強震區電網降雨型地質災害暴發識別模型研究

卜祥航,劉 凡,曹永興,范松海,陳 凌,吳 馳,朱 軻,薛志航

(國網四川省電力公司電力科學研究院,四川 成都 610041)

0 引 言

電網具有距離傳輸性和電流的高速性。電網一旦遭遇災害事故,瞬間就可以造成大面積的停電損失,如汶川震區某110 kV輸電線路46號塔處于大型災害體上且塔體出現嚴重變形,一旦倒塔將會造成線路停運,使馬爾康、金川等地全面失去供電。汶川地震誘發了至少56 000處崩塌、滑坡[1],為泥石流的暴發提供了大量物源[2-3]。在震后多年的雨季中,泥石流災害頻繁發生、表現活躍[4-5],因此震后強降雨過程誘發的泥石流災害已經成為震區最主要的地質災害之一[6]。文獻[7]分析地震災區地質災害已從震后的崩塌、滑坡為主轉為了以泥石流為主。2010年8月14日強降雨誘發岷江干流沿岸產生至少22條群發性泥石流,都汶高速被摧毀、阻斷,其中映秀鎮附近紅椿溝暴發的泥石流災害,使新建的映秀鎮遭受特大洪澇災害[7-8];漁子溪沿岸肖家溝暴發大型泥石流,沖毀303省道、堵塞河流,下游的映秀鎮遭受洪災。2013年7月10日岷江干流沿岸張家坪溝暴發大型泥石流,直接經濟損失約980萬元。可見,震區泥石流災害對社會影響越來越大。

國內對泥石流敏感性的分析早在譚炳炎對泥石流嚴重程度的分析中體現出來[10],國外學者早在1988年分析泥石流堆積厚度中,亦探討了泥石流敏感性[11]。汶川地震之后,學者們對泥石流的活動特征及敏感性評價研究工作逐漸增多。文獻[12-13]通過野外調查建立了震區泥石流沖出模型,并預測泥石流的相對活躍期至少 5～10 a,影響時間可能更長;文獻[14]通過層次分析法和信息熵的因子權重重組,對烏東德地區26條泥石流的敏感性進行分區;文獻[15]利用地理信息系統GIS提取Catalan Pyrenees地區泥石流的地形地貌參數,并驗證了邏輯回歸法運用到敏感性性評價中效果較好;文獻[16]利用概率數學方法,建立了龍溪河流域48條泥石流的敏感性評價模型;文獻[17]通過層次分析法,對四川蘇保河流域泥石流進行敏感性分析。

隨著交叉學科的發展,學者們也在嘗試將不同數學方法引入到泥石流敏感性評價中,尋求效果更好的評價模型,同時促進了學者從不同角度對泥石流危險性研究的深入[18-20]。國內外對電網泥石流災害研究較少,下面選取汶川強震區電網泥石流為研究對象,探索適合類似該地質環境的簡捷、快速的電網降雨型地質災害暴發識別評價模型。

1 研究區概況

研究區位于中國四川省汶川縣映秀鎮附近,面積約460 km2,地處四川盆地和青藏高原的過渡地帶,主要為深切峽谷,高程約860～3950 m。研究區屬起源于西北山區的岷江水系,區內的漁子溪為岷江一級支流。岷江干流沿岸基巖以花崗巖、震旦紀火成碎屑巖、石炭紀石灰巖和三疊紀砂巖為主[21];漁子溪沿岸基巖以晉寧—澄江期巖漿巖、古生界志留系茂縣群板巖夾千枚巖為主。構造上屬于NE-SW走向的龍門山斷層帶[22],其中造成汶川“5·12”地震的“映秀—北川”斷裂帶貫穿研究區東南部[23],傾向北西,傾角60°～70°,最大垂直錯距約5 m,最大水平錯距約4.8 m。解譯2011年高精度Worldview-2衛星影像獲得映秀地區崩滑體數量共6684處(其中滑坡5290處,崩塌1394處),為岷江干流、漁子溪沿岸42條泥石流的發展提供了大量的物源,如圖1所示。泥石流物源數量隨距斷層的距離逐漸減少,經統計約90%的泥石流物源分布在距斷層12 km范圍內。

圖1 研究區泥石流物源分布

研究區屬于典型的亞熱帶濕潤季風氣候,年平均溫度約12.9 ℃。在過去的30年內年平均降雨量約1 253.1 mm,最大年降雨量為1964年的1688 mm,最大降雨強度為1964年的269.8 mm/d。每年的降雨周期主要集中在6～9月,占了近全年降雨量的70%。

2 評價方法—CRITIC法原理

CRITIC(criteria importance though intercrieria correlation)法[24]考慮各指標包含的信息量的同時,又以指標的對比強度和指標間的沖突性為基礎,客觀評價指標的權重。對比強度以標準差來表示,即相同指標不同類別間取值的差距;沖突性以各指標間的相關性來表示,兩指標正相關性越強,沖突性越低。對比強度一定時,指標間沖突性與權重呈正相關關系。

1)為得到標準化矩陣,通過式(1)對原始數據進行無量綱化處理。

(1)

2)第j個指標生成的向量xj={(xj(1),xj(2),xj(3),…,xj(n)}均有標準差的特點σj,可以用來反映指標間的對比強度。

3)計算第j和x個指標向量xj和xk間的線性相關系數rjk。

4)通過式(2)計算出第j個指標所包含的信息量大小Cj。

(2)

式中,m為泥石流溝編號。

5)將Cj歸一化后,計算各指標的權重。

(3)

式中:wj為第j個指標的權重;Cj為第j個指標的信息量。

3 降雨型泥石流發生規模識別評價

3.1 因子選取及權重

震區泥石流活動較震前頻繁、規模大,考慮震后流域物源儲備的豐富性、臨界雨量的降低現象、震后山地地形的改變等,結合野外調查及前人的研究成果[15-20,25-26],選取松散固體物質儲量F1、泥石流暴發頻率F2、流域面積F3、流域相對高差F4、流域切割密度F5、主溝長度F6、激發雨強F7等7個評價因子,來劃分42條泥石流發生的規模。例如F1決定了流域物源的豐富程度,F3決定了流域的匯水能力,F4決定了流體攜帶固體物質的能量大小。因數據量較多,僅列出20條典型泥石流溝參數,如表1所示。

表1 研究區典型泥石流溝參數

根據式(1)對研究區42條泥石流溝的影響因子進行無量綱化處理,如圖2所示;并利用spess處理數據得到各因子的標準差及因子間相關系數矩陣,進而通過式(2)求得各因子包含的信息量;再利用式(3)得出各個因子的權重,如表2所示。

表2 因子間相關系數矩陣

圖2 典型泥石流溝參數標準化值

根據空間幾何分析學,研究區內的泥石流敏感性組成7維空間內的一條直線,不同泥石流的相同因子的一列數據組合即為該因子在7維空間內的一個點,點到直線的距離在CRITIC法中即表示為該因子的對比強度。由表2可知,各個因子的對比強度不等,說明各因子對泥石流的發生規模有不同程度的影響,因子的選取具有一定的合理性。

采用因子信息量綜合反映因子的對比強度和沖突性,Cj決定著因子權重的大小。因此F1權重最大,F5最小,各因子權重排序從大到小為F1、F2、F7、F3、F6、F4、F5。

由于研究區的局限性,降雨量變化不大,因此泥石流的暴發受控于流域內物源情況;同時泥石流發生頻率越高,則累計造成的危害性越大,因此F1和F2兩個因子所占權重較高。

3.2 敏感性評價模型建立及驗證

將研究區內泥石流的參數無綱量化處理,根據無綱量值計算出研究區泥石流7個評價因子的權重,從而根據式(1)建立研究區泥石流發生規模評價模型為

(4)

式中:i為評價因子數量,i=1,2,…,7;R為泥石流發生規模評價值;xi(k)為圖2中的無綱量值;wi為表2中7個評價因子權重值。

結合野外調查和前人的相關研究,將研究區中42條泥石流的敏感性劃分為3類:R≤0.27為高敏感性泥石流(紅色);0.27

圖3 強震區公路泥石流敏感性分區

以泥石流的形成、運動、堆積等特征可以建立不同的泥石流分類系統。從泥石流的運動特征出發,通過野外現場調查和遙感解譯,計算研究區內重點26條泥石流溝的一次泥石流沖出總量,將其作為驗證泥石流敏感性評價模型的依據,建立重點溝的敏感性評價值與泥石流沖出規模驗證圖,如圖4所示。

圖4 重點泥石流敏感性評價值與泥石流沖出規模驗證

由圖4 可知,泥石流敏感性評價模型計算結果與驗證方法結果對比可知,研究區泥石沖出流規模與災害暴發識別模型計算的泥石流敏感性吻合率達到了81%,從而證明了降雨型泥石流暴發識別模型的可行性。

綜上所述,震區映秀地區42條泥石流有高敏感性泥石15條、中敏感性泥石流11條、低敏感性泥石流16條。漁子溪沿岸地質條件都是泥石流暴發的有利因素:巖性以花崗巖為主,溝谷切割較深、狹窄;斜陡的山坡不易植被生長,易于溝內匯集雨水;特別是汶川地震之后,泥石流流域物源條件豐富,溝道地貌突變,高差加大。

4 結 論

上面以汶川地震強震區岷江干流及漁子溪沿岸的42個泥石流為研究對象,提取泥石流流域中物源存儲量、暴發頻率、流域面積等7個重要因子,運用CRITIC法建立電網降雨誘發泥石流災害識別模型:

1)電網降雨型泥石流災害暴發識別因子中松散固體物質儲量和泥石流暴發頻率最為主要。

2)將研究區泥石流敏感性分為高敏感性、中敏感性、低敏感性三級,并繪制分區圖。42條泥石流分為高敏感性泥石流15條、中敏感性泥石流11條、低敏感性泥石流16條。2010年8月14日暴雨誘發DF01、DF02、DF03、DF04、DF08、DF21,均為大規模泥石流,與所劃分其屬于高敏感性泥石流是一致的。

3)由于研究區內降雨量差別不大,繪制的泥石流敏感性分區圖可為將來該區泥石流的危險性分區提供數據支撐。由于研究區地域的局限性,關鍵因素降雨條件未能體現出來,因此評價模型的廣泛適用性還需進一步研究。