A case study on the susceptibility assessment of debris flows disasters based on prototype network in Nujiang Prefecture, Yunnan Province
-
摘要: 针对基于泥石流因子评价方法中选取因子不一及训练样本少的问题，提出了一种基于原型网络的沟谷泥石流灾害易发性评价方法。首先，通过元学习方式组织训练数据，计算每一类沟谷的原型中心。其次，计算未知样本与每一类原型中心的距离，得到其从属类别的概率。最后，根据类别概率计算沟谷的泥石流易发性指数，得到泥石流易发性评价等级。运用模型对怒江州的沟谷进行评价，并与历史灾害数据进行比对，分类正确率达到67.39%，历史事件中泥石流灾害严重程度与模型的评价等级吻合度较好。相比传统实地勘测和因子评价等方法，文章方法能够通过遥感影像进行泥石流灾害区域的快速识别与评价，为泥石流灾害的预警预测研究带来新的思路。Abstract: In response to the issues of inconsistent factor selection and limited training samples in debris flow factor-based evaluation methods, this study proposed a prototypical network-based approach for assessing the susceptibility of valley debris flow disasters. The method involves organizing the training data through meta-learning and calculating the prototype center for each valley type, serving as a representative of that category. Subsequently, the distance between the features of unknown samples and the prototype center of each class is computed to determine the probability of their classification. Based on the category probabilities, the debris flow susceptibility index of the valley is calculated to obtain the evaluation grade for debris flow susceptibility. The model was applied to evaluate the valleys in Nujiang Prefecture, and its results were compared with historical disaster data, yielding a classification accuracy rate of 67.39%. The evaluation levels provided by the model align well with the severity of debris flow disasters in historical events. Compared to traditional methods such as field surveys and factor evaluation, the method proposed in this paper allows for the rapid identification and evaluation of debris flow disaster areas using remote sensing imagery, presenting new insights for research on early warning and prediction of debris flow disasters.
-
0. 引言
受全球变暖和夏季气温升高影响，多年冻土斜坡活动层融化导致大量水分汇集在冻融交界面，抗剪强度快速下降，活动层沿多年冻土层滑动[1]，诱发的浅层冻土滑坡广泛分布于加拿大北极地区[2-4]、美国阿拉斯加北部[5]和中国青藏高原[6]等不连续多年冻土地区，破坏生态环境、制约社会经济发展。因此，研究气温变化对浅层冻土滑坡的影响，对相应灾害的防治工作具有指导意义。
通过现场调查和野外勘察等手段，现有研究证实了浅层冻土滑坡与气温变化具有密切关联。通过现场调查，Huscroft等[2]认为全球变暖导致森林大火、快速融雪和强降雨等极端事件的概率增加，造成加拿大育空地区浅层冻土滑坡频发。Lewkowicz等[3]的现场调查数据表明1969年以来埃尔斯米尔岛气温呈升高趋势，最大地表加热指数和解冻天数显著增长，浅层冻土滑坡发生频率从每年3～6次上升到每年14次。结合气象观测资料，Lamoureux等[4]得出2007年7月梅尔维尔岛的极端高温导致活动层快速融化，一周内发生浅层冻土滑坡25次。通过野外勘察，Patton等[5]提出气温升高导致冻土融化，持续高温和干旱破坏地表植被、提高坡面蒸发率，导致阿拉斯加浅层冻土滑坡频发。以上研究得出：长时间尺度下全球变暖增加了极端天气事件发生率；短时间尺度下夏季气温升高导致冻土融化、浅层冻土滑坡频发。但是浅层冻土滑坡失稳是一个复杂的水热力耦合过程，气温变化对多年冻土斜坡水热力演化的影响机制不明，本文尝试在这方面模拟讨论。
本文通过地质灾害遥感解译总结分析了青海省浅层冻土滑坡发育分布规律和孕灾条件，针对青海省具有发生浅层冻土滑坡隐患的斜坡，基于有限元软件COMSOL Multiphysics建立多年冻土斜坡水热力耦合模型，考虑全球变暖因素模拟了2020—2024年气温变化条件下多年冻土斜坡水热力复杂演化的过程，从而揭示气温变化这一单一因素对浅层冻土滑坡失稳的影响。研究结果对认识浅层冻土滑坡失稳机制和该类地质灾害的防灾减灾提供了理论依据和科学指导。
1. 研究区概况
1.1 青海省浅层冻土滑坡分布特征
青海省内多年冻土区面积3.57×104 km2，占青海省总面积的50%，受气候变化和人类活动影响，当地多年冻土稳定性下降，浅层冻土滑坡灾害频发。基于多源遥感数据调查青海省多年冻土区浅层冻土滑坡灾害分布特征，共解译该类型灾害290处，祁连县、治多县和曲麻莱县为青海省浅层冻土滑坡发育的典型地区（图1），灾害发生时间集中在每年7—9月。通过遥感解译得到祁连县重点工作区浅层冻土滑坡分布如图2所示，该区域发育有54处浅层冻土滑坡，其中，遥感影像呈椭圆状的为滑动型浅层冻土滑坡，活动层呈整体向下滑动的趋势，运动距离较近；遥感影像呈长条状的为流动型浅层冻土滑坡，由于滑体含水率较高，表层土以泥流形式向下运移，运动距离较远。
![]()
图 1 青海省不同类型冻土区浅层冻土滑坡分布Figure 1. Distribution of active layer detachments in different types of permafrost regions in Qinghai Province基于实地调查和遥感目视解译结果统计了青海省浅层冻土滑坡灾害分布与多年冻土发育的关系如图1所示，根据年平均地温（MAGT）范围可将多年冻土稳定性分为5类[7]，结果表明： 97.24%的浅层冻土滑坡分布在不稳定多年冻土区（−0.5 °C≤MAGT<0.5 °C）、过渡型多年冻土区（−1.5 °C≤MAGT<−0.5 °C）和亚稳定多年冻土区（−3.0 °C≤MAGT<−1.5 °C），仅2.76%的浅层冻土滑坡分布在稳定型多年冻土区（−5.0 °C≤MAGT<−3.0 °C）和极稳定多年冻土区（MAGT<−5.0°C），由此推断，浅层冻土滑坡分布与多年冻土发育密切相关。
![]()
图 2 青海省祁连县重点工作区浅层冻土滑坡分布Figure 2. Distribution of active layer detachments in key working area of Qilian County, Qinghai Province1.2 青海省浅层冻土滑坡发育规律
1.2.1 气温上升
大量研究表明气候变化是诱发浅层冻土滑坡的主要外部因素[2-5]。近年来青海省最高线性增温趋势达0.09 °C/a，远超全球平均水平[6-8]，气温变化呈正弦函数形式，活动层不断经历冻融循环，土体自3—4月开始融化，8—9月融深达到最大，10—11月开始冻结[9]。青海省降水量季节分配不均，其中5—10月的降水量占全年总降水量的90%以上，7—8月降水量最大[10]。可以得出，研究区活动层融化、降水量增大与浅层冻土滑坡集中发育时间基本吻合，气候变化导致地温梯度改变，破坏冻土发育的连续性和均匀程度[11]，对多年冻土斜坡稳定性产生不利影响。
1.2.2 坡向和坡度
为进一步揭示研究区地质环境条件对浅层冻土滑坡发育的影响，对灾害发育斜坡进行了现场调查。统计结果显示，原始斜坡的坡向集中在270°～360°和0°～45°，坡度集中在5°～20 °。已有学者指出[12]，缓坡地带多年冻土埋藏位置更浅，地下冰含量更高，冻土受外部影响融化对斜坡稳定性产生严重威胁；坡表植被以高原草甸为主，覆盖率大多达到65%以上，灾害发育位置主要为斜坡坡体冲沟部位，分析认为，植被覆盖度高和汇水条件良好的斜坡表层水分充足，阴坡积雪覆盖率高，隔热作用显著，有利于多年冻土发育[13]；斜坡表层主要发育第四系坡积物（Qdl），活动层土体多为细粒土和泥炭，相关研究表明[14-15]，细粒冻土富含冰晶，冻融循环作用下强度不断损失，融化时有液化的可能，容易诱发浅层冻土滑坡。综上所述，地质环境条件是影响浅层冻土滑坡发育的内在因素，通过控制冻土发育对青海省多年冻土斜坡稳定性产生影响，大量力学性质不良的冻土融化是诱发浅层冻土滑坡的必要条件，浅层冻土滑坡往往发育在植被覆盖率高、活动层土颗粒较细和汇水条件良好的低缓阴坡上。
2. 水热力耦合数值模拟
2.1 水热力耦合计算原理
为简化土体冻融循环中的水热力演化过程，本文做如下假设：地温变化受热传导和冰水相变控制；水分迁移由基质吸力驱动，孔隙冰对水分迁移具有阻滞作用；水热过程单向影响土体应力应变；土体的破坏行为符合摩尔-库伦屈服准则。
冻土内水热作用互相影响，水分迁移改变土的热物理参数，土体温度变化影响水力学参数，水热耦合方程选取常用的Harlan模型[16]。变形场以平衡方程和连续性方程为基础，建立冻胀模型描述冻胀融沉对土体应力应变的影响[17]。
2.2 计算模型建立
青海省祁连县重点调查区某天然斜坡位于汇水面阴面，位置见图2，整体坡度约12°，表层土体为粉质黏土，植被覆盖率约70%，存在发生浅层冻土滑坡的隐患，因此以该斜坡为研究对象模拟2020—2024年气温变化条件下多年冻土斜坡水热力演化过程。
钻孔资料（图3）显示地表以下0～1.6 m为活动层，土质为粉质黏土；1.6～12.7 m为多年冻土层，土质为黏土，有大量肉眼可见冰晶；12.7 m以下为砂砾岩。根据现场调查和钻孔资料所得典型斜坡地质剖面如图4所示。
建立二维有限元模型，采用自由三角形网格进行划分，将活动层网格细化，见图5（a），布置2条测线和8个测点获取水热力时空分布计算结果，见图5（b）：斜坡中间剖面布置测线1-1′；斜坡表面布置测线2-2′；坡脚活动层不同深度布置测点A-E；与坡顶水平距离为50 m的地表布置测点F；坡顶地表布置测点G；测点F以下1.68 m处布置测点H。
2.3 计算参数及边界条件
根据相关研究给出的青海地区粉质黏土、黏土和砂砾岩的物理力学参数[18-19]以及钻孔取样进行土工试验的结果，数值模拟所需参数设置如表1所示，水和冰的相变潜热取334.5 kJ/kg，土体初始冻结温度取−0.5 °C，完全融化温度取0 °C，冻土的比热容和导热系数与土中未冻水含量的关系根据相关研究[20-21]进行设置，土骨架的比热容和导热系数分别取1.4×106 J/（m3·°C）和1.3 W/（m·°C）。
表 1 地层物理力学参数Table 1. Physical and mechanical parameters of formation参数 活动层 多年冻土层 基岩层 密度/（kg·m−3） 1800 2000 2500 弹性模量/MPa 40 30 5000 泊松比 0.25 0.3 0.15 渗透系数/（m·s−1） 1.2×10−6 8×10−10 0 黏聚力/kPa 12 35 — 内摩擦角/（°） 22 20 — 祁连当地年气温线性增长速率为0.037 °C/a[22]，根据附面层理论[16]得出模型，见图5（a），上表面温度边界条件表达式：
$$ T = 2 + \frac{{0.037t}}{{8\;760}} + 13\sin \left(\frac{{2\text{π} t}}{{8\;760}} + \frac{{17\text{π} }}{{12}}\right) $$ (1) 式中：t——时间/h。
左右两侧为绝热边界；下表面温度为3 °C，热通量为0.03 W/m2。水分场上表面为自由渗透边界；左右两侧和下表面均为零流量边界。变形场上表面为自由边界，左右两侧水平位移为0，下表面为固定边界。
2.4 模型有效性验证
图6 （a）为2020年10月地温的钻孔实测值和数值模拟计算值对比图，可以看出数值模拟所得地温与现场钻孔测温结果基本一致。2020年活动层从3月25日开始融化，至8月26日融深达到最大，整个融化过程持续约5个月，符合刘广岳等[9]的水热监测结果。图6 （b）为融深最大时刻（8月26日）斜坡融化程度云图，可知最大融深位于地表以下1.61 m，与图2所示多年冻土上限位置吻合。综上所述，该模型几乎准确地反演了气温变化条件下斜坡地温分布、融深达到最大的时刻和多年冻土上限位置，体现了模型的有效性。
3. 计算结果与分析
3.1 气温变化对水分场演化的影响
图7 （a）和图7 （b）分别为2020—2024年测点E和G的总体积含水率（含水率和含冰率的总和）变化曲线，对比可知测点E总体积含水率以0.16%/a的速度升高；测点G总体积含水率以0.16%/a的速度下降；根据总体积含水率变化趋势可以将水分迁移分为4个阶段：1月1日—3月15日土体处于冻结状态，孔隙冰的阻隔作用导致水分迁移现象不明显；3月15日—7月20日孔隙冰逐渐融化，土体渗透性提高，水分迁移速率增大；7月20日—10月20日，活动层土体融化程度较高，总体积含水率变化趋势最明显，这一阶段的水分迁移量占全年总迁移量的50%；随着气温降至负温，10月20日—12月31日土体再次冻结，水分迁移速率减小。
图7 （c）为2020—2024年8月2-2′测线上总体积含水率分布，可以得出坡顶总体积含水率逐年减小，坡脚总体积含水率逐年增大，经历4个冻融循环后坡脚土体总体积含水率比坡顶大7.4%，说明水分自坡顶向坡脚迁移；越靠近坡顶和坡脚，总体积含水率变化趋势越明显，由于水分自坡顶的补给和向坡脚的运移达到平衡，距坡顶55 m处土体总体积含水率不变。
图8 （a）和图8 （b）分别为2月1日含冰率分布云图和8月26日融深最大时刻含水率分布云图。由图8 （a）可知2月活动层土体内的水分主要以孔隙冰的形式存在，体积含冰率约16%，多年冻土上限以下体积含冰率呈先减小后增大再减小的趋势，其中活动层以下0～0.5 m范围内土体体积含水率达到28%左右。图8 （b）为8月26日含水率分布云图，可以得出此时活动层土体融化，体积含冰率约26%，且在活动层基底以下高含冰层有一定融化，出现厚度约15 cm、体积含水率达到40%的富水层。
3.2 气温变化对温度场的影响
图9为2020—2024年8月26日1-1'测线地温随深度的分布，融深最大时0 °C地温所在深度可视作多年冻土上限位置，由此得出2020年多年冻土上限位于地表以下161 cm，2024年多年冻土上限位于地表以下171.4 cm，下移10.4 cm，平均退化速率约2.6 cm/a；多年冻土上限下移量逐年增大，下移量的增幅逐年减小，说明气温升高对多年冻土退化的影响程度随深度的增加逐渐减弱。
![]()
图 9 2020—2024年8月26日1-1'测线地温随深度分布Figure 9. Depth distribution of ground temperature of 1-1'section on August 26 from 2020—2024图10 （a）和图10 （b）分别为2020—2024年8月26日测点H处地温和体积含水率，可以得出：2020—2024年测点H地温呈升高趋势，升高速率逐年降低，平均升高速率为0.017 °C/a；2020—2022年该处土体仍处于冻结状态，由于土体温度升高导致体积含水率增大3%；2023年多年冻土上限将退化至测点H以下，土体完全融化导致含水率突增，较2022年增大11%；2024年含水率相比2023年未发生明显变化，说明气温升高对含水率的影响随着土体完全融化而消失。
![]()
图 10 2020—2024年测点H地温和体积含水率Figure 10. Ground temperature and volumetric water content of monitoring point H on 2020—20243.3 气温变化对变形场的影响
图11 （a）和图11 （b）分别为2020—2024年坡脚不同深度5个测点的水平位移和竖直位移变化，可以得出：位移随深度的增加逐渐减小，冻胀融沉循环仅发生在活动层；以测点E为例，土体自10月20日起发生冻胀，1月15日冻胀量达到最大，水平冻胀位移为2.5 cm，竖直冻胀位移为8.0 cm；土体随着气温的回升开始融沉，6月26日融沉量最大，产生1.0 cm的水平融沉位移和6.0 cm的竖直融沉位移。图11 （c）为测点E冻胀融沉位移示意图，E-E1为冻胀变形路径，E1-E2为融沉回退路径，测点E处的土颗粒经历一次冻胀融沉后运动至E2处，产生1.5 cm的水平净位移和2.0 cm的垂直净位移，总位移2.5 cm，与Harris等[22]通过位移监测得出的1.6 cm/a的坡表变形量相近。
![]()
图 11 冻胀融沉位移变化规律Figure 11. Displacement variation of frost heaving and thaw settlement图12 （a）为2020—2024年测点E、F、G的塑性应变变化曲线，可以得出塑性应变在每年的冻胀融沉期间发展，4—10月坡表土体完全融化期间塑性应变不发生变化；塑性应变随时间不断增大，且坡脚E点塑性应变增大的速率最大，坡顶G点最小。图12（b）为2024年12月测线2-2’塑性应变曲线，可见塑性应变至坡顶至坡脚逐渐增大，对比图7 （c）可以得出塑性应变的分布与体积含水率的分布有关，5年间坡脚E点产生的塑性应变比坡顶G点大20.98%。
4. 讨论
计算结果显示，随着土体融化程度增大，水分自坡顶至坡脚迁移的现象愈发显著，根据总体积含水率的变化趋势将水分迁移过程分为四个阶段，其中5—10月水分迁移现象尤为显著，此时青海省处于雨季，降雨量占全年的80%以上[11]，雨水大量入渗导致融土迅速饱和，土体应力状态改变[23]、孔隙水压力增加，对斜坡稳定性产生威胁。
已有研究表明土体孔隙冰含量上升导致基质吸力和胶结力增大[24]，2月活动层土体含冰量达到18%，此时土体黏聚力较大，冻结期斜坡稳定良好；通过冰分离现象、大气水和融水下渗、冻结初期双向冻结[25]，多年冻土上限以下出现0.5 m厚高含冰量层，且含冰量有继续增大的可能[26]，8月26日融深达到最大，高含冰量层有一定的融化，产生约15 cm厚的富水层，细粒土排水能力较差，孔隙水压力难以消散[17]，发生浅层冻土滑坡的概率增大。
在当地气温以0.37 °C/a的速度升高的情况下，斜坡多年冻土处于升温退化状态，2020—2024年多年冻土上限将下移10.4 cm，活动层厚度不断增大，夏季上覆融化的土体提供更大的下滑力。随着最大融深的增大，活动层以下的高含冰层有进一步融化的可能，冻融交界面含水量大幅度升高，孔隙水压难以消散、抗剪强度大幅下降，水分聚集产生的润滑作用导致抗滑力下降[6]，活动层沿多年冻土层下滑的风险大大上升。
10月—次年4月活动层土体发生冻胀融沉，坡表土体产生2.5 cm/a的位移，由此产生的塑性应变不断增大，表明土颗粒间胶结作用随冻融循环次数的增加逐渐减弱，抗剪强度有损失至残余值的可能[23]，塑性应变从坡顶至坡脚逐渐增大，5a间坡脚产生的塑性应变比坡顶大20.98%，土体力学性质劣化显著，且坡脚处容易产生水分聚集，形成薄弱带，进而诱发牵引式浅层冻土滑坡。
5. 结论
基于地质灾害遥感解译总结了青海省浅层冻土滑坡分布特征和孕灾条件，采用数值模拟方法考虑当地气候变暖模拟了2020—2024年气温变化条件下多年冻土斜坡水热力演化，探讨了气温变化对浅层冻土滑坡失稳的影响，得出以下结论：
（1） 气温变化影响冻结程度，改变土体渗透性，从而控制水分迁移。根据总含水率变化趋势可将水分迁移分为四个阶段，当活动层融化后水分自坡顶至坡脚的迁移现象最显著。
（2） 气温变化影响活动层未冻水的含量，导致土体力学性质存在季节性差异，夏季活动层下的高含冰量层融化产生15 cm厚富水层，冻融交界面孔隙水压大幅上升，且气候变暖导致多年冻土上限以2.6 cm/a的速度下移，富水层厚度有继续增大的可能，诱发浅层冻土滑坡的风险增加。
（3） 气温周期性变化导致土体水分固液相态不断转换，冰水体积变化导致活动层经历冻胀融沉循环，斜坡表面每年产生数厘米膨胀变形和顺坡位移，表明土体抗剪强度逐渐损失，坡脚土体力学性质劣化程度最明显。
-
![]()
图 1 怒江州地理位置和地形分布情况
Figure 1. Geographical location and topographical distribution of Nujiang Prefecture
![]()
图 2 Google Earth遥感数据的提取与处理
Figure 2. Extraction and processing of Google Earth remote sensing data
![]()
图 3 基于原型网络的沟谷泥石流易发性评价流程
Figure 3. Chartflow of susceptibility assessment of debris flow based on prototype networks
![]()
图 5 怒江州泥石流易发性分区图
Figure 5. Susceptibility zoning map of debris flow in Nujiang Prefecture
![]()
图 6 怒江州泥石流易发性分区中沟谷高程差、沟长、面积、坡降比的分布情况
Figure 6. Distribution of the valley elevation difference, valley length, area, and slope ratio in the debris flow susceptibility zone in Nujiang prefecture
![]()
图 7 4条泥石流沟谷的地理位置、Google Earth遥感图像和泥石流堆积物情况
Figure 7. Geographical location, Google Earth remote sensing images and debris flow deposits in four debris flow valleys
表 1 Google Earth遥感和DEM数据信息
Table 1 Information on Google Earth remote sensing and DEM data
数据信息 Google Earth DEM 数据来源 Google Earth软件 地理空间数据云
http://www.gscloud.cn/home数据类型 遥感图像 数字高程模型 空间分辨率 2～15 m
按照DEM采样为30 mASTER GDEM V2
垂直精度20m，水平精度30m通道数 3 1 时相 泥石流沟谷/与发生时间后最近时间分辨率影像图像
负样本及评测沟谷/最新遥感图像2015年1月6日发布的ASTER GDEM V2版本 
下载: 导出CSV
表 2 多个特征提取器的分类性能
Table 2 Classification performance of multiple feature extractors
特征提取器 6分类/% 2分类/% VGG 55.43 59.78 GoogleNet 51.09 56.52 ShuffleNetV2 47.82 51.09 MobileNetV2 53.26 55.43 ResNet12 40.22 44.57 ResNet18 44.57 48.91 DenseNet 50.00 64.13 Rir 51.08 57.61 Conv4 58.70 67.39
下载: 导出CSV
表 3 6分类测试混淆矩阵
Table 3 Confusion matrix of six-classification
6分类混淆矩阵 预测值 0 1 2 3 4 5 真实值 0 9 2 0 2 1 0 1 0 10 1 0 2 6 2 0 2 12 0 0 3 3 2 2 0 9 0 0 4 0 8 0 0 5 2 5 0 0 4 0 1 9
下载: 导出CSV
表 4 正负2分类测试混淆矩阵
Table 4 Confusion matrix for positive and negative binary-classification test
2分类混淆矩阵 预测值 正样本 负样本 真实值 正样本 36 14 负样本 16 26
下载: 导出CSV
表 5 2分类和6分类指标表
Table 5 Binary-classification and six-classification indicator table
Accuracy/% Precision/% Recall/% F1 Score Kappa 67.39 69.23 72.00 0.71 0.50
下载: 导出CSV
表 6 4条泥石流沟谷原型网络计算的所属概率和易发性指数
Table 6 Probability and susceptibility index of four debris flow valleys with prototype networks
沟谷流域 编号 所属概率$ {S}_{i} $ 易发性指数$ {I}_{i} $ 0 1 2 3 4 5 普拉底乡东月谷 A 0.000 4 0.966 3 0.002 7 0 0.014 5 0.016 2 0.966 3 普拉底乡咪谷河 B 0.000 7 0.999 3 0 0 0 0 0.999 3 独龙江乡巴坡村沟谷 C 0.863 4 0.105 7 0.006 2 0.001 9 0.009 4 0.013 3 0.863 4 金顶镇七联村练登大沟 D 0.315 3 0.504 2 0.002 4 0.060 3 0.113 9 0.003 9 0.504 2
下载: 导出CSV
表 7 4条泥石流沟谷因子分析方法计算的所属概率和易发性指数
Table 7 Probability and susceptibility index of four debris flow valleys with factor analysis methods
沟谷流域 编号 所属概率$ {S}_{i} $ 易发性指数$ {I}_{i} $ 0 1 2 3 4 5 普拉底乡东月谷 A 0 0.08 0.79 0 0.01 0.12 0.79 普拉底乡咪谷河 B 0.53 0 0.04 0.41 0.02 0 0.53 独龙江乡巴坡村沟谷 C 0.31 0 0 0.69 0 0 −0.69 金顶镇七联村练登大沟 D 0.68 0.02 0.04 0.11 0.13 0.02 0.68
下载: 导出CSV
表 8 4条泥石流沟谷的地貌条件和物质条件因子分析
Table 8 Factors analysis of geomorphological and material conditions of four debris flow valleys
地貌条件和
物源条件泥石流沟谷 东月谷 咪谷河 巴坡村沟谷 练登大沟 主沟长度/km 16.52 14.70 2.45 10.30 面积/km2 45.90 47.22 1.10 16.26 高程差/m 2 854 2 548 1 244 1 386 坡降比 0.17 0.17 0.51 0.13 平均坡度/（°） 15.46 26.49 33.64 16.17 Melton指数 0.42 0.37 1.18 0.34 植被覆盖[35] 有林地41.66%
灌木林10.42%
疏林地31.25%
中覆盖度草地16.67%有林地55.55%
灌木林8.88%
疏林地15.52%
中覆盖度草地5.03%
低覆盖度草地15.02%有林地50.00%
灌木林50.00%疏林地47.06%
高覆盖度草地47.06%
其它建设用地5.88%土壤性质[36] 松软薄层土
简育高活性淋溶土松软薄层土
简育高活性淋溶土简育高活性强酸土
简育高活性淋溶土不饱和雏形土
简育高活性淋溶土地层岩性[36] 花岗岩、板岩、千枚岩、片岩 花岗岩、板岩、千枚岩、片岩 花岗岩、石灰岩和其他碳酸盐岩 板岩、千枚岩、杂砂岩、长石砂岩、砂岩
石灰岩和其他碳酸盐岩
下载: 导出CSV
-
[1] 唐邦兴,杜榕桓,康志成,等. 我国泥石流研究[J]. 地理学报,1980(3):259 − 264. [TANG Bangxing,DU Rongheng,KANG Zhicheng,et al. Study on debris flow in China[J]. Acta Geographica Sinica,1980(3):259 − 264. (in Chinese) TANG Bangxing, DU Rongheng, KANG Zhicheng, et al. Study on debris flow in China[J]. Acta Geographica Sinica, 1980（03）: 259-264. （in Chinese）
[2] 唐邦兴,柳素清,刘世建. 我国山地灾害的研究[J]. 山地研究,1984(1):1 − 7. [TANG Bangxing,LIU Suqing,LIU Shijian. Study on mount ain cal amities in CHINA[J]. Mountain Research,1984(1):1 − 7. (in Chinese with English abstract) TANG Bangxing, LIU Suqing, LIU Shijian. Study on mount ain cal amities in CHINA[J]. Mountain Research, 1984（01）: 1-7. （in Chinese with English abstract）
[3] 陈宁生, 杨成林, 李战鲁, 等. 汶川地震次生泥石流形成发展趋势与防治对策[C]//汶川大地震工程震害调查分析与研究, 2009: 315 − 321 CHEN Ningsheng, YANG Chenglin, LI Zhanlu, et al. Formation and development trend of debris flow induced by Wenchuan earthquake and countermeasures[C]//Analysis and Investigation on Seismic Damages of Projects Subjected to Wenchuan Earthquake, 2009: 315 − 321. （in Chinese）
[4] 陈宁生,谢万银,李战鲁. 中国西南山区的泥石流分区与预测[J]. 高原气象,2004(增刊 1):134 − 140. [CHEN Ningsheng,XIE Wangyin,LI Zhanlu. Division and prediction of debris flow in mountain area of south west China[J]. Plateau Meteorology,2004(Sup 1):134 − 140. (in Chinese with English abstract) CHEN Ningsheng, XIE Wangyin, LI Zhanlu. Division and prediction of debris flow in mountain area of south west China[J]. Plateau Meteorology, 2004（S1）: 134-140. （in Chinese with English abstract）
[5] 陈宁生,胡桂胜. 天山天池景区地质灾害防治与生态环境保护关键技术研究及应用[J]. 科技促进发展,2015(3):380 − 384. [CHEN Ningsheng,HU Guisheng. Research and application on Tianshan Tianchi scenic geological disaster prevention and environment protection key technology[J]. Science & Technology for Development,2015(3):380 − 384. (in Chinese with English abstract) CHEN Ningsheng, HU Guisheng. Research and application on Tianshan Tianchi scenic geological disaster prevention and environment protection key technology[J]. Science & Technology for Development, 2015（03）: 380-384. （in Chinese with English abstract）
[6] 崔鹏,陈晓清,程尊兰,等. 西藏泥石流滑坡监测与防治[J]. 自然杂志,2010,32(1):19 − 25. [CUI Peng,CHEN Xiaoqing,CHENG Zunlan,et al. Monitoring and prevention of debris-flows and landslides in Tibet[J]. Chinese Journal of Nature,2010,32(1):19 − 25. (in Chinese with English abstract) CUI Peng, CHEN Xiaoqing, CHENG Zunlan, et al. Monitoring and prevention of debris-flows and landslides in Tibet[J]. Chinese Journal of Nature, 2010, 32（01）: 19-25. （in Chinese with English abstract）
[7] 崔鹏,庄建琦,陈兴长,等. 汶川地震区震后泥石流活动特征与防治对策[J]. 四川大学学报(工程科学版),2010,42(5):10 − 19. [CUI Peng,ZHUANG Jianqi,CHEN Xingchang,et al. Characteristics and countermeasures of debris flow in Wenchuan area after the earthquake[J]. Advanced Engineering Sciences,2010,42(5):10 − 19. (in Chinese with English abstract) CUI Peng, ZHUANG Jianqi, CHEN Xingchang, et al. Characteristics and countermeasures of debris flow in Wenchuan area after the earthquake[J]. Advanced Engineering Sciences, 2010, 42（05）: 10-19. （in Chinese with English abstract）
[8] 崔鹏,杨坤,陈杰. 前期降雨对泥石流形成的贡献—以蒋家沟泥石流形成为例[J]. 中国水土保持科学,2003(1):11 − 15. [CUI Peng,YANG Kun,CHEN Jie. Relationship between occurrence of debris flow and antecedent precipitation:Taking the Jiangjia gully as an example[J]. Science of Soil and Water Conservation,2003(1):11 − 15. (in Chinese with English abstract) CUI Peng, YANG Kun, CHEN Jie. Relationship between occurrence of debris flow and antecedent precipitation: Taking the Jiangjia gully as an Example[J]. Science of Soil and Water Conservation, 2003（01）: 11-15. （in Chinese with English abstract）
[9] 李益敏,杨蕾,魏苏杭. 基于小流域单元的怒江州泥石流易发性评价[J]. 长江流域资源与环境,2019,28(10):2419 − 2428. [LI Yimin,YANG Lei,WEI Suhang. Susceptibility assessment of debris flow in Nujiang befecture based on the catchment[J]. Resources and Environment in The Yangtze Basin| Resour Environ Yangtze Basin,2019,28(10):2419 − 2428. (in Chinese with English abstract) LI Yimin, YANG Lei, WEI Suhang. Susceptibility assessment of debris flow in Nujiang befecture based on the catchment[J]. Resources and Environment in The Yangtze Basin| Resour Environ Yangtze Basin, 2019, 28（10）: 2419-2428. （in Chinese with English abstract）
[10] 孙滨,祝传兵,康晓波,等. 基于信息量模型的云南东川泥石流易发性评价[J]. 中国地质灾害与防治学报,2022,33(5):39 − 47. [SUN Bin,ZHU Chuanbing,KANG Xiaobo,et al. Susceptibility assessment of debris flows based on information model in Dongchuan,Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(5):39 − 47. (in Chinese with English abstract) SUN Bin, ZHU Chuanbing, KANG Xiaobo, et al. Susceptibility assessment of debris flows based on information model in Dongchuan, Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33（5）: 39-47. （in Chinese with English abstract）
[11] 赵岩. 基于机器学习的白龙江流域潜在低频泥石流沟识别[D]. 兰州: 兰州大学, 2020 ZHAO yan. Machine learning based identification of potential low-frequency debris flow catchments in the Bailong River basin[D]. Lanzhou: Lanzhou University, 2020. （in Chinese with English abstract）
[12] 刘坤香,王保云,徐繁树,等. 基于残差注意力机制的泥石流沟谷识别[J]. 中国地质灾害与防治学报,2022,33(6):134 − 141. [LIU Kunxiang,WANG Baoyun,XU Fanshu,et al. Debris flow gully recognition based on residual attention mechanism[J]. The Chinese Journal of Geological Hazard and Control,2022,33(6):134 − 141. (in Chinese with English abstract) LIU Kun-xiang, WANG Bao-yun, XU Fan-shu, et al. Debris flow gully recognition based on residual attention mechanism[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33（6）: 134-141. （in Chinese with English abstract）
[13] 杨小兵,王登贵. 基于多光谱影像和DEM的泥石流堆积扇识别研究—以白龙江流域武都段为例[J]. 测绘与空间地理信息,2016,39(4):118 − 121. [YANG Xiaobing,WANG Denggui. Debris flow fan recognition study based on multi-spectral image and DEM:Wudu segment of Bailong river basin as a case study[J]. Geomatics & Spatial Information Technology,2016,39(4):118 − 121. (in Chinese with English abstract) DOI: 10.3969/j.issn.1672-5867.2016.04.032 YANG Xiao-bing, WANG Deng-gui. Debris flow fan recognition study based on multi-spectral image and DEM: Wudu segment of Bailong river basin as a case study[J]. Geomatics & Spatial Information Technology, 2016, 39（4）: 118-121. （in Chinese with English abstract） DOI: 10.3969/j.issn.1672-5867.2016.04.032
[14] 茹颖. 基于标签传播与小样本学习的高光谱图像分类方法[D]. 西安: 西安电子科技大学, 2021 RU Ying. Hyperspectral image classification method based on label propagation and few shot learning[D]. Xi’an: Xidian University, 2021. （in Chinese with English abstract）
[15] 张萌月. 小样本光学遥感影像目标检测识别技术研究[D]. 北京: 中国电子科技集团公司电子科学研究院, 2021 ZHANG Mengyue. Research on few-shot detection and recognition in optical remote sensing image[D]. Beijing: China Academic of Electronics and Information Techn. , 2021. （in Chinese with English abstract）
[16] SNELL J, SWERSKY K, ZEMEL R. Prototypical networks for few-shot learning[J]. Advances in neural information processing systems,2017,30:1 − 11.
[17] HERSBACH H, BELL B, BERRISFORD P, et al. ERA5 monthly averaged data on single levels from 1979 to present[J]. Copernicus Climate Change Service (C3S) Climate Data Store (CDS),2019,10:252 − 266.
[18] 刘晓,郑家文,张照录,等. Google Earth在遥感地质教学中的应用[J]. 中国地质教育,2017,26(2):52 − 55. [LIU Xiao,ZHENG Jiawen,ZHANG Zhaolu,et al. Application of Google Earth software in remote sensing geology teaching[J]. Chinese Geological Education Chin Geol Edu,2017,26(2):52 − 55. (in Chinese with English abstract) LIU Xiao, ZHENG Jiawen, ZHANG Zhaolu, et al. Application of Google Earth software in remote sensing geology teaching[J]. Chinese Geological Education Chin Geol Edu, 2017, 26（02）: 52-55. （in Chinese with English abstract）
[19] 陈勤 主编, 云南减灾年鉴[M]. 昆明: 云南出版集团云南科技出版社, 2018 CHEN qin. Yunnan yearbook for disaster reduction[M]. Kunming: Yunnan Science and Technology Press. 2018. （in Chinese with English abstract）
[20] 姚振国,刘建周,牛贝贝,等. 流域面积对沟道泥石流发育的影响分析[J]. 资源环境与工程,2019,33(2):217 − 219. [YAO Zhenguo,LIU Jianzhou,NIU Beibei,et al. Influence of drainage area on development of debris flow in gully[J]. Resources Environment & Engineering,2019,33(2):217 − 219. Yao Zhenguo, Liu Jianzhou, Niu Beibei, et al. Influence of drainage area on development of debris flow in gully[J]. Resources Environment & EngineerinYAO Zhenguo, LIU Jianzhou, NIU Beibei, et alith English abstract）
[21] WANG Y, YAO Q, KWOK J T, et al. Generalizing from a few examples: A survey on few-shot learning[J]. ACM computing surveys (csur),2020,53(3):1 − 34.
[22] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014: 1-14.
[23] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1 − 9.
[24] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770 − 778.
[25] MA N, ZHANG X, ZHENG H T, et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 116 − 131.
[26] SANDLER M, HOWARD A, ZHU M, et al. Mobilenetv2: Inverted residuals and linear bottlenecks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 4510 − 4520.
[27] WERTHEIMER D, TANG L, HARIHARAN B. Few-shot classification with feature map reconstruction networks[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2021: 8012 − 8021.
[28] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4700 − 4708.
[29] TARG S, ALMEIDA D, LYMAN K. Resnet in Resnet: Generalizing Residual Architectures［J］. 2016: 1 − 7.
[30] MELTON M A. The geomorphic and paleoclimatic significance of alluvial deposits in southern Arizona[J]. Journal of Geology,1965,73(1):1 − 38. DOI: 10.1086/627044
[31] 邹翔,崔鹏,韦方强,等. 灰色关联度法在泥石流活动性评价中的应用[J]. 山地学报,2003(3):360 − 364. [ZOU Xiang,CUI Peng,WEI Fangqiang,et al. Application of grey-correiation method to activity evaluation of debris flow[J]. Mountain Research,2003(3):360 − 364. (in Chinese with English abstract) ZOU Xiang, CUI Peng, WEI Fangqiang, et al. Application of grey-correiation method to activity evaluation of debris flow[J]. Mountain Research, 2003（03）: 360-364. （in Chinese with English abstract）
[32] 张书豪,吴光,张乔,等. 基于子流域特征的泥石流易发性评价[J]. 水文地质工程地质,2018,45(2):142 − 149. [ZHANG Shuhao,WU Guang,ZHANG Qiao,et al. Debris-flow susceptibility assessment using the characteristic factors of a catchment[J]. Hydrogeology & Engineering Geology,2018,45(2):142 − 149. (in Chinese with English abstract) ZHANG Shuhao, WU Guang, ZHANG Qiao, et al. Debris-flow susceptibility assessment using the characteristic factors of a catchment[J]. Hydrogeology & Engineering Geology, 2018, 45（02）: 142-149. （in Chinese with English abstract）
[33] 蒋德明,李益敏,鲍华姝. 泸水县滑坡孕灾环境因素敏感性研究[J]. 自然灾害学报,2016,25(4):109 − 119. [JIANG Deming,LI Yimin,BAO Huashu. Study on sensitivity in disaster-pregnant environmental factors of landslide in Lushui County[J]. Journal of Natural Disasters,2016,25(4):109 − 119. (in Chinese with English abstract) JIANG Deming, LI Yimin, BAO Huashu. Study on sensitivity in disaster-pregnant environmental factors of landslide in Lushui County[J]. Journal of Natural Disasters J Nat Disaster, 2016, 25（04）: 109-119. （in Chinese with English abstract）
[34] 唐川,马国超. 基于地貌单元的小区域地质灾害易发性分区方法研究[J]. 地理科学,2015,35(1):91 − 98. [TANG Chuan,MA Guochao. Small regional geohazards susceptibility mapping based on geomorphic unit[J]. Scientia Geographica Sinica,2015,35(1):91 − 98. (in Chinese with English abstract) TANG Chuan, MA Guochao. Small regional geohazards susceptibility mapping based on geomorphic unit[J]. Scientia Geographica Sinica, 2015, 35（01）: 91-98. （in Chinese with English abstract）
[35] 徐新良,刘纪远,张树文, 等,吴世新.中国多时期土地利用遥感监测数据集[EB/OL]. https://www.resdc.cn/DOI/DOI.aspx?DOIid=54 XU Xinliang, LIU Jiyuan, ZHANG Shuwen, et al. Remote sensing data set of multi-period land use monitoring in China[EB/OL]. https://www.resdc.cn/DOI/DOI.aspx?DOIid=54
[36] DIJKSHOORN K, VAN ENGELEN V, HUTING J. Soil and landform properties for LADA partner countries[J]. ISRIC report,2008,6:1 − 28.
[37] 唐川. 云南怒江流域泥石流敏感性空间分析[J]. 地理研究,2005(2):178 − 185. [TANG Chuan. Susceptibility spatial analysis of debris flows in the Nujiang River basin of Yunnan[J]. Geographical Research,2005(2):178 − 185. (in Chinese with English abstract) TANG Chuan. Susceptibility spatial analysis of debris flows in the Nujiang River basin of Yunnan[J]. Geographical Research, 2005（02）: 178-185. （in Chinese with English abstract）
[38] 王欢,陈廷方,丁明涛. 泥石流对岩性的敏感性分析及其在危险性评价中的应用[J]. 长江流域资源与环境,2012,21(3):385 − 390. [WANG Huan,CHEN Tingfang,DING Mingtao. Sensitivity analysis to lithology and a pplication in risk assessment of debris flow[J]. Resources and Environment in The Yangtze Basin,2012,21(3):385 − 390. (in Chinese with English abstract) WANG Huan, CHEN Tingfang, DING Mingtao. Sensitivity analysis to lithology and a pplication in risk assessment of debris flow[J]. Resources and Environment in The Yangtze basin Resour Environ Yangtze Basin, 2012, 21（03）: 385-390. （in Chinese with English abstract）
[39] 张桥. 泥石流流域岩性坚硬系数与暴发频率的关系分析—以云南滇北地区泥石流为例[J]. 低碳世界,2016(27):107 − 108. [ZHANG Qiao. Analysis on the relationship between lithological hardness coefficient and outbreak frequency in debris flow watershed:A case study of debris flow in Yunnan and northern Yunnan[J]. Low-Carbon World,2016(27):107 − 108. (in Chinese) ZHANG Qiao. Analysis on the relationship between lithological hardness coefficient and outbreak frequency in debris flow watershed: A case study of debris flow in Yunnan and northern Yunnan[J]. Low-Carbon World, 2016（27）: 107-108. （in Chinese）
[40] 王猛,王宁,王军,等. 不同岩性区泥石流堆积物颗粒组成特征—以新疆塔什库尔干河中上游为例[J]. 四川地质学报,2018,38(4):680 − 684. [WANG Meng,WANG Ning,WANG Jun,et al. On particle composition characteristics of debris flow deposits in different lithologic regions:By the example of middle and upper reaches of the Taxkorgan River[J]. Acta Geologica Sichuan,2018,38(4):680 − 684. (in Chinese with English abstract) DOI: 10.3969/j.issn.1006-0995.2018.04.032 WANG Meng, WANG Ning, WANG Jun, et al. On Particle Composition Characteristics of Debris Flow Deposits in Different Lithologic Regions ——By the Example of Middle and Upper Reaches of the Taxkorgan River[J]. Acta Geologica Sichuan, 2018, 38（04）: 680-684. （in Chinese with English abstract） DOI: 10.3969/j.issn.1006-0995.2018.04.032
[41] 李松阳,林静远,潘佳虹,等. 泥石流频发区不同土地利用类型土壤粒径分布多重分形特征[J]. 应用与环境生物学报,2021,27(4):893 − 900. [LI Songyang,LIN Jingyuan,PAN Jiahong,et al. Multifractal characteristics of soil particle-size distribution under different land-use types in an area with high frequency debris flow[J]. Chinese Journal of Applied and Environmental Biology,2021,27(4):893 − 900. (in Chinese with English abstract) LI Songyang, LIN Jingyuan, PAN Jiahong, et al. Multifractal characteristics of soil particle-size distribution under different land-use types in an area with high frequency debris flow[J]. Chinese Journal of Applied and Environmental Biology, 2021, 27（04）: 893-900. （in Chinese with English abstract）
[42] 李松阳, 刘康妮, 余杭, 等. 云南省蒋家沟不同植被类型土壤物理性质对水分入渗特征的影响[J]. 山地学报, 2021, 39（6）: 867 − 878 LI Songyang, LIU Kangni, YU Hang, et al. The influence of soil physical properties on the infiltration of soil covered by different vegetation types in the Jiangjia gully Yunnan Province, China[J], Mountain Research, 2021, 39（6）: 867 − 878. （in Chinese with English abstract）
[43] 李鸿雁,原若溪,王小军,等. 吉林省泥石流易发区的降雨特征分析[J]. 自然资源学报,2016,31(7):1222 − 1230. [LI Hongyan,YUAN Ruoxi,WANG Xiaojun,et al. Rainfall characteristics in debris flow prone areas of Jilin Province[J]. Journal of Natural Resources,2016,31(7):1222 − 1230. (in Chinese with English abstract) LI Hongyan, YUAN Ruoxi, WANG Xiaojun, et al. Rainfall characteristics in debris flow prone areas of Jilin Province[J]. Journal of Natural Resources, 2016, 31（07）: 1222-1230. （in Chinese with English abstract）
[44] 周振华. 泥石流中的超孔隙水压力及其形成机理[D]. 昆明: 昆明理工大学, 2018 ZHOU Zhenhua. Excess pore pressure and its formation mechanism in debris flow[D]. Kunming: Kunming University of Science and Technology, 2018. （in Chinese with English abstract）
-
期刊类型引用(2)
1. 何夏裕，刘蕾，王勇智. 米林比定沟泥石流运动参数特征及危险性评价. 农业灾害研究. 2024(03): 295-297 . 
百度学术
2. 康晓波，杨迎冬，王宇，祝传兵，黄成，张杰，周翠琼，柴金龙，张文鋆. 云南省地质灾害综合防治体系建设系列专项研究进展. 中国地质灾害与防治学报. 2023(06): 146-157 . 本站查看
其他类型引用(4)
计量
- 文章访问数: 1207
- HTML全文浏览量: 1062
- PDF下载量: 200
- 被引次数: 6
邮件订阅
RSS