極端降水誘發地質災害鏈風險評估研究*
——以貴州省水城縣為例

榮廣智,張繼權,李天濤,方偉華

(1.東北師范大學 環境學院，吉林 長春 130024；2.成都理工大學 環境與土木工程學院，四川 成都 610059；3.成都理工大學 地質災害防治與地質環境保護國家重點實驗室，四川 成都 610059；4.北京師范大學 減災與應急管理研究院，北京 100875)

地質災害是山區最為常見的自然災害之一，嚴重影響社會、經濟的可持續發展[1]。中國是一個地質災害發生十分頻繁且災害損失極為嚴重的國家，其中崩塌、滑坡、泥石流災害占地質災害總數的80%[2]。依據中國自然資源部發布的統計信息，2021年，全國共發生地質災害4772起，造成80人死亡、11人失蹤，直接經濟損失32億元。其中，降水誘發的地質災害有4403起，約占地質災害總數的92%。降水是地質災害鏈的關鍵誘發因素之一，尤其是短時瞬發的極端降水[3-4]。降雨時空分布、降雨特征(類型、強度、持續時間、前期雨量等)與所誘發的地質災害風險間的關系一直是相關研究的重點，也為地質災害鏈區劃、預警與防治提供了科學基礎[5-6]。

近30年來的遙感技術和地理信息技術發展，使得極端降水誘發地質災害鏈風險評估的相關研究方法不斷革新，使得原本復雜的算法過程和繁瑣的數據采集變得容易操作，定性分析也逐漸轉向定量評估。傳統的定量方法多是基于數理統計模型的層次分析法[7]、信息量法[8]、頻率比法[9]等。隨著計算機科學不斷革新，機器學習算法也逐漸引入到地質災害風險評估研究中，從邏輯回歸模型[10]，發展到貝葉斯神經網絡[11]，再到決策樹、隨機森林(RF)等樹型結構的機器學習模型[12]，以及人工神經網絡、深度神經網絡(DNN)、循環神經網絡、卷積神經網絡及相關的變種神經網絡模型[13-15]。

極端降水誘發地質災害鏈風險評估是以地質災害為基礎，以極端降水為誘發因子分析，綜合地質、社會、經濟等因素，對風險區遭受不同強度極端降水誘發的地質災害的可能性及其風險進行定量分析和評估，對災害潛在損失進行綜合的分析和評判，對區域減災規劃和預案的制定及決策提供技術支撐[16]。

根據自然災害風險形成四要素學說，地質災害風險是危險性、承災體的暴露性、脆弱性和防災減災能力共同影響的結果[17]。風險是在特定時空環境條件下，由于風險因素的不確定性，使得在某一區域內的危險性、承災體的暴露性、脆弱性、防災減災能力同時具備的概率?；趯ψ匀粸暮︼L險形成機制的分析，極端降水誘發地質災害鏈風險評估包括風險形成四因子的評估[18]。本文結合地質災害歷史數據、地理數據、地形數據和遙感數據等，根據自然災害風險形成四要素學說，從極端降水誘發地質災害鏈的危險性，承災體的暴露性和脆弱性，以及防災減災能力四個方面選取指標，基于設定的不同極端降水重現期情景，構建了風險評估指標體系和評估模型，研制了風險評估技術體系，以貴州省水城縣為例，開展極端降水誘發地質災害鏈風險評估研究。

1 研究區概況與數據收集

1.1 研究區概況

貴州省水城縣位于我國云貴高原中部地區，總面積約3 605 km2，常住人口約75.49萬人?？h域內海拔高度范圍為633 ～2 863 m，約有32.5%的區域坡度>20°(圖1)。水城縣屬于亞熱帶季風氣候，降水豐富且頻繁，多集中在夏季，并常以暴雨的形式出現。此外，研究區還屬于喀斯特地貌，地表水容易滲漏，土體水分含量大。水城縣是我國崩塌、滑坡、泥石流的集中高發區，是貴州省地質災害多發、嚴重縣區之一[19]。地質災害種類多、分布廣、影響大，嚴重制約著水城縣的國民經濟發展，威脅著人民群眾生命財產安全[20]。極端降水是地質災害的主要誘發因素，2019年7月23日，水城縣雞場鎮發生了一起特大滑坡災害，造成了53人死亡，21幢房屋被掩埋的巨大人口傷亡和經濟損失[21-22]。因此，在水城縣開展極端降水誘發地質災害鏈的風險評估工作尤為重要。

圖1 水城縣地理位置及歷史地質災害點位示意圖

1.2 數據收集

本文收集了中國地質調查局記載的歷史地質災害點位，提取了崩塌、滑坡和泥石流三種最常見且危害最嚴重的地質災害類型，并結合遙感圖像和實地調查，最終識別出240個歷史地質災害點位。為了詳細分析水城縣極端降水誘發地質災害鏈風險，從災害風險四因子角度出發，構建極端降水誘發地質災害鏈風險評估的指標體系，針對所選取的指標，收集了地形地貌、土地覆蓋、水文地質，以及社會、人口、經濟等數據。本文所采用的數據主要來源于中國地質調查局、地理空間數據云平臺、中國科學院資源環境數據中心、中國氣象數據網、《2019中國縣域統計年鑒(鄉鎮卷)》等，具有可靠性、權威性。

2 評估方法

根據自然災害風險的形成四要素學說，本研究基于所收集的多源數據構建綜合數據庫，開展極端降水誘發地質災害鏈的危險性、承災體暴露性和脆弱性、以及防災減災能力評估，構建了極端降水誘發地質災害鏈風險評估技術體系和風險指數以表征風險程度，完成極端降水誘發地質災害鏈風險評估研究。本文整體技術路線如圖2所示。

圖2 極端降水誘發地質災害鏈風險評估技術路線

2.1 危險性評估

對于地質災害而言，地質災害鏈的危險性是最為重要的內容。危險性評估主要包括兩方面：災害發生的空間概率和時間概率?？臻g概率即為在誘發事件條件下什么地方容易發生，即易發性；時間概率即為誘發因素的頻率或強度。根據危險性定義，針對極端降水這一誘發因子，確定易發性與降水強度的乘積為危險性評估模型。

表1 極端降水誘發地質災害鏈易發性評估指標體系

易發性評估是地質災害危險性評估中最為基礎性的研究工作，也是地質災害內在孕育情況最為直觀的表述，其本質是在確定地質災害易發性影響因子的基礎上，通過模型表達其空間概率。易發性研究主要是基于以下假設：極端降水誘發地質災害鏈的發生與其影響因子密切相關；在與歷史極端降水誘發地質災害的類似孕災環境條件下，未來也極有可能發生[23]。因此可以根據歷史災害點的孕災環境因子(易發性指標)，預測區域未來地質災害發生的可能性。指標選取上，主要可分為地形地貌和地質環境兩大方面，每一個方面還包括諸多的次級因素，每個次級因素有不同數量的表征因子。本文最終確定了17個易發性因子，并將這些影響因素輸入到統一格式的數據庫中，根據數字高程模型(DEM)地圖的像元大小，將所有因素的重采樣為30 m×30 m(表1)。

地形是影響斜坡穩定性的最主要因素，從DEM中提取高程、坡度、坡向、平面曲率和剖面曲率數據[24]。巖性影響斜坡的抗剪強度和滲透性，這是地質災害發生的另一個重要條件因素[25]。地質年代也可以表征區域巖性發育程度。斷層控制著地質災害的形成和發展，斷層附近的地質作用較為活躍。道路也能在一定程度上反映人類活動對地質災害可能產生的影響。

水文因素是極端降水誘發地質災害鏈易發性評估中必須考慮的因素。地表河流是外部動態地質過程中最活躍的因素之一，年均降水量影響土壤濕度，同樣是重要的水文因素。另外，本研究選擇了4種主要用于地質災害研究的水文指標。包括河流功率指數(SPI)、沉積物遷移指數(STI)、地形起伏度(TRI)和地形濕度指數(TWI)。其中，SPI是指重力作用于沉積物時強顆粒的運動；STI表示土壤損失的嚴重程度；TRI是各像元最高和最低的高程差；TWI代表區域水循環對地形特征的響應過程[26]。這四個水文指數的計算公式如下：

SPI=As×tanβ；

(1)

(2)

TRI=DEMMAX-DEMMIN；

(3)

(4)

式中：As表示集水面積，β為坡度，DEMMAX和DEMMIN分別為各像元周邊8個像元中的最大和最小DEM值。

將所有因子分為5級，其中連續變量采用自然斷點法分級，離散變量通過計算歷史災害點數與每個類別的面積之比(R)進行排序：

(5)

式中：Sij和SA分別代表因子i的第j類的面積和研究區總面積。Xij和XA分別為Sij和SA上的歷史災害點數量。R實際上代表了每個類別中的信息量，R值越高，該類等級就越高。

在樣本選取中，陽性樣本(災害點)和陰性樣本(非災害點)數量應相同以確保樣本的平衡性。同時，由于水城縣的240個歷史災害點過少，可能導致模型預測較差，經過多次試驗，當陽性樣本放大至2倍后，再選取等量的非災害點作為陰性樣本，可以在不過擬合的情況下保持可靠的精度。因此本文集成了過采樣和欠采樣技術進行樣本選取。具體步驟如下：采用隨機欠采樣法選取240個非災害點，重復兩次，得到480個陰性樣本；選取這480個非災害點和240個災害點作為輸入數據，采用基于邊界合成的人工少數類過采樣技術(Borderline-SMOTE)對陽性樣本進行過采樣，最終生成了240個新的陽性樣本[27]；隨機抽取70%的陽性樣本和陰性樣本作為訓練集，其余30%為驗證集。

在易發性評估模型的選擇上，本文分別采用基于樹狀結構的隨機森林(RF)和基于神經網絡結構的深度神經網絡(DNN)兩種機器學習模型，通過多種方法比較二者的精度，選取更優算法進行極端降水誘發地質災害鏈易發性評估。

RF是由Leo Breiman提出的一種基于決策樹的分類算法[28]，它通過自助法重采樣技術，從原始訓練樣本集N中有放回地重復隨機抽取n個樣本生成新的訓練樣本集合訓練決策樹，然后按以上步驟生成m棵決策樹組成隨機森林，新數據的分類結果按分類樹投票多少形成的分數而定。其實質是對決策樹算法的一種改進，將多個決策樹合并在一起，每棵樹的建立依賴于獨立抽取的樣本[29]。單棵樹的分類能力可能很小，但在隨機產生大量的決策樹后，一個測試樣本可以通過每一棵樹的分類結果經統計后選擇最可能的分類。大致過程如下：從樣本集中有放回隨機采樣選出n個樣本；從所有特征中隨機選擇k個特征，對選出的樣本利用這些特征建立決策樹；重復以上2步m次，即生成m棵決策樹，形成隨機森林；對于新數據，經過每棵樹決策，最后投票確認分到哪一類。RF的優點包括：每棵樹都選擇部分樣本及特征，一定程度避免過擬合；每棵樹隨機選擇樣本和特征，具有很好的抗噪能力，性能穩定；能處理很高維度的數據，并且不用做特征選擇。

DNN可以理解為具有許多隱含層的神經網絡[30]。DNN對簡單的感知器模型進行了擴展：增加多層隱含層以增強模型的表達能力；輸出層神經元可設定為多個，即有多個輸出，使模型可靈活地應用于分類、回歸、降維和聚類等；激活函數可以擴展。感知器的激活函數是Sign(Z)，它簡單但處理能力有限，而神經網絡可使用Sigmoid、tanh、relu、Softplus、Softmax等，加入了非線性因素，提高了模型的表達能力[31]。

本文采用Python 3.7環境下的Scikit-learning庫實現隨機森林，Keras庫實現DNN模型的運算，對于參數初始值的設定，RF模型中樹的數量采用默認的100，而DNN模型的參數中，神經元的數量采用Kolmogorov定理s=2n+1(n為輸入層結點數)，設定為35個，模型訓練次數設為50次。本文構造的DNN的結構如圖3所示。

圖3 深度神經網絡(DNN)模型的構建結構

模型的性能還需要通過評估來判斷。本文針對各樣本是否為地質災害點這一二分類問題，采用了多角度的驗證方法。最基本的是準確度，以及驗證陽性樣本識別能力的精度(Precision)和召回率(Recall)[32]；采用了F1值、馬修斯相關系數(MCC)和Kappa系數方法綜合驗證模型性能[33-34]；最后繪制了受試者工作特性(ROC)曲線，通過測量曲線下面積(AUC)，可視化地評估模型的性能和應用[35]。上述這些方法都是基于真陽性(TP)、假陽性(FP)、真陰性(TN)和假陰性(FN)的統計。

準確度是模型對所有樣本進行正確地分類的比例，可以用公式(6)來估計：

(6)

精度是是模型正確區分的陽性樣本占所預測的陽性樣本的比例：

(7)

召回率是模型正確區分的陽性樣本占實際陽性樣本的比例：

(8)

F1值是精度和召回率的加權調和平均值，在權重均為0.5條件下，可通過以下公式計算：

(9)

MCC和Kappa系數都能夠綜合反映模型的整體評估效果，值域均為[-1,1]，但通常是在0～1之間，等于1表示最理想的預測，等于0表示預測結果比隨機預測還要差。二者的計算公式分別如下所示：

(10)

(11)

(12)

(13)

ROC曲線是由統計學中的“敏感度”和“1-特異度”繪制的。敏感度和特異度計算如下：

(14)

(15)

ROC曲線的AUC取值范圍為0.5～1，值越接近1，表示模型更準確。

通過多種驗證方法在RF和DNN模型中選取精度較高的模型，繪制水城縣的地質災害易發性圖。

針對極端降水誘發地質災害鏈的誘發條件，本文統計了水城縣周邊7個氣象站的1981-2018年的日降水數據，采用耿貝爾極值分布曲線[36]，分別得到各氣象站點處5年、10年和20年極端降水重現期下降水量，作為極端降水誘發地質災害鏈的誘發因子強度指標，并采用反距離權重法進行空間插值。結合易發性結果，采用公式(16)分別計算了三種情景下的極端降水誘發地質災害鏈危險性。

H=S×D。

(16)

式中：H為極端降水誘發地質災害鏈危險性，S為易發性，D為不同重現期下的降水指標。將計算結果采用自然斷點法進行等級劃分，完成極端降水誘發地質災害鏈危險性評估。

2.2 承災體暴露性評估

承災體暴露性是指可能受到自然災害威脅的經濟、社會和自然環境系統，具體包括農業、人類和生態環境等。極端降水誘發地質災害鏈同時具有自然屬性和社會屬性，因此暴露于災害中的承災體，既有自然環境要素，又有社會經濟要素。結合自然環境以及社會經濟實際情況，本文從人口、社會經濟及生態環境三個因素構建評估指標體系。由于各個評估指標的數值及使用的單位都不同，有的指標是定性的，因此可以通過歸一化的方法將所有指標設定在0～1范圍，便于權重的計算和評估[18]。采用熵權法計算各指標權重[37]。極端降水誘發地質災害鏈承災體暴露性評估指標體系及權重系數如表2所示。

采用綜合加權評估模型計算承災體暴露性指數：

(17)

式中：E為承災體的暴露性量化值；Xi為指標體系的第i項指標的量化值；Wi為指標體系中第i項指標的權重系數；n為評估指標個數。其中，0≤Xi≤1，Wi≥0。

2.3 承災體脆弱性評估

承災體脆弱性是指某一給定區域的承災體由于潛在自然災害危險因子而造成的傷害或損失程度，其綜合反映了自然災害的損失(脆弱)程度。脆弱性與承災體的物質成分、結構、狀態密切相關。因此，本文從人口因素和社會經濟因素入手構建評估指標體系，在進行指標歸一化后，采用熵權法計算各指標權重，極端降水誘發地質災害鏈承災體脆弱性評估指標體系及權重系數如表3所示。

承災體脆弱性指數同樣采用綜合加權評估模型計算：

(18)

式中：V為承災體的暴露性量化值；Xi為指標體系的第i項指標的量化值；Wi為指標體系中第i項指標的權重系數；n為評估指標個數。其中，0≤Xi≤1，Wi≥0。

2.4 防災減災能力評估

防災減災能力是區域人類社會為保障承災體免受或少受自然災害威脅所擁有的基礎條件和專項防御能力，是用于防治和減輕自然災害的各種措施和對策。指標選取可以分解為防災能力和應災能力兩個方面，在將各指標歸一化后，采用層次分析法計算權重[38]。極端降水誘發地質災害鏈防災減災能力評估指標體系及權重系數如表4所示。

采用綜合加權評估模型構建防災減災能力評估模型如下：

(19)

式中：C為防災減災能力量化值；Xi為防災減災能力指標體系中的第i項指標的量化值；Wi為指標體系中第i項指標的權重系數；n為評估指標個數。其中，0≤Xi≤1，Wi≥0。

2.5 極端降水誘發地質災害鏈風險評估

根據自然災害風險的形成機理，本研究利用自然災害風險指數法建立了極端降水誘發地質災害鏈風險指數表征風險程度，具體計算公式如下：

PGRI=HWh×EWe×VWv×(1-C)Wc。

(20)

式中：PGRI是極端降水誘發地質災害鏈風險指數，其值越大代表災害風險越大；H，E，V，C的值分別表示極端降水誘發地質災害鏈的危險性、暴露性、脆弱性和防災減災能力因子指數；Wh，We，Wv，Wc分別為各因子權重，采用層次分析法計算，Wh，We，Wv，Wc分別為0.417 9，0.109 0，0.224 5，0.248 5。

表2 極端降水誘發地質災害鏈承災體暴露性評估指標體系及權重系數

表3 極端降水誘發地質災害鏈承災體脆弱性評估指標體系及權重系數

表4 極端降水誘發地質災害鏈防災減災能力評估指標體系及權重系數

3 評估結果

3.1 危險性評估結果

首先，本文對比了RF和DNN模型在易發性評估中的應用。表5顯示了兩個模型的驗證結果。無論從準確度、精度、召回率和綜合指數等各個角度，RF模型的性能都要優于DNN模型。圖4為兩模型的ROC曲線對比，可以清晰地看到，RF的ROC曲線幾乎完全覆蓋了DNN模型，也同樣說明RF模型無論在對陽性樣本和陰性樣本的識別上都具有更好的效果。RF模型的AUC值為0.866是DNN模型1.144倍，這也表明RF模型的性能相較于DNN提高了14.4%。

表5 極端降水誘發地質災害鏈易發性評估模型驗證結果

圖4 RF和DNN模型的ROC曲線

通過多方面比較，最終采用RF模型計算水城縣各像元的易發性，進行空間展布，為了更好的可視化，采用自然斷點法進行等級劃分，得到極端降水誘發地質災害鏈易發性區劃圖(圖5)。圖中，高易發區主要分布在斷層附近，巖性以粘土巖、砂巖、玄武巖為主。石灰巖、白云巖為致密、堅硬的塊狀巖石，脆性大，抗剪強度大，能承受較大的剪切力而不變形；粘土巖、泥巖、玄武巖中粘土或礫石土較多，可塑性強，抗剪強度較低，易變形，所以更容易引發地質災害。對于地形條件而言，坡度越大，地質災害發生的概率越大，其主要是由于斜坡的坡度越大，滑坡勢能越大，滑動速度越快，外力誘發地質災害的可能性也就越大。從海拔高度來看，高發區大多集中在中高海拔地區，而不是極高海拔地區，這主要是由于該高程范圍內的人類活動可能會改變周圍的地質環境，從而影響地質災害的發生，這與實際情況相吻合，結果的可信度較高。此外，研究區歷史災害點也大多集中在高易發性區域，也在空間上證明了模型的可靠性和易發性評估的科學性。

圖5 極端降水誘發地質災害鏈易發性區劃圖

基于易發性評估結果，根據危險性評估模型，本文分別計算了5年、10年、20年一遇的極端降水重現期下的危險性值，將三種情景的危險性值基于20年一遇情景下的自然斷點法劃分標準分區，得到三種情景的危險性區劃圖(圖6)。

圖6 不同極端降水重現期下的極端降水誘發地質災害鏈危險性區劃圖

由圖6可知，研究區內不同極端降水重現期下的高危險區分布與易發性分區相近，雖然危險性空間分布相似，但危險性等級存在明顯差異。隨著極端降水重現期的增加，低危險和極低危險區明顯減少，而高危險和極高危險區面積明顯加大，尤其是極高危險區。重現期越長，產生的極端降水量就越大，相應的危險性也就越高。

3.2 承災體暴露性評估結果

根據承災體暴露性評估模型計算結果，采用自然斷點法進行等級劃分，最終得到極端降水誘發地質災害鏈暴露性區劃圖(圖7)。研究區內承災體暴露性整體較低，高暴露和極高暴露區總體上分布于縣政府所在的城鎮區域，由于縣政府所在鄉鎮毗鄰六盤水市的主城區——鐘山區，其人口和經濟暴露度較高，其他高暴露區還分布于人口較多的鄉鎮居民區，中暴露區主要涉及人類活動較為頻繁的大范圍耕地區域，林地和草地等區域的暴露性較低。

圖7 極端降水誘發地質災害鏈暴露性區劃圖

3.3 承災體脆弱性評估結果

根據承災體脆弱性評估模型計算結果，采用自然斷點法進行等級劃分，最終得到極端降水誘發地質災害鏈脆弱性區劃圖(圖8)。脆弱性評估主要分為人口脆弱度和經濟脆弱度。對脆弱性等級統計分析，水城縣的極低脆弱性區域占比較多，為61.9%，而極高等級區最少，僅占總面積的2.8%。其中，極高脆弱區主要是水城縣縣城人口密集區域，高脆弱區分布在水城縣縣城，以及縣中部的蟠龍鎮、米籮鎮等區域。中脆弱區主要集中在水城縣中部的鹽井鄉、東部的比德鎮和化樂鎮以及西部的發耳鎮，其他區域的脆弱性都比較低。

圖8 極端降水誘發地質災害鏈脆弱性區劃圖

3.4 防災減災能力評估結果

根據防災減災能力評估模型計算結果，采用自然斷點法進行等級劃分，最終得到極端降水誘發地質災害鏈防災減災能力區劃圖(圖9)。對防災減災能力等級統計分析，水城縣的極低防災減災能力區占比多達60.7%，而極高等級區域僅占總面積的3.2%。研究區域內極高和高防災減災能力區主要集中在水城縣內的高速公路、國道以及縣城城區道路，由于其交通便利性較高，應災能力較強。中防災減災能力區主要是省道、鄉道等次級公路，除此之外的非公路區域的防災減災能力整體較低。

圖9 極端降水誘發地質災害鏈防災減災能力區劃圖

圖10 不同重現期下的極端降水誘發地質災害鏈風險區劃圖

3.5 極端降水誘發地質災害鏈風險評估結果

基于風險四因子值及其權重，計算了極端降水誘發地質災害鏈風險指數，并采用自然斷點法將其分為極低風險區、低風險區、中風險區、高風險區和極高風險區等五個風險等級，繪制了不同極端降水重現期情景下的風險區劃圖(圖10)。并統計了水城縣不同降水重現期情景下的極端降水誘發地質災害鏈風險等級面積占比情況(圖11)。綜合圖10和圖11結果，水城縣極端降水誘發地質災害鏈風險主要以極低和低風險為主，在5年極端降水重現期情景下占比達到65.8%，不同重現期情景下的中風險區介于36.5%～37.1%之間，而高等級風險區面積占比介于15.3%～19.0%。從不同降水重現期情景上分析，重現期越長，極端降水量越大，相應的風險也就越高，隨著極端降水量的增加，極低風險區占比從5年極端降水重現期情景的29.3%減少到20年重現期下的21.9%，低風險區域面積變化不大。中風險地區、高風險和極高風險區域都有所增加，從5年重現期到20年重現期情景分別增加了3.2%、1.4%和2.2%的面積占比?？臻g尺度上，水城縣極端降水誘發地質災害鏈高風險區域主要集中在水城縣縣城、中部的米籮鎮、阿戛鎮和蟠龍鎮以及東部的比德鎮和化樂鎮。其中，極高風險區主要分布于水城縣的中部和東部，這些地區既有較高的危險性，承災體的暴露性和脆弱性也處于中高等級區域且防災減災能力較為薄弱。

圖11 不同重現期下的極端降水誘發地質災害鏈風險等級面積占比統計

4 結論

本文根據自然災害風險形成四要素學說，從極端降水誘發地質災害鏈的危險性，承災體的暴露性和脆弱性，以及防災減災能力四個方面選取指標，基于設定的不同極端降水重現期情景，構建了風險評估指標體系和評估模型，研制了風險評估技術體系，以貴州省水城縣為例，開展極端降水誘發地質災害鏈風險評估研究。得出以下結論：

(1)通過對比RF和DNN模型在易發性評估中的性能，選用RF模型評估了極端降水誘發地質災害鏈的易發性。結果表明，高易發性區多沿斷裂帶呈條帶狀分布，巖性以粘土巖、砂巖和玄武巖為主。不同極端降水重現期下的高危險區分布與易發性分區相近，隨著極端降水重現期的增加，相應的危險性也就越高。

(2)研究區內承災體暴露性整體較低，高暴露和極高暴露區總體上分布于縣政府所在的城鎮區域以及人口較多的鄉鎮居民區，林地和草地等區域的暴露性較低。

(3)水城縣的極低脆弱性區域占比較多而極高等級區最少。高等級脆弱區分布在水城縣縣城，以及縣中部的蟠龍鎮、米籮鎮等區域，中脆弱區主要集中在水城縣中部的鹽井鄉、東部的比德鎮和化樂鎮以及西部的發耳鎮，其他區域的脆弱性較低。

(4)研究區的高速公路、國道以及縣城城區道路防災減災能力較強，省道、鄉道等公路次之，而非公路區域的防災減災能力整體較低。

(5)水城縣極端降水誘發地質災害鏈風險主要以極低和低風險為主。極端降水量越大，整體的風險也就越高。高風險區域主要集中在水城縣縣城、中部的米籮鎮、阿戛鎮和蟠龍鎮以及東部的比德鎮和化樂鎮。

本文的評估結果可為相關部門極端降水誘發的地質災害預報預警提供幫助和參考。對于所評估的高風險區域，應制定好地質災害風險預防的相關對策，尤其在汛期時，針對可能發生的不同極端降水情景采取不同的應對措施，加強區域防災減災各項工作的實施，保障居民的生命財產安全。