EN中文

SCIENTIA GEOGRAPHICA SINICA >

2015 , Vol. 35 >Issue 1: 91 - 98

DOI: https://doi.org/10.13249/j.cnki.sgs.2015.01.91

Orginal Article

Small Regional Geohazards Susceptibility Mapping Based on Geomorphic Unit

  • TANG Chuan ,
  • MA Guo-chao
Expand
  • State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology, Chengdu, Sichuan 610059, China

Received date: 2014-03-27

  Request revised date: 2014-07-20

  Online published: 2015-01-15

Copyright

本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
Fold

Abstract

The assessment of geological disasters mainly includes susceptibility assessment, hazard assessment, vulnerability assessment and risk assessment. The first two just reflect the geological disasters’ nature characteristics and theirs’ dangerous levels, what’s more, the remaining additionally describe geological disasters’ social characteristics and social potential losses on the basis of the first two. Actually, the susceptibility and hazard assessment could trace back to the 1970s, meanwhile, with the rapid development of GIS technology and high precision geotechnical physical model after 1990s, the research about geological disasters’ dangerous levels also step into a rapid development stage. On the whole, susceptibility assessment of geological disasters statically reflect the probability of geological disasters’ occurrence in view of the basic geological environmental conditions (internal control factors). On the other way, hazard assessment of geological disasters additionally takes external factors (time probability etc.) into account and responds the probability of geological disasters’ occurrence. Thus it can be seen that susceptibility assessment is the most fundamental research work in hazard or risk assessment and directly describes geological disasters’ inoculation situation. Nowadays, with the popularization and deepening of regional geological disaster risk assessment and zoning work, in view of small area, especially for small mountainous area or small populated area, the susceptibility assessment to geological disasters becomes increasingly urgent and important. Based on the above situation, this article takes Wenchuan County surrounding area as the study object, taking grid unit and geomorphic unit as evaluation unit, using information value method and logistic regression method to take an analysis on the susceptibility zoning. According to the results of comparative analysis, in a small area, susceptibility zoning with geomorphic unit not only can better reflect the local comprehensive characters, make the evaluation results more close to the actual geological disasters distribution, but could get clear hierarchical level, and more effective for the application of the mathematical model. The conclusions is: in a small area, it will have a good applicability and plasticity for the susceptibility zoning which is based on the geomorphic unit and it is a beneficial attempt and inspiration for the geological disasters susceptibility mapping in the large scale.

Key words： geological disasters; information value method; logistic regression method; geomorphic unit; susceptibility zoning

Cite this article

TANG Chuan , MA Guo-chao . Small Regional Geohazards Susceptibility Mapping Based on Geomorphic Unit[J]. SCIENTIA GEOGRAPHICA SINICA, 2015 , 35(1) : 91 -98 . DOI: 10.13249/j.cnki.sgs.2015.01.91

地质灾害的评价主要包括易发性评价、危险性评价、易损性评价与风险性评价。其中地质灾害危险性与易发性评价研究起源于20世纪70年代,在90年代后,伴随着GIS技术与高精度岩土物理模型的快速发展,对于地质灾害危险程度的研究进入高速发展阶段,国内外研究者相继取得一些具有代表意义的研究成果[1-5]。
地质灾害易发性评价是以基础地质环境条件（内在控制因素）为出发点,静态考察地质灾害在相对稳定的孕灾环境中发生的可能性大小。而危险性评价则是在其基础上,考虑外在诱发地质灾害发生的因素（时间概率等）的动态影响,更进一步描述地质灾害发生的可能性大小[6,7]。由此可见,易发性评价是地质灾害危险性评价乃至风险性评价中最为基础性的研究工作,也是地质灾害内在孕育情况最为直观的表述。随着中国区域地质灾害风险性评价与分区工作的深化与普及,探究针对小区域,特别是小范围的山地多灾区域、人口集中区域的地质灾害易发性评价分析方法显得越加迫切与重要。基于以上情况,本文以汶川县城区域为研究区,分别以传统的栅格单元和地貌单元作为易发性基本评价单元,采用信息量法与逻辑回归法两种常用模型对研究区进行易发性分区,比较分析易发性评价结果,探讨研究基于地貌单元的小区域危险性评价的合理性与可行性,为大比例尺的地质灾害危险性及风险性制图做出了有利尝试。

1 研究区概况与单元划分

1.1 研究区概况

汶川县位于四川省阿坝藏族羌族自治州东南部,东部与都江堰市和彭州市相邻、南部与大邑县和崇州市相靠,西部与小金县和宝兴相接,西北和东北分别与理县、茂县相连,下辖14个乡镇,总面积4 083 km2。汶川县城则位于汶川县界内岷江与杂谷脑河的交汇之处,城区面积约2 km2,城镇常住居民约2万余人,周边散落数十处村落,是汶川县政治、经济、文化中心。县城被茶坪山脉、邛崃山脉等诸多山脉围绕,周边区域沟壑纵横,岭峦错落,植被稀疏,且地质构造发育,岩性复杂,地质灾害孕育环境充分。受汶川5.12大地震影响,县城周边崩塌,滑体灾害极度发育。由此可见,汶川县城区域即是人类活动极度频繁的区域,也是地质灾害充分发育的区域,对该区域进行危险性评价与分区有现实意义。本文研究区总体面积为28.53 km2,已有崩滑体面积2.544 km2,共有11处居民聚集区域（图1）。
Fig.1 The units in study area

图1 研究区单元划分

1.2 评价单元划分

本文采用栅格单元与地貌单元两种单元形式作为基本评价单元,其中栅格单元就是规则方正的正方形单元格。而地貌单元是指能够有效表现出小区域综合地貌特性的不规则单元。本文采用的地貌单元为斜坡单元与乡镇单元,斜坡单元是基于沟谷面划分的评价单元,能够良好地表现局部区域的地形地貌,对滑坡、崩塌等地质灾害具有明显的控制作用,是对地质灾害进行评价的常用基本单元[8,9];而乡镇单元,在本文中并不严格对应于地方行政区分范围,而是指明显的人口聚集居住区域,是其本身地理地貌环境深受人类活动改变和影响的区域。本文借助GIS水文分析工具从1∶50 000的地形数据中提取划分斜坡单元;借助汶川县2013年7月航拍影像解译进行乡镇单元的划分,将整个研究区域划分为295个评价单元。栅格规则单元取5 m×5 m方格单元,其单元格划分示意如图1所示。

2 易发性评价分区

2.1 评价因子的选取

由于本文评价单元有两种类型：栅格单元和地貌单元。由于两者之间具有各具特性,故而评价因子也不能一概而论。参考陈伟对汶川县城进行危险性分区的评价指标[3],取栅格单元的评价因子有：坡度,高程,距河流距离,距断层距离,工程岩组以及地表形态。为与栅格评价因子相对应,地貌单元的评价因子则择机选择有：坡度（取地貌单元区域内的平均坡度）,相对高差（取地貌单元区域内最高点与最低点的差值）,距河流距离（取地貌单元区域距离河流的平均距离）,距断层距离（取地貌单元区域距离断层的平均距离）,工程岩组（取地貌单元区域中主要岩体性质）及地貌形态（取地貌区域综合呈现的形态特征）。

2.2 信息量法模型

信息量法是一种常用的统计分析方法,起初在地学上的应用主要集中在矿产资源的调查方面,近年来在地质灾害领域进行了广泛的运用。其工作的主要思路是参照已发生的地质灾害或已遭受破坏区域的现实情况,将反映各种影响区域稳定性因素的实测值或重要参数转换为反映区域稳定性的信息量值,通过计算各种影响因素对研究对象所提供的信息量大小来评价各个影响因素与研究对象关系的密切程度[2]。在地质灾害易发性评价中,信息量法将地质灾害发生现象定为研究对象,而对地质灾害产生影响的地形、坡度、岩性等因子便是模型的评价指标,通过这些影响因子所贡献的信息量大小与综合水平来进行相应的区域易发预测与等级区划[10,11]。
综上所述,该模型的核心就是计算与比较各个因子对于研究对象所贡献的信息量大小,其基本信息量计算模式如公式1：
I ( x i , H ) = ln [ P ( x i / H ) / P ( x i ) ] （1）
式中,I(xi ,H)是指影响因子xi对地质灾害H所贡献的信息量,P(xi/H)是指在地质灾害发生条件下出现因子xi的概率,P(xi)表示研究区出现xi的概率。
式1是进行信息量计算的理论模型,而在实际运算中,通常寻找具有切实可行的样本计算公式进行有效替代。结实际情况,本文采取公式2-4对影响因子进行信息量计算与综合（其中公式2只在地貌单元内进行计算）：
x i _ = ( x i 1 + x i 2 + ...... + x i j ) / j （2）
I ( x i , _ H ) = ln [ ( N i / N ) ( S i / S ) ] （3）
I = ∑ i = 1 n I ( x i _ , H ) = ∑ i = 1 n ln N i N S i S （4）
式中, x i _ 代表评价单元内所取的因子等级,j为一个评价单元中同种因子具有的层次或类别数目,I( x i _ ,H)为因子 x i _ 对地质灾害所贡献的信息量,S为研究区面积,Si为研究区内含有因子xi的面积,N为历史地质灾害分布面积,Ni为发生地质灾害区域中含有因子xi的面积,I为评价单元中的综合信息量,n为影响因子数量。

2.3 逻辑回归模型

Logistic回归模型是一种基于最大似然估计法的回归分析模型,其因变量为二值（二项）分类变量,是进行地质灾害易发性评价的常用分析手段。在地质灾害易发性分析中,地质灾害发生与否往往作为模型的两个因变量（1代表地质灾害发生,0代表地质灾害不发生）,而影响因子则作为模型的自变量[12-14]。在模型计算中,会首先假定地质灾害发生的概率为P,那么地质灾害不发生的概率便为1-P,由此对logistic函数进行自然对数转换：
Logit ( P ) = ln [ P / ( 1 - P ) ] = α + β 1 x 1 + β 2 x 2 + ⋯ ⋯ + β n x n （5）
式中,Logit(P)为地质灾害发生概率P的逻辑转换值。α为逻辑回归计算而得的常数项,β为逻辑回归计算而得的各因子权重,n为评价因子种类数目。且由式5可以直接推导出计算P的公式：
P = e α + β 1 + ⋯ ⋯ + β n / ( 1 + e α + β 1 + ⋯ ⋯ + β n ) = 1 / [ 1 + e - ( α + β 1 + ⋯ ⋯ + β n ) ] （6）
由上述公式可以看出,整个模型的核心在于获取式5中的常数项与各因子权重值。而这些数值均是基于影响因子的指标值,通过逻辑回归模型计算反馈而得,而本文选取常用的地质灾害面积所占比例为因子指标,使用spss统计软件中Binary logistic回归分析工具对指标值进行计算获取常数项与因子权重,最终计算出单元内地质灾害发生的概率。

2.4 因子分级、指标计算及易发性分区

栅格单元与地貌单元的因子分析与指标计算见表1、2。根据表1-2中各类因子的逻辑指标值（I2）,通过ArcGIS软件将单元指标值以数据矩阵的形式导出,由spss软件进行Binary logistic回归分析获取的逻辑回归系数如表3所示。
Table 1 Factor classification and index calculation (grid unit)

表1 因子分级与指标计算（栅格单元）

评价因子 分级 Si(km2) Si/S (%) Ni(km2) Ni/N(%) Ni/Si I1 I2
坡度（°） 0-15 3.646 12.76 0.156 6.13 0.0428 -0.7326 0.1044
15-30 10.165 35.57 0.406 15.96 0.0399 -0.8014 0.0974
30-45 11.605 40.61 1.284 50.47 0.1106 0.2175 0.2699
>45 3.164 11.07 0.698 27.44 0.2206 0.9076 0.5381
高程（m） 1320-1630 9.415 32.94 1.531 60.18 0.1626 0.6026 0.5005
1630-1985 9.178 32.11 0.509 20.01 0.0555 -0.4731 0.1707
1985-2408 6.894 24.12 0.315 12.38 0.0457 -0.6669 0.1406
2408-3200 3.093 10.82 0.189 7.43 0.0611 -0.3762 0.1881
距河流距离（m） <500 7.026 24.58 1.262 49.61 0.1796 0.7020 0.7484
>500 21.554 75.42 1.282 50.39 0.0595 -0.4032 0.2478
距断层距离（km） >1 4.371 15.29 0.25 9.83 0.0572 -0.4423 0.3813
<1 24.209 84.71 2.294 90.17 0.0948 0.0625 0.6317
地表形态 凸 16.532 57.84 1.149 45.17 0.0695 -0.2474 0.3658
凹 12.048 42.16 1.395 54.83 0.1158 0.2630 0.6094
工程岩组 软弱岩体 9.567 33.47 1.787 70.24 0.1868 0.7412 0.6441
较软弱岩体 11.198 39.18 0.516 20.28 0.0461 -0.6584 0.1589
较坚硬岩体 4.007 14.02 0.099 3.89 0.0247 -1.2817 0.0852
坚硬岩体 3.808 13.32 0.142 5.58 0.0373 -0.8701 0.1286
Table 2 Factor classification and index calculation (geomorphic unit)

表2 因子分级与指标计算（地貌单元）

评价因子 分级 Si(km2) Si/S (%) Ni(km2) Ni/N(%) Ni/Si I1 I2
平均坡度(°) 0-15 1.891 6.62 0.027 1.06 0.0143 -1.830 0.0398
15-30 11.487 40.19 0.732 28.77 0.0637 -0.334 0.1776
30-45 14.289 50.00 1.633 64.19 0.1143 0.250 0.3185
>45 0.913 3.19 0.152 5.97 0.1665 0.626 0.4640
相对高差(m) 0-250 2.438 8.53 0.051 2.00 0.0209 -1.448 0.0513
250-500 9.982 34.93 0.900 35.38 0.0902 0.013 0.2212
500-750 11.618 40.65 1.159 45.56 0.0998 0.114 0.2448
750-1000 3.335 11.67 0.308 12.11 0.0924 0.037 0.2266
>1000 1.207 4.22 0.126 4.95 0.1044 0.159 0.2561
地貌形态 平 0.887 3.10 0.017 0.67 0.0192 -1.536 0.0975
凹 11.904 41.65 0.836 32.86 0.0702 -0.237 0.3574
凸 15.789 55.24 1.691 66.47 0.1071 0.185 0.5450
距河流距离 <500 m的单元 2.487 8.70 0.136 5.35 0.0547 -0.487 0.1983
两者间的单元 9.287 32.49 1.615 63.48 0.1739 0.670 0.6305
>500 m的单元 16.806 58.80 0.793 31.17 0.0472 -0.635 0.1711
距断层距离 <1 km的单元 17.756 62.13 1.925 75.67 0.1084 0.197 0.4238
两者间的单元 9.925 34.73 0.535 21.03 0.0539 -0.502 0.2107
>1 km的单元 0.899 3.15 0.084 3.30 0.0934 0.049 0.3653
工程岩组 软弱岩体 14.837 51.91 1.850 72.72 0.1247 0.337 0.4073
较软弱岩体 0.811 2.84 0.055 2.16 0.0678 -0.272 0.2216
较坚硬岩体 8.497 29.73 0.283 11.12 0.0333 -0.983 0.1088
坚硬岩体 4.435 15.52 0.356 13.99 0.0803 -0.103 0.2622

注：表1-2中,Si、S、Ni、N均与公式3-4相对应;I1、I2分别指信息量值与逻辑回归指标值,I2是由Ni/ Si线性归一化所得。

Table 3 Logistic regression coefficient

表3 逻辑回归系数

单元格式 常数项 坡度 工程岩组 地貌形态 距河流距离 距断层距离 相对高差/高程
栅格单元 -5.950 3.720 1.990 -0.338 1.185 1.755 2.728
地貌单元 -1.849 6.614 2.328 -2.539 3.971 -1.111 -1.643
而后将表3中的逻辑回归系数带入公式6,利用GIS中叠加分析工具按公式进行因子综合计算,获取逻辑回归分析成果图,其评价单元的值域均在0-1之间,其中单元中值越大则表示该单元发生地质灾害的可能性越高。结合频率和频数分布直方图与自然断点法[15,16]对两种评价单元的成果图进行重新分类,划为4类（图2）。其中栅格单元评价结果划分为：高易发区域（0.64-1）、中等易发区（0.45-0.64）、低等易发区（0.23-0.45）、极低易发区（0-0.23）;地貌单元评价结果划分为：高易发区域（0.85-1）、中等易发区（0.60-0.85）、低等易发区（0.35--0.60）、极低易发区（0-0.35）。
Fig.2 The susceptibility zoning in study area

图2 研究区易发性分区

根据表1-2中各类因子信息量值（I1）,利用GIS的空间叠置功能对因子信息量值进行叠加分析,得到整个研究区的综合信息量图,其中基于栅格单元的综合信息量在-3.84-3.27之间,基于地貌单元的综合信息量在-4.5-1.75之间,评价单元中综合信息量值越大也表示单元内发生地质灾害的可能性越大。同样结合频率和频数分布直方图与自然断点法,分别对两者进行重新分类,划分为4级。其中栅格单元评价结果划分为：高易发区域（0.41-3.27）、中等易发区（-1.11-0.41）、低等易发区（-2.31--1.11）、极低易发区（-3.84--2.31）;地貌单元评价结果划分为：高易发区域（0.31-1.75）、中等易发区（-1.67-0.31）、低等易发区（-3.1--1.67）、极低易发区（-4.5--3.1）。

3 评价结果比较分析

基于以上研究区易发性分区结果与参考易发性分区的实用价值,本文将从区域综合特性体现优劣情况,与地质灾害实际分布情况的吻合程度以及数学模型的适用效率等3个方面来探讨研究基于地貌单元的小区域地质灾害易发性评价分区是否具有适当的合理性与可行性。
1） 区域综合特性体现情况。地质灾害的易发性评价等级可以理解为对评价环境中岩性、地貌等孕灾条件的综合直观体现。因此,能否良好地从宏观的角度顾及到局部区域的地形地貌综合特性,是衡量灾害易发性评价分区效果优劣程度的重要指标。本文通过实地调查与易发性评价结果进行比较,发现以地貌单元进行的评价分区能够更好地综合局部区域的地形地貌特性,对孕灾条件的体现更加合理。以图3（汶川县城）为例,图中红色勾画部分是受地貌控制的一整块滑体,明显为易滑下凹的高危滑区,虽然部分区域有植被覆盖未发生滑动,但从综合宏观的角度上仍可以整体定为高危区域。其中基于栅格单元评价结果,会在高危区域出现其它易发程度的区域,略显不大合理。相比较而言,基于地貌单元的评价结果则将整个部分均划为高易发区域,更好地体现该部分的地形地貌综合特性,更加契合现实情况。
Fig.3 The comparison of regional assessment

图3 区域评价比较

2） 与地质灾害实际分布吻合情况。本文利用ArcGIS空间统计工具对图2中4种分区情况与历史地质灾害进行统计比较,以历史滑坡在各个分级区域中所占比例来描述两者间的吻合情况,在以栅格单元为基础评价单元的分区结果中,逻辑回归法分析结果中有68%的历史地质灾害分布在中高等或高等易发区域,信息量法分析结果中61%的历史灾害分布在中高等或高等易发区,平均契合概率为64.5%。在以地貌单元为基础评价单元的分区结果中,逻辑回归分析结果中有82%的历史地质灾害分布在中高等或高等易发区域,信息量法分析结果中77%的历史灾害分布在中高等或高等易发区,平均契合概率为79.5%。由此可以看出,基于地貌单元的危险性分区成果更加合理,分区等级与地质灾害分布情况吻合程度更高,具体如图4所示。
Fig.4 Actual geological disasters distribution proportion

图4 已发地质灾害分布比例

3） 数学模型适用效率。本文借助GIS 的空间统计工具分别针对基于地貌单元与栅格单元两种评价单元,比较分析通过信息量法与逻辑回归法两种评价模型得出的评价分区结果,依据两种结果之间的拟合程度探索研究两种评价单元的数学模型效率。在以栅格单元为基础评价单元（共1 141 372个）的分区结果比较中,其中信息量评价结果中极低易发区域占整体面积23.5%（40 142个单元）,低等易发区域占77.3%（882 233个单元）,中等易发范围占6.8%（77 915个单元） 以及高等易发范围占12.4%（141 082个单元）;逻辑回归评价结果中极低易发区域占整体3.8%（43 655个单元）,低等易发区域占69.3%（790 613个单元）,中等易发范围占17.6%（200 857个单元）以及高等易发范围占9.3%（10 6247个单元）。同时结果发现两种评价结果之间具有相同易发等级的评价单元共有784 306个,占研究区总面积68.7%,其中极低易发性区域占2.1%（23 548个单元）,低等易发性区域占52.6%（600 268个单元）,中等易发性区域占5.6%（64 053个单元）以及高等易发性区域占8.4%（96 437个单元）。
在以地貌单元为基础评价单元（共295个单元）的分区结果比较中,其中信息量评价结果中极低易发区域占整体面积3.7%（18个单元）,低等易发区域占62.6%（183个单元）,中等易发范围占20.2%（50个单元）以及高等易发范围占13.5%（44个单元）;逻辑回归评价结果中极低易发区域占整体4.2%（20个单元）,低等易发区域占58.6%（174个单元）,中等易发范围占22.4%（55个单元）以及高等易发范围占14.8%（46个单元）。同时结果发现两种评价结果之间具有相同易发等级的评价单元共有211个,占研究区总面积75.4%,其中极低易发性区域占2.3%（11个单元）,低等易发性区域占54.3%（145个单元）,中等易发性区域占8.6%（22个单元）以及高等易发性区域占10.2%（33个单元）。结合以上统计数据,以地貌单元作为评价单元,两种数学模型计算评价的重合度更高,数学模型的适用效率更好,具体统计数据如图5。
Fig.5 The statistics of susceptibilityzoning

图5 易发分区统计

4 结 论

以汶川县城多灾区域为研究区,基于以上3个角度的评价分析比较,在小区域范围内,基于地貌单元的区域地质灾害易发性分区手段,相对于传统栅格评价单元的评价分区方法而言,具有如下优势：① 能够更好地体现出区域中的微观综合地貌特性,良好地契合地质灾害实际危险状况;② 评价分区结果与历史地质灾害分布情况更加吻合,分级层次更加明显,划分区域的说明力更强;③ 数学评价模型的适用效率也相对更加优胜。由此可见,该评价手段在地质灾害易发区划工作中具有良好的适用性与可塑性,在大比例尺地质灾害易发性制图中是一个有益的尝试与启发。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
A K Pachauri, Abhirup Chatterjee,Reeta Gaur.Enveloping Relief Surfaces of Landslide Terrain[J]. Journal of Mountain Science,2007,3(9):203-208.

[2]
黄润秋,李日国. 三峡库区水平岩层岸坡变形破坏机制的数值模拟研究[J].地质灾害与环境保护,1991,2(12):24-31.

[3]
陈伟. 西南山区城镇建设地质灾害风险管理控制方法研究[D].成都:成都理工大学, 2011.

[4]
刘沁萍,田洪阵,杨永春.基于GIS 和遥感的中国城市分布与自然环境关系的定量研究[J].地理科学,2012,32(6): 686-693.

[5]
周寅康,金晓斌,王千,等.基于GIS 的关中地区农业生产自然灾害风险综合评价研究[J].地理科学,2012,32(12):1464-1471.

[6]
Carrara A,Cardinali M,Detti R,et al.GIS techniques andstatistical models in evaluating landslide hazard[J]. Earth Surface Processes and Landforms,1999,16(5):427-445.

[7]
Conoscenti C,Di Maggio C,Rotigliano E.GIS analysis to assess landslide susceptibility in a fluvial basin of Nw Sicily (Italy)[J].Geomorphology Geomorphology,2008,94(3-4):325-339.

[8]
谷天峰,王家鼎,付新平.基于斜坡单元的区域斜坡稳定性评价方法[J].地理科学,2013,33(11):1400-1405.

[9]
尚慧,倪万魁,程花.斜坡单元划分在彭阳县地质灾害危险性区划的应用[J].中国水土保持,2011,3(2):48-50.

[10]
邱海军,曹明明,刘闻,等.基于三种不同模型的区域滑坡灾害敏感性评价及结果检验研究[J].地理科学,2013,33(1):110-115.

[11]
吴柏清,何政伟,刘严松.基于GIS的信息量法在九龙县地震灾害危险性评价中的应用[J].测绘科学,2008,33(4):146-148.

[12]
王卫东,钟晟.基于GIS的Logistic回归模型在地质灾害危险性区划中的应用[J].工程勘察,2009,11(2):5-10.

[13]
苗雨. 基于GIS和Logistic模型的地质灾害危险性区划研究[D].西安:长安大学,2010.

[14]
李雪见,唐辉明.基于GIS的分组数据Logistic模型在斜坡稳定性评价中的应用[J].吉林大学学报,2005,35(3):361-365.

[15]
许冲,戴福初,涂新斌,等.“5.12”汶川地震诱发滑坡特征参数统计分析[J].自然灾害学报,2011,20(4):147-153.

[16]
许冲,戴福初,姚鑫,等.基于GIS与确定性系数分析方法的汶川地震滑坡易发性评价[J].工程地质学报,2010,18(1):15-26.

Options
Outlines

/

〈 〉