基于知识图谱的滑坡易发性评价文献综述及研究进展

Literature Review and Research Progress of Landslide Susceptibility Mapping Based on Knowledge Graph

摘要

滑坡易发性评价是滑坡风险评估的基础和核心内容，开展滑坡易发性文献计量分析可以定量化地分析其研究进展及发展趋势，为国内开展地灾风险评估工作提供参考.利用Web of Science和CNKI数据库，基于CiteSpace可视化知识图谱分析工具对1985-2022年已发表的滑坡易发性文献进行计量分析，并对摘要部分进行了LDA分析，来细分该领域内的研究.结果表明：（1）滑坡易发性评价仍然是当前的研究热点，中国是滑坡易发性研究较为活跃的国家且国际间合作较多；（2）滑坡易发性领域发文量前10的作者中4位来自中国，中国科学院成为发文最多的机构，接收易发性评价类文章最多的中英文期刊分别是《中国地质灾害与防治学报》和《Natural Hazard》，中国国家自然科学基金和国土资源大调查项目大力资助了滑坡易发性课题的研究；（3）近5年来，机器学习模型（包括深度学习等）在滑坡易发性的应用快速增长，已成为最热门的研究方法；（4）为了实现滑坡易发性建模的精简化和智能化，并进一步提高滑坡易发性评价结果的精度和实用性，滑坡易发性在滑坡编目、指标体系、评价单元、评价模型、联接方法和精度评价等方面还需开展深入探索.

关键词

滑坡易发性 / CiteSpace / 知识图谱 / 计量分析 / LDA主题模型 / 灾害 / 工程地质

Key words

landslide susceptibility / CiteSpace / knowledge graph / bibliometric analysis / Latent Dirichlet Allocation model / hazards / engineering geology

0 引言

全球自然灾害频繁发生，对人类生命安全和经济发展产生极大威胁，防灾减灾是人类生存发展的永恒课题（Tang et al.，2015）.滑坡作为自然灾害中分布最广、发生最频繁的灾种越来越受到重视.我国幅员辽阔，地质构造复杂，地质环境脆弱，滑坡灾害频发，是世界上受滑坡灾害影响最严重的国家之一.自1980年代以来，我国先后在全国有计划地开展了大江大河和重要交通干线沿线地质灾害专项调查工作、以地质灾害为主的省（自治区、直辖市）环境地质调查（1∶500 000）、全国山地丘陵区的县（市）地质灾害调查与区划（1∶ 100 000）、全国高易发区地质灾害详细调查（1∶ 50 000）、重点城镇地质灾害调查与风险评价（1∶10 000）等地质调查项目（张茂省等，2019）.这些地质调查项目较多是以易发性为基础开展的，可见易发性评价作为防灾减灾有效途径的重要性.

滑坡易发性的概念最早于20世纪60年代由Valiant提出.Brabb（1985）借助滑坡地形地质图，开展滑坡易发性区划，在90年代迅速流行.2008年，Fell et al.（2008）在Engineering Geology上发表了《Guidelines for Landslide Susceptibility， Hazard， and Risk Zoning for Land-use Planning》，指出滑坡易发性是一个地区基础环境条件所判定的发生滑坡的空间概率，即“什么地方易发生滑坡”，是对某一地区现存或潜在滑坡的类型、面积（或体积）和空间分布及易发程度的定量评价，从而形成了可供参考的国际版滑坡易发性的技术指南，至此滑坡易发性评价被广泛关注，成为国际上倡导和推广的防灾减灾有效途径之一.通过Web of Science和CNKI数据库检索（1985-2022年），关于滑坡易发性的文献约5 000余篇.如何从这些海量数据中梳理滑坡易发性的难点及发展趋势，从而更好地指导滑坡易发性评价乃至风险评估工作，同时也为学科交叉发展融合提供参考，是一项重要而紧迫的工作，而知识图谱的出现为解决这一问题提供了一种新思路.

知识图谱起源于1960年代的语义网络，随着互联网及开放链接数据的发展，Google于2012年提出知识图谱的概念，从而基于知识图谱的文献计量分析方兴未艾（杜志强等，2020）.它已成为迅速掌握一个领域发展特点、趋势、前沿的有效工具，被广泛应用于不同学科领域的研究进展.在滑坡易发性方面，亦有较多学者开展文献计量分析，如Chen et al.（2022）基于Web of Science数据库，利用CiteSpace软件，对1985-2020年发表的滑坡易发性文献进行了回顾；Huang et al.（2022）基于Web of Science数据库，利用VOSviewer软件，对1982-2021年发表的关于滑坡主题的20 888篇论文进行了梳理，指出滑坡风险评估是3个频率最高的主题之一；刘婷等（2021）基于Web of Science数据库，利用CiteSpace软件，对1999-2021年发表的滑坡易发性文献进行了产出和研究热点的分析；Lee（2019）基于Web of Science数据库（1999-2018年），对滑坡易发性的评价指标及评价模型进行了归纳分析；Pourghasemi et al.（2018）、Reichenbach et al.（2018）、Huang et al.（2020a）、黄发明等（2020，2023）、Merghadi et al.（2020）、李文彬等（2021）、Calderón-Guevara et al.（2022）、Lima et al. （2022）对滑坡易发性评价模型（包括机器学习、深度学习）及其不确定性进行了归纳总结.上述这些文献计量分析主要针对Web of Science数据库展开，对于中国知网（CNKI）收录的中文文献分析较少.部分中文文献多数由参与“山地丘陵区地质灾害调查工程”（铁永波等，2020）的技术人员撰写，这些经验的总结，对于指导当前我国滑坡易发性评价的实践，大力提升我国地质灾害防治能力，将发挥重要作用.因此，本文拟结合我国滑坡易发性的实践，开展滑坡易发性评价的国内外文献计量分析.

本文利用可视化知识图谱分析工具CiteSpace软件，对1985-2022年全球滑坡易发性文献进行计量分析，分析目前滑坡易发性的研究现状及发展趋势，以期为我国开展地质灾害风险早期识别提供一定参考，也可以为承担“山地丘陵区地质灾害调查工程”的不同团队之间交流合作提供参考.

1 研究方法

文献计量分析基于数学、统计学、文献情报学，对文献的发表年份、作者、机构、国家/地区、期刊、关键词等信息进行被引文献网络以及施引文献主题词共词网络的定量分析，得到一个由这个网络共同构成的共被引与共词混合网络图谱，从而可以准确展现某学科知识领域的关键被引文献以及由施引文献主题词所表达的学科重要研究领域或其前沿趋势，为未来的研究方向提供参考.

1.1　基于知识图谱的文献综述

基于知识图谱的文献综述，首先利用学术数据库搜索主题词，通过提取相关的标题、关键词和摘要等信息，进行共词分析并绘制成关键词共现知识图谱，以得到研究热点领域；其次，进行突变词检测算法运算，探寻研究主题的关键词激增变化率并生成高强度突变率的关键词排序表，最终获得相关研究的前沿趋势.其方法主要包括4个阶段：①数据检索标准；②数据的分析处理；③结果的分析与解释；④根据相关图表并结合领域特点分析主题词的现状与未来发展方向.

1.2　文献选择

Web of Science数据库是进行英文文献计量分析数据最全和最值得依赖的数据库，包含超过12 000个高影响力和高质量的学术期刊（郭静芸和关静，2018）；CNKI数据库是世界上最大的动态更新的中国期刊全文数据库，收录国内 8 580余种重要期刊，是国内最权威的数据库.

（1）英文文献选择. ① 选择Web of Science中的核心合集数据库（Science Citation Index Expanded），点击高级检索，在All Fields中输入landslide susceptibility，在Language中输入English，则在Query Preview中显示（ALL=（Landslide susceptibility） AND LA=（English）），在Publication Date中输入1985-01-01 to 2022-09-30；② 点击Search，则显示5 191条关于滑坡易发性的文献记录（检索内容在2022年10月7日完成），对所选出的文献进行人工标记；③ 文献记录内容选择Full Record and Cited References以Tab delimited file导出，这样就可以将作者、研究机构、发文国家、发文量、发文期刊等内容进行分析，并使用CiteSpace软件对高频关键词、国家、研究机构、作者之间的关系进行直观展示.

（2）中文文献选择. ① 选择CNKI学术期刊和学位论文数据库，点击高级搜索，在主题中分别输入“滑坡”和“易发性”，逻辑运算AND，发表时间选择1985-01-01至2022-09-30，检索后结果显示有786条文献记录（检索内容在2022年10月7日完成），对所选出的文献进行人工标记；② 将标记的文献以Refworks格式导出，做相应调整后导入到CiteSpace软件中，对高频关键词、国家、研究机构、作者分别设置分析的起始数量，将其之间的关系进行分析并直观展示.

2 文献统计结果分析

为了得到较为全面的滑坡易发性相关文献信息，本文数据采用Web of Science中的核心合集数据库和CNKI数据库.按照上述检索策略共检索过去32年（1990-2022年）间与滑坡易发性有关的文献共5 950篇，其中英文5 191篇，中文759篇，并从发文趋势、作者、期刊、国家/地区、机构、资助基金/机构等方面进行分析.

2.1　滑坡易发性发文趋势分析

根据研究数据，绘制了国内外滑坡易发性研究领域的发文数量（图1）.WOS和CNKI数据库中早期的研究论文较少，但论文的数量却在近十多年间急剧增多.滑坡易发性年发文量在两个数据库中分别从1999年的4篇、0篇增加到了2021年718篇、153篇.自2013年以来，WOS数据库中滑坡易发性年发文量占滑坡年发文量的15%以上，2021年甚至达到22%.可见，越来越多的学者开始认识到滑坡易发性的重要性，同时也说明滑坡易发性是滑坡领域的一个重要研究方向.通过国内外发文数量对比，发现国内滑坡易发性的文章明显少于国外.这是由于较多国内学者的文章发表在外文期刊上，在WOS数据库中我国是该研究方向发文最多的国家.总而言之，关于易发性研究的文章自出现以来一直呈增长趋势，说明易发性研究的热度一直在增加.

2.2　滑坡易发性发文作者分析

表1统计了前10名高产作者的文章数据，统计的发文数量包含作者以通讯作者、第一作者或者其他作者发表的文献.在WOS数据库中，来自马来西亚的研究人员Pradhan B是发文量最多的作者，发表了186篇关于滑坡易发性的文章，同时在平均被引次数方面也是第一.利用CiteSpace软件给出了作者分布的图谱，图中每个节点代表一位作者，节点越大代表发文数量越多，节点颜色越暖代表文献越新，两节点间的连线代表这两个节点所对应的作者曾在同一篇文献中进行过合作，其颜色越暖代表合作发表的文献越新，反之亦然.下面期刊及关键词的图谱类同.从图2可以看出，Pradhan B、Lee S、Pourghasemi HR三位学者节点较大，且颜色主要为暖色，说明三位学者近几年在积极开展滑坡易发性研究.在CNKI数据库中，南昌大学的黄发明是发文量最多的学者，一共发表了17篇关于滑坡易发性的文章，其次是牛瑞卿和殷坤龙等学者.值得注意的是，学者黄发明的节点颜色更暖、节点更大（图3），说明其在近几年研究滑坡易发性较多.

2.3　滑坡易发性发文国家/地区、机构分析

对文献进一步分析显示，发文数量前10名的研究机构如表2所示，机构之间的合作关系如图4和图5所示.在WOS数据库中，中国和伊朗的研究机构分别有3个和2个；就论文发表数量而言，中国科学院位居榜首.在CNKI数据库中，中国地质大学（武汉）发表的论文数量最多，其次是成都理工大学、中国地质大学（北京）和长安大学.

为了了解滑坡易发性研究在全球范围内的分布情况，我们从WOS数据库中提取国家/地区信息，共有139个国家/地区.根据发表文献的数量，用自然间断点法将所有国家/地区分为6个等级，再由ArcGIS软件制作出图6，该图显示了不同国家/地区发表滑坡易发性文献的情况.从图6可以发现，发表文献主要来自于亚洲、欧洲和北美，尤其是中国、意大利、伊朗、美国和印度，而非洲和南美洲发表的文献较少.

2.4　滑坡易发性发文期刊分析

表3列出了发文量排名前10的期刊的统计信息.在WOS数据库中，Natural Hazards、Landslides和Geomorphology分别发表了303篇、284篇和247篇滑坡易发性文章.值得注意的是，Computers & Geosciences的平均被引次数最高，说明该期刊的滑坡易发性文献受到许多研究者的青睐.在CNKI数据库中，中国地质灾害与防治学报、科学技术与工程、工程地质学报分别发表了28篇、19篇和15篇.

2.5　滑坡易发性资助基金/机构分析

在WOS数据库中，中国国家自然科学基金委员会（National Natural Science Foundation of China， NSFC）资助发表的滑坡易发性文章最多（625篇），是第二名欧盟委员会（108篇）的5.8倍，这一成绩与中国政府对科研的大力投入有关.表4是国家自然科学基金委和国家自然科学基金委地球科学部的年度资助数据，这些数据收集自国家自然科学基金委官方网站、官方报告以及相关论文.在CNKI数据库中，国家自然科学基金资助的论文最多，共资助了182篇论文.值得注意的是，国土资源大调查项目共资助了72篇论文，排名第二.

2.6　滑坡易发性发文关键词分析

由于CNKI数据库中与滑坡易发性相关的文献较少，关键词聚类的结果不佳，这里仅以WOS数据库进行分析.在WOS数据库中，关键词被分为8个类别/集群（图7），包括机器学习、滑坡、GIS、频率比、滑坡数据库、地震、浅层滑坡和遥感，文章的关键词会归类于8个集群中的一个.每个关键词集群都有一条横线，以展示关键词随年份的变化.需要说明的是，由于中文文献数量较少，这里主要分析了英文文献的关键词，实线表示该集群在该时间段内很活跃，而虚线则表示该集群在该时间段内不够流行.例如，第一行中的“机器学习”集群从2002年开始流行起来.对关键词聚类结果进行分析，得到的结果如下：

（1）与机器学习技术相关的关键词包含决策树、支持向量机、深度学习、随机森林等.关键词集群“机器学习”的实线一直延续到现在，在实线上，近几年里出现了一些气泡，这些圆圈表示在特定年份上该集群较活跃，说明机器学习一直流行至今.与传统统计模型相比，机器学习的实现过程更简单，成本更低，预测结果更准确，这使得它广受研究者的青睐.

（2）“GIS”集群中关键词数量多，气泡大，这是因为GIS是滑坡易发性评价的必要工具，在很多文献中都会出现.

（3）频率比是一种模型评价方法，也可以用来筛选滑坡易发性评价因子，所以它在很长一段时间内具有很高的使用频率.

（4）“滑坡数据库”集群的出现是因为滑坡数据库的建立可以帮助我们了解滑坡、泥石流和火山的分布.此外，另一个关键词集群“地震”也因其严重的破坏性和容易引发滑坡等次生灾害而出现.

（5）从图7中可以发现，关键词“降雨引起的“滑坡”和“风化”属于“浅层滑坡”集群，这是因为浅层滑坡受降雨和风化作用的影响很大.

（6）随着分辨率的提高，遥感技术已被应用于滑坡解译和获取滑坡易发性评价因子（如高程）.然而，自2017年以来，这项技术出现的次数有所减少，可能是因为各地的滑坡数据库逐渐完善，而且用遥感技术解译滑坡需要花费很长的时间.

从图7可以看出，滑坡易发性模型是重要的关键词.因此，我们提取了与模型相关的关键词，提取结果如图8所示.由图8可知，2018年以来，机器学习的发展非常迅速，机器学习模型包括逻辑回归、随机森林、支持向量机和决策树等.逻辑回归模型的研究数量较多于支持向量机和决策树，而随机森林模型近年来增长迅速.模糊逻辑模型、层次分析法和人工神经网络从滑坡易发性研究的早期阶段就开始使用，但近年来都呈现出明显的下降趋势.

2.7　基于LDA的文献分类分析

由2.5节关键词分析可知，关键词分类的效果不是很好，因为它只有八个类别，并且其中的“滑坡”集群意义不大.因此，通过关键词很难进一步地分析和探索.为了进一步细分滑坡易发性文献，了解领域内的研究分布和研究热点，采用LDA方法对所有文章的摘要进行分析.每个主题的特征词数量被设定为10个，本研究中的主题分类数量设置为20.

表5显示了每个主题的特征术语表，20个主题的命名结果，以及每个主题的论文数量.表中排名前十的主题是“易发性评价因子”、“机器学习”、“易发性区划”、“易发性模型”、“区域易发性”、“易损性评价”、“滑坡数据库”、“滑坡早期预警”、“遥感”和“浅层滑坡”. 图9进一步显示了包含文献数量前10的主题的发展趋势，这些主题每年的发文量普遍随着时间的推移而增加，增长速度比较稳定，但尤为明显的是“机器学习”主题的发文量自2018年以来增长迅速.2019年，机器学习相关的论文数量超过了其他主题，到2021年，机器学习的论文数量远远超过了其他主题，说明机器学习已经成为当前滑坡易发性评价领域的研究热点.

图10对不同主题之间的关系进行了网络可视化，可以直观地突出主题的重要程度和不同主题之间的联系.在图10中，每个主题的气泡大小和主题名称的标签大小表征每个主题的文章数量，主题之间的紧密程度由连接线的宽度表示.从图10可以看出，“评价因子”、“易发性区划”、“易发性模型”、“区域易发性”和“机器学习”是比较热门的主题，“机器学习”和“评价因子”的关系最为密切.之所以“机器学习”和“评价因子”关系密切，是因为在机器学习的研究过程中，易发性评价因子是机器学习模型训练的必要条件.由于易发性评价因子、易发性区划和易发性模型都是滑坡易发性评价过程的重要组成部分，它们通常一起出现，因此这3个主题之间存在着密切联系.

3 滑坡易发性研究进展及趋势

基于上述文献计量分析，滑坡易发性仍是目前研究的热点问题.为揭示滑坡易发性研究的特点和发展动向，根据上述分析结果，结合我国目前实施的城镇地质灾害调查与风险评价项目，对滑坡易发性现状、发展趋势进行归纳总结，为我国后续开展滑坡等地质灾害易发性评价提供参考.

3.1　滑坡易发性研究现状及存在问题

滑坡易发性评价是在斜坡自身的各类基础环境因子非线性综合作用下，特定地点处斜坡演化为滑坡的空间概率，其主要内容主要包括滑坡数据编目、指标体系构建、评价单元划分、评价模型选取、联接方法应用及评价结果精度评价等方面.

3.1.1　滑坡编目统计

滑坡编目是指对某一地区滑坡特征信息梳理并形成数据库，其完整性直接关系到灾害评价结果的准确性.从国内外文献资料来看，意大利、美国、日本、奥地利和中国香港地区有专门机构负责滑坡编录数据库的建设、维护与更新，多数国家和地区在该方面研究程度并不高，甚至并未开展相关工作（Chen et al.， 2022）.我国在滑坡编目方面的研究起步较晚，近几年来，由于流域开发而开展的流域灾害调查、汶川地震诱发滑坡等灾害调查、山地丘陵大比例尺地质灾害调查与评价等项目，在一定程度上推动了滑坡编目的发展.

随着3S技术的迅猛发展及多学科交叉融合，形成了多层次立体观测（天-空-地一体化）、多技术综合应用（光学遥感、三维摄影测量、合成孔径雷达、激光雷达等）、多时序持续监测的滑坡早期识别体系（许强等，2019；张勤等，2022），这对于完善滑坡编目起到至关重要的作用.

较多学者开始关注到滑坡编目对易发性预测不确定性的影响，如黄发明等（2021a）指出用准确滑坡边界开展易发性评价可更有效保证建模精度和可靠性，而在缺乏滑坡边界时可以点和缓冲圆为滑坡边界作为替代方案；田媛等（2022）指出采用滑坡面数据开展易发性评价的精度要明显优于滑坡点数据.滑坡编目的完整程度对滑坡易发性结果亦会产生影响.滑坡编目不足，则在开展易发性评价选取滑坡样本和非滑坡样本时存在困难，从而影响结果精度（黄发明等，2021b；Lima et al.，2021），因此在根据滑坡编目数据库选取滑坡样本时，也需要注意这一问题.Robinson et al.（2017）基于滑坡具有较广的空间分布假设，利用模糊逻辑，证明了传统经验方法仅使用一部分滑坡样本即可满足建模的需要.Lee et al.（2018）提出了基于滑坡编目数据不足条件下滑坡易发性建模的支持向量机模型.Du et al.（2020）提出了一种综合应用遥感解译、启发式模型和多项式统计模型的方法，以弥补滑坡样本的缺失和不确定性，对于提高易发性评价性能效果较好.因此，滑坡编目数据（如滑坡边界、样本等）信息准确与否，对滑坡易发性评价结果亦有较大影响，在开展滑坡编目工作时，对滑坡信息统计应全面而准确.

3.1.2　指标体系构建

目前，指标体系（部分文献称为环境因子或条件因子）构建并无标准或规范可依，较多学者根据前人研究的经验，总结出一系列原则，如系统性、主次性、地域差异性、简明性、可操作性等.基于这些原则，根据当地的滑坡发育与分布特征，结合前人研究的经验，采用工程类比法确定（叶润青等，2021）.一般主要包括地形地貌、气象水文、地质条件、土地利用、植被条件等一级指标，继而再细分二级指标.

目前，在构建指标体系时，首先根据上述原则确定所选的指标后，然后对各个指标进行多重共线处理（Lombardo andMai，2018），再对各个指标进行筛选以剔除贡献较小的指标.指标筛选的方法包括层次分析法（李萍等，2021）、主成分法（连志鹏等，2020）、地理探测器（Luo and Liu，2018；刘婷等，2021）等，当然也有学者指出这些方法确定滑坡主控因子具有不确定性（Chang et al.，2021， 2023；黄发明等，2022a），提出权重均值法，即通过对不同机器学习计算出的滑坡主控指标赋予权重，再求取平均值以降低各模型计算指标贡献度的差异.当然，也有学者发现指标筛选并不能大幅提高滑坡易发性预测精度，甚至因为有效信息丢失而导致精度下降.如Sun et al. （2021）采用递归特征法消除四川奉节县22个指标中的多余指标，将得到的13种指标导入随机森林模型中预测滑坡易发性，结果其总体AUC精度仅提高了0.9%；Pham et al.（2021）采用卡方和逆向特征消除法去除17个指标中的冗余信息并导入神经网络中预测易发性，结果显示其AUC精度仅提高1.3%；Lucchese et al.（2020）分别将11个原始指标、去相关的指标及其主成分分析结果导入神经网络中预测滑坡易发性，结果显示去相关性和主成分分析忽略了指标中的有效信息而导致精度下降.

对于滑坡易发性评价出现的线性指标，如断层、水系、道路等，较多的做法是利用缓冲区来处理，然而这种处理得到的离散型输入变量，通常将各样本点间的属性差别同等对待，带有随机波动性而且不能显示出点要素或线要素较为集中的地方，也会对距离其远或近的边坡都产生影响，使得滑坡易发性结果的可解释性较差且指标的适宜性较低，增加了易发性预测的不确定性（Dou et al.，2019a）.而利用空间密度来考虑线性指标，不仅能够规避离散型变量带来的误差，更可赋予水系等线性指标更明确的物理意义（黄发明等，2022b）.对于不同评价指标（特别是连续型指标）不同属性区间划分对易发性评价结果精度亦有影响（黄发明等，2020），在指标属性区间划分时需要考虑，目前采用的重分类方法主要为自然断点法、几何间隔法、频率分析法等.

通过国内外文献亦可看出，易发性评价指标选择的变化，即由最初将降雨、地震等外界诱发因子作为评价指标到现在仅考虑滑坡自身环境因子作为评价指标，这也表明学者对于易发性的本质有了更深刻的认识.当然，因指标体系构建存在较多不确定性，如指标的选取、优化组合、有效表征指标等问题，对滑坡易发性评价结果存在一定影响，因此，在这些方面还有待更深入的研究.

3.1.3　评价单元选取

评价单元的选取直接决定了评价的空间尺度，也会影响评价结果的计算速度及精度.评价单元的是各类地质灾害信息的载体，是地质灾害运算分析时的最小单元，其选取的依据很大程度上受地质灾害的空间尺度、评价范围和资料详细程度的影响.常见的地质灾害评价单元的划分有以下四种方法：①采用如正方形、长方形、六边形等大小相同且形状规则的网格；②将各种影响因素的图层相互叠加，自动生成不规则的网格单元；③采用单个斜坡或其他地形地貌单元；④对于整个评价区域采用次级行政区划单元.根据以上划分原则，国内外学者近些年来不断完善和形成了以下几种地质灾害易发性制图的评价单元：栅格单元（李军和周成虎，2003）、地貌单元（许国庆和周宇，2017）、斜坡单元（黄启乐等，2017）、流域单元（杨城，2016）、地形单元、均一条件单元（兰恒星等，2002）、行政单元、面向对象单元（艾力等，2020），本文总结了它们各自的优缺点和适用性（表6）.目前的滑坡易发性评价文献主要集中在栅格单元和斜坡单元（王凯等，2020），这里主要论述这两种单元.

栅格单元是将整个区域按照大小相同的四边形栅格化分为基本的绘图单元，接着对每一栅格分配一个值，以此表征不同图层（如地形、地质等）（Cama et al.，2016），是使用最广泛的单元，然而，栅格单元与地质环境的联系不强，会使评价结果产生误差（Chiessi et al.，2016）.栅格单元的大小即不同分辨率会直接影响各环境因子不同子区间的栅格数量，影响模型中环境因子权重以及构建模型所需要的滑坡‒非滑坡样本量（Shirzadi et al.，2019）.各环境因子描述滑坡属性值的最合适空间分辨率是不同的（Zhao et al.，2019；Lima et al.， 2021），高空间分辨率栅格单元并一定得到较高精度的评价结果（Cama et al.，2016），因此，在使用栅格单元时，需要考虑栅格单元空间分辨率对滑坡易发性的影响.

斜坡单元是滑坡灾害发育的基本单元，可以与地质环境条件紧密联系，综合体现致灾因素的作用，使评价结果更贴近于实际（武雪玲等，2013）.一般是基于水文分析法生成斜坡单元，这也是中国地质调查局地质灾害调查项目推荐的方法，适用于小区域、大比例尺的滑坡易发性评价，斜坡单元数量远小于栅格单元，计算处理速度快，但目前生成的斜坡单元还存在大量畸形单元，需要人工检修，工作量巨大.根据学者研究，在进行以滑坡为主的地质灾害易发性评价时，斜坡单元的表现更优（Jacobs et al.，2020）.为了减少人工检修工作量，较多学者对斜坡单元的生成方法进行了改进，本文总结了其中常见的划分方法及其特点（表7）.

3.1.4　评价模型选择

评价模型是滑坡易发性评价的研究热点.Corominas et al.（2014）将评价模型归纳为定性和定量评价两类，其中定性评价主要为知识驱动模型，定量评价主要包括机制驱动模型和数据驱动模型.滑坡易发性评价模型的选用与比例尺密切相关，这里给出了不同比例尺下不同方法的适用性（表8）.知识驱动模型能充分发挥专家的经验，但是由于主观性和认知局限，专家经验也会限制评价结果的精确性（Abedini and Tulabi，2018；Moragues et al.，2021）.

机制驱动模型是基于极限平衡法的边坡稳定性计算力学模型或以滑坡诱发机制为基础的物理力学模型，如Infinite Slope、SHALSTAB、 SINMAP、TRIGRS等（Weidner et al.，2018；Shinoda et al.，2019；do Pinho and Augueto Filho，2022）.这类模型仅适用于地质和地貌条件较均匀且为浅层滑坡的大比例尺滑坡易发性评价，因模型需要的物理力学参数较多且获取较为困难而适用范围受限，一般在大比例尺滑坡易发性评价中较为适用.

数据驱动模型主要基于统计分析理论，对过去引发滑坡的因素组合进行统计分析，并对当前地质、地形和土地利用等条件相似的非滑坡区进行定量预测，根据预测的易发程度进行易发性制图.数据驱动模型可分为数理统计方法和机器学习算法，机器学习模型在克服过拟合问题、模拟影响因素与滑坡敏感性之间的非线性关系以及自动生成最佳特征以实现高预测精度方面表现突出而被广泛应用于滑坡易发性评价中（Li et al.，2020），较多学者对机器学习算法在滑坡易发性的应用进行综述总结，如王毅等（2021）、吴润泽等（2021）、Ado et al.（2022）、Tehrani et al.（2022）、Zhou et al.（2022）.根据上文的计量分析，机器学习模型仍是目前的研究热点，应用的模型包括支持向量机（Xia et al.，2022）、分类回归树、决策树（Tanyu et al.，2021）、随机森林（仉文岗等，2023）、梯度提升树（Chen et al.，2020）、XGboost（Zhou et al.，2022）、Reduced Error Pruning Trees（Chen et al.，2020）、人工神经网络（田乃满等，2020）、多层感知机（Huang et al.，2020b）、随机梯度下降（Hong et al.，2020）、集成方法（Dou et al.，2019b， 2019c，2020a）等，尽管许多方法已被证明有效性，但因机器学习还涉及到参数优化和泛化能力的问题，目前国内外学者尚未就最佳方法达成一致.较多学者开展了不同机器学习模型比较，不同模型预测滑坡易发性的结果有较大差异（Di Napoli et al.，2020），其中随机森林模型因其具有对参与评价变量限制小、无需考虑数据尺度和数据分布、计算效率高、评价结果精度高且超参数调试成本较神经网络、深度学习模型明显较低、泛化能力强等优势而应用最为广泛（Sun et al.，2020a）.

根据样本训练的方式不同，可将数据驱动模型分为无监督学习、半监督学习和监督学习3类（Huang et al.，2020c； Liang et al.，2021；黄发明等，2021c；Fang et al.，2022）.监督学习中样本的标注成本高，且选取的非滑坡样本为经验判断的“非滑坡”样本，可能会因为判断失误而导致训练结果不理想；无监督学习不标记滑坡样本，可能缺乏滑坡与非滑坡样本的先验知识的有效引导，从而影响对结果的可靠性；而半监督学习是一种能综合利用无监督和全监督机器学习优点的算法，其可在标记样本较少的情况下，充分利用大量的无标记样本提高学习性能，但在进行样本训练时，选取的滑坡样本数量一般远小于非滑坡样本数量，可能会因样本不均衡而引起非滑坡数据的浪费和评价模型的泛化能力差的问题.Sun et al.（2020b）考虑了滑坡与非滑坡样本比例在1∶1、1∶5、1∶10情况下，利用随机森林模型开展巫山县滑坡易发性评价，指出样本比例1∶10时明显优于其他两个比例，同时将其推广奉节县，以验证模型的泛化能力.另外，较多学者也开始转向深度学习在滑坡易发性中的应用探索，如Wang et al. （2019a， 2019b， 2020）、Bui et al.（2020）、Dou et al.（2020b）、Prakash et al. （2020）、武雪玲等（2020）、Fang et al. （2020）、Huang et al.（2020a）、黄武彪等（2022）、Ullah et al.（2022），对进一步丰富评价模型具有重要意义.

同时，根据中国知网文献计量分析，目前生产单位发表的科技论文中采用信息量和证据权模型较多，这主要是由于较多生产单位承担了中国地质调查局地质灾害调查项目，这些项目主要依据中国地质调查局2020年3月发布的《地质灾害风险调查评价技术要求（1∶50 000）》（试行），里面推荐地质灾害易发性应采用统计模型方法（信息量、证据权等）（铁永波等，2022）.利用这些模型开展易发性评价部分结果可能因精够度不够而影响易发区图的使用.

3.1.5　联接方法确定

除评价模型的选择上对滑坡易发性评价结果有影响外，滑坡与其指标的非线性联接方法对评价结果亦有影响（Garosi et al.，2018；盛明强等，2021）.由于评价指标分为连续型和离散型两类，对于离散型指标不能直接参与机器学习模型计算，需根据滑坡编录对其中不同子类重新赋值；对于连续型指标具有一定的噪声和误差且与滑坡的关系为非线性，一般采用自然断点法将连续型指标离散化后再重新赋值.这种对评价指标进行重新赋值的方法即为评价指标联接方法.它关系着评价指标和滑坡数据在数据驱动模型（特别是机器学习模型）的表达，是易发性评价的关键所在，因此选择用以获取输入变量的滑坡‒评价指标联接方法非常重要.

目前有多种方法用于各类型滑坡与环境因子的关联性分析，比如证据权、熵指数、信息量、频率比等（Kadirhodjaev et al.， 2018）.频率比联接方法由于其原理较为简单而被广泛应用（Bourenane and Bouhadad，2021）.李文彬等（2021）通过采用概率统计、频率比、信息量、熵指数、证据权等5种联接方法对连续型指标进行离散化，然后分析其对滑坡易发性的影响，指出证据权法作为联接方法具有更高的精度；黄发明等（2020）对连续型环境因子离散化的属性区间最优划分数量进行研究，指出在环境因子离散化的属性区间划分为8的情况下能够高效准确地构建滑坡易发性预测模型.离散化处理的过程会导致环境因子丢失部分重要信息，降低滑坡易发性评价模型的性能（周晓亭，2023）.郭飞等（2022）将改进频率比（Automatic Landslide Susceptibility Analyst，ALSA）作为环境因子的联接方法，避免了离散化处理过程中导致的信息丢失，从而提升了易发性评价模型性能.

3.1.6　结果精度评价

滑坡易发性评价结果一般根据易发性指数划分为3~6类（王毅等，2021），多数为5类，即极低易发性、低易发区、中易发区、高易发区、极高易发区，《地质灾害风险调查评价技术要求（1∶50 000）》（试行）里将其分为4类，极高易发区、高易发区、中易发区、非易发区.

对评价结果的精度评价是评估模型性能和易发性评价准确性的关键环节，它是对模型预测能力的解释，进而对模型性能的改进提供反馈.滑坡易发性评价结果的评价可以在两个不同的层次上进行（Fleuchaus et al.，2021）：一是用存在或不存在滑坡的二元模型结果评估分类问题的质量；二是评估最终的滑坡易发性图，即滑坡密度比从低易发区向高易发区逐渐增加且高易发性覆盖范围相对较小，一般通过精度评价和易发性指数分布特征来反映，精度评价主要是通过ROC曲线来反映（Guru et al.，2017；Gholami et al.，2019），而易发性指数分布特征则主要通过其均值和标准差来体现.其他指标（Abedini et al.，2017；Chen et al.，2019）还包括准确度（Accuracy）、精准度（Precision）、召回率（Recall Rate）、总体准确度（Overall Accuracy）、平均绝对误差（MAE）、均方根误差（RMSE）、Kappa系数、成功和预测率曲线（SPR）、K-fold交叉验证等.Huang et al.（2020a）、黄发明等（2022c）提出了不确定性的分析方法，综合了易发性指数的均值、标准差、AUC精度、易发性指数间的差异显著性特征等内容，其中均值用于量化研究区滑坡易发性指数整体偏向趋势，而标准差则量化易发性指数越接近平均值，反之则说明其与平均值的差异越大.

在评价结果精度时，通常会将收集到的灾害样本数据中分为训练集与测试集，常用的训练测试集比例多为7∶3，这种比例已在理论上证明其合理性（Gholamy et al.， 2018），对于训练测试集的选取主要有时间分割法、空间分割法和随机分割法3种方法（Chung andFabbri，2003）.目前较少考虑不同训练测试集比例对结果的影响.当训练集较小时模型难以充分反映滑坡与其环境因子之间的非线性拟合关系；而当训练集较大时测试集的比例又会下降，导致模型测试精度难以反映真实的滑坡易发性预测精度（Đurić et al.，2019）.Tsangaratos and Ilia（2016）认为训练样本数量的增加对模型训练和测试精度均有积极贡献；Shirzadi et al.（2019）认为在一定范围内模型预测精度会随训练样本的增加而增加，但在训练测试集比例在7∶3时精度最好，这可能与不同空间分辨率、不同模型建模原理、不同形状的滑坡转化栅格单元时信息损失有关；黄发明等（2021b）探讨了不同训练测试集比例（9∶1、8∶2，7∶3，6∶4、5∶5）对滑坡易发性评价结果的影响，指出训练测试集在9∶1时能获得较优的预测精度.

3.2　滑坡易发性发展趋势

易发性评价目前已广泛应用于地质灾害防治领域，特别是近年来，我国开展的山地丘陵区重点城镇地质灾害调查与风险评价项目，易发性评价是其开展后续工作的基础，易发性评价结果直接影响危险性和风险评估的结果.虽经过近40年的不断完善与发展， 仍还存在较多些许不足，通过上述分析，对其发展趋势进行归纳总结.

（1）在滑坡编目方面，需要进一步发展与完善滑坡早期识别体系，将人工智能识别技术应用于滑坡早期识别，从而扩展滑坡编目数据库，使其信息更完备（窦杰等，2023）.同时，还需要深入研究滑坡编目数据库的完整程度对滑坡易发性的影响，以减少滑坡编目数据的完备性对评价结果的不确定性（Du et al.， 2020）.另外，采用滑坡面数据较点数据能得到较好的易发性评价精度（黄发明等，2021a）.

（2）在指标体系方面，目前用于寻找主控因素的方法较多，但多数方法过于繁杂，且较多未能直接反映滑坡作用机理，如何更有效地探测出反映不同研究区滑坡机理的主控因子，这是未来一个研究方向（黄发明等，2022a）.同时，在构建指标体系时，需明确评价指标间的相互作用，以剔除重复指标，在确定评价指标权重时，仅根据客观数据，有时并不能完全反映其贡献大小，需要加以主观方法辅助确定.

（3）在评价单元方面，目前应用较多的是栅格和斜坡单元.对于栅格单元，其网格分辨率会直接影响各环境因子不同子区间的栅格数量，从而影响模型中环境因子权重以及构建模型所需要的滑坡‒非滑坡样本量，且更精细的网格分辨率不一定会导致模型的性能更高，应该存在一个阈值，当网格分辨率等于阈值时，模型的性能最佳，如何在不同的研究区内找到阈值仍然是未来的一个挑战.《地质灾害风险调查评价技术要求（1∶50 000）》（试行）中指出对集镇、迁建区、集中安置点等人口聚焦区采以斜坡单元进行易发性评价，因此，如何生成能综合体现致灾因素、高质量的斜坡单元对于我国开展重点城镇区的风险评估具有重要现实意义.虽然较多学者已进行了改进，出现畸形单元数量变少，节约了时间成本，但对于一线工程技术人员，应用起来仍比较繁琐，还需进一步优化（常志璐等，2023）.

（4）在评价模型方面，目前用于易发性评价的模型较多，每种模型都有其优缺点，并且通常其性能取决于不同研究区域的地质环境特征及滑坡发育特点.因此，较多学者提出利用多模型比较选取最优模型，甚至较多学者尝试耦合模型.如何针对不同区域地质环境特点及滑坡发育特征，快速选择适合的易发性评价方法，且模型使用相对简单，也将是一个挑战（窦杰等，2023）.

（5）在联接方法方面，各类联接法是将滑坡易发性指数与其评价指标联系起来的重要纽带，其联接性能对数据驱动模型的成功与否至关重要.目前用以获取输入变量的滑坡‒评价指标的联接方法很多，这些方法多数需对连续型指标离散化，在一定程度导致部分信息丢失从而降低模型性能（郭飞等，2022）.因此，在选择联接方法时，要避免连续型评价指标离散化导致的信息丢失.另外，不同联接方法与机器学习模型的耦合建模所产生的诸多不确定性仍需考虑.

（6）在结果验证方面，还需研究不同地区不同训练集与验证集比例对易发性精度的影响，部分学者研究了不同训练测试集比例对滑坡易发性评价结果的影响，训练测试集比例是否也存在一个阈值，使得模型的性能最佳且不会出现样本不均衡问题，这也是值得研究的一个课题（黄发明等，2021b）.同时，目前存在较多的数学指标来衡量结果精度，少数辅以现场对比验证，未来可能需要更多地现场验证，从而使评价结果能直接为决策部门所用.

（7）在评价人员方面，目前承担地质灾害风险评估的单位多为高等院校和地质调查单位，上述易发性评价环节中涉及较多数学方法，不利于一线技术人员开展评价，如何实现易发性评价简单化、智能化、自动化，这也是需要努力的一个方向.同时，在研究过程中，还需要积累不同空间尺度下易发性评价的经验，为后续开展不同空间尺度下地质灾害风险评估奠定基础.

4 结论

（1）通过对两个数据库的文献分析，发现易发性研究的热度持续增长，有关易发性研究的论文发文量一直呈增长趋势，对论文的关键词共现分析发现关键词几乎涵盖了易发性评价的所有方面，更多集中在评价模型上.

（2）滑坡易发性领域发文量前10的作者中4位来自中国，中国科学院成为发文最多的机构，接收易发性评价类文章最多的中英文期刊为《中国地质灾害与防治学报》和《Natural Hazard》，中国国家自然科学基金和国土资源大调查项目大力资助了滑坡易发性课题的研究.同时，机器学习模型在滑坡易发性的应用获得了快速增长，已成为最热门的研究课题.

（3）在滑坡编目上，需建立更完善的编目方法体系，考虑滑坡编目对易发性评价的不确定性影响；在指标体系上，需深化指标选取、优化组合、有效表征指标等对易发性评价的影响研究；在评价单元上，需考虑栅格分辨率的影响并探究高效、合理斜坡单元划分方法；在评价模型上，需进一步探究机器学习模型建模过程中的不确定性；在联接方法上，力求避免指标离散化处理导致的信息丢失，同时考虑不同联接方法建模的差异性；在精度评价上，采用多种指标联合评价并辅以现场验证，同时还需研究不同地区和样本比例对精度的影响.

参考文献

[1] Abedini, M., Ghasemyan, B., Rezaei Mogaddam, M. H., 2017. Landslide Susceptibility Mapping in Bijar City, Kurdistan Province, Iran: A Comparative Study by Logistic Regression and AHP Models. Environmental Earth Sciences, 76(8): 308. https://doi.org/10.1007/s12665-017-6502-3

[2] Abedini, M., Tulabi, S., 2018. Assessing LNRF, FR, and AHP Models in Landslide Susceptibility Mapping Index: A Comparative Study of Nojian Watershed in Lorestan Province, Iran. Environmental Earth Sciences, 77(11): 405. https://doi.org/10.1007/s12665-018-7524-1

[3] Ado, M., Amitab, K., Maji, A. K., et al., 2022. Landslide Susceptibility Mapping Using Machine Learning: A Literature Survey. Remote Sensing, 14(13): 3029. https://doi.org/10.3390/rs14133029

[4] Ai, L., Yang, B. Y., Guo, L., 2020. Landslide Ease Based on Different Models and Elements Comparison of Development Evaluation. Geospatial Information, 18(6): 117-121 (in Chinese with English abstract).

[5] Alvioli, M., Marchesini, I., Reichenbach, P., et al., 2016. Automatic Delineation of Geomorphological Slope Units with R. Slopeunits V1.0 and Their Optimization for Landslide Susceptibility Modeling. Geoscientific Model Development, 9(11): 3975-3991. https://doi.org/10.5194/gmd-9-3975-2016

[6] Bourenane, H., Bouhadad, Y., 2021. Impact of Land Use Changes on Landslides Occurrence in Urban Area: The Case of the Constantine City (NE Algeria). Geotechnical and Geological Engineering, 39(6): 1-21. https://doi.org/10.1007/s10706-021-01768-1

[7] Brabb, E.E., 1985. Innovative Approaches to Landslide Hazard and Risk Mapping. In: 4th International Symposium on Landslides. Japan Landslide Society, Tokyo, 17-22.

[8] Bui, D. T., Tsangaratos, P., Nguyen, V. T., et al., 2020. Comparing the Prediction Performance of a Deep Learning Neural Network Model with Conventional Machine Learning Models in Landslide Susceptibility Assessment. CATENA, 188: 104426. https://doi.org/10.1016/j.catena.2019.104426

[9] Calderón-Guevara, W., Sánchez-Silva, M., Nitescu, B., et al., 2022. Comparative Review of Data-Driven Landslide Susceptibility Models: Case Study in the Eastern Andes Mountain Range of Colombia. Natural Hazards, 113(2): 1105-1132. https://doi.org/10.1007/s11069-022-05339-2

[10] Cama, M., Conoscenti, C., Lombardo, L., et al., 2016. Exploring Relationships between Grid Cell Size and Accuracy for Debris-Flow Susceptibility Models: A Test in the Giampilieri Catchment (Sicily, Italy). Environmental Earth Sciences, 75(3): 238. https://doi.org/10.1007/s12665-015-5047-6

[11] Chang, M., Zhou, Y., Zhou, C., et al., 2021. Coseismic Landslides Induced by the 2018 Mw 6.6 Iburi, Japan, Earthquake: Spatial Distribution, Key Factors Weight, and Susceptibility Regionalization. Landslides, 18(2): 755-772. https://doi.org/10.1007/s10346-020-01522-3

[12] Chang, Z.L., Huang, F.M., Jiang, S.H., et al., 2023. Slope Unit Extraction and Landslide Susceptibility Prediction Using Multi-Scale Segmentation Method. Advanced Engineering Sciences, 55(1): 184-195 (in Chinese with English abstract).

[13] Chen, T., Zhu, L., Niu, R. Q., et al., 2020. Mapping Landslide Susceptibility at the Three Gorges Reservoir, China, Using Gradient Boosting Decision Tree, Random Forest and Information Value Models. Journal of Mountain Science, 17(3): 670-685. https://doi.org/10.1007/s11629-019-5839-3

[14] Chen, W., Yan, X. S., Zhao, Z., et al., 2019. Spatial Prediction of Landslide Susceptibility Using Data Mining-Based Kernel Logistic Regression, Naive Bayes and RBF Network Models for the Long County Area (China). Bulletin of Engineering Geology and the Environment, 78(1): 247-266. https://doi.org/10.1007/s10064-018-1256-z

[15] Chen, Y., Dong, J. L., Guo, F., et al., 2022. Review of Landslide Susceptibility Assessment Based on Knowledge Mapping. Stochastic Environmental Research and Risk Assessment, 36(9): 2399-2417. https://doi.org/10.1007/s00477-021-02165-z

[16] Chiessi, V., Toti, S., Vitale, V., 2016. Landslide Susceptibility Assessment Using Conditional Analysis and Rare Events Logistics Regression: A Case-Study in the Antrodoco Area (Rieti, Italy). Journal of Geoscience and Environment Protection, 4(12): 1-21. https://doi.org/10.4236/gep.2016.412001

[17] Chung, C. J. F., Fabbri, A. G., 2003. Validation of Spatial Prediction Models for Landslide Hazard Mapping. Natural Hazards, 30(3): 451-472. https://doi.org/10.1023/B: NHAZ.0000007172.62651.2b

[18] Corominas, J., van Westen, C., Frattini, P., et al., 2014. Recommendations for the Quantitative Analysis of Landslide Risk. Bulletin of Engineering Geology and the Environment, 73(2): 209-263. https://doi.org/10.1007/s10064-013-0538-8

[19] Di Napoli, M., Carotenuto, F., Cevasco, A., et al., 2020. Machine Learning Ensemble Modelling as a Tool to Improve Landslide Susceptibility Mapping Reliability. Landslides, 17(8): 1897-1914. https://doi.org/10.1007/s10346-020-01392-9

[20] do Pinho, T. M., Augusto Filho, O., 2022. Landslide Susceptibility Mapping Using the Infinite Slope, SHALSTAB, SINMAP, and TRIGRS Models in Serra do Mar, Brazil. Journal of Mountain Science, 19(4): 1018-1036. https://doi.org/10.1007/s11629-021-7057-z

[21] 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).

[22] Dou, J., Yunus, A. P., Bui, D. T., et al., 2020a. Improved Landslide Assessment Using Support Vector Machine with Bagging, Boosting, and Stacking Ensemble Machine Learning Framework in a Mountainous Watershed, Japan. Landslides, 17(3): 641-658. https://doi.org/10.1007/s10346-019-01286-5

[23] Dou, J., Yunus, A. P., Merghadi, A., et al., 2020b. Different Sampling Strategies for Predicting Landslide Susceptibilities are Deemed Less Consequential with Deep Learning. Science of the Total Environment, 720: 137320. https://doi.org/10.1016/j.scitotenv.2020.137320

[24] Dou, J., Yunus, A. P., Tien Bui, D., et al., 2019a. Assessment of Advanced Random Forest and Decision Tree Algorithms for Modeling Rainfall-Induced Landslide Susceptibility in the Izu-Oshima Volcanic Island, Japan. Science of the Total Environment, 662: 332-346. https://doi.org/10.1016/j.scitotenv.2019.01.221

[25] Dou, J., Yunus, A. P., Tien Bui, D., et al., 2019b. Evaluating GIS-Based Multiple Statistical Models and Data Mining for Earthquake and Rainfall-Induced Landslide Susceptibility Using the LiDAR DEM. Remote Sensing, 11(6): 638. https://doi.org/10.3390/rs11060638

[26] Dou, J., Yunus, A. P., Xu, Y. R., et al., 2019c. Torrential Rainfall-Triggered Shallow Landslide Characteristics and Susceptibility Assessment Using Ensemble Data-Driven Models in the Dongjiang Reservoir Watershed, China. Natural Hazards, 97(2): 579-609. https://doi.org/10.1007/s11069-019-03659-4

[27] Du, J., Glade, T., Woldai, T., et al., 2020. Landslide Susceptibility Assessment Based on an Incomplete Landslide Inventory in the Jilong Valley, Tibet, Chinese Himalayas. Engineering Geology, 270: 105572. https://doi.org/10.1016/j.enggeo.2020.105572

[28] Du, Z.Q., Li, Y., Zhang, Y.T., et al., 2020. Knowledge Graph Construction Method on Natural Disaster Emergency. Geomatics and Information Science of Wuhan University, 45(9): 1344-1355 (in Chinese with English abstract).

[29] Đurić, U., Marjanović, M., Radić, Z., et al., 2019. Machine Learning Based Landslide Assessment of the Belgrade Metropolitan Area: Pixel Resolution Effects and a Cross-Scaling Concept. Engineering Geology, 256: 23-38. https://doi.org/10.1016/j.enggeo.2019.05.007

[30] Fang, Z.C., Wang Y., Duan, H.X., et al., 2022. Comparison of General Kernel, Multiple Kernel, Infinite Ensemble and Semi-Supervised Support Vector Machines for Landslide Susceptibility Prediction, 36: 3535-3556. Stochastic Environmental Research and Risk Assessment. https://doi.org/10.1007/s00477-022-02208-z

[31] Fang, Z.C., Wang, Y., Peng, L., et al., 2020. Integration of Convolutional Neural Network and Conventional Machine Learning Classifiers for Landslide Susceptibility Mapping. Computers and Geosciences, 139: 104470. https://doi.org/10.1016/j.cageo.2020.104470

[32] Fell, R., Corominas, J., Bonnard, C., et al., 2008. Guidelines for Landslide Susceptibility, Hazard and Risk Zoning for Land Use Planning. Engineering Geology, 102(3/4): 85-98. https://doi.org/10.1016/j.enggeo.2008.03.022

[33] Fleuchaus, P., Blum, P., Wilde, M., et al., 2021. Retrospective Evaluation of Landslide Susceptibility Maps and Review of Validation Practice. Environmental Earth Sciences, 80(15): 485. https://doi.org/10.1007/s12665- 021-09770-9

[34] Garosi, Y., Sheklabadi, M., Pourghasemi, H. R., et al., 2018. Comparison of Differences in Resolution and Sources of Controlling Factors for Gully Erosion Susceptibility Mapping. Geoderma, 330: 65-78. https://doi.org/10.1016/j.geoderma.2018.05.027

[35] Gholami, M., Ghachkanlu, E. N., Khosravi, K., et al., 2019. Landslide Prediction Capability by Comparison of Frequency Ratio, Fuzzy Gamma and Landslide Index Method. Journal of Earth System Science, 128(2): 42. https://doi.org/10.1007/s12040-018-1047-8

[36] Gholamy, A., Kreinovich, V., Kosheleva, O., 2018. Why 70/30 or 80/20 Relation between Training and Testing Sets: A Pedagogical Explanation. Departmental Technical Reports (CS), 1209.

[37] Guo, F., Lai, P., Chen, Y., et al., 2022. Influence of Different Environemental Factor Connection Methods on Bengagng Susceptibility Assessment. Bulletin of Soil and Water Conservation, 42(5): 123-130 (in Chinese with English abstract)．

[38] Guo, J.Y., Guan, J., 2018. Global Research Output in Geological Engineering: A Bibliometric Analysis of Web of Science Publications. Journal of Engineering Geology, 26(5): 1397-1407 (in Chinese with English abstract)．

[39] Guru, B., Veerappan, R., Sangma, F., et al., 2017. Comparison of Probabilistic and Expert-Based Models in Landslide Susceptibility Zonation Mapping in Part of Nilgiri District, Tamil Nadu, India. Spatial Information Research, 25(6): 757-768. https://doi.org/10.1007/s41324-017-0143-1

[40] Hong, H. Y., Tsangaratos, P., Ilia, I., et al., 2020. Introducing a Novel Multi-Layer Perceptron Network Based on Stochastic Gradient Descent Optimized by a Meta-Heuristic Algorithm for Landslide Susceptibility Mapping. Science of the Total Environment, 742: 140549. https://doi.org/10.1016/j.scitotenv.2020.140549

[41] Huang, F. M., Cao, Z. S., Guo, J. F., et al., 2020a. Comparisons of Heuristic, General Statistical and Machine Learning Models for Landslide Susceptibility Prediction and Mapping. CATENA, 191: 104580. https://doi.org/10.1016/j.catena.2020.104580

[42] Huang, F.M., Cao, Z. S., Jiang, S. H., et al., 2020b. Landslide Susceptibility Prediction Based on a Semi- Supervised Multiple-Layer Perceptron Model. Landslides, 17: 2919-2930. https://doi.org/10.1007/s10346-020-01473-9

[43] Huang, F.M., Cao, Y., Fan, X.M., et al., 2021a. Influence of Different Landslide Boundaries and Their Spatial Shapes on the Uncertainty of Landslide Susceptibility Prediction. Chinese Journal of Rock Mechanics and Engineering, 40(S2): 3227-3240 (in Chinese with English abstract).

[44] Huang, F.M., Chen, J.W., Tang, Z.P., et al., 2021b. Uncertainties of Landslide Susceptibility Prediction due to Different Spatial Resolutions and Different Proportions of Training and Testing Datasets. Chinese Journal of Rock Mechanics and Engineering, 40(6): 1155-1169 (in Chinese with English abstract).

[45] Huang, F.M., Pan, L.H., Yao, C., et al., 2021c. Landslide Susceptibility Prediction Modelling Based on Semi- Supervised Machine Learning. Journal of Zhejiang University (Engineering Science), 55(9): 1705-1713 (in Chinese with English abstract).

[46] 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).

[47] Huang, F.M., Hu, S.Y., Yan, X.Y., et al., 2022a. Landslide Susceptibility Prediction and Identification of Its Main Environmental Factors Based on Machine Learning Models. Bulletin of Geological Science and Technology, 41(2): 79-90 (in Chinese with English abstract).

[48] Huang, F.M., Li, J.F., Wang, J.Y., et al., 2022b. 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).

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

[50] Huang, F. M., Tao, S. Y., Chang, Z. L., et al., 2021. Efficient and Automatic Extraction of Slope Units Based on Multi-Scale Segmentation Method for Landslide Assessments. Landslides, 18(11): 3715-3731. https://doi.org/10.1007/s10346-021-01756-9

[51] Huang, F.M., Ye, Z., Yao, C., et al., 2020. Uncertainties of Landslide Susceptibility Prediction: Different Attribute Interval Divisions of Environmental Factors and Different Data-Based Models. Earth Science, 45(12): 4535-4549 (in Chinese with English abstract).

[52] Huang, Q. L., Chen, W., Tang, X. B., et al., 2017. Study on the Method of Slope Unit Zoning in Regional Geo- Hazards Risk Assessment. Journal of Natural Disasters, 26(5): 157-164 (in Chinese).

[53] 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).

[54] Huang, Y. D., Xu, C., Zhang, X. J., et al., 2022. Bibliometric Analysis of Landslide Research Based on the WOS Database. Natural Hazards Research, 2(2): 49-61. https://doi.org/10.1016/j.nhres.2022.02.001

[55] Jacobs, L., Kervyn, M., Reichenbach, P., et al., 2020. Regional Susceptibility Assessments with Heterogeneous Landslide Information: Slope Unit-Vs. Pixel-Based Approach. Geomorphology, 356: 107084. https://doi.org/10.1016/j.geomorph.2020.107084

[56] Kadirhodjaev, A., Kadavi, P. R., Lee, C. W., et al., 2018. Analysis of the Relationships between Topographic Factors and Landslide Occurrence and Their Application to Landslide Susceptibility Mapping: A Case Study of Mingchukur, Uzbekistan. Geosciences Journal, 22(6): 1053-1067. https://doi.org/10.1007/s12303-018-0052-x

[57] Lee, J. H., Sameen, M. I., Pradhan, B., et al., 2018. Modeling Landslide Susceptibility in Data-Scarce Environments Using Optimized Data Mining and Statistical Methods. Geomorphology, 303: 284-298. https://doi.org/10.1016/j.geomorph.2017.12.007

[58] Lee, S., 2019. Current and Future Status of GIS-Based Landslide Susceptibility Mapping: A Literature Review. Korean Journal of Remote Sensing, 35(1): 179-193.

[59] Li, J., Zhou, Ch. H., 2003. Appropriate Grid Size for Terrain Based Landslide Risk Assessment in Lantau Island, Hong Kong. National Remote Sensing Bulletin, 7(2): 86-92, 161 (in Chinese).

[60] Li, P., Ye, H., Tan, S.C., 2021. Evaluation of Geological Hazards in Yongde County Based on Analytic Hierarchy Process. Research of Soil and Water Conservation, 28(5): 394-399, 406 (in Chinese with English abstract).

[61] 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).

[62] Li, Y. W., Wang, X. M., Mao, H., 2020. Influence of Human Activity on Landslide Susceptibility Development in the Three Gorges Area. Natural Hazards, 104(3): 2115-2151. https://doi.org/10.1007/s11069-020-04264-6

[63] Lian, Z.P., Xu, Y., Fu, S., et al., 2020. Landslide Susceptibility Assessment Based on Multi-Model Fusion Method: A Case Study in Wufeng County, Hubei Province. Bulletin of Geological Science and Technology, 39(3): 178-186 (in Chinese with English abstract).

[64] Liang, Z., Wang, C. M., Duan, Z. J., et al., 2021. A Hybrid Model Consisting of Supervised and Unsupervised Learning for Landslide Susceptibility Mapping. Remote Sensing, 13(8): 1464. https://doi.org/10.3390/rs13081464

[65] Lima, P., Steger, S., Glade, T., 2021. Counteracting Flawed Landslide Data in Statistically Based Landslide Susceptibility Modelling for Very Large Areas: A National-Scale Assessment for Austria. Landslides, 18(11): 3531-3546. https://doi.org/10.1007/s10346-021-01693-7

[66] Lima, P., Steger, S., Glade, T., et al., 2022. Literature Review and Bibliometric Analysis on Data-Driven Assessment of Landslide Susceptibility. Journal of Mountain Science, 19(6): 1670-1698. https://doi.org/10.1007/s11629-021-7254-9

[67] Liu, T., Tan, J.M., Guo, F., et al., 2021. Research on the Method of Weight Correction for Landslide Susceptibility with Artificial Cutting Slope: A Case Study of Shadi Town, Ganzhou City. Journal of Natural Disasters, 30(5): 217-225 (in Chinese with English abstract).

[68] Lombardo, L., Mai, P. M., 2018. Presenting Logistic Regression-Based Landslide Susceptibility Results. Engineering Geology, 244: 14-24. https://doi.org/10.1016/j.enggeo.2018.07.019

[69] Lucchese, L. V., de Oliveira, G. G., Pedrollo, O. C., 2020. Attribute Selection Using Correlations and Principal Components for Artificial Neural Networks Employment for Landslide Susceptibility Assessment. Environmental Monitoring and Assessment, 192(2): 129. https://doi.org/10.1007/s10661-019-7968-0

[70] Luo, W., Liu, C. C., 2018. Innovative Landslide Susceptibility Mapping Supported by Geomorphon and Geographical Detector Methods. Landslides, 15(3): 465-474. https://doi.org/10.1007/s10346-017-0893-9

[71] 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: 103225. https://doi.org/10.1016/j.earscirev.2020.103225

[72] Moragues, S., Lenzano, M. G., Lanfri, M., et al., 2021. Analytic Hierarchy Process Applied to Landslide Susceptibility Mapping of the North Branch of Argentino Lake, Argentina. Natural Hazards, 105(1): 915-941. https://doi.org/10.1007/s11069-020-04343-8

[73] Pham, B. T., Van Dao, D., Acharya, T. D., et al., 2021. Performance Assessment of Artificial Neural Network Using Chi-Square and Backward Elimination Feature Selection Methods for Landslide Susceptibility Analysis. Environmental Earth Sciences, 80(20): 686. https://doi.org/10.1007/s12665-021-09998-5

[74] Pourghasemi, H. R., Teimoori Yansari, Z., Panagos, P., et al., 2018. Analysis and Evaluation of Landslide Susceptibility: A Review on Articles Published during 2005-2016 (Periods of 2005-2012 and 2013-2016). Arabian Journal of Geosciences, 11(9): 193. https://doi.org/10.1007/s12517-018-3531-5

[75] Prakash, N., Manconi, A., Loew, S., 2020. Mapping Landslides on EO Data: Performance of Deep Learning Models vs. Traditional Machine Learning Models. Remote Sensing, 12(3): 346. https://doi.org/10.3390/rs12030346

[76] 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

[77] Robinson, T. R., Rosser, N. J., Densmore, A. L., et al., 2017. Rapid Post-Earthquake Modelling of Coseismic Landslide Intensity and Distribution for Emergency Response Decision Support. Natural Hazards and Earth System Sciences, 17(9): 1521-1540. https://doi.org/10.5194/nhess-17-1521-2017

[78] Sheng, M.Q., Liu, Z.X., Zhang, X.Q., et al., 2021. Landslide Susceptibility Prediction Based on Frequency Ratio Analysis and Support Vector Machine. Science Technology and Engineering, 21(25): 10620-10628 (in Chinese with English abstract).

[79] Shinoda, M., Miyata, Y., Kurokawa, U., et al., 2019. Regional Landslide Susceptibility Following the 2016 Kumamoto Earthquake Using Back-Calculated Geomaterial Strength Parameters. Landslides, 16(8): 1497-1516. https://doi.org/10.1007/s10346-019-01171-1

[80] Shirzadi, A., Solaimani, K., Roshan, M. H., et al., 2019. Uncertainties of Prediction Accuracy in Shallow Landslide Modeling: Sample Size and Raster Resolution. CATENA, 178: 172-188. https://doi.org/10.1016/j.catena.2019.03.017

[81] Sun, D. L., Shi, S. X., Wen, H. J., et al., 2021. A Hybrid Optimization Method of Factor Screening Predicated on GeoDetector and Random Forest for Landslide Susceptibility Mapping. Geomorphology, 379: 107623. https://doi.org/10.1016/j.geomorph.2021.107623

[82] Sun, D. L., Wen, H. J., Wang, D. Z., et al., 2020a. 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

[83] Sun, D. L., Xu, J. H., Wen, H. J., et al., 2020b. An Optimized Random Forest Model and Its Generalization Ability in Landslide Susceptibility Mapping: Application in Two Areas of Three Gorges Reservoir, China. Journal of Earth Science, 31(6): 1068-1086. https://doi.org/10.1007/s12583-020-1072-9

[84] Tang, H. M., Li, C. D., Hu, X. L., et al., 2015. Evolution Characteristics of the Huangtupo Landslide Based on in Situ Tunneling and Monitoring. Landslides, 12(3): 511-521. https://doi.org/10.1007/s10346-014-0500-2

[85] Tanyu, B. F., Abbaspour, A., Alimohammadlou, Y., et al., 2021. Landslide Susceptibility Analyses Using Random Forest, C4.5, and C5.0 with Balanced and Unbalanced Datasets. CATENA, 203: 105355. https://doi.org/10.1016/j.catena.2021.105355

[86] Tehrani, F. S., Calvello, M., Liu, Z. Q., et al., 2022. Machine Learning and Landslide Studies: Recent Advances and Applications. Natural Hazards, 114(2): 1197-1245. https://doi.org/10.1007/s11069-022-05423-7

[87] Tian, N.M., Lan, H.X., Wu, Y.M., et al., 2020. Performance Comparison of BP Artificial Neural Network and CART Decision Tree Model in Landslide Susceptibility Prediction. Journal of Geo-Information Science, 22(12): 2304-2316 (in Chinese with English abstract).

[88] Tian, Y., Ju, N. P., Xie, M. L., et al., 2022. Analysis of the Impact of Landslide Cataloguing Expression Patterns on the Evaluation Results of Landslide Susceptibility. Journal of Chengdu University of Technology (Science & Technology Edition), 49(5): 606-615 (in Chinese with English abstract).

[89] Tie, Y.B., Xu, W., Xiang, B.L., et al., 2022. The Thoughts on Construction of “Double-Control of Point and Zone” System of Geological Hazard Risk in Southwest China. The Chinese Journal of Geological Hazard and Control, 33(3): 106-113 (in Chinese with English abstract).

[90] Tie, Y.B., Xu, Y., Zhang, Y., et al., 2020. Main Progresses and Achievements of Geological Hazards Survey in Hilly Area of Southern China. Geological Survey of China, 7(2): 1-12 (in Chinese with English abstract).

[91] Tsangaratos, P., Ilia, I., 2016. Comparison of a Logistic Regression and Naïve Bayes Classifier in Landslide Susceptibility Assessments: The Influence of Models Complexity and Training Dataset Size. CATENA, 145: 164-179. https://doi.org/10.1016/j.catena.2016.06.004

[92] Ullah, K., Wang, Y., Fang, Z.C., et al., 2022. Multi-Hazard Susceptibility Mapping Based on Convolutional Neural Networks. Geoscience Frontiers, 13: 101425. http://doi-org/10.1016/j.gsf.2022.101425

[93] Wang, K., Zhang, S. J., Delgado-Téllez, R., et al., 2019a. A New Slope Unit Extraction Method for Regional Landslide Analysis Based on Morphological Image Analysis. Bulletin of Engineering Geology and the Environment, 78(6): 4139-4151. https://doi.org/10.1007/s10064-018-1389-0

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

[95] Wang, K., Zhang, S. J., Wei, F. Q., 2020. Research Progress and Prospects of Extraction Methods for Slope Elements. Journal of Yangtze River Scientific Research Institute, 37(6): 85-93 (in Chinese with English abstract).

[96] 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).

[97] Wang, Y., Fang, Z. C., Wang, M., et al., 2020. Comparative Study of Landslide Susceptibility Mapping with Different Recurrent Neural Networks. Computers & Geosciences, 138: 104445. https://doi.org/10.1016/j.cageo.2020.104445

[98] Weidner, L., Oommen, T., Escobar-Wolf, R., et al., 2018. Regional-Scale Back-Analysis Using TRIGRS: an Approach to Advance Landslide Hazard Modeling and Prediction in Sparse Data Regions. Landslides, 15(12): 2343-2356. https://doi.org/10.1007/s10346-018-1044-7

[99] 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).

[100] 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).

[101] 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).

[102] Xia, D., Tang, H. M., Sun, S. X., et al., 2022. Landslide Susceptibility Mapping Based on the Germinal Center Optimization Algorithm and Support Vector Classification. Remote Sensing, 14(11): 2707. https://doi.org/10.3390/rs14112707

[103] Xie, M. W., Esaki, T., Zhou, G. Y., 2004. GIS-Based Probabilistic Mapping of Landslide Hazard Using a Three-Dimensional Deterministic Model. Natural Hazards, 33(2): 265-282. https://doi.org/10.1023/B: NHAZ.0000037036.01850.0d

[104] Xu, G.Q., Zhou, Y., 2017. Study on the Subdivision Method of Geological Disasters in the Residential Area Based on Geomorphology Unit. World Nonferrous Metals, (11): 137-138 (in Chinese with English abstract).

[105] Xu, Q., Dong, X.J., Li, W.L., 2019. Integrated Space-Air-Ground Early Detection, Monitoring and Warning System for Potential Catastrophic Geohazards. Geomatics and Information Science of Wuhan University, 44(7): 957-966 (in Chinese with English abstract).

[106] Yan, G., Liang, S.Y., Zhao, H.L., 2017. An Approach to Improving Slope Unit Division Using GIS Technique. Scientia Geographica Sinica, 37(11): 1764-1770 (in Chinese with English abstract).

[107] Yang, C., 2016. Assessing the Landslide Susceptibility of Watershed Units of Fujian Province Based on GIS (Dissertation). Fujian Normal University, Fuzhou (in Chinese with English abstract).

[108] Ye, R.Q., Li, S.Y., Guo, F., et al., 2021. Rs and GIS Analysis on Relationship between Landslide Susceptibility and Land Use Change in Three Gorges Reservoir Area. Journal of Engineering Geology, 29(3): 724-733 (in Chinese with English abstract).

[109] Zhang, M.S., Xue, Q., Jia, J., et al., 2019. Methods and Practices for the Investigation and Risk Assessment of Geo-Hazards in Mountainous Towns. Northwestern Geology, 52(2): 125-135 (in Chinese with English abstract).

[110] Zhang, Q., Zhao, C.Y., Chen, X.R., 2022. Technical Progress and Development Trend of Geological Hazards Early Identification with Multi-Source Remote Sensing. Acta Geodaetica et Cartographica Sinica, 51(6): 885-896 (in Chinese with English abstract).

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

[112] Zhao, Y., Wang, R., Jiang, Y. J., et al., 2019. GIS-Based Logistic Regression for Rainfall-Induced Landslide Susceptibility Mapping under Different Grid Sizes in Yueqing, Southeastern China. Engineering Geology, 259: 105147. https://doi.org/10.1016/j.enggeo.2019.105147

[113] Zhou, X. T., 2023. Recognition and Dynamic Susceptibility Assessment of Landslides Based on Multi-Source Data (Dissertation). East China University of Technology, Nanchang (in Chinese with English abstract).

[114] Zhou, X. Z., Wen, H. J., Li, Z. W., et al., 2022. An Interpretable Model for the Susceptibility of Rainfall-Induced Shallow Landslides Based on SHAP and XGBoost. Geocarto International, 37(26): 13419-13450. https://doi.org/10.1080/10106049.2022.2076928

基金资助

国家自然科学基金项目(42107489;41807285)

三峡库区地质灾害教育部重点实验室开放基金项目(2022KDZ14)

湖北省自然科学基金项目(2022CFB557)

土木工程防灾减灾湖北省引智创新示范基地(2021EJD026)