榮廣智,張繼權(quán),李天濤,方偉華

(1.東北師范大學 環(huán)境學院，吉林 長春 130024；2.成都理工大學 環(huán)境與土木工程學院，四川 成都 610059；3.成都理工大學 地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護國家重點實驗室，四川 成都 610059；4.北京師范大學 減災(zāi)與應(yīng)急管理研究院，北京 100875)

地質(zhì)災(zāi)害是山區(qū)最為常見的自然災(zāi)害之一，嚴重影響社會、經(jīng)濟的可持續(xù)發(fā)展[1]。中國是一個地質(zhì)災(zāi)害發(fā)生十分頻繁且災(zāi)害損失極為嚴重的國家，其中崩塌、滑坡、泥石流災(zāi)害占地質(zhì)災(zāi)害總數(shù)的80%[2]。依據(jù)中國自然資源部發(fā)布的統(tǒng)計信息，2021年，全國共發(fā)生地質(zhì)災(zāi)害4772起，造成80人死亡、11人失蹤，直接經(jīng)濟損失32億元。其中，降水誘發(fā)的地質(zhì)災(zāi)害有4403起，約占地質(zhì)災(zāi)害總數(shù)的92%。降水是地質(zhì)災(zāi)害鏈的關(guān)鍵誘發(fā)因素之一，尤其是短時瞬發(fā)的極端降水[3-4]。降雨時空分布、降雨特征(類型、強度、持續(xù)時間、前期雨量等)與所誘發(fā)的地質(zhì)災(zāi)害風險間的關(guān)系一直是相關(guān)研究的重點，也為地質(zhì)災(zāi)害鏈區(qū)劃、預(yù)警與防治提供了科學基礎(chǔ)[5-6]。

近30年來的遙感技術(shù)和地理信息技術(shù)發(fā)展，使得極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估的相關(guān)研究方法不斷革新，使得原本復(fù)雜的算法過程和繁瑣的數(shù)據(jù)采集變得容易操作，定性分析也逐漸轉(zhuǎn)向定量評估。傳統(tǒng)的定量方法多是基于數(shù)理統(tǒng)計模型的層次分析法[7]、信息量法[8]、頻率比法[9]等。隨著計算機科學不斷革新，機器學習算法也逐漸引入到地質(zhì)災(zāi)害風險評估研究中，從邏輯回歸模型[10]，發(fā)展到貝葉斯神經(jīng)網(wǎng)絡(luò)[11]，再到?jīng)Q策樹、隨機森林(RF)等樹型結(jié)構(gòu)的機器學習模型[12]，以及人工神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)(DNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)及相關(guān)的變種神經(jīng)網(wǎng)絡(luò)模型[13-15]。

極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估是以地質(zhì)災(zāi)害為基礎(chǔ)，以極端降水為誘發(fā)因子分析，綜合地質(zhì)、社會、經(jīng)濟等因素，對風險區(qū)遭受不同強度極端降水誘發(fā)的地質(zhì)災(zāi)害的可能性及其風險進行定量分析和評估，對災(zāi)害潛在損失進行綜合的分析和評判，對區(qū)域減災(zāi)規(guī)劃和預(yù)案的制定及決策提供技術(shù)支撐[16]。

根據(jù)自然災(zāi)害風險形成四要素學說，地質(zhì)災(zāi)害風險是危險性、承災(zāi)體的暴露性、脆弱性和防災(zāi)減災(zāi)能力共同影響的結(jié)果[17]。風險是在特定時空環(huán)境條件下，由于風險因素的不確定性，使得在某一區(qū)域內(nèi)的危險性、承災(zāi)體的暴露性、脆弱性、防災(zāi)減災(zāi)能力同時具備的概率?；趯ψ匀粸?zāi)害風險形成機制的分析，極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估包括風險形成四因子的評估[18]。本文結(jié)合地質(zhì)災(zāi)害歷史數(shù)據(jù)、地理數(shù)據(jù)、地形數(shù)據(jù)和遙感數(shù)據(jù)等，根據(jù)自然災(zāi)害風險形成四要素學說，從極端降水誘發(fā)地質(zhì)災(zāi)害鏈的危險性，承災(zāi)體的暴露性和脆弱性，以及防災(zāi)減災(zāi)能力四個方面選取指標，基于設(shè)定的不同極端降水重現(xiàn)期情景，構(gòu)建了風險評估指標體系和評估模型，研制了風險評估技術(shù)體系，以貴州省水城縣為例，開展極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估研究。

1 研究區(qū)概況與數(shù)據(jù)收集

1.1 研究區(qū)概況

貴州省水城縣位于我國云貴高原中部地區(qū)，總面積約3 605 km2，常住人口約75.49萬人?？h域內(nèi)海拔高度范圍為633 ～2 863 m，約有32.5%的區(qū)域坡度>20°(圖1)。水城縣屬于亞熱帶季風氣候，降水豐富且頻繁，多集中在夏季，并常以暴雨的形式出現(xiàn)。此外，研究區(qū)還屬于喀斯特地貌，地表水容易滲漏，土體水分含量大。水城縣是我國崩塌、滑坡、泥石流的集中高發(fā)區(qū)，是貴州省地質(zhì)災(zāi)害多發(fā)、嚴重縣區(qū)之一[19]。地質(zhì)災(zāi)害種類多、分布廣、影響大，嚴重制約著水城縣的國民經(jīng)濟發(fā)展，威脅著人民群眾生命財產(chǎn)安全[20]。極端降水是地質(zhì)災(zāi)害的主要誘發(fā)因素，2019年7月23日，水城縣雞場鎮(zhèn)發(fā)生了一起特大滑坡災(zāi)害，造成了53人死亡，21幢房屋被掩埋的巨大人口傷亡和經(jīng)濟損失[21-22]。因此，在水城縣開展極端降水誘發(fā)地質(zhì)災(zāi)害鏈的風險評估工作尤為重要。

圖1 水城縣地理位置及歷史地質(zhì)災(zāi)害點位示意圖

1.2 數(shù)據(jù)收集

本文收集了中國地質(zhì)調(diào)查局記載的歷史地質(zhì)災(zāi)害點位，提取了崩塌、滑坡和泥石流三種最常見且危害最嚴重的地質(zhì)災(zāi)害類型，并結(jié)合遙感圖像和實地調(diào)查，最終識別出240個歷史地質(zhì)災(zāi)害點位。為了詳細分析水城縣極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險，從災(zāi)害風險四因子角度出發(fā)，構(gòu)建極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估的指標體系，針對所選取的指標，收集了地形地貌、土地覆蓋、水文地質(zhì)，以及社會、人口、經(jīng)濟等數(shù)據(jù)。本文所采用的數(shù)據(jù)主要來源于中國地質(zhì)調(diào)查局、地理空間數(shù)據(jù)云平臺、中國科學院資源環(huán)境數(shù)據(jù)中心、中國氣象數(shù)據(jù)網(wǎng)、《2019中國縣域統(tǒng)計年鑒(鄉(xiāng)鎮(zhèn)卷)》等，具有可靠性、權(quán)威性。

2 評估方法

根據(jù)自然災(zāi)害風險的形成四要素學說，本研究基于所收集的多源數(shù)據(jù)構(gòu)建綜合數(shù)據(jù)庫，開展極端降水誘發(fā)地質(zhì)災(zāi)害鏈的危險性、承災(zāi)體暴露性和脆弱性、以及防災(zāi)減災(zāi)能力評估，構(gòu)建了極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估技術(shù)體系和風險指數(shù)以表征風險程度，完成極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估研究。本文整體技術(shù)路線如圖2所示。

圖2 極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估技術(shù)路線

2.1 危險性評估

對于地質(zhì)災(zāi)害而言，地質(zhì)災(zāi)害鏈的危險性是最為重要的內(nèi)容。危險性評估主要包括兩方面：災(zāi)害發(fā)生的空間概率和時間概率?？臻g概率即為在誘發(fā)事件條件下什么地方容易發(fā)生，即易發(fā)性；時間概率即為誘發(fā)因素的頻率或強度。根據(jù)危險性定義，針對極端降水這一誘發(fā)因子，確定易發(fā)性與降水強度的乘積為危險性評估模型。

表1 極端降水誘發(fā)地質(zhì)災(zāi)害鏈易發(fā)性評估指標體系

易發(fā)性評估是地質(zhì)災(zāi)害危險性評估中最為基礎(chǔ)性的研究工作，也是地質(zhì)災(zāi)害內(nèi)在孕育情況最為直觀的表述，其本質(zhì)是在確定地質(zhì)災(zāi)害易發(fā)性影響因子的基礎(chǔ)上，通過模型表達其空間概率。易發(fā)性研究主要是基于以下假設(shè)：極端降水誘發(fā)地質(zhì)災(zāi)害鏈的發(fā)生與其影響因子密切相關(guān)；在與歷史極端降水誘發(fā)地質(zhì)災(zāi)害的類似孕災(zāi)環(huán)境條件下，未來也極有可能發(fā)生[23]。因此可以根據(jù)歷史災(zāi)害點的孕災(zāi)環(huán)境因子(易發(fā)性指標)，預(yù)測區(qū)域未來地質(zhì)災(zāi)害發(fā)生的可能性。指標選取上，主要可分為地形地貌和地質(zhì)環(huán)境兩大方面，每一個方面還包括諸多的次級因素，每個次級因素有不同數(shù)量的表征因子。本文最終確定了17個易發(fā)性因子，并將這些影響因素輸入到統(tǒng)一格式的數(shù)據(jù)庫中，根據(jù)數(shù)字高程模型(DEM)地圖的像元大小，將所有因素的重采樣為30 m×30 m(表1)。

地形是影響斜坡穩(wěn)定性的最主要因素，從DEM中提取高程、坡度、坡向、平面曲率和剖面曲率數(shù)據(jù)[24]。巖性影響斜坡的抗剪強度和滲透性，這是地質(zhì)災(zāi)害發(fā)生的另一個重要條件因素[25]。地質(zhì)年代也可以表征區(qū)域巖性發(fā)育程度。斷層控制著地質(zhì)災(zāi)害的形成和發(fā)展，斷層附近的地質(zhì)作用較為活躍。道路也能在一定程度上反映人類活動對地質(zhì)災(zāi)害可能產(chǎn)生的影響。

水文因素是極端降水誘發(fā)地質(zhì)災(zāi)害鏈易發(fā)性評估中必須考慮的因素。地表河流是外部動態(tài)地質(zhì)過程中最活躍的因素之一，年均降水量影響土壤濕度，同樣是重要的水文因素。另外，本研究選擇了4種主要用于地質(zhì)災(zāi)害研究的水文指標。包括河流功率指數(shù)(SPI)、沉積物遷移指數(shù)(STI)、地形起伏度(TRI)和地形濕度指數(shù)(TWI)。其中，SPI是指重力作用于沉積物時強顆粒的運動；STI表示土壤損失的嚴重程度；TRI是各像元最高和最低的高程差；TWI代表區(qū)域水循環(huán)對地形特征的響應(yīng)過程[26]。這四個水文指數(shù)的計算公式如下：

SPI=As×tanβ；

(1)

(2)

TRI=DEMMAX-DEMMIN；

(3)

(4)

式中：As表示集水面積，β為坡度，DEMMAX和DEMMIN分別為各像元周邊8個像元中的最大和最小DEM值。

將所有因子分為5級，其中連續(xù)變量采用自然斷點法分級，離散變量通過計算歷史災(zāi)害點數(shù)與每個類別的面積之比(R)進行排序：

(5)

式中：Sij和SA分別代表因子i的第j類的面積和研究區(qū)總面積。Xij和XA分別為Sij和SA上的歷史災(zāi)害點數(shù)量。R實際上代表了每個類別中的信息量，R值越高，該類等級就越高。

在樣本選取中，陽性樣本(災(zāi)害點)和陰性樣本(非災(zāi)害點)數(shù)量應(yīng)相同以確保樣本的平衡性。同時，由于水城縣的240個歷史災(zāi)害點過少，可能導(dǎo)致模型預(yù)測較差，經(jīng)過多次試驗，當陽性樣本放大至2倍后，再選取等量的非災(zāi)害點作為陰性樣本，可以在不過擬合的情況下保持可靠的精度。因此本文集成了過采樣和欠采樣技術(shù)進行樣本選取。具體步驟如下：采用隨機欠采樣法選取240個非災(zāi)害點，重復(fù)兩次，得到480個陰性樣本；選取這480個非災(zāi)害點和240個災(zāi)害點作為輸入數(shù)據(jù)，采用基于邊界合成的人工少數(shù)類過采樣技術(shù)(Borderline-SMOTE)對陽性樣本進行過采樣，最終生成了240個新的陽性樣本[27]；隨機抽取70%的陽性樣本和陰性樣本作為訓練集，其余30%為驗證集。

在易發(fā)性評估模型的選擇上，本文分別采用基于樹狀結(jié)構(gòu)的隨機森林(RF)和基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)(DNN)兩種機器學習模型，通過多種方法比較二者的精度，選取更優(yōu)算法進行極端降水誘發(fā)地質(zhì)災(zāi)害鏈易發(fā)性評估。

RF是由Leo Breiman提出的一種基于決策樹的分類算法[28]，它通過自助法重采樣技術(shù)，從原始訓練樣本集N中有放回地重復(fù)隨機抽取n個樣本生成新的訓練樣本集合訓練決策樹，然后按以上步驟生成m棵決策樹組成隨機森林，新數(shù)據(jù)的分類結(jié)果按分類樹投票多少形成的分數(shù)而定。其實質(zhì)是對決策樹算法的一種改進，將多個決策樹合并在一起，每棵樹的建立依賴于獨立抽取的樣本[29]。單棵樹的分類能力可能很小，但在隨機產(chǎn)生大量的決策樹后，一個測試樣本可以通過每一棵樹的分類結(jié)果經(jīng)統(tǒng)計后選擇最可能的分類。大致過程如下：從樣本集中有放回隨機采樣選出n個樣本；從所有特征中隨機選擇k個特征，對選出的樣本利用這些特征建立決策樹；重復(fù)以上2步m次，即生成m棵決策樹，形成隨機森林；對于新數(shù)據(jù)，經(jīng)過每棵樹決策，最后投票確認分到哪一類。RF的優(yōu)點包括：每棵樹都選擇部分樣本及特征，一定程度避免過擬合；每棵樹隨機選擇樣本和特征，具有很好的抗噪能力，性能穩(wěn)定；能處理很高維度的數(shù)據(jù)，并且不用做特征選擇。

DNN可以理解為具有許多隱含層的神經(jīng)網(wǎng)絡(luò)[30]。DNN對簡單的感知器模型進行了擴展：增加多層隱含層以增強模型的表達能力；輸出層神經(jīng)元可設(shè)定為多個，即有多個輸出，使模型可靈活地應(yīng)用于分類、回歸、降維和聚類等；激活函數(shù)可以擴展。感知器的激活函數(shù)是Sign(Z)，它簡單但處理能力有限，而神經(jīng)網(wǎng)絡(luò)可使用Sigmoid、tanh、relu、Softplus、Softmax等，加入了非線性因素，提高了模型的表達能力[31]。

本文采用Python 3.7環(huán)境下的Scikit-learning庫實現(xiàn)隨機森林，Keras庫實現(xiàn)DNN模型的運算，對于參數(shù)初始值的設(shè)定，RF模型中樹的數(shù)量采用默認的100，而DNN模型的參數(shù)中，神經(jīng)元的數(shù)量采用Kolmogorov定理s=2n+1(n為輸入層結(jié)點數(shù))，設(shè)定為35個，模型訓練次數(shù)設(shè)為50次。本文構(gòu)造的DNN的結(jié)構(gòu)如圖3所示。

圖3 深度神經(jīng)網(wǎng)絡(luò)(DNN)模型的構(gòu)建結(jié)構(gòu)

模型的性能還需要通過評估來判斷。本文針對各樣本是否為地質(zhì)災(zāi)害點這一二分類問題，采用了多角度的驗證方法。最基本的是準確度，以及驗證陽性樣本識別能力的精度(Precision)和召回率(Recall)[32]；采用了F1值、馬修斯相關(guān)系數(shù)(MCC)和Kappa系數(shù)方法綜合驗證模型性能[33-34]；最后繪制了受試者工作特性(ROC)曲線，通過測量曲線下面積(AUC)，可視化地評估模型的性能和應(yīng)用[35]。上述這些方法都是基于真陽性(TP)、假陽性(FP)、真陰性(TN)和假陰性(FN)的統(tǒng)計。

準確度是模型對所有樣本進行正確地分類的比例，可以用公式(6)來估計：

(6)

精度是是模型正確區(qū)分的陽性樣本占所預(yù)測的陽性樣本的比例：

(7)

召回率是模型正確區(qū)分的陽性樣本占實際陽性樣本的比例：

(8)

F1值是精度和召回率的加權(quán)調(diào)和平均值，在權(quán)重均為0.5條件下，可通過以下公式計算：

(9)

MCC和Kappa系數(shù)都能夠綜合反映模型的整體評估效果，值域均為[-1,1]，但通常是在0～1之間，等于1表示最理想的預(yù)測，等于0表示預(yù)測結(jié)果比隨機預(yù)測還要差。二者的計算公式分別如下所示：

(10)

(11)

(12)

(13)

ROC曲線是由統(tǒng)計學中的“敏感度”和“1-特異度”繪制的。敏感度和特異度計算如下：

(14)

(15)

ROC曲線的AUC取值范圍為0.5～1，值越接近1，表示模型更準確。

通過多種驗證方法在RF和DNN模型中選取精度較高的模型，繪制水城縣的地質(zhì)災(zāi)害易發(fā)性圖。

針對極端降水誘發(fā)地質(zhì)災(zāi)害鏈的誘發(fā)條件，本文統(tǒng)計了水城縣周邊7個氣象站的1981-2018年的日降水數(shù)據(jù)，采用耿貝爾極值分布曲線[36]，分別得到各氣象站點處5年、10年和20年極端降水重現(xiàn)期下降水量，作為極端降水誘發(fā)地質(zhì)災(zāi)害鏈的誘發(fā)因子強度指標，并采用反距離權(quán)重法進行空間插值。結(jié)合易發(fā)性結(jié)果，采用公式(16)分別計算了三種情景下的極端降水誘發(fā)地質(zhì)災(zāi)害鏈危險性。

H=S×D。

(16)

式中：H為極端降水誘發(fā)地質(zhì)災(zāi)害鏈危險性，S為易發(fā)性，D為不同重現(xiàn)期下的降水指標。將計算結(jié)果采用自然斷點法進行等級劃分，完成極端降水誘發(fā)地質(zhì)災(zāi)害鏈危險性評估。

2.2 承災(zāi)體暴露性評估

承災(zāi)體暴露性是指可能受到自然災(zāi)害威脅的經(jīng)濟、社會和自然環(huán)境系統(tǒng)，具體包括農(nóng)業(yè)、人類和生態(tài)環(huán)境等。極端降水誘發(fā)地質(zhì)災(zāi)害鏈同時具有自然屬性和社會屬性，因此暴露于災(zāi)害中的承災(zāi)體，既有自然環(huán)境要素，又有社會經(jīng)濟要素。結(jié)合自然環(huán)境以及社會經(jīng)濟實際情況，本文從人口、社會經(jīng)濟及生態(tài)環(huán)境三個因素構(gòu)建評估指標體系。由于各個評估指標的數(shù)值及使用的單位都不同，有的指標是定性的，因此可以通過歸一化的方法將所有指標設(shè)定在0～1范圍，便于權(quán)重的計算和評估[18]。采用熵權(quán)法計算各指標權(quán)重[37]。極端降水誘發(fā)地質(zhì)災(zāi)害鏈承災(zāi)體暴露性評估指標體系及權(quán)重系數(shù)如表2所示。

采用綜合加權(quán)評估模型計算承災(zāi)體暴露性指數(shù)：

(17)

式中：E為承災(zāi)體的暴露性量化值；Xi為指標體系的第i項指標的量化值；Wi為指標體系中第i項指標的權(quán)重系數(shù)；n為評估指標個數(shù)。其中，0≤Xi≤1，Wi≥0。

2.3 承災(zāi)體脆弱性評估

承災(zāi)體脆弱性是指某一給定區(qū)域的承災(zāi)體由于潛在自然災(zāi)害危險因子而造成的傷害或損失程度，其綜合反映了自然災(zāi)害的損失(脆弱)程度。脆弱性與承災(zāi)體的物質(zhì)成分、結(jié)構(gòu)、狀態(tài)密切相關(guān)。因此，本文從人口因素和社會經(jīng)濟因素入手構(gòu)建評估指標體系，在進行指標歸一化后，采用熵權(quán)法計算各指標權(quán)重，極端降水誘發(fā)地質(zhì)災(zāi)害鏈承災(zāi)體脆弱性評估指標體系及權(quán)重系數(shù)如表3所示。

承災(zāi)體脆弱性指數(shù)同樣采用綜合加權(quán)評估模型計算：

(18)

式中：V為承災(zāi)體的暴露性量化值；Xi為指標體系的第i項指標的量化值；Wi為指標體系中第i項指標的權(quán)重系數(shù)；n為評估指標個數(shù)。其中，0≤Xi≤1，Wi≥0。

2.4 防災(zāi)減災(zāi)能力評估

防災(zāi)減災(zāi)能力是區(qū)域人類社會為保障承災(zāi)體免受或少受自然災(zāi)害威脅所擁有的基礎(chǔ)條件和專項防御能力，是用于防治和減輕自然災(zāi)害的各種措施和對策。指標選取可以分解為防災(zāi)能力和應(yīng)災(zāi)能力兩個方面，在將各指標歸一化后，采用層次分析法計算權(quán)重[38]。極端降水誘發(fā)地質(zhì)災(zāi)害鏈防災(zāi)減災(zāi)能力評估指標體系及權(quán)重系數(shù)如表4所示。

采用綜合加權(quán)評估模型構(gòu)建防災(zāi)減災(zāi)能力評估模型如下：

(19)

式中：C為防災(zāi)減災(zāi)能力量化值；Xi為防災(zāi)減災(zāi)能力指標體系中的第i項指標的量化值；Wi為指標體系中第i項指標的權(quán)重系數(shù)；n為評估指標個數(shù)。其中，0≤Xi≤1，Wi≥0。

2.5 極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估

根據(jù)自然災(zāi)害風險的形成機理，本研究利用自然災(zāi)害風險指數(shù)法建立了極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險指數(shù)表征風險程度，具體計算公式如下：

PGRI=HWh×EWe×VWv×(1-C)Wc。

(20)

式中：PGRI是極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險指數(shù)，其值越大代表災(zāi)害風險越大；H，E，V，C的值分別表示極端降水誘發(fā)地質(zhì)災(zāi)害鏈的危險性、暴露性、脆弱性和防災(zāi)減災(zāi)能力因子指數(shù)；Wh，We，Wv，Wc分別為各因子權(quán)重，采用層次分析法計算，Wh，We，Wv，Wc分別為0.417 9，0.109 0，0.224 5，0.248 5。

表2 極端降水誘發(fā)地質(zhì)災(zāi)害鏈承災(zāi)體暴露性評估指標體系及權(quán)重系數(shù)

表3 極端降水誘發(fā)地質(zhì)災(zāi)害鏈承災(zāi)體脆弱性評估指標體系及權(quán)重系數(shù)

表4 極端降水誘發(fā)地質(zhì)災(zāi)害鏈防災(zāi)減災(zāi)能力評估指標體系及權(quán)重系數(shù)

3 評估結(jié)果

3.1 危險性評估結(jié)果

首先，本文對比了RF和DNN模型在易發(fā)性評估中的應(yīng)用。表5顯示了兩個模型的驗證結(jié)果。無論從準確度、精度、召回率和綜合指數(shù)等各個角度，RF模型的性能都要優(yōu)于DNN模型。圖4為兩模型的ROC曲線對比，可以清晰地看到，RF的ROC曲線幾乎完全覆蓋了DNN模型，也同樣說明RF模型無論在對陽性樣本和陰性樣本的識別上都具有更好的效果。RF模型的AUC值為0.866是DNN模型1.144倍，這也表明RF模型的性能相較于DNN提高了14.4%。

表5 極端降水誘發(fā)地質(zhì)災(zāi)害鏈易發(fā)性評估模型驗證結(jié)果

圖4 RF和DNN模型的ROC曲線

通過多方面比較，最終采用RF模型計算水城縣各像元的易發(fā)性，進行空間展布，為了更好的可視化，采用自然斷點法進行等級劃分，得到極端降水誘發(fā)地質(zhì)災(zāi)害鏈易發(fā)性區(qū)劃圖(圖5)。圖中，高易發(fā)區(qū)主要分布在斷層附近，巖性以粘土巖、砂巖、玄武巖為主。石灰?guī)r、白云巖為致密、堅硬的塊狀巖石，脆性大，抗剪強度大，能承受較大的剪切力而不變形；粘土巖、泥巖、玄武巖中粘土或礫石土較多，可塑性強，抗剪強度較低，易變形，所以更容易引發(fā)地質(zhì)災(zāi)害。對于地形條件而言，坡度越大，地質(zhì)災(zāi)害發(fā)生的概率越大，其主要是由于斜坡的坡度越大，滑坡勢能越大，滑動速度越快，外力誘發(fā)地質(zhì)災(zāi)害的可能性也就越大。從海拔高度來看，高發(fā)區(qū)大多集中在中高海拔地區(qū)，而不是極高海拔地區(qū)，這主要是由于該高程范圍內(nèi)的人類活動可能會改變周圍的地質(zhì)環(huán)境，從而影響地質(zhì)災(zāi)害的發(fā)生，這與實際情況相吻合，結(jié)果的可信度較高。此外，研究區(qū)歷史災(zāi)害點也大多集中在高易發(fā)性區(qū)域，也在空間上證明了模型的可靠性和易發(fā)性評估的科學性。

圖5 極端降水誘發(fā)地質(zhì)災(zāi)害鏈易發(fā)性區(qū)劃圖

基于易發(fā)性評估結(jié)果，根據(jù)危險性評估模型，本文分別計算了5年、10年、20年一遇的極端降水重現(xiàn)期下的危險性值，將三種情景的危險性值基于20年一遇情景下的自然斷點法劃分標準分區(qū)，得到三種情景的危險性區(qū)劃圖(圖6)。

圖6 不同極端降水重現(xiàn)期下的極端降水誘發(fā)地質(zhì)災(zāi)害鏈危險性區(qū)劃圖

由圖6可知，研究區(qū)內(nèi)不同極端降水重現(xiàn)期下的高危險區(qū)分布與易發(fā)性分區(qū)相近，雖然危險性空間分布相似，但危險性等級存在明顯差異。隨著極端降水重現(xiàn)期的增加，低危險和極低危險區(qū)明顯減少，而高危險和極高危險區(qū)面積明顯加大，尤其是極高危險區(qū)。重現(xiàn)期越長，產(chǎn)生的極端降水量就越大，相應(yīng)的危險性也就越高。

3.2 承災(zāi)體暴露性評估結(jié)果

根據(jù)承災(zāi)體暴露性評估模型計算結(jié)果，采用自然斷點法進行等級劃分，最終得到極端降水誘發(fā)地質(zhì)災(zāi)害鏈暴露性區(qū)劃圖(圖7)。研究區(qū)內(nèi)承災(zāi)體暴露性整體較低，高暴露和極高暴露區(qū)總體上分布于縣政府所在的城鎮(zhèn)區(qū)域，由于縣政府所在鄉(xiāng)鎮(zhèn)毗鄰六盤水市的主城區(qū)——鐘山區(qū)，其人口和經(jīng)濟暴露度較高，其他高暴露區(qū)還分布于人口較多的鄉(xiāng)鎮(zhèn)居民區(qū)，中暴露區(qū)主要涉及人類活動較為頻繁的大范圍耕地區(qū)域，林地和草地等區(qū)域的暴露性較低。

圖7 極端降水誘發(fā)地質(zhì)災(zāi)害鏈暴露性區(qū)劃圖

3.3 承災(zāi)體脆弱性評估結(jié)果

根據(jù)承災(zāi)體脆弱性評估模型計算結(jié)果，采用自然斷點法進行等級劃分，最終得到極端降水誘發(fā)地質(zhì)災(zāi)害鏈脆弱性區(qū)劃圖(圖8)。脆弱性評估主要分為人口脆弱度和經(jīng)濟脆弱度。對脆弱性等級統(tǒng)計分析，水城縣的極低脆弱性區(qū)域占比較多，為61.9%，而極高等級區(qū)最少，僅占總面積的2.8%。其中，極高脆弱區(qū)主要是水城縣縣城人口密集區(qū)域，高脆弱區(qū)分布在水城縣縣城，以及縣中部的蟠龍鎮(zhèn)、米籮鎮(zhèn)等區(qū)域。中脆弱區(qū)主要集中在水城縣中部的鹽井鄉(xiāng)、東部的比德鎮(zhèn)和化樂鎮(zhèn)以及西部的發(fā)耳鎮(zhèn)，其他區(qū)域的脆弱性都比較低。

圖8 極端降水誘發(fā)地質(zhì)災(zāi)害鏈脆弱性區(qū)劃圖

3.4 防災(zāi)減災(zāi)能力評估結(jié)果

根據(jù)防災(zāi)減災(zāi)能力評估模型計算結(jié)果，采用自然斷點法進行等級劃分，最終得到極端降水誘發(fā)地質(zhì)災(zāi)害鏈防災(zāi)減災(zāi)能力區(qū)劃圖(圖9)。對防災(zāi)減災(zāi)能力等級統(tǒng)計分析，水城縣的極低防災(zāi)減災(zāi)能力區(qū)占比多達60.7%，而極高等級區(qū)域僅占總面積的3.2%。研究區(qū)域內(nèi)極高和高防災(zāi)減災(zāi)能力區(qū)主要集中在水城縣內(nèi)的高速公路、國道以及縣城城區(qū)道路，由于其交通便利性較高，應(yīng)災(zāi)能力較強。中防災(zāi)減災(zāi)能力區(qū)主要是省道、鄉(xiāng)道等次級公路，除此之外的非公路區(qū)域的防災(zāi)減災(zāi)能力整體較低。

圖9 極端降水誘發(fā)地質(zhì)災(zāi)害鏈防災(zāi)減災(zāi)能力區(qū)劃圖

圖10 不同重現(xiàn)期下的極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險區(qū)劃圖

3.5 極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估結(jié)果

基于風險四因子值及其權(quán)重，計算了極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險指數(shù)，并采用自然斷點法將其分為極低風險區(qū)、低風險區(qū)、中風險區(qū)、高風險區(qū)和極高風險區(qū)等五個風險等級，繪制了不同極端降水重現(xiàn)期情景下的風險區(qū)劃圖(圖10)。并統(tǒng)計了水城縣不同降水重現(xiàn)期情景下的極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險等級面積占比情況(圖11)。綜合圖10和圖11結(jié)果，水城縣極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險主要以極低和低風險為主，在5年極端降水重現(xiàn)期情景下占比達到65.8%，不同重現(xiàn)期情景下的中風險區(qū)介于36.5%～37.1%之間，而高等級風險區(qū)面積占比介于15.3%～19.0%。從不同降水重現(xiàn)期情景上分析，重現(xiàn)期越長，極端降水量越大，相應(yīng)的風險也就越高，隨著極端降水量的增加，極低風險區(qū)占比從5年極端降水重現(xiàn)期情景的29.3%減少到20年重現(xiàn)期下的21.9%，低風險區(qū)域面積變化不大。中風險地區(qū)、高風險和極高風險區(qū)域都有所增加，從5年重現(xiàn)期到20年重現(xiàn)期情景分別增加了3.2%、1.4%和2.2%的面積占比。空間尺度上，水城縣極端降水誘發(fā)地質(zhì)災(zāi)害鏈高風險區(qū)域主要集中在水城縣縣城、中部的米籮鎮(zhèn)、阿戛鎮(zhèn)和蟠龍鎮(zhèn)以及東部的比德鎮(zhèn)和化樂鎮(zhèn)。其中，極高風險區(qū)主要分布于水城縣的中部和東部，這些地區(qū)既有較高的危險性，承災(zāi)體的暴露性和脆弱性也處于中高等級區(qū)域且防災(zāi)減災(zāi)能力較為薄弱。

圖11 不同重現(xiàn)期下的極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險等級面積占比統(tǒng)計

4 結(jié)論

本文根據(jù)自然災(zāi)害風險形成四要素學說，從極端降水誘發(fā)地質(zhì)災(zāi)害鏈的危險性，承災(zāi)體的暴露性和脆弱性，以及防災(zāi)減災(zāi)能力四個方面選取指標，基于設(shè)定的不同極端降水重現(xiàn)期情景，構(gòu)建了風險評估指標體系和評估模型，研制了風險評估技術(shù)體系，以貴州省水城縣為例，開展極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險評估研究。得出以下結(jié)論：

(1)通過對比RF和DNN模型在易發(fā)性評估中的性能，選用RF模型評估了極端降水誘發(fā)地質(zhì)災(zāi)害鏈的易發(fā)性。結(jié)果表明，高易發(fā)性區(qū)多沿斷裂帶呈條帶狀分布，巖性以粘土巖、砂巖和玄武巖為主。不同極端降水重現(xiàn)期下的高危險區(qū)分布與易發(fā)性分區(qū)相近，隨著極端降水重現(xiàn)期的增加，相應(yīng)的危險性也就越高。

(2)研究區(qū)內(nèi)承災(zāi)體暴露性整體較低，高暴露和極高暴露區(qū)總體上分布于縣政府所在的城鎮(zhèn)區(qū)域以及人口較多的鄉(xiāng)鎮(zhèn)居民區(qū)，林地和草地等區(qū)域的暴露性較低。

(3)水城縣的極低脆弱性區(qū)域占比較多而極高等級區(qū)最少。高等級脆弱區(qū)分布在水城縣縣城，以及縣中部的蟠龍鎮(zhèn)、米籮鎮(zhèn)等區(qū)域，中脆弱區(qū)主要集中在水城縣中部的鹽井鄉(xiāng)、東部的比德鎮(zhèn)和化樂鎮(zhèn)以及西部的發(fā)耳鎮(zhèn)，其他區(qū)域的脆弱性較低。

(4)研究區(qū)的高速公路、國道以及縣城城區(qū)道路防災(zāi)減災(zāi)能力較強，省道、鄉(xiāng)道等公路次之，而非公路區(qū)域的防災(zāi)減災(zāi)能力整體較低。

(5)水城縣極端降水誘發(fā)地質(zhì)災(zāi)害鏈風險主要以極低和低風險為主。極端降水量越大，整體的風險也就越高。高風險區(qū)域主要集中在水城縣縣城、中部的米籮鎮(zhèn)、阿戛鎮(zhèn)和蟠龍鎮(zhèn)以及東部的比德鎮(zhèn)和化樂鎮(zhèn)。

本文的評估結(jié)果可為相關(guān)部門極端降水誘發(fā)的地質(zhì)災(zāi)害預(yù)報預(yù)警提供幫助和參考。對于所評估的高風險區(qū)域，應(yīng)制定好地質(zhì)災(zāi)害風險預(yù)防的相關(guān)對策，尤其在汛期時，針對可能發(fā)生的不同極端降水情景采取不同的應(yīng)對措施，加強區(qū)域防災(zāi)減災(zāi)各項工作的實施，保障居民的生命財產(chǎn)安全。