基于因子相关性-聚类分析的巴谢河流域滑坡危险性评价

杨志昆, 梁收运, 陈 卓, 赵红亮

(兰州大学 土木工程与力学学院, 兰州 730000)

甘肃省滑坡分布广泛、种类繁多、危害严重，境内滑坡集中分布于陇中黄土高原和陇南基岩山区两大地貌单元[1]。陇南山区以基岩滑坡和堆积层滑坡为主，前人以其中滑坡强烈发育的白龙江流域甘肃段为研究对象，探讨了该段地形地貌与地层岩性[2-3]、活动构造及水文[4]等工程地质条件对滑坡灾害的控制作用。陇中黄土高原可分为陇西和陇东两部分，以黄土滑坡和黄土—泥岩滑坡居多，陇西地区滑坡发育程度大于陇东，巴谢河流域作为陇西地区临夏盆地滑坡密集发育的典型区[5]，引起了一些学者的注意。庄乐和[6]通过分析洒勒山滑坡的成因机制，认为巴谢河流域滑坡的形成是被水浸湿的泥岩产生膨胀力所致。曹炳兰等[7]将巴谢河流域滑坡分为4类：单层结构滑坡、双层结构滑坡、联合结构滑坡与整体结构滑坡，同时阐述了4类滑坡的发育特征,并指出地形地貌、坡体结构、地下水等条件是谷坡进行稳定性分区的基础。

巴谢河流域位于甘肃临夏盆地东侧，处于SN向正断层的上盘位置，地层近水平[8]。流域属于典型的黄土梁峁地形，深大沟谷纵横，山体破坏严重，因此区内滑坡广泛分布，历史上发生过多次重大滑坡灾害，如巴峰山滑坡、红庄滑坡、洒勒山滑坡。截至目前为止，该区域滑坡仍在不断发生，2016年6月10日，受连续降雨的影响，果园乡陈何村就发生了约50万m3滑坡，毁坏公路，掩埋车辆。

本文基于2002—2015年四期GoogleEarth遥感影像资料对流域内所发生滑坡进行解译，结合野外调查，以30 m分辨率DEM及Landsat8遥感数据为基础，借助GIS平台，从地形地貌、地层岩性、植被及人类活动等4个方面分析其对滑坡发育的相关性，然后依据其相关性对巴谢河流域滑坡进行聚类分析，得出滑坡危险性分区，从而为流域滑坡防治、国土资源开发及工程建设等提供参考依据。

1　研究区概况

巴谢河流域位于甘肃省东乡县境内，地处陇中黄土高原西部第三系临夏盆地内，海拔高程约1 842～2 483 m，属黄土低山丘陵地带，区内梁峁与冲沟相间分布，水土流失较为严重，河谷主要由河漫滩及四级阶地组成，呈阶梯状展布构成了滑坡的临空面。流域内出露地层由老到新主要为新近系临夏组泥岩、第四系下中更新统冲积—湖积亚黏土及微胶结砾石层、上更新统马兰黄土和冲积亚黏土及砂砾、全新统洪积—冲积砂质黏土及砂砾。洪积—冲积砂质黏土及砂砾多分布于河漫滩及Ⅰ级阶地处，冲积亚黏土及砂砾构成Ⅲ级阶地堆积物，大多分布在中、下游地区。马兰黄土在全区广泛分布，披覆在老地层之上。冲积—湖积亚黏土及微胶结砾石层在区内零星分布，不整合于下伏泥岩之上。新近系泥岩构成研究区四级阶地及河漫滩的基座，多分布于上游地区。此外，还有部分面积很小的白垩系河口群砂、泥岩在流域出口处出露。流域气候类型属内陆半干旱气候，近30 a来平均年降雨量为540.6 mm，夏季降雨多，7—9月份占全年总降水量的58.5%，暴雨多出现在7月、8月份[9]。该区域地下水属河谷潜水，其运动规律大致是顺河谷方向，从上游向下游以泉水的形式进行排泄。

2　滑坡影响因素分析

地形地貌为滑坡提供能量与活动空间，地层岩性、新构造运动影响则制约滑坡的空间分布，地震、水文及人类活动是滑坡形成的重要触发因素。巴谢河流域内褶皱、断裂不发育，间歇性的上升运动促使巴谢河下切，河流侵蚀加强，斜坡临空面增大，破坏其原有平衡状态，致使滑坡易于形成。雨水易沿黄土垂直节理下渗，在下伏相对隔水的泥岩顶面形成饱水带，增加斜坡自重，软化黄土、泥岩，降低其抗剪强度，加速斜坡的失稳。气候的季节性变化引起地下水往斜坡深部运移富集，冻结滞水促使土体软化范围扩大及静、动水压力增大，导致斜坡发生变变形破坏，如1983年3月发生的洒勒山滑坡和1986年3月洒勒山滑坡局部再次发生滑动，皆是在解冻融化期发生[9]。针对流域内滑坡形成条件，从地形地貌、地层岩性、植被及人类活动4个方面本文对研究区所调查和解译的249处滑坡进行分析。

2.1　地形地貌

2.1.1高程高程因素是影响滑坡灾害发生的一个重要因素，该区域滑坡主要分布高程为2 000～2 200 m，共有滑坡184处，占滑坡总数的73.9%，滑坡面积6.19×106m2，占滑坡总面积的66.89%(图1A)。随着高程的增加，滑坡的数量与面积均表现出先增大后减小的趋势，其中在2 000～2 100 m和2 100～2 200 m内滑坡数量最多，各有84处和100处，分别占滑坡总数的33.73%，40.16%，滑坡面积分别为2.49×106m2，3.7×106m2，各占滑坡总面积的26.89%，40%。

2.1.2坡度坡度是黄土滑坡发育的一个重要内在因素，对研究区滑坡坡度进行统计(图1B)，滑坡多发生在15°～40°的斜坡上，共有滑坡188处，占滑坡总数的75.5%，滑坡面积6.50×106m2，占滑坡总面积的70.17%。随着斜坡坡度的增加，区内滑坡的数量与面积均表现出先增大后减小的趋势，其中在15°～20°和20°～25°内滑坡数量最多，各有47处和54处，分别占滑坡总数的18.88%，21.69%，滑坡面积分别为2.72×106m2，1.58×106m2，各占滑坡总面积的29.4%，17.1%。而在小于15°或大于40°的斜坡地段，滑坡发生较少。

2.1.3坡向坡向的不同，造成不同坡向气候条件的差异，并对植被、土壤、地貌、水文等产生影响，通过统计(图1C)可知，该流域阳坡滑坡数量与面积分别为138处、6.85×106m2，各占55.42%，74.01%。阴坡滑坡数量与面积为111处、2.41×106m2，各占44.58%，25.99%。坡向在135°～180°，270°～315°的阳坡地段与45°～90°，90°～135°的阴坡地段滑坡数量最多，各有82处和77处，分别占滑坡总数的32.93%，30.92%，滑坡面积分别为3.93×106m2，1.53×106m2，各占滑坡总面积的42.48%，16.51%。

2.1.4沟谷密度沟谷密度是地表破碎程度的重要表征参数，通过对该区域沟谷密度值的提取(图1D)，其结果表明大部分滑坡产生于1～2.5 km/km2的沟谷密度范围内，共有滑坡200处，占滑坡总数的80.32 %，滑坡面积5.80×106m2，占滑坡总面积的62.64%。沟谷密度在1.5～2 km/km2内滑坡数量最多，共95处，占38.15%，滑坡面积2.36×106m2，占25.5%。在沟谷密度小于0.5 km/km2的时候，滑坡数量较少，面积达到最大。

2.2　地层岩性

地层岩性是滑坡形成、演化的重要因素，为滑坡的发育提供物质基础[10]。本研究区域发生在马兰黄土(Q32 eol)中的滑坡数量与面积最多，分别为172处、4.37×106m2，各占69.08%，47.24%(图1E)。其次为新近系临夏组泥岩(N2l4+N2l3)，滑坡数量与面积分别为52处、2.85×106m2，各占20.88%，30.75%。

2.3　植被

植被指数(NDVI)可以表征植被覆盖程度，且NDVI愈大，植被覆盖度愈高[11]，根据Landsat8遥感数据，运用ArcGIS的栅格计算器工具提取NDVI，并分段对滑坡进行相关统计(图1F)。滑坡多发育在0.2～0.3的NDVI范围内，共171处，占滑坡总数的68.67 %，滑坡面积4.51×106m2，占滑坡总面积的48.67%。随NDVI值增加，植被覆盖度增大，滑坡数量与面积整体呈现出递减趋势。且NDVI在0.1～0.2范围内，植被覆盖度最低，滑坡面积最大。

2.4　人类工程活动

人类工程活动同样是诱发滑坡的重要因素，根据统计显示(图1G)，距离道路600 m内是滑坡发育密集区，共有滑坡188处，占滑坡总数的75.5 %，滑坡面积7.64×106m2，占滑坡总面积的82.5%。随着与道路距离的增加，滑坡的数量与面积均表现衰减性。

3　滑坡危险性分析

3.1　研究方法

本文分析了地形地貌因子、地层岩性、植被覆盖、人类工程活动等因子对流域内滑坡的影响程度。根据各个因子对滑坡的相关性，采用4级量化指标对7个评价因子进行统一分类(表1)，分别赋值为1，2，3，4，赋值越高，代表着与滑坡的相关性越强，反之亦然。根据滑坡危险性评价指标量化表，通过ArcGIS的空间分析能力，对各因子进行重分类，得到各因子分级图(图2)。

聚类分析是重要的数据挖掘方法，目的是寻找数据集中所包含的簇结构[12]。聚类分析是一种重要的无监督学习方法，已经成为各个领域广泛认可的数据分析工具。聚类分析的目的是寻找数据集中的“自然分组”，即所谓的“簇”。通俗地讲，簇是指相似元素的集合，聚类分析就是一个在数据集中寻找相似元素集合的无监督学习过程。当前，聚类分析的新方法层出不穷[13]，既有基于层次的聚类算法[14]也有基于划分[15]、图论[16]、密度和网格[17]的聚类算法。

本文采用ISO聚类算法对滑坡进行聚类分析，它是一种迭代过程，用于将各个候选像元指定给聚类时计算最小欧氏距离，从处理软件指定的任意平均值开始，每个聚类一个任意平均值。将每个像元指定给最接近的平均值(多维属性空间中的所有平均值)。基于首次迭代后从属于每个聚类的像元的属性距离，重新计算各个聚类的新平均值。重复执行此过程：将各个像元指定给多维属性空间中最接近的平均值，然后基于迭代中像元的成员资格计算各个聚类的新平均值，通过迭代次数指定该过程的迭代次数。

在ISO聚类确定了多维属性空间中像元自然分组特征的基础上，采用最大似然法判定研究区域的任意一个空间单元属于哪一个子类。该方法将各个像元指定给以特征文件表示的类时，会同时考虑类特征的方差和协方差。假设类样本呈正态分布，则可使用均值向量和协方差矩阵作为类的特征。如果给定了每个像元值的这两个特征，则可计算每个类的统计概率，以确定像元作为该类的成员资格。针对先验概率权重指定默认的EQUAL选项时，每个像元将被分配给它最有可能具有成员资格的类。

表1　滑坡危险性评价指标及其赋值

图1滑坡数量/面积与各因子关系直方图

3.2　危险性评价

基于ArcGIS的多元分析功能，采用聚类分析的方法对巴谢河流域的滑坡进行危险性评价(图3)。将该区域滑坡进行分类，分别是高危险区、中危险区、低危险区和极低危险区。然后结合滑坡灾害点的分布，对危险性分区的特征进行分析。分区结果显示：滑坡高危险区面积为129.8 km2，占总面积的30.9%，共分布滑坡灾害点188个，灾害点密度为1.45个/km2；滑坡中危险区面积为91.4 km2，占总面积的21.7%，共分布滑坡灾害点44个，灾害点密度为0.48个/km2；滑坡低危险区面积为127.4 km2，占总面积的30.3%，共分布滑坡灾害点15个，灾害点密度为0.12个/km2；滑坡极低危险区面积为71.8 km2，占总面积的17.1%，共分布滑坡灾害点2个，灾害点密度为0.03个/km2。根据评价结果可表明，巴谢河流域滑坡危险性较强，灾害点密度大，危险区域较为广泛，高危险区多处于沟谷地区，属于村民居住区域，人类工程活动频繁，应加以重视，采取相应的治理措施，以保护当地居民生命财产安全。

表2　滑坡危险性评价结果

图2因子分级

图3滑坡危险性分区

4　结 论

(1) 通过遥感解译与野外调查，分析巴谢河流域地形地貌、地层岩性、植被覆盖、人类工程活动等对滑坡的相关性，结果表明绝大部分滑坡集中在高程2 000～2 200 m、坡度15°～40°范围内。阳坡滑坡数量与面积均大于阴坡，滑坡沟谷密度1～2.5 km/km2的范围内集中明显，且随着切割深度、沟谷密度的增加，滑坡数量呈现出先增后减的趋势。黄土与泥岩是区内主要的易滑地层，在这两种地层中滑坡分布最广。NDVI在0.2～0.3和距离道路600 m的范围内容易发生滑坡，且随NDVI值、道路距离的增大，滑坡数量与面积均表现出衰减性。

(2) 基于各因子对巴谢河流域滑坡的相关性，对其进行聚类分析，将该区域滑坡进行分为4类：高危险区、中危险区、低危险区和极低危险区，所占研究区面积比例分别为30.9%，21.7%，30.3%，17.1%。评价结果表明：巴谢河流域滑坡危险性较强，灾害点密度大，高危险区域面积较为广泛，多处于沟谷地区。应加以重视和治理。

参考文献:

[1]吴玮江,王念秦.甘肃滑坡灾害[M].兰州:兰州大学出版社,2006.

[2]杜国梁,张永双,高金川,等.基于GIS的白龙江流域甘肃段滑坡易发性评价[J].地质力学学报,2016,22(1):1-11.

[3]郭富赟,孟兴民,陈冠,等.白龙江流域地貌演化及其对地质灾害的影响[J].人民长江,2016,47(7):37-43.

[4]苏琦,梁明剑,袁道阳,等.白龙江流域构造地貌特征及其对滑坡泥石流灾害的控制作用[J].地球科学,2016,41(10):1758-1770.

[5]王江红.陇中盆地滑坡的发育规律及其影响因子研究[D].兰州:兰州大学,2011:18-20.

[6]庄乐和.巴谢河流域发生滑坡的机制与防治措施[M]∥聂德新.工程地质科学新进展.成都科技大学出版社,1989.

[7]曹炳兰,陈剑平,王连俊.巴谢河流域滑坡分布特征及谷坡稳定性分析[J].水土保持通报,1990,10(1):44-52.

[8]方小敏,李吉均,朱俊杰,等.甘肃临夏盆地新生代地层绝对年代测定与划分[J].科学通报,1997,42(14):1457-1471.

[9]吴玮江.季节性冻融作用与斜坡整体变形破坏[J].中国地质灾害与防治学报,1996,7(4):59-64.

[10]Xu C, Dai F, Xu X, et al. GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed, China[J]. Geomorphology, 2012,145:70-80.

[11]He S, Pan P, Dai L, et al. Application of kernel-based Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta, Three Gorges, China[J]. Geomorphology, 2012,171:30-41.

[12]王骏,王士同,邓赵红.聚类分析研究中的若干问题[J].控制与决策,2012,27(3):321-328.

[13]Xu R. Survey of clustering algorithms[M]. New York： Ieee Press, 2005.

[14]孙吉贵,刘杰,赵连宇.聚类算法研究[J].软件学报,2008,19(1):48-61.

[15]Hathaway R J, Hu Y. Density-Weighted Fuzzy c-Means Clustering[M]. New York： Ieee Press, 2009.

[16]Lee C H, Zaïane O R, Park H H, et al. Clustering high dimensional data: A graph-based relaxed optimization approach[J]. Information Sciences An International Journal, 2008,178(23):4501-4511.

[17]Yujian L. A clustering algorithm based on maximalθ-distant subtrees[J]. Pattern Recognition, 2007,40(5):1425-1431.