Введение. В современной практике существует довольно много способов в той или иной мере определить степень устойчивости оползневых процессов. Наиболее активно используются методы Cees van Westen который считает, что оптимальным способом нахождения уровня устойчивости является расчет весовых показателей оползневого инвентаря с последующей их агрегацией и нахождением ключевых драйверов [4].
Целью исследования было нахождение наиболее оптимального способа определения оползневой устойчивости на территории Республики Крым. Необходимость определения показателей оползневой устойчивости состоит в том, что проблема оползневых процессов стоит особо остро. Проявляясь преимущественно на территории южного берега Крыма и прибрежных районах Керченского полуострова и Феодосии, они несут угрозу, при своей активизации, не только экономическому сектору, путем разрушения туристических маршрутов и маршрутов между городами-курортами, но и жизни туристов. Так же при их активизации могут быть нарушены уникальные крымские ландшафты, памятники природы и достопримечательности.
Материалы и методы исследования.
Оползневой инвентарь, согласно Guzetti, представляет собой совокупность геопространственных данных, описывающих различные параметры, влияющие на протекание оползневого процесса. Основываясь на работах Bonaventura F, L. Metz, A. N. Bear-Crozier и Dou J [1–3] анализу подвергаются в основном морфометрические данные, литологические и иногда климатические.
Эти данные можно разделить на две группы – основные и дополнительные.
К основным данным относится информация, характеризующая главные параметры оползнеобразования – рельеф территории, геологические или литологические данные и показатели среднего количества осадков данной местности. [1]
К дополнительным данным – сейсмические данные, свойства почв, гидрологические данные, удаленность от рек и морей, растительность, данные антропогенной деятельности, показатели плотности населения, инфраструктура.
Так же существуют несколько популярных автоматизированных моделей для расчета устойчивости и стабильности склонов SHALSTAB и ANGMAP. Не смотря на их широкое распространение они основаны всего лишь на использовании ЦМР не некоторых сопутствующих параметров, что не может в полной мере дать объективную оценку протекающим процессам.
С точки зрения Республики Крым будет более рационально использование наряду с геоморфометрическими и литологическими параметрами так же антропогенных, климатических и сейсмических. Необходимость данного подхода обусловлена тем, что во многих регионах исследования данные параметры предположительно могут выходить на первый план и пренебрегать ими не представляется возможным.
Для формирования оптимального оползневого инвентаря, при проведении анализа Республики Крым, кажется разумным использование следующих геопространственных данных:
- Уклон поверхности (Slope)
- Кумулятивный сток (Flow accumulation)
- Среднегодовой уровень осадков (Total rainfall)
- Индекс мощности потока (Stream power index)
- Индекс шероховатости поверхности (Terrain ruggedness index)
- Землепользование (Landuse)
- Почвы (Soils)
- Сейсмическая активность (Seismic activity)
- Плотность населения (Population density)
- Уровень вегетации (NDVI)
Результаты исследования и их обсуждение
Классификация исходных данных проводится с помощью следующих классификаторов, представленных ниже.
Таблица 1. Классификатор для уклона поверхности.
Критерий |
Класс |
Показатель опасности |
|
Описание |
Крутизна (о) |
||
Ровный |
0 – 8 |
1 |
Очень низкий |
Относительно ровный |
8 – 15 |
2 |
Низкий |
Средний |
15 – 25 |
3 |
Средний |
Крутой |
25 – 45 |
4 |
Высокий |
Очень крутой |
> 45 |
5 |
Очень высокий |
Таблица 2. Классификатор для данных по землепользованию.
Тип землепользования |
Класс |
Водоемы (реки, озера) |
1 |
Лесистая местность, лесополосы |
2 |
Смешанная растительность |
3 |
Земли с/х оборота, голая почва |
4 |
Селитебная зона |
5 |
Таблица 3. Классификатор для индекса вегетации NDVI.
Показатель |
Класс |
> 0,6 |
1 |
0,6 – 0,4 |
2 |
0,2 – 0,4 |
3 |
-0,2 – 0,2 |
4 |
< -0,2 |
5 |
Таблица 4. Классификатор для уровня залегания почвенного слоя.
Описание |
Глубина (см) |
Класс |
Очень высокая |
0 – 30 |
1 |
Высокая |
30 – 60 |
2 |
Средняя |
60 – 90 |
3 |
Глубокая |
90 – 150 |
4 |
Очень глубокая |
> 150 |
5 |
Таблица 5. Классификатор для типа почв.
Тип почв |
Класс |
Суглинистые |
1 |
Глинистые |
2 |
Супесчаные |
3 |
Тяжелая глина |
4 |
Легкая глина |
5 |
Таблица 6. Классификатор для индекса мощности потока.
Показатель |
Класс |
< -0,1 |
1 |
-0,1 – 0,1 |
3 |
> 0,1 |
5 |
Таблица 7. Классификатор индекса шероховатости поверхности.
Степень шероховатости |
Класс |
Очень шероховатая |
1 |
Шероховатая |
2 |
Средняя |
3 |
Гладкая |
4 |
Очень гладкая |
5 |
Таблица 8. Классификатор для кумулятивного стока.
Бинарный показатель |
Класс |
0 |
1 |
1 |
5 |
Таблица 9. Классификатор для плотности населения
Плотность населения (на 100 м2) |
Класс |
<5 |
1 |
5-10 |
2 |
10-15 |
3 |
15-20 |
4 |
>20 |
5 |
Таблица 10. Классификатор для среднегодового количества осадков.
Среднегодовое количество осадков (мм) |
Класс |
<200 |
1 |
200 – 400 |
2 |
400 – 600 |
3 |
600 – 800 |
4 |
> 800 |
5 |
Таблица 11. Классификатор для сейсмической активности.
Сейсмическая активность (М) |
Класс |
< 3.5 |
1 |
3.5 – 5 |
3 |
> 5 |
5 |
После проведения классификации необходимо провести расчет весовых коэффициентов, позволяющих определить степень влияния каждого фактора в процесс оползнеобразования. Площадь фактора оползнеобразования учитывается для показателей со значениями 4 и 5.
Весовой коэффициент рассчитывается по формуле (1):
(1)
где wi– весовой коэффициент фактора оползнеобразования, – площадь фактора оползнеобразования, - общая площадь исследуемой территории
Таким образом, общая формула для расчета территорий, потенциально подверженных оползневым процессам рассчитывается по формуле (2):
(2)
где PL – потенциальные оползневые территории, – весовой коэффициент фактора оползнеобразования, - фактор оползнеобразования.
Выводы. Данный подход позволяет в полной мере учесть все особенности, которые могут в значительной мере повлиять на активизацию процессов оползнеобразвания. Его недостатком можно считать лишь направленность на понимание общей картины ситуации, так как рекомендуемые данные к использованию являются данными регионального масштаба, что затрудняет решение конкретных проблем связанных с оползневой деятельностью выборочного оползневого участка. С другой стороны, данный метод может себя хорошо проявить при решении проблем на уровне региона, что выражается в планировании социально-экономической и экологической деятельности.
Библиографический список
- Metz L., Bear-Crozier A.N. Landslide susceptibility mapping : A remote sensing based approach using QGIS 2 . 2 ( Valmiera ) / L. Metz, A.N. Bear-Crozier, Canberra: Geoscience Australia, 2014. 100 c.
- Wahono B.F.D. Applications of Statistical and Heuristic Methods for Landslide Susceptibility Assessments: A case study in Wadas Lintang Sub District, Wonosobo Regency, Central Java Province, Indonesia 2010. C. 106.
- Xu M. [и др.]. How Did Urban Land Expand in China between 1992 and 2015? A Multi-Scale Landscape Analysis // PLOS ONE. 2016. № 5 (11). C. e0154839.
- Кривогуз Д.О. Применение метода двумерного статистического анализа для определения оползневой чувствительности восточной части Керченского полуострова // Научная дискуссия: инновации в современном мире. 2015. (12). C. 7–12.