基于信息量、信息量-邏輯回歸模型綜合法的地質災害易發性研究?
——以諸暨市馬劍鎮為例

王美華

中化地質礦山總局浙江地質勘查院，浙江 杭州 310002

地質災害易發性評價是一種預測地質災害發生概率的方法，通過綜合分析地質環境條件、災害孕育因素以及誘發因素等多方面因素來進行評估[1-2]。常用的評價方法包括統計學方法，如邏輯回歸法和多元線性回歸法[3-6]；概率學方法，如信息量法[7-8]、熵指數法[9]和確定性系數法[10-11]；數據挖掘方法，如人工神經網絡法、支持向量機法和隨機森林法等[12-18]。

以往的地質災害易發性評價方法通常采用單一模型，如信息量模型、專家評分法、層次分析法、綜合指數法、神經網絡法以及邏輯回歸模型等[19-21]。然而，每種模型都存在局限性和不足之處，綜合運用多種模型可以相互彌補優勢，進而提升評價結果的準確性。近年來，隨著3S 技術的快速發展，區域地質災害評價精度得到有效提升，尤其是信息量法、確定性系數法和邏輯回歸法等定量評價方法的組合使用在地質災害易發性評價中得到了廣泛運用，并取得了較好的效果。如杜謙[22]等采用二元邏輯回歸和信息量模型相結合的方法對任河小流域進行地質災害易發性分區研究，結果顯示采用二元Logistic 回歸模型模擬具有較高的準確性；張曉東[23]等采用信息量法、確定性系數法與邏輯回歸法組合對寧夏鹽池縣進行地質災害敏感性的對比研究，結果表明采用信息量模型+邏輯回歸模型和確定性系數模型+邏輯回歸模型2 種組合模型都能有效客觀評價該區地災敏感性；栗澤桐等[24]以青海沙塘川流域為例，開展了信息量、邏輯回歸及其耦合模型的滑坡易發性評估研究，使用邏輯回歸模型和信息量模型進行滑坡易發性評估效果較理想，因而應用較普遍。但以往在區域定量化評價研究過程之中，存在將所有災種簡單以同一種模型方法進行評價，未將區別于其他災種的溝谷泥石流進行單獨評價。為了進一步探索更為理想的定量估算模型，本次以浙江省目前已開展的1∶2000 地質災害鄉鎮風險調查評價的諸暨市馬劍鎮為例，基于地理信息系統和地面調查，以斜坡為評價單元，并選取了坡度、坡向、高差、坡型、覆蓋層厚度、巖性與巖土結構、斜坡結構、與構造間距離以及切坡高度等9 個因子作為評價指標因子，使用信息量模型綜合法和信息量-邏輯回歸模型綜合法這兩種方法進行易發性綜合評價。與以往研究相比，本研究方法考慮了溝谷泥石流形成機制和相關影響因素與崩塌、滑坡及坡面泥石流的差異性。評價地質災害時，先評價除溝谷泥石流之外的其他地質災害，然后結合溝谷泥石流易發性評價結果進行綜合評價[25]，以得出更直觀和合理的評價結果。該研究旨在為浙江省和類似地質環境中的地質災害風險評價、地質災害風險防控和監測預警提供科學依據。

1 研究區概況

研究區位于浙江省諸暨市馬劍鎮，現轄14個行政村，總面積114.28km2。該區地處浙北丘陵山區，屬于龍門山的余脈，地勢北高南低，四周環繞著群山，中間是一條狹長的沖洪積山間谷地，海拔+102m～+1015.2m。山體自然地形的坡度多在15°～45°，主要地貌類型包括構造侵蝕剝蝕低山、侵蝕剝蝕丘陵和山間谷地。該地區屬于亞熱帶季風氣候，多年平均降水量為1663.7mm，日最大降水量為195.7mm。地層主要以白堊系黃尖組（K1h）流紋質晶屑玻屑熔結凝灰巖和壽昌組（K1s）流紋質晶屑玻屑凝灰巖為主，東部地區主要分布下白堊統花崗斑巖（γπ）和流紋斑巖（λπ）等潛火山巖。該地區的斷裂構造發育，主要構造方向為北東向，其次為北西向（圖1）。根據巖土體的形成條件、巖性組合特征及巖土的工程地質性質，該區的巖土體可劃分為4 類，包括酸性巖巖組、堅硬塊狀熔結凝灰巖巖組、堅硬-較堅硬塊狀凝灰質碎屑巖巖組和砂類土巖組。該區存在頻繁的人類工程活動，主要包括農村山區居民建房、城鎮建設、道路交通以及山塘水庫和低丘緩坡開發等。

圖1 研究區地質背景暨地質災害點分布Fig.1 Geological background and disaster spot distribution map of the study area

該區已發生的崩塌、滑坡和泥石流（坡面泥石流和溝谷泥石流）等地質災害共計93 處，其中滑坡3 處、崩塌23 處、泥石流67 處，主要以坡面泥石流為主，共計47 處，占比50.54%。這些災害多發生在梅汛期和臺汛期，前者持續時間較長，后者降雨短時強度大，兩者合計約占全年降水量的2/3。暴雨和持續性強降雨是災害主要誘發原因，特別是2021 年6 月10 日的降雨，雨量站數據顯示，在泥石流爆發前的1h、3h 和6h 內，降水量分別達到81.1mm、167.1mm和175.2mm[26]，而在爆發前15min 內，高強度持續降雨引發了大規模泥石流。

2 研究方法

2.1 信息量模型

信息量模型是一種統計分析和預測方法，通過地質災害發生時的熵值個數來反映地質災害的易發性。通過對每個評價因子進行分類，利用地質災害發生頻率或密度反映出各評價因子下二級分類致災效應的大小，將地質災害評價因子的實際數據值轉化成表示地質災害易發性大小的信息量。通過在ArcGIS 平臺上疊加各因子信息量，計算出總信息量大小，總信息量值越大，地質災害易發性越高[22]。

式中：I（Ai-j）-第i個評價因子第j個二級分類的信息量；P（Ai-j）-第i個評價因子第j個二級分類地質災害發生的概率；P（B）-研究區地質災害發生的概率。

在實際計算中，由于研究區地災點規模除1個是中型為外，其余都為小型，因此本次單一因素計算時采取樣本頻率代替總體概率方式來處理，公式（1）轉換為：

式中：Ni-j-第i 個評價因子第j個二級分類發生地質災害個數；Si-j-第i 個評價因子第j 個二級分類斜坡單元面積，km2；N-研究區地質災害總數；S-研究區總面積，km2。

對單因子信息量進行疊加計算，得出多因子綜合信息量評價結果：

式中：I（Ai）-第i個評價因子單因子信息量；I-多因子綜合信息量；n-評價因子總數；頻率比。該模型將總信息量I作為評判斜坡單元內地質災害易發性大小的指標，其值越大表明該斜坡單元地質災害易發程度越高。

2.2 信息量-邏輯回歸模型

邏輯回歸屬于二項分類回歸分析模型，適用于定性變量的不確定性和復雜性進行預測。在地質災害評價中，此模型以地質災害發生情況作為因變量（Y），致災因素信息量值為自變量（xn），進行二元邏輯回歸來確定地質災害發生的概率（P）[27]。該模型可以使用連續或離散自變量，不需要滿足正態分布，其公式如下：

式中：P-地質災害發生概率，取值范圍為[0，1]；Z-地質災害發生的目標函數；bn-邏輯回歸系數；b0-邏輯回歸常數項；xn-地質災害因子的信息值；n-因子數；Y-因變量，表示地災發生或不發生。

在實際操作中利用SPSS 軟件先對9 項因子進行獨立性檢驗和共線性診斷，而后通過二元邏輯回歸，得出Z值，通過公式（4）計算出P值。P值越接近1 表示事件發生的確定性越大，地災越容易發生；越接近于0 表示事件發生的確定性越小，地災發生的可能性低；0.5 表示條件概率與先驗概率相等，無法確定事件是否發生，即地災發生的概率為50%。根據不同P值進行地質災害易發性評價，并利用ROC 曲線對評價模型敏感度進行預測。最后，利用穩定性較差或差斜坡作為檢驗樣本進行結果驗證[28]。

3 易發性評價因子選擇與分析

3.1 評價指標因子選取

結合研究區的地質背景、地質災害形成條件及發育特征，選取了坡度、坡向、高差、坡型、覆蓋層厚度、巖性與巖土結構、斜坡結構、與構造間距離和切坡高度9 個因素作為評價指標?；A資料包括浙江省測繪科學技術研究院獲取的最新馬劍鎮的1∶10000 數字地形圖、1∶2000數字地形圖、2m 間距DEM 數據、0.2m 分辨率航空分幅正測航片和1∶50000 的地質圖，通過ArcGIS 高程數字模型（DEM）數據提取分析得到研究區每個斜坡單元坡度、坡向、坡型、高差?；?∶50000 區域地質圖（或工程巖組分布圖）資料，結合孕災地質條件野外調查，獲取每個斜坡單元的巖性與巖土結構、斜坡結構、覆蓋層厚度、切坡高度等相關數據。對于距斷層距離這個影響因子則結合收集的1∶5 萬區域地質資料、遙感解譯和野外斷裂調查，利用ArcGIS 平臺近鄰分析方法確定每個斜坡單元距斷裂構造最小距離。

3.2 評價指標因子分析

3.2.1 坡度

坡度對地質災害，尤其是崩塌有著重要的影響。根據統計分析，本研究區的坡度分級為0°～15°、15°～25°、25°～35°、35°～45°、>45°計5 級（圖2a），發生地質災害的坡度主要集中在25°～45°。在35°范圍內，地質災害百分比大于分級面積百分比，即頻率比>1；在超過35°的情況下，地質災害百分比低于分級面積百分比，表明隨坡度增加，地質災害密度總體先上升而后逐漸遞減。

圖2 研究區地質災害易發性九項影響因子分級Fig.2 Nine grading maps of influencing factors of susceptibility to geological disasters in the study area

3.2.2 坡向

坡向影響斜坡的穩定性，一般陽坡易發生地質災害。研究區坡向按45°間隔分為北（337.5°～22.5°）、北東（22.5°～67.5°）、東（67.5°～112.5°）、南東（112.5°～157.5°）、南（157.5°～202.5°）、南西（202.5°～247.5°）、西（247.5°～292.5°）和北西（292.5°～337.5°）8 個分類（圖2b）。地質災害發生的位置主要集中在區內的南東坡和南坡。在坡向由北往北西順時針方向分級過程中，除了東、南東和南3 個坡向地質災害百分比高于分級面積比例之外，其他坡向地質災害百分比都低于分級面積百分比，這說明東、南東和南3 個坡向對地質災害影響較為顯著。

3.2.3 高差

研究區高差分為0～20m、20～50m、50～100m、100～300m、>300m 計5 級（圖2c）。地質災害主要集中在50～300m 范圍內。頻率比呈現中間高、兩頭低情況，表明高差在50～300m 范圍內地質災害影響較為顯著，且在50～100m 高差范圍對地質災害影響達到最大。

3.2.4 坡型

坡型是斜坡形狀和特征反映，亦是影響斜坡穩定性和發生地災的重要因素之一，其值為正時表明邊坡是凸面坡，為0 時表明為直坡、折形坡，為負時表明邊坡為凹面坡[22]。本次將坡型劃分為凸形坡、凹形坡、直坡、折形坡3 種（圖2d）。據統計，凸形坡是地質災害點的主要集中地，表明凸形坡對地質災害具有較大的影響。

3.2.5 覆蓋層厚度

本次研究將覆蓋層厚度此連續性變量劃分為0～1m、1～3m 和>3m 這3 個級別（圖2e）。根據統計分析，研究區地質災害點數量同覆蓋層厚度存在明顯正相關關系，其覆蓋層厚度1～3m和>3m對比，其頻率比由4.15 迅速增加到34.8，這表明隨覆蓋層厚度增加，地災點密度亦增加，當覆蓋層厚度超過3m 時，地質災害發生概率劇增。

3.2.6 巖性與巖土結構

根據資料收集與野外地質調查結果，將區內巖性與巖土結構分為“巖石堅硬、結構完整”、“巖石較堅硬、結構較完整”、“巖石較破碎、鑲嵌結構”、“巖石破碎、有不連續軟弱結構面”和“巖石特別破碎、有連續軟弱結構面”5 個級別（圖2f）。據相關數據統計，“巖石特別破碎、有連續軟弱結構面”的地質災害百分比最高，頻率比最大，主要原因在于隨著巖石破碎程度的增加，表層全強風化層在強降雨作用下，吸水容重大幅度增加、抗剪能力降低，進而引發相應的地質災害。

3.2.7 斜坡結構

根據實地調查所得的具體情況，將斜坡結構分為順向坡、斜向坡、橫向坡、逆斜坡和塊狀結構斜坡這5 種（圖2g）。據相關統計數據顯示，其頻率比順向坡最大，達6.71，塊狀結構斜坡最小為0.57，表明順向坡對地質災害影響最大，而塊狀結構斜坡對地質災害的影響最小。

3.2.8 與構造間距離

在研究區，東部是北東和北西兩組斷裂帶的主要發育區，本次將此因子分為0～50m、50～100m、100～300m、300～500m 和>500m 這5 級（圖2h）。據統計，以往災害點主要分布在斷裂帶上或距離斷裂帶兩側不超過500m 范圍內，該地區地災受構造影響相對較小。

3.2.9 切坡高度

本次調查將切坡高度作為影響因子，分為0～3m、3～6m、6～12m 和>12m 這4 個級別（圖2i）。根據調查結果顯示，增加切坡高度與地質災害的發生呈正相關關系。具體的統計數據表明，當切坡高度達到或超過3m 時，地質災害的比例超過了分級面積百分比，這表明切坡高度超過3m 時，地質災害的發生程度受切坡高度的影響較為顯著。

4 地質災害易發性評價

4.1 評價單元的選擇

本次野外調查和評價以斜坡單元作為基本單元，劃分時遵循技術要求，以上方和兩側的分水嶺以及溝谷為界限，下方包括可能影響的居民區、道路或河流等外側為界，同時還注重微地貌特征和單元之間的銜接，每個斜坡單元具有相似的地質環境條件、成災機制和致災模式等相關要素[29]。遵循上述原則，共劃分了1497 個斜坡單元，且這些單元的面積大小總體均勻分布。故本文選擇斜坡單元作為本次研究的評價單元。

4.2 信息量模型

4.2.1 相關性分析

為確保評價結果精度，本研究選取的各評價因子可能存在相關性，如果不進行篩選，會使它們對地質災害的影響互相疊加，從而降低評價結果的精度。為了確保各評價因子之間相互獨立，本研究使用SPSS 軟件對研究區所有評價指標的信息量值進行了相關性分析，并列出了各指標之間的相關性系數（表1）。由表可知，本文選取的9 個評價指標之間相關性較弱，可以將他們納入研究區評價模型[30]。

表1 評價指標因子相關系數Table 1 Correlation coefficient of the assessment indexes

4.2.2 評價因子信息量計算

本次選取的研究區總面積為114.28km2，記錄了包括崩塌、滑坡和泥石流共計93 個地質災害點。由于溝谷泥石流大多涉及多個斜坡，其形成機制和相關影響因素與崩塌和滑坡明顯不同，因此采用泥石流溝易發程度數量化評分標準進行評價[25]。而對于坡面泥石流，由于缺乏相應的評價標準，并且本地區的坡面泥石流都涉及單一斜坡，其影響因素與滑坡相似。在采用信息量模型計算時，首先排除了研究區內的20 個溝谷泥石流災害點，剩下73 個地災點包括崩塌、滑坡和坡面泥石流災種參與計算。

為了建立地質災害易發性評價指標體系，選擇9 個評價因子，這些因子包括坡度、坡向、高差、以及斜坡的坡型、覆蓋層厚度、巖性與巖土結構、斜坡結構、與構造間距離、以及切坡高度。根據公式（2），使用ArcGIS 軟件中的斜坡單元計算器功能，可以得到各評價因子二級分類的信息量值（表2）。

表2 全部影響因子分類及信息量值Table 2 All influence factor classifications and information values

4.3 信息量-邏輯回歸模型

為建立信息量-邏輯回歸模型，選取包括崩塌、滑坡和坡面泥石流在內的73 個地質災害點作為樣本，并在ArcGIS 平臺上隨機選擇相同數量的非災害斜坡點，共計146 個點，來構造訓練集。從訓練集樣本中獲得了9 個評價指標的屬性信息，并將災害點和非災害點分別標記為二分量值1 和0，作為模型的因變量。為了排除評價變量之間存在共線性的可能性，通過使用SPSS 軟件進行共線性檢驗，結果顯示，各評價因子的容忍度均大于0.1，方差均小于10，不存在共線性。隨后，將已準備好的73 個地質災害樣本點和73 個非地質災害樣本點斜坡的評價因子信息量值導入SPSS軟件中。以各評價因子分類級別的信息量值作為自變量，以是否發生災害作為因變量（0 表示未發生地質災害，1 表示已發生地質災害），進行二元邏輯回歸計算。在邏輯回歸計算中，顯著性Sig≤0.05 表示回歸系數有效，評價指標因子具有統計意義[31]。經過邏輯回歸計算，除坡度、與構造間距離和斜坡結構這3 個因子邏輯回歸系數顯著性Sig值大于0.05 外，其他6 個因子的Sig值均小于0.05，表明這6 個評價因子之間存在顯著性差異。經過霍斯默（Hosmer）和Lemeshow 檢驗，結果顯示Sig值為0.273>0.05，表明這種邏輯回歸模型有效。根據邏輯回歸結果（表3），6 個評價因子邏輯回歸系數都是正數，表明這些評價指標因子對模型都起正向作用，其中坡向和覆蓋層厚度因子系數值都大于1，在6 個因子權重占比分別為26.45%和24.68%，說明這2 個因子對地災發生的影響作用相對較大。

表3 各評價因子邏輯回歸系數和顯著性Table 3 Logical regression coefficient and significance of each assessment factor

將表3 各評價因子的邏輯回歸系數帶入公式（5），并同公式（4）一起構建基于信息量-邏輯回歸模型的地質災害易發性評價體系。在ArcGIS 平臺上使用斜坡單元計算功能，將各評價因子圖層進行疊加，得到研究區地質災害易發性評價指數圖。使用ArcGIS 自然斷點功能將該指數圖劃分為高易發區、中等易發區、較低易發區和極低易發區。

4.4 綜合評價結果

信息量模型綜合法和信息量-邏輯回歸模型綜合法均采用自然斷點法對地質災害易發性進行級別劃分，并將結果與溝谷泥石流易發性評價結果進行比較，得出了綜合性的評價結果。

信息量模型綜合法首先利用ArcGIS 平臺計算每個斜坡的9 個因子的信息量值，并將其累加得到斜坡的綜合信息量值。而后采用自然斷點法對研究區的斜坡進行易發性級別劃分，將其分為極低易發區（-9

表4 溝谷泥石流易發性評價結果Table 4 Assessment results of the susceptibility of valley debris flow

根據信息量模型綜合法和信息量-邏輯回歸模型綜合法的綜合易發性評價結果，研究區被劃分為極低易發區、低易發區、中易發區、高易發區，其面積分別為：信息量模型綜合法評價結果為55.90km2、35.56km2、17.42km2、5.40km2（圖3a）；信息量-邏輯回歸模型綜合法評價結果為76.48km2、18.60km2、11.85km2、7.35km2（圖3b）。根據易發性評價結果，統計了2 種方法各易發性等級斜坡面積、面積占比、已發生災害點個數和地災點個數占比（表5）。

表5 各易發性分區占比統計Table 5 Statistics on the proportion of each susceptible zone

圖3 研究區地質災害易發性分區Fig.3 Division map of geological hazard susceptibility in the study area

由表5 可知：信息量模型綜合法和信息量-邏輯回歸模型綜合法發生在中、高易發區以上地災點占比分別達87.10%和95.02%，且都以高易發區地災點占比最大，隨著地質災害易發性由高到低，相對應的地質災害點占比也越來越小，在理論上符合等級劃分的原則。

信息量模型綜合法和信息量-邏輯回歸模型綜合法地質災害易發性等級的頻率比值均從極低易發區到高易發區明顯增大，表明均能有效評價研究區地質災害易發性。信息量模型綜合法和信息量-邏輯回歸模型綜合法計算的高易發區頻率比值分別占總頻率比值百分比為 87.37%和79.50%。

4.5 地災規律初步認識

研究結果顯示，易發區域主要分布在東部，包括石門村、馬益村、慶豐和村以及中坑村，這些地區的易發性受到多個因素的綜合影響。斷裂構造和密集節理的存在導致巖體破碎，從而增加地質災害的風險性；東部地區的巖石容易受到風化和破碎影響，從而導致該區產生相對較厚的全、強風化層，進一步加劇了地質災害的易發性；該地區存在較厚的覆蓋層，增加了地質災害的發生概率；人類工程活動加劇該區地質災害的發生，特別房前屋后切坡高度較大且沒有有效支撐措施時，其影響將進一步擴大。

相比之下，研究區的西部地區易發性較低。這主要歸因于巖性堅硬、結構完整且第四系厚度相對較薄，減少了地質災害的發生概率。綜合來看，研究區易發區域的分布格局是由地質條件和人類干預的綜合影響所決定的。

5 評價效果檢驗

5.1 評價結果檢驗

本次將野外調查的未進入模型的51 個穩定性較差或差的斜坡進行模型效果檢驗，以驗證模型是否滿足穩定性較差或差檢驗點斜坡落在高易發區內占比最大、極低易發區所占面積占比最大、檢驗樣本各分區個數占比和模型各分區的面積占比的比值由極低易發區向高易發區逐漸增大。

如表6 如示，兩種方法都符合要求，但信息量模型綜合法R值區分度稍高于信息量-邏輯回歸模型，但差別不大；這2 種方法的高易發面積占比分別為4.73%和6.43%，穩定性較差或差斜坡各分區個數占比兩者都為78.43%。此外，信息量模型綜合法在高易發區比值R為16.58，略高于信息量-邏輯回歸模型綜合法的比值12.20，表明在相同高易發面積條件下，信息量模型綜合法災害命中概率要略高于信息量-邏輯回歸模型綜合法；信息量模型綜合法的極低、低易發區比值分別為0.00、0.06，略低于信息量-邏輯回歸模型綜合法的0.00、0.24，說明在低易發區域，使用信息量-邏輯回歸模型綜合法預測災害發生概率要略高于信息量模型綜合法。由此可見，信息量模型綜合法與信息量-邏輯回歸模型綜合法的分區結果相比較，其準確性和合理性略高。

表6 研究區地質災害評價效果檢驗Table 6 Test of the assessment effect of geological hazard in the study area

5.2 精度驗證

本文使用ROC 曲線來評價擬合數據和實測數據之間的關系，以AUC 值表示成功率或有效性（圖4）。曲線中縱軸為敏感度，橫軸為特異性，ROC 曲線下的面積是AUC 值，AUC 值越大表示模型的評價效果越好[24]。在精度驗證過程中，對于采用溝谷泥石流評價結果的斜坡，其信息量I值和信息量-邏輯回歸法p值按溝谷泥石流評價方法得出易發性得分以內插法換算相應I 值和p值數據與原模型計算數據進行就高原則對比確定（表4）。經驗證，信息量模型綜合法和信息量-邏輯回歸模型綜合法AUC 值分別為0.901 和0.899，表明這2 種方法均能相對準確地評價研究區地質災害的易發性，信息量模型綜合法比信息量-邏輯回歸模型綜合法評價精度略高，但兩者相差不大。這結論與前人李信等[30]和田欽等[32]研究結果信息量-邏輯回歸模型ROC 檢驗精度高于信息量模型有所不同，可能原因是該地區存在大量坡面泥石流，導致了數據集的特殊性。坡面泥石流可能具有明顯的地質、地形、水文等特征，這些特征可能在信息量法中起到重要作用，從而導致信息量法的評價精度表現更優。

圖4 ROC 曲線Fig.4 ROC curve plot

6 結論

分別采用信息量模型綜合法和信息量-邏輯回歸模型綜合法對諸暨馬劍鎮開展地質災害易發性評價研究，并利用ROC 曲線對評價精度進行檢驗，實地調查得到的穩定性較差或差斜坡進行結果驗證，得出如下結論：

（1）信息量模型綜合法和信息量-邏輯回歸模型綜合法對評估結果都具有較好的合理性和準確度，在精度預測方面，信息量模型綜合法略微優于信息量-邏輯回歸模型綜合法，但差距并不顯著。

（2）地質災害易發性評價結果表明高易發區主要集中于研究區東部，該區域受到頻繁的人類工程活動影響，巖體整體比較破碎且覆蓋層厚度較大，坡向、覆蓋層厚度巖性、坡型和與巖土結構等因素對地質災害的控制起著關鍵作用。

（3）研究區的主要地質災害為由“6.10”降雨事件引發的坡面泥石流，鑒于所提取數據源的特殊性，采用信息量-邏輯回歸模型綜合法中的線性回歸來描述評估因子之間的復雜非線性關系仍然面臨挑戰。因此，在研究該區域地質災害易發性評價時，仍需要進一步加強對該區致災因子的復雜性分析。