孕灾环境对泥石流危险性影响

Influence of Disaster⁃Pregnant Factors on Debris Flow Hazard

摘要

不断变化的孕灾环境影响泥石流危险性，但鲜有研究揭示危险性变化规律.因此，基于多源监测信息和熵值法对锄头沟泥石流危险性进行评价，分析2007-2021年泥石流危险性与孕灾环境之间的控制关系，进而提出泥石流危险性监测体系.结果表明：震初锄头沟物源面积增大27倍，并呈逐年减少趋势，到2027年恢复至震前水平；锄头沟2019年泥石流临界雨量相较2013年提高12.97%，未来满足f（I_h，P）≥R（34.40 mm）临界降雨条件时，可能会暴发泥石流；震后泥石流总物源逐年减少，但危险性逐渐增加，并在极端降雨下使泥石流达到极高危险，随后会相对降低，且2021年锄头沟泥石流呈高危险性；提出的泥石流危险性监测体系，探寻高危险泥石流靶区，为防灾减灾决策等资源的合理调配提供指导.

Abstract

Few studies focus on the change of debris flow hazard, although the change of disaster-pregnant factors would affect the hazard of debris flow. Taking the Chutou gully as an example, this study aims to discover the impact of disaster-pregnant factors on the development of debris flow hazard from 2007 to 2021 based on entropy method and multi-source monitoring data. A monitoring system of debris flow hazard is proposed. The findings are as follows: materials of debris flow increased 27 times after the Wenchuan earthquake, and then the materials continued to decrease and would return to the pre-earthquake levels by 2027. The critical rainfall of debris flow in 2019 increased by 12.97% compared with 2013 and the debris flow might occur if the conditions met the formula f(I_h, P)≥R(34.40 mm). The value of debris flow hazard increased after the earthquake, and hazard value would reach the peak (very high hazard) under extreme rainfall then relatively decrease. The Chutou gully would keep the high level of debris flow hazard after 2021.The monitoring system of debris flow hazard is proposed to find the high hazard area of debris flow, which could provide some new clues for prevention and control of debris flow.

Graphical abstract

关键词

孕灾环境 / 泥石流危险性 / 熵值法 / 变化规律 / 监测体系 / 灾害 / 环境地质.

Key words

disaster⁃pregnant factors / debris flow hazard / entropy method / change law / monitoring system / hazards / environmental geology

0 引言

“5.12汶川”、“8.8九寨沟”地震直接引发的大量的崩塌、滑坡和不稳定斜坡等同震地质灾害，使泥石流物源动储量激增，分别导致震区泥石流物源分别达28×10⁸ m³（崔鹏等，2010）和28.9×10⁶ m³（戴岚欣等，2017）.物源加剧是导致震后泥石流频发和危险性增加的主要原因.

掌握物源变化是泥石流防控关键，相较于震前，物源增长约5~48倍（常鸣等，2014；李宁等，2020）.泥石流的活跃期为震后的3~30年（陈晓清等，2010；Cui et al.， 2011；Fan et al.， 2018），并逐渐衰至到震前水平.对于泥石流物源随时间变化的研究主要集中于：（1）震后泥石流物源的分布规律及储量估测（Xu et al.， 2015；Wang et al.， 2019）；（2）物源随时间变化特征和规律研究（唐川等，2010a；Li et al.， 2018）；（3）同震灾害（泥石流物源）易发性研究（Xu et al.，2016；Shrestha et al.， 2017）.然而，当前活跃的地质构造和频发的极端气候事件，致使泥石流孕灾环境和演化特征更复杂、泥石流发灾‒致灾机理难以清晰揭示（王一鸣和殷坤龙，2018）.但针对震后物源变化与泥石流发灾机理之间的影响关系研究较少，以单一灾害的规律性统计为代表的研究难以把握泥石流链式演化过程的特征和性质及预测灾害发展趋势.

危险性评价是泥石流防控的保障，是中长期监测预警手段.早期采用专家评判法、层次分析法（铁永波和唐川，2006）等方法为代表的主观赋权法确定权重并进行评价，但依赖于专家偏好，主观随意性强（成兰和郭瑞林，2007）.以机器学习为代表的统计分析方法，能够客观地表达泥石流孕灾因素和危险性之间的非线性映射关系（Liang et al.，2012；张书豪和吴光，2019），但依赖于海量积累的历史资料和数据.数值模拟方法能够可视化泥石流的运动过程和流经范围等（柴波等，2020），但常出现基于简化的单一介质为载体或固体域单独模拟求解等局限（Peng et al.， 2020；Han et al.，2020），无法准确表征泥石流真实运动过程，且受限于难以获取的岩土或水文参数.而以熵值法为代表的系统科学方法能够客观表征非线性泥石流系统内部和外部不断地进行物质和能量交换，能够很好地处理模糊、难以量化的问题（陈飞飞等，2018）.

目前，强震山区泥石流灾害频发与土地资源匮乏之间矛盾日益突出，使人员密集场所多处于沟道流域下游地区及老泥石流堆积扇上（许强等，2019）.而灾害隐蔽性高和难以观测（罗刚等，2022），使下游人员无法察觉到巨大危险的存在，导致类似于舟曲特大型泥石流致灾事件发生（胡凯衡等，2010）.同时链式泥石流灾害的“长期后效应”，使危险性会持续一段时间，但随着参与活动的物源的减少，使泥石流强度会由急剧突增发展为逐步减弱（崔鹏等，2010）.因此，泥石流的危险性受孕灾环境影响不断变化，但鲜有研究定量揭示其危险性变化规律.目前，由于沟道泥石流链式转化特征和发灾机理尚未完全揭示，很难用精确计算方法定量表征其危险性变化的规律.但是，熵值理论对于这种难以精确化的过程有着良好的适应性，能够适应泥石流危险性和孕灾环境要素之间的非线性和不确定性.

目前全球气候异常变化、地质构造活动强烈（石菊松等，2012）导致灾害异常频发，使防灾减灾面临更为严峻的挑战.习总书记强调的“以预防灾害为主，把灾害风险和损失降至最低”的论述，使防灾理念从减少灾害损失向减轻灾害风险转变及从注重灾后救助向注重灾前预防转变.但目前以常规、单一手段的传统泥石流监测方法，表现出的监测能力不足、监测对象单一、设备利用率低下和对数据分析能力不足问题，难以满足强震区“突发性”泥石流灾前预防需求（崔鹏等，2000）.而探究泥石流危险性随时间变化规律为灾前预防提供理论支撑.因此，本文基于锄头沟危险性研究案例，提出强震区泥石流危险性监测体系，将其定义为对泥石流中长期危险性（规模和频率的预判）变化的监测，为泥石流防治工程和监测预警等资源的合理调配提供指导.

锄头沟是汶川强震区最为严重的泥石流沟道之一，经历多次泥石流导致防治工程、基础设施甚至人员安全受灾.本文通过多源监测数据，揭示泥石流物源（坡面物源和沟道物源）的变化规律；通过现场调查和泥石流发灾机理分析，探究2007-2021年锄头沟泥石流由于孕灾环境变化对泥石流危险性影响.基于此，提出天空地协同的泥石流危险性监测体系，旨在快速、准确获取泥石流孕灾环境变化特征、保护对象和危险性变化等关键信息，对推动灾害预防的现代化、科学化发展的需求和防灾减灾资源优化提供新见解，具有重要的科技价值和战略意义.

1 研究区概况

汶川县锄头沟位于四川阿坝藏族自治州东南部，气候属岷江上游半干旱河谷地区，气候干燥，降水量少而稳定，年降水量526.3 mm，日最大降水量79.9 mm.岷江流经锄头沟，水流湍急.主要接受大气降水补给，融雪不构成泥石流主要水源.锄头沟主要出露元古界黄水河群、志留系茂县群和第四系等地层.流域地处九顶山华夏系构造带，区内主要的断裂构造有茂汶断裂带、九顶山断裂带，区内地震活动较为频繁.

锄头沟流域形态呈扇形，沟谷深切，呈“V”型谷，总体上岸坡陡峻，流域内水系呈树枝状分布，最大高差为2 937 m，流域面积为21.7 km²，主沟平均纵坡降为184‰.锄头沟支沟发育，主要有小沟、麻地槽沟、玛璜沟、簇头沟、大塘塘沟等（图1）.这些支沟通常纵坡较大，流量较小，具陡涨陡落的山溪性水流特征.

汶川地震前曾暴发过两次小型泥石流（1976年和1999年）.受“5.12”地震影响，流域内产生了大量同震滑坡和崩塌，导致松散固体物源（坡面物源和沟道物源）增多、泥石流易发程度提高以及危险性加剧.震后，锄头沟于2013年7月、2014年7月和2019年8月共暴发了3次（王昌强和刁建钟，2020）.5.12地震期间，沟口段曾安置了大量的村民住户，是汶川县震后重大地质灾害隐患点之一.2019年“8.20”持续约两小时的暴雨泥石流，冲出固体物质约为75×10⁴ m³，导致锄头沟下游沿沟两侧居住的绵虒镇羌锋村2、3、4组63户220余人受灾，导致都汶高速公路被淤埋约200 m及G213线高店大桥被冲毁，泥石流甚至冲入岷江，阻断河流.按规范设计的泥石流拦砂坝被填满及排导槽局部被冲毁，沟道中下游被抬高5~10 m.

2 数据和方法

2.1　数据

为探究汶川强震区锄头沟泥石流物源在震后随时间变化特征，采用多源多时象遥感数据获取因地震、自然演化作用导致锄头沟泥石流物源的数量、规模和坐标信息等动态监测信息，包括震前（2007年9月）和震后（2008年7月）TM遥感影像；2013-2021年Lansat8 OIL遥感影像及使用谷歌影像辅以判译.采用的地形高程数据DEM（Digital Elevation Model）源于SRTM（Shuttle Radar Topography Mission）数据，分辨率达30 m.月降雨量数据是来源于NOAA（National Oceanic and Atmospheric Administration）的NCEI（National Centers for Environmental Information）模块，其包含全球气象水文信息等国家环境信息（https：//gis.ncdc.noaa.gov/maps/ncei/summaries/monthly）.植被信息是源于Landsat系列数据.一次性冲出量数据是根据华地建设工程公司经调查获取.遥感数据处理前，对其进行几何校正、色彩调整、精确配准等预处理，并将部分图像经过图像融合重采样至分辨率15 m.工作采用多源数据如表1所示.

2.2　泥石流物源变化规律分析方法

采用多时相中‒高分辨率遥感影像数据，包含Landsat系列和谷歌数据，通过目视解译方法判别泥石流的物源，包括（1）震裂坡面物源：指地震触发滑坡、崩塌和碎屑流等不良地质体，主要堆积于沟道两岸，分布范围大、数量多.在降雨作用下易参与泥石流的启动（周超等，2023）.解译方法首先主要为通过不同遥感影像判断该处地表是否发生变化，并根据色彩上的差异，通过Arcgis对其进行编录，解译标志包括有弧形、新月形、马蹄形和条形等形状，或灰色、灰白色和白色等色调，且避免将震前已有滑坡体判别为震裂坡面物源；（2）沟道物源指在降雨、洪水冲刷、侵蚀作用下向地势低洼处汇集和搬运后沿沟道堆积分布的碎屑体.

基于Landsat系列数据并通过面对对象分类方法进行植被信息提取，根据纹理、光谱等信息完成地物分类.首先，利用eCognition软件对遥感影像进行多尺度分割，使其具有相同纹理特征、结构和光谱特征，并分为具有纹理特征、结构和光谱等一致性特征的不同形状单元.其次，根据NDVI（Normalized Difference Vegetation Index）、Brightness（亮度）和蓝波段与绿波段差异特征，提取影像的植被信息.最后，将提取结果导入Arcgis进行面积统计分析.通过NOAA获取的马尔康、松潘、汶川和温江降雨水文站获取的月降雨量数据，通过Arcgis克里金插值功能，从而获取研究区锄头沟2007-2021年6月每年的月平均降雨数据.

基于此，对获取的2007-2021年的多源遥感影像的泥石流物源解译结果（坡面物源和沟道物源）分析，探究锄头沟物源随时间变化规律；分析相应时间段内的孕灾环境变化特征，进而揭示物源变化与诱发因素之间的控制关系，最后，对锄头沟泥石流物源变化趋势进行预测.

2.3　泥石流危险性评价方法

危险性评价用于定量表征未来一段时间内泥石流流域内发灾体的强度规模、发生频率等属性的概率值.本文将危险性定义为沟谷流域内的承灾体遭受泥石流损害的概率，并采用熵值法计算进行危险性评价.基于获取的泥石流孕灾环境因子的基础上，建立泥石流危险性评价指标集，包括坡面物源面积、沟道物源面积、流域面积、流域高差、主沟长度、植被覆盖率、流域切割密度、月平均降雨量、一次性固体冲出量、发生频率和建筑物面积.泥石流危险性和孕灾环境要素间具有非线性和不确定性，但是，熵值法对于这种难以精确化的过程有着良好的适应性.同时，熵值法评价能够以定性和定量相结合的方式去确定泥石流孕灾环境因子的权重，克服主观随意性强，无需海量的数据支撑，其评价所需的多源数据获取方便，被广泛应用于评估工作中.在一定程度上避免了结果的绝对性（王富喜等，2013）.

此外，泥石流流域系统是一直在动态变化的，由于泥石流物源、岩石的风化程度、流域局部小气候和植被生长情况不断在变化，导致泥石流的致灾能力不断改变，即危险性也逐年处于不断变化之中.因此，有必要开展不同时期危险性评价.基于此，本文基于2007-2021年锄头沟的孕灾环境监测信息，采用熵值法对泥石流危险性进行评价，及时掌握研究区流域危险性变化，指导泥石流监测预警、防灾减灾决策.计算方法包括：

（1）对泥石流孕灾环境因素进行标准化处理，包括越大越优（公式（1））和越小越优型（公式（2）），例如，植被覆盖率越低，对于泥石流来说就越容易发生，属于越小越优型.公式如下：

r_{ij}=\frac{x_{ij}-\mathrm{m}\mathrm{i}\mathrm{n}\left(j\right)}{\mathrm{m}\mathrm{a}\mathrm{x}\left(j\right)-\mathrm{m}\mathrm{i}\mathrm{n}\left(j\right)}，（1）

r_{ij}=\frac{\mathrm{m}\mathrm{a}\mathrm{x}\left(j\right)-x_{ij}}{\mathrm{m}\mathrm{a}\mathrm{x}\left(j\right)-\mathrm{m}\mathrm{i}\mathrm{n}\left(j\right)}，（2）

其中，x_ij 为泥石流孕灾环境因素值，r_ij 为标准化后的数值，max（j）和min（j）分别某项因子中最大和最小值.

（2）熵值计算（公式（3）、公式（4））：

P_{ij}=\frac{r_{ij}}{{\sum }_{i=\mathrm{1}}^m{r}_{ij}}，（3）

E_j=\frac{{\displaystyle \sum _{i=\mathrm{1}}^m}{P}_{ij}\mathrm{l}\mathrm{n}{P}_{ij}}{\mathrm{l}\mathrm{n}m}，（4）

其中，P_ij 为第i个指标在泥石流灾害中出现的频率，m为样本个数，n为泥石流孕灾环境因子数.E_j 为第j项因子的熵值，注：r_ij =0时，P_ij lnP_ij =0.

（3）权重计算（公式（5））：

W\left(j\right)=\frac{\mathrm{1}-E_j}{{\displaystyle \sum _{j=\mathrm{1}}^n}(\mathrm{1}-E_j)}，（5）

其中，W（j）为各项孕灾环境因素的权重值.

（4）危险度计算：

H\left(i\right)={\displaystyle \sum _{j=\mathrm{1}}^n}W\left(j\right)r_{ij}，（6）

其中，H（i）为第i年份泥石流沟的危险度值.

3 锄头沟泥石流孕灾环境变化规律

3.1　锄头沟流域植被、降雨和建筑面积变化规律

通过对获取的Landsat系列多光谱影像进行植被信息提取和对获取的降雨数据加权平均，获取2007年至2021年6月的植被覆盖信息和月平均降雨量信息（图2）.由图2可知，由于地震导致地表发生扰动变形产生的“拖拽”作用将植被破坏，使得震初植被覆盖减少0.92%.2008-2014年中，由于自然演化使得地表变形区域植被恢复，使植被覆盖率缓慢增加，变化范围为28%~31.84%.而降雨由缓慢增加（2007-2013年）变为快速增加（2013-2014年）.由于在季节、植物叶绿素差异和极端降雨气候（月平均153.78 mm）的共同影响下，导致2019年植被覆盖率偏低.2021年上半年的月平均降雨量为58.5 mm，植被覆盖率为62.84%，2019-2021年两年内，锄头沟经历了快速的环境的自我愈合，使植被恢复远超震前水平.此外，由于城镇化发展，使2007-2021年建筑面积（人类活动）逐年增长.

3.2　锄头沟泥石流物源变化规律

基于获取的多时期泥石流物源解译结果（图3），利用ArcGIS统计功能计算物源（坡面物源和沟道物源）面积、增长率（与上一年份相比）和物源占流域面积比（表2）.Guzzetti et al.（2008a）根据全球震裂坡面灾害数据库，建立其体积估测模型，根据经验公式估测震裂坡面灾害体积，计算公式如下：

V=\mathrm{0.084}\mathrm{4}\times A^{\mathrm{1.432}\mathrm{4}},（7）

其中，V为震裂坡面灾害体积（m³），A为震裂坡面灾害面积（m²）.

由图3b可知，震后初期，地震直接造成的坡面物源（滑坡、崩塌和碎屑流）“悬挂”在沟道两侧，共计面积6.88 km².相较于震前增长超27倍（表2），通过公式（7）估测坡面物源体积约22.27×10⁶ m³.坡面物源部分或完全脱离母岩堆积至沟道（堵溃体），导致沟道物源增加至0.62 km²，增长2.4倍.此时边坡稳定性较差，在降雨条件下以坡面流和水石流的形式补给沟道物源.2008-2021年期间，随着时间发展，在降雨和重力作用下，使松散的坡面物源经过搬运作用向下游移动.同时，在自然演化作用下（植被恢复和松散土体的自然固结）使得沟道两侧边坡稳定性增加，导致坡面物源逐年减少，也使坡面物源补给沟道物源量减少.此外，泥石流的冲刷和携带作用，导致泥石流物源经下游排出沟口，表现为总物源密度逐渐减少（表2）.

在2008-2021年期间，沟道物源变化则表现出“缓慢增加‒减少‒增加”趋势.震初，坡面物源大量输出补给沟道物源，此时，泥石流暴发频率高，仅在2013年7月就暴发超20年一遇的泥石流事件（一次性冲出量40×10⁴ m³），由于搬运作用使支沟物源经过地表径流冲刷、水流或泥石流挟带作用与主沟相连结（图3b~3d），导致沟道物源面积增加.在2014-2019年期间，于2014年7月暴发一次大规模泥石流（30×10⁴ m³），该沟口排导工程尚未完全竣工，大量泥石流排出流域，使桥洞淤堵，并掩埋高速公路.泥石流在运动过程中由于“揭底侵蚀”作用导致沟道物源不断补给泥石流而排出沟道，因此导致2019年沟道物源面积减少.2019-2021年期间，于2019年“8.20”暴发大规模泥石流（75×10⁴ m³），但此时拦挡工程已建好，并将大部分泥石流固体物质拦住并被填满，导致泥石流淤积至沟道内，使2021年沟道物源面积快速增加.

4 孕灾环境变化对泥石流危险性影响

4.1　锄头沟泥石流危险性评价结果

构建2007-2021年锄头沟泥石流危险性评价指标体系，包括坡面物源面积S₁（km²）、沟道物源面积S₂（km²）、流域面积S₃、流域高差S₄（km）、主沟长度S₅（km）、植被覆盖率S₆（%）、流域切割密度S₇（km/km²）、月平均降雨量S₈（mm）、一次性固体冲出量S₉（m³）、发生频率S₁₀（50年/次）和建筑面积S₁₁（km²）.基于公式（1）~公式（5）计算熵值和权重（表3），并通过公式（6）获取各年份泥石流危险性值，完成危险性评价.并将结果划分为轻度危险（≤0.2）定义为会发生小规模低频泥石流，一般不会造成重大灾害和严重危害、中度危险（0.2~0.4）表示为间歇性发生中等规模泥石流，较少造成重大灾害和危害、高度危险（0.4~0.7）代表会发生较大规模和高频率的泥石流，可造成较大灾害和危害、极高度危险（≥0.7）代表能够发生巨大规模和特高频率的泥石流，可造成重大灾害和危害（表4）.

4.2　锄头沟泥石流临界雨量变化趋势

准确认识泥石流暴发的临界雨量，为泥石流的危险性研究及灾害的监测预警提供理论保障.区域降雨激发雨强可以用来反映同一研究区域内单个灾害或多个灾害的降雨阈值（Guzzetti et al.， 2008b）.因此，通过汶川区域不同年份的多次泥石流的平均激发雨量统计结果来研究锄头沟泥石流的临界雨量变化，以弥补锄头沟流域降雨监测数据缺乏的不足.

根据2007-2013年（22~58次泥石流事件）和2019年（23次泥石流事件）的泥石流暴发的小时激发雨量（Guo et al.， 2016；Fan et al.， 2019）变化趋势表明，震前泥石流的小时激发雨量约为40 mm/h，而震后11年内则变为5.46~24.2 mm/h不等（图4），呈逐渐上升趋势，大体可以由方程 y=1.58（x-2 008）+7.66（R²=0.95）表示，且2029年锄头沟小时激发雨量可恢复到震前水平.由于泥石流孕灾环境的变化，使得震后泥石流激发雨强呈上升趋势.主要是由于植被恢复降低地表径流和泥石流物源减少和物源颗粒逐渐粗化导致激发泥石流的泾流量增高所导致.

结合Yangdian水文监测数据（Liu et al.， 2021），可知2013年“7.10”和2019年“8.20”锄头沟泥石流的前期累计降雨量和小时激发雨强为148 mm、18.6 mm/h和127.85 mm和24.37 mm/h.但是小时激发强度或前期有效累计降雨量并不能单独来很好地反映泥石流暴发时的临界雨量阈值.因此，通过泥石流临界雨量线作为判定泥石流的临界雨量阈值（Shieh et al.， 2009），判别式为：

R=I_{\mathrm{h}}+KP，（8）

其中I_h为小时降雨量（mm），P为前期有效累计雨量（mm），K为特征系数（无量纲），沟床启动型泥石流为0.08，R为临界雨量值（mm）.

通过公式（8）将降雨强度与前期有效累计雨量有机结合起来建立两种雨量值的平衡关系，从而计算出锄头沟泥石流2013年和2019年的临界雨量值R分别为30.45 mm和34.40 mm.令f（I_h，P）=I_h+KP=R绘制出临界雨量线（图5），且当I_h，P满足f（I_h，P）≥R时，该沟道会暴发泥石流.由图5可知，2013年和2019年最大前期有效累计降雨量分别为380.6 mm和430 mm. 2019年锄头沟泥石流的临界雨量值相比2013年提高了12.97%.综合汶川区域泥石流激发小时雨量和锄头沟泥石流临界雨量值的变化，可粗略推断随着时间推移，临界诱发泥石流的临界雨量逐渐升高.

4.3　锄头沟泥石流危险性变化机理

由表4和图6可知，震前泥石流危险级别为轻度危险（危险性值0.08），根据华地公司调查资料显示该沟道于1976年和1999年曾暴发过小型泥石流（冲出量小于2万m³），持续10~20分钟，泥石流堆积物质无分选.2008年震初，泥石流危险性（0.41）相较于震前水平增加5倍，变化为高度危险性，而泥石流物源（坡面物源和沟道物源）总面积相较于震前水平增加17倍.泥石流物源变化是导致震后泥石流频发的关键因素.地震作用导致沟道内地表扰动、植被破坏及地表水文条件改变，使震后泥石流发生的前期雨量降低15%~20%和小时雨强减少25%~30%（唐川等，2010b）.震裂物源、山体和堵溃体数量激增，导致参与泥石流的固体物质增多，使泥石流发灾时的强度急剧增大（如规模、容重和流量增大），远高于震前水平.因此，相比起震前，由于泥石流物源储量的变化，会导致震后泥石流的危险性急剧增加.

2008-2014年期间，泥石流的物源仍然保持在较高水平，且小时激发雨强为震前的13%~43.5%（图4）.同时在月平均降雨量增加的情况下，使锄头沟泥石流危险性值缓慢增加，皆高危险性.但在2019年由于月平均降雨的急剧增加和植被的减少影响作用下，导致泥石流危险性达到极高危险性（0.83）.降雨径流冲刷松散物源，使其汇流于沟道内，同时降雨入渗导致沟道两侧边坡孔隙水压力和重度增大，抗剪切能力和稳定性减少，从而引发滑坡和碎屑流等，补给山洪泥石流.同时，山洪泥石流通过“冲刷‒侵蚀‒裹挟”作用，将沿程沟道两侧（侧蚀）和沟道内（揭底侵蚀）的松散颗粒和碎屑等参与运动，从而引发大规模泥石流（如2019年“8.20”大型泥石流）.2021年，锄头沟危险性相对降低，变成高危险性.这是由于可参与泥石流运动的物源储量减少且颗粒逐渐粗化及松散土体的自然固结（稳定性增强），使得较高降雨阈值才能使泥石流大颗粒的起动.同时，随地表植被的恢复，减少水土流失、提高边坡稳定性.树冠和枯叶残渣物质的截留降水和防止雨水下渗和减少地表径流，防止地表土壤被侵蚀.此外，植物的根系还可以进一步加固边坡土壤.从而降低泥石流的危险性.

此外，华地建设工程公司在2020年年末对锄头沟泥石流治理工程勘查报告中显示，泥石流物源储量剩余14.26×10⁶ m³.在震后12年内，经多次大小水流、泥石流或通过清淤工程将淤积体清除，将约8.01×10⁶ m³的泥石流物源通过沟口排出.由图6可得震后13年（2008-2021年）泥石流物源面积减少约59.6%，获取了锄头沟泥石流物源面积随时间变化的关系，大体可以用方程y=-0.006 6（x-2 008）²-0.25（x-2 008）+7.48（R²=0.97）表示，由该方程计算锄头沟泥石流经约19年的自然恢复能够使物源恢复到震前水平，即2027年.

5 天空地协同的泥石流危险性监测

目前，防灾理论的转变使得人们注重灾前防范，减轻灾害风险.亟需解决灾害风险演化规律这一关键科学问题，而危险性为风险评价的关键环节，其危险演化规律为风险演化提供理论支撑. 本文研究锄头沟泥石流危险性随时间变化规律，为强震区域危险性演化规律的研究奠定了研究基础.地震加剧或触发震区泥石流灾变条件，甚至使得震前未发生过泥石流的沟道也暴发了泥石流，导致危险性增加.因此提出天空地协同泥石流危险性监测体系，为了寻找由于孕灾环境变化导致的泥石流高危险性区域（靶区）.

5.1　泥石流危险性监测任务及初步监测方案

构建强震区泥石流危险性监测任务主要为：中长期危险性监测，面向泥石流孕灾环境差异与危险分析的协同监测，探究区域泥石流危险性差异，寻找重点隐患（危险性增加）位置.

危险性监测方案主要为（图7）：旨在获取泥石流孕灾环境基础信息和泥石流危险性变化信息，快速和准确获取高危险泥石流的位置、危险程度等关键信息，指导临灾监测预警体系的布设.考虑到多传感器监测技术的优缺点与协同监测原则，监测方案为：①基于天基平台，通过D⁃InSAR差分干涉技术或SBAS⁃InSAR技术，获取大范围区域地表形变序列、速率与地表形变大致范围，寻找重点地表变形流域；②对找到的“靶点”流域，通过天基平台多时相高分辨率数据（如国产高分系列、哨兵2号和快鸟系列数据）与遥感判译技术获取流域内沟道两侧震裂坡面物源（滑坡、崩塌和碎屑流等）、沟道物源的分布位置、面积、范围边界等信息，粗略评估其大致体积（规模）.通过多光谱和多时像高分辨率遥感影像可获取地面的植被信息，及获取泥石流堆积扇的面积、范围和厚度体积进行估测一次性冲出量和监测其发生频率和承灾体要素面积；③利用空基平台无人机LiDAR和运动结构恢复技术（Structure From Motion，SFM），获取数字表面模型（Digital Surface Model，DSM）和数字正射影像（Digital Orthophoto Map，DOM），获取该隐患区域边坡去植被后的隐患崩滑体轮廓边界，从而定量估测震裂山体潜在泥石流物源和体积变化信息.④地基平台则通过降雨量监测技术，获取该大区域范围内降雨量.通过地基三维激光扫描（Terrestrial Laser Scanning，TLS）等设备实现重点目标的三维建模，可精确估计物源及灾害的厚度变化、体积和形变等信息.

基于获取的泥石流流域物源体积、降雨和植被、承灾体面积、发生频率和一次性冲出量等泥石流危险性指标，通过“熵值法”等危险性评价模型，进行泥石流中长期危险性评价，完成泥石流危险性监测体系构建，为临灾预警监测手段的合理布设提供指导.

5.2　强震区域泥石流危险性监测目的

泥石流危险性监测的目的主要是，通过获取强震区泥石流孕灾环境监测信息提供基础数据支撑.首先（1）通过合理布设降雨监测设备与合理设计泥石流灾变的多级预警阈值，获取泥石流激发雨量的多级预警信息.②通过天基平台（InSAR或光学遥感）识别泥石流物源（同震滑坡、崩塌）和震裂山体，从而粗略评估泥石流物源体积及隐患崩滑体轮廓边界（潜在泥石流物源）体积信息.识别泥石流物源信息，能够为判别强震区链式地质灾害发展阶段过程与二次灾害危害风险提供数据支撑；（2）对承灾体要素进行监测：①灾前：通过对泥石流危害对象监测，识别受灾对象范围，从而预判泥石流危害承灾体的程度、范围等信息，从而指导支援配置预案；②灾后：通过对无人机航测技术对人员财产损失情况进行快速评估，判别救灾对象优先级别、指导灾后重建实施方案等.

其次，通过对泥石流危险性变化信息监测指导防灾减灾部署：基于不同年份的危险性评价结果，通过Arcgis空间分析功能探究区域泥石流危险性变化规律，探寻由于孕灾环境变化导致的高危险性区域（靶区），为临灾预警监测手段的合理布设提供指导，也为泥石流早期防治提供理论支撑.从而能够优化防灾减灾部署，推动“正确认识、预防为主、早期治理，溯源根治”的现代化、科学化防灾理论发展.

6 结论

（1）通过统计分析揭示孕灾环境随时间变化规律，震后2008至2014年期间，植被覆盖和降雨呈逐渐增加的趋势；在季节、植物叶绿素差异和极端降雨气候的影响下，导致2019年相对于2014年植被覆盖率偏低；2019-2021年6月期间，植被覆盖急剧增加，表明流域自然环境自我恢复，远超震前水平.由于城镇化发展，建筑面积（人类活动）逐年增长.

（2）地震导致泥石流物源储量激增，面积约为震前水平的27倍，估测坡面物源体积约22.27×10⁶ m³.震初，泥石流物源主要为坡面物源.2008-2021年期间，由于在重力作用、地表径流冲刷或水流、泥石流挟带作用补给沟道物源，使坡面物源逐年减少.由于受泥石流沟拦排工程修建情况影响，使沟道物源变化表现出“急剧增加‒缓慢增加‒减少‒增加”趋势.截止至2020年末，该沟物源总量剩余14.26×10⁶ m³.截至2021年6月，锄头沟泥石流物源面积减少约59.6%，到2027年能够使物源恢复到震前水平.

（3）震初，锄头沟泥石流小时激发雨量急剧降低，但随着物源逐渐减少和固体颗粒的粗化、植被恢复，使得泥石流启动难度加大，小时激发雨量逐渐增加，到2029年小时激发雨量恢复到震前水平.此外，锄头沟2019年临界雨量相较2013年提高了12.97%，且未来当I_h（小时降雨量），P（前期有效累计降雨量）满足f（I_h，P）≥R（2019年为34.40 mm）时，该沟道可能会暴发泥石流.

（4）锄头沟泥石流危险性变化分析表明，震后，危险性由低度变为高度危险，是由于地震导致地质环境和地表破坏、物源突增导致；2008-2014年间，尽管泥石流总物源持续减少，但危险性逐年增加，并在极端降雨下使其达到峰值（2019年），变为极高度危险性.随后（2019-2021年），由于参与泥石流活动的物源减少、植被覆盖率增加，导致泥石流危险性会相对减弱，变为高度危险.

（5）为满足灾前防范，减轻灾害风险的防灾需求，提出强震区泥石流危险性监测理念，进而提出天空地协同的泥石流危险性监测体系，实现孕灾环境、泥石流危险性信息的监测，寻找由于孕灾环境变化导致的泥石流高危险性区域（靶区），为防灾减灾决策等资源的合理调配提供指导.

参考文献

[1] Chai, B., Tao, Y. Y., Du, J., et al., 2020. Hazard Assessment of Debris Flow Triggered by Outburst of Jialong Glacial Lake in Nyalam County, Tibet. Earth Science, 45(12): 4630-4639 (in Chinese with English abstract).

[2] Chang, M., Tang, C., Jiang, Z. L., et al., 2014. Dynamic Evolution Process of Sediment Supply for Debris Flow Occurrence in Longchi of Dujiangyan, Wenchuan Earthquake Area. Mountain Research, 32(1):89-97 (in Chinese with English abstract).

[3] Chen, F.F., Yao, L.H., Zhao, H.L., et al., 2018. Discussion on the Risk Assessment of Debris Flow. Science Technology and Engineering, 18(32):114-123 (in Chinese with English abstract).

[4] Chen, X. Q., Cui, P., Li, Y., et al., 2010. Mountain Hazard Induced by Wenchuan Earthquake and Its Long⁃Term Development Trends of Ganxi Gully, Beichuan. Journal of Sichuan University (Engineering Science Edition), 42(S1): 22-32 (in Chinese with English abstract).

[5] Cheng, L., Guo, R. L., 2007. The Method of Grey Comprehensive Evaluation and Its Application Based on the Principle of Maximum Deviation. Mathematics in Practice and Theory, 37(20): 94-100 (in Chinese with English abstract).

[6] Cui, P., Chen, X. Q., Zhu, Y. Y., et al., 2011. The Wenchuan Earthquake (May 12, 2008), Sichuan Province, China, and Resulting Geohazards. Natural Hazards, 56(1): 19-36. https://doi.org/10.1007/s11069⁃009⁃9392⁃1

[7] Cui, P., Liu, S. J., Tan, W. P., 2000. Progress of Debris Flow Forecast in China. Journal of Natural Disasters, 9(2): 10-15 (in Chinese with English abstract).

[8] Cui, P., Zhuang, J. Q., Chen, X. C., et al., 2010. Characteristics and Countermeasures of Debris Flow in Wenchuan Area after the Earthquake. Journal of Sichuan University (Engineering Science Edition), 42(5): 10-19 (in Chinese with English abstract).

[9] Dai, L. X., Xu, Q., Fan, X. M., et al., 2017. A Preliminary Study on Spatial Distribution Patterns of Landslides Triggered by Jiuzhaigou Earthquake in Sichuan on August 8th, 2017 and Their Susceptibility Assessment. Journal of Engineering Geology, 25(4): 1151-1164 (in Chinese with English abstract).

[10] Fan, X. M., Scaringi, G., Korup, O., et al., 2019. Earthquake⁃Induced Chains of Geologic Hazards: Patterns, Mechanisms, and Impacts. Reviews of Geophysics, 57: 677. https://doi/org/10.1029/2018RG000626

[11] Fan, X., Scaringi, G., Xu, Q., et al., 2018. Coseismic Landslides Triggered by the 8th August 2017 Ms 7.0 Jiuzhaigou Earthquake (Sichuan, China): Factors Controlling Their Spatial Distribution and Implications for the Seismogenic Blind Fault Identification. Landslides, 15(5): 967-983. https://doi/org/10.1007/s10346⁃018⁃0960⁃x

[12] Guo, X., Cui, P., Li, Y., et al., 2016. Intensity⁃Duration Threshold of Rainfall⁃Triggered Debris Flows in the Wenchuan Earthquake Affected Area, China. Geomorphology, 253: 208-216. https://doi/org/10.1016/j.geomorph.2015.10.009

[13] Guzzetti, F., Ardizzone, F., Cardinali, M., et al., 2008a. Distribution of Landslides in the Upper Tiber River Basin, Central Italy. Geomorphology, 96(1-2): 105-122. https://doi/org/10.1016/j.geomorph.2007.07.015

[14] Guzzetti, F., Peruccacci, S., Rossi, M., et al., 2008b. The Rainfall Intensity⁃Duration Control of Shallow Landslides and Debris Flows: An Update. Landslides, 5(1): 3-17. https://doi/org/3⁃17.10.1007/s10346⁃007⁃0112⁃1

[15] Han, Z., Su, B., Li, Y., et al., 2020. Modeling the Progressive Entrainment of Bed Sediment by Viscous Debris Flows Using the Three⁃Dimensional SC⁃HBP⁃SPH Method. Water Research, 182: 116031.https://doi.org/10.1016/j.watres.2020.116031

[16] Hu, K. H., Ge, Y. G., Cui, P., et al., 2010. Preliminary Analysis of Extra⁃Large⁃Scale Debris Flow Disaster in Zhouqu County of Gansu Province. Journal of Mountain Science, 28(5): 628-634 (in Chinese with English abstract).

[17] Li, C. R., Wang, M., Liu, K., 2018. A Decadal Evolution of Landslides and Debris Flows after the Wenchuan Earthquake. Geomorphology, 323: 1-12. https://doi.org/10.1016/j.geomorph.2018.09.010

[18] Li, N., Tang, C., Bu, X. H., et al., 2020. Characteristics and Evolution Analysis of Debris Flow in Wenchuan County after “5.12” Earthquake. Journal of Engineering Geology, 28(6): 1233-1245 (in Chinese with English abstract).

[19] Liang, W., Zhuang, D., Jiang, D., et al.， 2012. Assessment of Debris Flow Hazards Using a Bayesian Network. Geomorphology, 171: 94-100. https://doi:10.1016/j.geomorph.2012.05.008

[20] Liu, B., Hu, X., Ma, G., et al.， 2021. Back Calculation and Hazard Prediction of a Debris Flow in Wenchuan Meizoseismal Area, China. Bulletin of Engineering Geology and the Environment, 80(4): 3457-3474. https://doi:10.1007/s10064⁃021⁃02127⁃3

[21] Luo, G., Cheng, Q.G., Shen, W.G., et al., 2021. Research Status and Development Trend of the High⁃Altitude Extremely⁃Energetic Rockfalls. Earth Science, 47(3): 913-934 (in Chinese with English abstract).

[22] Peng, X. Y., Yu, P. C., Chen, G. Q., et al., 2020. Development of a Coupled DDA⁃SPH Method and Its Application to Dynamic Simulation of Landslides Involving Solid⁃Fluid Interaction. Rock Mechanics and Rock Engineering, 53(1): 113-131. https://doi.org/10.1007/s00603⁃019⁃01900⁃x

[23] Shi, J.S., Wu, S.R., Zhang, Y, S., et al., 2012. Integrated Landslide Mitigation Strategies Study for Global Change in China. Geological Review, 58(2): 309-318 (in Chinese with English abstract).

[24] Shieh, C., Chen, Y., Tsai, Y., et al.， 2009. Variability in Rainfall Threshold for Debris Flow after the Chi⁃Chi Earthquake in Central Taiwan, China. International Journal of Sediment Research, 24(2): 177-188. https://doi.org/10.1016/S1001⁃6279(09)60025⁃1

[25] Shrestha, S., Kang, T., Suwal, M., 2017. An Ensemble Model for Co⁃Seismic Landslide Susceptibility Using GIS and Random Forest Method. ISPRS International Journal of Geo⁃Information, 6(11): 365. https://doi.org/10.3390/ijgi6110365

[26] Tang, C., Ding, J., Liang, J. T., 2010a. Remote Sensing Images Based Observational Analysis on Characters of Debris Flow Source Areas in Beichuan County of Wenchuan Earthquake Epicenter Region. Journal of Engineering Geology, 18(1): 1-7 (in Chinese with English abstract).

[27] Tang, C., Qi, X., Ding, J., et al., 2010b. Dynamic Analysis on Rainfall⁃Induced Landslide Activity in High Seismic Intensity Areas of the Wenchuan Earthquake Using Remote Sensing Image. Earth Science, 35(2): 317-323 (in Chinese with English abstract).

[28] Tie, Y. B., Tang, C., 2006. Application of AHP in Single Debris Flow Risk Assessment. The Chinese Journal of Geological Hazard and Control, 17(4): 79-84 (in Chinese with English abstract).

[29] Wang, C. Q., Diao, J. Z., 2020. Analysis of Chutougou Debris Flow Genesis and Engineering Governance Measures in Miansi Township, Wenchuan County. Coal Geology of China, 32(10): 31-34 (in Chinese with English abstract).

[30] Wang, F., Fan, X., Yunus, A., et al., 2019. Coseismic Landslides Triggered by the 2018 Hokkaido, Japan (Mw 6.6), Earthquake: Spatial Distribution, Controlling Factors, and Possible Failure Mechanism. Landslides, 16(8): 1551-1566. https://doi.org/10.1007/s10346⁃019⁃01187⁃7

[31] Wang, F.X., Mao, A.H., Li, H.L., 2013. Quality Measurement and Regional Difference of Urbanization in Shandong Province Based on the Entropy Method. Scientia Geographica Sinica, 33(11):1323-1329 (in Chinese with English abstract).

[32] Wang, Y. M., Yin, K. L., 2018. Initiating Mechanism of Typhoon⁃Triggered Debris Flow. Earth Science, 43(S2):263-270 (in Chinese with English abstract).

[33] Xu, C., Shen, L., Wang, G., 2016. Soft Computing in Assessment of Earthquake⁃Triggered Landslide Susceptibility. Environmental Earth Sciences, 75(9): 767. https://doi.org/10.1007/s12665⁃016⁃5576⁃7

[34] Xu, C., Xu, X., Shyu, J., 2015. Database and Spatial Distribution of Landslides Triggered by the Lushan, China Mw 6.6 Earthquake of 20 April 2013. Geomorphology, 248: 77-92. https://doi.org/10.1016/j.geomorph.2015.07.002

[35] Xu, Q., Dong,X. J.,Li, W. L., 2019. Integrated Space⁃Air⁃Ground Early Detection, Monitoring and Warning System for Potential Catastrophic Geohazards.Journal of Wuhan University (Information Science Edition), 44(7): 957-966 (in Chinese with English abstract).

[36] Zhang, S.H., Wu, G., 2019. Debris Flow Susceptibility and Its Reliability Based on Random Forest and GIS. Earth Science, 44(9): 3115-3134 (in Chinese with English abstract).

[37] Zhou, C., Chang, M., Xu, L., et al., 2023. Failure Modes and Dynamic Characteristics of the Landslide Dams in Strong Earthquake Area. Earth Science, 48(8): 3115-3126 (in Chinese with English abstract).

基金资助

国家重点研发计划项目(2018YFC1505403)

国家自然科学基金面上项目(42172322)