衢州市溪口镇地质灾害致灾因素分析及易发性评价

赵国梁， 姜纪沂， 李巨宝， 苏占东， 袁浩巍， 杨毅梦

(1. 防灾科技学院生态环境学院， 河北 三河 065201； 2. 中国冶金地质总局浙江地质勘查院， 浙江 衢州 324000； 3. 河北地质大学水资源与环境学院， 河北 石家庄 050031)

0 引言

地质灾害对人民群众生命及财产的威胁日益严重，我国正开展全国性自然灾害风险调查及重点隐患排查工程。针对地质灾害，全国各区正开展高精度普查，浙江省率先部署了 1︰2000 乡镇地质灾害风险普查。地质灾害致灾因素分析及易发性评价是自然灾害普查的关键一环。当前阶段，地质灾害风险评估定性-定量化工作中，还存在着许多问题。其中，如何高精度地对致灾因素进行调查分析，以及确定怎样的定性-定量的易发性评价实用性技术为首要解决的问题[1-3]。

目前，国内地质灾害评价领域对于资料质量和精度分析较少，按照精度等级大体可分为：初级工作精度、中级工作精度以及高级工作精度。3种工作精度评价过程中使用的资料来源于室内收集，但在野外调查及评价方法上有明显区别。初级工作精度没有进行相应比例尺的野外调查，着重关注已编录入库的地质灾害点，评价方法采用简单模型的定性分析为主； 中级工作精度野外调查采用简测或草测，调查点密度较小，评价方法多以层次分析、专家打分体系进行定性分析； 高级工作精度按照比例尺进行地质灾害调查，人类活动频繁的重点调查区调查密度较大，人烟稀少的一般调查区调查密度较小，并配合相应的工程勘查、岩土取样分析，滑坡仿真模拟等，评价方法多以定性分析为主、定量分析为辅进行综合评价。

采用 1︰20万和 1︰5万比例尺对国内地市(区)级和县(市)级初级及中级精度调查较多，评价方法主要依赖于领域专家人为赋值权重的线性定量化评价。谭海英等[4]曾分析贵州庆余县地质灾害的影响因素，并开展了易发性分区； 朱涯等[5]在强降水等工况下，对云南省地质灾害致灾因素进行了综合分析研究； 刘飞等[6]基于BP神经网络对吉林永吉进行地质灾害易发性评价。其中，朱莉等[7]采用灰色—Elman方法建立致灾因素与地质灾害发生概率间的数学模型。纵观这个领域的相关研究，致灾因素的精细化研究较少，如何完成非线性地质灾害易发性评价过程中定性-定量化问题还需要深入研究。

针对重点城镇、专门场地及大型构筑物的地质灾害调查工作中，比例尺种类较为详细，通常采用大于1︰5000的比例尺进行调查分析。本文以浙江省衢州市溪口镇 1︰2000 地质灾害风险普查为例，通过野外调查对孕灾环境因素及诱发因素等致灾因素逐项进行精准分析，在采用线性综合指数评价方法的基础上，应用非线性的BP神经网络进行地质灾害易发性评价。

1 研究区概况

溪口镇位于浙江西部地区，处于仙霞岭北坡金衢盆地南缘低山丘陵地貌区，总体地形由南向北呈阶梯状降低。东南部主峰银坑坞至刀石岭高程843.90m，北部官家村灵山江河谷高程90m，山体呈北东和北北东向延伸。

溪口镇属于亚热带季风型气候区，四季分明，温暖湿润。地势起伏较大，海拔高度75.8～844.9m，四面环山，中部为河谷平原，总体呈南东高中部低的特点。地质灾害类型主要为滑坡、崩塌、泥石流和地面塌陷。降雨量在时间和空间上分配不均匀，短时间强降水情况下极易引起地质灾害。

2 地质灾害致灾因素分析

致灾因素的单发和群发会导致地质灾害的发生，大体可分为两类：(1)孕灾环境因素是引起地质灾害发生的直接影响因素，例如地形地貌、构造条件、岩土条件、人类工程活动等孕灾环境中长期作用的主要因素。孕灾环境因素的致灾因素按照调查精细化程度可分为宏观地貌因素及微地貌因素。区域的宏观地貌特征影响着地质灾害的分布特征，而局部的微地貌特征又控制和影响着灾害体的变形破坏模式。(2)诱发因素包括强降水及地震等突发因素，因其发生时间较短且难以准确预测，具有一定的不确定性。致灾因素来源见表 1。

表 1 致灾因素汇总Tab.1 Summary of disaster-causing factors

2.1 孕灾环境因素

2.1.1 宏观地貌因素

(1)地形地貌

地形地貌是形成地质灾害的重要因素，不同地貌类型控制着地质灾害发生的类型、数量和规模，本研究主要从坡度、坡向、坡形和高程4个方面，研究地形地貌与地质灾害发育规律的关系。

坡度：地质灾害的形成与地形坡度有着一定的关系，溪口镇地质灾害的坡度分布范围主要为25°～35°，其次为35°～45°(图 1)。该区间坡度的斜坡覆盖层厚度相对较大，松散物分布较为广泛，坡度产生的应力重分布作用影响较大，易发生地质灾害。

图 1 溪口镇坡度图Fig.1 The slope map of Xikou town

坡向：由于斜坡朝向不同，山坡小气候和水热等条件有着规律性的差异，水热条件的差异会导致斜坡土体含水量、风化程度等要素的不同，对地质灾害有一定影响。研究区坡向分布见图2。

图 2 溪口镇坡向图Fig.2 The slope direction map of Xikou town

坡形：斜坡体的坡面形态影响破体内的应力状态、岩土体分布及水文地质条件，进而影响坡体的稳定状态。区内斜坡坡形主要为凸形、凹型、直线型三类。潜在地质灾害点按坡形分布见表2。

表 2 地质灾害点按坡形分布Tab.2 Distribution of geological disaster sites by slope shape

高程：高程反映了区域内地表高地，地质灾害的发生与高程值密切相关。斜坡单元中最高点与最低点高程的差值调查也作为自然风险灾害普查的一项重要内容。研究区高程值分布见图3。

图 3 溪口镇高程图Fig.3 The elevation map of Xikou town

(2)构造条件

与断裂构造的距离是地质灾害发生的重要影响因素，通常与构造距离近的区域受构造活动影响较大，较远的区域受影响较小。研究区与断裂构造距离分布见图 4。

图 4 溪口镇与其周边构造的距离分布图Fig.4 Distribution of distances from Xikou Town to tectonic structures in its surrounding area

2.1.2 微地貌因素

(1)岩土条件

地层岩性、岩土体工程地质条件是影响斜坡变形的主要因素。地层岩性是地质灾害形成的物质基础，地质灾害活动与岩土类型、性质、结构具有特别密切关系[8]。

岩土类别：软弱地层，在构造作用以及其他外力作用下，容易形成土状或泥状的软弱夹层，成为潜在的滑动面或滑动带，具备产生滑动的基本条件。在软弱地层中，由于抗风化能力弱，易形成大量松散物质； 硬质岩体则相反。研究区岩土类别分区见图 5。

图 5 溪口镇岩土类别图Fig.5 Rock and soil category map of Xikou Town

覆盖层厚度：松散堆积物厚度过大，易在强降水条件下发生地表径流，雨水裹挟泥土滑落，导致地质灾害发生。

斜坡结构：按照岩土类别可划分为土质斜坡、岩质斜坡及岩土复合斜坡。根据岩层倾向与坡向的夹角划分斜坡结构，又可细分为顺向坡、横向坡、斜向破和逆向坡4类。其中顺向坡按夹角大小可细化为近水平层状结构、飘倾坡、层面坡和伏倾坡。研究根据夹角大小进行精细化分类，确定斜坡结构。

(2)人类工程活动

溪口镇村民切坡建房及城乡建设、道路交通建设日益频繁，大量工程活动破坏了斜坡的平衡状态，容易引发地质灾害。人类工程活动中以人为切坡建房最为常见。其中，人类密集居住区人工修建房屋时的切坡，是微地貌中致灾因素的调查重点，因此将切坡高度也纳入致灾因素的范畴。

切坡高度： 溪口镇山平地较少，村庄分布零散。乡村居民房屋、城镇住宅小区、厂房大多依山而建； 依山建房人工切坡、开挖山体坡脚现象十分普遍，大部分人工边坡防护措施不到位，易造成房前屋后边坡发生滑坡崩塌等地质灾害，因此切坡高度为区域地质灾害普查中的重要因素。

2.2 诱发因素

(1)降水

研究区的降水在时间与空间上分布不均，因研究区仅为一个乡镇，调查面积相对较小，故侧重于表现时间上的不均一性。每年3～9月降水占全年的76.3%，其中6月最多； 10月至次年2月占23.7%； 空间分布上由镇域向外递减。研究区的月均降雨量见图 6。

图 6 2011—2021溪口镇年月均降雨量Fig.6 Monthly average rainfall inXikou town from 2011 to 2021

(2)地震

根据《浙江历史地震年表》[9]可发现，龙游县境内发生过两次小于3.0级地震，周边县(市)最大地震为1526年2月26日建德梅城的4.0级地震。另有一次水库诱发地震，为1979年10月7日乌西江水库蓄水诱发的3.4级地震。县境内地震具有震级小、频率低的特点，相关的地震目录见表 3。

表 3 龙游县境内及周边县(市)地震目录Tab.3 Earthquake catalog in Longyou County and its surrounding counties(cities)

通过对县境内新构造运动分析及地震记载，根据《中国地震动参数区划图》[10]，研究地区地震动峰值加速度大部分小于0.05g，对应地震基本烈度Ⅵ度，区域地壳稳定性好，受地震影响较小。

3 地质灾害易发性评价

3.1 研究区精细化调查背景

溪口镇行政区域面积为112.85km2，本次地质灾害易发性评价单元以设计阶段通过遥感解译划分的斜坡单元为基础，在后期野外调查中对斜坡单元优化调整，划分了1358个斜坡单元，其中重点斜坡单元578个、一般斜坡单元780个。溪口镇1：2000自然灾害风险普查采用遥感解译、实地调查相结合的方式，对孕灾环境中的宏观地貌及微地貌做到了逐一调查。

地质灾害风险评价重点评价地质灾害综合危险性及后果，根据评价参考的因素不同可分为易发性、易损性、危险性、风险评估等评价方法。其中地质灾害易发性主要针对孕灾环境因素进行评价分析，地质灾害危险性主要针对孕灾环境因素及诱发因素进行评价。孕灾环境因素及诱发因素均为研究的重点致灾因素，本文侧重于通过孕灾环境因素对研究区进行地质灾害易发性评价，对降水及地震等诱发因素作简要分析。

按照《浙江省乡镇(街道)地质灾害风险评价技术要求》[11]，对642个孕灾环境调查点的9项致灾因素进行系统性调查。查明的地质灾害及隐患点共47处，其中包括滑坡37处(包括滑坡隐患点5处)、崩塌6处(包括崩塌隐患点3处)、泥石流隐患点2处、地面塌陷2处； 根据前期工程勘查及野外调查，孕灾环境调查点根据综合指数法计算的易发性大小进行分类：稳定调查点(极低易发)457个、较稳定调查点(低易发)130个、稳定性中等(中易发)调查点11个、稳定性较差(高易发)调查点27个、不稳定(极高易发)调查点17个。

3.2 评价方法

本文采用综合指数法与BP神经网络相结合的方法，对研究区地质灾害易发性开展评价，综合指数法是一种线性评价方法，主要根据领域内专家经验及相关技术要求，人为赋值致灾因素权重进行线性加乘计算，结合当地实际分析地质灾害易发性。但是，地质灾害易发性评价是一种系统的非线性评价体系，BP神经网络可在多样本条件下，建立起两个系统间的非线性映射，且具有独特优势，可弥补综合指数法线性评价的不足。

3.2.1 综合指数法

综合指数法为线性评价方法，对研究区采取综合指数法开展地质灾害易发性分析，其数学模型如下：

(1)

式中，Yi为第i个斜坡单元易发性综合指数；Fij为第i个斜坡单元第j类指标权重；Sij为第i个斜坡单元第j类指标赋值；n为致灾因素数。孕灾环境因素中9类致灾因素划分标准及所占权重均依据规范进行。根据技术要求，斜坡单元的地质灾害易发程度评价指标体系及量化分值见表4。

表 4 地质灾害易发程度评价指标体系及量化分值Tab.4 Geological disaster susceptibility evaluation index system and its quantitative scores

3.2.2 BP神经网络

综合指数法主要是通过确立各个致灾因素的权重及计算区域易发性，开展定量-定性的分析，确定各个斜坡单元易发性指数。通过人工赋值权重的线性映射方法难以准确拟合非线性地质灾害易发性问题，BP神经网络可以拟合各致灾因素与地质灾害易发性之间的非线性映射，重新分配致灾因素的参数及阈值，再将重新分配的各项参数进行叠加计算，完成定性-定量的精细划分，提升拟合效果。

BP神经网络是一种多层感知器模型，可建立孕灾环境因素的致灾因素与地质灾害易发性综合指数这两个系统间的非线性映射关系，通过最快速度下降法修正各个致灾因素权重，降低模型误差。因此在区域地质灾害易发性评价中，BP神经网络模型是对综合指数法的有效补充。BP神经网络拓扑结构见图 7。

图 7 BP神经网络拓扑结构Fig.7 BP neural network topology

首先运用综合指数法对致灾因素进行线性计算，再采用BP神经网络进行非线性优化处理。致灾因素与地质灾害易发性指数这两个系统间的映射关系，主要是根据神经网络的误差、梯度、迭代次数、学习速率、泛化能力等指标表征的。

通过Matlab R2016a平台，将溪口镇642个孕灾环境调查点的9项因素作为输入层，将642个样本数按照7︰3的比例，分别设置训练集(450)和测试集(192)，最大迭代次数为300步，神经网络的目标误差为0.1，经过多次拟合调试，确定第一层隐含层节点数为10个，第二层隐含层网络节点为5个，通过最快速度下降法对训练集进行拟合训练，训练过程见图 8。随着迭代次数的增加，致灾因子参数与地质灾害易发性指数间的非线性映射误差逐渐减少，神经网络经过158次迭代实际误差为0.099￣￣812，已达到理想的效果。

图 8 BP神经网络训练图Fig.8 BP neural network training diagram

网络训练过程中梯度、泛化能力及学习速率等具体指标见图 9。致灾因素参数与地质灾害易发性指数间的非线性映射计算过程梯度在逐渐下降、学习能力在逐步增强，泛化能力未出现问题。网络收敛性能好，且没有陷入局部最小。

图 9 BP 神经网络训练状况图Fig.9 BP neural network training status diagram

3.3 易发性评价结果分析

研究区共调查642个孕灾环境点，将斜坡单元中各点的9项因素数据通过综合指数法进行易发性线性计算，完成地质灾害从定量到定性的评价。再根据BP神经网络建立两系统间非线性映射，完成从定性到定量的分析，优化各致灾因素的权重赋值，再根据各孕灾环境调查点致灾因素的最新权重进行易发性评价，最终得到本区的地质灾害易发性分区见图 10。

图 10 溪口镇地质灾害易发性模拟结果Fig.10 Simulation results of the geological disaster susceptibility in Xikou Town

由图 10可见，地质灾害易发性指数较高的区域主要分布于溪口镇的南部以及中东部，而中部、西北部受地质灾害影响相对较小。结合当地实际，分析发现南部溪口村等区域，人口密度大，矿业及竹制品加工产业较为丰富。矿山开采且回填不及时引起的地面塌陷、地面不均匀沉降现象较为常见。该区域河流较为密集，坡脚受河流冲刷作用明显，易引起地质灾害。

中东部地区沟壑纵横，地形复杂且该区域受构造影响较大。以枫林村为例，居民生活在山区内，高差较大，整体距构造距离较近，构造作用比较明显，地质灾害现象较为常见。

中部地区建筑用地较多，人口活动密集。该区域工程防护措施较为完善，临街山体多已采取锚固处理。其中地质灾害核销点居民均已采取异地搬迁、工程治理等举措。对于扁石村轻微滑坡居民点附近设立降雨监测预警装置，强降水工况下可以及时提醒居民转移撤离。

西北部地区地势较为平坦，地面起伏较小。石角村大部分切坡建房距离山体较远，受地质灾害影响较小，工业制造业在该区域分布较少，未见大型工程活动，地质灾害较少。

最终拟合结果与溪口镇2013年地质灾害调查评价结果基本一致，分区结果与实际调查情况相符，说明采用综合指数法和BP神经网络对研究区进行地质灾害易发性预测效果较好。

4 结论

(1)结合当地实际，最终确定衢州市溪口镇的孕灾环境因素的致灾因素为坡向、坡形、坡度、高程、斜坡结构、覆盖层厚度、与构造距离、岩土类别及切坡高度9项，诱发因素为降水和地震。通过 1︰2000 比例尺进行野外调查，对各项致灾因素进行详细分析。同时在地质灾害易发性分区时通过各区域经济、人口、人类工程活动等因素分析其现状成因。

(2)地质灾害易发性评价作为一种非线性的评价体系，仅采用综合指数法进行线性分析并不能准确解决评价问题，只能完成地质灾害定量-定性分析； BP神经网络作为一种非线性映射方法，可以重新优化各个致灾因素的参数及阈值，通过最快速度下降法降低模型误差，并根据优化后的权重等参数，完成致灾因素与地质灾害易发性指数两系统间定性-定量化评价。采用综合指数法和BP神经网络结合的方法，拟合的结果与野外调查情况及历年评价结果较为吻合。

(3)通过 1︰2000 比例尺风险普查，可对致灾因素进行更为精细的研究。在多样本条件下，线性综合指数法和非线性的BP神经网络优势互补，优化致灾因素和地质灾害易发性指数两系统间的非线性映射体系，模型可根据不同研究区的技术要求进行适用性修改，具有一定可推广性。

(4)因研究区面积较小，仍有许多致灾因素不能展开研究。不同区域的致灾因子也是不同的，且地形的复杂程度对模型精度也有一定影响。