李怡靜 胡奇超 劉華贊 杜臻 陳佳武 黃錦昌 黃發(fā)明

摘要：區(qū)域滑坡易發(fā)性預測能準確地反映出特定研究區(qū)內滑坡分布的空間概率特征。基于信息量和Logistic回歸的耦合模型，對江西省崇義縣滑坡易發(fā)性進行了預測，首先選取高程、坡度、坡體結構、平面曲率、剖面曲率、地形起伏度、距水系距離、巖性、歸一化植被指數（NDVI）和歸一化建筑指數（NDBI）等 10個影響因子;之后利用各因子的信息量值來構建Logistic回歸模型;最后以信息量模型和Logistic回歸模型作為對比模型來探討3種模型各自的滑坡易發(fā)性評價結果。結果表明：耦合模型具有最好的預測性能（AUC=80.4%），其余依次為Logistic回歸模型（76.8%）和信息量模型（72.8%）;各模型所預測的滑坡易發(fā)性分布規(guī)律具有一定的相似性，滑坡災害多集中發(fā)生于海拔高程較低、接近水系、碳酸鹽巖性地層構造、植被覆蓋率低、建筑密集的區(qū)域。

關 鍵 詞：

滑坡易發(fā)性預測; 影響因子; 信息量模型; Logistic回歸模型; 信息量-Logistic回歸耦合模型

中圖法分類號： O319.56

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.06.016

0 引 言

滑坡是指斜坡巖土體沿著一定的軟弱面或者軟弱帶發(fā)生剪切破壞產生滑移的一種災害現象，常常給工農業(yè)生產以及人民生命財產造成巨大損失[1]。在全球范圍內，每年因滑坡及其次生災害導致的人員傷亡數以萬計[2-4]。根據自然資源部《中國土地礦產海洋資源統計公報》公布的數據，僅2017年國內就發(fā)生了地質災害7 122起，造成327人死亡，25人失蹤，173人受傷，直接經濟損失達35.37億元。此外，許多學者通過滑坡易發(fā)性預測來獲取各地區(qū)潛在高危險區(qū)域來降低滑坡災害損失，并在世界各地取得了良好的效果[5]。

根據各個研究區(qū)內不同的環(huán)境狀況，構建出與研究區(qū)相匹配的評價模型對滑坡易發(fā)性評價的準確性尤為重要。Huang等[6]根據評價原理將易發(fā)性預測模型分為概率模型[7]、啟發(fā)式模型[8]、確定性模型[9]、數理統計[10]和機器學習模型[11-13]。其中，數理統計模型利用統計方法來尋找各環(huán)境因子與滑坡發(fā)生之間的潛在聯系，在易發(fā)性評價中有著廣泛的應用[14]。

在單一數理統計模型運用方面，許英姿等[15]采用信息量模型對滑坡易發(fā)性進行了評價，張向營等[16]也利用信息量模型對京張高鐵的滑坡危險性進行了預測。此外，許沖等[17-19]也借助Logistic回歸模型預測了降雨型滑坡易發(fā)性。雖然這兩種模型的評價效果較理想，但仍具有單一模型評價的缺陷。對于信息量模型，其信息量值雖然能夠反映出環(huán)境因子各子區(qū)間是否有利于滑坡發(fā)育，卻并不能夠表現出各影響因子對誘發(fā)滑坡的貢獻權重。Logistic回歸模型是基于自變量與因變量之間的多元統計分析，能夠體現不同因子對滑坡影響程度的差異，但卻無法從空間角度表現各因子子區(qū)間與滑坡的相關性。

綜上所述，信息量模型與Logistic回歸模型的互相結合，將彌補單一模型的局限性。因此，為了獲取更理想的預測模型，本文以江西省崇義縣滑坡為例，對信息量模型、Logistic回歸模型以及信息量-Logistic回歸耦合模型進行滑坡易發(fā)性對比研究，以期獲得準確率更高的評估結果。

1 研究方法

通過信息量-Logistic回歸耦合模型開展研究的主要步驟包括：① 結合研究區(qū)滑坡發(fā)育特征及地質條件，選取合理的各環(huán)境因子;② 基于滑坡編錄信息及相關環(huán)境因子，提取各環(huán)境因子信息量值;③ 以信息量值為指標，構建邏輯回歸模型;④ 易發(fā)性分布圖的制作及模型精度評價。具體計算流程如圖1所示。

1.1 信息量模型

信息量模型在滑坡災害預測領域應用較為廣泛。在實際操作中，一般先計算出每個評價因子中各區(qū)間所對應的信息量值，再進行疊加得到多因子綜合信息量值。其中，綜合信息量值越大，表明滑坡災害易發(fā)性程度越高[20-24]。信息量模型的計算過程如下：

IAj-k=lnnj-k/sj-kn/s

j=1，2，3，…，m;k=1，2，3，…，n（1）

I=mj=1IAj-k=mj=1（IAj-1，IAj-2，IAj-3，…，IAj-n）（2）

式中：nj-k和sj-k分別為第j個影響因子第k區(qū)間的滑坡面積和研究區(qū)面積;n和s分別為滑坡總面積和研究區(qū)總面積;IAj-k和I分別為單因子信息量值和綜合信息量值。各影響因子信息量值是有正負的，正值表示有利于滑坡災害的發(fā)生;負值表示不利于滑坡災害的發(fā)生。

1.2 Logistic回歸模型

在已知的回歸模型中，Logistic回歸模型因其簡單的形式以及優(yōu)異的性能被廣泛應用于滑坡的易發(fā)性評價。在本文研究當中，選取各評價因子的頻率比值作為自變量，以滑坡發(fā)生與否作為分類因變量，利用構建好的模型對未知的滑坡柵格進行概率預測。該模型的計算過程如式（3）所示，對P作Logit函數轉換，結果如式（4）所示：

LogitP=a0+a1x1+a2x2+…+anxn （3）

P=expa0+a1x1+a2x2+…+anxn1+expa0+a1x1+a2x2+…+anxn（4）

式中：x1，x2，x3，…，xn表示各環(huán)境因子;LogitP為滑坡災害發(fā)生概率;a0為常數，表示在所有影響因子影響的前提下滑坡發(fā)生與不發(fā)生概率之比的對數值[25];ai為邏輯回歸系數。

1.3 信息量-邏輯回歸耦合模型

在滑坡災害分析中，信息量-Logistic回歸耦合模型主要是利用已知的滑坡點和隨機選取相同數量的非滑坡點來提取各因子子區(qū)間的信息量值，并以此建立邏輯回歸方程。這樣，不僅考慮了不同因子對滑坡發(fā)生的貢獻權重，而且兼顧了各因子子區(qū)間致災效應的大小。信息量-Logistic回歸耦合模型的計算過程如下：

LogitP=b0+b1（IA1-1，IA1-2，IA1-3，…，IA1-n）+

…+bm（IAm-1，IAm-2，IAm-3，…，IAm-n）=b0+b1（lnn1-1/s1-1n/s，lnn1-2/s1-2n/s，…，lnn1-n/s1-nn/s）+…+bm（lnnm-1/sm-1n/s，lnnm-2/sm-2n/s，…，lnnm-n/sm-nn/s）（5）

式中：b1，b2，b3，…，bn為邏輯回歸系數;IA1-1，IA1-2，IA1-3，…，IAm-n為影響因子集，也即各影響因子不同子區(qū)間的信息量值;lnn1-1/s1-1n/s，lnn1-2/s1-2n/s，…，lnnm-n/sm-nn/s是利用式（1）計算得到的不同影響因子各個子區(qū)間的信息量值。

2 研究區(qū)概況

崇義縣位于江西省西南邊陲，地處113°55′E～114°38′E和25°24′N～25°55′N之間，面積約為2 206 km2，海拔140.0～2 061.3 m，境內地勢高低起伏，山脈橫縱交錯。此外，全區(qū)以侵蝕構造中低山和侵蝕構造低山地形為主，少部分為巖溶和侵蝕堆積地形。全縣雨量充沛，水資源極為豐富，主要水系有大江、小江及揚眉江等。因處于南嶺東西向構造帶與諸廣山-萬洋山南北向構造帶復合部位，導致該地區(qū)局部滑坡災害時有發(fā)生。

崇義縣地質災害較為發(fā)育，類型較全，分布范圍廣，其主要地質災害類型為滑坡和不穩(wěn)定斜坡。通過研究區(qū)遙感影像解譯及野外走訪調查，總共編錄了289處滑坡，其分布面積約為6.73 km2，滑坡平均面密度為0.31%，如圖2所示。研究區(qū)滑坡發(fā)育表現為：人口居住密度較大的低山丘陵地區(qū)滑坡災害較為頻繁，雨季和暴雨季往往呈現出集中暴發(fā)滑坡災害的趨勢。

3 滑坡易發(fā)性評價因子體系的建立

3.1 評價單元劃分

當前用于滑坡易發(fā)性評價的單元主要有：柵格、斜坡、子流域、均一條件及行政區(qū)劃單元[26]。其中，柵格

和斜坡單元應用得比較廣泛。依據山脊山谷線等斜坡單元對真實地貌進行劃分，雖然具有明確的地質特征意義，但是實際操作中十分依賴人工操作[27]。而柵格單元能夠快速剖分并進行高效率的模型計算，被廣泛應用于易發(fā)性的研究當中[28]。因此，本文選擇柵格作為研究區(qū)評價單元，且柵格單元大小為30 m。

3.2 數據來源

本次研究采用的數據包括：① 滑坡災害點編錄數據以及野外調查資料，用于獲取滑坡分布圖;② 30 m分辨率的數字高程模型，用于提取坡度、地形起伏度等地形因子信息;③ 1∶100 000比例尺的地質圖，用于提取地層巖性信息;④ 崇義地區(qū)遙感影像，用于提取植被指數（NDVI）和建筑指數（NDBI）等。

3.3 評價因子的選取及相關性分析

在滑坡易發(fā)性的預測過程中，對于最適合的環(huán)境因子選取尚未達成統一意見，通?？紤]地形地貌、水文環(huán)境、基礎地質和植被覆蓋等方面與滑坡關系密切的因子。本文通過分析崇義縣滑坡災害發(fā)育特征和常用的環(huán)境因子，選取高程、坡度、坡體結構、平面曲率、剖面曲率、地形起伏度、距水系距離、巖性、NDVI、NDBI等因子組成研究區(qū)滑坡易發(fā)性評價因子體系[29]。根據Jenks自然間斷點法將各連續(xù)型因子分為6類，各因子子類別頻率比和信息量值如表1所列。利用ArcGIS 10.2軟件得到各個評價因子的分級圖如圖3所示。

3.3.1 地形地貌因子和水文環(huán)境因子

各環(huán)境因子與滑坡之間的相關性主要利用各因子子類別相應的滑坡密度和信息量值來反映，如圖4 所示。高程和坡度是影響滑坡的重要因素。由圖4（a）和圖4（b）可知，滑坡主要發(fā)生在高程140～353 m和坡度8.03°～19.96°的區(qū)域，其滑坡分布密度分別為0.59%和0.57%。坡體結構的類型也能影響滑坡的發(fā)育，主要分為凹形坡、凸形坡、直線形坡和復合形坡，且在復合型和凸型坡中有利于滑坡的出現，如圖4（c）所示。平面曲率和剖面曲率反映了地形對地表水流的斂散性和加速作用，當平面曲率在-0.30～0.19、剖面曲率在-0.27～0.79區(qū)間時，滑坡有較大概率發(fā)生，如圖4（d）～（e）所示。而地形起伏度作為一個地區(qū)重要的地形屬性，其對研究區(qū)內滑坡災害的發(fā)生也有著重要的影響，當地形起伏度在0～70之間時，有利于滑坡的發(fā)生，如圖4（f）所示。

水系指流域內所有河流、湖泊等各種水體組成的水網系統，是誘發(fā)滑坡或在滑坡出現之后加劇災害的重要因素[30-31]。研究區(qū)主要的水系包括大江、小江及揚眉江等河流。本文通過ArcGIS軟件對DEM數據經過填洼、流向流量提取、柵格河網矢量化處理，得到水系矢量河網，再進行多環(huán)緩沖區(qū)分析得到距水系距離分布圖，如圖4（g）所示。當距水系距離在500 m以內時，信息量大于0，表明距離水系越近的區(qū)域越容易發(fā)生滑坡災害。

3.3.2 基礎地質和地表覆被因子

巖性是滑坡發(fā)生的重要內部因素，如圖4（h）所示。變質巖巖類、碎屑巖巖類、碳酸鹽巖巖類構造較為軟弱，其對應的信息量均大于0，有利于滑坡發(fā)生。NDVI和NDBI是用來表征地表植被覆蓋程度以及地表建筑化程度的相對大小，如圖4（i）～（j）所示;當NDVI小于0.345和NDBI大于0.483時，該區(qū)域有利于滑坡的發(fā)育;而當NDBI小于0.29時，則不利于滑坡的發(fā)生。

4 滑坡易發(fā)性評價

4.1 信息量模型與邏輯回歸模型

本次研究利用研究區(qū)內7 618個已知滑坡柵格和7 618個非滑坡柵格所提取的各因子子區(qū)間信息量值，并結合式（2）來獲取研究區(qū)滑坡易發(fā)性。另外，通過Jenks自然間斷點法將崇義縣滑坡易發(fā)性劃分為5個等級：極低易發(fā)區(qū)、低易發(fā)區(qū)、中易發(fā)區(qū)、高易發(fā)區(qū)、極高易發(fā)區(qū)，最終得到滑坡易發(fā)性分級圖，如圖5（a）所示。

再利用研究區(qū)內7 618個滑坡柵格和隨機選取的7 618個非滑坡柵格作為Logistic回歸模型的數據集。以高程、坡度等10個因子不同子區(qū)間的頻率比值作為自變量，以滑坡發(fā)生與否（標記為1和0） 作為因變量。隨后利用統計軟件SPSS 24.0進行二元Logistic回歸分析，得到各個影響因子的Logistic回歸系數值。由表 2可知，各因子顯著性檢驗統計量Sig均小于所設的顯著性水平0.05，說明Logistic回歸模型具有統計意義。Logistic回歸擬合方程如式（6）所示，從方程中可以看出：高程、距水系距離、巖性、NDVI、NDBI等因子對滑坡的發(fā)生起主要控制作用。利用ArcGIS10.2獲取的研究區(qū)滑坡易發(fā)性分級圖，如圖5（b）所示。

LogitP=-3.856+0.594×高程+0.352×坡度+0.391×坡體結構+0.382×平面曲率+0.406×剖面曲率-0.295×地形起伏度+0.531×距水系距離+0.426×巖性+0.544NDVI+0.611NDBI（6）

4.2 信息量-Logistic回歸耦合模型

本文將各因子子區(qū)間的信息量值和滑坡發(fā)生與否（記為1和0）作為邏輯回歸模型的輸入數據來構建信息量-Logistic回歸耦合模型。耦合模型下各個影響因子的Logistic回歸系數值如表3所列。結果顯示各因子Sig均小于所設的顯著性水平0.05，說明耦合模型具有統計意義。上述耦合模型的回歸擬合方程如下式（7）所示，從方程中可以看出，高程、距水系距離、NDVI、NDBI等因子對滑坡的發(fā)育起主要控制作用。此外，耦合模型的滑坡易發(fā)性分級圖，如圖5（c）所示。將該分級圖與歷史滑坡災害點圖層進行對比分析，發(fā)現耦合模型得出的評估結果與實際情況具有很高的吻合度。

LogitP=-0.014+0.635×高程+0.098×坡度+0.304×坡體結構+0.345×平面曲率+0.289×剖面曲率+0.002×地形起伏度+0.530×距水系距離+0.323×巖性+0.557NDVI+0.728NDBI（7）

4.3 模型精度評估及易發(fā)性結果分析

本文采用預測率曲線法對信息量模型、Logistic回歸模型和信息量-Logistic回歸耦合模型得出的滑坡易發(fā)性進行精度評估。預測率曲線能夠表示實測數據與擬合數據之間的關系，預測率曲線下的面積AUC越大，說明擬合數據和實測數據越接近，模型的成功率也就越高。從圖5（d）中可以看出：耦合模型的成功率（80.4%） 較信息量模型（72.8%）和Logistic回歸模型（76.8%）的成功率更高，說明耦合模型具有更好的預測性能。由上述3種模型得到的易發(fā)性分級圖可知，其滑坡易發(fā)性分布規(guī)律具有一定相似性。本文通過將滑坡易發(fā)性分布圖和滑坡災害點分布圖進行疊加分析，結果如下。

（1） 從統計結果表 4可以看出，耦合模型較信息量模型和Logistic回歸模型有40.93%的滑坡災害點落在極高易發(fā)區(qū)（信息量模型為30.67%，Logistic回歸模型為19.54%），其面積占全縣總面積11.56%;有33.84%的滑坡災害點落在高易發(fā)區(qū)（信息量模型為34.94%，Logistic回歸模型為31.47%），其面積占全縣總面積22.74%。

（2） 極高易發(fā)區(qū)和高易發(fā)區(qū)集中于海拔高程較低、接近水系、碳酸鹽巖性地層構造、植被覆蓋率低、建筑密集的區(qū)域。其中水通過對斜坡進行沖刷、軟化以及水壓力作用，使巖土體的抗剪強度大大降低，增加了滑坡發(fā)生的概率;而碳酸鹽巖本身地層構造較為軟弱，在降雨、地震等誘發(fā)因素下也極易產生滑坡災害。

（3） 信息量模型的高和極高易發(fā)性分區(qū)表現得最為分散;邏輯回歸模型的高和極高易發(fā)性分區(qū)則集中分布在水系周圍;而耦合模型彌補了上述2種模型各自的局限性，表現出沿著水系的集中趨勢同時又呈現出一定的分散性。這個現象也體現出耦合模型較其他2種模型的優(yōu)越性。

5 結 論

（1） 3種模型都具有良好的預測效果，其中耦合模型的預測性能（80.4%） 較信息量模型（72.8%）、邏輯回歸模型（76.8%）更高，其評價結果也更加合理、準確。

（2） 高易發(fā)區(qū)和極高易發(fā)區(qū)多集中于海拔高程較低、接近水系、碳酸鹽巖性地層構造、植被覆蓋率低、建筑密集的區(qū)域。各個評價因子中高程、距水系距離、巖性、NDVI、NDBI對滑坡災害的發(fā)生起主要控制作用。

（3） 基于耦合模型所計算得出的易發(fā)性分級圖與研究區(qū)歷史滑坡災害點分布情況較為吻合。34.30%的高和極高易發(fā)性研究區(qū)內發(fā)生了74.77%的滑坡。綜上所述，基于耦合模型得出的評價結果能夠為崇義縣乃至其他地區(qū)的滑坡災害風險評估提供理論指導。

參考文獻：

[1] 陳亮青，鄒宗興，苑誼，等.考慮誘發(fā)因素影響滯后性的庫岸滑坡位移預測[J].人民長江，2018，49（12）：60-65.

[2] GUO Z，YIN K，GUI L，et al.Regional rainfall warning system for landslides with creep deformation in Three Gorges using a statistical black box model[J].Scientific Reports，2019，9（1）：8962.

[3] HUANG F，YIN K，ZHANG G，et al.Landslide groundwater level time series prediction based on phase space reconstruction and wavelet analysis-support vector machine optimized by PSO algorithm[J].Earth Science-Journal of China University of Geosciences，2015，40（7）：1254-1265.

[4] LIU W，LUO X，HUANG F，et al.Uncertainty of the soil-water characteristic curve and its effects on slope seepage and stability analysis under conditions of rainfall using the markov Chain Monte Carlo Method[J].Water，2017，9（10）：758.

[5] 鮮木斯艷·阿布迪克依木，何書，基于MIV-BP神經網絡的滑坡易發(fā)性空間預測[J].人民長江，2019，50（23）：140-144.

[6] HUANG F，CAO Z，GUO J，et al.Comparisons of heuristic，general statistical and machine learning models for landslide susceptibility prediction and mapping[J].Catena，2020（191）：104580.

[7] ALTHUWAYNEE O F，PRADHAN B，PARK H J，et al.A novel ensemble bivariate statistical evidential belief function with knowledge-based analytical hierarchy process and multivariate statistical logistic regression for landslide susceptibility mapping[J].Catena，2014，114（2）：21-36.

[8] LI D，HUANG F，YAN L，et al.Landslide susceptibility prediction using particle-swarm-optimized multilayer perceptron：comparisons with multilayer-perceptron-only，BP Neural Network，and information value models[J].Applied Sciences，2019，9（18）：3664.

[9] 劉磊，殷坤龍，王佳佳，等.降雨影響下的區(qū)域滑坡危險性動態(tài)評價研究：以三峽庫區(qū)萬州主城區(qū)為例[J].巖石力學與工程學報，2016，35（3）：558-569.

[10] 張俊，殷坤龍，王佳佳，等.三峽庫區(qū)萬州區(qū)滑坡災害易發(fā)性評價研究[J].巖石力學與工程學報，2016，35（2）：284-296.

[11] HUANG F，ZHANG J，ZHOU C，et al.A deep learning algorithm using a fully connected sparse autoencoder neural network for landslide susceptibility prediction[J].Landslides，2020，17（1）：217-229.

[12] HUANG F M，WU P，ZIGGAH Y Y.GPS monitoring landslide deformation signal processing using time-series model[J].International Journal of Signal Processing，Image Processing and Pattern Recognition，2016，9（3）：321-332.

[13] 高彩云.基于新型智能算法ELM的滑坡變形位移預測[J].人民長江，2017，48（10）：46-49，69.

[14] 張旭，周紹武，龔維強，等.金沙江烏東德庫區(qū)必油照滑坡穩(wěn)定性分析[J].人民長江，2019，50（23）：124-129.

[15] 許英姿，盧玉南，李東陽，等.基于GIS和信息量模型的廣西花崗巖分布區(qū)滑坡易發(fā)性評價[J].工程地質學報，2016，24（4）：693-703.

[16] 張向營，張春山，孟華君，等.基于GIS和信息量模型的京張高鐵滑坡易發(fā)性評價[J].地質力學學報，2018（1）：96-105.

[17] 許沖，戴福初，徐素寧，等.基于邏輯回歸模型的汶川地震滑坡危險性評價與檢驗[J].水文地質工程地質，2013，40（3）：98-104.

[18] BAI S B，WANG J，GUO N L，et al.GIS-based logistic regression for landslide susceptibility mapping of the Zhongxian segment in the Three Gorges area，China[J].Geomorphology，2010（115）：23-31.

[19] LEE S，JOONG S W，JEON S，et al.Spatial landslide hazard prediction using rainfall probability and a logistic regression model[J].Math Geosciences，2015（47）：565-589.

[20] 段釗，趙法鎖，李芳.基于GIS的陜西省滑坡災害空間分異特征探討[J].災害學，2012，27（1）：34-37.

[21] 方丹，胡卓瑋，王志恒.基于GIS的北川縣地震次生滑坡災害空間預測[J].山地學報，2012，30（2）：230-238.

[22] 陶舒，胡德勇，趙文吉，等.基于信息量與邏輯回歸模型的次生滑坡災害敏感性評價：以汶川縣北部為例[J].地理研究，2010，29（9）：1594-1605.

[23] 高治群，薛傳東，尹飛，等.基于GIS的信息量法及其地質災害易發(fā)性評價應用：以滇中晉寧縣為例[J].地質與勘探，2010，46（6）：1112-1118.

[24] 郭宇，黃健民，陳建新，等.廣州市白云區(qū)金沙洲地區(qū)地質災害風險區(qū)劃[J].熱帶地理，2013，33（6）：659-665.

[25] 王進，郭靖，王衛(wèi)東，等.權重線性組合與邏輯回歸模型在滑坡易發(fā)性區(qū)劃中的應用與比較[J].中南大學學報（自然科學版），2012，43（5）：1932-1939.

[26] PHAM B T，BUI D T，PRAKASH I，et al.Hybrid integration of multilayer perceptron neural networks and machine learning ensembles for landslide susceptibility sssessment at Himalayan area（India） using GIS[J].Catena，2017（149）：52-63.

[27] YAO X，THAM L G，DAI F C，Landslide susceptibility mapping based on support vector machine：a case study on natural slopes of Hong Kong，China[J].Geomorphology，2008，101（4）：572-582.

[28] 黃發(fā)明，汪洋，吳禮舟，等.基于灰色關聯度模型的區(qū)域滑坡敏感性評價[J].地球科學，2019，44（2）：664-676.

[29] 王世梅，劉佳龍，王力，等.三峽水庫庫水位升降對譚家河滑坡影響分析[J].人民長江，2015，46（21）：83-86.

[30] LI Y，HUANG J，JIANG S H，et al.A web-based gps system for displacement monitoring and failure mechanism analysis of reservoir landslide[J].Scientific Reports，2017，7（1）：17171.

[31] HUANG F M，TIAN Y G.WA-VOLTERRA coupling model based on chaos theory for monthly precipitation forecasting[J].Earth Science-Journal of China University of Geosciences，2014，34（9）：368-374.

（編輯：胡旭東）

Evaluation of landslide susceptibility based on coupling model of

information value-logistic regression

LI Yijing1，HU Qichao1，LIU Huazan1，DU Zhen1，CHEN Jiawu1，HUANG Jinchang2，HUANG Faming1

（1.School of Civil Engineering and Architecture，Nanchang University，Nanchang 330031，China; 2.Hangzhou Weiye Construction Group Co.，Ltd，Hangzhou 310003，China）

Abstract：

The prediction of regional landslide susceptibility can accurately reflect the spatial probability characteristics of landslide distribution in a specific research area.In this paper，the coupling model based on information value model and logistic regression model was used to predict the landslide susceptibility in Chongyi County，Jiangxi Province.First of all，10 influence factors including elevation，slope gradient，slope structure，plane curvature，profile curvature，topographic relief，distance from water system，lithology，Normalized Difference Vegetation Index（NDVI） and Normalized Difference Built-up Index（NDBI）were selected.Then，the logistic regression model was constructed by using the information value of each factor.In addition，the information value model and the logistic regression model were used as comparison models to explore the evaluation results of the landslide susceptibility of the three models.The results showed that the coupling model had the best prediction performance（AUC = 80.4%），and the rest were logistic regression model（76.8%） and information model（72.8%）;the distribution rules of landslide susceptibility predicted by each model had certain similarities，namely most of the landslides occurred in areas of low elevations，close to water systems，carbonate lithologic strata，low vegetation coverage and dense buildings.

Key words：

landslide susceptibility prediction;influence factor;information value model;logistic regression model;information value-logistic regression coupling model