于淼 邢會歌 胡士瑜

摘要：泥石流是中國西南地區(qū)常見的地質(zhì)災(zāi)害，通常會造成巨大破壞和人員傷亡，泥石流易發(fā)性評價可以為地區(qū)防災(zāi)減災(zāi)及工程選址規(guī)劃提供理論依據(jù)。以四川省石棉縣為研究區(qū)，獲取該縣288個歷史泥石流作為泥石流數(shù)據(jù)集，選取高程、坡度、坡向、水系密度、地層巖性等13個評價因子，使用信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型對石棉縣進行泥石流易發(fā)性評價，并利用受試者工作特征曲線（ROC）對模型進行對比和評估。結(jié)果表明：四川省石棉縣泥石流高易發(fā)區(qū)集中分布在該縣縱向中部地區(qū)，多處于河流、道路及斷層附近;信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型的ROC曲線下面積（AUC）分別為0.917，0.928和0.931，可見耦合模型的精度最高，分區(qū)結(jié)果更加合理可靠。因此，信息量-邏輯回歸耦合模型在泥石流易發(fā)性評價上具有優(yōu)越性，其分區(qū)結(jié)果對泥石流防治具有實踐意義。

關(guān) 鍵 詞：泥石流; 易發(fā)性評價; 信息量模型; 邏輯回歸模型; 信息量-邏輯回歸耦合模型; ROC曲線

中圖法分類號： P642.2

文獻標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.12.016

0 引 言

中國氣候條件多樣，地貌差異性大，部分地區(qū)降水集中，極易引發(fā)滑坡、崩塌、泥石流等地質(zhì)災(zāi)害[1]。2019年全國共發(fā)生地質(zhì)災(zāi)害6 181起，造成211人死亡、13人失蹤、75人受傷，直接經(jīng)濟損失27.7億元[2]。石棉縣隸屬四川省雅安市西南部，為泥石流高發(fā)區(qū)域。泥石流時常造成石棉縣道路受阻、村民房屋淤埋等情況，更有甚者，嚴(yán)重威脅村民生命安全。如2013年7月4日，石棉縣暴發(fā)特大泥石流，造成G108、S211等國、省干道和縣鄉(xiāng)公路多處中斷，其中回隆鄉(xiāng)8人遇難，18人失蹤[3]。2014年7月10日發(fā)生的山洪泥石流造成石棉縣直接經(jīng)濟損失22 904萬元，受災(zāi)人數(shù)1 886人[4]。2020年8月12日，石棉縣栗子坪鄉(xiāng)發(fā)生泥石流，造成直接經(jīng)濟損失1 500萬元[5]。

泥石流易發(fā)性評價是指在一定的孕災(zāi)背景條件下泥石流的空間發(fā)生概率，主要判斷評價區(qū)內(nèi)容易發(fā)生泥石流的位置，而不考慮發(fā)生的具體時間和規(guī)模，進而預(yù)測評價區(qū)域未來產(chǎn)生泥石流的可能性[6]，以有效減少泥石流造成的人員傷亡及財產(chǎn)損失。針對災(zāi)害易發(fā)性評價，Reichenbach等將文獻中提出的方法分為地貌圖、災(zāi)害清單分析、基于指數(shù)的方法、基于過程的方法和基于統(tǒng)計的建模方法5類[7]。其中邏輯回歸模型因其假設(shè)簡單，具有能對分類自變量、連續(xù)自變量或混合自變量進行回歸建模，以事件發(fā)生概率的形式提供結(jié)果等優(yōu)點[8]，是基于統(tǒng)計的建模方法中使用頻率最高的方法[7]。Esper使用頻率比和邏輯回歸模型對位于圣胡安的安第斯山脈和山前部分地區(qū)進行了泥石流易發(fā)性評價[9]。Alisa等采用SINMAP模型和邏輯回歸模型進行泥石流易發(fā)性評價，均發(fā)現(xiàn)邏輯回歸模型具有更高的精度[10]。邏輯回歸模型也被Zhao等用于浙江省樂清市北部的滑坡易發(fā)性研究[11]。雖然邏輯回歸模型應(yīng)用廣泛，但是需要大量而準(zhǔn)確的數(shù)據(jù)對數(shù)學(xué)模型的構(gòu)建進行支撐，當(dāng)數(shù)據(jù)較少時，評價結(jié)果不準(zhǔn)確[12]。若將兩種模型或多種模型耦合進行地質(zhì)災(zāi)害易發(fā)性評價，將會取長補短，使評價結(jié)果精度更高[13]。如隨機森林與信息量模型結(jié)合的加權(quán)信息量模型[14]，AHP、二元邏輯回歸模型和最小信息熵相結(jié)合的綜合權(quán)重模型[15]，確定性系數(shù)與邏輯回歸耦合模型[16]，層次分析法與模糊數(shù)學(xué)耦合模型[17]等多模型耦合的方法均在災(zāi)害易發(fā)性評價中表現(xiàn)出優(yōu)越性。因為信息量模型是一種非常流行的雙變量統(tǒng)計方法，可以較好地解決因素眾多、難以量化的地質(zhì)災(zāi)害定量評價問題[18]，并且信息量模型與邏輯回歸模型結(jié)合能充分利用彼此模型的優(yōu)點，克服存在的缺點，提高模型易發(fā)性評價精度[19]，所以本文采用信息量-邏輯回歸耦合模型進行易發(fā)性評價。

以四川省石棉縣作為研究區(qū)域，從研究區(qū)地形、降雨、水文、地表等背景條件出發(fā)，初步選取13個評價因子，利用ROC曲線法和信息量模型對評價因子進行篩選，確定關(guān)鍵評價因子體系，分別使用信息量模型，邏輯回歸模型和信息量-邏輯回歸耦合模型進行泥石流易發(fā)性評價，并利用ROC曲線評價模型精度，以為石棉縣選址規(guī)劃、防災(zāi)減災(zāi)提供一定的參考。

1 研究區(qū)概況

石棉縣隸屬四川省雅安市，位于青藏高原橫斷山脈東部，大渡河中游（見圖1）。地理坐標(biāo)東經(jīng)101°56′27″～102°34′09″，北緯28°51′03″～29°32′11″，東西最大橫距60.0 km，南北最大縱距76.5 km，處于川西高原與四川盆地過渡帶，地勢西高東低，南北高、中部低，呈西、南、北向中部傾斜，地形陡峻，相對高差大[20]。石棉縣屬中緯度亞熱帶季風(fēng)氣候為基帶的山地氣候，受地形影響，氣候垂直分布明顯，近11 a平均降水量為1 207.57 mm。石棉縣地層以早震旦系、震旦系和第四系地層為主，巖性以巖漿巖為主，其次為沉積巖、變質(zhì)巖和松散巖類[20-21]。

石棉縣泥石流頻發(fā)，地質(zhì)云服務(wù)平臺的數(shù)據(jù)顯示：1949～2018年石棉縣泥石流災(zāi)害點共288處，占石棉縣442處地質(zhì)災(zāi)害點的65.16%，占四川省391處泥石流災(zāi)害點的73.67%。石棉縣是四川省內(nèi)發(fā)生泥石流最多的地區(qū)，所以本文選擇石棉縣進行泥石流易發(fā)性評價具有研究意義。

2 數(shù)據(jù)來源及研究方法

2.1 數(shù)據(jù)來源

（1） 地理空間數(shù)據(jù)云（http：∥www.webmap.cn/）：30 m分辨率的DEM數(shù)據(jù)用于提取高程、坡度、坡向、相對高差等評價因子;30 m分辨率的Landsat8衛(wèi)星影像（2017年）用于提取評價因子歸一化植被指數(shù)（NDVI）。

（2） 全國地理信息資源目錄服務(wù)系統(tǒng)（http：∥www.webmap.cn/）：獲取30 m分辨率的水系、交通、居民點和土地利用數(shù)據(jù)。

（3） 地質(zhì)云（http：∥geocloud.cgs.gov.cn/）：獲取斷層、地層巖性和泥石流災(zāi)害點數(shù)據(jù)。

（4） 美國國家海洋和大氣管理局官網(wǎng)（https：∥www.noaa.gov/）：獲取石棉縣及周圍7縣近11 a年平均降水量數(shù)據(jù)。

（5） 石棉縣公安局：獲取2019年石棉縣各鄉(xiāng)鎮(zhèn)戶籍人口數(shù)據(jù)。

2.2 研究方法

2.2.1 ROC曲線法

受試者工作特征（ROC）曲線能表示出擬合數(shù)據(jù)和實測數(shù)據(jù)之間的關(guān)系[12]，因其簡單、直觀，且具有較好的試驗準(zhǔn)確性，被廣泛應(yīng)用于地質(zhì)災(zāi)害易發(fā)性區(qū)域評價[18]。ROC曲線橫坐標(biāo)為1-特異度，代表非泥石流預(yù)測為泥石流，縱坐標(biāo)為敏感度，代表泥石流預(yù)測為非泥石流，即可對比單個評價因子對泥石流發(fā)育的影響和重要性[22]。ROC曲線下面積（Area Under the Curve，AUC）是衡量評價結(jié)果精度的一個標(biāo)準(zhǔn)，AUC值越接近1，表示評價結(jié)果精度越高。

2.2.2 信息量模型

信息量模型源于信息理論中量化描述信息的一種統(tǒng)計評價方法[23]，可將研究區(qū)實測數(shù)據(jù)轉(zhuǎn)化為可量化大小的信息量值，從而作為衡量地質(zhì)災(zāi)害易發(fā)性的定量指標(biāo)[18]。具體公式如下：

Iij=lnNij/NSij/S （1）

I=ni=1Iij=ni=1lnNij/NSij/S （2）

式中：I（ij）為評價因子i的第j類的信息量值;I為評價單元總的信息量值;Nij為評價因子i的第j類中泥石流災(zāi)害點個數(shù);N為研究區(qū)泥石流災(zāi)害點總數(shù);Sij為研究區(qū)中含有ij的總面積;S為研究區(qū)總面積;n為評價因子個數(shù)。

一般而言，總信息量值I越大，說明該單元越易發(fā)生泥石流，易發(fā)性等級高。對研究區(qū)每個評價單元進行信息量值的疊加運算，即可得到該區(qū)域泥石流易發(fā)性情況，進而確定泥石流易發(fā)性分區(qū)。

2.2.3 邏輯回歸模型

邏輯回歸模型是一種廣義的線性回歸分析模型，可以在一個因變量和多個自變量之間形成多元回歸關(guān)系，從而預(yù)測某一區(qū)域某一事件的發(fā)生概率[24]。邏輯回歸的因變量為分類變量，將泥石流是否發(fā)生作為因變量，取值“1”代表發(fā)生泥石流，取值“0”代表未發(fā)生泥石流。由于泥石流是否發(fā)生為二分類，所以本文的邏輯回歸分析均指二元邏輯回歸分析。

記泥石流發(fā)生的條件概率為P，則邏輯回歸模型為

lnP1-P=β0+β1X1+β2X2+…+βiXi （3）

式中：β0，β1，β2，…，βn為邏輯回歸系數(shù);X0，X1，X2，…，Xn為自變量。

對公式（3） 的P求解，即得到泥石流發(fā)生概率為

P=eβ0+β1X1+β2X2+…+βiXi1+eβ0+β1X1+β2X2+…+βiXi （4）

P為單個評價單元內(nèi)發(fā)生泥石流的概率，P值越大，說明該單元越易發(fā)生泥石流，易發(fā)性等級高，可根據(jù)P值對研究區(qū)域進行泥石流易發(fā)性分區(qū)。

2.2.4 信息量-邏輯回歸耦合模型

信息量-邏輯回歸耦合模型是將計算得到的信息量值作為邏輯回歸模型的自變量，計算邏輯回歸系數(shù)β0，β1，β2，…，βn，進而完成泥石流易發(fā)性評價。

3 評價因子體系的確定

3.1 評價因子的選取與分級

泥石流的形成需要3個必備條件：① 利于集水、集物的地形條件;② 豐富的松散物質(zhì);③ 短期內(nèi)充足的水源。因此，從地形因子、巖性因子、地質(zhì)構(gòu)造因子、人為活動因子、降水因子等基礎(chǔ)條件出發(fā)構(gòu)建初始評價體系。本文在前人較為普遍采用的評價因子基礎(chǔ)上，考慮因子可獲得性和可計算性，最終選取高程、坡度、坡向、相對高差、水系密度、地層巖性、距斷層距離、NDVI、居民點密度、路網(wǎng)密度、人口密度、年平均降水量和土地利用13個初始評價因子。將每個評價因子圖層轉(zhuǎn)換為格網(wǎng)大小150 m×150 m的柵格數(shù)據(jù)，并利用ArcGIS刪除沒有包含全部評價因子信息的柵格單元，以消除不重合的圖層邊界[25]。

在以往學(xué)者研究的基礎(chǔ)上[26-27]，確定了本文評價因子的分級標(biāo)準(zhǔn)：因為自然斷點法是根據(jù)數(shù)值統(tǒng)計分布規(guī)律使類與類之間不同最大化的分級方法，所以使用自然斷點法將連續(xù)性數(shù)據(jù)NDVI、相對高差、居民點密度、路網(wǎng)密度、水系密度、人口密度和年平均降水量分為5類;按《工程巖體分級標(biāo)準(zhǔn)》中的巖石軟硬程度定性分級標(biāo)準(zhǔn)將地層巖性分為5類[28];按照四川省第一次地理國情普查公報中對高程及坡度的分類標(biāo)準(zhǔn)及石棉縣實際情況將高程分為4類，坡度分為5類;按照ArcGIS軟件分類標(biāo)準(zhǔn)將坡向分為9類;根據(jù)全國地理信息資源目錄服務(wù)系統(tǒng)土地利用說明將土地利用分為8類;根據(jù)以往學(xué)者經(jīng)驗及石棉縣實際情況將距斷層距離分為5類。評價因子分級詳圖如圖2所示。

3.2 基于ROC曲線法與信息量模型構(gòu)建關(guān)鍵評價因子體系

如果將所有因子都考慮到易發(fā)性評價的計算過程中，某些性質(zhì)相近的因子可能會存在較高程度的相關(guān)性，這相當(dāng)于因子重復(fù)使用，會影響評價結(jié)果的科學(xué)性[29]。所以利用ArcGIS的多元分析功能對評價因子進行相關(guān)性分析，得到坡度與相對高差、路網(wǎng)密度與居民點密度的相關(guān)系數(shù)值大于0.7，說明這兩對因子均具有強正相關(guān)性，需要進行篩除。

將ROC曲線法與信息量模型相結(jié)合，以確定關(guān)鍵評價因子體系。首先利用公式（1） 計算評價因子各分級狀態(tài)下的信息量值（見表1），然后選取288個泥石流災(zāi)害點和等量非災(zāi)害點（發(fā)生泥石流為1，未發(fā)生為0）作為狀態(tài)變量，將對應(yīng)評價因子各分級狀態(tài)下的信息量值作為檢驗變量，利用ROC曲線法進行分析，并按照AUC值確定各評價因子的重要程度排序（見圖3）。如圖3所示，13個評價因子的重要度排序為高程>路網(wǎng)密度>土地利用>居民點密度>坡度>相對高差>水系密度>NDVI>距斷層距離>地層巖性>人口密度>坡向>年平均降水量。按照相關(guān)性分析及此排序，刪除相對高差及居民點密度。

評價因子的選取數(shù)量也是災(zāi)害易發(fā)性評價中的關(guān)鍵點，評價因子選取數(shù)量過多或過少，都會影響評價結(jié)果的準(zhǔn)確性[30]。因此，按照重要程度從小到大依次剔除評價因子，將剩余評價因子按公式（2） 進行信息量值疊加計算，得到一次泥石流易發(fā)性評價結(jié)果，最后利用ROC曲線評價每次泥石流易發(fā)性評價結(jié)果的精度，使得AUC值最大的評價因子體系即為關(guān)鍵評價因子體系。

如表2所列，由11個評價因子組成的指標(biāo)體系的AUC值最大，所以選擇高程、路網(wǎng)密度、土地利用、坡度、水系密度、NDVI、距斷層距離、地層巖性、人口密度、坡向、年平均降水量作為最終的評價因子。

4 易發(fā)性評價結(jié)果及分析

4.1 信息量模型評價結(jié)果

由表1可知：

（1） 泥石流易發(fā)生在低海拔、坡度平緩和相對高差小的區(qū)域，高程大于3 500 m的區(qū)域沒有泥石流發(fā)生。

（2） 路網(wǎng)密度、水系密度、人口密度和居民點密度都整體呈現(xiàn)出評價單元密度越大，越易發(fā)生泥石流的情況。

（3） 年平均降雨量大于1 000 mm的地區(qū)和距斷層距離小于1 000 m的地區(qū)更易發(fā)生泥石流，與實際情況一致。

（4） 人類活動頻繁的地區(qū)如建設(shè)用地、耕地比林地等植被覆蓋率高的地區(qū)更易發(fā)生泥石流。

根據(jù)信息量結(jié)果，利用ArcGIS計算得到評價單元的總信息量值，信息量值范圍為-14.267～12.535。使用自然斷點法將總信息量值分為5類，從而得到信息量模型下的石棉縣泥石流易發(fā)性分區(qū)圖，見圖4（a）。

4.2 邏輯回歸模型評價結(jié)果

將288個泥石流災(zāi)害點與等量非泥石流災(zāi)害點作為泥石流易發(fā)性評價的統(tǒng)計樣本。其中“1”代表發(fā)生泥石流，“0”代表不發(fā)生泥石流。使用頻率比作為模型的指標(biāo)值，頻率比公式如下：

Rij=Nij/NSij/S （5）

將樣本數(shù)據(jù)導(dǎo)入SPSS軟件中進行邏輯回歸分析，結(jié)果坡向、人口密度和水系密度的顯著性均大于0.05，說明這3個評價因子對模型結(jié)果影響不顯著，所以剔除坡向、人口密度和水系密度，重新進行邏輯回歸分析，得每個評價單元泥石流發(fā)生的概率為

P=（e-8.201+0.440I1+0.775I2+0.204I3+3.047I4+0.221I5+0.229I6+0.338I7+1.393I8）/

（1+e-8.201+0.440I1+0.775I2+0.204I3+3.047I4+0.221I5+0.229I6+0.338I7+1.393I8）（6）

式中：I1，I2，…，I8分別為評價單元內(nèi)對應(yīng)的NDVI、距斷層距離、高程、年平均降水量、路網(wǎng)密度、土地利用、坡度和地層巖性的頻率比。通過ArcGIS計算得研究區(qū)內(nèi)評價單元發(fā)生泥石流概率值為0.002 1～0.999 9，使用自然斷點法將概率值分為5類，從而得到邏輯回歸模型下的石棉縣泥石流易發(fā)性分區(qū)圖，見圖4（b）。

4.3 信息量-邏輯回歸耦合模型評價結(jié)果

同邏輯回歸模型分析步驟，將信息量值作為模型的指標(biāo)值導(dǎo)入SPSS軟件中進行邏輯分析，結(jié)果表明人口密度的顯著性大于0.05，剔除人口密度后再次進行邏輯回歸分析，得每個評價單元的泥石流發(fā)生概率P。

P=（e-0.154+0.684+0.693I2+0.766I3+1.040I4+0.248I5+1.233I6+0.684I7+0.428I8+0.417I9+0.885I10）/

（1+e-0.154+0.684+0.693I2+0.766I3+1.040I4+0.248I5+1.233I6+0.684I7+0.428I8+0.417I9+0.885I10）（7）

式中：I1，I2，…，I10分別為評價單元內(nèi)對應(yīng)的NDVI、距斷層距離、高程、 年平均降水量、路網(wǎng)密度、坡向、水系密度、土地利用、坡度和地層巖性的信息量值。利用ArcGIS得研究區(qū)內(nèi)評價單元發(fā)生泥石流的概率值范圍為0.000 1～0.999 9，使用自然斷點法將概率值分為5類，從而得到耦合模型下的石棉縣泥石流易發(fā)性分區(qū)圖（見圖4（c））。

4.4 易發(fā)性評價結(jié)果分析

根據(jù)圖4可知：3種模型計算得到的易發(fā)性分區(qū)圖具有一定的相似性，根據(jù)泥石流易發(fā)性評價結(jié)果及泥石流災(zāi)害點分布情況可知：

（1） 易發(fā)區(qū)高的地區(qū)較為集中的分布在石棉縣縱向中部地區(qū)和中東部地區(qū)，包括河流（大渡河、南椏河）、道路（京昆高速公路、G108）及斷層等，說明泥石流易發(fā)于河流、道路及斷層附近。此外該地區(qū)人類活動頻繁，增加了泥石流發(fā)生的可能性。

（2） 石棉縣西部、東北部和東南部地區(qū)易發(fā)性等級較低。其中東北部和西南部地區(qū)海拔較高，地表大部分被林地和永久冰雪覆蓋;東北部地區(qū)地層巖性多為穩(wěn)定性強的堅硬巖，且年均降水量較少，所以此地區(qū)不易發(fā)生泥石流。

（3） 3個易發(fā)性分區(qū)圖也具有一定差異。信息量模型的高易發(fā)區(qū)分布較為分散，中、低等級易發(fā)區(qū)呈混合型分布;邏輯回歸模型的高等級易發(fā)區(qū)沿路網(wǎng)過于集中分布;耦合模型易發(fā)區(qū)分布則融合了信息量模型與邏輯回歸模型的特點，即高易發(fā)區(qū)沿河流、路網(wǎng)集中分布的同時也具有一定的分散性。

4.5 評價結(jié)果驗證

本文采用ROC曲線法評價3個模型的精度，如圖5所示，邏輯回歸模型、信息量模型和耦合模型的AUC值分別為0.917，0.928和0.931。3個模型的AUC值均大于0.9，說明3個模型的精度都很好，但是耦合模型的精度最高，說明模型的耦合確實提高了評價精度。

將歷史泥石流災(zāi)害點與易發(fā)性分區(qū)圖進行疊加分析，如表3所列。3個模型的災(zāi)害點百分比都隨著易發(fā)區(qū)等級的升高而增加，說明3個模型都具有合理性。其中信息量模型、邏輯回歸模型和耦合模型的高易發(fā)區(qū)災(zāi)害點百分比分別為69.44%，64.58%和75.69%，耦合模型的災(zāi)害點百分比為最大值，這進一步說明了耦合模型的易發(fā)性分區(qū)與研究區(qū)實際情況更為一致，模型精度更高。

5 結(jié) 論

（1） 以四川省石棉縣為研究對象，選取高程、坡向、相對高差、距斷層距離、地層巖性、水系密度、NDVI、路網(wǎng)密度、人口密度、居民點密度、坡度、年均降水量和土地利用13個初始評價因子。對評價因子進行相關(guān)性分析，并基于ROC曲線法和信息量模型對評價因子進行篩選，剔除相對高差及居民點密度后，確定了由11個評價因子組成的關(guān)鍵評價因子體系。

（2） 利用信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型分別對石棉縣進行泥石流易發(fā)性評價。評價結(jié)果表明：石棉縣泥石流高易發(fā)區(qū)位于縱向中部地區(qū)及中東部地區(qū)，集中分布在河流、道路及斷層附近。位于該地區(qū)的宰羊鄉(xiāng)、迎政鄉(xiāng)、先鋒藏族鄉(xiāng)、擦羅彝族鄉(xiāng)、新民藏族彝族鄉(xiāng)、美羅鄉(xiāng)、新棉街道等鄉(xiāng)鎮(zhèn)在暴雨天氣要重點監(jiān)測不穩(wěn)定邊坡，應(yīng)做好泥石流預(yù)警工作，以保障人民群眾的生命及財產(chǎn)安全。

（3） 利用ROC曲線評價信息量模型、邏輯回歸模型和信息量-邏輯回歸耦合模型的精度，3個模型的AUC值分別為0.917，0.928和0.931，耦合模型的AUC值最大，體現(xiàn)了模型耦合在泥石流易發(fā)性評價中的優(yōu)越性。并且耦合模型高易發(fā)區(qū)的災(zāi)害點百分比最大，進一步說明了耦合模型的精度更高。因此，本文使用信息量-邏輯回歸模型對石棉縣進行泥石流易發(fā)性評價具有可靠性和合理性，分區(qū)結(jié)果可以為石棉縣選址規(guī)劃及防災(zāi)減災(zāi)提供參考依據(jù)。

參考文獻：

[1] 何樹紅，姜毅，計曉林.泥石流災(zāi)害經(jīng)濟損失研究綜述[J].災(zāi)害學(xué)，2019，34（4）：153-158.

[2] 金昌市自然資源局金川分局.2019年全國地質(zhì)災(zāi)害災(zāi)情及2020年地質(zhì)災(zāi)害趨勢預(yù)測[EB/OL].[2020-01-13].http：∥www.jinchuan.gov.cn/xxgkml/zfbm/gtfj/gzxx_1963/ywgzgtj/202001/t20200113_134022.html.

[3] 石棉縣公安局.石棉縣公安局全力開展“7.4”特大泥石流災(zāi)害搶險救災(zāi)工作[EB/OL].[2013-09-11].http：∥www.shimian.gov.cn/gongkai/show/20171225115300-024744-00-000.html.

[4] 石棉縣氣象局.石棉縣7.10自然災(zāi)害統(tǒng)計表[EB/OL].[2014-12-22].http：∥www.shimian.gov.cn/gongkai/show/20171225115300-042767-00-000.html.

[5] 四川在線.石棉一場泥石流“沖走”1500萬 萬幸無人員傷亡[EB/OL].[2020-8-13].http：∥k.sina.com.cn/article_1887538377_70818cc902000n5hl.html.

[6] 王高峰，楊強，田運濤，等.泥石流易發(fā)性評價模型的構(gòu)建：以白龍江流域石門鄉(xiāng)羊湯河段為例[J].干旱區(qū)研究，2019，36（3）：761-770.

[7] REICHENBACH P，ROSSI M，MALAMUD B D，et al.A review of statistically-based landslide susceptibility models[J].Earth-science Reviews，2018，180：60-91.

[8] 李雪平.基于GIS的區(qū)域斜坡穩(wěn)定性評價Logistic回歸模型研究[D].武漢：中國地質(zhì)大學(xué)，2005.

[9] ESPER ANGILLIERI M Y.Debris flow susceptibility mapping in a portion of the Andes and Preandes of San Juan，Argentina using frequency ratio and logistic regression models[J].Earth Sciences Research Journal，2013，17（2）：159-167.

[10] ALISA A M，MASTRANTONIO L，MOREIRAS S M.Debris rlows susceptibility analysis in the Provincial Aconcagua Park，Mendoza，Argentina[J].Revista De La Facultad De Ciencias Agrarias，2019，51（2）：177-191.

[11] ZHAO Y，WANG R，JIANG Y，et al.Gis-based logistic regression for rainfall-induced landslide susceptibility mapping under different grid sizes in Yueqing，Southeastern China[J].Engineering Geology，2019，259：1-10.

[12] 杜謙，范文，李凱，等.二元Logistic回歸和信息量模型在地質(zhì)災(zāi)害分區(qū)中的應(yīng)用[J].災(zāi)害學(xué)，2017，32（2）：220-226.

[13] 王昌明，黃健，李橋，等.基于信息量模型與Logistic回歸模型耦合的山西呂梁市地質(zhì)災(zāi)害易發(fā)性評價研究[J].水利水電技術(shù)，2019，50（3）：132-138.

[14] 楊盼盼，王念秦，郭有金，等.基于加權(quán)信息量模型的臨潼區(qū)滑坡易發(fā)性評價[J].長江科學(xué)院院報，2019，36（1）：1-9.

[15] 陳朝亮，彭樹宏，錢靜，等.基于AHP-Logistic熵權(quán)模型的西南淺丘區(qū)地質(zhì)災(zāi)害分布特征研究：以內(nèi)江市為例[J].長江科學(xué)院院報，2020，37（2）：55-61.

[16] 覃乙根，楊根蘭，江興元，等.基于確定性系數(shù)模型與邏輯回歸模型耦合的地質(zhì)災(zāi)害易發(fā)性評價：以貴州省開陽縣為例[J].科學(xué)技術(shù)與工程，2020，20（1）：96-103.

[17] 崔志超，王俊豪，崔傳峰，等.基于層次分析法和模糊數(shù)學(xué)相結(jié)合的甘肅東鄉(xiāng)八丹溝泥石流易發(fā)性評價[J].中國地質(zhì)災(zāi)害與防治學(xué)報，2020，31（1）：44-50.

[18] 陳立華，李立豐，吳福，等.基于GIS與信息量法的北流市地質(zhì)災(zāi)害易發(fā)性評價[J].地球與環(huán)境，2020，48（4）：471-479.

[19] 田欽，張彪，郭建飛，等.基于信息量和邏輯回歸耦合模型的滑坡易發(fā)性評價[J].科學(xué)技術(shù)與工程，2020，20（21）：8460-8468.

[20] 倪化勇，巴仁基，劉宇杰.四川省石棉縣地質(zhì)災(zāi)害發(fā)生的雨量條件與氣象預(yù)警（報）[J].水土保持通報，2010，30（6）：112-118.

[21] 王春山，巴仁基，周洪福，等.四川省石棉縣縣城泥石流災(zāi)害風(fēng)險評估[J].水土保持研究，2014，21（4）：219-223，228.

[22] 劉月，王寧濤，周超，等.基于ROC曲線與確定性系數(shù)法集成模型的三峽庫區(qū)奉節(jié)縣滑坡易發(fā)性評價[J].安全與環(huán)境工程，2020，27（4）：61-70.

[23] 王雷，吳君平，趙冰雪，等.基于GIS和信息量模型的安徽池州地質(zhì)災(zāi)害易發(fā)性評價[J].中國地質(zhì)災(zāi)害與防治學(xué)報，2020，31（3）：96-103.

[24] 周偉.基于Logistic回歸和SINMAP模型的白龍江流域滑坡危險性評價研究[D].蘭州：蘭州大學(xué)，2012.

[25] 許湘華.用Logistic回歸模型編制滑坡災(zāi)害敏感性區(qū)劃圖的方法研究[J].鐵道科學(xué)與工程學(xué)報，2010，7（5）：87-91.

[26] 蔡健玲.GIS技術(shù)與貝葉斯層次模型支持下的滇西北泥石流易發(fā)性評價[D].昆明：昆明理工大學(xué)，2019.

[27] 樊芷吟，茍曉峰，秦明月，等.基于信息量模型與Logistic回歸模型耦合的地質(zhì)災(zāi)害易發(fā)性評價[J].工程地質(zhì)學(xué)報，2018，26（2）：340-347.

[28] 長江水利委員會長江科學(xué)院.工程巖體分級標(biāo)準(zhǔn)：GB/T 50218-2014[S].北京：中國計劃出版社，2014

[29] 張恒曼.基于泥石流易發(fā)性評估的東川區(qū)村落分布特征研究[D].昆明：云南大學(xué)，2019.

[30] 張志沛，魏在豪.基于加權(quán)信息量模型的滑坡災(zāi)害易發(fā)性評價：以灞橋區(qū)為例[J].科學(xué)技術(shù)與工程，2020，20（9）：3492-3500.

（編輯：劉 媛）

Debris flow susceptibility assessment based on information value and logistic regression coupled model：case of Shimian County，Sichuan Province

YU Miao，XING Huige，HU Shiyu

（College of Architecture and Environment，Sichuan University，Chengdu 610065，China）

Abstract：

Debris flow is a common geological disaster in southwest of China，usually causing huge damage and casualties.The assessment of debris flow susceptibility can provide a theoretical basis for regional disaster prevention and mitigation and engineering site selection planning.Shimian County，Sichuan Province was used as the study area，and 288 historical debris flows in the county were obtained as the debris flow data set.Thirteen assessment factors including elevation，slope，aspect，topographic relief，water system density，lithology，NDVI，land use，fault distance，residential density，population density，road density and rainfall were selected.Debris flow susceptibility was assessed by adopting information value model，logistic regression model and information value-logistic regression coupled model.And the models were compared and evaluated by using receiver operating characteristic （ROC） curves.The results showed that the debris flow-prone areas in Shimian County were concentrated in the central and central-eastern parts of the county，mostly near rivers，roads and faults.The area of ROC curve （AUC） obtained by the information value model，logistic regression model，and information value-logistic regression coupled model were 0.917，0.928 and 0.931，respectively.It can be seen that the coupled model has the highest accuracy and the results is more reasonable and reliable.These results suggest that the information value-logistic regression coupled model is superior in the assessment of debris flow susceptibility，and the zoning results have practical implications for debris flow prevention in Shimian County.

Key words：

debris flow;susceptibility assessment;information value model;logistic regression model;information value-logistic regression coupled model;ROC curve