EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 11: 1395 - 1403

DOI: https://doi.org/10.3724/SP.J.1047.2015.01395

The Susceptibility Assessment of Debris Flow in Karst Region of Guizhou Province

  • YUE Xiliu , 1, 2 ,
  • HUANG Mei , 1, * ,
  • XU Qingyong 3 ,
  • CHEN Changyan 4 ,
  • GU Xiaoping 5
Expand
  • 1. Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Science and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Beijing Institute of Hydrogeology and Engineering Geology, Beijing 100101, China
  • 4. BGI Engineering Consultants LTD, Beijing 100101, China
  • 5. Guizhou Key Laboratory of Mountainous Climate and Resource, Guiyang 550002, China
*Corresponding author: HUANG Mei, E-mail:

Received date: 2014-12-25

  Request revised date: 2015-05-19

  Online published: 2015-11-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Guizhou is a typical karst mountainous province in China, which has unique geological disaster mechanism due to its unique geological environment. In this study, 10 factors were selected as the possible impact factors, and the cluster analysis and correlation analysis methods were used to identify the main risks of debris flow factors. Based on the techniques of geo-information system, information model was used to evaluate the spatial pattern of debris flow susceptibility. Soil erosion is identified as the most important factor to influence the occurrence of native debris flow, while fault has little impact on debris flow. Factors of soil erosion, slop, aspect, rock characteristics, land use, NDVI, distance to gully and days of daily precipitation greater than 25mm are proved to be independent and representative factors, and they served as indices for susceptibility assessment. The results show that 29.51% of the regions in Guizhou are heavy susceptibility regions, which were located in western Guizhou and the mountainous area, such as Dalou mountain, Wuling mountain and Miaoling in northern Guizhou. The central and southeastern Guizhou is identified as relative less susceptibility region. Heavy susceptibility areas have common characteristics of steep slope, low vegetation coverage, featuring with dry land, industrial and mining land, and are subjected to serious soil erosion. The debris flow density in heavy susceptibility region is 19 times of that in the low susceptibility region. The effective way to decrease debris flow disaster is to strengthen the management of dry land, industrial and mining land, and the area with lower vegetation cover.

Key words： karst; debris flow; susceptibility assessment; Guizhou; GIS

Cite this article

YUE Xiliu , HUANG Mei , XU Qingyong , CHEN Changyan , GU Xiaoping . The Susceptibility Assessment of Debris Flow in Karst Region of Guizhou Province[J]. Journal of Geo-information Science, 2015 , 17(11) : 1395 -1403 . DOI: 10.3724/SP.J.1047.2015.01395

1 引言

近年来,区域泥石流易发性评价是风险评价的重要内容,它反映了泥石流灾害的整体特征和空间异质性,为国家区域规划及重点工程建设等宏观决策提供了依据,成为相关部门和广大科研工作者关注的热点之一[1-3]。
1981年,Hollingsworth和Kovacs采用打分方法构建了灾害评价的基本框架,为滑坡泥石流评价研究的重要方法[4]。1991-1992年,Carrara利用GIS和RS技术开展了滑坡泥石流灾害制图技术研究[5-6]。刘希林将定性分析与定量分析有效结合,提出泥石流灾害多因子综合评判模型,促进了国内泥石流评价的发展[7]。随后,中国黄河上游地区[8]、三江并流区[9]、白龙江流域[10]、云南各流域[11-12]、四川省[13]、甘肃省[14]、北京市[15-16]、陕西省[17]等地区均开展过相关研究及危险区划。
多年的灾害研究工作促进了泥石流评价方法的不断创新[18],FCM-粗糙集方法[16]、AHP决策分析法[13]、模糊综合评价法[19]、人工神经网络法[20]、SVM法[21]、信息量方法[14,22]等都在泥石流风险评价中得到应用,并取得了良好的效果。然而,前期研究多注重评价方法的尝试与创新,在评价因子的选取上多沿用他人的成果[13,15,23-25],较少依据特定环境进行影响因子分析,这是目前区域泥石流灾害评价研究工作的一个薄弱环节。
贵州省是世界喀斯特集中分布的亚洲核心区,其岩溶地貌发育强烈,分布面积广,占全省面积的62%以上[26];其中,碳酸岩分布出露面积11.61万km2,占总面积的65%,地质灾害分布多位于碳酸岩区域[27]。本文从地形地貌、地质构造、岩土条件、水文环境及人类活动等基础条件出发,初选了10个影响灾害发生的评价因子,结合贵州省地质环境勘察局监测的346个泥石流灾害历史数据进行分析,并利用信息量方法对研究区进行泥石流灾害易发性评价及区划,以期为贵州省整体城乡发展规划及防灾减灾预警工作提供参考。

2研究区地理特征与数据源

（1）贵州省（图1）位于云贵高原向东部平原过度的斜坡地带,介于103°6′~109°35′E和24°37′~29°13′N之间,最高海拔2900 m,最低海拔为137 m,地形切割强烈。全省97%的面积为高原、山地和丘陵;东北部为武陵山,由湘蜿蜒入黔,北部有大娄山,自西向东北斜贯北境,中南部为苗岭,西部乌蒙山。全境属于亚热带湿润季风气候,平均气温为15 ℃左右,常年降水充沛,降水量介于850~1600 mm之间,4-9月雨量集中,多为暴雨和大暴雨[28]。
Fig. 1 The boundary map of Guizhou Province

图1 贵州省行政区域图

贵州地区地层,从早期的中元古界至晚期第四系地层均有出露,出露岩层多为碳酸岩类。珠江流域以石灰岩连片分布,占珠江流域的出露总面积的60.75%,长江流域白云岩、石灰岩及碎屑岩呈北向东互层分布,其中白云岩类岩石出露面积占31.17%,石灰岩类岩石出露面积占40.66%[29]。贵州地壳经历过多次构造运动,全省横贯扬子地块和华南早古生代褶皱带2个一级大地构造单元[29]。省（区）主要断层十多条,多为东北走向,断层分布密集,但少有地震发生。
（2）本研究采用的数据：
① 贵州省DEM数据（分辨率100 m）,贵州省2004年归一化植被指数（NDVI）数据（分辨率 1 km）,1999年原地矿部等单位编制并发布的1:50万地质数据,地球系统科学数据共享网西南山地分中心2002年发布的1:10万土壤侵蚀数据及1995年的1:10万土地利用类型数据;以上数据源于中国科学院地理科学与资源研究所资源环境科学数据中心。
② 1960-2006年贵州省83个气象站点的降水资料,源于贵州省气象局。
③ 1960-2005年贵州省历史泥石流灾害记录数据,源于贵州省地质环境监测院。
上述数据预处理包括：断层及河流矢量数据的缓冲区分析（Buffer）,DEM数据的坡度和坡向提取（Surface analysis）,降水量站点数据的Kriging插值及矢量数据到栅格数据的格式转换（Feature to raster）。

3泥石流灾害易发性评价分析

3.1 影响因子的选取与分级

泥石流的形成必须具备3个基本条件：（1）利于泥石流发生和运动的地形条件;（2）丰富的松散土石碎屑等固体物质来源;（3）短期内充足的水源条件。关于泥石流灾害的影响因子的选取及应用,专家和学者已有不少成果[7-17,30-37]。本文从地形地貌、地质构造、岩土条件、水文环境及人类活动等基础条件分析选取了土壤侵蚀程度、坡度、年均降水量、>25 mm降水日数、坡向、到断层的距离、岩性、土地利用方式、NDVI,以及沟谷的距离等影响因子。
土壤侵蚀程度（X1）反映了地表的直接破坏程度,是人类活动、岩石风化、坡体受损等多因素的综合表现结果,为综合性的山地致灾因子[35];坡度（X2）对泥石流的形成和发育具有重要影响,地势陡峻、纵坡降大的地形坡体稳定性差且便于水流汇集[36],一般而言,15~35°坡泥石流发育最为密集[30];暴雨和大暴雨是泥石流发育的直接诱因,降水通过增加土体含水量,减少其抗剪强度,使坡体呈现不稳定状态,从而诱发泥石流[7],贵州省内泥石流主要为暴雨型泥石流类型,降水丰富地区是泥石流的高发区。因此,>25 mm降水日数（X3）及年均降水（X4）被选为影响因子。
此外,部分环境条件对泥石流发育也具有一定的影响,岩石性质（X5）直接影响岩石的风化程度,进而影响区域松散碎屑物的堆积,一般而言,泥岩、碎屑岩、页岩等较灰岩、白云岩、岩浆岩等更容易发生泥石流灾害[38];断层（X6）活动带附近岩层破碎,松散物质储量丰富,从物源及滑动动力角度为泥石流的发育提供了有利的条件[7];坡向（X7）差异致使水热条件存在差异,进而影响降水强度和风化、侵蚀程度,在中国南坡的地质灾害发育相对北坡而言更为密集[17],坡向作为辅助因子参与分析。土地利用方式（X8）反映了人类对地表的干预作用,旱地、裸地、耕地土体松散,城镇、工矿用地堆积物松散容易发生泥石流,林地对泥石流的发育则具有一定的抑制作用[27-28];NDVI（X9）反映了植被的覆盖程度与植被的生长状况,长势优良的植被具有良好的固土作用及雨水截留作用,利于缓解地表径流的汇集,对泥石流的发育具有抑制作用[27-28];沟谷是一定流域范围内的水流汇集区,离沟谷越近的地区水量汇集越多,冲刷及携带能力增强,泥石流发生的概率相对增大[39],因此,到沟谷的距离（X10）选作影响因子之一。
各因子的等级划分及分级依据如表1所示。
Tab. 1 The classification of debris flow impact factors

表1 泥石流灾害影响因子指标分级

影响因子 分级数 指标分级 分级方法及依据
直接影响因子 土壤侵蚀 5 一级侵蚀（轻度侵蚀）,二级侵蚀,三级侵蚀,四级侵蚀,五级侵蚀（重度侵蚀） 土壤侵蚀等级数据（西南山地分中心发布）
坡度 6 <10°,10~15°,15~20°,20~25°,25~30°,>30° 等间隔法;文献[30]
年平均降水 6 <1000 mm,1000~1100 mm,1100~1200 mm,1200~1300 mm,1300~1400 mm,>1400 mm 等间隔法
>25 mm降水日数 5 <5 d,5~8 d,8~11 d,11~14 d,>14 d 归一化分级
间接影响因子 岩石性质 6 软硬岩互层岩,粘土岩、泥岩、页岩,砾岩、砂岩,灰岩、白云岩,变质岩,岩浆岩
到断层的距离 5 <0.5 km,0.5~1 km,1~1.5 km,1.5~2 km,>2 km 等间隔法;文献[15]
坡向 5 阳坡（南坡：157.5~202.5°）,半阳坡（东南坡:112.5~157.5°及西南坡:202.5~247.5°）、过渡坡（东坡：67.5~112.5°及西坡:247.5~292.5°）、半阴坡（东北坡:22.5~67.5°及西北坡:292.5~337.5°）、阴坡（北坡：337.5~22.5°及平地区域） ArcGIS软件默认分类
土地利用方式 5 旱地,耕地,城镇、工矿用地,草原,林地 文献[31]-[32]
NDVI <0.157,0.157~0.171,0.171~0.183,0.183~0.226,>0.226 自然断点法
到沟谷的距离 5 <2 km,2~4 km,4~6 km,6~8 km,>8 km 等间隔法

3.2 因子筛选方法

为筛选影响泥石流灾害发育的最直接最相关的评价因子,本文运用方差分析[40]和相关性分析进行影响因子筛选。
方差分析（Analysis of Variance）通过研究不同来源的变异对总变异的贡献大小,以确定可控因素对研究结果影响力的大小[41]。对每个影响因子进行指标分级,并对各等级环境中泥石流的分布密度进行方差分析,进而判断泥石流在因子各等级环境中是否存在明显的差异;方差越大,表示影响因子各等级环境中泥石流分布差异性越大,因子对泥石流的发育影响越大;反之则影响较小。其计算公式为：
S 2 = ∑ i = 1 n ( X i - X ¯ ) 2 / ( n - 1 （1）
式中, S 2 为单个影响因子的方差; X i 为影响因子不同层级环境中泥石流的分布密度（各层级环境中的泥石流个数除以层级面积）; X ¯ 为泥石流在影响因子中的分布密度均值（泥石流总数除以总面积）; n 为影响因子划分的层级数。
相关性分析是指对2个或多个变量元素进行的衡量变量因素之间相关程度的分析。相关系数越大,指标间的相关性越高,即因子之间重复交叉的信息多;反之则低,表示各因子独立性较强[41]。在ArcGIS软件中,Spatial analyst tools中Create signatures工具,可创建由输入样本数据和一组栅格波段定义的类的文件,计算栅格数据图层的相关性系数矩阵,因子间的相关系数超过0.5,则说明2个因子存在中度以上的关联性,重复交叉信息较多,可选择其中一位因子作代表,形成相互独立的易发性评价体系。

3.3 泥石流易发性评价

本研究采用信息量模型以评价泥石流的易发性,它可全面反映历史灾害的信息数据,信息量越大,表明产生地质灾害的可能性越大[42]。信息量模型的建立过程如下[43]：
（1）单独计算各因素Xi对地质灾害发生事件(L)提供的信息量。在实际计算中,采用频率来估算其表示的条件概率,即：
I ( L , X ij ) = Ln ( N ij / N ) ( S ij / S ) （2）
式中,N为研究区域泥石流灾害分布的总数;S为研究区域评价单元的总数;X为影响泥石流发育的因子;i为影响因子的标号;j为影响因子的不同分级;Nij为第i个因子第j个等级泥石流分布的个数;Sij为第i个因子第j个等级所占的单元格总数;I(L,Xij)为第i个因子第j个层级的信息量。
（2）计算单个评价单元内的总信息量。
I = ∑ i = 1 8 I ( L , X i ) （3）
式中,I为评价单元的总信息量值;i为参评因子数。此环节中不同层级j的空间分布构成整体评价区域。
（3）用总的信息量I作为该单元影响地质灾害发生的综合指标,其值越大表明越有利于地质灾害的发生,该单元地质灾害易发性程度也越高。
通过对初选影响因子各等级环境中的泥石流分布密度进行方差分析（表2）,土壤侵蚀因子中泥石流分布密度的差异最大,方差值达5.7774;其次为土地利用方式因子,分布密度方差值为1.6972;它们对泥石流分布具有重要影响。由于断层因子中,石流分布密度方差小,值为0.0507,远小于其他因子,即泥石流的分布在到断层的不同距离环境中基本表现为均等分布,该因子对泥石流的发育影响较小,可不参与影响评价。
Tab. 2 Analysis of variance of causal impact factors

表2 初选影响因子方差分析表

影响因子 方差 影响因子 方差
土壤侵蚀(X1) 5.7774 到断层的距离(X6) 0.0507
坡度(X2) 0.2241 坡向(X7) 0.2088
年平均降水(X3) 0.3391 土地利用方式(X8) 1.6792
>25 mm降水日数(X4) 0.9318 NDVI(X9) 0.7185
岩石性质(X5) 0.3622 到沟谷的距离(X10) 0.2282
相关性分析系数矩阵（表3）显示,年均降水和>25 mm降水日数的相关系数为0.9,相关性很强,即具有较多交叉重复信息,可选其中一个指标为代表;由于方差分析中>25 mm降水日数因子其泥石流分布密度方差值（0.9318）大于年平均降水的方差值（0.3622）,因此,文中保留>25 mm降水日数作为影响因子参与易发性评价。其他各因子之间的相关性均小于0.5,通过相关性分析,具有良好的独立性。
Tab. 3 Correlation matrix of impact factors

表3 影响因子相关性系数矩阵

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
X1 1.00 -0.02 -0.14 -0.14 0.02 -0.03 0.01 0.28 0.19 0.03
X2 -0.02 1.00 0.02 0.00 0.00 -0.05 -0.01 -0.16 -0.25 0.02
X3 -0.14 0.02 1.00 0.90 -0.14 0.04 0.01 -0.06 -0.08 -0.02
X4 -0.14 0.00 0.90 1.00 -0.14 0.04 0.01 -0.06 -0.02 0.03
X5 0.02 0.00 -0.14 -0.14 1.00 0.06 -0.01 0.01 0.01 -0.04
X6 -0.03 -0.05 0.04 0.04 0.06 1.00 0.00 0.01 0.08 0.04
X7 0.01 -0.01 0.01 0.01 -0.01 0.00 1.00 0.03 0.02 0.00
X8 0.28 -0.16 -0.06 -0.06 0.01 0.01 0.03 1.00 0.30 0.06
X9 0.19 -0.25 -0.08 -0.02 0.01 0.08 0.02 0.30 1.00 0.17
X10 0.03 0.02 -0.02 0.03 -0.04 0.04 0.00 0.06 0.17 1.00
综上所述,本文最终确定土壤侵蚀程度、坡度、>25 mm降水日数、岩石性质、坡向、土地利用方式、NDVI,以及到河流的距离8个因子,作为研究区易发性评价的最终指标。指标分级的空间示意如图2所示。
Fig. 2 Spatial distribution of impact factors according to their degrees

图2 各因子等级空间分布图

运用信息量计算方法,计算得泥石流影响因子的信息量贡献度表如表4所示。在研究区内,土壤侵蚀严重区（二级侵蚀至五级侵蚀区）、旱地、1000~1100 mm降水带、城市及工矿地、0.157~0.171的NDVI区域（中低植被覆盖区）、大于30°坡地区信息量值最大,是泥石流灾害发育的高频环境。
Tab. 4 Assessment factors and their information quantities of debris-flow susceptibility

表4 泥石流灾害易发性参评因子及信息量计算结果

因子 分级 Si/S Ni I(L,Xi) 信息量排序
土壤
侵蚀		 一级 0.6195 107 -0.6948 41
二级 0.2198 106 0.3323 7
三级 0.1098 80 0.7446 4
四级 0.0437 44 1.0676 2
五级 0.0072 9 1.2833 1
坡度(°) <10 0.3313 86 -0.2873 38
10~15 0.2217 68 -0.1205 31
15~20 0.1845 82 0.2501 13
20~25 0.1278 53 0.1815 17
25~30 0.0740 28 0.0894 21
>30 0.0607 29 0.3225 8
坡向 N 0.1221 30 -0.3424 39
NW&NE 0.2456 70 -0.1938 33
E&W 0.2549 87 -0.0135 25
SW&SE 0.2542 105 0.1772 18
S 0.1233 54 0.2357 15
岩性 岩浆岩 0.0325 9 -0.2217 35
变质岩 0.0251 10 0.1405 19
白云岩、灰岩 0.4406 138 -0.0996 30
砂岩、砾岩 0.1882 51 -0.2443 36
粘土岩、泥岩、页岩 0.1411 59 0.1895 16
软硬岩互层 0.1725 79 0.2804 10
土地利用方式 林地 0.5815 127 -0.4600 40
草地 0.1764 58 -0.0510 28
城市及工矿地 0.0038 2 0.4256 5
耕地 0.0705 25 0.0251 24
旱地 0.1679 134 0.8359 3
NDVI >0.226 0.2070 22 -1.1802 42
0.183~0.226 0.3206 108 -0.0268 27
0.171~0.183 0.2798 127 0.2713 11
0.157~0.171 0.1526 74 0.3375 6
<0.157 0.0400 15 0.0810 22
到沟谷的距离(km) <2 0.4322 120 -0.2200 34
2~4 0.1238 42 -0.0196 26
4~6 0.1362 60 0.2414 14
6~8 0.1465 47 -0.0752 29
>8 0.1614 77 0.3215 9
>25 mm降水日数(d) <5 0.1584 71 0.2588 12
5~8 0.2000 71 0.0259 23
8~11 0.2100 82 0.1208 20
11~14 0.3039 88 -0.1781 32
>14 0.1277 34 -0.2619 37
运用ArcGIS软件,将信息量计算融合到空间分布模式,得出单元网格的综合信息量,其最高值为3.8666,最低值为-3.6909。为更好地反映泥石流灾害易发性程度,文章运用自然断点法（Nature Breaks Classification）重分类综合信息量值,依据差异最大化原理将易发性结果分级为5级（图3）,其中,极低易发区的信息量值为（-3.6909）-（-1.8901）,低易发区信息量值为（-1.8901）-（-0.8568）,中易发区信息量为（-0.8568）-0.0878,高易发区信息量为0.0878-1.1801,极高易发区信息量为1.1801-3.8666（表5）。研究区内泥石流极高易发区和高易发区总计占全省面积的29.51%,灾害分布密度分别为6.70处/1000 km2和2.95处/1000 km2,是极低易发区泥石流分布密度（0.35处/1000 km2）的19倍和8.5倍。
Fig. 3 Zonation of debris flow susceptibility in Guizhou Province

图3 贵州省泥石流灾害易发区划分

Tab. 5 The statistics of debris flow distribution in the study area

表5 研究区泥石流易发性分布统计

易发性分级 综合信息量区间 面积(km2) 面积比(%) 灾害数(处) 分布密度（处/1000 km2)
极低易发区 （-3.6909）-（-1.8901） 28 332 16.09 10 0.35
低易发区 （-1.8901）-（-0.8568） 50 700 28.78 43 0.85
中易发区 （-0.8568）-0.0878 45 132 25.62 69 1.53
高易发区 0.0878-1.1801 33 168 18.83 98 2.95
极高易发区 1.1801-3.8666 18 816 10.68 126 6.70
从空间范围来看,研究区内泥石流易发性最高的地区（图3）主要位于贵州西部云贵高原入山地的高山陡坡地带（包括毕节市东部的乌蒙山山区、六盘水大部及安顺西部地区）,贵州省东北部大娄山和武陵山区域,以及黔南与黔西南交界的苗岭入缓丘地带。在行政单元上主要分布在于安顺、黔西南、六盘水、铜仁4个区市。该些地区,均具有坡度大、植被覆盖率较低,旱地与工矿用地破坏较大,降水丰沛,土壤侵蚀严重等特点。贵州中部缓平地区（贵阳市、黔南市寄遵义东南部）,毕节市云贵高原台地、黔东南低缓丘山地区的泥石流易发性相对性较低。

4结论

通过对贵州省泥石流影响因子分析及易发性评价,得出以下结论：
（1）在研究区内,土壤侵蚀对泥石流的分布影响显著,断层对泥石流灾害的贡献作用不明显。土壤侵蚀、坡度、>25 mm降水日数、岩石性质、坡向、土地利用方式、NDVI及到河流的距离,是研究区具有最好独立性和代表性的易发性评价因子组。
（2）贵州省29.51%的国土面积为泥石流高易发区,其分布密度是极低易发区的9-19倍。高易发区主要集中在云贵高原入贵州中部的高山区域,北部大娄山、东北雾灵山及苗岭山区;在行政区域上分布于安顺、黔西南、六盘水、铜仁4个市;贵州中部及东南部泥石流易发程度较弱。高易发区主要的环境特征表现为：坡度大、植被覆盖率较低,旱地与工矿用地破坏较大,土壤侵蚀严重;因此,加强旱地、工矿用地及低植被覆盖区的合理利用和管理是缓解研究区泥石流灾害发生的重要途径。
（3）对地质灾害易发性评价而言,评价指标的选取是影响评价结果的重要因素,详细的因子分析可为泥石流评估构建更好的评价体系。但本文方法依存在一些不足,如指标选取及数据空间化的不确定性,因子层级划分的主观性,以及数据的限制、尺度转化的影响,因此,今后需更科学完善地建立泥石流灾害评价体系和评价方法。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
罗元华. 论泥石流灾害风险评估方法[J].中国矿业,2000,9(6):70-72.本文研究提出了泥石流灾害风险评估的意义和主要任务,列举了进行泥石流灾害评估的主要要素指标;简述了实施泥石流灾害风险评估的具体工作步骤.

DOI

[2]
胡瑞林,范林峰,王珊珊,等.滑坡风险评价的理论与方法研究[J].工程地质学报,2013,21(1):76-84.作为防灾减灾的重要措施之一,滑坡风险评价已经成为近年来国际上滑坡研究的热点,并形成了较为完备的滑坡风险管理体系。国内的滑坡风险研究则起步较晚,滑坡风险评价的关键支撑技术体系尚未建立。本文对滑坡风险评价中的关键理论和方法进行梳理,阐述了国际滑坡风险评价的理论框架和技术流程,介绍了国内外滑坡易发性、危险性和风险评价的最新进展,评述了滑坡易发性评价、扩展范围预测、频率分析以及承灾体易损性评价的主要方法,阐明了现阶段滑坡风险评价的重点领域和前沿科学问题,并对滑坡灾害的风险评价提出了三点展望。

[3]
李阔,唐川.泥石流危险性评价研究进展[J].灾害学,2007,22(1):106-111.综述了国内外泥石流危险性评价方法的研究现状，分别介绍了国内单沟泥石流和区域泥石流的危险度研究方法，针对单沟泥石流和区域泥石流的不同特征，提出了其改进和完善的建议，并对泥石流危险性评价方法的发展方向和趋势进行了讨论。

DOI

[4]
Hollingsworth R, Kovacs G S.Soil slumps and debris flows: Prediction and protection[J]. Bulletin of the Association of Engineering Geologists, 1981,38(1):17-28.html_urlhttp://eeg.geoscienceworld.org/content/xviii/1/17.abstract

DOI

[5]
Carrara A.GIS techniques and statistical models in evaluating landslide hazard[J]. Earth Surface Processes and Landforms, 1991,16(1):427-445.

[6]
Carrara A, Cardinali M, Guzzetti F.Uncertainty in assessing landslide hazard and risk[J]. ITC Journal, 1992,2:172-183.

[7]
Liu X L.Empirical assessment of debris flow risk on a regional scale in Yunnan province, southwestern China[J]. Environmental Management, 2002,30(2):249-264.lt;a name="Abs1"></a><div class="AbstractPara"> <div class="">Adopting the definition suggested by the United Nations, a risk model for regional debris flow assessment is presented. Risk is defined as the product of hazard and vulnerability, both of which are necessary for evaluation. A Multiple-Factor Composite Assessment Model is developed for quantifying regional debris flow hazard by taking into account eight variables that contribute to debris flow magnitude and its frequency of occurrence. Vulnerability is a measure of the potential total losses. On a regional scale, it can be measured by the fixed asset, gross domestic product, land resources, population density, as well as the age, education, and wealth of the inhabitants. A nonlinear power-function assessment model that accounts for these indexes is developed. As a case study, the model is applied to compute the hazard, vulnerability and risk for each prefecture of the Yunnan province in southwestern China.

DOI PMID

[8]
张春山,张业成,马寅生.黄河上游地区崩塌、滑坡、泥石流地质灾害区域危险性评价[J].地质力学学报,2003,9(2):143-153.本文在对黄河上游地区崩塌、滑坡、泥石流地质灾害进行野外调查和资料收集的基础上，对地质灾害进行了以县(市)为单元的危险性评价。评价区共包括116个单元，地质灾害危险程度共分为5级，高危险单元5个，较高危险单元7个，中等危险单元11个，较低危险单元47个，低危险单元46个。

DOI

[9]
丁明涛,韦方强,王欢,等.基于聚类分析的三江并流区泥石流危险性评价[J].资源科学,2012,3(7):1257-1265.The Three Parallel Rivers area is not only the concentrated area inhabited by minority people and a famous tourist hotspots, but also an ecological fragile area and disaster-prone (landslide and debris flow) area in our country. Especially debris flow disaster is threatening the social and economic development in the Three Parallel Rivers area. Therefore, hazard assessment of debris flow disaster has the important meaning in revealing the ecological environment problems, establishing regional environment construction policy and development strategy in the Three Parallel Rivers area. Cluster analysis and maximum likelihood classification (MLC) are exploited to map the hazard assessment of debris flow in the Three Parallel Rivers area. The methodology is applicable even if there is short of training data. Debris flow hazard can be viewed as a kind of spatial probability of hazard occurrence at a certain terrain unit and usually calculated as a function of effective factors or predictor variables such as lithology, fault, slope gradient, land-use type etc. The hazard assessment factors of debris flow can be divided into three types: topography conditions, the sources of loose solid material and dynamic conditions. Based on the field investigation and indoor analysis, eight effective factors are chosen for mapping the hazard assessment, including slope gradient, aspect, vegetation, lithology, fault zone density, river cutting density, rainfall and road network density. Because each measurement unit of effective factors is different, and its value is also belonging to different extents, therefore, we must deal with the above eight factors in unified handling. Four clusters are grouped from sampling grid cells by k-means clustering approach using above eight effective factors. MLC classifies all the cells in the study area into the four clusters according to their statistical characteristics. Four hazard classes (extreme low, low, moderate, and high) are assigned to these clusters applying expert experience and hazard density. The final map gives a reasonable assessment of debris flow hazard in the Three Parallel Rivers area. The result using cluster and MLC classification has a better agreement with the dot density value of debris flows in the Three Parallel Rivers area. The hazard assessment map of the Three Parallel Rivers area can be used to identify safety spots within the high danger area, which are suitable for habitations and facilities. It is also found that more debris flows are densely concentrated at the boundary between high and moderate regions, and between high and extreme low regions.

[10]
宁娜,马金珠,张鹏,等.基于GIS和信息量法的甘肃南部白龙江流域泥石流灾害危险性评价[J].资源科学,2013,35(4):892-899.信息量法是泥石流危险性评价的 重要方法之一,本文以甘肃南部白龙江流域为研究区,根据地形、地貌、地质、环境等条件,选取高程、坡度、岩性、土地利用类型、滑坡点密度、地质构造缓冲区 及归一化植被指数(NDVI)等7个评价因子,进行泥石流灾害危险性评价。文章基于GIS技术的空间分析功能及信息量法的定量分析功能,对各类因子进行分 级计算与信息量赋值,生成各评价因子的信息量图层,并进行叠加分析,最终得到甘肃南部白龙江流域泥石流危险性分区图。结果表明,中度危险区以上的区域包含 88.91%的泥石流。随着危险等级的增加,泥石流沟面积占危险等级面积比也随之增大。在中度危险区、高度危险区和极高度危险区内发生的泥石流面积分别占 到各危险等级面积的21.21%、34.09%和46.00%,分析结果与实际灾害分布特征吻合较好。由此可见,信息量法与GIS技术结合对泥石流灾害进 行危险性评价具有较高的准确性。

[11]
兰恒星,伍法权,周成虎,等.基于GIS的云南小江流域滑坡因子敏感性分析[J].岩石力学与工程学报,2002,21(10):1500-1506.进行滑坡因子敏感性分析是滑坡研究的一个重要的步骤，有利于研究滑坡的变形破坏机理及分析滑坡的空间分布规律，采用滑坡确定性系数的方法对云南小江流域进行了影响因子敏感性分析，确定了有利于滑坡发育的岩性、结构、坡度、高程、断裂等影响因子。... 全文

DOI

[12]
陶云,唐川,段旭.云南滑坡泥石流灾害及其与降水特征的关系[J].自然灾害学报,2009,18(1):180-185.利用2001-2005年云南滑坡泥石流灾害资料,分析了近5年来云南滑坡泥石流分布与演变的特点及其与云南降水、大雨、暴雨之间的关系.研究结果表明, 在该时段云南滑坡泥石流灾害总体分布表现出西多东少,西北多东南少的趋势;滑坡泥石流灾害高发区与暴雨中心有很好的对应关系,其活动存在明显的年际变化特 点,并且各个区域又有自身的演变规律.在时空分布上滇西北及滇西南是活动最频繁的区域;滑坡泥石流灾害具有明显的月际变化特征,高峰期集中在6-8月;滑 坡泥石流灾害发生次数与年降水量、年暴雨次数及年大雨次数有着很好的对应关系;大气环流异常对滑坡泥石流灾害发生数量也有着明显的影响.

DOI

[13]
李为乐,唐川,杨武年. RS和GIS技术在县级区域泥石流危险区划中的应用研究——以四川省泸定县为例[J].灾害学,2008,23(2):71-75.泥石流危险度评价是泥石流灾害预测预报和减灾防灾工作中的重要内容和决策基础。以泸定县为例，利用RS、GIS技术，以流域范围为评价单元，选取影响泥石流发育和形成的因子，采用数理统计方法和层次分析法得出各因子对泥石流的敏感系数和权重，最后建立县级区域泥石流危险度多因子综合评价模型，从而实现区域泥石流危险度评价。

DOI

[14]
宁娜,田黎明,张鹏,等.甘肃南部武都地区泥石流危险性评价[J].山地学报,2013,31(5): 601-609.泥石流的发生受控于多种因子,而各因子属性段对泥石流的发生起到不同的作用.以甘肃南部武都地区为研究区,考虑到地震扰动影响并结合当地的地质环境条件,选取了高程、坡度、岩性、土地利用类型、滑坡点密度、地震因子、地质构造缓冲区及归一化植被指数(NDVI)等8个评价因子进行危险性评价.而后基于信息量模型和敏感性分析法对各影响因子属性类进行计算分析,得到各属性类的量化值.最后通过叠置分析,得到泥石流灾害危险性分区.结果表明,在中度、高度及极高度危险区内,信息量模型中分布的泥石流面积占研究区泥石流总面积的百分比为22.5％,24.7％,37.2％,而敏感性模型中占到的比例分别为25.5％,28.1％和36.4％.敏感性模型中中度危险区以上包含的泥石流比例占到90％,大于信息量模型的84.4％,因此,采用敏感性模型得到的危险性分区结果具有更高的精确性,能够为实际应用提供参考依据.

DOI

[15]
宋杨,程维明,柏延臣,等.密云水库周边山区滑坡泥石流易发区预估[J].地理科学进展,2011,30(3):343-351.滑坡、泥石流等地质灾害的易发度主要是地质灾害自然属性特征的体现，它与孕灾环境的各项因子密切相关。这些因子包括地形地貌、流域水文、构造等内部条件因子以及地震、降雨等外部触发因子。为突出反映滑坡及泥石流主导因子的作用，本文参考了许多研究所采用的评价方法和因子选择，重点选取对该地区滑坡及泥石流发生区域分析评价起一定主导作用的、便于研究区域数据资料与空间资料匹配、关系密切的几个指标，包括地形地貌要素(坡度、坡向、坡形、相对高差、地貌类型)、环境要素(植被指数、河网密度、洪水淹没范围)、构造要素(距断层的距离、断层密度、地质岩性)，通过对这些因子的敏感性进行分析，采用专家打分方法确定每种要素及因子的权重，借助因子加权叠加办法得出研究区地质灾害易发程度空间分布，用于表示其可能发生的统计意义上的可能性(概率)，该研究对于区域地质灾害预防具有一定的适用价值。

DOI

[16]
程维明,夏遥,曹玉尧,等.区域泥石流孕灾环境危险性评价——以北京军都山区为例[J].地理研究,2013,32(4):595-606.以北京军都山区实测泥石流沟谷数为基准,基于因子叠加、信息量模型和FCM-粗糙集三种方法,分别获得了泥石流灾害发生的危险性等级分布,结果表明:①各分区单位面积内泥石流沟谷数都随着危险性评价等级的提高而增多;②因子叠加法和信息量模型法可得出五级泥石流灾害危险性分级,而粗糙集法只得出三级分级;③以实际泥石流沟谷落在评价区数目为标准,信息量模型法有90%以上的泥石流沟谷在危险性高和极高区域;粗糙集法得到危险区域覆盖了63.72%的泥石流沟谷分布;④从单位面积泥石流沟谷数与泥石流沟谷分布比率可得,信息量模型法评价精度较高,因子叠加法没有形成良好的梯度,而粗糙集法计算等级结果与其他方法存在差异,故须在其他区域进行进一步研究。

DOI

[17]
孟庆华,孙炜峰,王涛.陕西凤县地质灾害易发性评价研究[J].工程地质学报,2011,19(3):388-396.lt;p>区域地质灾害易发性评价是地质灾害早期预警的基础。为了探索秦岭山区区域地质灾害易发性评价方法,文中在陕西凤县1 :5万地质灾害详细调查和数据库建设的基础上,详细分析了地质灾害的发育分布规律及影响因素,利用GIS技术结合信息量模型方法完成了凤县地质灾害的易发性评价区划。结果显示:凤县地质灾害分布主要与河流侵蚀、植被覆盖率及人类工程活动相关。根据评价结果将凤县地质灾害易发性划分为4个等级,其中,地质灾害高易发区面积190.3km<sup>2</sup>占全县总面积的6.0%; 中易发区面积642.0km<sup>2</sup>占20.1%; 低易发区面积1314.5km<sup>2</sup>占41.2%; 基本安全区面积1040.1km<sup>2</sup>占32.6%。评价结果可为凤县土地利用规划和地质灾害防治规划提供依据,并可为秦岭山区城镇地质灾害易发性评价提供思路和方法。</p>

[18]
卢全中,彭建兵,赵法锁.地质灾害风险评估(价)研究综述[J].灾害学,2003,18(4):59-63.回顾了国内外地质灾害风险评估的研究现状,总结并讨论了地质灾害风险的概念、评价内容、评价方法和评价模型,分析并提出了地质灾害风险评价研究的发展趋势。

DOI

[19]
Lin J W, Chen C W, Peng C Y.Kalman filter decision systems for debris flow hazard assessment[J]. Natural Hazards, 2012,60(3):1255-1266.Abstract<br/>This paper aims to develop a model for debris flow hazard assessment, since Taiwan is a mountainous country subject to bouts of heavy rainfall during the rainy and typhoon seasons and is thus frequently subject to landslide disasters. The database used is comprised of information from actual cases that occurred in areas of Hualien in eastern Taiwan during 2007 and 2008. The Kalman filter model is utilized to assess the occurrence of debris flows from computed indexes, to verify modeling errors. Comparisons are made between two models to determine which one is better in practical applications. The efficiency of the Kalman filter decision system has been proved, showing smaller average relative error and correspondingly larger ratio of success on debris flow assessment when compared to the neural network model. The relative error is calculated between the differences in the ratio of model outputs and that of actual occurrences. Such an error index can be decreased from 4.65 to 3.39% by introducing the concept of geographic divisions to the Kalman filter model, which demonstrates its ability to forecast the occurrence of debris flows for the coming year.<br/>

DOI

[20]
赵源,刘希林.人工神经网络在泥石流风险评价中的应用[J].地质灾害与环境保护,2005,16(2):135-138.泥石流风险评价是对泥石流灾害的预评估，在泥石流防灾减灾实践中具有重要的意义，可直接服务于国民经济建设。人工神经网络具有良好的非线性信息处理能力，特别适宜于解决风险评价中多指标复杂性和不确定性的问题。实例证明，经过训练的网络模型对于泥石流风险评价具有较好的适用性，可以作为泥石流风险评价技术的补充。

DOI

[21]
原立峰. 基于SVM的泥石流危险度评价研究[J].地理科学,2008,28(2):296-300.lt;p>选取泥石流一次(可能)最大冲出量(L<sub>1</sub>)、泥石流发生频率(L<sub>2</sub>)、流域面积(S<sub>1</sub>)、主沟长度(S<sub>2</sub>)、流域最大相对高差(S<sub>3</sub>)、流域切割密度(S<sub>6</sub>)和泥沙补给段长度比(S<sub>9</sub>)7个因子作为泥石流沟谷危险度评价因子,运用支持向量机理论,以云南省37条泥石流沟的259个基础数据为样本进行学习训练和测试,建立泥石流危险度评价的支持向量机模型,通过实例验证,取得良好效果。</p>

[22]
Xu W B, Yu W J, Jing S C, et al.Debris flow susceptibility assessment by GIS and information value model in a large-scale region, Sichuan Province (China)[J]. Natural hazards, 2013,65(3):1379-1392 .Debris flow susceptibility assessment is the premise of risk assessment. In this paper, Sichuan Province is chosen as a study area, where debris flow disasters happen frequently. Information value model is applied to calculate the information values of seven environmental factors, namely elevation, slope, aspect, flow accumulation, vegetation coverage, soil type and land-use type. Geographic information system technology is used to analyze the comprehensive information values so as to determine the debris flow susceptibility. The results show that the northeast, the central and the south of Sichuan are the most hazardous regions, which display a zonal distribution feature from the southeast to the south. From the validation results, 7.53 % of the total area suffers from high susceptibility and 19.97 % suffers from very high susceptibility. However, 80 % of the debris flows are concentrated in two regions. The actual occurrence ratios of debris flows of the high-susceptibility and very high-susceptibility areas are 4.95 and 2.14, respectively.

DOI

[23]
祁元,刘勇,杨正华,等.基于GIS的兰州滑坡与泥石流灾害危险性分析[J].冰川冻土,2012(1):96-104.频繁发生的灾害愈来愈对人类社 会造成巨大影响,遥感、地理信息系统、全球定位系统和网络技术日益在减灾行动中发挥重要的作用.兰州区域地质岩性、构造断裂、地震活动带、地表侵蚀强烈和 地形起伏破碎等因素造成了兰州滑坡与泥石流灾害的发育,夏季暴雨、人类工程活动等诱发下灾害频繁,风险加剧.针对兰州地区滑坡与泥石流等山地灾害对区域社 会经济的影响,通过建立区域滑坡与泥石流灾害的空间数据库,在GIS技术辅助下实现了专家经验模型和Logistic模型对滑坡与泥石流灾害危险性的预 测,其中滑坡Logistic模型准确性达到85.3%,专家经验模型准确性达到74.2%;泥石流Logistic危险性预模型准确性达到80.5%, 专家经验模型准确性达到90.5%.随着研究的深入,综合遥感、地理信息系统、全球定位系统和网络技术的灾害研究与应用将在灾害防治中发挥重要的作用.

[24]
胡桂胜,陈宁生,邓虎.基于GIS的西藏林芝地区泥石流易发与危险区分析[J].水土保持研究,2012(3):195-199.西藏林芝地区是我国泥石流灾害最为严重的地区之一，特别是近年来受全球气候变化的影响，冰川融化速度加快，冰川融水型泥石流灾害频频发生，危害严重。自 2011年6月中旬开始，对该地区泥石流做了系统调查，并以遥感与GIS作为数据获取与分析处理的技术手段。首先分析了地质、地貌、冰川活动、气候、地震 单因子对林芝地区泥石流易发区的影响并给出了相应的易发区区划结果；其次，以主导因素分析原则对单因子进行综合叠加得到该地区泥石流易发区分区结果；最 后，在易发区的基础上考虑区域内的威胁对象进行空间运算叠加得到该区域泥石流危险区，并针对性地提出了区域泥石流防灾减灾的建议。

[25]
张若琳,孟晖,连建发.基于GIS的中国泥石流易发性评价[J].成都理工大学学报,2013(4):379-386.探讨全国泥石流易发程度,为地质灾害防治规划、宏观层面国土空间布局等提供依据.以中国内地(未包含香港、澳门和台湾)为研究区,选取起伏度、地貌类型、 活动断裂距离、岩组(性)、年平均≥50 mm暴雨日数、土地利用程度等6个易发性评价因子,基于1 km×1km评价单元,采用概率比率模型,进行了易发性评价,形成了全国泥石流易发程度分区,并对结果进行了检验.评价结果表明:高易发区面积占7％,泥 石流数量占全部的52.50％;中易发区面积占的28％,泥石流数量占33.51％;低易发区面积占28％,泥石流数量占11.45％;不易发区占 37％,泥石流数量占2.55％.

DOI

[26]
曹建华,蒋忠诚,杨德生,等.贵州岩溶区水土流失,石漠化受岩溶环境制约[J].中国水土保持,2009(1):20-23.贵州省处于珠江流域、长江流域分水岭地带，其水土流失、石漠化受岩溶环境制约。珠江流域石灰 岩类岩石连片分布，出露面积占碳酸盐岩出露总面积的60．75％，白云岩类岩石占4．15％，岩溶地貌以峰丛洼地、谷地和岩溶峡谷为特征，其轻度水土流失 面积占水土流失总面积的61．35％，重度石漠化面积占总石漠化面积的22．01％；长江流域白云岩、石灰岩及碎屑岩呈北东向互层分布，其中白云岩类岩石 组合出露面积占31．17％，石灰岩类岩石组合出露面积占40．66％，岩溶地貌以岩溶槽谷、岩溶高原为特征，轻度水土流失面积占水土流失总面积的 44．17％，重度石漠化面积占总石漠化面积的11．78％。水土流失、石漠化演变的统计结果显示，水土流失与石漠化是同一生态退化过程中的不同阶段，石 漠化是土壤侵蚀长期作用的结果，土壤侵蚀是石漠化过程中某一阶段作用强度的体现，二者在成因上存在因果关系。

DOI

[27]
罗宁,许炳南,文继芬,等.贵州大气降水的时空分布规律研究[J].贵州气象,2006,30(4):3-7.用全省现有84个气象台站的雨 量资料,分析研究大气降水的时空分布规律,研究指出:贵州各地有着相对稳定而充沛的年降水资源,年降水量大多数县市为1 200mm左右,站平均年降雨量的相对变率为11.8%;各地降水量年内分配不均,夏半年(4-9月)多雨,约占全年雨量的3/4,冬半年(10-次年3 月)少雨,仅占1/4,夏半年各月雨量年际变化呈现不稳定性,导致春夏干旱的频繁发生;各地重大降水过程集中在汛期,暴雨以上(≥50mm)降水日数主要 出现在5-9月,约占全年的91%;对贵阳站长达84 a连续降水量序列的分析表明,其年、季雨量的年际和年代际波动较明显。最后结合贵州大气降水资源现状对开展人工增雨问题进行了讨论。

DOI

[28]
路洪海,冯绍国.贵州喀斯特地区石漠化成因分析[J]. 四川师范学院学报(自然科学版),2002,23(2):189-191.以贵州喀斯特地区为例 ,对石漠化的成因从自然因素和人为因素两方面进行了分析 ,并指出 :随着人类社会经济活动干扰的加剧 ,人为因素已成为诱发石漠化发生的关键因子

DOI

[29]
戴传固,王敏,陈建书,等.贵州构造运动特征及其地质意义[J].贵州地质, 2013,30(2):119-124.贵州发育有多期重要构造界面，武陵运动是南华狭窄洋盆萎缩、消亡，扬子古陆与华夏古陆的汇聚 碰撞形成华南陆块洋陆转换历程的具体体现，形成江南复合造山带之武陵期造山亚带；广西运动是南华裂谷海槽萎缩、消亡，扬子古陆与华夏古陆的再次汇聚碰撞形 成华南陆块洋陆转换历程的具体体现，形成江南复合造山带之加里东期造山亚带；燕山运动使贵州同时受东、西方向的共同影响，而把贵州置于其造山带前陆带位 置，东侧板内造山中心位置可能位于北海-萍乡-绍兴一带，是华南陆块板陆内造山作用的具体体现，形成江南造山带之燕山期板内造山亚带，而西侧可能造山中心 位置可能位于哀劳山（或越北）；喜马拉雅-新构造运动使贵州地貌上经历了早期东高西低、中期相对稳定而夷平、现今西高东低的演化历程。

DOI

[30]
曾凡伟,徐刚,李青.坡面泥石流发生的坡度阈值研究[J].地理科学,2005,25(2):244-247.对重庆市北碚区的21个坡面泥石流的实地调查表明,坡度对坡面泥石流发生具有重要的控制性作用。在对坡面泥石流流域大量原始坡度进行统计分析后发现,各坡面泥石流的坡度服从正态分布规律。根据这一分布规律,将本区坡面泥石流发生的坡度阀值确定为三类。文章从定量的角度阐述了坡度阀值与坡面泥石流发生的关系,为生态脆弱区的划分、工程建设、防灾减灾和政府决策提供服务。

[31]
罗林. 毕节地区植被对泥石流控制作用的关联度评价[J].农业系统科学与综合研究,1997,13(1):31-33.对毕节地区不同植被类型,结合地貌、降水等自然因素与泥石流的关联度进行分析,评价出灌木材是控制泥石流的最佳植被,其次是草和乔木林。并根据评价结果,提出本区防治泥石流的植物措施。

[32]
施雷雷,陈宁生,杨成林,等.娃娃沟流域泥石流活动与植被关系探讨[J].水土保持研究2008,15(3): 96-99.娃娃沟位于九龙县境内，属川西南高植被覆盖山区。2006年7月16日该流域暴发大规模泥石流灾害，此次泥石流容重高，粗大颗粒比重大，表现出黏性泥石流的特征。通过解译TM遥感影像发现流域内植被覆盖度高达80％，森林覆盖率超过50％，以针阔叶混交林和针叶林为主。分析发现该流域植被与泥石流活动间存在以下关系：流域植被对泥石流的抑制作用是有限的．当泥石流暴发时沟道两侧的部分植被也随失稳土体一起滑入沟道，成为泥石流固体物质的一部分；不同植被类型对泥石流活动控制作用有差异，该区以针阔叶混交林和针叶林为主的植被类型对泥石流活动的控制作用不强。

[33]
苏鹏程,倪长健,孔纪名,等.区域泥石流危险度评价的影响因子识别[J].水土保持通报,2009(1):128-132.区域泥石流危险度评价是环境保护和减灾的重要内容。针对泥石流危险度评价的多因素影响问题,通过全面收集有代表性的泥石流样本资料,应用免疫进化算法,建立了区域泥石流危险度评价的投影寻踪聚类模型。研究结果表明,该模型依据样本自身的数据特性寻求最优的投影方向,并通过投影方向计算反映评价样本综合特征信息的投影特征指标。该模型不但可以确定各评价指标的权重,避免权重人为的任意性,还能在区域泥石流不同危险度级别划分的基础上,以平均贡献率的大小揭示不同影响因子对评价结果的影响,从而可清楚地筛选出其中的关键影响因子。此研究从定量的角度进一步深化了对泥石流危险度评价影响因子的认识。

[34]
张红兵,金德山.影响云南省滑坡泥石流活动的几个自然因素[J].水文地质工程地质,2004(5):38-41.根据1989～2002年云南 省滑坡、泥石流调查资料,在单因素分析的基础上,确定地形、岩土体类型、降雨、地震、活动断裂、气候带和植被覆盖率共7个因素是云南省影响滑坡泥石流的主 要自然因素。通过R-型因子分析、逐步回归分析和灰色关联度分析,得出对滑坡影响程度由大到小的因子排序是:海拔和高差、地形坡度、地震、活动断裂、岩 组、降雨量;对泥石流影响程度由大到小的因子排序是:活动断裂、海拔和高差、岩组、降雨量、地震。

DOI

[35]
李景保,梁成军,蔡松柏.论土壤侵蚀对山地致灾因子链的复合效应——以湖南四水流域中上游地区为例[J].自然灾害学报,2002,11(4)101-105.土壤水力侵蚀兼重力侵蚀是本研 究区的主要土壤侵蚀类型。通过对水力、重力侵蚀以及它们交替、复合侵蚀过程的分析表明:(1)土壤水力、重力侵蚀的直接表现形式即面蚀、沟浊、滑坡、崩 塌、泥石流等侵蚀形态,对山区社会经济及资源环境具有不同程度的破坏能力,故称之为山地致灾因子;(2)水力侵蚀与重力侵蚀在时间上的交替混合,在空间上 的复合叠加,既增强了诸种致灾因子自身的致灾能力,又助长了致灾因子彼此间的诱发或转化作用,进而形成与发展了山地致灾因子链;(3)土壤侵蚀是一综合性 的山地致灾因子系列,各类致灾因子链对承灾体的连续性破坏,导致社会经济损失累积值增大。

DOI

[36]
朱渊,余斌,亓星,等.地形条件对泥石流发育的影响——以岷江流域上游为例[J].吉林大学学报,2014(1):268-277.为了预警泥石流的发生，需要判断泥石流的易发程度。在地质和降雨条件都大致相同的条件下，因地形条件的不同，导致一个区域的沟谷暴发泥石流的频率有着明显 不同，显然地形条件是控制泥石流发育的关键因素之一。以研究岷江流域上游典型沟谷为例，通过分析地形条件对泥石流发育的影响，选用岷江流域上游典型沟谷的 形成区流域面积 A0、形状系数 F0以及沟床纵比降 J03个重要参数进行研究，比较三者相互之间的关系特征而得到一个综合的地形因子 G。对比研究岷江流域典型区域以及甘肃舟曲、台湾陈有兰溪地区沟谷泥石流的暴发频率和G值，比较验证后得出：在地质和降雨条件都相近的情况下，沟谷G值越 大，则越利于暴发泥石流。因此，可运用地形因子G划分某区域内沟谷泥石流的易发等级。对于岷江流域典型区域的沟谷：G≥0．21极容易暴发泥石 流；0．14＜ G＜0．21较容易暴发泥石流；G≤0．14不容易暴发泥石流。由于地质条件和降雨情况的差异，不同地区泥石流易发等级所对应的G值也将不同。

DOI

[37]
田冰,王裕宜,洪勇.泥石流预报中前期降水量与始发日降水量的权重关系[J].水土保持通报,2008(2):71-75.利用云南省蒋家沟1995-1997年43场泥石流数据和降水资料，详细分析了泥石流暴发的前期降水与始发日降水的权重关系。研究发现，前期降水和始发日降水是泥石流启动的主要因素。依据它们之间不同的权重关系，将蒋家沟泥石流分为前期降水型、强降水型和特殊型3种形式。不同权重降水下的泥石流输沙与降水量之问均呈现出较好的相关性。从泥石流出现的规模和数量看，前期降水型泥石流是该地区的主要类型。

[38]
《工程地质手册》编委会.工程地质手册[M].北京:中国建筑工业出版社,1992.

[39]
Lin G F, Chen L H, Lai N.Assessment of risk due to debris flow events: a case study in central Taiwan[J]. Natural hazards, 2006, 39(1):1-14lt;a name="Abs1"></a>In this paper, based on the concepts of uncertainty and reliability analyses, a method used for assessment of risk due to debris flow events is proposed. First, procedures for obtaining the configuration of debris-flow fans are presented. Then, the parameters affecting the configuration of debris-flow fans are identified and their corresponding means and standard deviations are derived. Finally, the proposed method is applied to the Shih-Pa-Chung Creek in central Taiwan. The expected deposition thickness at any point in the deposition area is computed and then the contours of risk for the 50-year and 100-year events are constructed. Regarding the expected deposition thickness, it is found that the closer the distance from the canyon mouth, the larger the debris-flow thickness becomes. The results also show that the contours of risk are of the shape of an ellipse similar to the shape of deposition area, and the risk at a point decreases with increasing distance of that point from the canyon mouth. In addition, when the return period of rainfall event is fixed, the variation in risk decreases as the distance from the canyon mouth increases. For the assessment of risk due to debris flow events, the proposed method is recommended as an alternative to the existing methods, because the influence of all the uncertainty of the parameters is considered.

DOI

[40]
Broothaerts N, Kissi E, Poesen J, et al.Spatial patterns, causes and consequences of landslides in the Gilgel Gibe catchment, SW Ethiopia[J]. Catena, 2012,97:127-136.The Gilgel Gibe catchment in SW Ethiopia is one of the areas in East Africa affected by landslides. To better understand the patterns and the causal factors of these landslides, all landslides in a small study area (14&#xA0;km&sup2;) in the hilly parts of the Gilgel Gibe catchment were mapped and analyzed. In total, 60 landslides were mapped. These landslides caused a displacement of 1 million m&sup3; slope material, which correspond

DOI

[41]
薛薇主编. SPSS统计分析方法及应用[M].北京:电子工业出版社,2013:242-256.

[42]
朱良峰,吴信才,殷坤龙,等.基于信息量模型的中国滑坡灾害风险区划研究[J].地球科学与环境学报,2004,26(3):52-56.基于信息论发展起来的信息量模型是进行区域滑坡灾害风险评估的一种有效方法。GIS技术为滑坡灾害在不同模型条件下的风险评估提供了有效地技术支持。经过研究，开发出了基于MapGIS软件平台的滑坡灾害风险分析系统。在该系统支持下．采用信息量模型对中国范围内的滑坡灾害进行危险性分析。进而进行区域社会经济易损性分析。并在此基础上进行最终的滑坡灾害风险评估。

DOI

[43]
高克昌,崔鹏,赵纯勇.基于地理信息系统和信息量模型的滑坡危险性评价——以重庆万州为例[J].岩石力学与工程学报,2006,25(5):991-996.lt;FONT face=Verdana>针对滑坡危险性评价，以重庆万州滑坡地质灾害为例，采用地理信息系统技术，选取高程、地层岩性、坡向、坡度、距离河流的远近、距离道路的远近、建筑物分布和到遂宁组和沙溪庙组地层的距离等8个指标作为评价因子，利用信息量模型对万州研究区的滑坡地质灾害进行危险性评价。评价结果表明，地理信息系统和信息量模型能够很好地为滑坡灾害的危险性研究服务，可用来解决过去地质灾害危险性评价中效率低、精度差、费时、费力等问题，从而实现滑坡地质灾害的信息化和科学化。<BR></FONT>

Options
Outlines

/

〈 〉