藏东南帕隆藏布流域雪崩关键影响因素与易发性区划研究*

文 洪 王 栋 王生仁 杜世回 向世谊 凌斯祥 巫锡勇

(①西南交通大学地球科学与环境工程学院， 成都 611756， 中国)

(②宜宾学院智能制造学部， 宜宾 644000， 中国)

(③中铁第一勘察设计院集团有限公司， 西安 710043， 中国)

0 引 言

雪崩是斜坡上大量积雪在重力驱动下倾泻而下形成的一种自然现象，是在中、高纬度多雪山区广泛分布的自然现象和物质运动形式，具有突发性、群发性、可重复性等特点(Schweizer et al.，2003; Haeberli et al.，2014)，与泥石流、岩崩、滑坡等山地灾害一样，都属于重力过程(Bründl et al.，2010; 崔鹏等， 2018)。雪崩常常引起各式各样的直接灾害，还会引发岩崩、滑坡、泥石流等次生灾害，造成堰塞堵江、冰湖溃决等，形成灾害链(Podolskiy et al.，2014; Techel et al.，2016)，对周围的自然环境和人类社会产生不同程度的影响。当前全球气候正经历着以变暖为主要特征的显著变化(Harvey， 2018)，本世纪末青藏高原气温会激增4℃(Wang et al.，2021)。持续的气候变暖一方面导致极端降水事件频率增加、强度增大，另一方面加剧了冰雪消融速率而促使雪崩灾害风险显著增大(Nadim et al.，2006; Keiler et al.，2010; 崔鹏等， 2014)。现今，川藏铁路交通廊道将穿越多冰川、富积雪的帕隆藏布流域，其隧道进出口、辅助坑道洞口及相关施工便道、施工场地等是否会受到雪崩灾害威胁、如何规避雪崩灾害等是工程建设者与相关研究人员十分关心的重大课题。因此构建一套有效易行、科学合理的雪崩易发性区划评价体系，是应对和规避雪崩灾害风险增加的必然需求，对布局在青藏高原等多雪山区的川藏铁路以及规划中的滇藏铁路、川藏高速公路等重大工程建设具有重要的指导意义。

欧洲学者在18世纪就开始对阿尔卑斯山地区雪崩灾害进行了研究，如：瑞士等多雪国家根据雪崩冲击力和复发周期制定雪崩危险区划与制图准则(Meister， 1995)，在此基础上，依据雪崩灾害风险等级进行山区土地利用规划管理。其中：复发间隔在300年的红色区域为最危险的等级，其法律规定不允许作为开发地区； 在中度危险区，可以建造房屋，但必须加固以承受高达3t·m-2的冲击压力(Gruber et al.，2001)。这种雪崩区划标准已广泛应用于俄罗斯、加拿大、美国等多雪崩灾害的国家(Council， 1990; Jamieson et al.，2002; Seliverstov et al.，2008)。国内学者王彦龙(1992)按照地貌形态和气候特征原则进行了全国尺度的雪崩风险区划； 胡汝骥等(1995)根据地形切割密度、地形切割深度、山坡状况、横断面形态、多年平均最大雪深等指标对天山区域进行了雪崩危险性区划； 此外，还有部分学者以积雪单元或斜坡单元尺度对雪崩危险度进行了评价研究(周石硚等， 2003; 陈楚江等， 2009)。当前，主成分分析法(PCA)、信息量模型(I)、确定性系数模型(CF)等定量化方法已经在地学其他领域得到大量应用( 许冲等， 2010; 许英姿等， 2016; Zhang et al.，2018; 杨光等， 2019; 胡卸文等， 2020； 杨晨晨等， 2020; 张玘恺等， 2020)，为雪崩易发性区划提供了可资借鉴的方法。毫无疑问，根据当地的雪崩重现周期、规模和损害状况等统计数据和实地分布状况来确立的雪崩危险区划与制图准则依赖于长时间尺度的现场观测数据积累，显然无法应用于藏东南这类人烟稀少、资料短缺的艰难复杂山区。

本文从雪崩发生机制或形成条件出发，基于遥感解译和野外调查识别的381个崩至林线以下的沟槽型雪崩样本，通过采用主成分分析法(PCA)对雪崩影响因素进行分析，提取藏东南帕隆藏布流域内雪崩的关键影响因素，并基于PCA获取各影响因素的权重，结合信息量法和确定性系数法，综合以PCA-Ⅰ和PCA-CF法获得帕隆藏布流域内雪崩灾害的易发性区划，并对其易发性区划结果进行对比分析，探索构建一套能采用遥感、GIS软件等手段进行定量化赋值，并且适用于艰难复杂山区，有效易行、科学合理的雪崩易发性区划评价体系，为研究区内的川藏铁路等重大工程建设的防灾减灾提供理论依据和实践依据。

1 研究区概况

1.1 自然地理环境概况

帕隆藏布发源于八宿县然乌湖南侧的阿扎贡拉冰川，源头海拔约4900m，呈东南—西北走向，到通麦附近有易贡藏布汇入，继而转向南流，于觉东(林芝市巴宜区排龙乡)汇入雅鲁藏布江。本次研究范围选取帕隆藏布源头至通麦段，该段干流长约251km，落差约2800m。

帕隆藏布位于喜马拉雅山东构造结东部(图1)，受印度板块的推覆作用而导致山体隆升，加上河流不断下切，形成山高坡陡、河谷深切的地貌格局，近东西走向的山岭地势上呈北高南低，山岭海拔多在5000m以上，其相对海拔高差可达2000～3000m，为雪崩发育提供了有利的地形条件。帕隆藏布属于雅鲁藏布江的一级支流，而印度暖湿气流沿着雅鲁藏布江溯流而上至南迦巴瓦构造结处进入帕隆藏布流域，由于受到伯舒拉岭的阻拦，使流域内年降水日数达150～200d，现代海洋性冰川发育。流域内降水充沛，特别是冬春两季的固态降水为雪崩发育提供了充沛的物质条件。帕隆藏布流域内独特的气候与环境孕育了丰富的生物物种和多样的生态系统。区域内植被类型复杂多样，具有镶嵌性，同时又具有一定规律性，植被垂直分带规律明显。区内山地林木、灌丛能有效减弱风雪流，并对雪崩的形成和运动有阻滑效应。

图1 研究区地质条件背景图

1.2 雪崩编目数据库

针对雪崩的季节性以及雪崩堆积体仅有较短暂的时空窗口期等特殊性，笔者特别重视在雪季或雪崩频发时段、以及雪崩发生后第一时间的现场调查，以直观有效地判别雪崩运动范围、地形地貌、破坏特征及堆积体特征等。其中：雪崩雪堆积体是区别于崩塌、滑坡等其他地质灾害的明显标志，此外还有雪崩作用形成的匍匐树等植被特征、雪崩携带碎屑堆积形成的雪崩丘、雪崩垄等地貌特征。自2018年以来，先后7次到帕隆藏布流域开展详细的野外调查。调查时间所处月份分别有11月、12月、1月、3月、4月，基本涵盖冬半年的每1个月，且进行了2次夏季对比调查和雪崩作用遗迹调查。通过野外调查和遥感解译，共收集到381处崩至林线以下的沟槽型雪崩，详细记录了雪崩流域形态，雪崩路径高差、长度、流向、平均坡度，以及雪崩形成区面积、平均海拔、平均坡度等特征参数和堆积体特征、破坏特征，建立研究样本数据库。其中：实地调查雪崩275处，遥感解译雪崩106处； 帕隆藏布干流206处，曲宗藏布支流84处，波堆藏布支流91处(图2)。在流域内还有大量活动在永久性积雪区域的雪崩，但是其活动范围未越过林线、难以威胁到人类生产生活，未纳入本次研究范围。在后文的影响雪崩灾害的关键影响因素分析及易发性区划中，仅是针对崩落至林线以下的沟槽型雪崩。

图2 研究区雪崩分布图

2 雪崩关键影响因素分析

雪崩的形成是一个十分复杂的过程，其影响因素很多，包括积雪厚度、含水率、密度、雪晶大小与形状、雪层结构、硬度、雪温与温度梯度、坡度、植被类型与覆盖率、风速、风向、降雪、海拔、相对高差、坡度、坡向等(Schweizer et al.，2003)。这些影响雪崩发育的各类因素相互作用又相互依赖，共同组成了一个独特的雪崩孕灾环境。在这些影响因素之中，究竟哪些是主要影响因素，哪些为次要影响因素，对于雪崩灾害的易发性区划、雪崩危险度评价以及预测预报等都有十分重要的意义。

2.1 影响因素与数据来源

从总体上来说，上述雪崩影响因素可分为气候气象、地形地貌和积雪特性3大类。积雪属于物质条件，地形赋予雪崩发育的能量条件，气候提供了降雪的同时，气温突变、阴晴变化也构成了雪崩的激发条件。除去雪晶大小与形状等时序变化较大并且无法进行量化制图的积雪特性因素，选取以下可采用遥感、GIS等技术手段进行定量化提取的因素：雪崩形成区的平均海拔、坡度、坡向、地面粗糙度、地面曲率、地形起伏度、地表切割深度、高程变异系数、平均年降雪量、平均年降雪日数、一月平均温度、日最大风速、年平均大风天数、年最大积雪厚度、水系(距河流距离)、断层(距断层距离)、植被覆盖指数(NDVI)和地表覆盖类型共18个影响因子进行分析。其中：海拔、坡度、坡向、地面粗糙度、地面曲率、地形起伏度、地表切割深度、高程变异系数均通过12.5m分辨率的ALOS DSM，借助于GIS平台提取； 平均年降雪量、平均年降雪日数、一月平均温度、日最大风速、年平均大风天数、年最大积雪厚度采用帕隆藏布流域及周边各站点近30年的气象数据统计，进行克里格插值获得(其中平均年降雪量、平均年降雪日数、一月平均温度、年最大积雪厚度考虑了高程进行空间插值获得)； 水系(距河流距离)依据全国地理信息资源目录服务系统的1︰25万公开版基础地理数据； 断层依据1︰20万区域地质图矢量化； 植被覆盖指数(NDVI)的提取主要在ENVI软件中完成，通过下载Landsat8卫星影像数据，进行辐射定标和大气校正后进行波段计算得出NDVI； 地表覆盖类型根据全国地理信息资源目录服务系统的30m全球地表覆盖数据分类赋值。

2.2 分析模型及实现方法

主成分分析(Principal Component Analysis， PCA)，是一种统计方法。主成分分析(PCA)是利用降维的思想，在损失很少信息的前提下把多个指标转化为多个综合指标的多元统计方法(Jolliffe et al.，2016)。转化生成的综合指标称之为主成分。其原理及实现步骤如下。

步骤1：标准化。

将原始数据标准化，以使每个变量均对分析产生同等作用。从数学上讲，这可以通过减去平均值并除以每个变量每个值的标准差来实现。

(1)

步骤2：协方差矩阵计算。

协方差矩阵是一个n×n对称矩阵(其中n是维数)，具有与所有可能的初始变量对相关的协方差作为输入。例如，对于具有n个变量的n维数据集，协方差矩阵是一个n×n的矩阵，其源于：

(2)

通过协方差矩阵可以判定变量之间的相关性。如果协方差为正，则：两个变量一起增加或减少(相关)； 反之，则：一个增加而另一个减少(逆相关)。协方差矩阵汇总了所有可能的变量对之间的相关性。

步骤3：计算协方差矩阵的特征向量和特征值，以识别主要成分。

特征向量和特征值是需要从协方差矩阵计算出的线性代数概念，以确定数据样本的主要成分。主成分是初始变量构造的线性组合或混合的新变量。主成分分析法尝试在第1个成分中放置最大可能的信息，然后在第2个成分中放置最大的剩余信息，依此类推。

2.3 分析结果

根据前述主成分分析法的原理，借助于SPSS统计分析软件，对前述18个定量化提取因子的数据进行降维、标准化处理后进行相关性分析，建立相关系数矩阵，求出主成分特征值、贡献率、成分矩阵等。其中：相关系数矩阵中大部分相关系数大于0.3，说明大部分变量之间直接的相关性比较强； KMO(Kaiser Meyer Olkin)检验系数为0.696(≈0.70)，Bartlett检验对应P值为0.000，小于0.05，说明样本符合数据结构合理的要求，具有相关关系，这些原始变量均适用于主成分分析。总方差解释表如表1所示，成分矩阵如表2所示，特征值陡坡图如图3所示，主成分图如图4所示。

表1 总方差解释表

表2 因素荷载

图3 陡坡图

图4 主成分模式盒图

2.4 讨 论

在主成分分析结果的解读方面，国内外学者都进行了大量研究和实例应用。综合本样本分析的特征值(表1)、特征值累计百分比(表1)、陡坡图(图3)分析，前5个主成分特征值均大于1，其特征值累计百分比接近80%，陡坡图中第5主成分之后的数据趋于平缓，因此我们认为可以提取前5个主成分。依据因素荷载表(表2)，综合考虑横行和纵列，归纳如下。

第1主成分中起主要控制作用的变量是：年平均降雪量、年平均降雪日数、一月平均气温、冬季最大风速、年最大积雪厚度，其主成分荷载均大于0.9。依据这5个变量将第1主成分归纳为气候气象主成分。

第2主成分中起主要控制作用的变量是：平均坡度、地面粗糙度、地形起伏度、地表切割度、高程变异系数，其主成分荷载均大于0.7。依据这5个变量将第2主成分归纳为宏观地形主成分。

第3主成分中起主要控制作用的变量是：平均海拔。第4主成分中起主要控制作用的变量是：坡向、地表曲率。将这2个主成分归纳为微观地形主成分。

第5主成分中起主要控制作用的变量是：断层。其主成分荷载为负值，从理论上讲，其对雪崩发育起到的作用为抑制作用。此外，起抑制作用的有水系、植被覆盖指数、地表覆盖类型。将其归纳为抑制作用主成分。

各变量在5个主成分中的主成分荷载绝对值均小于0.5的是：年平均大风天数，由此可见，雪崩发育对该变量敏感性较低。

如表1所示，第1主成分，即气候气象主成分，解释了30.61%的数据变异； 第2主成分，即地形地貌主成分解释了21.23%的数据变异； 第3、4、5主成分解释了共计20.26%的数据变异。这些数据定量化表达了帕隆藏布流域内雪崩活动各影响因素对雪崩活动的影响控制程度。

其中：气候气象主成分为雪崩的发生提供了必要的物质条件。雪崩产生的先决条件之一就是降雪的产生，而降雪与气候因素有很大的关系。年平均降雪量、年平均降雪日数、年最大积雪厚度直观地表征了雪崩形成的物质条件——积雪多少的差异； 当冬季气温较低，积雪具备较好的冷储条件下，多次降雪可以得到累积，形成更厚的积雪，因而，一月平均气温所表征的冷储条件有利于雪崩发育的物质条件，即积雪的积累； 在山区，风的作用会显著影响雪的分布，使得局部区域积雪富积，比如在山脊形成雪檐，易于产生雪崩。

宏观地形主成分所表达的空间分异为雪崩的发育提供了能量条件。雪崩是在重力驱使下积雪层的下滑力大于雪体内部的摩擦力、积雪层内雪粒间黏聚力等阻力时发生的现象。平均坡度的大小表征了积雪层内重力提供的下滑力的大小； 地面粗糙度、地形起伏度、地表切割度、高程变异系数都是宏观地形因子，表征了地表形态起伏的基本格局、地貌形态的复杂程度，其本质上是较大地表区域内高程信息的变异及组合特征，而高程差异恰好是赋予雪崩发育所需能量的具体体现。

微观地形主成分中，海拔度量了山地所处的高度，气温、降雪、植被分布等因子都随海拔高程的变化而变化，雪崩的发生具有较明显的海拔效应； 坡向是决定地表局部地面接受太阳辐射的地形因子，并且关系到山坡和携带水汽的主要气团路径和盛行风向之间的相对位置，进一步影响到斜坡降水多寡、积雪分布等； 地表曲率是对地形表面一点扭曲变化程度的定量化度量因子，雪坡上的凸起，凹陷都是雪崩的触发点。

抑制作用主成分中的植被覆盖指数和地表覆盖类型主要表现在树木对雪崩发生存在一定的抑制作用，因为茂盛的植被能够截留积雪，阻止雪崩积雪薄弱层的形成，树林就像一个个锚点阻止雪层滑动； 水系因子表达的是雪崩形成区范围距河流的距离，其值越大，表示雪崩形成区范围距河流越远。雪崩形成区一般发育在斜坡山脊附近，通常是斜坡面距河流最远的位置，因而在定量关系上表达出相反的抑制作用； 断层因子定量化表达了雪崩形成区距断层的距离。断层常常构成一定地区的构造格架，同时控制和影响当地的水系展布格局、地震活动等。地震活动对于雪崩发育主要表现为激发作用。在断层对帕隆藏布流域雪崩发育的影响上表现为抑制作用，其具体表现可能与断层控制水系展布等相关。

3 雪崩易发性区划

本文从381个雪崩范围中随机选择80%的样本点作为训练样本来建模，该80%的雪崩样本(计305个)总面积为344.43km2。结合前述提取的4个方面的主成分共计18个评价指标因子，采用信息量模型、确定性系数模型两种方法结合主成分分析法提取的权重，进行易发性区划； 剩余20%的样本点作为检验样本，采用ROC曲线来检验，并通过地质定性分析来讨论易发性区划结果和准确性。

3.1 权重确定

由于信息量模型和确定性系数模型无法提供各评价因子的权重，当某方面的因子较多，比如地形地貌方面的评价因子采用太多后，其结果必然会倚重或偏向该方面的因子空间分异规律。在提取主成分时，提取了能解释75%方差波动的前5个主成分，这5个主成分组内差异小而组间差异大，起到了消除共线性的作用。在此采用主成分分析法提取的各影响因子对数据变异的解释比例来确定权重。

根据表1的前5项主成分各项方差百分比，以及表2的荷载绝对值进行矩阵乘法运算，再进行归一化处理，得到各影响因子的权重，分别为：海拔0.022，坡度0.070，坡向0.009，地面粗糙度0.073，地面曲率0.029，地形起伏度0.071，地表切割深度0.055，高程变异系数0.054，平均年降雪量0.096，平均年降雪日数0.096，一月平均温度0.090，日最大风速0.095，年平均大风天数0.015，年最大积雪厚度0.095，水系0.085，断层0.005，植被覆盖指数0.020，地表覆盖类型0.022。

3.2 加权信息量模型

3.2.1 基本原理

信息量模型(Information Value， I)是一种基于信息论的统计预测方法，根据雪崩活动的影响因子推算出信息值来评价雪崩活动的易发性，即用信息量的大小来评价影响因子与雪崩活动的关系密切程度。信息量用条件概率计算(赵鹏大， 2004)：

(3)

式中：IAj→B为影响因子A在j状态下提供雪崩事件B发生的信息量；P(Aj|B)为影响因子A在j状态下雪崩事件B发生的概率；P(Aj)为研究区中影响因子A出现在j状态的概率；Nj为影响因子A在j状态内的雪崩面积；N为整个研究区内雪崩的总面积；Sj为研究区内影响因子A在j状态的单元数；S为研究区内单位总数。

信息量总值I作为影响雪崩易发性的综合指标，其信息量总值I越大，则说明雪崩越容易发生，反之则说明雪崩相对不易发生。

3.2.2 易发性评价结果

图5 雪崩易发性区划指数图

3.3 加权确定性系数模型

3.3.1 基本原理

确定性系数模型(Certainty Factor， CF)是一种概率函数方法，基本假设条件为：雪崩活动的易发程度可依据以前发生的雪崩与确定为影响因子的数据集之间的统计关系来确定，其计算公式为(Mandal et al.，2019)：

(4)

式中：CF为雪崩活动发生的确定性系数；PPa为雪崩活动在评价因子分类a中发生的条件概率，研究中可用评价因子分类a中的雪崩活动面积与评价因子分类a面积的比值表示；PPs表示雪崩活动在整个研究区中发生的先验概率，研究中可用整个研究区的全部雪崩活动总面积与研究区总面积的比值表示。在研究区确定的情况下，PPs通常是一个定值。

3.3.2 易发性评价结果

3.4 易发性区划结果讨论

为了检验雪崩易发性区划结果的准确性，采用广泛应用于地质灾害易发性评价精度验证的ROC(Receiver Operating Characteristic Curve)曲线来检验雪崩易发性评价的精度。为了能明确表示评价效果，通常采用ROC曲线下的面积AUC值代表来衡量模型预测的准确程度，其值在0～1之间，数值越大，代表预测准确率越高，而当该值≤0.5表示无预测价值(Mandrekar et al.，2010)。因此，本文基于前述随机挑选出来的占比20%的76个检验样本，再通过GIS创建随机点来生成等量的随机样本，共计152个样本数据，提取信息量模型和确定性系数模型的指数作为检验变量，将验证样本赋值“1”和随机样本赋值“0”作为状态变量，进行ROC曲线分析，得到结果如图6所示。其中：加权信息量模型区划指数ROC曲线的AUC值为0.767，加权确定性系数模型的AUC值为0.913。结果表明，就帕隆藏布流域内雪崩易发性评价而言，基于主成分分析法的加权信息量模型(PCA-I)和加权确定性系数模型(PCA-CF)都具有预测价值，但是，加权确定性系数模型的结果准确度远高于加权信息量模型。

图6 ROC曲线

图7展示了基于主成分分析和确定性系数模型的雪崩易发性分区图。该图采取自然间断法划分为极高易发区、高易发区、中易发区、低易发区和极低易发区。其中：极高易发区占总面积约18.7%，高易发区占22.2%，中易发区占22.7%，低易发区占21.6%，极低易发区占14.8%。图中指明的雪崩极高易发和高易发区域主要位于帕隆藏布上游(然乌至玉普)窄谷段、中下游(玉普至通麦)两岸山岭的山脊部位和各支流窄谷段。

图7 基于PCA-CF的雪崩易发性分区图

在窄谷区段，地势陡峻，斜坡上部冬半年被积雪覆盖，坡度较陡，植被覆盖相对较差，斜坡坡长相对较短，雪崩能运动到坡麓，甚至越过河流到对岸的318国道上。帕隆藏布然乌至玉普段，从然乌湖开始进入帕隆藏布上游峡谷区段该河段，岭谷高差悬殊，两岸山岭平均海拔较高，约4500～5000m，部分山岭常年积雪，植被覆盖少，且河谷呈东西走向，左岸阴坡积雪区域在冬季受日辐射时间短，谷底最窄处约25～30m左右宽，在冬季昼夜都没有太阳直接照射。在每年2～4月份春融季节，随着气温的回升，特别是大量的印度洋水汽入侵，出现年内降水第1高峰，降落大量湿雪，河谷两岸均有大量雪崩发生。川藏公路沿帕隆藏布干流展布，经过然乌至玉普的窄谷段，在2019年3月调查到的6处越河堵路(G318国道)的雪崩就发生在该区段； 川藏铁路主要经过支流曲宗藏布多吉乡北侧的窄谷段和波堆藏布倾多镇东侧的窄谷段等区域， 2020年4月调查到的24处造成堵河的雪崩也发生在这些区域内。图2中两张照片中的雪崩就是位于窄谷区段的造成堵河(堵路)的雪崩。

帕隆藏布中下游段(玉普至通麦段)，河谷相对较宽，斜坡上部被冰雪覆盖，下部植被覆盖率较高，能直接运动到坡麓的雪崩较少，一般堆积在斜坡下部树林中或者是沟槽内。该段雪崩主要分布在垭口高山区段以及各支流的上游区域。特别是波密至通麦段河谷进一步变宽，地势较低，气温较高，植被茂密，雪崩一般发育在山岭的山脊附近，运动到斜坡中部的森林或沟槽中，造成灾害比较轻微。

4 结 论

(1)帕隆藏布流域雪崩活动的主要影响因素可归纳为气候气象主成分、宏观地形主成分、微观地形主成分和抑制作用主成分，其中：第1主成分，即气候气象主成分，解释了30.61%的数据变异； 第2主成分，即地形地貌主成分解释了21.23%的数据变异； 第3、4、5主成分解释了共计20.26%的数据变异。这些数据定量化表达了帕隆藏布流域内雪崩活动各影响因子对雪崩活动的影响控制程度。

(2)借助于GIS，通过重分类、栅格计算等功能得到基于主成分分析法与信息量模型的雪崩易发性指数分布图，易发性区划指数在[-2.41，1.365]区间内； 基于主成分分析法与确定性系数模型的雪崩易发性指数分布图，易发性区划指数在[-0.549，0.424]区间内。通过ROC曲线检验，并且对比区划指数图发现，加权信息量模型(PCA-I)在帕隆藏布下游通麦段河谷呈现明显的异常区，相对而言，加权确定性系数模型(PCA-CF)更合理，更适用于帕隆藏布流域的雪崩易发性评价。

(3)PCA-CF模型雪崩易发性指数采取自然间断法得到的分区图中，极高易发区占总面积约18.7%，高易发区占22.2%，中易发区占22.7%，低易发区占21.6%，极低易发区占14.8%。雪崩高易发区域主要位于帕隆藏布上游(然乌至玉普)窄谷段、中下游(玉普至通麦)两岸山岭的山脊部位和各支流窄谷段。