金沙河流域水库水波动带岩石劣化敏感性绘制的耦合模型

《Geomatics, Natural Hazards and Risk》：Coupled model for susceptibility mapping of hydro-fluctuation belt rock degradation in the Jinsha River reservoirs

金沙江梯级水库区域通过构建信息值（IV）耦合随机森林（RF）等机器学习模型，首次实现HFB岩体退化区域敏感性 mapping。研究揭示坡度、地层岩性、断层距离及降雨强度为关键驱动因素，RF模型表现最优（AUC=0.928）。

　　在面对水库区域的水位波动时，水位波动带（HFB）岩体的退化现象成为影响边坡稳定性的重要因素。这一过程不仅改变了岩体的物理和机械特性，还增加了边坡失稳和滑坡的风险。尽管已有研究主要集中在实验室测试和局部调查上，但对HFB岩体退化风险进行系统性区域尺度评估的研究仍处于空白。因此，本研究聚焦于中国金沙江上的四个梯级水库，从地形、地质、环境和水库运行四个维度系统地评估了17个关键因素，构建了一个结合信息价值（IV）模型与机器学习算法的综合评估框架，首次实现了对HFB岩体退化风险的区域尺度评估。研究结果表明，相较于单一的IV模型，耦合模型在适用性方面表现更优，其中IV+随机森林（RF）模型的性能最佳，其曲线下面积（AUC）达到0.928，Kappa系数为0.897。这一研究揭示了影响岩体退化的关键因素，包括坡度、岸坡形态、岩性、距离断层和降雨强度，并通过空间分析发现，高敏感区域主要集中在三叠纪、侏罗纪、寒武纪-奥陶纪、元古代和太古宙的地层中，这些地层具有互层结构，易于发生脆性-强度差异的岩体退化。研究成果不仅深化了对HFB岩体退化风险评估方法的理解，还为水库灾害预防、减轻和长期安全监测提供了新的视角和科学依据。

### 研究区域的背景与特点

研究区域位于中国四川省与云南省交界处的金沙江下游水库区，涵盖了四个世界级的梯级水电站：乌东德（WDD）、白鹤滩（BHT）、溪洛渡（XLD）和向家坝（XJB）。这些水库区域的总长度约为782公里，总面积约为62,600平方公里，落差高达729米。水库的周期性水位波动形成了约880公里长的HFB区域，这些区域的岩体在长期的湿-干循环作用下，逐渐发生退化。该地区的气候属于亚热带季风气候，年均降水量约为900毫米，夏季湿润，冬季干燥，形成了复杂的垂直气候带。降水的空间和时间分布不均，总体趋势是从东向西和从北向南递减。这种复杂的地形和地质条件，加上水库的周期性水位变化，使得HFB岩体的退化现象尤为显著。

### 研究方法与数据来源

本研究采用了一系列综合性的研究方法，旨在构建一个能够准确评估HFB岩体退化风险的模型。首先，通过实地调查和遥感图像分析，识别了117个HFB岩体退化点，并将其分为“强退化”和“中度退化”两类。这些退化点为模型训练和验证提供了重要的样本数据。接着，通过构建一个涵盖地形、地质、环境和水库运行四个维度的评估指标体系，研究团队筛选并量化了多个关键影响因素，如坡度、坡向、曲率、地形粗糙度指数（TRI）、地形湿度指数（TWI）、坡度指数（SPI）、地震加速度（PGA）、降雨量、植被指数（NDVI）、水库蓄水时间（RID）和水位波动幅度（WLFA）等。这些因素不仅反映了岩体退化的主要机制，还为模型构建提供了充分的数据支持。

为了提高模型的精度和可靠性，研究团队采用了信息价值（IV）模型与三种机器学习算法（BP神经网络、支持向量机（SVM）和随机森林（RF））相结合的方式，构建了耦合模型。同时，为了确保模型的有效性，研究团队对所有影响因素进行了独立性检验，包括相关性分析和共线性检验。这些检验通过计算Pearson相关系数（PCC）、容忍度（TOL）和方差膨胀因子（VIF）等指标，确保所选因素之间不存在严重的共线性问题。研究结果表明，当PCC的绝对值大于0.8时，两个因素之间的相关性较高，因此需要排除部分冗余因素，以提高模型的预测能力。经过筛选，最终保留了14个关键因素用于模型构建和评估。

### 评估模型的构建与性能验证

研究团队在构建评估模型的过程中，采用了多种模型进行对比分析。其中包括IV模型、IV+BP神经网络模型、IV+SVM模型和IV+RF模型。这些模型的性能通过多个指标进行评估，包括准确率（Acc）、Kappa系数和曲线下面积（AUC）。研究结果显示，所有模型的AUC均大于0.8，表明它们在预测HFB岩体退化风险方面具有一定的适用性。然而，IV+RF模型的AUC值达到0.928，Kappa系数为0.897，准确率为0.824，显示出最优的预测能力和模型性能。此外，通过117个现场调查的退化点进行模型验证，发现IV和IV+RF模型在识别高-非常高的退化风险区域时表现尤为突出，分别达到了84.6%和82.9%的准确率。

IV+RF模型之所以表现出色，可能与其在处理高维数据和防止过拟合方面的优势有关。该模型能够有效地整合多个影响因素，从而更准确地预测HFB岩体退化风险的空间分布。相比之下，BP神经网络和SVM模型虽然在处理非线性问题方面具有一定的优势，但其在某些指标上的表现略逊于IV+RF模型。因此，IV+RF模型在评估HFB岩体退化风险方面具有更高的精度和适用性。

### 研究结果与讨论

研究结果表明，HFB岩体的退化风险与多种因素密切相关，包括地形、地质、环境和水库运行等。其中，岩性是控制退化区域空间分布的关键因素，而坡度、岸坡形态、距离断层、降雨强度和水库水位波动幅度则是退化的主要驱动因素。这些因素相互叠加，共同促进了岩体的退化过程。例如，在坡度超过40°的区域，水的流动速度加快，导致岩体更容易发生裂隙扩展和破坏。而在距离断层较近的区域，断层的存在增加了岩体的破碎程度，进一步加剧了退化现象。此外，降雨强度的增加会加速岩体的侵蚀和溶解过程，特别是在易溶性岩石中，这种效应尤为明显。

本研究的另一个重要发现是，不同水库区域的高敏感区域具有不同的地质特征。例如，乌东德水库区域主要分布于砂岩与页岩、泥岩的互层区域，而溪洛渡水库区域则集中于硬-软岩互层区域。这些区域的退化机制虽然有所不同，但都受到相似的地质和环境因素的影响。因此，本研究为不同水库区域的退化风险评估提供了重要的参考依据。

此外，研究还指出，HFB岩体的退化风险评估需要考虑多种复杂的因素，而不仅仅是传统的地质和地形因素。环境因素，如温度和植被覆盖，以及水库运行参数，如蓄水时间和水位波动幅度，对岩体的退化过程具有重要影响。例如，在干燥-炎热的河谷环境中，高温会加速岩体的热-机械作用，增加孔隙水蒸发，从而引起孔隙压力波动，促进裂隙扩展。而在水位波动频繁的区域，长期的湿-干循环会加速岩体的物理和化学退化过程。

### 未来研究方向与意义

尽管本研究在HFB岩体退化风险评估方面取得了一定的成果，但仍存在一些需要进一步研究的问题。例如，HFB岩体所处的环境极为复杂，未来研究可以进一步探讨潜在的影响因素，如水库水的化学特性，这在湿-干循环过程中对岩体的退化程度具有重要调节作用。此外，虽然本研究基于地层岩性分类构建了评估体系，但不同岩性的水敏感性存在显著差异，未来研究可以进一步细化评估因素，以提高模型的精度和适用性。

本研究不仅为HFB岩体退化风险评估提供了新的方法和视角，还为水库区域的灾害预防、减轻和长期安全监测提供了科学依据。通过结合统计模型和机器学习算法，研究团队成功构建了一个能够准确预测HFB岩体退化风险的耦合模型，为未来的相关研究奠定了坚实的基础。此外，研究结果也为水库管理提供了重要的决策支持，有助于制定更加科学和有效的灾害防控措施。