基于當日臨界雨量的國家級地質災害風險預警方法

李宇梅 狄靖月 許鳳雯 張國平 王志

（1 國家氣象中心，中國氣象局，北京100081；2 中國氣象局公共氣象服務中心，北京100081）

0 引言

我國是世界上地質災害最為嚴重的國家之一，每年因滑坡、崩塌和泥石流造成的死亡人數約占各類自然災害死亡人數的四分之一。滑坡、崩塌和泥石流分布范圍廣、災害重，在地質災害高發區因災損失已成為制約和威脅當地經濟社會發展和人民生命財產安全的重要因素。據中國地質環境監測院統計，2001—2014年滑坡、崩塌和泥石流發生數量年均約2.5萬起，約95%由自然因素引起，主要為降水、地震、冰雪凍融，每年造成死亡失蹤人數約為900人、直接經濟損失46億元左右。降水是引發滑坡、崩塌和泥石流的最重要觸發因素[1-5]，在全球變暖的大背景下，極端天氣事件呈現增多的趨勢[6-7]，短時強降水、臺風、暴雨等氣象災害引發的滑坡、崩塌和泥石流的危害性也有所加強[8]，僅2013年造成的經濟損失達101億元。

一般來說，在地質災害易發地區前期降水較為充沛條件下，下墊面含水量已明顯增加，如果當前再有暴雨，則爆發滑坡泥石流的概率大大增加。美國學者對Cleveland Corral區域同一滑坡體的2次滑坡研究表明[9]：深層緩慢下移變形的滑坡由持續降水（月降水）深層入滲引發，滑坡發生在降水時間幾周或幾個月后；淺層突發滑坡發生在2周明顯降水期間，滑坡發生在降水后期，很少滯后，另外研究表明[10]強降水（1或2 d內降水達到50～70 mm）是西雅圖地區大部分滑坡發生的直接誘因。意大利學者[11]對Ruinon區域滑坡研究發現：該區域年均降水為750 mm，其中低強度和短持續時間的降水事件（8～10 mm/d、持續幾天），滑坡的加速不是很明顯；短持續時間但是強度高的降水事件（10～15 mm/d、持續2～3 d）能引起滑坡的加速位移。韓國臺風極端降水誘發密集山體滑坡事件[12]，如2002年Rusa臺風誘發1500次滑坡，12 h雨量超過895 mm；2003年Maemi臺風誘發1200次山體滑坡，日雨量最大為410 mm，小時雨強最大為89.5 mm。由于降水與地質災害關系密切，通常將地質災害預報簡化為降水和地質災害發生的簡單判別關系，滑坡和泥石流的發生往往存在一個臨界雨量值[13]，當達到臨界雨量時，滑坡和泥石流存在多發和集中爆發的現象，普遍認為當前降水、前期降水、雨強及降水持續時間等都是主要建立地質災害臨界雨量方法的指標（因子）[14-18]，暴雨是90%滑坡、81%崩塌和全部泥石流的主要誘發因素[19]，其中當日強降水（≥50 mm）是最重要的因子，當日降水量閾值已成為預報泥石流、滑坡的主要指標[20-22]。前期研究中對2010—2012年136個地質災害事件進行分析，發現其中有102個地質災害事件做到提前預警，降水主要發生在當天，能夠引起人們足夠的重視來采取臨災避讓措施，避免了人員傷亡[23]。同時，在氣象部門降水預報業務中逐日降水預報是主要業務內容，目前地質災害氣象風險預警業務是發布當日未來24 h地質災害氣象風險預報，需要建立當日雨量閾值判斷指標。目前有些省（市）已建立了本地當日雨量閾值判斷指標，但是對全國區域的當日雨量指標閾值劃分還沒有系統化開展，且前期研究的24 h雨量閾值劃分由于擬合方法的原因較為粗略。另外，我國地域遼闊，西部地區地形地質條件復雜，地形起伏巨大，加上南北氣候差別大，區域性差異明顯[24]，各地區降水觸發地質災害的雨量差異大[25]，需要進行地質災害風險區劃劃分，分區開展降水誘發地質災害閾值研究。本文從實際預警服務需求出發，取當日降水量為因子分區建立基于當日降水量的地質災害氣象風險預報模型，建立與預警等級結合的當日降水雨量閾值指標，并對模型預報能力進行檢驗分析。

1 地質災害氣象風險分區

地質災害發生需要有一定的重力下滑和物質條件，陡峭的地形為構成地質災害的物質提供下滑能量條件，風化、破碎的巖石和植被碎屑，松散的土體構成地質災害固體物質來源。山地高程高、高差明顯、坡度大、地質構造復雜、斷裂褶皺發育、巖層結構松散、易風化、節理發育的地質環境都是容易產生滑坡、崩塌和泥石流的有利內在條件[26]，降水、氣溫等氣象因素是引發地質災害的有利外在條件。在建立地質災害與降水閾值研究中需要綜合考量區域內不同地理地質內在條件下地質災害發生的易發程度評價。目前較為普遍的地質災害易發區區劃方法是采用下墊面環境信息量模型方法，提取研究區域的地理地質特征因子作為評價因子，來對地質災害易發程度進行綜合評價[27-28]，將大區域劃分為若干個子區域，并認為子區域內的地質、地理和氣候環境背景相似，在子區域建立地質災害與降水閾值關系時可不考慮環境背景的差異。本文參考信息量方法來進行地質災害易發程度綜合評價，提取全國高程、高差、坡度、巖石類型、斷層密度和植被類型6個地理地質環境因子，綜合計算和分析全國區域的地質災害潛在危險度，將地理地質特性用地質災害潛在危險度來統一衡量。信息量法本質上屬于統計分析方法，使用該方法進行地質災害易發程度評價的具體研究過程可分為五個步驟：第一，建立適合的評價指標體系；第二，依據評價指標體系，分別計算各影響因子對地質災害發生所提供的信息量值；第三，劃分地質災害易發程度評價單元；第四，計算每個評價單元內各影響因子對地質災害發生提供的信息量總和；第五，根據各評價單元的信息量取值范圍確定地質災害易發程度等級。其中對于各影響因子對地質災害發生所提供的信息量值主要是根據式（1）計算得出，具體如一下：

式中，S為研究區總面積；N為研究區所含有的地質災害總面積；Si為研究區內含有評價因素Xi的面積數；Ni為分布在因素Xi內特定類別內的地質災害面積數。

對于單個評價單元內的總信息量值則是根據式（2）計算得到。

式中，Ii為評價單元總的信息量值；n為參評因子數；其他參數同前。

將總的信息量值作為衡量單元網格影響地質災害形成的綜合指標，值越大說明所在區域背景條件孕育地質災害發生的易發程度就越大。根據得到的各個單元網格的總信息量值進行地質災害易發程度的等級劃分。Ii＞0，=0，＜0分別說明該網格單元災害發生概率大于、等于、小于區域平均災害發生概率。

在地質災害易發程度評價的基礎上，依據中國地貌格局、地質環境特征和氣候背景特征，將全國劃分為9大環境相異的風險預警一級分區，分別為西北地區、東北地區、青藏高原區、黃土高原區、秦巴山區、華北地區、云貴高原區、中南地區、東南地區（圖1）。

圖1 全國地質災害危險性評價和分區 Fig.1 Assessment and zonations of geological disaster risk in China

2 基于當日降水量地質災害預報模型建模

在降水誘發西南地區公路損毀預測技術研究中[29]，采取前15 d有效降水因子、當日降水因子和綜合降水因子應用高斯擬合方法建立了三個降水因子與公路地質災害損毀發生頻次的預報模型，其中綜合降水因子是前15 d有效降水因子和當日降水因子按擬合確定性系數進行不等權平均的計算結果，并進行個例檢驗，其驗證表明加入當日降水量的綜合降水因子的公路損毀模型效果好于基于前期有效降水和當日降水模型，但前期有效降水和當日降水的預報模型也具有預報能力。本文不局限于研究西南地區的降水導致公路地質災害，而是關注全國整體區域受降水誘發的滑坡、崩塌和泥石流災害，研究范圍和災害樣本數大大增加，選取當日降水量作為因子，分區開展擬合研究，擇優建立擬合方程。

2.1 資料

本文研究的災害資料提取1950年1月至2015年10月全國地質災害災情信息。降水資料提取1950年1月至2015年10月逐日降水量資料。

在建立模型的資料統計中，以選擇距離地質災害發生地點最近的氣象站點為原則，基于泰森多邊形法，將2487個國家氣象站點分割成2487個泰森多邊形，根據地質災害點的經緯度信息，災害點發生的位置處于哪個泰森多邊形內，則以該多邊形內的氣象站點雨量作為該災害點的降水量，選取對應發生日期日降水量信息，作為參與建模的降水因子。研究中使用1950—2014年歷史地質災情（來源于中國地質環境監測院）和降水數據資料用于建立預報模型，應用2015年地質災情（其中全國檢驗的災情來源于中國氣象局災情直報信息，個例檢驗災情來源于中國地質環境監測院）和降水數據來進行預報模型效果檢驗。

2.2 地質災害發生頻次擬合

基于全國地質災害風險分區區劃信息，列出各分區的地質災害的當日降水量，為了提高當日降水量數據的正態性，對當日降水量值進行開立方處理，形成分布較為集中的降水因子序列，取序列的最大值RXmax，將序列分成50等份，根據降水因子及地質災害發生的頻次分布散點信息，采用高斯擬合、多項式擬合、傅里葉擬合對降水因子數據點集進行函數逼近擬合（圖2）。

圖2 降水因子與地質災害發生頻次的關系 Fig.2 Frequency distribution of geological disaster with precipitation factor

從三組擬合曲線形態和擬合的各項指標上（表1）看，高斯擬合方法的確定系數最大，誤差評價值也均為最小，優于多項式擬合和傅立葉擬合。

表1 三種擬合曲線評價 Table 1 Comparison of curve-fitting among three fitting methods

因此選用高斯函數構建地質災害發生概率密度分布函數，按式（3）對其進行積分可以得到地質災害發生概率預報方程：

式中，Y為地質災害發生概率，x為當日降水量的開立方值，a、b、c均為參數，a=σ-1(2π)-0.5，b為統計樣本平均值，c=20.5σ，σ為樣本序列的標準差（RMSE），具體數值根據降水因子與地質災害災害發生頻次的散點分布情況而定。

2.3 分區建立地質災害概率預報模型

假設在同一區域內，發生地質災害的其他潛在條件都相似，降水量成為唯一的決定因素，這樣只需統計降水因子與地質災害的關系，建立地質災害概率預報方程。

對降水因子序列按西北地區、東北地區、青藏高原區、黃土高原區、秦嶺大巴山區、華北地區、云貴高原區、中南地區、東南地區分為9個序列組，通過高斯擬合構建概率密度函數，計算出各區高斯概率密度擬合曲線（圖3），積分后得到各區地質災害發生概率預報方程，具體參數值詳見表2。

圖3 分區地質災害概率密度高斯擬合曲線圖 Fig.3 Fitting curves of probability density of geological disaster and precipitation factor in 9 regions：

目前國家級地質災害氣象風險預警分級為藍、黃、橙、紅四個等級，根據擬合結果，以25%、50%、75%、90%地質災害發生概率對應的當日降水值作為地質災害氣象風險預警藍、黃、橙、紅臨界當日雨量閾值，詳見表3。南方各區以及東北地區的橙色預警起報臨界雨量為47.3～80.3 mm/d（大雨到暴雨）；東南地區的臨界雨量達80.3 mm/d；西北、黃土高原地區橙色預警臨界雨量為24.3～29.5 mm/d（中雨到大雨）；青藏高原地區橙色預警臨界雨量最低，只有17.8 mm/d（中雨）。在實際預警業務中，通常對公眾發布未來24 h的地質災害氣象風險預警，因此，結合最新24 h降水預報，按表3臨界雨量就可以判定某地的地質災害氣象風險預警等級，預報員只需重點關注當日雨量預報來修正地質災害氣象風險預警級別，操作簡單快捷，訂正相對容易。并且，當日發生降水時發布地質災害氣象風險預警，容易引起足夠的重視開展群測群防、臨災避讓等措施，因此該方法具有較高實際應用價值。

表2 概率擬合方程參數表 Table 2 Parameters of probability fitting equation for each of 9 regions

3 風險預報方法檢驗

選取2015年收集全國4—10月共172個地質災害案例作為檢驗樣本，由于災情案例沒有具體發生經緯度及發生時刻，只有災害發生日期和發生地所在縣、市名，只能提取災害所在地國家氣象站當日降水量，分區按表3逐個判別預警級別來分析模型預報性能（表4）。在172個檢驗樣本中發現有13個當日無雨、6個當日有微量降水（0.01 mm），約占樣本數11%，在預警級別中判定為沒有預報。分析表明模型在藍色及其以上級別累計預報114次，占總發生次數的66.3%，黃、橙、紅色預警占總發生次數的49.4%，檢驗結果表明模型預報在全國范圍具有一定參考性，但這可能與國家站布設相對少，不能很好地代表地質災害災點降水以及模型沒有考慮前期降水有關。

表3 地質災害氣象風險預警當日臨界雨量（單位：mm） Table 3 The intraday critical precipitation of early warning for variours geological disaster risks (unit: mm)

表4 地質災害氣象風險預警模型不同預警級別預報次數和比例 Table 4 Times and proportions of warning for 4 grades of geological disaster risks

同時，為了更好驗證模型應用效果，選取具有詳細災點經緯度和發生時間的地質災害案例進行檢驗，選取的是東南預警分區2015年5月18—20日江西興國和于都縣降水誘發地質災害過程對模型進行個例檢驗。

3.1 天氣過程和地質災害災情

2015年5月17日20日—21日08時，江西中南部出現大到暴雨，局地大暴雨，江西興國縣、于都縣過程累計雨量普遍在100 mm以上，興國縣中北部地區降雨量達200～497 mm（圖4），強降水主要集中在18—20日，其中18日夜間至19日白天降水最強，興國縣大部、于都北部出現大暴雨，于都葛坳鄉降水量達198.7 mm，19日夜間至20日白天，興國縣大部、于都中北部出現暴雨，興國縣北部局地有大暴雨。受此次降水過程影響，江西興國、于都縣出現群發性崩塌、滑坡、泥石流災害，通過實地災害勘察和調研，共整理獲取955條含經緯度信息和具體發生時間精確到小時的詳細地質災情，由于災點很密，在同一自動站區域臨近有多個地質災害發生，因此按發生時刻提取距離災點最近的自動站雨量數據作為災點降水實況，對相同降水實況除重（只保留一個樣本），最后整理形成過程共85站次當日雨量實況樣本數據進行檢驗分析，其中17—21日逐日20時—次日20時出災站數分別為12、29、28和16次（在圖5中用點標出，表示該站點當天發生過地質災害）。

3.2 地質災害概率模型預報檢驗

以歐洲中心細網格EC預報降水（20時—次日20時）作為模型降水輸入因子，根據基于當日雨量地質災害概率預報模型，計算得出江西興國、于都5月18日—21日各自動加密站地質災害發生概率。

江西興國和于都位于東南預警分區中，從表3可知，地質災害發生概率25%、50%、75%和90%對應的當日雨量閾值為16.5、40.7、80.3和131.1 mm。從圖5a可知，2015年5月17日夜間至18日白天，興國縣中東部、于都縣北部地區地質災害氣象風險達到藍色預警（發生概率25%），EC預報興國縣東南部、于都縣北部有大雨，該區域地質災害發生概率在35%～38%；18日夜間至19日白天（圖5b），EC降水預報增大，興國縣、于都縣北部有大雨，該區域地質災害發生概率在40%～52%，局地達到黃色預警；19日夜間至20日白天（圖5c），EC降水預報出現暴雨區，為過程最強，暴雨區南壓至于都縣中南部，興國縣南部也有大雨，地質災害發生概率為50%～75%高值區，對應黃色和橙色預警；20日夜間至21日白天（圖5d），EC降水明顯減弱，普遍預報10～20 mm的中雨，地質災害發生概率也隨之下降，興國縣中東部、于都縣北部地質災害發生概率為25%～30%，只預報藍色預警。從出災站點的地質災害發生概率預報來看，17—21日逐日發生過地質災害的自動站大部分預報地質災害發生概率＞25%，18和19日能預報出＞50%發生概率，基于EC降水預報的地質災害概率模型基本能提前做出客觀預警指示。

3.3 地質災害概率模型實況檢驗

圖5 自動站站點EC降水預報值（單位：mm）和地質災害發生概率（單位：%）落區（線條） Fig.5 The EC model rainfall forecast for automatic stations (unit: mm) and probability distribution（unit: %）of geological disaster by the geological disaster model

實際上，江西興國和于都縣的實況降水普遍比EC預報降水大一個量級，甚至兩個量級，EC過程預報降水普遍為中到大雨，僅19日20時預報出于都有暴雨，但與實況相比，預報的暴雨區偏南，且興國實際的暴雨和大暴雨區僅預報出中到大雨。針對EC降水預報偏小，模型概率預報值偏低，需要進一步用實況降水來驗證模型性能。選取5月17—21日逐日出災站點的20日—次日20時降水實況輸入模型計算發生概率，統計不同預警級別的站數和比例（表5），18日20時—20日20時降水最強，出現災害的站數最多。17日20時—18日20時，興國中北部出現大到暴雨，于都北部局地暴雨，其他地區小雨，地質災害集中在興國中部和于都北部地區（圖5a），出災站點黃色和橙色預警占總站數66.7%，但降水量沒有達到紅色預警閾值，沒有紅色預警，且有2站次漏報；18日20時—19日20時，兩地出現過程最強降水，興國大部、于都北部出現大暴雨，降雨量一般有100～156 mm，最大達234 mm，興國西南部、于都中南部有中到大雨，地質災害集中在興國和于都北部地區（圖5b），計算的地質災害概率也集中在高值區，出災站點黃、橙、紅三種預警比例達96.5%，紅色預警就占58.6%，僅有1站次為藍色預警，沒有漏報；19日20時—20日20時，興國、于都中北部有大到暴雨，興國北部局地有大暴雨，地質災害集中在興國和于都北部地區（圖5c），出災站點黃、橙、紅三種預警比例為71.4%，橙色和紅色預警比例有21.4%，沒有漏報；20日20時—21日20時，兩地降水強度減弱，興國大部地區為小到中雨，興國東南部、于都北部有大雨，于都中南部有暴雨，地質災害集中在興國中東部和于都北部地區（圖5d），有8站次沒有達到藍色預警標準，出現漏報。

此次過程降水實況模型檢驗效果較好，有88.2%站次成功預報，模型對暴雨、大暴雨較為敏感，能夠捕捉作24 h內所有暴雨誘發的地質災害事件，給予高等級地質災害預警提示，但對低于40.7 mm的日雨量，尤其是小到中雨不敏感，容易漏掉這些當日降水較弱，但近期有強降水的災害事件，21日漏報的8站次位于興國縣中北部，前3天都持續較強降水，18日漏報的2站次，經查也發現災前2～3 d也出現明顯降水。

表5 出災站點實況降水地質災害氣象風險不同級別預警站數和比例 Table 5 Disastrous stations and proportions of warning for 4 grades of geological disaster risks

4 結論和討論

當日降水量經開立方處理后作為建模因子與地質災害發生概率密度進行高斯擬合、傅里葉擬合和多項式擬合，結果表明高斯擬合效果最優，可選用高斯擬合方法建立地質災害概率預報模型，分區構建當日臨界雨量判據，通過預報檢驗，表明該方法指標易于判別，能捕捉南方地區暴雨、西北和黃土高原地區大雨引發的地質災害事件，預報效果較好，具有實際應用價值。

但由于預報模型建模僅采用當日降水一個因子，沒有考慮前期降水的影響，在檢驗中也發現大約有11%地質災害樣本是由前期降水引發。為了減少漏報率，后期預報研究中還應將考慮前期降水，建立有效降水和綜合降水因子模型，對比分析當日降水、有效降水和綜合降水因子模型，采用驗證效果最好的模型。當日降水量是建立地質災害氣象預報方法最重要的因子，降雨型滑坡崩塌絕大多數由暴雨引發，降雨型泥石流的發生更是離不開當日發生強降水，當日降水因子與有效降水和綜合降水因子相比，當日臨界雨量判定方法具有無需計算因子值、判定更直觀和簡便，普適度高，有利于根據當日降水量快速判定地質災害風險預警級別，特別適用于地方局地突發短時強降水而可能導致地質災害的快速地質災害氣象風險預警服務，當地部門和民眾可根據當前降水實況和當日臨界雨量指標快速估計當前地質災害氣象風險高低，及時調整和采取臨災避讓等措施。另外，全國地質災害氣象風險分區只劃分為9大分區，還需要進一步細化分區，增加二級、三級乃至四級分區，探討地質災害易發度級別，將預報區域的內在地質災害易發度與降水因子結合起來，共同判定地質災害氣象風險預警級別更為合理和全面。

[1] 張友誼, 胡卸文, 朱海勇. 滑坡與降雨關系研究展望. 自然災害學報, 2007, 16(1): 104-107.

[2] 譚萬沛, 王城華. 暴雨泥石流滑坡的區域預測與預報——以攀西地區為例. 成都: 四川科技出版社, 1994.

[3] 崔鵬, 劉世建, 譚萬沛, 等. 中國泥石流監測預報現狀與展望. 自然災害學報, 2000, 9(2): 10-15.

[4] 魏永明, 謝又予. 降雨型泥石流(水石流)預報模型研究. 自然災害學報, 1997, 6(4): 48-54.

[5] 高速, 周平根, 董穎, 等. 泥石流預測、預報技術方法的研究現狀淺析. 工程地質學報, 2002, 10(3): 279-283.

[6] 杜予罡. 影響中國極端天氣氣候事件變化的初探. 南京: 南京大學, 2013: 39-48.

[7] 楊小波, 陳麗娟, 劉蕓蕓. 我國降水和氣溫的分級概率時空分布特征. 應用氣象學報, 2011, 22(5): 513-523.

[8] Yun T, Chuan T. The influence of human activity and precipitation change on mid-long term evolution of landslide and debris flow disasters. Sciences in Cold and Arid Regions, 2013, 5(6): 715-721.

[9] Jibson R W. The 2005 La Conchita, California, landslide. Landslides, 2006, 3: 73-78.

[10] Chleborad A F. Preliminary evaluation of a precipitation threshold for anticipating the occurrence of landslides in the Seattle, Washington, Area. US Geological Survey Open-File Report , 2003.

[11] Del Ventisette C, Casagli N, Fortuny-Guasch J, et al. Ruinon landslide (Valfurva, Italy) activity in relation to rainfall by means of GBInSAR monitoring. Landslides, 2012, 9: 497-509.

[12] Chae B G, Kim M I. Suggestion of a method for landslide early warning using the change in the volumetric water content gradient due to rainfall in filtration. Environmental Earth Sciences, 2012, 66: 1973-1986.

[13] 章國材. 自然災害風險評估與區劃原理和方法. 北京: 氣象出版社, 2014.

[14] 高速, 周平根, 董穎, 等. 泥石流預測、預報技術方法的研究現狀淺析. 工程地質學報, 2002, 10(3): 279-283.

[15] 周明浪, 邵新民, 羅美芳. 浙江溫州滑坡地質災害預警方法及應用. 中國地質災害與防治學報, 2014, 25(2): 90-96.

[16] 薛群威, 劉艷輝, 唐燦. 突發地質災害氣象預警統計模型與應用. 吉林大學學報(地球科學版), 2013, 43(5): 1614-1621.

[17] 譚萬沛, 韓慶玉. 四川省泥石流預報的區域臨界雨量指標研究. 災害學, 1992, 7(2): 37-42．

[18] 姚令侃 .用泥石流發生頻率及暴雨頻率推求臨界雨量的探討. 水土保持學報, 1988, 2(4): 72-77．

[19] 李媛, 孟暉, 董穎, 等. 中國地質災害類型及其特征——基于全國縣市地質災害調查成果分析. 中國地質災害與防治學報, 2004, 15(2): 29-32.

[20] 李慧琳, 宮煥盛, 韓衛東. 丹東地區地質災害氣象預警系統. 氣象與環境學報, 2007, 23(1): 12-16.

[21] 李安泰, 何宏讓, 張云. WRF模式對舟曲“0808”特大泥石流暴雨的數值模擬. 氣象與環境學報, 2012, 28(2): 54-59.

[22] 伍宇明, 蘭恒星, 高星, 等. 臺風暴雨型滑坡降雨閾值曲線研究——以福建地區為例. 工程地質學報, 2014, 22(2): 255-262.

[23] 張國平, 宋建洋, 邵小路, 等. 近期我國大型地質災害預報與避險案例分析. 自然災害學報, 2015, 24(3): 20-26.

[24] 虞海燕, 劉樹華, 趙娜, 等. 1951—2009年中國不同區域氣溫和降水量變化特征. 氣象與環境學報, 2011, 27(45): 1-2.

[25] 張國平, 徐晶, 畢寶貴. 滑坡和泥石流災害與環境因子的關系. 應用生態學報, 2009, 20(3): 653-658.

[26] 馬力, 崔鵬, 周國兵, 等. 地質災害氣象. 北京: 氣象出版社, 2009: 29-40.

[27] 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. 地球科學與環境學報, 2004, 26(3): 52-56.

[28] 張國平. 有效雨量和滑坡泥石流災害概率模型. 氣象, 2014, 40(7): 886-889.

[29] 狄靖月, 王志, 田華, 等. 降水引發的西南地區公路損毀風險預報方法. 應用氣象學報, 2015, 26(3): 268-277.