蘆山地震震后次生滑坡災害風險評價研究1

劉 睿 蘇 偉 張曉東 田麗燕 張群燕

（中國農業大學信息與電氣工程學院，北京 100083）

引言

北京時間2013年4月20日8時02分四川省雅安市蘆山縣（北緯30.3°，東經103.0°）發生了7.0級地震，震源深度13km。據中國地震局網站統計資料，震中蘆山縣龍門鄉99%以上房屋垮塌，截至2013年4月24日上午10時，共發生余震4045次，其中3級以上余震103次，最大余震5.7級。此次地震受災人口152萬，受災面積12500km2。四川省蘆山“4·20”7.0級強烈地震觸發了多處山體崩塌、滑坡，造成慘重的人員傷亡和巨大的財產損失，地震災區山地災害活動異常活躍，發生次生災害的危險性非常大。地震次生災害一般是指強烈地震后，以震動的破壞后果為導因而引起的一系列其它類型的災害（譚德寶等，2008），包括崩塌、滑坡、塌陷、地裂縫和砂土液化等，是地震災害的重要組成部分（杜軍等，2009）。中國是一個地震多發國家，每年由于地震災害而造成的損失巨大，其中地震滑坡是一種常見的地震次生災害形式，它會對人類的生命財產和社會經濟活動造成巨大損失，因此人們非常重視對地震次生災害的研究。目前，對于地震次生滑坡災害的研究，許多學者采用光學遙感數據、激光雷達數據以及SAR數據等多源遙感數據，針對不同地區，開展了包括地震次生災害發生范圍、強度等影響因子的分析，并提出了地震次生災害敏感性分析的有效方法（唐川等，2002；李忠生，2003；李為樂等，2008；趙祥等，2009；李秀珍等，2009；祁生文等，2009；張建強等，2009；Daisaku等，2009）。

對于地質災害的危險性分析，目前廣泛應用的模型有：信息量模型、多元統計分析模型、模糊綜合評判模型、人工神經網絡遺傳算法模型等，實現方法是將地理信息系統（Geographic Information System，GIS）技術與相關模型結合起來進行區域地質災害危險性分析（夏毓超，2010）。對于地質災害的危險性區劃評價的研究（謝全敏等，2007；王萌等，2009；Mandy等，2001），由于各種地質因素本身的不確定性，以及地質因素之間相互作用的復雜性，往往需要以大量地質環境資料為基礎，充分利用GIS強大的空間化功能，選取合適的評價預測指標，并運用數學分析模型劃分地質災害危險性等級，從而為地質災害的預警決策和管理防治提供依據。本文在基于蘆山地震受災區航空影像解譯滑坡災害隱患點的基礎上，綜合運用GIS技術和層次分析法預測地震引起的次生滑坡災害的危險性，探討蘆山地震的次生滑坡災害風險性評價方法。

1 研究區及數據源

1.1 研究區概況（圖1）

蘆山縣位于四川盆地西緣，雅安地區東北部，青衣江上游。北與汶川縣連界，東北與崇州市、大邑縣、邛崍市毗鄰。地跨東經 102°52'至 103°11'，北緯 30°01'至 30°49'，縣境南北長86.6km（飛仙關至斷頭巖）；東西寬：北部為24.4km（蘆、崇、大三縣（市）交界點至二十四凼），中部為19.42km（蘆、大、邛三縣（市）交界點至大甕頂），南部為17.2km（蘆、邛、雅三縣（市）交界點至六臺山）；幅員面積1364.42km2；縣城距雅安31km，距成都 156km。蘆山縣位于龍門山前緣構造帶南段，龍門山斷裂帶位于青藏高原東緣。龍門山斷裂帶上地震多發，2008年的汶川特大地震就在距離蘆山縣北部大川鎮僅69km處發生。2013年04月20日08時02分在四川省雅安市蘆山縣（北緯30.3°，東經103.0°）發生7.0級地震，震源深度13km。

圖1 研究區（蘆山縣龍門鄉、寶盛鄉、太平鎮部分地區）（R（Band 3）G（Band 2）B（Band 1））Fig. 1 Location of the study area （R（Band 3）G（Band 2）B（Band 1））

1.2 數據源及數據預處理

本研究使用的數據源有無人機航拍影像、空間分辨率為30m的蘆山縣DEM、降雨量數據、蘆山縣行政區劃圖等。航空影像拍攝于2013年4月20日下午17時，范圍包括蘆山縣核心災區龍門鄉、寶盛鄉、太平鎮部分地區，以具有地理參考的DEM為參考，對航空影像進行幾何精校正。降雨量數據從天氣歷史氣象網站上下載獲得，下載地址為：

http://www.wunderground.com/history/station/56287/2013/4/23/DailyHistory.html?req_city=

NA&req_state=NA&req_statename=NA

下載后的氣象數據為點位數據，利用Kriging插值方法進行空間插值處理擴展到面上。

2 滑坡遙感解譯

滑坡是最為常見的一種地質災害，由于主要受重力影響，地貌特征明顯，可以通過遙感影像解譯。滑坡的遙感解譯主要是依據形態、色調、紋理特征來判定。在形態上，發生滑坡的區域在遙感影像上主要呈簸箕形、馬蹄形、弧形或不規則形狀；震后，在地震力的作用下，滑坡以長條形或不規則形狀為主。在色調上，震后新形成的滑坡大多以松散堆積物質組成，表面波譜反射能力較強，在影像上以淺色調為主，與周圍穩定地形有明顯的區別，加之坡體破碎，紋理粗糙。根據這些解譯特征，參考地震前視寶衛星影像對滑坡災害點進行了詳細的解譯，研究區內共解譯滑坡97處，圖2分別是解譯得到的廬山地震次生滑坡災害面狀解譯結果和點狀解譯結果圖。通過遙感解譯，蘆山地震次生滑坡災害主要發生在震中的北部和西北部山區等坡位較高的地方，這與汶川地震次生滑坡災害發生的地質條件相似，在今后開展的地震次生滑坡災害實地調查中將會得到驗證。

圖2 蘆山地震次生滑坡災害目視解譯結果Fig. 2 Results of the earthquake landslides disaster by visual interpretation

3 評價因子指標選取與敏感性分析

3.1 評價因子指標選取

影響地震次生災害發生的因素（即災害致災因子）眾多（夏毓超，2010），其中包括地形地貌、地層巖性、地質構造等影響地質災害形成的基本地質環境因素，還包括降雨、地震、河流沖刷作用和人類工程活動等的影響，以及誘發地質災害演化和發生的外在因素。綜合國內外研究者所采用的地震次生災害評價因子，本文確定的地震次生滑坡災害風險的基本因素評價因子包括：地形地貌因子（坡度、坡向）、環境因子（危險植被指數）和氣象因子（震后累積降雨量）。

3.1.1 地形地貌因子

地面坡度對滑坡發育有著重要的影響，總的來說，坡度越大越容易引發滑坡、崩塌等地質災害。坡向主要反映光照情況，是山坡平面法線在水平面上投影的方向，不同的光照條件可能導致不同的山坡風化程度。一般而言，陽坡植被茂密、冰雪易于融化，巖石的風化速度也快于陰坡，且降水量較多，陽坡上的地質災害發生的可能性大于陰坡。另外，氣流在迎風坡上升的過程中降溫降水，而背風坡在下降過程中增溫不易于水汽凝結，也導致迎風坡地質災害發生的可能性大于背風坡。本文采用空間分辨率為30m的DEM數字高程模型數據，并用ARCGIS軟件對DEM進行空間運算，計算出研究區每個像素的坡度、坡向，如圖3所示。

圖3 蘆山地震次生滑坡災害地形地貌因子分析結果Fig. 3 Results of the earthquake landslides disaster by using slope factor

3.1.2 氣象因子

降雨量是地震次生滑坡災害的氣象激發因子，當足夠的雨水滲入巖土體空隙中，巖土體自重及孔隙水壓力均增加，隨著雨水的持續滲入，土體達到飽和狀態，土石體原本穩定的結構遭受破壞，阻抗力變小，使得松散固體物質變得越來越不穩定，就容易發生滑坡等災害。在特定的地區，孕育滑坡的客觀環境條件一定的情況下，在一定時間內降雨量超過某一臨界閾值，就會發生滑坡。所以本文選取2013年4月20日至4月26日的雅安及周邊9個氣象站（九龍、漢源、峨眉山、康定、乾寧、成都、都江堰、綿陽、宜賓）的氣象數據，根據各站點的降雨量，利用克里金（Kringing）插值方法，得到蘆山縣太平鎮、寶盛鄉和龍門鄉2013年4月20日至4月26日累積降雨量數據。

3.1.3 環境因子

當一個位置發生滑坡現象之后，植被覆蓋度降低，植被指數降低，根據滑坡前后植被指數的變化可以分析判斷一個位置是否發生滑坡現象。因此，本文利用蘆山縣寶盛鄉、龍門鄉、太平鎮共3個鄉（鎮）地震前后的航空遙感影像，通過計算震前、震后的植被指數，進而構建危險植被指數，作為地震次生滑坡災害的環境因子，結果如圖4所示。

收集到的地震前后的遙感影像有震前視寶衛星影像和震后航空影像，但由于航空影像只有紅光、綠光、藍光三個波段，所以我們構建了可見光抗大氣指數（Visible Atmospherically Resistant Index，VARI）來計算植被指數。可見光抗大氣指數不僅可以提高對土壤背景的鑒別能力，消除地形和群落結構的陰影影響，還極大地削弱了大氣對于植被覆蓋度檢測的干擾，擴展了其靈敏度。可見光抗大氣指數的計算公式為：

圖4 蘆山地震次生滑坡災害環境因子分析結果Fig. 4 Results of the earthquake landslides disaster by using environmental factor

式中，G為綠波段；R為紅波段；B為藍波段。

根據地震前后植被指數變化計算危險植被指數（Vegetation Damage Index，VDI）的計算公式為：

式中，VARIpre指震前植被指數；VARIpost指震后植被指數。

VDI越高，說明此區域越危險，越容易發生滑坡現象。

3.2 敏感性分析

敏感性分析采用統計學方法，并充分利用 GIS的分析功能（高克昌等，2006），對解譯出來的滑坡災害點與坡度、坡向、震后累積降雨量和危險植被指數4個指標因子的屬性進行定量計算。具體方法為：①數據預處理。利用克里金插值法對2013年4月20日至4月26日的累積降水量進行空間插值；②針對每個因子圖層，進行屬性劃分，分級的方法包括分位數分級法、標準差分級法、自定義分級法等；③敏感性分析，利用GIS的空間分析功能統計出各等級滑坡隱患點的個數，具體計算公式為：

式中，Fn為某指標因子的屬性n在每100km2內隱患點密度，即滑坡隱患點出現對屬性n的敏感性；Nn為指標因子中屬性n所包含的隱患點個數；Sn為屬性n的面積。

在對各個指標進行敏感性計算之后，需要對各指標進行歸一化處理。根據得到的敏感性的值將各指標因子劃分為四級，比如，將敏感性最高的1至2個屬性類賦值為4，敏感性較高的1至2個屬性類賦值為3，敏感性較低的1至2個屬性類賦值為2，敏感性最低的屬性類賦值為1。對每個指標而言，指標中值越高的屬性類，對地震次生滑坡災害的影響程度越大，它所在區域發生地震次生滑坡災害的危險性也就越高。

3.3 敏感性分析結果

坡度以1×1網格為分析單元，將坡度劃分為<89.9899m、89.9899m—89.9950m、89.9950m—89.9980m、89.9980m—89.9996m共4個等級，敏感性從1到4逐漸增加，分析結果如表1所示；坡向屬性以正北方向順時針旋轉，對8個方向進行敏感性分析，分析結果如表2所示，結果表明，北、東北和東方向地震次生滑坡敏感性最高；其次為南、西南和西方向；東南和西北方向敏感性較低。

表1 坡度敏感性分析結果Table 1 Sensitivity analysis of slope factor

表2 坡向敏感性分析結果Table 2 Sensitivity analysis of slope orientation factor

研究區VDI值分為九級，經分析后得到敏感性從4到1依次遞減，如表3所示。危險植被指數越高，發生滑坡災害的可能性越大，統計得到危險植被指數在-0.19到1時，地震次生滑坡敏感性較高，危險植被指數小于-0.41時，地震次生滑坡敏感性較低。

表3 危險植被指數敏感性分析結果Table 3 Sensitivity analysis of the VDI factor

續表

研究區內2013年4月20日至4月26日的累積降雨量也分為九級，其敏感性分析結果如表4所示。

表4 年均降雨量敏感性分析結果Table 4 Sensitivity analysis of rainfall factor

4 地震次生滑坡災害危險性評價

AHP（Analytic Hierarchy Process）層次分析方法，是20世紀70年代由美國運籌學家Saaty提出的，主要是對一些較為復雜、較為模糊的問題作出決策的多準則決策方法，可用于存在不確定情況及多種評價標準的決策問題，它基于對問題的全面考慮，將定性與定量分析相結合、將決策者的經驗予以量化，是一種層次權重決策分析方法（樊曉－，2004；Liang，2009）。本文采用AHP方法對諸多影響因素進行綜合分析，根據對影響次生滑坡災害評價因子的分析，對各因素的重要性進行兩兩比較，采用 1—9標度法使各因子相對重要性定量化，得出權重值。

4.1 構造判斷矩陣

根據層次分析法的基本原理，建立判斷矩陣，并將各個指標之間的相對重要程度表示出來，判斷矩陣標度（重要性指標）及其含義如表5所示。在研究中主要通過查閱文獻和向專家咨詢的方式，進行指標因子之間的相互重要性打分，并根據層次分析法原理構建判斷矩陣，如表6所示。

表5 判斷矩陣標度（重要性指標）及其含義Table 5 The judgment matrix and its concept

表6 指標判斷矩陣和權重Table 6 The Factor judgment matrix and weights

計算特征向量并歸一化處理，得到權重數W及最大特征根為：

依據以上計算得到的特征向量，對判斷矩陣進行一致性檢驗，公式如下：

式中，CI為判斷矩陣一致性指標；RI由大量的實驗給出，為判斷矩陣的平均隨機一致性指標。

根據層次分析法的規定：若 CR<0.1，則認為判斷矩陣具有令人滿意的一致性，否則就需要調整判斷矩陣，直到滿意為止。由上述計算結果可知，本次構造的判斷矩陣一致性較好。

4.2 地震次生滑坡災害危險性評價

利用ARCGIS的空間分析功能，采用柵格加權疊加，對4個影響次生滑坡災害發生的因子進行統計分析，得出各柵格單位的地震次生滑坡災害危險度值，并將所有柵格單元分為高危險區、中危險區和低危險區三類，如圖3所示。

根據蘆山地震次生滑坡災害危險性評價圖，高危險區主要分布在坡度較高的山區，該區域斷裂構造發達，巖石破碎，且近年來水土破壞嚴重，植被覆蓋低，危險植被指數高，震后累計降雨量也相對較高，各項評價指標危險性都高，因此綜合的發生地震次生滑坡災害危險性也很高；危險程度較低的地區區域地質構造簡單，斷裂帶密度低，且危險植被指數低。

圖5 蘆山地震次生滑坡災害風險評價結果Fig. 5 The estimation result of the earthquake secondary landslides disaster

5 結論和分析

（1）本研究在對蘆山地震次生滑坡災害危險性評價的因子選取中引入了危險植被指數、震后累積降雨量、坡度、坡向4個因子，針對不同因子在敏感性計算結果的取值范圍上的差異，采取了敏感性歸一化的方法進行量化，得到各指標的敏感區間。選取危險植被指數、震后累積降雨量2個因子作為評價因子是本研究的創新之一。由于震后數據是航空影像，只有紅、綠、藍三個波段，所以本研究基于可見光抗大氣指數VARI植被指數計算危險植被指數，對于研究區的植被覆蓋情況有效地進行了表達。

（2）應用AHP層次分析法對地震滑坡危險等級進行劃分是地震滑坡問題研究中的嘗試，層次分析法從理論基礎角度來講，是一種較好的確定影響滑坡指標因子權重的方法，并且在一定程度上克服了模糊綜合判斷多因子和多指標問題，減小了主觀因素的影響，也能解決概念外延不明確的問題。

（3）充分利用ARCGIS的空間分析功能，采用柵格加權疊加，通過統計分析，對于蘆山地震次生滑坡災害進行了風險性評價，得到了高危險區、中危險區、低危險區三級危險區，這為災后重建方案的制定提供了理論基礎。

杜軍，楊青華，2009. 基于GID和AHP耦合的汶川震后次生地質災害風險評估. 中國水土保持，（11）：14—16.

樊曉一，喬建平，陳永波等，2004. 層次分析法在典型滑坡危險度評價中的應用. 自然災害學報，13（1）：72—76.

高克昌，崔鵬，趙純勇等，2006. 基于地理信息系統和信息量模型的滑坡危險性評價——以重慶萬州為例. 巖石力學與工程學報，25（5）：991—993.

李為樂，唐川，楊武年等，2008. RS和GIS技術在縣級區域泥石流危險區劃中的應用研究——以四川省瀘定縣為例. 災害學，23（2）：71—76.

李秀珍，孔紀名，鄧紅艷等，2009. “5·12”汶川地震滑坡特征及失穩破壞模式分析. 四川大學學報（工程科學版），41（3）：72—77.

李忠生，2003. 國內外地震滑坡災害研究綜述. 災害學，18（4）：64—70.

祈生文，許強，劉春玲等，2009. 汶川地震極其重災區地質背景及次生斜坡災害空間發育. 工程地質學報，17（1）：39—49.

唐川，朱大奎，2002. 基于GIS 技術的泥石流風險評價研究. 地理科學，22（3）：300—304.

譚德寶，申邵洪，陳蓓青，2008. 空間信息技術在地震次生災害防治中的應用. 人民長江，39（22）：99—102.

王萌，喬建平，2009. 基于GIS的沐川縣滑坡危險度區劃. 自然災害學報，18（1）：174—179.

夏毓超，2010. 地震次生滑坡危險性分析. 成都：西南交通大學.

謝全敏，李道明，翟鵬程，2007. 滑坡次生災害損失評價方法研究. 巖土力學，28（5）：961—970.

趙祥，李長春，蘇娜等，2009. 滑坡泥石流的多源遙感提取方法. 自然災害學報，18（6）：29—32.

張建強，范建容，嚴冬等，2009. 地震誘發崩塌滑坡敏感性評價——以北川縣為例. 四川大學學報（工程科學版），141（32）：140—145.

張友誼，胡卸文，朱海勇等，2007. 滑坡與降雨關系研究展望. 自然災害學報，16（1）：104—108.

Daisaku Kawabata, Joel Bandibas, 2009. Landslide susceptibility mapping using geological data, a DEM from ASTER image and an artificial Neural Network (ANN). Geomorphology, 113: 97—109.

Liang S.Y., Wang Y., Zhou Z.Q., Yang Y.T., 2009. Geological hazard assessment of small towns based on EAHP.See: Internatinal Conference on Management and Service Science, MASS 2009. IEEE C.S., N.J., United States,ISBN 978-1-4244-4639-1.

Mandy Lineback Gritzner, Andrew Marcus W., Richard Aspinall et al., 2001. Assessing landslide potential using GIS, soil wetness modeling and topographic attributes, Payette River, Idaho. Geomorphology, 37 (1-2): 149－165.