EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 4: 599 - 611

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.520

第三次新疆综合科学考察

基于CMIP6未来情景的伊犁河流域地质灾害危险性评估预测

  • 陈世泷 , 1, 2 ,
  • 孟庆凯 , 1 ,
  • 戴勇 1, 3 ,
  • 杨立强 4 ,
  • 吴晗 1
展开
  • 1.山地自然灾害与工程安全全国重点实验室，中国科学院水利部成都山地灾害与环境研究所，四川 成都 610299
  • 2.成都理工大学地球物理学院，四川 成都 610059
  • 3.青海大学土木水利学院，青海 西宁 810016
  • 4.成都理工大学核技术与自动化工程学院，四川 成都 610059
孟庆凯（1987-），男，博士，研究员，硕士生导师，主要从事地质灾害遥感监测与早期预警等方面的研究. E-mail:

陈世泷（2000-），男，硕士研究生，主要从事地质灾害遥感监测等方面的研究. E-mail:

收稿日期: 2024-09-02

  修回日期: 2024-09-23

  网络出版日期: 2026-03-11

基金资助

第三次新疆综合科学考察项目(2022xjkk0600)

国家自然科学基金项目(42371091)

中国科学院特别资助项目资助

收起

Geological disaster hazard assessment and prediction in the Ili River Basin based on CMIP6 future scenarios

  • Shilong CHEN , 1, 2 ,
  • Qingkai MENG , 1 ,
  • Yong DAI 1, 3 ,
  • Liqiang YANG 4 ,
  • Han WU 1
Expand
  • 1. State Key Laboratory of Mountain Hazards and Engineering Resilience, Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610299, Sichuan, China
  • 2. College of Geophysics, Chengdu University of Technology, Chengdu 610059, Sichuan, China
  • 3. College of Civil Engineering and Water Resources, Qinghai University, Xining 810016, Qinghai, China
  • 4. College of Nuclear Technology and Automation Engineering, Chengdu University of Technology, Chengdu 610059, Sichuan, China

Received date: 2024-09-02

  Revised date: 2024-09-23

  Online published: 2026-03-11

Fold

摘要

为探究未来近期气候变化对伊犁河流域地质灾害影响，选用第六次国际耦合模式比较计划（Coupled model intercomparison project phase 6，CMIP6）不同情景气候数据，分析2021—2040年未来气候变化特征，采用加权信息量-随机森林模型，开展崩滑、泥石流等地质灾害危险性评估预测。结果表明：（1） 崩滑灾害高、极高危险区主要分布在伊宁县北部低山丘陵区及尼勒克县南部、新源县北部中山丘陵区等，泥石流灾害高、极高危险区主要分布在霍城县科古琴山北部、昭苏县南部、和静县及尼勒克县东部中高山区。（2） 2021—2040年伊犁河流域将呈现气温升高、降水增加趋势，年均气温上升最大约1.53 ℃，降水量增幅约19.3 mm。（3） 未来不同共享社会经济路径SSP126、SSP245、SSP370、SSP585情景下地质灾害高危险区面积扩大，伊宁县南部、新源县北部及尼勒克县西南区域的崩滑灾害，霍尔果斯市北部、伊宁县的泥石流灾害危险程度进一步加剧，最大增幅分别为17.31%、8.77%。该研究结果为科学应对未来气候变化下伊犁河流域防灾减灾提供重要参考。

关键词： CMIP6; 地质灾害; 危险性预测; 气候变化; 伊犁河流域

本文引用格式

陈世泷 , 孟庆凯 , 戴勇 , 杨立强 , 吴晗 . 基于CMIP6未来情景的伊犁河流域地质灾害危险性评估预测[J]. 干旱区地理, 2025 , 48(4) : 599 -611 . DOI: 10.12118/j.issn.1000-6060.2024.520

Abstract

To assess the impact of future climate change on geological hazard zoning in the Ili River Basin, Xinjiang, China, climate data from different scenarios of the Coupled Model Intercomparison Project Phase 6 (CMIP6) were selected to analyze climate change characteristics under various shared socioeconomic pathway (SSP) scenarios from 2021 to 2040. The information quantity-random forest model was employed to conduct the geological hazard assessment and generate a prediction map. The results indicate that: (1) High and extremely high hazard areas are primarily concentrated in northern Yining County, southern Nilka County, and northern Xinyuan County in the middle mountainous hilly regions; debris flow hazard areas are mainly located in southern Zhaosu County, the northern region of Keguqin Mountain in Huocheng County, Hejing County, and the middle-to-high mountainous areas in eastern Nilka County. (2) From 2021 to 2040, the Ili River Basin is projected to experience a general increase in temperature and precipitation, with a maximum annual average temperature rise of approximately 1.53 ℃ and a maximum precipitation increase of about 19.3 mm. (3) Under future SSP126, SSP245, SSP370, and SSP585 scenarios, high-hazard areas for landslides and rockfalls are expected to expand. The severity of landslides in southern Yining County, northern Xinyuan County, and southwestern Nilka County, as well as debris flows in northern Khorgas City and Yining County, is anticipated to worsen, with maximum increases of 17.31% and 8.77%, respectively. The findings of this study provide valuable insights for future disaster prevention and mitigation efforts in the Ili River Basin.

Key words： CMIP6; geological disasters; hazard assessment prediction; climate change; Ili River Basin

中国是地质灾害最严重国家之一，气候变化背景下，极端高温、短历时强降水等诱发条件改变致使地质灾害呈现强度上升、频率增加、规模及影响范围扩大等特点[1]，加之脆弱的地质环境，更易造成重大人员伤亡和财产损失[2-3]。面对地质灾害严峻挑战，学者们从重大灾害事件成因机制、区域地质灾害分布规律及风险评估、内外动力耦合下地质灾害运动机理、地质灾害监测预警等多角度推动地质灾害风险管理和防灾减灾。地质灾害危险性评价作为风险评估管理的关键组成，指区域内一定时间地质灾害发生的强度与可能性，用以分析地质灾害发生的时间概率、破坏强度及其扩展和影响范围，评价区划结果是土地利用规划、地质灾害防治的科学依据，也是保障人民生命财产安全、促进经济建设的重要基础[4-5]。
国际上针对地质灾害评估，Ragozin等[6]从理论上研究了滑坡灾害危险性，并提出利用滑坡特征和时间关系建立区域滑坡灾害评估的定量模型；Guzzetti等[7]将研究区50 a内发生的滑坡进行分类，利用泊松概率模型，预测滑坡发生规模与时间；Naidu等[8]利用聚类和回归分析结合的方法，确定引发滑坡的降水阈值，结合区域稳定性分析评估滑坡高易发区；Caleca等[9]基于滑坡敏感性、滑坡强度、建筑物脆弱性定量评估山体滑坡风险性；国内方面黄润秋等[10⇓-12]先后利用信息量模型、多因素逻辑回归模型、神经网络模型等定量评估滑坡灾害危险性。庄建琦等[13]利用产流计算模型，结合经验公式对泥石流流量及汇流过程预测，明确泥石流高易发区；刘艳辉等[14-15]从不同评价单元、评估模型等，探讨区域地质灾害危险性精度。随着高分辨率卫星遥感、无人机、InSAR技术发展，许强等[16]提出“天-空-地”一体化监测体系进行地质灾害早期识别，探究区域地质灾害发育规律，进一步优化区域危险性分区的精细程度。
为探究气候变化对地质灾害影响，世界气候研究计划发起国际耦合模式比较计划（Coupled model intercomparison project，CMIP），CMIP6针对不同的共享社会经济路径（Shared socio-economic pathways，SSPs）及最新的人为排放趋势，提出新的预估情景模拟未来气候[17]。学者们基于CMIP6数据结合区域灾害分布及评估模型，开展未来灾害发生概率、风险区划、灾害损失等工作：林齐根等[18]选择低、中、高3种SSP情景预估温升2.0 ℃情景下中国地质灾害频次增加1.2%~15.6%；Lin等[19]利用CMIP6多模式集合数据探究滑坡发生频率变化，预计21世纪末滑坡发生率增加33%；王霞等[20]基于未来降水、人口数据构建滑坡灾害风险评估模型，预估年均伤亡人口上升至956人。
尽管学者们已开始关注气候变化下地质灾害影响并取得一定成绩，但目前基于CMIP6气候情景的新疆伊犁河流域地质灾害危险性评估预测相关研究较少。本文依托第三次新疆综合科学考察，在系统查明伊犁河流域内崩塌、滑坡、泥石流地质灾害空间分布的基础上，构建危险性评估体系，考虑传统栅格单元分割破坏了自然斜坡的完整性和发育状况，且与灾害发生缺乏物理联系，提取斜坡、流域为崩滑、泥石流评价单元，采用加权信息量-随机森林模型，结合CMIP6未来情景数据分析2021—2040年气候变化特征，开展地质灾害危险性评价预测，为伊犁河流域地质灾害防灾减灾提供重要参考。

1 研究区概况

伊犁河流域地处新疆西部，是中国连接中亚、西亚和欧洲等地的重要通道，也是新疆地质灾害防治工作的重点区域[21⇓-23]。研究区地理位置介于80°09′~84°56′E，42°14′~44°50′N之间（图1），整体表现为“三山夹两谷一盆地”地形轮廓，中部的阿吾拉勒山、伊什基里克山、铁木里克山、乌孙山将伊犁河流域划分为喀什河谷地、伊犁河-巩乃斯谷地及昭苏-特克斯盆地[24]。区域地质构造复杂，由北向南分布伊犁盆地北缘断裂、阿吾拉勒山南坡断裂、科克博河断裂、那拉提断裂等12条活动断裂带。地表水系主要分布伊犁河及其三大支流——特克斯河、巩乃斯河和喀什河，年径流量1.53×1010 m3，占新疆地表径流总量的19%，为地区经济发展提供十分丰富的水资源。气候特征上研究区内多年平均最高气温26.3 ℃，最低气温17.5 ℃。西宽东窄地形影响下年均降水量在200~550 mm，是新疆降水最丰富地区。
图1 研究区示意图

Fig. 1 Schematic diagram of the study area

2 数据与方法

2.1 数据来源

2.1.1 地质灾害数据

本文在收集历史灾害资料、查阅文献的基础上[25]，采用2000—2020年Google Earth、GF-2等多期卫星影像对比，考虑光谱、纹理、色调及植被、水文、地貌、人类活动等周边环境，建立遥感解译标志，开展崩滑、泥石流室内初步解译，结合野外调查（图2），完善解译成果，形成地质灾害分布图（图3），共包括1833处灾害，其中滑坡1198处、泥石流491处、崩塌144处，以中小型黄土滑坡、岩质崩塌及泥石流为主。从空间分布来看，崩滑灾害广泛分布在河流阶地、低山丘陵及山前坡地区，泥石流主要分布在科古琴山、哈尔克他乌山等中高山区，其物源来自冻融和冰川作用下松散碎屑物质，易在春季融雪和夏季降雨形成冰川融雪型泥石流。
图2 地质灾害野外调查验证

Fig. 2 Field investigation of geological disasters in the Ili River Basin

图3 伊犁河流域地质灾害分布

Fig. 3 Distribution of geological disasters in the Ili River Basin

2.1.2 气候数据

本文基于CMIP6数据集，考虑不同气候模型的数据适用性[26-27]，选取EC-Earth3模式下4种情景数据作为未来气候预测数据集，精度为30″，4种情景数据分别为SSP126、SSP245、SSP370、SSP585。其中，SSP126代表低社会脆弱性、低减缓压力和低辐射强迫的综合影响；SSP245代表中等社会脆弱性与中等辐射强迫组合；SSP370是CMIP6中新增的辐射强迫情景，代表高社会脆弱性与相对高的人为辐射强迫组合；SSP585表示CMIP6唯一可实现2100年人为辐射强迫达到8.5 W·m-2的共享社会经济路径[28]。

2.1.3 地质灾害孕灾环境数据

考虑伊犁河流域地质灾害发育主要受地形地貌、水文地质、植被覆盖、气候变化、地震等多因素共同影响[29]，选择高程、坡度、坡向、曲率、工程地质岩组、土地利用类型、距河流距离、距断层距离、地震峰值加速度（PGA）、降水量、气温共11个评价指标构建危险性评价体系，数据来源如表1所示。
表1 灾害评价指标数据来源

Tab. 1 Data sources of hazard evaluation indicators

数据内容 评价指标 数据来源
数字高程模型数据 坡度 https://www.gscloud.cn
坡向 https://www.gscloud.cn
高程 https://www.gscloud.cn
曲率 https://www.gscloud.cn
距河流距离 https://www.gscloud.cn
土地利用类型数据 土地利用类型 http://www.globallandcover.com
工程地质岩组数据 工程地质岩组 http://www.ngac.org.cn/ddzt/index1.html
断层数据 距断层距离 http://www.ngac.org.cn/ddzt/index1.html
地震峰值加速度数据 PGA https://zenodo.org
气候数据 降水量 https://worldclim.org
气温 https://worldclim.org

注：PGA为地震峰值加速度。下同。

2.2 研究方法

本文通过DEM提取划分不同评价单元，分析区域地质灾害发育特征，采用信息量定量表征灾害危险性，结合随机森林模型明确地质灾害主控因子，构建危险性评估体系，结合历史与未来气候变化特征，开展区域危险性评估预测。

2.2.1 评价单元

在地质灾害形成过程中，地形地貌具有明显控制作用，传统栅格单元分割破坏了自然斜坡的完整性和发育状况，且与灾害缺乏物理联系[30-31]，故本文采用DEM水文分析，包括填洼、获取流向、流量、提取河网、生成集水区获得流域单元，并通过反转地形、水流方向提取、汇流累积量计算、反向集水区、正反流域多边形合并等操作，加以对不合理单元结合地貌特征人工修正获取斜坡单元，将流域单元作为泥石流危险性评价单元，斜坡单元作为崩滑危险性评价单元（图4）。
图4 评价单元划分

Fig. 4 Division flowchart of evaluation unit

2.2.2 信息量模型

信息量模型反映一定地质环境下最易致灾因素及其细分区间的组合，通过特定评价单元内某种因素作用下全区地质灾害发生频率与区域地质灾害发生频率相比较实现[32]。由于每个评价单元受众多因素综合影响，各状态因素组合条件下地质灾害发生的信息量可用下式确定：
I = ∑ i = 1 n l n N i / N S i / S
式中：I为对应特定单元地质灾害发生的信息量，指示地质灾害发生的可能性，可作为地质灾害危险性指数； N i为对应特定因素第i状态（或区间）条件下的地质灾害面积； S i为对应特定因素第i状态（或区间）的分布面积；N为研究区地质灾害总面积；S为研究区总面积。
在确定研究区灾害评价指标的基础上，通过构建信息量模型，对11个评价因子分类赋值，得到各分区评价指标所对应信息量。

2.2.3 随机森林模型

随机森林（RF）是Bagging的一个扩展变体，以决策树为基学习器构建Bagging集成的基础上，在训练过程进一步引入随机属性选择[33]。RF模型基本思想是Bootstrap从原始训练集随机抽取k个样本，且每个样本的样本容量都与原始训练集一样；其次，对k个样本分别建立k个决策树模型，得到k种分类结果（图5）；最后，选择最优分类结果进行划分。选取与地质灾害点数量相同的非灾害点共同作为样本集，随机采用选取70%样本点组成训练集，剩余样本点组成测试集。借助Python平台对RF模型进行训练，得到不同危险性评价指标因子权重。
图5 技术流程图

Fig. 5 Technical flowchart

2.2.4 加权信息量-随机森林模型

传统信息量模型在地质灾害评价中针对各评价因子直接进行信息量叠加运算，未考虑评价因子间权重，而不同评价因子对地质灾害发生的作用程度不同，影响灾害危险性分区结果[34]。利用随机森林模型对信息量模型加以改进，从随机森林模型获取到11个评价指标的权重与信息量相乘，得到不同的加权信息量。具体表达式为：
Y = ∑ i = 1 n ω i l n N i / N S i / S
式中：Y为综合信息量值； ω i为随机森林模型获得的评价因子i的权重。
在获得不同评价指标加权信息量值的基础上，各评价因子基于ArcGIS平台进行叠加分析后绘制研究区地质灾害危险性区划。

3 结果与分析

3.1 评价体系构建

结合研究区孕灾背景特征[35]，本文对11个评价因子进行分区，结合信息量模型，利用GIS技术获取各因子分区信息量（表2），评价因子分区如图6所示。
表2 评价因子信息量

Tab. 2 Information amount of assessment factors

评价因子 分区 崩滑信息量 泥石流信息量 评价因子 分区 崩滑信息量 泥石流信息量
坡度/(°) <5 -1.523 -1.511 距断层距离/m <1000 0.685 -0.887
5~15 0.008 -0.924 1000~2000 0.102 -0.751
15~25 0.887 0.067 2000~5000 -0.068 0.035
25~40 0.285 0.670 5000~10000 0.158 0.338
>40 -0.687 1.363 >10000 -1.271 0.089
坡向/(°) 北 0.013 -0.661 工程地质岩组 坚硬中-厚层状碳酸盐岩组 -0.945 0.591
东北 0.425 0.600
东 0.327 0.357 坚硬块状花岗岩岩组 -0.316 0.765
东南 -0.249 0.252
南 -0.907 -0.009 第四系冲洪积、风积、 冰积黄土 0.867 -1.987
西南 -0.267 -0.256
西 0.325 0.036
西北 0.037 -0.292 互层状较软砂岩、砾岩为主的
碎屑岩岩组		 0.584 0.159
高程/m <1000 -3.569 -5.539
1000~1500 0.422 -1.637
1500~2000 0.873 -1.527 坚硬、较坚硬砂岩为主的
碎屑岩岩组		 0.756 -1.208
2000~3000 -0.463 0.238
>3000 -0.526 1.289
曲率 <-1.00 -0.157 0.372 PGA/g <0.2 -1.420 -0.644
-1.00~-0.35 -0.274 -0.612 0.2~0.25 0.010 0.319
-0.35~0.35 -0.671 -0.737 0.25~0.3 0.446 -0.552
0.35~1.00 0.803 0.558 0.3~0.4 -0.300 0.104
>1.00 0.054 0.211 >0.4 0.000 0.000
土地利用类型 裸地 -0.482 0.988 气温/℃ <-4 -0.443 1.281
农作物 -2.359 -6.898 -4~0 -0.553 -0.531
建筑用地 -3.305 0.000 0~4 0.822 -1.615
灌木林地 0.347 -0.097 4~8 -0.132 -2.003
其他 -1.424 0.762 >8 -6.175 -5.112
距河流距离/m <200 0.020 1.044 降水量/mm <250 -0.043 -3.174
200~500 0.392 1.281 250~350 0.227 -0.956
500~1000 0.481 -0.086 350~450 -0.359 0.987
1000~2000 -0.011 -1.597 450~550 -1.053 1.197
>2000 -0.790 -3.225 >550 -0.465 0.502
图6 危险性评价因子分区图

注：PGA为地震峰值加速度。

Fig. 6 Zonation maps of hazard assessment indicators

由孕灾因子分区信息量表2可知，崩滑灾害在15°~25°坡度，1500~2000 m高程，气温0~4 ℃，第四系冲洪积、冰积、风积黄土，距断层距离<1000 m信息量较大，更容易发生崩滑灾害，泥石流在坡度>40°、高程>3000 m、距河流距离<500 m、气温<-4 ℃、降水量450~550 mm灾害发生概率较高。

3.2 危险性评价

通过评价因子分区图，结合加权信息量-随机森林模型权重，运用ArcGIS平台进行叠加分析，根据自然断点法将研究区划分为极低危险区、低危险区、中危险区、高危险区和极高危险区，得到地质灾害危险性分区图（图7）。
图7 伊犁河流域地质灾害危险性分区

Fig. 7 Geological hazard zoning in the Ili River Basin

结果可知，伊犁河流域崩塌与滑坡灾害高、极高危险区分别占24.84%和15.22%，泥石流高、极高危险区分别占27.83%和16.28%。崩滑灾害极高危险区主要集中在霍尔果斯市、霍城县北部果子沟沟口及伊宁县北部吉尔格郎河中低山丘陵地区，该区人类工程活动强烈，因人工切坡及降水等因素影响，易发生崩滑灾害；尼勒克县南部-新源县北部喀什河南岸中山丘陵区位于喀什河断裂附近，地貌侵蚀作用强烈，河岸常年受水流侵蚀，通过掏空坡脚，软化坡脚岩土改变斜坡的临空状态，引发崩滑灾害的产生；察布查尔县南部阿苏沟周边以及特克斯县、昭苏县乌尊布拉克乡北东的中山区及低山丘陵区，区域黄土结构疏松、垂直节理比较发育，湿陷性强，受降水、融雪影响，降低土体抗剪强度、增加斜坡土体容重，加大土体下滑力，易产生大面积、群发性的湿陷性滑塌。泥石流高、极高危险区主要集中在霍城县科古琴山北部，该区域基岩风化强烈，节理裂隙发育，破碎岩石堆积于沟谷处，为泥石流提供丰富物源，易发育沟谷型泥石流；昭苏县南部、和静县及尼勒克县东部中高山地区由于冰雪、冰川消融作用为泥石流提供水动力条件，加之沟谷内崩塌、落石等松散位置丰富，在暴雨与冰雪消融共同作用下常形成较大规模的泥石流。

3.3 未来气候变化特征

根据CMIP6气候数据经划分时空范围，信息合并提取、分区变量统计、空间属性分析等处理后得到2021—2040年未来近期年最高气温、最低气温，年均气温及降水量分布与时序变化图（图8~9）。
图8 伊犁河流域年均气温、降水量时序变化

Fig. 8 Time-series variations of annual average temperature and precipitation in the Ili River Basin

图9 2021—2040年不同情景下气温及降水量预测图

Fig. 9 Temperature and precipitation prediction maps under different scenarios from 2021 to 2040

从图8得知不同情景下未来年均气温都呈现升高趋势，降水量总体波动上升，预计SSP126情景2024年，SSP370情景2026、2036年，SSP585情景2039年降水波动异常显著，降水量高达568.21 mm。
图9显示，年最高气温空间分布以伊宁市为高温中心向东逐渐减少（图9a~d），年最低气温极小值分布于伊犁河流域南部哈尔克他乌山区及尼勒克县东部中高山区（图9e~h）；2021—2040年SSP126、SSP245、SSP370、SSP585年均气温分别为3.89 ℃、3.96 ℃、3.89 ℃和4.10 ℃，特别在SSP585高强迫情景下伊宁市、可克达拉市周边及中部伊犁河两岸地区年均高温表现明显（图9i~l），不同情景年均降水量分别为330.27 mm、327.28 mm、328.50 mm、340.96 mm，SSP585高强迫情景降水量主要分布于霍尔果斯市北部、乌孙山、昭苏县南部哈尔克他乌山及尼勒克县东部阿吾拉勒山山区（图9m~p）。
以2000—2020年均气温、降水数据为基准期，选择SSP585高强迫情景代表未来2021—2040年气候数据，按照县域尺度划分，获取伊犁河流域未来气候变化区域特征。如图10所示，未来研究区总体呈现气温升高，降水增加的“暖湿化”现象，年均气温上升约1.53 ℃，降水量增加19.3 mm。伊犁河流域北部区域升温幅度明显，包括霍尔果斯市、霍城县、可克达拉市、伊宁市、伊宁县、尼勒克县，霍尔果斯市升幅最高达1.95 ℃，年均降水主要在昭苏县、霍尔果斯市、特克斯县等区域增加较为明显，最高为30.48 mm。研究区主要受西风带影响，气候变化导致西风带北移，北部地区升幅明显，而山谷的地形有利于水蒸气的积累[36]，在大气环流作用下，南部山区地形起伏大，暖湿气流更易被抬升，导致降水增加显著，造成未来气温、降水变化空间不一致。
图10 SSP585情景下未来年均气温、降水分区变化（相较2000—2020年）

Fig. 10 Changes in annual average temperature and precipitation zones under the SSP585 scenario (compared to 2000—2020)

3.4 危险性预测

将不同情景下未来年均气温、降水数据替代历史气候数据构建地质灾害危险性评价指标，采用加权信息量-随机森林模型，通过流域与斜坡单元叠加分析，得到2021—2040年伊犁河流域崩滑、泥石流灾害危险性预测图（图11），统计分区面积占比（表3）。
图11 2021—2040年不同情景下崩滑、泥石流灾害危险性预测图

Fig. 11 Landslide and rockfall, debris flow hazard prediction zonation maps under different scenarios from 2021 to 2040

表3 伊犁河流域不同情景危险性分区占比

Tab. 3 Proportion of hazard zones under different scenarios in the Ili River Basin /%

崩滑危险区等级 2000—2020年 2021—2040年
SSP126 SSP245 SSP370 SSP585
极低危险区 15.12 7.74 10.01 8.64 5.79
低危险区 17.63 8.26 11.69 10.24 10.08
中危险区 27.19 35.21 35.15 28.49 26.76
高危险区 24.84 28.65 27.32 31.25 32.61
极高危险区 15.22 20.14 15.83 21.38 24.76
泥石流危险区等级 2000—2020年 2021—2040年
SSP126 SSP245 SSP370 SSP585
极低危险区 8.71 3.21 3.11 3.02 3.28
低危险区 19.71 16.86 17.47 14.64 14.94
中危险区 27.47 32.58 34.86 32.71 28.90
高危险区 27.83 29.12 27.79 30.06 31.34
极高危险区 16.28 18.23 16.77 19.57 21.54
上述结果表明，未来近期不同情景下伊犁河流域高危险性整体上升，扩大程度SSP585>SSP370>SSP126>SSP245。崩滑灾害高危险区、极高危险区占比总体较当前时期提升3.09%~17.31%，其中和静县、尼勒克县东部未来危险程度加剧，由中转为高危险区，伊宁县南部、新源县北部及尼勒克县西南区域危险性进一步加剧，由高转为极高危险区；泥石流高危险区、极高危险区占比总体提升0.45%~8.77%，在霍尔果斯市北部、伊宁县危险性进一步加剧，由高转为极高危险区。气候变化导致降水与冰雪消融，软化岩土体使其强度降低，导致坡体内部软化，形成崩滑。同时气温升高、降水强度增大，为泥石流暴发提供更为丰富水动力条件，对周边居民及房屋、道路、公共设施、景区等造成生命财产威胁，值得重点关注。

4 讨论

本文基于CMIP6不同情景分析了未来伊犁河流域气候特征，2021—2040年研究区总体呈现气温升高，降水增加的“暖湿化”现象，与以往研究中取得结论基本一致[37-38]，但研究者采用不同气候模式在局部地区存在差异，特别在复杂山区需进一步融合多源数据产品提高其准确性。气候变化下和静县、尼勒克县、伊宁县、新源县北部及霍尔果斯市的地质灾害危险性将呈增加趋势，主要原因在于霍尔果斯市、伊宁县位于中低山区，强烈的侵蚀作用已造成沟谷分布大量碎屑物，在暖湿化情景下易诱发滑坡、泥石流灾害；尼勒克县、新源县北部主要位于中低山、河谷冲洪积平原，分布大量第四系黄土，在气温升高的情况下，易诱发融雪滑坡、泥石流灾害；和静县尽管增幅相对较小，但地处高山区，可能诱发融雪型滑坡、冰川泥石流等灾害。此外，本文从区域评估角度，将崩塌、滑坡、泥石流作为整体，选择灾害范围的几何中心提取灾害评价数据，有利于统一不同灾种数据，适宜评估大尺度地质灾害危险性，但考虑地质灾害的发生也受区域构造、地层岩性等因素影响，后续将选择典型区域分灾种、分类型开展中小尺度精细评价，结合人类活动、城镇建筑物结构等承灾体暴露度和易损性特征开展地质灾害风险性预测，提出相应的防灾减灾建议。

5 结论

（1） 以斜坡单元作为评价单元，研究区崩滑灾害在15°~25° 坡度，1500~2000 m高程，气温0~4 ℃，第四系冲洪积、冰积、风积黄土，距断层距离<1000 m更容易发生。高、极高危险区分别占24.84%和15.22%，主要集中于霍尔果斯市、霍城县低山丘陵区、伊宁县北部，尼勒克县北部，尼勒克县南部-新源县北部中山丘陵区，察布查尔县南部，特克斯县、昭苏县北部地区。以流域单元评价泥石流在坡度>40°、高程>3000 m、降水量450~550 mm、气温<-4 ℃、距河流距离<500 m范围下更易发生泥石流灾害，高、极高危险区占比为27.83%、16.28%，主要集中在霍城县科古琴山北部、昭苏县南部、和静县及尼勒克县东部中高山区。
（2） 伊犁河流域未来总体呈现气温升高，降水增加的“暖湿化”现象，不同情景年均气温上升最大约1.53 ℃，年均降水量增幅约19.3 mm；伊宁市、可克达拉市周边及中部伊犁河两岸地区年均高温表现明显，高强迫情景降水量主要分布于霍尔果斯市北部、乌孙山、昭苏县南部哈尔克他乌山及尼勒克县东部阿吾拉勒山山区。
（3） 未来近期不同情景下伊犁河流域高危险性整体上升，SSP585扩大程度最为明显，崩滑灾害高危险区、极高危险区占比总体上升3.09%~17.31%，和静县、尼勒克县东部未来危险程度加剧，由中转为高危险区，伊宁县南部、新源县北部及尼勒克县西南区域危险性进一步加剧，由高转为极高危险区；泥石流高危险区、极高危险区占比总体提升0.45%~8.77%，气候变化下霍尔果斯市北部、伊宁县危险性进一步加剧为极高危险区。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王岩, 王昊, 崔鹏, 等. 气候变化的灾害效应与科学挑战[J]. 科学通报, 2024, 69(2): 286-300.

[Wang Yan, Wang Hao, Cui Peng, et al. Disaster effects of climate change and the associated scientific challenges[J]. Chinese Science Bulletin, 2024, 69(2): 286-300.]

[2]
刘传正, 黄帅. 郑州西部山区“7·20”山洪地质灾害成因研究[J]. 工程地质学报, 2022, 30(3): 931-943.

[Liu Chuanzheng, Huang Shuai. Research on “7·20” mountain torrents and geological disasters in Zhengzhou City, Henan Province of China[J]. Journal of Engineering Geology, 2022, 30(3): 931-943.]

[3]
南赟, 翟淑花, 李岩, 等. 北京地区“23·7”特大暴雨型地质灾害特征及预警成效分析[J]. 中国地质灾害与防治学报, 2024, 35(2): 66-73.

[Nan Yun, Zhai Shuhua, Li Yan, et al. Analysis on the characteristics of geological disasters and effectiveness of early warning during heavy rainfall on “23·7” in Beijing[J]. The Chinese Journal of Geological Hazard and Control, 2024, 35(2): 66-73.]

[4]
吴树仁, 石菊松, 张春山, 等. 地质灾害风险评估技术指南初论[J]. 地质通报, 2009, 28(8): 995-1005.

[Wu Shuren, Shi Jusong, Zhang Chunshan, et al. Preliminary discussion on technical guideline for geohazard risk assessment[J]. Geological Bulletin of China, 2009, 28(8): 995-1005.]

[5]
刘衡秋, 朱志刚, 何维彬. 地质灾害危险性评估工作发展现状及若干技术问题探讨[J]. 中国地质灾害与防治学报, 2008, 19(4): 128-130.

[Liu Hengqiu, Zhu Zhigang, He Weibin. Discussion on the current status of geological hazard risk assessment and some technical issues[J]. The Chinese Journal of Geological Hazard and Control, 2008, 19(4): 128-130.]

[6]
Ragozin A L, Tikhvinsky I O. Landslide hazard, vulnerability and risk assessment[C]// Bromhead E, Dixon N, Ibsen M-L. Proceedings of the 8th International Symposium on Landslides. Cardiff: Thomas Telford, 2000: 1257-1262.

[7]
Guzzetti F, Reichenbach P, Cardinali M, et al. Probabilistic landslide hazard assessment at the basin scale[J]. Geomorphology, 2005, 72(1-4): 272-299.

[8]
Naidu S, Sajinkumar K S, Oommen T, et al. Early warning system for shallow landslides using rainfall threshold and slope stability analysis[J]. Geoscience Frontiers, 2018, 9(6): 1871-1882.

[9]
Caleca F, Tofani V, Segoni S, et al. A methodological approach of QRA for slow-moving landslides at a regional scale[J]. Landslides, 2022, 19(7): 1539-1561.

[10]
黄润秋, 李为乐. “5·12”汶川大地震触发地质灾害的发育分布规律研究[J]. 岩石力学与工程学报, 2008, 27(12): 2585-2592.

[Huang Runqiu, Li Weile. Research on development and distribution rules of geohazards induced by Wenchuan earthquake on 12th May, 2008[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27(12): 2585-2592.]

[11]
李雪平, 唐辉明. 基于GIS的分组数据Logistic模型在斜坡稳定性评价中的应用[J]. 吉林大学学报(地球科学版), 2005, 35(3): 361-365.

[Li Xueping, Tang Huiming. Application of GIS-based grouped data Logistic model in evaluation of slope stability[J]. Journal of Jilin University (Earth Science Edition), 2005, 35(3): 361-365.]

[12]
刘艺梁, 殷坤龙, 刘斌. 逻辑回归和人工神经网络模型在滑坡灾害空间预测中的应用[J]. 水文地质工程地质, 2010, 37(5): 92-96.

[Liu Yiliang, Yin Kunlong, Liu Bin. Application of logistic regression and artificial neural networks in spatial assessment of landslide hazards[J]. Hydrogeology and Engineering Geology, 2010, 37(5): 92-96.]

[13]
庄建琦, 崔鹏, 郭晓军. 基于水文模型泥石流汇流预测——以蒋家沟一级支沟大凹子沟泥石流为例[J]. 灾害学, 2013, 28(2): 55-59.

[Zhuang Jianqi, Cui Peng, Guo Xiaojun. The runoff process of debris flow calculated based on hydrological model: A case study on Dawazi Debris Flow Gully[J]. Journal of Catastrophology, 2013, 28(2): 55-59.]

[14]
刘艳辉, 方然可, 苏永超, 等. 基于机器学习的区域滑坡灾害预警模型研究[J]. 工程地质学报, 2021, 29(1): 116-124.

[Liu Yanhui, Fang Ranke, Su Yongchao, et al. Machine learning based model for warning of regional landslide disasters[J]. Journal of Engineering Geology, 2021, 29(1): 116-124.]

[15]
田述军, 张珊珊, 唐青松, 等. 基于不同评价单元的滑坡易发性评价对比研究[J]. 自然灾害学报, 2019, 28(6): 137-145.

[Tian Shujun, Zhang Shanshan, Tang Qingsong, et al. Comparative study of landslide susceptibility assessment based on different evaluation units[J]. Journal of Natural Disasters, 2019, 28(6): 137-145.]

[16]
许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报(信息科学版), 2019, 44(7): 957-966.

[Xu Qiang, Dong Xiujun, Li Weile. Integrated space-air-ground early detection, monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 957-966.]

[17]
Lee J Y, Marotzke J, Bala G, et al. IPCC. Climate change 2021: The physical science basis[M]. Cambridge: Cambridge University Press, 2021: 1-195.

[18]
林齐根, 王磊斌, 张家慧. 全球温升1.5 ℃和2.0 ℃情景下中国降雨诱发地质灾害危险性和人口暴露度评估研究[J]. 地球信息科学学报, 2023, 25(1): 177-189.

DOI

[Lin Qigen, Wang Leibin, Zhang Jiahui. Assessment of the rainfall-induced landslide hazard and population exposure in China under 1.5 ℃ and 2.0 ℃ global warming scenarios[J]. Journal of Geo-information Science, 2023, 25(1): 177-189.]

[19]
Lin Q, Wang Y, Glade T, et al. Assessing the spatiotemporal impact of climate change on event rainfall characteristics influencing landslide occurrences based on multiple GCM projections in China[J]. Climatic Change, 2020(11): 162, 761-779.

[20]
王霞, 王瑛, 林齐根, 等. 气候变化背景下中国滑坡灾害人口风险评估[J]. 气候变化研究进展, 2022, 18(2): 166-176.

[Wang Xia, Wang Ying, Lin Qigen, et al. Projection of China landslide disasters population risk under climate change[J]. Climate Change Research, 2022, 18(2): 166-176.]

[21]
杨奉广, 木合塔尔·扎日, 封丽华. 新疆伊犁地区地质灾害的形成与防治对策[J]. 新疆师范大学学报(自然科学版), 2005, 24(3): 117-120.

[Yang Fengguang, Zhari Muhetaer, Feng Lihua. Formation of geological hazards in Yili area and measures for controls and prevention[J]. Journal of Xinjiang Normal University (Natural Science Edition), 2005, 24(3): 117-120.]

[22]
胡卫忠. 新疆的干旱环境与滑坡、泥石流及其防治对策[J]. 地质灾害与环境保护, 1994(3): 1-7.

[Hu Weizhong. Arid environment, landslides and debris flow in Xinjiang and its preservation and controlling[J]. Geological Hazards and Environment Preservation, 1994(3): 1-7.]

[23]
陈亚宁, 李卫红. 新疆干旱区地质灾害区划与减灾对策[J]. 中国地质灾害与防治学报, 1995(4): 75-80.

[Chen Yaning, Li Weihong. Zoning of geological hazards and countermeasures for its reduction in Xinjiang arid region[J]. The Chinese Journal of Geological Hazard and Control, 1995(4): 75-80.]

[24]
梁世川, 乔华, 吕东, 等. 伊犁谷地地质灾害分布特征及主控因素分析[J]. 干旱区地理, 2023, 46(6): 880-888.

DOI

[Liang Shichuan, Qiao Hua, Lü Dong, et al. Distribution characteristics and main controlling factors of geohazards in Ili Valley[J]. Arid Land Geography, 2023, 46(6): 880-888.]

DOI

[25]
周昌, 黄顺. 新疆伊犁黄土工程地质特征及致灾机理研究综述[J]. 工程地质学报, 2023, 31(4): 1247-1260.

[Zhou Chang, Huang Shun. Mechanical properties and disaster-causing mechanism of loess in Ili, Xinjiang, China[J]. Journal of Engineering Geology, 2023, 31(4): 1247-1260.]

[26]
王双双, 谢文强, 延晓冬. CMIP6模式对中国气温日较差的模拟能力评估[J]. 气候与环境研究, 2022, 27(1): 79-93.

[Wang Shuangshuang, Xie Wenqiang, Yan Xiaodong. Evaluation on CMIP6 model simulation of the diurnal temperature range over China[J]. Climatic and Environmental Research, 2022, 27(1): 79-93.]

[27]
胡一阳, 徐影, 李金建, 等. CMIP6不同分辨率全球气候模式对中国降水模拟能力评估[J]. 气候变化研究进展, 2021, 17(6): 730-743.

[Hu Yiyang, Xu Ying, Li Jinjian, et al. Evaluation on the performance of CMIP6 global climate models with different horizontal resolution in simulating the precipitation over China[J]. Climate Change Research, 2021, 17(6): 730-743.]

[28]
张丽霞, 陈晓龙, 辛晓歌. CMIP6情景模式比较计划(ScenarioMIP)概况与评述[J]. 气候变化研究进展, 2019, 15(5): 519-525.

[Zhang Lixia, Chen Xiaolong, Xin Xiaoge. Short commentary on CMIP6 scenario model intercomparison project (ScenarioMIP)[J]. Climate Change Research, 2019, 15(5): 519-525.]

[29]
曹小红, 孟和, 尚彦军, 等. 伊犁谷地黄土滑坡发育分布规律及成因[J]. 新疆地质, 2020, 38(3): 405-411.

[Cao Xiaohong, Meng He, Shang Yanjun, et al. The development and distribution of loess landslides in Yili Valley and its causes[J]. Xinjiang Geology, 2020, 38(3): 405-411.]

[30]
罗路广, 裴向军, 崔圣华, 等. 九寨沟地震滑坡易发性评价因子组合选取研究[J]. 岩石力学与工程学报, 2021, 40(11): 2306-2319.

[Luo Luguang, Pei Xiangjun, Cui Shenghua, et al. Combined selection of susceptibility assessment factors for Jiuzhaigou earthquake-induced landslides[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(11): 2306-2319.]

[31]
易靖松, 王峰, 程英建, 等. 高山峡谷区地质灾害危险性评价——以四川省阿坝县为例[J]. 中国地质灾害与防治学报, 2022, 33(3): 134-142.

[Yi Jingsong, Wang Feng, Cheng Yingjian, et al. Study on the risk assessment of geological disasters in alpine valley area: A case study in Aba County, Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(3): 134-142.]

[32]
阮沈勇, 黄润秋. 基于GIS的信息量法模型在地质灾害危险性区划中的应用[J]. 成都理工学院学报, 2001, 28(1): 89-92.

[Ruan Shenyong, Huang Runqiu. Application of GIS-based information model on assessment of geological hazards risk[J]. Journal of Chengdu University of Technology, 2001, 28(1): 89-92.]

[33]
Breiman L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[34]
林荣福, 刘纪平, 徐胜华, 等. 随机森林赋权信息量的滑坡易发性评价方法[J]. 测绘科学, 2020, 45(12): 131-138.

[Lin Rongfu, Liu Jiping, Xu Shenghua, et al. Evaluation method of landslide susceptibility based on random forest weighted information[J]. Science of Surveying and Mapping, 2020, 45(12): 131-138.]

[35]
牛磊, 古丽波斯坦·吐逊江, 王昙昙, 等. 新疆地区地质灾害分布特征及主控因素分析[J]. 西部探矿工程, 2023, 35(11): 38-41.

[Niu Lei, Tursunjiang Gulibostan, Wang Tantan, et al. Analysis of the distribution characteristics and main controlling factors of geological disasters in Xinjiang region[J]. Western Exploration Engineering, 2023, 35(11): 38-41.]

[36]
Tang J, Guo X, Chang Y, et al. Temporospatial distribution and trends of thunderstorm, hail, gale, and heavy precipitation events over the Tibetan Plateau and associated mechanisms[J]. Journal of Climate, 2021, 34(24): 9623-9646.

DOI

[37]
张晓璐, 王晓欣, 华丽娟, 等. 新疆温度和降水变化的CMIP6模式预估[J]. 大气科学, 2023, 47(2): 387-398.

[Zhang Xiaolu, Wang Xiaoxin, Hua Lijuan, et al. Projections of temperature and precipitation over Xinjiang based on CMIP6 models[J]. Chinese Journal of Atmospheric Sciences, 2023, 47(2): 387-398.]

[38]
王政琪, 高学杰, 童尧, 等. 新疆地区未来气候变化的区域气候模式集合预估[J]. 大气科学, 2021, 45(2): 407-423.

[Wang Zhengqi, Gao Xuejie, Tong Yao, et al. Future climate change projection over Xinjiang based on an ensemble of regional climate model simulations[J]. Chinese Journal of Atmospheric Sciences, 2021, 45(2): 407-423.]

Options
文章导航

/

〈 〉