滑坡地质灾害风险区划评价方法研究综述

何世阳, 李立青, 何亚辉,2

(1.河南工业大学 土木工程学院，河南 郑州 450000； 2.河南交通发展研究院有限公司，河南 郑州 450000)

0 引言

滑坡作为自然界最常见的地质灾害，具有危害性大、破坏力强的特点。《2022年中国自然资源统计公报》显示，2022年全国共发生地质灾害5659起，其中滑坡3919起，占风险点总数的69%[1]。滑坡地质灾害风险区划评价是优化滑坡风险管理的基础工作，是制定防灾减灾措施，特别是非工程措施的重要依据[2]；滑坡地质灾害风险评价的核心内容是评价方法模型，模型的选择直接决定着评估结果的合理性及准确性。张铎等[3]将滑坡危险性区划评价模型分为判别分析模型和机器学习模型。唐亚明等[4]将滑坡地质灾害评价方法分为概率分析法、定性推理法、数学模型评价法、确定性模型和不确定性模型等5种；许冲等[5]将滑坡灾害评价方法分为直接评价法、专家知识法和统计分析法；部分学者则将其划分为定性方法和定量方法[6-7]。随着机器学习和人工智能技术的不断发展，机器学习模型得到了广泛应用[8]，其中耦合模型的精度高且稳定性良好[9-10]。综上所述，既有研究成果颇丰，然而滑坡地质灾害风险评价方法模型归类不系统，缺乏评价方法模型的优劣对比，致使岩土工作者选取合理的风险区划评价模型时存在一定的困扰。本文基于文献调研及部分工程应用案例的研究成果，首先梳理滑坡地质灾害区划评价的实施流程，依据获得滑坡影响因子与风险性之间相互关系的不同手段对评价方法进行归类，阐述滑坡灾害风险区划评价方法的优劣及应用场景，总结并展望滑坡地质灾害风险区划评价的研究方向，以期丰富滑坡地质灾害研究的视角和内容，协助防灾减灾规划与风险治理工作的开展。

1 评价方法分类

基于既有滑坡地质灾害风险评价方法的研究成果，本文将滑坡地质灾害风险区划评价方法模型分为地理信息系统、定性模型、定量模型、机器学习模型、耦合模型和其他模型。地理信息系统主要是以ArcGIS平台为核心进行风险区划评价[11]。定性模型一般基于专家知识经验，主要有专家评分法、层次分析法和加权线性组合法等[12]。定量模型以统计分析模型为主，主要包括Newmark位移模型、贡献权重叠加法、模糊综合评价法和粗糙集理论等[5，13-14]，其中粗糙集理论是一种小样本方法，可定量分析处理不精确、不一致和不完整的信息和知识[15]。统计分析模型可分为二元统计分析模型和多元统计分析模型，其中二元统计分析模型主要有确定性系数法、证据权法、信息量法、频率比法等；多元统计分析模型主要有判别分析法、逻辑回归分析法等。机器学习模型主要有神经网络、随机森林、支持向量机、贝叶斯网络、决策树等[16]。耦合模型主要是2种或多种方法耦合的评价模型。其他方法主要有综合指标法、突变理论、物元模型、分形理论和数量化理论等。

2 评价方法研究

2.1 地理信息系统

地理信息系统(GIS)是一种具备信息系统空间专业的数据管理系统，目前已成为成熟的空间数据处理技术。GIS主要有数据获取、数据管理、空间分析和输出功能，可为滑坡灾害风险预测评价提供有利的软件平台[17]，已在滑坡灾害风险区划评价方面取得了良好的应用效果[18-19]。部分学者还将GIS与RS(遥感)技术相结合进行滑坡风险区划评价研究[20]，其评价结果与野外调查情况基本相符，可满足滑坡减灾防灾工作的技术需求。然而，GIS对数据质量要求高，需进行数据清洗、处理和定期更新，较难保证预测精度，且学习门槛与时间成本较高。

2.2 定性评价模型

定性评价模型主要依赖专家知识经验，受人为因素的影响较大，评价结果具有一定的主观性[21]。田述军等[22]以斜坡为评价单元，采用专家打分法确定各评价指标的权重，基于ArcGIS平台对某公路滑坡地质灾害进行区划评价，结果表明以斜坡为研究单元可有效避免因单元划分而忽略斜坡整体性的影响。Patwary等[23]基于遥感数据和GIS技术，采用专家打分法对区域内滑坡灾害进行风险性划分，得到的区划图与现有滑坡分布吻合良好，但该区域内大部分滑坡规模相对较小。部分学者采用层次分析法确定权重系数[24]，并与GIS技术[25-26]、RS技术[27]等结合进行滑坡风险区划评价研究。与专家打分法相比，层次分析法可以成对比较各种影响因素，有效减少人为错误，使评估结果更加客观[28]。Ayalew等[29]尝试采用加权线性组合法用于滑坡风险区划评价，取得了较好的效果。综上可知，定性评价模型虽较早应用于滑坡灾害区划研究，但评价结果及精度存在一定的局限性，与预期要求存在一定的差距。

2.3 定量评价模型

定量评价模型主要基于环境因素与滑坡灾害之间的关联性进行分析，通常采用统计分析模型进行风险指标计算[30]，统计分析模型分为二元统计分析模型和多元统计分析模型。

二元统计分析模型应用较广泛。齐信等[31]运用GIS技术对评价因子进行空间分析，采用频率比模型计算评价因子的贡献率并进行叠加分析，成功地将三峡地区秭归向斜盆地滑坡灾害划为4个分区。尚有部分学者采用水文分析法和曲率分水岭法等两种斜坡单元划分方法[32]，基于GIS技术生成评价因子证据图层并进行叠加分析，而后采用证据权法对研究区域内的滑坡灾害进行风险分区[33-34]。为克服滑坡灾害因子边界划分的不确定性和因子权重的主观性，谢洪斌等[35]引入修正后验概率模型的模糊证据权法对地震滑坡灾害进行风险区划，研究表明该方法生成的区划图较客观准确，适用于预测由自然因素主导事件的发生概率。部分学者以栅格单元[36-37]或斜坡单元[38]为评价单元，基于GIS技术[39]采用信息量理论[40-41]或信息熵理论[42]对滑坡灾害进行风险区划评价，研究表明以斜坡单元为评价单元进行滑坡风险区划比栅格单元更加合理[43]。此外，尚有学者基于GIS平台叠加分析功能，采用确定性系数法对滑坡地质灾害风险进行区划评价研究，并取得良好的效果[44]。

多元统计分析模型中应用较多的主要有逻辑回归分析法、判别分析法。逻辑回归分析法有效避免了预测概率大于1或小于0的不合理情况[45]，在利用GIS平台对滑坡灾害进行风险区划研究中取得了很好的应用效果[46-47]。针对网格生成、致灾因子选择、不重合边界等问题，许湘华[48]运用GIS的空间分析功能和SPSS的统计功能，有效消除了滑坡灾害区划精度的影响。基于GIS平台对影响因子的图层叠加分析，许冲等[49]、赵良军等[50]运用逻辑回归方法计算各影响因子的系数值并构建逻辑回归模型，于GIS平台上绘制滑坡灾害风险性区划图。方然可等[51]采用贝叶斯优化算法对逻辑回归模型参数进行优化，可明显提高模型准确率和模型泛化能力。陆新等[52]研究表明判别分析法适用于成灾机理不太明确的中小型滑坡灾害，以滑坡灾害隐患点为训练样本，建立起中小型滑坡稳定状态的判别分析函数，并对未知稳定状态的滑坡灾害风险性进行评价。Carrara等[53]、Davis等[54]则运用判别分析法与GIS技术相结合对滑坡地质灾害进行了风险性评价，结果表明判别分析模型对逻辑函数假设具有鲁棒性，可成功用于评价滑坡灾害。

此外，还有贡献权重叠加法、Newmark模型、模糊综合评价法和粗糙集理论等定量分析模型。贡献权重叠加法是一种物理意义明确且易于操作的评价模型[55]，与GIS技术相结合对滑坡灾害风险区划具有较好的评价效果[56]。在获得明确的物理岩土力学性质和地震动参数的情况下，Newmark模型可获得更准确的边坡位移[57]，已有成果表明该模型是一种有效的地震诱发滑坡灾害风险预测分析方法[58]。尚有学者采用模糊综合评价法对滑坡灾害进行风险区划研究[59]，该方法评价因子组合反映了评价因子与滑坡灾害之间的非线性关系，且各评价因子组合模型中部分参数可由统计分析得到，可显著提高滑坡灾害风险评价的准确性[60]。有学者尝试将粗糙集理论用于滑坡灾害风险评价研究，验证了该方法比逻辑回归分析法预测精度更高[61-62]。

定量模型与定性模型对比见表1，表中“>”表示“优于”(后文同)。

表1 定量模型与定性模型对比类型模型优劣对比信息量模型>逻辑回归模型[63]确定性系数法>逻辑回归模型[64]定量模型逻辑回归模型>证据权法[65]频率比模型>逻辑回归模型>证据权法[66]逻辑回归模型>信息量法[67]逻辑回归模型>信息量模型[68]逻辑回归模型>专家打分法[69]定性模型与定量模型逻辑回归模型>频率比模型>层次分析法[70]频率比模型>层次分析法[71]

分析表1可知，定量评价模型整体要优于定性模型；定量评价模型中信息量法和确定性系数法对于滑坡灾害风险区划评价结果精度高，相对优于证据权法、逻辑回归分析法，但也有学者研究成果表明逻辑回归分析法优于信息量法。定量模型参数相对较少且构建简单，较易操作且预测精度良好，使得该模型于滑坡地质灾害风险区划评价中应用较多。然而对逻辑回归分析法和信息量法的优劣性缺乏统一口径，需细化研究验证二者的优劣性并探索其应用场景。

2.4 机器学习模型

机器学习模型是智能对象及其相互关系的数学算法表达，通过梳理训练海量数据来模拟预测未来事件发展趋势。机器学习模型应用中BP神经网络应用居多，部分学者应用BP神经网络构建滑坡灾害风险区划评价模型，通过训练模型利用GIS平台进行滑坡地质灾害风险区划评价[72-73]。 然而考虑到BP神经网络收敛速度慢和陷入局部最优的趋势，以及确定隐层节点数缺少理论指导造成模拟结果不确定等不足，已有部分学者引入遗传算法或MIV理论来优化BP神经网络模型，以解决滑坡灾害风险预测能力不足造成的影响[74-75]。除BP神经网络外，尚有学者应用径向基概率神经网络[76]、深度神经网络[77]和卷积神经网络[78]，研究成果表明卷积神经网络优于传统的神经网络和深度神经网络。支持向量机模型可有效解决小样本空间、高维数的非线性问题[79]，胡德勇等[80]、武雪玲等[81]分别以网格单元和斜坡单元为评价单元，构建支持向量机模型进行滑坡灾害风险区划评价，再次验证了以斜坡单元比网格单元作为评价单元的风险评价精度要高。Xu等[82-83]采用支持向量机模型并基于GIS技术对滑坡灾害进行风险评价，验证了该模型的可行性及有效性。Sun等[84]采用贝叶斯网络模型对滑坡地质灾害进行风险区划评价，研究表明该模型可有效量化岩土参数存在的不确定性以及提高预测精度可靠性。赵建华等[85]、李文娟等[86]运用决策树模型针对影响因素数据进行挖掘，并基于GIS平台开展滑坡灾害风险区划研究。然而决策树模型多用于单个模型预测，预测精度在一定程度上受到限制且易产生过拟合[87]。随机森林模型是集成多棵随机决策树建模，对噪声和异常值的敏感性低，难以过拟合，具有较好的精度和稳定性，应用效果良好[88]。表2为机器学习模型与定量模型对比。

分析表2可知，支持向量机模型和随机森林模型对于滑坡灾害风险区划评价结果精度最高，且优于神经网络模型、决策树模型；机器学习模型的评价效果明显优于定量评价模型，但也有部分学者认为逻辑回归分析法优于神经网络模型和支持向量机模型。为此可得，单一评价模型中机器学习模型预测稳定性、精度更高且应用效果最好。然而对于逻辑回归分析法与神经网络模型和支持向量机模型的优劣性学者看法并不统一，应进一步对其应用场景进行分析验证。

表2 机器学习模型与定量模型对比类型模型优劣对比随机森林模型>自组织特征映射网络[89]机器学习模型支持向量机模型>BP神经网络模型[90]BP神经网络模型>决策树模型[91]支持向量机模型>逻辑回归模型[92]神经网络>逻辑回归模型和信息量模型[93]机器学习模型与定量模型支持向量机模型>逻辑回归模型>粗糙集模型[94]神经网络模型>判别分析法[95]逻辑回归模型>神经网络模型[96-97]

2.5 耦合评价模型

针对滑坡灾害风险区划评价的单一模型虽已取得诸多成果，但仍存在诸多亟待改进的地方：定性模型过于依赖专家的主观经验和分析判断，导致可靠性低；定量模型仅对风险指标信息熵进行线性叠加求和，亦难以确定各个因子在高维空间中与灾害点的相互关系；机器学习模型受收敛性以及掩藏结点个数的制约，容易出现过拟合导致模型失真等[98-99]。因此，采用2种及2种以上模型耦合的方式来提高评价精度已成为近期的研究热点。

目前，滑坡地质灾害风险区划评价研究应用得最为广泛的是两种模型的耦合，主要有两种定量模型的耦合[100-101]、定性模型与定量模型的耦合[102]、定量模型与机器学习模型的耦合[103]、2种机器学习模型的耦合[104-105]等；缺少2种定性模型的耦合，如定性模型与机器学习的耦合。2种模型耦合与单一模型对比具体为：确定性系数-逻辑回归耦合模型>确定性系数>逻辑回归模型[106]；信息量-神经网络耦合模型>信息量模型[107]；Newmark模型-神经网络模型耦合>神经网络模型耦合>Newmark模型[108]。由此可知，耦合模型较单一模型精度更高、稳定性更好。在耦合模型分析对比中，将定量模型分别与定性模型、定量模型和机器学习模型进行耦合，分析得出2种定量模型耦合精度和稳定性较好[109-110]。部分学者将定量模型分别与2种不同定量模型耦合，发现逻辑回归分析法与确定系数法耦合要比与信息量法耦合的精度更高[111]；而定量模型分别与2种机器学习模型耦合时，研究表明证据权法与随机森林模型耦合优于证据权法与支持向量机模型耦合[112]。

尚有学者将3种模型耦合应用于滑坡灾害风险区划评价研究，评价效果明显优于单一模型，具体为：层次分析法-遗传算法-支持向量机耦合模型>单一支持向量机模型[113]；逻辑回归-模糊层次分析-频率比耦合模型>单一频率比模型>单一逻辑回归模型>单一模糊层次分析模型[114]。由此可得，多耦合模型在滑坡灾害风险区划评价中有较显著优势。但目前针对机器学习耦合模型应用较少，缺少与其他耦合模型的对比分析，下阶段应重点关注机器学习耦合模型于滑坡灾害风险区划评价研究中的应用。

2.6 其他评价模型

此外，还有综合指标法[115]、突变理论法[116]、物元模型[117]、分形理论法[118]和数量化理论法[119]等被引入滑坡灾害风险区划评价中，上述理论方法同样可成功实现风险预测，为滑坡灾害风险性区划评价拓展了新途径、新思路。

3 结论与展望

本文基于诸多国内外文献，总结分析既有滑坡灾害风险区划评价方法模型的研究成果，将其归纳为地理信息系统、定性模型、定量模型、机器学习模型、耦合模型和其他模型等。地理信息系统对数据质量要求较高；定性评价模型主观性较强；定量评价模型仅对评价指标叠加求和，亦在高维空间中难以确定各因子与灾害点的相互关系；机器学习模型容易导致模型失真；耦合模型可取长补短；分析得出各模型评价效果优劣顺序为耦合模型>机器学习模型>定量评价模型>定性评价模型>地理信息系统。研究结果表明耦合模型精度最高且稳定性最好，值得广泛应用；2种机器学习模型的耦合将逐渐成为研究热点。笔者将进一步研究定性模型耦合或定性模型与机器学习模型耦合在滑坡地质灾害风险区划领域内的应用研究，以期构建更加完善的风险区划评价方法体系，为行业学者提供更广泛的研究思路。