地質災害易發性評價方法簡述

李怡飛

摘 要： 中國地域遼闊，經度和緯度跨度大自然地理條件夏雜，構造運動強烈，地質災害災情十分嚴重。同時中國又是一個發展中國家經濟發展對資源開發的依賴程度相對較高，大規模的資源開發和工程建設，人為地誘發了很多地質災害使我國成為世界上地質災害最為嚴重的國家之一。下文簡要介紹地質災害危險性評價的研究進展以及幾種常用的評價方法，旨在為災害預測與防范提供一些參考。

關鍵詞： 地質災害;易發性;評價方法

【中圖分類號】P208 ? ? 【文獻標識碼】A ? ? 【文章編號】1674-3733（2020）21-0263-01

引言：地質災害是由于自然因素或人為活動影響繼而引發的山體滑坡、崩塌、泥石流等與地區作用有關的災害。我國地質災害不僅種類繁多，還活動頻發，給百姓帶來生命和財產損失的威脅，制約了社會的可持續發展。因此，進行地質災害易發性評價可以為災害預測提供參考依據，減少損失。

1 地質災害易發性評價概況

地質災害易發性評價是在特定地質環境下分析各評價因子對地質災害的發生所產生的影響，利用各種不同評價單元和評價方法，得出各評價單元內地質災害發生的概率[1]。并將最終評價結果進行區劃，得到不同級別的易發性程度區域，在國外也被稱為地質災害敏感性（Landslide susceptibility）評價。

許多專家學者研究地質災害的易發性評價方法，但在不同的地質、氣候、人類活動環境下，影響因素有所不同，各因子的適宜性也有差別，目前沒有形成統一的方法。21世紀后，地質災害易發性評價快速發展，在地質災害易發性分析的實踐應用中有各種各樣的數學方法模型。這些模型主要分為定性和定量方法[2]。定性方法主要有層次分析法、多標準分析、模糊綜合評判等。定量方法主要為統計方法和機器學習方法。統計方法是一種對已知或預計的不穩定因素與地質災害易發概率之間函數關系的分析，例如信息量法、邏輯回歸模型、概率模型、證據信念函數、頻率比等已被廣泛使用。機器學習的方法包括抽樣，訓練和驗證階段。多元邏輯回歸、人工神經網絡、支持向量機等機器學習模型已成功用于地質災害易發性的評估。

2 地質災害易發性評價方法

在眾多地質災害易發性評價方法中，最為人熟知，也是最被廣泛使用的有層次分析法、信息量法、支持向量機法以及人工神經網絡法。

2.1 層次分析法

層次分析法（Analytic Hierarchy Process，AHP）是將定性與定量分析方法相結合的、靈活實用的多目標決策分析方法。在地質災害易發性評價中，層次分析法將數據、專家意見與分析者的判斷相結合，通過比較每一層次的因子的相對重要性，給出定量表示的權值，最后按照標準完成地質災害易發性的劃分[3]。應用層次分析法能很好地將復雜的地質問題層次化、條理化。

2.2 信息量法

信息量模型是一種起源于信息理論的統計評價方法，它是由信息論創始人、數學家香農提出?，F在被研究者們廣泛使用于地質災害易發性的評價之中。地質災害是由于多重因素共同作用的結果，并且不同的影響因子對地質災害所造成的影響也具有很大的差異性。地質災害的發生與否與評價過程中各因素信息量的大小有關，以已發生災害的影響因素為依據，推算標志災害發生概率的信息量，建立評價模型，從而對整個區域的災害易發性做出評價[4]。

在信息量模型中，通過事件的概率來計算信息量值，同時信息量值也可能為負數。由前面所述，誘發地質災害的原因是非常多的，在排除掉某些因素之間可能會互相影響的情況下，通過計算可得出每個影響因素的單項信息量值，再經過疊加作用，可得到由于多因素的共同影響下的綜合信息量值。一般來說，當信息量的取值大于0的時候，則表示多因素的共同作用下更易于發生地質災害，反之，則不易于發生地質災害。

2.3 支持向量機

支持向量機模型是基于結構風險最小化原則的一種重要監督學習二元分類器模型。支持向量機可解決小樣本、高維度、非線性相關問題。其原理是尋找出一個最優超平面，將樣本點正確地劃分為兩類，又能使超平面距離最近的樣本點到該平面的集合間隔最大化。1963年，Vapnik首先提出支持向量機，該模型在線性問題領域的求解應用廣泛，但在非線性問題上還存在一定問題及困難。后來，核技巧由Boser與Cuyon引入到該模型，用來解決支持向量機的非線性問題，使得支持向量機能夠用于不同領域[5]。在地質災害易發性評價中，將各個影響因子的敏感性值作為分類數據，利用這些數據來訓練支持向量機模型，最終實現易發性評價。

2.4 人工神經網絡

人工神經網絡（Artificial Neural Network）簡稱ANN，上世紀八十年代以來，一直是人工智能領域的研究熱點。顧名思義，它是一種通過模仿人類神經元結構和功能來進行信息處理的計算機建模方式，由大量的類似于人類的神經元的處理單元廣泛連接形成具有強大的自學習功能和自組織能力，同時具有高度的非線性、自適應性、容錯性、推廣能力和高速尋找最優解能力的復雜網絡[6]。地質災害與各影響因子之間具有不確定性的聯系，所以難于表示出它們之間的函數關系，而人工神經網絡可以通過對現有地質災害數據的學習，來預測某地區未來發生地質災害的可能性，是一種相對理想的方法。

3 結論

多種多樣的評價方法以及結合使用使得地質災害易發性評價越來越精準、高效，為地質災害的預測做出了卓越貢獻。然而，對地質災害的防治工作也不容忽視，只有把預測結果應用于防治工作中才能體現出易發性評價的價值。

參考文獻

[1] 趙銀兵，陳利頂，孫然好，倪忠云，別小娟.地質災害易發性評價方法對比研究：以京津冀地區為例[J].環境生態學，2020，2（04）：27-38+50.

[2] 陳楚桐.基于組合賦權法的寬甸縣地質災害易發性評價[D].中國地質大學（北京），2020.

[3] 董毅兵，郁文，張仲福.基于GIS的地質災害易發性分區評價——以甘肅省會寧縣為例[J].中國地質調查，2020，7（03）：89-95.

[4] 王雷，吳君平，趙冰雪，姚志強，張樂勤.基于GIS和信息量模型的安徽池州地質災害易發性評價[J].中國地質災害與防治學報，2020，31（03）：96-103.

[5] 徐勝華，劉紀平，王想紅，張玉，林榮福，張蒙，劉猛猛，姜濤.熵指數融入支持向量機的滑坡災害易發性評價方法——以陜西省為例[J].武漢大學學報（信息科學版），2020，45（08）：1214-1222.

[6] 武斌.金沙江流域寧南小流域地質災害風險評價[D].長安大學，2016.