Susceptibility Assessment of Collapses and Landslides Based on Cluster and Random Forest Coupled Model
-
摘要:
灾害易发性评估通常是基于灾害空间分布特征进行概率建模,然而灾害本身存在空间异质性. 本文以汶马高速汶川至理县段沿线崩滑灾害为例,为解决灾害的空间异质性问题,利用K-means算法将研究区灾害威胁对象(人员、财产)及危险程度(损毁房屋面积、损毁道路长度)进行空间聚类并赋予研究区不同聚类属性;从水文、地质、地貌条件等方面综合选取坡度、高程、坡向、曲率、地表切割度、河型弯曲系数、距构造带距离、岸坡坡体结构和地层岩性9个因子,将样本划分为70%的训练数据、30%的测试数据,对比K-RF模型与传统RF模型在易发性评估中的性能,以期为高速公路的运营安全及灾害防治提供理论支撑. 结果表明:K-RF模型极高易发区共包含82.95%灾害点,相较于单一RF模型取得了更好的评价结果(AUC值提高5.4%);采用聚类的方法解决灾害空间异质性是可行的,但本文局限性在于未能从灾害本身反映灾害空间异质性,耦合模型结果本质上是易发性和易损性的综合反映.
Abstract:Hazard susceptibility assessment is generally a probabilistic modeling based on the spatial distribution characteristics of hazards, but the hazards have spatial heterogeneity. In order to solve the spatial heterogeneity of hazards, the collapses and landslides along the Wenchuan−Lixian section in the Wenchuan−Maerkang Expressway were studied. By using the K-means algorithm, the hazard-threaten objects (people and property) and risk degree (damaged house area and damaged road length) in the study area were spatially clustered, and different clustering attributes were assigned to the study area. Then, nine factors including slope angle, elevation, slope aspect, curvature, surface cutting degree, river curvature coefficient, distance from the tectonic zone, bank slope structure, and formation lithology were selected in terms of hydrology, geology, and geomorphic conditions. The samples were divided into 70% training data and 30% test data. The performance of the K-RF model and the traditional random forest (RF) model in susceptibility assessment was compared to provide theoretical support for operation safety and hazard prevention of expressways. The results show that the K-RF model contains a total of 82.95% of the hazard points in the areas with extremely high susceptibility, which has better assessment results than the single RF model (with AUC value increased by 5.4%). Therefore, it is feasible to use clustering to solve the spatial heterogeneity of hazards. However, the research limitation is that it fails to reflect the spatial heterogeneity of hazards from the hazard itself. The coupled model is a comprehensive reflection of susceptibility and vulnerability in essence.
-
Key words:
- hazard /
- machine learning /
- susceptibility /
- spatial heterogeneity
-
我国是一个多山多灾害的国家,频发的山地灾害往往会对高速公路及铁路的运营安全造成严重威胁. 近年来,区域性灾害易发性评估作为预测潜在地质灾害发生概率的方法之一,以其科学性和有效性吸引了国际地质工程学界诸多学者的关注[1]. 灾害易发性评估理论建立在一个基本假设之上,即过去控制灾害发育的环境因素在未来一定时间内仍然制约着灾害的发展[2],其评估方法主要分为定性和定量2种:定性方法依赖于专家知识对历史灾害的经验性总结,主观性较强;定量评估方法中,诸如人工神经网络(ANN)[3-4]、逻辑回归(LR)[5]、支持向量机(SVM)[6-7]等机器学习算法被广泛应用于灾害易发性评估中,取得了良好的效果. 例如,文海家等[8]运用LR和ANN结合地理信息系统(GIS)对汶川县地震灾害点危险性进行评估,结果表明LR模型精度优于ANN模型;Yao等[9]运用SVM和LR模型对香港降雨型灾害点进行评估,研究表明SVM模型要优于LR模型;许冲等[10]对比了不同核函数的SVM模型在玉树地震灾害点易发性评估中的效果. 近年来,如随机森林(RF)、自适应增强算法(AdaBoost)和梯度提升树(GBDT)等集成机器学习算法作为单一预测模型的优化算法,受到国内外学者的青睐[11-14].
然而,以往的灾害易发性研究通常忽略灾害的空间异质性[15]. 空间异质性可以被解释为影响灾害的因素与灾害发生与否在空间上的非线性相关关系可能存在差异,反映在模型中即相同的模型及因子在不同地区的建模结果往往存在差异,表现为因子权重的变化. 灾害的空间异质性主要来源于灾害类型、形成机制、致灾风险等方面的差异,以滑坡为例,不同物质组成(如土质、岩质滑坡)、不同运动学特征(如牵引式、推移式)、不同滑面深度(如浅层、深层滑坡)的滑坡控制因素在空间分布理论上应有所差异,但受限于数据的可用性,目前鲜有研究在建模中考虑这一问题. 传统解决灾害异质性的办法是通过分析灾害的空间自相关性来建立局部模型[16],会降低模型效率. 此外,目前的评估模型大多极度依赖于数据库质量及完备性. 因此,在有限的数据条件下,从成因、类型、运动学等方面严格考虑灾害异质性并建立全局预测模型依旧比较困难.
为解决这一问题,本文引入了灾害风险评估的理念,仅考虑人员、建筑受灾害威胁程度而避免纳入更为复杂的灾害成因、类型等条件,将研究区进行空间聚类,即从易损性的角度将研究区划分为具有不同聚类属性的单元,以此来表示相同区域灾害存在相似性,不同区域灾害存在空间异质性. 为避免模型过于复杂,本文以相对简单的K-means算法为例,提出聚类与随机森林的耦合算法(K-RF). 该算法首先将研究区划分为多个泰森多边形,随后考虑灾害威胁对象(人员、财产)及威胁程度(灾害等级),对灾害进行空间聚类并赋予研究区不同聚类属性,在此基础上利用随机森林模型进行易发性分析. 为探讨K-RF模型相较传统的RF模型在易发性评估中的性能,选取汶川至理县段高速公路沿线5 km范围内为研究区,该区域受2008年汶川地震的影响,山体的震裂效应显著,滑坡、崩塌等灾害对该高速公路养护和运营造成重大威胁. 本文从地形地貌、水文及地质条件等方面综合选取坡度、高程、坡向、曲率、地表切割度、河型弯曲系数、距构造带距离和地层岩性8个与斜坡稳定性相关的因子,分别采用K-RF模型和RF模型进行易发性分析并对比,其成果可为易发性建模即灾害防治提供参考.
1. K-RF耦合模型
由于聚类算法众多,如K-means聚类、自组织映射(SOM)聚类、层次聚类算法等,而本文的核心是讨论如何将无监督聚类算法和有监督的机器学习算法进行耦合,以解决易发性建模当中存在的灾害空间异质性问题,而不局限于某种具体的聚类算法. 因此,仅选用较为成熟的K-means和RF算法为例来构建K-RF模型.
K-means聚类算法是常用的聚类算法,其核心思路可以概括为一种基于欧式距离度量的数据簇划分方法.
随机森林模型是目前最流行的机器学习算法之一,最早由Breiman[12]在2001年提出,其特点是以多个非相关的决策树构成基准决策单元,通过投票或平均的方法进行组合,最终形成强分类器.
耦合模型建模流程如图1所示.
2. 研究区概况及数据来源
2.1 区域工程地质概况
研究区地处四川盆地西侧的丘陵区向青藏高原东缘的梯形过渡带,地形陡峻、峡谷纵横,整体上属构造侵蚀深切割的高山、高中山地貌类型. 区内多为高山峡谷,海拔高程在
1200 ~4000 m,最低点位于汶川,海拔1100 m. 随高速公路向川西北高原区,岩性以千枚岩、板岩等变质岩为主,沿线露出的基岩主要为志留系茂县群(Smx1~5)的千枚岩夹灰岩、变质砂岩;泥盆系危关群(Dwg1 + Dwg2)的炭质千枚岩、黑灰色含碳千枚岩以及新都桥组(T3x)碳质、粉砂质板岩.2.2 数据来源及概况
本文使用的基础数据包括:1) 基于四川交通建设科技项目:2015A1-3《板裂千枚岩岩体结构特征及边坡灾害控制技术研究》现场调查及已有灾害编录数据,包括空间位置、灾害威胁对象等信息;2) 1∶20万比例尺的地质图,用于提取地层岩性及主要构造带;3) 下载自地理空间数据云GDEMDEM 30 M 分辨率数字高程数据,用于提取水文以及地形地貌数据.
现场调查表明,汶马高速公路沿线边坡失稳模式以崩塌、倾倒变形和顺层滑移为主. 汶马高速公路沿线横向坡整体稳定性较好,变形破坏以危岩崩塌为主;斜向坡以崩塌、旋转滑移为主;顺向-同倾坡以溃屈变形破坏为主,顺向-陡倾坡则表现为倾倒变形,其中危岩体主要分布于横向坡和斜向坡. 所使用的数据中共包含217条记录,包含84处崩塌,98处滑坡,35处不稳定斜坡. 该项目重点调查了部分灾害并简化为源区顶点,其余为以点存储的历史编录数据,灾害点分布如图2所示.
3. 易发性模型构建
3.1 影响因子选取
影响因子的选取对构建易发性评估模型至关重要. 由于灾害数据包括崩塌、滑坡及不稳定斜坡,涉及不同成因及类型的空间异质性,本文通过聚类从风险的角度考虑不同灾害差异,仅介绍与斜坡稳定性相关的影响因子. 参考文献[17-20],本文从地形地貌、水文及地质条件等方面综合选取5个连续型影响因子(坡度、高程、坡向、曲率、地表切割度)和3个离散型影响因子(距构造带距离、地层岩性、河型弯曲系数),如图3所示.
高程对灾害点发育的间接影响体现在 [18]:不同高程范围的区域地表水汇集程度不同;高程对地面植被类型及植被覆盖有一定的影响. 坡度影响斜坡几何分布特征的同时还制约着临空面的发育. 坡向不仅通过光照、风化、侵蚀等地表形态上的差异间接影响坡体的稳定[19]还可以反映主震构造的错断方向[20]. 曲率可以反映微地貌特征,在已有的研究中常被考虑为与滑坡易发性有关的因子[10,17]. 地表切割度是通过计算一定区域的平均海拔与最低海拔之差,从而反映地面切割深度. 其中,高程来自ASTER GDEM 30M 分辨率数字高程数据(DEM),其余几个地貌因子在GIS系统中通过DEM计算. 河流对岸坡的冲蚀和浸润影响着斜坡岩土体的稳定性,考虑到研究区横向尺度上较窄,选取河型弯曲系数代替距河流距离以反映河流对岸坡的冲蚀. 河型弯曲系数被定义为河流实际长度与直线长度之比,常被用于研究河型的转换和弯曲机理[21],可以反映出河流的弯曲形态,进而间接反映不同弯曲河段对岸坡的差异性冲蚀、掏蚀作用. 本文在GIS系统中将主河划分为不同河段,并测量各河段直线长度和实际长度,进而计算出各河段的河流弯曲系数.
3.2 易发性建模
1) 首先,将研究区划分为多个泰森多边形,考虑灾害的威胁人员数量、威胁财产、损毁道路长度、损毁房屋面积、空间位置等因素(数据来源于灾害库包含的基础资料),利用K-means算法进行聚类生成聚类因子并和其他因子构成样本库;
2) 对样本数据进行共线性检验后,选取70%的数据进行模型训练,30%的数据进行模型验证;
3) 通过Sklearn模块建立RF模型,并通过网格搜索算法选出最优模型参数.
3.3 模型检验指标
本文选用准确率(Acc)、精准率(Pre)、召回率(R)和ROC (receiver operating characteristic)曲线对模型性能进行评估. ROC曲线是可以反映出特异性和敏感性的综合指标[22],其横轴为伪正类率(FPR),纵轴为真正类率(TPR),AUC为曲线下的面积,值越高,预测模型的精度越好. Acc同样反映模型的全局分类能力,但AUC是基于所有可能的截断值计算,而Acc是基于较优截断值进行计算. 召回率反映的是模型成功预测灾害点灾害的能力,即漏报率,而精确率反映模型的误报率.
此外,在易发性评估中,影响因子之间的相互作用会降低模型的可解释性,故对所选的影响因子进行相关性检验是构建灾害预测模型的重要环节. 由于聚类因子仅反映不同区域灾害异质性,与其他因子不构成相关性,因此本研究选用方差膨胀因子(VIF)对其余9个影响因子进行多重共线性检验. 若 VIF>10.00或容差(TOL)<0.1时,表明各因子之间存在严重的多重共线性,当VIF≥5.00或TOL≤0.2时,则认为指标存在一定的共线性,反之则认为影响因子之间不存在共线性[23].
4. 易发性评估结果及对比
4.1 共线性检验结果
检测结果如图4所示,9个常规因子中,最大VIF值为2.47,为地表切割度. 因此,所有影响因子之间均不存在多重共线性,均可代入灾害点预测模型进行研究区的灾害易发性评价.
4.2 聚类结果分析
模型的聚类结果如图5和表1所示. 从图中可以看出,整个研究区被划分为4个区域,不同类别代表区域内的灾害存在差异.
从表1可以看出,类别1~4区域的差异主要体现在灾害威胁程度不同,可能与灾害规模、区域地形地质条件有关. 整体来看,类别1的区域威胁程度最高,主要分布在汶川附近,包含53处灾害,灾害平均威胁人员数量为95人,平均威胁财产为337.2万,平均损毁房屋面积为8.90 m2. 从威胁财产角度来看,类别2、3、4的威胁程度依次降低.
表 1 聚类结果Table 1. Clustering results类别 灾害数量/处 平均威
胁人员
数量/人平均威胁财产/万元 平均损
毁房屋
面积/m2平均损
毁道路
长度/m1 53 95 337.2 8.90 0 2 65 50 164.6 1.80 0 3 46 36 113.5 0.43 0 4 53 59 80.4 1.38 10.2 4.3 K-RF易发性评估结果
K-RF模型最终纳入了9个因子(1个聚类因子、5个连续型因子、3个离散型因子),随后通过Sklearn模块建立RF模型,并通过网格搜索算法选出最优模型参数(决策树数量=485,最大特征数=8,最大树深度=7). K-RF模型的精度指标如表2所示,ROC曲线结果如图6所示. K-RF模型在测试集的AUC、Pre、Acc、R值分别为0.902、0.726、0.787和0.841,表明模型的预测能力较好.
表 2 验证指标计算结果Table 2. Calculation results of validation indicators模型 Pre Acc R AUC RF 0.681 0.730 0.746 0.848 K-RF 0.726 0.787 0.841 0.902 随后,本文将K-RF模型计算出的概率值导入GIS,制作易发性专题图层,并分别统计灾害点单元在各易发性等级中的比例,计算其频率比(灾害点占比/分级面积占比),统计结果如表3、图7所示.
表 3 易发性分级统计结果Table 3. Statistical results of susceptibility levels模型 易发性等级 分区面积/km2 灾害点个数/个 研究区分级面积占比/% 灾害占比/% 频率比 K-RF 极高 35.70 180 10.24 82.95 8.10 高 80.37 28 23.05 12.90 0.56 中等 40.27 4 11.55 1.84 0.16 低 82.50 3 23.66 1.38 0.06 极低 109.90 2 31.52 0.92 0.03 RF 极高 31.50 156 9.03 71.89 7.96 高 71.74 45 20.57 20.74 1.01 中等 49.27 9 14.13 4.15 0.29 低 90.30 5 25.90 2.30 0.09 极低 105.90 2 30.37 0.92 0.03 图8和图9展示了K-RF模型和RF模型的易发性制图结果. 从整体来看,2种模型的易发性制图结果与灾害空间分布一致性较好,易发性制图结果表明,汶川—理县段沿河两岸为灾害发育的极高易发性区,且汶川区域附近极高易发性区面积较其他区域更大.
4.4 模型对比
为了验证K-RF模型建模效果,选用单一RF模型进行对比. 其中,单一RF模型与K-RF模型的差异在于未纳入可以反映灾害异质性的聚类因子,其余与K-RF模型一致.
从图6和表2当中对比可知:相较于单一RF模型,K-RF模型的AUC值提高了5.4%,Acc值提高了5.7%,精准率提高4.5%,召回率提高了9.5%. 结果表明K-RF模型取得了更好的预测性能.
对比图8、9可以看出:2种模型均能有效地进行灾害易发性制图,灾害空间分布与易发性结果具有较好的一致性;K-RF模型极高易发性区包含82.95%的灾害点,RF模型极高易发性区包含71.89%的灾害点. 在比较灾害点数量的同时也应关注易发性分区的面积占比,极高易发性区间面积相对小但包含的灾害点相对多的结果无疑更加精确,这一点可以用频率比值来进行区分. 从表3中可以看出:K-RF模型的极高易发性区面积要高于RF模型,但频率比(8.10)同样高于RF模型(7.96),表明K-RF模型得到的极高易发区的准确性更高.
4.5 讨 论
相较于RF模型,K-RF模型提高易发性预测性能的根本原因是纳入了一个可以反映灾害异质性的空间因子. 从概念上讲,该因子是从承灾体易损性角度反映灾害之间在空间上的差异,因此,K-RF模型结果在本质上综合反映了灾害的易发性和易损性.
本文的工作表明,通过聚类的方法解决灾害空间异质性是可行的. 然而,本文的局限性在于未能从灾害本身(如成因、类型、破坏机制)反映灾害空间异质性,同时基础数据受限(部分灾害编录数据仅以点的形式保存)可能会对模型精度造成干扰. 未来的工作可以从地质角度出发,通过更详实、全面的基础数据,建立反映不同空间异质性来源(如灾害类型、成因、规模等细分)的易发性评价模型. 本文提出了相应的建模方法,但并不局限于所使用的模型.
5. 结 论
本文提出一种解决有限样本条件下考虑灾害空间异质性建模思路,并通过建立K-RF模型与RF模型对比表明该思路的可行性.
1) 2种算法均能有效地评估灾害易发性,易发性制图结果与灾害空间分布表现出良好的一致性,表明制图结果是合理的. 其中汶川—理县段沿河两岸为灾害发育的极高易发性区,且汶川区域极高易发性区面积较其他区域更大.
2) 与RF模型相比,精度指标和统计指标均表明K-RF模型性能较RF模型有所改善,其AUC值提高5.4%;极高易发性区间包含的灾害点占比为82.95%,频率比为8.10,均高于RF模型(71.89%,7.96).
3) 利用聚类方法从灾害易损性的角度出发解决灾害异质性是可行的,本文提出了相应的建模方法,但并不局限于所使用的模型.
-
表 1 聚类结果
Table 1. Clustering results
类别 灾害数量/处 平均威
胁人员
数量/人平均威胁财产/万元 平均损
毁房屋
面积/m2平均损
毁道路
长度/m1 53 95 337.2 8.90 0 2 65 50 164.6 1.80 0 3 46 36 113.5 0.43 0 4 53 59 80.4 1.38 10.2 表 2 验证指标计算结果
Table 2. Calculation results of validation indicators
模型 Pre Acc R AUC RF 0.681 0.730 0.746 0.848 K-RF 0.726 0.787 0.841 0.902 表 3 易发性分级统计结果
Table 3. Statistical results of susceptibility levels
模型 易发性等级 分区面积/km2 灾害点个数/个 研究区分级面积占比/% 灾害占比/% 频率比 K-RF 极高 35.70 180 10.24 82.95 8.10 高 80.37 28 23.05 12.90 0.56 中等 40.27 4 11.55 1.84 0.16 低 82.50 3 23.66 1.38 0.06 极低 109.90 2 31.52 0.92 0.03 RF 极高 31.50 156 9.03 71.89 7.96 高 71.74 45 20.57 20.74 1.01 中等 49.27 9 14.13 4.15 0.29 低 90.30 5 25.90 2.30 0.09 极低 105.90 2 30.37 0.92 0.03 -
[1] FELL R, COROMINAS J, BONNARD C, et al. Guidelines for landslide susceptibility, hazard and risk zoning for land use planning[J]. Engineering Geology, 2008, 102(3/4): 85-98. [2] NHU V H, HOANG N D, NGUYEN H, et al. Effectiveness assessment of Keras based deep learning with different robust optimization algorithms for shallow landslide susceptibility mapping at tropical area[J]. Catena, 2020, 188: 104458.1-104458.13. [3] 李利峰,杨华,张娟,等. 基于人工神经网络的区域滑坡预测研究[J]. 气象与环境科学,2020,43(3): 65-70.LI Lifeng, YANG Hua, ZHANG Juan, et al. Research on regional landslide prediction based on artificial neural network[J]. Meteorological and Environmental Sciences, 2020, 43(3): 65-70. [4] 常晁瑜,薄景山,李孝波,等. 地震黄土滑坡滑距预测的BP神经网络模型[J]. 地震工程学报,2020,42(6): 1609-1614. doi: 10.3969/j.issn.1000-0844.2020.06.1609CHANG Chaoyu, BO Jingshan, LI Xiaobo, et al. A BP neural network model for forecasting sliding distance of seismic loess landslides[J]. China Earthquake Engineering Journal, 2020, 42(6): 1609-1614. doi: 10.3969/j.issn.1000-0844.2020.06.1609 [5] 许冲,徐锡伟. 逻辑回归模型在玉树地震滑坡危险性评价中的应用与检验[J]. 工程地质学报,2012,20(3): 326-333. doi: 10.3969/j.issn.1004-9665.2012.03.004XU Chong, XU Xiwei. Logistic regression model and its validation for hazard mapping of landslides triggered by Yushu earthquake[J]. Journal of Engineering Geology, 2012, 20(3): 326-333. doi: 10.3969/j.issn.1004-9665.2012.03.004 [6] 吴博,赵法锁,贺子光,等. 基于BA-LSSVM模型的黄土滑坡致灾范围预测[J]. 中国地质灾害与防治学报,2020,31(5): 1-6.WU Bo, ZHAO Fasuo, HE Ziguang, et al. Prediction of the disaster area of loess landslide based on least square support vector machine optimized by bat algorithm[J]. The Chinese Journal of Geological Hazard and Control, 2020, 31(5): 1-6. [7] XI C J, HAN M, HU X W, et al. Effectiveness of Newmark-based sampling strategy for coseismic landslide susceptibility mapping using deep learning, support vector machine, and logistic regression[J]. Bulletin of Engineering Geology and the Environment, 2022, 81(5): 174-196. doi: 10.1007/s10064-022-02664-5 [8] 文海家,胡东萍,王桂林. 汶川县地震滑坡易发性LR与NN评价比较研究[J]. 土木工程学报,2014,47(增1): 17-23.WEN Haijia, HU Dongping, WANG Guilin. Comparative study on LR and NN evaluation of earthquake landslide susceptibility in Wenchuan County[J]. China Civil Engineering Journal, 2014, 47(S1): 17-23. [9] YAO X, THAM L G, DAI F C. Landslide susceptibility mapping based on Support Vector Machine: a case study on natural slopes of Hong Kong, China[J]. Geomorphology, 2008, 101(4): 572-582. doi: 10.1016/j.geomorph.2008.02.011 [10] 许冲,徐锡伟. 基于不同核函数的2010年玉树地震滑坡空间预测模型研究[J]. 地球物理学报,2012,55(9): 2994-3005. doi: 10.6038/j.issn.0001-5733.2012.09.018XU Chong, XU Xiwei. The 2010 Yushu earthquake triggered landslides spatial prediction models based on several kernel function types[J]. Chinese Journal of Geophysics, 2012, 55(9): 2994-3005. doi: 10.6038/j.issn.0001-5733.2012.09.018 [11] TRUONG X, MITAMURA M, KONO Y, et al. Enhancing prediction performance of landslide susceptibility model using hybrid machine learning approach of bagging ensemble and logistic model tree[J]. Applied Sciences, 2018, 8(7): 1046.1-1046.22. [12] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45: 5-32. doi: 10.1023/A:1010933404324 [13] FREUND Y, SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting[J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139. doi: 10.1006/jcss.1997.1504 [14] FRIEDMAN J H. Greedy function approximation: a gradient boosting machine[J]. The Annals of Statistics, 2001, 29(5): 1189-1232. doi: 10.1214/aos/1013203450 [15] WANG Y M, FENG L W, LI S J, et al. A hybrid model considering spatial heterogeneity for landslide susceptibility mapping in Zhejiang Province, China[J]. Catena, 2020, 188: 104425.1-104425.13. [16] DENG M, YANG W T, LIU Q L, et al. Heterogeneous space–time artificial neural networks for space–time series prediction[J]. Transactions in GIS, 2018, 22(1): 183-201. doi: 10.1111/tgis.12302 [17] 黄发明,殷坤龙,蒋水华,等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程学报,2018,37(1): 156-167.HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(1): 156-167. [18] 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]. 山地学报,2002,20(6): 732-737. doi: 10.3969/j.issn.1008-2786.2002.06.015LAN Hengxing, WU Faquan, WANG Sijing. GIS based landslide CF multi-variable regression model and its application[J]. Journal of Mountain Research, 2002, 20(6): 732-737. doi: 10.3969/j.issn.1008-2786.2002.06.015 [19] 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[J]. 北京大学学报(自然科学版),2009,45(1): 104-110. doi: 10.3321/j.issn:0479-8023.2009.01.016CHEN Xiaoli, RAN Hongliu, QI Shengwen. Triggering factors susceptibility of earthquake-induced landslides in 1976 Longling earthquake[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2009, 45(1): 104-110. doi: 10.3321/j.issn:0479-8023.2009.01.016 [20] 许冲,戴福初,姚鑫,等. 基于GIS的汶川地震滑坡灾害影响因子确定性系数分析[J]. 岩石力学与工程学报,2010,29(增1): 2972-2981.XU Chong, DAI Fuchu, YAO Xin, et al. Analysis of deterministic coefficient of influencing factors of Wenchuan earthquake landslide disaster based on GIS[J]. Chinese Journal of Rock Mechanics and Engineering, 2010, 29(S1): 2972-2981. [21] 陈绪坚,陈清扬. 黄河下游河型转换及弯曲变化机理[J]. 泥沙研究,2013(1): 1-6. doi: 10.3969/j.issn.0468-155X.2013.01.001CHEN Xujian, CHEN Qingyang. Theory of river pattern transformation and change of channel sinuosity ratio in Lower Yellow River[J]. Journal of Sediment Research, 2013(1): 1-6. doi: 10.3969/j.issn.0468-155X.2013.01.001 [22] CHEN Z, LIANG S Y, KE Y T, et al. Landslide susceptibility assessment using different slope units based on the evidential belief function model[J]. Geocarto International, 2020, 35(15): 1641-1664. doi: 10.1080/10106049.2019.1582716 [23] WEN H, WU X Y, LIAO X, et al. Application of machine learning methods for snow avalanche susceptibility mapping in the Parlung Tsangpo Catchment, southeastern Qinghai−Tibet Plateau[J]. Cold Regions Science and Technology, 2022, 198: 103535.1-103535.12. -