四川省降雨誘發(fā)滑坡災害的氣象預警模型

費曉燕, 柳錦寶, 屈伯強, 劉志紅, 王增武

(1.成都信息工程大學 資源環(huán)境學院, 四川 成都 610225; 2.城市空間信息工程北京市重點實驗室， 北京 100038; 3.四川省地質(zhì)環(huán)境監(jiān)測總站, 四川 成都 610081)

四川省降雨誘發(fā)滑坡災害的氣象預警模型

費曉燕1,2, 柳錦寶1,2, 屈伯強3, 劉志紅1, 王增武1

(1.成都信息工程大學 資源環(huán)境學院, 四川 成都 610225; 2.城市空間信息工程北京市重點實驗室， 北京 100038; 3.四川省地質(zhì)環(huán)境監(jiān)測總站, 四川 成都 610081)

[目的] 分析四川省2008—2014年的滑坡災害與前期降雨量間的關系,構(gòu)建降雨誘發(fā)滑坡災害氣象預警模型,優(yōu)化模型的權(quán)重參數(shù),為四川省滑坡災害預警工作提供有效參考。[方法] 基于降雨信息資料,對四川省滑坡災害的前期雨量進行統(tǒng)計分析,并采用邏輯回歸分析分別計算和優(yōu)化災害的前期綜合日降雨量間的權(quán)重關系和氣象預警模型中地質(zhì)環(huán)境背景值與降雨誘發(fā)災害概率值的權(quán)重系數(shù)。[結(jié)果] 滑坡災害的當日降雨量、前一日降雨量和前兩日降雨量對災害的影響權(quán)重分別為0.587,0.220,0.189,氣象預警模型的地質(zhì)背景概率和綜合雨量概率的權(quán)重參數(shù)分別為0.394,0.606。根據(jù)以上研究構(gòu)建災害氣象預警模型,利用已有災害點對其進行驗證,證得模型的整體準確率為78.36%,進而通過2013年7月10日的群發(fā)滑坡災害個例對模型進行檢驗,檢驗結(jié)果良好。[結(jié)論] 該模型預警效果良好,精確度較高,能為相關部門提供的防災減災參考。

四川省; 降雨; 滑坡; 氣象預警模型; 邏輯回歸分析

根據(jù)大量文獻調(diào)研顯示，四川省為西南地區(qū)地質(zhì)災害最為發(fā)育的省份。受青藏高原地形影響，省內(nèi)地形差異較大，地質(zhì)構(gòu)造活躍，地震頻發(fā)，為地質(zhì)災害的頻發(fā)提供了基礎地質(zhì)條件；此外，受青藏高原的阻擋作用，降雨充沛而集中，成為誘發(fā)地質(zhì)災害發(fā)生的主要因素。四川省地質(zhì)災害具有點多、面廣、規(guī)模大、成災快、暴發(fā)頻率高、延續(xù)時間長的特點[1]。2008年以來，四川省先后經(jīng)歷了“5·12”汶川特大地震、“8·13”特大山洪泥石流、“4·20”蘆山強烈地震和“7·9”特大暴雨洪災、“9·13”川東北特大暴雨洪災和“11·22”康定地震等多次重大自然災害侵襲，據(jù)統(tǒng)計，截止到2015年，共發(fā)生以滑坡、泥石流和崩塌為主的地質(zhì)災害13 800余次。因此，面對如此多的地質(zhì)災害，需要精準、及時的預警手段進行防災減災。根據(jù)研究劉傳正等[2]，梁潤娥等[3]對國內(nèi)外區(qū)域地質(zhì)災害氣象預警原理研究和應用狀況的綜合分析，將地質(zhì)災害氣象預警模型發(fā)展總結(jié)為3代，第一代隱式統(tǒng)計模型是通過界定臨界雨量值進行災害預警，但僅憑臨界雨量很難準確反映地質(zhì)環(huán)境的變化以及災害誘發(fā)規(guī)律；第二代顯式預警模型是耦合了地質(zhì)環(huán)境背景與降雨參數(shù)的綜合顯式模型，充分體現(xiàn)地質(zhì)環(huán)境與氣象條件對災害的影響程度。綜合顯式模型無論在模型原理、空間精度和升級能力上還是研究需求條件上都能體現(xiàn)其優(yōu)越性，也是現(xiàn)階段國內(nèi)最常用的地質(zhì)災害預警模型[4]。降雨是誘發(fā)災害的主要因素之一，災害的發(fā)生與當日及前期降雨都有密切聯(lián)系，在前期降雨充沛的條件下，無論當日降雨量或小或大都能夠引發(fā)災害[5]，因此，根據(jù)前期降雨構(gòu)建降雨誘發(fā)災害模型十分必要。陳景武等[6]在云南蔣家溝泥石流觀測研究中考慮了前期間接雨量，取20 d前的降雨作為一般暴雨型泥石流的前期間接雨量，10 d前的降雨作為大暴雨型泥石流的前期間接雨量；文科軍等[7]構(gòu)建泥石流判別模型中使用災害當日激發(fā)雨量與前15 d實效雨量。Logistic回歸分析常用于滑坡災害的評價方面，而在降雨誘發(fā)滑坡中的應用較少，李鐵鋒等[8]應用Logistic回歸分析與前期降雨量結(jié)合定量分析降雨誘發(fā)災害的可能性。

為加強突發(fā)地質(zhì)災害的應急防治能力建設，自2003年以來，四川省已開展全省汛期地質(zhì)災害氣象預警預報工作。隨著預警預報技術研究的不斷進步，四川省的地質(zhì)災害氣象預警預報模型也應及時優(yōu)化改進。本研究擬以Logistic回歸分析與前期雨量結(jié)合構(gòu)建氣象預警模型，優(yōu)化模型權(quán)重參數(shù)，提高其預警準確度，以期為政府決策提供有效參考。

1 數(shù)據(jù)及研究方法介紹

1.1 數(shù)據(jù)源及預處理

本次研究的地質(zhì)災害資料由四川省地質(zhì)環(huán)境監(jiān)測總站提供，災害數(shù)據(jù)為2008—2014年的實際滑坡災害點共8 900余個，其屬性信息包括地理坐標、災害發(fā)生日期及災害規(guī)模等；基礎降雨資料由四川省氣象臺提供，降雨資料為2008—2014年共4 000余個省自動氣象站和加密氣象站的小時降雨數(shù)據(jù)。

本研究對災害資料的預處理包括整理核實災害點的屬性信息，檢驗地理坐標準確性，修改或刪減不詳盡的數(shù)據(jù)；對氣象數(shù)據(jù)的預處理包括剔除缺測、誤測的氣象數(shù)據(jù)，并對由于遷站、撤站、新建站等原因造成的數(shù)據(jù)量較少的站點進行篩選，剔除全年數(shù)據(jù)量不足150 d的氣象站數(shù)據(jù)，將篩選后的氣象數(shù)據(jù)整理計算獲得每個氣象站的日降水數(shù)據(jù)。

1.2 研究方法及技術

(1) Logistic回歸模型。Logistic模型是針對二分類或多分類響應變量建立的回歸模型[9]。在國外，Gorsevski等[10]較早將Logistic回歸分析與GIS結(jié)合應用于滑坡災害的預測，在國內(nèi)Logistic回歸模型也廣泛應用于各類地質(zhì)災害區(qū)劃研究中。Logistic模型所需假設簡單，對識別變量的分布無要求，大大擴寬了模型的應用面和靈活性[11]。在地質(zhì)災害問題中，由于災害的影響因子不是連續(xù)變量，線性回歸不適用于推導其之間的關系，而邏輯回歸分析則能合理解決該問題。以各影響因子數(shù)據(jù)作為自變量，災害的發(fā)生與否作為因變量(0代表災害不發(fā)生，1代表災害發(fā)生)[12]。設P為災害發(fā)生的概率為因變量，取值范圍[0，1]，災害影響因子集即X1，X2，…，Xn為自變量，建立回歸方程：

LogitP=B0+B1X1+B2X2+…+BnXn

(1)

式中：B1，B2，…，Bn——邏輯回歸系數(shù)。對于包含一個以上自變量的Logistic回歸的分類概率方程為：

(2)

因此，滑坡災害影響因子權(quán)重問題轉(zhuǎn)化為利用已知的歷史滑坡空間分布求算邏輯回歸系數(shù)B1，B2，…，Bn的問題。

(2) 預警等級設置。為保證預警效果合理、準確、實用，根據(jù)四川省地質(zhì)環(huán)境監(jiān)測總站多年的地質(zhì)災害預警習慣，根據(jù)單元地質(zhì)災害易發(fā)性預報概率(T)，將存在地質(zhì)災害發(fā)生概率的地質(zhì)災害氣象預警等級分為以下3級。

①1級預警。1級預警發(fā)布紅色預警信號，表示該地區(qū)在當前預報雨量情況下極易發(fā)生地質(zhì)災害，起警報作用，提醒相關人員和部門及時做好防御措施；

②2級預警。2級預警發(fā)布橙色預警信號，表示該地區(qū)在當前預報雨量情況下容易發(fā)生地質(zhì)災害，起注意作用，提醒預報人員及各級政府關注降雨動態(tài)變化；

③3級預警。3級預警發(fā)布黃色預警信號，表示該地區(qū)在當前預報雨量情況下很有可能發(fā)生地質(zhì)災害，對預報及政府各部門起提醒作用。

(3) 降水概率化。在利用降雨量進行邏輯回歸計算時，需要將降雨量進行概率量化，將數(shù)量值歸到0～1之間。四川省降雨分布復雜多變，本研究根據(jù)宋光齊對四川省降雨信息因素的概率量化的研究，將降雨量分為6個等級，通過建立線性回歸方程量化降雨量[13](如表1所示)。

表1 各等級雨量概率量化取值范圍及線性方程

2 滑坡災害誘發(fā)與降雨量關系

降雨型滑坡是世界上分布最廣，發(fā)生頻率最高的滑坡類型，是滑坡災害的主要研究對象[14]。由于降雨自身的規(guī)律性、可預測性，氣象預警成為目前在地質(zhì)災害區(qū)域預警預報的重要手段。在大多數(shù)預警評價中，降雨因子較多作為靜態(tài)因子投入到災害模型中進行評價[15]，其預警精度較低。通過前人研究可知，滑坡災害的發(fā)生與當日及前期降雨量均有較大相關性，因此，本研究通過探究滑坡與前期雨量的關系為構(gòu)建氣象模型提供思路。

歷史滑坡點降水數(shù)據(jù)的提取是統(tǒng)計分析的關鍵，在前人研究中，歷史災害點的氣象數(shù)據(jù)往往通過空間插值的方法獲取，但其結(jié)果并不精確；因此，本研究利用GIS鄰域分析功能，將歷史滑坡災害點與自動或加密氣象站關聯(lián)，獲取最臨近氣象站點的前期降水資料(包括災害當日及前5 d的日降水資料)，共得到有效降水數(shù)據(jù)的歷史災害點記錄8 226條(有效降雨記錄是指災害當日或前5 d至少有1日降雨量大于0 mm的災害點記錄)對滑坡災害降雨記錄進行統(tǒng)計。

2.1 滑坡災害的降雨雨型分析

(1) 滑坡當日及前5 d降雨量最大值分布。如圖1所示，有52.4%的滑坡災害發(fā)生在降雨量最大的當日，24.5%的滑坡災害發(fā)生在6 d內(nèi)降雨量最大值的第2 d，隨日期向后推移，滑坡災害發(fā)生在最大降雨日的概率越小，最大降雨后的第4 ,5 d滑坡災害發(fā)生的概率不超過6%。因此可以得出結(jié)論：滑坡災害發(fā)生在最大降雨日當日和后一日的可能性最大，發(fā)生在最大降雨日當日的可能性大于后一日。

(2) 滑坡災害發(fā)生在最大降雨日時的降雨量。如圖1所示，災點數(shù)量隨降雨量的增大而增大。23.1%的滑坡災害點當日降雨量在100～150 mm范圍內(nèi)，32.7%的災害點當日降雨量大于150 mm。因此得出結(jié)論，隨降雨量增大，災害發(fā)生的可能性越大。

(3) 滑坡災害發(fā)生于最大降雨量后一日時的日降雨量。如圖1所示，44.4%的災害的最大降雨量超過150 mm，與災害發(fā)生在最大降雨日當日相比，上升了11.7%，有19.5%的滑坡災害最大降雨量在100～150 mm范圍內(nèi)，與災害發(fā)生在最大降雨日當日相比減小3.6%，由此可以得出結(jié)論，滑坡災害發(fā)生前一日有較大概率發(fā)生大暴雨，災害的發(fā)生與強降雨在時間上有一定滯后性。

圖1 滑坡災害最大降雨日數(shù)分布與滑坡發(fā)生于最大降雨量當日及前一日的雨量分布

(4) 災害發(fā)生在最大降雨量當日及災害之后一日的6 d累積降雨量。如圖2所示，滑坡發(fā)生在最大降雨當日的滑坡6 d累積降水量相對較小，主要集中在300 mm以內(nèi)，僅有23.5%的滑坡災害6 d累積降水超過300 mm以上，累積降水量超過500 mm降雨量的滑坡災害僅占8.6%；滑坡發(fā)生在最大降雨后一日的累積降雨量相比最大降雨日當日累積雨量在500 mm以下的災害數(shù)比例均減小，在500 mm以上范圍內(nèi)災害比例增大，因此得出結(jié)論：當滑坡災害當日降水量很大時，滑坡災害發(fā)生與強降雨在時間上有一致性，但滑坡發(fā)生6 d內(nèi)的累積降水相對較小；當最大降水量相對較小，但滑坡6 d內(nèi)累計降水量相對較大時，滑坡災害的發(fā)生與強降雨發(fā)生時間相較略有滯后。

通過以上統(tǒng)計資料可以判斷出，四川省滑坡災害既有即雨即滑的狀況，也存在滯后型的滑坡災害情況，因此，可根據(jù)災害與前期降雨量關系建立降雨誘發(fā)災害模型。

圖2 災害發(fā)生于最大降雨量當日及其后一日時的6 d累積降雨量

2.2滑坡災害與日降雨量關系

通過統(tǒng)計滑坡災害發(fā)生當日日降雨量的分布狀況(圖3)發(fā)現(xiàn)，當日降雨量大于等于5 mm時，災害當日降雨量分布呈階梯狀上升，當日降雨越大，災害發(fā)生的比例越高，當日降水量大于等于150 mm時，災害頻次為1 763次。通過統(tǒng)計災害發(fā)生當日及前期雨量對災害的貢獻率發(fā)現(xiàn)(如圖3所示)，在當日貢獻率中，有超過66%的災害點當日降雨貢獻率占總貢獻率的30%以上，有18%的災害點當日降雨貢獻率超總貢獻率80%以上；在前一日貢獻率中，有34%的災害點前一日貢獻率占總貢獻率30%以上，滑坡災害次數(shù)隨降水量貢獻率增大而減少，隨著時間向后推移，貢獻率大的災害點數(shù)量急劇降低，因此，說明四川省滑坡災害與前幾日降水有一定的關系，但是相關性較小。

圖3 災害當日雨量分布與6 d雨量對災害貢獻率分布

根據(jù)以上分析，基本掌握了四川省滑坡災害的降雨分布規(guī)律和災害與雨量的關系。在降雨強度較大時，會出現(xiàn)即雨即滑現(xiàn)象，而當降雨在強度不大但在時間上有一定持續(xù)性時，滑坡災害也會在雨量累積到一定程度后發(fā)生；滑坡災害與當日降雨量相關性最大，與前幾日降雨有一定相關性。因此，為保證模型研究效果，本研究決定使用災害當日雨量及前5 d雨量作為致災因子建立降雨誘發(fā)地質(zhì)災害模型。

2.3 降雨誘發(fā)地質(zhì)災害發(fā)生概率Y

各個地區(qū)降水對滑坡的影響程度不同，本研究引入“綜合雨量”概念，進一步研究降雨對災害的影響程度。綜合雨量是指對當日災害形成有影響的降雨過程中的等效降雨量，其值為前期過程降雨及災害當日降雨量與其影響系數(shù)乘積之和[15]。其計算模型為：

RC=αR0+βR1+γR2+…+ωRn

(3)

式中：RC——綜合雨量(mm);R0——當日降雨量(mm)；Rn——n天前降雨量(mm)；α,β,γ,ω——綜合雨量權(quán)重系數(shù)[15]。在一般研究中，降雨量的權(quán)重系數(shù)大多采用經(jīng)驗系數(shù)，如何因地制宜的確定雨量權(quán)重系數(shù)是建立災害模型的關鍵，前文介紹的邏輯回歸模型相對于其他半定量模型具有假設簡單，不要求自變量為正態(tài)分布，并且考慮統(tǒng)計因子之間的相互影響，可自動剔除影響小的因子等優(yōu)勢，是地質(zhì)災害研究中較為常用的分析模型[16-17]。本研究選取邏輯回歸模型確定降雨量權(quán)重系數(shù)，充分地將客觀分析和主觀判斷相結(jié)合，使降水誘發(fā)災害模型更適用于研究區(qū)，也有利于提高模型精度。

為防止誤差，本研究基于滑坡災害資料和降水資料，剔除日降雨量小于5 mm的記錄，以篩選后的滑坡災害點作為樣本，以地質(zhì)災害是否發(fā)生為因變量，經(jīng)概率化的日降雨量(包含當日降雨量與前5 d日降雨量)為自變量，并加入同樣數(shù)量的未發(fā)生災害點的樣本，構(gòu)建邏輯回歸模型?？紤]到未發(fā)生災害點不具備時間信息，因此需要為未發(fā)生樣本點分配日期，日期分配方式是選取2008—2014年中，汛期(6—10月)內(nèi)災害發(fā)生密度較大的時間段內(nèi)未發(fā)生災害的日期，隨機分配給隨機樣本。為保證結(jié)果正確性，避免隨機誤差，本研究選取了4組隨機點，分別建立4次二元邏輯回歸模型(表2)，經(jīng)擬合，前3,4,5 d概率化降水量均未通過顯著性檢驗，遂剔除，利用災害前2 d及當日的雨量作為自變量重新建模。經(jīng)擬合，4組邏輯回歸模型的-2對數(shù)似然值變化較穩(wěn)定，模型擬合度較高；各因子均通過檢驗，模型整體預測的平均準確率達93.1%。因此，獲得各自變量的邏輯回歸系數(shù)即滑坡災害影響因子權(quán)重。經(jīng)4組參數(shù)綜合計算，前3 d降雨的量的權(quán)重系數(shù)經(jīng)拉伸分別為0.587，0.220，0.189。即災害當日降雨量權(quán)重為0.587，前1 d降雨量權(quán)重為0.220，前2 d降雨量權(quán)重為0.189。

表2 邏輯回歸分析結(jié)果及拉伸系數(shù)

因此，降雨誘發(fā)地質(zhì)災害的綜合雨量公式為：

Y=0.587x1+0.220x2+0.189x3

(4)

式中：Y——降雨誘發(fā)滑坡災害的綜合概率值;x1——滑坡災害當日降雨概率值;x2——滑坡災害前1 d降雨概率值;x3——滑坡災害前2 d降雨概率值。

3 氣象預警模型研究

3.1 氣象模型原理

降雨誘發(fā)地質(zhì)災害氣象預警模型T的原理是顯式綜合氣象模型，將單元地質(zhì)災害易發(fā)性概率與降雨誘發(fā)地質(zhì)災害的概率利用一定手段相耦合，獲得某一地區(qū)地質(zhì)災害氣象預警概率值[3]，其公式為：

T=a·H+b·Y

(5)

式中：T——地質(zhì)災害氣象預警概率；H——單元地質(zhì)災害易發(fā)性概率；Y——降雨誘發(fā)地質(zhì)災害概率；a——單元地質(zhì)災害易發(fā)性權(quán)重系數(shù)；b——降雨誘發(fā)地質(zhì)災害權(quán)重系數(shù)。

其中單元地質(zhì)災害易發(fā)性概率值“H值”綜合反映了單元內(nèi)地形地貌、地層巖性、地質(zhì)構(gòu)造等基本因素對形成地質(zhì)災害的作用大小，是區(qū)域地質(zhì)的綜合背景值，本研究已根據(jù)四川省災害易發(fā)性分區(qū)獲得災害易發(fā)性概率圖；降雨因素的發(fā)生概率“Y值”是指災害發(fā)生時的綜合降雨量對地質(zhì)災害的形成所造成的影響大小。a和b分別為兩概率值的權(quán)重系數(shù)，一般由預報員經(jīng)長期統(tǒng)計經(jīng)驗所得，四川省原地質(zhì)災害氣象預警模型的a，b兩參數(shù)分別為0.4，0.682。

3.2 氣象預警模型權(quán)重系數(shù)計算

權(quán)重系數(shù)決定著模型兩概率值對氣象預警模型的影響權(quán)重，對整個模型的研究起著至關重要的作用。在實際應用中權(quán)重系數(shù)a和b常常是根據(jù)統(tǒng)計經(jīng)驗確定，缺乏理論支撐。因此，需要對單元地質(zhì)災害危險性權(quán)重系數(shù)a以及降雨誘發(fā)地質(zhì)災害權(quán)重系數(shù)b進行優(yōu)化計算。由于邏輯回歸模型在分析判斷地質(zhì)災害誘發(fā)影響因子方面廣泛的應用性以及確定影響因子系數(shù)上發(fā)揮的巨大作用，本研究決定使用Logistic回歸分析進行滑坡災害氣象預警模型權(quán)重參數(shù)計算?；?008—2014年的滑坡歷史災害點數(shù)據(jù)，根據(jù)現(xiàn)氣象模型提取其地質(zhì)背景值H與降雨概率值Y，根據(jù)Logistic回歸分析建模，通過檢驗后獲得最終的邏輯回歸系數(shù)權(quán)重值為2.338，3.590，經(jīng)歸一化處理得單元地質(zhì)災害危險性權(quán)重系數(shù)a為0.394，降雨誘發(fā)地質(zhì)災害權(quán)重系數(shù)b為0.606。這與經(jīng)驗所得系數(shù)十分相近，證明了邏輯回歸計算權(quán)重系數(shù)的準確性。

3.3 氣象模型檢驗

通過以上研究，四川省降雨誘發(fā)地質(zhì)災害氣象預警模型公式如下：

(6)

為確保預警預報模型的合理、準確，本研究選取部分災害點對模型進行驗證。由于Y與H的數(shù)值都在0～0.8之間，根據(jù)四川省預警系統(tǒng)業(yè)務習慣，設定地質(zhì)災害發(fā)生概率T超過0.32發(fā)布黃色預警信號，超過0.48發(fā)布橙色預警信號，超過0.64發(fā)布紅色預警信號。

3.3.1 模型準確率計算 由于地質(zhì)災害點的降雨量信息是通過提取災害點最鄰近的氣象站點所得，因此地質(zhì)災害的降雨量數(shù)據(jù)存在誤差，本研究剔除無效災害點以及當日降雨量小于5mm(表示幾乎沒有降雨)的災害點后試驗數(shù)據(jù)共篩選出滑坡災害點4 229個，放入到預警災害模型中進行計算，獲得以下預警結(jié)果。

如表3所示，在4 229個災害點中，本氣象預警模型有3 314個達到黃色預警級別，其數(shù)量占總災害的78.36%，有1 217個達到橙色預警級別，其數(shù)量占總災害的28.77%，證明本模型對滑坡災害有較好的預報準確率；在76個災害規(guī)模為大型及特大型的災害點中，有65個(85.52%)達到黃色預警級別，41個(53.94%)達到橙色預警級別，證明本模型的預報準確率為78.36%，漏報率約為21.63%，同時在重大災害點的預報方面有較好的預報預警效果。

表3 災害模型各預警等級準確率

3.3.2 模型的個例檢驗 本研究以2013年7月10日綿陽市、德陽市及成都市發(fā)生的群發(fā)滑坡災害為個例驗證模型的預警效果。7月8,9,10日連續(xù)3 d龍門山一帶均有較大降雨，7月9日的降雨最大值在389 mm，10日的雨量最大值在266 mm。經(jīng)Y模型計算得3 d的綜合雨量分布狀況如圖4所示，龍門山斷裂帶附近綜合雨量值達到245 mm。

圖4 2013年7月10日的綜合雨量值與預警結(jié)果

將綜合雨量疊加背景值后，套入公式(6)計算出7月10日的降雨誘發(fā)滑坡災害氣象預警模型圖，并將研究區(qū)域的滑坡災害點投入到T模型進行計算。如圖4所示，黃色預警、橙色預警及紅色預警區(qū)域范圍與降雨量分布趨勢相似，同時，預警區(qū)域內(nèi)涵蓋了大多數(shù)的滑坡災害點，根據(jù)統(tǒng)計，在提取226個滑坡災害點中，達到黃色預警等級的災害點有200個，達到橙色預警等級的災害點有67個，達到紅色預警范圍的災害點有31個。因此，本次滑坡個例的單次預警精度達88.5%，漏報率為11.5%，模型的整體預報準確性較高，對于群發(fā)性的災害有較好的預報效果。對于未到預警級別的災害點，分析其原因主要歸結(jié)于以下幾點： ①由于歷史災害上報時間不夠精確，部分災害點的降水數(shù)據(jù)存在誤差，導致歷史災害預警模型結(jié)果存在誤差； ②由于歷史災害點上報地理坐標存在誤差，導致所采集的地質(zhì)災害背景值及降雨量與實際災害發(fā)生狀況均存在差異； ③降雨量提取的方法有待考究。因此，在本模型的實際運行中，在準確的實況降水數(shù)據(jù)和預報降水數(shù)據(jù)基礎上，預警區(qū)準確性將有進一步提高。

4 結(jié) 論

(1) 本研究通過對四川省滑坡災害與其前期日降雨量之間的關系研究，基于邏輯回歸分析得到降雨誘發(fā)地質(zhì)災害模型的日降雨量權(quán)重值，當日降雨量，前1 d降雨量和前2 d降雨量的權(quán)重分別為0.587，0.220，0.189；同時，本研究對地質(zhì)災害氣象預警模型的單元地質(zhì)災害易發(fā)性概率值和單元降雨因素發(fā)生概率的兩權(quán)重參數(shù)進行優(yōu)化計算，通過邏輯回歸分析獲得兩權(quán)重參數(shù)值分別為0.394，0.606，這與長期經(jīng)驗值相近，從而論證了權(quán)重參數(shù)優(yōu)化的準確性；在氣象預警模型構(gòu)建后對模型進行檢驗，通過2013年7月10日的群發(fā)災害個例證明模型有良好的預警效果，空報率較低，經(jīng)計算模型的整體預警準確率可達到78.36%，漏報率約為21.63%，與全國的平均預報準確率相比有了較大提高，證明本模型具有較好的預報效果。

(2) 雖然模型的整體預報水準較高，但仍有部分預警結(jié)果不理想，原因有如下幾點： ①由于上報的滑坡災害點的坐標由預報員人工定位，其精度和準確度受到一定限制，與實際災害發(fā)生位置有所偏差，因此災害點的地質(zhì)背景值與降雨量獲取不準確； ②由于災害點的氣象降雨獲取方式受氣象站點分布影響，四川地區(qū)有部分區(qū)域氣象站點分布較少(如阿壩州、甘孜州等地)，因此災害點位置的實際降雨量不能完全準確獲?。?③滑坡災害的形成與發(fā)生是多種因素共同影響的結(jié)果，本研究采用的災害區(qū)劃未能呈現(xiàn)部分地質(zhì)影響，因此與實際地質(zhì)環(huán)境存在一定差異； ④本研究在降雨信息因子中僅考慮了災害前兩日的雨量，未考慮對滑坡有明顯影響的累積雨量和小時雨量等； ⑤本研究所采用的降雨量化方式較為陳舊。綜上原因，導致模型預報效果不佳。

(3) 在提高模型準確率方面，本研究總結(jié)了以下途徑： ①優(yōu)化降雨概率化方法，采用更優(yōu)的擬合公式量化降雨量數(shù)值； ②考慮對災害點樣本進行篩選，選擇能夠明顯呈現(xiàn)災害降雨特征的樣本數(shù)據(jù)進行建模，從而優(yōu)化模型； ③適當增加前期雨量的時間范圍，如前10，15 d等進行模型擬合； ④構(gòu)建模型時增加更多降雨信息因素，如時降雨量，降雨歷時，前期累積雨量，降雨強度等； ⑤由于四川地區(qū)降雨條件復雜，可考慮分區(qū)域構(gòu)建模型，針對不同降雨類型的滑坡災害，構(gòu)建不同的降雨誘發(fā)災害模型，如針對當日大降雨型滑坡，當日雨量及小時強降雨量對災害的影響較大，應增加當日雨量權(quán)重或著重考慮小時雨量的影響，對于前期降雨型滑坡可考慮增大前期日雨量的權(quán)重影響，對于持續(xù)降雨型滑坡可在模型中采用累積雨量信息因子； ⑥時刻關注地質(zhì)環(huán)境的動態(tài)變化，及時更新地質(zhì)災害區(qū)劃背景圖，以保證模型的準確程度； ⑦適當調(diào)整氣象臨災預警的臨界預警值，選擇合適的等級預警范圍，以保證預警效果良好； ⑧氣象部門應逐步在川西地區(qū)增加雨量站點，保證雨量站均勻分布，同時提高降雨量的準確度，以保證模型計算效果；地質(zhì)監(jiān)測部門也應增設災害監(jiān)測站，保證災害的基本地理及其他屬性信息準確無誤。綜合以上方式，定能提高預警模型的準確程度。

(4) 本研究的成果適于四川省的地質(zhì)災害預警系統(tǒng)，能夠為預警工作提供參考，提醒政府及各部門做好地質(zhì)災害防范措施，為今后相關決策發(fā)揮作用。

[1] 鄧紹輝.建國以來四川山地災害的特點及防治對策[J].西南民族大學學報:人文社科版,2004,25(4):297-300.

[2] 劉傳正,劉艷輝.地質(zhì)災害區(qū)域預警原理與顯式預警系統(tǒng)設計研究[J].水文地質(zhì)工程地質(zhì),2007,34(6):109-115.

[3] 梁潤娥,李中社,苗高建,等.區(qū)域地質(zhì)災害氣象預警模型研究現(xiàn)狀與展望[J].安全與環(huán)境工程,2013,20(1):30-35.

[4] 劉艷輝,劉傳正,溫銘生,等.中國地質(zhì)災害氣象預警模型研究[J].工程地質(zhì)學報,2015,34(4):738-746.

[5] 畢寶貴,徐晶,張國平.國家氣象中心地質(zhì)災害氣象預報業(yè)務進展[C]∥中國氣象學會.2006年海峽兩岸氣象科學技術研討會論文集.北京:2007:19-29.

[6] 陳景武.蔣家溝泥石流預警報系統(tǒng)的試驗研究[M]∥吳積善,康志成,田連權(quán),等.云南蔣家溝泥石流觀測研究,北京:科學出版社,1990:197-199.

[7] 文科軍,王禮先,謝寶元,等.暴雨泥石流實時預報的研究[J],北京林業(yè)大學學報,1998,20(6):59-64.

[8] 李鐵鋒,叢威青.基于Logistic回歸及前期有效雨量的降雨誘發(fā)型滑坡預測方法[J].中國地質(zhì)災害與防治學報,2006,17(1):33-35.

[9] 王衛(wèi)東,陳燕平,鐘晟.應用CF和Logistic回歸模型編制滑坡危險性區(qū)劃圖[J].中南大學學報:自然科學版,2009,40(4):1127-1132.

[10] Gorsevski P V, Gessler P E, Foltz R B, et al. Spatial prediction of landslide hazard using logistic regression and ROC analysis[J]. Transactions in GIS, 2006,10(3):395-415.

[11] 王濟川,郭志剛. Logistic回歸模型方法與應用[M].北京:高等教育出版社,2001:1-12.

[12] 宋光齊,李云貴,鐘沛林.地質(zhì)災害氣象預報預警方法探討:以四川省地震災害氣象預報預警為例[J].水文地質(zhì)工程地質(zhì),2004,31(2):33-36.

[13] 麻土華,鄭愛平,李長江.降雨型滑坡的機理及其啟示[J].科技通報,2014,30(1):39-43.

[14] 徐晶,張國平,張芳華,等.基于Logistic回歸的區(qū)域地質(zhì)災害綜合氣象預警模型[J].氣象,2007,33(12):3-8.

[15] 饒傳新.基于WebGIS的宜賓市地質(zhì)災害氣象監(jiān)測預警服務系統(tǒng)的研發(fā)[D].成都:電子科技大學,2014:16-17.

[16] 程曉露,張華莉.陜西省地質(zhì)災害氣象預報預警系統(tǒng)的應用與現(xiàn)狀[J].陜西地質(zhì),2005,23(2):84-89.

[17] 王衛(wèi)東,鐘晟.基于GIS的Logistic回歸模型在地質(zhì)災害危險性區(qū)劃中的應用[J].工程勘察,2009,37(11):5-10.

MeteorologicEarly-warningModelforRainfall-inducedLandslideDisastersinSichuanProvince

FEI Xiaoyan1,2, LIU Jinbao1,2, QU Boqiang3, LIU Zhihong1, WANG Zengwu1

(1.CollegeofResourcesandEnvironment,ChengduUniversityofInformationTechnology,Chengdu,Sichuan610225,China; 2.BeijingKeyLaboratoryofUrbanSpatialInformationEngineering,Bejing100038,China; 3.SichuanProvinceGeologicalEnvironmentMonitoringStation,Chengdu,Sichuan610081,China)

[Objective] The relation between landslide hazards and antecedent rainfall in 2008 to 2014 was analyzed. A meteorological early-warning model for the rainfall-induced landslide hazards was established and the weight coefficients of the model were optimized in order to provide an efficient reference for disaster warning. [Methods] Through statistical analysis of the antecedent rainfall based on the precipitation information, we adopted logistic regression analysis to calculate the weights of daily rainfall and optimize the weight coefficients of the model. [Results] The weights of disaster-occurring day rainfall, the 2-day and the 3-day rainfall before landslide disaster are 0.587, 0.220 and 0.189. The weight coefficients of the model for geological background and rainfall are 0.394 and 0.606. The previously occurred disasters were used to test and verify the model and the accuracy is 78.36%. The massively occurred disasters were also taken in July 10, 2013 as a single example to verify the model and the result is rather good. [Conclusion] The model has good early warning effect, so as to provide an efficient reference for the disaster prevention and mitigation.

SichuanProvince;rainfall;landslide;meteorologicearly-warningmodel;logisticregressionanalysis

B

1000-288X(2017)05-0315-07

P426.616, P642.22, O242.1

文獻參數(shù)： 費曉燕, 柳錦寶, 屈伯強, 等.四川省降雨誘發(fā)滑坡災害的氣象預警模型[J].水土保持通報，2017,37(5)：315-321.

10.13961/j.cnki.stbctb.2017.05.053； Fei Xiaoyan, Liu Jinbao, Qu Boqiang, et al. Meteorologic early-warning model for rainfall-induced landslide disasters in Sichuan Province[J]. Bulletin of Soil and Water Conservation, 2017,37(5)：315-321.DOI:10.13961/j.cnki.stbctb.2017.05.053

2017-03-28

2017-04-25

四川省國土資源廳科學研究計劃(KJ-2015-18); 四川省應急測繪與防災減災工程技術研究中心開放基金資助項目(K2014B002); 數(shù)字制圖與國土信息應用工程國家測繪地理信息局重點實驗室開放基金資助項目(DM2014SC01); 四川省高校人文社會科學重點研究基地“氣象災害預測預警與應急管理研究中心”開放課題(ZHYJ15-YB09); 城市空間信息工程北京市重點實驗室經(jīng)費資助項目(2014202)

費曉燕(1992—),女(漢族),山東省日照市人,碩士研究生,研究方向為資源環(huán)境遙感。E-mail:feixiaoyan921013@163.com。

柳錦寶(1979—),男(漢族),湖北省黃梅縣人,博士,副教授,從事地球探測信息技術研究。E-mail:liujinbao1107@163.com。