滑坡敏感性分析

西南、贵州等地基于地理信息系统山地滑坡
敏感性
摘要:本文研究的目的是用地理信息系统的方法（GIS）评价中国西南贵州省周边地区发生滑坡的可能性。

底图是扫描这片区域，单幅滑坡绘制1:50万地形图。

在这片文章中，斜坡、岩性、滑坡单体、构造活动、排水分布和年降水量都将作为独立的影响因子。

因此，六个影响因子的地图准备通过各种权威资源收集信息并且把它们转换到GIS地图中。

在定性地图和梯形模糊数学比重（TFNW）方法的基础上进行敏感性分析。

使用预测图概率，将研究区的滑坡敏感性分为四个类别:即低、中、高和很高。

此外，加权程序显示TFNW是一种有效的方法在滑坡因子权重分析上。

关键字：滑坡灾害空间、地理信息系统、滑坡、模糊数、加权方法
绪论
2007年，在中国约有25,000件水文地质的混乱事件造成679人丧生，直接破坏资产和财产估计约3200万美元根据国土资源部的报告（2008）(/)。

在贵州，中国的一个，在无数的地质灾害事件中大约有150人丧生和许多基础设施被摧毁。

建立滑坡敏感性分析对于土地利用规划和基础设施的布局非常重要。

随之而来的需求是用一种逐渐被重视的地理信息系统（GIS）的方法去预测已经促使许多随机过程模型发展的事件。

地理信息系统是基于计算机的系统，具有高潜力的存档、处理、分析和显示地理参照数据(Aronoff 1989)的能力并且日益成为地质灾害分析和风险降低的主要工具（Coppock 1995)。

GIS作为基本的分析工具，结合一些合理的模型，采用空间数据管理和操作对于滑坡危险性区划是非常有效的。

因此，许多研究者试图在GIS环境下找出产生山体滑坡和滑坡的灾害图。

滑坡灾害图根据不同的目的和现有的资源，在不同的尺度编译，从地方到国家，采用多种技术，包括立体航空照片的分析、地貌域的映射、工程地质勘查和历史档案的索引(Guzzetti et al. 2000)。

对于这些技术的结合经常使用(Galli et al.2008)。

至于滑坡灾害分析模型，有许多滑坡危险性评价的研究。

统计模型之一的多
元回归模型适用于滑坡危险度区划(Dai et al. 2001;Ohlmacher and Davis 2003)。

一些研究应用概率模型(Parise and Jibson2000;Baeza and Corominas2001;Clerici et al. 2002;Donati and Turrini2002;Zhou et al. 2002; Lee and Choi2003; Lee et al.2004a)。

一些研究采用人工神经网络模型(Pistocchi et al. 2002; Lee et al. 2004b; Lee and Evangelista 2006) 。

一些研究采用岩土模型和模型的安全系数(Refice and Capolongo2002; Zhou et al. 2003;Carro et al. 2003)。

此外，定性地图组合是一种非常流行的方法，用它将各种因素组合获得一个边坡失稳地图(Stevenson 1977;Saha et al. 2002;Sarkar and Kanungo2004)。

这种方法的区别在于山体滑坡并不需要，因为权重的分配是根据地貌学家的丰富经验(Galang2004)。

尽管如此，这里仍然有一个名为加权线性组合（WLC的）模型，它被称为是最知名的和最常用的多准则GIS方法(Eastman 1999; Jiang and Eastman 2000;S ¸ener et al. 2006;Akgu ¨n and
Bulut 2007)。

本质上，WLC的模型是一种结合各种敏感因子提高滑坡敏感性分析的方法。

这项研究的目的是运用定性地图组合模式在贵州地区采用GIS 分析滑坡敏感性区划图。

每个因素引起的滑坡权重是有模糊简单加权模型实现。

本文的其余部分组织如下。

下一节介绍了研究区的基本信息，紧随其后的是各种偶然因素和定性地图组合模型。

这部分“加权方法”描述了一个模糊简单加权模型。

本文以讨论和结论结束。

研究区
贵州省位于经度103036'-109035'，纬度24037'-29013'，覆盖面积176,167km2，海拔高度从140-2,900m（图1），亚热带型气候。

作为山区，该地区的地质结构非常复杂。

它遭受大量的山体活动，如滑坡、泥石流、塌陷和沉降，主要由从三月到八月的暴雨引起。

由于雨水增加了空隙水压力，土体强度降低，最后导致滑坡。

因此，每年在这个地区降雨诱发的地质灾害频繁发生，严重威胁人民生命财产安全并且妨碍经济发展。

图1 研究区的分布与海拔高度
偶然因素和定性地图组合模型
滑坡灾害是发生在一段指定时间内的一个特定区域的潜在破坏性现象(Varnes1984)。

这个定义既包括了空间又包括了时间的尺度。

这种危险性的区划是指将陆地表面划分区域，并根据实际或潜在的土石流或是斜坡上的一些大块物质将这些区域分类(Varnes1984)。

滑坡危险性区划的最终地图显示了相对滑坡灾害的空间分布也常被称为敏感性地图(Brabb1984; Hansen 1984)。

定性地图组合原理的描述为：可能发生山体滑坡作为一个确定的因果关系的若干因素的结果(Varnes1978)。

每个地图的因子进行加权然后分成子类，然后将权重分配给每个子类。

该地区上覆盖不同的加权因子和子类比重允许为每一个相对不稳定的地图得分求和，这些得分可以将地图分为不同的不稳定类。

偶然因素
为了评估潜在的滑坡，需要识别和分析偶然因素。

在这篇文章中使用了一下参数:斜坡、岩性、堆积密度、构造活动、年降水量和分布。

一个常用的因子经常用在边坡失稳的分析中即植被，但不会用在这个模型中主要是因为最常见的植
被数据较少。

数字高程模型（DEM）和岩层，地质构造和排水管网在研究区域获得了全国基金会地质信息系统(NFGIS-M50DB)所提供的基本地图和空间数据库。

滑坡资料是由土地资源部提供的，而降水资料是由贵州省气象局提供。

这是一幅1:50万的地图。

由于这些层由连续数据组成，它们需要为离散子类从新分类。

这些子类是有些主观，但都在该地区以往研究的基础之上，如表1所示。

子类分类的主观性始终存在并将继续成为边坡失稳区划项目中最主观的方面。

然而，在一些不同的研究领域使用一些一致性可能有助于减少主观性的影响。

基本因素和触发因素都会使边坡产生灾害预警图，如表1.这篇文章中只使用了基本因素生成斜坡敏感性的区划图。

表1 滑坡危险性评价因子
最初，数字高程模型（DEM）对这个区域的研究是建立在使用ArcGIS9.0软件的地形图。

在1:50万的地形图中，等高线被用来生成一个数字高程模型。

坡角的计算采用DEM，斜坡输出的度数分为四个子类（表1）。

岩性
岩性的资料来自1:50万的NFGIS-M50DB图，它是通过实地调查得到的。

四大类型的岩石和沉积物存在：（1）碳酸盐岩占区域的70%，包括层状和大块的石灰石，石英质的灰岩和泥灰岩；（2）岩浆岩占区域面积的7%；（3）变质岩占区域面积的11%，包括砂岩，粉砂岩，凝灰岩；（4）海陆沉积岩占区域面积的11%，
由粘土，粉质粘土，细砂，粗砂，砾石和鹅卵石组成。

根据造成滑坡的可能性，将岩石分为四个子类（表1）并且易滑岩性图如图2所示。

图2 易滑岩性图
（1）G1:组成松散堆积物的粘土，砾石土，卵石土或砂卵石土；粉砂岩，页岩，泥灰岩，凝灰岩，千枚岩或粘土岩；变质砂岩，粉砂岩或变质凝灰岩。

（2）G2：中厚层的砂岩，页岩，泥灰岩，凝灰岩，千枚岩或粘土岩；变质砂岩，粉砂岩或变质凝灰岩。

（3）G3：厚层状砂岩，含砾泥岩，页岩，泥灰岩，凝灰岩，泥页岩。

（4）G4：特厚层砂岩，砾岩，石灰岩，白云岩，硅质岩，磷矿体。

构造活动
岩石结构复杂，通常形成断裂构造，断层破碎或者挤压褶皱，它们容易导致滑坡事件。

山体爆破或地震触发滑坡的可能性由距离的拉长而减小。

根据构造活动和断层的距离贵州这片区域可以分为四个子类（表1）。

水系分布
滑坡位置和分水岭之间有一个密切的关系，集水区的面积与土壤可以吸收和渗透的水量有关。

更大的区域与更强的渗透性和更高的滑坡几率有关，流域的长度暗示了流域面积的大小，地下水的集中程度和沉淀物的多少。

水的功能，如湖泊，池塘和大江大河已在这一研究中获
得。

贵州省的水系分布图从1:50万的NFGIS-M50DB图中获得（图3），根据水系的大小和距离，贵州省这区域的河流可分为四个子类（表1）。

图3 水系分布图
滑坡点
从2002年3月到2004年9月的山体滑坡清单图的研究领域由贵州省国土资源部编制，在这片研究区中的最新的滑坡清单是2006年9月通过实地调查建立的。

因此，精致的滑坡清单地图如图4。

新的滑坡点显示为2,392处，包括325处泥石流和130处崩塌。

根据滑坡密度把它分为四个子类（表1）。

图4 滑坡点
年降水量
降水量的空间分布在确定交叉区的降雨量和判断危害的可能性方面是一个重要的因素。

历史数据表明，最多最严重的地质灾害几乎都发生在雨季，每年的3月到八月在这个地方。

贵州
省的年降雨量分布图如图5。

根据年降雨量的降雨强度可分为四个子类（表1）。

图5 年降雨量分布图
QMC模型
这些分析在光栅环境中进行，因为网格在功能分析上既简单又易于使用，如叠加。

因此，所有的矢量数据将被转换为栅格地图。

一旦因素被确定，只要对各种因素的影响有很好的了解，地图定性结合的方法非常简单并且可以轻松的应用到任何地方。

此方法的测绘单位将是网格单元。

这种模式的基本步骤是：（1）各因素图分成离散的子类（已做）。

（2）各子因素的权重和总体因素值。

加权处理过程已经在“加权方法”中详细描述过了。

一旦权重被确定，基于子类的权重并根据子类划分网格，这样数据层被重新归类到新的层次。

是一个关于斜坡子类权重的重要概念。

（3）一个不稳定的数字地图只能使用各种加权方法覆盖(V an Westen1994)，最后的成果图会对每一个栅格，每一个得分在分配的权重基础上有一个范围。

使用栅格计算器，重新分类数据层划分为算术交叉重叠和原始数据的不稳定性，S，每一个
栅格计算值。

对于每一个格子，k,是每一个子类因子的特殊组合，即不稳定评分，S k
ij
在该单元格中的计算公式为（1）。

S k
ij =k
ij
i
k
i
w
w.
6
1
∑
=
（1）
这里i是一个因子，ij是因子i的子类。

（1）式的结果S k
ij 如果接近1表示很有可能发生滑坡然而如果数字接近于0则表示这种可
能性很小。

这样，概率图有一个数值的连续规模获得。

将地图分为敏感性的子类还是有必要的。

Ayalew and Yamagishi(2005)已在考虑根据分位数，天然缺口，等间隔和标准差将敏感性分为四个系统。

他们已经发现以分位数为基础的分类系统有一个缺点，就是它将相差甚远的值分到同一个类中。

天然缺口在数据值存在大跳跃时分类效果更好，使用等间隔的方法有未必是有效的因为它强调一类相对于其他类。

作为比较的结果，他们选用了标准差的方法，因为它使用的生成类的方法。

在这篇文章中，用标准差方法分成四个敏感性类，它们是很高，高，中，低。

根据这一敏感性地图（图6），总面积的9.24%发现是低敏感性区域，中和高敏感性区域分别占34.78%和41.53%，非常高易发区占研究区的14.45%。

图6 贵州省滑坡敏感性地图
加权方法
在QMC和WLC模型中，一个首要的问题是分给每个因素的权重分别是多少。

有许多技术，例如统计指数法(Wi)(Van Westen1997)，权重因子(WF) (C ¸evik and Topal2003;O ¨ztekin and Topal2005)还有层次分析法(AHP) (Saaty 1983; Saaty and Vargas 2001; Ayalew et al. 2005;Sener et al. 2006; Akgun and Bulut 2007)去找权重。

这项研究提出了梯形模糊数的加权方法分配给每个因素和子类权重。

模糊集理论
在宇宙坐标系中讨论X，一个X的模糊子集~
A的定义是一个隶属函数μ
A
(x)中的每个元素
x映射在X中的一个区间[0,1]的实数。

功能函数μA（X）标志着隶属函数~
A中的x。

当μ
A
(x)
值较大时，x的每个值在~
A中较大(Keufmann and Gupta 1991)。

一个模糊集~
A =（a,b,c,d ）在实数R 上，a<b<c<d,被称为梯形模糊数(Keufmann and Gupta 1991)如果它的隶属函数如(2)所示。

μA （x ）=⎪⎪⎪⎭
⎪
⎪⎪⎬⎫
⎪⎪⎪⎩⎪⎪⎪⎨⎧<<<<--<<<<--x aord x d x c c d c x c x b b x a a b a x ,0,,,,1,,（2）
当a, b, c, d 是实数时，像（2）所示，梯形模糊数可以表示为（a, b, c, d ）。

x 在区间[b,c]给出了A μ（x ）的最大值，即A μ（x ）=1；它是最具有价值的评价值。

常数a 和d 都是可用评价数据的下线和上线。

这些常数反应了评价数据的模糊性(Keufmann and Gupta 1991)。

语言变量和模糊数 通常，转换规模应用于将语言转换成模糊集在模糊理论中。

确定转换规模的数量一般较直观：而太少的转换规模会减少分析辨别能力，太多的尺度转换使系统过于复杂和不切实际(Chou et al. 2008)。

在这篇文章中，有1—5级的规模用于重要的权重。

表2列出了本研究中的个别因子和子类在语言变量中的重要权重。

梯形模糊数是很容易使用和理解的。

例如，一个特定属性的中等权重可以用一个梯形模糊数（3，5，5，7）来表示（表2）。

滑坡危险因素的权重，可以由个人或专家组决定。

该TFNW 方法适用于个人和群体决策的设置。

通常情况下，在设置中一组专家中的每个人有相等的权威性。

然而，个别专家的重要性（或可靠性）在实践中可能不平等。

有些时候有这样的专家，例如业务部执行经理，他要更重要或可靠，或者在团队决策时有些专家要比其他专家更有经验。

在这种情况下，它被称为异构（非均质）组决策问题。

另一种情况将被视为同质群体决策问题(Chouet al. 2008)。

本文提出了TFNW 的方法来解决同源/异质群体的决策问题，在滑坡危害的权重问题上使用模糊集来解决。

最后结果如表3。

基于上述概念模型的TFNW 的程序如下： （1）确定决策者的重要性（或可靠度），假设有一个由k 个专家组成的委员会，他们负责决定滑坡危害因素或子类的权重，如表1所示。

专家的重要性（或可靠度）是R t （t=1,2,…..,k ）,当R t )1,0(∈并且
∑t
R =1。

每个专家的重要性（或可靠度）为w
t
，(t=1,2，……,k),被最终
决策者所分配。

因此，R t 的重要性由式（3）定义。

如果R 1=R 2=……R k ，专家小组被称为同质小组，否则，专家小组被称为异构（非均质）小组。

R t =
∑=k
i t
t
w
w 1
（t=1,2,……,k ） (3)
(2)介绍语言加权变量（表2）给专家评估滑坡危害因素或子类（表1）的重要性并且计算单个因素或子类的模糊加权综合。

例如，让w jt =（a jt ,b jt ,c jt ,d jt ）,(j=1,2,3,4),(t=1,2,……,k),是专家t 赋予斜坡（因素A ）子类A j （表3）的语言权重。

A j 的模糊加权总量w '
j 由k 个专家组成的委员会评估，可由式（4）定义。

w '
j =(a j ,b j ,c j ,d j )=(
jt
k t t
a R ∑=1
,jt
k t t b R ∑=1
,jt
k t t c R ∑=1
,jt
k
t t
d
R ∑=1
) (4)
(3)为了减少个别滑坡危险因素或子类的模糊权重的模糊性，w '
j 的模糊性记为d(w '
j ),因此，用式子（5）表示。

d(w '
j )=(a j +b j +c j +d j )/4 (j=1,2,3,4) (5)
(4)计算规范化的权重和建立权重向量，子类A j 的规范化权重记为w j ,用式子（6）表示。

w j =
∑=4
1
'
')
()
(j j
j w d w d (j=1,2,3,4) (6)
如果
∑=4
1
j j
w
=1，则A j 子类的权重向量可以表示为式子（7）。

w=(w 1,w 2,w 3,w 4) (7)
例子
在这一部分，A j 子类的权重向量，作为一个例子，计算过程按上述程序。

（1）由三个专家组成的委员会，D 1,D 2和D 3是因素A （斜坡）子类给出的权重，四个选择属性可以考虑：（a ）缓（A 1）；（b ）中（A 2）；（c ）陡（A 3）和（d ）非常陡（A 4）。

所
有的专家都认为是同等重要的，即R
1=R
2
=R
3
=1/3，因此，这个委员会是一个同质群体。

（2）使用语言变量和它们各自的权重模糊数（表2）来评估每个子类A
j
（表3）的重要权重。

根据评估值（表4），计算每个子类的模糊权重（表4）用式子（4）。

表4 子类A
j
的模糊权重
(3)计算聚合模糊权重值的模糊价值（表5）使用式子（5）和各子类的普遍价值（表5）用
式子（6）。

这些是权重向量所产生的权重值w=(w
1,w
2
,w
3
，w
4
)=(0.060,0.334,0.363,0.243)。

第四类比第三类分配的权重要低，这是由于这个事实，无论是崩积层或风化粘土可以在>450的斜坡上站立。

子类的普遍权重B
j ，C
j
，D
j
，E
j
和F
j
可以通过重复计算第（1）到（3）步得到。

同理，
因素的普遍权重A,B,C,D,E和F可以通过同样的步骤得到，全部的普遍权重值如表3所示。

如式子（1）所示，在网格k中不稳定评分S k
ij
相当于所有子类所对应的权重因素A,B,C,D,E
和F的综合结果。

例如，网格k包括了子类A
1，B
2
，C
4
，D
3
，E
3
和F
4
，根据表3不稳
定评分由式子（8）得到。

S k
ij
=0.011+0.054+0.076+0.011+0.079+0.074=0.0305 （8）
讨论
如图6所示，这个地区的绝大部分，主要坐落于贵州省中部，被发现是高或非常高的敏感性区域。

特别是，在研究区中部的东西方向敏感性非常高。

在南部和北部的部分地段是中等规模的敏感性，但是高或者非常高的敏感性区域缺非常少。

为了验证所获得的结果，敏感性地图（图6）和滑坡清单地图（图4）都与地理信息系统相结合。

研究发现，许多发生山体滑坡（总量的66.14%）都是在高或者非常高的敏感性区域，只有28.36%和5.50%的滑坡发生在中等或低敏感性区域。

结论
1）在灾害管理上，滑坡敏感性图是一项有用的工具。

现在，这些地图可以由地理信息系统为基础的定性和定量技术得到。

许多定量技术应用于分析滑坡和它们的触发因素之间的关
系。

这篇文章中使用QMC模型来对贵州省生成敏感性地图，中国西南部的一个省。

考虑的影响因素包括斜坡，岩性，滑坡清单，构造活动，水系分布和年降水量。

根据最终结果图，研究区域被分成四个滑坡敏感性区域，即低，中，高和很高敏感性。

2)在这篇文章中，TFNW作为非常有效的方法，被用来获取滑坡危害因素和子类的权重。

TFNW的优势包括以下内容：
●采用该模型可能要考虑到有些专家因为现实的原因给出模糊权重除了因素权重以外。

该模型能充分的处理人类在决策过程中的固有的不确定性和不精确性。

●该模型是一个简单而易于理解的方式。

●该方法是不坚持一个人的意见，而是综合所有决策者的判断结果。

●该方法没有迷糊数排序那么复杂。

致谢
该研究工作得到中国西部项目沟通部的大力支持，笔者感谢弗吉尼亚理工学院及州立大学的教授Dr. Hesham Rakha提供很好的研究环境。

同时，我们感谢匿名审稿人的有意意见和仔细审阅手稿。

参考文献。