基于信息量和卷积神经网络的黄土高原滑坡易发性评价

Evaluation of Landslide Susceptibility in Chinese Loess Plateau Based on IV-RF and IV-CNN Coupling Models

摘要

黄土高原在地质环境与人类活动的复杂互馈作用下易导致黄土崩滑灾害频发，亟需选择适用性的影响因子和训练模型开展滑坡易发性评价研究.本研究以黄土高原为研究区，基于野外滑坡调查和资料收集，构建涵盖地形地貌、基础地质环境、气象水文、人类活动、土壤物理化学性质以及植被覆盖的评价体系，采用信息量模型（IV）分别联接到随机森林模型（RF）和卷积神经网络模型（CNN）构建耦合模型IV-RF和IV-CNN，开展滑坡易发性评价研究.结果表明，耦合模型（IV-RF、IV-CNN）的精度均高于独立模型（RF、CNN），4种模型的AUC值分别为0.916、0.938、0.878、0.853，IV-CNN具有更强的预测能力和精度.IV-CNN模型的极高、高、中、低、极低易发性区域面积占比分别为8.78%、7.47%、15.34%、19.82%、47.87%，主要分布在黄土高原南部和东部地质环境复杂和人类活动强烈的山地、黄土梁峁地区.坡度、侵蚀类型、地貌类型、粘粒含量、距道路距离在贡献率分析中排在前5位，是影响滑坡发育的主控因子.本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据，为滑坡易发性评价研究深化建模思路，优化独立模型评价结果不确定性问题.

关键词

黄土高原 / 滑坡 / 易发性 / 信息量 / 随机森林 / 卷积神经网络 / 灾害地质

Key words

Chinese Loess Plateau / landslides / susceptibility / information volume / random forest / convolutional neural network / hazard geology

0 引言

滑坡在降雨、地震以及人类工程活动等多重因素作用下频繁发生于世界范围内的山地地区，严重威胁了建筑物、交通设施和居民的安全，对地质生态环境产生重大影响（黄润秋， 2007； Guzzetti et al.， 2008； 彭建兵等， 2016）.滑坡的发育过程是由内动力地质条件和外界环境条件相互影响的结果（González-Díez et al.， 2014； Qiu et al.， 2016； Samia et al.， 2017）.通过建立滑坡数据库和多类型因子评价体系，开展区域性滑坡易发性评价是分析滑坡灾害潜在分布的重要手段（Malamud et al.， 2004； Guzzetti et al.， 2012； 黄发明等， 2018）.黄土高原覆盖着地层连续、厚度不等的第四纪黄土碎屑沉积物，其侵蚀严重、沟壑纵横与支离破碎的特殊地貌景观是在气候变化、构造活动以及人类活动作用下塑造而成（张宗祜， 1981；Feng et al.， 2019；Li et al.， 2019）.黄土特殊的水敏性、崩解性、大孔隙性等物理力学和结构性质，导致黄土高原地质环境极为脆弱，滑坡、泥石流等灾害频发（张茂省和李同录， 2011； Wang et al.， 2019a； Leng et al.， 2020； Ma et al.， 2022）.黄土高原记录了超过10 000多次滑坡灾害，其中致命性黄土滑坡约有527次，经济损失超过67亿元（黄晓维， 2019； Peng et al.， 2019）.由于黄土滑坡体量巨大、诱发因素多、突发性强，其易发性评价与预测防治工作极具挑战性.随着平山造地、固沟保塬和治沟造地等城镇建设重大工程的不断实施，通过建立滑坡数据库和影响因子评价体系对黄土高原滑坡易发性评价的工作亟需开展.

滑坡易发性评价是评估和预测山区滑坡灾害分布特征的重要科学方法，大量学者通过分析滑坡的地形地貌、气象水文、人类活动等多种控制因素，采用各种定性或定量手段以空间单位为尺度来反映滑坡发生可能性和潜在分布位置（Huang et al.， 2020；Segoni et al.， 2020）.采用定性方法进行滑坡易发性评价主要依赖于基于滑坡数据库编录和知识驱动的专家分析具有一定主观因素，而自20世纪80年代以来包括信息量（information value， IV）、频率比（frequency ratio， FR）、证据加权（weight of evidence， WOE）、确定性系数（coefficient of certainty， COC）以及熵指数（index of entropy， IOE）等数理统计为主的定量方法极大克服了定性方法的主观性弊端，已经广泛和成熟地应用于各类灾害易发性评价研究（许冲等， 2010； 庄建琦等， 2010； Reichenbach et al.， 2018； 王世宝等， 2021）.然而，传统的统计学和概率分析方法通常会忽视不同类型因子存在的非线性或不相关问题，且需要积累大量先验知识，在解决复杂因素作用下的灾害敏感性分析存在局限性（黄发明等， 2023）.

近年来，随着人工智能理论和方法在交叉领域的科学问题和工程应用的快速发展，以逻辑回归（logistic regression， LR）、支持向量机（support vector machines， SVM）、随机森林（random forest， RF）、贝叶斯（Bayes）、梯度提升树（Gradient Boosting Tree）以及BP神经网络（BP neural networks， BPNN）等为代表的机器学习模型越来越多用于灾害易发性评价工作中（郭子正等， 2019； Huang et al.， 2020； Merghadi et al.， 2020； Du et al.， 2021； 李文彬等， 2021； 范宣梅等， 2022； 仉文岗等， 2023）.此外，深度学习方法诸如卷积神经网络、人工神经网络等方法以能够挖掘数据深层特征和处理非线性问题的能力在滑坡、泥石流等灾害易发性评估中被大量尝试取得显著成果（周超等， 2020； 王世宝等， 2021）.但是，独立的机器学习或深度学习方法极易造成对数据的过度拟合，仅靠单个模型得到的易发性评价结果存在潜在的不确定性等缺陷.因此，已有学者尝试采用联接统计学模型与机器学习或深度学习模型的耦合方法，通过对比不同模型评价结果来提高滑坡易发性评价精度（李文彬等， 2021； Zhang et al.， 2021； 周萍等， 2022）.黄发明等（2022b）分别采用FR和WOE两种非线性关联分析方法处理滑坡评价因子原始数据，并联接决策树模型（CHAID）开展了延长县滑坡易发性建模，结果表明耦合模型的评价准确度整体高于独立模型，更符合滑坡形成和分布规律.综上所述，针对独立模型的不确定性结果和影响因子复杂非线性问题，本文拟分别构建统计学与机器学习、深度学习的耦合模型开展黄土高原滑坡易发性评价.黄土高原以其滑坡数量较大、诱发因素甚多，地质环境和人类活动背景极为复杂等特点，也成为利用数据驱动耦合模型开展滑坡易发性评价的理想目标.IV模型是基于统计学方法分析滑坡易发性最稳定的代表，RF模型和CNN分别在与不同机器学习或深度学习的模型的评价结果对比中以其显著的精度优势已被广泛应用，最终上述3种模型被选择作为本研究构建耦合模型的目标（庄建琦等， 2010； Huang et al.， 2020； 王世宝等， 2021）.

本文以黄土高原作为研究区，利用信息量-随机森林（IV-RF）和信息量-卷积神经网络（IV-CNN）的数据驱动耦合模型开展滑坡易发性评价，讨论了评价因子和模型选择问题.本文相较以往研究而言，不仅能够对比独立模型和耦合模型，而且可以分别比较联结到机器学习和深度学习耦合模型的评价结果，进一步将土壤物理化学性质因子应用到了滑坡易发性评价.本研究旨在深化复杂地质环境因子作用背景下的滑坡易发性评价的思路与方法，为黄土高原城镇建设与山地地区的重大灾害防治和预测工作提供重要科学依据.

1 研究区概况及数据源

1.1　研究区地质环境概况

研究区黄土高原位于中国地形第二阶梯，东迄太行山，南至秦岭山脉，西接青藏高原，北邻内蒙古高原，地理位置介于100°48′~114°52′E，33°35′~41°25′N，总面积约为64.0×10⁴ km²（图1）.黄土高原区海拔约在12~5 300 m，整体地势表现出西北高，东南低，以境内的六盘山和吕梁山为界被分为东（山西高原）、中（陕甘晋高原、河套平原）、西（陇中高原）3个单元.黄土高原覆盖着平均厚度50~80 m的第四纪冰期风力搬运堆积物，按沉积年代黄土由老至新依次可分为午城黄土、离石黄土、马兰黄土、全新世黄土.研究区内经过数万年各类活跃的风力、水力、冻融侵蚀作用，境内地形起伏大、地表支离破碎，黄土梁峁交错，构造活动强烈，逐渐形成以山地、黄土丘陵、黄土塬、黄土台塬、河谷平原为主的独特地貌格局（张宗祜， 1981； Peng et al.， 2019）.研究区黄土颗粒组成具有明显南北分带差异，显著影响各类地貌景观形成演化和侵蚀作用形式（Li et al.， 2019）.黄土高原地处大陆内部属于大陆性季风气候，是半湿润区和半干旱区过渡地带，气候特征受季风和地形双重因素控制.研究区境内年平均温度为3.6~14.3 ℃，夏季暖热，冬季干冷，降水量自东南向西北方向骤减，夏季经常暴发连续强降雨，且区内年均蒸发量整体高于年均降水量.黄土高原区内水系分布极不均衡、夏季汛期洪水频发且水土流失现象严重，境内以黄河流域为主干，还分布有湟水河、渭河、汾河等流域.黄土高原长期以来都是人类文明农业、工业和军事活动的核心地区，是南水北调、西气东输和铁路公路等重大工程的重要纽带，人类工程活动对黄土高原地貌景观改造具有不可避免的影响（张茂省和李同录， 2011； 彭建兵等， 2016）.

极端降水、强烈地震、河流冲刷、边坡开挖、煤矿开采、农业灌溉等自然或人类因素在黄土高原孕育形成广泛分布的重力侵蚀地貌如滑坡和崩塌（Zhuang et al.， 2018； Peng et al.， 2019； Xu et al.， 2020）.黄土抗侵蚀能力弱，地层内部垂直节理发育，遇水后能够迅速而崩解、土体强度弱化，导致斜坡逐渐失稳（Feng et al.， 2019； Wang et al.， 2019a）.黄土高原滑坡以其突发性强、运动特征复杂以及诱发因素多样等特点已成为世界滑坡灾害研究的热点地区.黄土高原常年受强降水事件影响，经常引发大量黄土崩滑灾害，位于兰州老狼沟的两侧斜坡由于常年的夏季极端降水引发多处黄土浅层滑坡，严重坡脚处的城区安全（图1b， 孔嘉旭等， 2021）.1920年海原大地震触发的宁夏党家岔滑坡总体积约1.5×10⁷ m³，规模巨大的滑体运动过程中摧毁沿途村庄，堆积体堵塞河道，形成著名的党家岔地震堰塞湖（图1c，张晓超等， 2018）.黄土高原农业耕作区的黄土台塬由于不合理的农业灌溉经常引发一系列静态液化型黄土滑坡，位于甘肃省的黑方台和陕西省的泾阳南塬是此类滑坡分布的典型代表（图1d和1e；Peng et al.， 2019； Kong et al.， 2021）.

1.2　滑坡灾害数据库

通过现场调查、无人机测绘以及遥感影像解译构建了研究区黄土滑坡灾害数据库共计6 517处黄土滑坡（图2）.如表1所示，黄土滑坡灾害主要分布于7个省区，滑坡数量最多3个省依次为陕西、甘肃和山西，占所有滑坡的74.63%.滑坡对附近居民和建筑物等能够带来重大安全隐患，威胁人口和财产分别为440 127人和546 778.26万元.黄土高原滑坡整体主要分布于研究区的中部和南部，北部滑坡分布较少，区内形成多个带状或点状的滑坡聚集区，滑坡核密度最高值为129.71个/km²（图2）.研究区内滑坡的形成机制的主要类型包括剪切滑动、“牵引”错落、崩滑-液化、蠕滑-平移.

1.3　滑坡因子数据源

基于黄土高原滑坡灾害数据库和地质灾害调查资料的各类数据源，利用GIS10.5空间分析工具和SAGA7.0地形分析工具提取了滑坡灾害点的多元因子数据.本文采用的数据源主要包括：（1）从ASTER卫星获取的研究区30 m分辨率数字高程模型，用以提取高程、坡度、曲率等地形地貌信息和地形湿度指数等水文数据；（3）全国地质资料以及专业规范，获取断层、地震、地貌类型等基础地质与地貌信息；（4）全国主要道路和水系矢量数据，提取道路和河流信息；（5）中国气象数据网获取降水量与温度信息；（6）土壤学专业资料《Predictive Soil Mapping with R》（Hengl and MacMillan， 2019），获取黄土高原土壤的物理化学信息；（7）从地理空间数据云网站下载Landsat-8系列遥感影像，获取植被覆盖信息；（8）其他数据源还包括从美国NASA获取的风化层厚度与人口密度信息.所有数据源详细信息见表2，滑坡灾害数据库内所有滑坡物质来源均为均质黄土，因此未将岩性信息纳入黄土高原滑坡灾害数据库.

2 模型算法和流程

2.1　信息量模型（IV）

信息量模型原理即把各种影响地质灾害诱发因素的实测值转换为诱发因素相应的信息量值，因其稳定性和适用性被广泛应用于各类地质灾害易发性评价（庄建琦等， 2010； 周萍等， 2022）.通过收集区域内已发生滑坡的数量和质量信息，对其进行分级量化，来判断空间范围内滑坡的发生概率.信息量模型计算需要基于样本统计方法，将所有影响因子完成分级计算其信息量值，最后求其信息量总和来评判滑坡发生概率，计算公式（1）如下：

I V \left(Y,X_i\right) = \mathrm{l} \mathrm{n} \frac{N_i/N}{S_i/S},（1）

式中， I V \left(Y,X_i\right)为 X_i因子在对滑坡灾害发生事件 Y所对应的信息量值， N表示研究区所有滑坡灾害的数量； N_i表示 X_i因子在某一类别的 x_i对应的滑坡数量； S表示研究区栅格单元总面积； S表示 X_i因子在某一类别 x_i对应的栅格面积.当 I V \left(Y,X_i\right)的数值大于0时，预测研究区内滑坡灾害发生的可能性越大；当 I V \left(Y,X_i\right)的数值小于0时，预测研究区内滑坡发生可能性相对较低；当 I V \left(Y,X_i\right)的数值等于0时，预测研究区内不发生滑坡灾害.

2.2　随机森林模型（RF）

20世纪80年代，Breiman首次提出决策树模型即对通过反复二分数据完成分类或回归的集成学习算法，此后RF模型在其基础上发展完善于2001年被提出（吴润泽等， 2021）.RF模型的原理即通过用自助重采样抽样算法（Bootstrap）从训练集m中有放回地随机抽取与原样本集同样大小的n个样本集（通常为m的2/3），再对每个训练样本建立决策树模型得到n种分类结果，最后根据n种分类结果进行投票表决以输出其最终结果.决策树的数量和深度是决定模型输出结果的重要参数，使用更多的特征参数会极大提高模型的输出精度（周萍等， 2022）.训练样本集中只会用到70%的数据，而剩下未被抽取的30%数据集被称作袋外数据（OOB， out of bag）.利用OBB数据进一步得出分类树的错误分类率，被称作OBB误差，而该误差是一种无偏估计，对此误差取平均值即为模型的泛化误差，表达式（2）如下：

P^{*} \le \frac{\rho \left(\mathrm{1}-s^{\mathrm{2}}\right)}{s^{\mathrm{2}}},（2）

式中， P^{*}表示模型的泛化误差： \rho表示决策树模型之间相关度的平均值； s^{\mathrm{2}}表示决策树模型的平均强度.RF模型在处理大量多维数据问题时尽可能避免了过度拟合问题，具有较高的稳定性，同时有效降低了异常值与算法方面的误差率（李文彬等， 2021）.

2.3　卷积神经网络模型（CNN）

CNN模型是由人工神经网络和深度学习相结合而成，最初是由LeCun提出针对数字识别而提出神经网络模型，与其他模型主要差异在于卷积运算，目前已在图像提取和分类处理方面应用非常广泛（Wang et al.， 2019b； Huang et al.， 2020）.CNN模型由许多神经网络层组成，主要包括输入层、卷积层、池化层、全连接层以及输出层，而卷积层和池化层通常是交替的.卷积层是CNN模型中的核心层，其卷积核的主要功能是对输入数据进行变换映射，从而提取局部特征信息，其计算式如下（武雪玲等， 2020）：

C_j = {\sum }_i^n f\left(w_j\times x_i+b_j\right),j=\mathrm{1,2}\cdots ,k,（3）

式中， C_j是卷积层的输出特征； f是非线性激活函数； x_i是卷积核对应的输入数据； x_i、 x_i和 x_i分别是卷积核数量、权重和偏置.卷积层中的权值共享特性是用来有效减小参数数量，防止造成过拟合.池化层一般使用顺序位于卷积层之后，主要功能是压缩数据和参数的体量，同时也可以减小过拟合，提高计算效率.池化层最常用方法是采用滤波器对每个数据体进行降采样，以改变其空间尺寸，其计算公式如下（王毅等， 2021）：

o_i = \underset{i\in N}{\mathrm{m}\mathrm{a}\mathrm{x}} a_i^{n\times n},（4）

式中， o_i是池化层的输出量；i是池化的空间位置； a_i^{n\times n}是该次池化处理在空间位置i所对应的输入数据.全连接层则处于卷积神经网络的尾部，该层内所有神经元都有权重连接，最终目的是完成分类任务.

2.4　耦合模型与处理流程

已有研究表明采用独立机器学习或者深度学习方法进行地质灾害易发性评价容易造成结果不确性和准确度较低等问题，而使用耦合方法开展滑坡易发性评价已经取得诸多成果（Huang et al.， 2020； 武雪玲等， 2020； Du et al.， 2021； 李文彬等， 2021； 周萍等， 2022）.因此，本文考虑将统计学IV模型分别联接到机器学习RF模型和深度学习CNN模型，开展黄土高原滑坡易发性评价和模型精度评估，具体数据提取、建模和评价步骤依次为：（1）获取滑坡灾害位置信息和各类因子数据源，编录黄土滑坡灾害数据库，建立涵盖地形地貌、基础地质环境、气象水文、人类活动、土壤物理化学性质以及植被覆盖六大方面的评价因子体系，利用GIS10.5和SAGA7.0提取所有因子实测数据；（2）对所选取的24种滑坡因子进行皮尔逊相关性分析和共线性分析，通过筛选因子来确保易发性评价结果准确性；（3）使用IV独立统计模型计算因子的信息量值以进行对研究区滑坡进行易发性分区，在滑坡易发性评价结果的低易发区和极低易发区选取非滑坡样本数据，正负样本比例保持1∶1；（4）将正负样本数据及筛选后的影响因子分别输入到RF模型和CNN模型中进行模型处理，训练集和测试集占比分别为70%和30%；（4）将IV-RF模型和IV-CNN得出的预测结果进行滑坡易发性分区和因子重要性排序，最终采用ROC曲线、AUC、准确率、精确率、召回率、F1分数等指标评价模型精度，本文详细技术路线如图3所示.

3 滑坡易发性评价因子分析

3.1　因子分级与信息量值

滑坡的形成演化与空间分布不仅与气象、水文、人类活动等外动力因素密切相关，而且还受斜坡地表形态的控制，地形地貌因素控制着斜坡应力分布和水分分布从而影响滑坡发育条件（Qiu et al.， 2016； Samia et al.， 2017）.选择具有专业性、适用性的影响因子和建立全面的评价指标体系是开展滑坡易发性评价的重要基础工作（Segoni et al.， 2020）.黄土高原区内地貌类型众多、地质环境复杂、地震运动活跃、人类活动程度较高，导致黄土崩滑灾害事件频发.基于上述考虑，选取地形地貌、基础地质环境、气象水文、土壤物理化学性质、人类活动、植被覆盖6个类别作为黄土高原滑坡易发性评价的一级因子指标，二级因子指标为24个，详细信息见表2.评价体系中连续型数据包括高程、坡度、坡向、曲率、地形粗糙度、地表起伏度、地表切割度、TPI、TWI、SPI、风化层厚度、温差、NDVI、距断层距离、距河流距离、距道路距离、降雨量、人口密度、粘粒含量、容重、pH值，利用自然断点法进行分级（图4）.离散型数据则包括地貌类型、侵蚀类型、PGA，利用自然分组法进行分级（图4）.评价因子的栅格图像单元为30 m×30 m，研究区共计被划分1 446 135 010个栅格单元.采用信息量模型计算了评价因子的信息量值，用以反映研究区内不同因子对于预测滑坡发生的相关程度（图5）.

3.1.1　地形地貌

地形地貌因子是决定滑坡灾害分布的基础条件，通常地表起伏大、破碎程度高的区域极易发育滑坡（Guzzetti et al.， 2008）.滑坡主要分布于高程低于2 000 m的山地、丘陵和河谷边坡地带，约占滑坡总数的50.05%，高程的IV值最高为1 000~2 000 m区间，表明该区间极易发生滑坡（图4a，5a）.坡度范围在低于30°以下分布的滑坡数量较多，而坡度为15°~30°时发生滑坡可能性最高（图4b，5b）.滑坡坡向分布较为分散，东南和正南两个方向引发滑坡概率更高（图4c，5c）.曲率位于0~1的滑坡数量和IV值均最高，表明凸形坡更易发生滑坡（图4d，5d）.地形粗糙度位于1.0~1.05区间分布的滑坡数量最多，而地形粗糙度为1.05~1.10区间的IV值则更高（图4e，5e）.研究区滑坡的地形起伏度和地表切割度小于100 m的占比分别为82.80%和99.43%（图4f，4g）.TPI的分级和IV值的结果表明滑坡更发育分布于山脊地带或河谷边坡（图4h，5h）.研究区内滑坡主要分布于山地和黄土梁峁的地貌类型，占滑坡总数的71.23%（图4k）.

3.1.2　基础地质环境

基础地质环境条件潜在影响了滑坡形成背景，主要包括断层、风化层厚度、侵蚀类型以及PGA.风化层厚度反映了黄土的沉积程度，地层较厚的坡体压实程度越高，边坡稳定性更高；侵蚀严重地区的地表环境极为脆弱，斜坡在水力或者冻融侵蚀作用下极易失稳（Peng et al.， 2019）.研究区滑坡主要分布于距断层距离≥3 000 m的地带，而距断层距离越小则发生滑坡可能性越高（图4q，5q）.风化层厚度处于0~10 m范围的分布滑坡数量最多，其发生滑坡概率也最高（图4m，5m）.滑坡侵蚀类型属于水力侵蚀的占比达99.80%，水力侵蚀的IV值相对较高，反映了水分因子在黄土滑坡形成过程中的重要地位（图4l，5l）.PGA的分级和IV值结果表明分布于0.1 g的滑坡数量最多、引发滑坡可能性最高（图4n，5n）.

3.1.3　气象水文

降水、温度、河流冲刷等气象水文条件会极大改变斜坡内部稳定状态，是触发滑坡启动的重要因素（Zhuang et al.， 2018； Leng et al.， 2020）.由于研究区处于季节性冻土分布区，长期冻融循环极易导致土体结构劣化和强度损伤，因此温差是滑坡发育不可忽视的重要因素（刘宽等， 2021）.研究区有62.27%的滑坡分布于距河流距离≥2 500 m的区域，且随着距河流距离越小，发生滑坡可能性逐渐增加（图4r，5r）.滑坡主要分布于TWI值≤10的区域约占总数的94.18%，而滑坡发生概率最高的TWI值为0~5区间内（图4i，5i）.分级结果显示滑坡主要分布于SPI值≤100的区域，约占滑坡总数的81.80%（图4j）.随着温差的增大，滑坡发生的数量和概率均呈现降低趋势（图4o，5o）.在降水量为0~400 mm区间内，滑坡发生可能性随着降水量增加而升高（图4t，5t）.

3.1.4　土壤物理化学性质

土壤性质是影响坡体强度不可忽视的重要因素，土壤的物理和化学性质从根本上决定了滑坡形成的物源基础.大量试验表明，黏粒含量越高，黄土的抗剪强度更高；内摩擦角和粘聚力随着容重增加而增大；酸性环境对土体颗粒结构之间的破坏程度最大，强度损伤更显著（高登辉等，2017； Zhuang et al.， 2020； Hu et al.， 2021）.研究区有98.41%的滑坡的粘粒含量分布在≤30%的区间内（图4v）.研究区土壤容重在1.3~1.7 g/cm³区间内的滑坡占总数的97.64%，且随着容重的增加，滑坡数量逐渐减小（图4w）.滑坡主要分布在pH值为8.0~8.5区间内，约占68.07%，同时该区间内发生滑坡的可能性更高（图4x，图5x）.

3.1.5　人类活动

由于农业灌溉、交通设施建设以及矿产开挖等人类工程活动近些年来大规模快速发展，极大程度影响了斜坡原始状态引发大量边坡崩滑灾害（彭建兵等， 2016）.研究区约有70.10%的滑坡分布于距道路距离≥2 500 m的区域，且随着距道路距离越小，引发滑坡的概率逐渐增加（图4s，图5s）.滑坡主要分布于人口密度为0~1 000人/km²的黄土台塬边、河谷边坡等地带（图4u，图5u）.

3.1.6　植被覆盖

植被覆盖程度极大影响了斜坡的稳定性，当植被覆盖程度越高，降水入渗对斜坡影响较小，同时植被根系对边坡具有一定加固效果；当地表裸露植被覆盖较少，斜坡极易遭受水力侵蚀作用从而引发滑坡（Feng et al.， 2019）.滑坡的NDVI≤0.4区间的数量占研究区滑坡总数的55.12%，NDVI为0.2~0.4区间的IV值最高，形成滑坡可能性更大（图4p，5p）.

3.2　评价因子独立性检验

区域性滑坡是多元影响因子共同作用的结果，不同因子之间往往具有一定相关性（黄发明等， 2022a）.为了避免不同因子之间过高的相关度并导致滑坡易发性评价结果精度降低等问题，因此需要采用相关性分析和共线性分析对研究区的所有因子进行独立性检验.已有研究通常采用皮尔逊相关系数（PCCs）、容忍度（TOL）和方差膨胀因子（VIF）来进行筛选，一般认为当PCCS>0.8表示两个因子具有极高的相关性；当TOL>0.1，且10<VIF表示因子不存在多重共线性（王世宝等， 2021； 侯儒宁等， 2023）.如表3所示，所有因子的TOL和VIF均满足非共线的阈值要求.如图6所示，坡度和地表粗糙度、地形起伏度和地形切割度两组因子之间的PCCs>0.8，表明存在较高的相关性，剩余因子之间相关度较低.因此，剔除以上两组因子中TOL和VIF数值最高的地表粗糙度和地形切割度因子，将剩余22个因子代入到耦合模型和独立模型中开展黄土高原滑坡易发性评价.

4 结果与分析

4.1　易发性评价结果

图7和表4展示了4种模型对样本进行训练得到的黄土高原滑坡易发性评价结果，研究区按照自然间断法被划分为极低易发区、低易发区、中易发区、高易发区、极高易发区5个等级.4种模型的易发性评价结果显示，极高易发区和高易发区主要位于黄土高原南部和东部的山地、黄土梁峁、黄土塬地区，而北部则是大范围的极低易发区和低易发区，仅在山地地貌分布小范围的中易发区、高易发区、极高易发区（图7）.黄土高原东部和南部地质环境较为复杂、地表起伏较大、水系较为发育、地震运动活跃、降雨量较大、还遭受不同程度水力侵蚀作用，且人口密度较高，边坡开挖、煤矿天然气开采、水利灌溉等一系列人类工程活动均能够影响边坡稳定.如图7b和表4所示，独立的RF模型得到的滑坡易发性评价结果显示极高易发区和高易发区面积最大，分别为12.58%和7.61%.如图7d和表4所示，独立的CNN模型得到的滑坡易发性评价结果显示极高易发区和高易发区面积最小，分别为5.73%和6.35%，但其滑坡分布密度相对较大，分别为0.047 4个/km²和0.406 0个/km².耦合模型IV-RF和IV-CNN得到的易发性分区结果的分布规律更加合理，在地形平坦的河谷平原地区，主要分布极低易发区和低易发区，两种耦合模型的极高易发区和高易发区面积较少，分别为12.45%、7.34%和8.78%、7.47%.

4.2　模型准确性评价

模型准确性评估对于滑坡易发性评价结果至关重要，混淆矩阵常用于分类问题的预测精度分析，由该矩阵得到的ROC曲线、AUC、准确率、精确率、召回率、F1 分数被作为评估分类结果的重要量化指标（仉文岗等， 2023）.ROC曲线被称作受试者工作特征曲线，用以反映特异性（假阳性率）和灵敏度（真阳性率）连续变量的二维曲线，曲线下方面积越大、曲线越陡、AUC值越大，则模型的精度更高、预测性能更强（黄发明等， 2022a； 侯儒宁等， 2023）. 如图8和表5所示，4种模型的AUC、准确率、精确率、召回率、F1均大于0.8，表明模型评价结果具有一定可信度，而耦合模型IV-RF和IV-CNN的精度评价指标整体大于独立模型.IV-CNN模型的AUC值0.938明显大于IV-RF模型的0.916，表明IV-CNN耦合模型的滑坡易发性评价精度更好、预测能力更优，能够作为黄土高原滑坡灾害预测和防治的可靠依据（图8）.

4.3　评价因子贡献率

滑坡诱发影响因素众多，每种影响因子对斜坡失稳作用机理也不相同，因此需要对所有因子进行贡献率排序分析.本文采用每种模型附带属性对22种评价因子进行贡献率排序和分析，黄土高原滑坡因子贡献率排序结果见图9.如图9所示，滑坡因子贡献率排在前5位的分别是坡度、侵蚀类型、地貌类型、粘粒含量、距道路距离.黄土高原滑坡发生的坡度范围主要位于45°以下，角度低缓的斜坡在强降水环境下，坡面侵蚀作用较强，水分入渗程度较深，极易造成斜坡内部土体结构的损伤，最终导致滑坡启动.但是60°以上斜坡分布滑坡数量极少，原因在于水分不易于入渗于斜坡内部，土体内部结构稳定，以黄土高原地区发育的大量近似垂直的黄土柱为例，其历经长期的风力和水力侵蚀也不易倒塌（张宗祜，1981； Xu et al.， 2020）.黄土高原侵蚀类型以水力侵蚀为主，主要侵蚀方式包括夏季强降水与河流冲刷，由于黄土滑坡与水关系极为密切，黄土具有强烈的水敏性，造成研究区东部和南部的河谷两侧、台塬坡边常发育大量带状展布的滑坡群（张茂省和李同录， 2011）.黄土滑坡通常主要形成于山地和黄土梁峁地带，地形起伏大、地表破碎、侵蚀作用强的脆弱地质环境条件均是滑坡孕育的基础（Zhuang et al.， 2018； Peng et al.， 2019）.部分滑坡分布于台塬、塬、台地的边缘斜坡地带，除了长期降水、河流冲刷、边坡开挖等诱发因素，以上3种地貌还是人类居住和农业发展的核心区，长期灌溉改变了坡体水文地质结构，也会引发滑坡灾害（Kong et al.， 2021）.土体强度变化与粘粒含量关系极为密切，随着粘粒含量增加，土体结构强度显著增强（Zhuang et al.， 2020）.黄土高原粘粒含量低于30%的地区是滑坡发生的高频区，主要为山地、黄土梁峁、台塬等地貌，而粘粒含量高于30%地区主要为沉积层厚度较大平原和冲积扇平原地区.黄土高原北部虽然粘粒含量几乎均低于30%，但是主要为砂、粉砂含量较高的沙地、地形较为平缓、年均降水量稀少，因此不易发生滑坡灾害.距道路距离位于所有因子排序的第5位，一定程度反映了人类活动强度与滑坡分布的联系，人工堆载及开挖、矿产资源开发以及城镇规模扩张与道路分布关系极为紧密，人类工程活动能够极大改变原有稳定的斜坡状态（彭建兵等， 2016）.

5 讨论

5.1　评价因子选择

以往地质灾害易发性评价研究选择气象水文因子时通常将年均降水量当作首要选项，然而现场调查和模型试验结果表明，降水强度的阈值是引发滑坡的根本原因（Tu et al.， 2009）.黄土高原地区夏季多暴雨，“2013·7”极端强降水事件导致天水、定西、延安等地区发生大规模的群发性黄土滑坡、崩塌、泥石流灾害，仅在天水发生的滑坡达415处，造成重大人员伤亡和财产损失，而在年均降水量较大的渭河盆地受滑坡灾害影响较小（郭富赟等， 2015）.黄土高原西南存在少量由于昼夜温差较大、冻融作用而引发的山体滑坡，诸如甘肃洒勒山滑坡、甘肃黑方台黄茨滑坡、陕西泾阳蒋刘滑坡，滑动规模均在100×10⁶ m³以上，但是温差的贡献度在本文评价结果并未达到期望排序，可能是由于由冻融引发滑坡的样本量较小或者温差大的区域主要为黄土高原北部砂、粉砂含量较高的黄土梁峁与冈蚀地貌地带不易发生滑坡（张宗祜，1981； 张茂省和李同录， 2011； Peng et al.， 2019）.以往的滑坡易发性评价研究较少关注土壤物理化学性质， 过多关注的是滑坡岩土体的单一属性，评价因子引入不够精细，然而土壤物理化学性质是外界因素作用下土体强度变化的基础，并与滑坡形成和分布密切相关（Zhuang et al.， 2020； Hu et al.， 2021； 仉文岗等， 2023）.马兰黄土相较于其他类型黄土具有更大的孔隙度和崩解性，水入渗条件下结构破坏更加迅速，斜坡失稳可能性更高，因此在滑坡易发性评价加入孔隙度、密度、渗透系数、液塑限以及湿陷系数等在研究区内易于获取且已形成行业规范的评价因子亟需被重视（Feng et al.， 2019；Wang et al.， 2019b）.本文中尝试加入了粘粒含量、容重以及pH值因子，粘粒含量在滑坡因子贡献度排序相对靠前显示了良好效果，能够为滑坡灾害防治提供重要参考.贡献度排序显示地貌类型和侵蚀类型在黄土滑坡易发性评价占据重要地位，黄土与水力侵蚀关系密切，且主要受山地地貌类型控制，反映了黄土高原脆弱的地质环境与灾害分布特征.特定区域在开展易发性评价时应采用适用性因子，侯儒宁等（2023）在天山地区泥石流易发性评价中引入干旱指数和陡度指数，发现干旱引起土壤开裂导致土体结构损伤，较高的陡度指数表明构造隆升引发更多的泥石流灾害.

正确选择评价因子数量和类型是滑坡易发性评价的基础，因子类型选择主要取决于现场调查和资料分析，而因子数量的选取标准至今尚无统一标准，过多因子容易造成数据量增加，运行时间变长；因子较少又无法充分揭示滑坡诱发因素的潜在关联机制.因此，针对研究区滑坡灾害展开诱发机理的前期调查分析至关重要，选择适用性的评价因子有助于显著提高易发性评价结果的准确程度，从而有效地为受滑坡灾害影响区域提供防灾减灾依据.

5.2　适用性模型选择

徐胜华等（2020）、Zhang et al.（2021）、周萍等（2022）分别针对陕西省、三峡水库万州段以及四川理县采用WOE-LR、WOE-RF、IV-RF、IOE-SVM不同耦合模型开展滑坡灾害易发性评价，结果表明耦合模型评价结果显著优于独立模型，具有更高的AUC值与精确度.李文彬等（2021）通过将不同统计模型（PS、FR、IV、IOW、WOE）和机器学习模型（LR、BPNN、SVM.RF）进行组合联接来构建24种数据驱动模型耦合方法，评价结果反映耦合模型准确度明显高于独立模型，集成学习模型准确度高于传统数学模型.在统计学模型中，信息量模型能够有效地处理多元因子和大量数据带来的复杂问题，与数据驱动模型的耦合评价结果也符合实际情况（杨强等， 2021）.仅就独立模型而言，Wang et al.（2019b）开展了深度学习模型CNN和机器学习模型LR、SVM、RF对比分析，研究发现CNN模型在特征提取和处理多维数据能力方面明显优于其他模型.耦合模型在选取非滑坡样本时能够极大程度确保样本的正确性，滑坡灾害预测能力强于传统数学模型，从而提高易发性评价结果（周超等， 2020）.本研究所构建的耦合模型尤其是联合统计学与深度学习的方法，在处理多维滑坡因子数据和大量滑坡灾害数据时表现极为显著的准确性，即使是在面积较大的区域范围内.此外，研究发现对于区域范围小和样本规模较小的滑坡易发性评价，应用RF模型往往具有较好的表现（窦杰等， 2023）.

无论是机器学习模型或是深度学习模型，均以其自适应、自学习以及预测能力强特点被广泛用于各类地质灾害易发性评价，然而针对何种类型灾害、区域范围以及因子组合采用哪种模型的问题尚无统一标准.此外，目前基于机器学习的滑坡易发性评价研究仅集中于栅格单元进行采样和分析，未能将多元因子与地质环境单元（斜坡、地貌、流域）及内部力学行为进行科学关联（田述军等， 2019； Zou et al.， 2021）.已有学者基于流域或者水系单元对研究区进行划分再开展易发性评价，发现评价结果更符合灾害分布规律（侯儒宁等， 2023； 仉文岗等， 2023）.

6 结论

本文以黄土高原为研究区，基于野外地质调查和资料收集，选取地形地貌、基础地质环境、气象水文、人类活动、土壤物理化学性质以及植被覆盖六大类型24个影响因子构建滑坡易发性评价指标体系，运用独立模型（RF、CNN）和耦合模型（IV-RF、IV-CNN）对研究区开展了滑坡易发性评价，并分析了模型精度和所有因子贡献率，获得以下重要结论：

（1）耦合模型IV-CNN的易发性分区结果显示，黄土高原滑坡的极高、高、中、低、极低易发性区域面积占比分别为8.78%、7.47%、15.34%、19.82%、47.87%，滑坡极高易发区和高易发区主要分布于地表起伏大、水力侵蚀作用强的山地和黄土梁峁地带.

（2）独立模型（RF、CNN）和耦合模型（IV-RF、IV-CNN）的所有精度评价指标结果均大于0.8，具体AUC数值分别为0.878、0.853、0.916、0.938，而耦合模型的评价指标结果则整体大于独立模型.基于机器学习和深度学习的两种耦合模型对比，IV-CNN模型的AUC数值（0.938）显著高于IV-RF模型，ROC曲线下方面积更大，其模型评价精度更好，滑坡预测能力更优，具有良好的可信度.基于信息量和卷积神经网络的耦合模型在处理区域面积较大的多维因子数据和大量滑坡灾害数据时具有显著优势.

（3）所有因子贡献率排序结果前5位的依次为坡度、侵蚀类型、地貌类型、粘粒含量、距道路距离，反映了黄土高原滑坡广泛发育、成因机制复杂的特征与地形地貌、水力侵蚀、土壤物理性质以及人类活动强度的联系极为密切.

参考文献

[1] Dou, J., Xiang, Z.L., Xu, Q., et al., 2023. Application and Development Trend of Machine Learning in Landslide Intelligent Disaster Prevention and Mitigation. Earth Science, 48(5): 1657-1674 (in Chinese with English abstract).

[2] Du, B., Zhao, Z.R., Hu, X., et al., 2021. Landslide Susceptibility Prediction Based on Image Semantic Segmentation. Computers & Geosciences, 155: 104860. https://doi.org/10.1016/j.cageo.2021.104860

[3] Fan, X. M., Fang, C. Y., Dai, L. X., et al., 2022. Near Real Time Prediction of Spatial Distribution Probability of Earthquake-Induced Landslides: Take the Lushan Earthquake on June 1, 2022 as an Example. Journal of Engineering Geology, 30(3): 729-739 (in Chinese with English abstract).

[4] Feng, L., Lin, H.S., Zhang, M.S., et al., 2019. Development and Evolution of Loess Vertical Joints on the Chinese Loess Plateau at Different Spatiotemporal Scales. Engineering Geology, 265:105372. https://doi.org/10.1016/j.enggeo.2019.105372

[5] Gao, D. H., Chen, Z. H., Guo, N., et al., 2017. The Influence of Dry Density and Matric Suction on the Deformation and the Strength Characteristics of the Remolded Unsaturated Loess Soils. Chinese Journal of Rock Mechanics and Engineering, 36(3): 736-744 (in Chinese with English abstract).

[6] González-Díez, A., Fernández-Maroto, G., Doughty, M.W., et al., 2014. Development of a Methodological Approach for the Accurate Measurement of Slope Changes Due to Landslides, Using Digital Photogrammetry. Landslides, 11: 615-628. https://doi.org/10.1007/s10346-013-0413-5

[7] Guo, F.Y., Meng, X.M., Li, Z.H., et al., 2015. Characteristics and Causes of Assembled Geo-Hazards Induced by the Rainstorm on 25th July 2013 in Tianshui City, Gansu, China. Mountain Research, 33(1):100-107 (in Chinese with English abstract).

[8] 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).

[9] Guzzetti, F., Ardizzone, F., Cardinali, M., et al., 2008. Distribution of Landslides in the Upper Tiber River Basin, Central Italy. Geomorphology, 96(1-2): 105-122. https://doi.org/10.1016/j.geomorph.2007.07.015

[10] Guzzetti, F., Mondini, A.C., Cardinali, M., et al., 2012: Landslide Inventory Maps: New Tools for an Old Problem. Earth-Science Reviews, 112(1-2): 42-66. https://doi.org/10.1016/j.earscirev.2012.02.001

[11] Hengl, T., MacMillan, R.A., 2019. Predictive Soil Mapping with R. Open GeoHub Foundation, Wageningen,1-370.

[12] Hou, R.N., Li, Z., Chen, N.S., et al., 2023. Modeling of Debris Flow Susceptibility Assessment in Tianshan Based on Watershed Unit and Stacking Ensemble Algorithm. Earth Science, 48(5): 1892-1907 (in Chinese with English abstract).

[13] Hu, W.L., Cheng, W.C., Wen, S.J., et al., 2021. Effects of Chemical Contamination on Microscale Structural Characteristics of Intact Loess and Resultant Macroscale Mechanical Properties. CATENA, 203:105361. https://doi.org/10.1016/j.catena.2021.105361

[14] Huang, F.M., Chen, B., Mao, D.X., et al., 2023. Landslide Susceptibility Prediction Modeling and Interpretability Based on Self-Screening Deep Learning Model. Earth Science, 48(5): 1696-1710 (in Chinese with English abstract).

[15] Huang, F.M., Li, J.F., Wang, J.Y., et al., 2022a. Modelling Rules of Landslide Susceptibility Prediction Considering the Suitability of Linear Environmental Factors and Different Machine Learning Models. Bulletin of Geological Science and Technology, 41(2):44-59 (in Chinese with English abstract).

[16] Huang, F.M., Shi, Y., Ouyang, W.P., et al., 2022b. Landslide Susceptibility Prediction Modeling Based on Weight of Evidence and Chi-Square Automatic Interactive Detection. Journal of Civil and Environmental Engineering, 44(5):16-28 (in Chinese with English abstract).

[17] Huang, F.M., Yin, K.L., Jiang, S.H., et al., 2018. Landslide Susceptibility Assessment Based on Clustering Analysis and Support Vector Machine. Chinese Journal of Rock Mechanics and Engineering, 37(1):156-167 (in Chinese with English abstract).

[18] Huang, F.M., Zhang, J., Zhou, C.B., et al., 2020. A Deep Learning Algorithm Using a Fully Connected Sparse Autoencoder Neural Network for Landslide Susceptibility Prediction. Landslides, 17(1): 217-229. https://doi.org/10.1007/s10346-019-01274-9

[19] Huang, R. Q., 2007. Large-Scale Landslides and Their Sliding Mechanisms in China since the 20th Century. Chinese Journal of Rock Mechanics and Engineering, 26(3): 433-454 (in Chinese with English abstract).

[20] Huang, X.W., 2019. Hazard and Risk Evaluation of Fatal Landslides in China and the Landslides on the Loess Plateau (Dissertation). Lanzhou University, Lanzhou, 8-9 (in Chinese with English abstract).

[21] Kong, J.X., Zhuang, J.Q., Peng, J.B., et al., 2021. Spatial and Temporal Distribution Characteristics and Risk Simulation of Loess Micro Geomorphic Disaster Chain in Laolang Gully, Lanzhou. Journal of Engineering Geology, 29(5):1401-1415 (in Chinese with English abstract).

[22] Kong, J.X., Zhuang, J.Q., Zhan, J.W., et al., 2021. A Landslide in Heifangtai, Northwest of the Chinese Loess Plateau: Triggered Factors, Movement Characteristics, and Failure Mechanism. Landslides, 18: 3407-3419. https://doi.org/10.1007/s10346-021-01752-z

[23] Leng, Y.Q., Peng, J.B., Wang, S., et al., 2020. Development of Water Sensitivity Index of Loess from Its Mechanical Properties. Engineering Geology, 280: 105918. https://doi.org/10.1016/j.enggeo.2020.105918

[24] 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, 46(10):3777-3795 (in Chinese with English abstract).

[25] Li, Y.R., Shi, W.H., Aydin, A., et al., 2019. Loess Genesis and Worldwide Distribution. Earth-Science Reviews, 201: 102947. https://doi.org/10.1016/j.earscirev.2019.102947

[26] Liu, K., Ye, W.J., Jing, H.J., et al., 2021. Microscopic Damage Identification and Macroscopic Mechanical Response of Loess in Seasonal Frozen Areas. Chinese Journal of Geotechnical Engineering, 43(S1):192-197 (in Chinese with English abstract).

[27] Ma, P.H., Peng, J.B., Zhuang, J.Q., et al., 2022. Initiation Mechanism of Loess Mudflows by Flume Experiments. Journal of Earth Science, 33(5): 1166-1178. https://doi.org/10.1007/s12583-022-1660-y

[28] Malamud, B.D., Turcotte, D.L., Guzzetti, F., et al., 2004. Landslide Inventories and Their Statistical Properties. Earth Surface Processes and Landforms, 29:687-711. https://doi.org/10.1002/esp.1064

[29] Merghadi, A., Yunus, A.P., Dou, J., et al., 2020. Machine Learning Methods for Landslide Susceptibility Studies: A Comparative Overview of Algorithm Performance. Earth-Science Reviews, 207:103255. https://doi.org/10.1016/j.earscirev.2020.103225

[30] Peng, J.B., Wang, S.K., Wang, Q.Y., et al., 2019. Distribution and Genetic Types of Loess Landslides in China. Journal of Asian Earth Sciences, 170: 329-350. https://doi.org/10.1016/j.jseaes.2018.11.015

[31] Peng, J. B., Wu, D., Duan, Z., et al., 2016. Disaster Characteristics and Destructive Mechanism of Typical Loess Landslide Cases Triggered by Human Engineering Activities. Journal of Southwest Jiaotong University, 51(5): 971-980 (in Chinese with English abstract).

[32] Qiu, H.J., Regmi, A.D., Cui, P., et al., 2016. Size Distribution of Loess Slides in Relation to Local Slope Height within Different Slope Morphologies. CATENA, 145: 155-163. https://doi.org/10.1016/j.catena.2016.06.005

[33] Reichenbach, P., Rossi, M., Malamud, B.D., et al., 2018. A Review of Statistically-Based Landslide Susceptibility Models. Earth-Science Reviews, 180:60-91. https://doi.org/10.1016/j.earscirev.2018.03.001

[34] Samia, J., Arnaud, T., Bregt, A., et al., 2017. Do Landslides Follow Landslides? Insights in Path Dependency from a Multi-Temporal Landslide Inventory. Landslides, 4: 547-558. https://doi.org/10.1007/s10346-016-0739-x

[35] Segoni, S., Pappafico, G., Luti, T., et al., 2020. Landslide Susceptibility Assessment in Complex Geological Settings: Sensitivity to Geological Information and Insights on Its Parameterization. Landslides, 17(10): 2443-2453.

[36] Tian, S.J., Zhang, S.S., Tang, Q.S., et al., 2019. Comparative Study of Landslide Susceptibility Assessment Based on Different Evaluation Units. Journal of Natural Disasters, 28(6): 137-145 (in Chinese with English abstract).

[37] Tu, X.B., Kwong, A.K.L., Dai, F.C., et al., 2009. Field Monitoring of Rainfall Infiltration in a Loess Slope and Analysis of Failure Mechanism of Rainfall-Induced Landslides. Engineering Geology, 105(1-2): 134-150. https://doi.org/10.1016/j.enggeo.2008.11.011

[38] Wang, J.D., Gu, T.F., Zhang, M.S., et al., 2019a. Experimental Study of Loess Disintegration Characteristics. Earth Surface Processes and Landforms, 44(6):1317-1329. https://doi.org/10.1002/esp.4575

[39] Wang, Y., Fang, Z. C., Hong, H. Y., 2019b. Comparison of Convolutional Neural Networks for Landslide Susceptibility Mapping in Yanshan County, China. The Science of the Total Environment, 666: 975-993. https://doi.org/10.1016/j.scitotenv.2019.02.263

[40] Wang, S.B., Zhuang, J.Q., Zheng, J., et al., 2021. Landslide Susceptibility Evaluation Based on Deep Learning along Kangding-Litang Section of Sichuan-Tibet Railway. Journal of Engineering Geology, 30(8): 909-918 (in Chinese with English abstract).

[41] Wang, Y., Fang, Z.C., Niu, R.Q., et al., 2021. Landslide Susceptibility Analysis Based on Deep Learning. Journal of Geo-Information Science, 23(12): 2244-2260 (in Chinese with English abstract).

[42] 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).

[43] Wu, X. L., Yang, J. Y., Niu, R. Q., 2020. A Landslide Susceptibility Assessment Method Using SMOTE and Convolutional Neural Network. Geomatics and Information Science of Wuhan University, 45(8): 1223-1232 (in Chinese with English abstract).

[44] Xu, C., Dai, F.C., Yao, X., et al., 2010. GIS Platform and Certainty Factor Analysis Method Based Wenchuan Earthquake-Induced Landslide Susceptibility Evaluation. Journal of Engineering Geology, 18(1):15-26 (in Chinese with English abstract).

[45] Xu, S.H., Liu, J.P., Wang, X.H., et al., 2020. Landslide Susceptibility Assessment Method Incorporating Index of Entropy Based on Support Vector Machine: A Case Study of Shaanxi Province. Geomatics and Information Science of Wuhan University, 45(8):1214-1222 (in Chinese with English abstract).

[46] Xu, Y.R., Allen, M.B., Zhang, W.H., et al., 2020. Landslide Characteristics in the Loess Plateau, Northern China. Geomorphology, 359: 107150. https://doi.org/10.1016/j.geomorph.2020.107150

[47] Yang, Q., Wang, G.F., Ding, W.C., et al., 2021. Susceptibility and Accuracy Evaluation of Regional Landsldie Based on Multiple Hybrid Models. Journal of Natural Disasters, 30(2):36-51 (in Chinese with English abstract).

[48] Zhang, H.J., Song, Y.X., Xu, S.L., et al., 2021. Combining a Class-Weighted Algorithm and Machine Learning Models in Landslide Susceptibility Mapping: A Case Study of Wanzhou Section of the Three Gorges Reservoir, China. Computers & Geosciences, 158: 104966. https://doi.org/10.1016/j.cageo.2021.104966

[49] Zhang, M.S., Li, T.L., 2011. Triggering Factors and Forming Mechanism of Loess Landslides. Journal of Engineering Geology, 19(4): 530-540 (in Chinese with English abstract).

[50] Zhang, W.G., He, Y.W., Wang, L.Q., et al., 2023. Machine Learning Solution for Landslide Susceptibility Based on Hydrographic Division: A Case Study of Fengjie County in Chongqing. Earth Science, 48(5): 2024-2038 (in Chinese with English abstract).

[51] Zhang, X.C., Pei, X.J., Zhang, M.S., et al., 2018. Experimental Study on Mechanism of Flow Slide of Loess Landslides Triggered by Strong Earthquake: A Case Study in Dangjiacha, Ningxia Province. Journal of Engineering Geology, 26(5): 1219-1226 (in Chinese with English abstract).

[52] Zhang, Z.H., 1981. Regional Geological and Morphological Characteristics and Development of Soil Erosion in the Loess Plateau, China. Acta Geologica Sinica, (4): 308-320, 326 (in Chinese with English abstract).

[53] Zhou, C., Yin, K. L., Cao, Y., et al., 2020. Landslide Susceptibility Assessment by Applying the Coupling Method of Radial Basis Neural Network and Adaboost: A Case Study from the Three Gorges Reservoir Area. Earth Science, 45(6): 1865-1876 (in Chinese with English abstract).

[54] Zhou, P., Deng, H., Zhang, W.J., et al., 2022. Landslide Susceptibility Evaluation Based on Information Value Model and Machine Learning Method: A Case Study of Lixian County, Sichuan Province. Scientia Geographica Sinica, 42(9):1665-1675 (in Chinese with English abstract).

[55] Zhuang, J.Q., Cui, P., Ge, Y.G., et al., 2010. Risk Assessment of Collapses and Landslides Caused by 5.12 Wenchuan Earthquake—A Case Study of Dujiangyan-Wenchuan Highway. Chinese Journal of Rock Mechanics and Engineering, 29(S2):3735-3742 (in Chinese with English abstract).

[56] Zhuang, J.Q., Peng, J.B., Wang, G.H., et al., 2018. Distribution and Characteristics of Landslide in Loess Plateau: A Case Study in Shaanxi Province. Engineering Geology, 236: 89-96. https://doi.org/10.1016/j.enggeo.2017.03.001

[57] Zhuang, J.Q., Peng, J.B., Zhu, Y., 2020. Study of the Effects of Clay Content on Loess Slope Failure Mode and Loess Strength. Bulletin of Engineering Geology and the Environment, 80: 1999-2009. https://doi.org/10.1007/s10064-020-02055-8

[58] Zou, Q., Jiang, H., Cui, P., et al., 2021. A New Approach to Assess Landslide Susceptibility Based on Slope Failure Mechanisms. CATENA, 204: 105388. https://doi.org/10.1016/j.catena.2021.105388

[59] 窦杰, 向子林, 许强, 等, 2023. 机器学习在滑坡智能防灾减灾中的应用与发展趋势. 地球科学,48(5): 1657-1674.

[60] 范宣梅, 方成勇, 戴岚欣, 等, 2022. 地震诱发滑坡空间分布概率近实时预测研究: 以2022年6月1日四川芦山地震为例. 工程地质学报, 30(3): 729-739.

[61] 高登辉, 陈正汉, 郭楠, 等, 2017. 干密度和基质吸力对重塑非饱和黄土变形与强度特性的影响. 岩石力学与工程学报, 36(3): 736-744.

[62] 郭富赟, 孟兴民, 黎志恒, 等, 2015. 天水市“7·25”群发性地质灾害特征及成因. 山地学报, 33(1):100-107.

[63] 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.

[64] 侯儒宁, 李志, 陈宁生, 等, 2023. 基于流域单元和堆叠集成模型的天山地区泥石流易发性评估建模. 地球科学,48(5): 1892-1907.

[65] 黄发明, 陈彬,毛达雄, 等, 2023. 基于自筛选深度学习的滑坡易发性预测建模及其可解释性. 地球科学,48(5): 1696-1710.

[66] 黄发明, 李金凤, 王俊宇, 等, 2022a. 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律. 地质科技通报, 41(2):44-59.

[67] 黄发明, 石雨, 欧阳慰平, 等, 2022b. 基于证据权和卡方自动交互检测决策树的滑坡易发性预测. 土木与环境工程学报(中英文), 44(5):16-28.

[68] 黄发明, 殷坤龙, 蒋水华, 等, 2018. 基于聚类分析和支持向量机的滑坡易发性评价. 岩石力学与工程学报, 37(1):156-167.

[69] 黄润秋, 2007.20世纪以来中国的大型滑坡及其发生机制. 岩石力学与工程学报, 26(3): 433-454.

[70] 黄晓维, 2019. 中国致命性滑坡和黄土高原滑坡的灾害与风险评价（硕士学位论文）. 兰州: 兰州大学, 8-9.

[71] 孔嘉旭, 庄建琦, 彭建兵, 等, 2021. 兰州老狼沟黄土微地貌灾害链时空分布特征与危险性模拟研究. 工程地质学报, 29(5):1401-1415.

[72] 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, 46(10):3777-3795.

[73] 刘宽, 叶万军, 景宏君, 等, 2021. 季冻区黄土微观损伤识别与宏观力学响应研究. 岩土工程学报, 43(S1):192-197.

[74] 彭建兵, 吴迪, 段钊, 等, 2016. 典型人类工程活动诱发黄土滑坡灾害特征与致灾机理. 西南交通大学学报, 51(5): 971-980.

[75] 田述军, 张珊珊, 唐青松, 等, 2019. 基于不同评价单元的滑坡易发性评价对比研究. 自然灾害学报, 28(6):137-145.

[76] 王世宝, 庄建琦, 郑佳, 等, 2021. 基于深度学习的川藏铁路康定——理塘段滑坡易发性评价. 工程地质学报, 30(8):909-918.

[77] 王毅, 方志策, 牛瑞卿, 等, 2021. 基于深度学习的滑坡灾害易发性分析. 地球信息科学学报, 23(12):2244-2260.

[78] 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.

[79] 武雪玲, 杨经宇, 牛瑞卿, 2020. 一种结合SMOTE和卷积神经网络的滑坡易发性评价方法. 武汉大学学报(信息科学版), 45(8): 1223-1232.

[80] 许冲, 戴福初, 姚鑫, 等, 2010. 基于GIS与确定性系数分析方法的汶川地震滑坡易发性评价.工程地质学报, 18(1):15-26.

[81] 徐胜华, 刘纪平, 王想红, 等, 2020. 熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例. 武汉大学学报(信息科学版), 45(8):1214-1222.

[82] 杨强, 王高峰, 丁伟翠,等, 2021. 多种组合模型的区域滑坡易发性及精度评价. 自然灾害学报, 30(2):36-51.

[83] 张茂省, 李同录, 2011. 黄土滑坡诱发因素及其形成机理研究. 工程地质学报, 19(4): 530-540.

[84] 仉文岗, 何昱苇, 王鲁琦, 等, 2023. 基于水系分区的滑坡易发性机器学习分析方法——以重庆市奉节县为例. 地球科学,48(5): 2024-2038.

[85] 张晓超, 裴向军, 张茂省, 等, 2018. 强震触发黄土滑坡流滑机理的试验研究——以宁夏党家岔滑坡为例. 工程地质学报, 26(5):1219-1226.

[86] 张宗祜, 1981. 我国黄土高原区域地质地貌特征及现代侵蚀作用. 地质学报, (4):308-320, 326.

[87] 周超, 殷坤龙, 曹颖, 等, 2020. 基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价. 地球科学, 45(6): 1865-1876.

[88] 周萍, 邓辉, 张文江, 等, 2022. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例. 地理科学, 42(9):1665-1675.

[89] 庄建琦, 崔鹏, 葛永刚, 等, 2010.“5·12”汶川地震崩塌滑坡危险性评价——以都汶公路沿线为例. 岩石力学与工程学报, 29(S2):3735-3742.

基金资助

国家自然科学基金项目(42090053;41922054;4217071137)

中央高校基本科研业务费专项资金项目——长安大学优秀博士学位论文培育资助项目(CHD300102262713)