西南山區縣域單元的地質災害風險評價
——以怒江流域瀘水市為例

張 群，易靖松，張 勇，馬志剛，程英建

（1.四川省國土空間生態修復與地質災害防治研究院，四川成都 610081；2.中國地質科學院探礦工藝研究所，四川成都 611734；3.中國地質調查局地質災害防治技術中心，四川成都 611734）

引言

西南山區為我國西部的高山峽谷區域，區內地質災害十分發育，具有人口、房屋多集中于斜坡坡腳分布的特點，亟需尋找一套新的易損性評價方法，針對該區域進行有效合理的風險性評價。近年來，諸多學者以地質災害為研究對象開展了大量的風險評價研究工作，也取得了大量的顯著成果。

趙海卿等［1］、倪曉嬌等［2］利用層析分析法對吉山區地質災害風險性進行分區評價；邵明［3］運用Logistic回歸模型進行態水脆弱性分區；Pradhan等［4］采用Logistic回歸模型進行了滑坡敏感性分析；羅路廣等［5］、楊強等［6］、王峰［7］、周平華等［8］、王芳［9］、張曉東［10］采用多種數理統計模型進行區域地質災害危險性和易發性對比分析評價；李彥寶［11］研究開發了基于GIS的地質災害風險評估系統；袁四化等［12］采用GIS技術和遙感影像分析方法進行了地質災害風險區劃；孟凡奇等［13］運用證據權法客觀地篩選出評價因子和確定危險度的權重；Yilmaz等［14］利用人工神經網絡分析了滑坡敏感性；Khosravi等［15］利用決策樹算法比較評估了地質災害易發性；黃發明等［16］利用支持向量機模型對三峽庫區萬州區滑坡進行了易發性評價；劉堅等［17］基于優化隨機森林模型開展了滑坡易發性評價；孟慶華［18］按照“地質災害易發性—危險性—風險”的研究層次關系，探索了適用于秦嶺山區的地質災害風險評估技術方法；喬建平等［19］采用概率分析方法對區內風險防御工程治理的效益進行評價；李雪平等［20］采用貝葉斯信息標準對風險評價模型優劣程度進行了比較；趙忠國等［21］通過多元自適應回歸樣條法構建了滑坡敏感性指數預測模型。

地質災害的風險性評價主要包括2大方面：一是區域的危險性評價；二是區域的易損性評價。區域的危險性評價主要采用數理統計模型和機器學習模型完成；而易損性評價主要包括人口、工業或民用建筑、道路和基礎設施等方面的評價，多數學者通過按不同行政單元的人口密度、房屋密度和道路密度等數據對縣域地質災害的易損性開展評價工作；最后，再采用人口風險或財產風險的計算公式進行風險性值計算，進而評估區域內的風險。

但若采取這些評價方法對西南山區的地質災害開展區域性風險評價，卻存在諸多不合理的地方。例如，西南山區的人口、房屋等都位于斜坡的坡角，行政單元人口、房屋密度的計算方法通常將斜坡的坡腳和坡頂區域的易損性同一化，同時不同位置區域的人口、房屋等財產受到的地質災害的威脅程度是不一樣的，它們的易損值也不能簡單采用密度的分布來評價。所以，目前西南山區形成的縣域單元地質災害風險評價研究成果往往難以實際用于地方風險管控。

目前，我國地質災害調查主要還是以小比例尺、大范圍為主，精度普遍偏低，且大比例尺的調查數據較少，地質災害風險評價基礎理論和技術方法尚處于探索階段，亟需尋找開展西南山區地質災害風險評估的科學手段與方法，來真正實現地質災害減災防災?；诖爽F狀，筆者通過在怒江流域瀘水段開展大量調查工作，選取瀘水市域為試點，開展縣域尺度的地質災害風險評價工作，總結了一套與實際調查數據緊密結合的西南山區縣域地質災害風險評價方法，以期形成西南山區縣域單元的地質災害風險評價示范。

1 地質災害發育分布特征

瀘水市位于滇西橫斷山區，研究區作為高山峽谷區，受大構造斷裂的作用，其地形起伏懸殊，高程相差大，地層巖性復雜。受強降雨的作用，加之人類工程活動的影響，研究區地質災害發育，并具有分布廣、類型齊全、不同規模并存、形成因素交錯復雜的特征。

地質災害是由各種內、外因的耦合作用產生的，但是不同因素對地質災害形成的貢獻率不同，當進行地質災害風險評價時，應選取這些重要控制因素作為關鍵指標，例如坡體結構、距斷層距離、巖土體類型、距水系距離、斜坡坡度等，通過收集研究區1：5萬詳細調查資料，區內共發育408處地質災害點，其中，滑坡災害244處，崩塌災害91處，泥石流災害73處，并確定區域地質災害的影響因素主要包括基礎地質環境因素和誘發因素，基礎地質環境因素包括高程、斜坡坡度、巖土體類型、距水系距離、距斷層距離、斜坡結構、剖面形態、植被類型，誘發因素主要為降雨，基于arcgis分析功能，將各評價因子量化為20 m×20 m柵格數據。見圖1～圖9。

圖1 地質災害與高程關系Fig.1 The relationship between geological hazard and elevation

圖2 地質災害與坡度關系Fig.2 The relationship between geological hazard and slope

圖3 地質災害與巖土體類型關系Fig.3 The relationship between geological hazard and formation lithology

圖4 地質災害與距水系距離關系Fig.4 The relationship between geological hazard and distance from drainage

圖5 地質災害與斷層距離關系Fig.5 The relationship between geological hazard and distance from fault

圖6 地質災害與年降雨量關系Fig.6 The relationship between geological hazard and rainfall

圖7 地質災害與剖面形態關系Fig.7 The relationship between geological hazard and profile shape

圖8 地質災害與斜坡結構關系Fig.8 The relationship between geological hazard and slope structure

圖9 地質災害與植被類型關系Fig.9 The relationship between geological hazard and vegetation types

2 地質災害危險性評價

目前地質災害危險性評價常用數理統計模型和機器學習模型。機器學習算法是利用算法對訓練數據學習進行建模分析，其調參復雜，算法運行時間較長，統計方法模型主要是通過統計對數據進行預處理分析。邏輯回歸模型作為經典的多元統計分析方法，既能用簡單的線性回歸來描述致災因子之間復雜的非線性關系，具有較強的靈活性和應用性，又能客觀的反映評價中各種影響因素關系及其重要性，避免了人為主觀進行權重的賦值及隨意進行因子的選取，在地質災害風險評價中應用較為廣泛。因此，文中選擇邏輯回歸模型進行怒江流域瀘水市地質災害危險性評價。

2.1 邏輯回歸模型簡介

作為目前常用的統計分析模型，Logistic回歸采用多個自變量X對應1個因變量Y值進行回歸分析，而因變量只有2個特定值。經過簡單的推理，對變量進行分析，可以得到邏輯函數及相應的邏輯回歸模型［4］：

式中：xi為自變量；α、β為系數；εi為誤差項。

通過換算得到某一事件發生的條件概率Pi及事件不發生的條件概率1-Pi：

定義事件發生比（Odds）為：

通過取自然對數，得到一個發生比（Odds）連續函數［4］：

則式中：α為常數項；β1、β2……βn為回歸系。

只要通過邏輯回歸分析得到式（6）相應的回歸系數，則可利用式（7）計算出事件發生概率P的大小。在縣域單元地質災害危險性區劃中，P值便是評價某一點可能產生地質災害的概率大小。

2.2 確定回歸系數

文中采用SPSS軟件來確定邏輯回歸系數，首先，在瀘水市域內隨機獲取大量點，如果這些點為地質災害點，那么其邏輯回歸模型的因變量Y則為1，反之Y=0。本次分析通過GIS平臺創建隨機點功能，共創建了728個點，其中包括408個地災點，320個非災點。選取80%的點作為分析的訓練樣本數據，另外20%的點作為檢驗樣本數據，因此選取了583個點進行回歸分析，145個點進行Logistic回歸模型精度檢驗。

通過對選取的評價指標進行逐步回歸的方法進入模型，將9個評價指標進行回歸，剖面形態、斜坡結構、植被類型等幾個因子未能進入最終的回歸模型。因此，根據回歸分析結果，最終確定斜坡坡度、距水系距離、斜坡高程、災害距斷層距離、坡體巖土體類型及年降雨量6個評價指標作為研究區評價指標，其相應的回歸系數見表1。

表1 Logistic回歸模型系數Table 1 The model coefficients of Logistic regression

2.3 回歸模型評估

2.3.1 回歸模型評價因子多元共線性診斷

Logistic回歸分析對參與回歸分析因素的多重共線性（Multicollinearity）很敏感。一般因子的多重共線性程度都用2個指標來評估，它們互為倒數，分別為方差膨脹因子（VIF）和容許度（TOLERANCE）。其中容許度表示為：

式中：R2

xk為Xk作為因變量時與其他自變量的確定系數，從式（8）表明，R2xk越大，容許度就越小，對應自變量的相關程度越高，即可能存在多元共線性；當R2xk=1時，則容許度為零，表明自變量完全相關，參數不能進行估計。一般來說TOLERANCE＜0.2，且VIF＞10時，則評價因子存在一定的多元共線性，且TOLERANCE＞0.2，且VIF＜10時，評價因子基本不存在多元共線性。

按照上述方法，得到文中6個評價因子的方差膨脹因子和容許度，計算結果見表2，容許度最小的評價因子為距水系距離，其值為0.323，且所有評價因子的容許度均大于0.2，方差膨脹因子均小于10，說明文中所選取的評價因子無多元共線性，選取的地質災害易發性區劃評價因子是合理的。

2.3.2 Logistic回歸模型擬合度檢驗

邏輯回歸模型的擬合度檢驗主要通過比較建立模型的預測結果與實際發生結果的吻合情況來判斷。如果回歸模型的預測結果與實際情況有很高的吻合度，則預測模型是可以接受的，反之則模型不接受。

在建立的邏輯回歸模型中，R2是表明參與自變量決定因變量的比例，為決定系數。表3計算結果中邏輯回歸模型的Cox & SnellR2是0.330，NagelkerkeR2是0.375，兩者相差較小，說明本次模型有較高的擬合度。另外，Hosmer-Lemeshow作為模型擬合度檢驗值的指標，如果顯著性水平sig＞0.05，則應接受回歸模型，并且sig值越大回歸模型的擬合度越高。表3中顯著性水平sig值為0.39＞0.05，因此，可以認為本次模型擁有較高的擬合度。

表2 評價因子多元共線性診斷表Table 2 Multiple collinearity diagnostic table of evaluation factors

表3 Logistic回歸模型擬合度檢驗表Table 3 The test table of Logistic regression model fitting degree

為進一步驗證模型預測的準確率，文中采用混淆矩陣對模型預測的精度進行評估，利用前文研究數據，建立模型測試數據集的混淆矩陣。

表4可以看出，測試數據集正確分類樣本為684個，而測試集總樣本數為728個，可得到模型預測的準確率（ACC值）為0.94，表明模型預測的精度較高。

2.4 評價指標的分級與賦值

表4 測試數據集的混淆矩陣Table 4 The confusion matrix of testing dataset

表5 地質災害危險性評價指標分級賦值表Table 5 The classification assignment table of geological hazard dangerousness assessment index

圖10 地質災害危險性評價圖Fig.10 The dangerousness assessment chart of geological hazard

評價指標的分級與賦值采用定量的方法，首先對模型篩選出來的6個指標進行分級，再利用GIS平臺求出各個評價指標分級后對應的災害點個數Nij與面積Sij，兩者相除便是地質災害點點密度Xij，再將點密度進行歸一化處理得到指標值Iij，將歸一化的點密度作為各個評價因子的指標值（表5）。

2.5 危險性評價

通過上文確定好的回歸系數，建立本次研究區的危險性評價模型（式9），將賦值后的斜坡坡度、災害距水系距離、斜坡高程、災害距斷層距離、坡體巖土體類型及年降雨量6個評價指標代入模型，得到地質災害危險值的值域，按自然間斷法分為4級，再選取2～3處危險高的區域，結合現場調查的危險性程度對間斷點進行修正，得到最終的瀘水市地質災害危險性評價圖（圖10）。

3 承災體易損性評價

承災體受到災害作用時遭受到一定程度的損失。易損性一般用0～1來定量表達，1表示完全損失，0表示無損失。

縣域單元尺度下，易損性的評價主要考慮承災體的類型和承災體受威脅的程度及可能遭受的損失。文中通過對調查區承災體所處的不同危險性等級程度分析統計，參照《四川省地質災害風險調查評價實施細則》，結合研究區承災體分布特征，建立承災體的易損性分級賦值表。

3.1 人口易損性評價

西南山區具有其獨特的區域特征，承災體多位于斜坡的坡腳區域，采用傳統的人口密度、房屋密度等指標來表征承災體的易損性就不能精確反映區域的易損性特征。因此，本次評價工作，利用的每個災害點威脅人口數量的調查數據，以此為基礎，利用核密度分析方法，以災害點威脅最近房屋的距離為搜索半徑，得到受地質災害威脅人口的核密度柵格圖層；根據承災體易損性指標分級評價表，該表取值為參考前人取值經驗［20］，并結合本次調查區域承災體的分布特征稍微修正，對受地質災害威脅人口的密度柵格進行重分類賦值。

考慮調查區其他可能遭受地質災害威脅的人口分布，利用房屋柵格對受地質災害威脅人口的密度柵格進行修正（基于山區調查經驗，修正系數建議采用1.2），首先，將房屋柵格進行賦值，房屋處柵格賦值為確定好的修正系數，其余沒有房屋存在的柵格賦值為1，隨后再將賦值好的修正系數柵格與受地質災害威脅人口的密度柵格相乘得到調查區人口易損性評價柵格。

圖11 地質災害易損性評價圖Fig.11 The vulnerability assessment chart of geological hazard

3.2 道路易損性評價

在獲取調查區危險性評價圖層后，利用按掩膜提取工具獲得調查區內建筑設施位于的危險性等級，再根據承災體易損性指標分級賦值表（表6），對不同建筑類型的進行易損性賦值，得到道路易損性評價柵格。同樣的方法，得到道路交通、水利設施、生活設施、通信設施的易損性評價圖層。

3.3 綜合易損性評價

在獲得人口、房屋、道路等承災體易損性之后，采用柵格計算器進行柵格疊加，得到綜合易損性評價柵格圖層（圖11）。

表6 承災體類型易損性指標分級賦值表Table 6 The vulnerability index classification assignment table of disaster-bearing body

4 地質災害風險性評價

地質災害風險性評價目前常用的主要有定性和定量2種方法。定性的方法主要基于地質災害風險分析矩陣，定量的方法是基于風險計算公式。

圖12 地質災害風險評價成果圖Fig.12 The risk assessment chart of geological hazard

考慮縣域尺度單元的風險評價重在為國土空間規劃提供支撐，文中評價方法采用地質災害風險矩陣，將分級后的危險性評價、易損性評價代入矩陣計算，得到研究區柵格分辨率為20 m×20 m的風險性評價成果圖（圖12）。

5 結論

（1）通過對瀘水市域的野外地質調查發現，市域北部地質構造復雜，巖體破碎，地質災害十分發育，有稱嘎鄉、魯掌鎮等大量村鎮聚集地沿江分布，為地質災害風險的重點管控區域，瀘水縣城位于市域南部，地質災害零星發育，規模較小，雖有大量人口聚居，但受地質災害直接威脅的人口較少，為地質災害風險次重點管控區。

（2）地質災害極高風險區和高風險區多集中瀘水縣城的北部，縣城及周邊大部分區域為中風險區和低風險區，與野外調查評價的結果基本一致，說明文中提出的風險評估方法能有效反應縣域范圍內地質災害的風險現狀，為西南山區縣域單元的國土空間規劃管控提供依據。

（3）通過邏輯回歸模型，計算邏輯回歸系數，確定各影響因子權重的技術方法，能有效反映地質災害主控因子在評價過程的主控作用，擺脫了靠專家經驗法來確定各影響因子權重的主觀性。