滇西高山峡谷区泥石流危险性评价——以怒江傈僳族自治州为例

孔艳， 王保云， 王乃强， 魏保

(1.云南师范大学 信息学院，云南 昆明650500；2.青岛冠中生态股份有限公司，山东 青岛 266100)

1 引 言

泥石流是在强降雨等条件下，沟谷内松散堆积物受到水动力等内外力相互影响引发的一种极具破坏力的地质灾害，其冲积物易造成河流堵塞从而引发二次灾害，对山区人民的生命财产安全构成极大的威胁[1-4].例如2010年8月18日，怒江傈僳族自治州贡山县普拉底乡发生特大型泥石流灾害，造成22人死亡，128人受伤，受灾人员达275人，经济损失惨重[5].因此，通过对泥石流危险性进行科学评价，对防灾减灾以及灾区重建规划具有重要的指导意义.

泥石流灾情评估、预防和防灾救灾决策工作是在危险性评价的基础上进行的[6].综合近年来国内外相关研究成果可知，泥石流危险性评价方法可分为定性和定量两种.其中，定性分析是依靠专家主观判断的评价方法，而定量分析则是通过统计数据以及建立数学模型等方法，客观地评价泥石流发生的概率[7-11].两种方法均需要统计分析已经存在的灾害点，选取诱发泥石流发生的影响因素作为评价指标，进而将目标区域划分为不同等级的危险区[12].1981年Holligsworth等[13]采用打分方法和因子叠加法对滑坡泥石流进行定性地危险性评估，为后来泥石流危险性评价研究指明了方向.我国开展此类研究是1986年谭炳炎[14]对泥石流发生的严重程度进行定性的综合评价.由于定性分析受主观因素影响较大，Fuchs[15]运用数理统计的方法将定性和半定量的方法有效地结合起来，提高了泥石流危险性评价的客观性.随后许多学者开始转向定量评价泥石流的危险性，将逻辑回归算法、人工神经网络、支持向量机(Support Vector Machine,SVM)等方法运用到泥石流危险性评价中[16-21]，但此类方法对数据精度要求较高，多适用于对单沟泥石流进行危险性评价.因此，定性分析和定量分析各有优缺点，评价方法的选择主要取决于数据的精度以及研究范围的大小.

鉴于此，以怒江傈僳族自治州作为研究区域，选取12项影响因素作为评价指标，采用统计指标法和层次分析法相结合的方法对该区域泥石流灾害进行危险性评价，以增强当地人民对泥石流灾害的防范意识.

2 研究区域概况及数据来源

怒江傈僳族自治州位于云南省西北部，属伊洛瓦底江(独龙江)、怒江和澜沧江三江并流的腹心地带，地理坐标东经98°01′-99°39′、北纬25°33′-28°23′，区域面积约1.47×104km2.该区域地势跌宕起伏，北高南低，属于典型的高山峡谷深切割地貌，高山陡坡面积占州域总面积98%以上(见图1，来源于中国科学院资源环境科学数据中心http://www.resdc.cn/data.aspx?DATAID=200).由于区域内条状高山与纵谷并列的地形特点、线状褶皱断裂与岩带伴生的地质特点以及干湿季分明且湿季明显长于干季的气候特点，使其成为云南省泥石流灾害高发区.据云南省国土资源厅统计资料以及遥感影像解译的结果显示，该州记录在库的泥石流灾害点共计299个，其中福贡县179个、贡山独龙族怒族自治县70个、泸水市21个、兰坪白族普米族自治县28个(图1).

为了得到该研究区域更为准确的泥石流危险性评价结果，从地理环境因素、地质因素、气候水文因素、地形因素以及人类活动等5个方面，选取地貌类型、土壤类型、植被类型、归一化差分植被指数(Normalized Difference Vegetation Index,NDVI)、岩性、断裂带、水系分布、降雨量、坡度、坡向、土地利用类型及公路分布等12个评价指标进行泥石流危险性评价.数据来源及具体信息如表1所示.

表1 评价指标数据来源

3 泥石流危险性评价

采用统计指标法和层次分析法相结合的方法对所选取的评价指标进行权重的确定，并绘制危险评价分区图对该研究区泥石流的危险性进行定量的评估.首先对收集的299个历史灾害数据点随机选取80%的样本(239个)作为训练样本来构造模型，然后用剩余的20%的样本(60个)来验证模型的准确性，最后对评价的结果进行分析.图2为本总体流程图.

3.1 基于统计指标法对指标内因子权重的确定

统计指标法是双变量分析的一种方法，能够对每类指标内部的划分情况进行定量的评价.通过计算诱发泥石流的每类指标内部划分的灾害点密度和该区域泥石流灾害点分布的总密度，得出每类指标内部划分的权重.计算公式如下：

Yi=Num(bi)/Areai

(3)

其中，Yi为各项指标内部划分后每个因子的分布密度，Num(bi)是训练样本泥石流灾害点在各指标内每个因子上的分布数量，Areai为各指标内每个因子所占的面积.

Y=Num/Area

(4)

Y为研究区域内灾害点的分布密度，Num为泥石流灾害点的总数量，Area表示研究区域的总面积.

(5)

式中，Si表示各指标的权重，i=1,2,3,…,n为各指标类内划分的个数.通过统计指标法计算每个评价指标的权重，结果如表2所示：

表2 统计指标法对指标类内权重的确定结果

3.2 基于层次分析法对指标间权重的确定

统计指标法能够对每个指标内部的权重进行准确的衡量.然而，泥石流灾害的发生是由多种因素共同诱发的结果，因此采用层次分析法(AHP)对选取的多种指标之间的权重进行划分.层次分析法(AHP)是一种解决多目标复杂问题的定性与定量相结合的决策分析方法.能够对多个影响泥石流发生的指标进行综合分析，并确定每个指标的权重.根据泥石流灾害的形成机理，本文选取上述的12个评价指标作为诱发泥石流的因素.应用AHP进行决策之前，需要建立层次结构模型，根据泥石流灾害形成过程划分为目标层、准则层和子准则层，如图3所示.

图3 AHP决策分析层次结构图

结合统计指标法计算的权重Si和专家评判原则共同确定AHP子准则层的判别矩阵，通过生成对比矩阵来确定子准则层指标之间的权重来评价各指标之间对诱发泥石流灾害的贡献率.其中，采用AHP比例标度法对各指标之间的相对重要性进行赋值，构建判别矩阵来计算每项指标的权重Wi(表3).由于判别矩阵的构建有一定的主观性，因此采用一致性比例CR来对构建的矩阵进行评价.

CR=CI/RI

(6)

其中，CI为判别矩阵的一致性指标，RI为随机一致性指标，CR的取值范围为[0,1]，当CR越接近零时表示构建的矩阵一致性较强，当CR>0.1时则认为构建的判别矩阵一致性较弱，需要进行调整.本文构造的CR值为0.0186<0.1，表明构建的矩阵一致性较强.

表3 基于层次分析法的各指标权重的确定和检验

3.3 结合统计指标法和层次分析法评价泥石流的危险性

为了更精确地确定该研究区域泥石流的危险性分区情况，通过对不同的指标进行加权，得到每项指标的敏感性因子，共同整合到泥石流危险性评价分级图中，各项指标加权由下面公式得到：

(7)

其中，D为泥石流危险分区图，n表示影响泥石流发生的指标，Si为统计指标法得到的权重，Wi为层次分析法得到的权重.图4为随机选取80%的训练样本得到的泥石流危险性分区图.

对诱发泥石流的指标进行权重计算后，在ArcGIS平台中运用Spatial Analyst工具进行叠加分析，得到危险性区间为[-0.823,0.934]，并采用自然断点法对该区域发生泥石流的危险程度划分为低危险性、中低危险性、中危险性、较高危险性以及高危险性五个类别，如表4所示：

图4 泥石流危险性分区图

表4 泥石流危险分区统计情况

4 讨论与分析

选取80%的训练样本绘制出该区域的泥石流危险性分区图.为了验证危险性评价结果的有效性，将剩余的20%的样本作为测试样本，通过统计泥石流在不同危险性分区的数量、所占比例及分布密度来检验本文危险性分区图的准确性.表5为训练样本、测试样本以及全部样本在不同泥石流危险性分区的统计情况.

表5 不同样本数据在泥石流危险性分区统计情况

由表5可以看出，训练样本、测试样本及全部样本在不同危险性分区比例显示具有较高的一致性.图5可以更直观地反映各样本的泥石流分布密度与危险性分区的关系，不同数据显示泥石流灾害的分布密度随危险等级的升高，呈现逐渐增加的趋势，两者具有较高的正相关性.其中，训练样本的相关系数为0.980 7，测试样本的相关系数为0.959 0，总样本的相关系数为0.989 4.

图5 不同样本在不同危险等级下泥石流分布密度关系

为了验证评价方法的有效性，采用受试者工作曲线(Receiver Operating Characteristic curve,ROC曲线)与受试者工作曲线下面积(Area Under Curve,AUC)来对评价分区的结果进行验证.ROC曲线是一种二分类的方式，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异性)为横坐标绘制的曲线.AUC表示曲线下的面积，其取值范围为0.5,1，值越大说明评价模型的判断效果越好.选取剩余20%的泥石流灾害点和同等数量的非泥石流点作为验证样本，得到ROC曲线如图6所示.其中，AUC的值为0.756，表明评价方法对研究区域泥石流危险性评估具有一定的参考价值.

5 结 论

以怒江傈僳族自治州为例，基于诱发泥石流形成的地理环境、地质、气象水文、地形以及人类活动5个影响因素，选取地貌类型、土壤类型、植被类型、NDVI、地质岩性、断裂带、河流分布、降雨量、坡度、坡向、土地利用类型和公路分布等12项评价指标结合统计指标法和层次分析法对该研究区域进行定量和定性相结合的危险性评价.可以得到以下结论：

(1)低危险区域的面积约为2 043 km2，面积约占13.89%.在该分区中，训练样本中泥石流灾害点分布密度约为0.1个/100 km2，测试样本中泥石流灾害点分布密度约为0.1个/100 km2，总样本中泥石流灾害点分布密度约为0.2个/100 km2.

(2)中低危险区的面积约为4 552 km2，面积约占30.96%.在该分区中，训练样本中泥石流灾害点分布密度约为0.44个/100 km2，测试样本中泥石流灾害点分布密度约为0.04个/100 km2，总样本中泥石流灾害点分布密度约为0.48个/100 km2.

(3)中危险区的面积约为3 750 km2，面积约占25.5%.在该分区中，训练样本中泥石流灾害点分布密度约为1.47个/100 km2，测试样本中泥石流灾害点分布密度约为0.37个/100 km2，总样本中泥石流灾害点分布密度约为1.84个/100 km2.

(4)较高危险区的面积约为3 025 km2，面积约占20.57%.在该分区中，训练样本中泥石流灾害点分布密度约为3.31个/100 km2，测试样本中泥石流灾害点分布密度约为0.73个/100 km2，总样本中泥石流灾害点分布密度约为4.03个/100 km2.

(5)高危险区的面积约为1 330 km2，面积约占9.05%.在该分区中，训练样本中泥石流灾害点分布密度约为4.73个/100 km2，测试样本中泥石流灾害点分布密度约为1.5个/100 km2，总样本中泥石流灾害点分布密度约为6.16个/100 km2.

统计分析不同样本泥石流分布密度与危险性分区之间的相关性，结果显示两者具有较高的一致性和正相关性.此外，为了进一步验证方法的有效性，运用ROC曲线下的面积AUC对本文方法进行评价，得到预测精度可达75.6%，为下一步更准确地评价该研究区泥石流的危险性奠定了基础.

致谢：在论文的完成过程中特别感谢云南省国土资源厅、美国地质调查局、国家科技基础条件平台-国家地球系统科学数据共享服务平台(http://www.geodata.cn)、国家气象科学数据共享平台(http://data.cma.cn/site/index.html)及资源环境数据云平台(http://www.resdc.cn/)提供宝贵的数据！