区域滑坡易发性评价的时间尺度特征分析

朱吉祥，张礼中，周小元，王 乾，陆 琰

(中国地质科学院 水文地质环境地质研究所，河北 石家庄 050061)

1 滑坡易发性研究

滑坡是世界上危害最大的自然灾害之一，对人类的生存与经济的发展造成了严重威胁[1]，因此制定有效的滑坡灾害预防与治理措施是各国政府相关部门的重要工作内容，而滑坡易发性区划是其中的关键[2]。滑坡易发性区划是利用已有的监测数据对研究区滑坡发生的概率进行分析，以评估未来发生滑坡的风险性[3]。但是，由于滑坡演变机制的非线性[4]，使得目前无法对滑坡是否发生作出明确的判断，因此基于风险分析的滑坡易发性区划必然存在一定的不确定性。如何降低不确定性，使区划结果能够更准确地揭示滑坡发生的规律，是目前滑坡研究中一项十分困难且迫切的工作[5]。滑坡易发性区划结果的不确定性一方面是由于评价方法与滑坡本身的“非兼容性”(评价方法对数据的要求与滑坡监测数据的多样性，评价方法约束条件与滑坡发生机制的开放性等)、数据质量、评价过程中产生的误差等客观因素造成的，另一方面则是由于滑坡本身的尺度特征引起的。

2 滑坡易发性研究的尺度效应

尺度是自然过程抑或观测研究在空间、时间或时空域上的特征量度[6-7]，凡是与地球参考位置有关的数据都具有尺度特性。作为一定时间和空间内的自然现象，滑坡自身必然内蕴尺度的相关性质，同时滑坡的影响因素(地形地貌、地质构造等)作为区域性的自然条件，其表征特性(面积、形态等)和演变过程等也会受到尺度的影响。滑坡的尺度特征是其内在固有属性之一，而作为滑坡分析与评价的对象，滑坡监测数据的尺度特征必然会影响区划结果的不确定性，因此研究滑坡监测数据的尺度特征对于分析滑坡易发性具有重要的实际意义。在区划过程中，如果忽略监测资料的时态分布特征，对所有监测数据默认为同等重要程度参与评价，随着监测数据的积累，滑坡影响因素的权重可能会出现“平均化”的现象。

3 国内外利用监测数据进行滑坡易发性研究的现状

滑坡易发性区划是将研究区按照滑坡发生的概率进行等级划分，具有相同等级的区域，滑坡发生的概率相等[7]。目前，滑坡易发性区划普遍遵循过去与现在是认识未来的关键的原则。因此，滑坡易发性区划是对历史滑坡点的位置、类别、规模、活动特征、发生时间以及其他监测数据进行综合分析的结果[7]。

尺度是任何滑坡易发性区划必然要涉及的一个问题[8]，Fell等[7]认为特定规模的滑坡易发性区划必须在相应的尺度下进行，以使评价所必需的信息可以显示在相应的比例尺图层中。Cascini[9]的研究表明，参与区划的数据必须具有合适的分辨率与质量。Fell、Cascini等[7，9]从尺度的规模出发，将用于滑坡易发性区划的方法分为三类：基于地形学、地貌学与地质学数据的启发式、经验类方法，适用于大尺度的滑坡易发性区划；基于概率统计的中间过渡类方法，适用于中尺度的滑坡易发性区划；利用水文地质、岩土工程类数据的确定式方法，适用于小尺度的滑坡易发性区划。结合目前国内外滑坡易发性区划在尺度方面的研究现状，归纳出基于不同比例尺的滑坡易发性区划对评价方法、区划面积、应用范围与目标等的要求(表1)。

表1 不同比例尺下滑坡易发性区划对应的尺度、评价方法、面积与应用范围[9-10]

目前滑坡易发性区划主要是采用离散化的区划单元格进行易发性计算，区划单元格大小的确定主要取决于滑坡的类型、研究的尺度、信息挖掘工具的性能以及关键数据的质量、分辨率、尺度等[8]。文献[11]提出了几种确定区划单元格的方法。Michele Calvello 等人的研究直接给出了不同尺度下地形区划单元的大小[8](表2)。

表2 不同尺度下地形区划单元的大小[8]

滑坡的尺度研究主要集中于监测数据的空间尺度特征，而时间尺度特征研究的重点在于对单个滑坡演变机制的物理模拟[12]；对于区域性的滑坡易发性区划，目前国内外相关研究成果较少，比较有代表性的是程谦恭等[13]利用多种时间尺度的方法对我国近5 000年滑坡群发周期进行相关分析。

4 滑坡监测数据的时序性特征分析

滑坡的监测数据不仅包括滑坡的位置、形态、失稳机制、诱发因素、发生频度以及规模等具有空间属性的数据，同时也包括滑坡发生的时间、监测数据的时态分布特征等[1]。监测数据的时态分布特征是指监测数据随时间的变化过程与趋势。分析现有的滑坡评价研究成果，对不确定性的研究除了克服由评价方法自身缺陷带来的偏差之外，主要的研究方向是分析空间尺度效应对评价不确定性的影响[14]；而在时间尺度方面，对于滑坡易发性区划的研究主要还是以“静态”为主，原因之一是相关滑坡影响因素演变的缓慢性，但是随着全球极端自然现象的频发[15]以及人类活动对环境影响的加剧[16]，滑坡的演变进程大大加快，时间尺度效应对滑坡易发性区划不确定性的影响逐渐凸显。监测数据的时态分布特征是滑坡时间尺度特征的重要表现，能够清楚地表征研究区滑坡的演变进程。分析监测数据的时态分布特征，对于研究时间尺度特征对滑坡易发性区划不确定性的影响，具有比较重要的理论价值。

4.1 监测数据的时态分布特征与研究区滑坡演变规律的相关性

滑坡是一个动态演变的非线性系统，是其背景条件相互作用的“极端结果”，包含一定的必然性，这种必然性不仅是指滑坡发生的位置、规模，同时也包括滑坡发生的时间。因此，作为滑坡信息载体的监测数据在时间上的非平稳性分布特征也应当包含一定的必然性，这种必然性是由研究区滑坡的演变进程决定的。由于控制滑坡演变与发生的影响因素存有规律性，所以这种必然性对于特定区域的滑坡演变进程而言，最终会导致监测数据的时态分布特征呈现出与之对应的规律性特征。因此，监测数据的时态分布特征是研究区滑坡演变进程的重要表征之一。

4.2 监测数据集的选择对滑坡易发性评价的影响

不同时期的滑坡监测数据反映的是当时研究区的滑坡演变情况。根据滑坡演变的非线性特征，从理论上讲，基于监测数据的区域地质评价应当是实时的，但是由于实时获取的监测数据往往因数据量不足而无法反映研究区的滑坡信息，因此这种实时的区域滑坡评价思路目前在技术上无法实现。同时由于滑坡演变的缓慢性与继承性，特定时间段内的具有相同地质环境背景的滑坡的发生往往具有一定的相关性，因此这种基于实时数据的评价方式没有太大的实际意义。目前主流的评价思路均是对一定时间段的监测数据集进行分析，但在选取监测数据进行评价时并不是越多越好，因为对于同一研究区而言，监测数据越多意味着监测时间越长，利用大时间尺度的监测数据参与评价有可能使评价的不确定性积累放大，更为严重的是，控制研究区滑坡发生的主因素可能已经在如此长的时间段内发生改变，利用主因素变化前后的监测数据参与评价可能导致评价结果产生重大的偏差。

4.3 影响因素权重确定的滞后性

权重的大小表征影响因素在整个滑坡演变进程中的重要程度，权重的确定是整个评价过程的关键环节。影响因素权重的确定要依据一定时间段的历史资料作出判断，这种历史资料包含的是当时的滑坡演变信息。由于区域滑坡演变的非线性，导致不同时期的滑坡演变机制必然存在差异，因此基于这类监测数据的权重确定方式获取的是该监测时段内过去与现在的“均值”。对于研究最新的区域滑坡演变进程而言，这种权重的确定方式具有一定的滞后性，这也是导致目前滑坡易发性评价存在不确定性的因素之一。

5 我国典型滑坡演变类型的划分

滑坡演变类型是指滑坡在自然与人为动力因素作用下随时间的演变过程与趋势。利用全国主要城市环境地质综合评价项目的相关成果数据，运用时序性分析理论，对具有不同地质环境条件的滑坡演变进行比较分析，初步确定了稳定型、生长型、衰弱型以及随机型等4种演变类型(图1)。

5.1 稳定型

该演变类型是指滑坡监测数随时间变化不大，即滑坡监测数Z(t)随时间t变化很小[图1(a)]，对于任意时段t1与t1+k而言，有Z(t1) =Z(t1+k)。确定该类型监测数据的标准时态分布曲线为

Z(t)=μt

(1)

稳定型演变类型主要受演变较慢的背景因素控制，如地层岩性、地形地貌等，主要发生于地层稳定、岩性变化缓慢、降水较少的地区。

5.2 生长型

该演变类型是指滑坡监测数随时间变化呈趋势性上升，即滑坡监测数Z(t)随时间t波动增加[图1(b)]。生长型演变类型是一种典型的非平稳性过程，利用确定性趋势模型确定该类型监测数据的标准时态分布函数为

Z(t)=α1t+at0(a1>0)

(2)

式中：α1为滑坡数随时间t的增长率；at0为初始监测时间点的历史滑坡数。

图1 我国4种典型的滑坡演变类型

生长型演变类型是一种发育中的滑坡发生机制，表明区域范围内影响滑坡演变与发生的某个或某几个因素的活动性增强，例如大型水库修建导致区域范围内的岩体内部应力集中而产生的滑坡,震后位于断裂带地区的土体、岩体失稳而产生的滑坡等。

5.3 衰弱型

该演变类型是指滑坡监测数随时间变化呈趋势性下降，即滑坡监测数Z(t)随时间t波动减少[图1(c)]。衰弱型演变类型也是一种典型的非平稳性过程，利用确定性趋势模型确定该类型监测数据的标准时态分布函数为

Z(t)=α2t+at0(a2<0)

(3)

式中：α2为滑坡数随时间t的减少率。

衰弱型演变类型是区域范围内滑坡的动力源与物质源逐步减少，影响因素的活动性趋于平稳，这类演变类型广泛分布于社会化程度较高的城市及其周边地区，这些地区一般地质构造比较稳定、人为治理程度较高。

5.4 随机型

该演变类型是指滑坡监测数随时间呈现出没有规律的变化过程[图1(d)]。随机型演变类型是一种由诱发因素控制的滑坡发生机制，常见的诱发因素包括降水、地震等。这类演变类型没有统一的标准函数，往往与诱发因素的时序性特征具有很好的相关性。

需要说明的是，由于自然条件的复杂性，导致滑坡发生的内动力与外动力可能同时存在，因此区域范围内往往不止存在一种滑坡演变类型，更普遍的是多种演变类型组合存在，常见的组合类型包括稳定型与降水随机型组合、生长型与降水随机型组合等。

6 结 语

(1)滑坡的演变与发生依赖于特定的时空尺度，但是由于滑坡演变的非线性与空间介质的非均质性，导致区域滑坡易发性分析与评价必然包含有尺度效应产生的不确定性。监测数据作为滑坡的信息载体，不仅包含滑坡的空间分布信息，而且一定时间序列的监测数据也包含滑坡在时间上的演变信息。

(2)由于人类活动与自然界极端事件频繁，导致各滑坡影响因素的演变进程大大加快，使得时间效应对滑坡易发性评价的影响凸显，原有的静态评价思路可能会产生一定的误差，而利用监测数据的时态分布特征可以获取滑坡的演变进程，以修正评价过程的“静态性”缺陷，有助于提高评价结果的精度。

(3)通过对我国不同地形地貌单元与地质构造下的滑坡演变过程进行比较性分析，总结了稳定型、生长型、衰弱型与随机型等4种典型的滑坡演变类型。不同滑坡演变类型的主控因素、作用机制等不同，这对于修正滑坡易发性的评价方法与思路、提高评价结果具有比较重要的意义。

[参考文献]

[1] Kyo-Young Song, Hyun-Joo Oh, Jaewon Choi, et al. Prediction of landslides using ASTER imagery and data mining models[J]. Advances in Space Research,2012,49(5):978-993.

[2] Chong Xu, Fuchu Dai, Xiwei Xu, et al. GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed, China[J]. Geomorphology,2012,145-146:70-80.

[3] Renée Schicker,Vicki Moon. Comparison of bivariate and multivariate statistical approaches in landslide susceptibility mapping at a regional scale[J]. Geomorphology,2012,161-162:40-57.

[4] Biswajeet Pradhan. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS[J]. Computers & Geosciences,2013,51:350-365.

[5] Nefeslioglu H A, San B T, Gokceoglu C, et al. An assessment on the use of Terra ASTER L3A data in landslide susceptibility mapping[J]. International Journal of Applied Earth Observation and Geoinformation,2012,14(1):40-60.

[6] 李双成,蔡运龙.地理尺度转换若干问题的初步探讨[J].地理研究,2005,24(1):11-18.

[7] Fell R, Corominas J, Bonnard C, et al. Guidelines for landslide susceptibility, hazard and risk zoning for land-use planning[J]. Engineering Geology,2008，102(3-4):85-98.

[8] Calvello M, Cascini L, Mastroianni S. Landslide zoning over large areas from a sample inventory by means of scale-dependent terrain units[J].Geomorphology,2013,182:33-48.

[9] Cascini L. Applicability of landslide susceptibility and hazard zoning at different scales[J].Engineering Geology,2008，102(3-4):164-177.

[10] 陈伟,许强,唐告生.大比例尺评价尺度强震条件下崩滑灾害易发性评价方法[J].湖南科技大学学报:自然科学版,2011,26(4):32-36.

[11] Guzzetti F, Carrara A, Cardinali M, et al. Landslide hazard evaluation: a review of current techniques and their application in a multi-scale study, Central Italy[J]. Geomorphology,1999,31(1-4) :181-216.

[12] 王智磊,孙红月,刘永莉,等.降雨与边坡地下水位关系的时间序列分析[J].浙江大学学报:工学版,2011,45(7):1031-1037.

[13] 程谦恭,胡广韬,肖荣久.中国近五千年来地质灾害群发周期初步研究[J].西安地质学院学报,1995,17(4):48-53.

[14] Van Westen C J, Castellanos E, Kuriakose S L. Spatial data for landslide susceptibility, hazard, and vulnerability assessment: An overview[J]. Engineering Geology, 2008,102(3-4):112-131.

[15] Shiwakoti D R. An assessment of soil loss and natural hazards in Nepal[J]. Journal of Nepal Geological Society,2000，21:41-48.

[16] Lee S, Hwang J, Park I. Application of data-driven evidential belief functions to landslide susceptibility mapping in Jinbu, Korea[J]. Catena,2012,100:15-30.