融合区域潜在落石源区识别的峡谷区落石危险性评价*

俞朝悦 成玉祥 吕 艳 占洁伟② 彭建兵②

(①长安大学地质工程与测绘学院，西安 710054，中国)(②西部矿产资源与地质工程教育部重点实验室，西安 710054，中国)

0 引 言

落石，是指在重力作用下，陡崖、陡坡表层局部岩块的崩落，其体积从几立方厘米到数千立方米，崩落后以大小不一的块体和碎屑堆积于坡脚附近(胡厚田，1989；Hungr et al.，2014；Loew et al.，2022)。由于落石灾害具有突发性、难预见性、速度快、能量高、危害大等特点，是地质灾害研究领域的难点与热点之一(胡厚田，1989；刘传正，2019)。山西太行山大峡谷景区为“中国最美十大峡谷”之一，每年吸引游客达400万人次，但景区峡谷段崖壁陡立，落石灾害频发，严重威胁景区以及交通廊道的安全运营(刘伍，2016；杨志法等，2019)。为减轻峡谷区落石灾害风险，亟需开展落石早期识别与危险性评价工作。

潜在落石源区的识别是评价落石灾害危险性的首要任务(刘传正，2019；Wang et al.，2021)。峡谷区落石隐患点多且面广，多分布于高陡崖壁，因而传统人工调查手段往往受限。无人机摄影测量和三维激光扫描等非接触式技术被陆续应用于落石源区早期识别(李东黎，2015；陈娜，2018；李小玲等，2021)。但这些技术对于复杂环境的适应性较差，其应用严重受限于高山峡谷区这种山势险要陡峻的复杂地形。对于区域尺度潜在落石源区的识别，众多学者利用多时相航空照片和光学遥感影像开展解译工作(Wang et al.，2021)。考虑到高陡的地形条件是引发落石灾害的首要因素(陈洪凯等，2015)，大量基于高精度DEM数据的落石源区判识的经验统计模型被陆续提出。Guzzetti et al.(2003)基于历史发生落石位置的统计，提出坡度角大于60°的DEM单元为潜在落石源区。Frattini et al.(2008)通过构建落石三维模型开展落石源区圈绘，并依据该区经验认为坡度角大于37°的DEM单元为潜在落石源区。然而这些阈值通常是根据实地观察、历史数据和理论假设确定的，因而不同研究区坡度角阈值的选取通常是不同。Loye et al.(2009)通过分析坡度角分布(Slope Angle Distribution，SAD)开展潜在落石源区识别，实践证明该方法在不同地貌形态区域均表现出良好的适用性。

落石危险性是指在一定范围一定时间内，发生一定规模落石灾害的可能性(Volkwein et al.，2011)。落石坠落的高速性与运动路径的复杂性意味着其危险性评价需要考虑落石运动过程中的传播与扩散(Ferrari et al.，2016a)。为此，国内外学者提出了多种评价方法，例如Pierson et al.(1990)针对公路沿线的落石灾害，提出了一种基于多类评价因子的落石灾害评级方法；胡厚田(1996)针对铁路交通的落石问题，基于大量统计数据，采用模糊评判法对落石工点稳定度进行分级评价；张路青等(2004)通过分析滚石影响因子，制定了相应的评价体系，对某公路林芝段的滚石灾害危险性做出评价。但以上方法只是对落石灾害危险性进行定性评价，主观性较强。随着落石数值模拟技术的日渐成熟，落石危险性评价逐渐从定性分析向定量分析过渡(程谦恭等，2007；Liu et al.，2019；崔凯等，2020)。RockyFor3D模型将基于物理的确定性算法与随机方法相结合开展落石运动轨迹计算(Dorren et al.，2010)。STONE基于GPU高性能并行的计算优势，建立三维耦合离散元模型，实现了大范围落石运动全过程模拟(Guzzetti et al.，2002)。Flow-R软件融合多流向算法与能量守恒模拟区域落石灾害扩散范围与传播概率，其对于各类复杂地形条件具有普适性(Horton et al.，2013)。基于落石运动模拟软件，Jaboyedoff et al.(2005)综合考虑块体脱离母岩、块体下落以及块体到达目标的概率，提出了Cadanave 方法对落石灾害进行定量评价；Crosta et al.(2003)对分布式三维落石模型计算获得的动能、弹跳高度等强度参数进行重新分类，构建三维落石危险向量(Rockfall Hazard Vector，RHV)实现落石危险性的定量评价。

图1 研究区地理位置和景区交通及重要旅游线路Fig.1 Geographical location of the study area and scenic traffic and important tourist routes

针对山西壶关太行山大峡谷景区交通及重要旅游线路面临的落石频发问题，本文在详细野外工程地质调查基础上，采用SAD法开展区域尺度潜在落石源区快速识别，并定量确定潜在落石源区失稳破坏概率。然后借助Flow-R软件开展落石运动扩散范围模拟，基于获取的落石传播概率与能量分布情况实现落石危险性评价，并据此提出相应的防控对策。本文的研究成果可为类似高山峡谷区落石灾害的早期识别及风险管理提供参考和指导。

1 研究区概况及落石灾害发育特征

1.1 环境地质条件

太行山大峡谷景区位于山西省壶关县东部，总面积155.9km2，其中核心峡谷段面积71.9km2，包含八泉峡、青龙峡、红豆峡、五指峡和王莽峡5大景区(图1)。

在新构造运动期间，受太行山快速抬升和流水下切侵蚀加剧影响，研究区以纵向的地壳差异抬升为主，形成了山岭纵横、沟谷交错的高山峡谷地貌。研究区地形以陡崖、陡坡为主，平均坡度在40°以上。总体上地势西高东低，海拔在500～1540m之间，切割深度400～700m。研究区属大陆性季风气候，年均降水量为543.8mm，降水主要集中在6～10月，占全年降水量的75%。

图2 研究区地质图Fig.2 Geological map of the study area

图3 研究区内落石灾害Fig.3 Typical rockfall events in the study area

图4 落石形成内外因示意图Fig.4 Schematic diagram of internal and external causes of rockfalls

1.2 落石灾害发育特征

落石灾害的发生受控于地质结构和环境因素(胡厚田，1989；刘传正，2010)(图4)。研究区属典型的高山峡谷地貌，河谷前缘受地壳的抬升作用，郊沟河迅速下切，导致河谷前缘斜坡临空，卸荷裂隙发育。经野外调查，研究区内碳酸盐岩分布广泛，并且竖向节理裂隙发育，其中的矿物成分在物理风化作用下，受内外膨胀率的差异，内外层之间发生开裂剥离，节理裂隙不断拓展。加之景区内部旅游线路与工程建设活动加剧，岩体受到剧烈扰动，在降水、风化、地震等因素影响下，岩体裂隙增大加深，进而产生宏观断裂，导致研究区落石灾害频发。

1.2.1 落石灾害分布

通过遥感解译和野外调查共确定落石灾害隐患点297处，主要发育在大河组石英岩状砂岩、馒头组泥岩和张夏组灰岩所构成的崖壁和陡坡中(图5)。由于峡谷段地势陡峭，以高陡的崖壁为主，因而区内高位落石隐患点调查严重受限。

图5 研究区落石灾害隐患点分布图Fig.5 Distribution map of potential rockfall points in the study area

1.2.2 落石灾害类型及特征

研究区中西部的王莽峡、五指峡、红豆峡和八泉峡出露地层岩性整体上呈现上硬下软的特点(图6a)。底部为软弱泥岩和页岩，上部为峡谷段主体的坚硬灰岩和白云岩(图6a)。陡峭崖壁发育两组陡倾结构面，易发生沿节理裂隙的拉张和卸荷，落石破坏模式以坠落式、倾倒式和错断式为主(图6c～图6f)。

研究区东部的青龙峡出露地层岩性整体上呈现出软硬相间的特征(图6b)。软弱的泥岩、泥灰岩、页岩易被风化侵蚀形成凹腔，致使上覆中-厚层坚硬岩体悬空，在重力作用下垂直节理加速拓展贯通失稳。落石破坏模式以拉裂式、坠落式和倾倒式为主(图6g～图6j)。

图7 一种“区域落石源区识别-源区失稳概率分析-落石危险性评估”的落石灾害防控技术框架Fig.7 The technical framework of “regional potential rockfall sources identification-instability probability analysis-rockfall hazard assessment”

图6 研究区落石灾害发育模式与地层结构特征Fig.6 Rockfall hazard development pattern and stratigraphic structure characteristics in the study area: (a-b) Failure modes of rockfalls in the upper hard and lower soft strata；(c-j) Failure modes of rockfalls in the soft-hard alternating strataa-b.上硬下软地层的落石成灾模式; c-j.软硬相间地层的落石成灾模式

太行山大峡谷，自古为兵家之所争，古道舟车流转，近年来区内村镇建设和景区开发程度较高，相关工程建设扰动加剧了斜坡岩体结构的劣化，进一步增加了景区落石灾害风险(图3b)。

2 区域尺度潜在落石源区识别及失稳概率分析

落石灾害危险性评估的首要任务就是识别潜在落石源区并分析其失稳概率(王学良等，2018；许强等，2019)。研究区为高山峡谷地貌，崖壁高陡(图1)，因而传统的光学遥感解译及现场调查往往受限。本文基于高精度地形数据和岩土体强度特性，拟采用SAD方法构建一种适用于高山峡谷区的区域潜在落石源区识别方案，并引入定量指标判断潜在落石源区内岩体破坏失稳概率(图7)。

2.1 区域尺度潜在落石源区识别

2.1.1 SAD方法

Strahler(1950)提出：在一个岩性、土壤、植被、气候和发育阶段基本均匀的地区，即均质形态区(Homogeneous Morphometric Areas，HMA)，各个地貌单元的坡度角分布基本符合高斯分布，且离散程度较低，坡度角的平均值由河网密度、地形和坡纵剖面曲率等综合因素决定。SAD方法的核心思想是利用高分辨率数字高程模型(High Resolution DEM，HRDEM)提取坡度角阈值划分地貌单元。

基于上述原则，首先将研究区划分为若干均质形态区。然后，将各个均质形态区的坡度角分布fHMA(s)分解成若干个高斯分布fi(s)的和，具体如下：

fHMA(s)=f1(s)+f2(s)+…+fi(s)

(1)

其中：每个高斯分布表征特定的形态单元(Morphological Units，MU)，故又称为符合高斯坡度角频率分布的形态单元(GDMU)，其可通过以下函数表示：

(2)

式中：σ和m分别表示高斯分布的标准差与平均值；ω为权重因子。GDMU通常划分为以下4种类型(Loye et al.，2009)：

(1)平原：河流与河流沉积相对应的低坡度地区。

(2)缓坡：以冲积扇、泥石流和滑坡堆积物为特征的山坡下部缓坡角区域。

(3)陡坡：坡积物和被植被覆盖的岩石露头中较陡的斜坡区域。

(4)悬崖：裸露岩石露头中的陡峭斜坡区域。

然而，一些地形单元的坡度角分布在45°～90°之间且具有高离散性，此时将其分解成两个正态分布即可较好地拟合悬崖单元的坡度角分布(图8b)。

由于DEM中每个栅格的有效表面积取决于其坡度大小，因而需要根据坡度角β对各栅格单元进行加权确定栅格单元代表的实际地形面积。具体地，坡度角分布的频率(wβ)由下式确定：

(3)

式中：Ahβ为坡度角为β的DEM总面积之和；AHMA为均质形态区的总面积。通过上述公式获取的加权后的坡度角频率被用于后续的SAD分解。

图8 均质形态区B的坡度角频率分布Fig.8 Slope angle distribution in HMA B：(a) SAD decomposition results.Both mss and B are the mean angles of the steep slope distribution.A is the intersection between the GDMU cliffs and the GDMU steep slopes.All areas with slope angles greater than A are considered as potential rock-fall source areas； (b) Cumulative distribution curve of cliffsa.SAD分解结果，mss与B均代表陡坡单元坡度角分布的均值，A代表悬崖和陡坡单元的交点，所有坡度角大于该阈值的区域都被认为 是潜在落石源区；b.悬崖单元的累积分布曲线

依据修正后的坡度角分布情况，将一个均质形态区分解为若干个GDMU之和，即可利用各个GDMU之间的交点确定潜在落石源区的坡度角阈值(图8a)，具体规则如下(Loye et al.，2009)：

(1)悬崖和陡坡的交点被定义为坡度角阈值A。所有坡度角大于该阈值的区域都被认为是潜在落石源区。

(2)在某些情况下，GDMU中没有悬崖单元。因此，规定最高的GDMU为陡坡单元。

(3)在非常陡峭的地形条件下进行SAD分析，可能包含两个悬崖单元。选择较低的悬崖单元用于获取阈值A。

(4)落石灾害可能发生在悬崖单元和部分陡坡单元中。但若将整个陡坡单元划分为潜在落石源区，特别是在斜坡上有植被或第四系沉积物覆盖时，则会高估潜在落石源区面积。因此，落石源区被定义为高于陡坡单元坡度角均值且表面裸露的区域(阈值B)。

由于本方法是基于高分辨率DEM蕴含的地形信息开展的，因而认为满足以上条件的区域为潜在落石源区。最后，通过汇总各个HMA的坡度角阈值，即可确定区域范围内潜在落石源区分布情况。

2.1.2 区域尺度潜在落石源区识别结果

图9 基于SAD法的区域尺度潜在落石源区识别结果Fig.9 Identification of potential rockfall source areas at regional scale based on SAD method： (a) HMA division result；(b) Identification results of potential rockfall source areasa.HMA划分情况;b.潜在落石源区识别结果

太行山大峡谷景区地貌的局部形态主要受地质结构和岩体强度的控制，因而在划分HMA时有必要考虑不同的岩性与构造单元组合。依据1︰50000地质图以及室内试验获取的岩石单轴抗压强度，最终划分了7个HMA(图9a和表 1)。

表 1 研究区均质形态区划分Table1 Division of HMAs in the study area

A区为长城系地层，岩性以石英岩状砂岩为主，局部夹有页岩，单轴抗压强度较大，在研究区内以陡崖形态分布于河谷两侧；B区包含寒武系馒头组一、二段地层，岩性以泥岩为主，强度较低，在研究区内普遍以缓坡形态分布于沟谷底部；C区包含寒武系馒头组三段，灰岩含量明显增多，但夹有泥页岩，岩体强度较于B、D两区仍有较大差异，通常以陡坡形态分布于研究区内沟谷的中下部；D区为寒武系张夏组地层，其岩性均匀，以巨厚层灰岩为主，强度较大，构成峡谷段的主体部分，以陡崖为主；E区包含寒武系崮山组与奥陶系的三山子组，岩性为灰岩与白云岩，强度很大，但在研究区内的发育厚度较小，以陡崖形态分布于峡谷顶部；F区为奥陶系的马家沟组地层，以灰岩为主，岩性均匀，强度较大，主要以缓坡形态分布于山顶区域；G区为第四系地层，以冲洪积物为主，多形成平地与缓坡，分布于研究区内的河床、河漫滩以及Ⅰ级阶地。

基于研究区1︰10000地形图，利用ArcGIS软件对各个HMA提取坡度值，并以1°为间隔进行重分类。然后，将每一类坡度角出现的频率依据式(3)进行修正，并进行归一化处理。最后，采用基于Excel的应用程序Histofit实现GDMU的分解，获取潜在落石源区坡度角阈值(Loye et al.，2009)。研究区7个HMA的坡度角阈值如表 2所示。

表 2 基于SAD方法确定的7个HMA的坡度角阈值情况Table2 Slope angle thresholds of seven HMAs determined by the SAD method

表 3 景区内部潜在落石源区分布Table3 Distribution of potential rockfall sources within the scenic spot

识别结果表明潜在落石源区主要集中在峡谷两侧陡崖(图9b)，总面积达25.7km2，占峡谷段总面积的35.7%。如表 3所示，潜在落石源区分布面积最广的景区为八泉峡，占比最大的为红豆峡景区，原因在于两景区崖壁高陡且分布面积广，出露地层岩性以坚硬的灰岩与白云岩为主，卸荷作用明显，落石频发。潜在落石源区分布面积最小的景区为青龙峡，该景区毗邻华北平原，峡谷拓宽，落石主要分布于河谷阶地附近第四系冲洪积物中的人工边坡露头以及景区北部的长城系地层中。

2.2 潜在落石源区失稳概率分析

2.2.1 岩体破坏敏感性指标

潜在落石源区中岩石块体活动与地表坡度和地貌形态密切相关，具体表现为坡度越大，岩块失稳概率越大(Michoud et al.，2012)。由于本文认为坡度角高于陡坡单元坡度角均值mss的区域为潜在落石源区，因此假设坡度角大于mss的岩块能够启动下坠，且其失稳概率与坡度角呈正相关。利用SAD方法确定的潜在落石源区的坡度角累积分布函数(图8b)，引入归一化的累积分布函数Fn(β)定量表征潜在落石源区中岩石块体的失稳概率，即岩体破坏敏感性指标，具体定义如下：

(4)

式中：Fn(β)取值范围为[0，1]，数值越大表明其失稳概率越大。

2.2.2 潜在落石源区失稳概率分析结果

结合累积分布函数，基于ArcGIS中的自然间断点法对落石源区的岩体破坏敏感性指标结果进行分类(表 4)，最终获得潜在落石源区岩体破坏敏感性分区情况(图10a)。

表 4 潜在落石源区的岩体破坏敏感性指标分类Table4 Classification of rock mass failure sensitivity indexes in potential rockfall source areas

图10 潜在落石源区岩体破坏敏感性分析Fig.10 Analysis of rock mass failure sensitivity in potential rockfall source areas：(a) Zoning map of rock mass failure sensitivity；(b) Zoning of rock mass failure sensitivity for potential rockfall source areas at each scenic spota.潜在落石源区岩体破坏敏感性分区图；b.各景区内潜在落石源区 岩体破坏敏感性区分布情况

图11 落石高敏感性区内高程和岩性的关联性Fig.11 Correlation of elevation and lithology in the rockfall high-sensitive area： (a) Lithology distribution at different elevations；(b) Field validationa.不同高程岩性分布情况;b.野外验证情况

计算结果表明，岩体破坏高敏感性区域总面积为3.3km2，在八泉峡景区分布面积最广，达1.4km2，占景区内潜在落石源区总面积的14.9%；五指峡景区岩体破坏高敏感性区分布面积最小，为0.2km2，占该景区内部源区面积的9.5%(图10b)。

受地势差异的影响，高敏感性区域在研究区中西部分布面积最广，并且主要分布在900～1300m高程范围内(图11a)。该区域900～1300m高程主要出露厚层灰岩与白云岩，其坡度以70°～90°为主，构成峡谷段主体部分。野外调查发现该高程中岩体发育两组垂直节理(J1、J2)，易发生沿节理裂隙的拉张和卸荷(图11b)，导致落石灾害频发。

3 落石运动扩散范围模拟

落石下落的高速性与运动路径的复杂性意味着落石灾害危险性评价要考虑落石运动过程中的传播与扩散(Ferrari et al.，2016)。Flow-R软件基于水文学与GIS，融合多流向算法与能量守恒定律模拟区域落石灾害扩散范围与传播概率，操作简便，对于各类复杂地形条件具有普适性。

3.1 潜在落石源区失稳概率分析

栅格DEM的邻域结构简单，成为分析数字地形的有效手段之一(王瑞琪等，2019)。Flow-R软件基于栅格DEM评估落石等重力灾害运动路径与传播范围分两步进行：(1)通过形态学或用户定义标准确定灾害源区；(2)依据流向算法以及摩擦定律计算灾害自源区释放后在研究范围内传播概率与能量分布。

Flow-R中传播概率的计算采用流向算法。1991年Quinn等人提出了多流向算法，为适应不同的扩散环境，Holmgren(1994)对多流向算法进行了修正，引入一个指数x：

(5)

式中：i、j为流动方向；tanβi是中心单元与在i方向单元中心点的斜率；指数x是收敛指数，用于控制扩散的收敛程度，x=1时，传播方向为多流向，x持续增大，传播方向则逐渐趋近于单流向。在流向算法的基础上，添加一个惯性参数对流向算法获得的传播概率进行加权，以再现落石运动中的惯性行为。常用的Gamma(2000)算法规定：方向不变时，权重为1.5，其他方向权重为1；为避免反方向流动，180°方向权重为0。

Flow-R依据能量守恒定律确定势能、动能和能量损耗之间的转换关系，从而实现落石运动距离的计算。Flow-R采用了一个简化摩擦有限模型(SFLM)作为能量损失函数。SFLM模型采用行程角作为主要参数，即运动终点与落石源区连线和水平面之间的夹角，具体定义如下：

ΔEloss=g×Δx×tanφ

(6)

式中：Δx是水平位移的增量；g是重力加速度；φ是行程角。为避免坡度过陡而产生不实际的运动距离，在此可添加一个上限阈值来限制块体的速度。当能量为0时，即初始势能因摩擦完全丧失时，落石达到最大运动距离。

3.2 计算参数选取及模拟结果

采用本文第2节确定的含失稳概率信息的潜在落石源区作为Flow-R软件的输入源区，开展落石灾害的运动路径与扩散范围计算。为保证结果的连续性与同质性，模拟栅格大小为10m。此外，基于光学遥感技术与野外实地调查，以及对历史崩塌落石发育区的三维落石运动特征模拟，最终确定行程角φ为28°。

图12为Flow-R模拟输出的研究区落石运动传播概率分布图和落石能量分布图。结果显示，落石运动至河谷底部的概率最高，能量最高的区域分布于坡脚附近。

图12 Flow-R模拟结果Fig.12 Flow-R simulation results：(a) Distribution of rockfall arrival probability；(b) Distribution of rockfall energya.落石传播概率分布图;b.落石能量分布图

4 落石灾害危险性评价

4.1 基于双因子评价模型的区域落石危险性评价

Crosta et al.(2003)提出了一种基于落石传播概率与密度的空间分布方法对落石灾害威胁区域进行分区与评价。该方法通过对三维落石数值模拟获得的3个因子(落石频率f、冲击动能e、弹跳高度h)进行重新分类，创建三维落石危险性向量(RHV)来表征落石的危险性：

(7)

式中：f、e和h是各因子重分类后的值，为满足各因子数量级一致，依据被动防护措施的结构或设计特征将这3个因子分别分为3个等级，分别取值1、2和3。

借鉴上述方法，以及本文3.3节中获取的落石运动传播概率与能量的分布，本文提出采用二维矩阵来定量评估区域尺度落石危险性，即：

(8)

式中：落石传播概率p与能量e两个因子的重分类是通过ArcGIS提供的自然间断点法实现的，具体划分方案如表5。

表 5 基于自然间断点法的评价因子分类标准Table5 Classification criteria of evaluation factors based on natural breakpoint method

最后，根据RHVmod的计算结果将研究区落石威胁区域划分为低危险区、中危险区与高危险区(图13)。

图13 基于RHVmod法的双因子评价模型Fig.13 Two-factor evaluation model based on RHVmod method

4.2 落石灾害危险性评价结果

结合Flow-R模拟确定的研究区落石运动传播概率和能量分布情况(图12)，基于本文提出的双因子评价模型确定研究区落石危险性评价结果如图14和表 6所示。结果显示，研究区内高危险区面积为3.22km2(4.47%)，主要威胁到景区内游客密集区域以及交通线路，潜在危害极大；中危险区面积为15.95km2(22.15%)，均位于河谷底部，波及到农田、村庄以及交通线路；低危险区分布面积为40.79km2(56.66%)，主要分布于斜坡之上，小部分会威胁到景区内部；极低危险区面积为11.95(16.62%)，主要分布于研究区东西部的山顶与河谷底部平坦区域。5大景区中，八泉峡景区落石隐患最大，景区内部应加强落石灾害风险防控工作，对于高危险区应积极巡查，及时消除落石隐患。

图14 研究区落石危险性分区结果Fig.14 Hazard zoning results of rockfalls in the study area

表 6 各景区内落石危险性分区结果Table6 Results of rockfall hazard zoning in each scenic spot

4.2.1 景区重要交通路线：S327荫林线

贯穿研究区的最主要的一条交通廊道为省道S327荫林线，全长67km。该线路是山西省东南地区跨省的重要通道，研究区内S327荫林线长度为35.1km，位于河谷底部，道路两侧多为切坡路段，常年遭受落石灾害威胁。RHVmod的计算结果显示，研究区内荫林线的落石中高危险路段总长10.5km(30.09%)，主要分布于王莽峡景区东段与红豆峡景区北部(图15a)。结合野外调查可知，该区域为王莽峡、五指峡与红豆峡3条主峡的交汇处，坡面陡立，坡度多在70°以上，落石灾害频发(图15b～图15c)，也初步验证了本文评价方法的合理性。因此，建议将S327荫林线红豆峡景区路段作为落石灾害的重点防护区域，加强灾害监测，进行定期巡视。

图15 S327荫林线落石灾害危险性评价结果Fig.15 Rockfall hazard assessment results for S327 highway：(a)Hazard zoning map for S327 highway；(b)The high-steep slope at the intersection of the three gorges；(c)Damage to S327 highwaya.S327公路危险分区图;b.三峡交汇路段高陡边坡; c.S327公路受损情况

图16 景区旅游线路落石灾害危险性评价结果Fig.16 Rockfall hazard assessment results in tourist routes of the scenic spot

4.2.2 景区旅游线路危险性评价结果

王莽峡景区旅游线路总长15.3km，其中高危险路段4.5km(29.61%)，分布于景区南部；五指峡景区旅游线路总长10.0km，由于线路建于缓坡地区，且落石到达线路时携带的能量较小，因此该线路无高危险路段；红豆峡景区旅游线路全长9.1km，高危险路段长1.0km(13.76%)，主要位于线路北段与南段；八泉峡景区公路全长6.1km，高风险路段长0.7km(12.01%)，主要位于线路北段与中段；青龙峡景区公路全长4.1km，高风险路段长0.2km(6.0%)，主要分布于景区北部(图16)。对于受落石灾害影响较大的景区线路，应加强巡视，及时作出防护措施。

5 讨 论

本文提出了一种基于潜在落石源区快速识别基础上的峡谷区落石灾害危险性评价技术框架(图7)，构建了“区域落石源区识别-源区失稳概率分析-落石危险性评估”的完整技术流程，并在山西壶关太行山大峡谷景区中取得了较好的应用。通过基于SAD方法识别的潜在落石源区与野外地质调查和光学遥感解译获取的已知落石隐患点两组数据对比可知(图17)，识别源区内包含已知隐患点261个(87.9%)，并且岩体破坏高敏感性区内已知隐患点分布最多，证明了本文采用SAD方法开展峡谷区潜在落石源区快速识别是合理的。但SAD方法是在形态学基础上识别潜在落石源区，因而会导致源区识别结果范围相对粗略，所以该方法无法完全取代野外实地调查。本文利用Flow-R经验模型获取区域尺度下落石运动扩散概率与能量的空间分布，取得了较好效果。但是Flow-R在模拟过程中未考虑物源质量、坡面材料等参数的影响，因此模拟结果偏于保守，需要进一步研究与完善。此外，本文构建的技术框架主要是为实现区域尺度潜在落石源区快速识别与危险性评价，从而为后期开展更详细的风险评估厘清优先次序。拟在后续研究中，进一步开展研究区精细化源区识别与单体落石危险性评价工作，服务于景区落石风险防控工作。

图17 岩体破坏敏感性区域内已知落石隐患点分布情况Fig.17 Distribution of known potential rockfall points within the sensitive area of rock mass failure

6 结 论

本文以太行山大峡谷景区为研究对象，应用SAD方法开展区域尺度潜在落石源区的识别，并对潜在落石源区应用累积分布函数定量加权，从而构建了区域尺度潜在落石源区早期识别和失稳概率分析技术框架。在此基础上，利用Flow-R软件分析落石运动传播概率和能量，提出双因子评价模型实现落石灾害的危险性评价。本文获得的主要结论如下：

(1)山西壶关太行山大峡谷景区潜在落石源区总面积为25.7km2(35.7%)，其中岩体破坏高敏感性区域为3.3km2，主要分布在900～1300m高程范围内的由灰岩和白云岩构成的陡立崖壁上。

(2)基于Flow-R模型确定落石运动传播概率与能量分布，本文提出一种双因子评价模型RHVmod实现落石危险性评价。野外调查验证表明其评价结果基本符合实际情况。

(3)研究结果表明，研究区内部落石灾害高危险区分布面积达3.22km2，主要威胁到景区内游客密集区域以及交通线路，潜在危害极大；S327荫林线在王莽峡、五指峡与红豆峡3条主峡的交汇路段落石灾害危险性较高；对比各景区旅游线路受灾情况，王莽峡景区南部旅游线路受落石灾害威胁程度最大。

(4)本文构建的落石灾害区域尺度早期识别与危险性评价的解决方案，能够为类似的高山峡谷区落石灾害早期识别及风险防控提供技术参考。