2. 中国地质调查局武汉地质调查中心 中南地质科技创新中心, 武汉 430502
2. Wuhan Center of China Geological Survey/Geological Science & Technology Innovation Center of Central South China, Wuhan 430205
地质灾害是指在自然或人为因素作用下形成的对人类生命财产、生态环境造成破坏和损失的地质作用,如崩塌、滑坡、泥石流、地裂缝、地面沉降、地面塌陷、岩爆、煤层自燃、黄土湿陷、岩土膨胀、砂土液化、土地冻融、土壤盐碱化以及地震、火山、地热害等。地质灾害常以灾害点或灾害链的形式出现,具有偶然性、局限性、群发性和区域性的特点。受生态地质条件控制以及降雨、地震等因素的作用,地质灾害发生与发展具有一定的规律性。21世纪以来,我国地质灾害一直处于高发期,每年都会造成巨大经济损失和重大人员伤亡。截至2014年,国土资源部已查明全国共有地质灾害隐患点29万余处,威胁近1 800万人生命安全和4 800亿元财产安全[1]。2015年,全国共发生地质灾害8 224起,共造成229人死亡、58人失踪、138人受伤,直接经济损失24.9亿元,其中由降雨、冰雪冻融等自然因素引发的有7 047起,占地质灾害总数的85.7%,由采矿和切坡等人类活动引发的有1 177起,占14.3%。除极端触发条件(如地震、台风等)外,全国80%以上的地质灾害的发生都直接或间接受降雨影响,这些地质灾害主要包括崩塌、滑坡、泥石流、地裂缝、地面塌陷等,其中崩塌和滑坡占其总数的90%以上。因此,面向滑坡地质灾害多发或潜在发生地区,对降雨直接或间接影响产生的滑坡地质灾害(以下简称降雨型滑坡地质灾害)开展预警预报研究和业务服务,是目前预防或减轻这类地质灾害的重要手段之一,也是当今国内外地质灾害研究领域的重要课题之一[2-3]。
20世纪中期之前,地质灾害预警预报的传统方法是对地质灾害的敏感性作出判断和评价,之后为提高地质灾害的预警预报精度,其预警预报方法有了进一步发展,传统方法逐步为基于GIS技术的地质灾害属性与空间特征的综合分析与评价方法[4-6]所取代。特别是自1980年代以来,国外如日本[7]、美国[8]和波多黎各[9]等,为了实现地质灾害预警预报由定性评价到半定量分析评价的转变,对相关地质灾害点进行了长时间序列的监测。到21世纪,随着GIS技术的快速发展,人们才有可能对地质灾害的诱发机理及其特征进行统计分析,也促使其统计方法模型化,从而推动了其预警预报工作从单一统计分析向模型综合分析转变、从定性评价向定量评价发展。如,王宁涛等[4]以湖北省五峰县为例,采用信息量模型分析方法,开展了对该县不同区域地质灾害易发性的定量评价。Wang等[10]研究日本福岛县1998年8月暴雨引发的长径向滑坡的机理,Ohlm-acher等[11]利用多元逻辑回归和GIS技术预测美国堪萨斯州东北部的滑坡灾害,都是基于降雨条件下的地质灾害所作的半定量分析或预测。刘传正等[12]根据对中国历史时期所发生的地质灾害点和灾害发生前15 d内实际降水量及降水过程的统计分析,创建了地质灾害气象预警等级判据模式图,并在每天收到国家气象中心发来的全国降雨预报数据和图像0.5 h内,对所预报的次日降雨过程是否诱发地质灾害和诱发灾害的空间范围、危害强度进行预报预警;2003年试验运行表明,地质灾害气象预警在技术上是可行的。到目前,基于主要诱发因子——降雨的不同尺度和精度的滑坡地质灾害预警预报工作已在我国各省市开展,2015年,我国成功预测这类地质灾害452起,避免可能造成20 465人伤亡和5.0亿元直接经济损失。虽然我国在降雨型滑坡地质灾害预警预报方面做了较多工作并卓有成效,但其预警预报精度还不高,难以满足当前决策气象服务和公众气象服务的需求,其原因一是缺乏不同地质背景条件下长时间序列的滑坡地质灾情监测数据,二是对滑坡地质灾害发生发展机理及其与降雨影响的关系等研究不够,三是其预警预报方法需要不断改进和完善。为此,本文回顾了近30 a国内外对降雨型滑坡地质灾害预警预报研究的进展,重点分析了随着GIS技术和监测手段发展在这类灾害预警预报中常用的3类方法,即数学统计分析法、理论模型评价法和数值模拟法[13-18],总结了其优缺点,以期为我国科研与业务人员进一步做好此类灾害预警预报工作提供参考依据。
1 数学统计方法数学统计方法因为简单实用,在降雨型滑坡地质灾害预警预报业务中应用最为广泛。近30 a来,随着气象监测技术和手段的不断发展,越来越多的研究人员应用有关数学统计方法对获取的大量降雨量监测数据进行统计处理,分析降雨量与滑坡地质灾害频次、程度、损害和风险的相关性,期望找到适用于某一地区的降水数据作为开展降雨型滑坡地质灾害预警预报的降雨量阈值。最初,基于数学统计方法的降雨型滑坡地质灾害预警预报,仅考虑将地质灾害发生前的场/日降雨量作为主要诱发因素的临界降雨量阈值,但场/日降雨量差异较大,影响了其预警预报的精度。随着相关研究不断深入,分析降雨量长时间序列监测数据表明,前期累计降雨量差异较小,且对滑坡灾害发生起决定性作用。因此,降雨型滑坡地质灾害预警预报逐渐由日降雨量阈值发展为前期累计有效降雨量与当日降雨量共同作用形成的阈值。
1.1 日降雨量阈值对日降雨量阈值的初步研究始于20世纪80年代,如Barnd[19]在1984年就对香港地区降雨与滑坡的关系进行了统计分析。此后,我国内地陈百炼[20]于2002年从降水这一诱发地质灾害的主要和关键自然因素入手,使用大量地质灾害资料和气象资料,探讨地质灾害发生与降水过程及其动态特征之间的关系,初步得出了贵州省地质灾害气象预警的指标和方法,建立了一定地质环境特征条件下地质灾害预警的气象模型。随着相关研究迅速展开,尤其是2005—2006年,各地基于数学统计方法的日降雨量阈值研究与应用工作取得了较好效果。陈百炼等[21]从贵州预报预警工作的实际需要出发,以降雨为诱发因素,应用系统论的观点和综合分析方法,按照全面、简明、易于操作和注重实效的思路,利用GIS技术结合地质和气象资料分析,提出了基于GIS的地质灾害预报预警方法。杨胜元等[22]通过对贵州全省降雨与地质灾害关系的分析,建立了基于GIS的全省地质灾害预警系统。陈练武等[23]在分析陕西省合阳县地质灾害发育规律的基础上,结合该县历史地质灾害发生时的降雨资料,制作地质灾害气象预警降雨量判据图,利用该降雨量判据图,采用模板判据法,对该县8个地质灾害易发区进行气象预警。陈平等[24]依据湖南省地质灾害发生特点,选定日雨量和小时雨量作为气象数据来源,结合地质背景因素,形成了一整套地质灾害气象预警方法体系,在此基础上,建立了基于日雨量的预警分析子系统、基于小时雨量的预警分析子系统和辅助办公自动化子系统,实现了快速、高效的省级地质灾害气象预警。徐玉琳等[25]通过计算滑坡灾害的潜势度、发育度和易发度,建立临界降雨量预警判据,采用GIS技术与数学模型整合的空间分析方法,实现了江苏省汛期突发性地质灾害气象预警。
以易发性/敏感性分区为基础,统计分析降雨量与滑坡地质灾害的相关性,可确定场/日降雨量阈值,实现对小比例尺、大范围地质灾害的预警预报,但其时空预报精度低,且未充分考虑不同尺度降雨的持续时间、强度和频次等过程特征及累计效应。随着降雨量数据时空精度的提高,地质灾害气象预报预警研究已由简单的数学统计分析逐渐转变为基于不同条件下的分类统计分析,这使得对滑坡地质灾害在不同降雨条件下发生发展过程的分析更加准确,有利于提高日降雨量阈值的可靠性和准确性。
1.2 累计有效降雨量阈值日降雨量阈值在局部地区虽可解决降雨诱发滑坡地质灾害的难题,但其阈值范围差异较大,导致日降雨量阈值难以推广。选用适当的降雨量模型对降雨过程中的降水强度和频次进行累计分析,可获取基本一致的累计有效降雨量阈值,使日/场降雨量阈值更精准,从而有效提高不同尺度和比例尺的滑坡地质灾害降雨预警预报的时空精度。
基于数据统计分析结果,Ohlmacher[26]和Schulz等[27]研究指出,滑坡灾害受降雨过程的影响较大,仅在地震等极端条件下地质灾害的发生受降雨过程的影响较小。降雨也受区域性地貌的制约,不同区域与季节的降雨对滑坡灾害的诱发机理存在差异,其降雨过程直接作用于不同地貌区域的过程也存在一定差异。国内,王志禄等[28]分析了甘肃陇南地区降雨地段产生滑坡、泥石流的诱因,探索了在土石山区地质灾害气象预报预警的技术措施、方法和效益,结果表明,以多年平均降雨量和地质背景条件为基础,采用24 h、1 h和10 min等高时间分辨率的降雨量数据,统计分析暴雨条件下地质灾害的诱发过程,计算累计降雨量,可确定滑坡地质灾害受降雨强度和持续时间的影响程度。值得注意的是,在统计累计降雨量时,未考虑降雨入渗作用和时间效应,尤其是降雨直接影响滑坡地质灾害体的地下水特征,降雨入渗作用是诱发和触发近地表地质灾害的主要因素。另外,基于地质灾害动力学研究,黄润秋等[29]在2005年提出了地下水诱发滑坡灾害的致灾机理,即不同时间尺度和强度的降雨过程控制了诱发滑坡灾害的“水垫-楔裂”和“劈裂”效应,导致地下水化学特征发生变化,从而对滑坡发生造成不同程度的影响。显然,累计有效降雨量阈值的提出,在很大程度上克服了累计降雨量阈值未考虑降雨入渗作用影响的不足。
国内外大量相关地质灾害预警预报实践证实,在县市范围区域地质背景条件基本一致的地区,开展降雨量阈值分析和降雨型地质灾害预警预报工作,采用GIS技术可方便快速地完成不同区域降雨型滑坡地质灾害预警预报[21-32]。需要特别指出的是,国内刘传正等[15]在2007年将地质灾害区域预警原理初步划分为隐式统计预警、显式统计预警和动力预警三种类型,并基于统计分析法缺少滑坡地质灾害空间分布特征上的不足,提出了以地质灾害易发性/敏感性为基础并充分考虑降雨过程的建模思路,实现了滑坡灾害背景条件与降雨量综合分析的显式预警预报;其设计研究为具体研发设计某个地区的预警系统提供了思想平台,也为建立国家、省和市(县)分层级联动的地质灾害区域预警体系提供了技术路线。国外Corominas等[33]几乎在同时(2008年)通过计算滑坡发生概率,开展对滑坡发生风险的规模和频率的预报。
综上可知,国内降雨诱发滑坡临界值模型都可归结为上述日降雨量(或降雨强度)和前期降雨量模型,采用小时雨强、当日降雨量、前几日累计降雨量(或前期有效降雨量)、前期降雨量占年平均雨量的比值(%)等表达式对临界降雨量进行刻画,其基本方法是采用统计技术对历史滑坡和降雨资料进行分析,取其统计意义上的临界点作为降雨诱发滑坡的临界值[34]。
2 理论模型评价方法应用数学的发展使数学统计方法得以向逻辑或数学模型转变,促进了降雨型滑坡地质灾害预警预报模型的应用,也克服了数学统计方法对降雨过程刻画不足而采用某特征值预警预报的缺点,形成了孕灾环境-降雨特征模型和降雨-孕灾环境耦合模型两种较为成熟的模型。前者分析降雨与易发性/敏感性分区、控制条件和滑坡地质灾害的相关性,采用物理模型模拟降雨过程,定量分析致灾机理,从而建立滑坡地质灾害预警预报模型,实现降雨型滑坡地质灾害预警预报;后者分析滑坡地质灾害发生前降雨量的强度、持续时间及间隔时间等,建立有效过程降雨量模型,确定临界降雨量阈值,以滑坡地质灾害易发性/敏感性分区为基础,通过逻辑/数学方法建立不同降雨条件下诱发滑坡地质灾害的概率模型,从而实现降雨型滑坡地质灾害预警预报。
2.1 孕灾环境-降雨特征模型采用滑坡地质灾害易发性/敏感性综合反映地质地貌等孕灾环境条件,构建概念/数学定量分析和评价模型,是国外滑坡地质灾害预警预报的主要方法。不同的孕灾环境对降雨特征的反馈存在较大差异。降雨的持续时间、强度以及受降雨影响的地下水赋存特点及生态环境要素等,可对滑坡地质灾害的发生发展变化过程和趋势产生不同影响,其影响因素主要包括地质环境因素和生态地质环境因素。根据不同的孕灾环境,可以分别建立相应的模型。
2.1.1 以孕灾地质环境因素建模在降雨型滑坡地质灾害预警预报实践中,可采用前期降雨要素(如降雨强度、持续时间和降雨时间间隔等)来建立孕灾环境-降雨特征模型,即建立过程降雨量模型和有效降雨量模型来确定临界降雨量;也可基于潜势度、大气降雨变量和预警方程,采用联合概率模型构建降雨突发性滑坡地质灾害空间预警模型,若引入卡方检验方法[35],还可有效地对地质环境条件、诱发因素和形成过程及规律分别进行独立分析,识别致灾条件及机理。此外,丁伟翠等[36]以甘肃省灵台县为例,余峙丹等[37]以云南楚雄州为例分析当地滑坡泥石流地质灾害的时空分布状况及滑坡泥石流发生与降雨的关系时,充分考虑前期降雨强度、持续时间和降雨时间间隔等条件,建立了临界日综合有效过程降雨量模型,并认为降雨入渗及地下水赋存条件等是影响地质灾害的重要因素,可用来进行小范围大比例尺降雨型滑坡地质灾害预警预报。尽管基于降雨数据和地质背景条件,采用层次分析法和二元统计法构建模型,可以开展滑坡地质灾害易发性分析及降雨预警预报,但地质背景条件仍然是滑坡灾害最重要的制约因素[38]。
国内学者比较注重降雨过程及模型对滑坡地质灾害预警预报的影响,而国外学者认为滑坡地质灾害孕灾背景条件是其发生的决定因素,并不断引入概念/数学模型,开展地质灾害易发性/敏感性定量分析,提高了孕灾地质环境的分区精度和可靠性,实现了降雨型滑坡地质灾害的时空预警及强度预报。基于模糊理论、专家知识、模糊逻辑、似然比函数、误差矩阵、分型模型等方法,半定量或定量分析滑坡地质灾害与孕灾背景的相关性,并采用交叉检验和预测率等对分区结果进行检验和分析,不仅可对降雨型滑坡地质灾害易发性/敏感性进行分区评价,还能计算其发生概率,并提高降雨型地质灾害预警预报的精度[2, 39-47]。
2.1.2 以生态地质环境因素建模由于以地质灾害易发性/敏感性分区分析孕灾环境的方法,未充分考虑滑坡体植被对降雨入渗过程的影响,这必然会影响降雨型滑坡地质灾害预警预报的准确性。为了使其预警预报更为准确,就要将考虑了生态环境因素的生态地质环境作为孕灾背景条件进行建模。考虑植被类型及其生长状态等生态地质环境因素,并结合地质背景条件,建立的孕灾环境-降雨特征模型,可较大程度提高降雨型滑坡地质灾害预警预报的精度和有效性。因为不同季节植被生长状态差异较大,不同降雨条件下,滑坡地质灾害受降雨影响的机理也存在较大差异。在中国台湾地区,Lee等[48]按不同季节分段来分析降雨过程,可有效提高其预警预报的准确性。由于不同季节有效降雨时间和强度的阈值不一致,不同季节降雨入渗与植被保水的交互作用存在差异[49],因此按照不同季节对降雨过程进行刻画能有效提高降雨型滑坡地质灾害的预警预报精度。
不同季节降雨的径流及入渗特征对滑坡地质灾害的影响不同,与生态地质环境因素的相互作用对滑坡地质灾害的影响也有差异。国内相关研究集中在对降雨径流及入渗对滑坡地质灾害的影响过程及特征方面,国外多利用植被发育特征等对滑坡地质灾害形成过程的影响,开展与降雨有关的生态环境要素的致灾过程及机理研究。
生态地质环境因素通过直接影响降雨入渗过程及特征而影响滑坡地质灾害的发生,前人对此开展了一系列相关研究。如: Saez等[50]、Mentes等[51]以生物学原理为基础,分析滑坡的变形过程及其动力学特征,为确定滑坡最初发生的主导诱发因素及诱发机理的研究提供了基础数据,并认为森林覆盖率对滑坡灾害的发生有直接影响;Broothaerts等[52]对埃塞俄比亚西南Gilgel Gibe流域滑坡的空间分布、成因及影响的研究表明,森林砍伐区易形成浅层滑坡,河流两侧沟谷发育区多形成深层滑坡;Federico等[53]研究指出,树木根系的退化直接改变滑坡体的地下水赋存条件是导致滑坡的稳定性发生变化的主要因素。
基于前人相关研究结果,为提高降雨型滑坡地质灾害预警预报模型的精度和可靠性,可根据不同季节对不同降雨条件进行分类,构建降雨过程的前期降雨强度、持续时间和降雨时间间隔等特征模型,通过有效刻画降雨的径流及入渗特征和分析不同孕灾环境对滑坡地质灾害的影响,可使孕灾环境-降雨特征模型预警预报技术得到广泛应用。
2.2 降雨量-孕灾环境耦合模型降雨量-孕灾环境耦合模型的构建思路是,基于对滑坡地质灾害影响因素的统计分析,进行滑坡地质灾害易发性/敏感性分区,以灾害发生前降雨量的强度、持续时间及间隔时间等特征量建立有效的过程降雨量模型,确定临界降雨量阈值,同时采用逻辑/数学模型建立耦合不同降雨条件下灾害发生的概率模型,实现对降雨型滑坡地质灾害的预警预报。降雨量-孕灾环境耦合模型的构建有两种方法,一是以过程降雨要素建模,二是耦合降雨与孕灾条件建模。
2.2.1 以过程降雨要素建模以过程降雨要素建模,往往先通过对过程降雨量、持续时间及间隔时间等进行分析,构建有效过程降雨量及临界降雨量阈值数学模型;再采用经验迁移函数、证据权法、联合概率模型等,建立滑坡地质灾害降雨预警的时间及空间预测概率模型。对于降雨型滑坡地质灾害,以过程降雨要素建模,需要充分考虑降雨的持续时间、强度与累计有效值等要素及其影响机理的差异,采用人工降雨模拟试验和分析降雨与地质条件的内外动力耦合,研究降雨过程中的累计降雨量、降雨强度和降雨持续时间等致灾机理,以确定降雨激发破坏滑坡的临界条件参数[54-57]。
21世纪初,国内外有相关研究表明[58-63],降雨对滑坡影响的滞后时间在灰岩区和碎屑岩区存在较大差异,开始考虑降雨入渗过程的影响机制,强调滑坡地质灾害发生前最近时间的场雨效应的同时,也充分考虑不同尺度降雨的持续时间、强度和间隔等特征及降雨的累积效应。通过分析降雨量数据,针对不同地质背景条件的差异,构建过程降雨量和有效降雨量模型,开展降雨量临界值分析;耦合地质环境因素与临界降雨量,就可实现降雨诱发滑坡地质灾害预警预报。可见,根据不同季节,选取不同的有效降雨量时间和强度的阈值,再考虑降雨过程,分析降雨频次、持续时间及强度,就可构建降雨量数学模型甚至构建降雨预警基准概率统计模型,使用这些模型,就可对降雨诱发滑坡地质灾害及其概率进行预警预报。
以过程降雨要素建模,在充分考虑降雨过程,选择降雨频次、持续时间、间隔时间及强度等要素对降雨过程进行刻画,能有效提高降雨型滑坡地质灾害预警预报的精度。
2.2.2 耦合降雨与孕灾条件建模以过程降雨要素建模是将降雨与地质灾害背景条件分别作为独立的研究对象进行分析,但没有考虑降雨过程对不同地质灾害背景条件的不同影响;而以耦合降雨与孕灾条件建模是在对降雨过程与各背景因子相互作用进行分析的基础上,基于降雨型滑坡地质灾害的机理进行建模,为后续作降雨型滑坡地质灾害数值模拟奠定基础。
国内外针对不同降雨型滑坡地质灾害预警预报模型开展的对比研究较多,如Yalcin等[64]将基于GIS的频率比、层次分析法、二元统计法和Logistics回归方法用来对土耳其东北部特拉布宗滑坡敏感性进行分区比较,Bui等[65]将Levenberg-Marquardt方法与贝叶斯自组织神经网络方法用来评价越南和平省滑坡敏感性,Mohammady[66]所作的伊朗戈勒斯坦省滑坡敏感性分区,Pradhan[67]基于GIS的滑坡敏感性分区,Wang等[68]基于RS对位于三峡库区的建始县开展的地质灾害敏感性评价,李芳等[69]在云南省红河州示范区首次采用100 m×100 m预警单元,综合考虑地质灾害的降雨诱发因子、地质环境因素,并基于信息量法构建地质灾害气象风险预警模型,这些研究成果大大提高了易发性/敏感性分区的精度及可靠性,且为地质灾害致灾机理研究及其预警预报建模奠定了基础。另外,黄润秋等[29]充分考虑降雨过程与地质背景条件,耦合分析其水岩/土相互作用,提出地下水的致灾效应及异常地下水流对地质灾害的诱发,克服了降雨型地质灾害预警预报中只考虑降雨量因子诱发作用的不足,强调不同类型地质灾害的水岩相互作用,提高了其预警预报精度。Florsheim等[45]考虑降雨强度和频次等,耦合地质灾害历史数据,实现了降雨型滑坡地质灾害预警预报准确度的验证。
由于在进行降雨型滑坡地质灾害预警预报中,采用不同随机抽样方法获取的滑坡灾害点进行滑坡地质灾害易发/敏感性分区的结果存在较大差异,所以要想不断提高降雨型滑坡地质灾害预警预报模型的准确度,应加强降雨与地质背景条件的耦合分析和易发性/敏感性分区模型的样本筛选研究。
3 数值模拟方法随着计算机软\硬件技术和地质灾害监测手段的提升,尤其是对降雨型滑坡地质灾害的机理研究的不断深入与构建的数学物理模型逐渐成熟,计算机数值模拟方法不断被引入降雨型滑坡地质灾害预警预报中。如,基于动力学原理,以数学模型/物理模型分析和实验数据为基础,考虑降雨过程、入渗、径流等作用及其与生态地质环境因素的相互作用,采用有限元等方法模拟不同降雨条件下地质环境背景条件的变化,进行滑坡地质灾害背景条件的稳定性分析,从而实现数值模拟和降雨-地质灾害变化过程反演,继而开展降雨型滑坡地质灾害预警预报。目前,用的最多的数值模拟方法是借助成熟的水岩相互作用过程模拟技术对降雨-孕灾环境相互作用进行数值模拟计算和分析,以开展灾害点或小尺度大比例尺的数值模拟。
水岩相互作用过程数值模拟法主要针对岩土体结构和力学参数建模,加载了降雨入渗参数。目前,国外已有学者基于动力学原理,采用有限元方法进行滑坡地质灾害预测预报的数值模拟研究。如: Dislich等[70]基于动力学原理,采用数值模拟技术,对滑坡上森林覆盖变化及其灾害发生的过程进行仿真建模,并以此来提高降雨型滑坡地质灾害的空间预警预报精度;Apip等[71]采用CMORPH方法对NOAA-CPC卫星进行降雨量估算,在印度尼西亚Citarum流域进行斜坡稳定性分析,数值模拟结果表明,在不考虑滑坡发生时间的前提下,模拟结果与1985—2008年发生的滑坡数据的空间分布特征十分吻合;另外,Shen等[72]、Akgun等[73]、White等[74]基于动力学原理,分别采用2D和3D分析技术在FLAC软件中对持续降雨条件下的斜坡单体稳定性进行模拟分析后,以MATLAB软件为平台,采用马可夫链模型以时间序列对降雨数据进行分析,采用GDEM有限元对滑坡稳定性进行模拟,模拟降雨入渗过程,从而提供对滑坡的时空预警预报。国内,梁润娥等[18]于2013年在分析国内外地质灾害气象预警研究进展的基础上,根据当前对地质灾害进行气象预警所采用的模型(方法)的分类,对各种类别的预警模型的特点进行了对比分析,并指出采用数值模拟进行降雨型滑坡地质灾害预警预报将是未来发展趋势,但实际国内鲜有科研或业务人员在此方面进行模拟研究。
综上可知,在降雨诱发滑坡地质灾害预警预报研究与应用方面,国外已广泛基于不同区域不同气候条件,采用模型耦合降雨量数据和数值模拟技术与方法,开展降雨诱发滑坡地质灾害预警预报及其致灾机理的定量分析和反演研究;国内则集中于降雨诱发滑坡地质灾害的降雨量过程及特征的研究,未充分考虑降雨入渗与生态环境的相互作用和影响,鲜有研究采用数值模拟技术开展降雨型滑坡地质灾害预警预报和对其机理进行探讨。显然,基于不同降雨尺度分析降雨过程及其变化特征,采用数值模拟技术,构建不同季节不同降雨时间尺度的预警预报模型,才是今后降雨型滑坡地质灾害预警预报研究的发展方向。
4 总结与展望本文根据国内外近30 a降雨型滑坡地质灾害预警预报技术的发展历程,重点梳理与总结了数学统计分析法、理论模型评价法和数值模拟法等3类主要降雨型滑坡地质灾害预警预报方法的研究成果。最初的数学统计分析法,仅基于地质灾害与降雨量数据的统计分析结果确定降雨量预警阈值,而未充分考虑降雨过程及其作用;理论模型评价法克服了数学统计方法对降雨过程刻画不够而采用某特征值预警预报的缺点,虽然实现了地质灾害因子与降雨过程的耦合,但未充分考虑降雨过程与各因子之间的相互作用;数值模拟法能反演降雨过程与各因子之间的相互作用,但对数据的精细程度要求高,现有地质资料难以全面支撑其在大尺度范围的数值模拟,多用于对单点地质灾害的降雨过程的模拟与反演。
数学统计分析法、理论模型评价法和数值模拟法的适用条件和范围有所不同,其适用性主要取决于空间尺度和比例尺。即: (1)数学统计方法主要用于不同季节及区域地质大尺度、1:250 000以下小比例尺条件下,基于调查数据和少量降雨量数据,构建多场/日有效降雨量概念/数学模型,分析多场/日有效降雨量值和未来24 h降雨量临界值,获得降雨诱发地质灾害的降雨量临界值,实现地质灾害预警预报;(2)模型评价方法主要适应于地质背景特征一致,降雨量数据丰富,将降雨量及降雨过程作为动态变量,进行数学模型预警预报,适用于中小尺度、1:50 000~1:250 000中比例尺条件下;(3)数值模拟方法主要用于小尺度、1:25 000~1:50 000大中比例尺范围,要求相应的监测数据丰富,并充分考虑水文地质条件受降雨过程及其变化的影响,基于动力学原理,分析降雨与岩土体、生态环境的相互作用和影响,模拟降雨入渗与生态环境的相互作用及岩土体的稳定性,实现滑坡地质灾害预警预报。目前,数值模拟技术主要用于对单个降雨型地质灾害点的预警预报。
基于以上总结,指出当前国内外降雨诱发滑坡地质灾害预警预报研究的方向和目标,即基于动力学原理,充分考虑降雨过程及特征对滑坡地质灾害的影响,采用数值模拟方法进行动态分析和反演地质灾害受降雨的影响及变化特征。这也是现阶段降雨型滑坡地质灾害预警预报研究的热点和难点。要实现上述目标,应加强两方面的工作: (1)加强滑坡地质灾害的致灾机理研究。滑坡地质灾害在不同区域不同地质条件和降雨条件下其致灾机理存在差异,在现有滑坡地质灾害预警预报过程中,因为监测技术和手段的限制,未能准确分类分析不同滑坡灾害体的岩土结构特征,导致降雨条件下地质灾害致灾机理不明,影响了其预警预报的时空精度及可靠性;(2)加强降雨型滑坡地质灾害的过程及变化特征研究。受降雨量资料的时空分辨率及可靠性限制,在实际分析降雨过程及特征时,未考虑不同尺度过程降雨诱发滑坡地质灾害的机理差异,制约了滑坡地质灾害预警预报时空精度。
[1] |
李响.我国查明地灾隐患点29万处[N].中国国土资源报, 2014-01-22(001)
|
[2] |
Jr F S, Alves M D G, Pinto W D. Assessment of failure susceptibility of soil slopes using fuzzy logic[J]. Engineering Geology, 2006, 86(4): 211-224. DOI:10.1016/j.enggeo.2006.05.001 |
[3] |
Conforti M, Pascale S, Robustelli G, et al. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment (northern Calabria, Italy)[J]. Catena, 2014, 113(1): 236-250. |
[4] |
王宁涛, 彭轲, 黎清华, 等. 基于RS和GIS的地质灾害易发性定量评价:以湖北省五峰县为例[J]. 地学前缘, 2012, 19(6): 221-229. |
[5] |
Donati L, Turrini M C. An objective method to rank the importance of the factors predisposing to landslides with the GIS methodology:application to an area of the Apennines (Valnerina; Perugia, Italy)[J]. Engineering Geology, 2002, 63(3): 277-289. |
[6] |
Temesgen B, Mohammed M U, Korme T. Natural hazard assessment using GIS and remote sensing methods, with particular reference to the landslides in the Wondogenet Area, Ethiopia[J]. Physics and Chemistry of the Earth, 2001, 26(9): 665-675. |
[7] |
Fukuzono, T. A new method for predicting the failure time of a slope[C]//Proceedings of 4th International conference and field workshop on landslides. Tokyo, Japan, 1985
|
[8] |
Keefer D K, Wilson R C, Mark R K, et al. Real-time landslide warning during heavy rainfall[J]. Science, 1987, 238: 921-925. DOI:10.1126/science.238.4829.921 |
[9] |
Larsen M C, Simon A. A rainfall intensity-duration threshold for landslides in a humid-tropical environment, Puerto Rico[J]. Geografiska Annaler, 1993, 75(1/2): 13-23. DOI:10.2307/521049 |
[10] |
Wang F W, Sassa K, Wang G. Mechanism of a long-runout landslide triggered by the August 1998 heavy rainfall in Fukushima Prefecture, Japan[J]. Engineering Geology, 2002, 63(1-2): 169-185. DOI:10.1016/S0013-7952(01)00080-1 |
[11] |
Ohlmacher G C, Davis J C. Using multiple logistic regression and GIS technology to predict landslide hazard in Northeast Kansas, USA[J]. Engineering Geology, 2003, 69(3): 331-343. |
[12] |
刘传正, 温铭生, 唐灿. 中国地质灾害气象预警初步研究[J]. 地质通报, 2004, 23(4): 303-309. DOI:10.3969/j.issn.1671-2552.2004.04.001 |
[13] |
Cardinali M, Galli M, Guzzetti F, et al. Rainfall induced landslides in December 2004 in southwestern Umbria, central Italy:types, extent, damage and risk assessment[J]. Natural Hazards & Earth System Sciences, 2006, 6(2): 237-260. |
[14] |
Jakob M, Holm K, Lange O, et al. Hydrometeorological thresholds for landslide initiation and forest operation shutdowns on the north coast of British Columbia[J]. Landslides, 2006, 3(3): 228-238. DOI:10.1007/s10346-006-0044-1 |
[15] |
刘传正, 刘艳辉. 地质灾害区域预警原理与显式预警系统设计研究[J]. 水文地质工程地质, 2007, 34(6): 109-115. DOI:10.3969/j.issn.1000-3665.2007.06.026 |
[16] |
Guzzetti F, Peruccacci S, Rossi M, et al. The rainfall intensity-duration control of shallow landslides and debris flows:an update[J]. Landslides, 2008, 5(1): 3-17. DOI:10.1007/s10346-007-0112-1 |
[17] |
Westen C J V, Castellanos E, Kuriakose S L. Spatial data for landslide susceptibility, hazard, and vulnerability assessment:An overview[J]. Engineering Geology, 2008, 102(3): 112-131. |
[18] |
梁润娥, 李中社, 苗高建, 等. 区域地质灾害气象预警模型研究现状与展望[J]. 安全与环境工程, 2013, 20(1): 30-35. DOI:10.3969/j.issn.1671-1556.2013.01.07t |
[19] |
Brand E W. Relationship between rainfall and landslide in Hong Kong[C]//Proceedings of 4th International Symposium on Landslides. Ontario, Canada, 1984
|
[20] |
陈百炼. 降水诱发地质灾害的气象预警方法研究[J]. 贵州气象, 2002(4): 109-113. |
[21] |
陈百炼, 杨胜元, 杨森林, 等. 基于GIS的地质灾害气象预警方法初探[J]. 中国地质灾害与防治学报, 2005, 16(4): 93-96. DOI:10.3969/j.issn.1003-8035.2005.04.022 |
[22] |
杨胜元, 陈百炼, 杨森林, 等. 贵州省地质灾害——气象预报预警的基本思路与方法[J]. 中国地质灾害与防治学报, 2006, 17(2): 111-114. DOI:10.3969/j.issn.1003-8035.2006.02.025 |
[23] |
陈练武, 邱勇. 陕西省合阳县地质灾害发育规律及气象预警方法研究[J]. 中国地质灾害与防治学报, 2005, 16(3): 119-121. DOI:10.3969/j.issn.1003-8035.2005.03.027 |
[24] |
陈平, 丛威青. GIS支持下的湖南省地质灾害气象预警系统建设探讨[J]. 成都理工大学学报(自然科学版), 2006, 33(5): 532-535. DOI:10.3969/j.issn.1671-9727.2006.05.017 |
[25] |
徐玉琳, 孙国曦, 陆美兰, 等. 江苏省突发性地质灾害气象预警研究[J]. 中国地质灾害与防治学报, 2006, 17(1): 46-50. DOI:10.3969/j.issn.1003-8035.2006.01.012 |
[26] |
Ohlmacher G C. Plan curvature and landslide probability in regions dominated by earth flows and earth slides[J]. Engineering Geology, 2007, 91(2): 117-134. |
[27] |
Schulz W H, Kean J W, Wang G H. Landslide movement in southwest Colorado triggered by atmospheric tides[J]. Nature Geoscience, 2009, 2(12): 863-866. DOI:10.1038/ngeo659 |
[28] |
王志禄, 张燕, 孙畅. 陇南地质灾害气象预报及预警技术研究[J]. 地质灾害与环境保护, 2005, 16(1): 105-110. DOI:10.3969/j.issn.1006-4362.2005.01.025 |
[29] |
黄润秋, 徐则民, 许模. 地下水的致灾效应及异常地下水流诱发地质灾害[J]. 地球与环境, 2005, 33(3): 1-9. |
[30] |
周平根, 毛继国, 侯圣山, 等. 基于WebGIS的地质灾害预警预报信息系统的设计与实现[J]. 地学前缘, 2007(6): 38-42. DOI:10.3321/j.issn:1005-2321.2007.06.006 |
[31] |
高华喜, 殷坤龙. 降雨与滑坡灾害相关性分析及预警预报阀值之探讨[J]. 岩土力学, 2007, 28(5): 1055-1060. DOI:10.3969/j.issn.1000-7598.2007.05.039 |
[32] |
韩冰.雅安地区滑坡灾害监测预警研究[D].北京: 中国地质大学, 2016
|
[33] |
Corominas J, Moya J. A review of assessing landslide frequency for hazard zoning purposes[J]. Engineering Geology, 2008, 102(3): 193-213. |
[34] |
唐亚明, 张茂省, 薛强, 等. 滑坡监测预警国内外研究现状及评述[J]. 地质论评, 2012, 58(3): 533-541. DOI:10.3969/j.issn.0371-5736.2012.03.014 |
[35] |
薛群威, 刘艳辉, 唐灿. 突发地质灾害气象预警统计模型与应用[J]. 吉林大学学报(地球科学版), 2013, 43(5): 1614-1622. |
[36] |
丁伟翠, 杨强, 王爱军, 等. 应用GIS技术对甘肃省灵台县地质灾害气象预警的研究[J]. 中国地质, 2010, 37(4): 1199-1207. DOI:10.3969/j.issn.1000-3657.2010.04.034 |
[37] |
余峙丹, 张辉, 盛永昆, 等. 楚雄州地质灾害降水特征及气象预警指标研究[J]. 云南大学学报(自然科学版), 2011(S1): 183-187. |
[38] |
Vorpahl P, Elsenbeer H, Märker M, et al. How can statistical models help to determine driving factors of landslides?[J]. Ecological Modelling, 2012, 239(1): 27-39. |
[39] |
Ercanoglu M. Landslide susceptibility assessment of SE Bartin (West Black Sea region, Turkey) by artificial neural networks[J]. Natural Hazards & Earth System Sciences & Discussions, 2005, 5(6): 979-992. |
[40] |
Kanungo D P, Arora M K, Sarkar S, et al. A comparative study of conventional, ANN black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas[J]. Engineering Geology, 2006, 85(3): 347-366. |
[41] |
Althuwaynee O F, Pradhan B, Lee S. Application of an evidential belief function model in landslide susceptibility mapping[J]. Computers & Geosciences, 2012, 44: 120-135. |
[42] |
Oh H J, Pradhan B. Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area[J]. Computers & Geosciences, 2011, 37(9): 1264-1276. |
[43] |
Regmi N R, Giardino J R, Vitek J D. Modeling susceptibility to landslides using the weight of evidence approach:Western Colorado, USA[J]. Geomorphology, 2010, 115(1-2): 172-187. DOI:10.1016/j.geomorph.2009.10.002 |
[44] |
Pradhan B, Saro L. Landslide susceptibility assessment and factor effect analysis:backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modeling[J]. Environmental Modelling & Software, 2010, 25(6): 747-759. |
[45] |
Florsheim J L, Nichols A. Landside area probability density function statistics to assess historical landslide magnitude and frequency in coastal California[J]. Catena, 2013, 109: 129-138. DOI:10.1016/j.catena.2013.04.005 |
[46] |
费晓燕, 柳锦宝, 屈伯强, 等. 四川省降雨诱发滑坡灾害的气象预警模型[J]. 水土保持通报, 2017, 37(5): 315-327. |
[47] |
陈珂.基于GIS的地质灾害气象风险预报预警模型研究[D].成都: 成都信息工程大学, 2017
|
[48] |
Lee Y F, Chi Y Y. Rainfall-induced landslide risk at Lushan, Taiwan[J]. Engineering Geology, 2011, 123(1-2): 113-121. DOI:10.1016/j.enggeo.2011.03.006 |
[49] |
Peruccacci S, Brunetti M T, Luciani S, et al. Lithological and seasonal control on rainfall thresholds for the possible initiation of landslides in central Italy[J]. Geomorphology, 2012, 139(4): 79-90. |
[50] |
Saez J L, Corona C, Stoffel M, et al. High-resolution fingerprints of past landsliding and spatially explicit, probabilistic assessment of future reactivations:Aiguettes landslide, Southeastern French Alps[J]. Tectonophysics, 2013, 602(5): 355-369. |
[51] |
Mentes G, Bódis V B, Vig P. Small slope tilts caused by meteorological effects and vital processes of trees on a wooded slope in Hidegvíz Valley, Hungary[J]. Geomorphology, 2014, 206: 239-249. DOI:10.1016/j.geomorph.2013.09.027 |
[52] |
Broothaerts N, Kissi E, Poesen J, et al. Spatial patterns, causes and consequences of landslides in the Gilgel Gibe catchment, SW Ethiopia[J]. Catena, 2012, 97(5): 127-136. |
[53] |
Federico P. Forest protection and protection forest:tree root degradation over hydrological shallow landslides triggering[J]. Ecological Engineering, 2013, 61: 633-645. DOI:10.1016/j.ecoleng.2012.11.009 |
[54] |
Martha T R, Westen C J V, Kerle N, et al. Landslide hazard and risk assessment using semi-automatically created landslide inventories[J]. Geomorphology, 2013, 184(3): 139-150. |
[55] |
Segoni S, Rossi G, Catani F. Improving basin scale shallow landslide modelling using reliable soil thickness maps[J]. Natural Hazards, 2012, 61(1): 85-101. DOI:10.1007/s11069-011-9770-3 |
[56] |
朱昳辰, 李益敏, 魏苏杭. 怒江州滑坡地质灾害气象预警模型研究[J]. 云南大学学报(自然科学版), 2016, 38(4): 610-619. |
[57] |
李定夺, 白亚恒, 姜越, 等. 基于内外动力耦合成因理论的新疆地质灾害气象预警显示统计模型[J]. 地球科学与环境学报, 2017, 39(2): 286-300. DOI:10.3969/j.issn.1672-6561.2017.02.013 |
[58] |
金江军, 潘懋, 邬伦, 等. 深圳市地质灾害评价与预警系统研究[J]. 测绘科学, 2007, 32(2): 125-127. |
[59] |
刘艳辉, 刘传正, 连建发, 等. 基于显示统计原理的地质灾害区域预警方法初步研究[J]. 中国地质, 2008, 35(2): 344-340. DOI:10.3969/j.issn.1000-3657.2008.02.020 |
[60] |
吴跃东, 向钒, 马玲. 安徽省地质灾害气象预警预报研究[J]. 灾害学, 2008, 23(4): 25-29. DOI:10.3969/j.issn.1000-811X.2008.04.006 |
[61] |
罗昌谟. 福建省地质灾害与过程降雨量影响关系探讨[J]. 福建地质, 2008, 27(4): 414-419. DOI:10.3969/j.issn.1001-3970.2008.04.010 |
[62] |
Jaiswal P, Westen C J V. Estimating temporal probability for landslide initiation along transportation routes based on rainfall thresholds[J]. Geomorphology, 2009, 112(1): 96-105. |
[63] |
彭轲, 王宁涛, 谭建民, 等. 地质灾害气象预警区划方法研究——以湖北省巴东县为例[J]. 地质灾害与环境保护, 2010, 21(4): 82-87. DOI:10.3969/j.issn.1006-4362.2010.04.017 |
[64] |
Yalcin A, Reis S, Aydinoglu A C, et al. A GIS-based comparative study of frequency ratio, analytical hierarchy process, bivariate statistics and logistics regression methods for landslide susceptibility mapping in Trabzon, NE Turkey[J]. Catena, 2011, 85(3): 274-287. DOI:10.1016/j.catena.2011.01.014 |
[65] |
Bui D T, Pradhan B, Lofman O, et al. Landslide susceptibility assessment in the Hoa Binh province of Vietnam:a comparison of the Levenberg-Marquardt and Bayesian regularized neural networks[J]. Geomorphology, 2012, S171-172(6): 12-29. |
[66] |
Mohammady M, Pourghasemi H R, Pradhan B. Landslide susceptibility mapping at Golestan Province, Iran:A comparison between frequency ratio, Dempster-Shafer, and weights-of-evidence models[J]. Journal of Asian Earth Sciences, 2012, 61: 221-236. DOI:10.1016/j.jseaes.2012.10.005 |
[67] |
Pradhan B. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS[J]. Computers & Geosciences, 2013, 51(2): 350-365. |
[68] |
Wang N, Shi T, Peng K, et al. Assessment of geohazard susceptibility based on RS and GIS analysis in Jianshi County of the Three Gorges Reservoir, China[J]. Arabian Journal of Geosciences, 2015, 8(1): 67-86. DOI:10.1007/s12517-013-1196-7 |
[69] |
李芳, 梅红波, 王伟森, 等. 降雨诱发的地质灾害气象风险预警模型:以云南省红河州监测示范区为例[J]. 地球科学, 2017, 42(9): 1637-1646. |
[70] |
Dislich C, Huth A. Modelling the impact of shallow landslides on forest structure in tropical montane forests[J]. Ecological Modelling, 2012, 239(1): 40-53. |
[71] |
Apip Kaoru T, Yosuke Y, et al. A distributed hydrological-geotechnical model using satellite-derived rainfall estimates for shallow landslide prediction system at a catchment scale[J]. Landslides, 2010, 7: 237-258. DOI:10.1007/s10346-010-0214-z |
[72] |
Shen H, Klapperich H, Abbas S M, et al. Slope stability analysis based on the integration of GIS and numerical simulation[J]. Automation in Construction, 2012, 26(10): 46-53. |
[73] |
Akgun A, Sezer E A, Nefeslioglu H A, et al. An easy-to-use MATLAB program (MamLand) for the assessment of landslide susceptibility using a Mamdani fuzzy algorithm[J]. Computers & Geosciences, 2012, 38(1): 23-34. |
[74] |
White J A, Singham D I. Slope stability assessment using stochastic rainfall simulation[J]. Procedia Computer Science, 2012, 9(11): 699-706. |