滑坡地質災害風險區劃評價方法研究綜述

何世陽, 李立青, 何亞輝,2

(1.河南工業大學 土木工程學院，河南 鄭州 450000； 2.河南交通發展研究院有限公司，河南 鄭州 450000)

0 引言

滑坡作為自然界最常見的地質災害，具有危害性大、破壞力強的特點?！?022年中國自然資源統計公報》顯示，2022年全國共發生地質災害5659起，其中滑坡3919起，占風險點總數的69%[1]?；碌刭|災害風險區劃評價是優化滑坡風險管理的基礎工作，是制定防災減災措施，特別是非工程措施的重要依據[2]；滑坡地質災害風險評價的核心內容是評價方法模型，模型的選擇直接決定著評估結果的合理性及準確性。張鐸等[3]將滑坡危險性區劃評價模型分為判別分析模型和機器學習模型。唐亞明等[4]將滑坡地質災害評價方法分為概率分析法、定性推理法、數學模型評價法、確定性模型和不確定性模型等5種；許沖等[5]將滑坡災害評價方法分為直接評價法、專家知識法和統計分析法；部分學者則將其劃分為定性方法和定量方法[6-7]。隨著機器學習和人工智能技術的不斷發展，機器學習模型得到了廣泛應用[8]，其中耦合模型的精度高且穩定性良好[9-10]。綜上所述，既有研究成果頗豐，然而滑坡地質災害風險評價方法模型歸類不系統，缺乏評價方法模型的優劣對比，致使巖土工作者選取合理的風險區劃評價模型時存在一定的困擾。本文基于文獻調研及部分工程應用案例的研究成果，首先梳理滑坡地質災害區劃評價的實施流程，依據獲得滑坡影響因子與風險性之間相互關系的不同手段對評價方法進行歸類，闡述滑坡災害風險區劃評價方法的優劣及應用場景，總結并展望滑坡地質災害風險區劃評價的研究方向，以期豐富滑坡地質災害研究的視角和內容，協助防災減災規劃與風險治理工作的開展。

1 評價方法分類

基于既有滑坡地質災害風險評價方法的研究成果，本文將滑坡地質災害風險區劃評價方法模型分為地理信息系統、定性模型、定量模型、機器學習模型、耦合模型和其他模型。地理信息系統主要是以ArcGIS平臺為核心進行風險區劃評價[11]。定性模型一般基于專家知識經驗，主要有專家評分法、層次分析法和加權線性組合法等[12]。定量模型以統計分析模型為主，主要包括Newmark位移模型、貢獻權重疊加法、模糊綜合評價法和粗糙集理論等[5，13-14]，其中粗糙集理論是一種小樣本方法，可定量分析處理不精確、不一致和不完整的信息和知識[15]。統計分析模型可分為二元統計分析模型和多元統計分析模型，其中二元統計分析模型主要有確定性系數法、證據權法、信息量法、頻率比法等；多元統計分析模型主要有判別分析法、邏輯回歸分析法等。機器學習模型主要有神經網絡、隨機森林、支持向量機、貝葉斯網絡、決策樹等[16]。耦合模型主要是2種或多種方法耦合的評價模型。其他方法主要有綜合指標法、突變理論、物元模型、分形理論和數量化理論等。

2 評價方法研究

2.1 地理信息系統

地理信息系統(GIS)是一種具備信息系統空間專業的數據管理系統，目前已成為成熟的空間數據處理技術。GIS主要有數據獲取、數據管理、空間分析和輸出功能，可為滑坡災害風險預測評價提供有利的軟件平臺[17]，已在滑坡災害風險區劃評價方面取得了良好的應用效果[18-19]。部分學者還將GIS與RS(遙感)技術相結合進行滑坡風險區劃評價研究[20]，其評價結果與野外調查情況基本相符，可滿足滑坡減災防災工作的技術需求。然而，GIS對數據質量要求高，需進行數據清洗、處理和定期更新，較難保證預測精度，且學習門檻與時間成本較高。

2.2 定性評價模型

定性評價模型主要依賴專家知識經驗，受人為因素的影響較大，評價結果具有一定的主觀性[21]。田述軍等[22]以斜坡為評價單元，采用專家打分法確定各評價指標的權重，基于ArcGIS平臺對某公路滑坡地質災害進行區劃評價，結果表明以斜坡為研究單元可有效避免因單元劃分而忽略斜坡整體性的影響。Patwary等[23]基于遙感數據和GIS技術，采用專家打分法對區域內滑坡災害進行風險性劃分，得到的區劃圖與現有滑坡分布吻合良好，但該區域內大部分滑坡規模相對較小。部分學者采用層次分析法確定權重系數[24]，并與GIS技術[25-26]、RS技術[27]等結合進行滑坡風險區劃評價研究。與專家打分法相比，層次分析法可以成對比較各種影響因素，有效減少人為錯誤，使評估結果更加客觀[28]。Ayalew等[29]嘗試采用加權線性組合法用于滑坡風險區劃評價，取得了較好的效果。綜上可知，定性評價模型雖較早應用于滑坡災害區劃研究，但評價結果及精度存在一定的局限性，與預期要求存在一定的差距。

2.3 定量評價模型

定量評價模型主要基于環境因素與滑坡災害之間的關聯性進行分析，通常采用統計分析模型進行風險指標計算[30]，統計分析模型分為二元統計分析模型和多元統計分析模型。

二元統計分析模型應用較廣泛。齊信等[31]運用GIS技術對評價因子進行空間分析，采用頻率比模型計算評價因子的貢獻率并進行疊加分析，成功地將三峽地區秭歸向斜盆地滑坡災害劃為4個分區。尚有部分學者采用水文分析法和曲率分水嶺法等兩種斜坡單元劃分方法[32]，基于GIS技術生成評價因子證據圖層并進行疊加分析，而后采用證據權法對研究區域內的滑坡災害進行風險分區[33-34]。為克服滑坡災害因子邊界劃分的不確定性和因子權重的主觀性，謝洪斌等[35]引入修正后驗概率模型的模糊證據權法對地震滑坡災害進行風險區劃，研究表明該方法生成的區劃圖較客觀準確，適用于預測由自然因素主導事件的發生概率。部分學者以柵格單元[36-37]或斜坡單元[38]為評價單元，基于GIS技術[39]采用信息量理論[40-41]或信息熵理論[42]對滑坡災害進行風險區劃評價，研究表明以斜坡單元為評價單元進行滑坡風險區劃比柵格單元更加合理[43]。此外，尚有學者基于GIS平臺疊加分析功能，采用確定性系數法對滑坡地質災害風險進行區劃評價研究，并取得良好的效果[44]。

多元統計分析模型中應用較多的主要有邏輯回歸分析法、判別分析法。邏輯回歸分析法有效避免了預測概率大于1或小于0的不合理情況[45]，在利用GIS平臺對滑坡災害進行風險區劃研究中取得了很好的應用效果[46-47]。針對網格生成、致災因子選擇、不重合邊界等問題，許湘華[48]運用GIS的空間分析功能和SPSS的統計功能，有效消除了滑坡災害區劃精度的影響?；贕IS平臺對影響因子的圖層疊加分析，許沖等[49]、趙良軍等[50]運用邏輯回歸方法計算各影響因子的系數值并構建邏輯回歸模型，于GIS平臺上繪制滑坡災害風險性區劃圖。方然可等[51]采用貝葉斯優化算法對邏輯回歸模型參數進行優化，可明顯提高模型準確率和模型泛化能力。陸新等[52]研究表明判別分析法適用于成災機理不太明確的中小型滑坡災害，以滑坡災害隱患點為訓練樣本，建立起中小型滑坡穩定狀態的判別分析函數，并對未知穩定狀態的滑坡災害風險性進行評價。Carrara等[53]、Davis等[54]則運用判別分析法與GIS技術相結合對滑坡地質災害進行了風險性評價，結果表明判別分析模型對邏輯函數假設具有魯棒性，可成功用于評價滑坡災害。

此外，還有貢獻權重疊加法、Newmark模型、模糊綜合評價法和粗糙集理論等定量分析模型。貢獻權重疊加法是一種物理意義明確且易于操作的評價模型[55]，與GIS技術相結合對滑坡災害風險區劃具有較好的評價效果[56]。在獲得明確的物理巖土力學性質和地震動參數的情況下，Newmark模型可獲得更準確的邊坡位移[57]，已有成果表明該模型是一種有效的地震誘發滑坡災害風險預測分析方法[58]。尚有學者采用模糊綜合評價法對滑坡災害進行風險區劃研究[59]，該方法評價因子組合反映了評價因子與滑坡災害之間的非線性關系，且各評價因子組合模型中部分參數可由統計分析得到，可顯著提高滑坡災害風險評價的準確性[60]。有學者嘗試將粗糙集理論用于滑坡災害風險評價研究，驗證了該方法比邏輯回歸分析法預測精度更高[61-62]。

定量模型與定性模型對比見表1，表中“>”表示“優于”(后文同)。

表1 定量模型與定性模型對比類型模型優劣對比信息量模型>邏輯回歸模型[63]確定性系數法>邏輯回歸模型[64]定量模型邏輯回歸模型>證據權法[65]頻率比模型>邏輯回歸模型>證據權法[66]邏輯回歸模型>信息量法[67]邏輯回歸模型>信息量模型[68]邏輯回歸模型>專家打分法[69]定性模型與定量模型邏輯回歸模型>頻率比模型>層次分析法[70]頻率比模型>層次分析法[71]

分析表1可知，定量評價模型整體要優于定性模型；定量評價模型中信息量法和確定性系數法對于滑坡災害風險區劃評價結果精度高，相對優于證據權法、邏輯回歸分析法，但也有學者研究成果表明邏輯回歸分析法優于信息量法。定量模型參數相對較少且構建簡單，較易操作且預測精度良好，使得該模型于滑坡地質災害風險區劃評價中應用較多。然而對邏輯回歸分析法和信息量法的優劣性缺乏統一口徑，需細化研究驗證二者的優劣性并探索其應用場景。

2.4 機器學習模型

機器學習模型是智能對象及其相互關系的數學算法表達，通過梳理訓練海量數據來模擬預測未來事件發展趨勢。機器學習模型應用中BP神經網絡應用居多，部分學者應用BP神經網絡構建滑坡災害風險區劃評價模型，通過訓練模型利用GIS平臺進行滑坡地質災害風險區劃評價[72-73]。 然而考慮到BP神經網絡收斂速度慢和陷入局部最優的趨勢，以及確定隱層節點數缺少理論指導造成模擬結果不確定等不足，已有部分學者引入遺傳算法或MIV理論來優化BP神經網絡模型，以解決滑坡災害風險預測能力不足造成的影響[74-75]。除BP神經網絡外，尚有學者應用徑向基概率神經網絡[76]、深度神經網絡[77]和卷積神經網絡[78]，研究成果表明卷積神經網絡優于傳統的神經網絡和深度神經網絡。支持向量機模型可有效解決小樣本空間、高維數的非線性問題[79]，胡德勇等[80]、武雪玲等[81]分別以網格單元和斜坡單元為評價單元，構建支持向量機模型進行滑坡災害風險區劃評價，再次驗證了以斜坡單元比網格單元作為評價單元的風險評價精度要高。Xu等[82-83]采用支持向量機模型并基于GIS技術對滑坡災害進行風險評價，驗證了該模型的可行性及有效性。Sun等[84]采用貝葉斯網絡模型對滑坡地質災害進行風險區劃評價，研究表明該模型可有效量化巖土參數存在的不確定性以及提高預測精度可靠性。趙建華等[85]、李文娟等[86]運用決策樹模型針對影響因素數據進行挖掘，并基于GIS平臺開展滑坡災害風險區劃研究。然而決策樹模型多用于單個模型預測，預測精度在一定程度上受到限制且易產生過擬合[87]。隨機森林模型是集成多棵隨機決策樹建模，對噪聲和異常值的敏感性低，難以過擬合，具有較好的精度和穩定性，應用效果良好[88]。表2為機器學習模型與定量模型對比。

分析表2可知，支持向量機模型和隨機森林模型對于滑坡災害風險區劃評價結果精度最高，且優于神經網絡模型、決策樹模型；機器學習模型的評價效果明顯優于定量評價模型，但也有部分學者認為邏輯回歸分析法優于神經網絡模型和支持向量機模型。為此可得，單一評價模型中機器學習模型預測穩定性、精度更高且應用效果最好。然而對于邏輯回歸分析法與神經網絡模型和支持向量機模型的優劣性學者看法并不統一，應進一步對其應用場景進行分析驗證。

表2 機器學習模型與定量模型對比類型模型優劣對比隨機森林模型>自組織特征映射網絡[89]機器學習模型支持向量機模型>BP神經網絡模型[90]BP神經網絡模型>決策樹模型[91]支持向量機模型>邏輯回歸模型[92]神經網絡>邏輯回歸模型和信息量模型[93]機器學習模型與定量模型支持向量機模型>邏輯回歸模型>粗糙集模型[94]神經網絡模型>判別分析法[95]邏輯回歸模型>神經網絡模型[96-97]

2.5 耦合評價模型

針對滑坡災害風險區劃評價的單一模型雖已取得諸多成果，但仍存在諸多亟待改進的地方：定性模型過于依賴專家的主觀經驗和分析判斷，導致可靠性低；定量模型僅對風險指標信息熵進行線性疊加求和，亦難以確定各個因子在高維空間中與災害點的相互關系；機器學習模型受收斂性以及掩藏結點個數的制約，容易出現過擬合導致模型失真等[98-99]。因此，采用2種及2種以上模型耦合的方式來提高評價精度已成為近期的研究熱點。

目前，滑坡地質災害風險區劃評價研究應用得最為廣泛的是兩種模型的耦合，主要有兩種定量模型的耦合[100-101]、定性模型與定量模型的耦合[102]、定量模型與機器學習模型的耦合[103]、2種機器學習模型的耦合[104-105]等；缺少2種定性模型的耦合，如定性模型與機器學習的耦合。2種模型耦合與單一模型對比具體為：確定性系數-邏輯回歸耦合模型>確定性系數>邏輯回歸模型[106]；信息量-神經網絡耦合模型>信息量模型[107]；Newmark模型-神經網絡模型耦合>神經網絡模型耦合>Newmark模型[108]。由此可知，耦合模型較單一模型精度更高、穩定性更好。在耦合模型分析對比中，將定量模型分別與定性模型、定量模型和機器學習模型進行耦合，分析得出2種定量模型耦合精度和穩定性較好[109-110]。部分學者將定量模型分別與2種不同定量模型耦合，發現邏輯回歸分析法與確定系數法耦合要比與信息量法耦合的精度更高[111]；而定量模型分別與2種機器學習模型耦合時，研究表明證據權法與隨機森林模型耦合優于證據權法與支持向量機模型耦合[112]。

尚有學者將3種模型耦合應用于滑坡災害風險區劃評價研究，評價效果明顯優于單一模型，具體為：層次分析法-遺傳算法-支持向量機耦合模型>單一支持向量機模型[113]；邏輯回歸-模糊層次分析-頻率比耦合模型>單一頻率比模型>單一邏輯回歸模型>單一模糊層次分析模型[114]。由此可得，多耦合模型在滑坡災害風險區劃評價中有較顯著優勢。但目前針對機器學習耦合模型應用較少，缺少與其他耦合模型的對比分析，下階段應重點關注機器學習耦合模型于滑坡災害風險區劃評價研究中的應用。

2.6 其他評價模型

此外，還有綜合指標法[115]、突變理論法[116]、物元模型[117]、分形理論法[118]和數量化理論法[119]等被引入滑坡災害風險區劃評價中，上述理論方法同樣可成功實現風險預測，為滑坡災害風險性區劃評價拓展了新途徑、新思路。

3 結論與展望

本文基于諸多國內外文獻，總結分析既有滑坡災害風險區劃評價方法模型的研究成果，將其歸納為地理信息系統、定性模型、定量模型、機器學習模型、耦合模型和其他模型等。地理信息系統對數據質量要求較高；定性評價模型主觀性較強；定量評價模型僅對評價指標疊加求和，亦在高維空間中難以確定各因子與災害點的相互關系；機器學習模型容易導致模型失真；耦合模型可取長補短；分析得出各模型評價效果優劣順序為耦合模型>機器學習模型>定量評價模型>定性評價模型>地理信息系統。研究結果表明耦合模型精度最高且穩定性最好，值得廣泛應用；2種機器學習模型的耦合將逐漸成為研究熱點。筆者將進一步研究定性模型耦合或定性模型與機器學習模型耦合在滑坡地質災害風險區劃領域內的應用研究，以期構建更加完善的風險區劃評價方法體系，為行業學者提供更廣泛的研究思路。