滑坡地質災害研究進展

皇甫文超

（東華理工大學地球科學學院，江西 南昌 330013）

地質災害包括自然地質災害和人為地質災害兩類，其種類包括滑坡、崩塌、流水侵蝕、地表沙化、巖土膨脹等，地質災害已經成為制約國民經濟穩定發展的重要因素。其中滑坡指的是坡體局部失穩，在重力的影響下，巖土體在剪應力方向順著滑動面往下移動的過程與現象。（晏同珍，2000；A.Nem?ok et al.,1972 ；D.J.Varnes,1978）。

自20世紀以來，我國社會飛速發展，各種各樣的經濟工程活動的規模與范圍一步步擴大。人類的亂砍亂伐造成了地質環境的不斷惡化，地表植被減少，土質變得疏松，遇到強降雨天氣后，經過雨水的沖擊極易發生地質災害；采礦作業不正確，導致采礦塌方，山體崩裂，繼而發生滑坡；河流以及雨水的滲漏作用，導致巖土體變得濕潤，最后因軟化作用致使滑坡泥石流發生；采石和爆破，填充和裝載等也會導致地質災害的發生。

滑坡的危害是巨大的，會破壞人類的居民建筑、基礎保障設施，還會破壞植被致使地表裸露，潛在危害性進一步增大。據不完全統計，21世紀初至今，中國因滑坡災害而造成的人員傷亡數多達1200人，可以預估的經濟損失高達50億～100億元，嚴重制約著國民經濟的進一步的發展。我國政府每年都會投入大量財力用于滑坡災害的治理，可是由于滑坡受多重因素的影響，人們對滑坡研究的局限性以及技術水平有限，給防災減災帶來了極大的困難。近年來國內的滑坡災害的理論研究、治理技術都有了顯著的提高，但是區域地質災害的發生，由于受到多種不確定因素的影響，具有偶然性，往往防不勝防、難以準確預測，對區域滑坡災害進行調查、分析、評價與預測研究，仍是一種經濟有效的滑坡災害防治手段。在這種情況下對滑坡災害的發生進行準確的預測和風險評價顯得尤為重要。滑坡災害易發性評價是根據滑坡災害發育的地質環境條件、特征，參考其歷史發生的狀況，應用定性分析結合定量評價的方法來確定其風險。評價結果能夠直觀地反映滑坡災害及其風險的空間分布，為政府防災、抗災提供有助的參考，能夠避免和減少滑坡災害造成的人員傷亡與經濟損失，提高區域滑坡災害事前防治效率。

1 研究進展

1.1 國外研究進展

西歐國家對于地質災害的研究始于20世紀70年代，隨后，其他國家和地區也逐漸進行了地質災害易發性研究（劉學明，2014）。如Brunetti等（2010）選取意大利中部的Abruzzo地區為研究區，統計了753次與滑坡相關的降雨事件，研究意大利滑坡發生所需要的最小降雨條件；Hasali等（2018）為了確保開發的可持續性，利用Logistic回歸模型對斯里蘭卡的Badulla地區的滑坡易發性進行了預測；Rauter（2021）等為了降低滑坡災害產生的危害，依靠流體動力學原理對滑坡災害產生的脈沖波進行了有效的模擬；Abraham等（2021）以印度南部地區為例，在考慮土壤濕度的情況下對影響滑坡災害發生的降雨量閾值進行了研究，以便能夠有效的進行預警。地理信息系統（GIS）理論出現后被廣泛應用于地學研究領域中（鐘畝鋒，2019）。Tan等（2021）基于遙感和GIS，采用層次熵變權法對線路兩邊的滑坡地質災害的風險進行了評估；Banuzaki等（2021）以Garut-Tasikmalaya公路為研究區，采用層次分析法和簡單數值分級法，在GIS環境中處理數據并繪制滑坡敏感性圖；Mohd和Sofia（2020）以印度尼西亞的Putat地區為研究區，利用地理信息系統（GIS）技術對該地區的滑坡易發性進行研究。近些年伴隨著機器學習與深度學習領域的發展，許多研究者開始使用機器學習模型和定量的多因素綜合評價方法來研究地質災害的風險性。Ohlmacher等（2003）提出在進行地質災害風險分析時，可以考慮將Logistic回歸模型與GIS技術結合使用；Aditian等（2018）以印度尼西亞的Ambon為研究區，采用Frequency ratio模型、Logistic回歸模型和Artifificial neural network模型對研究區的滑坡敏感性進行研究，并將三種模型結果進行比較。Ozdemir等（2013）選用Frequency ratio模型、證據權重模型和Logistic回歸模型共三種模型，以土耳其西南部的蘇丹山為研究區域，對該區域的滑坡災害進行了易發性評價分析，并將三種方法進行了對比分析。

1.2 國內研究進展

與世界上許多其他國家相比，中國對地質災害的研究開始時間相對靠后，一直到七十年代，我國主要在進行地震災害的研究，九十年代之后，我國的學者開始進行滑坡災害的研究，在這一時期誕生了很多知識架構體系，尤其是一些定量化的方法，大大加快了地質災害的研究進展。由于我國對地質災害研究的逐漸加深，許多的科學理論都被運用起來。而以非線性動力學模型、協同預測模型、突變論預報模型等為代表的非線性理論也被應用到地質災害的預報方面。隨著這一切進展，GIS和機器學習算法也逐漸被運用到地質災害的研究中。如孫小凡、張鵬等（2018）利用地理信息系統對湖北省宜昌市城區的城市滑坡災害易發性進行了評價；丁亮、王文嫻等（2012）將GIS與邏輯回歸模型相結合，對江蘇省連云港市郊區進行了滑坡因子危險性分析，并且建立了地質環境因子數據庫；黃發明，殷坤龍等（2018）以三峽庫區萬州區為研究區，引入自組織映射神經網絡解決“非災害點”不易選取的問題，然后構建支持向量機模型（SVM），以此對萬州區滑坡災害進行易發性評價；孫德亮（2019）利用機器學習的方法對重慶市奉節縣地災進行分析評價，并且對與降雨有關的滑坡災害開展了預警研究；陳濤等（2020）利用深度信念網絡對三峽庫區秭歸縣郭家壩鎮的滑坡易發性進行了研究；吳潤澤等（2021）基于隨機森林模型對三峽庫區湖北段的滑坡災害進行了空間易發性評價；Zhang等（2020）利用隨機森林模型，對江西省貴溪市滑坡災害進行了風險性區劃研究；Zhou等（2021）采用隨機森林模型對江西省瑞金市滑坡災害危險性進行了預測，并將區劃分為5個等級；Ou等（2021）通過構建Logistic回歸模型，對江西省滑坡災害的風險性進行了預測；蘇晨旭等（2019）結合頻率比法，使用偏最小二乘回歸法（PLSR）對江西省龍南縣滑坡進行危險性評價，并與BP神經網絡、SVM模型的分析結果進行對比，趙建華等（2004）基于決策樹算法對浙江省慶元縣境內滑坡災害進行了危險性區劃評價。

隨著科學技術進程的加快，學者們對滑坡災害的研究理念、方法也已經逐漸向著多元化方向發展。

2 結論

本文立足于國內外學者們對滑坡地質災害的研究成果，揭示了對于不同區域，研究者們使用了不同的滑坡災害評價指標與建模方法，在各自的研究中均取得了滿意的效果，能為具有相同地質環境的其他地區的滑坡災害研究提供一定的參考。

各種滑坡災害易發性評價模型因地制宜、各有千秋，針對不同區域應建立相應的滑坡易發性評價模型。