三峡库区万州区滑坡灾害易发性评价研究

 滑坡灾害易发性研究在滑坡灾害风险管理与城市规划等方面具有非常重要的现实意义。以往的研究中,鲜有对指标因子状态划分作有关深入分析和讨论的。鉴于此,以滑坡灾害频发的三峡库区万州区为研究对象：首先,选取影响滑坡发生的7个致灾因子(地层岩性、地质构造、水系分布、坡度、坡向、坡体结构及土地利用)作为滑坡易发性的评价指标,依据各指标条件下滑坡累计发生频率曲线斜率的变化,并结合滑坡面积比和分级面积比曲线对指标因子的状态进行分级;其次,根据全区655个历史滑坡数据,分别运用信息量模型和逻辑回归模型建立各自的滑坡易发性评价体系;再则,采用快速聚类法(K-means cluster)对以上2种方法所得到的易发性结果进行分级,并基于GIS平台,得到全区滑坡易发性区划图;最后,从模型结果、精度、适用条件等方面对2个模型进行讨论和比较,研究结果表明：信息量模型和逻辑回归模型的预测精度分别为73.0%和54.9%,前者预测能力要优于后者。     

九寨沟县滑坡灾害易发性快速评估模型对比研究

通过地理信息系统(GIS)技术,采用信息量(I)、确定性系数(CF)、逻辑回归(LR)、逻辑回归–信息量(LR-I)和逻辑回归–确定性系数(LR-CF)耦合模型的快速评估方法对九寨沟县范围内滑坡灾害易发性评价,并对5种模型进行比较研究。基于历史资料、遥感解译和现场调查,获取九寨沟全县6205个滑坡灾害点作为样本数据库,选取海拔、坡度、坡向、地形曲率、剖面曲率、平面曲率、地形起伏度、地表粗糙度、地表切割度、地层岩性、距断层距离、PGA、降雨、距公路距离和距水系距离共计15项评价指标因子,基于GIS平台提取80%滑坡点作为训练样本,采用I,CF,LR模型建立九寨沟县滑坡灾害易发性评价体系,并将滑坡易发性划分为极低、低、中、高和极高。基于I,CF和LR模型,提出LR-I和LR-CF耦合模型,实现各评价指标因子二次逻辑回归计算,优化了九寨沟地区滑坡灾害易发性区划图。最后利用未参与训练的20%滑坡点作为检验样本,利用频率比和ROC曲线进行精度检验。结果表明:5种评价模型得到的滑坡的高易发区和极高易发区频率比值占总频率比值均超过85%,I,CF,LR,LR-I和LR-CF的AUC评价精度分别为0.762,0.756,0.788,0.838和0.836,表明5种模型均能较好评价九寨沟地区滑坡灾害易发性。LR-I和LR-CF模型与单一的I,CF模型相比能将滑坡易发性评价精度提高约8%;与单一LR模型相比,其精度提高约5%,说明LR-I和LR-CF模型的滑坡预测更优于单一的I,CF和LR模型,为快速建立评价指标体系和区域滑坡易发性提供了可靠途径。     

九寨沟县滑坡灾害易发性快速评估模型对比研究EI北大核心CSCD

通过地理信息系统(GIS)技术,采用信息量(I)、确定性系数(CF)、逻辑回归(LR)、逻辑回归–信息量(LR-I)和逻辑回归–确定性系数(LR-CF)耦合模型的快速评估方法对九寨沟县范围内滑坡灾害易发性评价,并对5种模型进行比较研究。基于历史资料、遥感解译和现场调查,获取九寨沟全县6205个滑坡灾害点作为样本数据库,选取海拔、坡度、坡向、地形曲率、剖面曲率、平面曲率、地形起伏度、地表粗糙度、地表切割度、地层岩性、距断层距离、PGA、降雨、距公路距离和距水系距离共计15项评价指标因子,基于GIS平台提取80%滑坡点作为训练样本,采用I,CF,LR模型建立九寨沟县滑坡灾害易发性评价体系,并将滑坡易发性划分为极低、低、中、高和极高。基于I,CF和LR模型,提出LR-I和LR-CF耦合模型,实现各评价指标因子二次逻辑回归计算,优化了九寨沟地区滑坡灾害易发性区划图。最后利用未参与训练的20%滑坡点作为检验样本,利用频率比和ROC曲线进行精度检验。结果表明:5种评价模型得到的滑坡的高易发区和极高易发区频率比值占总频率比值均超过85%,I,CF,LR,LR-I和LR-CF的AUC评价精度分别为0.762,0.756,0.788,0.838和0.836,表明5种模型均能较好评价九寨沟地区滑坡灾害易发性。LR-I和LR-CF模型与单一的I,CF模型相比能将滑坡易发性评价精度提高约8%;与单一LR模型相比,其精度提高约5%,说明LR-I和LR-CF模型的滑坡预测更优于单一的I,CF和LR模型,为快速建立评价指标体系和区域滑坡易发性提供了可靠途径。     

汶川县地震滑坡易发性LR与NN评价比较研究

通过地理信息系统(GIS)技术,结合神经网络(NN)和逻辑回归模型(LR)开展汶川县范围内地震诱发滑坡易感性评价,并对两种模型结果进行比较研究。基于2008年5.12 Ms8.0级地震,选取高程、坡度、坡位、坡向、岩性、微地貌、距断层距离、距水系距离、距道路距离、年平均降雨量、归一化植被指数、地震峰值加速度共12个因子作为地震滑坡影响因子,基于ARCGIS10.1平台将这些影响因子专题图层栅格化;采用提取的模型训练样本,由R软件对神经网络(NN)和逻辑回归模型(LR)进行训练;将训练好的模型对整个汶川县地震滑坡易感性进行仿真,并将仿真结果划分为五类滑坡敏感区域:极低,低,中,高和极高,分别得到LR与NN模型仿真的滑坡易发性分区图;根据汶川县实际地震滑坡分布图进行统计分析,以及采用ROC曲线对两种模型的仿真结果进行对比分析,神经网络(NN)和逻辑回归模型(LR)的AUC值分别为0.930和0.941。研究表明两种模型的滑坡易感性评价图与实际滑坡发育基本吻合,评价结果较好,且LR模型预测精度相对较高。     

基于OCSVM-RF耦合模型的雅江县地质灾害易发性评价

地质灾害威胁着工农业安全生产及人民生命财产安全,因此,对地质灾害易发性进行高效率、高精度的评价尤为重要。以四川省雅江县为研究区,机器学习方法为基础,分别构建了传统逻辑回归模型、随机森林模型和OCSVM-RF耦合模型,对雅江县地质灾害易发性进行评价并制作雅江县地质灾害易发性分级图。同时使用ROC和AUC值对评价精度进行分析,得到AUC值分别为：逻辑回归(0.901 7),随机森林(0.952 3),OCSVM-RF耦合模型(0.957 5),得出OCSVM-RF耦合模型的评价精度明显高于传统机器学习模型。因此,可以使用该耦合模型对地质灾害易发性进行评价,为研究区的防灾减灾工作提供一定的理论参考。     

基于信息量与神经网络模型的滑坡易发性评价

针对神经网络模型进行滑坡易发性评价时,传统的随机选取非滑坡单元存在准确性不高的缺点,提出信息量与神经网络结合的易发性评价模型。以江西省上犹县为研究区,首先,基于上犹县滑坡编录与实际调查,选取坡度、高程、坡向、平面曲率、剖面曲率,植被指数(NDVI)、湿度指数(TWI)、距水系距离、距道路距离、土地利用等10个环境因子,其次利用信息量模型对上犹县进行易发性分区,得到上犹县易发性分区图。然后,从信息量模型得出的易发性分区中的低易发区选取非滑坡单元,与滑坡编录中的历史滑坡点组成测试集与训练集,输入神经网络中训练模型,再将上犹县所有栅格输入,预测上犹县栅格的滑坡概率。最后利用自然断点法在上犹县栅格滑坡概率进行分类,得到基于信息量与人工神经网络结合的上犹县易发性分区图。由易发性结果表明:单独的信息量模型的成功率曲线下面积AUC=0.7364,历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的55.6%;基于信息量与神经网络模型的AUC=0.7874;历史灾害点位于高易发区与较高易发区的灾害数占总灾害数的85.8%。信息量–神经网络的评价模型比单独的信息量模型的评价精度提高了5.1%;高易发区与较高易发区所涵盖的灾害数占比高30.2%。信息量–神经网络模型有更好的评价精度,并且证明了在信息量模型中的极低易发区选取非滑坡点具有可行性。     

基于滑坡分类和加权频率比模型的滑坡易发性评价

根据区域滑坡特点,针对不同类型滑坡的自身特征分别建立指标评价体系,能够使滑坡易发性评价的过程更加科学准确。以三峡库区万州区内滑坡为例,首先,基于对地质环境、滑坡空间分布及自身特征的分析,将全区滑坡分为陡倾角地层滑坡和缓倾角地层滑坡。其次,获取12种指标因子(高差、坡度、坡向、平面曲率、剖面曲率、地层岩性、水系、地质构造、公路、地层倾角、降雨、含蒙脱石软弱夹层厚度)构成基本评价体系。然后提出基于逻辑回归(logistic regression,LR)–模糊层次分析(fuzzy analytical hierarchy process,FAHP)方法(LR-FAHP)的加权频率比模型(weighted frequency ratio model,WFR),通过对指标因子的重要性进行排序,实现各指标因子权重的定量计算,从而建立不同类型滑坡的评价指标体系,再基于GIS平台实现全区滑坡灾害的易发性等级预测。结果表明:与单一的LR,FAHP和FR三种模型相比,WFR模型能将滑坡易发性评价精度提升4%～9%,表明LR-FAHP是一种定量计算指标因子权重的有效方法;同时,基于滑坡分类的WFR模型的易发性评价成功率为79.2%,预测率为79.6%,均优于未进行滑坡分类的WFR模型,为建立评价指标体系和区域滑坡易发性评价提供了可靠途径。     

地理信息系统/遥感技术支持下三峡库区青干河流域滑坡危险性评价

以统计模型为基础、地理信息系统作为工具的滑坡灾害评价模式已经得到普遍认可和使用,数字高程模型(DEM)、遥感影像、区域地质调查资料已经成为区域滑坡评价研究的因子数据源。选择三峡库区青干河流域顺向坡滑坡多发地段为研究区,在滑坡编目数据库基础上,通过:(1)数字高程模型获取高程、坡度、地形聚水能力因子;(2)遥感影像获取植被指数;(3)区域地质调查资料、数字高程模型计算斜坡类型定量因子TOBIA指数及获取岩石地层单元因子。采用二分类变量逻辑回归评价方法对上述6种因子建立滑坡危险性评价模型,开展地理信息系统/遥感技术支持下顺向坡滑坡危险性评价研究。研究结果表明,根据模型概率值分布和已知滑坡发育关系,可以将研究区划分为高危险区、中等危险区、低危险区3个等级,高危险区包含70%已知滑坡,中等危险区包含14%已知滑坡,评价结果和实际滑坡发育情况吻合,合理地反映区内滑坡灾害发育的总体特征。     

基于聚类分析和支持向量机的滑坡易发性评价

在将支持向量机(support vector machine,SVM)等机器学习模型用于区域滑坡易发性评价时,大都随机或主观地选取非滑坡栅格单元,不能保证所选的非滑坡栅格单元是真正的"非滑坡"。为解决此问题,提出基于聚类分析和SVM的滑坡易发性评价模型。该模型首先用自组织映射(self-organizing mapping,SOM)神经网络对滑坡易发性进行聚类分析;然后从极低易发区中选择非滑坡栅格单元,确保所选非滑坡栅格单元是高概率的"非滑坡";最后采用SVM模型基于已知滑坡、所选非滑坡和环境因子对滑坡易发性进行评价。将提出的SOM-SVM模型用于三峡库区万州区滑坡易发性评价,并将得到的易发性结果与随机选取非滑坡的单独SVM模型结果做对比。结果显示SOM-SVM模型具有比单独SVM模型更高的成功率和预测率,表明SOM神经网络能更准确地选取非滑坡栅格单元。     

基于贝叶斯方法的降雨诱发滑坡概率型预警模型研究

为提高区域降雨型滑坡的预警精度,以陕南秦巴山区为例,首先通过人工神经网络(ANN)和逻辑回归模型(LR)进行滑坡易发性建模,使用滑坡发生频率比(FR)对易发性模型进行检验和校准,用来表达滑坡发生的空间概率;其次在敏感性分析的基础上选取最优的降雨变量组合和衰减系数,在二维贝叶斯公式的基础上构建概率型降雨阈值模型,用以计算滑坡发生的时间概率,并使用2016～2020年的降雨数据进行验证;之后在贝叶斯公式的基础上对滑坡发生的时空概率进行耦合,构建研究区降雨型滑坡的概率型预警模型(PLEWM),并对2016～2020年的雨季(7～9月份)逐日进行模拟预警;最后分别从预警效果和成本效益角度出发,使用预警成本投入、滑坡造成的损失、预警成功率、漏报率、误报率等指标对预警模型的性能进行评估。结果表明：(1)研究区构建降雨阈值模型最优的变量组合为有效降雨量–持时(EE-D),最优的衰减系数为0.816;(2)概率型阈值模型预测2016～2020年发生致灾降雨213.71起,实际发生201起,累积误差为10.07%,各概率区间内的预测值与实际发生数量沿着斜率为1的对角线分布;(3)模拟预警结果显示,PLE...     

基于ArcGIS的修文县滑坡灾害易发性评价

通过野外调查修文县滑坡,用信息量法和层次分析法进行易发性评价。信息量法中,依据不同区域总信息量大小,来反映不同区域滑坡易发性程度。层次分析法中,先确定每个单因子各等级的得分,再确定不同层次各个因子的权重关系,之后通过加权叠加得到评价分区结果。对两种评价方法在原理和评价结果上的区别进行对比。叠加两方法的分区图,形成滑坡地质灾害易发性综合评价。综合区划中研究区被分为极低易发区、低易发区、中易发区、高易发区、极高易发区。     

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

 以滑坡灾害发育较多的三峡库区万州区为研究区,基于指标因素状态分级和因素相关性分析结果,选取坡度、坡向、坡体结构、地层岩性、地质构造、水的作用以及土地利用7项影响因素,以全区700多个滑坡灾害点为样本数据,依据各因素状态下发生的滑坡频率曲线和信息量曲线的突变点为等级划分的临界值来确定因素状态,并在此基础上建立易发性评价指标体系。基于GIS的栅格数据模型,应用信息量理论开展研究区易发性评价,研究结果表明：易发性高和较高的区域主要分布在土地利用总体规划中的建设用地、侏罗系中统上沙溪庙组第二、三段(J2s2,J2s3)、库水变动带和河网影响带以及万州城区。统计结果表明,处在高易发和较高易发区面积为1 210 km2,其中高易发区和较高易发区分别占研究区总面积的9.71%和25.9%,研究区易发性评价精度高达87%。本文完整的论述了县域滑坡灾害易发性评价的理论方法和技术路线,并以三峡库区万州区为例开展滑坡灾害易发性评价、结果分析以及预测精度评价等,为该区域滑坡灾害防治规划与预测预报提供技术支持,为全国范围内县域滑坡灾害易发性评价提供理论指导和技术参考。     

异质集成学习在滑坡易发性评价中的对比研究

滑坡易发性评价可以为有关部门制定滑坡相关的防灾减灾政策提供技术支撑。目前机器学习已被广泛应用于滑坡易发性评价中，而不同的机器学习模型预测精度各异，为对比分析不同异质集成学习模型在滑坡易发性评价中的精度表现，该文以滑坡多发的甘肃省天水市与陕西省宝鸡市交界处为研究区，采用Stacking、Blending和加权平均三种异质集成学习模型，以随机森林、支持向量机和BP神经网络作为基学习器，对研究区进行滑坡易发性评价对比研究。通过使用准确率、Kappa系数以及ROC曲线指标对三种异质集成模型及基学习器进行模型验证和对比分析，结果表明，Stacking集成模型的各项指标都优于其他对比模型，验证了Stacking集成模型在滑坡易发性评价方面较其他对比模型具有更高的预测精度。     

顾及In SAR形变的CNN滑坡易发性动态评估——以刘家峡水库区域为例

已有的滑坡易发性评估方法所采用的滑坡因子多为静态数据(如地形,地质),缺乏动态数据(如地表形变),无法充分挖掘正在变形的滑坡特征,导致滑坡易发性评估可靠性较差。合成孔径雷达干涉测量(synthetic aperture radar interferometry,In SAR)二维In SAR数据可反映滑坡在垂直和水平方向的形变特征。引入二维In SAR形变数据作为动态因子,结合地形、地质、水文以及人文共计16种滑坡影响因子,构建卷积神经网络模型(convolutional neural network,CNN)进行滑坡易发性动态评估;采用多种评价指标来衡量模型精度,同时对比有无顾及二维In SAR因子的滑坡易发性评估结果,并与支持向量机(support vector machines,SVM)方法进行对比,此外,在不同场景进行应用。实验结果表明,顾及In SAR形变动态因子的多种评价指标整体精度有所提高,模型对正处于缓慢变形的滑坡易发性区域的识别具有良好的效果,在训练数据中,识别率由0.78提高至0.93;在验证数据中,识别率提升0.21,揭示出顾及二维In SAR形变因子可以提升滑坡...     

基于逻辑回归模型的凉山州滑坡易发性评价

凉山州地质环境复杂,地质灾害频发,为了防止凉山州因灾致贫、因灾返贫,对凉山州滑坡灾害进行易发性评价。选择10个因子,分析因子与滑坡的分布规律,并建立逻辑回归模型对凉山州滑坡灾害进行易发性评价。结果表明：凉山州滑坡分布于高程1 800 m～2 300 m;坡度10°～30°;坡向为东方向;坡位为中坡;距道路距离和距断层距离为小于2 km,NDVI为0.7～0.8;TWI为2～4;岩组为碎屑岩;土地利用类型为耕地。滑坡极高易发区位于凉山州中部安宁河、则木河断裂带两侧和东部汉源-甘洛带、峨边-金阳断裂带两侧。     

基于集对分析理论的区域滑坡灾害易发性预测

针对滑坡灾害预测研究的复杂性,本文构建了基于集对分析理论的预报模型。文中以恩施地区为例,利用该模型进行了研究区的滑坡灾害易发性预测研究,对预测结果进行分析,高易发区占总面积的15.89%,中易发区占12.96%,低易发区和不易区分别占45.15%和26%。滑坡易发因素组合主要是地层岩性(志留系和三叠系巴东组)和坡度(10—30°),这与该区的实际情况较相符合。     

基于信息量法的金沙江峡谷段滑坡易发性评价

文章以云南省迪庆藏族自治州金沙江峡谷区为研究区域,进行滑坡易发性评价。选取坡度、起伏度、植被覆盖指数、地层岩性、构造作用、河流作用、人类工程活动、降雨量八个影响因子。以266个滑坡点为样本,基于信息量法和GIS平台,构建滑坡易发性分区评价指标体系,计算各个影响因子分级状态下的信息量值,绘制各影响因子分级栅格图,通过栅格计算器叠加得到总区域信息量值,采用自然断点法将其分为5级。采用成功率曲线法进行模型评价,曲线下面积(AUC值)为0.7768,准确性较好。     

汶川地震滑坡分布规律与危险性评价

汶川地震诱发了数以万计的滑坡灾害,造成了巨大的财产损失与人员伤亡。本文基于地理信息系统、遥感、地质工程、统计学等理论,以汶川地震滑坡为研究对象,开展人机交互解译、信息自动提取、失稳机制分析、分布规律分析、危险性评价等方面的研究工作,取得了以下主要研究成果:(1)采用震后多源遥感影像人机交互解译,结合野外调查验证方法,圈定出48 000多处地震滑坡,总面积约为711.8km2。应用GIS技术,建立了汶川地震滑坡及相关地形、地质等空间数据库。(2)基于不同遥感影像,采用监督分类、非监督分类、决策树等多种方法,对北川县湔江流域部分地区进行地震滑坡信息的提取与对比分析。结果表明,采用SPOT5影像,基于最大似然法分类方法与坡度的决策树方法所得结果最理想。(3)对一些源区被地表破裂穿过的滑坡进行野外调查,在分析其与地表破裂空间关系的基础上,初步提出这些滑坡的触发原因不单是地震动作用,而是断裂错动与地震动2种外力的综合作用,且断裂错动的影响甚至高于地震动。(4)分析汶川地震滑坡强度–频率关系,分析结果表明:大光包滑坡与文家沟滑坡是汶川地震事件诱发的2个超大规模滑坡事件,除这2个滑坡及与其面积差小于0.1 km2的滑坡,汶川地震诱发的滑坡强频方程为y=-1.834 17x+12.369 1,其中,x为单体滑坡面积(m2)的常用对数值,y为滑坡面积大于该面积值的滑坡数量的常用对数值。统计滑坡空间分布与地震烈度、地震动加速度峰值PGA、岩性、地形等参数的关系,得出汶川地震滑坡易发因子内部级别。(5)分别采用确定性系数方法与证据权重方法,对汶川地震滑坡区域进行危险性评价,结果表明,证据权重方法略优于确定性系数方法。考虑了不同因子组合情况下的滑坡危险性,结果表明:地震烈度对地震滑坡的影响最大,而地形、地质、人类活动因素对地震滑坡危险性评价的影响较小。滑坡极高危险区与高危险区主要集中在一个沿发震断裂分布的带状区域内,表明地震滑坡受活动构造的控制作用强烈。(6)基于Logistic回归模型,分别对2组模型训练样本和不同百分比(100.0%,90.0%,80.0%,70.0%,60.0%,50.0%,40.0%,30.0%,20.0%,10.0%,5.0%,2.0%,1.0%,0.5%,0.2%,0.1%)训练样本开展地震滑坡的危险性评价。结果表明:2组模型训练样本的滑坡危险性评价结果较接近;对于不同百分比训练样本,当训练样本百分比大于等于10%,尤其是大于30%时,评价结果稳定;当训练样本百分比小于10%时,评价结果出现较大异常。(7)以北川县湔江流域部分地区作为研究区,采用人工神经网络模型,基于3组不同的滑坡训练样本、两类与单类评价样本、Logistic函数与Hyperbolic函数等12种方法进行地震滑坡危险性评价。结果表明,人工神经网络方法应用于汶川地震滑坡危险性评价的结果不理想。(8)基于3组不同的滑坡训练样本,采用两类支持向量机与单类支持向量机评价模型以及线性函数、多项式函数、径向基函数、S型函数4类计算函数等方法(共24种),对北川县湔江流域部分地区进行地震滑坡危险性评价。结果表明:基于500个最大滑坡的点数据训练样本的两类支持向量机模型与径向基函数结果的正确率最高;在地震滑坡危险性评价中,两类支持向量机比单类支持向量机更科学;在核函数的选择上,径向基函数最优。     

基于粗糙集–神经网络的IBURI地震滑坡易发性研究

强震引发的滑坡范围广、数量多,呈现明显的区域性特征,并受强震动外的降雨等环境因素以及区域性水文地质等多种复杂因素的影响。在地震滑坡易发性评价中制定合理的指标选择策略能够从根本上提升评价精度和评价效率。以2018年9月6日北海道IBURI地区的Mj 6.7级地震引发的3 307处滑坡为研究对象,详细研究地震滑坡评价指标体系的构建。首先,结合地震灾害现场调查及资料分析,在充分考虑地震特性的基础上选择17项原始评价指标,然后,引入粗糙集理论作为指标选择策略,利用粗糙集对不确定数据的约简能力删除9项对评价结果影响较小的因子。最后,用优化后的指标构建BP神经网络的输入层,采用粗糙集–BP神经网络模型对IBURI地震滑坡易发性进行评价。结果显示,模型的预测精度从63.8%提升至94.4%,说明以粗糙集理论作为指标选择策略的粗糙集–BP神经网络模型能够有效提高地震滑坡易发性评价的准确性。     

基于GBDT模型的广东阳春市地质灾害易发性评价研究

本研究旨在利用梯度提升决策树（Gradient Boosting Decision Tree,GBDT）模型,对广东省阳春市滑坡易发性进行评价。通过收集大量地质、地形、气象等相关数据,提取了坡度、坡向、工程岩组等11个地质灾害易发性评价指标,构建了全面的滑坡易发性评价指标体系,并采用GBDT模型进行训练和预测。受试者曲线（Receiver Operator Characteristic,ROC曲线）和AUC值（Area Under Curve,AUC）被用于评估模型的准确性,研究结果表明,模型的AUC值达到了0.9414,说明GBDT模型在阳春市滑坡易发性评价中表现出较高的准确性和可靠性。易发性分区统计结果显示,整个阳春市中,高易发区占4.98%,中易发区占8.42%,低易发区占16.39%,非易发区占70.22%。本文研究方法可为开展区域地质灾害易发性评价提供参考。