强震山区地震诱发滑坡发育规律与易发性评估

Study on Development Patterns and Susceptibility Evaluation of Coseismic Landslides within Mountainous Regions Influenced by Strong Earthquakes

摘要

强震山区地形陡峭，植被茂盛，使同震滑坡“点多面广”，难以探测，为灾害防控带来困难.滑坡易发性评估能够预测灾害空间分布.但传统评估方法存在数据源有限、数据量化标准不一等问题，难以获取准确的易发性评价结果及难以掌握复杂孕灾环境下滑坡发育特征.鉴于此，通过多源监测数据、空间分析和深度学习方法，分析同震滑坡的发育规律，探究滑坡的地震响应机制，并进行滑坡易发性区划.结果表明：地震通过影响地形地貌的应力场及岩土体结构对地震波的地震响应的作用，使同震滑坡表现不同形式的发灾效应（如锁固段效应、微地形效应和地层倾向效应等）；采用基于卷积神经网络（CNN）和深度神经网络（DNN）的深度学习模型取得了良好的易发性评价结果（AUC值分别为0.901和0.865），CNN模型的预测性能优于DNN模型.两模型精度都较高，均能较为准确识别潜在的滑坡区域；极高和高滑坡易发性区域广泛分布于丹祖沟等13条沟道中，这些沟道在暴雨下更容易发生泥石流.

关键词

发育规律 / 深度学习 / 滑坡易发性 / 发灾效应 / 灾害地质

Key words

development pattern / deep learning / landslide susceptibility / disaster effect / hazard geology

2017年8月8日，阿坝州九寨沟县发生M_s 7.0级地震，震源深度为20 km，地震直接诱发了超4 800处同震滑坡，总面积超9 km²（樊芷吟等，2018）.震后，松散且丰富的滑坡为沟道型泥石流的发生提供了物源条件，使泥石流发生的前期雨量降低15%~20%左右和小时雨强减少25%~30%左右（Tang et al.， 2009），导致泥石流发生频率、强度和规模大于震前水平.由地震引起的链式次生灾害将持续10~30年之久（Cui et al.， 2011），次生灾害带来的危害甚至超过了地震本身所带来的危害.

地震诱发滑坡导致泥石流物源储量增加约5~48倍（常鸣等，2014；李宁等，2020）.且同震滑坡大多分布于高海拔的沟谷之中，点多面广，难以探测.但一遇暴雨将转化为泥石流威胁下游人员财产安全.此外，震前未发生过泥石流的沟道在震后也暴发了多次泥石流事件（倪化勇等，2011）.因此，泥石流物源（同震滑坡）的探测是防灾减灾的关键.但目前，以统计规律为代表的同震滑坡发育规律研究，更多关注于对其分布统计规律的描述（梁靖等，2019），如发现同震滑坡更靠近发震断层和水系等.一些研究尝试揭示滑坡发灾效应，如背坡效应（Chang et al.， 2021）、距离效应（Jiao et al.， 2018）和放大效应（王运生等，2022），但是这些发灾效应并未能完全揭示造成同震滑坡的地震响应机制和成灾机理.同时，强震山区表现出“崩塌/滑坡-碎屑流-泥石流”等形式的链式特征，表明在泥石流发灾的整个过程中，孕灾环境、灾变阻断和灾害产生机制之间有着极为密切的关系，但现阶段研究，主要针对单一灾种（同震滑坡）的影响和评估机制研究，对震后灾害链演化成因机理等内容研究相对缺乏.

地震使边坡松散，即存在“裂”而未“滑”、“松”而未“动”或被植被所掩藏的不易被识别的震裂山体（Wu et al.， 2018）.这些受损山体在遭受降雨和重力耦合作用下会形成堵溃体或沟道堆积物，甚至形成泥石流.因此，对该类隐患灾害识别为灾害监测奠定基础.然而，对地形险峻的强震山区滑坡灾害进行详细的探测及大规模的监测预警是不现实的.通过滑坡易发性评估能够预测相似孕灾环境下的易发生滑坡的区域，寻找潜在泥石流源区，为解决该问题提供新见解.目前，滑坡易发性评价方法包括：物理模型（陈晓利等， 2013）、启发式模型和统计模型（黄润秋，1991）.但物理模型适用于单体滑坡，但受限于难以获取的岩土力学和地下水等参数.启发式模型很大程度上依赖于专家经验.统计模型在量化滑坡孕灾环境因子易受主观因素影响（郭子正等，2019）.以传统机器学习为代表的数据挖掘技术能够建立灾害与孕灾环境因子之间的非线性映射关系（李文彬等，2021；黄武彪等，2022），能够处理高维、大量的数据和具有泛化能力（Sun et al.， 2020），通过该方法刻画复杂孕灾环境下发灾规律（武雪玲等，2013），构建相应的“知识图谱”，从而预测相似孕灾环境下的隐患点（易发生滑坡区域），被广泛应用灾害的预测评价中.近年来，深度学习成为研究热点，深度学习模型除了具有传统机器学习方法的优势外，还具有克服过拟合、学习深层次特征等能力，从而获取高精度预测结果（Nguyen et al.， 2018）.但目前较少有研究将深度学习应用于滑坡易发性评价预测.

在九寨沟地震后，习近平总书记对抢险救灾做出的重要指示.虽然地震过去了几年，但该地区泥石流还在持续暴发，若能掌握清楚同震滑坡发育规律、易发生滑坡区域，了解滑坡的地震响应机制和次生灾害链演化成因机理，就能对震后地质灾害进行合理的监测、预防，从而降低泥石流等次生灾害所带来的损害.因此，本文旨在对九寨沟地震产生滑坡的发育特征、控制因素和滑坡易发性预测研究，揭示造成同震滑坡的地震响应机制和成灾机理，识别潜在的震裂山体区域（易发生滑坡区域），为泥石流防治提供理论依据和指导建议.

1 研究区概况

九寨沟研究区位于四川省北部，平均海拔为 3 400 m，研究区地势南高北低，地形以山地为主，河谷纵横，相对高差巨大.研究总面积约为1 330 km²，属于高原湿润气候，年平均降雨量为550 mm（Yi et al.， 2020）.研究区位于青藏高原东北边缘向四川盆地过渡地带，处于青藏板块向扬子板块俯冲带的边缘，构造强烈.研究区发育岷江断裂、塔藏断裂和虎牙断裂，并经历了多次地震事件，例如岷江断裂北段活动引发1960年漳腊M_s 6.7级地震（周荣军等，2000）.虎牙断裂活动于1976年8月16日和23日引起两次M_s 7.2级地震（朱航和闻学泽，2009）.2017年8月8日九寨沟M_s 7.0级地震是由于岷山隆起带北端与西秦岭地槽褶皱带之南缘文县-玛沁断裂相交导致发震，发育两条NW向具有构造破裂特征的走滑型发震断裂（李渝生等，2017）（图1）.

2 数据和方法

2.1　数据

采用多时相高分辨率遥感影像对其进行解译和编录，获取同震滑坡的数量、规模和坐标信息.本次工作使用的地形高程数据DEM（Digital Elevation Model）源于ALOS（Advanced Land Observing Satellite）数据，分辨率达12.5 m.使用的地层岩性分类及断层矢量数据为根据全国地质资料馆1∶20万地质图数据库.地震数据分别源于美国地质调查局（United States Geological Survey， USGS）地震灾害项目和中国地震局，包括震中位置、地震峰值加速度PGA（Peak ground acceleration）等地震参数.遥感数据处理前，对其进行几何校正、色彩调整、精确配准等预处理.工作采用多源数据如表1所示.

2.2　滑坡发育规律研究方法

采用地震前后的多时相高分辨率遥感影像数据、目视解译方法判别同震滑坡，首先通过多时相Sentinel-2A影像进行同震滑坡识别，并通过高分辨谷歌影像辅助以判读，解译方法为：判断该处震后是否发生过地表变化，并根据解译标志例如有弧形、新月形等形态，或者灰白色和白色等色调，同时注意避免将震前已有滑坡判别为同震滑坡.并结合实地核查的方法，以保证解译结果的准确.

同震滑坡的发育规律研究主要通过ArcGIS表面分析、空间分析和统计功能，首先生成滑坡孕灾环境因子集，通过对收集到的DEM生成坡度和坡向因素，对地质图和发震断层数据进行栅格化，生成发震断层缓冲区，并将所有数据连同PGA栅格化至12.5 m分辨率，并对孕灾因素进行分级（如将高程划分为1 500~1 700 m，1 700~1 900 m等以此类推）.然后通过空间分析，计算各级孕灾环境中滑坡的面积HA（Hazards area）和面积百分比PHA（各级中同震滑坡面积/总面积）（Proportion of hazards area）.孕灾因子中某一级的值越高，表明其与灾害发生概率的正相关性越强.本次工作获取的孕灾环境因素有PGA、距发震断层距离、高程、坡度和坡向与地层岩性.根据统计的HA和PHA结果，探究走滑型发震断层的控灾规律和灾害的地震响应机制（发灾效应）.

2.3　滑坡孕灾环境因素敏感性分析方法

不同的地区滑坡主控因素和孕灾环境不同.为探究强震区同震滑坡的主控因素，采用敏感性分析方法分析滑坡的各因素的权重，得出各个孕灾环境因子对滑坡的贡献程度值.敏感性分析方法主要是通过SVM（Support vector machine）支持向量机建立滑坡和孕灾环境因子的非线性预测模型，并通过剔除某一因素后再分析该模型的预测性能，从而计算出其重要性值（Delen et al.， 2017），即不包含该因素的预测误差与包含该因素的预测误差之比，值越大表明对该因素越敏感，则该因素就对滑坡相关性越大，计算公式为（1）：

S_i = \frac{V_i}{V\left(F_t\right)} = \frac{V\left(E\left(F_t\left|X_t\right.\right)\right)}{V\left(F_t\right)},(1)

其中，S_i 为第i个孕灾环境因素的敏感性值，V（F_t ）为包含所有因子的输出变量的方差，E（F_t |X_t ）为排除该因素后的模型的条件期望， V（E（F_t |X_t ））为该条件期望的方差.

2.4　滑坡易发性评价方法

滑坡易发性是为预测易发生滑坡的区域，即空间概率，从而实现对灾害的中-长期监测预警.因此通过对同震滑坡的孕灾环境进行分析，选取影响同震滑坡发生的因素，建立滑坡易发性评价指标集，包括距断层距离（图2a）、PGA（图2b）、坡度（图2c）、距水系距离（图2d）、DEM（图2e）、坡向（图2f）和地层（图2g）因素7个因素.采用深度学习算法（深度神经网络DNN（Deep Neural Network）和卷积神经网络CNN（Convolutional Neural Network））对滑坡易发性进行评价.DNN具有特殊的特征层次结构，使其在处理高维度和大数据量方面有优势（Feng et al.， 2019）.基于此，本次工作采用的DNN模型包含一层输入层、四层隐藏层和一个输出层，输入层包含7个神经元代表孕灾环境因素，输出层包含2个神经元，其中之一就代表滑坡易发性预测概率值，其结构图如图3所示.

CNN利用其特有的层次结构功能，如局部视野、权值共享和池化功能，使输入的数据经过多层的非线性变换，并对其中的隐含特征进行学习训练，使网络能在更高层次上对数据的语义特征进行理解.同时池化能够降低输入数据的维度，从而提高计算效率（LeCun and Ranzato， 2013）.它有着传统机器学习算法无可比拟的优越性.本研究采用的CNN模型包含一层输入层、两卷次层、两最大池化层、两全连接层和一个输出层（图4）.此外，两模型均采用Dropout函数来防止模型过拟合.

3 结果分析

3.1　滑坡遥感解译与体积估测

滑坡面积-体积之间的关系一般是独立于自然环境而普遍存在的.地震诱发滑坡类型主要以中小型规模为主.Guzzetti et al. （2009）基于全球范围内多个同震滑坡数据，从而建立滑坡体积估测回归模型，根据经验公式估测滑坡体积，计算公式如下：

V=0.084 4×A ^{1.432 4}，（2）

其中，V为滑坡体积（m³），A为滑坡面积（m²）.

根据震前震后遥感影像对比，采用人工目视解译同震滑坡5 487处，总面积为10.56 km²，根据公式（2）提出的同震滑坡面积-体积经验公式，得到估算的滑坡体积方量约为41.52×10⁶ m³.前人研究估算的方量约为20~30×10⁶ m³（戴岚欣等，2017；Fan et al.， 2018），导致差异的原因其一是选取的经验公式以及滑坡解译数量差异；其二是由于其他学者研究区域仅局限于靠近震中受地震影响最为严重区域（仅840 km²），从而低估了同震滑坡储量.本次工作研究区域为整个九寨沟景区（1 330 km²），考虑地震影响的范围更广.此次地震产生的滑坡不仅造成道路中断、房屋损坏等影响，也破坏了生态环境，导致著名景点熊猫海、箭竹海和九寨天堂景点受损（图5）.

结合滑坡解译和野外抽样调查复核（图6和图7），发现九寨沟地震诱发滑坡在靠近震中地区发育较少.此外，还具有包括：①同震滑坡的分布与沿着NW331°向的发震断层方向一致，呈明显的带状分布.且较为集中的区域为“九寨天堂-熊猫海”沿线；②在沿南北方向上的沟谷两侧滑坡较为发育，即“上四寨村-酱塔”和“树正沟-上季节海”沿线沟道两侧发育（图7）.这与一些研究学者得到结论一致（Fan et al.， 2018； Chen et al.， 2020）.造成同震滑坡具有这一优势方向的原因主要由地震的锁固段效应和微地形效应导致（见4.2部分）.本次研究考虑的地震影响的范围更广，因此解译的滑坡数量更多.但是由于缺乏无人机勘察数据，一些小微型滑坡未能详尽的考虑.

3.2　同震滑坡主控因素与发育规律

敏感性分析（图8）的结果表明在九寨沟地震滑坡孕灾环境因子中，影响滑坡发育的主要因素为距发震断层距离（0.56）、PGA（0.18）、DEM（0.13）和岩性（0.1）.影响最小的因素包括坡度（0.02）、距水系距离（0.005）和坡向（0.005）.通过图7统计的同震滑坡分布和密度分析可知，由于地震的震断裂错动造成的地表同震破裂作用，使同震滑坡的发育受地震作用影响最大，表现出滑坡的分布与NW向的发震断层方向一致的结果，使距发震断层距离、PGA对滑坡的影响最大.

为探究滑坡发育规律，通过将其孕灾环境因子进行分级（如将高程划为1 500~1 700 m，1 700~ 1 900 m等，以此得到高程、PGA、距发震断层距离、坡度、坡向、距水系距离和地层岩性分级图，并统计在各孕灾环境因子的子级中的滑坡面积HA（km²）和面积百分比PHA（%），从而归纳总结其发育规律.包括：（1）通过图9a可知越靠近发震断层，滑坡面积越大，距离断层2 km范围内，滑坡密度很高，占72.1%.由同震滑坡与PGA（图9b）关系可知，同震滑坡面积在PGA为0.16~0.2 g（37%）时最大，其次是0.2~0.24 g（36%），而靠近震中（0.24~0.26）相对前者较小（占18%）.认为震中滑坡发育较少；（2）地形因素与滑坡发育密切相关，同震滑坡往往在某类坡度范围内容易发生，由图9c滑坡灾害与坡度关系可知，坡度在40°~50°时，滑坡最为发育，面积为3.75 km²（占35%），其次是30°~40°（面积为 3.20 km²，占比30%），而最为陡峭坡度（>70°）面积仅占0.7%.河岸两侧边坡长期受河流侵蚀冲刷，导致临空面大，为滑坡发育提供地形条件.由图9d知，最靠近水系的类别（<300 m）滑坡占比最大（37%），远离水系滑坡面积占比依次降低.高程也是影响滑坡分布的因素之一.同震滑坡主要分布在2 800~3 400 m范围内（图9e），其中3 000~3 200 m滑坡占比最大.低海拔（<2 200）相较于高海拔 （>4 200 m）滑坡面积大，主要因为一些公路沿线两侧滑坡较为发育.由坡向与滑坡面积关系可知（图9f），滑坡主要发育在东北至东南坡向，其中东向坡向的滑坡面积最大；（3）岩性是影响滑坡发育和分布的地质因素，由图10可知，滑坡在石炭系C分布密度最大（78.02%），其次是三叠系P（13.81%）和第四系Q（1.37%）.

3.3　滑坡易发性评估及精度评价

通过遥感影像只能判识出那些肉眼识别的同震滑坡，但是被植被所掩藏的震裂山体（隐患山体）无法识别，然而这些损伤的震裂体在遭受降雨和重力耦合作用下会发生滑动，补给泥石流的运动.通过易发性评价方法，能够预测这些“潜在的灾害”，为强震区泥石流防灾减灾提供指导.本次滑坡易发性评价工作将像素（12.5×12.5 m）作为评价单元，九寨沟研究区共有66 237个同震滑坡点（由5 487处滑坡面生成），并随机选取相同数量的非滑坡点组成滑坡易发性评价模型的学习样本集（训练集），并将其分为70%作为训练样本和30%作为验证样本，验证样本用作深度学习评价模型的精度验证集，该验证样本不参与模型的训练，能够客观反映评价模型的性能.

利用Pycharm和Anaconda搭建编程环境，并基于Tensorflow数据流编程系统下进行实验，搭建滑坡易发性预测模型（DNN和CNN），并基于不同参数组合试算下获得较好的预测结果.将7个滑坡孕灾环境因子变1×7向量输入模型，并通过Sofmax函数输出滑坡易发性评价结果，完成评价工作.将评价结果分为5个等级，即极高（S _vavlue>0.7）、高（0.5<S _vavlue≤0.7）、中等（0.35<S _vavlue≤0.5）、低易发区（0.2<S _vavlue≤0.3.5）和稳定区域（S _vavlue≤0.2）.评价结果如图11所示.

精度评价是为了评价模型的预测性能，通过比较分类结果与实际结果之间的匹配度从而说明模型性能的好坏（预测的准确程度）.ROC（Receiver Operator Characteristic）Curve曲线的线下面积AUC（Area Under the Curve）通常被当成度量机器学习预测性能质量的有效工具，它的值作为衡量学习器优劣的一种性能指标，即使在样本不平衡的情况下，依然能够对分类器做出合理的评价（Huang and Ling， 2005），值越大表明模型预测精度越好.通过图12可知，在九寨沟研究区的同震滑坡易发性评价中，CNN预测模型精度（AUC=0.901）要优于DNN模型精度（AUC=0.865）.

同时，引入滑坡面积占各易发性区域的百分比（Proportion of landslides in susceptibility region，PHS）作为评价模型的性能评价工具，滑坡占高易发区和极高易发区越多，表明模型预测性能越好.因为把发生滑坡灾害的区预测作为不易发区或稳定区而没有去关注将会给防灾决策带来误导.由表2可知，CNN模型的滑坡占极高和高易发区之比为88.78%，DNN为84.97%.综合AUC值和PHS结果表明，在九寨沟滑坡易发性评价的深度学习模型中，CNN预测模型在预测性能方面要优于DNN.两个评价结果都表明，深度学习预测能力都较好，可为震区次生灾害的排查与减灾工作提供指导与理论依据.

4 讨论

4.1　九寨沟地震滑坡与相关研究对比

遥感影像的质量（分辨率、拍摄时间和云朵密度）、人为因素（解译人员专业程度）和研究区范围对解译同震滑坡的数量和面积有重要影响.精确的滑坡库存数据，是研究地震滑坡分布规律及易发性评价的关键.因此通过与相关研究对比分析（表3），统计其他研究学者针对九寨沟地震诱发滑坡的解译结果与本研究解译结果进行对比，分析研究区面积、图像质量等因素对解译结果的影响，从而探讨本文数据的不足与优势.

图像质量导致同震滑坡解译结果不同，如戴岚欣等（2017）和Fan et al.（2018）的研究区面积虽不及本次研究，但滑坡数量差异很大，可能的原因是其采用质量更高（分辨率）的无人机影像（0.2 m）进行解译，对规模较小滑坡的辨识度更佳，能更好地勾勒出滑坡的边界.因此，即使本次研究的滑坡解译范围更广，但滑坡总面积相差不大.Wang et al.（2018）与Wu et al.（2018）研究的同震滑坡解译结果近乎相同，是因为其解译手段相似.同时都着重关注于靠近震中部分的滑坡.但与本文解译的滑坡数量相差大.可能是因为，本次研究采用分辨率更高的谷歌影像（0.3 m），能从连片的滑坡群中划分成多个滑坡.与Tian et al.（2019）和Wang and Mao（2022）研究的滑坡初步解译结果相比，所采用的解译手段与本文研究一致，因此解译结果中最大、最小面积滑坡以及滑坡数量相差不大.但本次研究解译了发震断层西南向更远处的滑坡，解译的地震滑坡更为详尽.

综上所述，滑坡解译结果受多种因素的影响，尽管目前对滑坡编录有较为明确的准则，但要获取较为统一的滑坡解译结果还是很难.因此，在对地震滑坡进行编录时，有必要对采用的手段和方法进行论述.

4.2　同震滑坡发灾机理研究

各级孕灾环境中的滑坡占比越高，说明滑坡更倾向于在这因素的子类别中发育（见3.2部分）.通过探讨造成这种优势发育规律背后的地震响应机制和成灾机理，是切中地震滑坡发灾问题的关键，才能够为对震后滑坡防治提供合理的理论指导.

4.2.1　地震因素影响

通过图9a可知，同震滑坡分布具有距离效应，越靠近发震断层滑坡面积越大，其中72.1%是发生在2 km范围内.且随着PGA增大，滑坡的面积和密度也随着增大，PGA>0.16时滑坡密度占91.1%（图9b）.不同于逆冲断层诱发的滑坡主要分布在上盘区域所表现的“上盘效应”（Xu and Xu， 2012），且逆冲断层导致滑坡分布在上盘延伸范围很远.走滑断层（九寨沟地震）诱发滑坡主要分布在沿着断层方向两侧的狭窄区域内（Jibson et al.， 2004）.

锁固段效应：锁固段指发震断层的局部错列、转折以及断裂活动的末端区域，滑坡集中区域与锁固段部位有着密切联系，如图7所示，①在A、B和C区域，发震断层有明显的弯折，由于断层的弯折阻碍其活动而成为应力高度集中区域，导致这些弯曲部位是滑坡密集区.②C和D区域为走滑断层的末端，同为滑坡密集区域，是由于断层的走滑错动导致在段末端形成高应力集中区域，从而释放更多的能量（许强和李为乐，2010）.

4.2.2　地形因素影响

微地形效应：（1）由于研究区属强震区，多为深切峡谷，高差巨大，为滑坡提供了形成条件.由图9c可知，在坡度为30°~60°时，滑坡密度发育最大，占82.2%，这符合滑坡发生在较高坡度这一观点；（2）距离水系越近则滑坡密度越大（图9d），72%的滑坡发育在距水系距离2 km范围内，且随着距水系距离增大，滑坡面积减少，也有研究称之为水系效应（冯文凯等，2018），这是由于两侧的侧向高陡临空面在地震作用下引发应力释放，向临空面方向产生强烈的卸荷回弹所导致；（3）由图9e可知，当高程为2 600~3 600 m时，灾害密度占85.9%，灾害多分布于中、高的高程段，该地带多为地形较为陡峭，同时该处是有利于滑坡堆积的场地.此外地震波传播至高海拔区域时的地震加速度放大作用也是导致该区域滑坡灾害丰富的原因（Chang et al.， 2021）.村镇多分布于海拔2 500 m以下的谷地，一旦丰富的滑坡（物源）在暴雨作用下转化泥石流，则大大威胁下游人员财产安全.

背坡面效应：由于受到地震波传播和断裂错动影响，导致走向垂直于发震断层的沟谷中，背向震源方向一侧坡面的灾害密度大于迎坡面（许强和李为乐，2010）.因此在NE至SE范围多处于背面坡.据图9f可知NE、SE和E方向滑坡发育丰富，占56.2%，相较于迎面坡高约6.83%~20.83%不等.这可能是由于地震波传播到沟谷当中，地震波能量在水平东西向上得到显著放大，使近SN方向上的山脊沿东西两侧发生猛烈“甩动”，造成NE、SE和E方向的局部地形滑坡较为发育（申通等，2018），使得同震滑坡在这些优势坡向上最为发育.

4.2.3　地质因素影响

地层倾向效应：由于受沉积环境、生物化学成分等风化特征作用，地层表现出来的岩土工程特性不尽相同，导致滑坡会在某一种或两种地层中相对发育（Fan et al.， 2018）.研究区包含石炭系C（占研究区面积37.28%）为厚层状致密灰岩及块状碎屑灰岩、生物灰岩等，二叠系P（占16.78%）主要为硅质灰岩和砂质灰岩，三叠系T（37.78%）主要为石灰岩和砂岩等.泥盆D（6.57%）、第三系N（0.23%）和第四系Q（1.37%）零星分布.由图10可知，滑坡在石炭系C分布密度最大（78.02%），其次是三叠系P占13.81%.这可能在该石炭系C地层的化学成分、矿物含量及在风化和地质构造的影响下，使该地层岩土工程性质较弱，造成该岩层风化破碎严重，更易发育滑坡.这就能说明石炭系C地层占研究区面积不是最多的，但滑坡面积占比最高.同时，由遥感影像可以看出，该所处岩层（C）的植被较为发育，推测土壤层较为深厚.强风化层由于对地震自由场运动产生显著放大，使山体表面的地震动响应最为强烈，从而产生共振作用，可能使岩土体产生共振现象，导致滑坡在该地层发育更多（Zhao and Valliappan， 1993）.

此外，通过敏感性分析（图10）的结果表明九寨沟强震区滑坡孕灾环境因子中，除了距发震断层距离（敏感性值为0.56）和PGA（0.18）为滑坡的孕灾主控因素外，DEM（0.13）和岩性（0.1）也对其发育起到关键作用.这说明地震引起的应力释放，对同震滑坡影响最为剧烈.而地震波传播至中高海拔所带来的加速度“放大效应”和地震传播至强风化层产生的“共振作用”相较于地震传播至深切峡谷的“微地形效应”及“背坡面效应”而言，前者对滑坡的发育影响更大.因此，坡度、距水系距离和坡向对滑坡发育影响相对较小（敏感性值很小）.

4.3　滑坡易发性分布规律

由图11可知，基于CNN和DNN的滑坡易发性评价结果较为相似，以图11a为例进行说明同震滑坡易发性的分布规律：极高/高易发区主要分布于4条线包括：①“九寨天堂-震中-熊猫海”沿线；②“酱塔-九寨天堂-上四寨村”沿线；③“剑岩-熊猫海-树正沟”沿线；④“上季节海-则查洼-树正瀑布”沿线，这些极高/高滑坡易发区广泛分布于著名景点（九寨天堂、箭竹海、熊猫海、镜海、犀牛海、树正瀑布和剑岩等）及其沿线沟谷.

图11b所示，滑坡在丹祖沟、荷叶沟、下季节海和则查洼沟等13条沟道中广泛分布，这些沟道在下个雨季将增加泥石流暴发的概率.究其原因，这些深切沟谷地区因为地震产生同震灾害和震裂山体，松散的土体和产生的裂缝，为雨水提供了入渗通道，并通过“拉槽”破坏形式堆积于沟道，并为泥石流的形成提供了物质基础（许强，2010），即生成丰富的松散泥石流物源.在降雨作用下会产生如“崩滑-泥石流”、“崩滑-碎屑流-泥石流”、“崩滑-堰塞湖-泥石流”等链式形式的次生灾害（崔鹏等，2010；王涛等，2020）.那些极高/高滑坡易发区所处的泥石流沟道应重点关注，因为这些同震滑坡及其震裂山体较为密集的区域，在降雨和重力的耦合作用下，更易于发生泥石流次生灾害.九寨沟强震区震前持续遭遇泥石流，而震后由于物源极大的丰富，山体愈发松散，导致泥石流在未来几年甚至十几年内暴发更频发，且临界诱发滑坡/泥石流灾害的阈值会更低.而通过“揭底侵蚀”和溃决效应作用导致泥石流的规模急剧增大（魏昌利等，2013），从而造成泥石流的破坏性更强，危及下游的基础设施安全以及人民生命安全.此外，有些震前未发生过泥石流的沟道由于松散物源的增加，在暴雨和丰富松散物源作用下，也从“洪流”转变成泥石流，若不加以重视，则可能会发生类似于舟曲特大型泥石流致灾事件（Dai et al.， 2021）.

5 结论

（1）本次工作选择九寨沟景区作为研究区（1 330 km²），对同震滑坡进行遥感解译，根据地震前后遥感影像对比，圈定滑坡5 487处，总面积为10.56 km²，估算滑坡体积方量约为41.52×10⁶ m³.在空间分布上，滑坡的优势发育方向与沿着NW向的发震断层方向一致，呈明显的带状分布，较为集中的区域为“九寨天堂-熊猫海”沿线.在沿南北向的“上四寨村-酱塔”和“树正沟-上季节海”沿线沟道两侧也较为发育.

（2）对同震滑坡的发育规律研究结果表明：走滑断层地震诱发滑坡主要分布于断层方向两侧的狭窄区域内.地震通过影响地形地貌的应力场及岩土体结构对地震波的地震响应的作用，使同震滑坡在发震断层的局部错列、转折以及断裂活动的末端区域、高坡度的深切峡谷两侧和石炭系（C）地层最为发育，并总结造成这些规律的发灾效应，如距离效应、锁固段效应、微地形效应、局部放大效应、背坡面效应和地层倾向效应.

（3）对同震滑坡孕灾环境因素敏感性及地震响应机制分析表明，距发震断层距离和PGA为滑坡的孕灾主控因素.高程和岩性也对其发育起到关键作用，表明地震引起的应力释放，对同震滑坡影响最为强烈.而地震波传播至中高海拔所带来的加速度“放大效应”和地震传播至强风化层产生的“共振作用”相较于地震传播至深切峡谷的“微地形效应”及“背坡面效应”而言，前者对滑坡的发育影响相对较大.因此坡度、距水系距离和坡向对滑坡发育影响相对较小（敏感性值很小）.

（4）基于滑坡解译结果、发育规律和孕灾环境因子集，采用深度学习算法对滑坡易发性进行评价，识别易发生滑坡区域（包括潜在的震裂山体），并将预测结果分为极高、高易发区等5个区.结果表明极高/高滑坡易发区域主要分布于“九寨天堂‒震中‒熊猫海”等4条线，且在丹祖沟和荷叶沟等13条沟道中广泛分布，这些沟道在下个雨季将增加其泥石流暴发的概率.

（5）采用AUC和PHS指标评价模型性能，结果表明基于深度学习DNN和CNN的滑坡易发性评价取得较为良好的效果（AUC分别为0.865和0.901，PHS值分别为84.97%和88.78%），说明两个模型的评价精度较高.CNN模型的预测性能优于DNN模型，两模型均能够较为准确地预测易发生滑坡的区域，其评价结果可为震后滑坡、泥石流次生灾害的监测和减灾工作提供理论依据与指导.

参考文献

[1] Chang, M., Cui, P., Xu, L., et al., 2021.The Spatial Distribution Characteristics of Coseismic Landslides Triggered by the Ms7.0 Lushan Earthquake and Ms7.0 Jiuzhaigou Earthquake in Southwest China. Environmental Science and Pollution Research, 28(16):20549-20569. https://doi.org/10.1007/s11356-020-11826-5

[2] Chang, M., Tang, C., Jiang, Z.L., et al., 2014. Dynamic Evolution Process of Sediment Supply for Debris Flow Occurrence in Longchi of Dujiangyan, Wenchuan Earthquake Area. Journal of Mountain Science, 32(1): 89-97 (in Chinese with English abstract).

[3] Chen, X., Shan, X., Wang, M., et al., 2020. Distribution Pattern of Coseismic Landslides Triggered by the 2017 Jiuzhaigou M _s 7.0 Earthquake of China: Control of Seismic Landslide Susceptibility. ISPRS International Journal of Geo-Information, 9(4): 198. https://doi.org/10.3390/ijgi9040198

[4] Chen, X. L., Yuan, R. M., Yu, L., 2013. Applying the Newmark’s Model to the Assessment of Earthquake-Triggered Landslides during the Lushan Earthquake. Seismology and Geology, 35(3): 661-670 (in Chinese with English abstract).

[5] Cui, P., Chen, X., Zhu, Y., et al., 2011. The Wenchuan Earthquake (May 12, 2008), Sichuan Province, China, and Resulting Geohazards. Natural Hazards, 56(1):19-36. https://doi.org/10.1007/s11069-009-9392-1

[6] Cui, P., Zhuang, J. Q., Chen, X. C., et al., 2010. Characteristics and Countermeasures of Debris Flow in Wenchuan Area after the Earthquake. Journal of Sichuan University (Engineering Science Edition), 42(5): 10-19 (in Chinese with English abstract).

[7] Dai, C., Li, W., Wang, D., et al., 2021. Active Landslide Detection Based on Sentinel-1 Data and InSAR Technology in Zhouqu County, Gansu Province, Northwest China. Journal of Earth Science, 32(5): 1092.

[8] Dai, L. X., Xu, Q., Fan, X. M., et al., 2017. A Preliminary Study on Spatial Distribution Patterns of Landslides Triggered by Jiuzhaigou Earthquake in Sichuan on August 8th, 2017 and Their Susceptibility Assessment. Journal of Engineering Geology, 25(4): 1151-1164 (in Chinese with English abstract).

[9] Delen, D., Tomak, L., Topuz, K., et al.., 2017. Investigating Injury Severity Risk Factors in Automobile Crashes with Predictive Analytics and Sensitivity Analysis Methods. Journal of Transport & Health, 4: 118-131. https://doi.org/10.1016/j.jth.2017.01.009

[10] Fan, X., Scaringi, G., Xu, Q., et al., 2018. Coseismic Landslides Triggered by the 8th August 2017 Ms 7.0 Jiuzhaigou Earthquake (Sichuan, China): Factors Controlling Their Spatial Distribution and Implications for the Seismogenic Blind Fault Identification. Landslides, 15(5): 967-983.https://doi.org/10.1007/s10346-018-0960-x

[11] Fan, Z. Y., Gou, X. F., Qin, M. Y., et al., 2018. Information and Logistic Regression Models Based Coupling Analysis for Susceptibility of Geological Hazards. Journal of Engineering Geology, 26(2): 340-347 (in Chinese with English abstract).

[12] Feng, S., Zhou, H., Dong, H., 2019. Using Deep Neural Network with Small Dataset to Predict Material Defects. Materials & Design, 162: 300-310.https://doi.org/10.1016/j.matdes.2018.11.060

[13] Feng, W.K., Yang, Q., Yang, X., et al., 2018. Study of Disaster Effect and Disaster Mitigation Model of Zemuhe Fault Zone. Journal of Engineering Geology, 26(4): 939-950 (in Chinese with English abstract).

[14] Guo, Z.Z., Yin, K.L., Fu, S., et al., 2019. Evaluation of Landslide Susceptibility Based on Landslide Classification and Weighted Frequency Ratio Model. Earth Science, 44(12): 4299-4312 (in Chinese with English abstract).

[15] Guzzetti, F., Ardizzone, F., Cardinali, M., et al., 2009. Landslide Volumes and Landslide Mobilization Rates in Umbria, Central Italy. Earth and Planetary Science Letters, 279(3-4): 222-229. https://doi.org/10.1016/j.epsl.2009.01.005

[16] Huang, J., Ling, X., 2005. Using AUC and Accuracy in Evaluating Learning Algorithms. IEEE Transactions on Knowledge and Data Engineering, 17(3): 299-310.https://doi.org/10.1109/tkde.2005.50

[17] Huang, R.Q., 1991. Laxiwa Hydropower Station on the Yellow River: Systematic Engineering Geological Study of High Slope Stability. Chengdu University of Science and Technology Press, Chengdu (in Chinese).

[18] Huang, W. B., Ding, M. T., Wang, D., et al., 2022. Evaluation of Landslide Susceptibility Based on Layer Adaptive Weighted Convolutional Neural Network Model along Sichuan-Tibet Traffic Corridor. Earth Science, 47(6): 2015-2030 (in Chinese with English abstract).

[19] Jiao, Q., Luo, Y., Shen, W., et al., 2018. Rapid Extraction of Landslides and Spatial Distribution Analysis after Jiuzhaigou Ms7.0 Earthquake Based on UAV Images. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 42(3): 685-690.

[20] Jibson, R., Harp, E., Schulz, W., et al., 2004. Landslides Triggered by the 2002 Denali Fault, Alaska, Earthquake and the Inferred Nature of the Strong Shaking. Earthquake Spectra, 20(3): 669-691. https://doi.org/10.1193/1.1778173

[21] LeCun, Y., Ranzato, M., 2013. Deep Learning Tutorial. Tutorials in International Conference on Machine Learning (ICML’ 13), Hawaii, 1-29.

[22] Li, N., Tang, C., Bu, X.H., et al., 2020. Characteristics and Evolution of Debris Flows in Wenchuan County after “5·12” Earthquake. Journal of Engineering Geology, 28(6): 1233-1245 (in Chinese with English abstract).

[23] Li, W. B., Fan, X. M., Huang, F. M., et al., 2021. Uncertainties of Landslide Susceptibility Modeling under Different Environmental Factor Connections and Prediction Models. Earth Science, 47(10): 3777-3795 (in Chinese with English abstract).

[24] Li, Y. S., Huang, C., Yi, S. J., et al., 2017. Study on Seismic Fault and Source Rupture Tectonic Dynamic Mechanism of Jiuzhaigou Ms7.0 Earthquake. Journal of Engineering Geology, 25(4): 1141-1150 (in Chinese with English abstract).

[25] Liang, J., Pei, X. J., Wen, Y., et al., 2019. Research on Development and Distribution Rules of Geohazards in Jiuzhaigou Earthquake in 2017. Journal of Natural Disasters, 28(5): 181-188 (in Chinese with English abstract).

[26] Ling, S., Sun, C., Li, X., et al., 2021. Characterizing the Distribution Pattern and Geologic and Geomorphic Controls on Earthquake-Triggered Landslide Occurrence during the 2017 Ms 7.0 Jiuzhaigou Earthquake, Sichuan, China. Landslides, 18(4): 1275-1291. https://doi.org/10.1007/s10346-020-01573-6

[27] Nguyen, A., Kim, J., Oh, H., et al., 2018. Deep Visual Saliency on Stereoscopic Images. IEEE Transactions on Image Processing, 28(4): 1939-1953. https://doi.org/10.1109/TIP.2018.2879408

[28] Ni, H.Y., Zheng, W.M., Tang, Y.Q., et al., 2011. Mechanism and Characteristics of Wenjia-Gully Debris Flow in Epicenter Area of Wenchuan Earthquake. Journal of Engineering Geology, 19(2): 262-270 (in Chinese with English abstract).

[29] Shen, T., Wang, Y. S., Luo, Y. H., et al., 2018. Monitoring Result and Analysis of Slope Seismic Response during the Jiuzhaigou M_S7.0 Earthquake. Journal of Engineering Geology, 26(6): 1611-1621 (in Chinese with English abstract).

[30] Sun, D., Wen, H., Wang, D., et al., 2020. A Random Forest Model of Landslide Susceptibility Mapping Based on Hyperparameter Optimization Using Bayes Algorithm. Geomorphology, 362: 107201. https://doi.org/10.1016/j.geomorph.2020.107201

[31] Tang, C., Zhu, J., Li, W., et al., 2009. Rainfall- Triggered Debris Flows Following the Wenchuan Earthquake. Bulletin of Engineering Geology and the Environment, 68(2):187-194. https://doi.org/10.1007/s10064-009-0201-6

[32] Tian, Y., Xu, C., Ma, S., et al., 2019. Inventory and Spatial Distribution of Landslides Triggered by the 8th August 2017 Mw 6.5 Jiuzhaigou Earthquake, China. Journal of Earth Science, 30(1): 206-217. https://doi.org/10.1007/s12583-018-0869-2

[33] Wang, J., Jin, W., Cui, Y., et al., 2018. Earthquake-Triggered Landslides Affecting a UNESCO Natural Site: The 2017 Jiuzhaigou Earthquake in the World National Park, China. Journal of Mountain Science, 15(7): 1412-1428.https://doi.org/10.1007/s11629-018-4823-7

[34] Wang, T., Wang, J.K., Pan, D., 2020. Analysis on Mechanism of Kangjiapo Landslide and Consequent Debris Flow in Hanyuan County of Sichuan Province. The Chinese Journal of Geological Hazard and Control, 31(1): 1-7 (in Chinese with English abstract).

[35] Wang, X. M., Mao, H., 2022. Spatio-Temporal Evolution of Post-Seismic Landslides and Debris Flows: 2017 M(s) 7.0 Jiuzhaigou Earthquake. Environmental Science and Pollution Research International, 29(11): 15681-15702. https://doi.org/10.1007/s11356-021-16789-9

[36] Wang, Y. S., Cheng, W. Q., Liu, J. W., 2022. Forming Process and Mechanisms of Geo-Hazards in Luding Section of the Sichuan-Tibet Railway. Earth Science, 47(3): 950-958 (in Chinese with English abstract).

[37] Wei, C. L., He, Y. X., Zhang, Y., et al., 2013. Study on High Debris Flow Model in Wenchuan Earthquake Disaster Area. The Chinese Journal of Geological Hazard and Control, 24(4): 52-60 (in Chinese with English abstract).

[38] Wu, C., Cui, P., Li, Y., et al., 2018. Seismogenic Fault and Topography Control on the Spatial Patterns of Landslides Triggered by the 2017 Jiuzhaigou Earthquake. Journal of Mountain Science, 15(4): 793-807. https://doi.org/10.1007/s11629-017-4761-9

[39] Wu, X.L., Ren, F., Niu, R.Q., et al., 2013. Landslide Spatial Prediction Based on Slope Units and Support Vector Machines. Geomatics and Information Science of Wuhan University, 38(12): 1499-1503 (in Chinese with English abstract).

[40] Xu, C., Wang, S.Y., Xu, X.W., et al., 2018. A Panorama of Landslides Triggered by the 8 August 2017 Jiuzhaigou, Sichuan Ms7.0 Earthquake. Seismology and Geology, 40(1): 232-260 (in Chinese with English abstract).

[41] Xu, C., Xu, X., 2012. Comment on “Spatial Distribution Analysis of Landslides Triggered by 2008. 5.12 Wenchuan Earthquake, China”. Engineering Geology, 116(2010): 95-108. https://doi.org/10.1016/j.enggeo.2012.02.017

[42] Xu, Q., 2010. The 13 August 2010 Catastrophic Debris Flows in Sichuan Province: Characteristics, Genetic Mechanism and Suggestions. Journal of Engineering Geology, 18(5): 596-608 (in Chinese with English abstract).

[43] Xu, Q., Li, W.L., 2010. Distribution of Large-Scale Landslides Induced by the Wenchuan Earthquake. Journal of Engineering Geology, 18(6): 818-826 (in Chinese with English abstract).

[44] Yi, Y., Zhang, Z., Zhang, W., et al., 2020. Landslide Susceptibility Mapping Using Multiscale Sampling Strategy and Convolutional Neural Network: A Case Study in Jiuzhaigou Region. Catena, 195: 104851.https://doi.org/10.1016/j.catena.2020.104851

[45] Zhao, C., Valliappan, S., 1993. Incident P and SV Wave Scattering Effects under Different Canyon Topographic and Geological Conditions. International Journal for Numerical and Analytical Methods in Geomechanics, 17(2): 73-94. https://doi.org/10.1002/nag.1610170202

[46] Zhou, R.J., Pu, X.H., He, Y. L., et al., 2000. Recent Activity of Minjiang Fault Zone, Uplift of Minshan Block and Their Relationship with Seismicity of Sichuan. Seismology and Geology, 22(3): 285-294 (in Chinese with English abstract).

[47] Zhu, H., Wen, X.Z., 2009. Stress Triggering Process of the 1973 to 1976 Songpan, Sichuan, Sequence of Strong Earthquakes. Chinese Journal of Geophysics, 52(4): 994-1003 (in Chinese with English abstract).

[48] 常鸣, 唐川, 蒋志林, 等, 2014. 强震区都江堰市龙池镇泥石流物源的遥感动态演变. 山地学报, 32(1): 89-97.

[49] 陈晓利, 袁仁茂, 庾露, 2013. Newmark方法在芦山地震诱发滑坡分布预测研究中的应用. 地震地质, 35(3): 661-670.

[50] 崔鹏, 庄建琦, 陈兴长, 等, 2010. 汶川地震区震后泥石流活动特征与防治对策.四川大学学报(工程科学版), 42(5): 10-19.

[51] 戴岚欣, 许强, 范宣梅, 等, 2017.2017年8月8日四川九寨沟地震诱发地质灾害空间分布规律及易发性评价初步研究. 工程地质学报, 25(4): 1151-1164.

[52] 樊芷吟, 苟晓峰, 秦明月, 等, 2018. 基于信息量模型与Logistic回归模型耦合的地质灾害易发性评价. 工程地质学报, 26(2): 340-347.

[53] 冯文凯, 杨强, 杨星, 等, 2018. 则木河断裂带灾害效应及致灾模式研究. 工程地质学报, 26(4): 939-950.

[54] 郭子正, 殷坤龙, 付圣, 等, 2019. 基于GIS与WOE-BP模型的滑坡易发性评价. 地球科学, 44(12): 4299-4312.

[55] 黄润秋, 1991. 黄河拉西瓦水电站:高边坡稳定性的系统工程地质研究. 成都: 成都科技大学出版社.

[56] 黄武彪, 丁明涛, 王栋, 等, 2022. 基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价. 地球科学, 47(6): 2015-2030.

[57] 李宁, 唐川, 卜祥航, 等, 2020. “5·12” 地震后汶川县泥石流特征与演化分析. 工程地质学报, 28(6): 1233-1245.

[58] 李文彬, 范宣梅, 黄发明, 等, 2021. 不同环境因子联接和预测模型的滑坡易发性建模不确定性. 地球科学, 47(10): 3777-3795.

[59] 李渝生, 黄超, 易树健, 等, 2017. 九寨沟7.0级地震的地震断裂及震源破裂的构造动力学机理研究. 工程地质学报, 25(4): 1141-1150.

[60] 梁靖, 裴向军, 温勇, 等, 2019.2017年九寨沟地震地质灾害发育分布规律研究. 自然灾害学报, 28(5): 181-188.

[61] 倪化勇, 郑万模, 唐业旗, 等, 2011. 汶川震区文家沟泥石流成灾机理与特征. 工程地质学报, 19(2): 262-270.

[62] 申通, 王运生, 罗永红, 等, 2018. 九寨沟Ms7.0级地震斜坡地震动响应监测研究. 工程地质学报, 26(6): 1611-1621.

[63] 王涛, 王嘉昆, 潘冬, 2020. 四川汉源康家坡滑坡形成机理与滑坡-堰塞坝-泥石流灾害链分析. 中国地质灾害与防治学报, 31(1): 1-7.

[64] 王运生, 程万强, 刘江伟, 2022. 川藏铁路廊道泸定段地质灾害孕育过程及成灾机制. 地球科学, 47(3): 950-958.

[65] 魏昌利, 何元宵, 张瑛, 等, 2013. 汶川地震灾区高位泥石流成灾模式分析. 中国地质灾害与防治学报, 24(4): 52-60.

[66] 武雪玲, 任福, 牛瑞卿, 等, 2013. 斜坡单元支持下的滑坡易发性评价支持向量机模型. 武汉大学学报(信息科学版), 38(12): 1499-1503.

[67] 许冲, 王世元, 徐锡伟, 等, 2018.2017年8月8日四川省九寨沟Ms7.0地震触发滑坡全景. 地震地质, 40(1): 232-260.

[68] 许强, 2010. 四川省8·13特大泥石流灾害特点、成因与启示. 工程地质学报, 18(5): 596-608.

[69] 许强, 李为乐, 2010. 汶川地震诱发大型滑坡分布规律研究. 工程地质学报, 18(6): 818-826.

[70] 周荣军, 蒲晓虹, 何玉林, 等, 2000. 四川岷江断裂带北段的新活动、岷山断块的隆起及其与地震活动的关系. 地震地质, 22(3): 285-294.

[71] 朱航, 闻学泽, 2009.1973—1976年四川松潘强震序列的应力触发过程. 地球物理学报, 52(4): 994-1003.

基金资助

国家自然科学面上项目(42172322)

国家自然科学基金项目(42007419)

国家重点研发计划项目(2018YFC1505403)

湖南省自然科学基金项目(2020JJ5981)

湖南省教育厅科学研究项目优秀青年基金项目(21B0226)

中南大学研究生自主探索创新项目(2022ZZTS0646)