白龙江流域产流型泥石流的区域化集水区特异性降雨阈值构建研究

《Forests, Trees and Livelihoods》：Constructing regional catchment-specific triggering threshold for runoff-generated debris flows: a case study in the Bailong River

本文提出了一种融合水文模拟与机器学习技术的区域泥石流预警新方法，通过构建集水区特异性的降雨-峰值流量关系模型，实现了对白龙江流域267个集水区泥石流触发阈值的快速估算。研究创新性地采用Extra Trees Regressor（ETR）和CatBoost Regressor（CBR）算法分别预测大（>10 km2）小（<10 km2）集水区的函数系数，建立了基于13项地貌水文特征参数的强度-持续时间（I-D）阈值曲线，为数据稀缺山区地质灾害预警提供了可推广的物理机制与数据驱动融合框架。

　　

研究背景与意义

泥石流作为山区典型地质灾害，具有突发性强、破坏力大的特点，严重威胁人民生命财产安全。传统基于经验的降雨阈值方法依赖大量观测数据，而物理模型虽能反映泥石流启动机制，但在区域尺度应用时存在计算成本高、参数获取难等瓶颈。本研究以青藏高原东缘的白龙江流域为案例区，该区域构造活动强烈、地形陡峻，历史上曾发生造成重大伤亡的舟曲特大泥石流灾害，是研究降雨型泥石流触发机制的天然试验场。

研究方法设计

研究团队选取流域内267个代表性集水区（其中80.41%为小于10 km²的小流域），根据集水区规模差异采用分层建模策略：对小流域应用土壤保持局（SCS）单位线法计算峰值流量，对大流域采用空间分布式汇流时间（SDTT）水文模型进行模拟。通过设置20种降雨情景（10-105 mm/1 h），系统分析了降雨量与峰值流量的数学关系，发现线性函数（小流域）和幂函数（大流域）具有最佳拟合效果（R2>0.9）。

机器学习模型构建

为建立集水区特征与函数系数的映射关系，研究筛选了13项关键地貌水文参数，包括流域面积（A）、平均坡度（Sa）、河道密度（Dd）、曲线数（CN_a）等。通过对比7种机器学习算法，最终确定CatBoost Regressor（CBR）对小流域线性函数系数预测效果最优（R2=0.97），Extra Trees Regressor（ETR）对大流域幂函数系数预测最佳（R2=0.79）。特征重要性分析显示，小流域中河道密度对峰值流量影响最大，而大流域中各特征贡献度分布更为均衡。

阈值曲线推导与应用

基于Tognacca公式计算各集水区临界单位宽度流量，结合建立的降雨-流量关系模型，推导出强度-持续时间（I-D）阈值曲线。具体公式表现为：小流域阈值呈对数坐标下的曲线形态（I=αD^-1+c），大流域表现为幂函数形式（I=αD^β）。通过历史泥石流事件验证，该方法在 Goulinping 集水区的预警准确率达84.2%，且与意大利阿尔卑斯山区、云南蒋家沟等典型区域的观测阈值具有良好一致性。

创新价值与局限性

本研究的主要创新在于将物理机制与数据驱动方法相结合，实现了区域尺度泥石流阈值的快速批量估算。所建模型仅需输入易获取的地形地貌参数即可输出定制化预警曲线，极大提升了在无资料地区的适用性。但研究仍存在若干局限：水文模型对降雨时空均匀性假设可能低估实际暴雨变异性；临界流量计算依赖简化的河道几何参数；当前框架更适用于产流型泥石流，对滑坡转化型机制的适用性有待进一步验证。

结论与展望

通过系统整合水文模拟、机器学习和地貌分析技术，本研究成功构建了白龙江流域集水区特异性的泥石流降雨阈值预警体系。该方法为山区地质灾害风险管理提供了可扩展的技术框架，未来可通过引入高分辨率遥感数据、耦合泥沙输移模型等途径进一步提升模型的物理精度和适用范围。