藏東南帕隆藏布流域雪崩關鍵影響因素與易發性區劃研究*

文 洪 王 棟 王生仁 杜世回 向世誼 凌斯祥 巫錫勇

(①西南交通大學地球科學與環境工程學院， 成都 611756， 中國)

(②宜賓學院智能制造學部， 宜賓 644000， 中國)

(③中鐵第一勘察設計院集團有限公司， 西安 710043， 中國)

0 引 言

雪崩是斜坡上大量積雪在重力驅動下傾瀉而下形成的一種自然現象，是在中、高緯度多雪山區廣泛分布的自然現象和物質運動形式，具有突發性、群發性、可重復性等特點(Schweizer et al.，2003; Haeberli et al.，2014)，與泥石流、巖崩、滑坡等山地災害一樣，都屬于重力過程(Bründl et al.，2010; 崔鵬等， 2018)。雪崩常常引起各式各樣的直接災害，還會引發巖崩、滑坡、泥石流等次生災害，造成堰塞堵江、冰湖潰決等，形成災害鏈(Podolskiy et al.，2014; Techel et al.，2016)，對周圍的自然環境和人類社會產生不同程度的影響。當前全球氣候正經歷著以變暖為主要特征的顯著變化(Harvey， 2018)，本世紀末青藏高原氣溫會激增4℃(Wang et al.，2021)。持續的氣候變暖一方面導致極端降水事件頻率增加、強度增大，另一方面加劇了冰雪消融速率而促使雪崩災害風險顯著增大(Nadim et al.，2006; Keiler et al.，2010; 崔鵬等， 2014)。現今，川藏鐵路交通廊道將穿越多冰川、富積雪的帕隆藏布流域，其隧道進出口、輔助坑道洞口及相關施工便道、施工場地等是否會受到雪崩災害威脅、如何規避雪崩災害等是工程建設者與相關研究人員十分關心的重大課題。因此構建一套有效易行、科學合理的雪崩易發性區劃評價體系，是應對和規避雪崩災害風險增加的必然需求，對布局在青藏高原等多雪山區的川藏鐵路以及規劃中的滇藏鐵路、川藏高速公路等重大工程建設具有重要的指導意義。

歐洲學者在18世紀就開始對阿爾卑斯山地區雪崩災害進行了研究，如：瑞士等多雪國家根據雪崩沖擊力和復發周期制定雪崩危險區劃與制圖準則(Meister， 1995)，在此基礎上，依據雪崩災害風險等級進行山區土地利用規劃管理。其中：復發間隔在300年的紅色區域為最危險的等級，其法律規定不允許作為開發地區； 在中度危險區，可以建造房屋，但必須加固以承受高達3t·m-2的沖擊壓力(Gruber et al.，2001)。這種雪崩區劃標準已廣泛應用于俄羅斯、加拿大、美國等多雪崩災害的國家(Council， 1990; Jamieson et al.，2002; Seliverstov et al.，2008)。國內學者王彥龍(1992)按照地貌形態和氣候特征原則進行了全國尺度的雪崩風險區劃； 胡汝驥等(1995)根據地形切割密度、地形切割深度、山坡狀況、橫斷面形態、多年平均最大雪深等指標對天山區域進行了雪崩危險性區劃； 此外，還有部分學者以積雪單元或斜坡單元尺度對雪崩危險度進行了評價研究(周石硚等， 2003; 陳楚江等， 2009)。當前，主成分分析法(PCA)、信息量模型(I)、確定性系數模型(CF)等定量化方法已經在地學其他領域得到大量應用( 許沖等， 2010; 許英姿等， 2016; Zhang et al.，2018; 楊光等， 2019; 胡卸文等， 2020； 楊晨晨等， 2020; 張玘愷等， 2020)，為雪崩易發性區劃提供了可資借鑒的方法。毫無疑問，根據當地的雪崩重現周期、規模和損害狀況等統計數據和實地分布狀況來確立的雪崩危險區劃與制圖準則依賴于長時間尺度的現場觀測數據積累，顯然無法應用于藏東南這類人煙稀少、資料短缺的艱難復雜山區。

本文從雪崩發生機制或形成條件出發，基于遙感解譯和野外調查識別的381個崩至林線以下的溝槽型雪崩樣本，通過采用主成分分析法(PCA)對雪崩影響因素進行分析，提取藏東南帕隆藏布流域內雪崩的關鍵影響因素，并基于PCA獲取各影響因素的權重，結合信息量法和確定性系數法，綜合以PCA-Ⅰ和PCA-CF法獲得帕隆藏布流域內雪崩災害的易發性區劃，并對其易發性區劃結果進行對比分析，探索構建一套能采用遙感、GIS軟件等手段進行定量化賦值，并且適用于艱難復雜山區，有效易行、科學合理的雪崩易發性區劃評價體系，為研究區內的川藏鐵路等重大工程建設的防災減災提供理論依據和實踐依據。

1 研究區概況

1.1 自然地理環境概況

帕隆藏布發源于八宿縣然烏湖南側的阿扎貢拉冰川，源頭海拔約4900m，呈東南—西北走向，到通麥附近有易貢藏布匯入，繼而轉向南流，于覺東(林芝市巴宜區排龍鄉)匯入雅魯藏布江。本次研究范圍選取帕隆藏布源頭至通麥段，該段干流長約251km，落差約2800m。

帕隆藏布位于喜馬拉雅山東構造結東部(圖1)，受印度板塊的推覆作用而導致山體隆升，加上河流不斷下切，形成山高坡陡、河谷深切的地貌格局，近東西走向的山嶺地勢上呈北高南低，山嶺海拔多在5000m以上，其相對海拔高差可達2000～3000m，為雪崩發育提供了有利的地形條件。帕隆藏布屬于雅魯藏布江的一級支流，而印度暖濕氣流沿著雅魯藏布江溯流而上至南迦巴瓦構造結處進入帕隆藏布流域，由于受到伯舒拉嶺的阻攔，使流域內年降水日數達150～200d，現代海洋性冰川發育。流域內降水充沛，特別是冬春兩季的固態降水為雪崩發育提供了充沛的物質條件。帕隆藏布流域內獨特的氣候與環境孕育了豐富的生物物種和多樣的生態系統。區域內植被類型復雜多樣，具有鑲嵌性，同時又具有一定規律性，植被垂直分帶規律明顯。區內山地林木、灌叢能有效減弱風雪流，并對雪崩的形成和運動有阻滑效應。

圖1 研究區地質條件背景圖

1.2 雪崩編目數據庫

針對雪崩的季節性以及雪崩堆積體僅有較短暫的時空窗口期等特殊性，筆者特別重視在雪季或雪崩頻發時段、以及雪崩發生后第一時間的現場調查，以直觀有效地判別雪崩運動范圍、地形地貌、破壞特征及堆積體特征等。其中：雪崩雪堆積體是區別于崩塌、滑坡等其他地質災害的明顯標志，此外還有雪崩作用形成的匍匐樹等植被特征、雪崩攜帶碎屑堆積形成的雪崩丘、雪崩壟等地貌特征。自2018年以來，先后7次到帕隆藏布流域開展詳細的野外調查。調查時間所處月份分別有11月、12月、1月、3月、4月，基本涵蓋冬半年的每1個月，且進行了2次夏季對比調查和雪崩作用遺跡調查。通過野外調查和遙感解譯，共收集到381處崩至林線以下的溝槽型雪崩，詳細記錄了雪崩流域形態，雪崩路徑高差、長度、流向、平均坡度，以及雪崩形成區面積、平均海拔、平均坡度等特征參數和堆積體特征、破壞特征，建立研究樣本數據庫。其中：實地調查雪崩275處，遙感解譯雪崩106處； 帕隆藏布干流206處，曲宗藏布支流84處，波堆藏布支流91處(圖2)。在流域內還有大量活動在永久性積雪區域的雪崩，但是其活動范圍未越過林線、難以威脅到人類生產生活，未納入本次研究范圍。在后文的影響雪崩災害的關鍵影響因素分析及易發性區劃中，僅是針對崩落至林線以下的溝槽型雪崩。

圖2 研究區雪崩分布圖

2 雪崩關鍵影響因素分析

雪崩的形成是一個十分復雜的過程，其影響因素很多，包括積雪厚度、含水率、密度、雪晶大小與形狀、雪層結構、硬度、雪溫與溫度梯度、坡度、植被類型與覆蓋率、風速、風向、降雪、海拔、相對高差、坡度、坡向等(Schweizer et al.，2003)。這些影響雪崩發育的各類因素相互作用又相互依賴，共同組成了一個獨特的雪崩孕災環境。在這些影響因素之中，究竟哪些是主要影響因素，哪些為次要影響因素，對于雪崩災害的易發性區劃、雪崩危險度評價以及預測預報等都有十分重要的意義。

2.1 影響因素與數據來源

從總體上來說，上述雪崩影響因素可分為氣候氣象、地形地貌和積雪特性3大類。積雪屬于物質條件，地形賦予雪崩發育的能量條件，氣候提供了降雪的同時，氣溫突變、陰晴變化也構成了雪崩的激發條件。除去雪晶大小與形狀等時序變化較大并且無法進行量化制圖的積雪特性因素，選取以下可采用遙感、GIS等技術手段進行定量化提取的因素：雪崩形成區的平均海拔、坡度、坡向、地面粗糙度、地面曲率、地形起伏度、地表切割深度、高程變異系數、平均年降雪量、平均年降雪日數、一月平均溫度、日最大風速、年平均大風天數、年最大積雪厚度、水系(距河流距離)、斷層(距斷層距離)、植被覆蓋指數(NDVI)和地表覆蓋類型共18個影響因子進行分析。其中：海拔、坡度、坡向、地面粗糙度、地面曲率、地形起伏度、地表切割深度、高程變異系數均通過12.5m分辨率的ALOS DSM，借助于GIS平臺提取； 平均年降雪量、平均年降雪日數、一月平均溫度、日最大風速、年平均大風天數、年最大積雪厚度采用帕隆藏布流域及周邊各站點近30年的氣象數據統計，進行克里格插值獲得(其中平均年降雪量、平均年降雪日數、一月平均溫度、年最大積雪厚度考慮了高程進行空間插值獲得)； 水系(距河流距離)依據全國地理信息資源目錄服務系統的1︰25萬公開版基礎地理數據； 斷層依據1︰20萬區域地質圖矢量化； 植被覆蓋指數(NDVI)的提取主要在ENVI軟件中完成，通過下載Landsat8衛星影像數據，進行輻射定標和大氣校正后進行波段計算得出NDVI； 地表覆蓋類型根據全國地理信息資源目錄服務系統的30m全球地表覆蓋數據分類賦值。

2.2 分析模型及實現方法

主成分分析(Principal Component Analysis， PCA)，是一種統計方法。主成分分析(PCA)是利用降維的思想，在損失很少信息的前提下把多個指標轉化為多個綜合指標的多元統計方法(Jolliffe et al.，2016)。轉化生成的綜合指標稱之為主成分。其原理及實現步驟如下。

步驟1：標準化。

將原始數據標準化，以使每個變量均對分析產生同等作用。從數學上講，這可以通過減去平均值并除以每個變量每個值的標準差來實現。

(1)

步驟2：協方差矩陣計算。

協方差矩陣是一個n×n對稱矩陣(其中n是維數)，具有與所有可能的初始變量對相關的協方差作為輸入。例如，對于具有n個變量的n維數據集，協方差矩陣是一個n×n的矩陣，其源于：

(2)

通過協方差矩陣可以判定變量之間的相關性。如果協方差為正，則：兩個變量一起增加或減少(相關)； 反之，則：一個增加而另一個減少(逆相關)。協方差矩陣匯總了所有可能的變量對之間的相關性。

步驟3：計算協方差矩陣的特征向量和特征值，以識別主要成分。

特征向量和特征值是需要從協方差矩陣計算出的線性代數概念，以確定數據樣本的主要成分。主成分是初始變量構造的線性組合或混合的新變量。主成分分析法嘗試在第1個成分中放置最大可能的信息，然后在第2個成分中放置最大的剩余信息，依此類推。

2.3 分析結果

根據前述主成分分析法的原理，借助于SPSS統計分析軟件，對前述18個定量化提取因子的數據進行降維、標準化處理后進行相關性分析，建立相關系數矩陣，求出主成分特征值、貢獻率、成分矩陣等。其中：相關系數矩陣中大部分相關系數大于0.3，說明大部分變量之間直接的相關性比較強； KMO(Kaiser Meyer Olkin)檢驗系數為0.696(≈0.70)，Bartlett檢驗對應P值為0.000，小于0.05，說明樣本符合數據結構合理的要求，具有相關關系，這些原始變量均適用于主成分分析。總方差解釋表如表1所示，成分矩陣如表2所示，特征值陡坡圖如圖3所示，主成分圖如圖4所示。

表1 總方差解釋表

表2 因素荷載

圖3 陡坡圖

圖4 主成分模式盒圖

2.4 討 論

在主成分分析結果的解讀方面，國內外學者都進行了大量研究和實例應用。綜合本樣本分析的特征值(表1)、特征值累計百分比(表1)、陡坡圖(圖3)分析，前5個主成分特征值均大于1，其特征值累計百分比接近80%，陡坡圖中第5主成分之后的數據趨于平緩，因此我們認為可以提取前5個主成分。依據因素荷載表(表2)，綜合考慮橫行和縱列，歸納如下。

第1主成分中起主要控制作用的變量是：年平均降雪量、年平均降雪日數、一月平均氣溫、冬季最大風速、年最大積雪厚度，其主成分荷載均大于0.9。依據這5個變量將第1主成分歸納為氣候氣象主成分。

第2主成分中起主要控制作用的變量是：平均坡度、地面粗糙度、地形起伏度、地表切割度、高程變異系數，其主成分荷載均大于0.7。依據這5個變量將第2主成分歸納為宏觀地形主成分。

第3主成分中起主要控制作用的變量是：平均海拔。第4主成分中起主要控制作用的變量是：坡向、地表曲率。將這2個主成分歸納為微觀地形主成分。

第5主成分中起主要控制作用的變量是：斷層。其主成分荷載為負值，從理論上講，其對雪崩發育起到的作用為抑制作用。此外，起抑制作用的有水系、植被覆蓋指數、地表覆蓋類型。將其歸納為抑制作用主成分。

各變量在5個主成分中的主成分荷載絕對值均小于0.5的是：年平均大風天數，由此可見，雪崩發育對該變量敏感性較低。

如表1所示，第1主成分，即氣候氣象主成分，解釋了30.61%的數據變異； 第2主成分，即地形地貌主成分解釋了21.23%的數據變異； 第3、4、5主成分解釋了共計20.26%的數據變異。這些數據定量化表達了帕隆藏布流域內雪崩活動各影響因素對雪崩活動的影響控制程度。

其中：氣候氣象主成分為雪崩的發生提供了必要的物質條件。雪崩產生的先決條件之一就是降雪的產生，而降雪與氣候因素有很大的關系。年平均降雪量、年平均降雪日數、年最大積雪厚度直觀地表征了雪崩形成的物質條件——積雪多少的差異； 當冬季氣溫較低，積雪具備較好的冷儲條件下，多次降雪可以得到累積，形成更厚的積雪，因而，一月平均氣溫所表征的冷儲條件有利于雪崩發育的物質條件，即積雪的積累； 在山區，風的作用會顯著影響雪的分布，使得局部區域積雪富積，比如在山脊形成雪檐，易于產生雪崩。

宏觀地形主成分所表達的空間分異為雪崩的發育提供了能量條件。雪崩是在重力驅使下積雪層的下滑力大于雪體內部的摩擦力、積雪層內雪粒間黏聚力等阻力時發生的現象。平均坡度的大小表征了積雪層內重力提供的下滑力的大小； 地面粗糙度、地形起伏度、地表切割度、高程變異系數都是宏觀地形因子，表征了地表形態起伏的基本格局、地貌形態的復雜程度，其本質上是較大地表區域內高程信息的變異及組合特征，而高程差異恰好是賦予雪崩發育所需能量的具體體現。

微觀地形主成分中，海拔度量了山地所處的高度，氣溫、降雪、植被分布等因子都隨海拔高程的變化而變化，雪崩的發生具有較明顯的海拔效應； 坡向是決定地表局部地面接受太陽輻射的地形因子，并且關系到山坡和攜帶水汽的主要氣團路徑和盛行風向之間的相對位置，進一步影響到斜坡降水多寡、積雪分布等； 地表曲率是對地形表面一點扭曲變化程度的定量化度量因子，雪坡上的凸起，凹陷都是雪崩的觸發點。

抑制作用主成分中的植被覆蓋指數和地表覆蓋類型主要表現在樹木對雪崩發生存在一定的抑制作用，因為茂盛的植被能夠截留積雪，阻止雪崩積雪薄弱層的形成，樹林就像一個個錨點阻止雪層滑動； 水系因子表達的是雪崩形成區范圍距河流的距離，其值越大，表示雪崩形成區范圍距河流越遠。雪崩形成區一般發育在斜坡山脊附近，通常是斜坡面距河流最遠的位置，因而在定量關系上表達出相反的抑制作用； 斷層因子定量化表達了雪崩形成區距斷層的距離。斷層常常構成一定地區的構造格架，同時控制和影響當地的水系展布格局、地震活動等。地震活動對于雪崩發育主要表現為激發作用。在斷層對帕隆藏布流域雪崩發育的影響上表現為抑制作用，其具體表現可能與斷層控制水系展布等相關。

3 雪崩易發性區劃

本文從381個雪崩范圍中隨機選擇80%的樣本點作為訓練樣本來建模，該80%的雪崩樣本(計305個)總面積為344.43km2。結合前述提取的4個方面的主成分共計18個評價指標因子，采用信息量模型、確定性系數模型兩種方法結合主成分分析法提取的權重，進行易發性區劃； 剩余20%的樣本點作為檢驗樣本，采用ROC曲線來檢驗，并通過地質定性分析來討論易發性區劃結果和準確性。

3.1 權重確定

由于信息量模型和確定性系數模型無法提供各評價因子的權重，當某方面的因子較多，比如地形地貌方面的評價因子采用太多后，其結果必然會倚重或偏向該方面的因子空間分異規律。在提取主成分時，提取了能解釋75%方差波動的前5個主成分，這5個主成分組內差異小而組間差異大，起到了消除共線性的作用。在此采用主成分分析法提取的各影響因子對數據變異的解釋比例來確定權重。

根據表1的前5項主成分各項方差百分比，以及表2的荷載絕對值進行矩陣乘法運算，再進行歸一化處理，得到各影響因子的權重，分別為：海拔0.022，坡度0.070，坡向0.009，地面粗糙度0.073，地面曲率0.029，地形起伏度0.071，地表切割深度0.055，高程變異系數0.054，平均年降雪量0.096，平均年降雪日數0.096，一月平均溫度0.090，日最大風速0.095，年平均大風天數0.015，年最大積雪厚度0.095，水系0.085，斷層0.005，植被覆蓋指數0.020，地表覆蓋類型0.022。

3.2 加權信息量模型

3.2.1 基本原理

信息量模型(Information Value， I)是一種基于信息論的統計預測方法，根據雪崩活動的影響因子推算出信息值來評價雪崩活動的易發性，即用信息量的大小來評價影響因子與雪崩活動的關系密切程度。信息量用條件概率計算(趙鵬大， 2004)：

(3)

式中：IAj→B為影響因子A在j狀態下提供雪崩事件B發生的信息量；P(Aj|B)為影響因子A在j狀態下雪崩事件B發生的概率；P(Aj)為研究區中影響因子A出現在j狀態的概率；Nj為影響因子A在j狀態內的雪崩面積；N為整個研究區內雪崩的總面積；Sj為研究區內影響因子A在j狀態的單元數；S為研究區內單位總數。

信息量總值I作為影響雪崩易發性的綜合指標，其信息量總值I越大，則說明雪崩越容易發生，反之則說明雪崩相對不易發生。

3.2.2 易發性評價結果

圖5 雪崩易發性區劃指數圖

3.3 加權確定性系數模型

3.3.1 基本原理

確定性系數模型(Certainty Factor， CF)是一種概率函數方法，基本假設條件為：雪崩活動的易發程度可依據以前發生的雪崩與確定為影響因子的數據集之間的統計關系來確定，其計算公式為(Mandal et al.，2019)：

(4)

式中：CF為雪崩活動發生的確定性系數；PPa為雪崩活動在評價因子分類a中發生的條件概率，研究中可用評價因子分類a中的雪崩活動面積與評價因子分類a面積的比值表示；PPs表示雪崩活動在整個研究區中發生的先驗概率，研究中可用整個研究區的全部雪崩活動總面積與研究區總面積的比值表示。在研究區確定的情況下，PPs通常是一個定值。

3.3.2 易發性評價結果

3.4 易發性區劃結果討論

為了檢驗雪崩易發性區劃結果的準確性，采用廣泛應用于地質災害易發性評價精度驗證的ROC(Receiver Operating Characteristic Curve)曲線來檢驗雪崩易發性評價的精度。為了能明確表示評價效果，通常采用ROC曲線下的面積AUC值代表來衡量模型預測的準確程度，其值在0～1之間，數值越大，代表預測準確率越高，而當該值≤0.5表示無預測價值(Mandrekar et al.，2010)。因此，本文基于前述隨機挑選出來的占比20%的76個檢驗樣本，再通過GIS創建隨機點來生成等量的隨機樣本，共計152個樣本數據，提取信息量模型和確定性系數模型的指數作為檢驗變量，將驗證樣本賦值“1”和隨機樣本賦值“0”作為狀態變量，進行ROC曲線分析，得到結果如圖6所示。其中：加權信息量模型區劃指數ROC曲線的AUC值為0.767，加權確定性系數模型的AUC值為0.913。結果表明，就帕隆藏布流域內雪崩易發性評價而言，基于主成分分析法的加權信息量模型(PCA-I)和加權確定性系數模型(PCA-CF)都具有預測價值，但是，加權確定性系數模型的結果準確度遠高于加權信息量模型。

圖6 ROC曲線

圖7展示了基于主成分分析和確定性系數模型的雪崩易發性分區圖。該圖采取自然間斷法劃分為極高易發區、高易發區、中易發區、低易發區和極低易發區。其中：極高易發區占總面積約18.7%，高易發區占22.2%，中易發區占22.7%，低易發區占21.6%，極低易發區占14.8%。圖中指明的雪崩極高易發和高易發區域主要位于帕隆藏布上游(然烏至玉普)窄谷段、中下游(玉普至通麥)兩岸山嶺的山脊部位和各支流窄谷段。

圖7 基于PCA-CF的雪崩易發性分區圖

在窄谷區段，地勢陡峻，斜坡上部冬半年被積雪覆蓋，坡度較陡，植被覆蓋相對較差，斜坡坡長相對較短，雪崩能運動到坡麓，甚至越過河流到對岸的318國道上。帕隆藏布然烏至玉普段，從然烏湖開始進入帕隆藏布上游峽谷區段該河段，嶺谷高差懸殊，兩岸山嶺平均海拔較高，約4500～5000m，部分山嶺常年積雪，植被覆蓋少，且河谷呈東西走向，左岸陰坡積雪區域在冬季受日輻射時間短，谷底最窄處約25～30m左右寬，在冬季晝夜都沒有太陽直接照射。在每年2～4月份春融季節，隨著氣溫的回升，特別是大量的印度洋水汽入侵，出現年內降水第1高峰，降落大量濕雪，河谷兩岸均有大量雪崩發生。川藏公路沿帕隆藏布干流展布，經過然烏至玉普的窄谷段，在2019年3月調查到的6處越河堵路(G318國道)的雪崩就發生在該區段； 川藏鐵路主要經過支流曲宗藏布多吉鄉北側的窄谷段和波堆藏布傾多鎮東側的窄谷段等區域， 2020年4月調查到的24處造成堵河的雪崩也發生在這些區域內。圖2中兩張照片中的雪崩就是位于窄谷區段的造成堵河(堵路)的雪崩。

帕隆藏布中下游段(玉普至通麥段)，河谷相對較寬，斜坡上部被冰雪覆蓋，下部植被覆蓋率較高，能直接運動到坡麓的雪崩較少，一般堆積在斜坡下部樹林中或者是溝槽內。該段雪崩主要分布在埡口高山區段以及各支流的上游區域。特別是波密至通麥段河谷進一步變寬，地勢較低，氣溫較高，植被茂密，雪崩一般發育在山嶺的山脊附近，運動到斜坡中部的森林或溝槽中，造成災害比較輕微。

4 結 論

(1)帕隆藏布流域雪崩活動的主要影響因素可歸納為氣候氣象主成分、宏觀地形主成分、微觀地形主成分和抑制作用主成分，其中：第1主成分，即氣候氣象主成分，解釋了30.61%的數據變異； 第2主成分，即地形地貌主成分解釋了21.23%的數據變異； 第3、4、5主成分解釋了共計20.26%的數據變異。這些數據定量化表達了帕隆藏布流域內雪崩活動各影響因子對雪崩活動的影響控制程度。

(2)借助于GIS，通過重分類、柵格計算等功能得到基于主成分分析法與信息量模型的雪崩易發性指數分布圖，易發性區劃指數在[-2.41，1.365]區間內； 基于主成分分析法與確定性系數模型的雪崩易發性指數分布圖，易發性區劃指數在[-0.549，0.424]區間內。通過ROC曲線檢驗，并且對比區劃指數圖發現，加權信息量模型(PCA-I)在帕隆藏布下游通麥段河谷呈現明顯的異常區，相對而言，加權確定性系數模型(PCA-CF)更合理，更適用于帕隆藏布流域的雪崩易發性評價。

(3)PCA-CF模型雪崩易發性指數采取自然間斷法得到的分區圖中，極高易發區占總面積約18.7%，高易發區占22.2%，中易發區占22.7%，低易發區占21.6%，極低易發區占14.8%。雪崩高易發區域主要位于帕隆藏布上游(然烏至玉普)窄谷段、中下游(玉普至通麥)兩岸山嶺的山脊部位和各支流窄谷段。