EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 4: 140 - 151

DOI: https://doi.org/10.6046/zrzyyg.2024119

Spatiotemporal variations of geological disaster risk and obstacle factor diagnosis: A case study of the western Sichuan region

  • YANG Hengjun , 1 ,
  • YANG Xin , 1, 2 ,
  • ZHOU Xiong 3
Expand
  • 1. College of Geography and Planning, Chengdu University of Technology, Chengdu 610059, China
  • 2. Key Laboratory of Earth Exploration and Information Techniques, Ministry of Education, Chengdu 610059, China
  • 3. Institute of Multipurpose Utilization of Mineral Resources, Chinese Academy of Geological Science, Chengdu 610041, China

Received date: 2024-04-07

  Revised date: 2024-07-24

  Online published: 2026-06-03

Fold

Abstract

Geological disasters, influenced by natural and human factors, directly threaten the safety of people’s lives and property. Exploring the spatiotemporal variations and development mechanisms of geological disaster risk can enhance disaster prevention and mitigation. This study examined 31 factors such as topography, rainfall, and social economy from the perspectives of nature and humanity. Based on the four-factor risk theory, this study investigated the variations of geological disaster risk in the western Sichuan region using methods like the analytic hierarchy process, principal component analysis, information value model, entropy weight method, and hot/cold spot analysis. Employing the obstacle degree model, this study explored the degrees of influence of various factors on geological disaster risk in the western Sichuan region. The results indicate that from 2007 to 2022, the geological disaster risk in the western Sichuan region was generally characterized by higher levels in the west and lower levels in the east. Kangding and Maerkang were the concentrated distribution areas of perennial cold spots. The area of extremely low and low risk levels increased by 8 871.1 km2 and 12 478.6 km2 respectively at growth rates of 1.056%/a and 1.485%/a respectively. The area of high and extremely high risk levels decreased by 10 127.8 km2 and 9 880.1 km2 respectively at growth rates of -0.02484 km2/a. The degrees of influence of various factors on risk levels exhibited temporal heterogeneity. The dominant obstacle factors (obstacle degree: above 5 %) were concentrated in risk and disaster prevention and mitigation indicators. Factors including rainfall, topography, and medical resources contributed significantly to geological disaster risk.

Key words： risk assessment; geological disaster; obstacle degree; hot/cold spot analysis; analytic hierarchy process

Cite this article

YANG Hengjun , YANG Xin , ZHOU Xiong . Spatiotemporal variations of geological disaster risk and obstacle factor diagnosis: A case study of the western Sichuan region[J]. Remote Sensing for Natural Resources, 2025 , 37(4) : 140 -151 . DOI: 10.6046/zrzyyg.2024119

0 引言

地质灾害具有易发、频发和破坏力巨大等特点,对人民生命财产构成严重威胁。2022年,我国发生地质灾害5 659起,造成90人死亡、16人失踪、34人受伤,直接经济损失15亿元; 成功预报地质灾害321起,涉及可能伤亡人员7 226人,避免直接经济损失6亿元[1]。地质灾害风险评价研究作为规避灾害风险的最有效手段,已经成为当前研究的热点。
地质灾害风险评价是对研究区遭受地质灾害的可能性及其损失进行的定量研究[2]。通常,国内外学者通过信息量法[3-5]、层次分析法[6]、证据权重法[7]、支持向量机[8-9]、决策树[10]和随机森林算法[11]等手段对选取的孕灾因子进行灾害易发性评价,再通过设定不同的降雨频率[12]、降雨阈值[7,13]或滑坡体积工况[4]等动态诱灾因素实现危险性评价,并耦合承灾体实际易损程度进一步开展风险评价。该类风险研究侧重于灾害自身的形成机制,综合灾害风险评价则聚焦于人文因素对灾害风险程度的影响。
随着研究场景的深入,评价单元和评价模式逐渐多元化,斜坡评价单元在滑坡相关灾害研究中性能较佳[14-16],地貌评价单元则在小区域危险性评价时有更优表现[17],但栅格评价单元[18-20]仍是目前灾害风险研究中最主流的选择,它具有提取信息准确完整、数据处理迅速方便等优点,适用于综合性的地质灾害风险研究。传统风险评价存在局限性,仅关注危害性、脆弱性和暴露性三要素,而自然灾害风险四要素理论[20-21]在其基础上考虑防灾减灾能力对灾害风险的影响,从而系统地揭示自然和人为因素对灾害风险的影响。
四川省地势起伏悬殊,地层岩性复杂,新构造运动活动强烈,地质灾害异常活跃,近4 a全省因自然灾害受灾人数达4 009.02万人次,直接经济损失高达1 082.22亿元。川西地区更是极端降雨频发,直接诱发各种地质灾害[22]。暴雨导致山坡体稳定性显著降低,地质灾害风险瞬息万变,常规风险评价难以实现社会与自然并重的动态风险评价。本文选取采矿活动频繁的川西地区,以栅格单元为评价基础,基于自然灾害风险四要素理论,从危险性、脆弱性、暴露度和防灾减灾能力4个方面进行地质灾害风险评价,分析研究区地质灾害时空变化规律,采用障碍度模型识别主要作用因子,为该地区地质灾害防治提供宏观、连续的决策参考。

1 研究区概况及数据源

1.1 研究区概况

本文选取稀有金属分布较为集中的壤塘县、金川县、马尔康市、雅江县、康定市、道孚县、丹巴县和九龙县作为研究区。该区域地处我国第一、二阶梯的过渡地带,矿产资源丰富,有著名的川西稀有金属矿集区,包括甲基卡、可尔因和九龙三大锂矿集区以及外围部分锂矿点,地质灾害发育,人类工程活动频繁,能较好地反映人文因素对于地质灾害风险的影响。研究区内地势陡峭,地形复杂,断层分布密集,7—8月常多发突发性暴雨,极易引发地质灾害。2007—2022年统计在册的灾害点记录共计3 013条,具体分布如图1所示。
图1 研究区示意图

Fig.1 Schematic diagram of study area

1.2 数据获取及处理

1)数字高程模型(digital elevation model,DEM)数据来源于地理空间数据云平台(https://www.gscloud.cn/)的30 m分辨率ASTER GDEM数据集,经过表面分析处理得到坡度、坡向和起伏度数据;
2)地层岩性、断层分布和地震峰值加速度数据下载自中科院资源环境数据云平台(https://www.resdc.cn/),将数据参照研究区范围进行裁剪并统一投影;
3)道路及水系分布数据(全国范围)来源于OSM平台(https://www.openstreetmap.org/),筛选出研究区范围内的主要道路水系;
4)植被覆盖数据(全国范围)来源于国家生态科学数据中心(http://www.nesdc.org.cn/),按照研究区进行掩模提取并使用栅格计算器将归一化植被指数(normalized difference vegetation index,NDVI)解压至-0.2~1;
5)降雨和土地利用数据来源于青藏高原科学数据中心(https://data.tpdc.ac.cn/),结合土地利用分类标准和不同土地类型对灾害影响程度进行专家打分;
6)社会经济数据(经济水平、医疗资源等信息)来源于各区县统计年鉴。
基于上述数据分别制备相应栅格,将分辨率重采样至30 m,并将投影信息统一为WGS_1984_Albers(105°为中央经线,25°和47°分别为第一、第二标准纬线)。

2 研究方法

基于自然灾害风险四要素理论,将地质灾害风险评价拆解为危险性、脆弱性、暴露性和防灾减灾能力4个指标,系统探究川西地区风险时空变化情况。综合全面考虑自然与人文因素对地质灾害的共同作用及影响,本文摒弃在易发性基础上叠加动态诱灾因素的传统风险评价方法,将降雨等致灾因子直接纳入危险性评价体系。危险性指标通过耦合信息量法与主成分分析法计算; 脆弱性、暴露性和防灾减灾能力指标则使用熵值法计算。地质灾害风险评价通过层次分析法完成,共选取31个因子,如表1所示。
表1 地质灾害风险评价因子表

Tab.1 Geological hazard risk assessment factors

目标层 准则层 因子层
风险
评价		 危险性 高程
坡度
坡向
起伏度
地震峰值加速度
年均降雨量
地层岩性
土地利用类型
道路
水系
距断层距离
植被覆盖度
风险
评价		 脆弱性 农业人口占比
第一产业占比
耕地面积占比
粮食产量
农林牧渔产值
规模以上工业企业数量
暴露性 人口数量及密度
地区生产总值
农田面积占比
建筑面积占比
林地面积占比
草地面积占比
防灾减灾能力 地方财政支出
居民人均可支配收入
每千人医院数量
每千人床位数量
每千人医生数量
每千人护士数量
每千人卫生技术人员数量

2.1 信息量模型与主成分分析法

信息量模型主要通过对已知灾害点所在栅格单元的各因子信息量值(I)进行计算,表征各因子不同分级范围对地质灾害的贡献程度,计算公式为:
I i j = l n N i j / N S i j / S
式中: Iij为第i类因子第j等级信息量值; Nij为第i类因子第j等级下历史灾害点个数; N为总灾害点个数; Sij为第i类因子第j等级分布面积; S为研究区总面积。
将信息量值标准化并通过SPSS平台完成主成分分析,提取各因子对主成分的信息贡献程度作为危险性指标的权重(W),在减少需要分析的指标数量的同时,尽量减少原指标包含信息的损失,详细因子分级及权重计算结果见表2。
表2 危险性评价因子信息量值(I)与权重(W)

Tab.2 Information value(I) and weight(W) of risk assessment factors

因子 分级 2007年 2012年 2017年 2022年
I W I W I W I W
高程/m [0,1 500) 0.344 0.037 0.939 0.049 0.427 0.092 0.376 0.028
[1 500,2 500) 0.346 0.960 0.416 0.366
[2 500,3 500) 0.273 0.877 0.367 0.324
[3 500,4 500) 0.134 0.696 0.264 0.233
[4 500,+∞) 0.236 0.223 0.135 0.118
坡度/(°) [0,15) 0.166 0.108 0.104 0.110 0.132 0.049 0.113 0.101
[15,25) 0.125 0.083 0.097 0.084
[25,35) 0.067 0.045 0.057 0.051
[35,45) 0.071 0.045 0.062 0.049
[45,90) 0.111 0.059 0.062 0.057
坡向/(°) [0,45) 0.073 0.09 0.061 0.091 0.044 0.058 0.029 0.063
[45,135) 0.076 0.099 0.062 0.041
[135,225) 0.059 0.076 0.053 0.035
[225,315) 0.036 0.061 0.030 0.020
[315,360) 0.029 0.026 0.020 0.013
起伏度/m [0,30) 0.118 0.106 0.572 0.110 0.110 0.110 0.103 0.101
[30,70) 0.044 0.519 0.050 0.047
[70,200) 0.063 0.524 0.041 0.038
[200,300) 0.074 0.103 0.071 0.067
[300,+∞) 0.074 0.577 0.071 0.067
地震峰值加速度/(m·s-2) 0.10 g 0.074 0.099 0.142 0.092 0.121 0.082 0.113 0.089
0.15 g 0.077 0.147 0.118 0.105
0.20 g 0.043 0.078 0.036 0.031
0.30 g 0.019 0.042 0.061 0.058
0.40 g 0.064 0.065 0.101 0.092
年均降雨量/mm [0,700) 0.417 0.115 0.910 0.109 0.355 0.055 0.155 0.104
[700,750) 0.289 0.534 0.079 0.187
[750,800) 0.257 0.529 0.064 0.129
[800,850) 0.461 0.439 0.022 0.104
[850,+∞) 0.604 0.496 0.044 0.261
地层岩性 坚硬岩 0.132 0.074 0.715 0.102 0.094 0.091 0.108 0.090
较坚硬岩 0.067 0.684 0.087 0.103
较软岩 0.174 0.814 0.172 0.203
软岩 0.105 0.127 0.109 0.128
极软岩 0.105 0.605 0.065 0.078
道路/m [0,100) 0.697 0.065 0.367 0.055 0.375 0.109 0.300 0.097
[100,200) 0.588 0.313 0.273 0.174
[200,300) 0.548 0.236 0.240 0.138
[300,400) 0.469 0.272 0.208 0.142
[400,+∞) 0.339 0.179 0.173 0.153
水系/m [0,100) 0.683 0.064 0.481 0.091 0.429 0.110 0.123 0.092
[100,200) 0.589 0.430 0.325 0.137
[200,300) 0.501 0.373 0.282 0.119
[300,400) 0.448 0.361 0.284 0.146
[400,+∞) 0.336 0.231 0.196 0.061
距断层距离/m [0,500) 0.138 0.086 0.073 0.051 0.094 0.102 0.077 0.083
[500,1 000) 0.118 0.072 0.091 0.064
[1 000,2 000) 0.097 0.041 0.054 0.049
[2 000,3 000) 0.114 0.057 0.057 0.037
[3 000,+∞) 0.062 0.039 0.053 0.042
植被覆盖度 [0,0.2) 0.130 0.096 0.031 0.058 0.031 0.051 0.021 0.081
[0.2,0.4) 0.111 0.129 0.173 0.050
[0.4,0.6) 0.176 0.193 0.181 0.030
[0.6,0.8) 0.164 0.190 0.182 0.051
[0.8,1] 0.054 0.152 0.200 0.021
土地利用类型 裸地 0.178 0.058 0.273 0.082 0.175 0.091 0.251 0.070
草原 0.331 1.023 0.340 0.441
森林 0.335 1.032 0.361 0.443
水域 0.219 1.338 0.288 0.501
耕地 0.495 1.295 0.528 0.665
城镇 0.457 0.984 0.500 0.713

2.2 熵值法

使用熵值法[23]客观赋权,通过脆弱性、暴露性和防灾减灾能力3个指标下的各因子信息载量大小来确定相应指标权重,计算公式为:
P i j = T i j ∑ i = 1 n T i j
e j = - 1 l n n ∑ i = 1 n P i j l n ( P i j )
式中: Tij为极差归一化后值; Pij为归一化后比重; ej为第j项评价因子熵值; n为区县数量。同区县因子计算结果叠加得到指标值。根据式(2)和(3),本文脆弱性、暴露性和防灾减灾能力计算结果见表3,防灾减灾能力计算结果已进行正向化处理(低值表示防灾减灾能力较强)。
表3 脆弱性、暴露性和防灾减灾能力指标权重

Tab.3 Weight of indicators for vulnerability, exposure, and disaster prevention and mitigation capability

指标 时间 道孚县 雅江县 丹巴县 九龙县 壤塘县 金川县 康定市 马尔康市
防灾减
灾能力		 2007年 1.536 1.605 1.506 1.371 1.471 1.351 0.999 0.891
2012年 1.733 1.731 1.704 1.673 1.620 1.613 1.246 0.906
2017年 1.691 1.695 1.630 1.661 1.600 1.545 1.110 0.951
2022年 1.726 1.698 1.518 1.654 1.708 1.616 0.983 1.084
脆弱性 2007年 0.996 0.817 0.749 0.962 0.829 0.880 0.681 0.922
2012年 0.898 0.885 0.662 0.947 0.934 0.843 0.684 0.994
2017年 0.828 0.941 0.837 0.812 0.915 0.877 0.652 1.008
2022年 1.325 1.102 1.211 0.960 1.092 0.858 0.781 0.969
暴露性 2007年 1.060 0.767 1.001 0.895 0.674 1.115 1.076 0.828
2012年 0.834 0.780 1.103 0.820 0.679 0.886 1.108 0.699
2017年 0.759 0.656 0.983 0.779 0.669 0.964 1.033 0.739
2022年 0.857 0.747 1.000 0.753 0.747 1.100 1.259 0.804

2.3 层次分析法

风险评价通过层次分析法构建“目标-准则-因子”3级评价体系进行研究。其中,风险评价为目标层; 危险性、暴露性、脆弱性和防灾减灾能力4个指标为准则层; 影响各指标的多个评价因子为因子层。针对各指标计算结果,基于1—9相对标度原则按指标重要次序进行两两打分,通过特征向量值计算权重Wi,并对判断矩阵进行一致性检验,计算结果见表4,一致性比率CR公式为:
C R = C I / R I
表4 层次分析法结果

Tab.4 Results of analytic hierarchy process

危险性 防灾减
灾能力		 脆弱性 暴露性 Wi
危险性 1 3 4 5 0.520 0
防灾减灾能力 1/3 1 3 4 0.268 2
脆弱性 1/4 1/3 1 3 0.140 9
暴露性 1/5 1/4 1/3 1 0.070 9
式中: RI为平均随机一致性指标,本文指标数为4,即RI=0.9; CI为偏离完全一致性指标,文中CI=0.061 2。一般认为一致性比率CR<0.1时,通过一致性检验。本文计算得到CR=0.068 0,小于0.1,表明本文矩阵权重分配合理。

2.4 地质灾害风险指数

基于4个指标评价结果,结合层次分析法计算地质灾害风险指数,公式[21]为:
I = H W h × E W e × V W v × Z W z
式中: I为地质灾害风险指数; H,E,V和Z分别为危险性、暴露性、脆弱性和防灾减灾能力指标评价结果; Wh,We,Wv和Wz分别为危险性、暴露性、脆弱性和防灾减灾能力指标通过层次分析法计算所得权重。

2.5 障碍度诊断

为探究影响地质灾害风险的主要障碍因子,引入因子贡献度(F)、指标偏离度(D)和障碍度(A)3个指标。针对参与风险评价的31个因子,首先进行正负极差标准化,然后进行障碍度诊断计算,公式为:
A j = D j × F j ∑ j = 1 n ( F j × D j ) × 100 %
式中: Fj为第j项因子对风险评价结果的贡献度,即各单因子对总目标的权重; Dj为第j项因子与风险评价目标之间的差距,即各单项指标的标准化值与100%之差; Aj为第j项因子对风险评价的障碍度,是风险评价障碍因素诊断的目标。

3 结果与分析

3.1 地质灾害危险性评价

危险性评价选取地形地貌、降雨及植被覆盖度等12个因子,耦合信息量与主成分分析法进行研究,为了整体、客观地反映研究结果在研究区的分布情况,使用自然断点法将评价结果分为极低、低、中、高、极高5个等级,具体危险等级分布如图2所示,危险等级面积占比见表5。2007—2022年危险性评价结果显示,高和极高危险等级主要分布于九龙县南部、雅江县中部、壤塘县中北部以及丹巴县—金川县一带; 低和极低危险等级集中于康定市及周边地区。
图2 危险等级分布

Fig.2 Distribution of hazard levels

表5 危险等级面积占比

Tab.5 Proportion of area by risk levels

危险
等级		 2007年 2012年 2017年 2022年
灾害点/
个		 灾害点
占比/%		 区域面积
占比/%		 灾害点/
个		 灾害点
占比/%		 区域面积
占比/%		 灾害点/
个		 灾害点
占比/%		 区域面积
占比/%		 灾害点/
个		 灾害点
占比/%		 区域面积
占比/%
极低 0 0.00 4.51 0 0.00 2.86 0 0.00 6.48 2 0.07 8.57
低 2 0.53 13.07 0 0.00 10.90 98 3.62 32.48 114 3.78 29.87
中 37 9.76 41.62 42 3.14 38.64 608 22.45 38.49 543 18.02 36.33
高 175 46.17 37.82 428 31.96 39.33 839 30.98 16.66 1 080 35.84 20.07
极高 165 43.54 2.98 869 64.90 8.27 1 163 42.95 5.90 1 274 42.28 5.16
准确性验证结果如图3所示。拟定灾害点所在栅格单元的危险等级为高或极高是评价正确,灾害点所在栅格单元的危险等级为中、低或极低是评价有误,以此判断危险性评价是否可靠合理。灾害点发生在高或极高等级区的综合平均概率在74%以上,同理,灾害点发生在低或极低等级区的综合平均概率在4%以下,正、负向判定概率综合表明本文危险性评价结果较准确。
图3 危险性评价准确性分析

Fig.3 Accuracy analysis of risk assessment

3.2 脆弱性、暴露性和防灾减灾能力评价

3.2.1 脆弱性评价

从人类活动程度及自然环境角度,选取农业人口占比、第一产业占比等6个因子进行脆弱性评价,结果如图4所示。以康定市为例,研究时段内评价结果中表现为低或极低脆弱等级,其第一产业产值和规模以上的企业数量明显高于其他区县,大型企业具备更完善的应急措施体系,农林牧渔产业具有再创造周期短、可选择生产地多等特点,故灾害发生后,康定市表现为“弹性较优”地区。
图4 脆弱等级分布

Fig.4 Distribution of vulnerability levels

3.2.2 暴露性评价

暴露性评价选取人口数量及密度、地区生产总值和各类型土地面积占比等6个因子,从财政状况及承灾体分布等方面反映研究区面对灾害发生时的直接受损程度,评价结果如图5所示。康定市在研究时段内评价结果均表现为极高暴露等级,其人口数量远远超过研究区整体人口平均值,受灾威胁更大; 壤塘县人口和农田面积因子常年处于低值水平,在暴露性评价结果中表现为低或极低等级,受到的直接损失会更少,面对灾害具有更好的“韧性”。
图5 暴露等级分布

Fig.5 Distribution of exposure levels

3.2.3 防灾减灾能力评价

防灾减灾能力评价选取地方财政支出、居民人均可支配收入和卫生机构及医务人员数量等7个因子,从基础设施建设和防灾力量储备等角度反映研究区对于灾害发生前的风险防控以及灾害发生后的救护措施水平,评价结果如图6所示。康定市和马尔康市作为甘孜藏族自治州和阿坝藏族羌族自治州的州府,医疗资源领先其他区县,且有更多的财政资金用于公共设施建设,相较于其他区县具有更优秀、更成熟的地质灾害防治能力与防治体系,更容易应对不同程度的地质灾害。
图6 防灾减灾能力等级分布

Fig.6 Distribution of disaster prevention and mitigation capability levels

3.3 地质灾害风险评价

3.3.1 空间分布特征

基于自然灾害风险四要素理论,从研究区地质灾害的危险性、暴露性、脆弱性和防灾减灾能力指标4个方面使用层次分析法构建评价体系,按照表2和表3所得各层次权重结合地质灾害风险指数计算公式进行风险评价。基于自然间断法将风险水平分为极高、高、中、低和极低5个等级,具体风险分布如图7所示。
图7 风险等级分布

Fig.7 Distribution of risk levels

2007年,极高与高风险区域主要位于丹巴县—道孚县一带和九龙县南部,前者断层分布密集,灾害点数量较多,后者则是强降雨频发区域。2012年,高风险区域主要分布于雅江县—道孚县一带,海拔介于2 500~3 500 m,人类活动频繁,灾害发育明显; 九龙县南部矿集区开采活动频繁导致植被破坏、崩塌等,风险等级以极高为主。2017年,高风险区域主要分布于雅江县、丹巴县中部以及九龙县南部,该区域地势起伏度较大,极端降雨与人类活动共同作用; 金川县—丹巴县一带受“5·12特大地震”影响,地质结构不稳定,灾害频发。2022年,极高风险区面积明显减少,低风险区域集中在马尔康市、康定市和九龙县的北部。
基于ArcGIS平台对地质灾害风险分布进行冷热点分析,结果见图8。2007年热点集中在道孚县、九龙县南部; 2007—2012年九龙县南部热点略微扩张,道孚县原热点集中区向下蔓延形成道孚县—雅江县垂向上新的热点分布; 2012—2017年九龙县原热点区面积缩减至43.13%,金川县—丹巴县—雅江县呈倒“L”状热点分布; 2017—2022年整体地质灾害风险水平较低,热点集中区较散乱,分布于研究区西部。冷热分析显示研究区热点聚集现象正在弥散,时段内冷点区则聚集于北部马尔康市和中南部康定市,与当地完善的防灾减灾措施密切相关。
图8 冷热聚集分布趋势

Fig.8 Trend of cold and hot spot aggregation distribution

3.3.2 时间变化趋势

线性拟合2007—2022年各风险面积占比的变化趋势,结果如图9所示。极低风险面积占比平均增速为0.010 72/a(R2=0.972 59),低风险为0.014 12/a (R2=0.948 88); 中风险属于“过渡区”,变化率小于0.001/a; 高风险面积占比平均增速为-0.012 32/a(R2=0.813 44),极高风险为-0.011 56/a(R2=0.968 77)。研究时段内极低和低风险区域呈较稳定的扩张趋势,极高和高风险区域面积均呈减少趋势。
图9 风险变化趋势拟合分析

Fig.9 Fitting analysis of risk change trend

3.3.3 时空变化分析

对比分析各时间段内研究区风险面积占比增减情况,如图10所示。
图10 风险面积占比变化

Fig.10 Changes in proportion of risk areas

2007—2012年间,研究区极高风险面积减少4 826 km2,占比为8.62%; 研究区低风险面积增加6 701.5 km2,占比为11.97%。整体风险等级呈降低趋势,其中,道孚县最为显著,因该地区医疗资源配备有所改善,卫生机构数量由27个增加至173个,防灾减灾能力提高,极高风险面积减少4 001 km2。道孚县—雅江县一带极高风险面积约2 463.4 km2,海拔在2 500 m左右,矿区开采活动较多,平均年降雨量由610.15 mm提高至781.07 mm,峰值地区达809.51 mm,强降雨为该地区地质灾害风险的重要诱因。
2012—2017年间,研究区高风险面积减少了4 103.7 km2,占比为7.33%; 极高风险面积减少了2 709.7 km2,占比为4.84%; 低风险面积增加了2 088.3 km2,占比为3.73%; 极低风险面积增加了3 392.7 km2,占比为6.06%。除丹巴县外,各区县风险等级均降低,平均地方财政支出由8.8万元增至14万元,平均每千人医生数由2.3增至3.6,基础设施建设更完备,防灾措施更成熟。丹巴县—金川县一带以高和极高风险为主,区域内岩石分布主要为碳酸盐岩和碎屑岩,岩石之间耦合程度较为松散,更易于地质灾害发育,受“5·12特大地震”影响,期间内新增灾害点550余个,约占总新增灾害点的40%。
2017—2022年间,研究区低和极低风险面积分别增加3 683.8 km2和3 823.4 km2,马尔康市和康定市为极低风险集中区域。九龙县断层发育较少,在山路边坡隐患治理等防灾措施日益完善后,极低与低风险面积由580.61 km2增加至4 395.87 km2。研究区极高风险区域实现“基本清零”,期间新增灾害点301个,较2012—2017年减少77.84%,侧面证明该时段地质灾害防治措施逐步生效。
2007—2022年间,风险等级呈西高东低分布,各阶段的风险面积占比变化趋势整体下降,极低风险等级面积增加8 871.1 km2,占比增速为1.056%/a; 低风险等级面积增加12 478.6 km2,占比增速为1.485%/a; 高风险等级面积减少10 127.8 km2,占比增速为-1.206%/a; 极高风险等级面积减少9 880.1 km2,占比增速为-1.177%/a。2007年道孚县受矿区开采和强降雨影响,表现为极高风险区,随着后续医疗资源改善,防灾减灾能力提升,其极高风险等级面积大幅减少; 2007—2022年间,研究区地方财政、医疗等人文投入使得整体风险等级降低,康定市、马尔康市防灾减灾措施日益完备,风险等级更优。

3.3.4 障碍因子分析

主要障碍因子(A>5%)诊断结果见表6。主要障碍因子多集中于危险性指标和防灾减灾能力指标,其中降雨是山区地质灾害的主要诱因,这与温亚楠等[24]和海霞等[25]的结论吻合; 土地利用类型因子反映人类活动对地质灾害发育的影响,在矿区开采活动频繁的地区尤为显著; 地方财政支出在地质灾害隐患治理及预警等基础设施建设中发挥着重要作用,医疗资源在防灾减灾过程中同样不可或缺。
表6 障碍度诊断主要因子

Tab.6 Main factors for obstacle assessment(%)

指标 因子 2007年 2012年 2017年 2022年
危险性 地震峰值加速度 7.21 6.24 7.06 7.04
年均降雨量 7.46 6.55 7.88 6.68
土地利用类型 5.60 5.56 5.17 5.85
起伏度 7.25 8.01 7.92 8.02
坡度 6.33 6.18 6.43 6.67
坡向 — 6.05 6.03 —
防灾减
灾能力		 地方财政总支出 5.12 — 5.19 5.77
每千人病床张数 5.48 5.49 — 5.44
每千人卫生技术人员数 — 5.53 5.30 —
每千人护士数 6.80 7.72 7.27 7.27

4 结论

本文基于自然灾害风险四要素理论,对2007—2022年川西地区开展风险评价研究,探究研究区风险等级时空变化规律并诊断影响风险结果的主要障碍因子。通过层次分析法将研究区风险评价问题拆解为危险性、脆弱性、暴露性和防灾减灾能力4个指标及相应31个因子,通过权重矩阵计算各指标间相对重要程度,定性与定量结合,实现研究区综合地质灾害风险评价研究。其中危险性指标所涉因子12个,数目众多且影响不一,为提取关键因子对危险性指标的作用,减少其他次要因子影响,采用主成分分析法分析各因子所在灾害栅格单元的信息量。脆弱性、暴露性和防灾减灾能力指标多由人文因子构成,使用客观性较强的熵值法进行赋权,旨在避免主观赋值带来的结果偏差。主要结论如下:
1)研究区整体风险等级呈西高东低分布,2007—2022年间风险水平呈现下降趋势,极低与低风险等级面积分别增加8 871.1 km2和12 478.6 km2,占比增速分别为1.056%/a和1.485%/a,高和极高风险等级面积分别减少10 127.8 km2和9 880.1 km2,占比增速分别为-1.206%/a和-1.177%/a。研究区内道孚县—康定市部分地区地理条件相似,但风险等级却差异明显,其原因是良好的财政状况使康定市在防灾减灾措施方面表现更优,证明地理因子与人文影响在风险评价中应同时考虑。
2)各地风险等级受多种因子影响,且各因子之间亦表现出时强时弱的相互作用。本文通过障碍度诊断及主成分分析得出危险性指标中的地震峰值加速度、年均降雨量、土地利用类型、起伏度、坡度、坡向因子和防灾减灾指标中的地方财政总支出、每千人病床张数、每千人卫生技术人员数、每千人护士数等医疗资源方面因子对风险评价起主要影响作用。其中风险等级与降雨的分布格局基本一致,侧面印证了降雨是该地区主要灾害诱因。
3)本文选用时间间隔为5 a的数据来探究研究区地质灾害风险时空变化规律,评价结果连续性欠佳,未来的研究可以从逐年的角度,选择更精细的评价尺度来开展风险评价研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
中华人民共和国自然资源部. 2022年中国自然资源统计公报[R/OL]. 2023(2023-04-12). https://gi.mnr.gov.cn/202304/t20230412_2781113.html.

Ministry of Natural Resources of the People’s Republic of China. Statistical bulletin of China’s natural resources in 2022[R/OL]. 2023(2023-04-12). https://gi.mnr.gov.cn/202304/t20230412_2781113.html.

[2]
齐信, 唐川, 陈州丰, 等. 地质灾害风险评价研究[J]. 自然灾害学报, 2012, 21(5):33-40.

Qi X, Tang C, Chen Z F, et al. Research of geohazards risk assessment[J]. Journal of Natural Disasters, 2012, 21(5):33-40.

[3]
甄艳, 鲁小丫, 蒲慧龙, 等. 都江堰虹口乡地质灾害风险评价[J]. 测绘科学, 2016, 41(11):66-71,97.

Zhen Y, Lu X Y, Pu H L, et al. Geological hazard risk assessment in Hongkou County of Dujiangyan[J]. Science of Surveying and Mapping, 2016, 41(11):66-71,97.

[4]
杨淞月, 翁茂芝, 田华, 等. 湖北省鹤峰县城区滑坡地质灾害风险评价[J]. 安全与环境工程, 2021, 28(1):144-155.

Yang S Y, Weng M Z, Tian H, et al. Landslide risk evaluation in the urban area in Hefeng County,Hubei Province[J]. Safety and Environmental Engineering, 2021, 28(1):144-155.

[5]
唐亚明, 张茂省, 李林, 等. 滑坡易发性危险性风险评价例析[J]. 水文地质工程地质, 2011, 38(2):125-129.

Tang Y M, Zhang M S, Li L, et al. Discrimination to the landslide susceptibility,hazard and risk assessment[J]. Hydrogeology and Engineering Geology, 2011, 38(2):125-129.

[6]
徐庆方, 何开寿, 胡励耘, 等. 基于危险源识别的山区地质灾害风险定量评价——以贵州省茅台镇为例[J]. 安全与环境工程, 2023, 30(5):152-165.

Xu Q F, He K S, Hu L Y, et al. Quantitative risk assessment of geological hazards based on hazard source identification:A case study of Maotai Town,Guizhou Province[J]. Safety and Environmental Engineering, 2023, 30(5):152-165.

[7]
周超, 常鸣, 徐璐, 等. 贵州省典型城镇矿山地质灾害风险评价[J]. 武汉大学学报(信息科学版), 2020, 45(11):1782-1791.

Zhou C, Chang M, Xu L, et al. Risk assessment of typical urban mine geological disasters in Guizhou Province[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11):1782-1791.

[8]
刘纪平, 梁恩婕, 徐胜华, 等. 顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价[J]. 测绘学报, 2022, 51(10):2034-2045.

DOI

Liu J P, Liang E J, Xu S H, et al. Multi-kernel support vector machine considering sample optimization selection for analysis and evaluation of landslide disaster susceptibility[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(10):2034-2045.

DOI

[9]
Wang W D, Li J Y, Han Z. Comprehensive assessment of geological hazard safety along railway engineering using a novel method:A case study of the Sichuan-Tibet Railway,China[J]. Geomatics,Natural Hazards and Risk, 2020, 11(1):1-21.

[10]
艾力, 杨冰玉, 郭丽. 基于不同模型和单元的滑坡易发性评价比较[J]. 地理空间信息, 2020, 18(6):117-121.

Ai L, Yang B Y, Guo L. Comparison of landslide susceptibility evaluation based on different data units and models[J]. Geospatial Information, 2020, 18(6):117-121.

[11]
周保, 隋嘉, 孙皓, 等. 基于多源遥感数据的青海省地质灾害评价[J]. 自然灾害学报, 2022, 31(4):231-240.

Zhou B, Sui J, Sun H, et al. Evaluation of geological disasters in Qinghai Province based on multi-source remote sensing data[J]. Journal of Natural Disasters, 2022, 31(4):231-240.

[12]
舒和平, 马金珠, 张鹏, 等. 不同降雨频率单沟泥石流灾害风险评价[J]. 兰州大学学报(自然科学版), 2014, 50(5):653-658.

Shu H P, Ma J Z, Zhang P, et al. Risk assessment of debris flow hazards in different rainfall frequencies[J]. Journal of Lanzhou University (Natural Sciences), 2014, 50(5):653-658.

[13]
宋英旭, 邹昱嘉, 叶润青, 等. 利用GEE云平台实现三峡库区滑坡危险性动态分析[J]. 自然资源遥感, 2024(1):154-161.doi:10.6046/zrzyyg.2022464.

Song Y X, Zou Y J, Ye R Q, et al. Dynamic analysis of landslide hazards in the Three Gorges Reservoir area based on Google Earth Engine[J]. Remote Sensing for Natural Resources, 2024(1):154-161.doi:10.6046/zrzyyg.2022464.

[14]
颜阁, 梁收运, 赵红亮. 基于GIS的斜坡单元划分方法改进与实现[J]. 地理科学, 2017, 37(11):1764-1770.

DOI

Yan G, Liang S Y, Zhao H L. An approach to improving slope unit division using GIS technique[J]. Scientia Geographica Sinica, 2017, 37(11):1764-1770.

DOI

[15]
Woodard J B, Mirus B B, Wood N J, et al. Slope unit maker (SUMak):An efficient and parameter-free algorithm for delineating slope units to improve landslide modeling[J]. Natural Hazards and Earth System Sciences, 2024, 24(1):1-12.

[16]
赵萍, 赵思逸, 孙雨, 等. 基于斜坡单元和语义分割的皖南地区滑坡灾害易发性评估[J]. 地质科学, 2024, 59(2):562-574.

Zhao P, Zhao S Y, Sun Y, et al. Landslide susceptibility assessment in southern Anhui Province based on slope units and semantic segmentation[J]. Chinese Journal of Geology, 2024, 59(2):562-574.

[17]
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.

DOI

Tang C, Ma G C. Small regional geohazards susceptibility mapping based on geomorphic unit[J]. Scientia Geographica Sinica, 2015, 35(1):91-98.

DOI

[18]
张群, 易靖松, 张勇, 等. 西南山区县域单元的地质灾害风险评价——以怒江流域泸水市为例[J]. 自然灾害学报, 2022, 31(5):212-221.

Zhang Q, Yi J S, Zhang Y, et al. Geohazard risk assessment about county units in southwest mountainous areas of China:Take Lushui County of Nujiang River basin as an example[J]. Journal of Natural Disasters, 2022, 31(5):212-221.

[19]
温鑫, 范宣梅, 陈兰, 等. 基于信息量模型的地质灾害易发性评价:以川东南古蔺县为例[J]. 地质科技通报, 2022, 41(2):290-299.

Wen X, Fan X M, Chen L, et al. Susceptibility assessment of geological disasters based on an information value model:A case of Gulin County in Southeast Sichuan[J]. Bulletin of Geological Science and Technology, 2022, 41(2):290-299.

[20]
卢晓宁, 洪佳, 王玲玲, 等. 复杂地形地貌背景区干旱风险评价[J]. 农业工程学报, 2015, 31(1):162-169.

Lu X N, Hong J, Wang L L, et al. Drought risk assessment in complex landform area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(1):162-169.

[21]
陈骏炜, 张继权, 阿鲁思, 等. 基于PSO-AHP方法的山区泥石流灾害风险评价——以吉林省蛟河市为例[J]. 东北师大学报(自然科学版), 2019, 51(3):152-160.

Chen J W, Zhang J Q, A L S, et al. Risk assessment of debris flow in the mountain areas based on the PSO-AHP:A case study in Jiaohe City of Jilin Province[J]. Journal of Northeast Normal University (Natural Science Edition), 2019, 51(3):152-160.

[22]
周斌, 邹强, 蒋虎, 等. 川西高原气候变化特征及泥石流动态危险性响应研究[J]. 自然灾害学报, 2022, 31(4):241-255.

Zhou B, Zou Q, Jiang H, et al. Research on climate change characteristics and change of debris flow hazard in the Chuanxi Plateau[J]. Journal of Natural Disasters, 2022, 31(4):241-255.

[23]
李宏艳, 张琰茹, 付国, 等. 焦化污染区春季VOCs的污染特征及其控制策略[J]. 中国环境科学, 2024, 44(3):1234-1243.

Li H Y, Zhang Y R, Fu G, et al. Pollution characteristics and control strategies of volatile organic compounds in coking pollution area in spring[J]. China Environmental Science, 2024, 44(3):1234-1243.

[24]
温亚楠, 张志华, 慕号伟, 等. 动态多源数据驱动模式下的滑坡灾害空间预测[J]. 自然灾害学报, 2021, 30(3):83-92.

Wen Y N, Zhang Z H, Mu H W, et al. Landslide disaster spatial prediction under dynamic multi-source data-driven model[J]. Journal of Natural Disasters, 2021, 30(3):83-92.

[25]
和海霞, 李博. 青海大通“8·18”山洪灾害特征及风险分析[J]. 自然资源遥感, 2024, 36(2):135-141.doi:10.6046/zrzyyg.2023002.

He H X, Li B. Datong flash flood characteristics and disaster risk analysis in Qinghai Province on August 18[J]. Remote Sensing for Natural Resources: 2024, 36(2):135-141.doi:10.6046/zrzyyg.2023002.

Options
Outlines

/

〈 〉