2018, Vol.38
2 陕西省地表系统与环境承载力重点实验室, 陕西 西安 710127;
3 西北大学地表系统与灾 害研究院, 陕西 西安 710127;
4 中国科学院山地灾害与地表过程重点实验室, 中国科学院成都山地灾害与环境研究所, 四川 成都 610041)
中巴经济走廊(China-Pakistan Economic Corridor, 简称CPEC)是一条集公路、铁路、油气管线、光缆和电力线路覆盖的“五位一体”的通道，是中国经巴基斯坦通往南亚和中东地区的重要通道[1]，也是“一带一路”建设的先行区和重中之重。但是，中巴经济走廊自然环境差异大，地质条件复杂，地质灾害点多、面广，区内频发的山地灾害严重威胁中巴经济走廊的建设与民生安全。因此，科学、准确地分析该区域地质灾害敏感性已成为中巴经济走廊建设面临的重大而迫切的现实问题。随着中巴经济走廊建设的深入开展，国家在中巴经济走廊也布局了一系列基础调查和科研合作项目，迫切需要开展中巴经济走廊山地灾害防灾减灾研究，以便科学支撑中巴经济走廊建设和服务区域民生安全与可持续发展，系统地支撑中巴全天候战略合作关系。
地质灾害主要包括滑坡、崩塌、泥石流、地裂缝、地面沉降等与地质作用相关的灾害，其破坏作用主要表现为：威胁人类生命安全、破坏基础设施(房屋、道路、桥梁)以及阻碍重大工程的实施等[2~4]。地质灾害敏感性分析是评估地质灾害危险性和风险的基础，通常用来识别地质灾害发生的概率；地质灾害敏感性模型是基于一个公理：“过去和现在是未来的关键”，即过去发生地质灾害的地区未来可能会受到影响[5]。目前，用于流域尺度和小比例尺区域地质灾害敏感性分析的模型和方法主要包括Logistic回归模型、信息量法、证据权法和人工神经网络等[6~11]。这类方法的应用必须要结合地理信息系统(GIS)强大的空间分析功能，才能制作地质灾害敏感性地图。此外，这类方法对输入数据的准确性要求较高[12]，因为准确的地质灾害目录对模型的计算和敏感性验证来说是必不可少的。模型分析结果验证是地质灾害敏感性分析的另一个问题，如果没有科学合理的验证，模型评估的结果将具有较差的科学价值[13]。近年来，大量学者运用Kappa值、成功率曲线、预测率曲线、受试者工作特征曲线(Receiver Operating Characteristic Curve，简称ROC)等[14~16]对各种模型分析的地质灾害敏感性做了验证。比较研究结果表明，ROC曲线简单、直观，可准确地反映模型特异性和敏感度的关系[17~18]。
本文拟以中巴经济走廊为例，构建地质灾害敏感性分析体系(图 1)，选取加权信息量模型和证据权法两种模型，结合GIS空间分析工具对研究区地质灾害敏感性进行分析，并结合ROC曲线对加权信息量模型和证据权法两种模型分析的地质灾害敏感性结果进行验证比较，最终选取精度较高的模型分析的结果进行研究区地质灾害敏感性区划。分析结果有望为中巴经济走廊重大工程建设、交通线路选线、城市规划、资源开发等方面提供基础科学依据，从而更好地服务区域民生安全与可持续发展。
|
图 1 研究区位置与地质灾害点分布图 Fig. 1 Location of the study area and geo-hazards distribution map |
中巴经济走廊北起中国喀什地区，南至巴基斯坦最南端瓜达尔港，全长3000 km，以中巴公路(喀喇昆仑公路)为导向，纵贯帕米尔高原，北接“丝绸之路经济带”，南连“21世纪海上丝绸之路”(图 1)，是贯通南北丝路的关键枢纽，也是“一带一路”的重要组成部分[19~22]。
中巴经济走廊地处全球大型地震带——喜马拉雅地震带，地震活动频繁、地质构造活跃、区域稳定性极差[23]；地层岩性从寒武系至第四纪各时代均有出露，寒武系最为发育，尤其在巴基斯坦北部地区地层岩性以软和极软岩石为主；年降雨量在600~1000 mm之间，气候类型以干旱、半湿润和湿润气候为主，夏季降雨集中，最高温度可达40 ℃，冬季最低气温可至- 30 ℃[24]，气候恶劣，昼夜温差大，冻融交替循环，加之高寒区冰川融冻等外动力作用，导致该区成为地质灾害易发、频发区[25~26]。根据实地调研和对谷歌卫星影像的解译，发现研究区共发育地质灾害2369处(实地调研237处)，主要灾害类型为滑坡、崩塌和泥石流，其中滑坡584处、崩塌116处、泥石流1669处(表 1)。
|
表 1 地质灾害类型统计表 Table 1 Statistics of geo-hazards types |
本文使用的数据主要包括数字高程模型(DEM)、5级以上地震震中位置、多年平均降雨量、地层岩性、断裂带、河网、路网、地质灾害点等多个数据集。其中，DEM数据为30 m分辨率的栅格数据，来源于地理空间数据云(http://www.gscloud.cn/)的GDEM(V2)数据集，并由此生成坡度和地形起伏度数据；地震数据来源于中国地震台网(http://news.ceic.ac.cn/)1970~2015年地震编目，选取了5级以上的地震震中；降水数据来源于寒区旱区科学数据中心(http://westdc.westgis.ac.cn/)SWAT模型中国大气同化驱动数据集(CMADS V1. 1)2008~2014年逐日格点降水数据，后经过计算、汇总在ArcGIS 10.2中插值成多年平均降雨量栅格数据；地质灾害点类型主要来源于谷歌卫星影像目视解译，并经过中巴经济走廊实地调查和抽样验证；断裂带和地层岩性数据由1 ︰ 2000000巴基斯坦地质图矢量化而来；矢量河网数据来源于美国地质调查局(https://hydrosheds.cr.usgs.gov/datadownload.php?reqdata=30rivs)15弧秒的河网数据，后经过水系比对、错误改正等处理；矢量路网数据来源于社会经济数据和应用中心(http://sedac.ciesin.columbia.edu/data/set/groads-global-roads-open-access-v1)的全球道路开放数据集V1 (1980~2010年)。
2 研究方法近年来应用于地质灾害敏感性分析的方法种类繁多，主要包括判别分析法、决策树、逻辑回归模型、模糊层次分析法、证据权法以及信息量模型等[27~29]。但是，所有的模型各有优劣，综合对比各种模型评估的结果，发现在对大区域地质灾害敏感性分析时，运用基于贝叶斯统计模型的证据权法和信息量模型分析的结果较好。因此，本文选择加权信息量模型和证据权法两种模型综合分析中巴经济走廊地质灾害敏感性，并运用ROC曲线验证比较两种模型分析的敏感性结果，最终选取精度较高的模型分析的结果进行研究区地质灾害敏感性区划。
2.1 加权信息量模型模糊层次分析法是一种有效、多目标、多标准的决策方法[30]，适用于影响因子无法定量表示的决策中；其原理是将模糊综合评价法和层次分析法相结合的一种综合评价方法[31]。信息量模型是由Van Westen提出的利用信息熵概念来分析在各种因素综合作用下地质灾害敏感性程度的模型[29, 32~35]。但是，在地质灾害敏感性分析中模糊层次分析法的优势在于可以通过模糊判断矩阵给出各因子间的权重，不足在于单个因子内部各分类的权重需要“主观给定”；然而信息量法恰恰相反，它的优势在于能够很好的计算出单个因子内部各分类的内值(信息量)，不足在于各因子间的权重需要“主观给定”[36]。因此，本文为了克服两个“主观给定”，将模糊层次分析法和信息量法相结合，定量分析中巴经济走廊地质灾害敏感性的模型称为加权信息量模型。每个单元总信息量的计算公式如下[37~38]：
|
(1) |
公式(1)中：P(y，X1X2X3…Xn)为在灾害因素y，X1X2X3…Xn组合条件下地质灾害现象y发生的概率。
首先，单独计算各分析因子类别Xi对地质灾害y发生提供的信息量Ii(Xi，y)：
|
(2) |
公式(2)中：P(Xi，y)为地质灾害y发生的条件下，出现某分析因子类别Xi的概率；P(Xi)为研究区内出现某评价因子类别Xi的概率。
公式(2)是信息量法的理论模型，在实际计算过程中，一般采用公式(3)进行信息量计算：
|
(3) |
公式(3)中：Ni为分布在某特定分析因子类别Xi内的地质灾害点面积；N为研究区内地质灾害点面积；Si为研究区内含有某分析因子类别Xi的单元面积；S为整个研究区域单元总面积。信息量I可正可负，较大的数值代表某分析因子在该类别下更易引发地质灾害。
其次，计算单个因子分析单元内的总信息量。一般来说，每个分析单元的信息量值都是多个因子综合的结果，对单元各因子的信息量求和，即可确定该单元的总信息量。
最后，结合模糊层次分析法确定的权重(W)[39~41]，将赋予信息量值的各影响因子在GIS中加权叠加，得到综合信息量图。
2.2 证据权法证据权法是一种以贝叶斯统计模型为基础，综合各种证据来支持一种假设的方法，它能够克服定性方法中权重取值的主观性，并在GIS的支持下能够快速得出分析结果[42]。其原理是根据已经发生的地质灾害与影响地质灾害形成的因子(高程、坡度、地形起伏度、地层岩性等等)进行空间关联分析，求取各影响因子对地质灾害发生的贡献，即权重(Wf)，最后将赋予Wf值的各个影响因子叠加，得到地质灾害敏感性指数图，指数高低表示了该区发生地质灾害可能性的大小。
由于证据权法应用贝叶斯法则，所以用来分析地质灾害敏感性的各影响因子之间须满足条件独立性假设。如果各影响因子之间不满足条件独立性，则会放大后验概率，使分析的结果精度降低。此外，运用证据权法分析地质灾害敏感性时还需要注意，当计算的某个分析因子的某个等级权重值较小时，可以对这个等级的权重重新赋值为0或者将这个等级与其他等级合并。因为如果按照较小的权重值叠加时，可能会使其他等级权重明显较高的敏感性变成较低敏感性，继而降低分析结果的准确性。
首先将每个影响因子图层划分为不同等级，与地质灾害的面数据进行空间关联分析，计算影响因子各分类等级的权重Wf [27, 43~44]。影响因子的权重计算公式如下：
|
(4) |
|
(5) |
|
(6) |
公式(4)、(5)和(6)中：P{C|L}表示L出现时C发生的条件概率，C表示因子等级，L表示地质灾害，上划线表示该因子等级地质灾害不发生。W+为正相关权重，W-为负相关权重：当W+> 0或者W- < 0时，影响因子与地质灾害呈正相关；当W+ < 0或者W-> 0时，影响因子与地质灾害呈负相关；当W+=0或者W-=0时，影响因子与地质灾害呈不相关。Wf为正相关权重与负相关权重之差，用以表示该因子等级对地质灾害发生的影响权重值。
其次，将影响因子各分类等级的Wf相加，即得到研究区地质灾害敏感性系数。
3 地质灾害影响因子分析地质灾害的发生是多因素综合作用的结果[45~47]，从已有的研究来看，目前国内外应用于地质灾害敏感性分析的指标有37个之多[48]。在已有的地质灾害敏感性、易发性和危险性评估中，较常使用的指标主要有高程、坡度、岩性、坡向、地形起伏度、距离断裂带的距离、多年平均降雨量、土地利用、地震密度等[12, 49~51]。本文基于中巴经济走廊地质灾害形成的规律及其空间分布特征，从地形地貌、气象水文、地质构造和人类活动等4个方面出发，分别选取高程、坡度、地形起伏度、多年平均降雨量、距河流的距离、地层岩性、距断裂带距离、地震密度和距公路距离等9个指标(图 2)，探索各影响因子与地质灾害之间的关系，定量分析中巴经济走廊地质灾害敏感性。
|
图 2 中巴经济走廊地质灾害敏感性指标空间分异 Fig. 2 Spatial differentiation of geo-hazards susceptibility indicators in CPEC |
地形地貌因素着眼于孕灾环境的客观、稳定性，从灾害形成的机理出发，地质灾害(滑坡、崩塌、泥石流等)属于重力地貌类型[52]。
3.1.1 高程高程是地质灾害敏感性分析经常使用的因子[26, 29, 53~54]，本文通过自然断点法将高程值分为9个区间来探索地质灾害发生频率和高程之间的关系(图 3a)。可以看出大部分地质灾害发生在2660 m至3470 m的海拔范围内，当高程小于380 m时，发生地质灾害的频率最小接近于零，因为高程小于380 m的区域基本属于平原地区，不具备发生地质灾害的基本地形条件，可以认为是相对安全的区域。而当高程超过4240 m时，发生地质灾害的频率逐渐降低，这与在高海拔地区人迹罕至，受人类扰动较少、基岩以坚硬的岩石为主有关。同时也不排除由于技术原因，可能存在部分地质灾害未被发现。
|
图 3 地质灾害与影响因子的关系 Fig. 3 The relationship between geo-hazards and influencing factors |
坡度是基本的自然地理要素，也是影响地质灾害发育的重要因素，对地质灾害的发生起着控制性的作用。本文坡度范围是0°~88.82°(图 2)，同样利用自然断点法将研究区坡度分为9个等级(图 3b)。当坡度介于3°~42°时，地质灾害的发生频率逐渐升高。可能原因是，此范围内坡面松散堆积物较多，坡面承重能力较弱，坡体不稳定，滑坡和泥石流分布较多，共有1649个(87.1 %)地质灾害点分布于此。当坡度大于42°时，发生滑坡和泥石流的频率变小，多发生崩塌灾害。这与本文统计的中巴经济走廊地质灾害类型(表 1)、以滑坡和泥石流为主以及崩塌发生的频率较低具有很好的一致性。
3.1.3 地形起伏度地形起伏度，是反映地形特征的一个宏观性指标，用某一确定区域内最大高程和最小高程之差来表示[55]。本文在GIS中选取90 m×90 m的窗口，通过DEM提取研究区地形起伏度。从地形起伏度和地质灾害发生的频率来看(图 3c)，89.2 %的地质灾害点分布于地形起伏度10~70 m之间，在45~70 m的区间达到了峰值。并且在10~70 m范围内，地质灾害的发生频率随着地形起伏度的增加而增大，但是当地形起伏度大于70 m时，发生的地质灾害的频率逐渐减小。
3.2 气象水文因素 3.2.1 多年平均降雨量降水是形成地质灾害的主要诱发因素之一，地质灾害的发生与降雨历时和降雨强度均有关，水分下渗会减小土体的抗剪强度及土体与基岩的摩擦阻力，并增加土体重力，从而诱发地质灾害[56]。本文将研究区多年平均降雨量分为9类(图 3d)，统计这9个类别内地质灾害点个数分别为4、267、113、553、785、115、42、13、3个，从地质灾害的发生频率来看，地质灾害多发生在多年平均降雨量为330~530 mm的半干旱半湿润区。
3.2.2 距河流的距离水文条件是形成地质灾害的重要水动力[57]，对地质灾害形成的影响主要表现在地表水活动对基岩的侵蚀程度，采用灾害点距河流的距离简化表征[8, 58]。此外，由于本研究区域的特殊性，有大量冰川分布于此，因此冰川消融也是加剧地质灾害发生的外动力因素。从数量上来看，研究区共有785个地质灾害点位于距河流2 km以内。从发生频率来看(图 3e)，地质灾害的发生与距河流的距离呈负相关关系，即距河流越近发生地质灾害的频率越高，小于2 km为最高。
3.3 地质构造因素 3.3.1 地层岩性地层岩性是形成地质灾害的内在因素，决定坡体的软硬程度、应力分布以及变形破坏特征[59]，为地质灾害的发生提供物质基础。本文将矢量化的地层岩性按照岩石软硬程度分为极坚硬、坚硬、较软、软和极软5组(表 2)。统计这5组岩性类别的地质灾害发生频率(图 3f)，可以看出软和极软岩石的区域地质灾害发生频率最高，且地质灾害发生频率的大小随着岩石硬度的减小在增大。
|
|
表 2 岩性硬度分组 Table 2 Hardness classification of lithology |
断裂带对地质灾害的影响表现在活动断裂分布的区域通常为差异运动升降强烈的地区，多形成谷深、坡陡、坡降大的地形地貌，易发生基岩或松散堆积物的降落，从而引发地质灾害[60~62]。地质灾害的发生受距离断裂带距离的控制，因此本文用灾害点距断裂带的距离简化表征断裂带对地质灾害的影响[63]。从图 3g可以看出，距断裂带的距离与地质灾害的发生呈负相关关系，这是因为距离断裂带越近地震能量越集中，断裂活动越频繁，从而加速岩土体的破碎，降低坡体稳定性，继而诱发地质灾害，本研究区距断裂带距离小于5 km的地区为地质灾害发生频率最高的区域。
3.3.3 地震密度地震对地质灾害的影响主要体现在两个方面：1)中巴经济走廊地处全球大型地震带——喜马拉雅地震带，地震频繁，地质构造活跃，极易诱发次生地质灾害；2)地震产生的地震力直接或间接作用于岩土体，导致岩土体失稳从而诱发地质灾害[64]。核密度估计是在概率论中用来估计未知的密度函数，属于非参数检验方法之一[65]。以每个待计算的格网点为中心，进行环形区域搜索，从而计算每个格网点的密度值。同时，运用核密度估计法计算时，对靠近格网搜寻区域中心的点赋予较大的权重，随着其与格网中心距离的增大赋予的权重会减小。因此，本文采用GIS空间分析方法中的核密度估计法，设置搜索半径为50 km，获取研究区地震密度(图 2h)来研究地震对地质灾害的影响。从图 3h可以看出地震密度为2~4个/102 km2的区域内地质灾害发生的频率最高。
3.4 人类活动因素人类活动也是加剧地质灾害形成的直接或间接因素。人类工程活动如道路工程、矿产工程、水利工程等可能影响岩土体、增强边坡的不稳定性[66~67]。本文根据数据的可获得性，选取灾害点距公路的距离这一指标来表征人类活动对地质灾害的影响。在修筑公路时，尤其在山区，需要开挖坡脚，会造成坡体失稳，继而引发地质灾害。从图 3i可以看出，灾害点距公路的距离与地质灾害的发生呈负相关关系。
4 结果分析与验证 4.1 基于不同模型的地质灾害敏感性本文从研究区2369个地质灾害点中随机选取80 % (1895个)参与信息量模型和证据权法的计算，剩余20 %的地质灾害点用于敏感性分析结果的验证。首先，将影响地质灾害的因子分别与1895个地质灾害点进行叠加分析，得到地质灾害点与影响因子分布关系的专题图；其次，利用公式(3)计算出单个影响因子各分类等级的信息量值(表 3)，结合GIS空间分析工具→加权叠加工具和运用模糊层次分析法计算的各影响因子权重(W)得出研究区地质灾害敏感性(图 4a)；然后，再根据证据权法公式(4)、(5)和(6)计算出各影响因子分类等级的权重Wf值(表 4)，结合GIS空间分析工具生成研究区地质灾害敏感性(图 4b)；最后，需要注意的是对于证据权法，在进行最终的敏感性指数计算之前，需要对每个影响因子进行条件独立性检验。本文采用卡方(χ2)检验，结果表明选取的影响因子之间均满足条件独立性。表 3、表 4和图 3中，影响因子各分类等级的确定均是基于自然断点法，并将阈值调整至临近整数。
|
|
表 3 地质灾害敏感性分析因子信息量值 Table 3 Results of information values for susceptibility analysis of geo-hazards |
|
图 4 基于不同模型的地质灾害敏感性 Fig. 4 Susceptibility of geo-hazards based on different models |
|
|
表 4 地质灾害敏感性分析因子权重值 Table 4 Weight values for susceptibility analysis factors of geo-hazards |
信息量值和Wf值是用来表示地质灾害敏感性高低的指数，可正可负，值越大说明该区域对地质灾害的影响越大[27, 68]。就影响因子自身加权信息量值和Wf值而言(表 3和4)。首先，容易诱发中巴经济走廊地质灾害的条件为：高程在2660~3470 m之间，坡度为29°~35°之间，地形起伏度在45~70 m之间，地震密度在2~4个/102 km2之间，多年平均降雨量在430~530 mm之间，距断裂带距离小于5 km，岩性为软岩和极软岩，距河流和公路的距离均小于2 km；其次，中巴经济走廊地质灾害敏感性与距河流、公路、断裂带的距离以及地层岩性呈负向相关关系，这与图 3地质灾害与影响因子的关系一致，即某空间位置距离河流、公路、断裂带越近，岩性越软越容易诱发地质灾害。出现这种情况，可能是因为这些区域内，地层岩性较软、土层较为松动，因而在地理环境和地质构造因素相近的情况下，发生地质灾害的概率更大。而地震密度表现出对地质灾害正向相关的关系，即地震密度越大，越易发生地质灾害。此外，高程、坡度、地形起伏度和多年平均降雨量等对地质灾害并未表现出完全正向或者负向的贡献，而是在特定范围内发挥作用。
综合对比基于加权信息量模型和证据权法分析的中巴经济走廊地质灾害敏感性结果(图 4)，认为基于加权信息量模型分析的地质灾害敏感性(图 4a)更客观。因为对剩余20 % (474个)的地质灾害点采用空间分析→提取分析→提取至点的方法提取各地质灾害点的敏感性值。表明98 %的地质灾害点具有极高和高的运用加权信息量模型计算的敏感性值，而只有90 %的地质灾害点具有极高和高的运用证据权法计算的敏感性值，因此认为基于加权信息量模型分析地质灾害敏感性更符合实际情况。但是，是不是真的符合地质灾害点的实际分布情况，需要运用ROC曲线对其做进一步的验证，来更具体的回答。
4.2 敏感性分析结果比较地质灾害敏感性分析结果的可靠性对后续灾害敏感性区划、危险性和风险评估有着直接影响，因而有必要对基于加权信息量模型和证据权法分析的地质灾害敏感性结果进行验证。本文运用剩余20 % (474个)的地质灾害点结合ROC曲线验证比较两种方法分析的地质灾害敏感性，并选取精度较高的模型分析的结果进行研究区地质灾害敏感性区划。ROC曲线是反映敏感度和特异性连续变量的综合指标，被广泛应用于地质灾害敏感性、易发性分析结果的验证[69~70]。横轴表示分析结果中敏感性指数从高到低的面积百分比，纵轴表示相应敏感性指数范围内地质灾害点所占百分比，ROC曲线下的面积(Area Under the Curve，简称AUC)表示分析结果的精度，AUC越大，说明结果越好[43, 48]。本文地质灾害敏感性分析结果ROC曲线见图 5，基于加权信息量模型和证据权法分析的中巴经济走廊地质灾害敏感性精度分别为0.821和0.795。表明运用两种方法分析的地质灾害敏感性值和实际值在95 %的置信度水平上无显著差异。但是，运用加权信息量模型分析的敏感性更符合实际情况。因此，本文采用加权信息量模型分析的结果进行研究区地质灾害敏感性区划。
|
图 5 敏感性分析ROC曲线 Fig. 5 Susceptibility analysis ROC curve |
对研究区地质灾害敏感性区划时，考虑到各指标存在的若干状态，因此对运用加权信息量模型计算的地质灾害敏感性值做归一化处理(图 4a)，再结合自然断点法对其进行重分类。根据归一化后加权信息量值越大地质灾害越易发生的原理[68]，将研究区分为不敏感(0~0.23)、低(0.23~0.40)、中等(0.40~0.56)、高(0.56~0.71)和极高(0.71~1)敏感区5个区域(图 6a)。由图 6a可以看出，极高、高敏感性区域主要分布在中国的克孜勒苏柯尔克孜自治州、喀什南部山区，巴基斯坦的北部山区、马拉坎市、哈扎拉市、阿扎德克什米尔市北部等山区，地质灾害敏感性呈现出南低北高的空间分布特征。各敏感性区域所占面积比分别为26.3 %、23.1 %、21.6 %、18.8 %和10.2 %，以中低敏感性为主。
|
图 6 地质灾害敏感性区划验证图 (a)中巴经济走廊地质灾害敏感性区划；(b，c，d)2010年1月巴基斯坦北部洪扎河对岸的Atabad村发生的巨型滑坡 Fig. 6 Geo-hazards susceptibility zoning and verify map. (a)CPEC geo-hazards susceptibility zoning; (b, c, d) Giant landslide occurred in the village of Atabad on the opposite side of the Hongzha River in northern Pakistan in January 2010 |
地质灾害敏感性的区划图是否具有科学的指导意义，还需要做进一步的验证。本文运用实地调研的237处地质灾害点来验证上述区划的中巴经济走廊地质灾害敏感性(图 6a)。对地质灾害点采用空间分析→提取分析→提取至点的方法，提取各地质灾害点的敏感性等级，结果表明：237处地质灾害点中仅有3处分布在高和中等敏感性区域内，其余234处全分布在地质灾害极高敏感性区域内。其中极高敏感区234处、高敏感区2处、中等敏感区1处、低敏感区0处和不敏感区0处。图 6b、6c和6d为2010年1月巴基斯坦北部洪扎河对岸的Atabad村发生的巨型滑坡，滑坡残积物和淤泥完全堵塞了河流，在上游形成了巨大的堰塞湖，使河道断流、喀喇昆仑公路断通，从而造成了巨大损失。由于过去发生地质灾害的地区未来可能会受到影响，因此Atabad村仍然是地质灾害高敏感区域，这与本文区划地质灾害敏感性一致。
综上，本文区划的中巴经济走廊地质灾害敏感性具有一定的科学、可信性，达到了预期的区划效果。
5 结论本文以中巴经济走廊为研究区，基于加权信息量模型和证据权法，选取高程、坡度、地形起伏度、地震密度、多年平均降雨量、距断裂带的距离、地层岩性、距河网的距离和距离公路的距离等9个指标，综合分析中巴经济走廊地质灾害敏感性，并采用ROC曲线验证两种方法分析的地质灾害敏感性，选取精度较高的模型分析的结果进行研究区地质灾害敏感性区划，最后运用实地调研的地质灾害点来验证区划的中巴经济走廊地质灾害敏感性。结果表明：
(1) 就单个影响因子而言。首先，容易诱发中巴经济走廊地质灾害的条件为：高程在2660~3470 m之间，坡度为29°~35°，地形起伏度在45~70 m之间，地震密度在2~4个/102 km2之间，多年平均降雨量在430~530 mm之间，距断裂带距离小于5 km，岩性为软岩和极软岩，距河流和公路的距离均小于2 km。其次，中巴经济走廊地质灾害敏感性与距河流、公路、断裂带的距离以及地层岩性呈负向相关的关系，即某空间位置距离河流、公路、断裂带越近，岩性越软越容易诱发地质灾害。而地震密度表现出对地质灾害正向相关的关系，即地震密度越大，地质灾害发生的频率越高。此外，高程、坡度、地形起伏度和多年平均降雨量等对地质灾害并未表现出完全正向或者负向的贡献，而是在特定范围内发挥作用。
(2) 基于加权信息量模型和证据权法分析的中巴经济走廊地质灾害敏感性精度分别为0.821和0.795，表明运用两种方法分析的地质灾害敏感性值和实际值在95 %的置信度水平上无显著差异。但是，加权信息量模型分析的敏感性更符合实际情况，因此本文采用加权信息量模型分析的结果进行研究区地质灾害敏感性区划。
(3) 研究区地质灾害不敏感、低、中等、高和极高敏感区所占面积比分别为26.3 %、23.1 %、21.6 %、18.8 %和10.2 %，以中低敏感性为主。极高、高敏感区域主要分布在中国的克孜勒苏柯尔克孜自治州、喀什南部山区，巴基斯坦的北部山区、马拉坎市、哈扎拉市、阿扎德克什米尔市的北部等山区，地质灾害敏感性呈现出南低北高的空间分布特征。
(4) 运用实地调研的237处地质灾害点和2010年1月巴基斯坦北部洪扎河对岸的Atabad村发生的巨型滑坡来验证本文区划的中巴经济走廊地质灾害敏感性。结果表明：237处地质灾害点中仅有3处分布在高和中等敏感性区域内，其余234处全分布在地质灾害极高敏感性区域内，且Atabad村仍然处于地质灾害高敏感区域。因此，本文区划的中巴经济走廊地质灾害敏感性科学、可信，可以为中巴经济走廊重大工程建设、交通线路选线、城市规划、资源开发等方面提供科学依据。
致谢: 感谢审稿老师和编辑部老师建设性的修改意见！
| [1] |
朱颖彦, 杨志全, 廖丽萍, 等. 中巴喀喇昆仑公路冰川地貌地质灾害[J]. 灾害学, 2014, 29(3): 81-90. Zhu Yingyan, Yang Zhiquan, Liao Liping, et al. Glacialized geomorphological geo-hazard along China-Pakistan International Karakoram highway[J]. Journal of Catastrophology, 2014, 29(3): 81-90. |
| [2] |
李安, 杨晓平, 陈献程. 汶川MS8.0地震平原区地表破裂的初步调查[J]. 第四纪研究, 2009, 29(3): 554-564. Li An, Yang Xiaoping, Chen Xiancheng. Preliminary investigations on surface rupture caused by the Ms8.0 Wenchuan earthquake in the Chengdu plain area[J]. Quaternary Sciences, 2009, 29(3): 554-564. DOI:10.3969/j.issn.1001-7410.2009.03.016 |
| [3] |
聂高众, 高建国. 21世纪中国的自然灾害发展趋势——以地震和旱涝灾害为例[J]. 第四纪研究, 2001, 21(3): 249-261. Nie Gaozhong, Gao Jianguo. The natural disasters of China in the 21th century:Earthquake, drough and flood[J]. Quaternary Sciences, 2001, 21(3): 249-261. DOI:10.3321/j.issn:1001-7410.2001.03.007 |
| [4] |
邱海军, 胡胜, 崔鹏, 等. 黄土滑坡灾害空间格局及其空间尺度依赖性研究[J]. 第四纪研究, 2017, 37(2): 307-318. Qiu Haijun, Hu Sheng, Cui Peng, et al. Pattern analysis of loess landslides and their scale dependency[J]. Quaternary Sciences, 2017, 37(2): 307-318. |
| [5] |
Vernes D J. Landslide hazard zonation:A review of principle and practice[J]. Natural Hazards, 1984(3): 1-63. |
| [6] |
Baeza C, Corominas J. Assessment of shallow landslide susceptibility by means of multivariate statistical techniques[J]. Earth Surface Processes & Landforms, 2010, 26(12): 1251-1263. |
| [7] |
Corominas J, Westen C V, Frattini P, et al. Recommendations for the quantitative analysis of landslide risk[J]. Bulletin of Engineering Geology & the Environment, 2014, 73(2): 209-263. |
| [8] |
Ermini L, Catani F, Casagli N. Artificial neural networks applied to landslide susceptibility assessment[J]. Geomorphology, 2005, 66(1): 327-343. |
| [9] |
Falaschi F, Giacomelli F, Federici P R, et al. Logistic regression versus artificial neural networks:Landslide susceptibility evaluation in a sample area of the Serchio River valley, Italy[J]. Natural Hazards, 2009, 50(3): 551-569. DOI:10.1007/s11069-009-9356-5 |
| [10] |
Rossi M, Guzzetti F, Reichenbach P, et al. Optimal landslide susceptibility zonation based on multiple forecasts[J]. Geomorphology, 2010, 114(3): 129-142. DOI:10.1016/j.geomorph.2009.06.020 |
| [11] |
Trigila A, Iadanza C, Spizzichino D. Quality assessment of the Italian landslide inventory using GIS processing[J]. Landslides, 2010, 7(4): 455-470. DOI:10.1007/s10346-010-0213-0 |
| [12] |
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. |
| [13] |
Chung C J F, Fabbri A G. Validation of spatial prediction models for landslide hazard mapping[J]. Natural Hazards, 2003, 30(3): 451-472. DOI:10.1023/B:NHAZ.0000007172.62651.2b |
| [14] |
Brenning A. Spatial prediction models for landslide hazards:Review, comparison and evaluation[J]. Natural Hazards & Earth System Sciences, 2005, 5(6): 853-862. |
| [15] |
Carrara A, Crosta G, Frattini P. Comparing models of debris-flow susceptibility in the alpine environment[J]. Geomorphology, 2008, 94(3): 353-378. |
| [16] |
Frattini P, Crosta G, Carrara A. Techniques for evaluating the performance of landslide susceptibility models[J]. Engineering Geology, 2009, 111(1): 62-72. |
| [17] |
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. |
| [18] |
邱海军.区域滑坡崩塌地质灾害特征分析及其易发性和危险性评价研究[D].西安: 西北大学博士论文, 2012: 90-93. Qiu Haijun. Study on the Regional Landslide Characteristic Analysis and Hazard Assessment: A Case Study of Ningqiang County[D]. Xi'an: The Doctoral Dissertation of Northwest University, 2012: 90-93. http://cdmd.cnki.com.cn/Article/CDMD-10697-1012442259.htm |
| [19] |
Aqeel M. Impact of China Pakistan Economic Corridor(CPEC)[D]. BBA International Business, 2016: 7-9.
|
| [20] |
Irshad M S, Xin Q, Arshad H. One Belt and One Road:Dose China-Pakistan Economic Corridor benefit for Pakistan's economy?[J]. Social Science Electronic Publishing, 2015, 6(24): 200-207. |
| [21] |
刘宗义. 中巴经济走廊建设:进展与挑战[J]. 国际问题研究, 2016(3): 122-136. Liu Zongyi. Construction of the China-Pakistan Economic Corridor:Progress and challenges[J]. China International Studies, 2016(3): 122-136. DOI:10.3969/j.issn.0452-8832.2016.03.009 |
| [22] |
姚芸. 中巴经济走廊面临的风险分析[J]. 南亚研究, 2015(2): 35-45. Yao Yun. China-Pakistan Economic Corridor:A risk analysis[J]. South Asian Studies, 2015(2): 35-45. DOI:10.3969/j.issn.1002-8404.2015.02.003 |
| [23] |
刘杰, 毛爱民, 王立波, 等. 中巴喀喇昆仑公路奥依塔克镇~布伦口段泥石流灾害及防治[J]. 公路, 2015, 60(12): 8-14. Liu Jie, Mao Aimin, Wang Libo, et al. Debris flow disaster and prevention on the Aoyitage-Bulunkou section of Karakoram highway from China to Pakistan[J]. Highway, 2015, 60(12): 8-14. |
| [24] |
李凌婧.中巴经济走廊主要工程地质问题合成孔径雷达识别研究[D].北京: 中国地质大学硕士论文, 2015: 4-73. Li Lingjing. Study of the Main Engineering Geological Problems Identification around China-Pakistan Economic Corridor Based on Synthetic Aperture Radar[D]. Beijing: The Master's Thesis of China University of Geosciences, 2015: 4-73. http://cdmd.cnki.com.cn/Article/CDMD-11415-1015391595.htm |
| [25] |
胡进, 朱颖彦, 杨志全, 等. 中巴喀喇昆仑公路(巴基斯坦境内)河床沉积物与泥石流堆积物的关系[J]. 中国地质灾害与防治学报, 2014, 25(3): 1-8. Hu Jin, Zhu Yingyan, Yang Zhiquan, et al. Comparison of riverbed sediments and debris flow sediments along Karakoram highway[J]. The Chinese Journal of Geological Hazard and Control, 2014, 25(3): 1-8. |
| [26] |
梁洪国, 李明. 喀喇昆仑公路泥石流灾害的治理措施研究[J]. 交通运输研究, 2010(17): 222-225. Liang Hongguo, Li Ming. Karakoran highway debris flow disasters disposal measures[J]. Transport Research, 2010(17): 222-225. |
| [27] |
Guo C, Montgomery D R, Zhang Y, et al. Quantitative assessment of landslide susceptibility along the Xianshuihe fault zone, Tibetan Plateau, China[J]. Geomorphology, 2015, 248: 93-110. DOI:10.1016/j.geomorph.2015.07.012 |
| [28] |
Trigila A, Iadanza C, Esposito C, et al. Comparison of logistic regression and random forests techniques for shallow landslide susceptibility assessment in Giampilieri(NE Sicily, Italy)[J]. Geomorphology, 2015, 249: 119-136. DOI:10.1016/j.geomorph.2015.06.001 |
| [29] |
杜悦悦, 彭建, 赵士权, 等. 西南山地滑坡灾害生态风险评价——以大理白族自治州为例[J]. 地理学报, 2016, 71(9): 1544-1561. Du Yueyue, Peng Jian, Zhao Shiquan, et al. Ecological risk assessment of landslide disasters in mountainous areas of Southwest China:A case study in Dali Bai Autonomous Prefecture[J]. Acta Geographica Sinica, 2016, 71(9): 1544-1561. |
| [30] |
Gao J, Sang Y H. Identification and estimation of landslide-debris flow disaster risk in primary and middle school campuses in a mountainous area of Southwest China[J]. International Journal of Disaster Risk Reduction, 2017, 25(7): 1-12. |
| [31] |
张栋, 范育青, 辛程鹏. 基于FAHP的高原山地滑坡危险性评价[J]. 环境工程, 2014, 32(10): 133-136. Zhang Dong, Fan Yuqing, Xin Chengpeng. Application of fuzzy analytic hierarchy process in hazard evaluation of landslide in the plateau mountains[J]. Environmental Monitoring & Assessment, 2014, 32(10): 133-136. |
| [32] |
Aldo C, Susanna P, Claudio T, et al. A procedure for landslide susceptibility zonation by the conditional analysis method[J]. Geomorphology, 2002, 48(4): 349-364. DOI:10.1016/S0169-555X(02)00079-X |
| [33] |
宁娜, 马金珠, 张鹏, 等. 基于GIS和信息量法的甘肃南部白龙江流域泥石流灾害危险性评价[J]. 资源科学, 2013, 35(4): 892-899. Ning Na, Ma Jinzhu, Zhang Peng, et al. Debris flow hazard assessment for the Bailongjiang River, Southern Gansu[J]. Resources Science, 2013, 35(4): 892-899. |
| [34] |
牛树轩.基于加权信息量法的西北黄土高原地质灾害易发性分区评价研究[D].西安: 长安大学硕士论文, 2014: 43-55. Niu Shuxuan. The Geological Hazards Sensitivity Evaluation Based on Weighted Information Method[D]. Xi'an: The Master's Thesis of Chang'an University, 2014: 43-55. http://cdmd.cnki.com.cn/Article/CDMD-10710-1014071875.htm |
| [35] |
吴柏清, 何政伟, 刘严松. 基于GIS的信息量法在九龙县地质灾害危险性评价中的应用[J]. 测绘科学, 2008, 33(4): 146-147. Wu Baiqing, He Zhengwei, Liu Yansong. Application of GIS-based information method to assessment of geo-hazards risk in Jiulong County[J]. Science of Surveying and Mapping, 2008, 33(4): 146-147. DOI:10.3771/j.issn.1009-2307.2008.04.050 |
| [36] |
杜谦, 范文, 李凯, 等. 二元Logistic回归和信息量模型在地质灾害分区中的应用[J]. 灾害学, 2017, 32(2): 220-226. Du Qian, Fan Wen, Li Kai, et al. Geo-hazard susceptibility assessment by using binary logical regression and information value model[J]. Journal of Catastrophology, 2017, 32(2): 220-226. DOI:10.3969/j.issn.1000-811X.2017.02.039 |
| [37] |
高克昌, 崔鹏, 赵纯勇, 等. 基于地理信息系统和信息量模型的滑坡危险性评价——以重庆万州为例[J]. 岩石力学与工程学报, 2006, 25(5): 991-996. Gao Kechang, Cui Peng, Zhao Chunyong, et al. Landslide hazard evaluation of Wanzhou based on GIS information value method in the Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering, 2006, 25(5): 991-996. DOI:10.3321/j.issn:1000-6915.2006.05.020 |
| [38] |
吴树仁. 滑坡风险评估理论与技术[M]. 北京: 科学出版社, 2012: 79-133. Wu Shuren. Landslide Risk Assessment Theory and Technology[M]. Beijing: Science Press, 2012: 79-133. |
| [39] |
胡胜, 曹明明, 李婷, 等. 基于AHP和GIS的陕西省地震次生地质灾害危险性评价[J]. 第四纪研究, 2014, 34(2): 336-345. Hu Sheng, Cao Mingming, Li Ting, et al. Danger assessment of earthquake-induced geological disasters in Shaanxi Province based on AHP and GIS[J]. Quaternary Sciences, 2014, 34(2): 336-345. DOI:10.3969/j.issn.1001-7410.2014.02.07 |
| [40] |
杨冬冬, 胡胜, 邱海军, 等. 基于模糊层次分析法对"一带一路"重要区域地质灾害危险性评价——以关中经济区为例[J]. 第四纪研究, 2017, 37(3): 633-644. Yang Dongdong, Hu Sheng, Qiu Haijun, et al. Danger assessment of geological disasters in important region of "The Belt and Road" based on FAHP-A case study of Guanzhong Economic Region[J]. Quaternary Sciences, 2017, 37(3): 633-644. |
| [41] |
殷跃平, 张颖, 康宏达, 等. 全国地质灾害趋势预测及预测图编制[J]. 第四纪研究, 1996(2): 123-130. Yin Yueping, Zhang Ying, Kang Hongda, et al. Nation-wide main geologic hazard forecast and mapping[J]. Quaternary Sciences, 1996(2): 123-130. DOI:10.3321/j.issn:1001-7410.1996.02.004 |
| [42] |
王志旺, 李端有, 王湘桂. 证据权法在滑坡危险度区划研究中的应用[J]. 岩土工程学报, 2007, 29(8): 1268-1273. Wang Zhiwang, Li Duanyou, Wang Xianggui. Zonation of landslide hazards based on weights of evidence model[J]. Chinese Journal of Geotechnical Engineering, 2007, 29(8): 1268-1273. DOI:10.3321/j.issn:1000-4548.2007.08.026 |
| [43] |
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 |
| [44] |
范强, 巨能攀, 向喜琼, 等. 证据权法在区域滑坡危险性评价中的应用——以贵州省为例[J]. 工程地质学报, 2014, 22(3): 474-481. Fan Qiang, Ju Nengpan, Xiang Xiqiong, et al. Landslides hazards assessment with weights of evidence-A case study in Guizhou, China[J]. Journal of Engineering Geology, 2014, 22(3): 474-481. |
| [45] |
李小强, 王军, 熊仁伟, 等. 六盘山地区河道陡峭指数对隆升速率差异的响应[J]. 第四纪研究, 2016, 36(2): 443-452. Li Xiaoqiang, Wang Jun, Xiong Renwei, et al. The response of the change channel steepness index to the difference of uplift rate in the Liupanshan Mountain area[J]. Quaternary Sciences, 2016, 36(2): 443-452. |
| [46] |
宿星, 孟兴民, 王思源, 等. 陇中黄土高原典型地区滑坡特征参数统计及发育演化机制研究——以天水市为例[J]. 第四纪研究, 2017, 37(2): 319-330. Su Xing, Meng Xingmin, Wang Siyuan, et al. Statistics of characteristic parameters and evolutionary mechanism of landslides in typical area of Longzhong Loess Plateau:A case study of Tianshui City[J]. Quaternary Sciences, 2017, 37(2): 319-330. |
| [47] |
殷志强, 许强, 赵无忌, 等. 黄河上游夏藏滩巨型滑坡演化过程及形成机制[J]. 第四纪研究, 2016, 36(2): 474-483. Yin Zhiqiang, Xu Qiang, Zhao Wuji, et al. Study on the developmental characteristic, evolution processes and forming mechanism of Xiazangtan super large scale landslide of the upper reaches of Yellow River[J]. Quaternary Sciences, 2016, 36(2): 474-483. |
| [48] |
Hasekio ulları G D, Ercanoglu M. A new approach to use AHP in landslide susceptibility mapping:A case study at Yenice(Karabuk, NW Turkey)[J]. Natural Hazards, 2012, 63(2): 1157-1179. DOI:10.1007/s11069-012-0218-1 |
| [49] |
Larsen I J, Montgomery D R. Landslide erosion coupled to tectonics and river incision[J]. Nature Geoscience, 2012, 5(7): 468-473. DOI:10.1038/ngeo1479 |
| [50] |
Nefeslioglu H A, Duman T Y, Durmaz S. Landslide susceptibility mapping for a part of tectonic Kelkit Valley(eastern Black Sea region of Turkey)[J]. Geomorphology, 2008, 94(3): 401-418. |
| [51] |
Qi S, Xu Q, Lan H, et al. Spatial distribution analysis of landslides triggered by 2008.5.12 Wenchuan Earthquake, China[J]. Engineering Geology, 2010, 116(1): 95-108. |
| [52] |
殷跃平, 张作辰, 黎志恒, 等. 兰州皋兰山黄土滑坡特征及灾度评估研究[J]. 第四纪研究, 2004, 24(3): 302-310. Yin Yueping, Zhang Zuochen, Li Zhiheng, et al. Occurrence and hazard assessment on loess landslide of Gaolanshan in Lanzhou[J]. Quaternary Sciences, 2004, 24(3): 302-310. DOI:10.3321/j.issn:1001-7410.2004.03.009 |
| [53] |
Caniani D, Pascale S, Sdao F, et al. Neural networks and landslide susceptibility:A case study of the urban area of Potenza[J]. Natural Hazards, 2008, 45(1): 55-72. DOI:10.1007/s11069-007-9169-3 |
| [54] |
Dai F C, Lee C F, Li J, et al. Assessment of landslide susceptibility on the natural terrain of Lantau Island, Hong Kong[J]. Environmental Geology, 2001, 40(3): 381-391. DOI:10.1007/s002540000163 |
| [55] |
郭芳芳, 杨农, 孟晖, 等. 地形起伏度和坡度分析在区域滑坡灾害评价中的应用[J]. 中国地质, 2008, 35(1): 131-143. Guo Fangfang, Yang Nong, Meng Hui, et al. Application of the relief amplitude and slope analysis to regional landslide hazard assessments[J]. Geology in China, 2008, 35(1): 131-143. |
| [56] |
刘艳辉, 唐灿, 李铁锋, 等. 地质灾害与降雨雨型的关系研究[J]. 工程地质学报, 2009, 17(5): 656-661. Liu Yanhui, Tang Can, Li Tiefeng, et al. Statistical relations between geo-hazards and rain-type[J]. Journal of Engineering Geology, 2009, 17(5): 656-661. DOI:10.3969/j.issn.1004-9665.2009.05.012 |
| [57] |
崔鹏, 马东涛, 陈宁生, 等. 冰湖溃决泥石流的形成、演化与减灾对策[J]. 第四纪研究, 2003, 23(6): 621-628. Cui Peng, Ma Dongtao, Chen Ningsheng, et al. The initiation, motion and mitigation of debris flow caused by glacial lake outburst[J]. Quaternary Sciences, 2003, 23(6): 621-628. DOI:10.3321/j.issn:1001-7410.2003.06.005 |
| [58] |
Samia J, Temme A, Bregt A, et al. Characterization and quantification of path dependency in landslide susceptibility[J]. Geomorphology, 2017, 292: 16-24. DOI:10.1016/j.geomorph.2017.04.039 |
| [59] |
白永健, 铁永波, 倪化勇, 等. 鲜水河流域地质灾害时空分布规律及孕灾环境研究[J]. 灾害学, 2014, 29(4): 69-75. Bai Yongjian, Tie Yongbo, Ni Huayong, et al. Temporal-spatial distribution and environment pregnant of geohazards in Xianshui River of Sichuan, China[J]. Journal of Catastrophology, 2014, 29(4): 69-75. DOI:10.3969/j.issn.1000-811X.2014.04.014 |
| [60] |
郭长宝, 杜宇本, 张永双, 等. 川西鲜水河断裂带地质灾害发育特征与典型滑坡形成机理[J]. 地质通报, 2015, 34(1): 121-134. Guo Changbao, Du Yuben, Zhang Yongshuang, et al. Geohazard effects of the Xianshuihe fault and characteristics of typical landslides in Western Sichuan[J]. Geological Bulletin of China, 2015, 34(1): 121-134. DOI:10.3969/j.issn.1671-2552.2015.01.010 |
| [61] |
彭亮, 马兴华, 金家琼, 等. "4·14"玉树地震断裂带对震后地质灾害影响作用分析[J]. 自然灾害学报, 2014, 23(5): 78-83. Peng Liang, Ma Xinghua, Jin Jiaqiong, et al. Analysis of influence of "4·14" Yushu earthquake fault zone on post-earthquake geological disasters[J]. Journal of Natural Disasters, 2014, 23(5): 78-83. |
| [62] |
谢吉尊, 冯文凯, 杨少帅, 等. 则木河断裂带活动特征和地质灾害对地貌演化的影响——以鹅掌河流域为例[J]. 工程地质学报, 2017, 25(3): 772-783. Xie Jizun, Feng Wenkai, Yang Shaoshuai, et al. Active characteristics and geohazars of Zemuhe Fault and their influence on morphological evolution in Ezhang River[J]. Journal of Engineering Geology, 2017, 25(3): 772-783. |
| [63] |
金家梁, 王盈, 袁仁茂, 等. 基于确定性系数方法的龙门山地区地震滑坡影响因子敏感性分析——以汶川地震与芦山地震诱发滑坡为例[J]. 第四纪研究, 2018, 38(2): 355-366. Jin Jialiang, Wang Ying, Yuan Renmao, et al. Susceptibility analysis on factors of co-seismic landslides in the Longmenshan area based on the certainty factor method-Case study of the Wenchuan and Lushan earthquake-induced landslides[J]. Quaternary Sciences, 2018, 38(2): 355-366. |
| [64] |
王秀英, 聂高众, 王登伟. 汶川地震诱发滑坡与地震动峰值加速度对应关系研究[J]. 岩石力学与工程学报, 2010, 29(1): 82-89. Wang Xiuying, Nie Gaozhong, Wang Dengwei. Research on relationship between landslides and peak ground accelerations induced by Wenchuan Earthquake[J]. Chinese Journal of Rock Mechanics and Engineering, 2010, 29(1): 82-89. |
| [65] |
李存华, 孙志挥, 陈耿, 等. 核密度估计及其在聚类算法构造中的应用[J]. 计算机研究与发展, 2004, 41(10): 1712-1719. Li Cunhua, Sun Zhihui, Chen Geng, et al. Kernel density estimation and its application to clustering algorithm construction[J]. Journal of Computer Research and Development, 2004, 41(10): 1712-1719. |
| [66] |
段旭, 祝俊华, 董琪, 等. 延安地区人类工程活动与地质灾害相关性探讨[J]. 灾害学, 2017, 32(1): 106-110. Duan Xu, Zhu Junhua, Dong Qi, et al. Discussion of the correlation between human engineering activities and geological disasters in Yan'an area[J]. Journal of Catastrophology, 2017, 32(1): 106-110. DOI:10.3969/j.issn.1000-811X.2017.01.018 |
| [67] |
孟晖, 胡海涛. 我国主要人类工程活动引起的滑坡、崩塌和泥石流灾害[J]. 工程地质学报, 1996, 4(4): 69-74. Meng Hui, Hu Haitao. Disasters of landslides, rockfalls, and mudflows induced by human engineering in China[J]. Journal of Engineering Geology, 1996, 4(4): 69-74. |
| [68] |
孙璇.基于GIS的泾河流域地质灾害易发性分区评价[D].西安: 长安大学硕士论文, 2015: 61-62. Su Xuan. The Geological Hazards Sensitivity Evaluation of Jing River Basin Based on GIS[D]. Xi'an: The Master's Thesis of Chang'an University, 2015: 61-62. |
| [69] |
陈玉, 郭华东, 王钦军. 基于RS与GIS的芦山地震地质灾害敏感性评价[J]. 科学通报, 2013, 58(36): 3859-3866. Chen Yu, Guo Huadong, Wang Qinjun. Geological disaster susceptibility assessment of the Lushan earthquake based on RS and GIS[J]. Chinese Science Bulletin, 2013, 58(36): 3859-3866. |
| [70] |
李郎平, 兰恒星, 郭长宝, 等. 基于改进频率比法的川藏铁路沿线及邻区地质灾害易发性分区评价[J]. 现代地质, 2017, 31(5): 911-929. Li Langping, Lan Hengxing, Guo Changbao, et al. Geohazard susceptibility assessment along the Sichuan-Tibet Railway and its adjacent area using an improved frequencey ratio method[J]. Geoscience, 2017, 31(5): 911-929. DOI:10.3969/j.issn.1000-8527.2017.05.004 |
, Qiu Haijun1,2,3
, Hu Sheng1,2,3, Zou Qiang4, Yang Dongdong1,2, Zhang Yan1,2, Cao Mingming1
2 Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi'an 710127, Shaanxi;
3 Institute of Earth Surface System and Hazards, Northwest University, Xi'an 710127, Shaanxi;
4 Key Laboratory of Mountain Hazards and Earth Surface Process, Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, Sichuan)
Abstract
The China-Pakistan Economic Corridor (CPEC) is a channel consisting of roads, railways, oil and gas pipelines, optical cables and electric power lines. From the north of Kashgar Prefecture of China to the south of Gwadar Port of Pakistan, the total length of the corridor is 3, 000 km. The CPEC is guided by the Karakoram Highway (KKH), which runs through the Pamirs Plateau. As a bridge of the Silk Road Economic Belt and the 21st Century Maritime Silk Road, the corridor plays an important role in collaborating among China, South Asia, and the Middle East. Also, the CPEC is the pilot and the major project of the Belt and Road initiative. On the other hand, considering the wide areas the CPEC covers, it is important to take the great differences of diversities in to account, especially considering the natural environment, complex geological conditions, frequent seismic activities, and extremely poor regional stability, resulting in many geo-hazards in the region, and widespread mountainous disasters in the region, which is seriously threatening the construction and livelihood security of the CPEC. Therefore, scientific and accurate analysis of the susceptibility of geo-hazards in this region has become a major and urgent practical issue facing the construction of the CPEC.Based on the background, this paper selects nine indexes of elevation, slope, terrain relief, seismic density, multi-year average rainfall, distance from the fault, lithology, distance from the river, and distance from the road. The weighted information model and weight of evidence model to comprehensive analysis the susceptibility of geo-hazards in the CPEC. Using a ROC curve to verify the results of the two models, and to select more accurate results for the study area susceptible division. The several results indicated in the research are going to be discussed in the following passage. First of all, conditions that are likely to induce geo-hazards are:elevations between 2660 m and 3470 m, slopes between 29° and 35°, terrain relief between 45 m and 70 m, density of the earthquake between 2 and 4 per 102 km2, multi-year average rainfall between 430 mm and 530 mm, distance from the fault is less than 5 km, conditions such as the lithology is soft and softest lithology, the distance from the river is less than 2 km, and the distance from the road is also less than 2 km likely to induce the geo-hazards. In addition, the susceptibility of geo-hazards in the CPEC is negatively related to the distance from rivers, roads, fault zones and lithology. The condition where is closer to river, road and fault is easier, the lithology is the softer, the more likely to cause geo-hazards. The seismic density shows a positive correlation with geo-hazards, the greater the seismic density, the higher the frequency of geo-hazards. Elevation, slope, topographic relief, and multi-year average rainfall do not show a full positive or negative correlation to geo-hazards, but play a role within a specific range. Secondly, the susceptibility accuracy of geo-hazards in CPEC based on the weighted information model and weight of evidence model is 0.821 and 0.795, respectively. It can be shown that the weighted information model assesses the result has high accuracy, therefore the result based on weighted information model would be used to zone. Thirdly, proportions of what are 26.3%, 23.1%, 21.6%, 18.8%, and 10.2% respectively to five susceptible zones (insusceptible zone, low susceptible zone, medium susceptible zone, high susceptible zone and extremely high susceptible zone) in CPEC, which shows the rate of geo-hazards in the study area centers of medium and low susceptibility, and the spatial distribution characteristics of south lower than north. Finally, the geo-hazards points of field investigation were used to verify the zoned susceptibility of the geo-hazards in the CPEC. It shows that the results of the zoning have objectivity and credibility, and can provide scientific basis for major engineering construction, traffic line selection, urban planning and resource development in the CPEC.