2019, Vol.39
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)
陕西南部秦巴山地地区气候条件复杂多变，降雨季节分布不均且多暴雨，以滑坡、崩塌为主的地质灾害充分发育[1~3]。浅层滑坡多发于土质结构松散的山区及沟谷两侧，降水引起土体结构和性质的改变，降低土体抗剪强度从而诱发浅层滑坡[4~6]，因此降雨量及其时间空间变化是影响浅层滑坡发生时间及分布区域的积极因素[7~10]。进行浅层滑坡稳定性分析有利于进一步建立健全地质灾害预警预报系统，减少灾害损失，保护人民生命财产安全。
在开展滑坡稳定性分析研究中，评价方法一般分为定性分析法、半定量统计分析法和定量确定性分析法。定性统计法根据经验和知识结合野外调查进行评价，结果具有较强的主观性[11]，因此逐渐被半定量统计法取代；半定量统计法主要有信息量法、回归模型、层次分析法等[12~14]；定量确定性分析法是使用基于滑坡物理过程的物理确定性模型，近年来国内外学者提出了许多利用物理确定性模型进行评价研究。如Pack等[15]在SHALSTAB模型的基础上结合地形湿度指数建立SINMAP模型；庄建琦等[16]利用SINMAP模型进行了不同降雨条件下黄土地区不同浅层滑坡发育危险性评价；Meisina和Scarabelli[17]将SHALSTAB和SINMAP模型预测结果进行对比分析，分析其优劣势；Baum等[18]构建基于无限边坡公式并结合瞬态入渗理论的模拟边坡安全系数的TRIGRS模型；Viet等[19]研究不同单元大小的DEM对TRIGRS模型预测浅层滑坡性能的影响，较小的网格致使模拟结果更准确；徐沅鑫等[20]运用TRIGRS模型预测不同区域斜坡稳定性变化对降水的响应，验证TRIGRS模拟性能良好且强降水是边坡稳定性变化的关键因素。以上研究对降雨诱发的浅层滑坡理论研究具有重要意义，TRIGRS模型作为较为新型的物理确定模型，在模拟大范围区域降雨诱发浅层滑坡时具有较好的效果。然而不同区域边坡单元对不同降雨情况的响应特征仍是难题，特别是针对连阴雨和短时间强降雨进行综合性对比分析的研究较少，因此基于TRIGRS模型开展连阴雨和短时间强降雨条件下浅层滑坡稳定性分析很有必要。
基于此，本文以滑坡灾害频发的白河县为研究区域，基于TRIGRS模型进行浅层滑坡稳定性预测模拟，探讨模型适用性及不同降雨条件下边坡稳定性空间分布规律，为秦巴山地地质灾害防灾减灾提供科学支撑。
1 研究区概况白河县位于陕南安康市东部，巴山东段，介于32°34′~32°55′N，109°37′~110°10′E，呈南高北低的地势特征，山脉与沟谷纵横交错。全县总面积1456 km2，其中低山地貌区(海拔 <1000 m)占总面积86 %，山势低陡，坡度多在40°以上，为滑坡、崩塌地质灾害的主要发育区。高山地貌区(海拔>1000 m)多干沟及悬崖，山脊狭长，水系发育，流水侵蚀多以下部为主，陡坡在暴雨下易发生地质灾害事件(图 1)。研究区地层岩性主要以片岩、板岩、千枚岩为主，表层堆积有第四系，其成因复杂，主要为残坡积堆积和河流冲洪积堆积两大部分[21]。冲洪积堆积仅分布于残留河谷阶地，分布面积较小。白河县属北亚热带湿润大陆季风气候区，气候温和，雨量充足。研究区多年平均降水总量785.1 mm(1981~2010年)(图 2)，降水强度总趋势由东南向西北递减。夏季降水量最多，以7月、8月最为明显，日均降水量10.7 mm，日最大降水量95.3 mm，逐小时降水量最大为4.0 mm(中国气象数据网(http://data.cma.cn/))。
|
图 1 研究区域概况 Fig. 1 Location of the study area |
|
图 2 研究区月降水量分布图 Fig. 2 Monthly precipitation in study area |
研究区内结合遥感解译与调查统计的地质灾害点共有284个，以低山地貌区为主要地质灾害发育区。按滑坡体体积划分，小型规模滑坡(体积<10×104 m3)的数量为235处，占滑坡总数量的83.8 %；中型规模滑坡(10×104~100×104 m3)的数量为46处，占滑坡总数量的16.2 %；大型规模滑坡(100×104~1000×104 m3)的数量为3处，占滑坡总数量的1.0 %；无巨型滑坡。研究区内多以堆积型浅层滑坡(<厚度6 m)为主，浅层滑坡的数量为270个，占总数95.1 %，主要沿白石河、冷水河等河谷两岸发育，平均厚度2.5 m；中层滑坡(6~20 m)的数量为13个，占总数4.9 %；无厚层或巨厚层滑坡。白河县地质灾害发育与地质环境、人类工程活动及降水量关系密切，具有明显的区域性、群发性、周期性、突发性和链生性[22]。研究区堆积层滑坡表面形状与基岩面形状相似，梯田随滑体垮塌，滑体多为松散或相对松散的岩土体，主要由粉质粘土和碎石混合而成，破坏坡面植被甚至损毁建筑物(图 3)。坡体后缘较前缘坎陡，坡度多大于25°[21]；坡体结构疏松，降水易从土体表面入渗，堆积层含水量不断增加并充填裂缝，软化结构面，加剧坡体的变形和位移[23]。
2 浅层滑坡稳定性评价模型 2.1 TRIGRS模型原理
TRIGRS模型为美国地质调查所开发的耦合水力-机械的边坡稳定性评价模型，将入渗模块、水文模块和暴雨的径流结合，基于网格计算降雨影响下的瞬态边坡安全系数[18]。图 4是对TRIGRS模型流程的简要介绍。
|
图 4 TRIGRS模型流程图 Fig. 4 The flow chart of TRIGRS model |
TRIGRS模型的建模过程基于Richard方程进行简化解析进行，包含瞬态和稳态两部分[26~27]，一般应用于饱和或张力饱和的土壤。稳定的入渗速率、饱和导水率和坡度决定了初始水流流动方向，将瞬态分量假定为一维垂直向下流动(1D)，而当土层深度与贡献面积的平方根之比
在降雨影响下，土壤抗剪强度随入渗影响而降低，地下水压力水头发生变化，结合研究区的特征，本文选取非饱和初始条件下的有限深度模型进行模拟。该模型将土壤视为一个双层系统，包括饱和带、位于地下水位以上的存在毛管边缘以及延伸到地面的非饱和带(图 5)。地下水压力水头计算过程可由公式(1)表示[18]：
|
(1) |
|
图 5 TRIGRS模型中假定的边界条件 其中du表示非饱和带深度，d表示非饱和带和毛管边缘的总深度，Zmax表示从表面到底界的有限深度 Fig. 5 The boundary condition assumed in the TRIGRS model. The unsaturated zone has depth du. The capillary finger and the unsaturated zone are at depth d. The lower boundary in this model is at depth Zmax |
公式(1)中，ψ为地下水压力水头，t为时间；Z为垂直坐标方向；d为Z方向上的稳态地下水位深度；β=cos2δ(Iz/Kz)LT，其中Kz为饱和渗透系数，Iz为初始入渗速率；dLZ为模型假定边界条件的有限深度；H(t-tn)为Heaviside跳跃函数，其中tn为降雨入渗序列第n个时间间隔；D1=D0/cos2δ，D0为水力扩散系数；N为时间段的总数目；ierfc(η)=1/
TRIGRS假设入渗I(降水P和上游单元Ru的径流之和)不能超过单元的饱和水力传导系数Ks。因此在这种条件下会发生径流。入渗量的模拟是基于以下公式[18]：
|
(2) |
径流Rd通过以下公式计算：
|
(3) |
该模型利用数字地形对大面积边坡稳定性进行评估，通常依赖于无限边坡稳定性分析[28~29]。假定在近似无限边坡斜率，每个单元滑移面是无限延伸的，每个固定的深处看作与地面平行的平面，忽略滑动体中相邻单元之间的作用力[30~31]。利用无限边坡斜率稳定性分析，计算各深度Z处瞬态压头安全系数(Fs)，无限边坡的破坏特征由抗基底库仑摩擦与重力牵引的下坡基底驱动应力之比决定。任意栅格的比值公式如下[18]：
|
(4) |
公式(4)中，Z表示任意栅格的土层深度，c′表示有效土壤粘聚力，ΔC表示土壤粘聚力，φ′表示土壤内摩擦角，Ψ表示有深度和时间决定的压力水头，δ表示坡度，γw和γs分别表示水和土壤的容重。
瞬态压头安全系数Fs<1时边坡失稳概率高，在Fs≥1时边坡较为稳定，且在Fs=1时存在极限平衡状态。将相关研究[20, 32~34]与白河县土质特征结合分析得相应的安全系数划分如下：Fs<1表示极不稳定，1≤Fs<1.5表示不稳定，1.5≤Fs<2表示潜在不稳定，2≤Fs<2.25表示较稳定，Fs≥2.25表示稳定。
2.2 模型参数设定TRIGRS模型所需的运行参数较多且与模型运行结果有较大的关联性，但研究区范围较大，难以获取完整参数，根据陈悦丽等[35]的研究，除实地勘察采集数据以外，结合以往相关区域研究也可获得合理输入参数进行模拟。本文将原始30×30 m DEM数据进行填洼处理，保证研究区内所有地形都由边坡组成，并通过GIS软件计算其坡度分布，利用单流向D8算法确定研究区单元栅格水流流向，完成数据的预处理工作。根据中国土壤数据库陕西省土壤分类，研究区内土地面积的98.6 %为黄棕壤，颗粒组成多为壤质粘土-粉砂质粘土，各区域地质及土壤条件相似，因此本文在进行TRIGRS模拟时采取单一研究区进行模拟，输入参数相同。根据调查数据，研究区内95.1 %为堆积型浅层滑坡，取其平均土层厚度2.5 m，地下水位深度设为土层厚度的80 % [32]，白河县土壤水力参数和抗剪强度参数数据根据《岩土工程实用手册》，取值如表 1所示，水力扩散系数D0根据前人经验取D0=Ks×100。初始入渗率一般小于饱和渗透系数Ks的一个次方以上[19, 36]，在降雨量长期不足的区域，初始入渗率甚至可视为零。
|
表 1 TRIGRS模型输入参数设定 Table 1 Input parameter values of TRIGRS model |
白河县每年月降水量强度不等，滑坡较多且发生时间各不相同，难以结合特定的降雨序列进行滑坡模拟，因此选取研究区多年平均日降水量10.7 mm作为降雨量参数，历时24 h进行模拟，普遍符合研究区土壤在降雨后的性质变化，作为诱发滑坡的积极因素。模拟得到降雨后稳定性区域分布图并结合统计的地质灾害点进行模型精度评估。随后分别模拟持续性小雨和短时间强降雨两种情景对研究区浅层滑坡的影响及边坡稳定性的空间分布规律。白河县多年月最大连续降雨日数为10天，多发生于8月，最大连续降水量220 mm，据此设定降雨强度相同的连阴雨情景降雨参数。同时根据降雨等级划分标准，在历时相同的情况下设定短时间强降雨情景的不同级别降雨强度(表 2)。
|
|
表 2 降雨情景模拟参数设定 Table 2 Rainfall parameter values of different circumstances |
本文以白河县日均降水量10.7 mm(1981~2010年)为降雨参数进行TRIGRS模拟得到研究区稳定性区域分布图(图 6)。为进一步验证模拟结果的合理性与可信度，有必要针对TRIGRS模拟结果分析所得的极不稳定区域、不稳定区域、潜在不稳定区域、较稳定区域和稳定区域与野外调查所得滑坡目录进行对比，滑坡极不稳定区域主要集中在研究区北部低山地貌区，此区域滑坡点沿河道山脉充分发育，与实际相符具有一定准确性。其极不稳定、不稳定、潜在不稳定、较稳定和稳定区域面积分别为39.93 km2、207.42 km2、273.70 km2、87.72 km2和849.99 km2，稳定区域所占面积最大。滑坡点在极不稳定、不稳定、潜在不稳定、较稳定和稳定区域占分别为5.63 %、25.35 %、34.86 %、13.38 %和20.77 % (表 3)。滑坡点位于潜在不稳定区域的比例最大，其次为不稳定区域。
|
图 6 TRIGRS模拟结果精度评估及灾害频发区域小范围放大图 (a)麻虎镇；(b)城关镇；(c)构扒镇 Fig. 6 Precision assessment of TRIGRS simulation results. Three enlarged images of the disaster-prone area to show the relationship between landslide sites and stability grades. (a) Mahu town; (b) Chengguan town; (c) Goupa town |
|
|
表 3 基于TRIGTS模拟的研究区稳定性分级统计 Table 3 Stability statistics of TRIGRS in study area |
同时为了将模拟结果定量衡量化，使用分类误差矩阵[37]进行评价，以Fs=2为界限划分不稳定区域和稳定区域，分类误差矩阵相关参数定义如表 4所示。修正后总正确率为72.2 %，但由于滑坡与非滑坡栅格数量差距很大，正确率的结果不能完全展现结果的好坏，因此需结合ROC曲线完成验证。受试者特征ROC(Receiving Operating Characteristics)曲线可以通过构建敏感度和特异性之间的关系校验模型预测的精度[38]。ROC曲线中曲线下面积AUC(Areas Under Curve)的范围为0.5~1.0之间，AUC对应值越大，模型预测精度越高，效果越好[39~40]。基于10.7 mm降雨24 h的模拟结果，在研究区内非滑坡面随机生成300个点，将地质灾害点记为正类，对所有单元的安全系数进行分析，生成ROC曲线。TRIGRS模型模拟结果的曲线下面积AUC为0.752(图 7)，说明TRIGRS模型对降雨条件下研究区浅层滑坡稳定性区划的模拟具有一定的精确性。
|
|
表 4 分类误差矩阵法 Table 4 Classification matrix method |
|
图 7 TRIGRS模型的ROC曲线 Fig. 7 ROC curve for TRIGRS model |
TRIGRS模型可根据降雨时间序列和降雨强度大小模拟降雨后研究区内压力水头的变化。图 8给出了此次降雨条件模拟下研究区压力水头的变化情况。降雨前压力水头最小为-1.6 m，研究区内0.3~0.4 m的压力水头占主导部分，表示干燥略湿润的条件(图 8a)。降雨后显示了与初始条件相比的显著变化(图 8b)，整体的压力水头大小几乎比原来增长了一倍，以山脉坡顶和沟谷两侧坡脚区域最为明显。说明降雨是诱发地质灾害的最主要的自然诱发因素，主要通过雨水入渗改变边坡上土体的水动力条件和降低土体强度从而诱发滑坡等地质灾害[41~43]。在滑坡灾害中，雨水入渗会导致边坡土体含水量增大，土体容重增大，导致剪切力增大，同时也会导致地下水位的抬高，难以及时排泄从而诱发滑坡，符合降雨后压力水头增大的趋势。
|
图 8 降雨前后压力水头变化对比 Fig. 8 Comparison of pressure head before and after rainfall. (a)Before rainfall; (b)After rainfall |
为研究不同降雨情景下浅层滑坡稳定性的空间分布规律，采用表 2的降雨参数，分别模拟连阴雨、短时间强降雨两种降雨情景，探讨降雨参数对各区域边坡稳定性的影响，进行研究区各等级稳定性分析。
3.2.1 连阴雨情景模拟在连阴雨的情景下，8 mm/d降雨强度分别降雨3天、5天、10天后各区域稳定性分布情况如图 9所示。持续降雨3天时，累积降雨量24 mm，极不稳定和不稳定区域占全县总面积12.59 %，潜在不稳定区域占10.18 %，较稳定及稳定区域占77.23 %。其中极不稳定区域主要集中在北部低山地貌区，以冷水镇和麻虎镇为主，极不稳定区域面积分别为13.70 km2和7.85 km2。持续降雨5天时，极不稳定和不稳定区域占全县总面积19.22 %。极不稳定区域由北向南增多，宋家镇和茅坪镇南部较陡峭区域边坡稳定性明显降低，东部构扒镇和中厂镇的极不稳定区域也明显增加，分别为6.76 km2和9.48 km2。持续降雨10天时，极不稳定和不稳定区域占全县总面积比例增长至22.87 %，潜在不稳定区域明显增多，潜在不稳定区域面积为241.45 km2，占全县总面积16.58 %。此时全县整体边坡稳定性最差，但西部仓上镇、西营镇和双丰镇的极不稳定区域面积较少，能承受长时间连续性降雨。降雨强度相同的情景下，历时越长，边坡的不稳定区域越多。持续降雨增加雨水的入渗，加剧土体有效应力的减小，稳定性减小进而诱发浅层滑坡。但在降雨5天以后，边坡不稳定面积增幅呈减弱趋势，可能是由于在一定降雨量累积入渗后，地下水几乎到达土层表面，随着时间的推移表层土体已经饱和，使得渗透过程减缓甚至暂停。
|
图 9 连阴雨情景模拟稳定性分布情况 Fig. 9 Stability distribution of continuous rain simulation |
尽管坡度对雨水入渗率及累积入渗量几乎没有影响[44]，但各稳定性等级区域面积及分布特征会随着坡度的不同和降雨条件差异发生变化。将不同降雨情景下得到的模拟结果与坡度0°~30°、30°~40°和40°~67°的区域作比较(图 10)，可探讨不同情景降雨入渗后坡度对滑坡稳定性的影响。持续降雨3天时，坡度40°~67°区域中极不稳定面积最大，其次为坡度30°~40°区域，但在持续降雨5天后，坡度30°~40°区域极不稳定面积明显增加，几乎与40°~67°区域持平，极不稳定区域面积为42.78 km2，并在持续降雨10天后增加至88.12 km2，说明较陡峭的山坡更易受到持续降雨的影响，随着累积降雨量的增加，坡顶和坡脚的侵蚀破坏逐渐增大，雨水充满土体节理，形成滑动面。坡度40°~67°区域中较稳定和稳定面积为0，说明极陡峭山坡稳定性始终较差，受降雨影响不明显。而坡度小于30°的区域在持续性降雨下，其稳定和较稳定面积均占主要部分，不稳定区域面积变化不明显，潜在不稳定区域面积随降雨时间的增加而增加，说明坡度越平缓越能承受长时间的降雨，边坡较为稳定。
|
图 10 连阴雨情景下不同坡度各等级所占面积 Fig. 10 The area of stability grades with different slope in continuous rain |
根据雨量等级划分，分别模拟25 mm/d、50 mm/d和100 mm/d这3种不同降雨强度降雨3 h，研究区稳定性分布情况如图 11所示。随着降雨强度的增大，极不稳定和不稳定区域面积占比分别为8.18 %、15.47 %和20.51 %，说明在历时相同的情况下，降雨强度越大，边坡的稳定性越差。潜在不稳定区域在25 mm/d、50 mm/d和100 mm/d的降雨强度下面积占比分别为10.59 %、12.22 %和13.82 %，与连阴雨情景相比潜在不稳定区域总面积增幅不明显，短时间强降雨对边坡稳定性的影响更为直接。短时间强降雨可能引起土体涨缩不均匀，孔隙水压力增大并减小土体抗剪强度，在暴雨的冲击下诱发浅层滑坡。3种不同降雨强度情景下均以冷水镇和麻虎镇为主要防范区域，其极不稳定区域最多，易受暴雨影响，随着降雨强度的增大而增多。在降雨强度达到25 mm/d时，除冷水镇和麻虎镇北部地区需进行一定的防护措施以外，其他地区的边坡稳定性较为稳定，而构扒镇和中厂镇在降雨强度达到50 mm/d时需对滑坡灾害加强预警，在降雨强度达到100 mm/d时，除仓上镇、西营镇和双丰镇以外均有较大面积的极不稳定区域，应以此为重点加强防范，有效进行边坡防治。
|
图 11 短时间强降雨情景模拟稳定性分布情况 Fig. 11 Stability distribution of short rainstorm simulation |
结合地形分析3种不同降雨强度情景下各坡度与边坡稳定性的关系(图 12)。坡度30°~40°区域中，50 mm/d降雨强度的极不稳定区域面积比25 mm/d增加了33.64 km2，且100 mm/d降雨强度的极不稳定区域面积比50 mm/d增加了67.29 km2，增幅明显，极不稳定区域增加的面积也随降雨强度的增大而增加，说明较陡峭边坡易受降雨强度影响。降雨强度越大，边坡极不稳定区域面积越大，越容易发生滑坡等地质灾害。其中潜在不稳定区域随降雨强度的增大而减少，转化为极不稳定和不稳定区域。坡度40°~67°区域中极不稳定和不稳定面积在降雨强度达到50 mm/d时面积为43.11 km2，占该区域面积的97.62 %，说明陡峭边坡稳定性最差，无法承受高强度降雨。而坡度小于30°的区域在短时间强降雨情景下，其稳定和较稳定面积依然占主要部分，极不稳定和不稳定面积变化不明显，潜在不稳定区域随降雨强度的增大而增加，说明坡度越平缓越能承受高强度的降雨。
|
图 12 短时间强降雨情景下不同坡度各等级所占面积 Fig. 12 The area of stability grades with different slope in short rainstorm |
(1) 选取白河县作为研究区域，研究区内95.1 %为堆积型浅层滑坡，利用瞬态降雨入渗TRIGRS模型模拟研究区日均降水量10.7 mm降雨24 h后的滑坡稳定性分布图进行模型精度评估，其极不稳定、不稳定、潜在不稳定、较稳定和稳定区域面积分别为39.93 km2、207.42 km2、273.70 km2和87.72 km2和849.99 km2。滑坡点在极不稳定、不稳定、潜在不稳定、较稳定和稳定区域占比分别为5.63 %、25.35 %、34.86 %、13.38 %和20.77 %。通过分类矩阵法获得此模型修正后准确率为72.2 %，并结合受试者特征ROC曲线进行精度评估，曲线下面积为0.752，说明TRIGRS模型在模拟预测降雨诱发型浅层滑坡时具有一定的合理性与准确性，能反应该地区滑坡灾害的空间分布特征。
(2) 本文分别模拟连阴雨、短时间强降雨两种情景下不同区域边坡稳定性对降水的响应特征及其空间分布规律。在连阴雨情景下，降雨强度相同但历时越长，研究区极不稳定区域越多。极不稳定区域主要集中在北部低山地貌区，以冷水镇和麻虎镇为主，随降雨历时增加向东部和南部增多，西部仓上镇、西营镇和双丰镇的极不稳定区域面积较少，能承受长时间连续性降雨。短时间强降雨对边坡稳定性的影响更为直接，极不稳定区域随降雨强度增大而增加，以冷水镇和麻虎镇为主要防范区域，其极不稳定区域最多，易受暴雨影响。结合地形分析，坡度40°~67°极陡峭区域边坡稳定性最差，无法承受持续性降雨和高强度降雨，坡度30°~40°较陡峭区域更易受到降雨历时和降雨强度的影响，而坡度小于30°平缓区域则能承受长时间和高强度的降雨，边坡较为稳定。
(3) 降雨是影响浅层滑坡发生时间及分布特征的积极自然因素，TRIGRS模型在降雨条件下模拟计算边坡安全系数，区划各稳定性等级，根据不同降雨条件预测易发生滑坡灾害的区域，减少灾害损失，为滑坡实时预报警系统提供了新的可能方法。
5 讨论进行白河县堆积型滑坡稳定性评价，对灾害防治和保障人民生命财产安全具有重要的意义。TRIGRS模型显示出较高的正确率和较低的误差指数(假阳性)。由此可见，TRIGRS模型具有一定的准确性合理性。TRIGRS作为较为新型的物理确定模型，通过计算栅格单元的安全系数进行大范围滑坡的稳定性推测，具有更高的独立性。但TRIGRS模型在进行模拟时也具有一定的局限性。模型假定在均匀均质的土体中流动[45]，且模拟结果对初始输入数据有较强的依赖性，因此在缺乏详细资料的情况下对实际进行模拟时可能会导致一定误差。在实际情况中，土地利用会影响土壤强度，模型区域内一些单元的工程性质可能会发生变化[46~47]，而TRIGRS模型输出的参数都是确定的值，在进行模拟时实际中参数的不确定性可能是引起灾害点位于相对稳定区的比例较高的原因。
致谢: 衷心感谢审稿专家和编辑部杨美芳老师对本文的悉心指导并提出的宝贵修改意见。
| [1] |
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 disaster 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 |
| [2] |
曹璞源, 邱海军, 胡胜, 等. 区域崩塌和滑坡规模参数频率分布研究——以秦巴山地宁强县为例[J]. 灾害学, 2017, 32(4): 126-131. Cao Puyuan, Qiu Haijun, Hu Sheng, et al. Research on scale parameter frequency distribution of regional collapse and landslide in Ningqiang County[J]. Journal of Catastrophology, 2017, 32(4): 126-131. DOI:10.3969/j.issn.1000-811X.2017.04.022 |
| [3] |
惠振德. 秦岭大巴山地区山地灾害及减灾对策[J]. 自然灾害学报, 1994, 3(3): 31-36. Hui Zhende. Mountain disaster and its countermeasures in Qinling Daba Mountain area[J]. Journal of Natural Disasters, 1994, 3(3): 31-36. |
| [4] |
殷志强, 孙东, 张瑛, 等. 美姑河流域滑坡时空展布及成生机制研究[J]. 第四纪研究, 2018, 38(6): 1358-1368. Yin Zhiqiang, Sun Dong, Zhang Ying, et al. Study on spatial-temporal distribution characteristics and forming mechanism of landslides in the Meigu River basin[J]. Quaternary Sciences, 2018, 38(6): 1358-1368. |
| [5] |
王刚, 孙萍, 吴礼舟, 等. 降雨诱发浅表层黄土滑坡机理实验研究[J]. 工程地质学报, 2017, 25(5): 1252-1263. Wang Gang, Sun Ping, Wu Lizhou, et al. Experimental study on mechanism of shallow loess landslides induced by rainfall[J]. Journal of Engineering Geology, 2017, 25(5): 1252-1263. |
| [6] |
高连通, 晏鄂川, 刘珂. 考虑降雨条件的堆积体滑坡多场特征研究[J]. 工程地质学报, 2014, 22(2): 263-271. Gao Liantong, Yan Echuan, Liu Ke. Accumulation landslides under rainfall condition[J]. Journal of Engineering Geology, 2014, 22(2): 263-271. DOI:10.3969/j.issn.1004-9665.2014.02.016 |
| [7] |
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. |
| [8] |
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. |
| [9] |
李巍岳, 刘春, Scaioni M, 等. 基于滑坡敏感性与降雨强度-历时的中国浅层降雨滑坡时空分析与模拟[J]. 中国科学:地球科学, 2017, 47(4): 473-484. Li Weiyue, Liu Chun, Scaioni M, et al. Spatio-temporal analysis and simulation on shallow rainfall-induced landslides in China using landslide susceptibility dynamics and rainfall I-D thresholds[J]. Science China:Earth Sciences, 2017, 47(4): 473-484. |
| [10] |
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 characteristics, 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. |
| [11] |
单博.基于3S技术的奔子栏水源地库区库岸地质灾害易发性评价及灾害风险性区划研究[D].长春: 吉林大学博士论文, 2014: 4-14. Shan Bo. Reservoir Bank Geological Disaster Susceptibility Assessment and Study on Zoning of Disaster Risk in Benzilan Water Source Reservoir Area Based on 3S Technology[D]. Changchun: The Doctoral Thesis of Jilin University, 2014: 4-14. http://cdmd.cnki.com.cn/Article/CDMD-10183-1014268116.htm |
| [12] |
吴树仁, 董诚, 石菊松, 等. 地质灾害信息系统研究——以重庆市丰都县为例[J]. 第四纪研究, 2003, 23(6): 683-691. Wu Shuren, Dong Cheng, Shi Jusong, et al. Study of geological hazard information system:An example from the Fengdu County in the Chongqing City[J]. Quaternary Sciences, 2003, 23(6): 683-691. DOI:10.3321/j.issn:1001-7410.2003.06.012 |
| [13] |
邢秋菊, 赵纯勇, 高克昌, 等. 基于GIS的滑坡危险性逻辑回归评价研究[J]. 地理与地理信息科学, 2004, 20(3): 49-51. Xing Qiuju, Zhao Chunyong, Gao Kechang, et al. Logical regression analysis on the hazard of landslide based on GIS[J]. Geography and Geo-information Science, 2004, 20(3): 49-51. DOI:10.3969/j.issn.1672-0504.2004.03.011 |
| [14] |
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 an 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. |
| [15] |
Pack R T, Tarboton D G, Goodwin C N, et al. SINMAP 2.0 for ArcGIS-A stability index approach to terrain stability hazard mapping, user's manual[J]. Engineering, 1999, 219-231. |
| [16] |
庄建琦, 彭建兵, 张利勇. 不同降雨条件下黄土高原浅层滑坡危险性预测评价[J]. 吉林大学学报(地球科学版), 2013, 43(3): 867-876. Zhuang Jianqi, Peng Jianbing, Zhang Liyong. Risk assessment and prediction of the shallow landslide at different precipitation in Loess Plateau[J]. Journal of Jilin University(Earth Science Edition), 2013, 43(3): 867-876. |
| [17] |
Meisina C, Scarabelli S. A comparative analysis of terrain stability models for predicting shallow landslides in colluvial soils[J]. Geomorphology, 2007, 87(3): 207-223. DOI:10.1016/j.geomorph.2006.03.039 |
| [18] |
Baum R L, Savage W Z, Godt J W. TRIGRS: A Fortran Program for Transient Rainfall Infiltration and Grid-based Regional Slope-stability Analysis[R]. Colorado: US Department of the Interior and US Geological Survey, 2002.
|
| [19] |
Viet T T, Thu T M, An H U. Effect of DEM resolution on shallow landslide modeling using TRIGRS[J]. Natural Hazards Review, 2016, 18(2): 1-12. |
| [20] |
徐沅鑫, 郭海燕, 马振峰. TRIGRS模型预测降雨型浅层滑坡的应用性评价[J]. 高原气象, 2018, 37(3): 815-825. Xu Yuanxin, Guo Haiyan, Ma Zhenfeng. Application of TRIGRS model on rainfall-induced shallow landslides forecasting[J]. Plateau Meteorology, 2018, 37(3): 815-825. |
| [21] |
闫博.陕西省白河县地质灾害区划与防治建议[D].西安: 长安大学硕士论文, 2008: 26-31. Yan Bo. Division of Geological Disasters and Control of Baihe Country in Shaanxi[D]. Xi'an: The Master's Thesis of Chang'an University, 2008: 26-31. http://cdmd.cnki.com.cn/Article/CDMD-11941-2009066959.htm |
| [22] |
姚翔龙, 赵法锁, 王雁林, 等. 陕南秦巴山区地质灾害隐患调查识别探讨——以柞水县为例[J]. 灾害学, 2016, 31(3): 230-234. Yao Xianglong, Zhao Fasuo, Wang Yanlin, et al. Discussion on investigation and identification of geological hazards in Qinba Mountains in the southern of Shaanxi-A case study in Zhashui County[J]. Journal of Catastrophology, 2016, 31(3): 230-234. DOI:10.3969/j.issn.1000-811X.2016.03.039 |
| [23] |
陈善雄, 许锡昌, 徐海滨. 降雨型堆积层滑坡特征及稳定性分析[J]. 岩土力学, 2005, 26(S2): 6-10. Chen Shanxiong, Xu Xichang, Xu Haibin. Features and stability analysis rainfall-induced colluvial landslides[J]. Rock and Soil Mechanics, 2005, 26(S2): 6-10. |
| [24] |
安康交通广播.安康六县多条道路通行受阻[DB/OL]. http://www.sohu.com/a/197917774_672806?spm=smpc.content.share.1.15652325172731ROOYKL#comment_area, 2017-10-12. The Traffic Broadcast in Ankang. Roads are blocked in Ankang and other six counties[DB/OL]. http://www.sohu.com/a/197917774_672806?spm=smpc.content.share.1.15652325172731ROOYKL#comment_area, 2017-10-12. |
| [25] |
关禺.陕西白河滑坡[ DB/OL]. http://p.weather.com.cn/2017/04/tqxc/2692540_list.shtml#p=1, 2017-4-18. Guan Yu. Landslides in Baihe County, Shaanxi Province[DB/OL]. http://p.weather.com.cn/2017/04/tqxc/2692540_list.shtml#p=1, 2017-4-18. |
| [26] |
Iverson R M. Landslide triggering by rain infiltration[J]. Water Resources Research, 2000, 36(7): 1897-1910. DOI:10.1029/2000WR900090 |
| [27] |
Srivastava R, Yeh T C J. Analytical solutions for one-dimensional, transient infiltration toward the water table in homogeneous and layered soils[J]. Water Resources Research, 1991, 27(5): 753-762. DOI:10.1029/90WR02772 |
| [28] |
Montgomery D R, Dietrich W E. A physically based model for the topographic control on shallow landsliding[J]. Water Resources Research, 1994, 30(4): 1153-1171. DOI:10.1029/93WR02979 |
| [29] |
Crosta G B, Frattini P. Distributed modeling of shallow landslides triggered by intense rainfall[J]. Natural Hazards and Earth System Sciences, 2003, 3(1/2): 81-93. DOI:10.5194/nhess-3-81-2003 |
| [30] |
Talor, Donald W. Fundamentals of soil mechanics[J]. Soil Science, 1948, 66(2): 161. |
| [31] |
Raia S, Alvioli M, Rossi M, et al. Improving predictive power of physically based rainfall-induced shallow landslide models:A probabilistic approach[J]. Geoscientific Model Development, 2014, 7(2): 495-514. DOI:10.5194/gmd-7-495-2014 |
| [32] |
刘林通.基于TRIGRS模型的降雨型浅表层滑坡易发性评价[D].兰州: 兰州大学硕士论文, 2018: 38-40. Liu Lintong. Rainfall-induced Shallow Landslides Susceptibility Assessment Based on TRIGRS Model in Jiaochangba Valley[D]. Lanzhou: The Master's Thesis of Lanzhou University, 2018: 38-40. http://cdmd.cnki.com.cn/Article/CDMD-10730-1018979513.htm |
| [33] |
Zhuang Jianqi, Peng Jianbing, Wang Gonghui, et al. Prediction of rainfall-induced shallow landslides in the Loess Plateau, Yan'an, China, using the TRIGRS model[J]. Earth Surface Processes and Landforms, 2017, 42: 915-927. DOI:10.1002/esp.4050 |
| [34] |
Viet T T, Alvioli M, Lee G, et al. Three-dimensional, time-dependent modeling of rainfall-induced landslides over a digital landscape:A case study[J]. Landslides, 2018, 15(6): 1071-1084. DOI:10.1007/s10346-017-0931-7 |
| [35] |
陈悦丽, 陈德辉, 李泽椿, 等. 降雨型滑坡的集合预报模型及其初步应用的试验研究[J]. 大气科学, 2016, 40(3): 515-527. Chen Yueli, Chen Dehui, Li Zechun, et al. An ensemble prediction model for rainfall-induced landslides and its preliminary application[J]. Chinese Journal of Atmospheric Sciences, 2016, 40(3): 515-527. |
| [36] |
Park D W, Nikhil N V, Lee S R. Landslide and debris flow susceptibility zonation using TRIGRS for the 2011 Seoul landslide event[J]. Natural Hazards and Earth System Sciences, 2013, 1(11): 2547-2587. |
| [37] |
Huang J C, Kao S J. Optimal estimator for assessing landslide model efficiency[J]. Hydrology and Earth System Sciences, 2006, 3(3): 1125-1144. DOI:10.5194/hessd-3-1125-2006 |
| [38] |
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 frequency ratio method[J]. Geoscience, 2017, 31(5): 911-929. DOI:10.3969/j.issn.1000-8527.2017.05.004 |
| [39] |
裴艳茜, 邱海军, 胡胜, 等. 中巴经济走廊地质灾害敏感性分析[J]. 第四纪研究, 2018, 38(6): 1369-1383. Pei Yanqian, Qiu Haijun, Hu Sheng, et al. Susceptibility analysis of geo-hazards in China-Pakistan economic corridor[J]. Quaternary Sciences, 2018, 38(6): 1369-1383. |
| [40] |
饶品增, 曹冉, 蒋卫国. 基于地理加权回归模型的云南省地质灾害易发性评价[J]. 自然灾害学报, 2017, 26(2): 136-145. Rao Pinzeng, Cao Ran, Jiang Weiguo. Susceptibility evaluation of geological disasters in Yunnan Province based on geographically weighted regression model[J]. Journal of Natural Disasters, 2017, 26(2): 136-145. |
| [41] |
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. |
| [42] |
黄润秋. 中国西部地区典型岩质滑坡机理研究[J]. 第四纪研究, 2003, 23(6): 640-647. Huang Runqiu. Mechanism of large scale landslides in Western China[J]. Quaternary Sciences, 2003, 23(6): 640-647. DOI:10.3321/j.issn:1001-7410.2003.06.007 |
| [43] |
胡胜, 邱海军, 王新刚, 等. 基于高分辨地形的黄土滑坡特征参数提取及其应用意义[J]. 第四纪研究, 2017, 37(2): 367-379. Hu Sheng, Qiu Haijun, Wang Xingang, et al. Extracting characteristic parameters of loess landslides based on high-resolution topography and its application prospect[J]. Quaternary Sciences, 2017, 37(2): 367-379. |
| [44] |
郝春红, 潘英华, 陈曦, 等. 坡度、雨强对塿土入渗特征的影响研究[J]. 土壤通报, 2011, 42(5): 1040-1044. Hao Chunhong, Pan Yinghua, Chen Xi, et al. Influence of slope and rainfall intensity on infiltration characteristics of Lou soil[J]. Chinese Journal of Soil Science, 2011, 42(5): 1040-1044. |
| [45] |
姚志永.基于SINMAP和TRIGRS模型的辰溪县暴雨型浅层滑坡易发性评价研究[D].北京: 中国地质大学硕士论文, 2018: 64-67. Yao Zhiyong. Susceptibility Assessment of Shallow Landslides in Chenxi County Based on SINMAP and TRIGRS Models[D]. Beijing: The Master's Thesis of China University of Geosciences, 2018: 64-67. http://cdmd.cnki.com.cn/Article/CDMD-11415-1018009421.htm |
| [46] |
Van B L P H, Van A T W. Regional assessment of the effects of land-use change on landslide hazard by means of physically based modelling[J]. Natural Hazards, 2004, 31(1): 289-304. |
| [47] |
Srivastava R, Yeh T C J. Analytical solutions for one-dimensional, transient infiltration toward the water table in homogeneous and layered soils[J]. Water Resources Research, 1991, 27(5): 753-762. DOI:10.1029/90WR02772 |
,
Qiu Haijun1,2,3
,
Hu Sheng1,2,3,
Yang Wenlu1,2,
Pei Yanqian1,2,
Yang Dongdong1,2,
Zhang Yan1,2,
Ma Shuyue1,2,
Cao Mingming1,2,3
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)
Abstract
Rainfall and landslides are well developed in Qinba Mountain in southern Shaanxi Province. The variation and spatial distribution of rainfall are positive factors to affect shallow landslides. The transient rainfall infiltration and grid-based regional slope-stability analysis (TRIGRS) model was adopted in this study to calculate slope-stability and forecast landslides. Take Baihe County (32°34'~32°55'N, 109°37'~110°10'E) as the study area, which has adequate rainfall and is prone to shallow landslides. The study area is located in the east of Ankang City, Shaanxi Province. Combined with remote sensing interpretation and survey statistics, there are 284 landslides in total, shallow landslides accounted for 95.1%. The TRIGRS model combines infiltration module, hydraulic module and runoff calculation to assess the slope stability. The input parameters of TRIGRS model mainly include rainfall data, soil and hydraulic parameters. Assumption based on soil type and existing studies were used to estimate simulation parameters. Combined with the 10.7 mm rainfall which is the average daily precipitation in study area, the landslide stability distribution map was obtained after 24 h of simulated rainfall. The landslide stability was divided into high unstable, unstable, potentially unstable, relatively stable and stable areas, and landslide points accounted for 5.63%, 25.35%, 34.86%, 13.38% and 20.77% respectively in each grade. The accuracy of TRIGRS model was assessed by the Receiving Operation Characteristics (ROC) curve. The area under the curve is 0.752. Then simulated continuous rain and short rainstorm respectively to analyze the spatial distribution of slope stability in the study area which provides a foundation for disaster prevention and control in the research area. The summarized results are as follows:the TRIGRS model has some degree of reasonability and accuracy in simulating and predicting rainfall-induced shallow landslides. In continuous rain simulation, the high unstable region mainly concentrated in the north of the low mountain area, with Lengshui town and Mahu town primary. The area increases with rainfall duration to the east and south. But Cangshang, Xiying and Shuangfeng towns in the west have less high unstable areas, which can withstand continuous rainfall. On the other hand, short rainstorm has a more direct effect on slope stability. The high unstable areas increases with the rainfall intensity. The main prevention regions are Lengshui and Mahu towns. Combined with topographic analysis, the slope stability in extremely steep areas is the worst, unable to withstand continuous rainfall and high-intensity rainfall. The steep areas are more susceptible to the influence of rainfall duration and intensity, while the gentle areas can withstand long-term and high-intensity rainfall. TRIGRS model can predict areas prone to landslides according to different rainfall conditions, reducing disaster losses and providing a new possible method for landslide real-time warning system.