2. 北京林业大学重庆缙云山三峡库区森林生态系统定位观测研究站, 100083, 北京;
3. 北京市水生态保护与水土保持中心, 100086, 北京;
4. 自然资源部重庆典型矿区生态修复野外科学观测研究站 重庆地质矿产研究院, 401120, 重庆
中国水土保持科学 2023, Vol. 21 Issue (6): 53-62. DOI: 10.16843/j.sswc.2023.06.006 |
重庆市由于其地形地貌的复杂性、极端气候的频发性以及三峡工程的建设,致使其滑坡灾害频发,具有“点多、面广”的分布特点[1]。2015年6月24日重庆巫山突发大面积滑坡造成6人伤亡,2001年5月1日重庆武隆县发生山体滑坡造成79人死亡。因此,进行重庆市的滑坡灾害易发性评价具备一定的必要性,为政府决策、提前预测、防灾减灾提供科学依据。
近年来由于遥感(remote sensing, RS)和地理信息系统(geographic information system, GIS)技术的迅速发展,对地质灾害的评价由定性分析逐渐推向定量分析,大幅度提高评价和预测的精准度。目前常用的定量分析模型包括:频率比模型、信息量模型、证据权模型、加权频率比模型、集成学习模型、随机森林模型、人工神经网络模型、逻辑回归模型等。毛华锐等[2]运用频率比法绘制渝东北三峡库区滑坡敏感性图;田春阳等[3]采用信息量理论开展辽宁省西丰县的地质灾害评价工作;郭子正等[4-5]分别采用证据权法、加权频率比模型对三峡库区万州区进行滑坡易发性等级预测;周超等[6]基于集成学习和径向基神经网络耦合模型(RBNN-Adaboost)评价三峡库区龙驹坝滑坡敏感性;吴润泽等[7]采用随机森林模型对三峡库区湖北段进行易发性评价;Yesilnacar等[8]对比分析了逻辑回归模型和神经网络模型在土耳其Hendek地区的易发性评价结果;Sun等[9]采用贝叶斯优化算法优化随机森林模型中的参数,提高了三峡库区奉节县的滑坡评价精度;Sahana等[10]对比了逻辑回归、模糊逻辑、频率比3种模型在印度Rudraprayag地区的滑坡评价结果,结果表明模糊逻辑模型更适合评价Rudraprayag地区。上述模型都具各自的优点和缺点,不同地区适用的模型不同。由于信息量模型概念明确、客观性强、适用范围广[11],使其在地质灾害评价中被广泛应用,且评价结果得到认可。
笔者以重庆市为研究对象,选取地形、地质、水文环境、人类活动4大类指标,采用相关性检验剔除相关系数较大的指标后,建立研究区滑坡灾害易发性的评价指标体系;基于信息量模型确定各评价指标对历史滑坡灾害提供的信息量值以及确定主要影响因子;再基于GIS平台,将各评价指标的信息量值进行叠加得到研究区的总信息量值,进行易发性分区;最后统计历史滑坡灾害点在各易发性分区的分布情况,计算信息量模型的预测精度。
1 研究区概况重庆市位于我国内陆西南部、长江上游地区,下辖巫山、巫溪、奉节、开州、云阳等38个区县。地跨E 105°11′~110°11′、N 28°10′~32°13′,总面积约8万2 422 km2。研究区属于亚热带湿润季风气候区,平均相对湿度在70%~80%,年均降雨量1 000~ 1 350 mm,集中分布于汛期5—9月,多灾害性暴雨天气。区内地势东高西低,最高海拔2 786 m,最低海拔52 m,地质构造复杂多样,地形以丘陵、山地为主。由于其地形、地质、水文环境等因子的特殊性,造成其滑坡灾害频发。据统计,2000—2020年期间,区内共发生滑坡8 756次,其中主要分布在奉节(1 288次)、巫山(783次)、云阳(602次)、万州(490次)、忠县(467次)、江津(444次)、涪陵(431次)、开州(417次)8个区县(图 1)。
根据前人研究[12],地质灾害的影响指标分为地形、地质、水文环境、人类活动因子4大类。笔者选取地形因子包括高程、坡度、坡向;地质因子包括地层岩性、距构造距离;水文环境因子包括距水系距离、降雨量、土壤类型;人类活动因子包括土地利用类型、距道路距离、归一化植被指数(normalized difference vegetation index, NDVI)。
根据野外实地调查与评价精度的要求,收集各指标因子数据,数据源见表 1。采用ArcGIS 10.2中的栅格表面工具从高程数据中提取坡度、坡向;基于地质图、构造纲要图中提取岩性、构造信息;采用ArcGIS 10.2中的多环缓冲工具对构造、水系、道路等数据进行处理;通过ArcGIS 10.2中的克里金插值法对多年原始降雨量数据插值得到重庆市平均月降雨栅格数据;采用ArcGIS 10.2中地图代数的栅格计算器能求得重庆市2000—2020年的NDVI多年均值。在基于遥感影像数据确定全区滑坡分布的情况下,根据野外实地调查、滑坡详勘资料等对滑坡历史清单信息进行更新补充。
滑坡灾害的发生受多种因子耦合作用影响,区域位置不同,各因子的影响程度不同。信息量法是一种统计预测方法,通过统计各因子在历史滑坡灾害中所提供的信息量,对区域内滑坡易发性进行分区具有依据性。信息量值越大,指标因子对滑坡的影响程度越大,在进行分区时滑坡灾害发生的可能性越大。
$ F(i, L)=\ln \frac{N_i / N}{M_i / M}。$ |
式中:F(i, L)为指标因子(或范围)i对区域内滑坡灾害发生所提供的信息量值;Ni为指标因子(或范围)i内已发生的滑坡次数;N为研究区已发生的滑坡总次数;Mi为指标因子(或范围)i的面积,km2;M为研究区总面积,km2。
完成各指标因子(或范围)i的信息量计算后,通过ArcGIS 10.2中的栅格叠加功能将所有指标因子(或范围)i的信息量值进行叠加得到研究区的总信息量值
$ F_i=\sum\limits_{i=1}^n F(i, L)=\sum\limits_{i=1}^n \ln \frac{N_i / N}{M_i / M}。$ |
式中n为指标因子数量。
3 指标因子分析 3.1 地形因子高程、坡度属于连续型变量,依据自然断点法将高程、坡度指标分为6个等级,滑坡灾害及各指标的等级空间分布见图 2,对应信息量值见表 2。高程是影响滑坡发育的重要因素,具体体现在:直接影响坡体内部的受力面分布以及受力是否均匀,以及间接影响温差、植被分布、人类活动等指标。重庆市高程分布呈现东高西低,90.50%的滑坡发生在[3 m, 957 m)区间内(图 2a)。当高程位于[957 m, 1 294 m)、[1 294 m, 1 739 m)、[1 739 m, 2 786 m]区间时,滑坡数量分别为704、117、8,滑坡数量极剧减少,原因为当高程大于957 m时,降水和人类活动较少,导致滑坡不易发生。坡度会直接影响斜坡的稳定性,对滑坡灾害的发生起着决定作用[13]。由图 2b可知,重庆市坡度分布为东北高、西北低,81.06%的滑坡发生在[7°, 28°)之间,当坡度≥37°时,几乎没有滑坡发生(1.18%)。坡向是指临空面的朝向,不同坡向直接影响光热的再分配,影响水分状况和植被分布,从而影响斜坡稳定性。坡向属于离散型变量,本文等级划分中,坡向分为平地、北、东北、东、东南、南、西南、西、西北9个等级。滑坡在平地上分布较少(滑坡次数为3),南、西南、东南的信息值较大,分别为0.100、0.092、0.036,表明滑坡更易发生在南面[14]。
地层岩性属于离散型变量,直接将类型划分为12个等级。重庆市主要以砂岩、石灰岩、泥岩、页岩为主,其次为泥灰岩、砾岩、花岗岩,局部分布有千枚岩、板岩、玄武岩(图 3a)。不同类型的岩石物理力学特性存在较大差异[15],例如泥岩、页岩、板岩、千枚岩的岩性差,所构成的斜坡易风化产生泥化矿物,致使坡体结构面抗剪强度降低,破坏坡体稳定性。重庆市的砂岩、泥岩主要分布在西北部,石灰岩、页岩主要分布在东北部和南部。其中,91.53%的滑坡发生在砂岩、泥岩、页岩、石灰岩4个岩层上,但板岩的信息量值最大,表明重庆市板岩分布少,但只要板岩存在的区域发生滑坡的概率最大。距构造距离属于连续型变量,基于ArcGIS的多环缓冲功能将距离分为7个等级,地质构造通过影响坡体内部软弱结构面的发展与演化间接影响斜坡稳定。据图 3b和表 2可知,48.20%的滑坡发生在距构造2 500 m的范围之外,但其信息量值最小。距构造距离[500 m, 1 000 m)区间的信息量值最大,表明在距构造[500 m, 1 000 m)范围内最易发生滑坡。
距水系距离属于连续型变量,基于ArcGIS的多环缓冲功能将距水系距离分为7个等级。水流的下切作用以及入渗作用会破坏边坡内部应力分布,据图 4a和表 2可知重庆市58.92%的滑坡发生距水系2 500 m范围之外,其信息量值最小。距水系距离[200 m, 500 m)的信息量值最大,表明重庆市在距水系[200 m, 500 m)距离内最易发生滑坡。降雨量属于连续型变量,依据自然断点法将降雨量分为6个等级;降雨是滑坡灾害产生的主要诱发因素[16],其影响主要体现在4方面:1)降雨对地表的击溅作用破坏坡面表层结构;2)降雨入渗会在坡面浅表层形成暂态饱和区,降低土体有效应力,加速坡体变形;3)雨水的入渗提高坡体含水量,增加坡体自重;4)未入渗的雨水形成地表径流冲刷坡面。据图 4b和表 2可知,重庆市的月均降雨量主要分布于[134 mm, 157 mm]之间,东南、西北降雨量较大;其中,6 526次(74.53%)滑坡发生在降雨量[134 mm, 148mm)的区域,[134 mm, 139mm)区间的信息量值最大,表明在月均降雨量位于[134 mm, 139mm)区间的地域,最易发生滑坡灾害。
土壤类型属于离散型变量,直接将类型划分为8个等级;不同类型的土壤存在不同的物理力学特性。据图 4c和表 2可知,重庆市主要以黄壤和紫色土为主,分别占47.94%和39.36%,黄壤土主要分布在西北部,紫色土主要分布在东北部和南部。89.47%的滑坡发生在黄壤和紫色土,黄壤的信息量值最大,表明重庆市滑坡灾害主要发生在黄壤地区。
3.4 人类活动因子土地利用类型属于离散型变量,直接将类型划分为6个等级。土地利用会影响水土流失、降雨入渗、地表结构特征,不合理的土地利用加速滑坡发育。据图 5a和表 2可知,重庆市的土地利用主要以耕地和林地为主,分别占45.48%和40.76%;耕地主要分布在西北部和西南部,林地主要分布在东北和东南部。其中,84.43%的滑坡发生在耕地和林地上,两者的信息量值分别为0.159和-0.270,耕地更易诱发滑坡发生。距道路距离属于连续型变量,基于ArcGIS的多环缓冲功能将距道路距离分为7个等级。道路建设破坏了原有的自然地质条件,破坏坡体自身平衡状态。据图 5b和表 2可知,50.54%的滑坡发生在距道路2 500 m范围之外,但其信息量值最小;[0, 200 m)的信息量值最大,表明在距道路200 m范围之内最易发生滑坡。NDVI属于连续型变量,依据自然断点法将NDVI分为6个等级,植被的护坡作用通过力学机制、水文机制发挥作用。重庆市的NDVI分布在[8%, 74%]之间,主要呈现东北高、西北低的走势(图 5c)。NDVI为[8%, 38%)时,信息量值最大,表明植被覆盖较少的地方更易发生滑坡灾害。
依据工程地质类比法的思想,各指标因子之间存在一定的相关性。若选取所有指标进行评价分析,各指标之间的影响权重可能会叠加,影响评价结果的准确性。因此,采用ArcGIS中的波段集统计工具对11个指标进行相关性检验,得到各指标之间的相关性系数分布在-0.310~0.648之间,以弱相关和无相关为主(图 6)。其中,共有3组指标因素的相关性较强:高程与坡度(0.440)、高程与NDVI(0.648)、坡度与NDVI(0.510)。由于高程分别和坡度、NDVI指标相关,且相关系数较大,因此易发性评价过程中剔除高程指标。
通过直接分类、自然断点、多环缓冲3种方法确定各指标因子的等级划分后,结合相关性分析结果,选取坡度、坡向、地层岩性、距构造距离、距水系距离、降雨量、土壤类型、土地利用类型、距道路距离、NDVI 10个指标作为信息量模型的评价指标体系。将各指标因子的信息量值进行统计并进行排序(表 2),排序前5位的分别为:距水系距离[200 m,500 m)(信息量值0.809)、NDVI[8%,38%)(信息量值0.563)、坡度[13°,20°)(信息量值0.500)、距水系距离[0,200 m)(信息量值0.429)、距水系距离[500 m,1 000 m)(信息量值0.428)。表明重庆市水系、NDVI、坡度是影响滑坡发育的主要影响因子。
4.3 重庆市滑坡灾害易发性评价将评价指标体系中的10个指标因子的信息量通过ArcGIS的栅格叠加分析得到重庆市的总信息量值分布于-5.516~3.584之间。通过自然断点法将总信息量划分为5类:不易发区[-5.516,-2.233)、低易发区[-2.233,-1.087)、中易发区[-1.087,-0.239)、高易发区[-0.239,0.573)、极高易发区[0.573,3.584]。
绘制滑坡灾害易发性分区图,研究区主要以高易发区和中易发区为主(图 7)。重庆市极高易发区面积为1万4 230.14 km2,占研究区面积的17.26%,已发生滑坡次数3 627次,占滑坡总数41.42%。极高易发区在重庆市各个区县均有分布,主要集中分布于渝中、南岸、大渡口、巴南、江北、云阳。根据图 7可以看出,极高易发区的空间分布与水系分布高度吻合。高易发区面积为2万6 222.76 km2,占研究区面积的31.82%,已发生滑坡次数3 220次,占滑坡总数36.77%。高易发区在重庆市各个区县均有分布,主要集中分布于酉阳、忠县、九龙坡、彭水、渝北区域。中易发区面积为2万3 260.00 km2,占研究区面积的28.22%,已发生滑坡次数1 351次,占滑坡总数15.43%。低易发区面积为1万5 293.23 km2,占研究区面积的18.55%,已发生滑坡次数501次,占滑坡总数5.72%。不易发区面积为3 415.88 km2,占研究区面积的4.14%,已发生滑坡次数57次,占滑坡总数0.65%。其中,渝中、南岸、巴南、大渡口、江北、云阳分别有96.97%、86.46%、80.94%、78.53%、77.46%和71.56%的区域处于极高易发区和高易发区,应加强滑坡灾害防治措施。
基于信息量模型确定重庆市滑坡灾害的3大主要影响指标为水系、NDVI和坡度。水系对边坡影响主要体现在3方面[17]:1)河流对岸坡坡脚的冲刷、掏蚀作用,为滑坡的发生提供了良好的临空条件;2)水位的周期性变化,使岸坡土体长期处于干湿交替状态,破坏岸坡土体强度,使岸坡变形特征产生不可逆的变化;3)水的入渗作用会增加边坡含水量,对岩土体起到软化作用。当距水系距离特别近时,水同时也会对边坡土体产生静水压力,促使边坡短时间内不会发生失稳,这可能也是距水系[200 m,500 m)信息量值比[0,200 m)大的原因,是否正确还需进一步细化研究。植被对边坡稳定存在正负两方面作用[18],正作用包括:截留雨水、减弱地表冲刷、根系锚固、调节水文;负作用主要包括:增加坡体自重、增加土壤渗透系数、向坡体转移风荷载[19]。根据表 2,NDVI 5个等级对应的信息量值分别为0.563、-0.143、-0.126、0.319、-0.059和-0.552,表明当NDVI为[8%,38%)和[54%,59%)时,植被的负作用占主要地位,促进滑坡的发生;当NDVI处于[38%,54%)和[63%,74%]时,植被的正作用占据主要地位。坡度决定坡体内部应力分布状态、地表径流状态、地下水补给情况,以及决定由重力所产生的下滑力大小和滑坡规模,坡度越大斜坡稳定性越差[13]。根据表 2,坡度6个等级对应的信息量值分别为-0.879、0.082、0.500、0.269、-0.300和-1.164,信息量值随坡度的升高逐渐增加,在[13°,20°)区间达到最大值,随后随坡度增加逐渐减小。后面信息量值逐渐减小的原因可能是,当坡度≥20°时,人类工程设施(修建公路、房屋修建、水利工程)减少、雨水入渗量减少,滑坡灾害不易发生。
此外,基于遥感和GIS平台,采用信息量模型确定各指标因子为滑坡灾害发生提供的信息量值,进行重庆市滑坡灾害易发性分区,是一项有利于防治重庆市地质灾害的工作。在易发性评价结果中,易发性越高的地区滑坡密度越大,则代表评价结果越合理。在本次评价结果中,存在78.20%滑坡分布于极高易发区和高易发区,且滑坡密度随易发性分区等级的增加而增加,表明本次研究重庆市滑坡易发性分区的结果有效且合理(表 3)。采用历史滑坡点落在极高易发区、高易发区的比例表征信息量模型预测重庆市滑坡灾害的精度,本研究评价精度为78.20%。
1) 以重庆市为研究对象,选取高程、坡度、坡向、地层岩性、距构造距离、距水系距离、降雨量、土壤类型、土地利用类型、距道路距离、NDVI共11个指标作为研究滑坡的影响因子。通过相关性分析剔除高程因子后,构建重庆市滑坡灾害易发性评价指标体系。基于2000—2020年的滑坡灾害数据,采用信息量模型绘制重庆市滑坡灾害易发性分区图,采用自然断点法将研究区划分为极高易发区、高易发区、中易发区、低易发区、不易发区。研究区内主要以高易发区、中易发区为主,信息量模型评价精度达78.20%,能够较好反映重庆市的滑坡灾害情况。
2) 根据信息量模型确定各指标因子的信息量值,影响重庆滑坡灾害的主要指标为水系、NDVI和坡度。其中,在距水系距离[200 m,500 m)范围、NDVI[8%,38%)、坡度[13°,20°)的区域,发生滑坡灾害的概率最大。重庆市的渝中、南岸、巴南、大渡口、江北、云阳地区均有超过70%的区域处于极高易发区和高易发区,应加强滑坡灾害的防治工作。
[1] |
李玉生. 重庆市三峡库区若干重大地质灾害隐患[J]. 中国地质灾害与防治学报, 2010, 21(1): 133. LI Yusheng. Hidden dangers of some major geological hazards in the Three Gorges Reservoir Area of Chongqing[J]. The Chinese Journal of Geological Hazard and Control, 2010, 21(1): 133. |
[2] |
毛华锐, 孙小飞, 周颖智. 基于频率比-投影寻踪模型的渝东北三峡库区滑坡敏感性制图[J]. 科学技术与工程, 2022, 22(5): 1803. MAO Huarui, SUN Xiaofei, ZHOU Yingzhi. Mapping landslide susceptibility of the Three Gorges Reservoir Area in northeast Chongqing using the frequency ration and projection pursuit model[J]. Science Technology and Engineering, 2022, 22(5): 1803. |
[3] |
田春阳, 张威, 张戈, 等. 基于信息量法的西丰县地质灾害易发性评价[J]. 首都师范大学学报(自然科学版), 2020, 41(2): 32. TIAN Chunyang, ZHANG Wei, ZHANG Ge, et al. Evaluation of geological disaster vulnerability in Xifeng County based on information content method[J]. Journal of Capital Normal University: Natural Science Edition, 2020, 41(2): 32. |
[4] |
郭子正, 殷坤龙, 付圣, 等. 基于GIS和WOE-BP模型的滑坡易发性评价[J]. 地球科学, 2019, 44(12): 4299. GUO Zizheng, YIN Kunlong, FU Sheng, et al. Evaluation of landslide susceptibility based on GIS and WOE-BP model[J]. Earth Science, 2019, 44(12): 4299. |
[5] |
郭子正, 殷坤龙, 黄发明, 等. 基于滑坡分类和加权频率比模型的滑坡易发性评价[J]. 岩土力学与工程学报, 2019, 38(2): 287. GUO Zizheng, YIN Kunlong, HUANG Faming, et al. Evaluation of landslide susceptibility based on landslide classification and weighted frequency ratio model[J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(2): 287. |
[6] |
周超, 殷坤龙, 曹颖, 等. 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[J]. 地球科学, 2020, 45(6): 1865. ZHOU Chao, YIN Kunlong, CAO Ying, et al. Landslide susceptibility assessment by applying the coupling method of radial basis neural network and adaboost: A case study from the Three Gorges Reservoir Area[J]. Earth Science, 2020, 45(6): 1865. |
[7] |
吴润泽, 胡旭东, 梅红波, 等. 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[J]. 地球科学, 2021, 46(1): 321. WU Runze, HU Xudong, MEI Hongbo, et al. Spatial susceptibility assessment of landslides based on random forest: A case study from Hubei section in the Three Gorges Reservoir Area[J]. Earth Science, 2021, 46(1): 321. |
[8] |
YESILNACAR C, TOPAL T. Landslide susceptibility mapping: A comparison od logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey)[J]. Engineering Geology, 2005, 79(3/4): 251. |
[9] |
SUN Deliang, WEN Haijia, WANG Danzhou, et al. A random forest model of landslide susceptibility mapping based on hyperparameter optimization using Bayes algorithm[J]. Geomorphology, 2020, 362: 208201. |
[10] |
SAHANA M, SAJJAD H. Evaluating effectiveness of frequency ratio, fuzzy logic and logistic regression models in assessing landslide susceptibility: A case from Rudraprayag district, India[J]. Journal of Mountain Science, 2017, 14(11): 2150. DOI:10.1007/s11629-017-4404-1 |
[11] |
王佳佳, 殷坤龙, 肖莉丽. 基于GIS和信息量的滑坡灾害易发性评价: 以三峡库区万州区为例[J]. 岩土力学与工程学报, 2014, 33(4): 797. WANG Jiajia, YIN Kunlong, XIAO Lili. Landslides susceptibility assessment based on GIS and weighted information value: A case study of Wanzhou district, Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanic and Engineering, 2014, 33(4): 797. |
[12] |
黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩土力学与工程学报, 2018, 37(1): 156. HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanic and Engineering, 2018, 37(1): 156. |
[13] |
张俊. 三峡库区万州区滑坡灾害风险评估研究[D]. 武汉: 中国地质大学, 2016: 18. ZHANG Jun. Landslide risk assessment in Wanzhou county, Three Reservoir Region[D]. Wuhan: China University of Geology, 2016: 18. |
[14] |
冯国建, 王婷婷. 某高速公路不同坡向情况下的边坡稳定性分析研究[J]. 北方交通, 2021, 335(3): 44. FENG Guojian, WANG Tingting. Analysis and research on slope stability of an expressway under different aspects[J]. Northern Communications, 2021, 335(3): 44. |
[15] |
曹运江, 黄润秋, 郑海军, 等. 岷江上游某水电站工程边坡软岩的崩解特性研究[J]. 工程地质学报, 2006, 14(1): 35. CAO Yunjiang, HUANG Runqiu, ZHENG Haijun, et al. Slaking characteristics of soft rock of the engineering slope in a hydroelectric station in the southwest of China[J]. Journal of Engineering Geology, 2006, 14(1): 35. |
[16] |
徐辉, 刘海知. 诱发滑坡的多尺度降雨特征[J]. 山地学报, 2019, 37(6): 858. XU Hui, LIU Haizhi. Multi-scale rainfall characteristics of rainfall-induced landslides[J]. Mountain Research, 2019, 37(6): 858. |
[17] |
肖捷夫, 李云安, 胡勇, 等. 库水涨落和降雨条件下古滑坡变形特征模型试验研究[J]. 岩土力学, 2021, 42(2): 471. XIAO Jiefu, LI Yun'an, HU Yong, et al. Model tests on deformation characteristics of ancient bank landslide under water level fluctuation and rainfall[J]. Rock and Soil Mechanics, 2021, 42(2): 471. |
[18] |
ELENA B M, SAMUELE S, VERONCIA T. Root reinforcement in slope stability models: A review[J]. Geosciences, 2021, 11(5): 212. DOI:10.3390/geosciences11050212 |
[19] |
张晓东, 刘湘南, 赵志鹏, 等. 基于像元二分法的盐池县植被覆盖度与地质灾害点时空格局分析[J]. 国土资源遥感, 2018, 30(2): 195. ZHANG Xiaodong, LIU Xiangnan, ZHAO Zhipeng, et al. Spatial-temporal pattern analysis of the vegetation coverage and geological hazards in Yanchi county based on dimidiate pixel model[J]. Remote Sensing for Land & Resources, 2018, 30(2): 195. |