引言

我国是世界上地质灾害最为严重的国家之一，其中滑坡灾害发生点多面广、突发性强，是我国地质灾害最主要的类型之一(刘传正等，2009；刘艳辉等，2015)。滑坡灾害主要是在一定的地质环境条件下，受到自然因素(如降水、地震)和人为因素(如工程活动)激发导致的，常见的触发强迫因子为降水(李铁锋和丛威青，2006；刘艳辉等，2015)。短历时强降水诱发型浅层滑坡往往造成人员伤亡生命财产重大损失(Hong et al，2006；Kirschbaum et al，2010)。突发的滑坡体带来大量的碎石与泥浆导致道路被损毁、房屋被掩埋、大量人员与牲畜死亡。据统计，在美国每年有25~50人死于滑坡灾害，超过20亿美元的经济损失(Spiker and Gori, 2003)。2013年9月11—13日，持续降水导致了北科罗拉多发生了大范围的山体滑坡事件；2014年3月发生在华盛顿州附近的滑坡造成了毁灭性的灾难，灾害发生前45天的降水量高于正常年度的两倍以上，强降水引发的洪水和滑坡灾害摧毁了49个家庭，并造成43人死亡(Godt at al，2014)。在中国，滑坡灾害也造成明显的直接经济损失，间接损失更大(谢全敏等，2006；李媛等，2013)。仅2014年全国共发生地质灾害10907起，共造成400人死亡失踪、218人受伤，直接经济损失高达54.1亿元人民币，其中滑坡占其总数目的74.5%(国土资源部地质灾害应急技术指导中心，2015)。2014年6月20日凌晨江西省宜黄县神岗乡党口小学后山发生山体滑坡造成学校教学楼倒塌、4人遇难，并损毁学校厕所与附近民房与移动基站，直接经济损失约200万元。该滑坡区域雨量充沛，近30年年平均降水量达1907 mm，滑坡灾害发生前一周累计降雨量约400 mm，发生前3 h累计降雨量达到107.5 mm。目前，考虑到普查出所有地质灾害隐患点并实现完全防治并不现实，因此开展降水诱发型地质灾害预报预警技术(模型)研究是提高地质灾害预报预警精度，有效减轻地质灾害造成人员伤亡和财产损失的主要手段之一(刘艳辉等，2015)。

刘传正和刘艳辉(2007)结合国内外地质灾害预报预警技术与我国大陆诱发地质灾害的降水特征(刘艳辉等，2012)将地质灾害预报预警方法划分为统计预报(隐式统计预报、显式统计预报)和动力机理模型预报。中国地质环境监测院的地质灾害气象预报预警业务模型(刘艳辉等，2008)和国家气象中心地质灾害气象预报预警业务模型(姚学祥等，2005；薛建军等，2005；徐晶等，2007；张国平等，2013；张国平，2014)均属于前者。一般来说，滑坡预报模型也分为统计模型与动力机理模型。近年来，随着卫星遥感技术的快速发展，滑坡统计预报模型在降水诱发型滑坡预报中应用越来越多(Hong et al，2007；2015；He et al，2014)。模型主要基于经验统计的雨强与持续时间阈值与下垫面地质环境信息(Hong et al，2006；2007；刘艳辉等，2008；Brunetti et al，2010；张少杰等，2015)实现滑坡预报预警。另外，还有学者使用基于数据挖掘与机器学习的方法进行滑坡预报，但由于其对滑坡发生时间预测主要是经验方法，精度往往不高(Korup and Stolle, 2014; He et al，2016)。

用于预报降水诱发型滑坡的统计模型中，难以考虑降水入渗与产汇流等流域水文过程对滑坡响应的影响(He et al，2016)。而基于物理动力机理的滑坡预报模型利用地形、地质环境与水文信息，实现边坡失稳过程模拟(Dietrich et al, 1995; Wu and Sidle, 1995; Lu and Godt, 2008; Wooten et al, 2008; Ren et al, 2009; 2015;Hergarten, 2012; Raia et al, 2014; Zhang et al, 2016)。降水引发的边坡失稳基本机制可分为两类：一种主要是强降水触发的快速径流；另一种主要是由于降水下渗导致土壤特性发生变化，其中土壤含水量在确定边坡是否失稳上起着至关重要的作用。虽然已经有一些关于降水引发的山体滑坡研究，但主要都是集中在山体滑坡的静态触发因素(如坡度角、地质环境和土地利用等)，耦合降水过程和边坡稳定性的动态系统模型仍然很少见(夏蒙等，2013；He et al，2016)。一种耦合方法是利用Richard方程解析解模拟无限边坡模型(Taylor，1948)。这种方法主要用于不同时间尺度上检验评估降水入渗对滑坡发生时间的影响。基于这种短历时降水下渗与网格区域边坡稳定性模型(Transient Rainfall Infiltration and Grid-based Regional Slope-Stability, TRIGRS)已经被应用于区域滑坡灾害和易损性评估(Godt et al，2008；Morrissey et al，2008；Liao et al，2011; Zhang et al，2016；夏蒙等, 2013, 陈悦丽等，2016; Alvioli and Baum, 2016)。另一种类型就是耦合分布式水文模型的无限边坡稳定性模型。例如，GEOtop-FS(Simoni et al, 2008)模型就是将GEOtop分布式水文模型(Rigon et al, 2006)与地质模型耦合进行山体滑坡发生有无的概率预报。HIRESSS(HIgh REsolution Slope Stability Simulator；Rossi et al, 2013)是用蒙特卡罗技术考虑水文模型与地质模型参数的不确定性，并实现实时并行计算的滑坡模型(Mergili et al, 2014)。Lanni et al(2012)提出的浅层滑坡模型(CI-SLAM)引入一个基于地形的水文模型描述流域水文过程(主要描述土壤含水量的空间分布)，这与浅层滑坡触发与否有非常重要的关系。Zhang et al(2014；2015) 将GBHM分布式水文模型耦合到泥石流模型中进行泥石流预报预警，并在四川省业务预报应用中取得较好的应用效果。

近年来，遥感技术的快速发展，使得作为模型输入量之一的下垫面遥感信息越来越精准，也使滑坡动力机理预报模型逐渐从单点向更大尺度的区域预报预警转变。Liao et al(2010)提出的基于卫星遥感的降水诱发型滑坡实时监测与预报系统就是针对区域滑坡预报的机理模型。模型系统应用遥感资料分析区域滑坡灾害脆弱性分布与隐患点识别，并将卫星反演的降水与数值天气模式降水预报产品输入SLIDE(Slope-Infiltration-Distributed Equilibrium，SLIDE)滑坡机理模型，实现区域滑坡预报，并成功应用到印度尼西亚与洪都拉斯地区(Liao et al，2010；2012)。然而，SLIDE模型没有完整考虑流域水文效应的时空响应，在流域产流中忽略了植被冠层截留、蒸散发，简化了降雨入渗等过程，缺少流域汇流(Liao et al, 2010)。因此，在SLIDE模型中，耦合分布式水文模型，通过完善的流域水文过程更为准确计算触发滑坡的有效降水，提高滑坡模型预报精度。He et al(2016)将CREST(Coupled Routing and Excess STorage)分布式水文模型(Wang et al, 2011; Shen et al, 2016)与SLIDE模型耦合，形成了CRESLIDE(Coupled Routing and Excess Storage and SLope-Infiltration-Distributed Equilibrium)模型。本研究在滑坡物理模型中引入分布式水文模型技术，针对陕西省南部月河流域2012年7月3—5日的滑坡灾害过程，建立基于流域水土耦合机制的月河流域滑坡机理预报模型，并验证模型的适用性。

1 基于水土耦合机制的流域滑坡机理模型

原SLIDE模型中忽略土壤植被冠层截留、蒸散发与水流汇流过程，并简化流域产流过程，难以完整描述水文过程对滑坡过程的响应，导致模型在流域水文过程模拟的精度不高，特别是在边坡失稳过程起关键作用的流域土壤含水量，往往使得滑坡预报精度较低(Liao et al, 2010；He et al，2016)。而在CRESLIDE水土耦合模型中，应用能够完整表征流域水文过程的CREST分布式水文模型模拟出流域下渗、产流与汇流过程，得到更为准确的土壤含水量等滑坡动力机理模型中的中间水文变量，驱动描述流域水土力学过程的SLIDE模型实现滑坡动力机理预报。流域降水下渗过程是连接CREST分布式水文模型与SLIDE模型的主要物理过程。

1.1 CREST分布式水文模型

CRESLIDE模型中用于模拟水文过程的CREST(Wang et al, 2011)分布式水文模型是由俄克拉荷马大学和美国宇航局项目团队(NASA SERVIR Project Team)共同开发的基于栅格的分布式水文模型。CREST分布式水文模型将流域分成规则网格，在每个网格内模型降雨径流过程首先从土壤植被的冠层截留开始，降水(P)通过冠层截留，剩余降水(P_soil)进入土壤层并分成两部分：地表径流(R)和基于新安江水文模型蓄水容量曲线计算得到的下渗量(I)(Zhao et al, 1980; Zhao, 1992；Liang et al, 1994; 1996)。根据饱和水力传导度，R进一步被划分为坡面径流与地下径流。应用逐栅格的线性水库法进行坡面与地下径流汇流演算。CREST分布式水文模型中的产流过程和汇流演算，能更好地反映地表径流与地下径流的相互作用(Wang et al, 2011)。

目前，CREST模型不仅被应用于极端洪水的估测与预报(Zhang et al, 2015)，基于多种卫星遥感降水产品的水文预报评估(Xue et al, 2013)，以及无资料流域的洪水淹没风险图(Khan et al, 2011)等研究上，并且在多个业务系统中得到应用：如美国本土和非洲纳米比亚等国家的山洪预报系统(Clark et al, 2016)，以及美国本土水文实时模拟与洪水监测演示系统(http://eos.ou.edu)。CREST水文模型在防灾减灾中逐渐得到广泛的应用与验证评估(Gourley et al, 2016；Martinaitis et al, 2016)。

1.2 SLIDE滑坡模型

在SLIDE模型中，对降水下渗过程作了简单假设，并在滑坡安全系数(FS)和边坡降水量之间建立了定量关系，在实际的滑坡预报中被验证具有较好的滑坡预测性能(Liao et al, 2010; 2012;Hong et al, 2015; He et al, 2016)。在SLIDE模型中，模型考虑了土壤表观粘聚力对抗剪强度的贡献和下渗过程大于下渗层厚度的影响，滑坡边坡是否失稳是用安全系数(FS)表示。FS是抗切变强度与切变力的比值。降水量与FS之间的关系已经通过一个简化的数学公式建立起来。一个滑坡体被认为当FS≥1是稳定的，FS < 1时将被预报将要发生滑坡。SLIDE模型假定滑坡发生在浅表层，并且无限边坡方程由土壤粘聚力(c′)与表观摩擦力$\left[ {{c_\phi }({t})} \right]$构成，而${{c_\phi }({t})}$主要由流域土壤饱和度(S_r)和渗透层无量纲厚度(m_t)决定(Montrasio and Valentino, 2008; He et al, 2016; Zhang et al, 2016)。

1.3 CRESLIDE水土耦合模型

在CRESLIDE模型中，采用CREST分布式水文模型与SLIDE模型的单向耦合：通过CREST分布式水文模型完整的流域土壤植被冠层截留、蒸散发、降水下渗、产汇流等物理过程，更好地考虑滑坡体前期土壤湿度和当前不同降水强度与持续时间情况下降水入渗过程的双重影响，从而得到更为准确的S_r。

连接CREST水文模型与SLIDE模型最重要的水文物理过程就是流域降水入渗。很显然，用于流域降水入渗的净雨是经过土壤植被冠层截留和蒸散发计算后的降水量。而且，并不是所有净雨都下渗，部分净雨由于土壤饱和、超渗产流或者土壤不透水性很强直接形成地表径流。Valentino et al(2014)提出引入一个表示降水衰减的参数，表征总降水量到有效雨量的比值，但是这个参数是个纯粹的参数，需要率定，并且考虑到土壤空间异质性，很难得到其准确的空间分布。在CRESLIDE模型中，有效雨量推求m_t过程可以分为基于蓄水容量曲线的降水入渗和地表直接径流两部分计算(Zhao et al, 1980; Zhao, 1992)。水文过程变量(土壤湿度、下渗量等)可以直接通过CREST模型计算得到，用于SLIDE模型。这样就既可以更好地考虑滑坡体前期土壤湿度影响，又能够考虑不同降水强度与持续时间情况下入渗过程影响。即参数m_t的估计可表达为：

$ {m_t} = \frac{{{W_t}}}{{n{Z_t}(1 - {{S}_{{r}}})}} $

(1)

式中，W_t是栅格内三层土壤平均含水量，是CREST模型中一个中间过程变量；n为土壤孔隙度；Z_t为t时刻土层深度，单位：m。式(1) 需要一个实际的下渗率。S_r可以通过下式而得：

$ {{S}_{r}} = \frac{{{W_t}}}{{{W_m}}} $

(2)

式中W_m是土壤最大蓄水能力。

在原SLIDE模型中，考虑数据不足而往往忽略次网格尺度过程参数推导。但在CRESLIDE耦合模型中，通过CREST水文模型模拟可以实现获取次网格土壤水参数。土壤的异质性和水力特性对滑坡发生时间与深度有很大的影响(Lu and Godt, 2008)，这也一直是滑坡模型建模的主要关注点(Bogaard and Greco, 2014)。CREST模型和SLIDE模型共用相同的土地利用和土壤类型。原SLIDE模型用一个参数代表整个区域，这显然不能代表区域的空间变异性。在CRESILDE耦合模型中，土力学过程参数可以通过水文过程中获取。

2 研究区域与数据 2.1 研究区域

本研究选择的是陕西省南部的月河流域。月河流域处于陕西省安康市，位于32°28′~33°20′N、108°26′~109°00′E，南接凤凰山、北靠秦岭、东邻旬河流域、西与池河流域交界。月河发源于秦岭凤凰山，流经陕西省安康市的汉阴县和汉滨区，隶属于长江一级支流汉江，全长95.2 km，流域面积2830 km²。流域地处陕南山区，流域内地势西北高、东南低。上游断崖发育、坡陡沟短、地势起伏剧烈、沟壑纵横；中游多为低山丘陵和川道，地形呈带状，俗称月河盆地；下游地势平坦、河网密布。月河流域处于亚热带季风气候区，由于秦岭和巴山的影响，冬季受蒙古高压控制，气温低、干燥少雨；夏季受西太平洋副热带高压和四川盆地热低压影响，多雨且伴随有伏旱天气。流域内年降水量在700~1100 mm，降水年际和年内变化较大，时空分布不均，时间上降水集中在汛期5—10月，汛期降水占全年的80%以上，空间上南部大于北部，山区大于川道。图 1和图 2分别是基于3″×3″的数字高程模型(Digital Elevation Model, DEM)数据(U.S. Geological Survey，2016)的研究流域地形高程图和水系图。

2.2 山体滑坡灾情和大气强迫数据

根据中国气象局气象站网监测2012年7月3日20时至4日20时，陕西省安康市境内发生暴雨过程，月河流域内发生特大暴雨，其中最大累计降水量和最大雨强均发生在中国气象局站号为865125的自动站，分别为184 mm和55 mm·h^-1。这次强降水过程也导致了2012年7月4—5日月河流域发生降水诱发型地质灾害共40起。滑坡灾害的空间分布如图 3所示(山体滑坡数据来自于中华人民共和国国土资源部地质环境监测部门调查结果)；降水数据来自于中国气象局逐小时加密雨量资料，并采用反距离权重法(芮孝芳，2004)插值为0.05°×0.05°空间分辨率格点降水，输入滑坡预报模型。

2.3 CRESLIDE模型参数率定

CRESLIDE模型的参数分为水文参数与滑坡模型参数。本研究的DEM数据是基于3″×3″分辨率的原始数据，地形参数直接从DEM获取作为模型输入，比如高程、坡度等(图 1和图 4)。其他水文参数如流域不透水面积比、最大土壤蓄水容量、土壤饱和传速率等参数信息，这些参数的空间分布见图 5。由于能够获取的月河流域水文历史资料十分有限，本研究中水文参数是通过高分辨率的DEM、土地覆盖和土壤质地数据直接采用先验参数提取方法自动获取(Chow et al, 1988; Yao et al, 2012)。

土壤非均质性和水力特性在滑坡模型建模过程是非常重要的。在CRESLIDE模型耦合框架下，根据高分辨率的土壤数据、土地覆盖数据获取土壤与土地覆盖类型空间分布和与水土特性应用于SLIDE模型。土壤数据获取自联合国粮农组织的统一化的全球土壤数据(Harmonized World Soil Database; Nachtergaele et al, 2009)。数据定义了全球30″×30″分辨率的13种土壤质地分类。在本研究中，土壤类型数据被重新分析处理成3″×3″分辨率，并且研究区域主要土壤类型为壤土、粘土和粉质粘土(图 6)，相应的土壤参数参照Mergili et al(2014)提出的方法获取。土地覆盖数据(图 6)来自国家基础地理信息中心的全球1″×1″地表覆盖数据(GlobeLand30，http://glc30.tianditu.com)。一共10类土地覆盖类型，在边坡稳定性分析时，某种植被的粘聚力可以叠加到土壤内聚力上。在本研究区域，一共有5种土地覆盖类型，其中森林与耕地所占比率最高。

2.4 CRESLIDE模型统计评估方法

为了客观评估CRESLIDE模型滑坡预报效果，本研究引入皮尔逊相关系数(CC)、相对误差和确定性系数评估模型对水文过程模拟的适用性与合理性，并引入了受试者工作特征曲线(receiver operating characteristic, ROC; Beguería, 2006; Valentino et al, 2014)来定量化分析每个模型的预报预测能力。

在使用ROC曲线分析之前，首先要建立通过比较二元的预报与滑坡实况建立混淆矩阵(Fawcett, 2006)。混淆矩阵的四个评估指标显示根据FS分布图滑坡预测正确与否(表 1)。如果计算出来不稳定网格包含在滑坡实况区域，就被统计为预报正确[true positive，TP，也被称为命中(hit)]；如果其不在滑坡实况区域，则统计为预报错误[false positives，FP，也被称为空报(false alarm)]；如果计算出来的稳定网格被包含在滑坡实况区域，称之为漏报(false negative，FN)；其余为TN(true negatives)。基于混淆矩阵，使用灵敏度(Sensitivity)和特异度(Specificity)两个统计变量，可由下面两个公式得到(Zhang et al，2016)：

$ {Sensitivity = }\frac{{{TP}}}{{{TP + FN}}} $

(3)

$ {Specificity = }\frac{{{TN}}}{{{FP + TN}}} $

(4)

灵敏度统计表明滑坡事件正确预测的比例，而特异度统计是表明边坡稳定正确预报比例(Beguería, 2006)。灵敏度统计值越高，表明滑坡预报命中率越高；特异度统计值越高，表明空报率越低。ROC曲线显示了灵敏度与特异度的关系。ROC图(图 9)中的不同的灵敏度与特异度对应的值为不同的阈值点。在ROC中，右上角的点(Sensitivity=1，Specificity=1) 表示完美预报，但对角线表示随机预报预测。模型的全局统计精度可以用ROC曲线的右侧面积(即AUC曲线指数)表示。

3 应用结果分析 3.1 月河流域径流模拟分析

针对2012年7月3—5日月河流域的洪水过程，应用CRESLIDE耦合模型进行模拟预报(图 7)。从图 7可以看出，模型对洪水预报的模拟预报效果很好，其中CC为0.92，相对误差为15.6%，确定性系数达到0.80。也验证了CRESLIDE耦合模型对水文过程模拟的适用性和合理性。

3.2 模拟预报结果分析

图 8为CRESLIDE模型在陕西省月河流域降水诱发型滑坡有无和滑坡风险预报结果图。从图 8中可以看到，CRESLIDE模型基本预报出月河流域大部分滑坡事件。预报有滑坡危险的区域与实际出现滑坡区域具有较为明显的一致性，体现了水土耦合模型在边坡失稳空间分布预报上的优势；但在流域北部存在较大区域的空报，也是模型在下一步深入研究的地方。

从ROC曲线图(图 9)可以看出，CRESLIDE模型的ROC曲线是比较接近右上角，并且CRESLIDE模型的AUC指数(全局精度)为0.679，说明模型预报有较高的准确率。CRESLIDE模型的特异度统计值为87.8%，CRESLIDE模型的灵敏度统计值为52.9%，意味着CRESLIDE模型的漏报率较低，但灵敏度高于50%，表明模型仍存在一定的改进空间来提高预报精准度，减少空报。本研究应用ROC曲线的主要目的是通过测试灵敏度与特异度如何随着FS阈值变化而变化，说明滑坡模型是否合适。

ROC曲线揭示了利用完整的水文物理过程对SLIDE模型改进(CRESLIDE模型)在月河流域滑坡预报中取得不错的预报精度。实质上，SLIDE模型与CRESLIDE模型两个性能差异主要体现在对用来计算FS的两个中间参数变量m_t和S_r的推求上。图 10显示了降水、下渗和土壤饱和度的时空演变过程。可以看出，在强降水过程早期(7月3日20时至4日02时)，下渗显示与降水相似的空间分布，表明大部分降水都下渗至土壤中。这是因为在降水之初，雨强明显小于流域下渗能力，降水被土壤有效吸收。当雨强逐渐增大并大于下渗率，降水量也超过土壤的缺水量时，多余的降水将不再下渗直接形成地表径流。在7月4日09—14时明显可以看出降水与下渗的明显不同(图 10g~10i)。在CRESLIDE模型中，根据式(1)，利用更为科学的下渗过程代替降水来估计土壤层无量纲厚度，这些较小的输入值减少了m_t的量级，这导致更大的${{c_\phi }({t})}$和更大的FS值，表明更多保持边坡稳定的网格，与实况更为吻合，得到特异度较高。如果比较滑坡出现位置(图 3)与S_r的空间分布(图 10)，可以看出滑坡通常出现在土壤高饱和度区域，进一步说明得到更准确的S_r空间不均匀性分布。

4 结论与讨论

本研究通过引入CRESLIDE模型技术，针对2012年7月3—5日的陕西省南部滑坡灾害，建立基于水土耦合机制的月河流域滑坡动力机理预报模型。模型耦合了CREST分布式水文模型，将CREST水文模型模拟的水文中间状态与变量作为SLIDE模型的输入，更好地考虑在不同雨强与降水持续时间影响的土壤湿度变化与降水下渗过程，形成水土耦合机制的CRESLIDE模型，用于陕西南部月河流域降水诱发型滑坡预报。与原SLIDE模型相比，CRESLIDE模型在物理机理上描述了更多水文水动力过程细节，包括植被冠层截留、蒸散发和产汇流过程，并且完善的水文过程主要是用来改进下渗过程，得到决定滑坡发生与否的更为精确的安全系数(FS)的值。通过在月河流域2012年7月3—5日强降水引发的滑坡预报中验证得出，CRESLIDE模型在月河流域的滑坡预报中具有较高的精度，虽然模型在边坡不稳定区域存在一定的空报现象，但能够说明了水土耦合的滑坡动力机理预报模型有较小的空报率；模型还存在一定的错报率，仍需要对模型从模型输入、水文物理过程以及不确定性进一步分析与完善。

CRESLIDE模型主要输入强迫为大气降水。本次研究使用的降水数据来自气象部门地面自动站插值而成的格点降水资料。目前，雷达、卫星与地面自动站多源降水融合的定量降水估测(QPE)在反映空间降水分布和降水量估计上具有明显优势，技术已经相对成熟，并已经在我国气象部门业务化，时间分辨率已经达到30 s，空间分辨率为0.05°×0.05°。这为提高模型输入降水的空间分布和量级的精度提供了有利的途径。另外，中央气象台的格点化定量降水预报产品近年来已经有了长足的发展，时、空分辨率分别已经达到1 h和0.05°×0.05°，预报产品经检验精度较高(包红军等，2017b)。在我国地质灾害(滑坡)预报预警业务中，精细格点化定量降水预报产品的引入，可提升CRESLIDE模型在实时预报中的精度与延长预报预见期，更好地为防灾减灾服务(包红军等，2016c)。

CRESLIDE模型的水文过程目前采用的基于新安江水文模型的蓄满产流机制为基础的分布式模拟。由Beven(1997)提出的基于TOPMODEL模型的产流反映的也是蓄满产流机制，并且逐步发展为分布式水文模型，如TOPKAPI(Liu et al，2005)、BTOPMC(Bao et al，2010)、GTOPMODEL(张珂等，2005；Li and Zhang, 2008)等。如何结合两种产流机制优势，并能够考虑我国复杂下垫面条件导致的径流形成物理机理的产汇流模型是CRESLIDE模型下一步着重改进的方向之一(Bao et al, 2017; 包红军等，2016a；2016b；2017a)。

由于月河流域所能获取的水文资料有限，本研究中的CRESLIDE模型参数主要是从流域地形地貌与遥感资料直接先验获取，并应用于滑坡预报。模型参数与实际相比，不可避免有一定的偏差与不确定性。在接下来的研究中将选择资料相对完整的流域进行滑坡预报试验，采用模型参数先验估计与多年资料率定相结合的方法进行参数优化，进一步验证CRESLIDE模型在滑坡预报中的适应性和合理性。