北京浅山区：基于泥石流易发...的村庄危险性评价和防灾策略_蔡怡然.pdf

134 北京规划建设研究 RESEARCH 引言我国的山地比例高达69%，山地人口比例约占全国的1/3。山区由于受复杂地形地质条件、降水时空分布不均匀及人类活动带来的影响，存在泥石流、崩塌、滑坡等突发地质灾害风险。其中，泥石流灾害因其突发性及破环力强等特点，已经成为我国山区发展中不可忽视的一大灾害1。新中国成立以来，北京山地因滑坡、泥石流等地质灾害造成的死亡人数已经超过600人，直接经济损失达数亿元2。特别是城市边缘的浅山区，由于有较多村庄分布，各种人为建设活动较为频繁，同时防灾减灾设施缺乏，抵御灾害能力较差，浅山区内的村庄成为面对自然灾害危险性较高的区域3。综上所述，需要对浅山区进行泥石流灾害易发性模拟，评估浅山区内村庄危险性，并针对研究区域内诱发泥石流灾害的重要致灾环境因子，提出保障村庄安全的相应防灾减灾策略，为美丽乡村建设和乡村振兴提供支撑。泥石流易发性模拟研究已受到国内外学者的广泛关注，各类方法发展已较为成熟。泥石流易发性模拟经历了由定性到半定量再到定量研究方法的转变。近几年兴起的各类机器学习算法能够在灾害点和评价因子较多的情况下，对大数据进行高速处理并自组织学习，实现较为精确的预测分析。如随机森林技术（RF）、Logistic回归（LR）、支持向量机（SVM）、Boosted回归树（BRT）和最大熵模型（MaxEnt）等。其中，利用最大熵（MaxEnt）模型进行泥石流危险性的预测，是在自然灾害通常伴有的出现点数据不完全的条件下，预测灾害易发区的通用方法，已被证实具有较高的准确性，可以提高山区村庄危险性评价的准确性4。目前对村庄内泥石流灾害的研究主要集中在特定村庄发生泥石流的诱发机制和防灾减灾策略研究5，以及对一定范围内村庄和与泥石流灾害分布空间关系的研究6。虽然目前对村庄泥石流灾害的研究已取得一定成果，但仍有一定局限性。泥石流易发性模拟多在省市、区县及流域等范围下进行，较少关注人类与自然矛盾较为突出、人类遭受自然灾害危险性较高的浅山区等区域；多数研究停留在区域内泥石流易发性模拟，较少将泥石流易发性模拟结果与村庄危险性进行关联，缺少进一步对研究区域内村庄危险性的评价；在泥石流防灾减灾策略方面多关注省市和特定自然地理范围下宏观层面7，或特定的村庄沟域微观层面8，较少针对城市边缘浅山区等中观层面泥石流灾害诱因进行分析，提出防灾减灾策略。北京西部、北部和东北部三面环山，山区总面积达10417.5平方公里，占北京总面积的62%，是我国暴雨泥石流多发区之一。其中，浅山区是深山区与山前平原的过渡地带，是人类生产生活与山地自然生境交接缓冲区域，也是人居环境面对泥石流等自然地质灾害脆弱性较高的区域。因此，本研究针对现有研究的不足，以遭受泥石流灾害危险性较高的浅山区特定自然地理区域内的村庄为研究对象，对浅山区进行泥石流易发性模拟，基于模拟结果对区域内村庄的泥石流危险性进行评价。同时，根据模拟得出的研究区域内诱发泥石流灾害的主要致灾环境因子，提出浅山区村庄的特定防灾减灾策略，旨在保障区域内村庄安全和生态环境可持续发展，助力乡村振兴。研究区域概况北京地处华北平原与太行山交界地带，地势西北高、东南低，东南部平原地区三面环山。根据北京市浅山区保护规划（2017年-2035年）（草案），浅山区位于深山区与平原区的过渡地带，是由各个山脊大致连成的一条平均海拔1000米左右的东北-西南走向的弧形天然屏障，总面积为北京浅山区：基于泥石流易发性模拟的村庄危险性评价和防灾策略蔡怡然 梁淑榆 图1 研究范围 北京规划建设 135 RESEARCH 研究序号数据名称数据来源1泥石流出现点北京市国土资源局2016年山地灾害统计2村庄分布点/道路数据/河流数据国家测绘地理信息局3气象数据国家气象科学数据中心4高程/坡度/坡向/地形起伏度数据地理空间数据云平台/GIS处理5基岩岩性/断裂带北京山洪泥石流6土壤类型数据中国土壤数据库7林地分布数据地理空间数据云平台/ENVI解译表1 数据名称及来源4833平方公里，成为山前山后气候天然分界线。本研究根据泥石流以流域为发育和活动基本单元的特点，基于北京浅山区内泥石流出现点，并增加与浅山区所处高程相同的密云水库北部区域内的泥石流出现点，选取包含泥石流出现点的小流域，形成总面积为3915平方公里的研究范围（图1），约占市域面积的23%，涉及10个区县，69 个镇乡街道，445个行政村。研究方法模型介绍本 研 究 运 用 的 最 大 熵 模 型（Maximum Entropy Model,MaxEnt）由S.J.Phillips等人于2004年构建，是目前表现最好、应用最广的生态位模型（Ecological Niche Model，ENM）之一。最大熵MaxEnt模型可仅利用事物的“出现点”而不需要“不出现点”，通过输入相关致灾环境因子得出约束条件，根据该约束条件预测事物在研究区的适宜性或潜在分布区域，即通过已知数据信息推断未知概率分布，模拟预测研究对象的地理尺度空间分布。同时，模型还能够通过ROC曲线检测模型精度，并通过刀切法（jackknife test）测定输入的各致灾环境因子对模型预测的贡献大小，明确不同环境变量对影响事物潜在分布区域的重要程度。因此，利用最大熵MaxEnt模型开展本研究，不仅可以模拟预测研究区域内泥石流易发性区域分布，同时也为提出更有针对性的村庄泥石流防灾策略提供支撑。研究步骤为了科学构建泥石流易发性最大熵MaxEnt模型，评价村庄泥石流危险性，以及提出合理的防灾减灾策略，本研究包含以下三个研究步骤（图2）：第一，构建泥石流易发性预测模型；第二，村庄泥石流危险性评价；第三，村庄泥石流防灾策略研究。构建泥石流易发性预测模型将研究范围内119个泥石流发生点保存为包括预测事物名称、经纬度等信息的csv格式数据。致灾环境因子选取年均降雨量、最湿季降雨量、地形起伏度、坡向、坡向变化率、基岩岩性、断裂带密度、土壤类型、河网密度、林地分布、距人居点距离和距道路距离12个数据（表1）。为减少数据冗余对模拟精度的影响，将致灾环境因子利用“波段集统计”工具进行相关性分析，去除相关性大于0.8的因子，确定输入模型的最终环境变量。设置模型随机检验百分比(random test percentage)为25%，其余分布数据则为训练数据，重复数（replicates）设为10，重复运行类别选择交叉验证(cross-validate)，勾选创建响应曲线（response curves），绘制预测图和采用刀切法(jackknife test)验证变量重要性，结果以Logistic格式输出。村庄泥石流危险性评价基于模型模拟后自动生成的阈值（10 percentile training presence Logistic threshold），在ArcGIS10.2 软件中将泥石流易发性模拟结果由连续的概率分布图转换成1/0（会发生/不会发生）的二元分布图，概率小于阈值的区域划分为泥石流不易发区，概率大于等于阈值的区域利用自然断点法划分为泥石流高易发区和中易发区，共划分出三类区域。使用“值提取至点”工具将泥石流易发性等级赋予村庄分布点，得到各村庄的泥石流安全等级，位于泥石流高易发区、中易发区和不易发区的村庄泥石流危险性等级依次为高危险性、中危险性和低危险性。村庄泥石流防灾策略研究模型得出的刀切法（jackknife test）检验结果能够反映不同致灾环境因子对于泥石流易发性分布增益的贡献大小,通过分析各致灾环境因子的重要程度，明确诱发研究区域内泥石流灾害的重要致灾环境因子，针对降低重要致灾环境因子威胁提出相应防灾策略，提高研究区域内村庄地灾防治精准性，保障村庄安全。图2 研究技术路线136 北京规划建设研究 RESEARCH 研究结果与分析泥石流易发性模拟结果“波段集统计”结果显示12个因子间相关性均小于0.8（表2），因此本研究最终选取12个致灾环境因子（表3）作为环境变量。模型运行后生成的受试者工作特征曲线下面积(area under the receiving operator curve,AUC)用于评价模型优劣，AUC值的范围是0-1，与1越接近，说明预测结果与随机分布相距越远，致灾环境因子与地灾地理分布之间的相关性越大，即预测的结果越准确。一般认为AUC值为0.5-0.6时表明模拟效果失败，0.6-0.7时表明效果较差，0.7-0.8时预测效果一般，0.8-0.9时表明预测效果好，大于0.9时表明预测精度效果最优。模型结果显示，研究区域内泥石流易发区模拟的10次交叉检验的平均训练集AUC值为0.8010.057(meanSD)，明显大于随机分布的AUC值(0.500)，模型的拟合程度较高，模拟效果好、可信度高（图3）。将模型输出的泥石流易发性结果划分为三等级易发区（图4）。结果显示研究区域内泥石流不易发区面积占到总面积的55.8%，易发区面积占44.2%。在泥石流易发区范围内，泥石流高易发区面积占研究区域总面积的17.6%，中易发区面积占26.6%（表4）。其中泥石流易发区主要分布在山地丘陵区，如密云区不老湖和云峰山板块、白河和云蒙山板块，怀柔区的怀九河和大杨山板块，房山区的大石河和将军坨板块、拒马河和上方山板块。泥石流不易发区主要分布在地势较为平缓的山前地区，如海淀区山后地区和昌平区南口地区，以及海拔较低的平谷区丫鬟山地区。村庄泥石流危险性评价结果现状研究范围内村庄共有445个。其中53.7%的村庄，即239个村庄位于泥石流不易发区，危险性较低。46.3%的村庄，即206个村庄位于泥石流易发区，其中119个位于泥石流高易发区，危险性高，占村庄总数的26.7%；87个位于泥石流中易发区，危险性中等，占村庄总数的19.6%（表5、图5）。村庄泥石流防灾策略刀切法（jackknife test）检验结果分别计算“仅此变量”“除此变量”和“所有变量”模拟时的训练得分情况。年均降雨量最湿季降雨量地形起伏度坡向坡向变化率基岩岩性断裂带密度土壤类型河网密度林地分布距人居点距离距道路距离年均降雨量1最湿季降雨量-0.097571地形起伏度0.29510-0.051081坡向-0.000690.00672-0.027811坡向变化率-0.034770.00270-0.197640.058891基岩岩性-0.27785-0.13692-0.13767-0.009690.047451断裂带密度-0.177300.168170.028540.01305-0.022440.126271土壤类型-0.04482-0.03718-0.07508-0.06995-0.072200.101590.044781河网密度0.093770.057070.253140.04595-0.03332-0.152390.07951-0.233381林地分布0.13329-0.155290.33805-0.03331-0.10197-0.11919-0.06868-0.10371 0.139181距人居点距离0.17246-0.029520.32444-0.01567-0.163190.029890.068220.230300.03849 0.108901距道路距离0.27383-0.114050.38241-0.01140-0.14009-0.001870.000820.241710.05138 0.12961 0.531651表2 12个环境变量之间的相关系数编号123456因子名称年均降雨量最湿季降雨量地形起伏度坡向坡向变化率基岩岩性编号789101112因子名称断裂带密度 土壤类型河网密度林地分布距离人居点距离距离道路距离表3 泥石流易发性模拟选取因子图3 模型适用性检验AUC值 北京规划建设 137 RESEARCH 研究当“仅此变量”时得分较高,说明该致灾环境因子具有较高的预测能力,对泥石流易发性预测贡献较大；当“除此变量”时得分能力降低较多,说明该变量具有较多的独特信息,对物种分布较为重要。由图6可见距道路距离是影响泥石流发生的关键因素，其