构建地理信息体系的危险性评估

导语：构建地理信息体系的危险性评估一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

仅利用有限的背景信息及数据评估与滑坡相关的灾害对工程师，地质学家，规划人员，土地所有者，开发商，保险公司以及政府部门是永远的挑战。滑坡灾害评估可分为几个步骤。第一步，识别和评估滑坡易发区域，生成滑坡编目图备用。滑坡编目图是针对一个区域采用野外测量，航空影像解译，以及查询历史滑坡纪录文献等不同技术绘制的已有滑坡系列制图，可以提供已有滑坡的位置空间分布。第二步，绘制滑坡危险性区划图，表达局部地形条件下滑坡现象发生的可能性。滑坡危险性区划图是基于历史滑坡的分布，地形坡度，土壤及基岩类型，结构，水文和其他有关资料建立的。这些不同地理空间输入数据集的唯一组合将生成代表不同危险性等级的区划图，包括低，中，高及非常高四个等级。地理信息系统技术和计算能力的迅速发展在处理大量滑坡数据集方面具有极大的潜力。

学者研究发现，滑坡灾害评估可采用两种通用方法实现：基于域的定性方法以及基于数据驱动的量化方法。就量化方法而言，通常采用二元或多元统计模型分析滑坡危险性。本文的研究目的在于使用两种通用的模型实现二元及多元统计分析，并评价它们的效果。现有的二元统计方法考虑多种不稳定性因素变量，并对每种变量影响滑坡的程度作独立评估，然后采用唯一的方程联合不同变量的影响。就多元统计而言，逻辑性回归是目前研究成果中最为合适的方法。本文仅采用统计性显著的不稳定因素数据估计滑坡的空间分布，忽略了不显著数据的影响。二元及多元方法与采集数据的质量及数量有很强的相关性，而与任何主观评估无太大关联。选用的数据驱动技术十分稳健，不过滑坡危险性区划图的生成可能会滞后，因为搜集一个区域内与滑坡相关的足够多的信息需要长时间的努力。另一方面，有限或者不具代表性的数据可能导致不合理的结果。本文研究的一个重要目的则是利用从被称之为‘训练区’的子研究区域获取的极其有限的滑坡数据评估二元及多元技术的适用性。首先在训练区对统计技术进行测试，然后将其应用范围延伸至整个研究区域。为了评估技术的性能，我们测量并绘制了整个研究区域内的滑坡位置分布图。研究结果表明，在范围较小，且具代表性的区域做精细的采样可以在较短时间内轻松获得与实际相符的结果。本文的研究区域选择为美国东北部的库雅荷加河流域，与格雷特湖毗邻。库雅荷加河流域以滑坡灾害闻名，然而该区域数据的空间覆盖率有限，因此滑坡灾害分布图十分匮乏。针对该区域绘制滑坡危险性区划图是一项紧急任务，可以帮助有关部门准确预测未来滑坡的发生。

1研究区域

土著美国人将河流命名为“库雅加”的意思是“曲水”。库雅加河长约160千米，流域陆地面积2105平方千米，区域年降雨量（包括雨水和积雪）范围为92.7厘米～102.67厘米。库雅加河流域位于阿巴拉契亚高原省境内的阿列格尼山。该区域的基岩由古生代时期的硅质沉积岩组成，具体为晚泥盆纪，密西西比纪和宾夕法尼亚纪。跨越了大半个中生代二叠纪以及几乎整个新生代，拥有2.7亿年历史的岩石纪录丢失了，其原因可能是由于俄亥俄洲海平面的隆升导致了岩石的侵蚀。区域的地形大致呈起伏状，高程范围跨越160米～395米，边坡倾角从0度到70度之间变化。旋转滑动是库雅加河流域主要的地质灾害。除此以外，研究区域还出现了一些传统的滑坡和泥石流现象，不过现有研究没有考虑这些现象的形成机理。

2方法和数据

检测造成滑坡的不稳定性因素需要对研究区域内影响滑坡的当地地质状况做全面的认知。本文研究的不稳定性因素包括边坡倾角，土壤地质和侵蚀度，与溪流之间的邻近度，降雨量，土地覆被类型以及土壤性质。滑坡的存在可以采用0.6米像素分辨率的彩色电子航空影像根据地形特征识别，例如地貌，植被及边坡排水状况等，然后通过野外调研验证识别结果。我们还利用俄亥俄运输局的记录及已出版的俄亥俄东北部滑坡报道绘制了该区域约三十年的历史滑坡位置分布图，采用地理信息系统工具生成了区域的滑坡编目图，表达该区域历史及最近的滑坡发生状况。库雅加河流域发生的滑坡从几米的小尺度到几千米的大尺度范围变化，将小于10米的小尺度滑坡作为土壤滑动从滑坡编目图中剔除。文献分析表明，定义编目图里滑坡的范围有几种可选方法：单一状态区（包括贫乏区及累积带在内的所有滑坡区），滑坡前边坡倾斜面，滑坡破裂带，地貌地形单元，种子细胞法以及滑前状况代表区。采用上述不同方法建立的滑坡编目图结果完全不同，分别代表不同的含义。在本文的研究区域里，使用航空影像获取小尺度到大尺度范围的滑坡，并绘制贫乏区及累积带边界并非完全可行，尤其是树林茂盛区。

因此，本文选取种子细胞法定义滑坡范围。该方法认为最佳原始形态状况（滑坡前状态）可以从实发滑坡附近区域提取，通过给滑坡增加缓冲区实现。本文选用50米的缓冲区以保证所有像素点均位于滑坡前区域。本文将整个流域划分为两个区域：训练区及测试区，其中训练区位于萨米特县及库雅加县，占地面积1416平方公里，测试区位于吉奥格县和波特县，面积689平方公里。研究区域包括训练区和测试区。在生成的滑坡编目图里，我们识别了训练区内的170个滑坡现象（覆盖147500个像素），以及测试区内的104个滑坡（覆盖85320个像素）。分别采用二元及多元统计方法分析了训练区内的滑坡现象，然后将分析结果扩展到整个研究区域，包括测试区。测试区内的滑坡仅用来验证分析结果。不稳定性因素（包括边坡倾角，土壤地质和侵蚀度，与溪流之间的邻近度，降雨量，土地覆被类型以及土壤流体指数）以1:24000的比例尺作为不同栅格数据图层输入到地理信息系统。此外，ArcGIS的输入数据还包括以7.5分地形方格图表示的10米分辨率数字高程模型，并据此计算流域的边坡倾角数据。边坡倾角图的角度范围从0度到70度之间变化。研究区域内的浅层滑坡发生于覆盖基岩的重积土层。

土壤制图单元从自然资源保护服务所属的美国农业部获取，并根据农业部制定的质地分类奖土壤分为几种不同类型，例如粘土，粉土，沙土和有机土壤。土壤侵蚀度则由通用土壤流失方程式确定，所需的参数包括从年累积降雨能量及密度获得的侵蚀力指数，土壤的粘性及运动阻力，地形因子和作物经营因子。区域的平均土壤流失量范围约为2.27×106～2.27×107千米/平方公里/年。与溪流之间的邻近度根据库雅加河及其支流周围400米范围的缓冲区生成。野外调研结果发现滑坡集中在被溪流侵蚀的两岸附近，然而考虑到库雅加河及其支流的蜿蜒特性，本文没有对整个流域沿着侵蚀河岸的潜在不稳定性做敏感度分析。因此在400米缓冲区内生成的与溪流之间的邻近度图仅用来描述多数边坡运动发生的地点。土地覆被图数据从1994年的陆地卫星专题制图仪数据中提取。数据图层被分为多个类别：城市，农业区，灌木丛，森林，开放水域，非林区湿地和荒漠。

据有关文献记载，二十世纪八十年代末兴起的大规模森林砍伐使得库雅加河流域的土地覆被类型发生了剧烈的变化，不过该区域于九十年代末开始实施退耕还林策略。本文假设森林砍伐会导致滑坡数目的增加，因此使用了1994年的土地覆被图，而没有使用最近的覆被资料。此外，由于研究涉及的历史滑坡具有近30年的历史，采用1994年的土地覆被图更能反映平均滑坡事件的时间框架。我们对自然资源保护服务所属的水资源及气象研究中心的1962～1990年间30年的年均降雨量数据在ArcGIS环境里进行内插以获得相同的时间分辨率。本文的重点在于研究库雅加河流域的滑坡空间分布，因此并没有评估滑坡与降水量的时间序列之间的关系，仅仅将三十年的年均降水量作为其中一个输入因子。包含细微粒结构的土壤表现出塑性及粘性特征，由粘土、粉土及含水量决定。随着含水量的增大，粘土或粉土会变软，从固态变为塑态，直至液态。土壤位于半固态至塑态之间阈值处的天然含水量称之为塑限，位于塑态及液态之间阈值处的天然含水量则称为液限。流域土壤覆盖的含水量及塑性指数从自然资源保护服务所属的美国农业部获得。含水量相对于液限及塑限的相对数值指明了重塑土壤表现出液态，塑态或者脆性物质的可能性。三者之间的关系可以通过液性指数描述。如果液性指数大于1，意味着含水量大于液限，沉积物在剪力作用下表现为近似液态；相反，如果数值位于0到1之间，土壤则表现为塑性，小于0表现为脆性。库雅加河流域土壤的液性指数范围为－2.2～0.7。本文根据土壤的含水量，液限及塑限值信息在ArcGIS环境下采用栅格计算器生成了基于格网的土壤液性指数分布图。所有数据图层均采用通用横轴墨卡托投影，与1972北美基准对齐，比例尺选择为1:24000，与美国地质勘探局使用的标准地形图图幅一致。最后对这些地理空间数据图层做二元及三元统计分析。

3危险性分析和绘图

本文采用二元及多元技术对库雅加河流域内划定的训练区进行了滑坡危险性分析。每一项分析过程中，滑坡不稳定性因素（边坡倾角，土壤类型，土壤侵蚀度，土壤液性指数，降水量，土地覆被，以及与溪流之间的邻近度）均被视为造成滑坡（因变量）的独立变量。分析的第一步是生成综合数据矩阵，行和列分别代表自变量和因变量。为了达到无偏采样代表的目的，滑坡发生状态量（1）和未发生状态量（0）均被看做是因变量。通过这种方法，我们总共识别了170个滑坡现象，覆盖147500个像素。代表滑坡未发生且覆盖相同像素的状态量（0）随机选择。由此每个采样点除了具有自变量信息外，还具有一个代表性二进制因变量值，用1（滑坡发生）或者0（滑坡未发生）表示。

3.1二元统计分析在二元分析过程中，我们研究了七个自变量中的每一个变量对滑坡危险性的影响，并假定自变量互不相关。通过分析七个自变量与滑坡发生频率之间的关系分别估计了不同变量引起的滑坡危险性程度。训练区域内每个变量引起的滑坡频率通过柱状图分析计算获得。在滑坡的频率分布基础上，相对于影响训练区滑坡发生的不同因素，我们生成了范围在0.0到1.0之间变化的数值分级系统，每个因素分布图都划分为10个相等间隔的等级，滑坡显著的等级赋值为1.0。两类数据图层，土地覆被和土壤类型划分为5个等级，且每个等级赋予相应的权重。为了与其他连续因素图层数据保持一致，等级之间的增量选择为0.2。每个类型值均由表达滑坡危险性程度的新数值替代。然后将这些信息传输至ArcGIS环境重组为七种不同类型，且分辨率为10米×10米的格网图，每个格网点的值代表数值等级，是二元统计分析的基础。

3.2多元统计分析多元统计模型和二元模型不同，将造成滑坡的所有不稳定因素图层（即自变量）放在一起同时考虑，它们之间的相互作用可以帮助决策者判断库雅加河流域未来的滑坡发生概率。多元模型还可以评价每个变量的相对贡献，强调造成滑坡的已知因素的影响(通过赋予相对权重实现)。考虑到本文所用数据的特点，我们选用逻辑性回归分析进行多元统计。分析涉及的自变量包括非线性，非正态分布类型数据（土地覆被、土壤类型）和连续型数据（边坡倾角，土壤液性指数，土壤侵蚀度，与溪流之间的邻近度以及降水量），且因变量表现为二进制，两分性（滑坡发生表现为1，未发生表现为0）。本文采用前向逐步回归对库雅加河流域范围内的训练区做逻辑性回归分析，分析结果作为ArcGIS栅格计算器的输入数据进行逻辑回归方程的数学运算，以及生成滑坡危险性概率区划图（像素分辨率为10米×10米，滑坡发生的概率范围为0～1）。

3.3危险性区划图采用二元及逻辑性回归模型的目的是为了绘制滑坡危险性区划图，表达各个位置发生滑坡的概率。若数值接近1则表示该地点发生了滑坡。可将区划图分为低、中、高和非常高四个不同等级。为了确定分级步骤，本文参考了五种分级系统：专家意见，二叉法，自然临界点，标准差和等间隔法。考虑到不同分级系统及所使用的实际数据的特征，本文最后选择了等间隔法，将通过二元及逻辑性回归模型计算得到的范围位于0.0～1.0之间的滑坡危险性指数等间隔分为四个等级，数值分别为：低（0.00～0.25），中（0.26～0.50），高（0.51～0.75）和非常高（0.76～1.00）。

4统计分析结果

用于二元分析使用的流域训练区数据表明滑坡发生的频率在边坡倾角为35.1～42.0度的范围内随着倾角的增大逐渐增大，当倾角大于42.0度时，频率逐渐降低。多数滑坡发生在溪流附近，因为溪流两岸的沉切作用是滑坡初始形成的重要因素。降雨量对于滑坡空间分布没有显著的特征，最高密度的滑坡集中在降雨范围为96.53～97.79的区域。大多数滑坡地点的土壤液性指数范围为－0.29～0.10。当液性指数范围位于0～1之间时，土壤受到剪力作用时表现为塑性。旋转滑动集中在高土壤侵蚀区，且滑坡频率随着土壤侵蚀度的降低而减少。位于粉土及粘土区域的滑坡频率较砂土及沙砾区高，且大部分集中在森林区，其次是农业区和城区。本文采用的土地覆被图从1994年的陆地卫星影像获取，不过如果采用更近时期的土地覆被图会得到完全不同的趋势，因为城市化建设使得覆被类型经历着不断的变化。将输入因素作为自变量，滑坡的发生及未发生状态作为因变量，本文采用前向逐步回归法对库雅加河流域训练区的数据进行了逻辑性回归分析。然后利用沃尔德检验评价模型自变量系数的统计显著性。结果表明边坡倾角的沃尔德数值最大，也就是说在训练区域内边坡倾角是导致滑坡发生的最显著因素，其次分别是与溪流的邻近度，土壤侵蚀度以及土壤类型。最后将训练区的分析结果外推到流域指定测试区。把训练区和测试区的边坡倾角，与溪流的邻近度，土壤侵蚀度以及土壤类型数据图层输入到ArcGIS，利用逻辑回归分析得到整个库雅加河流域的滑坡危险性区划图。

5模型检验与统计分析对比

利用二元及逻辑性回归建模获得的库雅加河流域滑坡危险性的准确性通过计算相对操作特性以及不同危险性类别里的已知滑坡的百分比进行评估。计算相对操作特性时，利用相对操作特性曲线值低于0.5～1.0的区域评价模型的准确性。理想模型的曲线值接近1，如果曲线值接近0.5则说明模型不准确。研究表明二元分析的相对特性曲线值为0.59，标准差为0.11，而逻辑性回归的曲线值为0.81，标准差为0.07。由此可以得出结论，对于库雅加河流域来说，逻辑性回归能更好地估计滑坡危险性。模型的检验通过与测试区内104个已知滑坡位置比较实现。二元分析结果表明测试区内的多数滑坡集中在中高级危险性类别，而逻辑性回归则显示54%的滑坡集中在非常高危险性类别。逻辑性回归较二元分析更能代表库雅加河流域的实际状况。

6总结

绘制滑坡危险性区划图对于减少库雅加河流域滑坡灾害具有十分重要的作用。本文采用两种不同的方法，二元分析及逻辑性回归分析以区域比例尺1:24000定义了流域滑坡危险性的空间分布。绘制过程在ArcGIS环境里基于像素实现，格网的像素分辨率为10米×10米。两种方法的准确性通过计算相对操作特性曲线值以及与已知滑坡位置对比检验。结果表明，二元分析由于在模型分析里没有考虑相关因素的影响只是一种近似方法，效果并不理想。逻辑性回归法得到的结论与实际状况相符，表明边坡倾角，与溪流的邻近度，土壤类型以及土壤侵蚀度是造成研究区域内滑坡运动最显著的因素。除了绘制反映流域实际状况的滑坡危险性区划图外，本文的另一个目的在于研究是否可以利用有限的采样位置预测该区域的滑坡危险性。整个研究区域面积为2105平方公里，将其中的1416平方公里作为训练区。在训练区进行滑坡危险性分析，然后在假定整个流域具有相似的滑坡不稳定性因素前提下将分析结果外推至测试区。本文采用的逻辑性回归分析获得了满意的结果。值得注意的是，为了获得合理的结果，与滑坡相关的所有信息以及可能造成滑坡的每一种独立因素都应进行全面的分析。

总的来说，逻辑性回归模型应用于滑坡危险性分析具有良好的效果。本文的分析结果对于了解库雅加河流域滑坡的空间分布做出了显著的贡献，生成的滑坡危险性区划图可以作为决策者和工程师完成边坡管理及土地利用规划时的参考。为了更精确地确定边坡不稳定性等级，高滑坡危险性及非常高滑坡危险性区域还需要工程地质学家进行更为具体细致的研究。