滑坡地质灾害研究进展

皇甫文超

（东华理工大学地球科学学院，江西 南昌 330013）

地质灾害包括自然地质灾害和人为地质灾害两类，其种类包括滑坡、崩塌、流水侵蚀、地表沙化、岩土膨胀等，地质灾害已经成为制约国民经济稳定发展的重要因素。其中滑坡指的是坡体局部失稳，在重力的影响下，岩土体在剪应力方向顺着滑动面往下移动的过程与现象。（晏同珍，2000；A.Nemčok et al.,1972 ；D.J.Varnes,1978）。

自20世纪以来，我国社会飞速发展，各种各样的经济工程活动的规模与范围一步步扩大。人类的乱砍乱伐造成了地质环境的不断恶化，地表植被减少，土质变得疏松，遇到强降雨天气后，经过雨水的冲击极易发生地质灾害；采矿作业不正确，导致采矿塌方，山体崩裂，继而发生滑坡；河流以及雨水的渗漏作用，导致岩土体变得湿润，最后因软化作用致使滑坡泥石流发生；采石和爆破，填充和装载等也会导致地质灾害的发生。

滑坡的危害是巨大的，会破坏人类的居民建筑、基础保障设施，还会破坏植被致使地表裸露，潜在危害性进一步增大。据不完全统计，21世纪初至今，中国因滑坡灾害而造成的人员伤亡数多达1200人，可以预估的经济损失高达50亿～100亿元，严重制约着国民经济的进一步的发展。我国政府每年都会投入大量财力用于滑坡灾害的治理，可是由于滑坡受多重因素的影响，人们对滑坡研究的局限性以及技术水平有限，给防灾减灾带来了极大的困难。近年来国内的滑坡灾害的理论研究、治理技术都有了显著的提高，但是区域地质灾害的发生，由于受到多种不确定因素的影响，具有偶然性，往往防不胜防、难以准确预测，对区域滑坡灾害进行调查、分析、评价与预测研究，仍是一种经济有效的滑坡灾害防治手段。在这种情况下对滑坡灾害的发生进行准确的预测和风险评价显得尤为重要。滑坡灾害易发性评价是根据滑坡灾害发育的地质环境条件、特征，参考其历史发生的状况，应用定性分析结合定量评价的方法来确定其风险。评价结果能够直观地反映滑坡灾害及其风险的空间分布，为政府防灾、抗灾提供有助的参考，能够避免和减少滑坡灾害造成的人员伤亡与经济损失，提高区域滑坡灾害事前防治效率。

1 研究进展

1.1 国外研究进展

西欧国家对于地质灾害的研究始于20世纪70年代，随后，其他国家和地区也逐渐进行了地质灾害易发性研究（刘学明，2014）。如Brunetti等（2010）选取意大利中部的Abruzzo地区为研究区，统计了753次与滑坡相关的降雨事件，研究意大利滑坡发生所需要的最小降雨条件；Hasali等（2018）为了确保开发的可持续性，利用Logistic回归模型对斯里兰卡的Badulla地区的滑坡易发性进行了预测；Rauter（2021）等为了降低滑坡灾害产生的危害，依靠流体动力学原理对滑坡灾害产生的脉冲波进行了有效的模拟；Abraham等（2021）以印度南部地区为例，在考虑土壤湿度的情况下对影响滑坡灾害发生的降雨量阈值进行了研究，以便能够有效的进行预警。地理信息系统（GIS）理论出现后被广泛应用于地学研究领域中（钟亩锋，2019）。Tan等（2021）基于遥感和GIS，采用层次熵变权法对线路两边的滑坡地质灾害的风险进行了评估；Banuzaki等（2021）以Garut-Tasikmalaya公路为研究区，采用层次分析法和简单数值分级法，在GIS环境中处理数据并绘制滑坡敏感性图；Mohd和Sofia（2020）以印度尼西亚的Putat地区为研究区，利用地理信息系统（GIS）技术对该地区的滑坡易发性进行研究。近些年伴随着机器学习与深度学习领域的发展，许多研究者开始使用机器学习模型和定量的多因素综合评价方法来研究地质灾害的风险性。Ohlmacher等（2003）提出在进行地质灾害风险分析时，可以考虑将Logistic回归模型与GIS技术结合使用；Aditian等（2018）以印度尼西亚的Ambon为研究区，采用Frequency ratio模型、Logistic回归模型和Artifificial neural network模型对研究区的滑坡敏感性进行研究，并将三种模型结果进行比较。Ozdemir等（2013）选用Frequency ratio模型、证据权重模型和Logistic回归模型共三种模型，以土耳其西南部的苏丹山为研究区域，对该区域的滑坡灾害进行了易发性评价分析，并将三种方法进行了对比分析。

1.2 国内研究进展

与世界上许多其他国家相比，中国对地质灾害的研究开始时间相对靠后，一直到七十年代，我国主要在进行地震灾害的研究，九十年代之后，我国的学者开始进行滑坡灾害的研究，在这一时期诞生了很多知识架构体系，尤其是一些定量化的方法，大大加快了地质灾害的研究进展。由于我国对地质灾害研究的逐渐加深，许多的科学理论都被运用起来。而以非线性动力学模型、协同预测模型、突变论预报模型等为代表的非线性理论也被应用到地质灾害的预报方面。随着这一切进展，GIS和机器学习算法也逐渐被运用到地质灾害的研究中。如孙小凡、张鹏等（2018）利用地理信息系统对湖北省宜昌市城区的城市滑坡灾害易发性进行了评价；丁亮、王文娴等（2012）将GIS与逻辑回归模型相结合，对江苏省连云港市郊区进行了滑坡因子危险性分析，并且建立了地质环境因子数据库；黄发明，殷坤龙等（2018）以三峡库区万州区为研究区，引入自组织映射神经网络解决“非灾害点”不易选取的问题，然后构建支持向量机模型（SVM），以此对万州区滑坡灾害进行易发性评价；孙德亮（2019）利用机器学习的方法对重庆市奉节县地灾进行分析评价，并且对与降雨有关的滑坡灾害开展了预警研究；陈涛等（2020）利用深度信念网络对三峡库区秭归县郭家坝镇的滑坡易发性进行了研究；吴润泽等（2021）基于随机森林模型对三峡库区湖北段的滑坡灾害进行了空间易发性评价；Zhang等（2020）利用随机森林模型，对江西省贵溪市滑坡灾害进行了风险性区划研究；Zhou等（2021）采用随机森林模型对江西省瑞金市滑坡灾害危险性进行了预测，并将区划分为5个等级；Ou等（2021）通过构建Logistic回归模型，对江西省滑坡灾害的风险性进行了预测；苏晨旭等（2019）结合频率比法，使用偏最小二乘回归法（PLSR）对江西省龙南县滑坡进行危险性评价，并与BP神经网络、SVM模型的分析结果进行对比，赵建华等（2004）基于决策树算法对浙江省庆元县境内滑坡灾害进行了危险性区划评价。

随着科学技术进程的加快，学者们对滑坡灾害的研究理念、方法也已经逐渐向着多元化方向发展。

2 结论

本文立足于国内外学者们对滑坡地质灾害的研究成果，揭示了对于不同区域，研究者们使用了不同的滑坡灾害评价指标与建模方法，在各自的研究中均取得了满意的效果，能为具有相同地质环境的其他地区的滑坡灾害研究提供一定的参考。

各种滑坡灾害易发性评价模型因地制宜、各有千秋，针对不同区域应建立相应的滑坡易发性评价模型。