基于LiDAR數據的汕尾火山嶂地質災害風險評價*

甄俊偉，黃智煒，章桂芳，3，4，曾探，王同皓

1.廣東省地質局第七地質大隊，廣東 惠州 516000

2.中山大學地球科學與工程學院，廣東 珠海 519082

3.廣東省地質過程與礦產資源探查實驗室，廣東 珠海 519082

4.南方海洋科學與工程廣東省實驗室（珠海）， 廣東 珠海 519082

山地丘陵面積較大，地質條件復雜，以及構造活動頻繁等多種因素綜合作用，使我國成為世界上地質災害極其頻繁的國家之一。每年因災死亡人數眾多，造成的經濟財產損失極為嚴重，地質災害防治形勢十分嚴峻（許強，2020）。在災害發生后準確地識別地質災害的位置和范圍對于受災區域后續的災害預測和防災減災工作具有重要的指導意義。

傳統的地質災害識別主要依靠人工野外實地調查，存在費時費力、精準度差、無法實時更新等問題，特別是在地形陡峻、氣候多變和人跡罕至區域則顯得更加困難，對植被覆蓋嚴重、隱蔽性較強的點位也難以準確發現，亟須發展新的方法進行快速高效的地質災害識別和調查（孫濤等，2021）。隨著對地觀測技術的迅猛發展，遙感因其具有大面積、實時性和周期性等特點，在地質災害調查中發揮越來越重要的作用?；谛l星遙感技術的地質災害識別經歷了目視解譯、基于像素、面向對象和深度學習等4 個階段（王治華，1999；張帥娟，2017；陳善靜等，2020；蔡浩杰等，2022）。但是，由于大部分衛星遙感影像的地面分辨率有限，對于小型的地質災害點無法有效識別；對于光譜特性與周圍環境并無明顯差異的古老滑坡體以及高植被覆蓋下的滑坡等地質災害，可見光遙感也無能為力。作為衛星遙感觀測的新技術，航空遙感技術中的機載激光雷達（LiDAR，light de‐tection and ranging），從2000 年開始逐步被應用于地質災害識別和定量分析研究中。機載LiDAR 通過高速激光對目標地面進行掃描測量，能在一定程度上“穿透”植被覆蓋物直接獲取真實的地形，采集到高精度的點云數據，從而生成1～10 cm 分辨率的DEM（數字高程模型），為植被覆蓋下的地質災害調查、監測和預防提供了基礎數據和有效手段（van den Eeckhaut et al.，2005；Corsini et al.，2009；Li et al.，2015；Pawluszek，2019；董秀軍等，2020；劉小莎等，2021；尹晨灃，2021；Gorsevski，2021；許強等，2022；鄧博等，2022）。

汕尾火山嶂位于廣東省汕尾市北部山區，山體陡峻，滑坡/崩塌較為密集，坡面和溝谷堆積了大量的松散堆積物，山腳分布較多居民區。若遇強降雨極有可能發生滑坡、崩塌并引發泥石流災害，嚴重威脅群眾的生命財產。因此，查明本區域的滑坡/崩塌的點位和體量，進行區域地質災害風險評價是該區地質災害監測和防治的重要工作。但是該區地勢較陡，植被茂密，可見光遙感在該區的探測能力受限。因此，本文擬綜合高分一號遙感影像和機載激光雷達（LiDAR）技術獲取的高精度DEM 衍生的高程、坡度、坡向、曲率、起伏度、粗糙度和山體陰影等因子圖像進行滑坡/崩塌的解譯識別，綜合劃定火山嶂各個子區的地質災害風險等級，為該區域的防災減災提供有力支持。

1 研究區域

1.1 區域地質背景

火山嶂位于汕尾市陸河縣河田鎮北部（圖1a），距陸河縣城約2 km。陸河縣以低山丘陵地貌為主，全縣丘陵面積460 km2，其中海拔高度在500 m 以上的山地面積約260 km2。陸河縣海拔高度700 m以上的山峰有7 座，其中火山嶂為第4 高的山，海拔高度763 m?；鹕结稚郊棺呦蚨酁镹E-SW 向，坡頂局部區域基巖裸露，溝谷以“Ⅴ”字型溝谷為主，整體山體植被覆蓋較好（圖1b）?；鹕结謱賮啛釒Ъ撅L氣候區，年平均氣溫為21～22 ℃，多年年平均降雨量為1 800～2 400 mm，年最大降雨量可達3 728 mm，24 h 最大降雨量為620 mm，72 h連續最大降雨量為1 062 mm（2018 年8 月28～31日）。根據1∶20萬海豐幅地質圖（圖1c），研究區內巖性主要為燕山三期（γ52（3））二長花崗巖，及第四系沖洪積層、殘積層。區內的地質構造主要為河口斷裂及蓮塘斷裂，屬蓮花山斷裂的一部分。受斷裂構造影響，區內巖石片理化發育，屬全～強風化花崗巖，坡面一般覆蓋有10～20 m的砂質黏性土。

圖1 研究區域概況圖Fig.1 The study area overview

1.2 區域地質災害

2018 年8 月28～31 日，陸河縣發生了連續降雨量為1 062 mm，24 h 降雨量達620 mm 的歷史最大降雨，距離火山嶂約3 km 的共聯村發生泥石流災害并造成2人死亡，30多間房屋受損，直接財產損失500～1 000 萬元，威脅共聯村2 700 人的人身財產安全，威脅財產損失7 400 萬元。該次降雨同樣造成火山嶂發生眾多崩塌/滑坡，并呈松散狀堆積于溝谷中，進而形成泥石流，規模約20 000 m3，屬中型泥石流。雖未造成人員傷亡，但坡面堆積了大量的松散堆積物，加之火山嶂地區山體較陡，山腳有部分居民區，且距縣城較近，若遇強降雨極有可能再次發生泥石流，對群眾的生命財產有嚴重威脅。因此，火山嶂作為泥石流隱患區，對其進行詳盡的災害調查對災害防治具有非常重要的意義。

本研究利用LiDAR 數據消除植被影響，生成高精度DEM 數據，并基于DEM 生成坡度、坡向、曲率、起伏度、粗糙度和山體陰影等地形因子，建立滑坡/崩塌在各個因子上的解譯標志。進一步綜合高分一號遙感影像進行研究區域的滑坡/崩塌解譯，確定滑坡/崩塌的位置及范圍。然后基于分形理論確定各解譯因子對滑坡/崩塌形成的影響和權重，綜合計算獲得每個解譯滑坡/崩塌的確認概率，刪除確認概率較低的滑坡/崩塌。最后基于火山嶂各個溝谷的地形特征、滑坡/崩塌數量和體量以及人類活動分布對每個子區的地質災害風險進行評價。

2 數據獲取與處理

2.1 LiDAR數據獲取

2021 年12 月13～15 日對火山嶂地區的5.5 km2區域進行了激光雷達測量（LiDAR），通過點云數據處理，得到了高精度的DEM 數據。本次機載激光雷達測量采用飛馬公司D20 大載重旋翼無人機系統，搭載LiDAR200激光雷達模塊，該模塊的各項技術參數見表1。

表1 LiDAR200激光雷達參數Table 1 Parameters of LiDAR200 Laser Radar

2.2 LiDAR數據處理

對采集的高程數據，利用飛馬無人機管家“智激光”進行點云解算，航帶平差，精度檢查，最終形成高精度的DEM 產品（圖2a），高程分辨率為5 cm。并根據DEM計算該地區的坡度（圖2c）。

圖2 火山嶂DEM、三維影像及各個地形因子圖Fig.2 DEM, 3D image, and various terrain factor maps of Huoshanzhang based on LiDAR Data

根據該區的高程和坡度數據，火山嶂山脊走向多為NE-SW 向；山體坡頂標高約765.4 m，坡腳標高約50.1 m；山體坡度大部分區域約20°～30°，局部斜坡單元較陡，自然坡度大于45°，區內的邊坡主要表現為S-SE 向坡較陡，W-NW 向坡較緩?；鹕结譁瞎燃皟蓚葞r土體主要為殘積礫質黏性土和全-強風化花崗巖，該類巖土體物理力學性能差，溝谷兩岸的斜坡較易失穩。

2018 年的歷史最大降雨量造成了火山嶂地區多處發生滑坡/崩塌?；?崩塌最直接的地表證據是裸露的巖體或者土體，這在光學遙感影像上具有非常明顯的可視化特征。但是由于火山嶂所處地區氣候溫熱，降雨量豐沛，滑坡/崩塌發生后某些土質較豐富的區域很快會被植被覆蓋，導致滑坡/崩塌產生的地表裸露隨之變得模糊或者消失，光學遙感影像上的可視化特征會很快減弱甚至消失。目前，火山嶂整體山體植被覆蓋度可達80%，某些滑坡和崩塌的點位和范圍已無法準確用光學遙感影像進行識別和解譯。

基于LiDAR 生成的DEM 數據可以消除植被的影響（圖2a），DEM 疊加高分一號遙感影像（RGB：432 波段）生成的三維圖可以立體呈現火山嶂地區的地表形貌（圖2b）。但是這兩種圖像并不能有效顯示所有滑坡/崩塌，特別是當滑坡/崩塌被植被覆蓋的時候，為了充分利用滑坡/崩塌引起的地形異常而將其位置、范圍和形態提取出來。本文增加了由DEM 生成的坡度、坡向、曲率、起伏度、粗糙度以及山體陰影等地形因子圖像對滑坡/崩塌進行綜合解譯（圖2c-h）。

為了降低數據冗余，對地形因子兩兩進行獨立性檢驗，原假設是兩個因子間不獨立，顯著性統計結果如表2 所示，由于顯著性均大于0.05，故拒絕原假設，認為地形因子之間具有獨立性。

表2 地形因子顯著性檢驗結果Table 2 Results of terrain factor significance test

2.3 建立解譯標志

通過獨立性檢驗后，根據滑坡/崩塌在各個因子圖像上的顯示特征建立解譯標志：

1） 坡度：當坡度大于自然休止角并且沒有足夠內聚力的時候，滑坡/崩塌就極易發生（Ercano‐glu et al.，2004；Conoscenti et al.，2008）。坡度是識別滑坡/崩塌特征的重要參數（郭果等，2013）：滑坡/崩塌在坡度因子上主要表現在兩側邊緣會與周圍山體存在明顯變化，滑坡/崩塌內部坡度較為集中，色彩較平滑，滑坡/崩塌邊界處坡度圖像會有跳躍和突變，呈突變狀態（圖2c）。

2） 坡向：不同坡向地區具有不同的風化條件（降雨，冰雪）、土地覆蓋類型（森林、草地、農地）和土壤條件（滲透率），區內山體易形成某一坡向坡度較陡，在降雨條件下，土體內地下水飽和或發生滲流，土體重度變大及地下水的滲透力會更大，進而通過這些因素對坡體產生影響而造成滑坡/崩塌（白世彪等，2005；Yalcin，2008；Mein‐hardt et al.，2015）。坡向難以判斷滑坡/崩塌的形態特征，但通?；?崩塌的邊界在坡向上也會有所體現，同時也可以分析滑坡的大致朝向，可以輔助觀察滑坡/崩塌的大致形態與變形程度（圖2d）。

3） 曲率：曲率對滑坡的發育主要通過影響地表徑流，導致斜坡體巖土壓力變化，凹陷的地形更容易匯集地表徑流，導致斜坡體壓力增大，形成滑坡/崩塌等災害（Ayalew et al.，2004）。一般發生滑坡/崩塌災害后，完整的斜坡會遭受嚴重破壞，曲率也會發生較明顯破壞。因此通過識別曲率的變化可以來識別滑坡/崩塌的范圍和形態（圖2e）。

4） 起伏度：判斷滑坡/崩塌的因子之一，滑坡/崩塌發生后，在邊界處高程通常會有突變，因此起伏度也能很好地幫助滑坡/崩塌邊界的識別（圖2f）。

5） 粗糙度：即地表曲面面積/平面面積，它能夠比較好地反應地形的起伏變化，通?；?崩塌的邊界和滑坡/崩塌內部相對于其他區域均有較明顯變化，其粗糙度會明顯區別于周圍的區域，可以通過粗糙度圖的異常變化來識別滑坡/崩塌，并且可以通過分形維數的方式來分析地表粗糙度（Glenn et al.，2005；尹晨灃，2021）（圖2g）。

6） 山體陰影：利用特定的太陽角度對地面照射產生的表面明暗程度連續變化并用灰度色調或彩色輸出而得到隨光度近似連續變化的色調（Horn，1981）。山體陰影增強被照亮的山坡的地形特征，將陡坡和溝壑增強顯示，可以較直接地觀察到山體的變形行跡，從而進行滑坡/崩塌識別（圖2h，入射角方向為315°）。

3 結果和討論

3.1 解譯結果

綜合遙感影像解譯和LiDAR 數據衍生的6 個地形因子圖像，本次研究共在火山嶂共解譯出44處滑坡/崩塌，其分布和范圍如圖3 所示，圖中數字為滑坡/崩塌編號。

圖3 火山嶂滑坡/崩塌解譯結果圖Fig.3 The map of landslide/avalanche interpretation results of Huoshanzhang

44 處滑坡/崩塌中的28 處在遙感影像上具有明顯的特征，選取7 號和15 號滑坡/崩塌為例，其遙感影像、現場照片和地形因子圖像見圖4。

圖4 7號和15號滑坡/崩塌的遙感影像、現場照片和地形因子Fig.4 Remote sensing images, field photographs,and terrain factors of landslides/collapses No.7 and No.15

除此之外，另外的16 處滑坡/崩塌在遙感影像上并無可供明顯解譯的色調或者紋理特征，其解譯主要依靠地形因子圖像，圖5 顯示了1 號和3 號滑坡/崩塌在遙感影像和各個因子圖像上的顯示特征。結果表明基于LiDAR 數據生成的各個地形因子圖像對植被覆蓋下的滑坡/崩塌（可見光影像上無明顯色調和紋理特征）具有較好的顯示，在植被覆蓋區具有很好的應用效果。

圖5 1號和3號滑坡/崩塌的遙感影像和地形因子Fig.5 Remote sensing images and terrain factors of landslides/collapses No.1 and No.3

對解譯的滑坡/崩塌進行面積、高程、粗糙度、坡度、坡向、起伏度和曲率等參數進行統計，結果如表3。由表3 可知，研究區域高程范圍為50～765 m，滑坡/崩塌大致分布在150～500 m 之間的高程；研究區坡度范圍為0～87°，而滑坡/崩塌發生的坡面坡度主要集中在30°～40°這一區間（該區間山體第四系殘積土覆蓋較厚，40°以上的區域大部分為基巖裸露，或松散蓋層較?。?，說明坡度30°～40°且第四系殘積土覆蓋較厚的坡面是土質滑坡/崩塌發育的高風險區域；滑坡/崩塌坡向絕大部分在90°～270°之間，僅一個滑坡/崩塌坡向為88°，說明滑坡/崩塌在南坡（向陽坡）的發生概率更高，因為該區域受斷裂影響及季風氣候的影響，南向的斜坡會受到更強烈的風化作用（如日照、降水和晝夜溫差等），其土壤和巖石結構相對更加松散，更容易發生滑坡/崩塌；曲率平均值大部分為負值，有40處，因為凹形坡地形具有聚水性，水分的積聚會增加土體的重度，并沿坡面形成向外的水壓力，從而促使滑坡/崩塌的形成，而滑坡/崩塌發生后會進一步促進凹形坡的形成；滑坡/崩塌的粗糙度值域為1.174～1.450，整體較大，粗糙度的增大會導致水分滯留在土體內，從而增加土壤飽和度和形成地下水的滲流，進而影響滑坡/崩塌的發生；起伏度是指地表在水平方向上的高低起伏程度，滑坡/崩塌區域的起伏度分布在0.724～1.354，地形起伏度大的地區通常存在更多的坡面，地面的坡度也更加陡峭，土層的穩定性較差，容易發生滑坡/崩塌。

表3 解譯滑坡/崩塌地形因子數據統計Table 3 Statistics of landslide/collapse terrain factor data interpretation

3.2 確認概率計算

由于本文解譯獲得的滑坡/崩塌并不是在遙感影像和6個地形因子影像上均有明顯特征且地形因子對地質災害發生的影響程度各不相同。另外，各個滑坡/崩塌的解譯都基于特征因子圖像的目視解譯，會存在一定的誤差。因此本研究引入各個因子的權重計算，基于每個滑坡/崩塌在地形因子圖像上的特征顯示數量及權重對解譯結果的確認概率進行計算：

1） 對每處滑坡/崩塌出現的顯著特征數量進行統計，有顯著顯示特征設為“1”，無明顯顯示特征設為“0”。

2） 利用分形理論計算6 個地形因子的分維值，作為權重設置的依據。通過計算各因子權重對各個地形因子在研究區域滑坡/崩塌解譯中的重要性進行評估，確定它們對滑坡/崩塌解譯結果的貢獻程度，并基于綜合權重計算44 處滑坡/崩塌解譯的確認概率，對準確率較低的解譯結果進行篩選，從而增強解譯結果的可信度。

分形理論是由Mandelbrot（1982）提出用于描述自相似性的數學理論，通過分維值來描述研究對象自相似性的程度：分維值越大，研究對象越復雜，反之，則越簡單。分形理論在地質災害研究中可用于描述地質災害的空間分布和危險性評價等（周寅康等，1995；易順民等，1999；菊春燕等，2013；王森等，2017）。本文擬利用分維值來判斷各地形因子的影響權重，進而對滑坡/崩塌的解譯確認度作出定量判斷。

分形理論一般包括常維分形和變維分形，前者用于形態簡單的對象，一般定義為

其中N為相應標度下某物理量的測量值；C為常數；r為分類序號；D為分形維度。對于常維分形，D不隨r變化。但在自然界中很難存在嚴格滿足常維分形的事物，因此學者們便引入了變維分形的概念（付昱華，2000），將D從常量變成了變量，提出任意D=f(r)均可以變換轉換成（1）的表現形式，即進行一次或者多次的累計變換，建立多個變維模型，在雙對數曲線中尋找最符合線性分布的模型，具體步驟如下：

（1）以滑坡的面積作為N，每個滑坡影響因子分為8 個類型，將原始數據（Nr，r）繪制在雙對數坐標中，并通過

計算各分段的分維值，式中D是分形維度，i為類型，取值i=1，2，…，8.

（2）對原始數據（N1，N2，…，N8），進行各階累加和，得到

（3）根據各階累計和建立相應階的變維分形模型，并繪制雙對數坐標曲線，尋找最優變換階，即雙對數坐標中最符合線性變化的數據，以此數據進行線性擬合（本文采取的判斷標準是相關系數大于0.99），該擬合線的斜率即為數據的分維值。

根據上述步驟，分別對坡度、坡向、起伏度、粗糙度和曲率等5 個地形因子進行計算。結果表明，火山嶂的坡度、坡向、起伏度、粗糙度、曲率與滑坡面積均呈二階累計與分形關系（圖6），其中各項分維值分別為：坡度1.790，坡向1.497，曲率2.547，粗糙度1.068，起伏度2.068，其相關系數除了曲率為0.996，其他因子均為0.999（表4）。通常分維值越大，代表該因子與滑坡之間的關系更復雜，貢獻也越大，相反則貢獻越小。由此可知，研究區域各個因子的影響力大小為：曲率＞起伏度＞坡度＞坡向＞粗糙度。

表4 地形因子分形結果及權重劃分表Table 4 Fractal results of terrain factors and weight allocation

圖6 滑坡/崩塌影響因子各階分維序列圖(a1-e1) 及最優階擬合曲線(a2-e2)Fig.6 Multifractal spectrum plot of landslide factors (a1-e1) and best-fit curve of optimal order (a2-e2)

本研究中，將遙感影像權重設為0.3，山體陰影權重設置為0.2，按分維值從大到小分別賦值0.14、0.12、0.10、0.08 和0.06（表4），進行加權計算后獲得滑坡/崩塌確認概率如表5 所示。由此可知，解譯獲得的滑坡/崩塌確認概率大于50%的滑坡有41 處，占比93%，確認概率大于80%的滑坡有26 處，占比59%；而低于50%的滑坡/崩塌有3處（編號為10、21 和25，在表5 中斜體表示），均為遙感影像不明顯且地形特征顯著度不足，表明其準確性較低，后期討論中將這3 處滑坡/崩塌剔除。

表5 解譯獲得的滑坡/崩塌在各個因子影像上的顯示狀態及確認概率1）Table 5 Display status and confirmation probability of deciphered landslides/collapses on various factor images

3.3 地質災害風險評價

本研究采用水文分析的方法將火山嶂劃分為6個子區域（圖7），其中Ⅰ和Ⅱ區內各有一個解譯滑坡/崩塌，Ⅲ區內有5 處解譯滑坡/崩塌，Ⅳ區內有13處解譯滑坡/崩塌，Ⅴ區內有16 處解譯滑坡/崩塌，Ⅵ內有8處解譯滑坡/崩塌。

圖7 火山嶂6個子區地質災害風險評價Fig.7 Geological hazard risk assessment of 6 subzones within the Huoshanzhang

根據各個子區內的滑坡/崩塌密度和體量，并綜合每個子區的地形特征和周邊人類活動分布，對這6個子區的地質災害風險進行分析：

（1） Ⅰ區位于火山嶂山體的西側，區內地面標高70～330 m，高差260 m，區內發育一條主溝谷，溝谷長850 m，溝谷兩側植被覆蓋率高，區域僅發生有一處規模較小的滑坡/崩塌，且靠近居民區200 m 處有一處地形隆起，如遇泥石流災害可作為緩沖，對人類生命和財產危害性較小，地質災害風險較小。

（2） Ⅱ區位于火山嶂山體的西側，區內地面標高60～540 m，高差480 m，區內發育一條主溝谷、一條次溝谷。主溝谷長1 300 m，次溝谷長720 m，區域僅發生有一處規模較小的滑坡/崩塌，且溝谷兩側植被覆蓋茂密，地質災害風險較小。

（3） Ⅲ區位于火山嶂山體的中部區域，區內地面標高60～680 m，高差達620 m，區內發育有一條長約1 300 m 的主溝谷，其中發育有5 處滑坡/崩塌，且規模較大，高程集中在200～400 m，溝谷高差大，發生大量降雨后有可能誘發泥石流災害，地質災害風險較大。

（4） Ⅳ區位于火山嶂山體的中部區域，區內海拔標高60～660 m，高差達600 m，區內發育有3條溝谷（1條主溝，2條支溝），匯水面積約1.4 km2。主溝發育長度約1 500 m，沿主溝發育有12處滑坡/崩塌，集中在500 m 處，規模較大且較為集中。該子區斜坡高差大，坡度大，溝谷長，在大量降雨時易發生滑坡和崩塌，集中發育的滑坡/崩塌也使該區具有豐富的碎屑物物源，從而引發泥石流等災害，且緊鄰道路且山腳有較密集居民地，地質災害風險大。

（5） Ⅴ區位于火山嶂山體的東部區域，區內標高70～560 m，高差490 m，區內發育有2 條主溝谷，溝谷長約1 400 m，該區共發育有14處滑坡/崩塌，但規模都很小，溝谷出山口離人類活動區域（道路和建筑）較遠，地質災害風險較小。

（6） Ⅵ區位于Ⅳ區與Ⅴ區之間，區內標高70～250 m，高差170 m，自然坡度30°～45°，發育2 條溝谷，溝谷長約600 m，雖發育8 處滑坡，但規模極小，但是該區域離道路較近，且坡度較大，可能發生的滑坡或崩塌會對道路產生一定威脅，具有一定的地質災害風險。

綜上所述，如圖7 所示：Ⅳ區高差大，坡度大，溝谷長，滑坡/崩塌密度大，體量大，且其下部靠近人類活動區，滑坡/崩塌和泥石流災害均需密切注意，地質災害風險等級為“高風險”；Ⅲ區溝谷高差大，溝谷較長，滑坡/崩塌密度較大，滑坡/崩塌和泥石流災害風險等級為“中風險”；Ⅵ區高差較小，滑坡/崩塌密度中等，但是緊靠道路且坡度較大，地質災害風險等級為“中風險”；Ⅰ區和Ⅱ區滑坡/崩塌密度極小，高差也較小，因此風險等級為“低風險”；Ⅴ區高差小，雖有一定的滑坡/崩塌密度，但規模小且遠離人類活動區域，風險等級為“低風險”。

4 結 論

本研究利用機載LiDAR 點云數據構建的高分辨率DEM 及其衍生的地形因子數據，綜合遙感影像對汕尾市火山嶂進行滑坡/崩塌解譯，并結合變維分形模型確定各解譯因子的權重后計算獲得每個解譯滑坡/崩塌的確認概率，并結合火山嶂各個子區地形特征、滑坡/崩塌密度和體量以及人類活動分布進行地質災害風險評價，主要的結論如下：

1） 綜合采用機載LiDAR 生成的高精度DEM及其衍生的坡度、坡向、曲率、起伏度、粗糙度和山體陰影等6 個地形因子和高分一號遙感影像，在火山嶂地區共解譯獲得滑坡/崩塌44 處，其中28處在遙感影像上具有明顯的特征，其余16 個滑坡/崩塌由于植被覆蓋，在遙感影像上并無可供明顯解譯的色調或者紋理特征，其解譯主要依靠地形因子。

2） 基于變維分形模型對解譯滑坡/崩塌的地形因子權重進行計算，結果表明火山嶂地區各地形因子對滑坡/崩塌的影響力大小為：曲率＞起伏度＞坡度＞坡向＞粗糙度，進行加權計算后獲得滑坡/崩塌確認概率，將3 處概率小于50%的滑坡/崩塌作為無效結果進行剔除。

3） 采用水文分析的方法將火山嶂劃分為6 個子區，根據滑坡/崩塌密度和體量、地形特征和周邊人類活動分布對各個子區進行地質災害風險評價：Ⅳ區滑坡/崩塌密度大，高差大，溝谷深，有較大的滑坡/崩塌和泥石流災害風險，地質災害風險等級評價為“高風險”；Ⅲ和Ⅵ區或有較大的滑坡/崩塌密度，或靠近人類活動區，地質災害風險等級為“中風險”；Ⅰ和Ⅱ區滑坡/崩塌密度低，Ⅴ區的滑坡/崩塌都很小且遠離人類活動區域，因此，將Ⅰ、Ⅱ和Ⅴ區地質災害風險等級評價為“低風險”。

本研究表明，基于機載LiDAR 數據形成的DEM 及其衍生地形因子可以有效去除植被影響，是植被覆蓋區的地質災害解譯和風險評價的有效手段。