白龙江流域灾难性泥石流风险定量评估方法

《Geomatics, Natural Hazards and Risk》：Quantitative assessment method for catastrophic debris flow risks in the Bailong River Basin, China

　　

在区域尺度上快速且定量地评估潜在灾难性泥石流风险，对于灾害早期风险预防与防控至关重要。然而，不同泥石流流域在发育条件上的显著差异，给区域风险评估带来了重大挑战。为此，本研究提出了一种针对白龙江流域泥石流威胁人口的快速定量估算方法，旨在识别潜在灾难性泥石流发生点。首先，在设计降雨情景下，采用SCS水文模型（Soil Conservation Service Hydrological Model）预测泥石流的洪峰流量与最大出流体积，其中创新性地引入机器学习方法构建物源供给预测模型。随后，应用适用于该区域的泥石流堆积扇经验公式估算潜在危险区范围。最后，将该潜在危险区与空间格网化人口分布数据叠加，以估算各泥石流流域可能威胁的人口数量。该方法利用公开可获取的基础数据，构建了涵盖“降雨—径流—出流体积—危险区—受威胁人口”的泥石流全过程综合估算流程，为区域灾难性泥石流风险的快速定量评估提供了一种稳健且可扩展的解决方案。

该文发表于《Geomatics, Natural Hazards and Risk》，聚焦白龙江流域区域尺度灾难性泥石流风险的快速定量识别问题。研究背景在于，泥石流是山地地区最主要的地质灾害之一，常造成人员伤亡与财产损失，尤其低频高致灾性的灾难性泥石流事件，往往具有突发性强、危害范围广和链生效应显著等特点。对于区域防灾减灾而言，尽早识别潜在高风险沟谷具有重要现实意义。然而，传统泥石流识别方法多依赖野外调查、地貌判别或单参数阈值，虽然在局地研究中具有应用价值，但在大范围、快速、定量评估中仍面临明显局限。一方面，不同流域在地形、岩性、物源条件和人类扰动上的差异显著，使得简单经验判别难以统一适用；另一方面，现有研究多集中于泥石流形成机理、易发性评价或个案灾害分析，对区域尺度潜在灾难性泥石流的定量风险评估仍相对不足。因此，开展一套依托公开基础数据、可在区域范围内快速实施的全过程风险估算方法，成为该研究的重要出发点。

白龙江流域位于中国西秦岭地区，地处青藏高原、黄土高原与四川盆地交汇地带，构造活动强烈，地形起伏大，沟谷切割深，松散堆积物和黄土分布广泛，暴雨集中且生态地质环境脆弱。再加上滑坡、崩塌广泛发育以及人类工程活动干扰，区内泥石流物源极为丰富，形成了高频、多类型且常具群发特征的泥石流灾害系统。2010年舟曲三眼峪、罗家峪灾难性泥石流事件所造成的严重人员伤亡，表明对白龙江流域开展潜在灾难性泥石流风险评估具有迫切性。基于此，研究人员构建了一个覆盖“降雨—产流—最大出流体积—潜在危险区—潜在受威胁人口”全过程的综合估算框架，用于识别区域内可能造成重大人员威胁的泥石流沟谷。

在技术方法上，研究主要采用三类关键方法。其一，基于SCS水文模型（Soil Conservation Service）估算设计降雨条件下各流域单元的净雨量、汇流时间与清水洪峰流量，其中曲线数（Curve Number，CN）由土地利用和土壤类型数据计算获得。其二，基于白龙江流域30条泥石流沟样本，选取流域面积、平均坡度、地形起伏、高差比、地形位置指数（Topographic Position Index，TPI）、岩性指数、滑坡密度和道路密度8个因子，比较XGB、ExtraTrees与CatBoost三种机器学习算法，建立单位面积物源供给量（M）预测模型。其三，利用泥石流峰值放大系数法与经验公式估算泥石流峰值流量、最大出流体积及堆积扇长度，并叠加1 km人口格网数据重采样结果，统计潜在受威胁人口。研究以公开基础数据为主，样本队列来源于白龙江流域30条已获取总可供物源量资料的泥石流沟。

4.1. Estimation of sediment supply per unit area in watersheds
研究首先围绕单位面积物源供给量估算展开。泥石流最大出流规模的可靠评估，关键在于对流域内可动用松散固体物质量进行量化。为此，研究人员基于既有白龙江流域泥石流基础参数数据库和30条样本沟的物源总量资料，筛选出8项与松散物质量密切相关的因子，并检验其相关性，结果表明各因子之间不存在显著多重共线性，适合用于建模比较。随后，以80%样本建模、20%样本测试的方式，对XGBRegressor、ExtraTreesRegressor与CatBoostRegressor三种算法进行对比。结果显示，ExtraTrees模型在测试样本上的决定系数r²达到0.804，优于CatBoost的0.770和XGB的0.400，说明其对流域可供物源量具有最佳拟合与预测能力。该模型的平均绝对误差（MAE）为1.33，均方根误差（RMSE）为1.68，最大误差为4.23。研究据此认为，该精度足以支持区域尺度泥石流物源量预测，并进一步计算各流域的可供物源总量与单位面积物源供给量M，为后续泥石流峰值流量与最大出流体积估算提供了核心输入参数。

4.2. Estimation of maximum debris flow outflow volume
在完成物源供给估算后，研究进一步估算泥石流最大出流体积，并通过典型灾难性案例验证方法可靠性。研究选取2010年8月8日舟曲三眼峪泥石流作为实例，依据已有研究采用96.7 mm降雨量，结合区域水文参数计算净雨量、清水洪峰流量与泥石流洪峰流量。根据SCS模型，三眼峪流域净雨量为40.1 mm，清水洪峰流量为238.8 m³/s；再结合放大系数法，得到泥石流洪峰流量约405.9 m³/s。考虑到该事件中串联滑坡坝和拦挡坝失稳造成规模放大，研究按实际情况附加2.5倍放大因子后，估算泥石流洪峰流量约为1014.8 m³/s。最终利用经验公式计算得到最大出流体积为158.6×10⁴ m³，与文献记录的实际值较为接近，从而验证了估算流程的合理性。在此基础上，研究人员以该灾难事件对应的降雨量为参考，将100 mm设定为区域设计降雨条件，对白龙江流域所有泥石流沟进行统一估算，依次计算各流域净雨量、清水洪峰流量、泥石流洪峰流量及最大出流体积，形成区域尺度潜在大规模泥石流出流能力分布结果。

4.3. Estimation of population potentially threatened by debris flows
在危险范围和受威胁人口估算部分，研究将泥石流堆积扇简化为圆锥体，通过堆积体体积与扇顶角、扇面坡度之间的几何关系，推导堆积扇长度L_f，并在各流域出口处构建相应长度的缓冲区，以此表示潜在危险区。研究中扇顶角β取60°，扇面平均坡度α取5°，进而建立堆积扇长度与泥石流总体积之间的经验关系。随后，将人口数据由1 km格网重采样至10 m格网，并统计落入每个潜在危险区内的人口总数，作为该沟谷潜在受威胁人口。研究以中国地质灾害分类中“威胁1000人以上属于特大型隐患点”的标准为依据，将潜在威胁人口超过1000人的泥石流沟定义为潜在灾难性泥石流沟。以舟曲泥石流为例，公式计算得到的堆积扇长度为1434.5 m，与文献记载约2000 m的实际长度较为接近，表明该危险区估算方法具有一定可信度。最终，研究在白龙江流域共识别出64条潜在威胁超过1000人的泥石流沟，构成区域尺度潜在灾难性泥石流风险点。

5. Discussion
在讨论部分，研究重点分析了物源预测模型中各控制因子的相对重要性及所识别风险沟谷的空间与地质特征。特征重要性分析表明，岩性指数（Li，0.21）是影响流域松散物源储量的首要因素，说明岩性及其抗风化能力从根本上决定了物源形成与储备潜力；地形位置指数（TPI，0.17）次之，反映沟谷、坡麓等相对地形位置对松散物质聚集与保存具有关键控制作用；流域起伏量H和流域面积A的重要性均为0.15，分别代表地形势能和汇水尺度对侵蚀与物源累积的基础约束；高差比Rr（0.12）体现流域整体坡降控制下的搬运能力；滑坡密度Ld、道路密度Rd和平均坡度Sa虽然单独贡献较低，但分别从滑坡补给、人类工程扰动和坡面稳定性等方面对物源活化起调节作用。总体而言，研究认为流域松散物源质量受“岩性供给—地形储存—水动力驱动”三重机制共同控制，这也说明所建机器学习模型具有明确物理意义。

在风险识别结果方面，三眼峪沟、甘家沟、关家沟和水磨沟等历史上曾发生灾难性泥石流的沟谷均被该方法成功识别，验证了方法在已知案例上的有效性。空间分布上，64条高风险泥石流沟多数位于白龙江干流中游，即舟曲县至武都县一带，说明该区是区域灾难性泥石流风险最为集中的地段。箱线图分析进一步表明，致灾型泥石流沟往往受软弱岩性控制，具有较大的流域高差和面积，反映较高的整体势能与物源汇聚能力；而其坡降和平均坡度相对较小，这类地形条件通常更适宜居民点分布，因此人口暴露度更高，导致风险水平上升。

研究同时指出了方法的适用边界。与基于物理机制的动力过程数值模拟相比，该方法在过程刻画精细度和地形约束表达上仍有限，尤其在潜在堆积范围估算中，未充分考虑沟口具体地形条件对泥石流展布的影响。因此，若需要更高精度的局地风险评价，可先利用本研究方法进行区域初筛，再对重点沟谷采用数值模拟开展进一步分析。尽管如此，对于大范围潜在灾难性泥石流风险快速评估而言，该方法仍具明显优势，原因在于所需数据可由公开来源获取，且从降雨、产流、物源、出流到受威胁人口的整套估算流程已通过典型案例和历史灾害点得到验证。

结论部分指出，本研究的主要贡献在于为区域泥石流风险评估提供了一种稳健且可扩展的解决方案。其关键创新主要体现在两个方面：一是引入机器学习方法，建立流域物源供给量与下垫面参数之间的关系模型，为不同流域的物源量估算提供了解决路径；二是基于公开可获取的基础数据，构建了从降雨到径流、泥石流出流、危险范围及受威胁人口的全过程估算方法。最终，研究在白龙江流域识别出64处具有灾难性泥石流风险的地点。该成果可为研究区泥石流风险管理提供参考。