Quantitative risk assessment and its application for individual landslide disaster based on slope failure probability
-
摘要:
对潜在滑坡灾害实施风险评价至关重要,但在实际工程中单体滑坡灾害风险评价仍然以定性评价方法为主,由危险性和损失通过风险矩阵得到定性风险等级,存在风险标准多重性和不连续性的问题,不便于在实际工程中对风险大小进行比较并实施分类处置,还可能导致风险评价结果出现误差,误导风险处置。为此,运用概率模型定量描述滑坡灾害的稳定性,同时考虑承灾体的损失大小,得到单体滑坡灾害风险定量评价指标,提出了滑坡灾害风险曲面及风险等值线的概念,并开发相应的评估计算软件,形成了滑坡灾害风险定量评价方法,消除了传统滑坡风险矩阵带来的风险标准多重性和不连续性,提高了评估的准确性。通过对重庆市奉节县6个单体滑坡进行风险定量评价,验证了所提方法的正确性和可靠性,为滑坡灾害风险评价提供了新的途径。
Abstract:Effective risk assessment of potential landslide disasters is crucial for informed decision-making in engineering projects. In practical engineering, the risk assessment of individual landslide disasters still relies mainly on qualitative evaluation methods. The qualitative risk level is obtained through the risk matrix based on danger and loss, which poses problems of multiple and discontinuous risk standards. This makes it difficult to compare and classify risks in actual engineering, and may also lead to errors in risk assessment results, misleading risk management. To address these issues, a probability model is employed to quantitatively describe the stability of landslide disasters, considering the size of losses to the element at risk. A quantified risk index for individual landslide disasters is obtained, introducing the concept of landslide disaster risk surface and risk contour. Corresponding evaluation and calculation software are developed to form a quantified risk assessment method for landslide disasters, eliminating the multiplicity and discontinuity of risk standards brought about by traditional landslide risk matrices. The accuracy of the evaluation is improved. By conducting quantitative risk assessment on six individual landslides in Fengjie County, Chongqing, the correctness and reliability of the quantitative risk assessment method were verified, providing a new approach for landslide disaster risk assessment.
-
0. 引言
地震震动会导致地表裂缝、土壤疏松,在降水、人类活动等因素影响下,震后极易发生滑坡。通常情况下,震后滑坡数量显著增多的现象要延续相当长的一段时间,直到随着地震灾区生态和地质环境的逐渐恢复,才会显著降低并恢复到震前水平[1 − 2]。因此,对地震后滑坡的长时序时空分异特征进行分析,对于震后长期恢复、土地规划以及地震灾害防治可以起到一定的指示作用。
众多学者对地震触发的同震滑坡进行了研究,如汶川地震[3]、鲁甸地震[4 − 6]、2015年尼泊尔地震[7]、九寨沟地震[8 − 9]、泸定地震[10 − 12]等,研究多关注同震滑坡数据清单建立、同震滑坡空间分布、易发性预测、影响因子敏感性研究等。虽然同震滑坡相关研究取得了一定的进展,但不能全方位地描述震后滑坡的整体变化情况。受地震触发的滑坡会表现出不同的特征[13],如滑坡数量、强度、分布特征变化等,地震引起的岩体松动、地表破裂、植被破坏等都影响着滑坡的时空分布规律[14],因此,在关注同震滑坡灾害的同时更应该关注地震后滑坡的长期分异规律[15]。目前,震后滑坡的时空分异规律相关研究还不丰富,仍处于案例累计阶段且主要以强震滑坡案例为主,如1999年台湾集集地震[16],2005年克什米尔地震[17],2008年汶川地震[18]等。同时,由于历史强震典型案例的局限性以及滑坡数据清单的缺乏,导致地震后滑坡的长时序时空分异规律研究还未形成完整体系,因此,为了更深入地了解地震后滑坡随时间、空间的长期分异规律,探究地震及震后滑坡的时空分异特征,还需要积累更多的地震案例和研究经验。综上所述,加强震后滑坡的时空分异特征研究对进一步了解震后滑坡活动效应和稳定性具有重要意义。
2014年8月3日,中国云南省鲁甸县发生Ms6.5级地震,地震以27.1°N,103.3°E为震源中心,造成617人死亡,112人失踪,
3143 人受伤,22.97万人紧急转移安置,同时,地震至少触发了1024 处面积大于100 m2的滑坡。震级虽为6.5级,但其触发的大量滑坡造成的损伤甚至超过了很多大于7.0级的地震[19]。基于此,本文以鲁甸Ms6.5级地震为研究对象,以多时相高分遥感影像为数据源,首先构建长时序列的震后滑坡数据清单,在此基础上,从滑坡数量及规模对滑坡时空分布特征角度进行探索;再以2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡为比较基线,以扩大滑坡、新增滑坡和恢复区域为研究指标进行震后滑坡时空面积变化的分析;最后,对震后8 a时间内震后滑坡的活动演化进行分析[20 − 21]。1. 研究区与数据
1.1 研究区
2014年8月3日的鲁甸Ms6.5级地震是近年来云南省危害较高的一次地震,不仅造成极大的人员伤亡,而且触发了大量的滑坡。鲁甸地震发生于包谷垴—小河断裂带(BXF)以及西鱼河—昭通断裂带(XZF),地震灾区最高烈度为Ⅸ度,涉及Ⅸ级、Ⅷ级、Ⅶ级、Ⅵ级共4个等级,等震线长轴总体呈北北西走向。根据地震烈度及以往研究成果,以鲁甸地震后长时序列滑坡为研究对象,选取共314 km2作为本次研究区范围(图1)。研究区涉及鲁甸县及巧家县的部分区域,包括玄武岩、白云岩、石灰岩等不同类型的岩石类型,海拔范围852~
2812 m,震中位置海拔为2087 m,同时内有牛栏江、龙泉河、沙坝河3条河流,河谷地形突出,沿河流区域海拔较低。1.2 数据来源与数据处理
研究数据主要包括遥感影像数据、滑坡数据以及降水数据3类。
(1)遥感影像数据:震前1期和震后14期的遥感影像如表1所示。影像均通过正射校正、图像配准、图像融合、地理配准等数据处理,将所有影像统一重采样为2 m。
表 1 影像数据信息Table 1. Image data information日期 2014年
4月13日2014年
10月26日2015年
10月29日2016年
7月11日2017年
5月13日2018年
8月24日2019年
8月18日2020年
8月27日2021年
8月2日2022年
7月16日数据
来源资源3号
(ZY3)高分1号
(GF1)高分1号
(GF1)高分2号
(GF2)资源3号
(ZY3)高分1号
(GF1)高分2号
(GF2)高分1号
(GF1)高分2号
(GF2)高分1号B卫星
(GF1B)数量/景 1 1 1 2 1 1 1 1 4 2 分辨率/m 2.1 2 2 0.8 2.1 2 0.8 2 0.8 2 (2)震前滑坡清单。由于2014年8月3日鲁甸Ms6.5级地震震前影像缺乏,选择较为接近的2014年4月13日ZY3影像进行震前滑坡清单的建立。此时植被稀少,地物相似度极高,滑坡数量较少并且震前滑坡与裸地等较为相似,为有效排除震前滑坡,进行人工解译得到震前滑坡清单。
(3)同震滑坡清单。文章使用许冲团队建立的滑坡清单,下载于USGS官网(https://www.sciencebase.gov/catalog/item/594428d4e4b062508e32319f),选择的研究区边界范围内,鲁甸Ms6.5级地震共造成
1014 个滑坡,面积达5.16 km2。2. 研究方法
为探究鲁甸Ms6.5级地震震后滑坡的时空分异特征,首先基于ENVI深度学习模块构建多时期震后滑坡数据清单,在此基础上从地震后滑坡数量规模、同震滑坡面积变化类型、不同阶段滑坡活动期3个方面对震后滑坡时空分布特征、时空面积变化、活动期演化进行分析,具体技术路线如图2所示。
2.1 多时期震后滑坡数据清单构建
对不同时期高分辨率遥感影像进行滑坡识别,构建鲁甸Ms6.5级地震震后多时期滑坡数据清单。如图3所示,构建过程分为5个部分。(1)滑坡样本构建。选择GF1、ZY3、GF2影像中2014年10月26日、2017年5月13日、2019年8月18日3景影像共绘制了586个滑坡样本进行训练和验证。(2)震后滑坡粗提取。基于ENVI深度学习模块,以“模型训练-执行分类-分类后处理”为流程,进行震后滑坡粗提取。(3)滑坡精识别。利用地形坡度特征排除少部分低坡度区域的影响;基于几何特征中的长宽比和密度,排除道路、河流等长条形地物对滑坡识别结果的干扰;通过纹理对比度,排除建筑及人工地物对滑坡解译结果的影响;最后对精识别结果与震前滑坡进行差值得到最终的震后滑坡。(4)精度验证。对震后滑坡进行识别并进行精度验证与评估。(5)多时期震后滑坡数据清单。将整个滑坡识别流程应用于整个长时间序列,构建多时期震后滑坡数据清单。
2.2 震后滑坡时空面积变化分析
为了分析鲁甸Ms6.5级地震触发滑坡后续的变化情况,以2014年8月3日地震触发的同震滑坡为基线,与后续年份做比较,根据滑坡的变化情况分为同震滑坡、扩大滑坡 、新增滑坡和恢复区4种不同类型。同震滑坡为2014年8月地震触发的滑坡;扩大滑坡是指原本存在同震滑坡且在现有同震滑坡面积基础上继续增大的区域;新增滑坡是指本来某区域内没有滑坡但后来出现了滑坡;恢复区即原来存在的同震滑坡区域表现为已恢复状态。为了对震后滑坡面积变化程度进行量化,理清同震滑坡后续时间的持续变化情况,将2014年8月的滑坡活动率设定为100%,作为研究滑坡活动变化的基线,通过滑坡活动率进行更有力的定量评价,计算方式如式(1)所示。
(1) 式中:P——活动滑坡活动率/%,表示同震滑坡的活动强 度,将扩大滑坡和新增滑坡定义为活动滑坡;
Sa——滑坡活动面积/km2;
Sc——同震滑坡面积/km2。
2.3 震后滑坡活动期演化分析
地震后较长时间内,滑坡存在不同程度的复发新增阶段,有着较长时间的活动期,而地震后滑坡活动程度对评估震后滑坡时空演化评估至关重要。为了定量分析地震震后滑坡的活动过程,以地震触发滑坡变化类型即扩大滑坡、新增滑坡以及滑坡活动率为活动期的分类标准,若起始年份满足表2所示滑坡活动期分类标准中的规则,则以起始年份为分割节点,将包含起始年份及其范围内的所有年份归为3个活动期中的一个,将震后滑坡的整个活动过程分为3个时期,以此对滑坡活动过程进行分析。具体的分类标准如表2所示。
表 2 滑坡活动期分类标准Table 2. Classification standard of landslide activity period滑坡活动期 滑坡活动率/% 扩大滑坡面积/km2 新增滑坡面积/km2 震后滑坡强活动期 P>50 >1.5 >1 震后滑坡中等活动期 10<P≤50 >0.2且≤1.5 >0.2且≤1 震后滑坡弱活动期 P≤10 ≤0.2 ≤0.2 3. 计算结果与分析
3.1 滑坡识别结果精度验证
完成模型训练及试验后,对滑坡识别结果进行精度评估。考虑到研究区域滑坡数量和分布,选择地物相对复杂的4个子区域(区域1—4)对滑坡识别结果进行精度验证(图4)。精确率、召回率、F1、错分率(commission error,CE)、漏分率(omission error,OE)是滑坡提取中常用的精确度量标准,由于研究中的滑坡提取是一个二值分类问题,即对于每个像素,只有2种情况:滑坡或背景,因此,如图4(a)(b),验证基于4种提取结果,即TP(真阳性,表示被正确识别的滑坡,即预测为滑坡且识别为滑坡)、FP(假阳性,表示预测滑坡但实际为背景)、TN(真阴性,即预测为背景且识别为背景)和FN(假阴性,即预测为背景但识别为滑坡)进行5个指标计算完成精度验证,具体计算方程式如式(2)—(6)。
精确率(Precision)评估的是作为滑坡被提取的区域有多少是真正的滑坡:
(2) 式中:TP——真阳性滑坡面积/km2;
FP——假阳性滑坡面积/km2。
召回率(Recall)用于计算正确提取了多少滑坡:
(3) 式中:FN——假阴性滑坡面积/km2。
F1则以更平衡的方式评估模型分类精度,其范围为[0, 1],越接近1,则代表效果越好:
(4) 式中:Precision——精确率,评估的是作为滑坡被提取 的区域有多少是真正的滑坡;
Recall——召回率,用于计算正确提取了多少滑坡。
错分率(CE)是指实际为背景,但被分为了滑坡:
(5) 漏分率(OE)则是指实际为滑坡,但被分为背景的区域:
(6) 表3为子区域精度验证结果,滑坡识别精确率为85%以上,召回率74%以上, F1在80%以上,错分率(CE)在15%以下,而漏分率(OE)在25%以下,漏分现象主要发生于边界处,即有部分滑坡边界被分为了背景,但总体而言,滑坡识别流程可以识别出滑坡的主体和主要区域,具有较高的可靠性,可以应用于研究区域和整个研究时期(2014年10月—2022年7月)。
表 3 精度验证结果Table 3. Accuracy verification results区域 影像类型 Precision Recall CE OE F1 验证区域1 GF2 0.8614 0.8281 0.1386 0.1719 0.8444 验证区域2 ZY3 0.8573 0.8439 0.1427 0.1561 0.8506 验证区域3 ZY3 0.8650 0.7499 0.1350 0.2490 0.8034 验证区域4 GF2 0.8634 0.7561 0.1366 0.2439 0.8062 3.2 震后滑坡时空分布特征分析
根据2.1节滑坡识别流程得到震后多时期滑坡清单,将其进行可视化得到如图5(a)—(k)所示的分布图。总体上,2014年8月至2022年7月期间,地震后触发滑坡主要沿牛栏江、沙坝河以及龙泉河河谷两侧分布。距震中距离越近,越易触发滑坡,然而,此次距震中距离
2000 m的范围内,滑坡分布较少,主要分布在大于2000 m范围的区域内,原因是此次震中区域在龙头山一个平坦的盆地。同震及震后滑坡主要分布于地震烈度为Ⅸ级的区域内,地震烈度Ⅷ级范围同样分布着一个滑坡严重区域,位于震源中心西侧。如图5和表4,根据滑坡面积大小,以0.01 km2、0.02 km2为分隔点,将滑坡分为小、中、大滑坡3种规模。震后主要以面积小于0.01 km2的小型滑坡为主,其次为面积介于0.01 km2和0.02 km2的中型滑坡,数量相对较少的为大于0.02 km2的大型滑坡。2014年4月,地震前,小型滑坡和中型滑坡数量为36个和25个,无大型滑坡,小中型滑坡主要沿牛栏江分布,见图5(a);2014年8月地震初发后,小中大型滑坡数量骤增,大型滑坡数量达42个,主要沿沙坝河和牛栏江分布,见图5(b);2014年10月,震后2个月时间后,小型滑坡数量减少明显,中型滑坡数量变化较小,大型滑坡数量增多,见图5(c);震后8a时间,小中大型滑坡总体呈现逐期减少的趋势,截至2022年7月,小中大型滑坡数量为42,8,9,与震前相比,中型滑坡减少明显,而大型滑坡由0变为9,位于Ⅸ级地震烈度范围内,主要位于沿沙坝河分布的光明村滑坡群和沿牛栏江分布的红石岩滑坡,见图5(d)—(k)。
表 4 地震震后滑坡规模分布情况统计Table 4. Statistical distribution of landslide scale after earthquake2014年4月 2014年8月 2014年10月 2015年10月 2016年7月 2017年5月 2018年8月 2019年8月 2020年8月 2021年8月 2022年7月 小型滑坡/个 36 908 408 300 367 307 179 107 153 85 42 中型滑坡/个 25 64 56 37 54 37 27 25 24 9 8 大型滑坡/个 0 42 49 37 45 42 16 15 11 13 9 根据多时期震后滑坡数据清单得到的数量和面积,绘制如图6所示的分布情况统计图。鲁甸Ms6.5级地震震前滑坡数量较少,面积小于1 km2;2014年8月地震发生后,触发滑坡
1014 个,总面积5.16 km2,滑坡数量和面积急剧增加;震后2个多月时间内,滑坡数量急剧减少,但面积呈现略微增加趋势;震后8 a时间内,滑坡数量及面积总体呈下降趋势,但年份间存在波动,2016年7月、2020年8月较上一时期而言滑坡数量和面积略微上升。在地震后的2个月时间内,滑坡数量急剧减少,而滑坡总面积呈现略微增加趋势。原因是地震初期同震滑坡面积破碎,而在2个多月之后,由于人类紧急救援、降水等原因[22],破碎的小滑坡合并为成片的大面积滑坡,滑坡数量减少,面积则增加。在震后8a时间,滑坡数量和面积整体呈下降趋势。但2016年7月较2015年10月滑坡数量和面积均略微上升。根据鲁甸气象站降水数据可知(表5),2016年年降水总量超过
1100 mm,远超过其他年份降水总量,而地震后较长一段时间内,土壤等受到长期影响,降水极有可能引发更多的滑坡。文中所使用影像由2016年7月11日和7月25日构成,统计2016年7月25日前日降水数据,发现日降水大于25 mm超过9次,而根据降水分级显示,日降水总量大于25 mm则为大雨,由此可见,大雨事件可能导致了滑坡的扩大和发生[23]。2020年8月滑坡数量和面积较2019年8月有所上升,这与2020年5月18日21时47分,在云南省昭通市巧家县发生5.0级地震具有一定相关性,此次地震震源深度8 km,可能引发周边区域发生滑坡[24]。表 5 2014—2022年鲁甸地区降水统计Table 5. Statistics of precipitation in Ludian area from 2014 to 2022年份 2014 2015 2016 2017 2018 2019 2020 2021 2022 年降水量/mm 941.0 976.4 1107.1 955.4 879.7 721.9 794.5 742.2 861.4 3.3 震后滑坡时空面积变化
2014年8月,研究区内鲁甸Ms6.5级地震共触发同震滑坡
1014 个,总面积5.1577 km2。以2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡为比较基线,与2014年10月滑坡进行相交擦除等操作,得到如图7所示的滑坡时空面积变化分析图。2014年10月,滑坡集中在J1—J3区域,在原有的同震滑坡基础上进一步恢复的同时出现扩张滑坡,同时区域内也出现新增的滑坡。表6总结了地震后不同时期同震滑坡恢复、扩张和新增的滑坡面积以及活动率。表 6 滑坡活动面积变化及活动率统计Table 6. Landslide activity area change and activity rate statistics年月 恢复区域
/km2扩大面积
/km2新增面积
/km2活动面积
/km2活动率
/%2014年10月 2.81 2.08 0.80 2.88 55.78 2015年10月 3.23 1.27 0.77 2.03 39.44 2016年7月 3.41 1.52 1.10 2.63 50.98 2017年5月 3.21 1.07 0.90 1.97 38.28 2018年8月 4.20 0.73 0.50 1.23 23.79 2019年8月 4.39 0.48 0.44 0.91 17.70 2020年8月 4.27 0.36 0.44 0.80 15.48 2021年8月 4.55 0.33 0.22 0.55 10.67 2022年7月 4.50 0.20 0.11 0.31 6.08 从表6中可以看出,2014年10月、2015年10月、2016年7月、2017年5月、2018年8月、2019年8月、2020年8月、2021年8月、2022年7月,滑坡活动面积分别是2.88,2.03,2.63,1.97,1.23,0.91,0.80,0.55,0.31 km2,滑坡活动面积呈先减少后增加再持续减少的趋势。以2014年8月的同震滑坡活动率(P)为基线,滑坡活动性年衰减率分别为55.78%、39.44%、50.98%、38.28%、23.70%、17.70%、15.48%、10.67%、6.08%,年衰减率呈现与活动面积同样的规律。根据滑坡类型及活动率,发现2016年7月的滑坡扩大和新增面积较上一年有所增加,同时恢复区域较上一年也呈现增加的现象,表明此时期范围内活动性滑坡较多,扩大和新增滑坡明显。总体而言,随时间推移,同震滑坡逐渐恢复,扩大滑坡和新增滑坡面积总体呈现减少趋势,虽然仍有同震滑坡存在,但2022年只有6.08%的滑坡仍处于活动状态,这表明地震对滑坡的影响已经逐渐减弱。
3.4 震后滑坡活动期演化分析
根据表6所示滑坡活动面积变化及活动率和2.3节滑坡活动期分类标准,对鲁甸Ms6.5级地震震后滑坡进行活动期分析。2016年7月的滑坡活动率大于50%,扩大面积大于1.5 km2且新增滑坡面积大于1 km2,则将2016年7月以前称为强活动期;而2021年8月的滑坡活动率10%~50%、扩大滑坡面积0.2~1.5 km2、新增滑坡面积为0.2~1 km2,则2016年7月—2021年8月之间的时期为中等活动期;2021年8月以后的时间活动率小于10%、扩大和新增滑坡面积少于0.2 km2则为滑坡低活动期。
根据以上规则得出如图8所示的变化图。通过2014年8月―2022年7月不同阶段滑坡面积变化和活动率的定量分析,将鲁甸地震震后滑坡活动状态分为了强活动期、中等活动期和弱活动期。可见,随时间推移,同震滑坡面积逐渐减少,地震触发滑坡呈现逐渐恢复的趋势,扩滑坡表现出较为明显的扩张趋势,而滑坡新增面积相对较少。
如图8所示,2016年7月以前为滑坡强活动期,滑坡活动率先下降而后出现增长,滑坡扩张和新增趋势也较为明显,扩张明显的为震后两个月时间内,而新增明显的为2015年10月—2016年7月,主要原因是震后救灾致使滑坡扩张以及大量降雨导致了降雨型新滑坡的产生。
2016年7月—2021年8月期间为滑坡中等活动期,随时间推移,滑坡扩张和新增程度逐渐下降,滑坡活动率也呈现持续下降趋势,由2016年7月的50.98%下降为2021年的10.67%。2016年8月—2017年5月期间,较上一期滑坡数据清单而言,同震滑坡面积增多,恢复区域减少,说明已经恢复的同震滑坡区域再次变为滑坡,这与2017年2月9日发生在鲁甸县的Ms4.9级地震以及2020年5月18日发生在巧家的Ms5.0级地震可能具有相关性[24 − 25],2017年2月9日鲁甸Ms4.9级地震震中(27.07°N),位于2014年8月鲁甸地震震中的南东方向,二者相距约4 km。2019年9月至2020年8月期间,相较于上一期滑坡,已经恢复的同震滑坡再次变为滑坡,这与2020年5月18日巧家Ms5.0级地震具有相关性,此次地震震中为(27.18N,103.16E),震源深度8 km。这两次地震为2014年8月后鲁甸地震周边区域的二次冲击,会使已经恢复的同震滑坡区域再次被激活。
2021年9月之后为滑坡弱活动期,此时大部分小型滑坡均已恢复,依然存在的同震滑坡主要为红石岩滑坡、光明村等大型滑坡残留的滑坡臂以及靠近道路河流的部分滑坡,如图9所示,存留的大型滑坡内部植被还未明显恢复。
4. 结论
(1)建立了鲁甸地区多时期震后滑坡数据清单。历年来,震后滑坡数量面积呈现逐年下降趋势,2014年8月,研究区内滑坡数量
1014 个,面积为5.16 km2,截至2022年7月,滑坡数量为59个,面积不到1 km2,震后8a时间内,滑坡数量和面积呈现总体下降趋势。(2)震后滑坡主要分布于距断层距离
2000 m以上范围,并且主要集中于河谷两侧,此外,地震触发滑坡以小型滑坡为主,中等型滑坡数量相对较少,而大型滑坡数量少,但面积多。(3)2014年8月3日鲁甸Ms6.5级地震触发的同震滑坡活动率为100%,以此为比较基线,2014年10月、2015年10月、2016年7月、2017年5月、2018年8月、2019年8月、2020年8月、2021年8月、2022年7月的滑坡活动性年衰减率分别为55.78%、39.44%、50.98%、38.28%、23.70%、17.70%、15.48%、10.67%、6.08%,总体呈现逐渐下降趋势。截至2022年7月,只有6.08%的滑坡仍处于活动状态,表明地震对滑坡的影响已经逐渐减弱。
(4)震后滑坡存在强活动期(2014年8月—2016年7月)、中等活动期(2016年8月—2021年8月)、弱活动期(2021年9月—2022年7月),总体而言,截至2022年7月,地震造成的滑坡以及影响还未完全恢复。
-
稳定系数(Fs) Fs<1.00 1.00≤Fs<1.05 1.05≤Fs<1.15 1.15≤Fs 稳定状态 不稳定 欠稳定 基本稳定 稳定 保护等级 Ⅰ Ⅱ Ⅲ EL/(万元) EL≥ 5000 5000 >EL≥500EL<500 TP TP≥500 500>TP≥100 TP<100 PI 非常重要 重要 一般 EL—经济损失;TP—受威胁者;PI—公共基础设施;
只要满足一个条件即可以定义为相应的保护等级表 3 受威胁人员数量引起的风险水平的变化
Table 3 Variations in risk levels caused by the number of endangered individuals
稳定系数:Fs=1.04 稳定状态:欠稳定 TP:99 等级:Ⅲ 风险水平:低 TP:101 等级:Ⅱ 风险水平:中等 TP:499 等级:Ⅱ 风险水平:中等 TP:501 等级:Ⅰ 风险水平:高 表 4 经济损失引起的风险水平的变化
Table 4 Variations in risk levels caused by the number of endangered individuals
稳定系数: Fs=1.04 稳定状态:欠稳定 EL(万元): 490 等级:Ⅲ 风险水平:低 EL(万元): 510 等级:Ⅱ 风险水平:中等 EL(万元): 4990 等级:Ⅱ 风险水平:中等 EL(万元): 5010 等级:Ⅰ 风险水平:高 表 5 失稳概率随稳定系数的变化范围(n=0.2)
Table 5 Variation range of failure probability with stability factor Fs (n=0.2)
Fs 0.95 1.00 1.05 1.15 P/% 60.38 50.00 40.59 25.71 表 7 失稳概率随变异系数的变化范围(Fs=1.20)
Table 7 Variation range of failure probability with coefficient of variation n (Fs=1.20)
n 0.10 0.20 0.30 P/% 4.78 20.24 28.88 表 6 失稳概率随变异系数的变化范围(Fs=0.95)
Table 6 Variation range of failure probability with coefficient of variation n (Fs=0.95)
n 0.10 0.20 0.30 P/% 70.05 60.38 56.92 表 8 重庆市奉节县6个滑坡的TP风险水平
Table 8 Ranking of TP risk for 6 landslides in Fengjie County, Chongqing
滑坡名称 分析状态 TP等级 稳定状态 失稳概率/% TP风险等级 TP风险指数 TP 风险排名 车家坝滑坡 大雨 Ⅰ 1.075
基本稳定28.52 高风险 1.589 1 火石梁滑坡 大雨 Ⅱ 1.013
欠稳定34.75 中风险 0.753 2 万家坪滑坡 大雨 Ⅱ 1.037
欠稳定31.18 中风险 0.433 3 陈家沟滑坡 大雨
高水位Ⅱ 1.069
基本稳定29.16 中风险 0.412 4 放牛坪滑坡 大雨 Ⅱ 1.065
基本稳定29.34 中风险 0.299 5 老林沟滑坡 大雨 Ⅱ 1.356
稳定11.77 低风险 0.264 6 表 9 重庆市奉节县6个滑坡的EL风险水平
Table 9 Ranking of EL risk for 6 landslides in Fengjie County, Chongqing
滑坡名称 分析状态 EL等级 稳定状态 失稳概率/% TP风险等级 EL风险指数 EL风险排名 车家坝滑坡 大雨 Ⅰ 1.075
基本稳定28.52 高风险 1.142 1 陈家沟滑坡 大雨
高水位Ⅱ 1.069
基本稳定29.16 中风险 1.091 2 火石梁滑坡 大雨 Ⅱ 1.013
欠稳定34.75 中风险 0.691 3 万家坪滑坡 大雨 Ⅱ 1.037
欠稳定31.18 中风险 0.570 4 放牛坪滑坡 大雨 Ⅱ 1.065
基本稳定29.34 中风险 0.293 5 老林沟滑坡 大雨 Ⅱ 1.356
稳定11.77 低风险 0.141 6 -
[1] 宋德光, 吴瑞安, 马德芹, 等. 四川泸定昔格达组滑坡灾害运动过程模拟分析[J]. 地质通报,2023,42(12):2185 − 2197. [SONG Deguang, WU Ruian, MA Deqin, et al. Simulation analysis of landslide disaster movement process in Xigeda Formation, Luding County, Sichuan Province[J]. Geological Bulletin of China,2023,42(12):2185 − 2197. (in Chinese with English abstract)] SONG Deguang, WU Ruian, MA Deqin, et al. Simulation analysis of landslide disaster movement process in Xigeda Formation, Luding County, Sichuan Province[J]. Geological Bulletin of China, 2023, 42(12): 2185 − 2197. (in Chinese with English abstract)
[2] 陶伟,胡晓波,姜元俊,等. 颗粒粒径对滑坡碎屑流动力特征及能量转化的影响——以四川省三溪村滑坡为例[J]. 地质通报,2023,42(9):1610 − 1619. [TAO Wei,HU Xiaobo,JIANG Yuanjun,et al. Influence of particle size on dynamic characteristics and energy conversion of debris flow in landslide:A case study of Sanxicun landslide in Sichuan Province[J]. Geological Bulletin of China,2023,42(9):1610 − 1619. (in Chinese with English abstract)] TAO Wei, HU Xiaobo, JIANG Yuanjun, et al. Influence of particle size on dynamic characteristics and energy conversion of debris flow in landslide: A case study of Sanxicun landslide in Sichuan Province[J]. Geological Bulletin of China, 2023, 42(9): 1610 − 1619. (in Chinese with English abstract)
[3] 张宇,徐宗恒,查玲珑,等.不同计算方法的云南省永胜县下院滑坡堰塞湖沉积物粒度特征及沉积历史重建[J/OL]. 中国地质(2022-08-22)[2023-07-12]. [ZHANG Yu,XU Zongheng,ZHA Linglong et al. [J/OL]Geology in China(2022-08-22)[2023-07-12]. http://kns.cnki.net/kcms/detail/11.1167.P.20220822.1500.018.html. (in Chinese with English abstract)] ZHANG Yu, XU Zongheng, ZHA Linglong et al. [J/OL]Geology in China(2022-08-22)[2023-07-12]. http://kns.cnki.net/kcms/detail/11.1167.P.20220822.1500.018.html. (in Chinese with English abstract)
[4] 邹凤钗,冷洋洋,陶小郎,等. 基于斜坡单元的滑坡风险识别——以贵州万山浅层土质斜坡为例[J]. 中国地质灾害与防治学报,2022,33(3):114 − 122. [ZOU Fengchai,LENG Yangyang,TAO Xiaolang,et al. Landslide hazard identification based on slope unit:A case study of shallow soil slope in Wanshan,Guizhou Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(3):114 − 122. (in Chinese with English abstract)] ZOU Fengchai, LENG Yangyang, TAO Xiaolang, et al. Landslide hazard identification based on slope unit: A case study of shallow soil slope in Wanshan, Guizhou Province[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(3): 114 − 122. (in Chinese with English abstract)
[5] 曾斌,吕权儒,寇磊,等. 基于Logistic回归和随机森林的清江流域长阳库岸段堆积层滑坡易发性评价[J]. 中国地质灾害与防治学报,2023,34(4):105 − 113. [ZENG Bin, LYU Quanru, KOU Lei, et al. Susceptibility assessment of colluvium landslides along the Changyang section of Qingjiang River using Logistic regression and random forest methods[J]. The Chinese Journal of Geological Hazard and Control,2023,34(4):105 − 113. (in Chinese with English abstract)] ZENG Bin, LYU Quanru, KOU Lei, et al. Susceptibility assessment of colluvium landslides along the Changyang section of Qingjiang River using Logistic regression and random forest methods[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(4): 105 − 113. (in Chinese with English abstract)
[6] 贾雨霏,魏文豪,陈稳,等. 基于SOM-I-SVM耦合模型的滑坡易发性评价[J]. 水文地质工程地质,2023,50(3):125 − 137. [JIA Yufei, WEI Wenhao, CHEN Wen, et al. Landslide susceptibility assessment based on the SOM-I-SVM model[J]. Hydrogeology & Engineering Geology,2023,50(3):125 − 137. (in Chinese with English abstract)] JIA Yufei, WEI Wenhao, CHEN Wen, et al. Landslide susceptibility assessment based on the SOM-I-SVM model[J]. Hydrogeology & Engineering Geology, 2023, 50(3): 125 − 137. (in Chinese with English abstract)
[7] ABEDINI M,GHASEMIAN B,SHIRZADI A,et al. A novel hybrid approach of bayesian logistic regression and its ensembles for landslide susceptibility assessment[J]. Geocarto International,2019,34(13):1427 − 1457. DOI: 10.1080/10106049.2018.1499820
[8] POURGHASEMI H R,KORNEJADY A,KERLE N,et al. Investigating the effects of different landslide positioning techniques,landslide partitioning approaches,and presence-absence balances on landslide susceptibility mapping[J]. CATENA,2020,187:104364. DOI: 10.1016/j.catena.2019.104364
[9] SHAFIZADEH-MOGHADAM H,MINAEI M,SHAHABI H,et al. Big data in Geohazard;pattern mining and large scale analysis of landslides in Iran[J]. Earth Science Informatics,2019,12(1):1 − 17. DOI: 10.1007/s12145-018-0354-6
[10] GAO Wenwei,GAO Wei,HU Ruilin,et al. Microtremor survey and stability analysis of a soil-rock mixture landslide:A case study in Baidian town,China[J]. Landslides,2018,15(10):1951 − 1961. DOI: 10.1007/s10346-018-1009-x
[11] WU Yiping,MIAO Fasheng,LI Linwei,et al. Time-varying reliability analysis of Huangtupo Riverside No. 2 Landslide in the Three Gorges Reservoir based on water-soil coupling[J]. Engineering Geology,2017,226:267 − 276. DOI: 10.1016/j.enggeo.2017.06.016
[12] YANG Beibei,YIN Kunlong,XIAO Ting,et al. Annual variation of landslide stability under the effect of water level fluctuation and rainfall in the Three Gorges Reservoir,China[J]. Environmental Earth Sciences,2017,76(16):564. DOI: 10.1007/s12665-017-6898-9
[13] 重庆市城乡建设委员会. 重庆市城市地质灾害防治工程设计规范:JTG D70—2004[S]. 重庆:2004. [Chongqing Urban Rural Development Committee E. C. S. i (2004) Code for design of geological hazard control engineering:JTG D70—2004[S]. Chongqing:2004. (in Chinese)] Chongqing Urban Rural Development Committee E. C. S. i (2004) Code for design of geological hazard control engineering: JTG D70—2004[S]. Chongqing: 2004. (in Chinese)
[14] 国家质量监督检验检疫总局,中国国家标准化管理委员会. 滑坡防治工程勘查规范:GB/T 32864—2016[S]. 北京:中国标准出版社,2017. [General Administration of Quality Supervision,Inspection and Quarantine of the People’s Republic of China,Standardization Administration of the People’s Republic of China. Code for geological investigation of landslide prevention:GB/T 32864—2016[S]. Beijing:Standards Press of China,2017. (in Chinese)] General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of the People’s Republic of China. Code for geological investigation of landslide prevention: GB/T 32864—2016[S]. Beijing: Standards Press of China, 2017. (in Chinese)
[15] 解明礼,巨能攀,刘蕴琨,等,崩塌滑坡地质灾害风险排序方法研究[J]. 水文地质工程地质,2022,48(5):184 − 191. [XIE Mingli,JU Nengpan,LIU Yunkun,et. A study of the risk ranking method of landslides and collapses[J]. Hydrogeology & Engineering Geology. 2022,48(5):184 − 191(in Chinese with English abstract)] XIE Mingli, JU Nengpan, LIU Yunkun, et. A study of the risk ranking method of landslides and collapses[J]. Hydrogeology & Engineering Geology. 2022, 48(5): 184 − 191(in Chinese with English abstract)
[16] 吴越,刘东升,孙树国,等. 岩土强度参数正态–逆伽马分布的最大后验估计[J]. 岩石力学与工程学报,2019,38(6):1188 − 1196. [WU Yue,LIU Dongsheng,SUN Shuguo,et al. Maximum posteriori estimation of strength parameters for geotechnical material obeying normal-inverse Gamma distribution[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38(6):1188 − 1196. (in Chinese with English abstract)] WU Yue, LIU Dongsheng, SUN Shuguo, et al. Maximum posteriori estimation of strength parameters for geotechnical material obeying normal-inverse Gamma distribution[J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(6): 1188 − 1196. (in Chinese with English abstract)
[17] 盛骤,谢式千,潘承毅. 概率论与数理统计[M]. 5版. 北京:高等教育出版社,2019. [SHENG Zhou,XIE Shiqian,PAN Chengyi. Probability and mathematical statistics[M]. 5th ed. Beijing:Higher Education Press,2019. (in Chinese)] SHENG Zhou, XIE Shiqian, PAN Chengyi. Probability and mathematical statistics[M]. 5th ed. Beijing: Higher Education Press, 2019. (in Chinese)
[18] VAN DAO D,JAAFARI A,BAYAT M,et al. A spatially explicit deep learning neural network model for the prediction of landslide susceptibility[J]. CATENA,2020,188:104451. DOI: 10.1016/j.catena.2019.104451
[19] CHEN Wei,SHAHABI H,SHIRZADI A,et al. Novel hybrid artificial intelligence approach of bivariate statistical-methods-based kernel logistic regression classifier for landslide susceptibility modeling[J]. Bulletin of Engineering Geology and the Environment,2019,78(6):4397 − 4419. DOI: 10.1007/s10064-018-1401-8
[20] 吴越,向灵均,吴同情,等. 基于受灾体空间概率的滑坡灾害财产风险定量评估[J]. 岩石力学与工程学报,2020,39(增刊2):3464 − 3474. [WU Yue,XIANG Lingjun,WU Tongqing,et al. Quantitative assessment of property risk of landslide disaster based on spatial probability of affected body[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(Sup 2):3464 − 3474. (in Chinese with English abstract)] WU Yue, XIANG Lingjun, WU Tongqing, et al. Quantitative assessment of property risk of landslide disaster based on spatial probability of affected body[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(Sup 2): 3464 − 3474. (in Chinese with English abstract)
-
期刊类型引用(7)
1. 刘恒. 不同降雨强度下多台阶黄土边坡稳定性可靠度分析. 北京建筑大学学报. 2024(04): 73-81 . 百度学术
2. 邹浩,何霏,白俊龙. 黄冈地区降雨型滑坡影响因素及与降雨量的关系. 长江科学院院报. 2023(02): 124-130 . 百度学术
3. 陈忠源,戴自航,简文彬. 基于因子权重反分析的新近失稳土质边坡稳定性评价云模型. 中国地质灾害与防治学报. 2023(04): 125-133 . 本站查看
4. 贲琰棋,易武,李华兵,黄晓虎,刘伟,肖宇煌. 基于“阶跃”变形特征的降雨型滑坡预警判据探讨. 中国地质灾害与防治学报. 2023(04): 30-38 . 本站查看
5. 马明康,缪海宾,王丹. 基于安全监测与预警系统的边坡稳定性研究. 煤矿机械. 2022(05): 29-32 . 百度学术
6. 刘坤,韩长玉,郝艺丹,李冯,王玉涛,李玉真. 基于降雨入渗的非饱和土边坡稳定性影响因素分析. 水电能源科学. 2022(10): 183-186 . 百度学术
7. 栗倩倩,王伟,黄亮,柴波,高乐. 台风暴雨型滑坡滞后效应分析——以浙江青田县“利奇马”台风为例. 中国地质灾害与防治学报. 2022(06): 10-19 . 本站查看
其他类型引用(4)