西藏林芝多雄河流域高位雪崩易发性评价

张平平; 李滨; 高浩源; 万佳威

doi:10.16031/j.cnki.issn.1003-8035.202402021

西藏林芝多雄河流域高位雪崩易发性评价

张平平^{1, 2,},
李滨^{1, 2, ,},
高浩源^{1, 2},
万佳威^{1, 2}

1.
中国地质科学院地质力学研究所，北京　100081
2.
自然资源部活动构造与地质安全重点实验室，北京　100081

基金项目: 国家自然科学基金项目(U2244226) ；中国地质调查局地质调查项目(DD20230538)

详细信息

作者简介:
张平平（2001—），女，江西南昌人，地质工程专业，硕士研究生，主要从事工程地质与地质灾害研究。E-mail：2393211031@qq.com

通讯作者:
李　滨（1980—），男，山东滨州人，地质工程专业，博士，研究员，主要从事地质灾害防灾减灾研究。E-mail：libin1102@163.com

中图分类号: P642.21
计量
- 文章访问数: 307
- HTML全文浏览量: 146
- PDF下载量: 77
出版历程
- 收稿日期: 2024-02-27
- 修回日期: 2024-04-27
- 录用日期: 2024-06-11
- 网络出版日期: 2024-06-22
- 刊出日期: 2024-12-24

Research on high-altitude avalanche susceptibility area zoning based on informativeness modeling in the Duoxiong River Basin, Nyingchi area of Xizang Autonomous Region

Pingping ZHANG^{1, 2,},
Bin LI^{1, 2, ,},
Haoyuan GAO^{1, 2},
Jiawei WAN^{1, 2}

1.
Institute of Geomechanics, Chinese Academy of Geological Sciences, Beijing　100081, China
2.
Key Laboratory of Active Tectonics and Geological Safety, Ministry of Natural Resources, Beijing　100081, China

HTML全文

摘要

摘要:
随着全球气候变暖，冰雪融化速率加剧，雪崩灾害事件频发，严重威胁高寒山区的人民生命财产和交通廊道安全。以雅鲁藏布江下游多雄河流域为研究对象，基于遥感解译和野外调查，识别并验证了70个雪崩点，运用皮尔逊相关系数进行共线性分析，综合选取了高程、坡度、坡向、坡面曲率、地表切割深度、地表覆盖类型、植被覆盖度、地形湿度指数、年平均最低气温、归一化差雪指数等10个评价因子构建雪崩易发性评价体系，通过ArcGIS平台使用信息量模型进行雪崩易发性分区，将研究区分为低易发、中易发、高易发区三类，并采用ROC曲线进行了精度检验。结果表明：雪崩易发性评价模型AUC值为0.835，具有较好的预测精度；低易发、中易发、高易发区面积分别为60.61 km²、74.33 km²、96.91 km²，分别占研究区总面积的26.14%、32.06%、41.80%，其中高易发区主要分布在中高及高海拔地区，以多雄拉山、拉格最为典型。最后依据主-被动防御措施相结合提出空−天−地一体化监测预警技术和相应建筑结构。该研究可为多雄河流域防灾减灾提供技术支撑和科学参考。
- 多雄河流域 /
- 雪崩 /
- 遥感解译 /
- 信息量模型 /
- 易发性 /
- 防御措施
Abstract:
With global climate warming, the rate of snow and ice melting has accelerated, leading to frequent avalanche disasters, which seriously threaten people's lives and properties and the safety of transportation corridors in alpine mountainous areas. Taking the Daxiong River Basin downstream of the Yarlung Zangbo River as the research object, 70 avalanche points were identified and verified based on remote sensing interpretation and field investigation. Pearson correlation coefficient analysis was used for conducting covariance analysis, and 10 evaluation factors including elevation, slope, slope direction, ground curvature, surface cutting depth, surface cover type, vegetation coverage, TWI, average annual minimum temperature, and NDSI were comprehensively selected to construct an avalanche susceptibility evaluation system. The information value model was used for avalanche susceptibility zoning on the ArcGIS platform, dividing the study area into three categories: low susceptibility, medium susceptibility, and high susceptibility zones, and accuracy verification was conducted using ROC curve. The results show that the AUC value of the avalanche susceptibility evaluation model is 0.835, indicating good predictive accuracy. The areas of low, medium, and high susceptibility zones are 60.61 km², 74.33 km², and 96.91 km², respectively, accounting for 26.14%, 32.06%, and 41.80% of the total area of the study area. High susceptible zones are mainly located in mid-to-high and high-altitude areas, with Mount Duoxiongla, and Lage being typical. Finally, based on the combination of active and passive defense measures, integrated monitoring and early warning techniques, and corresponding architectural structures are proposed, providing technical support and scientific reference for disaster prevention and mitigation in the Duoxiong River Basin.
- Duoxiong River Basin /
- avalanche /
- remote sensing /
- information value model /
- susceptibility /
- defensive measure

HTML全文

0. 引言

高液限土是广西地区基建活动中最常遇见的一种特殊土。由于高液限土天然含水率、孔隙比和液塑限高，碾压时不易降到最佳含水率范围内，因而很难达到路基规范要求的压实度且未经处理的高液限土的强度通常较低，不适宜直接作为路基填料。此外，高液限土水稳性较差^[1-2]，当含水率改变时，路基强度急剧降低，发生沉降和边坡溜塌等灾害。

为了得到符合规范要求的路基填料，广大学者对高液限土的物理力学性质^[3]及改良特性进行研究。相较于在高液限土中掺入砂^[4]、碎石^[5]、纤维^[6]等材料改变颗粒组成的物理改良方式，石灰改良不仅可以改变高液限土的含水率和结构^[7]，而且能降低膨胀势^[8-9]、提高水稳性^[10-11]。因其改良效果好，成本低廉益于推广使用，引起了广大国内外学者关注。BELL^[12]研究了养护龄期、温度对石灰改良黏土的强度、线缩率的影响，达到最佳强度的石灰掺量为4.5%～8%。KHEMISSA等^[13]研究表明掺入4%的石灰对粘土液塑限指数、CBR以及剪切强度的改良效果最佳，得到高塑性、高膨胀黏土的工程特性最好。SHARMA等^[14]研究表明石灰的加入会导致黏土塑性指数降低，处理后的土黏聚力提高5%，内摩擦角增加。PAULA等^[15]通过直剪试验研究石灰改良沉积物样品并进行了元素分析，表明Al、Si、Ca、K元素与黏聚力有很强的相关性。刘鑫等^[16]采用石灰对广梧高速沿线高液限粉土进行改良，建议掺用5%的石灰。

以上学者研究了不同地区、不同石灰掺量对高液限土无侧限抗压强度、抗剪强度、水稳性以及加州承载比的影响，给出了石灰改良高液限土掺量的范围为4%～8%，但定量研究石灰掺量对高液限土压缩特性和抗剪强度的文献相对较少。何群等^[17]分析了固结度对软土抗剪强度的影响，给出抗剪强度指标的函数模型。闫小庆等^[18]认为深圳软土的压缩模量随孔隙体积含量、尺度大小和孔隙连通量呈负幂函数变化。因而本文针对广西蒙山荔玉高速沿线的高液限土，通过现场取样、室内直剪和侧限压缩试验，结合初等数学函数模型分析了不同初始含水率下石灰掺量对高液限抗剪强度和压缩特性的影响，确定不同初始含水率下最优石灰掺量，为实际工程提高经济效益。

1. 研究内容

1.1 高液限土性质

根据广西荔玉高速公路第四标段《工程地质勘察报告》以及《施工图设计》显示，该段路基沿线高液限土分布如图1所示，标段全长14.545 km，桥隧比为 21.57%，沿线高液限土段占路基全线 27.25%。

图 1 路基沿线高液限土分布示意图

Figure 1. Distribution of high liquid limit soil along the subgrade

下载: 全尺寸图片幻灯片

地勘资料显示该标段高液限土物理力学性质几乎相同，尤以K52+790—K53+660段文圩镇内最长，达960 m，占沿线高液限土方量的30%左右，取该段高液限土作为试验材料具有很好的代表性。依据《公路土工试验规程》，对弃土场高液限土进行比重、液塑限以及击实试验。最佳含水率为20.84%，最大干密度为1.60 g/cm³。高液限土物理力学性质指标见表1。

表 1 弃方段高液限土参数指标

Table 1. Parameters of high liquid limit soil of spoil

样品状态	取样深度/m	天然含水率/%	液限/%	塑限/%	土粒比重
原状土	2.1～2.3	31.30	53.30	28.50	2.76
原状土	6.5～6.7	36.30	52.10	33.70	2.74
扰动土	1.3～1.5	33.43	51.93	22.46	2.79

下载: 导出CSV

| 显示表格

1.2 研究方法

改良广西荔玉高速沿线弃土场的高液限土初含水率为21%～36%，石灰掺量为高液限土质量的2%～8%，且以2%的变化量递增。按照击实试验确定的最大干密度，采用静压法制样。对不同饱和状态、不同初始含水率以及不同石灰掺量的试件进行侧限压缩和直剪试验。在不同饱和状态下，试样有6种不同初始含水率、5种不同石灰掺量，共30个样本，符合统计学中大样本的要求^[19]，其含水率变化范围从最佳含水率到天然最大含水率，石灰掺量覆盖推荐最佳掺量4%～8%，可以代表该改良土的变化规律，在合理抽样的前提下，可以由样本推测出总体情况。根据试件压缩特性和抗剪强度随石灰掺量的变化趋势，选择基本初等数学函数模型拟合，确定石灰掺量对试件压缩特性和抗剪强度的函数模型。在已知初始含水率和石灰掺量的条件下，准确预测改良土的压缩系数和抗剪强度，确定最经济合理的石灰掺量，指导路基施工。

2. 改良土的压缩特性

压缩系数是评价路基填料的重要指标之一，采用南京土壤仪器厂GZQ-1型全自动气压固结仪对试件进行压缩试验，试件尺寸为61.8 mm×20 mm，加压盖板周围用湿棉围住，保持试件含水率，在平衡自重后即开始试验。试件加压稳定标准采用0.01 mm的变形量进行控制，加荷顺序为25 kPa，50 kPa，100 kPa，200 kPa，400 kPa，800 kPa。随着石灰掺量的增加试件的压缩系数如图2所示。

图 2 压缩系数指数模型拟合

Figure 2. Fitting of the compression coefficient exponential model

下载: 全尺寸图片幻灯片

在不同初始含水率下，随着上负荷载增加，试件逐渐压密，压缩系数随石灰掺量的增加逐渐减小，最终趋于稳定，符合指数函数形式变化，数学函数模型如式(1)所示：

α_{1 - 2} = A + B e^{(- χ / C)}

(1)

式中： $α_{1 - 2}$ −试件上负荷载在100～200 kPa间的压缩　　　　　　系数；

$χ$ ——石灰掺量；

A、B、C——拟合参数。

试件压缩系数随石灰掺量关系的拟合结果见表2。在相同石灰掺量下，不同初始含水率试件压缩系数改变率(掺灰试件相较素土试件压缩系数的改变量/素土试件压缩系数)相差较小，低掺量(2%)压缩系数改变率为40%，压缩系数降低到60%；当石灰掺量超过4%时，压缩系数减小很少，压缩系数改变率为60%；高掺量(8%)下，压缩系数降低到30%。由图2可知：所有试件的压缩系数均小于0.5 MPa⁻¹,表明试样为中等压缩性土，可作为公路路基设计规范6 m以下路基填料。如若路基填筑高度达15 m，则路基填料的压缩系数不大于0.1 MPa⁻¹，当含水率不高于26.73%时，石灰掺量不低于4%，否则石灰掺量不低于8%，可达到高填方路基填料对压缩性的要求。

表 2 试件压缩系数与石灰掺量的指数模型拟合结果

Table 2. Fitting results of exponential model between compression coefficient and lime content

数学模型	$α_{1 - 2} = A + B e^{(- χ / C)}$
初始含水率	20.84%	23.68%	26.73%	29.71%	33.75%	34.93%
A	0.04±0.00	0.05±0.00	0.05±0.00	0.05±0.00	0.08±0.00	0.07±0.00
B	0.10±0.00	0.13±0.00	0.16±0.00	0.20±0.00	0.25±0.00	0.29±0.00
C	2.26±0.07	2.59±0.11	2.67±0.20	2.88±0.14	2.46±0.07	3.24±0.05
R²	0.9998	0.9996	0.9989	0.9996	0.9998	1.0000
Adj.R²	0.9996	0.9992	0.9977	0.9991	0.9997	0.9999
注：R² 为相关系数平方；Adj.R²为调整后相关系数平方。

下载: 导出CSV

| 显示表格

3. 改良土的抗剪强度

为研究初始含水率和石灰掺量对高液限土抗剪强度的影响，采用6种不同初始含水率，5种不同石灰掺量共30×2组试样进行快剪试验。其中一组试件进行抽真空饱和。采用南京土壤仪器厂生产的ZJ型应变控制式直剪仪，试样尺寸为61.8 mm×20 mm，剪切速率为0.8 mm/min，荷载加载序列分别为100 kPa，200 kPa，300 kPa，400 kPa，剪切量为6 mm。

3.1 不同饱和状态试件黏聚力结果分析

根据直剪试验结果，绘制不同初始含水率下，黏聚力随石灰掺量变化情况。试件黏聚力随石灰掺量的模型拟合效果分别如图3(a)、3(b)所示。

图 3 试件黏聚力的模型拟合

Figure 3. Model fitting of cohesion of the samples

下载: 全尺寸图片幻灯片

在图3(a)中，对于不饱和试件，初始含水率越高，相同掺量的石灰对高液限土黏聚力提升越明显。相较素土试件，少量石灰掺量(2%)对高液限土黏聚力改良效果明显，黏聚力提升达28%～170%；加入大量石灰(8%)改良后，黏聚力可提高80%～450%。在图3(b)中，对于饱和试件，石灰可以增加高液限土的水稳性。相较于未经饱和试件的黏聚力，饱和后的素土试件黏聚力降低80% ～90%，而改良试件随着石灰掺量增加，黏聚力降低率(饱和前后黏聚力的变化量/不饱和试件的黏聚力)由72%～81%减小到66%～77%；掺入石灰改良的试件，黏聚力降低率减小6%～18%；初始含水率23.68%和26.73%的素土试件较最佳含水率(20.84%)素土试件的黏聚力高，表明高液限土具有水敏性，遇水后不同初始含水率的素土试件强度衰减不同。由于高液限土具有水敏性，高于最佳含水率3%～6%的高液限土在遇水后强度衰减更小，具有较好的水稳性^[20-21]。

SHARMA等^[14]研究表明，石灰的掺入会使黏聚力增加，进一步添加石灰时，黏聚力有降低的趋势。由于石灰本身没有黏性，因而改良高液限土黏聚力存在最佳的石灰掺量。当初始含水率不高于26.73%且石灰掺量为6%时，黏聚力增长幅度趋缓；而当初始含水率高于26.73%时，由于初始含水率较高，达到最大黏聚力消耗的石灰增多，石灰掺量为8%时，黏聚力仍有上升趋势，建议改良石灰掺量不低于8%。对于不同状态和初始含水率的试件，随着石灰掺量增加，黏聚力呈幂函数形式变化，且数学函数模型如式(2)所示：

c = c_{0} + A χ + B χ^{2}

(2)

式中： $c$ −试件黏聚力；

$c_{0}$ −不同饱和状态素土试件黏聚力；

$χ$ −石灰掺量；

A、B−拟合参数。

拟合结果见表3。

表 3 不同状态试件黏聚力幂函数模型拟合结果

Table 3. Fitting results of power function model for cohesion of specimens in different states

试件状态	数学模型	$c = c_{0} + A χ + B χ^{2}$
试件状态	初始含水率	20.84%	23.68%	26.73%	29.71%	33.75%	34.93%
未饱和	$c_{0}$	139.62±4.55	126.32±6.07	98.34±3.01	54.77±1.94	28.24±1.05	22.19±2.48
	A	24.06±2.69	21.46±3.59	22.70±1.78	19.02±1.15	18.65±0.62	17.65±1.74
	B	−1.19±0.32	−0.92±0.43	−1.04±0.21	−0.89±0.14	−0.87±0.07	−0.76±0.18
	R²	0.9947	0.9899	0.9976	0.9986	0.9996	0.9975
	Adj.R²	0.9894	0.9798	0.9952	0.9971	0.9991	0.9949
饱和	$c_{0}$	12.89±2.05	22.30±2.76	15.94±1.47	10.58±1.32	4.14±1.17	3.08±0.71
	A	11.56±1.21	15.26±1.63	13.36±0.87	8.20±0.78	5.57±0.69	4.57±0.42
	B	−0.62±0.15	−0.99±0.20	−0.77±0.10	−0.44±0.09	−0.29±0.08	−0.21±0.05
	R²	0.9948	0.9929	0.9978	0.9958	0.9932	0.9968
	Adj.R²	0.9896	0.9857	0.9956	0.9916	0.9863	0.9936

下载: 导出CSV

| 显示表格

3.2 不同状态试件内摩擦角结果分析

绘制不同初始含水率下，未经饱和试件内摩擦角随石灰掺量变化情况，模型拟合结果如图4所示。

图 4 未饱和试件内摩擦角幂指数模型拟合

Figure 4. Power index model fitting of internal friction angle of unsaturated specimen

下载: 全尺寸图片幻灯片

在图4中，不同初始含水率的高液限土试件，随着石灰掺量的增加，内摩擦角呈上升趋势。相较于素土试件，少量石灰掺量(2%)对高液限土内摩擦角改良效果不明显，内摩擦角仅提高6%～10%；加入大量石灰(8%)改良后，内摩擦角可提高19%～36%；对于不同初始含水率的高液限土，相同石灰掺量对初始含水率高的试件内摩擦角改良效果更好；由于石灰土发生絮凝与团聚反应，导致黏土粒径颗粒团化，因而土的内摩擦角增加。而石灰本身没有明显的摩擦力，过量的石灰会导致内摩擦角降低，当石灰掺量为6%时，初始含水率不高于26.73%的试件内摩擦角增长趋于平缓；当初始含水率高于26.73%时，石灰掺量高于6%时，内摩擦角仍小幅增长，满足幂函数的变化规律，采用二次函数模型进行拟合如式（3）所示：

φ = φ_{0} + A χ + B χ^{2}

(3)

式中： $φ$ −试件内摩擦角；

$φ_{0}$ −素土试件内摩擦角；

$χ$ −石灰掺量；

A、B−拟合参数。

拟合结果如表4所示。

表 4 未经饱和试件内摩擦角的幂函数模型拟合结果

Table 4. Fitting results of power function model for internal friction angle of unsaturated specimen

函数模型	$φ = φ_{0} + A χ + B χ^{2}$
初始含水率	20.84%	23.68%	26.73%	29.71%	33.75%	34.93%
$φ_{0}$	30.79±0.32	29.17±0.45	26.75±0.43	24.83±0.49	24.39±0.28	24.21±0.35
A	1.49±0.19	1.43±0.27	1.69±0.26	1.77±0.26	1.43±0.17	1.40±0.21
B	−0.09±0.02	−0.06±0.03	−0.07±0.03	−0.07±0.03	−0.04±0.02	−0.04±0.02
R²	0.9913	0.9872	0.9915	0.9910	0.9966	0.9943
Adj.R²	0.9827	0.9745	0.9830	0.9821	0.9932	0.9887

下载: 导出CSV

| 显示表格

根据直剪试验结果，分别采用幂函数、指数函数、对数函数模型对饱和试件的内摩擦角与石灰掺量的关系进行研究，三种初等函数模型均能拟合成功。将不同拟合结果进行模型效果比较，无论采用AIC(赤池信息准则，衡量模量拟合优良性标准，AIC越小，模型拟合效果越好)或是BIC(贝叶斯信息准则，BIC越小，模型拟合效果越好)比较法，幂函数和指数函数模型较对数函数模型能达到更好的拟合效果。其中图5(a)为采用幂函数模型拟合，图5(b)为采用指数函数模型进行拟合。

图 5 内摩擦角的模型拟合

Figure 5. Model fitting of friction angle

下载: 全尺寸图片幻灯片

对于饱和素土试件，初始含水率越低，内摩擦角减小率(不同状态试件内摩擦角变化量/不饱和试件的内摩擦角)越大。相较于素土试件，不同初始含水率的改良试件内摩擦角提高约14%～30%。掺灰后，试件的内摩擦角增加率((掺灰试件与素土试件内摩擦角的增量/素土试件内摩擦角)为12%～32%。初始含水率在20.84%～26.73%范围内，随着石灰掺量的增加，内摩擦角趋于稳定；而初始含水率在29.71% ～34.93%范围内，当石灰掺量高于8%时，内摩擦角有减小的趋势。因而采用AIC、BIC以及F检验法比较幂函数和指数函数模型的拟合效果时，却没有得到推荐模型。当石灰掺量大于8%时，饱和试件内摩擦角是趋于稳定还是减小还有待试验验证。由于高掺量的石灰在改良低含水率的高液限土中是不经济的，因此，增加部分高初始含水率、高石灰掺量的饱和试件抗剪强度试验进行验证是很有必要的。试验设计方案见表5。

表 5 试验设计方案

Table 5. Experimental design scheme

初始含水率/%	石灰掺量/%	黏聚力	内摩擦角	R	Adj. R²
29.71	10	51.85	31.10	1.000	0.999
29.71	12	47.45	31.78	0.998	0.996
33.75	10	32.20	29.87	0.998	0.996
33.75	12	33.5	29.89	0.998	0.995
34.93	10	26.5	29.56	0.999	0.997
34.93	12	30.25	30.29	0.994	0.989

下载: 导出CSV

| 显示表格

根据表5结果，采用赤池信息准则以及贝叶斯信息准则对幂函数和指数模型进行拟合结果进行分析：幂函数模型的AIC值为20.60<指数函数AIC值为58.61；幂函数模型的BIC值为0.39<指数函数BIC值为38.39，由于AIC值、BIC值较小能更好反应模型拟合的优良性，因而对于饱和试件的黏聚力随掺石灰掺量的增加呈幂幂函数形式变化，模型拟合结果见表6。

表 6 饱和试件内摩擦角拟合结果

Table 6. Fitting results of internal friction angle of saturated specimen

函数模型	方程	$φ = φ_{0} + A χ + B χ^{2}$
函数模型	初始含水率	20.84%	23.68%	26.73%	29.71%	33.75%	34.93%
幂函数	$φ_{0}$	23.14±0.14	24.12±0.72	24.36±0.95	23.92±0.76	23.79±0.23	23.58±0.12
	A	2.00±0.08	2.51±0.43	2.74±0.56	2.53±0.45	1.98±0.14	1.97±0.07
	B	−0.15±0.01	−0.21±0.05	−0.23±0.07	−0.21±0.05	−0.16±0.02	−0.16±0.01
	R²	0.9984	0.9702	0.9539	0.9672	0.9954	0.9988
	Adj.R²	0.9968	0.9404	0.9078	0.9345	0.9908	0.9975

下载: 导出CSV

| 显示表格

3.3 试件抗剪强度包线变化分析

绘制不同饱和状态、不同初始含水率下石灰掺量对高液限土抗剪强度的影响如图6，图7所示。图例A-B，A、B分别为初始含水率和石灰掺量。如20.84-0代表初始含水率20.84%，石灰掺量0%的试件对应的抗剪强度包线，将最佳含水率的素土试件(20.84-0)对应的强度包线，称为标准强度包线。

图 6 未经饱和试样抗剪强度包线

Figure 6. Shear strength envelope of unsaturated specimen

下载: 全尺寸图片幻灯片

图 7 饱和试样抗剪强度包线

Figure 7. Shear strength envelope of saturated specimen

下载: 全尺寸图片幻灯片

在图6中，对于未经饱和试件，试件抗剪强度随含水率升高而降低。根据标准强度包线在图中位置，随着初始含水率的升高，高液限土需消耗更多的石灰才能达到标准强度。当初始含水率不高于26.73%，石灰掺量在6%范围内时，试件抗剪强度增加明显；当含水率高于26.73%时，建议石灰掺量不低于8%，此时改良土的抗剪强度仍有明显增加。根据标准强度包线在不同石灰掺量强度包线中的位置结合石灰掺量对抗剪强度增长变化率的影响，建议初始含水率不高于26.73%时，石灰掺量为总质量分数的6%；当含水率高于26.73%时，石灰掺量不低于为总质量分数的8%，此时改良试件抗剪强度不仅能达到标准强度，且不会造成石灰的浪费。

在图7中，相同初始含水率下，饱和试样的抗剪强度随石灰掺量增加而增大，且相邻两强度包线间增加幅度逐渐减小；当石灰掺量高于6%时，随着石灰掺量增加，试件抗剪强度增长较小。

由于高液限土具有水敏性，吸水后不同初始含水率试件的强度衰减不同。初始含水率为23.68%和26.73%的饱和素土试件的抗剪强度均较最佳含水率20.84%对应的标准抗剪强度高，表明浸水后的高液限土水稳性最佳时对应的含水率较击实试验对应的最佳含水率高3%～6%，因此在进行高液限土路基填筑时，建议路基填料含水率比最佳含水率高3%～6%。由于高液限土的击实曲线与CBR曲线是不重合的双驼峰曲线^[22-23]，即最大CBR值对应的含水率比最大干密度对应的含水率高，这对于高液限土抗剪强度也适用。若采用饱和素土试件中的最大抗剪强度作为标准强度包线(23.68-0)，则很少掺量的石灰(2%)会对试件的抗剪强度有很大提升，可以达到标准抗剪强度。

4. 结论

对于广西荔玉高速沿线高液限土,分析了饱和状态、初始含水率、石灰掺量对试件侧限压缩特性和抗剪强度的影响，并采用基本初等数学函数模型进行拟合。通过测初始含水率、石灰掺量，确定改良土的压缩特性和抗剪强度。

（1）初始含水率越高的高液限土，改良所需的石灰越多。随着石灰掺量的增加，压缩系数呈指数函数形式减小直至稳定。当石灰掺量为2%时，压缩系数减小幅度高达40%，即较少的石灰掺量可以明显改善高液限土的压缩特性。

（2）初始含水率越高，试件抗剪强度越小。对于不同饱和试件黏聚力和内摩擦角随石灰掺量的增加呈二次函数形式增加，过量的石灰会造成试件抗剪强度的下降。

（3）高液限土具有水敏性，浸水后不同初始含水率的素土试件强度衰减不同。对于饱和素土试件，最大抗剪强度对应的含水率较击实试验获得最大干密度对应的含水率高3%～6%，而掺加石灰可以增加高液限土水稳性。在路基填筑中，填料的含水率要高于最佳含水率3%～6%，此时即具有较高的水稳性，又能达到路基压实度。

（4）改良不同初始含水率的广西荔玉高速沿线高液限土，存在最经济的石灰掺量。石灰的掺入主要提高试件的黏聚力而对内摩擦角影响较小。当含水率不高于26.73%时，建议石灰掺量不低于6%，否则石灰掺量不低于8%。

图 1 研究区地理位置

Figure 1. Geographic location of the study area

下载: 全尺寸图片幻灯片

图 2 南迦巴瓦岩群花岗片麻岩

Figure 2. Granite gneiss of the Nangabawa group

下载: 全尺寸图片幻灯片

图 3 多雄河流域雪崩灾害点分布图

Figure 3. Distribution map of avalanche sites in the Duoxiong River Basin

下载: 全尺寸图片幻灯片

图 4 雪崩评价因子制图

Figure 4. Mapping of avalanche evaluation factors

下载: 全尺寸图片幻灯片

图 5 雪崩灾害点频率分布图

Figure 5. Frequency distribution map of avalanche disaster points

下载: 全尺寸图片幻灯片

图 6 雪崩易发性分区图

Figure 6. Avalanche susceptibility zoning map

下载: 全尺寸图片幻灯片

图 7 验证数据集ROC曲线

Figure 7. ROC curve of the data set

下载: 全尺寸图片幻灯片

图 8 多雄河流域雪崩分区结果

Figure 8. Results of avalanche zoning in the Duoxiong River Basin

下载: 全尺寸图片幻灯片

表 1 评价因子TOL及VIF值

Table 1 Tolerance （TOL） and variance inflation factor （VIF） values of evaluation factors

因子	容忍度	方差膨胀因子	因子	容忍度	方差膨胀因子
高程	0.650	1.538	植被覆盖度	0.532	1.880
坡度	0.127	7.858	地形湿度指数	0.612	1.633
坡向	0.703	1.422	年平均最低气温	0.732	1.366
坡面曲率	0.831	1.204	年平均最低气温	0.732	1.366
地表切割深度	0.152	6.597	归一化差雪指数	0.667	1.498

下载: 导出CSV

表 2 评价因子分级

Table 2 Grading of evaluation factors

因子类型	雪崩评价因子	分级
地形因子	高程/ m	<3500、3500～3800、3800～4100、4100～4400、4400～4700、4700～5000、>5000
	坡度/ （°）	<20、20～30、30～40、40～50、>50
	坡向	北、东北、东、东南、南、西南、西、西北
	坡面曲率/ m⁻¹	<−7.8、−7.8～−2.3、−2.3～−0、0～6.8、>6.8
	地表切割深度/ m	<5.0、5.0～9.6、9.6～15、15～22、>22
地貌因子	土地覆盖类型	耕地、林地、灌木、水体、裸地、冰雪
地貌因子	植被覆盖度	<0.025、0.025～0.05、0.05～0.075、0.075～0.1、>0.1
水文因子	地形湿度指数	<5.1、5.1～6.8、6.8～8.8、8.8～12、>12
气象因子	年平均最低气温/ °C	<−3.4、−3.4～−1.8、−1.8～−0.2、−0.2～1.4、>1.4
气象因子	归一化差雪指数	<0.4、0.4～0.5、0.5～0.6、0.6～0.7、>0.7

下载: 导出CSV

表 3 雪崩评价因子信息量

Table 3 Summary table of avalanche evaluation factors information

影响因子	分级	所占栅格数	S_i/S	雪崩数/个	N_i/N	$l n \frac{N_{i} / N}{S_{i} / S}$ ×10⁴
高程/ m	<3500	773678	0.3327	0	0.0000	−10000
	3500～3800	361921	0.1557	5	0.0714	−7790
	3800～4100	404881	0.1741	23	0.3286	6349
	4100～4400	342622	0.1474	23	0.3286	8019
	4400～4700	251617	0.1082	11	0.1571	3730
	4700～5000	150366	0.0647	7	0.1000	4359
	>5000	40031	0.0172	1	0.0143	−1866
坡度/ （°）	<20	395019	0.1703	7	0.1000	−5322
	20～30	433150	0.1867	23	0.3286	5652
	30～40	620720	0.2676	22	0.3143	1610
	40～50	526804	0.2271	13	0.1857	−2011
	>50	344244	0.1484	5	0.0714	−7311
坡向	北	274973	0.1185	6	0.0857	−3241
	东北	380618	0.1641	12	0.1714	439
	东	374654	0.1615	13	0.1857	1397
	东南	208242	0.0898	6	0.0857	−461
	南	387634	0.1671	15	0.2143	2488
	西南	394473	0.1700	11	0.1571	−789
	西	203495	0.0877	2	0.0286	−11217
	西北	95848	0.0413	5	0.0714	5475
坡面曲率/ m⁻¹	<−7.8	47568	0.0205	0	0.0000	−10000
	−7.8～−2.3	220487	0.0948	5	0.0714	−2834
	−2.3～0	911810	0.3922	27	0.3857	−166
	0～6.8	1086647	0.4673	36	0.5143	957
	>6.8	58634	0.0252	2	0.0286	1249
地表切割深度/m	<5.0	464283	0.1989	10	0.1429	−3310
	5.0～9.6	813384	0.3485	38	0.5429	4433
	9.6～15	665568	0.2851	16	0.2286	−2211
	15～22	314928	0.1349	4	0.0571	−8591
	>22	76041	0.0326	2	0.0286	−1312
土地覆盖类型	耕地	2005	0.0009	0	0.0000	−10000
	林地	604215	0.2599	1	0.0143	−29010
	灌木	399471	0.1718	7	0.1000	−5413
	水体	12408	0.0053	0	0.0000	−10000
	裸地	1238	0.0005	0	0.0000	−10000
	冰雪	1305652	0.5616	62	0.8857	4557
植被覆盖度	<0.025	1738908	0.7479	44	0.6286	−1739
	0.025～0.05	208206	0.0896	25	0.3571	13833
	0.05～0.075	141003	0.0606	1	0.0143	−14458
	0.075～0.1	121527	0.0523	0	0.0000	−10000
	>0.1	115290	0.0496	0	0.0000	−10000
地形湿度指数	<5.1	624456	0.2692	11	0.1571	−5382
	5.1～6.8	864592	0.3727	24	0.3429	−834
	6.8～8.8	601375	0.2592	25	0.3571	3205
	8.8～12	182304	0.0786	10	0.1429	5977
	>12	47210	0.0203	0	0.0000	−10000
年平均最低气温/°C	<−3.4	232991	0.1002	9	0.1286	2492
	−3.4～−1.8	163430	0.0703	2	0.0286	−9003
	−1.8～−0.2	206279	0.0887	9	0.1286	3710
	−0.2～1.4	512660	0.2205	16	0.2286	359
	>1.4	1209587	0.5203	34	0.4857	−687
归一化差雪指数	<0.4	609750	0.2623	2	0.0286	−22172
	0.4～0.5	212535	0.0914	4	0.0571	−4701
	0.5～0.6	386757	0.1664	11	0.1571	−572
	0.6～0.7	857925	0.3691	41	0.5857	4617
	>0.7	257355	0.1107	12	0.1714	4371

下载: 导出CSV

表 4 雪崩分区结果

Table 4 Avalanche zoning results

易发性	面积/km²	面积占比/%	雪崩点数量/个	雪崩点占比/%
低易发区	60.61	26.14	0	0
中易发区	74.33	32.06	10	14.29
高易发区	96.91	41.80	60	85.71

下载: 导出CSV

参考文献(35)

[1]	NASERY S,KALKAN K. Snow avalanche risk mapping using GIS-based multi-criteria decision analysis:The case of Van,Turkey[J]. Arabian Journal of Geosciences,2021,14(9):782. DOI: 10.1007/s12517-021-07112-4
[2]	舒晓燕,巫锡勇,文洪,等. 新疆天山伊阿铁路区域雪崩易发性与潜在释放区识别对比研究[J]. 工程地质学报,2023,31(4):1200 − 1212. [SHU Xiaoyan,WU Xiyong,WEN Hong,et al. Comparison of snow avalanche susceptibility assessment and potential snow avalanche release areas identification along Yining-Aksu railway,Xinjiang Tianshan Mountains[J]. Journal of Engineering Geology,2023,31(4):1200 − 1212. (in Chinese with English abstract)] SHU Xiaoyan, WU Xiyong, WEN Hong, et al. Comparison of snow avalanche susceptibility assessment and potential snow avalanche release areas identification along Yining-Aksu railway, Xinjiang Tianshan Mountains［J］. Journal of Engineering Geology, 2023, 31（4）: 1200 − 1212. （in Chinese with English abstract）
[3]	张根,孙春卫,杨成业,等. 帕隆藏布流域沟槽型雪崩发育特征及分布规律研究[J]. 高原科学研究,2021,5(1):35 − 43. [ZHANG Gen,SUN Chunwei,YANG Chengye,et al. Study on the developmental characteristics and distribution pattern of grooved avalanche in Palongzangbu River Basin[J]. Plateau Science Research,2021,5(1):35 − 43. (in Chinese with English abstract)] ZHANG Gen, SUN Chunwei, YANG Chengye, et al. Study on the developmental characteristics and distribution pattern of grooved avalanche in Palongzangbu River Basin［J］. Plateau Science Research, 2021, 5（1）: 35 − 43. （in Chinese with English abstract）
[4]	KUMAR S,SRIVASTAVA P K,SNEHMANI,et al. Geospatial probabilistic modelling for release area mapping of snow avalanches[J]. Cold Regions Science and Technology,2019,165:102813. DOI: 10.1016/j.coldregions.2019.102813
[5]	KUMAR S,SRIVASTAVA P K,GORE A,et al. Fuzzy–frequency ratio model for avalanche susceptibility mapping[J]. International Journal of Digital Earth,2016,9(12):1168 − 1184. DOI: 10.1080/17538947.2016.1197328
[6]	KUMAR S,SRIVASTAVA P K,SNEHMANI. Geospatial modelling and mapping of snow avalanche susceptibility[J]. Journal of the Indian Society of Remote Sensing,2018,46(1):109 − 119. DOI: 10.1007/s12524-017-0672-z
[7]	AKBAR M,BHAT M S,CHANDA A,et al. Integrating traditional knowledge with GIS for snow avalanche susceptibility mapping in Kargil-Ladakh Region of trans-himalayan India[J]. Spatial Information Research,2022,30(6):773 − 789. DOI: 10.1007/s41324-022-00471-4
[8]	VAROL N. Avalanche susceptibility mapping with the use of frequency ratio,fuzzy and classical analytical hierarchy process for Uzungol Area,Turkey[J]. Cold Regions Science and Technology,2022,194:103439. DOI: 10.1016/j.coldregions.2021.103439
[9]	YARIYAN P,OMIDVAR E,MINAEI F,et al. An optimization on machine learning algorithms for mapping snow avalanche susceptibility[J]. Natural Hazards,2022,111(1):79 − 114. DOI: 10.1007/s11069-021-05045-5
[10]	YANG Jinming,HE Qing,LIU Yang. Winter–spring prediction of snow avalanche susceptibility using optimisation multi-source heterogeneous factors in the western Tianshan Mountains,China[J]. Remote Sensing,2022,14(6):1340. DOI: 10.3390/rs14061340
[11]	CHOUBIN B, BORJI M, MOSAVI A, et al. Snow avalanche hazard prediction using machine learning methods[J]. Journal of Hydrology,2019,577:123929.
[12]	BIAN Rui,HUANG Kaiyang,LIAO Xin,et al. Snow avalanche susceptibility assessment based on ensemble machine learning model in the central Shaluli Mountain[J]. Frontiers in Earth Science,2022,10:880711. DOI: 10.3389/feart.2022.880711
[13]	LIU Yang,CHEN Xi,YANG Jinming,et al. Snow avalanche susceptibility mapping from tree-based machine learning approaches in ungauged or poorly-gauged regions[J]. Catena,2023,224:106997. DOI: 10.1016/j.catena.2023.106997
[14]	文洪,王栋,王生仁,等. 藏东南帕隆藏布流域雪崩关键影响因素与易发性区划研究[J]. 工程地质学报,2021,29(2):404 − 415. [WEN Hong,WANG Dong,WANG Shengren,et al. Key predisposing factors and susceptibility mapping of snow avalanche in Parlung-Tsangpo catchment,southeast Tibetan Plateau[J]. Journal of Engineering Geology,2021,29(2):404 − 415. (in Chinese with English abstract)] WEN Hong, WANG Dong, WANG Shengren, et al. Key predisposing factors and susceptibility mapping of snow avalanche in Parlung-Tsangpo catchment, southeast Tibetan Plateau［J］. Journal of Engineering Geology, 2021, 29（2）: 404 − 415. （in Chinese with English abstract）
[15]	文洪,巫锡勇,赵思远,等. 基于机器学习法的青藏高原沙鲁里山系中段雪崩易发性评价研究[J]. 冰川冻土,2022,44(6):1694 − 1706. [WEN Hong,WU Xiyong,ZHAO Siyuan,et al. Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method[J]. Journal of Glaciology and Geocryology,2022,44(6):1694 − 1706. (in Chinese with English abstract)] WEN Hong, WU Xiyong, ZHAO Siyuan, et al. Snow avalanche susceptibility evaluation in the central Shaluli Mountains of Tibetan Plateau based on machine learning method［J］. Journal of Glaciology and Geocryology, 2022, 44（6）: 1694 − 1706. （in Chinese with English abstract）
[16]	LIU Yinhe,ZHONG Yanfei,MA Ailong,et al. Cross-resolution national-scale land-cover mapping based on noisy label learning:A case study of China[J]. International Journal of Applied Earth Observation and Geoinformation,2023,118:103265. DOI: 10.1016/j.jag.2023.103265
[17]	杨得虎,朱杰勇,刘帅,等. 基于信息量、加权信息量与逻辑回归耦合模型的云南罗平县崩滑灾害易发性评价对比分析[J]. 中国地质灾害与防治学报,2023,34(5):43 − 53. [YANG Dehu,ZHU Jieyong,LIU Shuai,et al. Comparative analyses of susceptibility assessment for landslide disasters based on information value,weighted information value and logistic regression coupled model in Luoping County,Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(5):43 − 53. (in Chinese with English abstract)] YANG Dehu, ZHU Jieyong, LIU Shuai, et al. Comparative analyses of susceptibility assessment for landslide disasters based on information value, weighted information value and logistic regression coupled model in Luoping County, Yunnan Province［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（5）: 43 − 53. （in Chinese with English abstract）
[18]	孙小勇, 魏龙, 唐华, 等. 基于GIS的崩滑地质灾害孕灾地质条件分析——以西藏嘉黎县为例[J]. 中国地质调查,2024,11(4):92 − 100. [SUN Xiaoyong, WEI Long, TANG Hua, et al. Analysis of the disaster-pregnancy geological conditions of collapse and landslide based on GIS: A case study of Jiali County in Tibet[J]. Geological Survey of China,2024,11(4):92 − 100. (in Chinese with English abstract)] SUN Xiaoyong, WEI Long, TANG Hua, et al. Analysis of the disaster-pregnancy geological conditions of collapse and landslide based on GIS: A case study of Jiali County in Tibet［J］. Geological Survey of China, 2024, 11（4）: 92 − 100. （in Chinese with English abstract）
[19]	李信,薛桂澄,柳长柱,等. 基于信息量模型和信息量-逻辑回归模型的海南岛中部山区地质灾害易发性研究[J]. 地质力学学报,2022,28(2):294 − 305. [LI Xin,XUE Guicheng,LIU Changzhu,et al. Evaluation of geohazard susceptibility based on information value model and information value-logistic regression model:A case study of the central mountainous area of Hainan Island[J]. Journal of Geomechanics,2022,28(2):294 − 305. (in Chinese with English abstract)] LI Xin, XUE Guicheng, LIU Changzhu, et al. Evaluation of geohazard susceptibility based on information value model and information value-logistic regression model: A case study of the central mountainous area of Hainan Island［J］. Journal of Geomechanics, 2022, 28（2）: 294 − 305. （in Chinese with English abstract）
[20]	樊芷吟,苟晓峰,秦明月,等. 基于信息量模型与Logistic回归模型耦合的地质灾害易发性评价[J]. 工程地质学报,2018,26(2):340 − 347. [FAN Zhiyin,GOU Xiaofeng,QIN Mingyue,et al. Information and logistic regression models based coupling analysis for susceptibility of geological hazards[J]. Journal of Engineering Geology,2018,26(2):340 − 347. (in Chinese with English abstract)] FAN Zhiyin, GOU Xiaofeng, QIN Mingyue, et al. Information and logistic regression models based coupling analysis for susceptibility of geological hazards［J］. Journal of Engineering Geology, 2018, 26（2）: 340 − 347. （in Chinese with English abstract）
[21]	杜国梁,杨志华,袁颖,等. 基于逻辑回归–信息量的川藏交通廊道滑坡易发性评价[J]. 水文地质工程地质,2021,48(5):102 − 111. [DU Guoliang,YANG Zhihua,YUAN Ying,et al. Landslide susceptibility mapping in the Sichuan-Tibet traffic corridor using logistic regression-information value method[J]. Hydrogeology & Engineering Geology,2021,48(5):102 − 111. (in Chinese with English abstract)] DU Guoliang, YANG Zhihua, YUAN Ying, et al. Landslide susceptibility mapping in the Sichuan-Tibet traffic corridor using logistic regression-information value method［J］. Hydrogeology & Engineering Geology, 2021, 48（5）: 102 − 111. （in Chinese with English abstract）
[22]	孙滨,祝传兵,康晓波,等. 基于信息量模型的云南东川泥石流易发性评价[J]. 中国地质灾害与防治学报,2022,33(5):119 − 127. [SUN Bin,ZHU Chuanbing,KANG Xiaobo,et al. Susceptibility assessment of debris flows based on information model in Dongchuan,Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(5):119 − 127. (in Chinese with English abstract)] SUN Bin, ZHU Chuanbing, KANG Xiaobo, et al. Susceptibility assessment of debris flows based on information model in Dongchuan, Yunnan Province［J］. The Chinese Journal of Geological Hazard and Control, 2022, 33（5）: 119 − 127. （in Chinese with English abstract）
[23]	陈晓利,周本刚,冉洪流,等. 汶川地震中擂鼓镇地区的滑坡崩塌规律及预测[J]. 吉林大学学报(地球科学版),2010,40(6):1371 − 1379. [CHEN Xiaoli,ZHOU Bengang,RAN Hongliu,et al. Analysis and prediction of the spatial distribution of landslides triggered by Wenchuan earthquakes in leiguzhen region[J]. Journal of Jilin University (Earth Science Edition),2010,40(6):1371 − 1379. (in Chinese with English abstract)] CHEN Xiaoli, ZHOU Bengang, RAN Hongliu, et al. Analysis and prediction of the spatial distribution of landslides triggered by Wenchuan earthquakes in leiguzhen region［J］. Journal of Jilin University (Earth Science Edition), 2010, 40（6）: 1371 − 1379. （in Chinese with English abstract）
[24]	张清全. 帕隆藏布干流沟槽型雪崩空间分异特征及易发性评价研究[D]. 成都:西南交通大学,2021. [ZHANG Qingquan. Spatial differentiation characteristics and susceptibility assessment of channeled snow avalanche in Parlung-Tsangpo main stream[D]. Chengdu:Southwest Jiaotong University,2021. (in Chinese with English abstract)] ZHANG Qingquan. Spatial differentiation characteristics and susceptibility assessment of channeled snow avalanche in Parlung-Tsangpo main stream［D］. Chengdu: Southwest Jiaotong University, 2021. （in Chinese with English abstract）
[25]	PARSHAD R,SRIVASTVA P K,SNEHMANI,et al. Snow avalanche susceptibility mapping using remote sensing and GIS in Nubra-Shyok Basin,Himalaya,India[J]. Indian Journal of Science and Technology,2017,10(31):1 − 12.
[26]	SCHWEIZER J,BRUCE JAMIESON J,SCHNEEBELI M. Snow avalanche formation[J]. Reviews of Geophysics,2003,41(4):1016.
[27]	TAMURA R,KOBAYASHI K,TAKANO Y,et al. Mixed integer quadratic optimization formulations for eliminating multicollinearity based on variance inflation factor[J]. Journal of Global Optimization,2019,73(2):431 − 446. DOI: 10.1007/s10898-018-0713-3
[28]	SCHWEIZER J,JAMIESON J B. Snow cover properties for skier triggering of avalanches[J]. Cold Regions Science and Technology,2001,33(2/3):207 − 221.
[29]	王世金,任贾文. 国内外雪崩灾害研究综述[J]. 地理科学进展,2012,31(11):1529 − 1536. [WANG Shijin,REN Jiawen. A review of the progresses of avalanche hazards research[J]. Progress in Geography,2012,31(11):1529 − 1536. (in Chinese with English abstract)] WANG Shijin, REN Jiawen. A review of the progresses of avalanche hazards research［J］. Progress in Geography, 2012, 31（11）: 1529 − 1536. （in Chinese with English abstract）
[30]	边瑞. 基于集成机器学习模型的沙鲁里山系中段雪崩易发性评价研究[D]. 成都:西南交通大学,2021. [BIAN Rui. Snow avalanche susceptibility assessment based on ensemble machine learning model in the central Shaluli Mountain[D]. Chengdu:Southwest Jiaotong University,2021. (in Chinese with English abstract)] BIAN Rui. Snow avalanche susceptibility assessment based on ensemble machine learning model in the central Shaluli Mountain［D］. Chengdu: Southwest Jiaotong University, 2021. （in Chinese with English abstract）
[31]	陈联君. 基于多源数据的雪崩危险性评价——以北疆地区为例[D]. 武汉:中国地质大学,2021. [CHEN Lianjun. Avalanche hazard assessment based on Multi-Source data[D]. Wuhan:China University of Geosciences,2021. (in Chinese with English abstract)] CHEN Lianjun. Avalanche hazard assessment based on Multi-Source data［D］. Wuhan: China University of Geosciences, 2021. （in Chinese with English abstract）
[32]	XI Ning,MEI Gang. Avalanche susceptibility mapping by investigating spatiotemporal characteristics of snow cover based on remote sensing imagery along the pemo highway:A critical transportation road in Tibet,China[J]. Water,2023,15(15):2743. DOI: 10.3390/w15152743
[33]	江琪,季民. 淮北市植被覆盖度提取及时空变化分析研究[J]. 测绘与空间地理信息,2023,46(10):85 − 88. [JIANG Qi,JI Min. Extraction of vegetation cover and analysis of spatial and temporal changes in Huaibei City[J]. Geomatics & Spatial Information Technology,2023,46(10):85 − 88. (in Chinese with English abstract)] JIANG Qi, JI Min. Extraction of vegetation cover and analysis of spatial and temporal changes in Huaibei City［J］. Geomatics & Spatial Information Technology, 2023, 46（10）: 85 − 88. （in Chinese with English abstract）
[34]	HEYWOOD L. Rain on snow avalanche events-some observations[C]//Proceedings of the 1988 international snow science workshop. 1988:135 − 136.
[35]	RUDOLF-MIKLAU F,SAUERMOSER S,MEARS A I. The technical avalanche protection handbook[M].2014.

施引文献

资源附件(0)

图(8) / 表(4)

计量

文章访问数: 307
HTML全文浏览量: 146
PDF下载量: 77
被引次数: 0

0. 引言
1. 研究内容
1.1 高液限土性质
1.2 研究方法
2. 改良土的压缩特性
3. 改良土的抗剪强度
3.1 不同饱和状态试件黏聚力结果分析
3.2 不同状态试件内摩擦角结果分析
3.3 试件抗剪强度包线变化分析
4. 结论

西藏林芝多雄河流域高位雪崩易发性评价

作者简介:
张平平（2001—），女，江西南昌人，地质工程专业，硕士研究生，主要从事工程地质与地质灾害研究。E-mail：2393211031@qq.com

通讯作者:
李　滨（1980—），男，山东滨州人，地质工程专业，博士，研究员，主要从事地质灾害防灾减灾研究。E-mail：libin1102@163.com

计量