0.   引言

近年来，我国南部地区普遍受到暴雨侵袭，在多地触发大量滑坡等地质灾害，如2024年4月广东韶关极端暴雨滑坡^[1]、2024年6月福建龙岩特大暴雨滑坡^[2]、2022年6月和2023年6月广西玉林暴雨群发滑坡^[3]，2018年9月云南猛硐群发滑坡^[4]等。此类大范围极端降雨事件下诱发的大量滑坡灾害不仅造成了重大人员伤亡和上亿的财产损失，还引起了社会的广泛关注，在国际领域也有表现^{[5 − 6]}。

广西（桂）东南是群发性滑坡的集中分布区，也是花岗岩地层的集中分布区，由于充沛的降雨和温润的气候环境，使得区域内花岗岩风化程度较高，发育较厚的残坡积土层与全风化土层^[7]。花岗岩坡积土易遇水软化，力学性质大幅度降低^[8]，在北流市等地区表现最为显著^[9]。以往研究发现，此类花岗岩地区崩塌、滑坡、泥石流等地质灾害一般没有缓慢滑动的过程，边坡从失稳至结束（暂时稳定）的过程多是在很短时间内完成^[10]，导致地灾监测困难、灾害逃生时间短。常规花岗岩地区降雨型滑坡研究方法，多以传统的现场调查与试验方法进行^[11]。如白慧林^[9]从花岗岩斜坡的细观结构、力学强度、渗流场规律入手，揭示滑坡启动机理与预警模型。

在针对滑坡进行孕灾条件敏感性分析和易发性研究时，多以探究滑坡与地质条件、花岗岩及降雨之间的分布关系^{[12 − 13]}。尽管准确性高，但耗时耗力，投入成本较高，难以快速生成大规模滑坡数据库^[14]。随着机器学习及AI的快速发展，该技术被积极应用于群发滑坡的孕灾条件敏感性分析^[15]。如李立丰^[16]通过I-D降雨阈值模型探究了广西不同类型滑坡与孕灾条件，得到了对应的降雨阈值曲线；梁柱^[17]应用多种监督与无监督学习算法探索了西藏滑坡频发区的孕灾条件及高预测模型；陈贺等^[18]探讨了云南贡山群发滑坡地质特征、降雨阈值，建立了基于贝叶斯推断法和核密度估计法的滑坡降雨阈值和累计概率预警曲线；刘帅等^[19]以西秦岭极端降雨事件为例，优化随机森林模型进行降雨群发滑坡孕灾条件分析与易发性评价，通过超参数优化提升模型效率及效果。

随着桂东南花岗岩地区地质灾害数量的逐年递增，以及群发性滑坡造成危害的成倍增长，现有研究尚未重点考虑花岗岩地区降雨型群发滑坡所表现出的特有地质条件规律及其与极端暴雨之间的快速反应关系。极端暴雨、花岗岩地区孕灾地质环境与群发性滑坡的时空分布、孕灾条件及其敏感性尚不明确。为深入了解花岗岩地区降雨型群发性滑坡的形成条件及发育特征，同时及时为当地地质灾害的风险评价与防灾减灾工作提供支撑，本文开展桂东南北流市花岗岩地区降雨型群发性滑坡的孕灾规律研究。

1.   研究区概况

1.1   地质背景

研究区地处桂东南北流市新丰镇、平政镇等位置，范围约270 km²（图1），由构造侵蚀低山-丘陵向侵蚀剥蚀丘陵盆地型地貌过渡，高程121～1270 m，研究区整体北东高、中部低。研究区构造以NE向展布的华夏-新华夏构造体系为主干骨架，次级构造有纬向构造体系、NW向构造等，断层活动不明显。

图  1  研究区位置

Figure  1.  Location of the study area

下载: 全尺寸图片 幻灯片

研究区属于北流市花岗岩分布最为集中，花岗岩降雨滑坡最为典型的区域，广泛分布着不同时期、不同类型的花岗岩地层，在山体斜坡地带呈片状分布，上覆松散第四系土体。花岗岩岩性主要片麻状花岗岩、二长花岗岩、花岗闪长岩等，岩体为块状结构，性脆，裂隙发育。岩层表面受风化强烈，有大量较大厚度的全、强风化残坡积层，平均厚度>30 m，受侵蚀、剥蚀、切割作用强烈。

区域内斜坡典型结构如图2所示，下伏强风化花岗岩基岩，岩性较硬，结构面展布清晰，上覆花岗岩残积层，结构相对松散。残积层中花岗岩矿物颗粒分明，抗水性弱，透水性好。部分花岗岩矿物高岭土化，石英颗粒粒径和矿物成分存在差异，主要呈现出两类：粗颗粒褐黄色花岗岩及细颗粒褐红色花岗岩（图2），两类花岗岩地层中群发滑坡均有发生。

图  2  研究区斜坡结构及风化花岗岩照片

Figure  2.  Photos of slope structure and weathered granite within the study area

下载: 全尺寸图片 幻灯片

1.2   极端降雨事件

区域属亚热带季风气候，多年平均降雨量在1300～2800 mm，降雨多集中在5—9月份，且多为暴雨，降雨量≥100 mm的大暴雨天数多年平均为0.5～1.1 d，最多2～3 d，最大日降雨量可达334.5 mm（图3）。近年来，研究区内记录到两起主要的降雨型群发滑坡灾害，即2022年的“6•9”群发滑坡和2023年的“6•25”群发滑坡。据资料记录，两起群发滑坡的降雨量属于特大暴雨级别，时序降雨规律相似。2022年6月8日4时至9日4时的降雨总量达273.4 mm；2023年6月25日8时至26日8时的降雨总量达380.7 mm，雨水下渗强烈^[12]。在短时极端降雨条件下，群发滑坡迅速发生，即雨即滑。

图  3  研究区两起降雨事件数据

Figure  3.  Rainfall data for two events in the study area

下载: 全尺寸图片 幻灯片

2.   群发性滑坡

2.1   滑坡发育特征

受地形地质条件复杂、地质构造发育、降水时空分布不均匀等自然条件影响，加上人类工程活动对地质环境破坏，研究区群发性滑坡显著。

通过遥感解译与现场调查，在约270 km²的研究区内共发育有1670个滑坡，广泛分布于区域内的人类活动区域（图1右）。其中“6•9”群发滑坡总引发1000多处滑坡灾害，“6•25”群发滑坡总引发500多处滑坡灾害。结合30 m分辨率的DEM数据，对滑坡尺寸规模、堆积形态等特征、人类工程活动等进行统计，总结群发滑坡的发育特征。

研究区群发滑坡的平面形态有舌形、半圆形、矩形、不规则形，剖面形态有直线形、凹形、阶梯形、凸形、复合形。滑坡高差普遍在5～15 m不等，滑坡厚度普遍为3～10 m。滑坡体堆积物的形态主要有扇形、锥形，因滑坡多发生在村民房屋后及公路沿线边坡，多数滑坡体堆积物已被人工清除。群发滑坡所处的微地貌主要为山坡坡脚，山体的凹陷处，人工、机械削坡形成的陡坡或陡坎，冲沟发源地带、平台、山顶等。坡表存在周界剪、拉裂缝、地面沉陷、树木斜歪或倾倒等。

根据统计，滑坡总面积约为4.86 km²，占研究区的1.80%。滑坡面积主要为500～4000 m²，约占滑坡总数量的72.57%。其中，面积小于500 m²的滑坡共发育147个，占滑坡总数量的8.80%；超过10000 m²的滑坡数量为75个，占滑坡总数量的4.49%；滑坡的平均面积为2908.78 m²，最大滑坡面积为68903.20 m²。此类滑坡普遍为浅层崩滑，以小-中型规模为最，在失稳前坡表通常有一定植被覆盖，失稳后滑体解体明显，爆发性强，冲击坡脚的物体，部分地区的群发滑坡已经给当地人民的生命财产、交通水利、旅游设施和植被景观等造成了损失（图4）。

图  4  滑坡发育特征

Figure  4.  Characteristics of landslide development

下载: 全尺寸图片 幻灯片

2.2   滑坡时空分布规律

基于研究区降雨型群发滑坡统计数据，群发滑坡多发生在每年的夏季（6月），其高发期与当地的雨季十分吻合。滑坡发生时间与降雨密切相关，受集中性的极端暴雨强烈控制，时间分布上具有季节性和群发性^{[20 − 22]}，且表现出即雨即滑的特点。

滑坡发生的位置主要集中于村落房前屋后或道路两侧区域，属于侵蚀剥蚀低山丘陵地貌区，滑坡分布高程主要在<300 m地段，主要分布坡度在>75°区间（图5）。分析认为，这与村落建筑、交通、水利等建筑设施的空间分布有关，集中于低山丘陵地区。同时，滑坡受到切坡建房的强烈控制作用，当地居民在设计建房时普遍将屋后斜坡切削至60°～70°，甚至超过75°，以留出足够的修建空间，在降雨条件下，缓坡地形的滑坡形成数量与常规研究相似^{[23 − 25]}，而当地形坡度在75°左右时，群发滑坡的数量突增，这与切坡后的地形坡度高度吻合^[26]。

图  5  滑坡与地形因子的关系

Figure  5.  Relationship between cluster landslides and geomorphologic factors

下载: 全尺寸图片 幻灯片

2.3   滑坡破坏模式

区内滑坡的控滑结构面类型主要有松散层与基岩接触面、风化裂隙面、重力卸荷裂隙面。由于区内花岗岩残积土土体结构松散，孔隙度大，渗水能力强，土体与下伏基岩面存在一个软硬分界面。另外，受控于地形及土体本身的结构和人类工程活动，岩土体在自身重力作用下剪切而成的控滑结构面，主要出现在农村民房后边坡。按照群发滑坡的变形破坏及运动特征，主要可以划分为三类破坏模式：剪切滑移型、滑塌型、流滑型（碎屑流），如图6所示。

图  6  典型降雨型群发滑坡及破坏模式

Figure  6.  Typical rainfall-induced cluster landslides and their damage patterns

下载: 全尺寸图片 幻灯片

（1）剪切滑移型：此类破坏模式的群发滑坡主要是在降雨的渗透和浸润作用下，岩土体的含水量增加并受水软化，裂隙产生超孔隙水压力，坡体在重力作用下沿着花岗岩残积层内部软弱处的或基覆界面形成剪切贯通面，向临空面滑移。

（2）滑塌型：在降雨及重力作用下，陡峭斜坡上部岩土体结构面逐渐扩展，形成后缘拉裂缝，与花岗岩体软弱结构面相互连通，发生拉裂-滑移（倾倒）破坏，最终崩落至坡脚。

（3）流滑型（碎屑流）：此类滑坡破坏模式通常具有较好的运动空间。当上部滑体失稳后，力学性质较低的花岗岩体在下滑过程中发生破碎解体铲刮等现象，岩体孔隙水压力增大，促进滑体的长远距离的流态化运动，形成碎屑流。

3.   孕灾条件敏感性研究方法

本文的孕灾条件敏感性分析思路如图7。以前人在该地域内对降雨型滑坡研究的数据结果为基础^{[3, 7 − 9, 13]}，通过遥感解译与现场调查构建降雨型群发滑坡数据库，数据库以地质调查卡片为主，然后根据群发滑坡的发育特征，统计分析该区降雨型群发滑坡的时空分布规律。选取机器学习方法中的XG-boost模型对筛选出的滑坡影响因子进行相关性分析^[21]，并使用SHAP方法对花岗岩地区降雨型群发滑坡的影响因子进行权重排序，从而对花岗岩地区降雨型群发滑坡的孕灾条件敏感性进行探讨分析。

图  7  整体流程图

Figure  7.  Overall workflow diagram

下载: 全尺寸图片 幻灯片

3.1   遥感解译与现场调查

光学遥感数据源于陆地探测一号卫星影像，空间分辨率3 m，满足研究区地质灾害的遥感解译工作。本文选取的影像图拍摄时间为2022年7月—2023年7月，多期影像对比解译。

考虑到研究区频繁降雨天气，遥感影像存在多云雾遮挡等情况，同时对主要受灾区和人类活动区开展现场调查测量工作，对每个群发滑坡单体的工程地质条件进行描述，并对应记录相关地灾卡片，结合多年降雨条件下研究区滑坡的统计数据，用于校核群发滑坡的识别结果。

3.2   孕灾条件敏感性分析

XG-Boost是一种有监督的集成学习算法，它在梯度提升算法的基础上进行了一系列的改进和优化^[20]。XG-Boost算法的核心思想是通过不断地拟合残差，构建一系列弱学习器，并将它们组合起来形成一个强学习器。与传统的梯度提升算法相比，XG-Boost具有一些显著的优势，因为它引入了二阶导数信息，支持多种目标函数和评估指标，能够处理回归、分类、排序等问题，其高效的并行计算能力使得在大规模数据集上的训练速度更快^[21]。

以斜坡单元为最小分析单元，选取归一化植被指数（NDVI）、地表粗糙度、地表切割深度、地形地貌、地形湿度指数、高程（绝对高程，后续表述相同）、径流强度指数、距道路距离、距居民点距离、距河流距离、坡度、坡向、曲率、人类工程活动强度、土壤侵蚀强度等16个因子，基于滑坡数据库，运用XG-boost模型对研究区群发性滑坡影响因子进行敏感性评价的对比及分析（图8）。

图  8  Pearson相关系数

Figure  8.  Pearson correlation coefficients

下载: 全尺寸图片 幻灯片

其中对于花岗岩风化层厚度指标，由于研究区花岗岩风化层厚度为5～15 m，而区内普遍发生的降雨型滑坡厚度在3～10 m，均处于浅表层的风化花岗岩层内，在针对研究区的地层岩性敏感性分析中，花岗岩地层的敏感性总是最大值，发生的群发滑坡也未分布于其他地层岩性内，因此此次模型分析不再考虑花岗岩地层的影响。另外，由于研究区内构造活动不明显，地震对斜坡岩土体的控制作用不明显，文中不考虑断层及地震动峰值加速度对降雨型群发滑坡的影响。

模型训练完成后，使用SHAP对用于训练的特征因子进行分析，以量化各特征因子对滑坡形成的控制作用^[1]。SHAP贡献度排序的定义公式为：

式中：g——解释模型；

$\phi _0 $——模型基线值；

k——输入模型的因子总数，本文中k =16；

$\phi _i $——第i个因子的SHAP值，表示对模型预测结果的贡献。

通过绘制各特征因子值的变化与其SHAP值的变化关系，可以得出特征因子及特征因子相互作用对于滑坡形成的作用机制^[1]。

4.   结果与讨论

研究区群发滑坡的形成发育主要受控于降雨气象条件，也受控于地形地貌、花岗岩物理力学性质等条件。通过计算SHAP值对北流市花岗岩地区降雨型群发滑坡的影响因子进行了分析（图9），初步探讨群发滑坡影响因子的控制作用。由于大部分群发滑坡发生于屋后切坡处，使得距居民点距离的影响程度最强（22.22%）。与自然陡倾斜坡不同，人为的切坡使斜坡微地貌急剧变陡，且表现为坡面裸露，无植被覆盖，加剧水流入渗，促进滑坡。高程及坡度在滑坡时空分布规律中已经表明，滑坡在高程<300 m、坡度>75°的范围内较为密集，因子对群发滑坡的概率贡献分别为14.47%、15.25%。

图  9  滑坡特征因子SHAP排序

Figure  9.  SHAP values ranking for landslide characterization factors

下载: 全尺寸图片 幻灯片

NDVI反映地层表面的植被覆盖的程度，通常植被覆盖越好，水土保持程度较好，滑坡发生概率较低^[16]。在研究区内，NDVI决定着土壤含水率和岩石粗糙度，被开挖或裸露的斜坡表面更易受到水流侵蚀，地下水更易达到饱和，岩土体更易弱化，对滑坡的概率贡献为12.01%。地表切割深度与地表粗糙度影响着坡面径流的水动力学特征，进而影响土壤侵蚀的强度与进程，对滑坡的概率贡献适中，分别为5.16%、4.59%。由于滑坡规模普遍较小，曲率代表的凹型坡、凸型坡及平面坡中均有滑坡发生，其概率贡献偏小。坡向对滑坡发生的概率贡献小，这与研究区多雨高温的气候有关，蒸发量差异较小，坡向影响程度较弱。分析表明，北流市花岗岩地区极端暴雨诱发的群发性滑坡主要形成于具有一定绝对高程（<300 m）、陡倾的坡度（>75°）、具有汇水地形和存在切坡改造的边坡。

研究区的降雨型群发滑坡孕灾影响因子的敏感性结果如图10所示。研究区主要为低山丘陵地貌，在平地少、人口较多和大规模基础设施建设等因素的共同作用下，削坡建房和边坡开挖等人类活动在当地成为了常见现象，有的切坡高度甚至高达10 m以上，而且并未采取任何防护措施，一旦发生滑坡，将造成巨大的人员伤亡和财产损失。此类行为不仅破坏了坡体原有的稳定结构与力学平衡状态，导致残积土应力释放与内力重分布，陡峭临空面形成，而且还将原来受影响较小的深层岩土体暴露于温润的大气环境中，加速花岗岩岩土体风化进程，最终在降雨激发作用下，岩土体软化崩解更为频繁，滑坡加速起动。

图  10  研究区群发滑坡影响因子敏感性结果

Figure  10.  Sensitivity results for influencing factors of rainfall-induced cluster landslides in the study area

下载: 全尺寸图片 幻灯片

ROC特征曲线表明（图11），XG-Boost算法的计算结果精度可以达到0.91，适宜于研究区的孕灾规律分析。真正例率（TPR）为敏感性结果的正确判断概率，误报率（FPR）为敏感性结果的误报程度，计算公式如式（2）。

图  11  ROC特征曲线

Figure  11.  Receiver operating characteristic（ROC） curve

下载: 全尺寸图片 幻灯片

其中：TP——模型正确预测为正类的样本；

FN——模型错误预测为负类的正样本；

FP——模型错误预测为正类的负样本；

TN——模型正确预测为负类的样本。

可见群发滑坡的诱因中，人类工程活动中距居民点距离因子的影响最大，其次为地形坡度及高程。

5.   结论

（1）在2022年“6•9”及2023年“6•25”两起群发滑坡事件中，研究区共发生1670处滑坡，以中小型滑坡为主，厚度普遍<10 m，占滑坡总数的72.57%，多处于切坡微地貌，在绝对高程<300 m、坡度>75°的范围内密集发育。滑坡主要存在剪切滑移型、滑塌型及流滑型（碎屑流）三类破坏模式，总体表现出分布范围广、规模小、数量多、即雨即滑且爆发性强的特点。

（2）不同影响因子对厚层花岗岩残积土地区的短时极端降雨型群发滑坡的形成均有不同程度的敏感性，在孕灾影响因子的耦合作用下共同控制，距居民点距离的概率贡献为22.22%、坡度的为15.25%、高程的为14.47%、NDVI的为12.01%等。

（3）针对此类降雨型群发滑坡的防灾减灾，建议加强高敏感区域的监测与预警工作，设计适宜的人工切坡规范与生态治理方案，加强完善群发滑坡高易发区的村落应急管理与韧性提升技术。