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
甘肃永靖黑方台地处干旱少雨的西北黄土高原地区,原本是旱塬,降水稀少。1968年,刘家峡水库修建导致库区大量移民搬迁至黑方台,并开始引水灌溉,至1984年开始报道该地区由于灌溉引发滑坡100余起[1]。截至2021年9月,该区域已发生滑坡154次,造成38人死亡,100余人受伤,450户群众、1所中学、2所小学和1处加油站被迫搬迁,近2.0×106 m2耕地弃耕,33×104 m2农田被毁,并多次埋没通往盐锅峡化工厂和盐锅峡电厂的公路,滑坡造成直接经济损失超过4亿元。许多学者对黑方台滑坡特征进行了大量的研究,吴玮江等[2]研究认为黑方台滑坡类型包括黄土滑坡、黄土-泥岩滑坡两种类型,并指出黄土滑坡具有高速远程和继发性强的特点,黄土-泥岩顺层滑坡具有低速近程和复活性的特点。许领等[3]对黑方台滑坡进行了系统的分类,划分为黄土泥流,黄土滑动,黄土-泥岩接触面滑坡,黄土-泥岩顺层滑坡和黄土-泥岩切层滑坡。武彩霞等[4]通过试验研究指出,黄土泥流滑坡呈流态化运移特征,滑距可达300 m以上,是黑方台危害最为严重的一类滑坡。近年来,随着国家对地质灾害防治的重视,对黑方台滑坡研究成果层出不穷[5-10],推动了黑方台滑坡的综合研究和治理工作。
2015年4月29日07时55分—11时15分,甘肃省永靖县盐锅峡镇党川村罗家坡段发生滑坡(图1),造成生辉碳化硅厂、碳素化工厂、广利铸造厂厂房、设备被压埋;盐锅峡—中庄乡道阻断;盐锅峡镇110 kV输电塔、输电线路破坏,供电中断;盐锅峡、西河镇人饮供水管道破坏,两镇近7000人的供水受影响,直接经济损失5600万元,形成特大滑坡灾害,引起了社会的广泛关注。
滑坡演化特征揭示了滑坡从孕育、发展、致灾直至消亡的全过程,是滑坡灾害预防、预测、预报和有效防治的理论基础,但由于滑坡自身的复杂性,其形成多因素性及诱发因素多样性,而使得滑坡发生具不确定性,因此成为国内外工程地质界研究的热点[11]。罗家坡滑坡发生后,吴玮江等[12]、许强等[13]对该滑坡进行了调查研究,认为滑坡滑动总体分为两阶段,均为黄土高速远程滑坡。忽略了第一阶段为黄土泥岩滑坡、第三阶段黄土泥流的发生及后期滑坡后壁的小型滑坡滑动阶段,未能反映滑坡全生命周期的演化特征。为了进一步厘清黑方台“4·29”特大滑坡灾害特征,本文研究了滑坡活动全生命周期基本特征和高速远程形成机制。作为滑坡现场亲历者,本文在勘查资料基础上,结合视频资料分析、历史遥感资料分析,从时间线上对黑方台“4·29”滑坡的演化特征进行了进一步划分,将该滑坡的演化划分为5个阶段,这5个阶段也刚好对应了5种滑坡形态,并对滑坡的运动特征进行来分析,对其中的黄土-碎屑流高速远程滑坡机制做了研究。总体认为该滑坡在黑方台滑坡中具有典型代表性,对其开展研究有助于对黑方台地区滑坡灾害的认识,并有助于防灾减灾工作的开展。
1. 滑坡区地质背景
罗家坡滑坡位于黑台台塬党川村罗家坡段。黑台台塬为黄河Ⅳ级基座阶地,其南部前缘与黄河Ⅱ级阶地相接,中间缺失Ⅲ级阶地。黑台台塬海拔1710 m,Ⅱ级阶地海拔1590 m,相对高差达120 m。坡体上陡下缓,上部坡度40°左右,下部坡度20°~35°,平均坡度约35°,台塬边缘多滑坡、坍塌堆积物,边坡地形破碎,由于受滑坡、坍塌的影响,塬下多土丘,地面起伏不平。
滑坡区出露地层主要有第四系上更新统风积马兰黄土、冲积粉土、卵石及白垩系砂质泥岩等(图2)。其中0~24 m为Qp马兰黄土,结构疏松;24~44 m为Qp冲积次生黄土,较上部黄土致密;44~52 m为冲积粉质黏土,有层理,含粉砂,致密坚硬;该层之下为5 m厚的卵石层,为黄河四级阶地堆积;卵石层之下为缓倾的白垩系紫红色砂泥岩,基岩产状为161°∠10.5°。
黑方台高出现代河床120余米,且四周临空孤立,具有特殊的水文地质结构,由于冲积粉质黏土隔水层分割了黄土含水层和卵石含水层,因此形成了上部黄土富含水,而下部卵石弱含水,白垩系系基岩裂隙局部含水的特殊含水的多层含水岩组结构。
黑方台黄土含水层的形成以1968年为时间节点,前后经历了天然状态和人工灌溉状态两个阶段。1968年前,天然状态大气降水是地下水的唯一补给来源,黄土含水层很薄,在台缘带存在少量泉水分布,年总排泄量约为3.2×104 m3/a。1968年以后,为了安置刘家峡、盐锅峡水库区的移民,在黑方台建成了提水灌溉工程,灌溉面积为753 ha,年提水总量为6×106~8×106 m3,2018年达到11×106 m3。长期的灌溉导致台塬区的地下水位迅速抬升,中心区地下水位埋深最浅至0.3 m,塬边水位埋深17~24 m,2018年测得泉水溢出量达1.92×106 m3/a,是天然状态下泉水溢出量的60倍。根据近期的观测资料,塬面地下水位形成了春季灌溉高水位期和滑坡多发期重合的特征,地下水成为滑坡形成的主要动力因素。
2. 罗家坡滑坡基本特征
罗家坡滑坡为一大型黄土泥岩高位、高速、远程牵引式滑坡,滑体物质组成为马兰黄土(粉土)、粉质黏土和泥岩,滑床为粉质黏土及白垩系泥岩。滑坡区总长度870 m,宽度125 ~ 170 m,平均宽135 m,总面积10.15×104 m2,滑体厚度6~15 m,平均厚度12.5 m,滑坡总体积1.27×106 m3。滑坡自下部白垩系泥岩高位剪出,高速滑动,主滑方向受地形控制呈近“S”的特征,上、中、下段主滑方向分别为201°、165°和181°。高速远程滑坡从其平面特征可分为滑源区、流通区和堆积区三部分[14-15],罗家坡滑坡也具备三个分区(图3)。
滑源区经历多次滑动后,滑源区形成长186 m,宽158 m,最小深度24 m, 最大深度约75 m,平均深度约50 m斗状洼地。环状后壁坡度约62°,残留高度24~65 m。沿坡缘距离20 m内发育明显的环状拉张裂缝,西侧为一组4条,间距0.35~1.50 m;东侧为两组,一组为2条,长度大于20 m,走向为55°,宽0.06~0.08 m;另一组为2条,延伸长度15 m左右。
流通区可见多次滑动在滑床上形成的线型拉槽和陡坎,很好的反映了不同期次滑坡的运动轨迹。其长度约150 m,宽度约80~125 m,面积约0.017 km2。
堆积区分布于黑台下部坡体及二级阶地上。后期滑坡堆积体越过前期滑坡堆积体,前后滑动的堆积扇逐次叠加,形成扇加扇的套叠堆积地形,不同期次的扇缘基本呈圆弧状。前期滑坡的扇相对较短,但扩散宽度较大;后期滑坡堆积的扇相对较长,但扩散宽度较小。也可见不同期次滑动的线型拉槽和推挤形成的弧形隆起。堆积区长度337 m,宽度175 m,堆积区面积约0.059 km2(图4)。
3. 滑坡的时间演化过程
从时间线上分析,罗家坡滑坡先后经历了黄土错落-碎屑流、黄土-泥岩碎屑流、黄土-碎屑流、黄土泥流和黄土错落等五个阶段,分别对应了五种类型的滑坡,在一个滑坡演化周期历程中基本涵盖了黑方台滑坡的类型,这在以往滑坡中非常罕见(图5—6)。
3.1 黄土错落-碎屑流
黄土错落-碎屑流是罗家坡滑坡演化的早期阶段。该阶段的主要特征是沿黄土塬边产生的多次小型浅层黄土滑坡,滑坡规模小,滑程短,未形成灾害。现场调查资料表明,罗家坡滑坡的变形特征和前兆是十分明显的,且具有较长的变形发展史。2009年罗家坡段即产生了小规模黄土错落性-碎屑流滑坡,体积约5×104 m3。其中2012年的滑坡规模较大,其堆积体已到达坡脚。由于黄土具有崩解性,滑坡发生后随即解体转变为碎屑流,堆积于塬边斜坡上,披覆于白垩系砂泥岩之上形成覆盖层。同时部分堆积体堵塞泉水下泄通道,导致局部地下水位升高,不利于斜坡的整体稳定[6],如图6(a)所示。
3.2 黄土泥岩-碎屑流
根据调查资料,罗家坡滑坡发生前,该地段地下水位埋深为24 m,下部黄土已形成了25 m的饱和带[16]。前期的斜坡变形形成的裂隙使得坡缘带上部卵砾石含水层和下部白垩系基岩裂隙水上下联通,地下水下渗到达粉砂岩软弱夹层,水-岩作用显著降低了粉砂质泥岩的强度[17],导致强度急剧降低,斜坡蠕动变形加剧,引发了黄土泥岩顺层滑坡。2015年4月29日上午7时55分发生的第一次滑坡其类型即为黄土-泥岩顺层滑坡。这一点可以从实测地形资料证实,滑坡剪出口处深度约75 m,而第四系总厚度在该地段为57 m,说明在第一次滑动时剪出口部位有厚度达18 m的泥岩参与到滑坡中。这一阶段滑动体积为17.49×104 m3,主滑方向为180°,滑坡堆积区呈长扇状堆积于坡体前缘,滑动距离为373 m,最大扩散宽度140 m,将碳化硅厂部分厂房压埋,如图6(b)所示。
3.3 黄土-碎屑流
黄土-碎屑流高速远程滑坡是破坏性最强的滑坡类型,其主要特征是滑动速度快,滑程长,滑坡刮铲和推挤效应显著,破坏力强。依据视频监测资料,滑坡经历2次大的滑动,滑动时间分别为10时45—48分和10时55分。
10时45—48分期间,该阶段黄土高位滑坡呈脉冲状分块从滑床滑出后,进入加速通道,滑坡在滑动中解体形成碎屑流,碎屑流在流动过程中刮铲前期堆积体,至坡脚形成冲击挤压先期滑坡体,导致先前的滑坡堆积体向前及两侧扩散,由于受到第一次滑坡堆积体的阻挡,滑坡滑动方向向左偏转。这一次的滑距较小,未超过第一次滑动,滑动体积约15.79×104 m3。
10时55分观测到的最大一次滑坡开始,高速滑坡形成的碎屑流和前次滑动类似,在加速通道形成刮铲效应,形成明显的拉槽,滑坡解体后形成的碎屑流越过前3次滑坡堆积物,直接摧毁2座工厂并将14户居民房屋压埋,前缘直达盐中公路,最后堆积于盐中公路南边,最大滑距达625 m,这也是有记录以来黑方台滑坡滑程最长的一次滑动。滑坡体积约77.32×104 m3,其类型属黄土-碎屑流高位、高速、远程滑坡,如图6(c)所示。
3.4 黄土泥流
黄土泥流型滑坡在焦家崖头以东多见,焦家崖头以西则很少发生[3]。11时56分,由于当时灌溉水尚未关停,在水流激发下,观测到饱和黄土直接转化为黄土泥流的现象。黄土泥流从滑源区启动,沿着先前的运动路径缓慢前进,泥流在流动中形成的龙头产生拉槽效应,将前期堆积的滑坡松散堆积物剪切形成拉槽,饱水泥流沿沟槽缓慢流动,并在滑坡堆积体上加积形成了泥流堆积扇(图7)。堆积体积较小,约13.67×104 m3,如图6(d)所示。
3.5 黄土错落
这是滑坡演化的末期阶段产生的现象。这一阶段持续时间较长,从10时58分一直持续至11时15分,沿着环状的滑坡壁产生多次小型滑坡,滑距不超过50 m,均未超出滑坡洼地。这一阶段的滑坡特征是规模小,每次的滑动规模数十到数百立方米,均为黄土错落性滑坡,计算其累计滑动体积为2.61×104 m3。滑坡堆积体将前期滑动后形成的负地形逐步掩埋,形成最终的地形。很多研究者会认为该堆积体是滑坡残留体。滑坡堆积体将泉水出露点掩埋,坡面可见泉水以线状渗出,如图6(e)所示。
4. 滑坡运动特征
本次滑坡的按滑坡性质基本可分为两大类型,其一是黄土泥岩-碎屑流和黄土-碎屑流,可称为块体-碎屑流运动;其二是现场观察到的黄土泥流。
4.1 块体碎屑流运动特征
滑坡的运动路径可分为滑源区启动区、滑动加速区和减速堆积区。显然,由于经历多次滑动,每次滑动的分区明显不一致;同时由于滑床下垫面条件变化,不同期次的滑坡其滑动距离和滑动速率也是不同的(表1)。根据现场视频资料分析,第一次黄土泥岩-碎屑基本呈整体滑动,滑动后随即解体转变为碎屑流,平均滑动速度为4.20 m/s,最大速度为9.3 m/s,其滑动距离相对较短,为435 m。第二次黄土碎屑流由3次脉冲式快速滑动组成,整个滑动历时180 s,滑动距离约489 m,平均滑动速度为5.71 m/s,最大速度达到15.0 m/s;第三次黄土碎屑流也由2次脉冲式滑动组成,滑动距离625 m,历时208 s,平均速度6.01 m/s,最大速度达到18.6 m/s。
表 1 不同期次滑坡的运动特征参数Table 1. Motion characteristic parameters of landslides in different stages滑坡分期 滑源区
长度/m加速区
长度/m减速堆积
区/m滑动距离
/m平均速度
/(m·s−1)最大速度
/(m·s−1)黄土泥岩
滑坡99 221 115 435 4.20 9.3 第一次黄土
碎屑流137 230 122 489 5.71 15.0 第二次黄土
碎屑流186 290 335 625 6.01 18.6 黄土泥流 155 277 184 461 10.70 13.2 块体-碎屑流是黑方台“4·29”滑坡的主要滑动方式[18-19]。其主要特征是多次滑坡的滑源区依次扩大范围,滑坡在运动过程中的路径在启动阶段有继承性,数次滑动的路径均呈“S”型。但在滑动路径上由于下垫面的改变,最终不同阶段的滑坡、碎屑流、泥流的路径稍有不同,形成了不同的滑坡舌部地形。滑坡在运动过程中由于受到地面构筑物的影响产生在最终形成堆积扇时滑动方向都有所偏移。早期滑坡的滑床阻力较大,横向扩展现象更加显著;而后期滑块由于滑床变为前期滑坡堆积物,因此滑床阻力减小,后期滑动的横向扩展现象减小。后期滑坡对前期滑坡形成拉槽-挤压效应,促使前期滑坡堆积物缓慢移动,压埋范围不断扩大(图8)。
黄土碎屑流从滑床高速滑出后发生解体形成碎屑流,高速滑动的碎屑流刮铲前次滑坡堆积体,并从前次滑坡形成的堆积体舌部越过后,直接将14户居民房屋压埋,前缘直达盐中公路,并停积于盐中公路南边。黄土滑坡的滑动距离高达625 m,最大扩散宽度120 m,滑坡在滑动后受右侧凸起山坡和左侧滑坡堆积体影响,产生“S”型的滑动路线,综合滑动主滑方向为181°(图5)。
4.2 黄土泥流
从现场观察来看,饱水的黄土在滑源区呈泥流启动后,呈缓慢流动状态,其前缘龙头刮铲和推挤现象明显,导致前期堆积的滑坡体缓慢启动滑移。黄土泥流的运动路线依然沿袭了黄土-碎屑流滑坡的运动路线,在滑动过程中拉槽效应显著。在堆积区受到滑床阻力逐渐停止滑动。其流动速度远小于黄土-碎屑流的滑动速度。现场观测到期流动距离为461 m,流动时间为5 min,平均速度为10.70 m/s,最大速度13.2 m/s。
5. 块体-碎屑流高速远程运移机制分析
从罗家坡滑坡的滑前地形来看,其相对高差达120 m,形成了高临空面,因而使滑体具有高势能。滑坡地形坡度在30°~35°,在山坡坡脚由先前滑动的滑坡形成的堆积体。因此,地形条件有利于形成高速远程滑坡。
通过现场调查发现,由于滑坡的堆积物的逐次叠加,使得原始坡面地形由折线型演变为流线型,由起伏地面变成较为均一的平顺地面,形成了较为平顺的滑床,十分有利于滑坡的高速滑动(图9)。本文将这一现象命名为“填凹造床效应”,这一效应在其他类型的滑坡中也存在[15]。
最先活动的块体运动距离最短,而新滑坡的滑动距离越来越远。这充分反映了“填凹造床效应”对滑坡滑移距离的影响。从图3可以看出,滑床区原始地形为四级阶地斜坡和二级阶地阶面组成的折线型地形,由于先期滑坡堆积使滑床逐渐演变为流线型地形,从而使得滑床更为平顺,滑坡运动过程中的撞击、磨阻消能效应被减弱,为滑坡的高速远程滑动创造了条件。新滑坡由于加速距离变长,因此滑动速度往往较先前滑动块体快,相应的滑动距离也逐渐变大。
同时,罗家坡滑坡最大滑距达到625 m,远远超过了前期发生的150余次滑坡。其原因除了先期滑动的滑坡“填凹造床效应”形成的有利地形条件外,高含水的下垫面也起到了助推作用。早期滑动黄土泥岩滑坡其所携带或刮铲的斜坡堆积物具有高含水量特征,滑动过程中产生了光滑的镜面。再次是渠道破坏后的形成的泥水混合物以及接近饱水的灌溉后的农田,使得黄土滑坡在其滑动路径上具备了部分饱水或完全饱水有利下垫面,这对于该滑坡最终创造最远滑距也产生了重要作用。
罗家坡滑坡高速远程滑动机制可解析为:滑坡在灌溉水瞬时压力作用下启动,受黄土节理裂隙和基岩层面的控制,滑坡体在快速运动中解体形成碎屑流,从而使起初的滑动状态变为流动状态,碎屑流作用于滑床的压力较之整体滑动的压力大大减小,滑床摩阻力亦随之减小,从而使得滑动速度远高于整体滑动的块体。前期滑坡的“填凹造床效应”使得后期滑坡的滑床从折线型演化为缓弧线型,加之前期滑体高含水,使得滑床摩阻力减小,为后期滑坡的高速远程滑动创造了条件。
罗家坡属灌溉水引发的高位高速远程滑坡,其破坏效应体现在滑坡体运动过程中碰到地面阻挡后逐渐减速堆积,其前部龙头形成刮铲和推挤破坏效应,导致沿途地面建筑物形成剪切破坏。罗家坡在黑方台地区具有典型性,滑坡全生命周期演化分段特征明显,不同滑坡类型均有发生,其高速远程特征尤为显著,体现了黑方台地区滑坡多样性和复杂性。针对这类滑坡,应控制灌溉,改变原有灌溉方式;并加强早期预警,降低灾害风险。
6. 结论
罗家坡在黑方台地区具有典型代表性,本次以滑坡全生命周期演化着手,从时间线上进行分析,研究结果充分体现了黑方台地区滑坡多样性和复杂性。综合研究成果,得出以下结论:
(1)罗家坡滑坡演化归结为五个阶段:黄土错落-碎屑流、黄土泥岩-碎屑流、黄土-碎屑流、黄土泥流、黄土错落等五个滑动阶段,也对应了五种滑坡类型。这也基本代表了黑方台地区滑坡的生命演化周期和类型特征。
(2)罗家坡滑坡的运动特征可分为块体运动—碎屑运动和饱和泥流两种流态。第一种类型属黄土泥岩滑坡和黄土滑坡形成的块体—碎屑流运动,其中黄土碎屑流平均滑动速率为4.20~6.01 m/s,最大速度为9.3~18.6 m/s;第二种类型则是观察到的饱和土泥流,其平均速度10.70 m/s,最大速度13.2 m/s。
(3)陡峻的地形是罗家坡滑坡产生高速远程滑坡的基础,“填凹造床效应”对块体-碎屑流滑坡滑移距离的影响十分显著,同时高含水的下垫面使得罗家坡滑坡创造黑方台地区最远滑距。这也为该地区滑坡的预防提出了警示。
(4)灌溉引起的黄土高速远程滑坡破坏效应十分显著,其高速运动中前部龙头形成刮产和推挤破坏效应,导致沿途渠、耕地被毁,地面建筑物形成剪切破坏,具有极强的灾害效应,应引起当地政府重视。建议进一步加强滑坡早期预警,并控制灌溉,降低灾害风险。
-
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 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 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 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 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 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 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 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 -
[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)