摘要
遥感技术提供全面、实时的地表信息，在地质灾害防治中具有重要作用，但针对特定地质背景下的典型黄土地区融入 InSAR 形变因子的危险性评价存在不足。针对传统的评价因子和评价方法已不能满足提高当前黄土地区地质灾害评价准确性的需求，本文融入 InSAR 形变因子构建地质灾害危险性评价指标体系，采用耦合随机森林（RF）—层次分析（AHP）赋权信息量（IV）模型方法对研究区开展地质灾害危险性评价，并使用遥感解译建立的地质灾害隐患数据库对其进行验证。结果表明：基于典型黄土地区地质灾害危险的 9个评价因子按重要性依次为高程、累积降雨量、道路距离、水系距离、InSAR、岩性、坡向、土地利用、坡度；评价分区结果显示高危险区主要分布在土质易湿陷、InSAR形变明显、水系发育密集和降雨量较大的山地沟谷和黄土梁峁区域；使用地质灾害解译数据库隐患点验证精度可得中危险区及以上隐患数量占比高达到95.61%，高危险区平均隐患点数量可达4个，低危险区隐患数分布不超过1个，且通过AUC值 （0.832）计算结果表明模型的性能较好。因此本研究构建的融入InSAR形变因子的RF-AHP-IV耦合模型评价体系合理且预测准确性较高，为典型黄土地区地质灾害防治提供了科学决策基础，具有一定的实际应用价值。
Abstract
Remote sensing technology provides comprehensive and real-time surface information and plays a crucial role in geological hazard prevention and control. However, there are deficiencies in the risk assessment of typical loess areas under specific geological backgrounds by integrating InSAR deformation factors. In view of the fact that traditional evaluation factors and evaluation methods can no longer meet the needs of improving the accuracy of geological disaster assessment in the current loess areas, this paper integrates InSAR deformation factors to construct a geological disaster risk assessment index system, adopts the coupled random forest (RF) -hierarchy analysis (AHP) weighted information volume (IV) model method to carry out geological disaster risk assessment in the study area, and verifies it using the geological disaster hazard database established by remote sensing interpretation. The results show that the nine evaluation factors of geological hazards in typical loess areas are elevation, cumulative rainfall, road distance, water system distance, InSAR, lithology, slope aspect, land use, and slope in order of importance; the evaluation zoning results show that high-risk areas are mainly distributed in mountain valleys and loess ridges where soil is prone to collapse, InSAR deformation is obvious, water system development is dense, and rainfall is large; the accuracy of the hidden danger points in the geological hazard interpretation database is verified, and the proportion of hidden dangers in medium-risk areas and above is as high as 95.61%, the average number of hidden danger points in high-risk areas can reach 4, and the number of hidden dangers in low-risk areas does not exceed 1, and the calculation results of the AUC value (0.832) show that the performance of the model is highly effective in its predictions.Therefore, the evaluation system of the RF-AHP-IV coupling model incorporating InSAR deformation factors constructed in this study is reasonable and has high prediction accuracy, which provides a scientific decision-making basis for the prevention and control of geological hazards in typical loess areas and has certain practical application value.
Keywords
0 引言
中国陕西北部黄土覆被区地质条件特殊、生态环境脆弱、水土流失严重，在应力驱动、极端气候变化和人类工程活动影响下极易发生灾变，是中国地质灾害最为严重的地区之一（彭建兵等，2020）。自西部大开发政策实施以来及城市化进程的加快，公、铁交通生命线工程建设项目激增，油气田等能源产业和采矿业步入发展高潮，黄土沟壑区人类活动越发密集，切坡建房、挖填修路等工程活动频发，同时由于黄土颗粒堆积松散、胶结性差、孔隙度高、湿陷性强，汛期降雨量增大时水流发生聚集软化软层带，导致降雨和人类工程扰动成为黄土地区地质灾害的常见触发因素（Feng et al.，2021）。整体而言，典型黄土覆被区地质灾害特征为规模较小、隐匿性强、突发性高、点多面广等，大多发生在汛期 （6—10 月）和冻融期（3—5 月）（彭建兵等，2019）。在以往工作中，典型黄土覆被区曾针对县市级、重要城镇开展过地质灾害调查与区划等工作，通过传统地质调查手段划分了地质灾害风险区，初步厘清了研究区地质灾害发生情况，建立了地质灾害防治信息平台，在典型黄土覆被区地质灾害防治层面取得较好成效（刘传正和陈春利，2020）。
近年来，中国在地质灾害防治方面积极采用遥感测绘手段，初步建立了将 InSAR、光学遥感、无人机雷达等技术有机结合以加强对灾前隐患识别的工作流程，在防灾减灾中应用逐渐广泛（葛大庆等， 2019）。与此同时，国内外学者对基于遥感的地质灾害风险评价进行了初步探索，如：依据InSAR获取的地表形变信息对滑坡易发性区域进行对比更新 （Ciampalini et al.，2016）；从 InSAR 形变信息中提取地质灾害隐患点代替筛选已有灾点进行评价（王京，2018）；将 InSAR 形变速率量级作为指标因子参与地质灾害易发性评价（陈银，2018）；利用叠加降雨等时间概率性因素、道路距离等影响范围性因素、灾点密度等空间聚集性因素进行地质灾害危险性评价（卢星宇，2021）。研究分析可得，地质灾害评价在结合InSAR形变因子且兼顾运用耦合模型的危险性评价方面稍显不足。因此，本文以典型黄土覆被地区为例，在地质条件因子背景下融入 InSAR 形变因子进行地质灾害易发性评价，并在此基础上叠加降雨、人类工程活动等诱发因子最终形成基于耦合模型的危险性评价，同时采用高精度解译隐患点验证数据集对其结果进行验证。
1 研究区概况
研究区典型黄土覆被区指位于陕西省北部的黄土高原地区（34° 10'~39° 35'N，107° 30'~111° 15'E），是陕西省土壤侵蚀和水土流失最严重的地区，包括延安及榆林两市（图1）（谢静等，2023）。该地区平均海拔 1200～1500 m，总体地势呈西北高东南低，地貌类型复杂多样，沟壑纵横，切割强烈，为典型黄土梁峁丘陵区（薛强等，2023）。气候类型属暖温带半干旱季风气候，多年平均气温 9.5℃，多年平均降雨量和蒸发量分别为 500 mm 和 1000 mm 左右，7—9 月降水量在全年占比较大（60%~80%），存在局部突发暴雨（姚闯闯等，2022）。境内河流主要有延河、无定河等，属黄河水系，区内植被覆被度低，主要土壤类型为风沙土、栗钙土、黄绵土，土壤质地疏松，具有水敏性（彭建兵等，2014）。地理位置处黄河中游、是黄土高原的中心部分，与咸阳、铜川、渭南 3 市相邻，东部紧邻黄河与山西相望，西侧与甘肃、宁夏为邻，地域南北长 499 km，东西宽 385 km，土地总面积4.3万 km2，截至2022年两市人口总数为 612.35万人。延安市和榆林市共下辖 25个区/ 县/县级市、251 个乡镇、47 个街道办事处（石金鑫等，2023）。
图1研究区范围示意图
2 研究数据与方法
2.1 数据来源
（1）本文所用灾点数据共包括两部分（无重复）：一是截至 2022年 12月通过陕西省地质灾害防治信息平台收集到的研究区已发生灾点和在册灾点数据，共2415个，作为模型计算输入数据；二是截至 2023 年 12 月使用高分数据、无人机影像遥感解译构建的研究区地灾隐患点数据库，筛选后总计 615 个隐患点（初始为 1045 个），作为后续模型结果验证数据。（2）InSAR 数据采用欧空局提供的 Senti‐ nel-1 数据，影像时相为 2021 年 1 月—2022 年 6 月，监测时间 1.5 a，Sentinel-1 干涉模式幅宽为 250 km （IW模式），采用C波段载荷，时间间隔为12 d，数据分辨率20 m×5 m（方位向×距离向），采用TOPS模式成像，入射角29°～46°，研究区全覆盖共需要7图幅数据，各图幅分别收集到39~45期数据，共收集原始数据 295 景，用于后续全区地表形变信息提取（Fu et al.，2022）。（3）DEM 原始数据源为美国国家航空航天局阿拉斯加卫星设备 ASF（Alaska Satellite Fa‐cility）网站公开提供的 ALOS-PALSAR DEM 数据，数据分辨率为12.5 m，该数据具有高精度、能准确捕捉地表细节等特点，且受地表覆被影响较小，广泛应用于遥感地理空间分析等领域，影像时相为 2006—2011 年（Das et al.，2015）。（4）土地利用数据产品来源于ESRI公开全球陆地表面Sentinel-2年度数据，分辨率为10 m。（5）本文所用实测降雨数据为 2022年1—12月研究区全域覆盖范围自动站累积降雨数据，经筛选剔除重复站点和飞点后共305个，源于陕西省地质灾害防治信息平台。（6）光学遥感影像数据为高分系列卫星数据和资源系列卫星数据，源于自然资源陕西省遥感影像云服务平台，共获取 2022 年 88 景、2023 年 73 景国产高分辨率遥感影像用于地质灾害隐患解译及验证，涉及 GF-1、GF-2、 GF-6、GF-7、ZY-1、ZY-3，融合后数据空间分辨率为 2 m，时相多集中在 2022 年 5 月—2022 年 9 月、 2023年7月至2023年9月两个时期。（7）研究区部分沟谷无人机影像获取经航线设计、现场拍摄、数据预处理、数据下载等环节，由 Pix4D 生成正射影像，野外验证照片根据遥感解译坐标经野外查证获取。
2.2 SBAS-InSAR形变信息提取
基于黄土覆被区 SAR数据的适用性，本文主要采用小集线 SBAS-InSAR 技术对 Sentinel-1A SAR 数据（C 波段、宽幅干涉模式）进行处理。SBAS （Small Baseline Subsets）是短基线集差分干涉测量技术，主要用于监测地表的微小形变（李启亮等，2024）。SBAS 技术通过分析时间序列上的一系列 SAR 数据，确定在时间序列上表现为高相干性和高一致性的区域，从而获取毫米级的沉降速率，相较于传统的D-InSAR技术，能够消除或减弱时空失相干和大气效应等因素的影响，得到更准确的沉降速率和形变量（罗袆沅等，2024）。
根据小基线集集合间 SAR影像的基线较大、集合内基线较小的原则，空间基线阈值设置为200 m，时间基线阈值设置为 48 d，在距离向和方位向采用 5×1多视，以抑制噪声，使用 GAMMA 软件平台进行处理。由于黄土覆被区地形复杂，地质环境多样，应用 SBAS 技术进行 InSAR 数据处理时对数据的配准和干涉处理提出了更高的要求，且黄土高原地区植被覆盖对SAR数据的相干性有一定影响，需要在数据处理中进行适当的掩膜处理以去除植被的影响。因此根据黄土覆被区尺度以及植被覆盖情况，在获得差分干涉图后，为了增加地表信息并消除噪声，对差分干涉图进行自适应滤波处理，选用适宜窗口（32 和 128）进行滤波，利用时空滤波对差分干涉图进行相位解缠（图2），获得最终的形变速率及累积形变结果（李晶等，2024）。
对榆林市清涧县选取部分时间节点进行InSAR 时序形变监测，区域内标注了形变量较大的地方，多集中在宽州镇和下廿里铺镇交界处的沟谷地区，形变范围-0.15～0.078 m（图3）。由时序形变监测图可知在2021年1月—2022年6月监测时间段内形变区正处于缓慢变形阶段，形变量由黄色逐渐加深至红色表示形变量趋于增大。在 2021年 5—9月该区域形变量增大较为明显，范围也有所扩张，主要形变区逐渐形成，9 月份后形变量变化趋势保持稳定状态，变化较小，与灾害通常发生在汛期实际情况相吻合，从侧面验证了将 InSAR 监测结果融入地质灾害危险性评价的科学性。
图2InSAR形变结果
图3榆林清涧县InSAR时序形变监测图
2.3 评价体系的确立
本研究在典型黄土覆被区的地质灾害危险性评价中引入了 InSAR 形变因子，InSAR 能够提供地表形变的精准信息，为危险性评价提供了更为细致的数据基础，同时进一步对危险性评价模型进行了优化，采用随机森林-层次分析耦合法进行权重赋值，提高了模型的稳定性和可靠性，模型的优化有助于更好地反映各因子对地质灾害危险性的实际影响，从而提高了评估的准确性。本文所建立的评价体系流程图（图4）如下：
图4评价体系流程图
图5评价因子分级图
a—高程；b—坡度；c—坡向；d—地面起伏度；e—岩性；f—水系距离；g—道路距离；h—土地利用；i—累积降雨量
2.4 评价因子的筛选
地质灾害危险性评价是指在某种诱发因素作用下，对某一时间段一定地域范围内可能发生地质灾害的概率和程度进行系统性、科学性的评价，是在易发性基础上（主要由孕灾地质条件决定），综合考虑降雨、人类工程活动等诱发因子，以确定潜在地质灾害的发生可能性，从而为防灾减灾提供科学依据（陈凯等，2023）。黄土地区由于地质环境与人类活动的复杂互馈作用，易导致黄土崩滑灾害频发，选择适用的影响因子开展危险性评价研究至关重要。本文根据收集到的黄土覆被区已发生地质灾害点情况、已有地质灾害的1∶10万详细调查区划报告、野外调查资料收集和参阅相关评价因子选取文献的基础上，构建涵盖地形地貌、基础地质环境、气象水文、人类活动 4 大类的评价体系提取评价因子（牛鹏飞，2021）。同时，参考普遍性、简明性、相似与差异性相结合等评价因子选取原则，依据黄土覆被区灾害发生特点，分别在 4 大类地形地貌因素选取高程、坡度、坡向 3 个评价因子，基础地质因素选取地层岩性因子，气象水文因素选取水系距离、累积降雨量因子，人类工程活动因素选取道路距离因子，梳理易发性输入的孕灾条件因子：高程、坡度、坡向、地面起伏度、InSAR形变、水系距离、岩性、土地利用；危险性叠加的间接诱发因子：道路距离 （作为人类工程活动诱发的量化指标）、累积降雨量 （作为降雨诱发的量化指标）共 10 个因子构建研究区地质灾害评价指标体系，基于自然断点分级法将各个指标因子进行分级，分级结果如图5所示（盖侨侨等，2023）。
另外考虑到对研究区进行危险性评价时各个因子之间存在不可避免的交叉重叠，为确保各个因素的独立性和客观性，有必要对各个因素进行独立性检验。如表1所示，本研究通过计算皮尔森（Pear‐ son）相关系数R对初步选取的10个评价因子进行筛检。通常，当皮尔森系数绝对值大于 0.8 时表明因子之间共线性较高。根据分析结果，笔者发现坡度与地形起伏的相关性系数R为0.8836，超过0.8的阈值，而其他各指标因子之间的相关性较低。因此剔除地形起伏影响因子，仅保留剩下的 9 个因子用于构建典型黄土覆被区地质灾害危险性评价指标体系。同时进一步将研究区划分为基本网格单元，每个单元大小为 20 m×20 m，并通过信息量模型获取各指标因子分类等级的信息量值。
表1地质灾害易发性评价因子皮尔森（Pearson）相关性系数
2.5 信息量模型的构建
信息量模型通过信息量值的大小来评估影响因素与研究对象之间的密切程度。在进行地质灾害风险评价时，信息量模型的核心思想是通过已知地质灾害实例提供的信息，将各个影响因素的实测值转化为反映地质灾害发生情况的信息量值，具体公式如下（王璐，2023；贾慧敏等，2024）。
在实际计算时，采用样本频率计算信息量，即：
(1)
式（1）中：为评价因素 xi 对地质灾害发生提供的信息量值；S为研究区评价单元总数；Si为研究区内含有评价因素 xi 的单元数；N 为研究区内含有地质灾害分布的单元总数；Ni为地质灾害落在评价因素xi内的单元数。
计算单个评价单元内 n 种因素组合情况下，提供地质灾害发生的总的信息量Ii，即：
(2)
以评价单元总的信息量值Ii的大小作为综合指标，表示其对地质灾害发生的影响程度。评价单元的信息量值越大，则地质灾害易发性越高。
2.6 耦合随机森林和层次分析因子赋权
随机森林依靠决策树的分类结果提供不同特征的重要度量，在决策树训练过程中，通过计算每个特征对不纯度减少的贡献量来评估各特征的重要性程度，即特征的重要性程度与不纯度减少的数量成正比。本文利用随机森林逻辑分类算法来获取评价因子重要性作为因子权重系数，采用决策树训练中的基尼指数 gini 来表示不纯度的减少量，将随机森林的客观赋权能力和信息量模型的高效性相结合，使用集成模型不仅可以有效地处理过拟合问题增加模型的泛化能力，还提供了一种新的视角来评价地质灾害危险性（Ji et al.，2024；李辉等， 2024；Luo et al.，2024）。首先提取研究区 2415 个已发生灾点和相等数量的随机非灾点属性数据，经数据清洗后获得正、负样本各 2388 个，正样本标记为 “1”，负样本标记为“0”，构成模型的总样本。将本文易发性的7个研究因子使用Python代码进行训练并赋予权重（图6）。使用加权总和工具对因子分级数据进行综合处理，生成全区地质灾害易发性分区图（图7a）。
图6随机森林易发性评价因子权重图
研究区地质条件复杂、常年干旱，道路修建是研究区人类工程活动重要变量条件，年累积降雨量对地质灾害的发育具有重要影响，因此以易发性指标因子做基础，继续添加诱发指标因子，即道路距离和 2022 年累积降雨量 2 个因子，对危险性指标权重通过建立层次分析法进行确立（表2）。按照式（3），在易发性结果基础上，使用 ArcGIS Pro 软件的栅格计算器将其与间接诱发因子道路距离和累积降雨量进行权重相乘及叠加，并根据最终形成的地质灾害危险性数值划分危险性区域，将其分为高危险区、较高危险区、中危险区、较低危险区、低危险区5个级别。生成的地质灾害危险性区划图如图7b所示。
(3)
式（3）中：H 为地质灾害危险性值，Wi为危险性评价因子权重，IVi为评价指标信息量值。
表2危险性权重判别矩阵
经计算得最大特征值 λ =3.034，一致性 CR= 0.029，CI=0.017，CR<0.1，表明该判断矩阵具有较好一致性。
图7地质灾害评价分区图
a—易发性分区图；b—危险性分区图
2.7 地质灾害隐患解译验证集建立
研究区范围内的地质灾害隐患主要是多种因素综合作用导致的，如降水、岩性组成、地形特征和人类工程活动等。黄土覆被区主要地质灾害类型滑坡、崩塌的发生很大程度上受降雨触发坡面侵蚀的影响而显著增多，特别是在汛期和冬季冻融期。本文研究区全域主要使用高分系列遥感影像进行解译、部分沟谷地区辅以无人机航测构建了研究区黄土地质灾害数据库，共计 1045 处地质灾害隐患 （截至 2023年 12月），后续通过现场验证核查，剔除掉无孕灾条件、无威胁对象等非地质灾害隐患点 430 处，形成本次验证所用地质灾害隐患解译编录共计 615 处。如图8所示（以延安市安塞区隐患点为例），典型黄土覆被区地质灾害在 25 个县均有分布，滑坡数量最多3个县依次为宝塔区、延长县和安塞区，占所有隐患点的 31%，滑坡、崩塌等地质灾害对周边居民的生命安全构成严重的风险隐患，对建筑物和基础设施等资源财产构成巨大威胁。研究区内地质灾害潜在风险主要分布在中部和南部地区，由于地质环境复杂、地形变化较大、水系发达、人口密集、降雨量较大，并且存在边坡开挖、切坡建房修路、煤矿开采等人类工程活动均影响边坡稳定，因此区内形成多个点状或面状的地质灾害隐患聚集区。
3 评价结果及检验
3.1 结果分析
对基于随机森林-层次分析法耦合赋权信息量模型计算出的地质灾害危险性指数将研究区划分为高、较高、中、较低、低危险区5个级别，结果如图4所示。与融入累积降雨量和距道路距离因子的易发性分区结果相比，危险性分区结果在整体空间分布上仍然具有较为一致的相似性，但中危险区域受降雨影响面积增长较大，从 24171.403 km2增长到 35723.358 km2；高、较高危险区面积有所减少，分别减少了 2394.831 km2 和 2053.971 km2；较低、低危险区占比也分别从 29.82% 和 13.95% 减少至 26.86%、 8.51%。空间分布上，在危险性评价结果中，高危险区和较高危险区主要分布在东北部省界黄河干流沿线区域、东部榆林和延安交界地区的无定河中下游流域、宝塔区延水中游及南侧北洛河下游区域。该区域主要分布在地势较低的人口密集区，高程 0～1050 m；地质环境复杂，地层岩性主要为砂卵石、红土、一般性黏土、系数>0.07的湿陷性黄土等，覆土性质多孔隙且疏松，渗水易造成湿陷；距离河流较近，多河谷冲沟发育；年降雨量集中在 480～529 mm；InSAR 最大形变量为-0.42 m；该区域经济较为发达，城镇化水平高，为建筑用地、畜牧用地等土地利用类型的主要分布地带，人类工程活动较为活跃，存在大规模人工设施建设，如交通路网建设、切坡建房、矿山开采等工程活动，对区域内自然地质环境条件产生破坏，增加了地质灾害的发生概率。
图8地质灾害隐患解译验证集
a—2022年高分影像；b—2023年高分影像；c—2023年无人机影像；d—2023年实地核查远景照片；e—2023年实地核查近照片
中危险区主要分布在累积降雨量较大的沟谷地区，且延伸至高危险区外围的沟谷地区。中易发区主要分布在距离道路、河流较远的区域，高程分布范围为 1250～1050 m，地层岩性主要为系数大于 0.01小于0.07的湿陷性黄土、软弱块状碎屑岩类等， InSAR 形变量为-10～20 mm；年降雨量集中在 480～432 mm，土地利用类型主要分布有畜牧用地和耕地，人口活动性一般，地质环境条件相对较好。低、较低危险区则分别位于西北部沙漠高原区、沿西部省界线向内边带地区以及东南角部分区域。该地区地势较高，高程主要分布在 1250～2000 m，地层岩性主要为砂岩、盐渍土、系数在0.01～0.03范围的湿陷性黄土等，植被覆被较少，水系发育程度低，年降雨量集中在 285～432 mm，距离道路、河流较远，对比高、较高危险区人类居住适宜性较低，人口较分散，工程活动少，主要分布少量耕地、裸地，对自然条件破坏较小，引起地质灾害发生的条件不够充分。
表3危险性评价结果与隐患点分布对比
3.2 精度检验
结合地质灾害隐患解译验证集与地质灾害危险性结果分区图可得，典型黄土覆被区的地质灾害高危险区主要分布在水系、居民地和矿区周边。以地质灾害隐患解译验证集对危险性评价结果进行分区统计验证可得（表3），基于随机森林-层次分析法耦合赋权信息量模型预测的高危险区和较高危险区面积占比仅 6.22% 和 16.18%，分布地质灾害 441 处，其中高危险区分布 233 处滑坡点，地灾隐患解译验证集占比达到 37.89%；较高危险区分布 208 处滑坡点，地灾隐患解译验证集占比达到 33.82%； 中、较高和高危险区分布地质灾害588处，地灾隐患解译验证集占比高达到 95.61%；较低、低危险区面积 29917.938 km2，占总面积的 35.36%，分布的 27 处滑坡点占地灾隐患解译验证集总数的 4.39%（较低危险区 27 个，低危险区 0 个）。通过对地质灾害隐患解译验证集的隐患点验证，本研究评估了危险性分区图的准确性。结果显示，验证集中地质灾害隐患点主要分布在本研究划分的中危险区及以上的区域。在高危险区，每100 km2 的平均地质灾害隐患点数量可达 4 个，而在低风险区隐患数分布仅不超过 1 个。由此可见，本文所得的地质灾害危险性评价结果与地质灾害隐患的分布较为吻合，评价效果较好。
建立 ROC 曲线对研究区高、较高、中等风险区域的预测结果进行精度验证和误差分析，其中敏感度表示在所有实际为正例的样本中，被正确预测为正例的比例，特异性表示在所有实际为负例的样本中，被错误预测为正例的比例，通过计算标准误差和置信区间（95%）绘制敏感度与特异性的关系生成 AUC值来表示评价结果的科学性，AUC值越接近1，证明分区结果精度越高，误差越小，科学性越高，一般认为 AUC>0.8，表明其预测结果与实际情况非常接近。按照图9计算结果显示，融入 InSAR 形变因子所构建的耦合模型危险区域的预测分区结果 AUC 值为 0.832，说明该评价体系构建较为科学合理，评价分区结果精度较高、误差较小。在地质灾害领域研究中，不确定性和误差贯穿于危险性评价的全过程，涵盖数据来源误差、参考信息模糊和模型算法选择多样等方面。根据本研究数据和模型计算过程及结果进一步分析误差产生的原因如下：一是可能由于InSAR形变信息在延安西南角区域质量不高，存在失相干，后续融入模型计算时存在异常值导致误差增大；二是模型输入灾点的不同空间形状表达方式和各影响因子的连接方法选择可能使得模型的误差增大；三是在使用高分系列遥感影像进行地灾隐患数据验证集解译时存在盲区导致验证集精度准确性降低、分区结果误差增大。研究误差给危险性分区结果带来的不确定性及产生原因，可揭示模型的局限性，从而为后续研究提供改进方向，为提高地灾危险性预测的准确度提供创新思路。
图9ROC曲线图
4 结论
本文以典型黄土覆被区为研究区，根据研究区已发生地质灾害点、已有地质灾害调查区划报告和参阅相关文献的基础上，选取孕灾地质条件因子高程、坡度、坡向、InSAR形变、距水系距离、岩性、土地利用，间接诱发因子距道路距离、累积降雨量共9个影响因子构建地质灾害危险性评价指标体系，运用耦合随机森林（客观）—层次分析（经验）赋权信息量模型方法对研究区开展了地质灾害危险性评价，获得结论如下：
（1）融入 InSAR 形变速率的危险性评价模型赋权结果表示，影响典型黄土地区地质灾害的 9 个评价指标按重要性依次为：高程、累积降雨量、道路距离、水系距离、InSAR、岩性、坡向、土地利用、坡度。相较岩性、坡向等地质条件因子，InSAR因子对地质灾害的影响更强烈，形变因子的融入可以有效提高模型计算精度。
（2）通过危险性分区结果可得，基于随机森林层次分析法耦合赋权信息量模型预测的典型黄土覆被地质灾害的高、较高、中、较低、低危险性分区面积占比分别为 8.51%、26.86%、42.23%、16.18%、 6.22%，地质灾害高、较高、中危险区主要分布在地表起伏大、水系发育密集和降雨量较大的山地沟谷和黄土梁峁区域。
（3）将地质灾害隐患解译点验证集叠加危险性评价成果分析表明地质灾害隐患点聚集区绝大多数位于本文所划分的中危险区及其以上区域，其中中、较高和高危险区地质灾害隐患数量占比高达到 95.61%，较低危险区和低危险区仅为4.39%，同时使用ROC曲线对评价结果进行检验，表明本研究的评价指标体系构建合理（AUC=0.832），预测能力较优，具有良好的可信度。
5 展望
基于评价结果，我们可以更有效地制定针对典型黄土地区地质灾害的防治策略，提高应对灾害风险的能力，且本研究方法的可行性和准确性也为类似地区的危险性评价提供了有益的借鉴。然而需要注意的是，本研究仍然存在一些不足：如InSAR技术受天气、地形等因素的制约，可能在某些情况下难以获取全面和连续的数据，可能导致对地质灾害危险性的评估在某些区域或时间段内存在一定的局限性；其次耦合模型的优化虽然提高了模型的稳定性，但仍受到数据质量和选取因子的主观性影响。因此在未来的研究中，需要进一步引入地质、气象、水文等方面更为广泛的因子，使用多源InSAR 数据融合减小误差，如高精度陆探一号SAR卫星数据，引入时间序列分析，预测地质灾害发生的时间分布，同时还需进一步优化模型，采用更灵敏高效的机器学习耦合模型准确捕捉黄土覆被区地质灾害发生的时间动态。
