优化神经网络下阿富汗东北高原寒旱区滑坡危险性评价

Landslide Hazard Assessment in Northeast Afghanistan Plateau Based on Optimized Neural Network

摘要

阿富汗东北部是典型的高原寒旱地区，滑坡灾害发育，除受地形地貌、地质构造、人类活动等因素影响外，还由积雪覆盖、冰雪消融等方面控制；为研究高原寒旱地区滑坡危险性，在遥感解译基础数据上，考虑高原寒旱地区积雪覆盖和冰川活动对滑坡发育的影响，引入积雪覆盖度和消融水当量两个评价指标，基于证据权‒全连接神经网络模型建立滑坡易发性评价模型，以度日模型、SCS-CN模型建立滑坡危险性评价体系，并根据混淆矩阵对评价模型进行检验；危险性评价结果表明极高危险性区域占全区10.46%，分布灾害面积占比82.71%，主要分布在努尔斯坦省东部库纳尔‒奇特拉尔河段、巴达赫尚省除瓦罕走廊段的中东部高山区和帕尔万省赫尔曼德河段；高危险性区域占全区14.83%，分布灾害面积占比12.11%，主要分布在巴达赫尚省东部区域、努尔斯坦省和帕尔万省西部.检验结果及统计结果均表明结合证据权法取负样本对神经网络精度提升显著；研究成果为阿富汗滑坡灾害早期预警与工程防治提供科学依据.

关键词

阿富汗 / 滑坡 / 高原寒旱区 / 证据权‒全连接神经网络 / 危险性评价 / 灾害地质

Key words

Afghanistan / landslide / plateau cold and arid region / weight of evidence-fully connected neural network / hazard assessment / hazard geology

阿富汗地处伊朗高原东北部，国内山地、高原占全国总面积的4/5，区内地形地貌、地质环境复杂，孕育了滑坡发育的地质地形条件.滑坡灾害分布广、影响大、伴生灾害较多，难以预测，严重威胁区内人民生命财产安全和重大工程建设稳定运行，也造成生态环境的严重破坏.2014年5月2日，阿富汗东北部巴达赫尚省山体滑坡导致将近 2 700人丧生，超过4 000人无家可归；2015年4月28日，阿富汗巴达赫尚省东北部山区发生山体滑坡，至少52人在灾难中丧生（王一媛，2015）.阿富汗东北地区海拔高，常年存在积雪和冰川，气候、交通条件差.本文针对高原寒旱地区特征，在基础指标上再选取积雪覆盖度（FSC）和消融水当量分别作为研究区易发性和危险性的评价指标，构建高原寒旱地区特色评价体系，研究成果对高原寒旱地区的危险性评价具有重要意义.

目前，国内外研究学者对地质灾害的评价多依赖GIS技术对各评价指标进行叠加分析（许强等，2000；黄润秋等，2004；Chang et al.，2021），向喜琼和黄润秋（2000）基于人工神经网络模型和GIS有机整合建立可靠数学模型对长江三峡示范区（巴 东‒新滩）进行区域评价； Petpongpan et al.（2021）榆木河上游流域利用河流径流模型研究河流流量，进而对滑坡进行风险评价；唐川等（2001）根据研究区地质条件，利用ARC/INFO叠加分析，评价云南滑坡危险性，此外还有刘洋等（2013）利用年平均降雨量和植被覆盖确定通江县地质灾害危险性，刘杰和武震（2020）根据白龙江流域降雨分布结合地形地貌、地质构造等指标绘制滑坡危险性评价图.随着地质灾害防控需求的日益提高和人工智能的飞速发展，神经网络在滑坡易发预测中得到了较好的应用，通过已发生过灾害的区域滑坡数据和环境指标耦合，进而对其他区域精选预测；包括人工神经网络（Yu and Lu， 2018）、随机森林（吴润泽等，2021）、支持向量机（Yu and Lu， 2018）、卷积神经网络等（Maher et al.，2020；黄武彪等，2022）.

传统神经网络模型方法只包括单一隐藏层，会出现学习效率低、拟合程度不够、容易出现局部极小值情况；深度学习算法实现的全连接神经网络（FCNN）包含多个隐藏层，可实现更少参数、更快收敛、更高拟合精度的非线性逼近（Gent and Sheppard， 1992； Caniani et al.， 2008），为进一步提高拟合精度采用证据权（WOE）模型结果校正负样本点来逼近现实，建立证据权‒全连接神经网络（WOE-FCNN）模型；传统危险性评价只考虑到直接降雨影响，而实质诱发滑坡发育是降雨形成的地表径流，并根据高原寒旱区特色，引入积雪消融水当量为第二类诱发因子，能进一步完善地质灾害危险性评价体系.

本文以阿富汗东北高原区为研究范围，在遥感解译、区域地质背景、地形地貌、气象水文、人类活动、积雪覆盖等分析的基础上采用证据权‒全连接神经网络模型（WOE-FCNN）、度日模型（Degree-day Model）、SCS-CN模型等开展危险性评价研究，为阿富汗东北部高原寒旱地区工程建设及减灾防灾提供依托.

1 研究区概况及地质背景

1.1　自然地理

研究区位于阿富汗东北部高原区，研究区范围为66°35′22″~74°54′56″E，34°27′36″~38°28′17″N，面积约为96 281.529 km²，研究区内最高海拔为 7 475 m，最低海拔为561 m；该区远离海洋，地形闭塞，水汽来源有限，在副热带高压带的影响下，常年干旱少雨，年平均温度在10~30 ℃，年降雨量仅为240 mm左右（乐姣等，2019）.区域降雨主要集中于10月至次年4月，大部分水汽来自印度洋，降水量受海拔、地理位置影响较大，整体趋势为从东南到西北方向递减.研究区内高原为主要的地貌类型，有部分高海拔的永久冰川区，雪线以下积雪消融也是该区域水源的主要来源，水系主要发育有南部戈尔班德河、潘杰希尔河（图1）.研究区处于东北的华力西褶皱带，其形成时期为志留纪‒石炭纪华力西期，三叠纪‒侏罗纪基米里期，古近纪后阿尔卑斯期，具有长期的地质演化历史，地层发育，自太古代到全新世都有出露（吴良士，2016）.

1.2　数据来源

通过阿富汗前期地质资料查阅，根据资料收集并处理阿富汗相关基础数据（表1），其中底图数据来源于Google Earth Engine（https://code.earthengine.google.com/）；低分辨率数据通过kriging、natural neighbor插值工具插值为30 m分辨率.

1.3　遥感解译结果

滑坡遥感识别是通过遥感影像为载体，并结合滑坡形态结构特征（唐川等，2010； Huang et al.， 2021）、光谱特征和时空特征进行人机交互解译，根据多期遥感影像综合解译滑坡550处，解译河流6 163 km，解译道路3 630 km（图2）.

根据解译结果，滑坡主要分布于北部巴达赫尚省西部边缘和努尔斯坦中东地区；该区域地形坡度较陡，位于雪线下，消融水充足，且该区域降雨相对充沛，满足滑坡形成条件.

2 研究区危险性评价思路及方法

2.1　研究思路

本文整合多源数据构建阿富汗滑坡危险性数据库，运用多期遥感解译识别滑坡范围，根据易发性指标采用证据权‒全连接神经网络学习模型进行易发性评价，结合当地高原积雪特征选取消融水当量和地表径流建立危险性评价体系（图3）.

2.2　易发性评价模型

（1）全连接神经网络模型（FCNN）.FCNN是通过节点间相互连接形成网络结构，设置网络结构为N层，即有N-1级加权连接矩阵和N-1相对应的偏压矢量，纬度分别为：

，（1）

，（2）

建立完整的连接网络可以分为正向传播和逆向传播：

前向传播：

z^{(l)} = W^{(l)} a^{(l-\mathrm{1})} + {\mathit{b}}^{(l)}，（3）

计算每一层的误差：

，（4）

，（5）

求各层权重，偏置的偏导：

，（6）

，（7）

更新参数：

，（8）

.（9）

（2）基于证据权模型改进（WOE-FCNN）.为进一步提高拟合精度，采用证据权模型结果校正负样本使最终评价结果逼近现实.先利用证据权模型（周超等，2020）得到阿富汗东北部区域初步易发性评价结果，从非易发区中选取负样本点来降低从非灾害区选取负样本点的误差，从而提高模型精度（郭子正等，2019）.

2.3　危险性评价方法及模型

危险性评价指标确立→评价指标取值→确定评价指标权重→确定评价单元的危险性值→使用ArcGIS软件完成阿富汗区域危险性评价.

本文研究使用土壤保持服务曲线数（SCS-CN）方法和度日模型，其中SCS-CN模型被广泛应用于预测给定降雨的直接径流量（Psomiadis et al.， 2020），通过降雨和土地利用计算共同影响下的地表径流.

度日模型（Degree-day Model）是利用温度指标计算冰雪消融的半物理模型（Pellicciotti et al.，2005； Regine， 2005），考虑高程、坡度、经纬度、温度的影响计算积雪或冰川下消融水当量.

（1）SCS-CN模型.本文采用SCS-CN模型对研究区进行径流估算，以水量平衡为基础，并根据两个基本假定而建立的经验模式（符素华等，2012）.

Q = \frac{{\left(P-I_a\right)}^{\mathrm{2}}}{P-I_a+S}，（10）

I_a = \mathrm{0.2} S，（11）

式中：Q为实际地表径流，mm；P为降雨量，mm； I_a为降雨初损量，包括产流前植被截留雨量、土壤表层蓄水量和蒸发量等，mm； \lambda为初损率； S为集水区的最大潜在蓄水量，是衡量雨水吸收和拦截雨水的能力，mm， S = \frac{\mathrm{25}\mathrm{400}}{\mathrm{C}\mathrm{N}} - \mathrm{254}.

径流曲线数CN值主要由土地利用与土壤前期湿润等级等确定，参考SCS提供取值条件，确定研究区不同土地利用的CN值（表2）.

（2）度日模型.采用度日模型对研究区冰川积雪消融水进行估算，运用度日因子将冰川积雪融化和正积温联系在一起，获得研究区一定时期内消融水当量.计算公式如下：

M = \mathrm{D} \mathrm{D} \mathrm{F} \cdot \mathrm{P} \mathrm{D} \mathrm{D}，（12）

M为一定时期内冰川或积雪的消融水当量（mmw.e.）；DDF为冰川或雪的度日因子（mm·d-1·℃-1）；PDD为此期间内的正积温，计算公式如下：

\mathrm{P} \mathrm{D} \mathrm{D} = {\sum }_{t=\mathrm{1}}^n H_t \cdot T_t，（13）

式中： T_t为某天的日平均气温（℃）； H_t为逻辑变量，当 T_t≥0 ℃时，H _t=1.0；当 T_t≤0 ℃时， H_t=0.0.

不同高程、坡度、遮蔽度等地形条件下，度日因子存在着明显的差异，并根据刘金平和张万昌（2018）的公式对其进行了修正，考虑了坡度的影响，因而改进公式如下：

\mathrm{D} \mathrm{D} \mathrm{F} = ( \mathrm{0.009} \times H - \mathrm{0.934} \times \phi - \mathrm{8.1} ) \times \mathrm{c} \mathrm{o} \mathrm{s} \alpha，（14）

式中： H为高程（m）； \phi为纬度（°）； \alpha为坡度（°）.

3 研究区危险性评价结果

3.1　易发性评价结果分析

阿富汗东北部高原研究区易发性评价初步选取以下评价指标：高差（X ₁）、坡度（X ₂）、坡向（X ₃）、曲率（X ₄）、起伏度（X ₅）、地面变率（X ₆）、斜坡结构（X ₇）、地层岩性（X ₈）、地震峰值加速度PGA（X ₉）、积雪覆盖度FSC（X ₁₀）、植被覆盖度NDVI（X ₁₁）、距道路距离（X ₁₂）、距水系距离（X ₁₃）、距断层距离（X ₁₄）等14个致灾指标（Pellicani et al.，2017； Wang et al.，2021； Liu et al.，2022），对于初步选取的易发性评价指标，利用ArcGIS的空间分析工具，对初始指标因子进行相关性分析，|R|≥0.3代表因子之间相关性较强（张俊等，2016）（表3）.

研究中剔除掉相关程度高的指标：斜坡结构、起伏度、地面变率、距断层距离和曲率.利用ArcGIS制作阿富汗东北部高原区易发性指标图层（图4），并统计指标图层分布状况（图5）.

利用Komogorov原理和Hecht-Nielsen原理提高模型的精度和减小误差，通过试错方法，确定了隐藏层的层数和隐藏层的节点数，最终整个网络划分为输入层、4个隐藏层（每个层的节点分别为8、32、32、8）和输出层.

（1）输入特征、预测标签设计. 利用ArcGIS生成训练集和验证集的正负样本各2 200个，其中负样本点从证据权计算结果低、非易发区选取，随机选取一定比例（8∶2、7∶3、6∶4）作为训练集和验证集，其中训练集和验证集中正负样本比例仍为1∶1.

（2）超参数设计. 经过训练实验最终确定主要超参数初始学习率=0.001，batch size=1 024，epoch=1 200，激活函数采用sigmoid函数，损失函数采用二分类交叉熵损失BCEloss函数.

训练结果如下（图6）：

在训练轮数小于500时，准确率迅速上升，损失率也相应快速下降，说明模型在快速的学习数据集间的深层关系，并且由实验结果和混淆矩阵计算的ROC曲线（图7）可以知道，当训练集和验证集比例在7∶3时模型效果最佳，故后续预测所用模型为该模型.

通过模型实验选出的最优模型进行全区预测，输入全区多波段因子特征数据放射矩阵为8组向量预测易发值（0~1）映射结果tif，遥感ArcGIS对图层栅格进行自然断点（Nandi and Shakoor， 2008）划分得到研究区易发性评价图（图8），统计各分级区间灾害（表4）.

3.2　危险性评价结果分析

根据SCS-CN模型计算研究区地表径流，由于阿富汗北东部属于高山寒冷气候条件下形成的冰川和永久积雪，故选取CN值表中的干燥取值，并结合研究区土地利用（图9）与降雨量分布图（图10）.得到研究区地表径流估算图（图11）如下.

阿富汗雪线在海拔4 500~5 000 m（李炳元和潘保田，2002），雪线以上是冰川和永久积雪区，结合研究区温度图（图12）采用度日模型，计算得到研究区消融水当量分布如图13.

阿富汗东北部少雨，积雪与冰川融水是研究区重要水源，消融水当量对滑坡的发育具有重要影响，因此建立层次分析判别矩阵（表5）确定危险性指标权重.

用Matlab软件计算得到一致性指标RI与一致性比例CR均小于0.1，表明判别矩阵的一致性满足要求.通过ArcGIS软件的栅格计算器，将归一化后的消融水当量、地表径流以及灾害易发性图层分别乘以其权重然后叠加，按式16计算得到研究区滑坡危险性指数，并根据自然断点法划分得到危险性分布图（图14）.

A = \sum {\omega }_i C_i,（16）

式中：A为滑坡危险性指数； {\omega }_i为危险性评价指标权重； C_i为评价因子归一化值.

结果分析极高危险性区域占全区10.46%，分布灾害面积占比82.71%，主要分布在努尔斯坦省东部库纳尔‒奇特拉尔河段、巴达赫尚省除瓦罕走廊段的中东部高山区和帕尔万省赫尔曼德河段，该区域主要位于积雪消融下部，表明积雪消融对滑坡灾害发育起了促进作用；高危险性区域占全区14.83%，分布灾害面积占比12.11%（图15），主要分布在巴达赫尚省东部区域、努尔斯坦省和帕尔万省西部，统计结果表明滑坡危险性与积雪覆盖度、植被覆盖指数、地震峰值加速度等成正相关，与地层岩性相关，极高、高危险性分布与滑坡遥感解译成果对应，间接表明遥感解译成果准确性以及危险性评价成果符合实际.

4 结论

基于WOE-FCNN模型，选取具有代表性的易发指标对研究区滑坡易发性进行预测，利用度日模型、SCS-CN模型得到研究区栅格危险性指数，运用混淆矩阵验证模型精度，主要得到以下结论：

（1）根据高原寒旱地区海拔高，常年存在积雪和冰川特征，选取特色指标积雪覆盖度在内的9个致灾指标基于WOE-FCNN模型对研究区易发性进行预测，利用混淆矩阵检验最优AUC=0.951，未优化全连接神经网络模型AUC=0.727，表明最优模型精度达到较好效果，说明基于证据权模型改进的全连接神经网络能在拟合精度和实际成果上有大幅提高.

（2）传统直接降雨诱发滑坡计算危险性，未考虑到降雨在地表的损失，而选取SCS-CN模型计算地表径流，可以将直接降雨转化为诱发滑坡的直接流量，并且结合阿富汗高原寒旱地区积雪消融水是主要水源的特征选取消融水当量为第二诱发因子，能更直观反映实际情况；通过统计结果表明滑坡危险性与积雪覆盖度、植被覆盖指数、地震峰值加速度等成正相关.

（3）滑坡发生影响因素多，致灾机理复杂，造成滑坡易发性预测的不确定性，虽然本文对阿富汗地区开展的滑坡危险性评价在精度以及野外复核方面还需要进一步研究，但研究中从实际环境出发选取较为符合当地致灾环境的指标，且采用证据权选取负样本以提高模型预测精度，在一定范围内保证了预测滑坡易发性的准确性，研究方法以及成果将为阿富汗地区滑坡风险管控工作提供科学指导.

参考文献

[1] Caniani, D., Pascale, S., Sdao, F., et al., 2008. Neural Networks and Landslide Susceptibility: A Case Study of the Urban Area of Potenza. Natural Hazards, 45(1):55-72.https://doi.org/10.1007/s11069-007-9169-3

[2] Chang, M., Cui, P., Dou, X. Y., et al., 2021. Quantitative Risk Assessment of Landslides over the China-Pakistan Economic Corridor. International Journal of Disaster Risk Reduction, 63: 102441. https://doi.org/10.1016/j.ijdrr.2021.102441

[3] Fu, S.H., Wang, X.L., Wang, H.Y., et al., 2012. Meathod of Determining CN Value in the SCS-CN Method. Arid Land Geography, 35(3): 415-421 (in Chinese with English abstract).

[4] Gent, C. R., Sheppard, C. P., 1992. Special Feature. Predicting Time Series by a Fully Connected Neural Network Trained by Back Propagation. Control & Automation, 3(3): 109-112.

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

[6] Huang, R.Q., Xiang, X.Q., Ju, N.P., 2004. Assessment of China’s Regional Geohazards: Present Situation and Problems. Geological Bulletin of China, 23(11): 1078-1082 (in Chinese with English abstract).

[7] 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).

[8] Huang, Y. D., Xu, C., Zhang, X. L., et al., 2021. An Updated Database and Spatial Distribution of Landslides Triggered by the Milin,Tibet Mw6.4 Earthquake of 18 November 2017. Journal of Earth Science, 32(5): 1069-1078. https://doi.org/10.1007/s12583-021-1433-z

[9] Le, J., Qu, C.H., Li, H.S., 2019. Status Quo of Agricultural Development in Afghanistan and China-Afghanistan Agricultural Cooperation Strategy. Agricultural Outlook, 15(5): 113-117 (in Chinese with English abstract).

[10] Li, B.Y., Pan, B.T., 2002. Progress in Paleogeographic Study of the Tibetan Plateau. Geographical Research, 21(1): 61-70 (in Chinese with English abstract).

[11] Liu, J., Wu, Z., 2020. Landslide Risk Assessment of the Zhouqu-Wudu Section of Bailong River Basin Based on Geographic Information System. China Earthquake Engineering Journal, 42(6): 1723-1734 (in Chinese with English abstract).

[12] Liu, J. P., Zhang, W. C., 2018. Spatial Variability in Degree-Day Factors in Yarlung Zangbo River Basin in China. Journal of University of Chinese Academy of Sciences, 35(5): 704-711 (in Chinese with English abstract).

[13] Liu, W. C., Zhang, Y., Liang, Y. W., et al., 2022. Landslide Risk Assessment Using a Combined Approach Based on InSAR and Random Forest. Remote Sensing, 14(9): 2131. https://doi.org/10.3390/rs14092131

[14] Liu, Y., Tang, C., Feng, Y., 2013. Geological Disaster Risk Assessment Based on AHP Information Method. Earth and Environment, 41(2): 173-179 (in Chinese with English abstract).

[15] Maher, I. S., Biswajeet, P., Saro, L., 2020. Application of Convolutional Neural Networks Featuring Bayesian Optimization for Landslide Susceptibility Assessment. Catena, 186(C): 104249. https://doi.org/10.1016/j.catena.2019.104249

[16] Nandi, A., Shakoor, A., 2008. Application of Logistic Regression Model for Slope Instability Prediction in Cuyahoga River Watershed, Ohio, USA. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards, 2(1): 16-27. https://doi.org/10.1080/17499510701842221

[17] Pellicani, R., Argentiero, I., Spilotro, G., 2017. GIS-Based Predictive Models for Regional-Scale Landslide Susceptibility Assessment and Risk Mapping along Road Corridors. Geomatics, Natural Hazards and Risk, 8(2): 1012-1033. https://doi.org/10.1080/19475705.2017.1292411

[18] Pellicciotti, F., Brock, B., Strasser, U., et al., 2005. An Enhanced Temperature-Index Glacier Melt Model Including the Shortwave Radiation Balance: Development and Testing for Haut Glacier d’Arolla, Switzerland. Journal of Glaciology, 51(175):573-587.https://doi.org/10.3189/172756505781829124

[19] Petpongpan, C. C., Ekkawatpanit, C., Kositgittiwong, D., 2021. Landslide Risk Assessment Using Hydrological Model in the Upper Yom River Basin, Thailand. Catena, 204: 105402. https://doi.org/10.1016/j.catena.2021.105402

[20] Psomiadis, E., Soulis, K. X., Efthimiou, N., 2020. Using SCS-CN and Earth Observation for the Comparative Assessment of the Hydrological Effect of Gradual and Abrupt Spatiotemporal Land Cover Changes. Water, 12(5): 1386. https://doi.org/10.3390/w12051386

[21] Regine, H., 2005. Glacier Melt: A Review of Processes and Their Modelling. Progress in Physical Geography, 29(3):362-391.https://doi.org/10.1191/0309133305pp453ra

[22] Tang, C., Qi, X., Ding, J., et al., 2010. Dynamic Analysis on Rainfall-Induced Landslide Activity in High Seismic Intensity Areas of the Wenchuan Earthquake Using Remote Sensing Image. Earth Science, 35(2): 317-323 (in Chinese with English abstract).

[23] Tang, C., Zhu, J., Zhang, X. R., 2001. GIS Based Earthquake Triggered Landslide Hazard Prediction. Journal of Seismoloical Research, 24(1): 73-81 (in Chinese with English abstract).

[24] Wang, D., Hao, M. M., Chen, S., et al., 2021. Assessment of Landslide Susceptibility and Risk Factors in China. Natural Hazards, 108(3): 3045-3059.https://doi.org/10.1007/s11069-021-04812-8

[25] Wang, Y. Y., 2015. Recent Disasters around the World. Overview of Disaster Prevention, (2):90-95 (in Chinese).

[26] Wu, L.S., 2016. Geological Structure and Mineral Resources in Afghanistan (1). Mineral Deposits, 35(1):203-208 (in Chinese).

[27] Wu, R. Z., Hu, X. D., Mei, H. B., et al., 2021. Spatial Susceptibility Assessment of Landslides Based on Random Forest: A Case Study from Hubei Section in the Three Gorges Reservoir Area. Earth Science, 46(1): 321-330 (in Chinese with English abstract).

[28] Xiang, X.Q., Huang, R.Q., 2000. Application of GIS-Based Artificial Neural Networks on Assessment of Geohazards Risk. The Chinese Journal of Geological Hazard and Control, 11(3): 23-27 (in Chinese with English abstract).

[29] Xu, Q., Huang, R.Q., Xiang, X.Q., 2000. Time and Spacial Predicting of Geological Hazards Occurrence. Journal of Mountain Science, 18(S1): 112-117 (in Chinese with English abstract).

[30] Yu, H., Lu, Z., 2018. Review on Landslide Susceptibility Mapping Using Support Vector Machines. Catena, 165: 520-529. https://doi.org/10.1016/j.catena.2018.03.003

[31] Zhang, J., Yin, K.L., Wang, J.J., et al., 2016. Evaluation of Landslide Susceptibility for Wanzhou District of Three Gorges Reservoir. Chinese Journal of Rock Mechanics and Engineering, 35(2): 284-296 (in Chinese with English abstract).

[32] Zhou, C., Chang, M., Xu, L., et al., 2020. Risk Assessment of Typical Urban Mine Geological Disasters in Guizhou Province. Geomatics and Information Science of Wuhan University, 45(11): 1782-1791 (in Chinese with English abstract).

[33] 符素华, 王向亮, 王红叶, 等, 2012. SCS-CN径流模型中CN值确定方法研究. 干旱区地理, 35(3): 415-421.

[34] 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.

[35] 黄润秋, 向喜琼, 巨能攀, 2004. 我国区域地质灾害评价的现状及问题. 地质通报, 23(11): 1078-1082.

[36] 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.

[37] 乐姣, 曲春红, 李辉尚, 2019. 阿富汗农业发展现状及中阿农业合作策略. 农业展望, 15(5): 113-117.

[38] 李炳元, 潘保田, 2002. 青藏高原古地理环境研究. 地理研究, 21(1): 61-70.

[39] 刘杰, 武震, 2020. 基于GIS的白龙江流域舟曲‒武都段的滑坡危险性评价. 地震工程学报, 42(6): 1723-1734.

[40] 刘金平, 张万昌, 2018. 雅鲁藏布江流域度日因子空间变化(英文). 中国科学院大学学报, 35(5): 704-711.

[41] 刘洋, 唐川, 冯毅, 2013. 基于AHP-信息量法的地质灾害危险性评价. 地球与环境, 41(2): 173-179.

[42] 唐川, 齐信, 丁军, 等, 2010. 汶川地震高烈度区暴雨滑坡活动的遥感动态分析. 地球科学, 35(2): 317-323.

[43] 唐川, 朱静, 张翔瑞, 2001. GIS支持下的地震诱发滑坡危险区预测研究. 地震研究, 24(1): 73-81.

[44] 王一媛, 2015. 全球近期灾害录. 防灾博览, (2): 90-95.

[45] 吴良士, 2016. 阿富汗地质构造及其矿产资源(一). 矿床地质, 35(1):203-208.

[46] 吴润泽, 胡旭东, 梅红波, 等, 2021. 基于随机森林的滑坡空间易发性评价: 以三峡库区湖北段为例. 地球科学, 46(1): 321-330.

[47] 向喜琼, 黄润秋, 2000. 基于GIS的人工神经网络模型在地质灾害危险性区划中的应用. 中国地质灾害与防治学报, 11(3): 23-27.

[48] 许强, 黄润秋, 向喜琼, 2000. 地质灾害发生时间和空间的预测预报. 山地学报, 18(S1): 112-117.

[49] 张俊, 殷坤龙, 王佳佳, 等, 2016. 三峡库区万州区滑坡灾害易发性评价研究. 岩石力学与工程学报, 35(2): 284-296.

[50] 周超, 常鸣, 徐璐, 等, 2020. 贵州省典型城镇矿山地质灾害风险评价. 武汉大学学报(信息科学版), 45(11): 1782-1791.

基金资助

第二次青藏高原综合科学考察研究项目(2019QZKK0902)

国家自然科学基金项目(42077245)