Study on Regularity and Threshold Curve of Rain-Induced Loess Landslide-Mudflow
-
摘要:
为研究降雨诱发黄土滑坡-泥流的规律，论文设计了6组室内模型试验，分析了降雨诱发黄土滑坡-泥流的宏观变形过程、水文过程及位移变化规律，探讨了不同降雨强度、单次累计降雨量及坡度对滑坡发展的影响，并建立了发生滑坡及泥流时的阈值曲线。研究表明：在极端降雨条件下，黄土斜坡有滑动及滑动转流动两种破坏模式。当短时强降雨发生时，裂隙化斜坡内张性结构面充水，滑面强度降低，滑体以块体形式滑动，整个滑动过程表现出在长期蠕动中叠加间歇性加速滑动的特征，临界阈值曲线为：I=59D–0.67；当持续性降雨发生时，渐进滑动的斜坡体会出现强裂隙化区域，此区域内孔隙水压力持续升高，富水斜坡体会液化流动，流动过程具有持续高速流动的特征，临界阈值曲线为：E=200–2.5I。
Abstract:In order to study the law of rain-induced loess landslide-mudflow, this paper designed six sets of laboratory model tests, analyzed the macroscopic deformation process, hydrological process and displacement change law of rain-induced loess landslide-mudflow, discussed the influence of different rainfall intensity, single cumulative rainfall and slope on landslide development, and established the threshold curve when landslide and mudflow occurred. The results show that there are two failure modes of loess slope under extreme rainfall conditions: sliding and sliding transflow. When short-term heavy rainfall occurs, the tensile structural surface of the fractured slope is filled with water, the strength of the sliding surface decreases, and the sliding body slides in the form of a block. The whole sliding process shows the characteristics of long-term creep superposition intermittent accelerated sliding, and the critical threshold curve is as follows: I=59D−0.67. When continuous rainfall occurs, a strong fissure area will appear on the slope with progressive sliding, and pore water pressure in this area will continue to rise. The water-rich slope will experience liquefaction flow, which is characterized by continuous high speed. The critical threshold curve is E=200−2.5I.
-
Keywords:
- rainfall /
- loess landslide-mudflow /
- model test /
- threshold curve
-
土壤是人类工农业生产的基础性资源，随着工业集约化、农村城镇化以及农业现代化进程的不断加快，土壤环境问题日益突出，其中，土壤重（类）金属污染是影响土壤环境的重要因素，其具有污染面积广、存在时间长、生态危害大等特点，且可通过食物链进入身体，危害人类健康（Zhuang et al., 2017），因此对土壤重（类）金属监测、溯源及治理已成为研究热点问题（Cai et al., 2012）。
近年来，国内外学者围绕土壤重（类）金属污染的特征、空间分布以及生态风险进行了系统研究（郑行泉，2018；Chai et al.，2021），通过实地采样、室内分析和模型开发相结合（王海江等，2017），利用地统计学（张慧文等，2009）、GIS（王幼奇等，2016）等手段构建重金属元素的空间分布格局。目前单因子指数法、内梅罗指数法和潜在生态危害指数法是土壤重金属风险评价的常用方法，单因子指数法（汪家权等，2002）结果仅反映某种重金属的污染程度，无法综合评估重金属在土壤中的污染程度；内梅罗指数法（息朝庄等，2008）虽综合各重（类）金属元素的协同效应，但是并没有考虑到受体受到污染物的毒性危害程度；潜在生态危害指数法（王幼奇等，2016）在全面考虑了土壤重金属含量和重金属的环境效应、生态效应、毒理效应等基础上，综合反映出重（类）金属对生态环境的影响，具有快速、准确、简便等特性，是目前开展土壤重（类）金属污染风险评价最常用的评价方法。主成分分析法（PCA）（孟晓飞等，2022）、正定矩阵因子（PMF）（叶盼青等，2022）等方法常用于解析土壤重金属的来源，其中，PMF源解析模型是最为广泛的受体模型之一，其具有不需要测量源指纹谱、分解矩阵中元素非负、可以利用数据标准偏差来进行优化等优点，是美国环保总署（USEPA）推荐使用的重金属来源解析方法（曾妍妍等，2017；麦尔耶姆·亚森等，2017；麦麦提吐尔逊·艾则孜等，2018；比拉力·依明等，2019；尹芳等，2021）。目前，这些土壤重金属研究评价工作主要集中于中东部发达城市，新疆区内的相关研究也主要集中于天山北坡经济带及其他主要工业聚集区，塔里木河流域作为南疆地区经济社会可持续发展和生态系统安全保障的主要载体，前人已在流域内不同地区开展了土地利用变化、水资源承载力等相关研究（冯娟，2015），但就绿洲土壤重（类）金属含量特征及潜在生态风险的研究相对较少。
基于此，笔者以塔里木河下游农二师塔里木垦区为研究区，采集土壤样品125件，对其中7项重金属元素（镉、汞、铅、铬、铜、镍、锌）、1项类金属元素（砷）及pH值进行测定，采用地统计学、内梅罗综合污染指数法、潜在生态风险指数法和正定矩阵因子模型，对各元素空间分布、生态风险及来源进行解析，拟为该区土壤环境评价和污染治理提供科学依据。
1. 区域背景
研究区（E 86°86′～87°35′，N 40°59′～40°98′）位于塔克拉玛干沙漠东北缘（图1），属塔里木河流域下游冲积平原，面积约
864.4 km2。研究区气候属于暖温带大陆性干旱气候，年平均气温11.4 ℃，降水量与蒸发量比值约为1∶116。区内主要土壤类型为棕漠土、灌耕土、灌淤土和风沙土，土壤有机质偏低，呈“缺磷、少氮、富钾”的特点。区域自然植被以胡杨（Populus euphratica）、柽柳（Tamarix ramosissima）、罗布麻（Apocynum venetum）和骆驼刺（Alhagi maurorum）为主，盛产棉花、香梨、红枣、鹿茸、葡萄、罗布麻、黑枸杞、牛羊肉等农产品，是中国主要的棉花、库尔勒香梨生产基地、马鹿繁育基地和蛭石生产基地。![]()
图 1 研究区及采样点位置图a. 新疆维吾尔自治区遥感影像图；b. 研究区土地利用类型图Figure 1. Location diagram of the study area and the sampling point2. 研究方法
2.1 样品采集与处理
2019年6～8月，在对研究区进行综合研究的基础上，以耕地、园地、林地和荒地4种土地利用类型为基底，采用棋盘式采样法，布设采样点125个，采样深度为0～30 cm。利用美国AMS公司土壤取样器对每个样点采集土壤样品3 kg，去除枯枝落叶等杂质后装入洁净的样品袋内。室温自然风干后过20目尼龙筛，留取300 g样品备用。实际采样过程中，为避免人为活动、交通运输等对结果的影响，对采样点的具体位置进行适当调整。
样品委托新疆有色地质勘查局测试中心进行分析，标准参照《区域地球化学样品分析方法》（DZ/T 0279—2016）。Cr、Cu、Ni、Pb和Zn含量利用美国赛默飞世尔Xseries Ⅱ 等离子体质谱仪测定，As含量采用美国赛默飞世尔XP+荧光光谱仪测定，Hg含量用国产双道原子荧光分光光度计测定，Cd含量用日本日立Z-2010原子吸收分光光度计测定，pH值利用离子选择电极测定仪测定。测定过程质量控制通过全程序空白、国家土壤标准物质（GBW 07544）、平行样测定实现，全流程空白均未检出，标准样品测定误差为−1.6%～3.2%，平行样测定标准偏差为1.3%～3.7%，pH值偏差不超过0.12，均满足质控要求，测定结果真实可信。As、Hg、Cr、Ni、Cu、Zn、Cd和Pb元素的检出限分别为0.200 mg/kg、0.005 mg/kg、0.200 mg/kg、0.600 mg/kg、0.600 mg/kg、0.030 mg/kg、0.05 mg/kg及0.500 mg/kg。
2.2 数据处理
采用Excel对数据进行预处理，利用SPSS 24.0进行描述性统计分析，使用GS+9.0进行地统计学参数分析，利用ArcGIS 10.2制作空间分布图。通过EPA PMF 5.0软件对重（类）金属元素来源进行解析。
2.3 评价方法
采用单因子污染指数法、内梅罗综合污染指数法评价研究区的重（类）金属污染状况，采用潜在生态风险指数法确定土壤生态风险等级，使用正定矩阵因子模型解析土壤重（类）金属来源。
2.3.1 单因子污染指数法（Pr）
直观反映污染元素在土壤环境中的具体情况，是常用的重（类）金属污染评价方法（陈锦等，2020）。计算公式为：
$$ {P}_{r}={C}_{r}/{S}_{r} $$ (1) 式中：$ {C}_{r} $为元素r实测值（mg/kg）；$ {S}_{r} $为相应元素的土壤背景值（mg/kg），文中标准参照新疆土壤元素背景值（表1）。单因子污染指数法评价标准为：$ {P}_{r} $≤1，无污染；1＜$ {P}_{r} $≤2，轻度污染；2＜$ {P}_{r} $≤3，中度污染；$ {P}_{r} $≥3，重度污染。
表 1 土壤重（类）金属描述性统计表（n=125）Table 1. Descriptive statistics of soil heavy metals（n=125）元素 最小值
（mg/kg）最大值
（mg/kg）平均值
（mg/kg）标准差
（mg/kg）偏度 峰度 变异
系数(%)新疆背景值
（mg/kg）国国家筛查值（mg/kg） As 2.40 24.60 9.63 3.71 1.07 1.49 38 11.20 25.00 Hg 0.01 0.03 0.01 0.01 0.89 −0.04 42 0.02 3.40 Cr 23.29 75.70 42.19 10.48 0.69 0.12 25 49.30 250.00 Ni 11.71 39.20 21.39 5.61 0.55 −0.18 26 26.60 190.00 Cu 8.92 40.90 18.96 6.79 0.93 0.62 36 26.70 100.00 Zn 29.68 93.10 52.15 13.91 0.53 −0.32 27 68.80 300.00 Cd 0.07 0.26 0.14 0.04 0.72 0.46 26 0.12 0.60 Pb 10.08 32.58 17.48 3.06 1.29 3.79 17 19.40 170.00 pH 8.01 9.46 8.66 0.29 0.25 0.05 3.3 — — 注：背景值参照新疆土壤元素地球化学背景值（2011）（叶盼青等，2022）。 2.3.2 内梅罗综合污染指数法（Pn）
综合各重（类）金属元素的协同效应，突出最富集元素对环境的污染危害，同时反映多元素对土壤的综合污染程度（奉大博等，2022；王雪婷，2022）。计算公式为：
$$ {P}_{n}=\sqrt{({P}_{rmax}^{2}+{P}_{ravg}^{2})/2} $$ (2) 式中：Prmax为重（类）金属单因子污染指数最大值；Pravg是重（类）金属单因子污染指数平均值。内梅罗综合污染指数法评价标准为:Pn≤1，无污染；1＜Pn≤2，轻度污染；2＜Pn≤3，中度污染；Pn≥3，重度污染。
2.3.3 潜在生态风险指数法（RI）
突出重（类）金属元素的生态、环境和毒理效应，根据单因子污染指数计算各重（类）金属生态风险指数，最后综合各重（类）金属元素生态风险指数获得研究区潜在生态风险等级（Nalan et al., 2020；Ajani et al., 2021）。计算方法如下：
（1）单项重（类）金属的潜在生态风险指数
$$ {E}_{r}={T}_{r}\times {P}_{r} $$ (3) 式中：Pr为单因子污染指数；Tr为重（类）金属毒性响应系数，笔者参考沉积学毒性系数（林丽钦，2009）。
（2）综合潜在生态风险指数
$$ RI=\sum {E}_{r} $$ (4) 式中：Er为各单项重（类）金属的潜在生态风险指数。
2.3.4 正定矩阵因子（PMF）源解析模型
土壤中重（类）金属元素的来源复杂，其途径既可以是单一性，也可以是多元性。笔者通过PMF模型对研究区土壤重（类）金属元素的主要来源进行解析。系统导入各元素的原始数据、不确定度数据，依次确定各元素的信噪比、因子数、拟合精度等相关参数，使其满足规范要求。
PMF模型将样品各元素浓度矩阵（Xij）分解成源贡献因子矩阵（Gij）、源成分谱因子矩阵（Fik）和残差矩阵（Ekj），通过求解定量识别各重（类）金属来源的贡献率（陈明等，2022），具体公式如下：
$$ {X}_{ij} = {\sum }_{k=1}^{p}{G}_{ij}{F}_{ik}+{E}_{kj} $$ (5) 式中：Xij为第i个样品中第j个元素的含量；Gij为第j个源对第i个样品的贡献；Fik为第k个源中第j个元素的含量；Ekj是残差矩阵。
PMF模型通过最小二乘法经多次迭代运算得到目标函数Q，从而得到最优的因子矩阵和源剖面。目标函数Q的定义如下：
$$ Q={\sum }_{i=1}^{n}{\sum }_{j=1}^{m}{\left(\frac{{X}_{ij}+{\sum }_{k=1}^{p}{G}_{ij}{F}_{ik}}{{U}_{ij}}\right)}^{2} $$ (6) 式中：Uij为第i个样品第j个元素的不确定度：
$$ {U}_{ij}=5/6\times MDL \qquad ( \mathrm{C}\leqslant MDL) $$ (7) $$ {U}_{ij}=\sqrt{{\left(C\times RSD\right)}^{2}+{\left(MDL/2\right)}^{2}} \qquad ( \mathrm{C} ＞ MDL) $$ (8) 式中：C为重（类）金属元素含量，mg/kg；RSD为相对标准偏差；MDL为方法检出限，参考分析测试标准数据。
3. 研究结果
3.1 土壤重（类）金属含量统计特征
由表1可知，研究区土壤中As、Hg、Cr、Ni、Cu、Zn、Cd、Pb 8种元素的均值分别为9.63 mg/kg、0.01 mg/kg、42.19 mg/kg、21.39 mg/kg、18.96 mg/kg、52.15 mg/kg、0.14 mg/kg和17.48 mg/kg，其中Cd均值是新疆土壤地球化学背景值的1.17倍，其他元素均值低于新疆土壤地球化学背景值，所有元素的均值未超过国家农业用地土壤环境质量标准（GB15618-2018）中规定的风险筛查值。
偏度和峰度分别描述了样本数据分布的对称和高低程度。由表2可知，偏度方面：所有元素的偏度均大于0，特别是As、Pb元素的偏度大于1，处于正偏态。峰度方面：除Pb元素峰度大于3外，其他元素的峰度均小于1。说明部分采样点重（类）金属含量较高，处于区域异常状态。
表 2 相关理论参数及最优拟合模型Table 2. Related theoretical parameters and optimal fitting model元素 理论模型 块金值C0 基台值Sill 块金比（%） 变程（m） 决定系数R2 残差RSS As 指数 0.02 0.14 0.89 4920.00 0.77 6.10×10−5 Hg 高斯 0.02 0.14 0.84 3222.00 0.18 1.08×10−4 Cr 指数 0.01 0.06 0.87 4200.00 0.35 9.66×10−5 Ni 指数 0.01 0.07 0.89 3570.00 0.22 4.01×10−5 Cu 指数 0.01 0.12 0.89 2520.00 0.23 1.16×10−4 Zn 指数 0.01 0.07 0.89 3240.00 0.24 4.20×10−5 Cd 高斯 0.01 0.06 0.83 2286.00 0.24 5.15×10−5 Pb 高斯 0.00 0.04 0.83 3186.00 0.38 8.35×10−6 pH 高斯 0.00 0.00 0.84 3984.00 0.21 1.76×10−8 变异系数（CV）反映了数据的变异程度，CV值越大，表明元素在各个采样点中含量差异越大（陈喜等，2022）。由表2可知，除As、Hg元素属于强变异外，其他元素均处于中等变异水平，说明部分区域存在重（类）金属含量异常现象。受研究区干旱少雨气候的控制，元素迁移聚集受限，导致异常点零星分布。土壤pH值介于8.01～9.46，平均值为8.66，呈强碱性，其偏度、峰度和变异系数分别为0.25、0.05和3.3%，说明区内土壤pH值变化幅度较小。
3.2 土壤重（类）金属含量空间分布规律
土壤是时空连续体，受多种成土因素的共同控制，成土因素的变化易导致土壤理化性质发生改变，致使其空间分布非均一。由于土壤样品仅代表采样点本身的性质，为准确表达各元素的空间分布规律，借助GIS和地统计学理论，利用克里金（Kriging）插值构建空间模型，分析各元素的空间分布格局（胡明等，2021）。通过GS+9.0软件确定相关参数及最优拟合模型（表2），利用ArcGIS 10.2简单克里金插值模块对已知点位数据空间插值估计未采样点的属性值，绘制了研究区土壤重（类）金属元素空间分布图。
由图2a～图2h可知，8种元素的分布范围各不相同，但高值区均主要集中在研究区的西北和东南部，呈现环岛状分布格局。As、Ni及Pb元素分布表现出相对的一致性，含量高值区在西北和东南部分布面积较广，中部零星分布。Hg、Cr和Cd元素也在东南部出现较大范围含量高值区。Cu和Zn元素含量整体较低，仅在东南部小范围出现高值区。前人研究发现，土壤pH对土壤重（类）金属的影响主要体现在两方面，一方面是其决定着元素的形态、溶解度和有效性，另一方面是影响着元素在固相土粒上的专项吸附能力（杨秀敏等，2017；杨淑媛，2022）。由图2i发现，区内pH值空间分布呈现“西北高、东南低”，与土壤中各重（类）金属的空间分布格局一致性较差，表现出一定的负相关关系。原因可能是随着pH值升高，土壤阳离子交换量上升，阳离子的吸附量和吸附能力加强，导致西北部土壤重（类）金属的溶解态减少、颗粒态增多，一定程度影响着重（类）金属元素的空间分布格局。
![]()
图 2 研究区土壤重（类）金属含量空间分布示意图Figure 2. Schematic diagram of the spatial distribution of soil heavy metal content in the study area综上可知，研究区的东南部是土壤重（类）金属含量高值的集中分布区，其次是西北部，中部地区各元素含量值较低。结合野外采样实际可知，三十三团五连、九连、十连及营建连等是土壤重（类）金属含量高值的分布区，同时这里也是当地规模化农业种植的重点区域。
3.3 土壤重（类）金属污染特征和空间分布规律
研究区土壤各重（类）金属的单项污染指数（Pr）平均值大小顺序依次为：Cd（1.16）＞Pb（0.90）＞As（0.86）＝Cr（0.86）＞Hg（0.85）＞Ni（0.80）＞Zn（0.76）＞Cu（0.71）。根据Pr分级标准，区内Cd元素属于轻度污染，其他元素属于无污染。
由表3可知，Hg、Cr、Ni、Cu、Zn和Pb等6种元素无污染样点数的占比均超70%。Cd元素有60.83%的样点处于轻度污染状态。同时，0.7%点位As、Cd元素处于中等污染水平，表明Cd、As是引起研究区土壤重（类）金属污染的主要元素。Pn变化范围为0.61～1.95，平均值为1.04，且轻度污染样本占比大于无污染样本，根据其分级标准，说明研究区处于轻度污染水平。根据计算的$ {P}_{r} $和$ {P}_{n} $指数，利用Arcgis10.2的普通克里金插值模块，绘制了各元素的Pr和Pn指数的空间分布图（图3）。由图3a～图3h可知，各元素Pr指数的空间分布格局各不相同，其中Cu元素表现为全域无污染；Zn元素仅在东南部出现了零星分布的轻度污染区，整体上也处于无污染水平；Cd是研究区污染面积最大、程度最高的元素；As、Hg、Cr、Ni和Pb等5种元素在研究区东南部出现了小面积的轻度污染区。从$ {P}_{n} $指数的空间分布情况来看（图3i），除正北向部分区域和南部零星地区无污染外，整个研究区基本处于轻度污染水平，其中以东南部最为集中。
表 3 不同污染级别的样本数占总样本数的百分数（n=125）Table 3. The number of samples with different contamination levels is a percentage of the total number of samples (n=125)指数 元素 无污染 轻度污染 中度污染 重度污染 单因子污染指数（Pr） As 69.93% 29.37% 0.70% 0 Hg 72.03% 29.97% 0 0 Cr 78.32% 21.68% 0 0 Ni 81.82% 18.18% 0 0 Cu 88.81% 11.19% 0 0 Zn 86.71% 13.29% 0 0 Cd 38.46% 60.83% 0.70% 0 Pb 78.32% 21.68% 0 0 内梅罗综合污染指数（Pn） — 48.95% 51.05% 0 0 ![]()
图 3 土壤重（类）金属的$ {{P}}_{{r}}\mathrm{和}{{P}}_{{n}} $空间分布图Figure 3. Spatial distribution map of $ {P}_{r} $ and $ {P}_{n} $ of soil heavy metals3.4 土壤重（类）金属潜在生态风险评价
结合上述分析发现，Pn指数在评价过程中突出了Pr指数最大的重金属元素对土壤污染影响，使Cd元素在Pn指数中占比过大，导致评价灵敏性不足，无形中增大了土壤重金属污染的面积和程度，无法全面反映研究区土壤重金属污染的综合特征，这与其他学者在相邻研究区的结论较一致（阿吉古丽·马木提等，2017）。同时，由于各重（类）金属元素之间毒性响应系数差异较大，为确保评价结果的准确性，需要对潜在生态风险评价标准进行优化。参考相关文献（马建华等，2020；吴梅等，2023），借鉴前人研究成果（阿吉古丽·马木提等，2017），对研究区潜在生态风险评价标准进行调整如下（表4）。
表 4 调整前后潜在生态风险评价标准Table 4. Evaluation criteria of potential ecological risks before and after adjustment指标 生态危害等级 轻微 中等 强 很强 极强 调整前 单项生态风险指数（Er） ＜40 40～80 80～160 160～320 ＞320 综合生态风险指数（RI） ＜150 150～300 300～600 ＞600 调整后 单项生态风险指数（Er） ＜30 30～60 60～120 120～240 ＞240 综合生态风险指数（RI） ＜70 70～140 140～280 ＞280 由表5可知，除Cd和Hg元素外，其他元素的Er指数均小于30，生态风险等级为轻微。Cd、Hg元素属于中等生态风险样点数占比分别为61.54%、53.85%，生态风险等级为中等，说明Hg、Cd是研究区土壤生态风险等级上升的主控元素。同时RI指数的变化范围为50.75～179.07，属于轻微、中等、较强生态风险的样点数分别占比29.37%、63.63%和7.00%，说明研究区整体生态风险等级为中等。
表 5 潜在生态风险评价Table 5. Assessment of potential ecological risks潜在生态风险系数（Er） 综合潜在生态
污染指数（RI）元素 As Hg Cr Ni Cu Zn Cd Pb 最小值 2.14 14.12 0.94 2.20 1.67 0.43 18.32 2.60 50.75 最大值 21.96 75.29 3.07 7.37 7.66 1.35 66.00 8.40 179.07 均值 8.60 34.03 1.71 4.02 3.55 0.76 34.76 4.51 91.93 4. 土壤重（类）金属来源解析
通过PMF模型对125个土壤样品进行解析，得到研究区土壤重（类）金属来源的贡献谱。由图4可知，因子1的主载荷元素为As，贡献率为76.1%。结合图2可知，区内As含量空间分布差异性较大，其含量高值区主要集中于研究区东南部，靠近塔里木河下游，说明重（类）金属的空间分布受到地表水、地下水等水文环境的影响。前人研究表明，研究区北部的天山山脉岩石中含砷矿物，受大气降水、冰川融水的影响，导致了岩石中的As元素的渗出，为区内土壤中As元素的富集提供了丰富的物源。同时，因子2的主载荷元素为Cu、Cr、Ni和Zn，贡献率分别为40%、34%、33.5%和28.10%。由重（类）金属元素的空间分布（图2）可得，Cu、Cr、Ni和Zn空间分布较为一致，表现出显著的相关性，且在研究区东南含量较高，受地形和水动力条件的影响，土壤重（类）金属元素的迁移、活化和富集主要集中在东南部。Cu、Cr和Ni是亲铁元素，在自然界与铁共生。从地质背景分析，它们一般由基性或超基性岩等岩浆来源较深的岩石发育而来，主要与成土母质中的暗色矿物如角闪石、辉石等含量有关（曹佰迪等，2022）。从化学反应分析，这4种元素活泼性较弱，难以与氧或弱酸发生化学反应，它们在氧化、碱性环境下，母岩风化产物较难发生转化（冯博鑫等，2023）。且Cu、Cr、Ni和Zn元素的均值均小于新疆土壤背景值，整体受污染程度较小，人类活动影响较小。因此认为其来源与地质背景密切相关。故因子1、因子2可代表自然因素源。
因子3的主载荷元素为Pb，贡献率分别为21.10%。相关研究证实，Pb元素是机动车尾气排放的主要污染物（Begum et al., 2010），特别是Pb常被作为交通来源的识别性元素（余飞等，2023），加之Pb元素拥有较长的半衰期，易富集。贯穿研究区的218国道，是新疆主干交通网络，车辆众多，且以大型货车为主。加之研究区属农业集中区，各类农业机械出入频繁，轮胎磨损、尾气排放等一定程度上增加了Pb等元素的积累。故因子3可代表交通运输源。
因子4的主载荷元素为Cd，贡献率分别为46.80%。农业土壤中Cd的主要来源通常是含有无机化合物和矿物质的农用化学品、化肥和农药。长期使用过量的化肥和农药是导致表层土壤Cd富集的主要原因，因此Cd元素常被用作农药和化肥等使用的标识（Gray et al., 1999）。研究区土地利用类型以耕地为主，棉花、香梨等经济作物的大规模种植，需要消耗大量的化肥和农药，同时，由图2g可知，Cd含量高值区业主要集中于耕地范围内，区内土壤盐渍化较为严重，为保障农业种植，当地常在灌溉水中添加矿源黄腐酸钾，用来改良土壤，该添加剂的长期使用也可导致Cd等重（类）金属元素的富集。故因子4可代表农业生产源。
因子5的主载荷元素为Hg，贡献率分别为30.20%。前人研究表明土壤中Hg的来源与煤炭有关（Hu et al., 2018），Hg蒸气主要通过沉降的方式进入土壤，沉积的主要来源有热电燃烧煤、企业燃煤加热器等（周雪明等，2017）。研究区为南疆主要城市群之一，生产生活电力需求大，易导致重（类）金属元素积累。故因子5可代表煤炭燃烧源。
结合以上数据，计算各重（类）金属来源的贡献比例（图5），其中自然因素（48.88%）对土壤重（类）金属来源的贡献率最大，其次为农业生产（31.63%），同时交通运输（7.29%）和煤炭燃烧（12.20%）也引起部分地区的重（类）金属富集。
5. 结论
（1）研究区Cd元素的均值是其土壤背景值的1.17倍，其他元素均值都未超过新疆背景值，所有元素的均值未超过国家风险筛查值。说明研究区土壤重（类）金属含量整体处于正常水平，土壤环境质量相对较好。
（2）研究区Cd元素有60.83%的样点处于轻度污染状态，从Pr指数和Pn指数的空间分布格局来看，研究区污染面积最大、程度最高的元素也是Cd元素，因此Cd元素的污染需要引起关注。总的来说，研究区土壤重（类）金属污染程度不高，处于轻度水平。
（3）Hg和Cd中等生态风险样点数分别占比53.85%、61.54%，生态风险为中等级，其他元素为轻微级。同时RI指数的变化范围为50.75～179.07，属于轻微、中等、较强生态风险的样点数分别占比29.37%、63.63%和7%。说明研究区基本处于中等生态风险等级，风险形势整体可控。
（4）PMF源解析结果表明，研究区自然因素（48.88%）对土壤重（类）金属来源的贡献率最大，其次为农业生产（31.63%），交通运输（7.29%）和煤炭燃烧（12.20%）对重（类）金属元素积累的贡献相对较少。
-
![]()
图 1 物理模型装置和负压计埋设位置
Figure 1. Buried location of physical model device and negative pressure gauge
![]()
图 2 E5试验滑动破坏过程
a.初始状态；b.局部流土（第一次降雨130 min）；c.拉张裂隙（第一次降雨200 min）；d.局部滑动（第一次降雨213 min）；e.裂隙扩展（第一次降雨300 min）；f.滑动破坏（第一次降雨350 min）
Figure 2. Sliding failure process of E5 test
![]()
图 3 E1试验滑动转流动破坏过程
a.初始状态；b.裂隙发育（第三次降雨110 min）；c.局部侵蚀（第四次降雨150 min）；d.渐进滑动（第五次降雨300 min）；e.强裂隙化区域（第五次降雨490 min）；f.流动破坏（第六次降雨300 min）
Figure 3. Failure process of sliding flow in E1 test
![]()
图 4 E1模型剖面2土壤基质吸力随时间变化关系曲线
Figure 4. Relation curve of soil matric suction with time in E1 model section 2
![]()
图 8 降雨期间滑动及流动破坏初始时间
Figure 8. Initial time of sliding and flow failure during rainfall
![]()
图 9 E5、E4滑动转流动过程
a. E5初始滑动；b. E5滑体滑落坡脚；c. E4初始滑动；d .E4滑体堆积坡面
Figure 9. Sliding and transforming flow processes of E5 and E4
表 1 试验工况
Table 1 Test condition
试验
编号边坡
角度降雨
强度（mm·h）单次累计
降雨量（mm）初始
孔隙比E1 30° 6.19 61.9 0.965 E2 30° 5.04 80.71 0.983 E3 60° 6.19 55.7 0.965 E4 60° 5.04 80.71 0.983 E5 60° 17.89 148.5 0.965 E6 60° 16.12 145.1 0.983 
下载: 导出CSV
表 2 马兰黄土的基本物理参数
Table 2 Basic physical parameters of Malan loess
液限（%） 塑限（%） 湿陷系数 初始质量含水率（%） 初始干密度（g/cm3） 33.5 20.3 0.058 15 1.44
下载: 导出CSV
表 3 降雨方案
Table 3 Rainfall scheme
试验编号 降雨次数（次） 降雨持续时间（h） 总降雨量（mm） E1 9 10 557.1 E2 9 16 726.39 E3 9 9 501.3 E4 5 16 403.55 E5 2 8.3 297 E6 4 9 580.4
下载: 导出CSV
表 4 模型试验破坏模式
Table 4 Failure mode of model test
试验编号 破坏模式 降雨强度（mm/h） E1 滑动转流动 6.19 E2 未发生明显破坏 5.04 E3 滑动 6.19 E4 滑动转流动 5.04 E5 滑动 17.89 E6 滑动转流动 16.12
下载: 导出CSV
-
陈海霞, 王家鼎. 降雨影响黄土泥流起动的试验研究[J]. 西北大学学报(自然科学版), 2013, 43（3）: 447−450. CHEN Haixia, WANG Jiading. Experimental research about the rainfall's effects on mudflow initiation[J]. Journal of Northwest UniversityNatural Science Edition,2013,43(3):447−450.
陈伟, 骆亚生, 武彩萍. 人工降雨作用下黄土边坡的室内模型试验研究[J]. 中国农村水利水电, 2013（5）: 100−104. doi: 10.3969/j.issn.1007-2284.2013.05.027 CHEN Wei, LUO Yasheng, WU Caiping. The laboratory model test study of loess slope under the artificial rainfall[J]. China Rural Water and Hydropower,2013(5):100−104. doi: 10.3969/j.issn.1007-2284.2013.05.027
付泉, 党光普, 李致博, 等. 基于分形维数耦合支持向量机和熵权模型的滑坡易发性研究[J]. 西北地质, 2024, 57（6）: 255−267. FU Quan,DANG Guangpu,LI Zhibo,et al. Study of Landslide Susceptibility Mapping Based on Fractal Dimension Integrating Support Vector Machine with Index of Entropy Model[J]. Northwestern Geology,2024,57(6):255−267.
黄森. 天水市“7.25”群发性降雨滑坡灾害预警模型研究[D]. 西安: 西北大学, 2021. HUANG Sen. Study on the early warning model of "7.25" mass rainfall landslide disaster in Tianshui City[D]. Xi'an:Northwest University, 2021.
黄志全, 何鹏. 用有效降雨量监测黄土边坡稳定性的研究[J]. 华北水利水电学院学报, 2007, 28（6）: 53−55. HUANG Zhiquan, HE Peng. Research of slope stability on effective rainfall[J]. Journal of North China Institute of Water Conservancy and Hydroelectric Power,2007,28(6):53−55.
贾俊, 张茂省, 冯立, 等. 流态破坏型黄土滑坡滑带土临界特征[J]. 西北地质, 2019, 52（2）: 136−147. JIA Jun, ZHANG Maosheng, FENG Li, et al. Critical characteristics of slip zone soil in loess landslide with flow failure pattern[J]. Northwestern Geology,2019,52(2):136−147.
金艳丽, 戴福初. 饱和黄土的静态液化特性试验研究[J]. 岩土力学, 2008, 29（12）: 3293−3298. doi: 10.3969/j.issn.1000-7598.2008.12.021 JIN Yanli, DAI Fuchu. Experimental investigation of static liquefaction of saturated loess[J]. Rock and Soil Mechanics,2008,29(12):3293−3298. doi: 10.3969/j.issn.1000-7598.2008.12.021
李明, 高维英, 杜继稳. 陕西黄土高原诱发地质灾害降雨临界值研究[J]. 陕西气象, 2010, （5）: 1−5. doi: 10.3969/j.issn.1006-4354.2010.05.001 LI Ming, GAO Weiying, DU Jiwen. Study on the critical value of rainfall induced geological disasters in Loess Plateau of Shaanxi Province[J]. Journal of Shaanxi Meteorology,2010,(5):1−5. doi: 10.3969/j.issn.1006-4354.2010.05.001
李同录, 李颖喆, 赵丹旗, 等. 对水致黄土斜坡破坏模式及稳定性分析原则的思考[J]. 中国地质灾害与防治学报, 2022, 33（2）: 25−32. LI Tonglu, LI Yingzhe, ZHAO Danqi, et al. Thoughts on modes of loess slope failure triggered by water infiltration and the principals for stability analysis[J]. The Chinese Journal of Geological Hazard and Control,2022,33(2):25−32.
刘德仁, 张文清, 黄新智, 等. 非饱和黄土边坡水热变化过程室内模型试验研究[J]. 岩土力学, 2017, 38（S2）: 236−240. LIU Deren, ZHANG Wenqing, HUANG Xinzhi, et al. Laboratory model test on water and heat variation process of unsaturated loess slope[J]. Rock and Soil Mechanics,2017,38(S2):236−240.
孟振江, 张凡, 彭建兵, 等. 预设节理条件下降雨型黄土滑坡模型试验研究[J]. 工程地质学报, 2022, 30（5）: 1528−1537. MENG Zhenjiang, ZHANG Fan, PENG Jianbing, et al. Model test research on rainfall-type loess landslide under preset joint conditions.[J]. Journal of Engineering Geology,2022,30(5):1528−1537.
亓星, 许强, 孙亮, 等. 降雨型黄土滑坡预警研究现状综述[J]. 地质科技情报, 2014, 33（6）: 219−225. QI Xing, XU Qiang, SUN Liang, et al. Research overview on early warning of precipitation-induced loess landslides[J]. Geological Science and Technology Information,2014,33(6):219−225.
孟晓捷, 郭小鹏, 薛强, 等. 黄土地质灾害评价因子地形起伏度提取最佳尺度研究: 以榆林市米脂县为例[J]. 西北地质, 2024, 57（6）: 234−243. MENG Xiaojie,GUO Xiaopeng,XUE Qiang,et al. Research on Optimal Scale for Extraction of Relief Amplitude in Loess Geological Hazards Assessment Factors: a Case Study of Mizhi County, Yulin City[J]. Northwestern Geology,2024,57(6):234−243.
孙建中, 王兰民, 门玉明, 等. 黄土学(第3册)[M]. 香港: 香港考古学会, 2012. SUN Jianzhong,WANG Lanmin,MEN Yuming,et al. Loessology (Vol. 3)[M]. Hongkong:Hongkong Archaeological Society,2012.
孟晓捷, 张新社, 曾庆铭, 等. 基于加权信息量法的黄土滑坡易发性评价——以1: 5万天水市麦积幅为例[J]. 西北地质, 2022, 55（2）: 249−259. MENG Xiaojie, ZHANG Xinshe, ZENG Qingming, et al. The Susceptibility Evaluation of Loess Landslide Based on Weighted Information Value Method: Taking 1: 50 000 Map of Maiji District of Tianshui City As an Example[J]. Northwestern Geology,2022,55(2):249−259.
唐亚明, 薛强, 毕俊擘, 等. 降雨入渗诱发黄土滑塌的模式及临界值初探[J]. 地质论评, 2013, 59（1）: 97−106. doi: 10.3969/j.issn.0371-5736.2013.01.010 TANG Yaming, XUE Qiang, BI Junbo, et al. Preliminary study on loess landslide rainfall triggering modes and thresholds[J]. Geological Review,2013,59(1):97−106. doi: 10.3969/j.issn.0371-5736.2013.01.010
唐然, 任穗川, 范宣梅, 等. 大型红层缓倾岩层滑坡形成机制——以川北断渠滑坡为例[J]. 成都理工大学学报(自然科学版), 2024, 51（4）: 673−686. TANG Ran, REN Suichuan, FAN Xuanmei, et al. Formation mechanism of large-scale red bed gently inclined strata landslide: Taking Duangu landslide in north Sichuan as an example[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2024,51(4):673−686.
王家鼎. 高速黄土滑坡的一种机理——饱和黄土蠕动液化[J]. 地质论评, 1992, 38（6）: 532−539. doi: 10.3321/j.issn:0371-5736.1992.06.011 WANG Jiading. A mechanism of high-speed loess landslides-saturated loess creeping liquefaction[J]. Geological Review,1992,38(6):532−539. doi: 10.3321/j.issn:0371-5736.1992.06.011
王豪, 何朝阳, 巨能攀, 等. 多设备多参数联动的滑坡预警方法[J]. 成都理工大学学报(自然科学版), 2024, 51（6）: 1057−1069. WANG Hao, HE Chaoyang, JU Nengpan, et al. A linked multi-device and multi parameter landslide early warning method[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2024,51(6):1057−1069.
武彩萍, 骆亚生, 陈伟, 等. 降雨对黄土裸坡坡面形态影响的室内模型试验[J]. 水土保持通报, 2013, 33（1）: 115−119. WU Caiping, LUO Yasheng, CHEN Wei, et al. Indoor model experiment for rainfall effects on bare loess slope shape[J]. Bulletin of Soil and Water Conservation,2013,33(1):115−119.
辛鹏, 吴树仁, 石菊松, 等. 降雨诱发浅层黄土泥流的研究进展、存在问题与对策思考[J]. 地质论评, 2015, 61（3）: 485−493. XIN Peng, WU Shuren, SHI Jusong, et al. Comment on the progress in, problems and countermeasure on mudflow induced by rainfall[J]. Geological Review,2015,61(3):485−493.
许领, 戴福初, 闵弘. 黄土滑坡研究现状与设想[J]. 地球科学进展, 2008, 23（3）: 236−242. doi: 10.3321/j.issn:1001-8166.2008.03.003 XU Ling, DAI Fuchu, MIN Hong. Research progress and some thoughts on loess landslides[J]. Advance in Earth Sciences,2008,23(3):236−242. doi: 10.3321/j.issn:1001-8166.2008.03.003
张林梵. 基于时序InSAR的黄土滑坡隐患早期识别—以白鹿塬西南区为例[J]. 西北地质, 2023, 56（3）: 250−257. ZHANG Linfan. Early Identification of Hidden Dangers of Loess Landslide Based on Time Series InSAR: A Case Study of Southwest Bailuyuan[J]. Northwestern Geology,2023,56(3):250−257.
张茂省, 李同录. 黄土滑坡诱发因素及其形成机理研究[J]. 工程地质学报, 2011, 19（4）: 530−540. doi: 10.3969/j.issn.1004-9665.2011.04.014 ZHANG Maosheng, LI Tonglu. Triggering factors and forming mechanism of loess landslides[J]. Journal of Engineering Geology,2011,19(4):530−540. doi: 10.3969/j.issn.1004-9665.2011.04.014
张琪, 巨能攀, 张成强, 等. 库水位变化时陡倾软弱顺层岩质滑坡变形机制[J]. 成都理工大学学报(自然科学版), 2023, 50（2）: 206−217. ZHANG Qi, JU Nengpan, ZHANG Chengqiang, et al. Landslide deformation mechanism of steep weak bedding rock under the variation of reservoir water level[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2023,50(2):206−217.
曾昌禄, 李荣建, 关晓迪, 等. 不同雨强条件下黄土边坡降雨入渗特性模型试验研究[J]. 岩土工程学报, 2020, 42（S1）: 111−115. doi: 10.11779/CJGE2020S1022 ZENG Changlu, LI Rongjian, GUAN Xiaodi, et al. Experimental study on rainfall infiltration characteristics of loess slopes under different rainfall intensities[J]. Chinese Journal of Geotechnical Engineering,2020,42(S1):111−115. doi: 10.11779/CJGE2020S1022
Bruce J P, Clark R H. Introduction to Hydrometeorology[M]. London: Pergamon Press, 1969.
Fausto, Guzzetti, Silvia, et al. The rainfall intensity–duration control of shallow landslides and debris flows: an update[J]. Landslides,2008,5(1):3−17.
Caine N. The Rainfall Intensity-Duration Control of ShallowLandslides and Debris Flows[J]. Geografiska Annaler: Series A, Physical Geography, 1980, 62: 1−2, 23−27.
Peng J B, Fan Z J, Wu D Z, et al. Heavy rainfall triggered loess-mudstone landslide and subsequent debris flow in Tianshui, China[J]. Engineering Geology, 2015, 186(Null).
Sun Y, Zhang J, Wang H A, et al. Probabilistic thresholds for regional rainfall induced landslides[J]. Computers and geotechnics,2024,166(Feb.):106040.1−106040.9.
Wang S, Gregor I, Wu W. Centrifuge modelling of rainfall-induced slope failure in variably saturated soil[J]. Acta Geotechnica,2021,16(9):2899−2916. doi: 10.1007/s11440-021-01169-x
Zhuang J Q, Iqbal J, Peng J B, et al. Probability prediction model for landslide occurrences in Xi'an, Shaanxi Province, China[J]. Journal of Mountain Science,2014,11(2):345−359. doi: 10.1007/s11629-013-2809-z
计量
- 文章访问数: 28
- HTML全文浏览量: 5
- PDF下载量: 19
