基于GIS的巖溶地區滑坡敏感性評價——以貴州織金縣為例

李　松，陳起偉，萬紅燕，李　戀

(1.貴州師范學院 資源環境與災害研究所，貴州 貴陽 550018；2.中國科學院 遙感與數字地球研究所，北京 100101)

?

基于GIS的巖溶地區滑坡敏感性評價——以貴州織金縣為例

李松1,2，陳起偉1，萬紅燕1，李戀1

(1.貴州師范學院 資源環境與災害研究所，貴州 貴陽 550018；2.中國科學院 遙感與數字地球研究所，北京 100101)

摘要:滑坡是喀斯特山區主要的災害類型。以貴州省織金縣為研究區，結合遙感科學和地理信息系統，綜合滑坡編目數據，分析織金縣的滑坡發生機制，并基于信息論的滑坡信息量模型分析方法，選取主要滑坡因子，包括坡度、坡向、相對高差、地形濕度指數、土地利用/土地覆蓋變化(LUCC)、地質地層和公路，在此基礎上建立區域滑坡空間預測的信息量模型，利用GIS對單因子滑坡信息量進行計算，再求得各因子的綜合信息量并進行風險分級。結果表明，織金縣相對穩定區為2 779.0 km2，高風險區共有42處，中風險區共有36處，低風險區共有67處。滑坡與地形的相對高差明顯相關，植被也是滑坡穩定性的重要影響因素，研究結果對區域的發展和規劃都具有較好的參考意義。

關鍵詞:滑坡；敏感性；信息量模型；地理信息系統；喀斯特地區

滑坡是巖土體在重力作用下沿軟弱面(或帶)整體地向下滑動的現象[1]和過程。由于人口的劇烈膨脹和活動強度的驟增，以及人類破壞的加劇，全球范圍內的滑坡數量將呈現增長的趨勢[2]。滑坡災害與地震、火山并稱為當今三大地質災害，而滑坡是數量最多、規模最大、危害最嚴重的地質災害[3]，另有研究表明，滑坡、崩塌和洪水災害占世界自然災害的42%[4]。由于滑坡災害的復雜性，使得對它的研究存在很大的不確定性，對滑坡災害預測研究的重要性也沒有引起足夠的重視[5]。因此，通過科學研究探索滑坡預測，以及滑坡易發區風險評價的方法與理論，可以有效地減少宏觀滑坡損失。滑坡災害是山區主要的災害類型[6]，而喀斯特地區又是滑坡的易發區域。相對其他喀斯特地區而言，貴州的滑坡災害研究比較薄弱。滑坡影響因素是滑坡空間預測研究的重要問題，滑坡影響因素由于滑坡區域、類型與研究者的差異而千差萬別[7-12]。本文以貴州典型喀斯特地區——織金縣為例，選取相對高差，加上坡向、坡度、坡型、地形濕度指數(TWI)和土地利用/土地覆蓋變化(LUCC)等滑坡因子，并考慮公路的影響，研究基于GIS和遙感的滑坡信息量模型在滑坡空間預測中的應用，希望對巖溶山區滑坡防治，對區域可持續發展，都具有積極的參考價值。

1研究方法

1.1　研究區概況

織金縣位于貴州省中西部，105°20′14″~106°10′19″ E，26°21′47″~26°57′24″ N之間，土地總面積 2 868 km2。全縣轄7個街道辦事處，9個鎮，17個鄉，2013年人均GDP為13 711.9元，戶籍人口數115.26萬人，農村貧困發生率32.0%。全縣地勢西高東低，相對高差1 403 m。東部為丘原、河谷地帶，總面積1 710 km2，區內喀斯特地貌發育，溝深坡陡，峰叢、槽谷、洼地相間分布；西為黔西高原地帶，區內深溝，峽谷，槽谷交錯。新構造運動強烈，早期構造運動以產生褶皺、斷裂為主，白堊世末，燕山運動導致晚白堊世以前的地層產生褶皺，并產生眾多的斷層。全縣有第四系、侏羅系、三迭系、二迭系、奧陶系、寒武系、震旦系地層出露，其中二迭系和三迭系出露面積較廣。織金屬亞熱帶季風性濕潤氣候，雨量充沛、雨熱同季，全年陰雨天多達250 d，多年平均降水量1 200~ 1 500 mm，大雨暴雨強度大而集中。2011年森林覆蓋率42.7%。全縣無煙煤儲量大、煤層多、質地好，用途廣泛，是貴州大煤田織-納煤田的主體部分。

1.2　數據源和研究方法

本研究區的基礎地理數據源包括1:50 000數字地形圖及其生成的數字高程模型，遙感數據源如下：覆蓋全區的ALOS先進可見光與近紅外輻射計2型(AVNIR-2)影像、北京1號和ETM+，用于滑坡發育環境的分析，以及滑坡因子LUCC的提取。滑坡解譯以北京1號為主配合ALOS遙感數據進行。采用1:50 000數字地形圖(等高距20 m，1980年航攝)和1:50 000DEM作為基礎控制數據，數學基礎統一采用北京54坐標系，投影方式為高斯-克里格投影6度分帶的18度帶，1956年黃海高程系正常高。

晏同珍[13]將滑坡預測理論概括為三類：確定性、統計分析和信息量模型，本質上前兩者屬于白箱和黑箱模型，而信息量模型則介于白箱和黑箱之間。本文利用信息量模型進行滑坡空間預測，其公式如下：

(1)

P(y,x1,…,xn)、P(y)是統計概率術語，對于各種滑坡因素x1，…，xn表征出的信息量，當P(y, x1,…,xn)>P(y)時，信息量I(y, x1,…,xn)>0，滑坡發生風險概率較高；反之I(y, x1,…,xn)<0，滑坡發生的風險概率偏低。根據地質、地形、水文和LUCC等條件劃分地理單元格。將研究區劃分為N個模型單元后，如果已經發生滑坡的單位為N0個，其中具有相同屬性的x1，x2，…，xn組合的單元共M個，其中有滑坡災害的單元數為M0個。

(2)

一般情況下，滑坡是區域多要素綜合作用的結果，綜合而言，則上式變為：

(3)

通過篩選，確定相對高差、坡向、坡型、LUCC、地質、TWI和公路等7個關鍵滑坡因子，確定模型中有7個因子，進行滑坡信息量計算。

2結果與分析

以地形圖為基礎對其他基礎數據進行相對幾何校正，在1:200 000地質圖矢量化基礎上，結合1:50 000地形圖和數字高程模型(DEM，30m)，采用30 m×30 m方格進行網格化。以DEM為基礎提取相對高差、坡向、坡型和TWI。其中相對高差利用ArcGIS的水文分析模塊，經過洼地fill、flowdirection、watershed等分析后，再利用Zonal statistics計算每個單元的最高和最低海拔差得到，并以100、150、200、250、300、350m為臨界值，將相對高差劃分為7個區間，分別賦以1到7的代碼。坡向利用aspect提取，分為平坦、北、東北、東、東南、南、西南、西、西北9個坡向，并分別賦以1到9的代碼，便于后續處理。坡型通過Curvature提取，提取結果分為2類：曲率大于0為直型坡或凸型坡，小于0為凹型坡。TWI[14]主要基于ArcGIS的3D分析模塊和空間分析模塊計算，由于過程復雜，這里不做詳細介紹，提取結果在2.26~58.86之間，以3、4、5、6、7為臨界值，劃分為6個區間，分別賦值為1到6。LUCC參考土地利用現狀分類(GB/T 21010-2007)標準，利用支持向量機方法，結合監督分類和目視解譯方法進行提取，各類土地利用類型直接利用其代碼進行賦值。在經過幾何精校正的高分辨率遙感影像上提取織金縣公路信息，結合專題資料和野外調查，提取織金縣鄉村硬化公路3 769.2 km，二級公路5.7 km，三級公路238.0 km，四級公路469.0 km，依據現場調查分析大致確定各級公路對斜坡的影響范圍區，得到不同的緩沖區：普通鄉村硬化路做20 m，四級公路30 m，三級公路40 m，二級公路50 m。高速公路因為剛建成通車，鐵路通車時間也晚于滑坡災害點發生時間，故不做考慮。公路緩沖區合并后的總面積為192.72 km2，發生在緩沖區以內的滑坡共28個，占總數的19.2%，滑坡信息量是1.51。圖1是織金縣公路緩沖區圖。

圖1　織金縣公路緩沖區圖

利用處理好的基礎圖件，基于ArcGIS的空間分析功能，利用遙感目視解譯和野外調查獲取的146個滑坡災害點，通過式(2)計算各滑坡因子層的單因子信息量，計算結果如表1所示，LUCC和地質因子只列出信息量計算分級部分。利用式(3)，進一步對各單因子信息量進行綜合，得到研究區滑坡信息量綜合結果，如圖2所示。計算結果是，研究區滑坡信息量為-7.22~70.41，平均值1.11，90%以上集中在-2.5~2.5區間內(圖3)，標準差為4.70。結合自然斷點法和滑坡的群發性原理，將滑坡信息量劃分為4個區間，分別為高風險區(40,70.41]，中風險區(26，40]，低風險區(8，26]，一般區域(-7.22，8]。其中高風險區5.0 km2，共有潛在滑坡群42處；中風險區13.5 km2，共有滑坡群36處；低風險區70.6 km2，共有潛在滑坡群67處；一般區域即為相對穩定區，共2779.0 km2。

滑坡單因素信息量顯示，對于LUCC而言，中覆蓋草地和灌木林地信息量分別為0.6和0.5，是滑坡風險比較高，滑坡密度比較大的區域，而有林地是最穩定的區域。而城鎮用地是滑坡風險最高的區域，信息量高達6.7，體現出植被對滑坡穩定性的重要性，也表現了強烈人類活動對滑坡顯著的誘發作用。TWI值越高，該區域具有更大的飽和帶發展潛力，土壤越容易達到飽和狀態而形成軟弱帶，滑坡風險越高[14]。對于織金縣，TWI>7的區域滑坡信息量為0.5，是滑坡風險最高的區域。地質方面，織金縣龍潭組、大隆組并層和嘉陵江組面積廣，滑坡數量大，信息量高達0.3。除此之外，祥擺組、舊司組 、上司組、大埔組并層是滑坡信息量最高的地層，達到1.6。坡向方面，平坦地形和東南坡向區域是滑坡信息量最高的區域，分別達到1.3和0.7，而東、東北坡向是滑坡信息量最低的區域。直型坡和凸型坡滑坡風險明顯偏高，信息量高達0.9。地形的相對高差與滑坡風險有明顯的相關關系，250~300 m、300~350 m、大于350 m的相對高差區域，滑坡信息量分別為0.5、1.4和2.2，相對高差小于100 m的區域信息量僅為-1.7。以滑坡信息量為縱坐標，相對高差為橫坐標，分析滑坡風險與相對高差的關系，如圖4所示，擬合優度達0.86。相對高差越大的區域，滑坡信息量越大，滑坡風險也越高。公路影響區域內的滑坡信息量是1.51，而影響區域以外的信息量是-0.21，公路對滑坡有顯著的影響。

表1　關鍵滑坡因子信息量計算結果

圖2　基于信息量模型的織金縣滑坡空間預測結果

圖3　研究區滑坡信息量空間分布趨勢圖

圖4　滑坡信息量與相對高差的關系對比

通過實測數據對比分析，滑坡空間預測效果較為理想，能夠對區域的發展提供積極的科學指導。結合GPS和單反相機，進行滑坡野外驗證。包括原普翁鄉中學校園附近的滑坡圖5a和白巖腳村白家灣組滑坡，其中普翁鄉中學滑坡由于學校領導干涉，沒有留下更詳細的信息。三甲綺結河郭家寨組滑坡地形破壞殆盡，但滑坡體造成房屋及地基的損害還能辨識，如圖5b所示。城關鎮坪寨村陸坪寨組崩塌在野外調查時點是新滑坡(廣義)，圖6a所示是離崩塌體200 m遠的公路路面，其他3幅圖是崩塌造成的碎石堆積景觀。三甲裕民村花石頭組的煤炭開采區，在圖2中的位置是三甲和納雍交界處，經調查，自從煤炭大規模開采以后，該區域房屋受損嚴重，54戶民房遭到不同程度的損傷，加上附近有斷裂經過，該區域的滑坡風險較高，在聚志煤礦礦井附近有顯著的蠕滑發生。

圖5　三甲綺結河郭家寨組滑坡體損壞的房屋(105.831N，26.764E)

圖6　城關鎮坪寨村陸坪寨組崩塌(105.696°N，26.670°E)

根據圖2，雙堰街道辦事處各類滑坡風險區占其總面積的31.5%，其中30%以上是低風險區，化起鎮和黑土鄉各類風險區分別占10.4%和10.2%，其中化起鎮99%以上是低風險區，而黑土鄉中、高風險區占1.2%。板橋鄉和實興鄉的各類滑坡風險區分別占9.5%和9.0%，而中、高風險區分別為0.1%和7.7%。大平鄉各類滑坡風險區占5.6%，中、高風險區占3.9%。馬場鄉滑坡風險區占4.5%，中、高風險區占3.5%。而三甲街道辦事處、桂果、貓場滑坡風險區分別為3.9%、3.4%、3.4%。中、高滑坡風險區從高到低的鄉鎮依次是實興鄉、大平鄉、馬場鄉、黑土鄉、雙堰辦事處、貓場鎮、桂果鎮、自強鄉、茶店鄉，分別是7.7%、3.9%、3.5%、1.2%、1.0%、0.7%、0.6%、0.6%、0.5%。

3結語

本文以貴州省織金縣為研究區，利用遙感和GIS方法，基于信息量的滑坡預測方法，進行研究區滑坡災害空間預測。目前的滑坡預測研究，絕大部分都直接選取海拔作為滑坡因子，但實際上，滑坡作為一種重力災害，主要受相對高度的影響，因此本文選取相對高差，加上坡向、坡度、坡型、TWI、LUCC和公路滑坡因子，綜合利用遙感的計算機分類和目視解譯方法，提取LUCC信息，并基于GIS對DEM數據提取其他滑坡因子。并利用GIS的空間分析功能，在計算單因子滑坡信息量基礎上，通過各單因子層信息量求和，得到綜合信息量，并結合滑坡群發性特征和自然斷點法，將滑坡信息量分為4個區間，分別對應高風險區、中風險區、低風險區和一般區域，其中高風險區共5.0 km2，共有潛在滑坡群42處；中風險區13.4 km2，共有36處；低風險區70.3 km2，共有67處；一般區域即為相對穩定區，共2 779.0 km2。滑坡空間預測結果對區域的發展具有一定的指導意義。

參考文獻：

[1]左大康.現代地理學辭典[M].北京：商務印書館，1990：224.

[2]Keefer D K, Larsen M. Assessing landslide hazards[J]. SCIENCE,2007,316:1136-1138.

[3]陳自生.論滑坡學[J].山地研究，1996，14(2)：96-102.

[4]Graciela Metternicht, Lorenz Hurni, Radu Gogu. Remote sensing of landslides: An analysis of the potential contribution to geo-spatial systems for hazard assessment in mountainous environments[J]. Remote Sensing of Environment,2005,98(2/3):284-303.

[5]殷坤龍，朱良峰.滑坡災害空間區劃及GIS應用研究[J].地學前緣，2001，8(2)：279-284.

[6]B?lteanu Dan, ChendeViorel, Sima Mihaela.,et al. A country-wide spatial assessment of landslide susceptibility in Romania[J]. Geomorphology, 2010, 124 (3/4):102-112.

[7]Wu Chunhung,Chen Suchin. Determining landslide susceptibility in Central Taiwan from rainfall and six site factors using the analytical hierarchy process method[J].Geomorphology,2009,112(3/4):190-204.

[8]劉彥花，葉國華.基于粗糙集與GIS的滑坡地質災害風險評估：以廣西梧州為例[J].災害學，2015，30(2)：108-114.

[9]Saro Lee, Moung-Jin Lee.Detecting landslide location using KOMPSAT 1 and its application to landslide-susceptibility mapping at the Gangneung area, Korea[J]. Advances in Space Research,2006, 38(10):2261-2271.

[10]萬石云，李華宏，胡娟. 云南省滑坡泥石流災害危險區劃[J].災害學，2013，28(2)：60-64.

[11]Ranjan Kumar Dahal, Shuichi Hasegawa, Atsuko Nonomura., et al. GIS-based weights-of-evidence modelling of rainfall-induced landslides in small catchments for landslide susceptibility mapping[J]. Environmental Geology,2008, 54(2):311-324.

[12]Ranjan Kumar Dahal, Shuichi Hasegawa, Atsuko Nonomura., et al. Predictive modeling of rainfall-induced landslide hazard in the Lesser Himalaya of Nepal based on weights-of-evidence[J].Geomorphology,2008,102(3/4):496-510.

[13]晏同珍，楊順安，方云.滑坡學[M].武漢：中國地質大學出版社，2000.

[14]張彩霞，楊勤科，李銳. 基于DEM的地形濕度指數及其應用研究進展[J].地理科學進展，2005，24(6)：116-123.

GIS-based Spatial Susceptibility Assessment of Landslides in Karst Area——A Case Study in Zhijin, Guizhou Province

Li Song1, 2, Chen Qiwei1, Wan Hongyan1and Li Lian1

(1.InstituteofResources,ResourcesandEnvironmentandDisasterResearchInstitute,GuizhouNormalCollege,

Guiyang550018,China; 2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyof

Sciences,Beijing100101,China)

Abstract:Landslide is one of the major hazards in karst area. Taking Zhijin, Guizhou province as a study case, we analyzed the landslide mechanism of karst area. Combining with remote sensing (RS), geographic information system (GIS) and landslide inventory, we predicted patial distribution of landslide hazards based on information model. In the analysis of landslide mechanism, the main landslide factors, including slope, aspect, relative relief, topographic wetness index, roads and land use/land cover change and stratum, Were selected to calculate the value of information model respectively. Consequentially, a combination of the value of the information model for respective landslide factors was calculated by GIS. The risk of landslide hazards was ranked. The results show that the related stable area was 2779.0 km2. The number of high, median and low risk zone was a total of 42, 36 and 67 respectively. There was a good practical significance for Guizhou province that Landslide was significantly related with relative relief, and plant was an important factor of landslide hazards.

Key words:landslide; susceptibility; information model; GIS; Karst area

作者簡介：李松(1980-)，男，貴州織金人，博士，教授，主要研究災害和環境遙感. E-mail：zhijinese@163.com

基金項目：國家自然科學 (41563007)；貴州師范學院重點博士項目(14BS018)；貴州科技廳項目(J20112343)；貴州教育廳項目(黔教高[2012]426號)；烏當科技局項目(烏科字[2012]53號)

收稿日期：2015-07-06修回日期：2015-09-18

中圖分類號：P642；X42

文獻標志碼：A

文章編號：1000-811X(2016)01-0139-05

doi:10.3969/j.issn.1000-811X.2016.01.026