青海黃河流域泥石流空間格局和趨勢(shì)預(yù)估

摘 要：為揭示青海黃河流域泥石流空間格局和易發(fā)性變化趨勢(shì)，利用耦合地理探測(cè)器的信息量模型量化控制因子對(duì)研究區(qū)泥石流的空間解釋力和不同極端降雨情景下泥石流的易發(fā)性。研究結(jié)果表明：泥沙連通度、大于10 mm降雨日數(shù)、連續(xù)3 日最大降雨量和地層巖性是決定泥石流空間格局的關(guān)鍵因子。當(dāng)前情景下泥石流極高和高易發(fā)區(qū)主要集中在東北部和中部的陡峭山區(qū)；極端降雨情境下，極高和高易發(fā)性的新增區(qū)域主要集中在北部、南部山地以及中部的阿尼瑪卿雪山兩側(cè)。研究結(jié)果可為該地區(qū)的泥石流防災(zāi)減災(zāi)工作提供參考。

關(guān)鍵詞：泥石流易發(fā)性；極端降雨；地理探測(cè)器；信息量模型；青海黃河流域

中圖分類號(hào)：P 642 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-0562（2024）01-0010-010

0 引言

泥石流是一種山區(qū)常見的地質(zhì)災(zāi)害，通常由滑坡開始啟動(dòng)，勢(shì)能迅速轉(zhuǎn)化為動(dòng)能，對(duì)人民生命、財(cái)產(chǎn)和社會(huì)經(jīng)濟(jì)發(fā)展構(gòu)成嚴(yán)重威脅[1-3]。中國(guó)是泥石流易發(fā)國(guó)家之一，全國(guó)約45%（106 km2）的區(qū)域容易發(fā)生泥石流，例如2010 年8 月7 日甘肅舟曲發(fā)生泥石流災(zāi)害，造成1 156 人死亡，588 人失蹤[4]。自1950 年以來極端氣候事件增多，區(qū)域降雨的強(qiáng)度和頻率增加[5]，大規(guī)模災(zāi)難性泥石流頻發(fā)[6]。青藏高原是氣候變化的敏感區(qū)，其升溫速度是全球平均值的2 倍，同時(shí)也是泥石流重災(zāi)區(qū)[7]，因此，研究青藏高原東北緣泥石流的空間格局和預(yù)測(cè)極端降雨情景下泥石流的易發(fā)性具有重要現(xiàn)實(shí)意義。

泥石流易發(fā)性評(píng)估可以預(yù)測(cè)容易發(fā)生泥石流的潛在區(qū)域，是制定減災(zāi)規(guī)劃和做好風(fēng)險(xiǎn)防控的重要步驟[8]。易發(fā)性評(píng)估模型主要分為定性模型和定量模型。定性模型主要包括實(shí)地調(diào)查法[9]、專家打分法[10]、層次分析法[11]等，這些方法通過描述研究區(qū)泥石流發(fā)育的環(huán)境背景，利用專家經(jīng)驗(yàn)對(duì)各種因子的權(quán)重進(jìn)行分配，但受限于人們對(duì)災(zāi)害形成過程的認(rèn)識(shí)，具有較大的主觀性。目前定量模型已廣泛應(yīng)用于泥石流的易發(fā)性評(píng)估，其基本思想是建立歷史泥石流災(zāi)害數(shù)據(jù)與控制因子的聯(lián)系，常用模型包括模糊數(shù)學(xué)模型[10]、證據(jù)權(quán)法[12]、頻率比法[13]、機(jī)器學(xué)習(xí)模型[14]等，但在應(yīng)用過程中，學(xué)者們通?；趩我坏亩磕Ｐ瓦M(jìn)行分析，且未考慮控制因子的空間分異性，無法準(zhǔn)確量化控制因子對(duì)泥石流的“貢獻(xiàn)”，導(dǎo)致定量模型難以準(zhǔn)確評(píng)價(jià)泥石流這種多因子引發(fā)的多過程災(zāi)害。

選取氣候敏感區(qū)——青藏高原東北緣青海黃河流域?yàn)檠芯繀^(qū)，利用地理探測(cè)器量化控制因子對(duì)于發(fā)生泥石流的控制力，確定泥石流的空間格局，以歷史降雨數(shù)據(jù)為基礎(chǔ)，運(yùn)用耦合地理探測(cè)器的信息量模型（Geo-IM）評(píng)估不同極端降雨情景下的泥石流易發(fā)性，以期為區(qū)域泥石流防災(zāi)減災(zāi)工作奠定基礎(chǔ)。

1 研究區(qū)概況與方法

1.1 研究區(qū)概況

青海黃河流域（95.88 o E～103.03 o E，33.05 o N～38.33 o N）位于青藏高原東北緣的黃河上游地區(qū)，面積為195 198.85 km2，屬于青藏高原與內(nèi)蒙古平原的過渡地帶，地形變化劇烈，泥石流頻發(fā)。在構(gòu)造隆升作用下，整體地勢(shì)呈西南高東北低，最高海拔為6 254 m，最低海拔為1 707 m，山體呈西北-東南走向，由南向北主要山脈有巴顏克拉山、阿尼瑪卿山、青海南山和祁連山。研究區(qū)斷裂發(fā)育，斷裂走向?yàn)閺奈鞅毕驏|南，地質(zhì)構(gòu)造活躍，地震頻發(fā)。巖石組分復(fù)雜，包括片麻巖、砂巖、泥巖和花崗巖等，河谷地帶和山間盆地有大量第四系松散堆積物覆蓋，為泥石流提供了豐富的物源。研究區(qū)屬于高原氣候區(qū)，氣溫呈西南低東北高，多年平均年均溫為-2.8 ℃，降水地域性差異較大，東南部降水較多，多年平均降水量達(dá)700 mm 以上，西北部降水較少，多年平均降水量不足300 mm。徑流為泥石流提供了充足的水源條件[15]，其主要來源為降雨，部分由冰雪融水補(bǔ)給。通過遙感調(diào)查和實(shí)地考察驗(yàn)證，發(fā)現(xiàn)研究區(qū)共有泥石流1 454條，主要集中在研究區(qū)東部和中部的高山峽谷區(qū)，且具有沿黃河兩岸呈帶狀分布的特點(diǎn)，見圖1。研究區(qū)邊界參考國(guó)家地理信息公共服務(wù)平臺(tái)提供的《中國(guó)分省地圖—青海省1 ∶570 萬》制作（審圖號(hào)：GS（2019）3333 號(hào)）。

1.2 研究方法

（1）地理探測(cè)器與控制因子選取

地理探測(cè)器是一種檢測(cè)空間分異性的空間統(tǒng)計(jì)方法，能夠反映控制因子背后的空間模式[16-17]，由于其不包含線性假設(shè)且具有明確的物理意義，因此，被廣泛應(yīng)用于空間數(shù)據(jù)分析領(lǐng)域。地理探測(cè)器的工作原理是如果控制因子X 對(duì)空間現(xiàn)象Y 有潛在影響，則認(rèn)為Y 和X 在空間分布上是相似的，空間分異性越強(qiáng)則控制因子的影響力越強(qiáng)。影響強(qiáng)度用q 值反映，q 值越大表示控制因子X 對(duì)Y 空間分異性的決定性越強(qiáng)，其表達(dá)式為

式中：m 為控制因子的空間分層數(shù)；N 為研究區(qū)的地圖單元數(shù)量；Nw 為第w 個(gè)空間分層中地圖單元的數(shù)量； σ2w 為第 w 個(gè)空間分層中 Y 的方差；σ 2為Y 在整個(gè)研究區(qū)的方差。

泥石流致災(zāi)因素包括地形地貌、地質(zhì)構(gòu)造、氣候水文等 [18]。根據(jù)已有研究成果[19-21]并綜合考慮本文研究區(qū)的特點(diǎn)，選取10 個(gè)控制因子，分別為坡度、地形勢(shì)能、地形濕度指數(shù)、地層巖性、距斷層距離、泥沙連通度、土壤侵蝕強(qiáng)度、連續(xù)3 d 最大降雨量和大于10 mm 降雨日數(shù)、土地覆蓋，泥石流災(zāi)害發(fā)生數(shù)及控制因子探測(cè)結(jié)果見圖2，各個(gè)控制因子的計(jì)算方法及含義見表 1。

（2）泥石流易發(fā)性評(píng)估方法

信息量模型（IM）是一種貝葉斯概率模型（雙變量分析模型），其原理是利用現(xiàn)有信息將影響區(qū)域穩(wěn)定性因素的實(shí)測(cè)值轉(zhuǎn)化為能夠表征區(qū)域泥石流易發(fā)程度的信息量，進(jìn)而評(píng)價(jià)研究對(duì)象的穩(wěn)定程度[27]。信息量模型能夠以概率的形式定量描述對(duì)泥石流災(zāi)害產(chǎn)生“貢獻(xiàn)”的影響因素，一般采用簡(jiǎn)化的單因素信息量方法來評(píng)價(jià)泥石流易發(fā)性，信息量模型[28-29]為

式中：I 為研究區(qū)某評(píng)價(jià)單元的泥石流易發(fā)性值；Ni 為泥石流在控制因子Xi 中分布的個(gè)數(shù)；N 為研究區(qū)泥石流災(zāi)害的個(gè)數(shù)；Bi 和B 分別為控制因子Xi 的總面積、研究區(qū)總面積，m2。

本文將q 值作為權(quán)重與信息量模型耦合，得到考慮空間異質(zhì)性的泥石流易發(fā)性評(píng)價(jià)模型（Geo-IM）為

式中：IGeo 為考慮空間異質(zhì)性的研究區(qū)某評(píng)價(jià)單元的泥石流易發(fā)性值；qi 和qj 分別為控制因子Xi、Xj 對(duì)泥石流分布的空間分異解釋度值。

（3）氣象重現(xiàn)期計(jì)算

氣象重現(xiàn)期是指某一氣象要素大于或等于某閾值出現(xiàn)一次的平均間隔時(shí)間（k），與該氣象要素的發(fā)生頻率互為倒數(shù)，即k 年一遇。氣象要素重現(xiàn)期的計(jì)算方法是利用極值分布函數(shù)整合歷史觀測(cè)數(shù)據(jù)，進(jìn)而建立極端事件發(fā)生概率與該氣象要素的分布對(duì)應(yīng)關(guān)系，根據(jù)所得概率獲取該情境下的氣候要素值[30]。本文利用Gumbel 分布對(duì)連續(xù)3 d 最大降雨量和大于10 mm 降雨日數(shù)進(jìn)行擬合，分別計(jì)算20 a、50 a 和100 a 一遇的極端情景。Gumbel 分布的概率密度函數(shù)為

式（4）～式（6）中：x 為觀測(cè)數(shù)據(jù)； x 為觀測(cè)數(shù)據(jù)平均值；ζ 為位置參數(shù)； ?ζ 為位置參數(shù)估計(jì)值；β 為尺度參數(shù)；?β 為尺度參數(shù)估計(jì)值；s 為標(biāo)準(zhǔn)差；γ 為歐拉常數(shù)，取0.577 21。

2 結(jié)果分析

2.1 青海省黃河流域泥石流空間格局

將研究區(qū)劃分為10 km×10 km 的網(wǎng)格，格點(diǎn)中的泥石流數(shù)量反映了泥石流發(fā)生頻率。提取網(wǎng)格中的泥石流數(shù)量作為地理探測(cè)器的Y 變量，利用重分類工具將連續(xù)控制因子X 劃分為8 個(gè)分層。參考王勁峰等[16]對(duì)數(shù)據(jù)的處理方法，將泥石流格點(diǎn)與各控制因子圖層進(jìn)行疊加，進(jìn)而獲得每個(gè)格點(diǎn)的所有控制因子屬性，將屬性記錄輸入地理探測(cè)器軟件，獲得各控制因子對(duì)泥石流災(zāi)害的空間分異解釋度q 值，見圖3?？梢钥闯瞿嗌尺B通度gt;大于10 mm 降雨日數(shù)gt;連續(xù)3 d 最大降雨量gt;地層巖性gt;土壤侵蝕強(qiáng)度gt;地形濕度指數(shù)gt;距斷層距離gt;地形勢(shì)能gt;土地覆蓋gt;坡度。地理探測(cè)器的輸出結(jié)果表明，泥沙連通度是決定研究區(qū)泥石流空間格局的最關(guān)鍵控制因子，其次為大于10 mm 降雨日數(shù)、連續(xù)3 d 最大降雨量和地層巖性。

為進(jìn)一步分析泥沙連通度、大于10 mm 降雨日數(shù)、連續(xù)3 d 最大降雨量和地層巖性在泥石流中的分布，分別將泥沙連通度、大于10 mm 降雨日數(shù)、連續(xù)3 d 最大降雨量等間距重新分為15 類，將地層巖性分為5 級(jí)，利用ArcGIS 區(qū)域統(tǒng)計(jì)工具，得到泥石流的分布頻率，見圖4?？梢钥闯瞿嗍髟谀嗌尺B通度、大于10 mm 降雨日數(shù)和連續(xù)3 d最大降雨量中的分布均呈先增加后減少的趨勢(shì)。其中泥沙連通度q 值的值域?yàn)閇-8.48，-2.04]，泥石流集中分布在泥沙連通度的第2 個(gè)區(qū)間[-8.05，-7.62]和第3 個(gè)區(qū)間[-7.62，-7.19]，表明雖然泥沙連通度大小可以反映泥石流物源輸送的難易程度，但是泥沙連通度較高的區(qū)域往往坡度較緩，不具備泥石流形成的地形條件；大于10 mm 降雨日數(shù)和連續(xù)3 d 最大降雨量q 值的值域分別為[5.83， 56.23]、[27.34，96.27]，泥石流發(fā)生頻率最高區(qū)間分別為[22.63，32.71]、[36.53，50.32]，表明雖然降雨可以激發(fā)泥石流，但并不是決定泥石流發(fā)生的唯一因素。在地形與物源條件同時(shí)滿足的情況下，降雨量越大，泥石流發(fā)生的頻率越高；在地層巖性中，泥石流集中分布在軟巖之中，這是由于軟巖強(qiáng)度較小，在被侵蝕、風(fēng)化和剝蝕過程中會(huì)產(chǎn)生松散堆積 物，能夠?yàn)槟嗍魈峁┪镌础?/p>

2.2 青海省黃河流域泥石流趨勢(shì)分析

（1）不同重現(xiàn)期下降雨空間分布

對(duì)研究區(qū)每個(gè)柵格的時(shí)間序列進(jìn)行Gumbel 分布擬合，得到重現(xiàn)期T 分別為20 a、50 a 和100 a 極端情景下連續(xù)3 d 最大降雨量和大于10 mm降雨日數(shù)的空間分布，見圖5、圖6。由圖5 可知，連續(xù)3 d 最大降雨量整體呈西部低東部高的空間分布，隨著重現(xiàn)期的增加，值域由[27.07，100.81]增加至[43.10，152.39]、[49.24，171.85]和[55.57，177.43]，極端降水區(qū)域不斷增多。由圖6 可知，大于10 mm降雨日數(shù)整體呈西北低東南高的空間分布，隨著重現(xiàn)期的增加，值域由[5.82，56.21]增加至[9.87，69.36]、[11.43，74.46]和[12.56， 78.26]，大于10 mm 降雨日數(shù)不斷增加。

（2）不同情景下泥石流易發(fā)性變化

根據(jù)研究區(qū)孕災(zāi)環(huán)境特點(diǎn)并結(jié)合前人研究現(xiàn)狀[18，20-21]，通過式（2）計(jì)算各控制因子的信息量值，利用式（1）確定各控制因子對(duì)發(fā)生泥石流的空間分異解釋度，并將q 值量化為權(quán)重。各控制因子的信息量值以及權(quán)重見表 2。

利用Geo-IM 模型評(píng)估當(dāng)前情境下泥石流的易發(fā)性，利用自然斷點(diǎn)法對(duì)輸出結(jié)果進(jìn)行易發(fā)性分區(qū)。當(dāng)前情境下易發(fā)性統(tǒng)計(jì)結(jié)果見表3，IM 模型和Geo-IM 模型的泥石流易發(fā)性評(píng)估結(jié)果見圖7。

由表3 可知，當(dāng)前情境下泥石流極高和高易發(fā)區(qū)面積分別為21 532.65 km2 和43 651.87 km2，主要集中在研究區(qū)東北部和中部的陡峭山區(qū)，這些區(qū)域的特點(diǎn)是高差大、降雨多和土壤侵蝕性強(qiáng)；泥石流極低和低易發(fā)區(qū)集中分布在西南部，這些區(qū)域主要位于高原面，地勢(shì)平坦，寒冷干燥，不具備泥石流成災(zāi)的條件。

由圖7 可知，與IM 模型相比，Geo-IM 模型評(píng)估結(jié)果顯示泥石流高易發(fā)區(qū)更集中于東部，在北部和中部分布較少，與災(zāi)點(diǎn)的空間分布吻合度更高。利用ROC（受試者工作特征）曲線對(duì)2 個(gè)模型的精度進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見圖8。

由圖8 可以看出IM 模型和Geo-IM 模型均具有較高的精度，但Geo-IM 模型的AUC（ROC 曲線下面積）為0.948，略大于IM 模型，表明Geo-IM模型的評(píng)估結(jié)果精度更高，與圖7 模型評(píng)估所得結(jié)論相一致。由以上分析可知，地理探測(cè)器能夠較好地探測(cè)泥石流發(fā)生率與控制因子的關(guān)系，并確定關(guān)鍵控制因子。將信息量模型與考慮地理空間異質(zhì)性的地理探測(cè)器進(jìn)行耦合后，能夠提高信息量模型的評(píng)估精度，減少誤判概率。

信息量模型通過統(tǒng)計(jì)歷史泥石流災(zāi)點(diǎn)得到各控制因子對(duì)發(fā)生泥石流災(zāi)害的“貢獻(xiàn)”，在此基礎(chǔ)上可以將其推廣至不同降雨重現(xiàn)期下的泥石流動(dòng)態(tài)評(píng)估。利用不同降雨重現(xiàn)期下的氣象因子驅(qū)動(dòng)泥石流評(píng)估模型，將當(dāng)前情景下連續(xù)3 d 最大降雨量和大于10 mm降雨日數(shù)這2 個(gè)控制因子替換為不同重現(xiàn)期下對(duì)應(yīng)的控制因子，并按照當(dāng)前情景的易發(fā)性分區(qū)標(biāo)準(zhǔn)進(jìn)行泥石流易發(fā)性分區(qū)，得到不同降雨重現(xiàn)期下泥石流易發(fā)性空間分布，見圖9，統(tǒng)計(jì)結(jié)果見表4。

由表4 可知，隨著降雨重現(xiàn)期的增加，極低易發(fā)區(qū)面積顯著減少，極高易發(fā)區(qū)面積顯著增加，其他區(qū)域面積變化量相對(duì)較小。由圖9 可知，從空間上來看，在極端降雨情景下，極高和高易發(fā)性的新增區(qū)域主要集中在北部、南部山地以及中部的阿尼瑪卿雪山兩側(cè)，研究區(qū)東北部的高山峽谷區(qū)由高易發(fā)性向極高易發(fā)性轉(zhuǎn)化，這可能是需要采取預(yù)防措施的地區(qū)。研究區(qū)西南部高原面、青海湖周邊河谷區(qū)域由于不存在形成泥石流的地形或者物源條件，即使在極端強(qiáng)降雨情景下，泥石流易發(fā)性依然很低，主要以山洪災(zāi)害為主，符合客觀規(guī)律。

3 結(jié)論

本文以氣候變化敏感區(qū)——青藏高原東緣青海省黃河流域?yàn)槔?，基于野外調(diào)查和遙感解譯確定泥石流災(zāi)害的空間位置，利用地理探測(cè)器探測(cè)各控制因子對(duì)泥石流災(zāi)害的空間分異解釋度，進(jìn)一步分析泥石流的空間格局，運(yùn)用耦合地理探測(cè)器的信息量模型（Geo-IM）評(píng)估不同極端降雨情景下泥石流的易發(fā)性，得出如下結(jié)論。

（1）泥沙連通度是決定研究區(qū)泥石流空間格局的最關(guān)鍵控制因子，其次為大于10 mm 降雨日數(shù)、連續(xù)3 d 最大降雨量和地層巖性。

（2）重現(xiàn)期為20 a、50 a 和100 a 極端降雨情境下，連續(xù)3 d 最大降雨量和大于10 mm 降雨日數(shù)整體呈西部低東部高的空間分布，區(qū)域平均值分別增長(zhǎng)44.22 mm、16.81 d。

（3）與IM 模型相比，Geo-IM 模型的評(píng)估結(jié)果精度更高。當(dāng)前情景下泥石流極高和高易發(fā)區(qū)主要集中在研究區(qū)東北部和中部的陡峭山區(qū)，極低和低易發(fā)區(qū)集中分布在西南部高原面。

（4）隨著降雨重現(xiàn)期的增加，極低易發(fā)性的區(qū)域面積明顯減少，極高易發(fā)性的區(qū)域面積明顯增大；極高和高易發(fā)性的新增區(qū)域主要集中在北部、南部山地以及中部的阿尼瑪卿雪山兩側(cè)，未來需要重點(diǎn)關(guān)注。

參考文獻(xiàn)（References）：

[1] JI F，DAI Z L，LI R J.A multivariate statistical method for susceptibilityanalysis of debris flow in southwestern China[J].Natural Hazards andEarth System Sciences，2020，20（5）：1321-1334.

[2] KURILLA L J，F(xiàn)UBELLI G.Global debris flow susceptibility based on acomparative analysis of a single global model versus a continentby-continent approach[J].Natural Hazards，2022，113（1）：527-546.

[3] LIU G X，DAI E F，GE Q S，et al.A similarity-based quantitative modelfor assessing regional debris-flow hazard[J].Natural Hazards，2013，69（1）：295-310.

[4] HUANG H，WANG Y S，LI Y M，et al.Debris-flow susceptibilityassessment in China：a comparison between traditional statistical andmachine learning methods[J].Remote Sensing，2022，14（18）：2.

[5] IPCC.Climate change 2013：the physical science basis[M].Cambridge：Cambridge University Press，2013：4-6.

[6] 高楊，李濱，馮振，等.全球氣候變化與地質(zhì)災(zāi)害響應(yīng)分析[J].地質(zhì)力學(xué)學(xué)報(bào)，2017，23（1）：65-77.

GAO Yang，LI Bin，F(xiàn)ENG Zhen，et al.Global climate change andgeological disaster response analysis[J].Journal of Geomechanics，2017，23（1）：65-77.

[7] ZOU Q，CUI P，JIANG H，et al.Analysis of regional river blocking bydebris flows in response to climate change[J].Science of the TotalEnvironment，2020，741：140262.

[8] KUMAR A，SARKAR R.Debris flow susceptibility evaluation-Areview[J].Iranian Journal of Science and Technology-Transactions ofCivil Engineering，2022，47：1277-1292.

[9] MICHELINI T，BETTELLA F，D'AGOSTINO V.Field investigations ofthe interaction between debris flows and forest vegetation in two Alpinefans[J].Geomorphology，2017，（279）：150-164.

[10] 王春山，周洪福，聶德新.多宗隆哇泥石流溝危險(xiǎn)性綜合評(píng)判[J].人民黃河，2013，35（3）：58-61.

WANG Chunshan，ZHOU Hongfu，NIE Dexin.Risk assessment ofDuozonglongwa debris flow gully[J].Yellow River，2013，35（3）：58-61.

[11] QIAO S S，QIN S W，SUN J B，et al.Development of a regionpartitioningmethod for debris flow susceptibility mapping[J].Journalof Mountain Science，2021，18（5）：1177-1191.

[12] CHEN X Z，CHEN H，YOU Y，et al.Weights-of-evidence method based onGIS for assessing susceptibility to debris flows in Kangding County，SichuanProvince，China[J].Environmental Earth Sciences，2016，75（1）：16.

[13] ANGILLIERI M Y E.Debris flow susceptibility mapping in a portionof the Andes and Preandes of San Juan，Argentina using frequency ratioand logistic regression models[J].Earth Sciences Research Journal，2013，17（2）：159-167.

[14] QING F，ZHAO Y，MENG X M，et al.Application of machine learning todebris flow susceptibility mapping along the China-PakistanKarakoram highway[J].Remote Sensing，2020，12（18）：22.

[15] 白愛娟，朱科旭，管琴.青海高原氣象地質(zhì)災(zāi)害特征及致災(zāi)雨量研究[J].高原山地氣象研究，2021，41（4）：119-124.

BAI Aijuan，ZHU Kexu，GUAN Qin.Characteristics of meteorologicalgeology disasters and rainfall in Qinghai Plateau[J].Plateau andMountain Meteorology Research，2021，41（4）：119-124.

[16] 王勁峰，徐成東.地理探測(cè)器：原理與展望[J].地理學(xué)報(bào)，2017，72（1）：116-134.

WANG Jinfeng，XU Chengdong.Geodetector：principle and prospective[J].Acta Geographica Sinica，2017，72（1）：116-134.

[17] 杜宇琛，葛永剛，梁馨月，等.確定性系數(shù)與地理探測(cè)器模型耦合的泥石流易發(fā)性評(píng)估方法研究——以安寧河流域?yàn)槔齕J].防災(zāi)減災(zāi)工程學(xué)報(bào)，2022，42（4）：664-673.

DU Yuchen，GE Yonggang，LIANG Xinyue，et al.Research of debrisflow susceptibility based on the coupling of certainty factor methodand geo detector model in Anning River Basin[J].Journal of DisasterPrevention and Mitigation Engineering，2022，42（4）：664-673.

[18] 鄒強(qiáng)，唐建喜，李淑松，等.基于水文響應(yīng)單元的泥石流災(zāi)害易發(fā)性分區(qū)方法[J].山地學(xué)報(bào)，2017，35（4）：496-505.

ZOU Qiang，TANG Jianxi，LI Shusong，et al.Susceptibility assessmentmethod of debris flows based on hydrological response unit[J].Mountain Research，2017，35（4）：496-505.

[19] 黃江成，歐國(guó)強(qiáng)，柳金峰.白龍江干流泥石流分布特征及危險(xiǎn)度評(píng)價(jià)[J].人民黃河，2011，33（6）：105-107.

HUANG Jiangcheng，OU Guoqiang，LIU Jinfeng.Distribution characteristicsand risk assessment of debris flow in the main stream of BaiLongRiver[J].Yellow River，2011，33（6）：105-107.

[20] 焦方謙，趙新生，陳川.證據(jù)權(quán)模型在泥石流災(zāi)害易發(fā)性評(píng)價(jià)中的應(yīng)用[J].干旱區(qū)地理，2013，36（6）：1111-1124.

JIAO Fangqian，ZHAO Xinsheng，CHEN Chuan.Debris flow hazardsusceptibility evaluation application with weighted evidences model[J].Arid Land Geography，2013，36（6）：1111-1124.

[21] 張以晨，秦勝伍，翟健健，等.基于信息量的長(zhǎng)白山地區(qū)泥石流易發(fā)性評(píng)價(jià)[J].水文地質(zhì)工程地質(zhì)，2018，45（2）：150-158.

ZHANG Yichen，QIN Shengwu，ZHAI Jianjian，et al.Susceptibilityassessment of debris flow based on GIS and weight information for theChangbai mountain area[J].Hydrogeology amp; Engineering Geology，2018，45（2）：150-158.

[22] 梁馨月，徐夢(mèng)珍，呂立群，等.基于地貌特征的青藏高原邊緣泥石流溝分類[J].地理學(xué)報(bào)，2020，75（7）：1373-1385.

LIANG Xinyue，XU Mengzhen，LYU Liqun，et al.Geomorphologicalcharacteristics of debris flow gullies on the edge of the Qinghai-TibetPlateau[J].Acta Geographica Sinica，2020，75（7）：1373-1385.

[23] 張彩霞，楊勤科，李銳.基于DEM 的地形濕度指數(shù)及其應(yīng)用研究進(jìn)展[J].地理科學(xué)進(jìn)展，2005，24（6）：116-123.

ZHANG Caixia，YANG Qinke，LI Rui.Advancement in topographicwetness index and its application[J].Progress in Geography，2005，24（6）：116-123.

[24] 中華人民共和國(guó)住房和城鄉(xiāng)建設(shè)部，中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局.工程巖體分級(jí)標(biāo)準(zhǔn)：GB/T 50218—2014[S].北京：中國(guó)計(jì)劃出版社，2014：4-5.

[25] BORSELLI L，CASSI P，TORRI D.Prolegomena to sediment and flowconnectivity in the landscape：A GIS and field numerical assessment[J].Catena，2008，75（3）：268-277.

[26] LIANG W J，ZHUANG D F，JIANG D，et al.Assessment of debris flowhazards using a Bayesian network[J].Geomorphology，2012，171-172，94-100.

[27] XU W B，YU W J，JING S C，et al.Debris flow susceptibility assessmentby GIS and information value model in a large-scale region，SichuanProvince（China）[J].Natural Hazards，2013，65（3）：1379-1392.

[28] 聶作泉，郎秋玲，張以晨，等.基于信息量模型和地理探測(cè)器的國(guó)道沿線崩塌災(zāi)害危險(xiǎn)性評(píng)價(jià)[J].災(zāi)害學(xué)，2023，38（1）：193-199.

NIE Zuoquan，LANG Qiuling，ZHANG Yichen，et al.Hazard assessment ofcollapse along national highways based on information quantity model andgeodetector[J].Journal of Catastrophology，2023，38（1）：193-199.

[29] 童?？?，衛(wèi)曉鋒，馬彥青，等.基于信息量法的青海地質(zhì)勘查活動(dòng)對(duì)生態(tài)環(huán)境影響評(píng)估研究[J].中國(guó)礦業(yè)，2023，32（3）：48-54，73.

TONG Haikui，WEI Xiaofeng，MA Yanqing，et al.Ecological environmentinfluence evaluation of geological exploration activities in QinghaiProvince based on information value method[J].China MiningMagazine，2023，32（3）：48-54，73.

[30] 王彬雁，趙琳娜，鞏遠(yuǎn)發(fā)，等.北京降雨過程分型特征及短歷時(shí)降雨重現(xiàn)期研究[J].暴雨災(zāi)害，2015，34（4）：302-308.

WANG Binyan，ZHAO Linna，GONG Yuanfa，et al.Characteristics oftemporal pattern and return period of short-duration rainfall at Beijingobservatory[J].Torrential Rain and Disasters，2015，34（4）：302-308.

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（41977227）；湖北省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021BCA219）