基于歷史排位降雨閥值的粵港澳大灣區滑坡危險性預警

（1.SchoolofCivilEngeing，SnYatsenUniversityZuhai9o82，Cna;2.CenterfrWaterResourceandEnvirotu Yat-senUniversity，Guangzhou51O275，China）

Abstract：ThisstudyfocusedontheGuangdong-HongKong-MacaoGreaterBayAreaandconstructedagrid-basedlandslidehazard assessment model toenhanceregionaldisasterpreventionandmitigationcapabilities.Asemi-supervisedlearing methodwasused to optimizetheproporioalselectionoflandsldepointsandnn-landslidepoints toreducetheuncertaintyofsusceptibilitymodelingA historicalrankingainfallthreshold-basedmethodwasproposedtoclasifydailyrainfall，3-daycumulativerainfall，and7-day cumulativerainfalldata.Thespatialsusceptibilityoflandslidesandrainfall-inducedprobabilitywerequantitativelycoupledto establishadynamiclandslidehazardwarningsystem.Theresultsindicatethatwhena1.5-meterevaluationunitscaleisusedwithin theGuangdong-HongKong-MacaoGreaterBayArea，theoptialratiooflandslidepoints tonon-landslidepointsis1：4.Furthore， theareaundercurve（AUC）valueof tesusceptibiltymodelreachesashighasO.973.InpracticalapplicationduringJune2O18，the warning system accurately predicted 25 rainfall-induced landslide events，with 72% occurring in extremely high-risk warning zones and 28% inhigh-rsk warning zones，validatingthemodel'seffectiveness.Thissystemachieves fine-scalelandslidehazard warnings in the Greater Bay Area，providing scientific support for regional landslide risk management.

Keywords：semi-supervised machinelearning;non-lndslidesample;rainfallthreshold;landslidehazard;Guangdong-Hong Kong Macao Greater Bay Area

滑坡是斜坡巖土體沿著一定的軟弱面或軟弱帶順坡向下滑移的自然現象，不僅發生頻率高，造成的損失也極為嚴重。例如，2015年12月，深圳光明區渣土場在堆填階段由于前緣邊坡和后緣渣土堆填體的含水量差異引發滑坡共造成77人遇難、33棟建筑物損毀[1]。2024年1月，云南鎮雄縣因低溫凍脹引發11.88萬 m³ 滑坡，致44人死亡[2]。2024年4月，廣東江灣鎮遭遇極端降雨，誘發群發性滑坡，導致當地失聯 36h^[3]

滑坡的形成機制復雜，涉及地貌、地質構造和土地覆蓋等多重因素的共同作用[4-5]。在眾多誘發因素中，降雨的影響尤為顯著[6-7]。研究表明，滑坡與降雨在時空上具有較強的相關性和滯后性8。降雨對滑坡的影響機制主要表現在2個方面：一方面，暴雨情況下，雨水入滲速率遠超土體滲透能力，造成地表徑流劇增，表層土體迅速達到飽和狀態，進而引發大量的淺層滑坡；另一方面，在持續性降雨條件下，雖然單位時間降雨量不大，但雨水能夠逐漸滲入深層。隨著降雨歷時增加，深層土體含水量持續上升，當飽和度超過臨界值時，往往會觸發深層滑坡災害。相較于地震等其他致災因子，降雨具有較強的時間可預測性，是滑坡災害危險性的分析研究中的關鍵指標之一[10-11]。目前，國內滑坡風險分析主要集中在縣域尺度，同一次降雨事件對于滑坡直接或潛在的影響趨于一致，研究成果能夠有效應用于當地的小尺度風險管理。然而中國地域廣闊，地質與氣候條件差異顯著，不同區域下墊面對等量的降雨的適應程度不盡相同[12-13]。近年來，隨著降雨監測技術的進步和數據精度的提升，開展大尺度、高精度的滑坡災害風險評估已成為研究熱點[14-15]。

本研究以粵港澳大灣區為研究對象，構建基于柵格單元的評價模型。利用半監督機器學習對區域滑坡災害易發性進行精細化分級，確定了滑坡在空間上的發生概率，并利用接收靈敏度（ReceiverOperatingCharacteristic，ROC）曲線、易發性指數均值量化不確定性。在降雨方面，采取Multi-Source Weighted-Ensemble Precipitation（MSWEP）[16]中的日降雨數據并結合歷史排位降雨閾值方法對粵港澳大灣區進行降雨等級的劃分，并確定了滑坡在空間上的發生概率。最后，通過構建耦合矩陣，將滑坡易發性評價結果與降雨等級進行系統整合，形成了完整的滑坡災害危險性評估框架。

1研究區域概況與數據來源

1.1 研究區域概況

粵港澳大灣區位于廣東省中南部，是中國經濟最具活力的區域之一，由珠三角城市群的9個地級市和香港、澳門2個特別行政區組成（圖1）。粵港澳大灣區的陸地總面積約5.6萬 km² ，其中肇慶總面積1.49萬 km² ，排名第一，澳門陸地面積約 33.6km² 為大灣區內陸地面積最小的區域。大灣區年均降水量為 1650～2120mm ，呈現出明顯的季節性分布特點，春夏兩季的降雨量約占全年總量的 80% 。但在近60a來粵港澳大灣區31個氣象站空間平均的前、后汛期暴雨量和暴雨日數均表現為增加趨勢，廣州、懷集、德慶、封開、斗門、惠東等6個站的暴雨量變化更是尤為顯著[17]。在城市化加速演進的背景下，極端降水事件頻發，導致滑坡災害的時空演化特征呈現出更強的動態性和不確定性。傳統的滑坡預測方法在面對這種快速變化的環境時，其時效性和精確度往往難以滿足實際需求[18]。因此，尤其對于那些滑坡防治基礎相對薄弱的區域而言，亟需建立更為精細的預測模型和預警體系，以提升區域防災減災能力。

1.2 數據來源

本研究通過多源數據融合方法構建滑坡災害數據庫。數據來源包括廣東省防災減災年鑒（2009—2021年）、GlobalLandslide Catalog（GLC）以及權威媒體報道。經篩選和核實，最終確定研究區內2008—2020年發生的476次具有明確時空信息的滑坡事件作為研究樣本。

滑坡災害的發育受內在驅動因素和外部誘發因素的共同作用。其中，內在驅動因素主要包括地形、地質、水文等長期形成的環境條件；外部誘發因素則包括強降雨、工程活動、地震等短期觸發作用。各類影響因素的具體數據來源及說明詳見表1，由于在滑坡災害數據庫中476次滑坡事件 90% 都為小型滑坡，故 12.5m 的評價單元能很好地表征一次滑坡的范圍。同時，為保留最高精度數據信息，避免降采樣損失，對所有空間數據進行了標準化處理：將所有柵格數據重采樣至 12.5m ；采用WGS1984UTMZone50N坐標系；對原始數據進行異常值檢測和糾正。基于數據可獲得性與滑坡發生的相關性分析，本研究初步構建了包含高程、坡度、坡向、距道路距離、距水系距離等13個評價指標的評價體系。

2 研究方法

2.1評價指標分類、量化及篩選方法

在進行滑坡易發性評價時，指標的選擇是至關重要的基礎步驟。具體來說，這些指標可以分為連續型和離散型兩類[21]。連續型評價指標如高程及坡度，具有連續的數值特征，而離散型指標則包括土地利用等只能取有限離散值的變量。參考前人的研究，對于連續型評價指標，利用ArcGIS中自然間斷點法將其各自劃分為8個等級22]，坡向則按默認的分類，將其分為包括平面的9個方向，考慮到道路和水系對滑坡的影響不同，經不斷調整最終道路采用 125m 緩沖距離，水系采用 250m 緩沖距離。采用頻率比（FrequencyRatio，FR）法將各指標歸類為區間后作為滑坡與非滑坡樣本和評價指標間的鏈接方法。

為消除指標間的冗余關系，本研究采用SPSS和ArcGIS軟件進行了指標相關性分析。經計算，地形起伏與坡度、地形起伏與地形濕度指數（TopographicWetnessIndex，TWI）、曲率與剖面曲率、流向和坡向的皮爾遜相關系數分別為0.72、0.50、0.48、0.47，均超過0.40。同時將地形起伏、曲率和流向輸人隨機森林模型所得其重要性均低于平均水平，故而剔除。最終確定的指標為高程、坡度、坡向、平面曲率、剖面曲率、TWI、歸一化植被指數（Normalized Difference Vegetation Index，NDVI、土壤類型、距道路距離、距水系距離。

2.2基于不同方式的非滑坡樣本選取方法

傳統非滑坡樣本選取方法主要采用2種方法：一是基于地形特征的選擇法，即在低坡度區域通過高分辨率影像解譯選取非滑坡樣本；二是基于緩沖區的選擇法，即在已知滑坡點周邊設置特定半徑的緩沖區，在相同降雨條件下未發生滑坡的區域內選取樣本。然而，這2種方法均存在顯著缺陷：前者過度依賴坡度因子，導致樣本選擇的偏向性；后者在緩沖區半徑確定上缺乏科學依據，且受已知滑坡點空間分布的制約。為克服上述方法的不足，本研究采用半監督法選取非滑坡樣本[23]。該方法首先在研究區內進行隨機采樣建立初始易發性模型，然后基于模型預測結果中的極低、低易發區進行非滑坡樣本的二次選取。這種方法通過初始建模確定的低易發區具有更高的穩定性，使得選取的樣本具有更強的代表性。

為深人研究不同非滑坡樣本比例對隨機森林建模的影響，本研究構建不同比例的初始樣本集。在研究區內設置滑坡點與非滑坡點的比例分別為1：1、1：2、1：3、1：4、1：5. ，通過隨機選取方式獲取初始非滑坡樣本。將這些樣本與已計算的FR值進行關聯，形成初始建模數據集。利用R語言的tidymodels包構建隨機森林模型，對研究區進行全域易發性預測。將預測結果導人ArcGIS中，采用自然間斷點法將易發性指數劃分為5個等級：極低（S5）、低（S4）、中等（S3）、高（S2）和極高（S1）。在識別出的極低、低易發區內，按照原有的比例關系重新進行非滑坡樣本的隨機選取。這些來自極低、低易發區的樣本具有更高的可靠性，能夠更好地代表穩定區域的環境特征。將優化后的非滑坡樣本與原有滑坡樣本的FR值進行關聯，構建最終的建模數據集，再次采用自然間斷點法將易發性指數劃分為5個等級。在此過程中，將 80% 的樣本用于模型訓練，剩余 20% 用于模型驗證。

2.3基于衛星降雨數據的歷史排位降雨閾值方法

本研究提出了一種全新的降雨閾值劃分方法，不僅能減少因單純依賴絕對降雨量的誤報還能綜合考慮不同區域下墊面對于長期降雨的響應程度。圖2所示，由于滑坡數據庫中所記載的發生時間以日為單位，因此統計了MSWEP中粵港澳大灣區2008一2020年的歷史降雨數據，包括當日降雨量（C1）、累計3d降雨量（C3）和累計7d降雨量（C7）。對于每個網格，計算這些時間范圍內的降雨量與歷史最大降雨量 （Cl_max，C3_max，C7_max） 的比值，并確定該比值的歷史排位。具體實施的步驟包括：將每個網格的觀測C1除以歷史單日最大值，如果該比值在訓練樣本中超過第95個百分位數，則該網格立即被歸類為降雨的極高風險（T1）。此外，如果C3和C7的比值排位分別超過訓練樣本的第95個百分位數和第90個百分位數，則該網格也被歸類為T1。C3排位在第75個百分位數至第95個百分位數之間，或C7排位在第80個百分位數至第90個百分位數之間的網格被確定為高風險（T2）。其他比值區間的風險水平也同理劃定。最終，每個網格的降雨水平由C1、

C3、C7排位中的最高水平來確定的。該方法可以合成具有歷史積累的實時降雨數據，評估降雨模式的歷史異常程度及其對潛在滑坡啟動概率的影響。

3 結果與討論

3.1 粵港澳大灣區滑坡災害易發性評價

2.4基于耦合矩陣的降雨型滑坡危險性預警方法

本研究采用空間疊加分析方法開展降雨型滑坡危險性預警研究[24]。該方法綜合考慮了區域滑坡易發性和降雨觸發因素，通過定量化分析實現了預警等級的精確劃分（表2）。當降雨等級為T1時，易發性為S1、S2、S3的柵格發生滑坡的概率都非常高，因此將其劃分為極高的預警等級。同理，當降雨等級為T5時，其降雨型滑坡的發生概率非常小，因此與S5、S4和S3疊加由劃分為無風險區域。預警等級的評判直接指導了防災減災措施的實施強度，預警等級越高，相應的防范措施也越嚴格。

本研究通過設置不同滑坡樣本與非滑坡樣本比例即1：1至1：5，系統評估了模型的預測性能。結果表明，不同比例下模型對高、極高易發區的識別能力存在顯著差異。具體而言，在滑坡點：非滑坡點為 1：1，1：2，1：3，1：4，1：5 的比例下的模型在高、極高易發區對歷史滑坡的識別率分別為 83.37% 、94.74%.91.79%.91.79% 和 89.05% 。其中，滑坡點與非滑坡點比例為 1：2、1：3 和 1：4 的模型表現最為突出，其AUC值分別達到0.924、0.950和0.973，且預測的極高和高易發區的柵格中所包含的歷史滑坡柵格的數量均超過 90% 。為進一步評估模型的穩定性，本研究將易發性指數[0，1]區間等分為64個子區間進行統計分析，均值越小且標準差越大則說明建模過程中存在的不確定性越小。結果顯示，這3種比例下的模型易發性指數分布規律相似，均呈現隨指數增大而頻率遞減的特征。其中，1：2、1：3、1：4 比例下模型的易發性指數均值分別為0.375、0.319、0.240，標準差分別為0.315、0.272、0.239。雖然1：4比例下的標準差最小，但是其易發性均值遠小于另兩個比例且AUC的評價結果也更為精準。因此，本研究最終確定滑坡點與非滑坡點比例為1：4的半監督法作為粵港澳大灣區最優的非滑坡樣本選取方案。

基于上述最優參數構建隨機森林模型，將粵港澳大灣區滑坡易發性指數歸類于0＼～1的區間。利用自然間斷法將其劃分為5個等級，具體見圖3。極高易發區S1主要集中在深圳、香港特別行政區、廣州、惠州和肇慶等區域。惠州、肇慶地區的極高易發區S1呈現顯著的條狀分布特征，與道路網絡的空間展布高度重合。可認為這些區域的滑坡災害與道路工程活動密切相關，相關部門應加強道路沿線的地質災害防治和工程維護工作。江門、中山、珠海等地區的易發性分布則主要受地形地貌因素控制，表現出與坡度、坡向等地形要素的高相關性。

進一步地，通過計算頻率比及平均不純度減小值評估各評價因子對滑坡易發性的貢獻程度。分析結果表明，不同評價因子的重要性存在顯著差異：距離道路距離的貢獻值最大，表明其對滑坡易發性的影響最為顯著，這與研究區內大量滑坡與道路工程活動相關的現象相吻合。其次是高程，反映了地形高差對滑坡發育的重要控制作用。坡度和坡向的貢獻值分別排名為第三和第四，說明地形坡度條件在滑坡發育過程中也起著重要作用。水文相關因子如TWI和距離水系距離的貢獻值相對較低，表明水文條件對研究區滑坡發育的影響程度相對較小。

3.2基于歷史排位降雨閾值法的降雨評價

在對研究區內的476個滑坡事件進行分析時，結合了滑坡數據庫的編錄信息和MSWEP提供的日降雨量數據，詳細統計了每個滑坡事件發生當天及前7d的降雨情況。通過統計分析，認為研究區內的大部分滑坡事件確實是由降雨因素引發的。然而，也有部分滑坡事件在發生之前的幾天內并沒有顯著的降雨。這種情況主要是由于人類工程活動改變了坡體的應力狀態，導致坡體失穩，從而引發滑坡。利用MSWEP的日降雨數據，進一步統計了滑坡事件與逐月平均降雨量之間的關系。圖4所示，研究區的滑坡事件與當月的降雨量基本呈正相關關系。這表明，雖然人類活動可以導致滑坡，但降雨仍然是該區域滑坡事件的主要誘因之一。

根據歷史排位降雨閾值法，將粵港澳大灣區2018年6月8一9日降雨情況進行等級劃分，其結果見圖5。在2018年6月8日整體降雨量較大，全區域中廣州、惠州、肇慶、深圳及香港大多劃分為T1（圖5a）。并且當天發生了20起滑坡事件，主要分布在廣州市從化區、增城區和肇慶市的高要區、四會市。第二天6月9日，雨勢稍小，深圳及廣州的降雨大部分降為T2等級（圖5b）。同時肇慶四會市降雨相較于其他區域依舊偏大，受其影響當日又發生了4起滑坡事件。這兩天中 45.8% 的滑坡點分布于T1，41.6% 分布于T2，涵蓋了大部分滑坡事件，能有效地預測滑坡在時間上發生的概率。

3.3粵港澳大灣區滑坡災害危險性評價

本研究選取2018年6月4—11日粵港澳大灣區的連續滑坡事件作為案例，對預警系統的性能進行驗證。該時段內共記錄26起滑坡事件，主要集中在大灣區北部的肇慶市和廣州市。由圖6a、6b可知6月4一5日大灣區的滑坡災害危險性均較小，整體呈藍色的無風險狀態。因此，當日發生滑坡點的可能性極小，大部分地區并不需要采取措施。但在圖6c、6d所示的6—7日，大灣區東南部及西南部出現了深紅色的極高風險預警，這些區域應 24h 監測、建立防御措施、救災體系。8-9日（圖6e、6f）達到極高風險預警的區域整體由東南往西北遷移，預警范圍達到最大，發生的歷史滑坡災害也是最多的2d。此后隨著降雨減弱，預警等級逐漸降低，大部分區域恢復至中和低風險狀態（圖 6g，6hλ ，此時發生滑坡的概率為中等。受持續降雨的影響，還需對滑坡點實時監測，繼續提醒相關人員關注滑坡災害的發生動態。在所記錄的26起事件中，預警模型的分級結果如下：極高危險性18起，高危險性7起，低危險性1起。其中，唯一被判定為低危險性的事件發生于6月4日佛山市南莊鎮紫南村禪港西路東側邊坡。經核查，該起滑坡由人為削坡引發，不屬于降雨誘發型滑坡，因此不在本預警系統的適用范圍內。剔除這一特例后，預警系統對其余25起降雨誘發型滑坡事件均實現了準確預警，展現出良好的預測性能。

4結論

通過構建基于柵格單元的滑坡易發性評價模型，結合歷史排位降雨閥值方法，實現了滑坡危險性的動態預警。主要結論如下。

a）通過半監督學習方法選取非滑坡樣本能夠有效克服傳統方法的局限性，提高模型的預測性能。確定了粵港澳大灣區滑坡點與非滑坡點1：4的最優配比，該方案下的隨機森林模型表現最佳，AUC值達0.973，易發性指數均值為0.240，標準差為0.239。

b）環境因子對滑坡易發性的貢獻度存在明顯差異。其中，距道路距離、高程和坡度是影響滑坡發生的主導因素。粵港澳大灣區滑坡易發性分區中惠州、肇慶等地的滑坡主要與道路工程活動相關，而江門、中山、珠海等地則主要受地形地貌因素控制。

c）基于歷史排位降雨閾值的降雨評價方法，通過綜合考慮當日降雨量、累計3d降雨量和累計7d降雨量的歷史百分位，建立了更為合理的降雨分級體系。2018年6月8—9日的案例分析表明， 45.8% 的滑坡發生在T1，41. 6% 發生在T2，預警結果與實際情況吻合。

d）將滑坡空間易發性與降雨誘發概率進行定量耦合，形成了粵港澳大灣區滑坡災害動態預警體系。該系統在2018年6月的實際應用中表現出色。在26起滑坡事件中，除1起人為因素導致的滑坡外，其余25起降雨誘發型滑坡均得到準確預警，驗證了該系統的實用性和可靠性。

參考文獻：

[1]YINYP，LIB，WANGWP，etal.Mechanismof theDecember2015CatastrophicLandslide at the Shenzhen LandfillandControlling Geotechnical Risks of Urbanization[J].Engineering，2016，2：230-249.

[2]陳寧生，吳銘洋，李安輝，等．云南鎮雄\"1·22\"山體滑坡災害調查[J].山地學報，2024，42（3）：422-430.

[3］許強，徐繁樹，蒲川豪，等．2024年4月廣東韶關江灣鎮極端降雨誘發群發性滑坡初步分析[J].武漢大學學報（信息科學版），2024，49（8）：1264-1274.

[4]HIGHLAND L M，BOBROWSKYP. The landslide handbook-Aguide to understanding landslides[M].US Geological Survey，2008.

[5]劉傳正．中國崩塌滑坡泥石流災害成因類型[J].地質論評，2014，60（4）：858-868.

[6]IVERSON R M. Landslide triggering by rain infiltration［J].WaterResourcesResearch，2000，36（7）：1897-1910.

[7]CROSTA G B，FRATTINI P. Rainfall-induced landslides anddebrisflows [J].Hydrological Processes：An InternationalJournal，2008，22（4）：473-477.

[8］張友誼，胡卸文，朱海勇．滑坡與降雨關系研究展望[J]．自然災害學報，2007（1）：104-108.

[9］李曉迪，鐘鳴，黎學優．廣州市復合洪水及衍生滑坡災害風險評估及空間遷移規律研究[J].人民珠江，2023，44（10）：1-12.

[10]CAINEN.The rainfallintensity-duration control ofshallowlandslides and debris flows[J]. Geografiska Annaler：Series A，Physical Geography，1980，62（1/2）：23-27.

[11]BRUNETTIMT，MELILLOM，PERUCCACCIS，etal.Howfararewe from the use of satellite rainfall products in landslideforecasting？[J].Remote Sensing of Environment，2O18，210：65-75.

[IZ」KIKSCHBAUM D，SIANLEY I. Satellite-based assessment olrainfall-triggered landslide hazard for situational awareness[J].Earth's Future，2018，6（3）：505-523.

[13] KIRSCHBAUM D B， STANLEY T， SIMMONS J. A dynamiclandslide hazard assessment system for Central America andHispaniola[J]. Natural Hazardsand Earth System Sciences，2015，15（10）：2257-2272.

[14]KIRSCHBAUMDB，ADLERR，HONGY，et al.Evaluation ofapreliminary satellte-based landslide hazard algorithm usingglobal landslide inventories[J].Natural Hazards and EarthSystem Sciences，2009，9（3）：673-686.

[15]KHAN S， KIRSCHBAUM D B，STANLEY T. Investigating thepotential of a global precipitation forecast to inform landslideprediction[J].Weather and Climate Extremes，2021，33.DOI：10.1016/j. wace. 2021.100364.

[16]BECKHE，VAN DIJKA ¹JM ，LEVIZZANI V，et al.MSWEP：3-hourly 0.25^° global gridded precipitation（1979—2015）by merging gauge，satelite，and reanalysis data[J].Hydrology and Earth SystemSciences，2017，21（1）：589-615.

[17］張柳紅，伍紅雨，向昆侖，等．1961—2021年粵港澳大灣區暴雨氣候變化特征[J].中山大學學報（自然科學版）（中英文），2023，62（4）： 32-44.

[18］黃莉，王蕓清，王偉，等．粵港澳大灣區復合災害系統暴露度評估[J].鄭州大學學報（工學版），2024，45（4）：95-101.

[19]YANG J， HUANG X. The 30m annual land cover dataset and itsdynamics in China from 1990 to 2019[J].Earth Syst. Sci.Data，2021，13（8）：3907-3925.

[20]GAO JIXI Z H Z W.China regional 250m normalized diferencevegetation index data set（200O—2023）[Z]. National TibetanPlateau Data Center，2024.

[21］黃發明，葉舟，姚池，等．滑坡易發性預測不確定性：環境因子不同屬性區間劃分和不同數據驅動模型的影響[J].地球科學，2020，45（12）：4535-4549.

[22］閆舉生，譚建民．基于不同因子分級法的滑坡易發性評價：以湖北遠安縣為例[J].中國地質災害與防治學報，2019（1）：52-60.

[23］黃發明，曾詩怡，姚池，等．滑坡易發性預測建模的不確定性：不同\"非滑坡樣本\"選擇方式的影響[J].工程科學與技術，2024，56（1）： 169-182.

[24］李文彬．降雨型堆積層滑坡危險性及其風險的多尺度動態評價研究[D].南昌：南昌大學，2024.

（責任編輯：李燕珊）