Impacts of trees on slope stability during typhoons
-
摘要:
我国东南沿海地区台风暴雨型滑坡多发于植被覆盖边坡，坡面乔木植被发育、整体覆盖度高，探究台风作用下植被对边坡稳定性的影响机制对开展边坡稳定性分析和风险评价具有重要意义。本文选取典型台风触发浅层滑坡灾害点开挖剖面，统计分析植被根系发育规律，结合室内土工试验和现场染色示踪试验，明确了根系对土体物理力学性质和渗透特性的影响。研究表明：边坡覆盖马尾松乔木植被以大直径粗根系为主，主根系发育深度可达2 m，根系在提供附加黏聚力加固边坡的同时，利用根-土间隙提供优势渗流通道，加速雨水入渗，林下边坡优势渗流所占比重可达坡面均匀入渗2-3倍。植被根系力学加筋机制和根-土间隙优势渗流效应促使根系最大发育深度处存在力学和渗透特性差异，进而演化为潜在滑面。台风期间，在强风荷载、降雨优势入渗和植被联合作用下，易沿根系最大发育深度和边坡内部土-岩基覆界面诱发滑坡灾害。研究成果为东南沿海地区台风暴雨型滑坡灾害风险评价提供了依据。
Abstract:Typhoon-induced landslides in southeast coastal China are clustered in trees-covered slopes, suggesting potential interactions between trees and slope stability. Investigate the impacts of trees is crucial for slope stability analysis during typhoons. With this purpose, we conduct field tests, laboratory tests and dye tracer tests to investigate the root distribution and impacts of roots on soil properties. Results indicate that trees covered on slopes have a taproot system with a maximum rooting depth of 2 m. Tree roots enhance slope stability by providing additional cohesion to the soil but simultaneously create preferential flow paths that facilitate rapid rainwater infiltration. The contribution of preferential flow arising from root-soil gaps reaches 2-3 times greater than uniform shallow infiltration. These dual effects of root reinforcement and preferential infiltration significantly alter the mechanical and hydrological properties of the soil at the maximum rooting depth. During a typhoon event, the strong wind load, rainfall infiltration and trees jointly trigger landslides. The maximum rooting depth and bed-soil interface are two potential sliding surfaces within the slope. Our works provide new insights into the risk assessment of typhoon-induced landslides.
-
0. 引言
近年来，受强烈人类工程活动和极端气象事件影响，全球滑坡灾害处于多发频发态势，给社会经济和生态环境造成巨大破坏和损失[1 − 3]。开展区域滑坡灾害气象预警或风险管控工作，已成为一种有效的滑坡防灾减灾措施[4 − 6]。大量实践表明，滑坡危险性评价是区域滑坡灾害风险预警与管控的关键技术环节，其精度决定了滑坡风险结果的可靠度和适用性。
滑坡危险性是指研究区特定时间内一定规模或强度的滑坡灾害发生的时空概率[7]。目前，区域滑坡危险性评价方法主要有两类：一类是基于历史数据统计或非线性模型的数理统计模型，另一类是基于水文-力学模型的物理模型[8]。前者主要是对研究区的环境因子与滑坡成因间的相关性进行统计分析，进而利用统计模型进行危险性指标的计算[9]。后者通过分析降雨入渗诱发滑坡的物理过程，开展区域滑坡危险性定量评价分析[10]，这类方法近年来越来越受到重视。常用的评价模型包SINMAP[11]、SCOOPS 3D[12]、FSLAM[13]、TRIGRS[14]等。
在物理模型中，SINMAP模型是以Taylor[15]提出的一维无限斜坡模型为基础，将无限斜坡稳定模型和坡面水文模型有效耦合后[16]，结合稳定态水文学理论的一种分布式斜坡稳定性评价模型[17]。近年来，各国学者对SINMAP模型不断改进，广泛应用于区域滑坡灾害的危险性评估[18]。然而，部分学者的研究表明[19]，SINMAP模型的评价精度主要取决于边坡岩土体参数赋值的准确性以及空间校准区域的划分。传统SINMAP模型只能对特定研究区域进行整体统一赋值，无法反映研究区岩土体物理力学参数空间分布的差异，导致评价结果不够合理和精确。为提高SINMAP模型评估精度，部分学者集成遥感信息、土地利用、土壤、植被、水文等数据划分地理上的校准区[20]，或选取一定影响因子进行相关性评价，进而实现研究区的合理分区[21]。
综上，本文以万州区大周镇为例，开展了SINMAP模型的改进研究，对影响研究区域的指标因子进行频率比与敏感性指数分析，确定影响滑坡灾害发育的关键因子，根据关键因子的空间分布差异，实现研究区的合理分区，根据分区结果对岩土体物理力学参数进行分区标记以期得到相对可靠和精度更高的危险性评价结果。
1. 滑坡灾害发育特征
1.1 滑坡孕灾地质条件
重庆市万州区位于四川盆地东部，地处三峡库区腹心地带。大周镇位于万州区的东北部，长江自西向东流经本区（图1）。区域属于构造-剥蚀低山丘陵地貌，地形整体北西高、南东低，地貌形态多呈台阶状。区内降雨充沛，多年平均年降雨量
1191.3 mm，年最大降雨量可达1635.7 mm（1987年），降雨集中在每年的5～9月，且强度较大，最大月降水量达711.8 mm（1987年8月），最长连续降水16日。大周镇地处万州向斜北西翼，区域内无次级褶皱和断层构造发育。岩层一般呈单斜产出，岩层倾向160°～210°，岩层倾角为5°～30°，岩体中主要发育两组陡倾构造节理。区内地层岩性主要为第四系堆积层、侏罗系上统遂宁组砂泥岩互层和侏罗系中统上沙溪庙组紫红色泥质粉砂岩。根据现场调查，可将工程地质岩组按照堆积层、软岩、硬岩和软硬相间岩层进行细分，侏罗系中统上沙溪庙组在研究区内出露16层，侏罗系上统遂宁组出露2层（图2）。地下水按赋存条件可分为松散岩类孔隙水以及红层裂隙水两大类型，主要受大气降雨补给，长江为最低排泄基准面。
1.2 滑坡发育特征及成因机制
根据资料分析和现场调查，大周镇共发育滑坡灾害44处。从物质组成看，主要为堆积层滑坡，潜在滑面类型均为土岩接触面，共33处；岩质滑坡发育较少，共11处。从规模分析，大周镇以中-大型滑坡为主，占总滑坡数的86.4%，且主要为中-浅层滑坡。滑坡平面形态以横长形和箕形为主，多分布在高程300 m以下区域（图2）。据滑坡灾害点的地层分布可知，滑坡滑床基岩主要发育在侏罗纪中统上沙溪庙组（J2s），滑坡数量33处，占比75%；侏罗纪上统遂宁组（J3s），滑坡数量11处，占比25%。
八角树滑坡是位于大周镇铺垭村的一处典型堆积层滑坡，滑坡形态整体呈上陡下缓，后部坡度约30°，中前部约为15°（图3）。滑体主要由紫红色泥岩、灰色砂岩风化及崩坡堆积形成的第四系崩滑堆积层组成，下伏基岩为侏罗系中统沙溪庙组砂岩、砂质泥岩。滑面形态呈弧形，类型为土岩接触界面。滑坡的变形模式表现为后部向前部推移变形，主要成因是由于万州汛期雨量充沛，持续性的强降雨不能及时排泄从而入渗坡体，导致滑带处形成饱和渗流区，降低了滑带土的抗剪强度。加之前缘受库水位影响，以及中后部坡体农田灌溉和建房切坡，造成滑坡持续变形。
综上，降水、库水位波动和人类活动等因素共同作用，影响并改变着研究区斜坡的长期稳定状态，是区内滑坡灾害的主要成因机制。
2. SINMAP模型原理与改进方法
2.1 SINMAP模型原理
SINMAP模型的基本思想是将水文模型与无限斜坡稳定性模型耦合，平衡重力的不稳定成分与平面上摩擦力及黏聚力的稳定成分，忽略边缘效应的影响。该模型较为全面地考虑了地形地貌和土壤岩性等各种孕灾因素的影响，并与GIS系统能有效集成。无限斜坡模型的稳定性系数（Fs）由下式计算：
$$ F_{\mathrm{s}} = \frac{C_{\mathrm{r}} + C_{\mathrm{s}} + \left[ \rho_{\mathrm{s}} g (D - D_{\mathrm{W}}) + (\rho_{\mathrm{s}} g - \rho_{\mathrm{w}} g) D_W \right] \tan \varphi}{D \rho_{\mathrm{s}} g \sin \theta \cos \theta} $$ (1) 式中：$ {{F}}_{\rm{s}} $——无限斜坡模型的稳定性系数；
$ {{C}}_{\rm{r}} $——植物根系产生的黏聚力/（N·m−2）；
$ {{C}}_{\rm{s}} $——土体自身黏聚力/（N·m−2）；
θ——地形坡度/（°）；
$ {{\rho}}_{\rm{s}} $——湿土密度/（kg·m−3）；
$ {{\rho}}_{\rm{w}} $——水的密度/（kg·m−3）；
g——重力加速度/（9.18 m·s−2）；
D——土层垂直厚度/m；
$ {{D}}_{\rm{W}} $——地下水位埋深/m；
$ {\varphi} $——土的内摩擦角/（°）。
图4为式（1）的几何图解。
随着深度的变化，无限斜坡稳定性系数可进一步表达为无量纲形式：
$$ {{F}}_{\rm{s}}=\frac{{C}+{\cos}{\theta}\left[{1-wr}\right]{\tan}{\varphi}}{{\sin}{\theta}} $$ (2) 式中：$ {C} $——无量纲黏聚力系数；
$ {r} $——水和土壤的相对密度比；
$ {w} $——地形湿度指数。
其中，无量纲黏聚力系数：
$$ C=(C_{\rm{r}}+{{C}}_{\rm{s}}){/h}{{\rho}}_{\rm{s}}{g} $$ (3) 水和土壤的相对密度比：
$$ {}{r=}{{\rho}}_{\rm{w}}{/}{{\rho}}_{\rm{s}} $$ (4) 地形湿度指数：
$$ w=\min\left(\frac{{Ra}}{{T}{\sin}{\theta}},{1}\right) $$ (5) 式中：R——汇水区域稳态补给/（mm·d−1）；
T——土壤的导水系数/（m2·d）；
$ {a} $——单位汇水面积/m2。
为了定义斜坡的稳定性系数，将地形湿度指数纳入无量纲稳定性系数中，得到：
$$ F_{\mathrm{s}} = \frac{C + \cos \theta \left[ 1 - \min \left( \dfrac{R}{T} \dfrac{a}{\sin \theta}, 1 \right) r \right] \tan \varphi}{\sin \theta} $$ (6) 将密度比（$ {r} $）视为恒定值0.5，通过规定下限和上限来界定其他三个量的不确定性。如果对均匀分布定义R/T=x，$ {\tan}{\theta}{=t} $，则得到显示下限和上限的关系式如下：
$$ {}{C\sim U}{(}{{C}}_{{1}}{{,}}{{C}}_{{2}}{)} $$ (7) $$ {}{x\sim U}{(}{{x}}_{{1}}{{,}}{{x}}_{{2}}{)} $$ (8) $$ {}{t\sim U}{(}{{t}}_{{1}}{{,}}{{t}}_{{2}}{)} $$ (9) 根据斜坡稳定性系数，定义斜坡稳定性指数（SI）为地表斜坡稳定的概率，该值介于0（最不稳定）和1（临界稳定）之间。
当C和t最小，x最大时，不利于滑坡发生。在这种情况下，$ {{F}}_{\rm{s}} $>1的区域是无条件稳定的。此时SI定义为：
$$ SI = F_{{\mathrm{smax}}} = \frac{C_1 + \cos\theta \left[1 - \min\left(x_2 \dfrac{a}{\sin\theta}, 1\right) r\right] t_1}{\sin\theta} $$ (10) 对于最小稳定性系数小于1的区域，有可能发生滑坡。在这些地区（$ {{F}}_{\rm{smin}} < 1 $）定义如下：
$$ {}{SI=Prob}{(}{ > 1}{)} $$ (11) 当C和t最大，x最小时：
$$ F_{{\mathrm{smax}}} = \frac{C_2 + \cos\theta \left[1 - \min\left(x_1 \dfrac{a}{\sin\theta}, 1\right) r\right] t_2}{\sin\theta} $$ (12) 在$ {{F}}_{\rm{smax}} $<1的情况下：
$$ {}{SI=Prob}{（}{{F}}_{\rm{s}}{ > 1}{）}{=0} $$ (13) 根据稳定性指数（SI）分级分类，定义滑坡危险性分区见表1。
表 1 滑坡危险性分区表Table 1. Landslide hazard zoning table条件 类别 预测状态 SI≥1.5 1 极稳定区 1.5>SI≥1.25 2 稳定区 1.25>SI≥1.0 3 基本稳定区 1.0>SI≥0.5 4 潜在不稳定区 0.5>SI≥0.0 5 不稳定区 2.2 SINMAP模型改进方法
2.2.1 SINMAP模型改进思路
SINMAP模型的精度主要取决于边坡岩土体物理力学参数赋值准确性和空间校准区域的划分精度。传统SINMAP模型对整个评价区域统一进行赋值，不能详细的划分评价区域，无法反映研究区岩土物理力学参数空间不均匀造成的差异，在较大评价区域常常不符合滑坡灾害发育的基本规律，使得评价结果不够合理，影响了SINMAP模型的评价精度。本文提出如下改进：
首先，考虑大周镇孕灾条件和滑坡灾害发育特征等因素，参照前人经验，全面选取滑坡灾害的影响因子，使用频率比法计算因子敏感性指数，对该区域的滑坡灾害影响因子进行重要程度分级，确定其中关键影响因子；进而根据关键因子指标的不同区间FR值，以及不同关键因子的相互组合关系，结合其空间分布差异，将研究区划分不同的空间校准区。最后，基于空间校准区域的划分，对每个区域分别采用SINMAP模型开展滑坡危险评价，将评价结果叠加合并为区域整体的评价结果（图5）。本文将得到的两种模型结果进行了比较分析，并用区域历史滑坡的实际发育分布特征进行验证，以评价改进模型的适用性与准确性。
2.2.2 校准区域划分方法
研究区内地质条件存在较大差异，滑坡内部地质控制因子在空间分布不均匀，因此应根据影响因素的特点科学合理地划分空间标定区域。
频率比法能够对滑坡分布及其影响因子状态之间的空间关系进行分析，它与信息量法、确定性系数法、逻辑回归模型等是滑坡风险评价常用的概率统计模型[22 − 23]。计算公式如下:
$$ F_{j}R=\frac{P\left(LF_{j}\right)}{P\left(F_{j}\right)}=\frac{P\left(L|F_{j}\right)}{P\left(L\right)}=\frac{l/L}{s/S}-1$$ (14) 式中：L——滑坡面积；
F——影响因子；
FjR——影响因子（F）的第j个区间的频率比；
P(LFj)——L中$ {{F}}_{{j}} $的频率；
$ {P(}{{F}}_{{j}}{)} $——研究区中$ {F}_{j} $的频率；
l——单个因子某一属性区间内的滑坡栅格数；
L——研究区内的滑坡总栅格数；
s——该属性子区间的栅格数；
S——研究区总栅格数。
式（14）中滑坡面积L已知，故P（L）恒定，即P(L|Fj)越大，说明在第j区间的滑坡发生的概率就越大。因此，频率比值的大小反映出该指标因子对滑坡发生起有利或不利影响。根据式（14），在频率比大于0的情况下，该指标因子对滑坡的发生起促进作用，在频率比小于0的情况下，表示该分级状态对滑坡发生不利。
鉴于频率比值只能反映特定影响因子不同分级区间内的影响程度，无法整体上确定某类影响因子对滑坡稳定性的影响程度，参考前人[24 − 25]使用敏感性指数E，来刻画影响因子对滑坡稳定性的影响程度。其计算公式为：
$$ {{E}}_{{i}}={{FR}}_{{(i,max)}}-{{FR}}_{{(i,min)}} $$ (15) 式中：$ {{E}}_{{i}} $——指标因子i对灾害响应的影响指数；
$ {{FR}}_{{(i,\max)}} $和$ {{FR}}_{{(i,\min)}} $——指标因子i中FR的最大值、 最小值。
采用该方法，可从整体上反映各类致灾因子对滑坡稳定性的影响。
3. 大周镇滑坡危险性评价结果
3.1 传统SINMAP模型评价
3.1.1 确定滑坡危险性降雨工况
采用万州区1991—2021年历史降雨资料，计算研究区降雨极值。将降雨时间假设为降雨强度（i）、持续时长（T）和降雨总量（Q）的函数，分别定义Q、T、i为A、B、C事件，假设这些事件均为两两独立的随机变量。利用Gumbel函数进行拟合，得到万州区不同降雨重现期的累计降雨量（图6）。
![]()
图 6 万州区降雨各重现期降雨量图Figure 6. Wanzhou District rainfall amount map foruvarious return periods根据不同重现期降雨量值，分别统计多年平均单日最大降雨量值、20 a、50 a及100 a一遇的单日最大降雨量值，并据此设计4种降雨工况（表2）。为了方便获取数据，模型将T/R作为单个指标进行计算，在T/R满足上限
3000 时，水系分布接近研究区的真实水系。已知T/R上限后，可以根据万州区多年平均日降雨量的平均值（55.7 mm）推算出土体导水系数（T=167.1 m2/d）。具体工况如表2所示。表 2 4种降雨工况下的降雨量值和T/R的上下限Table 2. Rainfall values and upper and lower limits of T/R under four rainfall conditions类别 降雨工况 降雨量值
/mm模型参数T/R 下限 上限 1 多年平均单日最大降雨量 91 1836 3000 2 20 a一遇单日最大降雨量 161 1038 3000 3 50 a一遇单日最大降雨量 188 889 3000 4 100 a一遇单日最大降雨量 208 803 3000 3.1.2 模型参数设置
传统SINMAP模型分析时，需要输入岩土体密度（$ {\rho} $）、内摩擦角（$ {\varphi} $）、黏聚力（c）、比集水面积（a）、地形坡度（θ）和坡向参数。岩土体参数$ {\rho} $、$ {\varphi} $和c可由工程地质类比法及室内试验综合确定，a基于1∶1万DEM图在SINMAP模型中计算得到，坡度和坡向可通过ArcGIS分析得出。传统SINMAP模型计算参数如表3所示。
表 3 传统SINMAP模型计算参数Table 3. Calculation parameters of traditional SINMAP modelg
/（m·s−2）湿度（%） 黏聚力/kPa 内摩擦角/（°） 岩土体密度
/（kg·m−3）下限 上限 下限 上限 9.8 10 5 25 10 25 1900 3.1.3 评价结果分析
为与当前滑坡危险性评价标准规范分级一致，便于比较不同评价方法的精度，参照前人经验对模型计算的稳定性状态分类进行修正。将表1中“极稳定区、稳定区”这两个等级合并为滑坡灾害低危险区，将“基本稳定区、潜在不稳定区、不稳定区”分别定义为“中危险区、高危险区和极高危险区”[19]。将表2和表3的相关参数，输入SINMAP模型中，计算得到4种降雨工况下研究区滑坡灾害的危险性结果（图7）。
![]()
图 7 传统SINMAP模型4种工况下滑坡灾害危险分区图Figure 7. Traditional SINMAP model hazard zoning map of landslide disasters under four working conditions通过表4中不同降雨工况下大周镇内不同危险等级面积占比可以发现，极高危险区和高危险区主要分布在大周镇交通主干道两侧、库岸区域和河流河道两侧。当降雨量较小时，高-极高危险区小范围集中在砂岩坡度较陡的区域。随着降雨量的增加，高-极高危险区的面积快速增长，逐渐向山脊、道路两侧以及库岸、河流河道两侧等坡度较缓的地区扩展。
表 4 传统SINMAP模型4种工况下滑坡灾害危险分区统计表Table 4. Traditional SINMAP model landslide hazard zoning statistical table under four working conditions工况 危险性分级 滑坡数
/个各危险等级
面积/m2占总滑坡
比例/%占总面积
比例/%工况一 低危险区 25 15 235 400 56.82 62.57 高危险区 3 1 145 600 6.82 4.70 中危险区 16 7 671 880 36.36 31.51 极高危险区 0 297 200 0.00 1.22 工况二 低危险区 16 9 764 400 36.36 40.10 中危险区 22 12 463 400 50.00 51.18 高危险区 6 1 825 100 13.64 7.50 极高危险区 0 297 200 0.00 1.22 工况三 低危险区 11 7 047 230 25.00 28.94 中危险区 17 9 985 030 38.64 41.00 高危险区 13 5 878 900 29.55 24.14 极高危险区 3 1 438 930 6.82 5.91 工况四 低危险区 9 7 047 230 20.45 28.94 中危险区 16 9 724 080 36.36 39.93 高危险区 13 4 685 400 29.55 19.24 极高危险区 6 2 893 380 13.64 11.88 3.2 改进SINMAP评价滑坡危险性
3.2.1 校准区划分
根据式（11），计算各指标因子频率比及敏感性指数值见表5。敏感性指数E的计算结果显示，岩土体类型、植被覆盖度和与距道路距离的值最高。大量研究表明[26]，地层岩性与滑坡发生的关系极为密切，岩土体的力学强度是由岩石的类型、软硬程度以及层间结构决定，最终影响到坡体的稳定性和地表侵蚀的难易程度。从斜坡水文学角度分析，诱发植被发育斜坡失稳的并非降雨本身，而是降雨转化的地下水，因此植被覆盖率直接影响到降雨对滑坡的影响，植被极大地优化了地下水的补给环境[27]。此外，在各种滑坡诱发因素中，人类活动加速了对斜坡环境的破坏，如修建道路的过程中，由于过度的开挖，形成有效临空面，造成斜坡失稳。综上可知，岩土体类型、植被覆盖度和距道路距离是影响大周镇滑坡灾害的关键因子。
表 5 各因子频率比及敏感性指数值Table 5. Frequency ratios and sensitivity index values of each factor指标因子 $ {{E}}_{{i}} $ 分级 滑坡数/个 FR 坡度/（°） 1.503 245 0～10 9 −0.139 74 10～15 11 0.503 245 15～20 6 0.157 018 20～25 7 0.407 057 25～30 4 −0.118 7 30～35 5 0.145 126 35～50 2 −0.768 24 50～75 0 −1 高程/m 1.211 059 115～215 19 0.501 409 215～315 12 0.293 254 315～415 6 −0.441 15 415～515 5 −0.345 82 515～660 2 −0.709 65 斜坡形态 0.471 677 凹形坡 24 0.255 287 直线形 4 −0.091 88 凸形坡 16 −0.216 39 地形湿度指数 2.034 442 0～3.38 2 −0.829 1 3.38～4.62 8 − 0.2442 44.62～5.77 12 0.011 489 5.77～7.00 12 0.887 885 7.00～8.42 7 1.034 442 8.42～10.18 1 −1 10.18～12.92 0 −1 12.92～23.08 1 0.198,803 距水系距离/m 1.467 326 >200 19 −0.132 43 <100 12 1.234 746 100～200 14 −0.232 58 植被覆盖度 3.026 948 0～0.05 0 −1 0.05～0.1 1 −0.263 94 0.1～0.15 2 −0.165 24 0.15～0.2 2 −0.307 28 0.2～0.25 5 0.341 52 0.25～0.3 13 2.026 948 0.3～0.35 1 −0.812 46 0.35～0.4 5 −0.240 92 0.4～0.45 8 0.624 582 0.45～0.54 1 −0.419 16 岩土体类型 3.151 116 第四系堆积层 32 2.366 056 硬岩岩组 5 −0.510 91 软岩岩组 3 −0.748 48 软硬互层 4 −0.785 06 斜坡结构 1.191 694 顺向坡 9 0.988 524 逆向坡 4 −0.095 07 斜交坡 25 −0.203 17 水平坡 6 0.743 289 距道路距离/m 2.492 95 0～50 22 0.727 403 50～100 9 1.631 703 100～150 2 −0.640 56 150～200 7 0.437 25 200～250 3 −0.091 47 根据表5的FR值计算结果与分区内的滑坡统计，滑坡主要分布在距道路距离为0～100 m的区间范围内，150～200 m的区域范围次之，因此将距道路距离分为≤100 m、100～200 m、>200 m共三级。在植被覆盖度区间划分中，滑坡主要分布在NDVI值为0.2～0.3区间的区域上，最终将植被覆盖度分为≤0.2、0.2～0.3、>0.3共三级。结合岩土体类型、植被覆盖度和与道路距离这3个关键因素在大周镇的空间分布差异，利用ArcGIS软件将研究区划分为不同空间校准区，具体结果为：①第四系堆积层-高植被覆盖度-路网分布密集、②泥岩-高植被覆盖度-路网分布中等、③泥砂互层-中等植被覆盖度-路网分布密集、④泥砂互层-低植被覆盖度-路网分布稀疏、⑤砂岩-中等植被覆盖度-路网分布密集、⑥砂岩-中等植被覆盖度-路网分布稀疏，共6个不同的校准区域（图8）。
3.2.2 模型参数设置
基于空间标定区域的划分，对每个区域分别采用SINMAP模型进行滑坡危险性评价。根据研究区的野外调查和相关室内土工试验结果，并结合各个校准区的特性确定各子区域岩土体密度、内摩擦角、黏聚力等物理力学参数，并完成参数标定。比集水面积、地形坡度、坡向、T/R参数值的获得和传统SINMAP模型计算方法一致。
3.2.3 评价结果分析
将表6的模型参数输入到改进后的SINMAP模型中，计算得到四种降雨工况下研究区滑坡灾害的危险性结果（图9）。
表 6 改进SINMAP模型计算参数Table 6. Improved SINMAP model calculation parameters校准区域 g/（m·s−2） 含水率
/%c/kPa $ \varphi $/（°） ρ/（kg·m−3） 下限 上限 下限 上限 ①第四系堆积层-
高植被覆盖度-
路网分布密集9.79 10 10 20 16 28 1990 ②泥岩-高植被
覆盖度-路网
分布中等9.79 10 14 22 22 30 2190 ③泥砂互层-
中等植被覆盖度-
路网分布密集9.79 10 15 24 15 30 2280 ④泥砂互层-
低植被覆盖度-
路网分布稀疏9.79 10 15 26 15 40 2280 ⑤砂岩-中等
植被覆盖度-
路网分布密集9.79 10 18 30 26 30 2460 ⑥砂岩-中等
植被覆盖度-
路网分布稀疏9.79 10 18 35 26 35 2460 ![]()
图 9 改进SINMAP模型四种工况下滑坡灾害危险分区图Figure 9. Improved SINMAP model hazard zoning map of landslide disasters under four working conditions通过对比不同降雨工况下不同滑坡危险等级面积占比可以发现，随着降雨强度的增大，研究区危险性等级面积同样不断扩大。工况一下，极高危险区和高危险区面积占研究区百分比为5.06%，工况二下极高危险区和高危险区面积占研究区百分比为9.22%，增长了4.16%，工况三比工况二增加了18.74%，工况四比工况三增加了8.3%。随着降雨量的不断增长，高-极高危险区逐步从易汇集雨水的沟谷地区、砂岩坡度较陡的区域向山脊、道路以及库岸、河流河道两侧等坡度较缓的地区延伸。
3.3 两种模型对比分析
从整体评价结果看，两种不同SINMAP模型结果中，高-极高危险区主要分布在研究区库岸区域、河流河道两侧以及人类工程活动强烈的区域，具有较强的一致性，往往表现为主要交通干道两侧或者建造房屋造成的高陡边坡。
ROC曲线目前被广泛用于滑坡危险性结果的检验。通过最危险工况下评价结果的ROC曲线分析可知，改进SINMAP模型的AUC（Area Under Curve）=86.8%高于传统SINMAP模型的AUC=73.9%（图10），识别准确度提高了17.46%。表明改进SINMAP模型比传统SINMAP模型在整体上有更可靠的评价结果。
在滑坡的局部计算结果上，改进后的SINMAP模型结果具备识别效果好，空间分布较连续，计算结果更符合真实滑坡的实际发育特征的优势（图11）。
![]()
图 11 工况四模拟结果对比图Figure 11. Comparison diagram of simulation results for working condition four由表7可知，工况四中改进SINMAP模型有81.82％的滑坡点落入模拟结果为中危险等级以上的区域，大于传统SINMAP模型的72.73％；在改进SINMAP模型的最危险工况结果中，八角树滑坡和王家院子滑坡范围内有81.33%和92.27%的区域被识别为中危险区及以上，大于传统SINMAP模型的66.10%和77.91%，表明改进后的SINMAP模型能对滑坡发生的区域进行更有效的识别。
表 7 改进SINMAP模型4种工况下滑坡灾害危险分区统计表Table 7. Improved SINMAP model landslide hazard zoning statistical table under four working conditions工况 危险性分级 滑坡数
/个各危险等级
面积/m2占总滑坡
比例/%占总面积
比例/%工况一 低危险区 14 13 078 258 31.82 53.71 高危险区 21 10 039 697 47.73 41.23 中危险区 3 1 142 031 6.82 4.69 极高危险区 1 90 843 2.27 0.37 工况二 低危险区 11 8 676 595 25.00 35.63 中危险区 23 13 428 910 52.27 55.15 高危险区 9 1 940 453 20.45 7.97 极高危险区 1 304 871 2.27 1.25 工况三 低危险区 6 6 139 994 13.64 25.21 中危险区 22 11 401 591 50.00 46.82 高危险区 12 5 628 730 27.27 23.12 极高危险区 4 1 180 514 9.09 4.85 工况四 低危险区 4 5 579 180 9.09 22.91 中危险区 21 9 941 706 47.73 40.83 高危险区 10 6 363 600 22.73 26.13 极高危险区 9 2 466 343 20.45 10.13 对于典型单体滑坡，如：檬子树滑坡在2007年滑坡后缘出现横向宽约20～30 cm，长约50 m的张拉裂缝，坡体中部房屋受变形影响均有不同程度开裂。传统SINMAP的高危险区结果集中在檬子树滑坡后缘，整体结果较稳定。改进SINMAP的滑坡后缘和中部均出现高危险区，滑坡整体处于较不稳定状态，与实际调查结果相符。据野外实地调查，王大田滑坡中部道路鼓胀，房屋不同程度开裂，近几年来呈变形加重趋势。传统SINMAP结果的高危险区集中在王大田滑坡左右两侧，中部以中低危险区为主。而改进SINMAP的滑坡中部和左右两侧均出现高危险区，与实际调查结果接近，表明改进SINMAP模型的计算结果更加符合真实滑坡的实际发育趋势。
值得指出，传统SINMAP模型和改进SINMAP模型均对大周镇部分临江涉水滑坡的危险性评价结果偏低。原因为库水位变动引起涉水滑坡地下渗流场变化，降低了滑坡岩土体物理力学强度，减轻了岩体的有效重力，在SINMAP模型参数设置上未考虑涉水滑坡受库水位波动的动态影响，造成危险性评价结果偏低，部分涉水滑坡未能有效识别。
4. 结论
本文基于万州区大周镇滑坡孕灾条件与滑坡发育特征，对传统的SINMAP模型进行改进，得出如下研究结论：
（1）统计分析表明，最危险工况下改进SINMAP模型的AUC=86.8%高于传统SINMAP模型的AUC=73.9%，识别准确度提高了12.9%，表明改进SINMAP模型在整体上评价可靠性更强。
（2）在滑坡灾害区域模拟分析结果上，最危险工况下改进SINMAP模型有81.82％的滑坡点落入模拟结果为中危险等级以上的区域，大于传统SINMAP模型的72.73％，同时对典型灾害点的识别效果更好；改进SINMAP模型的高-极高危险区空间分布位置结果与实际滑坡变形发育区域情况更加符合，可见改进SINMAP模型对滑坡灾害局部区域模拟精度更高。
（3）总体而言，两种模型预测的高和极高滑坡危险区分布呈现沿水系、道路线状分布和人类工程活动强烈地段点状分布的特点。
-
![]()
图 2 环刀法获取未经削平的原状根系土样
Figure 2. Undisturbed root-soil samples arising from ring knife method
-
[1] 张庆云,陶诗言,彭京备. 我国灾害性天气气候事件成因机理的研究进展[J]. 大气科学,2008,32(4):815 − 825. [ZHANG Qingyun,TAO Shiyan,PENG Jingbei. The studies of meteorological disasters over China[J]. Chinese Journal of Atmospheric Sciences,2008,32(4):815 − 825. (in Chinese with English abstract)] DOI: 10.3878/j.issn.1006-9895.2008.04.10 ZHANG Qingyun, TAO Shiyan, PENG Jingbei. The studies of meteorological disasters over China［J］. Chinese Journal of Atmospheric Sciences, 2008, 32（4）: 815 − 825. （in Chinese with English abstract） DOI: 10.3878/j.issn.1006-9895.2008.04.10
[2] YASUHARA K,MURAKAMI S,MIMURA N. Geo-disasters in the context of climate change[J]. Japanese Geotechnical Society Special Publication,2015,3(2):45 − 50. DOI: 10.3208/jgssp.v03.j04
[3] BAKKENSEN L A,MENDELSOHN R. Global tropical cyclone damages and fatalities under climate change:An updated assessment[J]. Hurricane risk,2019,179-197.
[4] 施素芬,赵利刚. 强台风“云娜” 灾害特征及其评估[J]. 气象科技,2006,34(3):315 − 318. [SHI Sufen,ZHAO Ligang. Characteristics of severe typhoon rananim and its assessment[J]. Meteorological Science and Technology,2006,34(3):315 − 318. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1671-6345.2006.03.016 SHI Sufen, ZHAO Ligang. Characteristics of severe typhoon rananim and its assessment［J］. Meteorological Science and Technology, 2006, 34（3）: 315 − 318. （in Chinese with English abstract） DOI: 10.3969/j.issn.1671-6345.2006.03.016
[5] 郭云谦,王毅,沈越婷,等. 台风“利奇马” 不同区域降水极端性特征及成因分析[J]. 气象科学,2020,40(1):65 − 77. [GUO Yunqian;WANY Yi,SHEN Yueting,et al. Analysis on characteristics of the extreme precipitation of typhoon “Lekima”[J]. Journal of the Meteorological Sciences,2020,40(1):65 − 77. (in Chinese with English abstract)] DOI: 10.3969/2019jms.0081 GUO Yunqian;WANY Yi, SHEN Yueting, et al. Analysis on characteristics of the extreme precipitation of typhoon “Lekima”［J］. Journal of the Meteorological Sciences, 2020, 40（1）: 65 − 77. （in Chinese with English abstract） DOI: 10.3969/2019jms.0081
[6] ZHUANG Yu,XING Aiguo,SUN Qiang,et al. Failure and disaster-causing mechanism of a typhoon-induced large landslide in Yongjia,Zhejiang,China[J]. Landslides,2023,20(10):2257 − 2269. DOI: 10.1007/s10346-023-02099-3
[7] CHAU K T,SZE Y L,FUNG M K,et al. Landslide hazard analysis for Hong Kong using landslide inventory and GIS[J]. Computers & Geosciences,2004,30(4):429 − 443.
[8] TSOU C Y,FENG Zhengyi,CHIGIRA M. Catastrophic landslide induced by typhoon morakot,shiaolin,Taiwan[J]. Geomorphology,2011,127(3/4):166 − 178.
[9] SAITO H,KORUP O,UCHIDA T,et al. Rainfall conditions,typhoon frequency,and contemporary landslide erosion in Japan[J]. Geology,2014,42(11):999 − 1002.
[10] SAMODRA G,NGADISIH N,MALAWANI M N,et al. Frequency–magnitude of landslides affected by the 27–29 November 2017 Tropical Cyclone Cempaka in Pacitan,East Java[J]. Journal of Mountain Science,2020,17(4):773 − 786.
[11] NG C W W,YANG B,LIU Z Q,et al. Spatiotemporal modelling of rainfall-induced landslides using machine learning[J]. Landslides,2021,18(7):2499 − 2514. DOI: 10.1007/s10346-021-01662-0
[12] 王照财. 风荷载作用下植被对边坡稳定性影响研究[D]. 成都:成都理工大学,2014. [WANG Zhaocai. Study on the influence of vegetation on slope stability under wind load[D]. Chengdu:Chengdu University of Technology,2014. (in Chinese with English abstract)] WANG Zhaocai. Study on the influence of vegetation on slope stability under wind load［D］. Chengdu: Chengdu University of Technology, 2014. （in Chinese with English abstract）
[13] 张泰丽. 浙江省东部台风暴雨诱发滑坡变形特征和成因机制研究[D]. 武汉:中国地质大学,2016. [ZHANG Taili. Study on deformation characteristics and genetic mechanism of landslide induced by typhoon and rainstorm in eastern Zhejiang Province[D]. Wuhan:China University of Geosciences,2016. (in Chinese with English abstract)] ZHANG Taili. Study on deformation characteristics and genetic mechanism of landslide induced by typhoon and rainstorm in eastern Zhejiang Province［D］. Wuhan: China University of Geosciences, 2016. （in Chinese with English abstract）
[14] 闫金凯,黄俊宝,李海龙,等. 台风暴雨型浅层滑坡失稳机理研究[J]. 地质力学学报,2020,26(4):481 − 491. [YAN Jinkai,HUANG Junbao,LI Hailong,et al. Study on instability mechanism of shallow landslide caused by typhoon and heavy rain[J]. Journal of Geomechanics,2020,26(4):481 − 491. (in Chinese with English abstract)] DOI: 10.12090/j.issn.1006-6616.2020.26.04.041 YAN Jinkai, HUANG Junbao, LI Hailong, et al. Study on instability mechanism of shallow landslide caused by typhoon and heavy rain［J］. Journal of Geomechanics, 2020, 26（4）: 481 − 491. （in Chinese with English abstract） DOI: 10.12090/j.issn.1006-6616.2020.26.04.041
[15] ZHUANG Yu,XING Aiguo,JIANG Yuehua,et al. Typhoon,rainfall and trees jointly cause landslides in coastal regions[J]. Engineering Geology,2022,298:106561.
[16] BUMA B,JOHNSON A C. The role of windstorm exposure and yellow cedar decline on landslide susceptibility in southeast Alaskan temperate rainforests[J]. Geomorphology,2015,228:504 − 511.
[17] EMADI-TAFTI M,ATAIE-ASHTIANI B. A modeling platform for landslide stability:A hydrological approach[J]. Water,2019,11(10):2146.
[18] 孔维伟,赵其华,韩俊,等. 台风滑坡变形破坏机制模型试验研究[J]. 工程地质学报,2013,21(2):297 − 303. [KONG Weiwei,ZHAO Qihua,HAN Jun,et al. Model experiments for deformation and failure mechanism of typhoon induced landslide[J]. Journal of Engineering Geology,2013,21(2):297 − 303. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1004-9665.2013.02.016 KONG Weiwei, ZHAO Qihua, HAN Jun, et al. Model experiments for deformation and failure mechanism of typhoon induced landslide［J］. Journal of Engineering Geology, 2013, 21（2）: 297 − 303. （in Chinese with English abstract） DOI: 10.3969/j.issn.1004-9665.2013.02.016
[19] FORRER I,PAPRITZ A,KASTEEL R,et al. Quantifying dye tracers in soil profiles by image processing[J]. European Journal of Soil Science,2000,51(2):313 − 322.
[20] SCHWÄRZEL K,EBERMANN S,SCHALLING N. Evidence of double-funneling effect of beech trees by visualization of flow pathways using dye tracer[J]. Journal of Hydrology,2012,470:184 − 192.
[21] 张家明,徐则民,李峰. 植被发育斜坡土体大孔隙分布特征的染色示踪法研究[J]. 山地学报,2015,33(1):1 − 7. [ZHANG Jiaming,XU Zemin,LI Feng. Heterogeneous characteristics of macropores in soil of well vegetated slopes by dye tracing method[J]. Mountain Research,2015,33(1):1 − 7. (in Chinese with English abstract)] ZHANG Jiaming, XU Zemin, LI Feng. Heterogeneous characteristics of macropores in soil of well vegetated slopes by dye tracing method［J］. Mountain Research, 2015, 33（1）: 1 − 7. （in Chinese with English abstract）
[22] YANG Ming,DÉFOSSEZ P,DUPONT S. A root-to-foliage tree dynamic model for gusty winds during windstorm conditions[J]. Agricultural and Forest Meteorology,2020,287:107949. DOI: 10.1016/j.agrformet.2020.107949
[23] MAIR A,DUPUY L X,PTASHNYK M. Model for water infiltration in vegetated soil with preferential flow oriented by plant roots[J]. Plant and Soil,2022,478(1):709 − 729.
[24] ZHUANG Yu,XING Aiguo,PETLEY D,et al. Elucidating the impacts of trees on landslide initiation throughout a typhoon:Preferential infiltration,wind load and root reinforcement[J]. Earth Surface Processes and Landforms,2023,48(15):3128 − 3141. DOI: 10.1002/esp.5686
[25] 豆红强,简文彬,王浩,等. 高植被覆盖区台风暴雨型滑坡成灾机制及预警模型研究综述[J]. 自然灾害学报,2023,32(2):1 − 15. [DOU Hongqiang,JIAN Wenbin,WANG Hao,et al. Review of failure mechanism and early warning model of landslides induced by typhoon and associated rainstorm in high vegetation coverage area[J]. Journal of Natural Disasters,2023,32(2):1 − 15. (in Chinese with English abstract)] DOU Hongqiang, JIAN Wenbin, WANG Hao, et al. Review of failure mechanism and early warning model of landslides induced by typhoon and associated rainstorm in high vegetation coverage area［J］. Journal of Natural Disasters, 2023, 32（2）: 1 − 15. （in Chinese with English abstract）
[26] LEUNG A K,GARG A,COO J L,et al. Effects of the roots of Cynodon dactylon and Schefflera heptaphylla on water infiltration rate and soil hydraulic conductivity[J]. Hydrological Processes,2015,29(15):3342 − 3354. DOI: 10.1002/hyp.10452
[27] JOTISANKASA A,SIRIRATTANACHAT T. Effects of grass roots on soil-water retention curve and permeability function[J]. Canadian Geotechnical Journal,2017,54(11):1612 − 1622. DOI: 10.1139/cgj-2016-0281
[28] CAMIRÉ C,CÔTÉ B,BRULOTTE S. Decomposition of roots of black alder and hybrid poplar in short-rotation plantings:Nitrogen and lignin control[J]. Plant and Soil,1991,138(1):123 − 132. DOI: 10.1007/BF00011814
[29] 宋尊荣,秦佳双,李明金,等. 南亚热带马尾松人工林根系生物量分布格局[J]. 广西师范大学学报(自然科学版),2020,38(1):149 − 156. [SONG Zunrong,QIN Jiashuang,LI Mingjin,et al. Study on root biomass of pinus massoniana plantations in subtropical China[J]. Journal of Guangxi Normal University (Natural Science Edition),2020,38(1):149 − 156. (in Chinese with English abstract)] SONG Zunrong, QIN Jiashuang, LI Mingjin, et al. Study on root biomass of pinus massoniana plantations in subtropical China［J］. Journal of Guangxi Normal University （Natural Science Edition）, 2020, 38（1）: 149 − 156. （in Chinese with English abstract）
[30] WU T H,MCKINNELL W P,SWANSTON D N. Strength of tree roots and landslides on prince of Wales Island,Alaska[J]. Canadian Geotechnical Journal,1979,16(1):19 − 33. DOI: 10.1139/t79-003
[31] MATSUSHI Y,MATSUKURA Y. Cohesion of unsaturated residual soils as a function of volumetric water content[J]. Bulletin of Engineering Geology and the Environment,2006,65(4):449 − 455. DOI: 10.1007/s10064-005-0035-9
[32] GHESTEM M,SIDLE R C,STOKES A. The influence of plant root systems on subsurface flow:Implications for slope stability[J]. BioScience,2011,61(11):869 − 879. DOI: 10.1525/bio.2011.61.11.6
[33] TOBELLA A B,REESE H,ALMAW A,et al. The effect of trees on preferential flow and soil infiltrability in an agroforestry parkland in semiarid Burkina Faso[J]. Water Resources Research,2014,50(4):3342 − 3354. DOI: 10.1002/2013WR015197
[34] LUO Ziteng,NIU Jianzhi,ZHANG L,et al. Roots-enhanced preferential flows in deciduous and coniferous forest soils revealed by dual-tracer experiments[J]. Journal of Environmental Quality,2019,48(1):136 − 146. DOI: 10.2134/jeq2018.03.0091
下载:
计量
- 文章访问数: 6
- HTML全文浏览量: 1
- PDF下载量: 3
邮件订阅
RSS