基于信息量和卷积神经网络的黄土高原滑坡易发性评价

黄土高原在地质环境与人类活动的复杂互馈作用下易导致黄土崩滑灾害频发,亟需选择适用性的影响因子和训练模型开展滑坡易发性评价研究.本研究以黄土高原为研究区,基于野外滑坡调查和资料收集,构建涵盖地形地貌、基础地质环境、气象水文、人类活动、土壤物理化学性质以及植被覆盖的评价体系,采用信息量模型（ Ⅳ）分别联接到随机森林模型（RF）和卷积神经网络模型（CNN）构建耦合模型 Ⅳ-RF和 Ⅳ-CNN,开展滑坡易发性评价研究.结果表明,耦合模型（ Ⅳ-RF、 Ⅳ-CNN）的精度均高于独立模型（RF、CNN）,4种模型的AUC值分别为0.916、0.938、0.878、0.853, Ⅳ-CNN具有更强的预测能力和精度. Ⅳ-CNN模型的极高、高、中、低、极低易发性区域面积占比分别为8.78%、7.47%、15.34%、19.82%、47.87%,主要分布在黄土高原南部和东部地质环境复杂和人类活动强烈的山地、黄土梁峁地区.坡度、侵蚀类型、地貌类型、粘粒含量、距道路距离在贡献率分析中排在前5位,是影响滑坡发育的主控因子.本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据,为滑坡易发性评价研究深化...     

基于深度学习的CZ铁路康定—理塘段滑坡易发性评价

CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network,CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network,ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害发育的分布现状,能够为该区的CZ铁路建设和未来安全运行过程中的防灾减灾工作提供科学的依据。     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

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

准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型.      

基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价

开展铁路沿线滑坡易发性评价对川藏交通廊道工程建设及运维过程中的风险管理具有重要意义.提出一种层数自适应、通道加权的卷积神经网络(layer adaptive weighted convolutional neural network,LAW-CNN),对川藏交通廊道沿线滑坡易发性进行评价.依据野外调查和影响因素分析筛选出影响滑坡发生的影响因子,绘制滑坡编目,构造用于易发性评价的实验数据集;针对卷积神经网络的权重初值、网络层数等超参数难以优化设置的问题,提出基于影响因子信息熵的通道加权方法和网络层数优选策略,通过多通道加权和层数自适应分类卷积的方式提出滑坡易发性制图的LAW-CNN架构;搜索最优LAW-CNN网络结构并训练网络参数,获取研究区滑坡发生概率并进行易发性分级评价.所提的LAW-CNN模型可以不同权重和不同深度挖掘影响因子的深层特征,实验结果表明,模型曲线下面积(area under curve,AUC)值为0.852 8,极高易发区滑坡点密度为1.251 9,均优于SVM(support vector machine)和CNN模型;川藏交通廊道沿线滑坡极高和高易发区主要集中在大江大河两侧以及横断山区.LAW-CNN模型可较好评价川藏交通廊道滑坡易发性,能够为川藏交通廊道的建设和灾害防治提供科学的依据.      

川藏铁路通麦至鲁朗段地质构造对滑坡的控制作用分析

藏东南的喜马拉雅东构造结地区作为青藏高原隆升最快的地区之一,复杂的地质背景条件决定了该区工程地质问题的复杂性和特殊性,并孕育了多种地质灾害。文章通过遥感解译、无人机测绘以及野外现场调查,详细分析了喜马拉雅东构造结北西侧通麦至鲁朗段已有滑坡的发育特征,总结了地质构造对滑坡的控制作用,结果表明：（1）构造演化形成的高陡斜坡为滑坡形成提供地形条件,滑坡后缘的断裂破碎带,为雨水入渗提供通道,形成滑坡边界;（2）斜坡岩体中发育的贯通性构造节理为滑坡提供滑动条件和物质基础;（3）地震震动对岩体结构造成直接破坏,并诱发同震滑坡。多种构造作用的耦合造成了川藏铁路通麦至鲁朗段滑坡的高易发性,相关结果可为铁路修建过程的边坡灾害管控提供参考和支撑。     

基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例

金沙江上游巴塘—德格河段地处青藏高原东部,该区地质、地形、地貌极其复杂,滑坡灾害最为发育,开展区域滑坡易发性评价对防灾减灾工作有着重要的意义。本文以金沙江上游巴塘—德格河段为研究区,在滑坡编录与野外实际调查的基础上,通过对滑坡分布规律和影响因素分析,选取高程、坡度、坡向、曲率、地形起伏度、地表切割度、地表粗糙度、地层岩性、断层、水系和道路等11个影响因子,构建了滑坡易发性评价指标体系。利用皮尔森系数去除高相关性影响因子,运用频率比方法定量分析各个因子与滑坡发育的关系。通过频率比模型选取非滑坡样本,采用集成学习算法模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区、高易发区、中易发区、低易发区及极低易发区5个等级。由滑坡易发性分区图和ROC曲线表明,高和极高易发区主要沿金沙江沿岸和沟谷分布,随机森林模型的成功率曲线下面积AUC=0.84,历史滑坡灾害位于高-极高易发区的灾害数占总滑坡数的84.8%,梯度提升树模型的成功率曲线下面积AUC=0.79,历史滑坡灾害位于高-极高易发区灾害数占总滑坡数的79.3%。由AUC值和历史灾害的分布可知,随机森林模型比梯度提升树模型在本研究区滑坡易发性评价中有着更好的评价精度和更高的预测能力。     

基于GIS与ANN模型的地震滑坡易发性区划

基于遥感数据、地理信息系统(GIS)技术和人工神经网络(ANN)模型,开展地震滑坡易发性区划研究.2010年4月14日玉树地震后,基于航片与卫星影像目视解译,并辅以野外调查的方法,在地震区圈定了2036处地震诱发滑坡.选择高程、坡度、坡向、斜坡曲率、坡位、与水系距离、地层岩性、与断裂距离、与公路距离、归一化植被指数(NDVI)、与同震地表破裂距离、地震动峰值加速度(PGA)共12个因子作为地震滑坡易发性评价因子.这些因子均是应用GIS技术与遥感影像处理技术,基于地形数据、地质数据、遥感数据得到.训练样本中的滑动样本有两组,一组是滑坡区整个单滑坡体的质心位置,另一组是滑坡滑源区滑前的坡体高程最高的位置.应用这12个影响因子,分别采用这两组评价样本,基于ANN模型建立地震滑坡易发性索引图,基于GIS工具建立地震滑坡易发性分级图.分别应用训练样本中滑坡分布的点数据去检验各自的结果正确率,正确率分别为81.53％与81.29％,表明ANN模型是一种高效科学的地震滑坡易发性区划模型.     

基于深度神经网络模型的雅安市滑坡易发性评价CSCD

准确的滑坡易发性评价结果是滑坡风险评估的基础,对防灾减灾工作有着重要的意义。文章以雅安市为研究区,在野外地质调查的基础上,选取高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、泥沙输运指数、径流强度指数、归一化植被指数、年均降雨量、地震动峰值加速度、地形起伏度、距断层距离、地层岩性、距河流距离、距道路距离等16个因子,构建研究区滑坡易发性评价指标体系,采用度神经网深络(DNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(12.2%)、高易发区(7.0%)、中易发区(9.8%)、低易发区(17.0%)、极低易发区(54.1%)五个等级,并与人工神经网络(ANN)模型进行对比,用ROC曲线的AUC值进行精度检验。结果表明,DNN模型的评价精度AUC(0.99)大于ANN(0.96)模型。因此,相比ANN模型,DNN模型在该研究区有着更好的拟合能力和预测能力,滑坡极高和高易发区主要分布于雅安市人类工程活动强烈的低海拔地区,沿着道路和水系分布,距道路距离、高程、年均降雨量是影响雅安滑坡发育的主要影响因子。     

不同环境因子联接和预测模型的滑坡易发性建模不确定性

拟深入探讨滑坡与其环境因子间的非线性联接计算以及不同数据驱动模型等因素,对滑坡易发性预测建模不确定性的影响规律.以江西省瑞金市为例共获取370处滑坡和10种环境因子,通过概率统计（probability statistics,PS）、频率比（frequency ratio,FR）、信息量（information value,Ⅳ）、熵指数（index of entropy,IOE）和证据权（weight of evidence,WOE）等5种联接方法分别耦合逻辑回归（logistic regression,LR）、BP神经网络（BP neural networks,BPNN）、支持向量机（support vector machines,SVM）和随机森林（random forest,RF）模型共构建出20种耦合模型,同时构建无联接方法直接将原始数据作为输入变量的4种单独LR、BPNN、SVM和RF模型,预测出总计24种工况下的滑坡易发性;最后分别使用ROC曲线、均值、标准差和差异显著性等指标分析上述24种工况下易发性结果的不确定性.结果表明:（1）基于WOE的耦合模型预测滑坡易发性的平均精度最高且不确定性较低,基于PS的耦合模型预测精度最低且不确定性最高,基于FR、Ⅳ和IOE的耦合模型介于两者之间;（2）单独数据驱动模型易发性预测精度略低于耦合模型,且未能计算出环境因子各子区间对滑坡发育的影响规律,但其建模效率高于耦合模型;（3）RF模型预测精度最高且不确定性较低,其次分别为SVM、BPNN和LR模型.总之WOE是更优秀的联接法且RF模型预测性能最优,WOE-RF模型预测的滑坡易发性不确定性较低且更符合实际滑坡概率分布特征.      

基于RBF神经网络?信息量耦合模型的滑坡易发性评价

滑坡易发性评价是滑坡灾害管理的基础工作,也是制定各项防灾减灾措施的重要依据。针对传统的信息量模型在评价过程中确定权重值存在准确性不高的缺点,文章提出RBF神经网络和信息量耦合模型。以甘肃省岷县为研究区,筛选坡度等9个指标因子构建了滑坡灾害易发性评价指标体系,应用RBF神经网络-信息量耦合模型（RBFNN-I）进行滑坡灾害易发性评价,利用合理性检验和ROC曲线对模型的评价结果进行精度检验。结果表明:（1）RBFNN-I模型的AUC值为0.853,相比单一的RBFNN和I模型分别提高了6.3%和9.7%,说明RBFNN-I模型具有更好的评价精度;（2）岷县滑坡灾害的极高易发区和高易发区主要分布在临潭—宕昌断裂带、洮河及其支流、闾井河和蒲麻河两侧河谷地带,距断层距离、降雨量、距道路距离和NDVI是影响岷县滑坡灾害分布的主控因子。     

基于SOM-I-SVM耦合模型的滑坡易发性评价

在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能...     

汶川、芦山和鲁甸地震滑坡分布规律对比研究

汶川M_S8.0级地震、芦山M_S7.0级地震和鲁甸M_S6.5级地震均引发了大量的滑坡灾害。由于震级差异和地质地形条件的不同,地震滑坡分布情况有较大区别。本文综合已有的研究成果,从地震、地质和地貌3个方面,对比分析了地震滑坡的分布规律。结果表明:（1）3次地震滑坡数量和密度随着PGA和震级的增加而增加。汶川和鲁甸地震随烈度的增加,滑坡数量呈现递增的趋势。但芦山地震在较低烈度区也发育着大量滑坡。（2）断层影响滑坡分布的最大距离随着震级的增加而增加。在最大影响距离0.2倍的范围内,汶川地震分布有80%的滑坡,而其他两次地震仅30%。此外,汶川地震滑坡数量随断层距离呈指数衰减关系。（3）地震滑坡的分布受到地形的强烈影响。Ⅶ度及以上烈度区地形切割深度越大,地震触发的滑坡集中分布区域相对高差越大。同时,滑坡集中发育的坡度会随之增加。切割深度越大,地震滑坡更易发生在地势较陡的山脊或者上坡处,这可能与地形放大效应有关。     

滑坡易发性预测不确定性:环境因子不同属性区间划分和不同数据驱动模型的影响

对于滑坡易发性预测建模,连续型环境因子在频率比分析时的属性区间划分数量（attribute interval numbers,AIN）和不同易发性预测模型是两个重要不确定性因素.为研究这两个因素对建模的影响规律,以江西省上犹县为例,考虑5种连续型环境因子AIN划分（4、8、12、16及20）和5种数据驱动模型（层次分析法（analytic hierarchy process,AHP）、逻辑回归（logistic regression,LR）、BP神经网络（back-propagation neural network,BPNN）、支持向量机（support vector machine,SVM）和随机森林（random forest,RF））,总计25种不同工况下的滑坡易发性预测研究.再开展滑坡易发性指数的不确定性（包括精度评价和统计规律等）分析.结果表明:（1）对于同一模型,随着AIN值从4增加至8再到20时,易发性预测精度先逐渐提升,然后缓慢提升直至稳定;（2）对于同一AIN值,RF模型预测精度最高,其后依次为SVM、BPNN、LR和AHP模型;（3）在25种组合工况下,AIN=20和RF模型的预测精度最高,AIN=4和AHP模型精度最低,但在AIN=8和RF模型组合下的易发性建模效率较高且精度也较高;（4）更大的AIN值和更先进的机器学习模型预测出的滑坡易发性指数的不确定性相对较低,更符合实际的滑坡概率分布特征.在环境因子属性区间划分为8和RF模型工况下高效准确地构建滑坡易发性预测模型.      

不同组合模型区域滑坡易发性及精度分析

为探索区域滑坡易发性评价模型的适用性和评价结果的合理性,以滑坡灾害高发的白龙江流域为研究区,首先选取坡度、地形起伏度、距断层距离、地层岩性、流域沟壑密度、植被指数等6项影响滑坡发生的孕灾因子作为易发性的评价指标,以研究区2 093处滑坡灾害点为样本数据,依据各指标条件下的信息量值、确定性系数值和证据权重值曲线突变规律,...     

基于BP神经网络的九寨沟地区地震滑坡危险性预测研究

BP神经网络因具有良好的精度和拟合能力,被广泛地运用在区域性滑坡危险性预测中。本文建立了基于BP神经网络的地震滑坡危险性评价模型并应用于四川九寨沟地区,以2017年8月8日的九寨沟M_S7.0地震引发的4834个历史滑坡为例,将其随机划分为70%的训练样本集用于九寨沟地区地震滑坡危险性预测,以及30%的验证样本集对预测结果的精度进行评估。选取高程、坡度、坡向、平行发震断层距离、垂直发震断层距离、震中距离、距道路距离、地面峰值加速度(PGA)以及岩性共9个影响因子,分析发震断层对地震滑坡的控制作用,并总结九寨沟地区地震滑坡空间分布规律特征,其中发震断层、岩性和坡度对九寨沟地区地震滑坡分布产生重要影响。利用模型得到九寨沟地震滑坡危险性预测图,结果显示73.19%的滑坡位于极高和高危险区域,与实际地震滑坡分布基本相符。通过30%的验证样本集来绘制预测成功率曲线,结果表明模型预测成功率(AUC值)为0.90,证实了BP神经网络在九寨沟地区地震滑坡危险性预测中具有良好的精度和拟合能力,评价结果为后续地震滑坡灾害预测和防震减灾工作提供了科学的参考。     

基于Newmark模型的概率地震滑坡危险性模型参数优化与应用: 以鲁甸地震区为例

应用概率地震危险性评价模型进行地震滑坡危险性区划,是解决潜在地震诱发滑坡危险性评价中震源不确定性与诱发滑坡时空不确定性的有效方法.通过理论分析,结合鲁甸地震区的实际情况,对基于力学原理的Newmark滑块位移模型与概率地震滑坡危险性分析方法中的参数的不确定性问题进行了分析,将斜坡岩土体地震作用下的强度衰减效应、地震加速度地形放大效应、断层破碎带效应融合到了斜坡累积位移计算模型中,进行了模型计算参数的优化.改进后的分析模型,更好地反映了高陡斜坡地形与断层破碎带对地震滑坡灾害发育的控制作用,在鲁甸地震区域滑坡应用中,优化模型中的滑坡失稳极高风险区与实际地震滑坡分布表现出了较好的一致性,在超越概率2%的滑坡失稳概率分布中,鲁甸地区包谷垴—小河断裂、鲁甸—昭通断裂带及牛栏江河谷地带地震滑坡高—极高风险区分布面积增幅十分显著.因此,在Newmark滑块位移模型中考虑地震动参数与岩土参数动态响应规律与变量间的定量关系,对于提高区域斜坡稳定性分析的可靠性具有重要意义.      

四川汶川地震-滑坡-泥石流灾害链形成演化过程

2008年“5·12”汶川Ms 8.0级地震之后,地震灾区表现出显著的强震地质灾害后效应。地震造成山体分水岭及山脊部位产生大量的崩塌和滑坡,崩滑体大多散落在山体的中上部,在强降雨作用下大量松散堆积物沿陡峻的沟道汇聚、加速,形成破坏性极大的高位泥石流,从而构成典型的地震-滑坡-泥石流灾害链。在回顾汶川地震灾区同震地质灾害的基础上,调查分析了震后汛期地质灾害的主要类型及其6种表现形式,将地震-滑坡-泥石流灾害链形成、演化过程划分为4个阶段：孕育阶段、地震同震滑坡阶段、震后滑坡-泥石流发育阶段、高位泥石流的动态演化阶段,提出高位泥石流的判识指标,并探讨其分布特征、动态变化趋势及其防治对策。     

茂县新磨特大滑坡-碎屑流的发育特征与运移机理

2017年6月24日茂县叠溪镇新磨村发生体积近800×104 m3的灾难性特大型滑坡-碎屑流灾害。通过现场调查、遥感解译和资料分析,本文对灾害发育的地质环境条件,崩滑危岩体及运移堆积特征,降雨及地震对崩滑的触发作用等进行了研究,探讨了影响碎屑流运动性的主要效应及其致灾机理,并评价了类似灾害的监测预警新方法。研究认为:（1）新磨村位于1933年叠溪M_S7.5地震前已经存在的大型老滑坡堆积体上,多次历史强震和历年降雨循环使滑源区砂板岩坡体表层卸荷带失稳剥离,内部岩体完整性和强度进一步损伤劣化,滑源区在2003年之前已经发育了多条宽大裂缝,并存在显著滑前变形前兆,新磨滑坡本质上是一次后地震机制的灾难性高速岩质滑坡-碎屑流。（2）新磨基岩顺层滑坡体积约150×104 m3,但有约600×104 m3沟道老崩坡积体被刮铲、裹携。滑坡体高位撞击使老堆积体内“土拱效应”快速丧失并获得加速,“刮铲-裹携效应”促进了滑坡-碎屑流的流动性和扩散性,但大规模的裹携也限制了碎屑流运移得更远。这种冲击加载-刮铲裹携的破坏机制与1986年新滩滑坡、2000年易贡滑坡和2004年贵州纳雍左营滑坡等类似。（3）滑坡-碎屑流产生的地震信号分析可再现整个滑坡、冲击、运移、停积等全过程,震前InSAR形变资料分析则揭示了显著的变形前兆,两者结合应是未来这类超视距崩滑-碎屑流灾害早期识别、评价和预警的新方法。（4）鉴于滑后新磨流域仍然存在大量新老裂缝及其切割而成的危险块体,建议立即开展详细的灾害调查、风险评价和监测预警工作,避免类似灾害重复发生。     

基于斜坡单元灾害强度的滑坡灾害易损性评价——以湖南省湘乡市为例

以斜坡为单元,基于潜在灾害强度的区域性易损性评价是地质灾害防治亟待解决的重要问题之一。以湖南省湘乡市为研究区,在采用加权信息量方法进行易发性区划的基础上,逐个提取斜坡单元最高易发值点的高程、坡高、坡度、坡向、月平均降雨量为特征参数,分别代入BP神经网络、PSO-BP神经网络、随机森林及支持向量机模型。通过训练与精度测试对比,构建基于PSO优化BP神经网络算法的滑坡体积预测模型,建立以灾害体积为灾害强度指标,以建筑密度、人口密度、财产密度等为脆弱性指标的易损性综合评价模型。针对研究区开展基于潜在灾害强度的区域性易损性评价,完成高易损区（面积占比1.5%）、中易损区（面积占比28.5%）和低易损区（面积占比70%）的区划,实现了区域性易损性评价过程中致灾体灾害强度与承灾体脆弱性的有机结合,增强了评价的客观性和科学性。