梁祎玮

(黑龙江省对外科技合作中心，黑龙江 哈尔滨 154000)

考虑到我国大部分地区的生态地质环境被长期破坏、气候异常多变时有发生和生态环境本身产生巨大变化等客观因素，各地区不同程度地面临发生生态地质灾害的风险，然而基于现有的研究经验来看，对于发生环境次生灾害的风险预测及相应防范仍然面临很大的困难[1]。此外，我国大部分地区的自然生态环境具有先天性的不足，且生态系统本身的抗压能力也相对脆弱。同时考虑到长期工业发展过程中积生出的各项环境问题，各类环境污染也呈高爆发态势。

为了提升各地区生态发生地质灾害的风险应急管理能力，文献[2]通过对全球气候变暖的大背景下青海省汛期暴雨发生次生灾害的风险开展研究，并提出了一种预防次生灾害风险的评估方案；文献[3]对建筑物的防灾能力进行综合分析，提出了一种多样式的灾害风险评估方法，从而有利于对生态环境次生地质灾害进行预警决策；文献[4]利用自然灾害风险理论为研究基础，结合致灾危险性，承灾暴露性、孕灾敏感性和防减灾能力4个指标，建立了辽宁省短汛期暴雨洪涝灾害的风险评估方案。以上多项风险评估成果均减少地质灾害带来的损害，然而考虑到地质生态环境的复杂性，需要对海量的数据及时处理，这使得常规的数据处理方式将凸显弊端。作为近年来蓬勃发展的一项新兴技术，大数据技术[5-6]的核心优势不仅在于掌握了海量的数据信息，更重要的是对这些海量数据进行专业化处理，同时与各行业深度融合和发展应用也日益广泛。

综上所述，基于现有地质灾害风险评估分析的基础之上，本文提出了一种基于大数据技术的生态环境次生地质灾害风险评估方法，按照多因素考虑生态环境的评价指标，设计出相应的风险评估方案，评价区域生态环境下次生地质灾害发生的风险，从而期望获得准确的生态环境质量评估等级，充分保障生态地区的居民生活、工作的安全性。

1 次生地质灾害的风险评估方法

1.1 数据采集与分析

利用GIS系统对易发次生灾害的生态环境大数据进行样本采集、分析处理等工作。其开展顺序如下：①空间数据预处理，即利用GIS系统将收集的区域空间内的图形数据进行预先处理，通过比例尺变换、图像旋转以及三维显示等处理方式，解析出空间图形数据的多样化特征；②非空间数据预处理，结合部分非空间属性的监测数据，利用逻辑运算、数据检索、类别划分以及数据统计等处理方式，运用GIS技术开展数据预处理分析；③综合空间与非空间的数据特征，采用叠加运算、区域划分和空间内插等手段拟合出数据的变化趋势[7]。

结合上述的数据处理方法，建立发生次生灾害的风险评估模型。其中，所建模型主要包含了DEM数据。该数据主要用于评估区域环境的海拔高度。另外，当选择区域D为评估约束范围时，结合统一规则μ对模型中的若干内插点qi进行过程连接操作，以获取风险评估的区间范围集合M，而DEM数据的具体表达式为：

DEM=[Mi=μ(qi)|qi(ai，bi，hi)∈D，i=1，2，…]

(1)

式中，(ai，bi)为第i处的位置坐标；hi为第i处的竖向垂直高度。利用统一的规则μ构建出DEM模型的数据架构，其模型具体数据架构的选择方式如下：①当μ为正方形格网时，DEM数据可利用一个高程矩阵来描述DEM数据架构；②当μ为三角形时，DEM数据可利用三角形构成全新的T型集合[8]来描述DEM数据架构。

基于上述流程处理自然生态环境中的大信息，有助于更加全面地评估次生地质灾害的风险。

1.2 预测生态环境时空发育规律

通常，对次生地质灾害风险进行评估前，需从时间和空间的分布特征上对生态环境的时空发育规律[9]进行预测分析。结合上述分析基础，利用一阶微分方程可以简要刻画DEM数据的时空发育规律，具体表达式如下：

(2)

式中，α、β为常数。

利用式(2)可进一步分析得出，DEM模型中的数据a函数的变化率同变量和驱动量相关，进一步推到为：

(3)

式中，Δt为计时周期。

当计时周期Δt达到一定密度后，将利用式(3)进行相应计算；当计时周期Δt充分密化后，假设计时周期Δt取值为1，则进一步推导出：

(4)

从式(4)可知，该计算结果为a(f+1)的一次累减生成值。此时a(f+1)和a(f)通过二元偶对的组合形式存在，该形式表征了偶对a(f+1)和a(f)导数的映射关系，即可表达为：

(5)

从式(5)给出的映射关系可知，当f值存有差异时，偶对组合的情况也不同，这将引起式(4)的计算结果变化。综上变化趋势，可描述生态环境的时空发育规律的预测函数β为：

(6)

将上述结果代入式(2)中，可预测出次生灾害生态环境下的时空发育规律。

1.3 设置风险评估方案评价区域生态环境质量

依照综合独立、兼容可行、重点标准等实施原则选取评价系数，用于对次生灾害下的有关环境时空发育的预测结果进行分析探讨，针对性地设计出次生灾害下的风险评估方案。综合兼顾区域坡度、物质组合、地形地貌和水文地质等关键性因素，结合区域范围内的坡度、坡向、地层岩性、地下水以及河流等因素进行综合性评估。假定上述列举的各项环境因素分别用k1，k2，…，kn进行描述，结合文献[10]中信息量法所展示的评价指标，推算出关联次生地质灾害下的环境信息量，以建立相应的风险评估模型。另外，基于环境时空发育规律，利用类比原则[11]测算出其他评估位置的变化趋势，完成生态环境下发生次生灾害的风险评估。假定次生地质灾害用集合范围Z表示，则：

Z=g(k1，k2，…，kn)

(7)

结合式(7)计算生态自然环境各重要因素k1，k2，…，kn，从而出测算发生次生地质灾害的概率，其结果为：

(8)

式中，W(Z，k1，k2，…，kn)为在n项生态自然环境因素的影响下，发生次生地质灾害的概率；W(Z)为发生次生地质灾害的总概率；G(Z，k1，k2，…，kn)为单独计算生态自然环境下各因素对灾害事件Z所提供关联信息，具体表述为：

(9)

式中，u为生态自然环境区域内发生事件Z的总数；ui为其中任一随机分布单元；v为评估事件网格的数量；vi为任一网格。

1.4 风险评估范围

利用上述章节所述的风险评估方案，结合风险评估结果来评价生态自然环境区域的环境质量，具体评价指标如下。

(1)评价结果位于0.0～0.2时，说明自然环境质量较优，发生次生地质灾害的风险较小。

(2)评价结果位于0.2～0.6时，说明自然环境质量一般，发生次生地质灾害的风险较高。

(3)评价结果超过0.6时，说明评估自然环境质量极度劣势，发生次生地质灾害的风险非常高。

综合上述风险评价指标，通过大数据技术实现对生态环境次生地质灾害的风险评估过程。

2 案例分析

2.1 测试准备

案例测试区域选取某地区，由于该区域的生态自然条件存在复杂多样性特点，适用于开展自然生态条件的相应测试，利用本文所提的次生地质灾害的风险评估方法对某区域的生态环境进行测试分析，并选取两组现有的风险评估方法下的测试结果进行对比。某地20年来的统计降水量如图1所示。

图1 某地20年内的降水量统计Fig.1 Statistical map of precipitation in place X in 20 years

由图1可知，利用图中数据可计算出某地区的平均降水量约435.2 mm，说明了某地区的降水量常年充沛。

除此之外，结合对某地区现有的调查资料进行分析，发现某地区域内共有13条主要河流，依次对其编号，并对某地区的13条主要河流的基本参数进行统计(图2)。

图2 某地区域内主要河流基本参数Fig.2 Basic parameters of main rivers in a region

由图2可知，某地区的降水量常年充沛、地下水资源储藏丰富。对某地区的土层分析发现，该地区图层大多呈断层分布，使得整个生态系统较为脆弱，致使某地区极易发生地质灾害和次生地质灾害。某地区在极端气候下实际发生的地质灾害和次生地质灾害效果如图3、图4所示。

图3 灾害发生位于村落位置Fig.3 Disaster occurred at village location

图4 灾害发生位于公路位置Fig.4 Disaster occurred at location of road

由图3、图4可知，某地区辖区内的大多数村庄呈临河建设的分布现状，且该村的公路工程临村沿河流进行修建。此外该地区长期存在挖河取沙、毁田盗土以及毁林开荒等破坏活动，从而引起某地区的生态系统遭受到严重破坏。因此，当某地区遭遇极端天气时，将面临发生高风险的次生地质灾害，从而导致某地区的房屋和公路受到严重损坏。然而，结合近年来总结的次生灾害风险的评估经验，除了大幅加固房屋质量外，政府部门及时高效地组织疏散、转移安抚受灾群众，充分保障了受灾群众的生命、财产安全。此外，需深挖筑牢某地区的环境修复工作，利用大数据技术对某地区的次生灾害进行风险评估，从而有效规避自然次生灾害过程给人们的生产生活带来的灾难。

2.2 自然生态条件和次生地质灾害的联合分析

将文中设计的风险评估方法作为测试组，将2组现有的风险评估方法作为参照组，结合测试前准备的数据资料及相应评估模型，评估某地区发生次生地质灾害的风险，并利用各方法评估的数值结果，制定出针对性的交通通行方案。自然生态条件和次生地质灾害的关联信息如图5—图7所示。

图5 测试组关联信息Fig.5 Test group association information

图6 参考1组关联信息Fig.6 Refer to 1 set of related information

图7 参考2组关联信息Fig.7 Refer to 2 sets of related information

由图5—图7可知，3个测试组的降水条件与水文因素基本一致，但考虑到3地其他的自然生态环境的差异性，从而引起各地自然灾害的发生位置有所区别。可以看出测试组发生的生态环境次生地质灾害的位置呈现出沿河流分布态势；而2个参照组发生次生地质灾害的位置无法得出一个相对固定的分布规律，由此推知现有的风险评估模型难以精准获取到自然生态环境下的时空发育规律。

2.3 通行线路分析

通行线路测试分别按照图5—图7优化的结果进行相应交通路线的制定，具体的通行方案结果如图8—图10所示。

图8 测试组通行路线Fig.8 Test group route

图9 参考1组通行路线Fig.9 Refer to 1 set of travel routes

由图8—图10可知，测试组考虑实际生态环境中发生每1处次生灾害的具体位置，对多类型的通行交通线路进行综合布置，并贯穿测试整个区域。然而受限于次生灾害的发生位置捕捉的精准性，参照组选择的通行交通线路通常呈现单一化特征，且设置的通行线路适用于局部区域，因此极大地增加了堵塞交通的风险。当某地区发生次生灾害时，不利于规划救援路线。

由此可见，本文提出的大数据技术评估生态环境的次生地质灾害的风险方法，可利用大数据技术评估结果为通行交通路线的制定提供可靠支撑，促进区域范围内的通行交通路线呈现多样化特点，有效规避发生次生灾害过程中所引起阻塞道路的风险。

图10 参考2组通行路线Fig.10 Refer to 2 set of travel routes

3 结论

本文利用大数据技术对次生灾害的风险评估方法作了详细论述和建模分析。结合风险评估结果来评价生态自然环境区域的环境质量，以便制定出合理的通行交通方案，确保区域居民的生命财产安全，建设行之有效的运维管理方案。此外，通过利用大数据技术建立和完善各项生态环境指标的一体化监测体系，从而高效应对次生灾害的发生，为合理规避生态环境风险以及建立相应的技术保障提供支撑。