen J, He S M, Wu Y. 2008. Present research status and development trend of rockfall hazards[J]. Journal of Catastrophology, 23(4): 122~125, 138.
    Xiang L Z, Cui P, Zhang J Q, et al. 2010. Triggering factors susceptibility of earthquake-induced collapses and landslides in Wenchuan county[J]. Journal of Sichuan University(Engineering Science Edition), 42(5): 105~112.
    Zeng Z P, Fu X L, Liu X M, et al. 2006. Mapping and quantitative analysis on the correlation between landslide and geometric alignment of strikes of slope and stratum based on GIS[J]. Geography and Geo-Information Science, 22(1): 22~25, 30.
    Zhang J Q, Cui P, Xiang L Z, et al. 2010. Susceptibility assessment of landslides induced by earthquake based on sub-basin[J]. Journal of Sichuan University(Engineering Science Edition), 42(S1): 43~49.
    Zhang J Q, Fan J R, Hu K H, et al. 2012. Comparison of landslide distribution and susceptibility before and after the Wenchuan earthquake[J]. Bulletin of Soil and Water Conservation, 32(3): 208~210, 276, 301.
    曾忠平, 付小林, 刘雪梅, 等. 2006. GIS支持下滑坡斜坡类型定量化及制图研究[J]. 地理与地理信息科学, 22(1): 22~25, 30. DOI:10.3969/j.issn.1672-0504.2006.01.005
    樊芷吟, 苟晓峰, 秦明月, 等. 2018. 基于信息量模型与Logistic回归模型耦合的地质灾害易发性评价[J]. 工程地质学报, 26(2): 340~347.
    冯杭建, 周爱国, 唐小明, 等. 2017. 基于确定性系数的降雨型滑坡影响因子敏感性分析[J]. 工程地质学报, 25(2): 436~446.
    韩振华, 陈鑫, 王学良, 等. 2017. 四川罗家青杠岭崩塌风险的定量评价研究[J]. 工程地质学报, 25(2): 520~530.
    胡厚田. 1989. 崩塌与落石[M]. 北京: 中国铁道出版社.
    李权, 曾涛, 覃虎, 等. 2015. 基于多元逻辑回归的兰坪县崩塌滑坡敏感性评价[J]. 测绘与空间地理信息, 38(12): 36~39, 43. DOI:10.3969/j.issn.1672-5867.2015.12.011
    李为乐, 黄润秋, 许强, 等. 2013. "4·20"芦山地震次生地质灾害预测评价[J]. 成都理工大学学报(自然科学版), 40(3): 264~274. DOI:10.3969/j.issn.1671-9727.2013.03.06
    李星星. 2012.公路崩塌风险评价[D].西安: 长安大学.
    刘艺梁, 殷坤龙, 刘斌. 2010. 逻辑回归和人工神经网络模型在滑坡灾害空间预测中的应用[J]. 水文地质工程地质, 37(5): 92~96. DOI:10.3969/j.issn.1000-3665.2010.05.017
    刘应辉, 朱颖彦, 苏凤环, 等. 2009. 基于地层岩性的崩塌滑坡敏感性分析——以5·12震后都汶公路沿线为例[J]. 水土保持研究, 16(3): 125~130.
    陆俊, 胡少伟, 叶少有. 2009. 基于模糊综合评判的滑坡预报模型及其应用[J]. 水土保持研究, 16(5): 241~244.
    秦喜文, 张树清, 李晓峰, 等. 2009. 基于证据权重法的丹顶鹤栖息地适宜性评价[J]. 生态学报, 29(3): 1047~1082.
    任凯珍, 于淼, 王晟宇, 等. 2017. 北京地区崩塌灾害成灾因子敏感性分析[J]. 人民长江, 48(7): 60~64, 91.
    沈均, 何思明, 吴永. 2008. 滚石灾害研究现状及发展趋势[J]. 灾害学, 23(4): 122~135, 138. DOI:10.3969/j.issn.1000-811X.2008.04.025
    张建强, 崔鹏, 向灵芝, 等. 2010. 基于子流域的地震诱发崩塌敏感性评价[J]. 四川大学学报(工程科学版), 42(S1): 43~49.
    张建强, 范建容, 胡凯衡. 2012. 汶川地震前后崩塌和滑坡分布特征与敏感性对比分析[J]. 水土保持通报, 32(3): 208~210, 276, 301.