福建龙岩2024年“6·16”特大暴雨诱发滑坡分析研究

图1 研究区域位置及“6·16”特大暴雨诱发典型滑坡灾害

图3 龙岩市2024年6月15日—18日的降雨空间分布

2. 研究数据与研究方法

1）光学卫星遥感影像与降雨型滑坡调控因子

本文使用的光学卫星遥感影像为全球公开的Sentinel-2，该卫星含A、B两颗星，分别于2015-06-23和2017-03-07发射升空，重访周期为5 d。覆盖13个波段，宽幅为290 km，空间分辨率达10 m，受云雾的影响，覆盖龙岩市的灾后光学遥感影像多被云层遮挡，因此，本文选取距“6·16”特大暴雨事件时间最近、受云雾影响较小的2024-08-08的Sentinel-2影像进行滑坡智能识别；数字高程模型（digital elevation model, DEM）数据为30 m的哥白尼数字高程模型（Copernicus DEM, COP-DEM），由欧洲航天局发布，绝对高程精度优于4 m，绝对平面精度优于6 m，是当前精度最高的开源DEM。

由于降雨型滑坡的发生受到地形地貌等因素影响的调控，选取高程、坡度、坡向、平面曲率、剖面曲率、地形起伏度、地表粗糙度、地形湿度指数（topographic wetness index, TWI）、距河流距离、距道路距离、土地利用和年平均归一化植被指数（noramalized difference vegetation index, NDVI）共12个特征因子，具体参数见表1。

表1 本文所使用的数据集

图4 ResU-Net滑坡识别模型

图5 龙岩市2024年“6·16”特大暴雨诱发滑坡编目

图6 龙岩市各区县滑坡数量和滑坡面积

图7 ResU-Net模型识别的滑坡

2）降雨型滑坡的发育特征

基于ResU-Net模型智能识别的滑坡编目，结合DEM、道路、河流、NDVI、土地利用数据，采用空间统计分析的方法，统计并计算各调控因子分级范围内的滑坡个数和滑坡分级面密度（调控因子分级内滑坡面积/调控因子分级面积），分析了龙岩市强降雨诱发滑坡分布的发育特征。

如图8（a）所示，此次特大暴雨诱发滑坡的44%分布在200～300 m的高程范围内，面积约为8.56 km²，占滑坡总面积的40%。值得注意的是，在200～300 m的高程范围内，滑坡分级面密度也最大，表明这一海拔区间的滑坡活动最为集中。总体上，海拔超过200 m后，随着高度的增加，滑坡的分布呈递减的趋势。如图8（b）所示，距道路距离越近，降雨滑坡越多，滑坡分级面密度越大，表明道路开挖对降雨型滑坡的影响较高。此次特大暴雨事件诱发的滑坡中，83%分布在距道路距离0～1.5 km范围内，滑坡面积约为17.91 km²，占滑坡总面积的84%。63%的滑坡分布在距河流0～2 km范围内，滑坡面积（14.73 km²）占滑坡总面积的69%，说明龙岩市山区河流侵蚀作用对降雨诱发的滑坡影响显著。如图8（d）所示，诱发滑坡的68%分布在常绿阔叶林的土地覆盖中，但草本植被、落叶阔叶林和常绿灌木的分级面密度较高，说明，此次降雨滑坡易发生区的土地覆盖主要为草本植被、阔叶林、常绿灌木区域。54%的滑坡集中在坡度15°～25°范围内，面积为13.42 km²，占滑坡总面积62.88%。如图8（f）所示，97%的滑坡集中在NDVI值为 0.2～0.5范围内，滑坡面积约占总面积的96%。地表粗糙度为1～1.1范围内降雨滑坡面积（15.67 km²）占滑坡总面积73%，随着地表粗糙度的增加滑坡数量和滑坡分级面密度整体呈递减的趋势，表明地表越光滑易于降雨型滑坡的发生。如图8（h）所示，63%的滑坡分布在剖面曲率7～12范围内，约占滑坡总面积的73%。如图8（i）所示，61%的滑坡主要分布在TWI为5～7范围内，约占滑坡总面积的72%。如图8（j）所示，53%的滑坡主要分布在平面曲率150~250范围内，约占滑坡总面积的50%。值得注意的是，在6～7范围内滑坡数量排第2，但滑坡分级面密度最高，说明龙岩市TWI为6～7的范围内易发生降雨型滑坡。坡向玫瑰图（图8（k））显示67%的滑坡分布在东向至西南方向，面积约为16.21 km²，占滑坡总面积的76%，方向效应显著。综上分析，此次特大暴雨诱发滑坡的分布存在一定的规律。

图8 龙岩市2024年“6·16”特大暴雨诱发滑坡的发育特征

3）降雨型滑坡的主要调控因子

为探究此次降雨事件诱发滑坡的主要调控因子，本文在龙岩市随机创建2万点，其中1万处位于降雨滑坡上，1万处位于未发生滑坡处，提取2万处随机点的12个调控因子的属性值，基于参数最优地理探测器的因子探测器获取了此次降雨事件调控因子的排序：海拔（0.33）＞距道路距离（0.12）＞距河流距离（0.11）＞土地利用＞地形起伏度＞坡度＞NDVI＞地表粗糙度＞剖面曲率＞TWI＞平面曲率＞坡向（图9）。其中海拔为最主要的调控因子，因为海拔不仅影响着降雨强度，还与地质结构、土壤湿度和植被覆盖等自然条件密切相关。低海拔地区往往是人类工程活动最为密集的区域，如道路、建筑和农田等。这些人类活动削弱了地表结构的稳定性，使其在特大暴雨下更易发生滑坡。第二大调控因子是距道路距离，因为道路建设特别是在丘陵和山区，通常伴随大规模挖掘和切割，破坏了坡体固有的稳定性，并改变了水文条件和坡体结构。在特大暴雨期间，这些改变会加剧坡体失稳，从而诱发滑坡。空间统计结果显示，此次特大暴雨事件中，83%的滑坡发生在距道路距离0～1.5 km范围内，进一步验证了道路对降雨型滑坡的重要影响。第三大调控因子是距河流距离，因为河流附近的土壤通常较为松软，并且容易受到水流侵蚀的影响，这会增加降雨型滑坡发生的可能性。需要说明的是，调控因子的排序并不意味着q值越大的因子一定会导致滑坡，而是指在降雨型滑坡预测模型中，这些因素对于滑坡的发生有着更高的解释力。

图 9 单调控因子定量分析

4）降雨型滑坡的双调控因子交互作用

从交互探测器探测结果（图10）可知，不同调控因子的综合作用均增强了对降雨型滑坡的调控，包括57对非线性增强和9对双因子增强，说明57对调控因子的综合调控作用不是简单的累加，而是表现出了“1+1>2”的现象。其中海拔与土地利用的交互作用最强，q值为0.38，海拔与距道路距离次之，q值为0.37，而坡度与地表粗糙度以及坡向与TWI的交互作用最低，q值均为0.01。需要强调的是，与海拔交互后的土地利用、NDVI和地形起伏度因子的解释力明显增强。

海拔与土地利用的交互作用强烈，可能是因为随着海拔升高，土地利用类型从农田或人工用地逐渐转变为自然林地或草地。不同的植被类型在水分滞留和坡面稳固能力方面有显著差异。例如，农田和建设用地通常具有较少的植被覆盖，导致雨水滞留能力较低，从而增加了地表径流，加剧了滑坡发生的风险。尤其在低海拔地区，频繁的人类活动（如农业开发和城市扩张）会破坏自然植被，削弱土壤的稳固性，使得坡体在强降雨下更容易失稳。相较之下，高海拔地区的自然植被（如林地或草地）能够更有效地固定土壤，滑坡易发性较低。海拔与距道路距离的交互作用排第2。可能的原因是，在高海拔地区，沿道路开挖的斜坡容易积水，特别是在排水系统设计不当的情况下，局部水分的过度积累会导致坡体不稳定，从而诱发滑坡。而在低海拔地区，硬化的道路表面会加剧地表径流，进一步增加滑坡发生的概率。道路建设破坏了坡体的自然结构，尤其是在降雨较多的区域，道路附近的土壤由于开挖和车辆通行更易遭受侵蚀，滑坡发生的风险较大。总体而言，海拔影响着自然地理环境的多样性，而土地利用和道路建设则反映了人类对自然环境的改造。在特大暴雨的背景下，低海拔区域由于人类活动密集，土地利用强度大、道路建设密集，显著削弱了坡体的稳定性，雨水作为诱发因素进一步加剧滑坡的发生。这也解释了为何这些因子的交互作用在特大暴雨诱发滑坡中表现出较高的q值。

图10 调控因子交互作用

图11 降雨型滑坡失稳机制示意图

4. 讨论

强降雨发生期间，诱发的滑坡往往摧毁大量的居民建筑物、堵塞道路和河流，从而产生严重的人员伤亡和经济损失。摧毁的道路和房屋是灾后救援和重建的核心区域，因此准确确定损毁道路和房屋至关重要。

龙岩市交通网主要包括漳龙铁路、龙龙铁路、G76、G25、S21、S30等国道和省道。为获取此次特大暴雨诱发滑坡造成的道路损毁情况，本文基于智能识别的3 951处降雨滑坡范围，与交通网信息进行叠加，发现此次事件至少造成136处约10.42 km的道路受损（图12），与开放街道地图（OpenStreetMap）公开的建筑物叠加，发现至少存在22处房屋在滑坡体上。需要说明的是，由于路网数据和建筑物轮廓数据的限制，本文统计的受损道路和损毁房屋均存在低估现象。

图12 龙岩市受损道路和损毁建筑物情况