３Ｏ卷第２期２３０～２３８页 ２０１２年３月 山地学报 ＪＯＵＲＮＡＬ ＯＦ ＭＯＵＮＴＡＩＮ ＳＣＩＥＮＣＥ Ｖｏ１．３０，Ｎｏ．２ ｐｐ２３０～２３８ Ｍａｒ．，２０１２ 文章编号：１００８—２７８６一（２０１２）２—２３０—０９ 基于ＧＩＳ的北川县地震次生滑坡灾害空间预测 方丹，胡卓玮，王志恒 （１．首都师范大学资源环境与旅游学院，北京１０００４８；２．资源环境与ＧＩＳ北京市重点实验室，北京１０００４８； ３．灾害评估与风险防范民政部重点实验室，北京１０００４８） 摘要：自然灾害的预测预报被认为是主动减灾防灾研究中较为经济有效的方式，其中，滑坡空间预测是滑坡灾 害研究的基础工作。以汶川地震重灾区北川县为研究区，选取坡度、高程、岩石类型、地震烈度、水系、道路等６个 重要滑坡影响因素作为评价因子，全面分析了地震滑坡分布与各影响因子之间的统计相关性，分别采用多元回归 模型与神经网络模型计算滑坡灾害敏感性指数，并进行分级和制图。结果表明，极高和高敏感区主要分布在曲山、 陈家坝等乡镇，主要沿着龙门山断裂带周边地区的河流和道路呈带状分布。其中，回归模型的预测精度为７３．７％， 神经网络模型的预测精度为８１．２８％，在本区域内，神经网络模型在滑坡灾害空间预测方面更具优势。 关键词：￣ｌＬＪｉＩ；地震；滑坡；ＧＩＳ；空间预测 中图分类号：Ｐ６４２．２２ 文献标识码：Ａ 滑坡是地震次生山地灾害中最为常见的一种， 因其巨大的致灾力而引起了人们的广泛关注，尤其 是在山岳地区，有时其危害比地震直接造成的还要 大＿１ Ｊ。汶川地震发生在地质环境脆弱的龙门山地 析，即回答“什么地方易于发生滑坡”的问题。预测 的理论基础是，在相似的自然环境条件下，已发生滑 坡的条件更易于发生滑坡。滑坡灾害空间预测已应 用于国内外多次地震滑坡减灾研究中 ，包括定性 描述和定量分析两种方法。其中，定量法可以归纳 为两种，一种是基于过程或物理的机理模型分析方 区，具有震级高、持续时间长、地面振动响应强烈等 特点，直接引发了大量滑坡、崩塌、泥石流、堰塞湖等 次生山地灾害的发生 Ｊ。不仅如此，地震对次生山 地灾害的影响还具有一定的滞后性，未来还会对灾 区人民构成威胁。汶ＪｌＩ地震发生时，众多学者在第 一法，适用于单体滑坡；另一种是基于统计数理模型的 分析方法，不需要收集详细的边坡物理力学特性数 据，而是通过滑坡滑动历史上造成失稳的因素特征 来预测未来滑坡的趋势，适合大区域的滑坡 Ｉ６ 。 时间进行了次生山地灾害应急调查，发现灾区地 质灾害数目之大、范围之广、规模之大都较罕见，部 分学者 认为北川次生山地灾害比汶ＪｌＩ更为严重， ＧＩＳ技术以其在空间数据处理和建模上的优 势，成为灾害研究领域的主要支撑技术之一。近年 来，众多研究者尝试在ＧＩＳ技术支撑下结合各种数 对ｄｔＪｌｌ地震次生滑坡灾害进行研究，对灾后重建、灾 区规划和经济发展具有非常重要的意义。 滑坡预测评价一直是滑坡研究中的热点及难 理统计模型进行滑坡灾害研究，其中，大多以降雨型 滑坡为研究实例。地震滑坡更具复杂性、不确定性， 点，一般将其分为时间和空间两个方面的预测。空 间预测即是在暂不考虑时间因素的情况下，对某一 区域现存或潜在的滑坡空间分布概率进行预测分 需要寻求一种科学、合理的地震滑坡敏感性评估和 空间预测方法 。针对地震诱发的次生山地灾害， 近年来已有不少研究成果，一些学者通过专家打 收稿日期（Ｒｅｃｅｉｖｅｄ ｄａｔｅ）：２０１１—１０—３１；改回日期（Ａｃｃｅｐｔｅｄ）：２０１１一ｌ２—２８。 基金项目（Ｆｏｕｎｄａｔｉｏｎ ｉｔｅｍ）：国家科技支撑课题《综合信息协同分析与天地一体化数据集成示范》（２００８ＢＡＫ４９ＢＯ７—２）。［Ｓｕｐｐｏｓｅｄ ｂｙ Ｎａｔｉｏｎａｌ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ Ｐｉｌｌａｒ Ｐｒｏｇｒａｍ（２００８ＢＡＫ４９Ｂ０７—２）．］ 作者简介（Ｂｉｏｇｒａｐｈｙ）：方丹（１９８６一），女，侗族，贵州铜仁人，硕士研究生，主要从事遥感与ＧＩＳ在灾害方面的应用。［Ｆａｎｇ Ｄａｎ（１９８６一）， ｂｏｍ ｉｎ Ｔｏｎｇｒｅｎ，Ｇｕｉｚｈｏｕ，Ｄｏｎｇ，ｐｏｓｔｇｒａｄｕａｔｅ，ｕｎｄｅｒｔａｋｉｎｇ ｒｅｓｅａｒｃｈ ｏｎ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ＧＩＳ ａｎｄ ＲＳ ｉｎ ｄｉｓａｓｔｅｒ ｓｃｉｅｎｃｅ．］Ｅ—ｍａｉｌ：ｆａｎｇｄａｎ一 ２０ｌ】＠ｈｏｔｍａｉｌ．ｃｏｍ 第２期 方丹。等：基于ＧＩＳ的北川县地震次生滑坡灾害空间预测 ２３１ 分＿８］、野外调查和专家先验知识 来确定影响因素 对滑坡的影响程度，并采用权重分析的方法进行滑 坡预测区划；一些学者运用模糊综合评价法 、信 息量模型 、确定性系数法 等半定量或定量模型 进行区域滑坡空间预测。回归统计分析模型以其操 作简单、易于理解而受到人们的青睐，而神经网络、 支持向量机等模式识别技术以其非线性能力、自适 应性能力等优势也逐渐被人们用于灾害研究，但这 类研究实例相对较少，用于地震滑坡的研究尚不多 见。滑坡是一个复杂的物理过程，是受多种因素共 同作用的非线形系统，可以认为，在滑坡预报中，非 线性的方法将比确定性的模型或一般线形统计方法 更为恰当＿ｌ 。多层感知器模型是具有较高非线性 映射能力特点的方法，满足滑坡系统复杂性的特点， 适合于区域滑坡空间预测的研究。本文选取汶川地 震次生滑坡灾害较为严重的北川县作为研究区域， 在ＧＩＳ技术支撑下，提取滑坡影响因子并分析其与 滑坡分布的相关关系，分别运用确定性系数（ＣＦ）多 元回归模型和多层感知器神经网络模型进行次生滑 坡灾害空间预测，并对结果进行分析和对比，探索适 合研究区滑坡空间预测的优势方法，为类似条件的 震后滑坡灾害研究提供参考，为灾区的重建规划提 供决策支持 １研究区和数据 １．１研究区概况 ＪｋＪｌＩ县地处于四川Ｉ省的西北部，大致范围为 １０３。４４ ～１０４。４４ Ｅ，３１。４１ ～３２。１４ Ｎ间。该区位 于四ＪｉＩ盆地向青藏高原过渡地带的龙门山区，在构 造上属于龙门山前山与后山交界地带。研究区内全 境皆山，沟壑纵横，山势高峻，且地质环境复杂，汶川 地震的发震断层映秀一ＪＬＪｉＩ断层穿过研究区东南 部。断裂带沿线有志留系千枚岩、砂岩，石炭系碳酸 盐岩，第四系松散堆积层等广泛出露于河流两侧及 沟谷地带，岩石风化强烈，为山地灾害的发生提供了 物质来源。不仅如此，该区属于著名的鹿头山暴雨 区，雨量充沛。研究区地理位置、地形地貌条件、地 质背景都使得山地灾害在该区内极为频繁。 １．２数据 本文研究中所用数据源包括：北川县境内的崩 塌滑坡点，来源于中国地质调查局出版的《汶ＪｉＩ地 震灾区航天遥感应急调查》滑坡地质灾害点编录数 据，共６６４个（图１）；１：２０万区域地质图；１：２５万 河流、水系、道路、居民点基础地理数据，详细到乡镇 级；３０ １Ｔ１分辨率ＳＲＴＭ—ＤＥＭ数据；汶川地震烈度 分布图，来源于图册资料；以及灾区部分区域的地震 时期无人机航片、ＳＰＯＴ、福卫二号遥感数据及灾区 相关图册资料，用于研究中的辅助分析。 图１ 研究区范围与地震滑坡分布图 Ｆｉｇ．１ Ｒａｎｇｅ ｏｆ ｓｔｕｄｙ ａｒｅａ ａｎｄ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｅａｒｔｈｑｕａｋｅ—ｉｎｄｕｃｅｄ ｌａｎｄｓｌｉｄｅｓ ２研究方法 ２．１研究技术流程 首先，根据一定的先验知识分析滑坡发育的影 响因素，在考虑收集资料情况的基础上选取预测分 析指标，并利用ＧＩＳ平台工具将数据处理成统一坐 标、格式、像元大小的栅格数据；然后基于ＧＩＳ空间 分析技术依据一定的采样规则构造样本集；建立多 元回归预测模型及神经网络预测模型，计算每个栅 格单元敏感性指数并对其进行等级划分，制作次生 滑坡预测图。最后，通过对两种模结果型进行精度 检验，对滑坡空间预测情况进行分析。 ２．２样本集选择 在运用回归模型进行空问预测时，需要的样本 包括滑坡发生样本和非滑坡样本两类。在选择非滑 坡样本时，需要依据一定的规则，使样本间不具有太 高的相关性，并能在一定程度上反映未发生滑坡区 域的环境特点。本文选取与滑坡已发生点数目大致 相同的非滑坡点数据，确定的采集规则如下：以滑坡 已发生点周围一定范围内的数据为约束范围，在这 个范围外的区域生成随机点，考虑到本文选取的格 ２３２ 山地学报 ３０卷 网单元大小为３０ ｍ，便以３０ ｉｎ作为约束半径，在每 个滑坡已发生点３０ ＩＴＩ以外的区域随机生成７００个 滑坡未发生样本。这样，这１ ３６４个点便构成了样 本集数据。 ２．３滑坡影响因子提取 滑坡是具有复杂性、多因素性、不确定性的非线 性系统。地震滑坡主要由两个因素所控制：一是边 坡所受地震的影响程度，如地震烈度、震源深度等； 二是适宜的滑坡孕灾环境，如地形、地层岩性、人类 活动等。本文选取以下几个参数作为滑坡空间预测 的指标因子，并分析其与滑坡分布的关系。 ２．３．１地形因子 地形因子已被学者公认为对滑坡发育最为重要 的因子，是滑坡研究中最常用的因子。有的专家学 者甚至用地形判别法对滑坡危险性进行分析 Ｊ。 滑坡的发生一般需要两个条件：一是物质来源；二是 适合的滑动面。而其中的滑动面便是受地形条件控 制的。 １．坡度 已有研究表明，斜坡坡面是滑坡能否发生的必 要条件。而其中，斜坡体的坡度是决定滑坡体下滑 动力的主要控制因素，它不仅影响了坡体内部沿已 有的或潜在的滑动面的剩余下滑力的大小，还影响 了斜坡变形破坏的形式和机制。不仅如此，已有的 地震观测记录表明，地震动幅值和频谱也会随着地 形高度、坡形以及坡体的不同部位而变化。 基于３０ Ｉｎ ＤＥＭ提取研究区坡度信息，以１０。为 间隔，统计坡度分布状况，并对坡度与滑坡分布叠加 统计。如图２所示，研究区坡度在０。～８３．５０。间，主 要分布范围在３０。～４０。的区域，占到整总面积的 ６２％左右。统计发现，大部分滑坡都分布在３０。～ ５０。问，该区间滑坡数目占约７０．７％；＜２０。的区域 内滑坡个数有１４３个，占总数的２０％左右；分布最 少的是５０。以上的区域。 ２．高程 高程与滑坡的变形失稳之间似乎无直接的关 系，但却对滑坡分布产生了问接影响。其影响在前 人的论述中主要有以下几个方面：第一，高程影响了 地下潜水层的分布；第二，不同的高程范围一般具有 不同的植被类型和植被覆盖率；第三，高程对人类活 动范围有一定的控制作用，人类多在海拔较低区域 活动，如开垦耕地等；第四，随着高程的变化，地震波 的振幅会不同，能量便会不同 。研究区最大高 ２００ １６０ 、１２Ｏ 删 爨ｅ艇４ｏ。 ０ ＿ ．＿ｌ一 ＜１０。 ２Ｏ。 ３Ｏ。 ４Ｏ。 ５Ｏ。 ６０。 ＞６０。 坡度 图２坡度分级图、坡度与滑坡数量相关性统计图 Ｆｉｇ．２ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｏｆ ｓｌｏｐｅ，ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｓｌｏｐｅ ａｎｄ ｌａｎｄｓｌｉｄｅｓ ｆｒｅｑｕｅｎｃｙ 程为４ ７０３ ｍ，最小高程为５０８ ｍ，以１ ０００ ｍ为距 离，将高程划分为５个等级。如图３所示，研究区高 程值主要分布在１ ０００～２ ０００ ｍ范围内，占 ６０．７％，地震滑坡也主要分布在这个范围内，占 ５６．９％，而研究区高层＜１ ０００ Ｉｌｌ的区域只占 １１．５％，但是却有占总数３８．５％的滑坡落人这个区 域，这说明，滑坡大多数还是是分布在海拔相对降低 的地方。 ２．３．２岩石类型 地层岩性已被证实对滑坡具有明显的控制作 用。岩性及其结构特征是决定斜坡岩土体强度、应 力分布、变形破坏特征的基本条件，并决定了岩土体 的抗风化能力和力学强度。在地震的作用下，不同 地质年代及地层的岩石类型会对斜坡的稳定程度有 不同的反应。研究区地层从古生代到新生代均有发 育，按照主要岩石类型进行归并，如图４所示，大致 包括１０类：千枚岩、泥岩、白云岩、石灰岩、隧石灰 岩、页岩、板岩、粉砂岩、石英砂岩、玄武岩。其中，千 枚岩占了整个研究区的７０．７％的面积，而落人这个 区域的滑坡数量也占了６４％左右。 ２．３．３水系因子 山地学报 ３０卷 ２００ １５０ 衄１ ００ 蒸 ｓ。 ０ ｝＜２００ － １４ＯＯ ・６０Ｏ ．－８００ ．＿１０００ ．＿１２００ ．＞１２００ １ ．距道路距离，ｍ 如 ∞ 如 ∞ ∞ ∞ 鲫 ０ ．，．． ．．．． ．．．． ．．．．． ．， 图６距道路距离分级图、道路与滑坡数量相关性统计图 Ｆｉｇ．６ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｐｒｏｘｉｍｉｔｙ ｔｏ ｒｉｖｅｒ ｓｙｓｔｅｍ，Ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｐｒｏｘｉｍｉｔｙ ｔｏ ｒｉｖｅｒ ｓｙｓｔｅｍ ａｎｄ ｌａｎｄｓｌｉｄｅｓ￣ｅｑｕｅｎｃｙ ■ ２．３．５地震烈度 地震烈度表示地表及工程建筑物受地震影响和 破坏的程度，是宏观反映某地区受地震影响大小的 Ｉ 最常，｝＿Ｈ指标。区域的烈度与该区所受地震的释放能 量、震源深度、距离震中的远近有关，是最适宜的地 震参数指标。根据震后编绘的《汶川地震灾区地震 Ｉ烈度分布图》（中国地震局，２００８），对不同地震烈度 下的滑坡进行统计发现，随着烈度的增高，滑坡数量 明显增多（罔７）。 ●Ｉ３ 滑坡灾害预测分析及结果验证 ３．１ 基于ＣＦ多元回归模型的滑坡空间预测 以ＣＦ值作为回归分析的自变量，可以在一定 程度上解决回归分析巾不同类型数据自变量量化的 问题 。ＣＦ是确定性系数的简称，是一种用于分 析事件发生的确定程度的概率函数。具体公式为 ＰＰ——ＰＰ ｃＦ：』ｌ【 ＰＰ。一ＰＰ ＰＰ（１） ＜ＰＰ ， “图例 ｆ ｌⅧ ｛ ｌⅨ ｘ … ■■＇■Ｆ 一Ｌ ＜＿ 、 衄Ｉ 赧 艇 Ⅷ Ⅸ Ｘ Ⅺ 地震烈度等级 一 图７地震烈度图、地震烈度与滑坡数量相关性统计图 ｎｇ．７ Ｓｅｉｓｍｉｃ ｉｎｔｅｎｓｉｔｙ ｍａｐ，Ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ Ｓｅｉｓｍｉｅ ｉｎｔｅｎｓｉｔｙ ａｎｄ ｌａｎｄｓｌｉｄｅｓ￣ｅｑｕｅｎｃｙ 一 在本文中，ＰＰ 表示地震滑坡事件发生在数据 类ｎ中条件概率，具体为每个数据层的各个分类结 果中滑坡发生像元数与单元像元数目的比值，ＰＰ 为研究区地震滑坡事件发生的先验概率，为研究区 滑坡发生像元数与总像元数的比值。计算后的ＣＦ 值在［一１，１］之间，正值表示滑坡失稳的确定性越 大，越容易发生滑坡，反之，负值表示越不容易发生 滑坡， ＣＦ值在一定程度上可以反应某影响因素对于 滑坡失稳的贡献程度，因此，可以将ＣＦ值作为多冗 回归的自变量参与运算。通用的多元同归模型的形 式如下 ｎ Ｙ＝Ｂ【】＋∑Ｂ Ｘ。 （２） 式中ｙ表示因变量，本文中表示某单元滑坡发生 事件的概率， 表示自变量，本文巾表示为影响滑 坡发生的因子的ＣＦ值，Ｂ 为其对应的回归系数，日。 为常数。 将提取的因子数据如前一章所述分级，利用叠 加分析的方法，获取每类数据不同级别的对应滑坡 比例，求取条件概率，根据公式计算每类数据的ｃ 值。将每个样本点对应的各类ＣＦ值提取出来，整 第２期 方丹，等：基于ＧＩＳ的北川县地震次生滑坡灾害空间预测 ２３５ 理成文本文件，导人到统计分析软件中进行多元回 归分析，得到各个影响因子的回归系数值，按照公式 （２）可计算各个单元的滑坡发生概率，获得研究区 地震次生滑坡敏感性指数。 表１ 多元回归系数 Ｔａｂｌｅ １ Ｌｉｓｔ ｏｆ ｒｅｇｒｅｓｓｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ 常数项距道路距离高程坡度地震烈度距水系距离岩石类型 根据计算结果，最后得到的敏感指数范围为 一０．１７２～１．０８６。自然断点法（Ｎａｔｕｒｅ Ｂｒｅａｋ）是统 计学中常用的分级方法，它按照数值分布状况将相 似状态的值分为一组，使组内的差异程度最小，而组 间的差异程度最大，适合于地质灾害这类群聚性的 事件。本文使用自然断点法对滑坡发生概率进行分 级，分成极高度、高度、中度、轻度４个等级，其结果 如图８所示。 ３．２基于多层感知器神经网络模型的敏感性分析 人工神经网络是２０世纪兴起的对人脑或自然 神经网络进行抽象和模拟的一种非线形动力学系 统，广泛应用于计算机、智能控制等领域。它具有自 适应性、非线性、学习功能及容错性强等特点，适合 于处理类似地质灾害系统这样的复杂的、不确定的、 非线性的问题¨ 。 为解决非线形可分数据分解的问题，学者 Ｒｕｍｅｌｈａｒｔ在单层感知器模式分类神经网络模型的 基础上又提出了多层感知模型（Ｍｕｌｔｉｐｌｅ ｌａｙｅｒ Ｐｅｒ— ｃｅｐｔｒｏｎ，ＭＬＰ）¨ 。该模型是目前应用最为广泛、研 究最为基本的神经网络模型之一。它的基本结构由 三部分构成：感受层（Ｓ）、联想层（Ａ）、响应层（Ｒ）， 感受层为网络结构的输入层，联想层为隐含层，而响 应层则为输出层。Ｓ层单元与Ａ层单元通过联结关 系构成处理对象的联想矩阵，Ａ层单元与Ｒ层单元 构成的决策矩阵，通过训练，使网络形成有序的，具 有决策能力的稳定结构¨引。 ＢＰ算法在ＭＬＰ模型应用最为广泛。它通过不 断的学习来修改权值，以使网络的实际输出与目标 矢量之间的误差达到最小。网络结构的每个层包括 多个结点，每个结点即是一个神经元，同层结点间无 任何联结，传递函数通常取可微调的单调递增函数， 如ｓｉｇｍｏｉｄ函数。各节点问通过连接权连接，输入、 输出问的关系通过节点间的连接权表示¨ 。其学 习训练规则采用的是误差反向传播算法来调节权重 值。 在本文中，可以将该模型看作一个分类器，输入 值为滑坡发生的影响因子，输出结果为概率值，代表 某单元发生滑坡的概率大小。具体步骤如下：首先， 确定输入层神经元结点数，在滑坡灾害运用中为已 确定的用于滑坡空间预测的坡度、高程等因子，因 此，本文的输入层共有６个神经元；然后，确定输出 层，以滑坡不稳定状态为输出层，输出值为概率值， 越靠近１表示该单元发生滑坡的几率越大。再次， 设置训练系数，如表２所示。这样，变构建了一个具 有６个输入层、一个隐含层，一个输出层的神经网络 模型。 图８滑坡预测图（ＣＦ多元回归模型） Ｆｉｇ一８ Ｌａｎｄｓｌｉｄｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｍａｐ（ＣＦ ｍｕｌｔｉｐｌｅ ｅｒｇｒｅｓｓｉｏｎ ｍｏｄｅ１） 表２多层感知器神经网络训练相关系数 Ｔａｂｌｅ ２ Ｌｉｓｔ ｏｆ ＭＬＰ ｔｒａｉｎ ＣＯｅ伍ｃｉｅｎｔｓ 参数值 ３ １ ０００ ０．５ ０．０ ＯＯ６０．０００ ４４３ ０．０００ ４４４ ８１．１４％ 同样，根据自然断点法进行分级，分成极高度、 高度、中度、轻度４个等级，其结果如图９所示。 ３．３结果分析与验证 两种模型的结果均能在一定程度上预测未来滑 坡的空间分布。对比来看，滑坡敏感性高低分布位 置相对一致，东部地区的敏感程度明显高于西部地 区，极高敏感区域主要在东南部的断裂带两岸的河 流和道路呈条带状和片状分布，中度和高度敏感区 ２３６ 山地学报 ３０卷 敏感性等级 １ ｌ轻度 ｛ ｌ中度 瞳高度 ＿极高度 ： ： 图９ 滑坡预测图（多层感知器神经网络模型） Ｆｉｇ．９ Ｌａｎｄｓｌｉｄｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｍａｐ（ＭＬＰ ｍｏｄｅ１） 主要分布在中部地区，低敏感区域主要分布在西部 山区。 将地震滑坡分布数据和评价结果进行比较可以 进一步定量分析两种模型预测的有效性。从表３和 表４可以看出，两种模型计算结果中的高敏感和极 高敏感区域都集中了研究区大部分滑坡灾害点，其 中，ＣＦ多元回归模型在占１３．１４％的面积集中了约 ５７％的滑坡，密度最高达到０．８９／ｉ＂／ｋｍ ，；ＭＬＰ模 型在占１３．２％的面积集中了约５９％的滑坡，密度最 高达到１．０３个／ｋｍ ，两者均能以小面积范围概括 半数以上滑坡，具有较高的评价精度。本文再引入 Ｓｒｉｄｅｖｉ Ｊａｄｉ提出的精度估算方法，进一步对预测精 度进行定量化分析，其评估结果的精度Ｐ用经验的 概率形式表示 ｌ¨ Ｐ＝等（・一 ）了 （３） 式中Ｐ表示预测精度，ｓ表示滑坡单元总数，ＫＳ表 示预测等级为中、高和极高的单元中存在滑坡的单 元数， 表示预测等级中为中等、高和极高的单元 数，Ⅳ为栅格单元总数。 表３预测结果与实际发生滑坡对比（ＣＦ多元回归模型） Ｔａｂｌｅ Ｉ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ａｎｄ ｋｎｏｗｎ ｌａｎｄｓｌｉｄｅ（ＣＦ ｍｕｌｔｉｐｌｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅ１） 本文将评估的４类等级归并为两类，将高度敏 感区域和极高敏感区域作为Ｋ。在ＣＦ多元回归模 型中，Ｋ值为１ ３６５ ７２９，ＫＳ为５９０；在多层感知神经 网络模型中，Ｋ值为１ ０２３ ６４８，ＫＳ为６１４，Ｎ为 ３ １８９ ４８０，Ｓ为６６４。根据式（３），可以算出ＣＦ多元 回归模型和ＭＬＰ模型的预测精度分别为７３．７％和 ８１．２８％。由此可见，多层感知器神经网络模型的预 测精度超过８０％，相对ＣＦ多元回归模型要高。 表４评估结果与实际发生滑坡 对比（多层感知器神经网络模型） Ｔａｂｌｅ １ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｒｅｓｕｌｔｓ ａｎｄ ｋｎｏｗｎ ｌａｎｄｓｌｉｄｅ（ＭＬＰ ｍｏｄｅ１） ４结论和讨论 １．本文采取两种方法对北川Ｉ重震区进行滑坡空 间预测研究，是以在相似自然背景条件下已发生滑 坡的条件更易于发生滑坡这一理论为基础，是震后 灾区地质灾害防治、地质灾害预测预报的基础工作。 ２．通过统计分析相关研究区滑坡控制参数与滑 坡分布的关系，可以得知：３０。～５０。的坡度为地震滑 坡易发坡度；１ ０００～２ ０００ ｉｎ范围内的高程为地震 滑坡易发高程；千枚岩、粉砂岩等岩石类型为地震滑 坡易发岩类；水系４００ ｍ范围内、道路６００ Ｉｎ范围内 均为地震滑坡易发段。 ３．为解决异质数据的合并问题，将滑坡影响因 子的ＣＦ值作为多元回归的自变量，构建空间预测 的模型，其预测精度为７３．７％。人工神经网络是最 常用的非线形模型之一，构建多层感知器神经网络 模型，其预测精度约为８１．２８％。滑坡系统作为一 个非线形系统，非线形的神经网络方法在本文的实 验中更适合本区域的灾害空间预测，从结果图可以 看出，回归模型的结果线形效果较明显。 ４．两种模型预测的高敏感区域分布位置大致相 同，北川境内地震滑坡高敏感度区域主要分布在东 部曲山、陈家坝羌族自治乡、擂鼓、通口、禹里等乡 镇，而西部山区滑坡敏感程度却相对较低。但是，敏 第２期 方丹，等：基于ＧＩＳ的北川县地震次生滑坡灾害空间预测 ２３７ 感程度较低的地方并不能说明灾害不易发生，这与 地质灾害编录数据有关，本文的结果只能说明在所 获取的数据条件下的预测的概率。 ５．两种模型预测结果除高敏感区域外，其余差 异较大。多元回归模型是线形回归模型，其结果值 相对更趋于线形分布，由于分级采用的是自然断点 法，中、低、高数值分布差异并未太大，分布较为均 衡；而多层感知器模型是基于ＢＰ算法的一种非线 性模型，自适应性功能较强，在训练的过程中，会不 断调节参数以达到最佳的效果，其结果对于高敏感 程度的判别效率更高，而判别为低敏感的部分也相 对较高一些。 ６．地震滑坡形成的松散堆积物，震后可能会不 断成为泥石流、堰塞湖的物质来源。尤其在极高敏 感区内，在地震时期未形成滑坡，在日后可能形成新 的滑坡，在重建规划中应尽量避开地质灾害极高和 高敏感区域。 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］Ｌｉ Ｚｈｏｎｇｓｈｅｎｇ，Ｔｈｅ ｓｔａｔｅ ０ｆ ｔｈｅ ａｒｔ ｎｆ ｔｈｅ ｒｅｓｅ￣ｅｈ ｏｎ ｓｅｉｓｍｉｃ ｌａｎｄ— ｓｌｉｄｅ ｈａｚａｒｄ ａｔ ｈｏｍｅ ａｎｄ ａｂｒｏａｄ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃａｔａｓｔｒｏｐｈｏｌｏｇｙ， ２００３，１８（４）：６４—７Ｏ［李忠生．国内外地震滑坡灾害研究综述 ［Ｊ］．灾害学，２００３，１８（４）：６４—７Ｏ］ 【２］Ｈｕａｎｇ Ｒｕｎｑｉｕ．Ｍｅｃｈａｎｉｓｍ ａｎｄ ｇｅｏｍｅｃｈａｎｉｃａｌ ｍｏｄｅｓ ｏｆ ｌａｎｄｓｌｉｄｅ ｈａｚａｒｄｓ ｔｒｉｇｇｅｒｅｄ ｂｙ Ｗｅｎｃｈｕａｎ ８．０ Ｅａｒｔｈｑｕａｋｅ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒ－ ｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０００，２８（６）：１２３９—１２４９ ［黄润秋．汶川８．０级地震触发崩滑灾害机制及其地质力学模 ［Ｊ］．岩石力学与工程学报，２００９，２８（６）：１２３９—１２４９］ ［３］Ｇｕｏ Ｚｈａｃｏｈｅｎｇ，Ｚｈｏｕ Ｃｈｅｎｇｈｕ，Ｓｕｎ Ｘｉａｏｙｕ，ｅｔ ａ１．Ｔｈｅ ｄｉｓｔｉｒｂｕｔｉｏｎ ｏｆ ｌｎａｄｓｌｉｄｅ ｔｒｉｇｇｅｒｅｄ ｂｙ Ｗｅｎｃｈｕａｎ ｅａｒｔｈｑｕａｋｅ ａｎｄ ｉｔｓ ｃａｕｓａｔｉｖｅ ｆａｃ・ ｔｏｔｓ［Ｊ］．Ｅａｒｔｈ Ｓｃｉｅｎｃｅ Ｆｒｏｎｔｉｅｒｓ，２０１０，１７（５）：２３４—２４２［郭兆 成，周成虎，孙晓宇，等．汶川地震触发崩滑地质灾害空间分布 及影响因素［Ｊ］．地学前缘，２０１０，１７（５）：２３４—２４２］ ［４］Ｘｕ Ｃｈｏｎｇ，Ｄａｉ Ｆｕｃｈｕ，Ｙａｏ Ｘｉｎ，ｅｔ ａ１．ＧＩＳ ｂａｓｅｄ ｌａｎｄｓｌｉｄｅ ｓｕｓｃｅｐｔｉ－ ｂｉｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｕｓｉｎｇ ａｎａｌｙｔｉｃａｌ ｈｉｅｒａｒｃｈｙ ｐｒｏｃｅｓｓ ｉｎ Ｗｅｎｅｈｕａｎ ｅａｒｔｈｑｕａｋｅ ｒｅｇｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉ・ ｎｅｅｒｉｎｇ，２００９，２８（２）：３９７８—３９８５［许冲，戴福初，姚鑫，等．ＧＩＳ 支持下基于层次分析法的汶川地震区滑坡易发性评价［Ｊ］．岩 石力学与工程学报，２００９，２８（２）：３９７８—３９８５］ ［５］Ｈｕ Ｄｅｙｏｎｇ，Ｌｉ Ｊｉｎｇ，Ｃｈｅｎ Ｙｕｎｈａｏ，ｅｔ １ａ．ＧＩＳ ｂａｓｅｄ ｌａｎｄｓｌｉｄｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｓ［Ｊ］．Ｊｏｕｍａｌ ０ｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００７，１１（６）： ８５２—８５９［胡德勇，李京，陈云浩，等．ＧＩＳ支持下滑坡灾害空间 预测方法研究［Ｊ］．遥感学报，２００７。１１（６）：８５２—８５９］ ［６］Ｐｅｎｇ Ｌｉｎｇ，Ｎｉｕ Ｒｕｉｑｉｎｇ，Ｃｈｅｎｇ Ｌｉｘｉａ．Ｌａｎｄｓｌｉｄｅ ｈａｚａｒｄ ｓｐａｔｉｌａ ｐｒｅ— ｄｉｃｔｉｏｎ ｉｎ Ｚｉｇｕｉ ｃｏｕｎｔｙ ｏｆ ｔｈｅ Ｔｈｒｅｅ Ｇｏｒｇｅｓ Ｒｅｓｅｒｖｏｉｒ ａｒｅａ ｂａｓｅｄ ｏｎ ＧＩＳ［Ｊ］．Ｇｅｏｇｒａｐｈｉｃａｌ Ｒｅｓｅａｒｃｈ，２０１０，２９（１０）：１８８９—１８９８［彭 令，牛瑞卿，陈丽霞．ＧＩＳ支持下三峡库区秭归县滑坡灾害空间 预测［Ｊ］．地理研究，２０１０，２９（１０）：１８８９—１８９８］ ［７］Ｗａｎｇ Ｈｕａｉｂｉｎｇ，Ｋｙ＠．Ｓａｓｓａ．Ｐｒｏｂａｂｉｌｉｓｔｉｅ ｍｏｄｅｌｉｎｇ ｏｆ ｓｅｉｓｍｉｃａｌｌｙ ｔｉｒｇｇｅｒｅｄ ｌａｎｄｓｌｉｄｅｓ ｕｓｉｎｇ Ｍｏｎｔｅ Ｃａｄｏ ｓｉｍｕｌａｔｉｏｎｓ［Ｊ］．Ｒｏｃｋ ａｎｄ Ｓｏｉｌ Ｍｅｃｈａｎｉｃｓ，２００７，２８（１２）：２５６５—２５６９［汪华斌，Ｓａｓｓａ Ｋｙｏ－ ｊｉ．蒙特卡罗模拟在区域地震滑坡灾害评价中应用［Ｊ］．岩土力 学，２００７，２８（１２）：２５６５—２５６９］ ［８］Ｗａｎｇ Ｙｕｑｉｎｇ，Ｘｉｎ Ｈｏｎｇｂｏ，Ｇａｏ Ｙａｎｐｉｎｇ，ｅｔ ａ１．Ｓｔｕｄｙ ｏｎ ｃｏｍｐｒｅ— ｈｅｎｓｉｖｅ ｉｎｄｅｘ ｍｅｔｈｏｄ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｅａｒｔｈｑｕａｋｅ—ｉｎｄｕｃｅｄ ｌａｎｄｓｌｉｄｅｓ ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｎａｌ ｏｆ Ｇｅｏｔｅｅｈｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２００１，２３（３）： ３ｌｌ一３１４．［王余庆，辛鸿博，高艳平，等．预测岩土边坡地震崩 滑的综合指标法研究［Ｊ］．岩土工程学报，２００１，２３（３）：３１１— ３１４］ ［９］Ｘｉｎ Ｈｏｎｇｂｏ，Ｗａｎｇ Ｙｕｑｉｎｇ．Ｅａｒｔｈｑｕａｋｅ ｉｎｄｕｃｅｄ ｌａｎｄｓｌｉｄｅ ａｎｄ ａｖａ－ ｌａｎｃｈｅ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｎａｌ ｏｆ Ｇｅｏｔｅｅｈｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，１９９９，２１ （５）：５９１—５９４［辛鸿博，王余庆．岩土边坡地震崩滑及其初判 准则［Ｊ］．岩土工程学报，１９９９，２１（５）：５９１—５９４］ ［１０］Ｃｈｅｎ Ｘｉａｏｌｉ，Ｑｉ Ｓｈｅｎｇｗｅｎ，Ｙｅ Ｈｏｎｇ．Ｆｕｚｚｙ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｓｔｕｄｙ ｏｎ ｓｅｉｓｍｉｃ ｌａｎｄｓｌｉｄｅ ｈａｚａｒｄ ｂａｓｅｄ ｏｎ ＧＩＳ『Ｊ］．Ａｃｔａ Ｓｃｉｅｎｔｉａｍｍ Ｎａｔｕｒｌａｉｕｍ Ｕｎｉｖｅｍｉｔａｔｉｓ Ｐｅｋｉｎｅｎｓｉｓ，２００８，４４（３）：４３４—４３８［陈 晓利，祁生文，叶洪．基于ＧＩＳ的地震滑坡危险性的模糊综合 评价研究［Ｊ］．北京大学学报：自然科学版，２００８，４４（３）：４３４ —４３８］ ［１ １］Ｚｈｕａｎｇ Ｊｉｎａｑｉ，Ｃｕｉ Ｐｅｎｇ，ＧＯ Ｙｏｎｇｇａｎｇ．Ｒｉｓｋ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｃｏｌｌａｐ— ｓｅ８ ａｎｄ ｌｎａｄｓｌｉｄｅｓ ｃａｕｓｅｄ ｂｙ ５．１２ Ｗｅｎｃｈｕａｎ ｅａｎｈｑｕａｋｅ——ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ Ｄｕｊｉｎａｇｙａ—Ｗｅｎｅｈｕａｎ ｈｉｇｈｗａｙ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒ－ ｈａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１０，２９（２）：３７３５— ３７４２［庄建琦，崔鹏，葛永刚．５．１２汶川地震崩塌滑坡危险性评 价——以都汶公路沿线为例［Ｊ］．岩石力学与工程学报，２０１０， ２９（２）：３７３５—３７４２］ ［１２］Ｌｉ Ｃｈａｎｇｊｉｎａｇ，Ｍａ Ｓｈｉｈｕａ，Ｚｈｕ ｆｉｎｇｓｈｅｎｇ．Ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｌｎａｄｓｌｉｄｅｓ ｔｒｉｇｅｒｅｄ ｂｙ ｒａｉｎｆｌａｌ：ｔｈｅｏｒｙ，ｍｅｔｈｏｄｓ＆ａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ： Ｇｅｏｌｏｇｉｃａｌ Ｐｒｅｓｓ，２００８［李长江，麻士华，朱兴盛．降雨型滑坡预 报的理论、方法与应用［Ｍ］．北京：地质出版社，２００８］ ［１３］Ｆａｎ Ｘｉａｏｙｉ，Ｑｉａｏ Ｊｉａｎｐｉｎ．Ｔｏｐｏｇｒａｐｈｙ ｄｉｓｃｒｉｍｉｎａｎｅｅ ｏｆ ｔｈｅ ａｓｓｅｓｓ— ｍｅｎｔ ｏｆ ｌｎａｄｓｌｉｄｅ ｈａｚａｒｄ ｄｅｇｒｅｅ［Ｊ］．Ｊｏｕｍａｌ ｏｆ Ｍｏｕｎｔａｉｎ Ｓｃｉｅｎｃｅ， ２００４，２２（６）：７３０—７３４［樊晓一，乔建平．滑坡危险度评价的 地形判别法［Ｊ］．山地学报，２００４，２２（６）：７３０—７３４］ 【１４］Ｘｉｎａｇ Ｌｉｎｇｚｈｉ，Ｃｕｉ Ｐｅｎｇ，Ｚｈａｎｇ￣ｉａｎｑｉａｎｇ．Ｔｒｉｇｅｒｉｎｇ ｆａｃｔｏｒｓ ＳＵＳ－ ｃｅｐｔｉｂｉｌｉｔｙ ｏｆ ｅａｒｔｈｑｕａｋｅ・・ｉｎｄｕｃｅｄ ｃｏｌｌａｐｓｅｓ ａｎｄ ｌｎａｄｓｌｉｄｅｓ ｉｎ Ｗｅｎ－・ ｃｈｕａｎ ｃｏｕｎｔｙ［Ｊ］．Ｊｏｕｍａｌ ｎｆ Ｓｉｅｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ：Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｅｉ— ｅｎｃｅ Ｅｄｉｔｉｏｎ，２０１０，４２（５）：１０５一ｌ１２［向灵芝，崔鹏，张建强．汶 川县地震诱发崩滑灾害影响因素的敏感性分析［Ｊ］．四川大学 学报：工程技术版，２０１０，４２（５）：１０５一ｌｌ２］ ［１５］ＣｈｅｎＸｉａｏｌｉ，ＲａｎＨｏｎｇｌｉｕ，Ｑｉ Ｓｈｅｎｇｗｅｎ．Ｔｒｉｇｅｉｒｎｇｆａｃｔｏｓｒ ｓｕｓｃｅｐ— ｔｉｂｉｌｉｔｙ ｏｆ ｅａｒｔｈｑｕａｋｅ・ｒｉｎｄｕｃｅｄ ｌａｎｄｓｌｉｄｅｓ ｉｎ １９７６ Ｌｏｎｇｌｉｎｇ ｅａｒｔｈ－ ｑｕａｋｅ［Ｊ］．Ａｅｔａ Ｓｃｉｅｎｔｉａｒｕｍ Ｎａｔｕｒｌａｉｕｍ Ｕｎｉｖｅｓｒｉｔａｔｉｓ Ｐｅｋｉｎｅｎｓｉｓ， ２００８，４５（１）：５Ｏ一５６［陈晓利，冉洪流，祁生文．１９７６年龙陵地 震诱发滑坡的影响因子敏感性分析，北京大学学报：自然科学 版，２００８，４５（１）：５０—５６］ ［１６］Ｚｈａｏ Ｔｉｎａ．Ｒｅｓｅａｒｃｈ ｏｎ ｈａｚａｒｄ ａｓｓｅｓｓｍｅｎｔ ｍｅｔｈｏｄ ｏｆ ｌｎａｄｓｌｉｄｅｓ ｂａｓｅｄ ｏｎ ＧＩＳ ｔｅｃｈｎｏｌｏｇｙ ｎａｄ ａｒｔｉｉｆｃｉｌａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｄ］．Ｇｕａｎ— ｓ￣ｈｏｕ：Ｚｈｏｎｇｓｈａｎ Ｕｎｉｖｅｓｒｉｔｙ，２００７［赵甜．基于ＧＩＳ和人工神经 网络的的滑坡危险性评价方法研究［Ｄ］．广州：中山大学， ２３８ ２ｏ０７ ｊ 山地学报 ３Ｏ卷 讨——以天山地区为例［Ｊ］．中国地质灾害与防治学报，２００８， １９（２）：１００—１０４］ ［２０］Ｓｒｉｄｅｖｉ Ｊａｄｉ，Ｓ Ｓａｒｋａｒ，Ｙａｎｇ Ｊｉａｎ．Ｓｔａｔｉｃｓ Ｍｏｄｅｌ ｏｆ ｓｌｏｐｅ ｓｔａｂｉｌｉｔｙ ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｊ］．Ｗｏｒｌｄ Ｇｅｏｌｏｇｙ，１９９７，１６（１）：８３—８８［Ｓｒｉｄｅｖｉ Ｊａｄｉ，Ｓ Ｓａｒｋａｒ，杨健．斜坡不稳定性分类的统计模型［Ｊ］．世界 地质，１９９７，１６（１）：８３—８８］ ［１７］Ｌｕｏ Ｊｉａｎｃｈｅｎｇ，Ｚｈｏｕ Ｃｈｅｎｇｈｕ，Ｙａｎｇ Ｙａｈ．ＡＮＮ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ｉｔｓ ｉＩｎｔｅｇｒａｔｉｏｎ ａｐｐｒｏａｃｈ ｗｉｔｈ ｇｅｏ—ｋｎｏｗｌ— ｅｄｇｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００１，５（２）：１２２—１２９［骆 剑承，周成虎，杨艳．人工神经网络遥感影像分类模型及其与 知识集成方法研究［Ｊ］．遥感学报，２００１，５（２）：１２２—１２９］ ［１ ８］Ｗｕ Ｌｉａｎｘｉ，Ｙａｎ Ｔａｉｌａｉ，Ｚｈａｎｇ Ｗｅｉ．Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｆｏｒ ＲＳ ｆｕｓｅｄ Ｉｍ— ａｇｅ ａｎｄ ＴＭ ｉｍａｇｅ ｕｓｉｎｇ ｍｕｌｔｉ—Ｌａｙｅｒ ｐｅｒｃｅｐｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［２１］Ｔａｏ Ｓｈｕ，Ｈｕ Ｄｅｙｏｎｇ，Ｚｈａｏ Ｗｅｎｊｉ，ｅｔ ａ１．Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｓｅｃｏｎｄａｒｙ ｌａｎｄｓｌｉｄｅｓ ｔｒｉｇｇｅｒｅｄ ｂｙ ｅａｒｔｈｑｕａｋｅｓ［Ｊ］．Ｇｅｏｇｒａｐｈｉｃａｌ ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ Ｓｃｉｅｎｃｅ，２００１，２３（５２）：３３—３６ ｆ吴 连喜，严泰来，张玮．基于多层感知器神经网络对遥感图像和 ＴＭ影像进行土地覆盖分类的研究［Ｊ］．土壤通报，２００１，２３ （５２）：３３—３６］ Ｒｅｓｅａｒｃｈ，２０１０，９（２９）：１５９４—１６０５［陶舒，胡德勇，赵文吉，等． 基于信息量与逻辑回归模型的次生滑坡灾害敏感性评价［Ｊ］． 地理研究，２０１０，９（２９）：１５９４—１６０５］ ［２２］Ｌａｎ Ｈｅｎｇｘｉｎｇ，Ｗｕ Ｆａｑｕａｎ，Ｗａｎｇ Ｓｉｊｉｎｇ．ＧＩＳ ｂａｓｅｄ ｌａｎｄｓｌｉｄｅ ＣＦ ｍｕｌｔｉ—ｖａｒｉａｂｌｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍｏｕｎｔａｉｎ Ｓｃｉｅｎｃｅ，２００２，２０（６）：７３２—７３７［兰恒星，伍法权，王 思敬．基于ＧＩＳ的滑坡ｃＦ多元回归模型及其应用［Ｊ］．山地学 ｌ ｌ９］Ｃｈｅｎｇ Ｙｕｘｉａｎｇ，Ｒｅｎ Ｃｈｕｎｌｉｎ，Ｚｈａｎｇ Ｊｕｎ．Ｇｅｏｌｏｇｉｃ ｈａｚａｒｄ ｒｉｓｋ ａｓ— ｓｅｓｓｍｅｎｔ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ『Ｊ］．Ｔｈｅ Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ ｅｏｌＧｏｇｉｃａｌ Ｈａｚａｒｄ ａｎｄ Ｃｏｎｔｏｌ，ｒ２００８，１９（２）：１００—１０４［成玉详， 任春林，张骏．基于ＢＰ神经网络的地质灾害风险评估方法探 报，２００２，２０（６）：７３２—７３７ ｌ Ｓｐａｔｉａｌ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｅａｒｔｈｑｕａｋｅ—ｉｎｄｕｃｅｄ Ｓｅｃｏｎｄａｒｙ Ｌａｎｄｓｌｉｄｅ Ｄｉｓａｓｔｅｒ ｉｎ Ｂｅｉｃｈｕａｎ Ｃｏｕｎｔｙ Ｂａｓｅｄ ｏｎ ＧＩＳ ＦＡＮＧ Ｄａｎ．ＨＵ Ｚｈｕｏｗｅｉ．ＷＡＮＧ Ｚｈｉｈｅｎｇ （１．Ｃｏｌｌｅｇｅ ｏｆ Ｒｅｓｏｕｒｃｅｓ Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｔｏｕｒ￣ｍ，Ｃａｐｉｔａｌ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０００４８，Ｃｈｉｎａ； ２．Ｋａｙ Ｌａｂ．ｏｆＲｅｓｏｕｒｃｅｓ Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ＧＩＳ，Ｂｅｉｊｉｎｇ１０００４８，Ｃｈｉｎａ； ３．Ｋｅｙ ａｂｏｒＬａｔｏｒｙ ｆＩｎｔｏｅｇｒａｔｅｄ ＤｉｓａｓｔｅｒＡｓｓｅｓｓｍｅｎｔ ｕ Ｒｉｓｋ￣９１２ｅＦＩｇａｌＲＴｅ ｏｆｔｈｅ Ｍｉｎｉｓｔｙ ｏｒｆＣ洳ｎ Ａｆｆａｉｓ．Ｂｅｌｒｉｎｇ １０００４８．Ｃｈｉｔｎａ、 Ａｂｓｔｒａｃｔ：Ｉｎ ｅａｒｔｈｑｕａｋｅ—ｓｔｒｉｃｋｅｎ ａｒｅａ，ｗｉｔｈ ｔｈｅ ｏｃｃｕｒｒｅｎｃｅ ｏｆ ａｆｔｅｒｓｈｏｃｋｓ，ｈｅａｖｙ ｒａｉｎｆａｌｌ，ａｎｄ ｈｕｍａｎ ａｃｔｉｖｉｔｙ，ｔｈｅ ｅａｒｔｈｑｕａｋｅ—ｉｎｄｕｃｅｄ ｓｅｃｏｎｄａｒｙ ｌａｎｄｓｌｉｄｅ ｄｉｓａｓｔｅｒ ｗｉｌｌ ｔｈｒｅａｔｅｎ ｐｅｏｐｌｅ’ｓ ｌｉｆｅ ａｎｄ ｐｒｏｐｅｒｔｙ ｉｎ ａ ｖｅｒｙ ｌｏｎｇ ｐｅｒｉｏｄ．Ｓｏ， ｉｔ ｍａｋｅｓ ｓｅｃｏｎｄａｒｙ ｌａｎｄｓｌｉｄｅ ｂｅｃａｍｅ ａ ｒｅｓｅａｒｃｈ ｈｏｔｓｐｏｔｓ ｔｈａｔ ｄｒａｗ ｍｕｃｈ ａｔｔｅｎｔｉｏｎ．Ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｎａｔｕｒａｌ ｄｉｓａｓ－ ｔｅｒ ｉｓ ｃｏｎｓｉｄｅｒｅｄ ａｓ ａ ｍｏｓｔ ｅｆｆｅｃｔｉｖｅ ｗａｙ ｔｏ ｐｒｅｖｅｎｔｉｏｎ ｏｒ ｍｉｔｉｇａｔｉｏｎ ｄｉｓａｓｔｅｒ，ａｎｄ ｔｈｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｉｓ ｔｈｅ ｂａｓｅ ｗｏｒｋ ｏｆ ｌａｎｄｓｌｉｄｅ ｄｉｓａｓｔｅｒ ｒｅｓｅａｒｃｈ．Ｔｈｅ ａｉｍ ｏｆ ｔｈｉｓ ｓｔｕｄｙ ｉｓ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｌａｎｄｓｌｉｄｅ ｐｒｅｄｉｃｔｉｏｎ，ｔａｋｉｎｇ ｔｈｅ ｃａｓｅ ｏｆ Ｂｅｉｃｈｕａｎ Ｃｏｕｎｔｙ．Ｓｉｘ ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ ｌａｎｄｓｌｉｄｅ ｏｃｃｕｒｒｅｎｃｅ ｈａｖｅ ｂｅｅｎ ｔａｋｅｎ ｉｎｔｏ ａｃｃｏｕｎｔ，ｉｎｃｌｕｄｉｎｇ ｅｌｅｖａｔｉｏｎ， ｓｌｏｐｅ，ｌｉｔｈｏ ｌｏｇｙ，ｓｅｉｓｍｉｃ ｉｎｔｅｎｓｉｔｙ，ｄｉｓｔａｎｃｅ ｔｏ ｒｏａｄｓ ａｎｄ ｒｉｖｅｒｓ．Ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎｓ ｏｆ ｌａｎｄｓｌｉｄｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｗｉｔｈ ｔｈｅｓｅ ｆａｃｔｏｒｓ ｉｓ ｃａｌｃｕｌａｔｅｄ，ｔｈｅ ｍｕｌｔｉｐｌｅ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｒｅ ａｐｐｌｉｅｄ ｔｏ ｌａｎｄｓｌｉｄｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｍａｐｐｉｎｇ．Ｔｈｅ ｍｏｄｅｌ ｃａｌｃｕｌａｔｅｓ ｒｅｓｕｌｔ ｉｓ ｕｌｔｉｍａｔｅｌｙ ｃａｔｅｇｏｒｉｚｅｄ ｉｎｔｏ ｆｏｕｒ ｃｌａｓｓｅｓ．Ｉｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｈｉｇｈ ａｎｄ ｖｅｒｙ ｈｉｇｈ ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ａｒｅａｓ ｍｏｓｔ ｄｉｓｔｉｒｂｕｔｅ ｉｎ Ｑｕｓｈａｎ，Ｃｈｅｎｊｉａｂａ ｔｏｗｎｓ，ｅｔｃ，ａｌｏｎｇ ｔｈｅ ｒｉｖｅｒｓ ａｎｄ ｔｈｅ ｒｏａｄｓ ａｒｏｕｎｄ ｔｈｅ ａｒｅａ ｏｆ Ｌｏｎｇｍｅｎｓｈａｎ ｆａｕｌｔ．Ｔｈｅ ｐｒｅｃｉｓｉｏｎ ａｃｃｕｒａｃｙ ｕｓｉｎｇ ｍｕｌｔｉｐｌｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｉｓ ａｂｏｕｔ ７３．７％．ａｎｄ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ Ｃａｌｌ ｂｅ ｕｐ ｔｏ ８ １．２８％．Ｉｔ Ｃａｌｌ ｂｅ ｃｏｎｃｌｕｄｅｄ ｔｈａｔ ｉｎ ｔｈｉｓ ｓｔｕｄｙ ａｒｅａ，ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｐｐｅａｒｓ ｔｏ ｂｅ ｍｏｒｅ ａｃｃｕｒａｔｅ ｉｎ ｌａｎｄｓｌｉｄｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｌａｎｄｓｌｉｄｅ；Ｂｅｉｃｈｕａｎ；ｅａｒｔｈｑｕａｋｅ；ＧＩＳ；ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ
