0 引 言

山区公路所处地理环境复杂、地形崎岖，常常遭受自然灾害的破坏，导致区域水土流失，并引发滑坡和泥石流等次生灾害。自然灾害的评定标准不一加大了山区公路自然灾害治理难度。目前，关于灾害风险评估的研究多从灾害指标体系构建和模型方法应用两方面展?ZARAZG等[1-4]从水文学和地学方面进行了指标体系构建；杨乐等[5]考虑地缘环境和区域地形地貌特征，构建了区域地质灾害环境评估指标体系；李家春等[6]考虑社会经济和区域地理环境，建立了区域抗灾能力评估指标体系，对中国公路自然灾害易损性进行了评估；熊俊楠等[7]选取地形地貌、指标覆盖和人口等因素，构建了较为全面的泥石流灾害评估体系；周仲礼等[8]建立了泥石流评估指标理论体系，基于决策树理论构建模型，研究了我国泥石流灾害发生现状和发展趋势；黄明奎等[9]考虑地质环境特点，构建了灾害诱发评估指标体系；牟凤云等[10]在机器学习算法模型方面，选用临近算法(KNN)、随机森林算法(RF)和自回归滑动平均模型(ARMA)算法建立洪水评估模型，分析了巫山县洪灾危险程度；史培军等[11]利用数值分析方法，对区域泥石流易发程度进行了分析；杨猛等[12]、郭良等[13]结合水动力学和气象学模型，建立区域泥石流灾害危险评估模型，评估了区域洪水灾害危害程度。以上研究，对于洪灾指标的选取，多从社会经济、人类活动和自然环境方面开展，而对于模型构建，则多从水文学、气象学和地学等方面进行，缺乏对指标间相关性、合理性和适用性等的研究，研究层面囿于数据统计与分析。

笔者采用多准则、多属性决策理论方法，结合机器学习算法，从水土流失性公路自然灾害产生的角度，构建了重庆市巴南区水土流失性公路自然灾害风险指标体系，采用距离分析法和相关性分析法分析了指标选取的可靠性和合理性；构建了区域随机森林-水土流失(RF-RUSLE)模型，以分析评价重庆市巴南区水土流失程度，并进行风险预测与致灾因素识别，研究得到了重庆市巴南区水土流失性公路自然灾害风险区划与评估结果。

1 研究方法

1.1 随机森林-水土流失(RF-RUSLE)模型

随机森林(RF)模型利用多个决策树进行因素识别，在数据挖掘与分类等方面具有突出效果[14-17]。笔者基于随机森林(RF)模型和水土流失(RUSLE)模型，建立的随机森林-水土流失(RF- RUSLE)模型既融入了RF模型集成度高、预测结果准确的特性，又结合了RUSLE指标体系全面的特点，可有效识别水土流失性公路自然灾害。RF- RUSLE模型具体构建步骤如下：

1)结合重庆市巴南区地理环境，考虑气象、地质和人类活动等因素，构建水土流失(RUSLE)模型，以分析巴南区水土流失程度。

2)参照自然灾害类型划分标准[18-19]，并咨询专家意见，选择降雨量、土壤类型、植被覆盖度、坡度、坡位和整治力度等6个因素指标。

3)建立RF-RUSLE模型，对重庆市巴南区水土流失性公路自然灾害进行风险评估，并分析致灾因素。

1.2 RF-RUSLE模型因子测算

RF-RUSLE模型是表示坡地水土流失量与主要影响因子间定量关系的数学模型，表达式如式(1)：

S=Q·T·D·P

式中：S为区域水土流失量；Q为降雨侵蚀强度因子；T为土壤侵蚀强度因子；D为地形地貌影响因子；P为区域整治力度因子。

各因子的获取方式如下：

1)降雨侵蚀强度因子Q。降雨量的大小直接影响降雨侵蚀强度，以及降雨-径流的产流和汇流过程，考虑区域植被覆盖度和土壤类型，利用ArcGIS栅格计算工具得到巴南区降雨侵蚀强度因子Q。

2)土壤侵蚀强度因子T。利用土地类型、坡位、植被覆盖度、土壤类型及年均降雨量等数据，计算得出土壤侵蚀强度因子T。

3)地形地貌影响因子D。重庆市巴南区以丘陵低山地貌为主，考虑坡度与坡位因素，对于地形复杂地区，增加地形地貌因素如起伏度、地形粗糙指数等，得到地形地貌影响因子D。

4)整治力度因子P。区域整治力度主要是人类活动对环境改造程度，可通过人类活动强度和对区域建设的投入进行计算。

2 结果分析

2.1 水土流失性公路自然灾害风险区划分析

结合区域实地环境，考虑气象、地质和人类活动等因素，得出不同因素影响下重庆市巴南区水土流失性公路自然灾害风险区划结果，见表1。

表1 重庆市巴南区水土流失性公路自然灾害风险区划Table 1 Risk zoning of natural disaster of soil erosion highway in Banan district of Chongqing因素灾害易发区稳定区降雨量/mm≥100