基于GIS的岩溶地区滑坡敏感性评价——以贵州织金县为例

李　松，陈起伟，万红燕，李　恋

(1.贵州师范学院 资源环境与灾害研究所，贵州 贵阳 550018；2.中国科学院 遥感与数字地球研究所，北京 100101)



基于GIS的岩溶地区滑坡敏感性评价——以贵州织金县为例

李松1,2，陈起伟1，万红燕1，李恋1

(1.贵州师范学院 资源环境与灾害研究所，贵州 贵阳 550018；2.中国科学院 遥感与数字地球研究所，北京 100101)

摘要:滑坡是喀斯特山区主要的灾害类型。以贵州省织金县为研究区，结合遥感科学和地理信息系统，综合滑坡编目数据，分析织金县的滑坡发生机制，并基于信息论的滑坡信息量模型分析方法，选取主要滑坡因子，包括坡度、坡向、相对高差、地形湿度指数、土地利用/土地覆盖变化(LUCC)、地质地层和公路，在此基础上建立区域滑坡空间预测的信息量模型，利用GIS对单因子滑坡信息量进行计算，再求得各因子的综合信息量并进行风险分级。结果表明，织金县相对稳定区为2 779.0 km2，高风险区共有42处，中风险区共有36处，低风险区共有67处。滑坡与地形的相对高差明显相关，植被也是滑坡稳定性的重要影响因素，研究结果对区域的发展和规划都具有较好的参考意义。

关键词:滑坡；敏感性；信息量模型；地理信息系统；喀斯特地区

滑坡是岩土体在重力作用下沿软弱面(或带)整体地向下滑动的现象[1]和过程。由于人口的剧烈膨胀和活动强度的骤增，以及人类破坏的加剧，全球范围内的滑坡数量将呈现增长的趋势[2]。滑坡灾害与地震、火山并称为当今三大地质灾害，而滑坡是数量最多、规模最大、危害最严重的地质灾害[3]，另有研究表明，滑坡、崩塌和洪水灾害占世界自然灾害的42%[4]。由于滑坡灾害的复杂性，使得对它的研究存在很大的不确定性，对滑坡灾害预测研究的重要性也没有引起足够的重视[5]。因此，通过科学研究探索滑坡预测，以及滑坡易发区风险评价的方法与理论，可以有效地减少宏观滑坡损失。滑坡灾害是山区主要的灾害类型[6]，而喀斯特地区又是滑坡的易发区域。相对其他喀斯特地区而言，贵州的滑坡灾害研究比较薄弱。滑坡影响因素是滑坡空间预测研究的重要问题，滑坡影响因素由于滑坡区域、类型与研究者的差异而千差万别[7-12]。本文以贵州典型喀斯特地区——织金县为例，选取相对高差，加上坡向、坡度、坡型、地形湿度指数(TWI)和土地利用/土地覆盖变化(LUCC)等滑坡因子，并考虑公路的影响，研究基于GIS和遥感的滑坡信息量模型在滑坡空间预测中的应用，希望对岩溶山区滑坡防治，对区域可持续发展，都具有积极的参考价值。

1研究方法

1.1　研究区概况

织金县位于贵州省中西部，105°20′14″~106°10′19″ E，26°21′47″~26°57′24″ N之间，土地总面积 2 868 km2。全县辖7个街道办事处，9个镇，17个乡，2013年人均GDP为13 711.9元，户籍人口数115.26万人，农村贫困发生率32.0%。全县地势西高东低，相对高差1 403 m。东部为丘原、河谷地带，总面积1 710 km2，区内喀斯特地貌发育，沟深坡陡，峰丛、槽谷、洼地相间分布；西为黔西高原地带，区内深沟，峡谷，槽谷交错。新构造运动强烈，早期构造运动以产生褶皱、断裂为主，白垩世末，燕山运动导致晚白垩世以前的地层产生褶皱，并产生众多的断层。全县有第四系、侏罗系、三迭系、二迭系、奥陶系、寒武系、震旦系地层出露，其中二迭系和三迭系出露面积较广。织金属亚热带季风性湿润气候，雨量充沛、雨热同季，全年阴雨天多达250 d，多年平均降水量1 200~ 1 500 mm，大雨暴雨强度大而集中。2011年森林覆盖率42.7%。全县无烟煤储量大、煤层多、质地好，用途广泛，是贵州大煤田织-纳煤田的主体部分。

1.2　数据源和研究方法

本研究区的基础地理数据源包括1:50 000数字地形图及其生成的数字高程模型，遥感数据源如下：覆盖全区的ALOS先进可见光与近红外辐射计2型(AVNIR-2)影像、北京1号和ETM+，用于滑坡发育环境的分析，以及滑坡因子LUCC的提取。滑坡解译以北京1号为主配合ALOS遥感数据进行。采用1:50 000数字地形图(等高距20 m，1980年航摄)和1:50 000DEM作为基础控制数据，数学基础统一采用北京54坐标系，投影方式为高斯-克里格投影6度分带的18度带，1956年黄海高程系正常高。

晏同珍[13]将滑坡预测理论概括为三类：确定性、统计分析和信息量模型，本质上前两者属于白箱和黑箱模型，而信息量模型则介于白箱和黑箱之间。本文利用信息量模型进行滑坡空间预测，其公式如下：

(1)

P(y,x1,…,xn)、P(y)是统计概率术语，对于各种滑坡因素x1，…，xn表征出的信息量，当P(y, x1,…,xn)>P(y)时，信息量I(y, x1,…,xn)>0，滑坡发生风险概率较高；反之I(y, x1,…,xn)<0，滑坡发生的风险概率偏低。根据地质、地形、水文和LUCC等条件划分地理单元格。将研究区划分为N个模型单元后，如果已经发生滑坡的单位为N0个，其中具有相同属性的x1，x2，…，xn组合的单元共M个，其中有滑坡灾害的单元数为M0个。

(2)

一般情况下，滑坡是区域多要素综合作用的结果，综合而言，则上式变为：

(3)

通过筛选，确定相对高差、坡向、坡型、LUCC、地质、TWI和公路等7个关键滑坡因子，确定模型中有7个因子，进行滑坡信息量计算。

2结果与分析

以地形图为基础对其他基础数据进行相对几何校正，在1:200 000地质图矢量化基础上，结合1:50 000地形图和数字高程模型(DEM，30m)，采用30 m×30 m方格进行网格化。以DEM为基础提取相对高差、坡向、坡型和TWI。其中相对高差利用ArcGIS的水文分析模块，经过洼地fill、flowdirection、watershed等分析后，再利用Zonal statistics计算每个单元的最高和最低海拔差得到，并以100、150、200、250、300、350m为临界值，将相对高差划分为7个区间，分别赋以1到7的代码。坡向利用aspect提取，分为平坦、北、东北、东、东南、南、西南、西、西北9个坡向，并分别赋以1到9的代码，便于后续处理。坡型通过Curvature提取，提取结果分为2类：曲率大于0为直型坡或凸型坡，小于0为凹型坡。TWI[14]主要基于ArcGIS的3D分析模块和空间分析模块计算，由于过程复杂，这里不做详细介绍，提取结果在2.26~58.86之间，以3、4、5、6、7为临界值，划分为6个区间，分别赋值为1到6。LUCC参考土地利用现状分类(GB/T 21010-2007)标准，利用支持向量机方法，结合监督分类和目视解译方法进行提取，各类土地利用类型直接利用其代码进行赋值。在经过几何精校正的高分辨率遥感影像上提取织金县公路信息，结合专题资料和野外调查，提取织金县乡村硬化公路3 769.2 km，二级公路5.7 km，三级公路238.0 km，四级公路469.0 km，依据现场调查分析大致确定各级公路对斜坡的影响范围区，得到不同的缓冲区：普通乡村硬化路做20 m，四级公路30 m，三级公路40 m，二级公路50 m。高速公路因为刚建成通车，铁路通车时间也晚于滑坡灾害点发生时间，故不做考虑。公路缓冲区合并后的总面积为192.72 km2，发生在缓冲区以内的滑坡共28个，占总数的19.2%，滑坡信息量是1.51。图1是织金县公路缓冲区图。

图1　织金县公路缓冲区图

利用处理好的基础图件，基于ArcGIS的空间分析功能，利用遥感目视解译和野外调查获取的146个滑坡灾害点，通过式(2)计算各滑坡因子层的单因子信息量，计算结果如表1所示，LUCC和地质因子只列出信息量计算分级部分。利用式(3)，进一步对各单因子信息量进行综合，得到研究区滑坡信息量综合结果，如图2所示。计算结果是，研究区滑坡信息量为-7.22~70.41，平均值1.11，90%以上集中在-2.5~2.5区间内(图3)，标准差为4.70。结合自然断点法和滑坡的群发性原理，将滑坡信息量划分为4个区间，分别为高风险区(40,70.41]，中风险区(26，40]，低风险区(8，26]，一般区域(-7.22，8]。其中高风险区5.0 km2，共有潜在滑坡群42处；中风险区13.5 km2，共有滑坡群36处；低风险区70.6 km2，共有潜在滑坡群67处；一般区域即为相对稳定区，共2779.0 km2。

滑坡单因素信息量显示，对于LUCC而言，中覆盖草地和灌木林地信息量分别为0.6和0.5，是滑坡风险比较高，滑坡密度比较大的区域，而有林地是最稳定的区域。而城镇用地是滑坡风险最高的区域，信息量高达6.7，体现出植被对滑坡稳定性的重要性，也表现了强烈人类活动对滑坡显著的诱发作用。TWI值越高，该区域具有更大的饱和带发展潜力，土壤越容易达到饱和状态而形成软弱带，滑坡风险越高[14]。对于织金县，TWI>7的区域滑坡信息量为0.5，是滑坡风险最高的区域。地质方面，织金县龙潭组、大隆组并层和嘉陵江组面积广，滑坡数量大，信息量高达0.3。除此之外，祥摆组、旧司组 、上司组、大埔组并层是滑坡信息量最高的地层，达到1.6。坡向方面，平坦地形和东南坡向区域是滑坡信息量最高的区域，分别达到1.3和0.7，而东、东北坡向是滑坡信息量最低的区域。直型坡和凸型坡滑坡风险明显偏高，信息量高达0.9。地形的相对高差与滑坡风险有明显的相关关系，250~300 m、300~350 m、大于350 m的相对高差区域，滑坡信息量分别为0.5、1.4和2.2，相对高差小于100 m的区域信息量仅为-1.7。以滑坡信息量为纵坐标，相对高差为横坐标，分析滑坡风险与相对高差的关系，如图4所示，拟合优度达0.86。相对高差越大的区域，滑坡信息量越大，滑坡风险也越高。公路影响区域内的滑坡信息量是1.51，而影响区域以外的信息量是-0.21，公路对滑坡有显著的影响。

表1　关键滑坡因子信息量计算结果

图2　基于信息量模型的织金县滑坡空间预测结果

图3　研究区滑坡信息量空间分布趋势图

图4　滑坡信息量与相对高差的关系对比

通过实测数据对比分析，滑坡空间预测效果较为理想，能够对区域的发展提供积极的科学指导。结合GPS和单反相机，进行滑坡野外验证。包括原普翁乡中学校园附近的滑坡图5a和白岩脚村白家湾组滑坡，其中普翁乡中学滑坡由于学校领导干涉，没有留下更详细的信息。三甲绮结河郭家寨组滑坡地形破坏殆尽，但滑坡体造成房屋及地基的损害还能辨识，如图5b所示。城关镇坪寨村陆坪寨组崩塌在野外调查时点是新滑坡(广义)，图6a所示是离崩塌体200 m远的公路路面，其他3幅图是崩塌造成的碎石堆积景观。三甲裕民村花石头组的煤炭开采区，在图2中的位置是三甲和纳雍交界处，经调查，自从煤炭大规模开采以后，该区域房屋受损严重，54户民房遭到不同程度的损伤，加上附近有断裂经过，该区域的滑坡风险较高，在聚志煤矿矿井附近有显著的蠕滑发生。

图5　三甲绮结河郭家寨组滑坡体损坏的房屋(105.831N，26.764E)

图6　城关镇坪寨村陆坪寨组崩塌(105.696°N，26.670°E)

根据图2，双堰街道办事处各类滑坡风险区占其总面积的31.5%，其中30%以上是低风险区，化起镇和黑土乡各类风险区分别占10.4%和10.2%，其中化起镇99%以上是低风险区，而黑土乡中、高风险区占1.2%。板桥乡和实兴乡的各类滑坡风险区分别占9.5%和9.0%，而中、高风险区分别为0.1%和7.7%。大平乡各类滑坡风险区占5.6%，中、高风险区占3.9%。马场乡滑坡风险区占4.5%，中、高风险区占3.5%。而三甲街道办事处、桂果、猫场滑坡风险区分别为3.9%、3.4%、3.4%。中、高滑坡风险区从高到低的乡镇依次是实兴乡、大平乡、马场乡、黑土乡、双堰办事处、猫场镇、桂果镇、自强乡、茶店乡，分别是7.7%、3.9%、3.5%、1.2%、1.0%、0.7%、0.6%、0.6%、0.5%。

3结语

本文以贵州省织金县为研究区，利用遥感和GIS方法，基于信息量的滑坡预测方法，进行研究区滑坡灾害空间预测。目前的滑坡预测研究，绝大部分都直接选取海拔作为滑坡因子，但实际上，滑坡作为一种重力灾害，主要受相对高度的影响，因此本文选取相对高差，加上坡向、坡度、坡型、TWI、LUCC和公路滑坡因子，综合利用遥感的计算机分类和目视解译方法，提取LUCC信息，并基于GIS对DEM数据提取其他滑坡因子。并利用GIS的空间分析功能，在计算单因子滑坡信息量基础上，通过各单因子层信息量求和，得到综合信息量，并结合滑坡群发性特征和自然断点法，将滑坡信息量分为4个区间，分别对应高风险区、中风险区、低风险区和一般区域，其中高风险区共5.0 km2，共有潜在滑坡群42处；中风险区13.4 km2，共有36处；低风险区70.3 km2，共有67处；一般区域即为相对稳定区，共2 779.0 km2。滑坡空间预测结果对区域的发展具有一定的指导意义。

参考文献：

[1]左大康.现代地理学辞典[M].北京：商务印书馆，1990：224.

[2]Keefer D K, Larsen M. Assessing landslide hazards[J]. SCIENCE,2007,316:1136-1138.

[3]陈自生.论滑坡学[J].山地研究，1996，14(2)：96-102.

[4]Graciela Metternicht, Lorenz Hurni, Radu Gogu. Remote sensing of landslides: An analysis of the potential contribution to geo-spatial systems for hazard assessment in mountainous environments[J]. Remote Sensing of Environment,2005,98(2/3):284-303.

[5]殷坤龙，朱良峰.滑坡灾害空间区划及GIS应用研究[J].地学前缘，2001，8(2)：279-284.

[6]Bălteanu Dan, ChendeViorel, Sima Mihaela.,et al. A country-wide spatial assessment of landslide susceptibility in Romania[J]. Geomorphology, 2010, 124 (3/4):102-112.

[7]Wu Chunhung,Chen Suchin. Determining landslide susceptibility in Central Taiwan from rainfall and six site factors using the analytical hierarchy process method[J].Geomorphology,2009,112(3/4):190-204.

[8]刘彦花，叶国华.基于粗糙集与GIS的滑坡地质灾害风险评估：以广西梧州为例[J].灾害学，2015，30(2)：108-114.

[9]Saro Lee, Moung-Jin Lee.Detecting landslide location using KOMPSAT 1 and its application to landslide-susceptibility mapping at the Gangneung area, Korea[J]. Advances in Space Research,2006, 38(10):2261-2271.

[10]万石云，李华宏，胡娟. 云南省滑坡泥石流灾害危险区划[J].灾害学，2013，28(2)：60-64.

[11]Ranjan Kumar Dahal, Shuichi Hasegawa, Atsuko Nonomura., et al. GIS-based weights-of-evidence modelling of rainfall-induced landslides in small catchments for landslide susceptibility mapping[J]. Environmental Geology,2008, 54(2):311-324.

[12]Ranjan Kumar Dahal, Shuichi Hasegawa, Atsuko Nonomura., et al. Predictive modeling of rainfall-induced landslide hazard in the Lesser Himalaya of Nepal based on weights-of-evidence[J].Geomorphology,2008,102(3/4):496-510.

[13]晏同珍，杨顺安，方云.滑坡学[M].武汉：中国地质大学出版社，2000.

[14]张彩霞，杨勤科，李锐. 基于DEM的地形湿度指数及其应用研究进展[J].地理科学进展，2005，24(6)：116-123.

GIS-based Spatial Susceptibility Assessment of Landslides in Karst Area——A Case Study in Zhijin, Guizhou Province

Li Song1, 2, Chen Qiwei1, Wan Hongyan1and Li Lian1

(1.InstituteofResources,ResourcesandEnvironmentandDisasterResearchInstitute,GuizhouNormalCollege,

Guiyang550018,China; 2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyof

Sciences,Beijing100101,China)

Abstract:Landslide is one of the major hazards in karst area. Taking Zhijin, Guizhou province as a study case, we analyzed the landslide mechanism of karst area. Combining with remote sensing (RS), geographic information system (GIS) and landslide inventory, we predicted patial distribution of landslide hazards based on information model. In the analysis of landslide mechanism, the main landslide factors, including slope, aspect, relative relief, topographic wetness index, roads and land use/land cover change and stratum, Were selected to calculate the value of information model respectively. Consequentially, a combination of the value of the information model for respective landslide factors was calculated by GIS. The risk of landslide hazards was ranked. The results show that the related stable area was 2779.0 km2. The number of high, median and low risk zone was a total of 42, 36 and 67 respectively. There was a good practical significance for Guizhou province that Landslide was significantly related with relative relief, and plant was an important factor of landslide hazards.

Key words:landslide; susceptibility; information model; GIS; Karst area

作者简介：李松(1980-)，男，贵州织金人，博士，教授，主要研究灾害和环境遥感. E-mail：zhijinese@163.com

基金项目：国家自然科学 (41563007)；贵州师范学院重点博士项目(14BS018)；贵州科技厅项目(J20112343)；贵州教育厅项目(黔教高[2012]426号)；乌当科技局项目(乌科字[2012]53号)

收稿日期：2015-07-06修回日期：2015-09-18

中图分类号：P642；X42

文献标志码：A

文章编号：1000-811X(2016)01-0139-05

doi:10.3969/j.issn.1000-811X.2016.01.026