地质灾害易发性评价方法简述

李怡飞

摘 要： 中国地域辽阔，经度和纬度跨度大自然地理条件夏杂，构造运动强烈，地质灾害灾情十分严重。同时中国又是一个发展中国家经济发展对资源开发的依赖程度相对较高，大规模的资源开发和工程建设，人为地诱发了很多地质灾害使我国成为世界上地质灾害最为严重的国家之一。下文简要介绍地质灾害危险性评价的研究进展以及几种常用的评价方法，旨在为灾害预测与防范提供一些参考。

关键词： 地质灾害;易发性;评价方法

【中图分类号】P208     【文献标识码】A     【文章编号】1674-3733（2020）21-0263-01

引言：地质灾害是由于自然因素或人为活动影响继而引发的山体滑坡、崩塌、泥石流等与地区作用有关的灾害。我国地质灾害不仅种类繁多，还活动频发，给百姓带来生命和财产损失的威胁，制约了社会的可持续发展。因此，进行地质灾害易发性评价可以为灾害预测提供参考依据，减少损失。

1 地质灾害易发性评价概况

地质灾害易发性评价是在特定地质环境下分析各评价因子对地质灾害的发生所产生的影响，利用各种不同评价单元和评价方法，得出各评价单元内地质灾害发生的概率[1]。并将最终评价结果进行区划，得到不同级别的易发性程度区域，在国外也被称为地质灾害敏感性（Landslide susceptibility）评价。

许多专家学者研究地质灾害的易发性评价方法，但在不同的地质、气候、人类活动环境下，影响因素有所不同，各因子的适宜性也有差别，目前没有形成统一的方法。21世纪后，地质灾害易发性评价快速发展，在地质灾害易发性分析的实践应用中有各种各样的数学方法模型。这些模型主要分为定性和定量方法[2]。定性方法主要有层次分析法、多标准分析、模糊综合评判等。定量方法主要为统计方法和机器学习方法。统计方法是一种对已知或预计的不稳定因素与地质灾害易发概率之间函数关系的分析，例如信息量法、逻辑回归模型、概率模型、证据信念函数、频率比等已被广泛使用。机器学习的方法包括抽样，训练和验证阶段。多元逻辑回归、人工神经网络、支持向量机等机器学习模型已成功用于地质灾害易发性的评估。

2 地质灾害易发性评价方法

在众多地质灾害易发性评价方法中，最为人熟知，也是最被广泛使用的有层次分析法、信息量法、支持向量机法以及人工神经网络法。

2.1 层次分析法

层次分析法（Analytic Hierarchy Process，AHP）是将定性与定量分析方法相结合的、灵活实用的多目标决策分析方法。在地质灾害易发性评价中，层次分析法将数据、专家意见与分析者的判断相结合，通过比较每一层次的因子的相对重要性，给出定量表示的权值，最后按照标准完成地质灾害易发性的划分[3]。应用层次分析法能很好地将复杂的地质问题层次化、条理化。

2.2 信息量法

信息量模型是一种起源于信息理论的统计评价方法，它是由信息论创始人、数学家香农提出。现在被研究者们广泛使用于地质灾害易发性的评价之中。地质灾害是由于多重因素共同作用的结果，并且不同的影响因子对地质灾害所造成的影响也具有很大的差异性。地质灾害的发生与否与评价过程中各因素信息量的大小有关，以已发生灾害的影响因素为依据，推算标志灾害发生概率的信息量，建立评价模型，从而对整个区域的灾害易发性做出评价[4]。

在信息量模型中，通过事件的概率来计算信息量值，同时信息量值也可能为负数。由前面所述，诱发地质灾害的原因是非常多的，在排除掉某些因素之间可能会互相影响的情况下，通过计算可得出每个影响因素的单项信息量值，再经过叠加作用，可得到由于多因素的共同影响下的综合信息量值。一般来说，当信息量的取值大于0的时候，则表示多因素的共同作用下更易于发生地质灾害，反之，则不易于发生地质灾害。

2.3 支持向量机

支持向量机模型是基于结构风险最小化原则的一种重要监督学习二元分类器模型。支持向量机可解决小样本、高维度、非线性相关问题。其原理是寻找出一个最优超平面，将样本点正确地划分为两类，又能使超平面距离最近的样本点到该平面的集合间隔最大化。1963年，Vapnik首先提出支持向量机，该模型在线性问题领域的求解应用广泛，但在非线性问题上还存在一定问题及困难。后来，核技巧由Boser与Cuyon引入到该模型，用来解决支持向量机的非线性问题，使得支持向量机能够用于不同领域[5]。在地质灾害易发性评价中，将各个影响因子的敏感性值作为分类数据，利用这些数据来训练支持向量机模型，最终实现易发性评价。

2.4 人工神经网络

人工神經网络（Artificial Neural Network）简称ANN，上世纪八十年代以来，一直是人工智能领域的研究热点。顾名思义，它是一种通过模仿人类神经元结构和功能来进行信息处理的计算机建模方式，由大量的类似于人类的神经元的处理单元广泛连接形成具有强大的自学习功能和自组织能力，同时具有高度的非线性、自适应性、容错性、推广能力和高速寻找最优解能力的复杂网络[6]。地质灾害与各影响因子之间具有不确定性的联系，所以难于表示出它们之间的函数关系，而人工神经网络可以通过对现有地质灾害数据的学习，来预测某地区未来发生地质灾害的可能性，是一种相对理想的方法。

3 结论

多种多样的评价方法以及结合使用使得地质灾害易发性评价越来越精准、高效，为地质灾害的预测做出了卓越贡献。然而，对地质灾害的防治工作也不容忽视，只有把预测结果应用于防治工作中才能体现出易发性评价的价值。

参考文献

[1] 赵银兵，陈利顶，孙然好，倪忠云，别小娟.地质灾害易发性评价方法对比研究：以京津冀地区为例[J].环境生态学，2020，2（04）：27-38+50.

[2] 陈楚桐.基于组合赋权法的宽甸县地质灾害易发性评价[D].中国地质大学（北京），2020.

[3] 董毅兵，郁文，张仲福.基于GIS的地质灾害易发性分区评价——以甘肃省会宁县为例[J].中国地质调查，2020，7（03）：89-95.

[4] 王雷，吴君平，赵冰雪，姚志强，张乐勤.基于GIS和信息量模型的安徽池州地质灾害易发性评价[J].中国地质灾害与防治学报，2020，31（03）：96-103.

[5] 徐胜华，刘纪平，王想红，张玉，林荣福，张蒙，刘猛猛，姜涛.熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例[J].武汉大学学报（信息科学版），2020，45（08）：1214-1222.

[6] 武斌.金沙江流域宁南小流域地质灾害风险评价[D].长安大学，2016.