1. 引言
滑坡是一种地质过程，当重力导致岩石、土壤、碎屑或其混合物沿下坡移动时，就会发生山体滑坡。山体滑坡会严重破坏建筑物、道路和其他基础设施，并破坏野生动物栖息地。在森林火灾之后，由于植被的突然损失，山体滑坡的风险通常增加 [1] [2] 。这使得建立一种简单、有效和易于实施的森林火灾与山体滑坡敏感性相关模型尤为重要。
ArcGIS Living Atlas of the World是一个不断发展的精选和权威地理信息的集合，可用于构建地图和执行地理分析。通过使用Living Atlas数据，可以查找森林火灾过火区域内绿色植被较少、坡度较高和降雨水平较高的区域，综合评价这些因素，可以初步判断出更易发生山体滑坡风险的位置，有效辅助地质灾害固定监测点的选址，节省人力物力。
2. 研究区及数据
2.1. 研究区
以“木里3·28森林火灾”的过火区域作为研究区域(见图1)，该区域位于四川省凉山彝族自治州木里藏族自治县。在2020年3月28日19时30分，四川省凉山州木里县乔瓦镇锄头湾村与项脚蒙古族乡项脚村交界处发生了森林火灾。而在同年7月，由于连续强降雨，引发了大规模泥石流，导致了该乡阿牛窝子组境内的山体滑坡、道路中断、农作物大面积受灾，村民房屋和集中安置点被淹没。
木里藏族自治县地处青藏高原东南缘，横断山脉终端，是云贵高原与青藏高原的过渡地带。由于河流深切，岭谷相对高差很大，全县整个地势南倾，主要河流沿断层由北而南，流入金沙江，并与四条南北向的山脉相间排列，构成了木里藏族自治县地貌的主体，属于典型的高山、山原、峡谷地貌。境内有长江上游重要的水源涵养林，是我国仅存不多的成片原始林区 [3] 。由上述内容可知，木里藏族自治县地势高、地形陡峭、植被覆盖茂密且水源涵养能力强，因此，由于森林火灾导致的植被损失区域存在很大的山体滑坡风险。
2.2. 卫星影像数据
在综合考虑区域地理条件、遥感影像的分辨率和获取难易度后，确定选择基于ArcGIS Living Atlas of the World的Mutispectral Landsat图层的数据。这些数据是经过Top of Atmosphere (TOA)校正的，包括用于可视化和分析的Landsat GLS和Landsat 8图像，具有每日更新和每16天覆盖全球一次的特点。这些数据的空间分辨率为30米，可以为获取植被生长状况信息提供可靠的数据源。在选择影像时，考虑火灾扑灭的时间和植被自然恢复的干扰，选择扑灭林火一个月后的影像，时间为北京时间2020年5月7日15时。Landsat影像数据情况如表1所示。
Figure 1. Geographic location map of the study area
图1. 研究区地理位置
2.3. 数字高程数据
选择使用ArcGIS Living Atlas of the World数据集中的Terrain多分辨率世界高程图层，该图层服务基于数字地形模型(DTM)提供表示地面高度的数值。这些数据基于多种来源，其中包括SRTM_1_arcsec和Airbus_WorldDEM4Ortho_24m。SRTM_1_arcsec的分辨率为30米，而Airbus_WorldDEM4Ortho_24m的分辨率为24米，两者都适用于本研究区域。
2.4. 降水量数据
降水量数据选用由NOAA提供的年度降雨量数据，这些数据是由分布在研究区周边的水文监测站年度数据经过插值处理后形成的栅格结果。本次研究选择了1990年到2012年的年均降水量数据，单位为英寸。
3. 山体滑坡敏感性提取方法
为便于研究工作的开展，首先通过Mutispectral Landsat影像数据对研究区的过火范围进行区划，波段组合设置为Bands-SWIR2，Bands-NIR，Bands-Green (7, 5, 3)，该组合可以清晰的显示出火烧迹地的范围；其次将Terrain的处理模板更改为Slope_Degrees，该模板将坡度调整为0-90度的整数，以用于分析；然后构建基于植被指数、坡度和降水量的山体滑坡敏感性模型；最后，根据模型计算结果，评估研究区在森林火灾发生后的山体滑坡可能性区域 [4] 。具体研究过程如图2所示。
Figure 2. Flow chart of research method
图2. 研究方法流程图
3.1. 数据处理
基于ArcGIS Living Atlas of the World，在ArcGIS Pro中加载Mutispectral Landsat和Terrain，分别进行如下处理：
1) 通过ArcGIS Pro定义查询的功能，选择2020年5月7日Mutispectral Landsat的影像数据，并将波段组合设为Bands-SWIR2，Bands-NIR，Bands-Green (7, 5, 3)。在此基础上，对过火范围进行区划，区划结果如图3所示。
2) 利用ArcGIS Pro中的数据处理模板，将Terrain图层调整为Slope_Degrees，该模板将动态计算当前范围内高程数据的坡度值，并以整数的形式，按0到90度表示向下倾斜的地形角度，如图4所示。
3) 降水量数据通过NOAA官方提供的分布在研究区周边的水文监测站年度数据来获取。为了确保数据的连续性，本研究选择1990年到2012年的年均降水量数据，单位为英寸。根据孟庆香，刘国彬，杨勤科对气象要素空间差值方法的研究 [5] ，通过普通克里金插值，得出区域预测结果，交叉验证的均方根为1.97859277043022，标准平均值为0.00577005512968018，标准均方根为0.763116710611719，平均标准误差为1.91264117343464。经过拉伸后如图5所示。
Figure 3. Zoning map of forest fire range
图3. 研究区过火范围区划图
Figure 4. Slope degrees map of the study area
图4. 研究区地形坡度等级图
Figure 5. Average annual rainfall map of the study area
图5. 研究区年均降雨量图
3.2. 构建栅格函数模型
构建栅格函数模型(见图6)，重分类指数计算结果，用于分析和标识山体滑坡敏感区域。
Figure 6. Structural diagram of the landslide sensitivity model
图6. 山体滑坡敏感性模型结构图
1) 计算植被指数值
归一化植被指数(NDVI)是一个标准化指数，用于检测植被生长状态、植被覆盖度等。该指数对多光谱栅格数据集中两个波段的特征进行对比，即红色波段中叶绿素的色素吸收率和近红外(NIR)波段中植物体的高反射率 [6] 。
本模型使用非科学输出的NDVI计算方程，得到0~200范围内的值。此范围内的值适合8位数据结构，该结构可以使用特定的色带和色彩映射进行渲染。
计算方程如下：
在袁士聪、谷甫刚的NDVI分级基础上，对分类值进行了重新映射，将其划分为五个新的指数级别 [7] [8] 。由于植被稀疏可能导致更高的山体滑坡风险，因此最低的NDVI值将被赋予最高的重映射值(表2)。
Table 2. NDVI index mapping table
表2. NDVI指数映射表
2) 计算坡度指数值
根据《森林资源规划设计调查技术规程》(GB/T 26424-2010)中规定的坡度分类标准，对坡度值进行了重新映射，将其分为五个新的指数级别 [9] 。由于较陡的坡度更容易导致山体滑坡的发生，因此将较高的坡度值映射到较高的指数值(表3)。
Table 3. Slope index mapping table
表3. 坡度指数映射表
3) 计算降雨量指数值
根据《中国近50年降水量变化区划(1961~2010年)》的分析结果，对研究区域内年降雨量的值进行了重新映射，将其分为五个新的指数级别 [10] [11] ，其中，较高的年平均降水量值将被映射为较高的指数值(表4)。
Table 4. Rainfall index mapping table
表4. 降雨量指数映射表
4) 合并指数值
使用加权综合评价法来对上述三个指数值进行加权和组合，以得出一个综合性的分析结果。在森林火灾多发区域，植被的缺失程度成为评估山体滑坡风险的一个更为关键的因素 [12] 。根据此结果，赋予NDVI较高的权重(NDVI权重占比50%、坡度权重占比25%、降雨量权重占比25%)，以显示绿色植被密度对结果的影响是坡度或降雨量影响的两倍(表5)。
Table 5. Weighted sum function weight distribution table
表5. 加权总和函数权重分配表
4. 结果分析
通过执行模型，得到分析结果，发现在地图上的深红色区域，发生山体滑坡的风险相对较高，而在青绿色区域，风险则相对较低(图7)。
Figure 7. Regional risk zonation of the landslide sensitivity
图7. 山体滑坡风险区划图
利用自然断点分级法将研究区风险划分为高风险区V、中高风险区IV、中风险区III、中低风险区II和低风险区I，各风险等级的风险指数范围、面积和占比见表6。
Table 6. The risk assessment of landslide
表6. 山体滑坡风险评估
由图8可知，山体滑坡的高风险区域V主要集中在研究区的东部、北部和西南部。这些区域恰好有两条道路经过，分别是锄头湾–白碉乡等外道路和红柯桥–项脚乡等外道路。这两条道路是连接木里藏族自治县县城、项脚蒙古族乡、大坡蒙古族乡和白碉苗族乡的主要道路，因此需要重点防范，以保障交通和人员安全。
Figure 8. Heatmap of the landslide sensitivity risk zonation
图8. 山体滑坡风险热点图
研究区中风险区III和中高风险区IV占整个研究区总面积的71%，分布较广，一般位于高风险区的外围，是发生山体滑坡风险的主体部分。这些区域的风险等级相对较高，需要采取一定的措施进行预防和控制，以降低山体滑坡的发生概率和影响程度。
低风险区I主要位于研究区边界附近，分布相对零散。这些区域的风险等级相对较低，但仍需要加强监测和巡查，以避免潜在的安全隐患。
5. 结论
根据调查，2020年7月7日和7月8日，由于连日持续强降雨，木里县项脚乡和盐源县大坡蒙古族乡分别发生了泥石流灾害，灾害地点位于山体滑坡的高风险区域V范围内，连接木里藏族自治县县城、项脚蒙古族乡和大坡蒙古族乡的主要道路上，表明山体滑坡敏感性模型具有一定的灾害指示作用。为了有效预防和控制山体滑坡的发生，应根据研究区的山体滑坡风险分布所呈现的高风险区域集中、中风险区域分布较广、低风险区域相对零散的特点。针对不同的风险等级采取相应的措施，如加强监测、提高应急预案、优化道路设计等，以确保人民群众的生命财产安全。
森林火灾对健康的绿色植被造成了破坏，这在一定程度上增加了山体滑坡的风险。当大雨落在植被已被破坏的陡坡上时，这种风险变得尤为现实。基于植被指数、坡度和降水量，对木里森林火灾地区的山体滑坡进行敏感性和风险分析。在这个过程中，利用Living Atlas数据完成了分析工作流，这种方法的栅格函数处理速度很快，能够迅速确定具有较高山体滑坡风险的潜在区域。此外，这种方法具有仅处理当前可见要素，不创建任何中间输出的优点，减少存储压力。
然而，为了更全面地评估风险，我们还需要考虑其他致灾孕灾因子，如坡向、土壤、地质、气温、风速和人类活动等参数指标。这些因素可以提高模型分析精度，从而更准确地确定山体滑坡的风险区域。
本研究结果可以用于指导关键地区的山体滑坡监测点布设工作，帮助更有效地监控和应对山体滑坡事件。通过这些分析，可以更好地了解山体滑坡的风险，并采取相应的预防和应对措施，从而保护公众安全并减少灾害造成的损失。
参考文献