滑坡灾害风险评估

发布网友 发布时间：2022-04-19 16:01

我来回答

共1个回答

热心网友 时间：2023-09-02 22:01

一、滑坡灾害危险性评估

（一）评估方法

Bonham提出了基于统计学的Bayesian方法的数据驱动权重模型（weights of evidencemodeling），并将其应用到找矿领域。Van Westen进一步将模型应用到灾害危险型评估领域。数据驱动权重模拟方法的主要原理是利用滑坡历史分布数据，建立滑坡分布与各影响因子之间的统计关系，即根据在各影响因子不同类别中滑坡分布的统计情况来确定各影响因子对滑坡灾害的贡献率(权重) 大小。这种采用数据进行权重确定的方法被称为数据驱动模型。与专家的知识模型相比，权重的确定更加科学和可靠，避免了专家的主观性所带来的不确定性。最后，利用另一时期的滑坡分布历史数据对评估结果进行检验和成功率预测，使评估结果更加具有可信度。这种方法的主要评估原理示意于图7-5。基于贝叶斯（Bayesian）统计方法的数据驱动权重模型较其他统计方法更加严谨，充分考虑了滑坡影响因素之间的关系，以及各影响因素与滑坡灾害的关系；并进行影响因素的独立性分析，找出最关键的影响因子。在此基础上再计算各影响因素的权重。通过实证权重统计计算得出正负权重以及各种统计参数，依次选择不同方法——后概率预测法、指数叠加法和模糊逻辑法，生成最终的滑坡敏感性图，用另一组数据进行检验，比对各种方法的预测结果的准确性。

图7-5 基于GIS的滑坡灾害敏感性评估示意图

（二）滑坡危险性评估准则与数据准备

滑坡的发生与所在的地质环境条件、外部气象条件和人类活动的强度密切相关。根据当地条件和数据可得性确定以下滑坡评估因素：

存在适宜的地质岩性条件。例如，软弱岩石的存在；

存在适宜的土地利用强度。土地利用强度越大，越容易产生滑坡；

存在适宜的坡度条件。坡度越陡越容易产生滑坡；

存在适宜的降水条件。持续时间越长的暴雨越容易产生滑坡；

存在适宜的地壳活动强度。断裂活动越强，越容易产生滑坡。

本次研究所采用的GIS平台主要是荷兰国际地区测量与观测学院（ITC）开发的ILWIS软件。该软件集GIS空间分析、地质统计学、遥感影像处理等模块为一体，具有强大的空间分析、地质统计和影像处理功能。利用ILWIS软件生成以下5个滑坡影响因子图，并根据滑坡调查数据，生成两组滑坡分布图：

坡度图：从衢州地区1∶5万DEM地形图中生成坡度图，然后按照表7-12重新进行分类和赋值生成坡度图（Sub_1）。

降雨量图：通过数字化衢州地区1∶5万降雨量图获得降雨量图，然后按表7-13重新进行分类和赋值生成降雨量图（Sub_2）。

岩性图：从衢州地区1∶10万地质图提取，按照表7-14进行分类和赋值，生成岩性图（Sub_3）。

土地利用强度图：从衢州地区1∶5万土地利用图，按照表7-15重新进行分类和赋值，生成土地利用强度图（Sub_4）

断层图：从衢州地区1∶10万地质图提取断层线，以此利用ILWIS软件中的“Buffer”功能来按表7-16生成断裂距离图（Sub_5）。

崩滑流灾害分布图：将滑坡调查数据分为两组：用危害程度“较大级”和“重大级”（21个点）作为计算图件（Threat_L），用危害程度“一般级”（共29个点）（Threat_S）进行验证。

表7-12 坡度分类和赋值

表7-13 降雨量分类和赋值

表7-14 地质岩性分类及赋值

表7-15 土地利用分类及赋值

表7-16 断层缓冲分区和赋值

（三）计算流程

计算流程见图7-6。

图7-6 滑坡敏感性图计算流程

（四）实证权重后概率预测法

第一步：生成多边形属性特征图（图7-7，见彩页）

根据表7-15～表7-16，按下列命令在ILWIS GIS环境中，生成岩性二值图（Sub_4）和土地利用强度二值图(Sub_5)：

Sub_4=iff(geology<6,"nonfav","fav")

Sub_5=iff(Dl_value<5,"nonfav","fav")

将岩性二值图（Sub_4）和土地利用强度二值图(Sub_5)分别与第一组滑坡灾害分布图（Threat_L）进行交叉运算，分别生成交叉运算表，按下列一组公式确定统计参数：Npixt ,Npixd, Npixb, Npixbd，然后计算正、负权重(Wp, Wn) 以及离差（C）和标准离差（sigC），计算结果见表7-17。

表7-17 滑坡二值模式的权重和统计参数

Npixt=研究区的总像元素数目

Npixd=存在滑坡点的像元数数目

Npixb=各滑坡影响因子二值图中“存在”类型的像元数数目

Npixbd=在各滑坡影响因子二值图“存在”类型中有滑坡分布的像元数数目

Wp=ln(((Npixbd*(Npixt-Npixd))/((Npixb-Npixbd)*Npixd)))

Wn=ln(((Npixd-Npixbd)*(Npixt-Npixd))/((Npixt-Npixd-(Npixb-Npixbd))*Npixd))

stdWp=sqrt((1/Npixbd)+(1/(Npixb-Npixbd)))

stdWn=sqrt((1/(Npixd-Npixbd))+(1/(Npixt-Npixd-(Npixb-Npixbd))))

C=Wp-Wn

sigC=C/(sqrt(stdWp^2+stdWn^2))

第二步：生成线性属性特征图（图7－7）

根据表7-12～表7-14，生成坡度图（:Sub_1）、降雨量图（Sub_2）和断层缓冲图（Sub_3），将生成的坡度图（:Sub_1）、降雨量图（Sub_2）和断层缓冲图（Sub_3）分别与第一组滑坡灾害分布图（Threat_L）进行交叉运算，分别生成交叉运算表，按下列一组公式确定统计参数：Npixt ,Npixd, Npixp, Npixpd，然后计算正、负权重(Wp,Wn) 以及离差（C）和标准离差（sigC），计算结果见表7-17。

Npixt、Npixd 代表的意义与上面一样。

Npixp=累积分类中像元素数目

Npixpd=累积分类中存在滑坡点的数目

Wp= ln(((Npixpd*(Npixt-Npixd))/((Npixp-Npixpd)*Npixd)))

Wn=ln(((Npixd-Npixpd)*(Npixt-Npixd))/((Npixt-Npixd-(Npixp-Npixpd))*Npixd))

stdWp = sqrt((1/Npixpd)+(1/(Npixp-Npixpd)))

stdWn = sqrt((1/(Npixd-Npixpd))+(1/(Npixt-Npixd-(Npixp-Npixpd))))

根据表7-17中的W+、C值和SigC来看，降雨量和坡度因素的影响最大，表明它们对衢江地区的滑坡产生具有重要影响。土地利用的影响最小。

第三步：条件独立性检验

首先按以下公式生成5个二值预测模式图（W_1、W_2、W_3、W_4、W_5）（图7-8，见彩页）：

W_1=iff(Slope_1<80,0.5114,-1.5693)

W_2=iff(Waterfall_2<200,0.9816,-1.9373)

W_3=iff(Sub_3="fav",-0.7296,0.1973)

W_4=iff(Sub_4="fav",-0.442,0.2515)

W_5=iff(fault_1<21,0.0869,-0.4051)

然后进行两两条件独立性检验。对上述生成的5个二值预测模式图（W_1～W_5），通过两两条件交叉运算，得出Chi平方值，其计算结果见表7-18。从表中可以看出，所有值都低于3.84（95%的置信度水平）， 这表明所有因素彼此都是具有明显的统计独立性。

表7-18 用于独立性检验的两两比较Chi平方值

第四步：生成滑坡后概率预测图

按以下公式生成滑坡后概率预测图（图7-9，见彩页）：

pstprb1=exp(ln(21/7047/(1-21/7047))+W_1+W_2+W_3+W_4+W_5)/

(1+exp(ln(21/7047/(1-21/7047))+W_1+W_2+W_3+W_4+W_5))

按下列公式对上面滑坡后概率预测图（pstprb1）创建预测二值图(postmap_1)：

Postmap_1 =iff(pstprb1>(21/7047), "favorable", "nonfavorable")

从二值图（Postmap_1）的统计图表中可知，滑坡易发地区（“favorable”）的单元数为3831个，占研究区单元总数的54.36%。将第二组滑坡灾害点图（共有29个危害程度一般滑坡点）迭置在二值图（图7-9，见彩页 Postmap_1）上，有23个点落入滑坡易发地区（“favorable”）内，这表明预测成功率达到79.31%（图中黑点为用于验证的29个的点）。

（五）实证权重指数叠加法

第一步：生成指数叠加二值图

根据表7-17，通过差值法计算权重和分数，其结果见表7-19。

表7-19 指数叠加法和模糊逻辑法的权重和分数

按以下公式生成指数叠加二值图（Index_1, Index_2, Index_3, Index_4,Index_5）

Index1= iff(Slope_1<80,7.21,2.79)

Index2= iff(Waterfall_2<200,9.90,0.10)

Index3= iff(Sub_3="fav",0.10,9.90)

Index4= iff(Sub_4="fav",1.75,8.25)

Index5= iff(fault_1<21,4.78,5.22)

第二步：生成滑坡敏感性图

按下列公式生成滑坡敏感性图（Index_map）：

Index_map=(Index1*2.0801+Index2*2.9181+Index3*(-1.4850)+Index4*1.4342

+Index5*0.602)/( 2.0801+2.9181-1.4850+1.4342+0.602)

将生成的滑坡敏感性图（Index_map）重新进行分类（三类：适宜、一般适宜、不适宜），得到最终滑坡敏感性图

从最终滑坡敏感性图的统计图表可知，滑坡易发地区（“favorable”）的单元数为17856个，占研究区单元总数的33%。将第二组滑坡灾害点图（共有29个滑坡点）迭置在最终滑坡敏感性图（图7-10，见彩页），有16个点落入滑坡易发地区（“favorable”）内，这表明预测成功率达到55.17%。

（六）方法比较

尽管使用不同的方法得出的结果有很大的差异，但总体趋势是相同的。实证权重后概率预测法与指数叠加法相比，前者比后者集中度大，即“适宜”地区大一些（分别是54.36%和35.95%），但前者的预测成功率比后者大一些（79.31%和55.17%）。因此，实证权重后概率预测法比指数叠加法更保守些（表7-20）。

表7-20 不同方法预测成功率比较

（七）小结

实证权重法权重的获得是客观的，不是根据专家的主观判断，而是根据实际滑坡灾害调查数据与滑坡影响因素的统计关系确定的。

根据表7-17中的W+、C值和SigC来看，降雨量和坡度因素的影响最大，表明它们对衢江地区的滑坡产生具有重要影响。土地利用的影响最小。

通过两两比较相关性检验表明，所选定的5个滑坡影响因子具有条件独立性。

尽管使用不同的方法得出的结果有很大的差异，但总体趋势是相同的。实证权重后概率预测法与指数叠加法相比，前者比后者的“适宜”地区大一些（分别是54.36%和35.95%），但前者的预测成功率比后者大一些（79.31%和55.17%）。而模糊逻辑5种方法结果都不理想。总的来看，实证权重后概率预测法与指数叠加法结果比较好。

滑坡敏感性评估是滑坡灾害风险评估与管理的重要组成部分。只有在充分认识滑坡灾害敏感性的基础上，考虑承灾体的易损性，才能客观地评估滑坡灾害的风险，从而制定出减轻滑坡灾害的行之有效的措施。我国是滑坡灾害的多发国家，如何认识滑坡灾害的敏感性，在国民经济建设中合理开发利用土地，将滑坡灾害损失降低到最小限度，是摆在我们面前的紧迫任务。因此，开展滑坡灾害敏感性评估方面的研究具有重要的现实意义。3S技术在这一领域有着十分广阔的应用前景。不断发展的GIS 平台具有强大的遥感影像的处理功能和空间分析功能，为科学分析和预测滑坡灾害提供了技术平台。概括起来，滑坡灾害评估的空间分析方法主要有两种，一是基于专家经验的知识驱动型方法；二是基于统计学的数据驱动型方法。显然，前者具有主观性和不确定性；而后者则更加科学、可靠。基于统计学的数据驱动型方法在滑坡灾害评估领域中的应用还属于探索阶段，如何利用强大GIS 技术平台，开发出更符合实际的滑坡灾害空间分析的统计算法是今后的发展方向。

二、承灾体易损性评估

承灾体易损性包括物质易损性和人口易损性。承灾体易损性不仅取决于承灾体本身的承灾能力，还取决于当地社会抵御滑坡灾害的能力，这包括减灾措施、灾害预报、灾害应急准备和社会经济发展水平。因此，易损性是承灾体脆弱性和防灾水平共同作用的结果。

（一）易损性评估数据准备与评估准则

滑坡发生所造成的危害取决于人的生命和财产抵御滑坡灾害的能力，即易损性大小。主要与人口和财产（基础设施、建筑物和土地资产）的分布位置及密度密切相关。根据当地条件和数据可得性确定滑坡灾害易损性评估因素包括：人口分布密度、房屋建筑物财产价值（万元）、通讯基站投资（万元）、公路（千米）、耕地资产（万元）、园地资产（万元）、林地资产（万元）。

采用荷兰国际地区测量与观测学院（ITC）开发的ILWIS软件GIS平台，利用ILWIS软件按表7-21生成以下7个滑坡易损性图（图7-11～图7-17，见彩页）：①人口分布密度图；②房屋建筑物财产价值图；③通讯基站投资图；④道路交通图；⑤耕地资产图；⑥园地资产图；⑦林地资产图。

表7-21 衢州地区滑坡灾害承灾体易损性评分标准

（二）易损性评估方法（因子权重评估方法）

采用主成分分析与因子分析方法确定权重。具体计算过程如下：

（1）单变量描述性统计量，见表7-22。

表7-22 单变量描述性统计表

（2）相关系数矩阵见，表7-23。

表7-23 相关系数矩阵

（3）KMO与Bartlett 的球形检定，见表7-24。

显示KMO抽样适当性参数与Bartlett的球形检定。

表7-24 KMO与Bartlett 的球形检定

KMO是Kaiser-Meyer-Olkin的取样适当性量数，当KMO值愈大时，表示变量间的共同因子愈多，愈适合进行因子分析，根据专家 Kaiser（1974）观点，如果KMO的值小于 0.5 时，较不宜进行因子分析。此处的KMO值为0.520，表示适合因子分析。此外，从Bartlett的球形检验的值为158.400，自由度为15，达到显著，代表样本的相关矩阵间有共同因子存在，适合进行因子分析。

（4）共同性。显示因子间的共同性结果，或者说显示各因子解释掉方差的比例。共同度从0到1，0为因子不解释任何方差，1为所有方差均被因子解释掉。一个因子越大地解释掉变量的方差，说明因子包含原有变量信息的量越多，见表7-25。

表7-25 因子间的共同性结果

（5）未转轴前的结果，见表7-26。

表7-26 主成分分析结果

前5个主成分的方差累计贡献率已超过85%，因此，取前5个主成分为公因子。

其主因子荷载矩阵A，见表7-27。

表7-27 主因子荷载矩阵

（6）转轴后的结果，见表7-28～表7-32。

表7-28 方差极大旋转因子荷载矩阵A*

表7-29 正交旋转变换矩阵

表7-30 方差极大旋转因子荷载矩阵A*的特征值及其对应的方差贡献率

表7-31 因子得分的系数矩阵

表7-32 财产评估因子权重分配系列

（三）承灾体易损性评估结果

对这6个评估指标对应的评分图按各个因子的权重值进行图层间的叠加运算，按以下公式得到各单元的滑坡易损性指数，即易损性指数为各评估指标评分的加权和评估结果（图7-18，见彩页）：D_i=∑（W_i×R_i）。式中D_i为滑坡易损性指数，W_i为评估参数i的权重因子，R_i为评估指标的评分值。

具体来讲，按照上节计算出的财产评估因子的权重结果（W_i），使用ILLWIS软件按下式进行叠加运算：

财产易损性=0.156×建筑物资产+0.164×耕地资产+0.163×园地资产+0.167×林地资产+0.171×道路资产+0.179×通讯基站投资

财产易损性计算结果如图7-18所示。然后将财产易损性图与人口易损性图（即人口分布密度图7-19，见彩页）按等权重进行叠加运算并按5个等级（0，0.1～2.9，3.0～5.7，5.8～8.6，8.7～11.5）重新进行分类，结果如图7-20和图7-21（见彩页）所示。

三、滑坡风险性评估

（一）滑坡风险性评估计算

滑坡风险性是滑坡危险性和承灾体易损性共同作用的结果。滑坡风险评估计算按下式计算：

风险度（Risk）=危险度（Hazard）×易损度（Vulnerability）

具体计算按以下步骤：

（1）将前面用实证权重后概率法和指数叠加法计算出来的滑坡危险性两张图按5个等级进行重新分类，结果如图7-22和图7-23（见彩页）所示。

（2）按滑坡风险评估交叉矩阵（表7-33）将滑坡易损性（图7-21，见彩页）与滑坡危险性（图7-22和图7-23，见彩页）分别进行交叉运算，结果见图7-24和图7-25（见彩页）所示。

表7-33 滑坡风险评估交叉矩阵表（V=VI×VS）

（二）滑坡风险性评估结果分析

从滑坡风险性实证权重概率图的统计图表（表7-34）可以看出，滑坡风险较高地区（IV和V级）所占面积为59.5km²，占研究面积的3.4%，滑坡风险中等地区（III级）所占面积为532km²，占研究面积的30.2%；滑坡风险较小（II和I级）地区所占面积为1170.25km²，占研究面积的66.4%。

表7-34 滑坡风险性实证权重概率图的统计图表

从滑坡风险性实证权重指数叠加图的统计图表（表7-35）可以看出，滑坡风险较高地区（IV和V级）所占面积为126.75km²，占研究面积的7.2%，滑坡风险中等地区（III级）所占面积为691.5km²，占研究面积的39.9%；滑坡风险较小（II和I级）地区所占面积为916.75km²，占研究面积的52.9%。

表7-35 从滑坡风险性实证权重指数叠加图的统计图表

两种方法得出的结果有所差异，但总体趋势基本相同。根据滑坡风险性较高地区（IV和V级）所占面积的集中度和预测成功率，实证权重指数叠加法较实证权重后概率法保守些，滑坡风险性高的地区划定的范围较大，见表7-36，图7-26和图7-27（见彩页）。

表7-36 两种方法比较

（三）小结

本次研究在滑坡危险性评估中采用了两种实证权重统计方法，并在滑坡易损性评估中采用了主成分-因子分析统计方法，确定了财产评估因子的权重，最后通过交叉运算得到了衢州地区滑坡风险性。克服了以往专家指数评定方法权重确定的主观性的缺点，通过实际案例分析，主要得出以下结论：

两种方法得出的结果有所差异，但总体趋势基本相同。根据滑坡风险性较高地区（IV和V级）所占面积的集中度和预测成功率，实证权重指数叠加法较实证权重后概率法保守些，滑坡风险性高的地区划定的范围较大。

研究区滑坡风险性较高地区（IV和V级），主要分布在西北部和东南部地区，在这些地区滑坡危险性主要受降雨量和坡度因素的影响，滑坡易损性主要是人口分布影响较大，居民点和道路及通讯基站的分布也主要集中在这些地区。东南部林地资产较大，这些影响因素的综合作用，导致这些地区滑坡风险性较高。

实证权重法权重的获得是客观的，不是根据专家的主观判断，而是根据实际发生的滑坡灾害数据与影响滑坡危险性的各评估指标的统计关系而确定的。但在本次滑坡危险性案例研究中，因为响应因子-滑坡灾害点少（50个），不能完全揭示出响应因子与预测因子之间的统计关系。如果能够获得足够多训练点数据，会得到更加精确的结果。另外，实证权重要求，必须对预测因子进行分类且对响应因子按一定阈值进行划分才能应用该方法，因此，阈值的确定至关重要，选定不同的阈值将会产生不同的评估结果。因此，更需要大量的实际观测数据，建立响应因子与预测因子之间的统计关系，从而更加科学地确定阈值。

在实证权重评估方法中，进行了两两比较条件独立性检验，结果表明，所选定的滑坡危险性5个评估指标都具有条件独立性，说明所选定的评估指标是合理的。