摘要：西南山区地质灾害频发，特别是矿山开采集中区，高位地质灾害造成了人员伤亡和财产损失。为减少高位地质灾害的不确定性，以贵州水城采矿集中区为研究区域，开展采矿集中区高位地质灾害危险性评价。本研究选择相对高程、坡度、坡向、工程地质岩组、距断层距离、距水系距离、距矿山距离、归一化植被指数、降雨量等9个因子构建高位地质灾害危险性评价指标体系，并采用相关系数分析法对各因子进行相关性验证。探索基于极限学习机模型对高位地质灾害的危险性进行评价，得到贵州水城矿山集中区的高位地质灾害危险性分区结果。结果表明，ROC曲线验证的AUC值为0.85，证明ELM模型对高位地质灾害危险性评价的有效性；研究区内较高、高危险区主要分布于高山峡谷地区，多沿矿山和断层线展布，占总面积的75.82%；中等、低危险区主要分布于相对高程较低、坡度较缓，且远离矿山等人类工程活动的区域，占总面积的24.18%。

　　关键词：矿山集中区；高位地质灾害；危险性评价；极限学习机

　　矿山开采将改变山体的自然状态，降低山体稳定性，在降雨等条件下，易诱发地质灾害。西南山区矿产资源丰富，采矿活动频繁、加上地形地貌复杂，是我国地质灾害最严重的地区之一。高位地质灾害具有高位剪出、远程成灾、高速运动和动力剪切四个典型特征，其灾害体从高陡斜坡位置剪出，剪出口位置高度通常大于100m，形成凌空加速坠落，具有撞击粉碎效应和动力侵蚀效应，破坏性和危险性极高。西南山区的矿山广泛分布于断层沿线，位于坡度较大的高山峡谷地区，使其成为高位地质灾害的重灾区。近年来，四川、贵州等西南山区连年发生高位地质灾害，其中多起高位地质灾害发生在矿山周边，造成了重大人员伤亡和财产损失。“6.4”四川乐山金口河高位山体滑坡发生于金口河区金开源矿业有限公司施工驻地上方，滑坡体砸中并掩埋了矿井平台上的部分生产生活设施，造成了19名矿工遇难；贵州福泉“8.27”山体滑坡位于磷矿开采区，数十年的磷矿开采导致周边山体松动，滑坡造成23人遇难。为了针对性开展矿山集中区高位地质灾害防治，降低高位地质灾害的风险，对其进行危险性评价，明确不同区域发生高位地质灾害的概率，对于西南山区防灾减灾工作具有重要意义。

　　国内外对高位地质灾害的研究，最早可追溯至19世纪80年代，瑞典联邦理工学院Albert Heim教授率先对高位滑坡的过程进行分析，为高位地质灾害的研究奠定了基础。随着极端天气事件的增多，高位地质灾害频发，Sassa、殷跃平、许强、王得双、王知雄等专家学者对高位地质灾害的孕灾演化机制、远程动力冲击效应、监测预警与防治等方面进行了深入研究和分析。在地质灾害危险评价方面，随着地理信息技术、人工智能技术的快速发展，结合GIS平台、遥感技术和机器学习算法开展地质灾害危险性评价已成为发展趋势。李亚等选取13个评价指标，采用信息量-随机森林耦合模型对粤北山区县域地质灾害危险性进行评价，为地方地质灾害防治提供理论参考；冯旻譞等对贝叶斯、神经网络、KNN、随机森林等5种常用的模型在地质灾害危险性评价中的应用效果进行对比分析，结果表明贝叶斯模型表现最好；杜建括等以汉中市为例开展秦巴山区地质灾害危险性评价研究，得到了汉中市地质灾害危险性分区评价结果，为地质灾害防治和应急提供数据支撑。然而，针对高位地质灾害的危险性评估成果较少，肖本金对岑巩县的高位地质灾害的危险性评价方法和体系进行了分析，然而其评价指标相对简单，评价方法研究不够深入。

　　本研究以贵州水城为研究区域，结合GIS空间分析、卫星遥感等技术，选取相对高程、坡度、坡向、归一化植被指数（NDVI）、距矿山距离等9个影响因子构建评价指标体系，采用极限学习机（ELM）算法进行危险性评价，研究结果可为水城矿山集中区高位地质灾害防治和应急准备工作提供理论和实践案例参考。

　　1研究区概况与数据处理

       1.1研究区概况

　　水城区位于贵州省六盘水市，地处乌江和北盘江的分水岭地带，矿产资源丰富，主要包括煤、铁、铅锌、泥炭等16个矿种49个矿床（点）。全区属于亚热带湿润季风气候，雨量充沛，年平均气温12.4℃,年平均降水量1100mm。水城区以山地为主，地形复杂，山体多沿距断层距离线展布，河谷深邃，岩溶地貌分布较广。区域构造上，水城区处于扬子准地台黔北台隆六盘水断陷威宁北西向构造变形区中部，普安旋扭构造变形区北部及黔北台隆遵义断拱毕节北东向构造变形区西南，褶皱、断裂组合纵横交错，断层十分复杂。

　　本次研究以水城区北部矿山集中区为例，主要包括水城区北部的双水街道、尖山街道、老鹰山街道、董地街道、比德镇、化乐镇等。通过地质灾害调查，水城矿山集中区高位地质灾害共有90个，其中特大型崩塌3处，大型崩塌6处，中型崩塌18处，小型崩塌27处，特大型滑坡1处，大型滑坡2处，中型滑坡20处，小型滑坡13处。经过统计分析，水城区高位地质灾害类型主要为崩塌和滑坡，规模以中小型为主，中型地质灾害38处，占比42.22%，小型地质灾害40处，占比44.44%。

　　1.2评价单元划分

　　评价单元划分是开展地质灾害危险性评价的关键步骤，使用频率最高的是栅格和斜坡单元两种。其中，斜坡单元依据山脊山谷线等对真实地貌进行划分，但目前斜坡划分方法如水文分析法等，在实际应用中存在诸多缺陷，如可操作性低、得到的斜坡单元过于零散且难以调控、非常依赖人工纠正等，限制了斜坡单元的应用。而栅格单元虽然不利于表征地形地貌，但其具有便于快速剖分、形状规则、模型计算效率高等优点，在危险性研究中得到广泛地应用。此外，栅格单元适用于中小比例尺地形图，斜坡单元更适用于大比例尺地形图。而本研究在1：50000比例尺地形图基础上进行高位地质灾害危险性评价，因此选择30m×30m的栅格作为评价单元。

　　2危险性评价因子选择

　　通过对水城采矿集中区高位地质灾害资料和研究成果进行分析，综合考虑地质灾害发生的内外影响因子，选取相对高程、坡度、坡向、工程地质岩组、距断层距离、距水系距离、距矿山距离、归一化植被指数（NDVI）、降雨量等9个因子作为高位地质灾害危险性评价因子。

　　2.1评价因子分析

　　（1）相对高程。坡体的下滑力是高位隐蔽性地质灾害发生的原动力，相对高程变化引起坡体的势能变化，影响着坡体的稳定性。

　　（2）坡度。斜坡坡度对于斜坡体上的应力分布、地表径流、地下水水位、松散坡积物堆积状况等方面都有不同程度的影响，从而对斜坡体的整体稳定性产生影响。

　　（3）坡向。坡向并不直接作用于斜坡的稳定性上，但通过斜坡在不同朝向接受到的太阳辐射强度、风化作用强度等条件的不同，最终影响斜坡的整体稳定性。

　　（4）工程地质岩组。地层岩性决定坡体的破坏方式，水城区以碳酸盐岩组为主，碎屑岩岩组次之，高位地质灾害主要分布于碎屑岩岩组。

　　（5）距断层距离。一般距离断层越近，其受断层活动的影响越强，使岩土体孔隙度加大，降低了物理力学性质的同时加大的雨水的入渗，地质灾害发生的概率越高。

　　（6）距水系距离。河流水系会对坡脚进行强烈的冲蚀作用，带走坡脚的岩土体造成其抗滑力下降，同时土水作用使坡体内的土体物理力学性质极大的降低，进一步降低其稳定性。

　　（7）距矿山距离。在西南采矿集中区，矿山开采是诱发地质灾害的最重要因素之一，水城区地质灾害的影响主要表现是采煤，由于地下采空后，导致顶板岩层沉降，山体裂缝常直达地表。一般情况下，距离矿山越近遭受地质灾害的风险越大。

　　（8）归一化植被指数。归一化植被指数反映了地表植被的覆盖情况，植被覆盖越茂密，水土流失情况越少，斜坡的稳定性越高。

　　（9）降雨量。降雨是诱发地质灾害的重要因素，水城区降雨量整体呈现为北少南多的分布特征，降雨多集中在6、7、8三个月，同时这三个月也是地质灾害的高发期。

　　2.2数据来源

　　（1）利用数字高程模型（digital elevation model，DEM）数据，获取相对高程、坡度、坡向数据。DEM来源于地理信息空间数据云（www.gscloud.cn），空间分辨率30m。

　　（2）利用境内1：50000数字水文地质图、1：50000区域地质调查等基础地质调查资料，获取工程地质岩组、距断层距离、距水系距离等信息。

　　（3）利用水城区1：10000矿山分布图获取水城区矿山分布信息。

　　（4）利用高分一号卫星数据、LANDSAT 8卫星数据提取研究区的归一化植被指数(NDVI)。

　　（5）降雨数据自贵州省气象厅和国家气象信息中心，主要是水城区2015年～2020年雨季（7月、8月、9月）平均降雨量。

　　2.3相关性分析

　　地质灾害发生与其评价指标具有重要的相关性，同时评价指标之间也存在一定的相关性。因此，为了识别评价指标之间的相关性，避免给预测模型输入相关性过高的评价指标，本研究在SPSS 21统计学软件中采用相关系数分析法对9个指标之间的相关性进行识别。相关性分析结果显示，各指标间的相关系数值均小于0.30，各评价指标之间只有较弱的相关性。因此，可以将这9个评价指标输入预测模型之中，对水城县高位地质灾害危险性进行评价。

　　3评价方法

       3.1算法模型

　　极限学习机（ELM）是一种用于训练单隐藏层反馈神经网络（SLFNs）的学习算法，它对于能够无限可微的激活函数，可以随机设置其输入权值和隐藏层偏置，不需要进行迭代调整。这使得极限学习机不仅训练速度比传统的基于梯度算法快，而且避免了诸如局部最小以及过拟合的问题。在区域地质灾害危险性评价过程中，足够数量的训练样本是获取准确评价结果的关键，因此模型需要很大的计算量，ELM模型的高训练速度，有利于高效开展大区域的地质灾害危险性评估。

　　在利用ELM模型进行高位地质灾害危险性评价时，将9个危险性评价因子进行归一化处理，作为模型的输入数据。模型的输出结果为各栅格单位是高位地质灾害点的概率，其取值范围为[0，1]，其中0代表该栅格非高位地质灾害点，1代表该栅格为高位地质灾害点，数值越大代表危险性越高。

　　3.2样本构建

　　根据地质灾害调查结果，将90处高位地质灾害点所在的栅格单元作为正样本，其标签值为1。根据相关研究，可以在灾害点和河流500m之外选择非地质灾害样本点。考虑到本研究所评估的对象为高位地质灾害，灾害剪出口位置高度通常大于100m，因此在进行非高位地质灾害样本点选择时，可以在灾害点和河流500m之外及相对高程小于100m的区域进行选择。本研究共选择180处非高位地质灾害样本点，其标签值为0。在样本库中，随机选取70%的样本点作为模型训练集，剩下30%的样本点作为模型测试集。

　　4研究区地质灾害危险性评价分析

　　利用ELM模型对水城采矿集中区进行高位地质灾害危险性评价分析，采用自然断点法将研究区的高位地质灾害危险性等级划分为低、中等、较高、高四个等级。结合地形、水系及矿山分布等要素分析，较高、高危险区主要分布在高山峡谷地区，距离较大河流水系较近，相对高程分布一般大于326m，且边坡坡度一般大于30°,这种起伏较大的地形为高位地质灾害提供了有利的条件；较高和高危险区的植被覆盖度相对较低，采矿等人类工程活动是矿山集中区高位地质灾害的重要诱发因素。中等和低危险性分区主要分布在植被覆盖度较高、相对高程较低、坡度较缓，且远离矿山等人类工程活动的区域。这些地区植被覆盖率较高，距矿山距离较远，自然状态下的地形地貌较少受到人类活动的干扰，因此边坡稳定性较好，且岩土类型多为块状岩组，具有更高的岩土强度，有利于边坡稳定。

　　统计各分区级别的面积及灾害点数可知，较高和高等级危险区的面积占比为75.82%，有82个高位地质灾害点位于这两个区，其中，较高和高等级危险区的高位地质灾害数量分别是39个和43个，占比分别为43.33%和47.78%。中等和低等级危险区的高位地质灾害发育较少，灾害点数量分别为7个和1个，合计占比8.88%。总体上看，高位地质灾害点占比从低危险区向高危险区逐渐递增，表明危险区划分合理有效，评价结果基本可靠。

　　受试者工作特征曲线（ROC）是地质灾害危险性评价结果检验的常用方法指标，通过计算曲线下面积（AUC）值来表征评价模型的精度，AUC值越大表明精度越高。ROC曲线的纵坐标代表真阳性率（敏感度），横坐标代表假阳性率（特异性）。对比测试样本的真实标签和模型预测结果，基于ELM模型的高位地质灾害评价结果表明，其AUC值为0.85，表明ELM模型的精度较高，可以用于水城区高位地质灾害危险性评价。

　　5结论

　　本研究选择相对高程、坡度、坡向、工程地质岩组、距断层距离、距水系距离、距矿山距离、归一化植被指数（NDVI）、降雨量等9个因子，结合所调查的高位地质灾害点数据，使用ELM模型对水城采矿集中区进行高位地质灾害危险性评价。

　　（1）高位地质灾害危险性分区结果显示，水城采矿集中区19.06%的面积处于高等级危险区，56.76%的面积处于较高危险区，水城区的较高、高危险区主要分布于高山峡谷地区，北部多沿距断层距离线展布，南部沿河流沟谷分布；中等、低危险区主要分布于相对高程较低、坡度较缓，且远离矿山等距矿山距离的区域，占总面积的24.18%。

　　（2）基于ELM模型的高位地质灾害危险性评价结果显示大部分高位地质灾害点位于高和较高危险区，且ELM模型的AUC值为0.85，表明本次研究结果科学可靠。