江西省山洪灾害时空分布及其驱动因子研究

易建州，李斯颖，付佳伟，王小笑

（江西省水利科学院，南昌 330029）

0 引 言

江西省山丘区占全省国土面积的78%，山洪灾害点多面广、多发频发，每年因山洪灾害死亡人数占全省洪涝灾害死亡人数的80%以上，对基础设施及环境资源造成了严重破坏。根据江西省2013-2015年度山洪灾害调查评价以及2017年度山洪灾害补充调查评价成果，全省94个山洪灾害防治县有68.7万人口受到山洪灾害严重威胁。

近年来，针对江西省山洪灾害的研究主要是在监测预警、风险评估、防控等方面，如杨培生等［1］采用锥体法和风险潜势关联法，研究小流域山洪灾害监测站网的布设；雷声等［2］分析了山洪灾害风险潜势识别、监测评估、预警及控制等4个主要环节的防控关键技术，并在江西省进行实践；方秀琴等［3］通过触发因子、孕灾环境和承灾体3个方面，构建了山洪灾害风险评价指标体系，对江西省山洪灾害风险进行评估；徐慧茗等［4］、刘卫林等［5］研究了山地景区的山洪灾害风险区划。除此之外，对于山洪灾害驱动因子、时空演变等方面的研究比较缺乏。

在山洪灾害驱动因子的研究中，刘业森等［6］运用空间聚类、热点分析等时空分析方法，分析全国山洪灾害时空分布格局，利用地理探测器分析山洪灾害的驱动因子，反映我国山洪灾害整体及各个分区的分异特征。熊俊楠等［7，8］采用空间分析和地理探测器对四川省和重庆市历史山洪灾害时空格局和影响因子进行研究。本研究整理江西省山洪灾害调查评价项目成果中的历史山洪灾害数据，利用空间分析方法研究江西省山洪灾害时空分布特征，同时利用地理探测器工具，进一步探索降雨、自然环境、人类活动等驱动因子，对江西省山洪灾害时空分布的驱动作用。

1 数据源与研究方法

1.1 数据来源

收集整理江西省历史山洪灾害数据以及山洪灾害相关的人类活动、自然环境、降雨等因素。各项数据及来源如下：

（1）基础地理信息及历史山洪灾害数据。来源于江西省2013-2015年度山洪灾害调查评价项目以及2017年度山洪灾害补充调查评价项目成果，基础地理信息数据主要是江西省市县三级行政区界、江西省12 546 个小流域单元矢量数据等，历史山洪灾害数据为保证时间连续性，选取了1951年至2015年共2 978个历史山洪灾害点，历史山洪灾害分布情况见图1。

图1 江西省1951-2015年历史山洪灾害分布图Fig.1 Historical mountain torrent disaster distribution map of Jiangxi Province from 1951 to 2015

（2）驱动因子数据。根据山洪灾害发生机理，将山洪灾害驱动因子数据分为自然地理、降雨、人类活动3 类。选取高程、坡度、地貌类型、NDVI作为自然地理因子，土地利用、人口、GDP作为人类活动因子，年最大10 min 暴雨均值、年最大1 h 暴雨均值、年最大6 h 暴雨均值、年降雨量作为降雨因子。其中自然地理、人类活动以及年降雨量因子来源于中国科学院资源环境科学与数据中心（http：//www.resdc.cn），年最大10 min 暴雨均值、年最大1 h 暴雨均值、年最大6 h 暴雨均值数据来自《江西省暴雨洪水查算手册》（2010版）。

1.2 研究方法

采用标准差椭圆工具，分析各年代山洪灾害分布的方向及中心，通过Moran′I 函数探索县域山洪灾害空间自相关性，利用聚类和异常值分析，识别历次山洪灾害过程降雨量分布的局部聚类和突出值。基于降雨、自然地理、人类活动三类影响因子数据，利用地理探测器探测江西省历史山洪灾害的主要驱动因子以及各因子之间的交互关系；以十年为周期，选取山洪灾害记录较为完整的1996-2005年以及2006-2015年两个时间段，对江西省山洪灾害驱动因子时空变化进行研究。

1.2.1 空间分析方法

（1）中心及标准差椭圆分析。计算各年代山洪灾害分布的平均中心，即点集的质心，平均中心计算公式如下：

在ArcGIS软件中计算各年代山洪灾害的标准差椭圆，一级椭圆中包含总数68%的样本数，用来度量山洪灾害点的方向和分布的算法［9］。

（2）空间自相关。统计江西省各县山洪灾害发生情况，以县为单位，分析1950年以来各县山洪灾害发生数量及相关属性的全局自相关指数。全局自相关是通过计算数据集的Moran′sI指数值、z得分和p值，评估数据及相关属性所表现的模式。Moran′sI＞0 表示空间正相关，值越大相关性越明显，反之则为负相关。Moran′sI指数、z得分计算公式如下：

式中：其中zi是要素i的属性与其平均值的偏差；wi，j是要素i和j之间的空间权重；n为要素总数，S0为所有空间权重的聚合。

（3）聚类和异常值分析。利用聚类和异常值（Anselin Local Moran′s I）分析，分析江西省1951-2015年2978次历史山洪灾害的过程降雨量分布，识别局部聚类和空间异常值。该算法对点集内的每一个点，都会计算Moran′sI指数和z得分。Moran′sI指数的算法如下：

式中：xi是要素i的属性；Xˉ是该属性的平均值；wi，j是要素i和j的空间关系权重；z得分的计算公式同（5）。

1.2.2 地理探测器

利用地理探测器研究山洪灾害空间分异的驱动因子。将山洪灾害危险程度作为地理探测器的因变量。在ArcGIS 平台上对2 978个历史山洪灾害点使用优化的热点分析工具，以z值作为山洪灾害危险度，将山洪灾害危险程度分为5 级。以江西省山洪灾害调查中划分的12 546 个小流域为分析单元，通过小流域的中心点提取山洪灾害危险度和驱动因子的数值。

地理探测器通过分析驱动因子与因变量的空间分布，量化驱动因子对因变量的影响程度即解释力，还可以检验不同驱动因子空间分布的一致性，计算两自变量交互后对因变量的解释力，探测自变量之间的关系［10］。通过计算并比较各单因子q值及两因子叠加后的q值，可以判断两个驱动因子之间是否存在交互作用，以及交互作用的强度、方向、线性或非线性等。q值计算方法如下：

式中：q为驱动因子解释力；h为驱动因子；Nh和N分别为h影响因子的总数、研究区样本量总数；和σ为h影响因子的方差、研究区样本总量的方差。q的取值在［0，1］之间，值越大说明驱动因子对因变量空间分异的解释能力越强。

2 江西省历史山洪灾害空间分布特征分析

（1）中心及标准差椭圆年代变化。在ArcGIS平台计算绘制江西省1951年以来各个年代历史山洪灾害的1 级标准差椭圆（见图2），可以看出江西省历史山洪灾害总体分布呈东北-西南的态势。各年代椭圆参数见表1，从1950年代到2010年代，椭圆的X轴相近，Y轴逐渐缩小，说明山洪灾害随时间在南北方向上更向中心聚集。在1970年代，由于1973年在修河发生较大洪水，1975年在潦河发生较大洪水，引起江西省西北部修水县、靖安县多起山洪灾害，山洪灾害中心向西北方有较大的偏移。

图2 各年代山洪灾害中心及标准差椭圆分布图Fig.2 The elliptic distribution of mountain torrent disaster center and standard deviation in each decade

表1 各年代山洪灾害中心及标准差椭圆参数表Tab.1 Mountain torrent disaster center and standard deviation ellipse parameter table of each decade

（2）全局自相关。县域全局空间自相关的计算结果见表2，其中县内山洪灾害数量和过程降雨量的Moran′sI指数为正数，且p值小于0.05，通过显著性检验，说明各县历史山洪灾害的发生数量和过程降雨量在空间上呈现显著的正相关，显示出空间聚集性。死亡人数的Moran′sI指数为负，经济损失的Moran′sI指数为正，但p值大于0.05，未通过显著性检验，说明县域内死亡人数和经济损失没有明显的空间正相关，呈现出随机性。

表2 县域内各指标全局自相关参数表Tab.2 Global Moran's I parameter table of each index in the county

（3）聚类和异常值分析。聚类和异常值分析结果如图3（a），历史山洪灾害过程降雨量在浮梁县、婺源县、资溪县、石城县、广昌县、崇仁县、宜黄县、寻乌县形成了H-H型高值聚类，在宜春、赣州、九江市部分地区出现了H-L 型聚类。将结果与江西省暴雨区分布图［图3（b）］对比，可见这些区域大部分位于主暴雨区，发生大暴雨的概率较大，容易引发山洪灾害。

图3 过程降雨量聚类和异常值分析、江西省暴雨区分布图Fig.3 Process precipitation clustering and outlier analysis，Jiangxi Province rainstorm classification map

3 江西省山洪灾害时空驱动分析

3.1 驱动因子选取与分布

结合山洪灾害发生机理和江西省山洪灾害调查评价成果，选取江西省山洪灾害的11 个驱动因素。自然地理因子包括高程、坡度、地貌类型、NDVI，人类活动因子包括土地利用、人口、GDP，降雨因子包括年最大10 min 暴雨、年最大1 h 暴雨、年最大6 h暴雨、年降雨量。其中，高程、坡度采用自然断点法分为6级，NDVI、降雨数据采用自然断点法分为5 级，人口、GDP 采用几何断点法分为5级，地貌类型根据规范及江西省实际情况，分为平原、台地、丘陵、低山、中山、高山6 类，坡度根据《水土保持综合治理规划》GB/T 15772-2008分为6类，土地利用根据耕地、林地、草地、水域、城乡、工矿、居民用地、未利用土地分为6 类。部分驱动因子分布如图4至图11。是造成山洪灾害的主要因素，而最大6 h 降雨量对江西省历史山洪灾害空间分布的解释力最高。统计每个降雨因子内部各个分区，山洪灾害危险度随着雨量增强而提升。

图4 高程等级分布Fig.4 Grading distribution of Elevation grade

图5 坡度等级分布Fig.5 Grading distribution of Slope grade

图6 地貌类型分布Fig.6 Distribution of geomorphic types

图7 NDVI分布Fig.7 Grading distribution of NDVI

图8 2015年降雨量等级分布Fig.8 Grading distribution of annual rainfall in 2015

图9 土地利用类型分布Fig.9 Distribution of landuse types

图10 2015年人口密度等级分布Fig.10 Grading distribution of population density in 2015

图11 2015年GDP等级分布Fig.11 Grading distribution of GDP in 2015

人类活动因子对山洪灾害的解释力排名为土地利用（0.046）、人口（0.010）、GDP（0.005），土地利用和人口对山洪灾害发生的解释力较强，因为人类是山洪灾害的主要承受者，土地利用是人类活动的综合体现，对山洪灾害分布有一定的解释作用。GDP 对山洪灾害分布有着微弱的解释力，它虽然能影响到山洪灾害的分布，但不是主要的驱动因子。

3.2 空间格局驱动力

利用地理探测器对江西省1951年以来历史山洪灾害空间分布的驱动因子进行分析，因子探测结果见表3。

表3 地理探测器因子探测结果Tab.3 Factor-detector results of Geodetector

由因子探测结果可知，对历史山洪灾害解释力最强的是降雨因子，解释力大小依此为最大6 h 暴雨（0.488）、最大1 h 暴雨（0.45）、最大10 min 暴雨（0.446）和年降雨量（0.402），说明降雨

在自然地理因子中高程与坡度因子的解释力较强，分别为0.126 和0.104，表明地形起伏对山洪灾害有一定的影响。分析高程和坡度因子的风险区探测结果（见表4），由各分区内山洪灾害强度平均值可知，在高程I 级分区（＜123 m）山洪灾害危险度最高，而在VI级分区（＞968 m）山洪灾害危险度最低，坡度I级分区（＜5°）和VI 级分区（＞35°）内山洪灾害危险度最高，原因是虽然高海拔高坡度地区易形成山洪，但这类地区人口密度较低，对人员和财产的损失较少，在地形高程低、坡度变化小的地方，人口密度高，山洪更容易成为威胁。

表4 高程及坡度因子风险区探测结果Tab.4 Risk-detector results of elevation

驱动因子交互探测结果（表5）表明，最大6 h暴雨与其他驱动因子的交互解释力最强，最高达到0.687，其他驱动因子与其交互后，解释力均大幅提高。探索驱动因子两两交互后的结果（见图12），降雨因子两两之间均为双线性增强关系（Enhance，bi-），即P（A∩B）＞max［P（A），P（B）］，P（A）、P（B）分别是驱动因子A、B对江西省山洪灾害分布的解释力，P（A∩B）是A、B交互后的解释力。最大6 h 暴雨、年降雨量与其他因子交互均为双线性增强关系。

表5 驱动因子交互探测结果Tab.5 Interaction_detector results of Geodetector

图12 因子交互探测——双线性增强结果（部分）Fig.12 Two-factor interactive detection——bilinear enhancement result（partial）

3.3 驱动力时空变化

由于年代比较久远的山洪灾害，若无人员伤亡或失踪，可能不会被记录，导致数据不够完整。江西省2013-2015年度山洪灾害调查评价项目数据截止至2015年，以十年为周期反推，选取江西省1996-2005年（Y1 时段）以及2006-2015年（Y2 时段）两个近期时段，对山洪灾害驱动因子时空变化进行研究。对于人类活动因子（人口、GDP、土地利用），分别采用2005年和2015年数据，对于年降雨量，采用时间段内的平均年降雨量进行分析，地理探测器因子探测结果对比见表6。

表6 两时间段地理探测器驱动因子探测结果Tab.6 Factor-detector results of Geodetector in two time periods

对比Y1、Y2 两个时间段各驱动因子的解释力，自然地理对时间段内山洪灾害空间分布的解释力保持稳定，这是由于自然地理因子相对比较稳定，对山洪灾害时空迁移的影响较小。

降雨因子在Y2 时段的山洪灾害空间分布的解释力有着明显增强，说明降雨是江西省山洪灾害分布在Y1～Y2时段变化的重要驱动因子，降雨因子中解释力排名为年降雨量、最大6 h 暴雨、最大1 h暴雨、最大10 min暴雨。

人类活动因子中，人口、GDP 的解释力被削弱，可能随着人类活动的进行，山洪灾害发生的原因更加复杂，单一的人类活动因子解释力有所下降。而土地利用是人类活动综合作用的结果，对山洪灾害的解释力有所提高。

4 结 论

（1）江西省历史山洪灾害重心集中在中部平原地区，历代标准差椭圆的X轴长度相近，Y轴长度呈现缩短的趋势，表明随时间发展山洪灾害在南北方向上更加聚集。

（2）江西省县内山洪灾害的数量和平均过程降雨量在空间上呈现正相关，显示出空间聚集性。赣东北的浮梁县、婺源县，赣东石城县、寻乌县，赣中资溪县、广昌县、崇仁县、宜黄县形成了高值聚类，为暴雨山洪多发区。

（3）江西省山洪灾害多分布在高程一级分区（＜123 m）、坡度一级分区（＜5°）；降雨因子是山洪灾害分布的主要驱动因子，最大6 h 降雨与其他因子交互后对山洪灾害分布的解释力最强，达到0.687；随着社会发展，人类活动造成的土地利用因子对山洪灾害的影响有所增强。

（4）虽选取了11 个较为代表性的影响因子，分析其对山洪灾害时空格局的驱动力，但实际上山洪灾害的发生机理十分复杂，尤其是近年来人类活动更加频繁，引起了承灾体的社会经济环境、承灾能力等方面变化，其对山洪灾害发生以及防治的影响，需要开展更深入的研究。