GIS輔助下滑坡災害危險性區劃圖的繪制——以四川省攀枝花市為例

王喜娜，黃華兵，班 亞，李 杰

(1.武漢大學測繪學院，湖北武漢430079;2.中山大學地理科學與規劃學院，廣東 廣州510275)

一、引 言

滑坡是指構成斜坡的巖土體在重力作用下失穩，沿著坡體內部軟弱結構面(帶)發生剪切而產生的整體性運動現象，俗稱垮山、地滑，是較為嚴重的一種山地災害。滑坡災害是我國山區最重要的自然災害之一，往往給人類社會和自然環境帶來巨大的傷害和損失。因此加強滑坡災害危險性評估研究，以及進行滑坡災害的危險性區劃制圖對于提高應對滑坡災害的防災減災能力具有重要的基礎意義［1］。

攀枝花地處四川省西南部，川滇交界處，界內山區面積占總面積的88.38%，地貌類型復雜多樣，且是全國有名的礦區，因此加強地質災害防范，做好地質災害普查和危險性區劃制圖是地區國土部門的重要基礎工作。

基于地理信息系統的滑坡危險性區劃制圖是識別和管理潛在滑坡風險的有效工具。地理信息系統具有強大的地理信息存儲、處理、分析和展示功能。近20年，地理學家和工程技術人員運用GIS識別滑坡，繪制滑坡災害區劃圖，他們采用了多種方法，如綜合參數法(專家打分法、層次分析法)［1-3］、信息量法［4-5］、模糊綜合評判法［6］、神經網絡法［7］、Logistical回歸模型［8］等方法。

筆者基于GIS技術和邏輯回歸方法，以四川省攀枝花市為研究區域，選取高程、坡度、坡向、土地利用類型、地層巖性、道路交通、河流水系7個影響因子作為評價指標，建立邏輯回歸模型進行預測，編制了滑坡危險性區劃分布圖，圈定了滑坡災害多發、易發區域。模型結果的預測情況顯示與實際滑坡災害點在空間上的分布十分吻合。

二、研究區域概況

四川省攀枝花市位于 26°05'N—27°21'N，101°08'E—102°15'E，包括東區、西區、仁和區、米易縣、鹽邊縣5個區縣，研究區總面積7 440 km2，最高海拔4 195.5 m，最低海拔937 m。攀枝花市地處攀西裂谷中南段，屬浸蝕、剝蝕中山丘陵、山原峽谷地貌，山高谷深，盆地交錯分布，地貌類型復雜多樣。該區域地質災害頻發，截至2010年，研究區內共發現滑坡災害點及滑坡災害隱患點184處，具體分布如圖1所示。

攀枝花市的滑坡數量多，分布廣，規模大，而且發生的頻率和成災的概率都大，給該區的工農業生產﹑交通運輸和人民生命財產造成了很大的危害。因此，加強地質災害防范是當地安全管理工作的重中之重。

圖1 滑坡災害分布圖

三、研究方法

1.影響因子的選擇

滑坡災害的發育形成受內外力綜合影響，本文根據攀枝花地區的地質、地形調查資料，綜合考慮滑坡內外動力影響因素進行滑坡影響因子的選擇。內動力因素包括地質因素、地形因素的和水文因素，其中地質因素用巖性來衡量，地形因素用坡度、坡向與高程來表達，水文因素用距水流距離來衡量。外動力因素包括人工開挖、修坡建房等人類工程活動，可利用距公路距離和土地利用類型來表達人類活動對滑坡的影響。綜合上述考慮，選取地層巖性、坡度、坡向、高程、距水流距離、距公路距離和土地利用類型共7個滑坡影響因子進行滑坡危險性評價。

2.數據來源

研究數據來源于中國山地災害與環境數據庫，由中國科學院水利部成都山地災害與環境研究所提供。原始數據包括攀枝花市1∶25萬行政界線數據、攀枝花市1∶25萬柵格地形圖數據(DEM)、攀枝花市1∶50萬地質類型數據、攀枝花市1∶10萬土地利用數據(2010年)、攀枝花市1∶10萬河流水系湖泊分布數據、攀枝花市遙感影像數據、攀枝花市道路交通數據、攀枝花市歷史滑坡災害及災害隱患點分布數據等。

3.數據預處理

首先將數據轉換到統一的地理坐標系和投影坐標系下;然后將土地利用類型和地質巖性分布兩個矢量圖層柵格化，生成的柵格圖像的分辨率與數字高程模型(DEM)的分辨率一致，即85 m×85 m;由河流線圖層和道路線圖層生成距離柵格圖，由DEM生成坡度柵格圖和坡向柵格圖;最后將所有柵格圖疊加，將發生滑坡的184個樣本點和未發生滑坡的148個樣本點共332個點作為采樣點，提取7個影響因子的屬性數據，編制 Logistic回歸數據表。圖2—圖8為各影響因子專題圖。

圖2 坡向專題圖

圖3 土地利用專題圖

圖4 地層巖性專題圖

圖5 坡度專題圖

圖6 水系專題圖

圖7 道路交通專題圖

圖8 數字高程模型

4.危險性評價模型

(1)理論依據

滑坡危險性評價的理論依據是工程地質類比法，即類似的工程地質環境及其組合可能發生類似的滑坡作用。滑坡災害危險性評價模型經歷了從定性模型、半定量模型到定量模型的發展。定性模型是基于專家的野外現場經驗判斷，直接從現場調查得出的易發性和危險性結果;半定量模型雖然使用數值方法對地質目標的空間位置和屬性開展數值計算，并得到了量值，但評價因素權重確定仍依賴于專家經驗;定量模型是根據過去區域滑坡災害的分布情況，在數理統計理論的指導下，建立影響因素和地質災害之間的數學模型，在模型得到驗證后，將其應用到地質環境相同或類似的區域，以評價地質災害的發生情況。定量模型包括二元與多元回歸模型、人工神經網絡模型、分形理論模型、支持向量機等。邏輯回歸分析方法沒有關于分布類型、協方差陣等方面的嚴格假設，不要求數據的正態分布，其參數估計比多元判別分析更加穩健，因此邏輯回歸方法在滑坡危險性評價中有著更為廣泛的應用。本文即選用邏輯回歸模型建立預測模型。

(2)邏輯回歸模型

邏輯回歸模型用于研究某一隨機事件發生的概率與某些因素之間的關系，如滑坡發生的概率與地層巖性、高程、河流水系分布等的關系。在邏輯回歸分析中，因變量Y是一個二分類變量，其取值Y=1和Y=0分別表示滑坡的發生和不發生。假定有p-1個因素 X1，X2，…，Xp-1影響 Y 的取值，π =P{ Y =1}為研究對象，以π(x)表示滑坡發生的概率，建立 π 與 X1，X2，…，Xp-1的 Logistic 模型

式中，f(X1，X2，…，XP-1)取為 X1，X2，…，Xp-1的線性函數，即

此時

即最終的邏輯回歸模型為

式中，β0代表回歸常數;βk代表第k個影響因素的回歸系數(k=1，2，…，p-1)。

在高程、坡度、坡向、土地利用類型、地層巖性、距河流距離、距公路距離7個影響因子中，DEM、坡度圖、距河流距離圖和距道路距離圖的柵格值都屬于連續變量，在預測時需要對連續變量進行合理的狀態劃分，這樣對優化預測模型，提高預測效果有一定的作用。劃分區間的原則是區間之間的數據要有盡可能大的差異性，但區間數不宜太多。根據快速聚類方法劃分的影響因子分類分級，見表1。

本文選取了184個滑坡災害點(含隱患點)和148個未發生滑坡的地點作為樣本，共計332個樣本點，使用ArcGIS中Spatial Analyst工具箱Extraction工具中的Sample功能，提取樣本點上的各個影響因素屬性，作為試驗數據，帶入SPSS中進行二元邏輯回歸計算。

表1 影響因子分類分級表

5.計算結果及分析

由SPSS的邏輯回歸過程，首先得到似然比統計量K2的觀測值K2=68.753，自由度為7，檢驗的p值為p=p{χ2(7)＞68.753}≤0.000 1。由此可見，x1，x2，…，x7對概率 P{ Y =1}的綜合影響是高度顯著的，建立的邏輯回歸模型是有意義的，即投入的自變量中，至少有一個自變量能有效預測因變量反映的事件發生的概率。各個影響因素的參數估計結果見表2。

表2 參數估計值及統計檢驗

由于 β2、β3、β4、β5、β6的 Wald 檢驗的 p 值較大，因此 β2、β3、β4、β5、β6對 P Y=1{ }的影響不顯著，為了建立一個更緊湊有效的Logistic回歸方程，最終只保留x1、x7兩個自變量，得到如下的Logistic回歸方程

式中，x1代表高程因素;x7代表坡向因素。方程表明，攀枝花地區滑坡的發生受高程因素和坡向因素影響較大，這兩個因素對滑坡發生有較好的解釋效果。

由式(5)計算各個柵格單元的邏輯回歸預測值，并根據概率大小將回歸預測值劃分為5個等級，見表3。

表3 危險性等級劃分

編制的攀枝花市滑坡災害危險性區劃圖如圖9所示，歷史滑坡點的頻數分布如圖10所示。由圖9可以看出，攀枝花境內低、中、高和極高危險性分級區域面積占總面積的比例分別為15.2%、23.03%、33.36%和20.98%，說明攀枝花市約1/3地區屬于中、低等地質災害危險區，1/2以上地區屬于地質災害高和極高危險區。

圖9 攀枝花地區滑坡危險性區劃圖

圖10 歷史滑坡點的頻數分布

根據圖9和圖10的區劃結果統計，危險性級別越高的區域，滑坡面積占分級區域面積的比例就越高，即滑坡災害密度越大。高危險區和極高危險區集中了大量的滑坡災害，而低危險區和中等危險區的滑坡分布相對稀疏。這說明本文劃分的危險性級別區域符合歷史滑坡分布現狀，編制的攀枝花市滑坡危險性區劃圖合理、有效。

四、結束語

本文基于GIS技術，利用攀枝花市基礎地理數據構建了滑坡災害危險性評價指標體系和評價模型，定量、客觀地完成了攀枝花市滑坡災害危險性評估和區劃，能夠較好地反映滑坡災害危險性的空間分布特征。

本研究得出的危險性沒有時間因素，如果在此評價基礎上疊加對滑坡危險性產生影響的時間因素，如地震因素或降雨因素，并以概率的形式與本文得到的危險性相乘，則可得到更為完整的滑坡危險性評價結果，也將會進一步提高評價精度。

［1］趙寶云，胡艷香，趙忠營，等.降雨誘發公路滑坡災害危險性評價動態權重系統［J］.地球與環境，2011，39(3):376-381.

［2］肖擁軍，高華喜.庫區移民新城滑坡災害危險性區劃研究［J］.地球與環境，2011，39(3):388-392.

［3］童祥.基于ANP的鐵路隧道塌方風險評價研究［J］.隧道地下工程，2011(7):74-77.

［4］孟令超，盧曉倉，史晨曉，等.基于信息量模型的達曲庫區滑坡危險性分析［J］.災害學，2009，24(4):31-34.

［5］朱良峰，吳信才，殷坤龍，等.基于信息量模型的中國滑坡災害風險區劃研究［J］.地球科學與環境學報，2004.26(3):52-56.

［6］黃俊寶.基于GIS的地質災害危險性模糊數學評判［J］.福建地質，2009，28(4):346-351.

［7］劉藝梁，殷坤龍，劉斌.邏輯回歸和人工神經網絡模型在滑坡災害空間預測中的應用［J］.水文地質工程地質，2010，37(5):92-96.

［8］王衛東，陳燕平，鐘晟.應用CF和Logistic回歸模型編制滑坡危險性區劃圖［J］.中南大學學報:自然科學版，2009，40(4):1127-1132.

［9］石菊松，張永雙，董誠，等.基于GIS技術的巴東新城區滑坡災害危險性區劃［J］.地球學報，2005，26(3):275-282.

［10］殷坤龍，張桂榮，陳麗霞，等.滑坡災害風險分析［M］.北京:科學出版社，2010:30，86-88.

［11］牛全福.基于GIS的地質災害風險評估方法研究［D］.蘭州:蘭州大學，2011.

［12］刑秋菊，趙純勇，高克昌，等.基于GIS的滑坡危險性邏輯回歸評價研究［J］.地理與地理信息科學，2004，20(3):49-51.

［13］夏瑞庚，朱元友，李新平.基于神經網絡的巖質邊坡穩定性評估系統研究［J］.自然災害學報，1996(1):98-104.

［14］范金城，梅長林.數據分析［M］.北京:科學出版社，2002.

［15］劉斌，殷坤龍，劉藝梁.基于柵格數據的巴東新城區滑坡空間預測［J］.地質科技情報，2010，29(3):133-138.