王博,趙付明,程宏超,徐禮文
(安徽省地質環境監測總站,安徽 合肥 230001)
安徽省位于華東腹地,地勢南高北低,地質條件復雜,地貌類型多樣,受自然及人工活動影響,突發地質災害頻繁。截至2018年底,全省共有地質災害隱患點3977處,威脅5.17萬人,威脅財產25.7億元(1)安徽省地質環境監測總站,王博,程宏超,徐禮文等, 2018年安徽省地質災害汛后核查報告,2018年。。每年汛期持續強降雨和臺風影響期間,都有大量地質災害發生。2016年8月8—11日,受臺風“蘇迪羅”影響,安徽皖南山區和大別山區北部普降暴雨和特大暴雨,淮河以南有377個鄉鎮降水量超過100mm,霍山及舒城等地有5個鄉鎮超過300mm,同期全省共發生地質災害242起,災害數接近當年發生災害總數的40%,直接經濟損失1.14億元,占當年總直接經濟損失的83.48%。
安徽省地質災害成因包括內在因素和外在因素兩個方面,內在因素包括地形地貌、地層巖性、地質構造、植被覆蓋、水文地質等;外在因素包括人為因素和自然因素,人為因素包括開挖坡腳,挖填土石等,自然因素包括暴雨、地震等,其中降水是導致地質災害發生的主要引發因素。只有處于臨界穩定狀態或接近臨界穩定狀態地質體,在外因誘導下才會發生地質災害[1]。從安徽省多年地質災害發生統計情況來看,降水與地質災害的發生關系最為密切,是地質災害發生的主要引發因素,強降水期也是地質災害多發期[2]。
安徽省地質災害氣象預警模型的設計因地制宜,以網格剖分的致災因子與地質環境因子為主要研究對象,參考國內已經成功應用的預警預報系統[3],充分考慮安徽省地災形成背景條件、地質災害歷史數據等,選取年均降雨量、地層巖性、地震動峰值加速度、地貌、地形坡度、水系等因子[4]進行量化、確定權重,計算各個網格單元的潛勢度。然后按照權重疊加分析各網格單元內的潛勢度值;選取預報降雨量和有效降雨量作為雨量因子。采用多元回歸的統計方法,建立地質災害形成背景、降雨因子與地質災害發生數量之間的多元線性回歸預測顯式[5]統計預警模型。
(1)因子量化
采用CF確定性系數模型[6]對選取的各因子圖層進行量化。采用確定性系數函數,將各影響因子進行了同區間[-1,1]的歸一化,該方法將各類數據進行了同區間歸一化,并可合并計算。計算公式為:
(1)
式中:PPa為地質災害在a類數據中發生的條件概率,具體表示為a類數據中地質災害隱患點數與因子圖層分區a面積的比值;PPs為地質災害在全省范圍A中發生的先驗概率,具體表示為全省地質災害隱患點數與全省面積的比值。CF值域為[-1,1],正值代表地質災害的發生確定性增長,地質環境條件差;負值代表地質災害發生的確定性的降低,地質環境條件好;CF值接近于0,說明地質災害發生的確定性居中,不能確定地質環境條件的優劣。
(2)因子權重確定
采用基于CF的多因子疊加確定權重法[7]。計算步驟如下:
①各因子圖層CF值合并。Z值表示影響因子CF值合并值,通過將參與評價的地質災害各影響因子逐一合并計算,可以表達各因子綜合貢獻值。假定要合并的兩個CF值分別為x和y,合并后的結果為Z。合并公式為:
(2)
將合并后的CF值劃分為5個級別,分別表示對地質災害發生的貢獻為小、較小、不定、較大和大(表1)。

表1 CF級別劃分表
根據式(2)合并各因子CF值,結果用Zall表示,用Zall-i(i=1,2,…,5)表示各級別所占的分段百分比。
②計算各段Z值的變化量。根據式(3)逐步疊加合并各影響因子(某因子除外),合并結果用某因子Z某因子表示,合并后各級別的分段百分比分別用Z某因子-i(i=1,2,…,5)表示。通過此步驟也可排除重復因子的貢獻。
ΔZ某因子=Zall-i-Z某因子-i
(3)
式中:ΔZ某因子-i—某因子合并計算后分段貢獻值;Zall-i—所有因子合并計算后分段結果值;Z某因子-i—其他所有因子合并計算后分段結果值(除該影響因子外);i—CF分段級別,i=1,2,…,5。
③計算各個因子相對貢獻
Wj為單個因子的相對貢獻,計算公式為:
(4)
式中:Wj—第j個評價因子的相對貢獻;ΔZ—某因子-i—某因子分段貢獻值;i—CF分段級別,i=1,2,…,5。
④計算各個因子權重
得出各個因子的相對貢獻以后,用式(5)計算各因子的權重:
(5)
式中:αj—第i個評價因子的權重;Wj—第j個評價因子的相對貢獻;
各因子權重的計算結果如表2所示。

表2 因子權重值(部分)
(3)潛勢度計算
潛勢度計算運用綜合指數法[8]進行計算,計算公式如下:
(6)
式中:G—地質災害潛勢度;Aj—單因子CF值;αj—單因子的權重;n—評價因子個數。
(4)潛勢度計算結果校驗
將歷史災害點的分布情況與本次潛勢度的計算結果進行對比分析,校驗得出的潛勢度值是否能夠反映該區域的地質環境條件的優劣。結果顯示,計算得出的潛勢度值隨地質災害隱患點密度增大而增大,與該區地質環境背景條件相符(圖1)。

1—0.00~0.19;2—0.19~0.36;3—0.36~0.53;4—0.53~0.71;5—0.71~1.00;6—歷史災害點;7—行政邊界圖1 安徽省地質災害潛勢度計算結果與歷史災害點分布情況對比圖
本系統降雨量數據由前期降雨量和預報降雨量組成。前期降雨量由氣象部門的實況降雨數據庫中直接獲取,數據來源為氣象部門分布在全省的人工和自動雨量監測站。安徽省氣象臺為本系統提供了預報降雨量數據。
本系統建立的預警模型雨量因子包含有效降雨量Rc和預報雨量Rp。
以地質災害發生前n日的單日降雨量分別乘以有效降雨系數得到有效降雨量。以直線遞減形式[9]確定有效降雨系數:取當天降雨量的有效降雨量系數為1,取30天有效降雨系數為0,計算公式如下:
(7)
式中:Rc—有效降雨量;Ro—當天降雨量;Rn—n日前降雨量;n—經過的天數。
預報雨量Rp直接參與模型計算。
(1)多元線性回歸預測模型
本系統預警模型選取多元線性回歸預測模型[10],以“有效降雨量”Rc和“預報降雨量”Rp作為降雨引發因素指標,以“地質災害潛勢度”G作為地質環境條件綜合指標;將G、Rc、Rp作為輸入量,建立多元線性回歸預測模型,建立函數如下:
T=f(G,Rc,Rp)
(8)
式中:T—危險性指數,反映了地質災害發生可能性大??;G—地質災害潛勢度,反映了地質環境背景條件的優劣;Rc—有效降雨量;Rp—預報降雨量;
(2)預警模型方程
預警區的回歸模型方程為:
T=-1.082+6.123G+0.017Rc+0.077Rp
(9)
在顯著性水平sig<0.05情況下,查t檢驗臨界值表知t>t0.05,G、Rc、Rp均對地質災害的發生情況有顯著影響。根據F統計量的F顯著性水平sig=0.05,查F檢驗表知F>Fsig,可知回歸方程是顯著的,其結果具有統計學意義。
(3)預警等級確定
預警等級分為四級,等級由強到弱依次為一級、二級、三級、四級[11],分別表示降水致地質災害發生風險很高、高、較高和有一定風險,其中一級、二級、三級分別對應自然資源部門發布的地質災害紅色、橙色和黃色預警。當地質災害氣象預警等級達到三級以上時,由各級自然資源、氣象部門聯合向社會發布。
T值反映了地質災害發生可能性大小,是地質環境背景條件、有效雨量和預報雨量綜合作用的度量。運用安徽省歷史地質災害發生數據以及近年來地質災害氣象風險預警工作經驗,通過對預警模型進行試運算,確定不同預警分區地質災害氣象風險等級對應T值分段值(表3)。

表3 預警等級劃分表
每日15:00前后,安徽省地質災害氣象預警系統自動采集72h的預報雨量及過程雨量,每日15:00~16:00,在預報預警產品制作過程中,與氣象、水利等部門以及有關市自然資源主管部門會商,必要時與中國地質環境監測院進行會商,根據會商結果,利用安徽省地質災害氣象風險預警預報系統自動分析或在必要時進行人工干預,制作初步預報預警產品。地質災害氣象風險預警信息經省廣播電臺、報紙、省自然資源廳網站等媒體向社會公眾發布,并通過傳真、短信等方式將地質災害預警信息發送到達預警級別地區的市、縣政府和自然資源主管部門、以及地質災害隱患點責任人和監測人員。
依據有關工作要求,對黃色預警區域,安徽省地質環境監測總站(以下簡稱“總站”)立即通知預警區內市級地質環境監測站技術人員,深入現場進行預警信息的跟蹤查驗,對災害體變形情況、地表水及地下水動態變化情況進行觀測記錄,填寫地質災害校驗反饋信息表報送總站地質災害監測預警室[12]。橙色(含橙色)以上預警由總站派出技術人員進行野外現場校驗與調查,并及時將校驗結果報送總站地質災害監測預警室(圖2)。

1—黃色預警:可能性較大;2—橙色預警:可能性大;3—紅色預警:可能性很大;4—發生地質災害點圖2 安徽省地質災害氣象預警預報圖(2019年5月25日20:00—2019年5月26日20:00)
安徽省地質災害監測預警系統選取多元回歸模型,在分析研究安徽省地質災害形成地質背景條件基礎上,結合前期雨量和預報雨量等雨量因子,自動生成地質災害氣象風險區劃。通過兩年多的實踐證實:系統方便靈活、可操作性強、預警預報準確率滿足使用要求。據統計,自2018年安徽省地質災害氣象風險預警預報系統投入使用以來,預警預報準確率達89.57%,而過去五年平均準確率為83.21%,預警預報準確率明顯提高。比如:2019年5月25日20:00—2019年5月26日20:00,系統預報江淮南部、沿江及江南北部地區黃色預警,其中大別山區南部和沿江西部橙色預警。比照后期災情統計結果,發生災害點密度與預警預報級別擬合度很高,預警預報準確性較好,少數發生地災點在預警區之外,是由于降水預報偏差,實況雨帶向南范圍擴大所致。下一步,將利用不斷豐富的歷史地質災害點數據和預警結果反饋信息進一步修正預警預報模型,以期進一步提高地質災害氣象風險預警精度。