基于云技术的山区道路滑坡损失风险与经济评估系统

《Landslides》：Cloud-based risk and economic assessment system for landslide damage of mountain roads

　　**摘要**

在台湾，由地质活动和极端天气事件（如台风）引发的滑坡经常破坏山区道路，对人类生命、车辆安全以及交通基础设施构成严重威胁。为应对这些挑战，本研究开发了一个全面的风险评估模型，以帮助道路管理决策者评估滑坡风险，并提高道路坡度维护工作的有效性。该模型考虑了环境条件、坡度稳定措施以及道路封闭的经济影响，并利用历史滑坡案例来评估滑坡引发的潜在生命损失、交通中断和道路堵塞的严重程度。这项研究的一个关键特点是整合了地理信息系统（GIS），实现了滑坡风险的可视化映射，为道路管理当局提供了明确的、基于数据的检查和维修优先级依据。所开发的模型建立了一种根据计算出的风险等级对道路坡度进行排序的机制，确保高风险区域得到优先关注。该模型生成的数据不仅有助于决策者优化公共道路维护资源的分配，还能最小化与滑坡相关的社会和经济损失。此外，研究结果强调了改进与滑坡相关的数据收集工作以及建立适合台湾地理和社会条件的风险评估标准的必要性。道路管理当局可以利用该模型做出更明智的道路维护决策，从而提高公共安全，减少道路封闭情况，并在台湾易发生滑坡的关键路段适当安排维护工作。

**引言**

道路建设质量显著影响着经济增长、社会安全、区域安全以及整体社会发展（Chen等人，2019年）。在台湾的山区，大多数道路都经过陡峭悬崖和山丘之间的区域。由于该岛地区地质年龄相对较年轻，地表地壳的压缩和变形过程仍在进行中，导致岩体破碎，从而频繁发生落石和滑坡（Lee等人，2020年）。这一问题因台湾位于环太平洋地震带而进一步加剧。台风等天气现象带来的强降雨会将岩石和土壤冲到道路上，造成人员伤亡和道路基础设施的重大损失（Lee等人，2020年；Lin等人，2021年）。由于道路管理当局的资金和人力资源有限，无法全面检查和维护道路坡度，因此优先安排道路坡度维修工作以优化现有资源显得尤为重要。

基于已在台湾进行的关于坡度损坏的重要研究结果，坡度损坏风险评估是一个亟待解决的问题（Chao，2005年；Cheng等人，2013年；Lee等人，2018年）。然而，很少有研究探讨坡度损坏对经济和人类生命的潜在负面影响，实际问题仍然阻碍了道路维护工作的有效优先排序。尽管其他国家的研究已经考虑了风险评估因素以评估道路坡度改善的必要性（Jemec Aufli?等人，2019年；Kong等人，2020年；Li & Wang，2020年；Nanda等人，2020年；Svalova等人，2019年），但这些考虑大多针对当地地理条件进行定制，因此不适用于台湾。由于滑坡对这些事件对基础设施、人类生命和经济活动的严重影响，滑坡风险评估和管理至关重要。以往的研究广泛探讨了滑坡易发性和灾害评估，尤其是在地形复杂和气候极端的地区。台湾多山的地形、频繁的地震活动以及反复出现的台风使其特别容易发生滑坡。因此，许多使用实证和概率模型的研究已经发表，分析了该国的滑坡易发性及其与环境及人为因素之间的关系（Chen等人，2019年；Huang等人，2022a，b）。然而，尽管这些研究为理解滑坡发生提供了坚实基础，但它们的主要重点在于灾害特征描述，而后果评估通常被忽视或仅作为次要考虑因素。

远程感应和地理信息系统（GIS）技术的最新进展进一步增强了滑坡检测和监测能力（Chen & Chen，2021年；Huang等人，2022a，b）。合成孔径雷达（SAR）、光探测与测距（LiDAR）等先进技术已被成功应用于早期预警和灾害制图工作中（Lee等人，2018年；Lin等人，2021年）。在此基础上，最近的研究进一步结合了多源空间数据和概率框架，以评估区域滑坡灾害和风险。例如，Jin等人（2025年）展示了将地理空间环境指标与概率风险模型结合用于山区走廊基础设施规模地质灾害管理的有效性。类似地，其他研究强调了使用数字地球平台和遥感数据进行区域尺度上基于数据的滑坡风险评估的潜力（Jin等人，2024年）。总体而言，这些进展加强了本研究中采用的基于云的、集成GIS的风险评估框架的方法论基础，并突显了可扩展和可访问的风险管理系统对道路基础设施的重要性。然而，尽管方法论有所进步，但在评估滑坡对交通基础设施和人类影响的更广泛影响方面仍存在明显的研究空白，现有研究往往侧重于灾害发生而忽视了后果评估。

在中国及其他山区的研究表明，滑坡导致的道路封闭会导致严重的交通延误、旅行成本增加以及地区经济活动的中断（Dhakal等人，2020年；Yang等人，2023年）。此外，诸如通行能力下降、生产力损失和紧急响应延迟等间接损失也很严重，但难以量化（Galve等人，2016年）。在台湾，多次严重的滑坡灾害导致了人员伤亡和重大伤害，这凸显了制定更全面的风险管理策略的迫切需求（Lee等人，2020年）。相关文献越来越强调将人类脆弱性和机构应对能力纳入滑坡风险评估中的重要性（Bukhari等人，2023年；Davies，2022年）。然而，明确估计潜在生命损失的定量模型仍然相对有限，特别是在台湾背景下。

同样，道路管理当局在优先安排坡度维护方面仍面临挑战。虽然现有框架旨在利用土壤性质、降雨量和植被覆盖等因素来评估坡度稳定性（Chen等人，2021年；Zhang等人，2021年），但它们往往缺乏将灾害概率与交通影响和人类风险联系起来的综合方法。基于风险的方法已在世界各地的灾害易发地区得到探索，例如多标准决策分析（MCDA）和成本-效益分析（CBA）等工具被用于支持资源分配决策（Beinat & Nijkamp，1998年；Sterlacchini等人，2014年）。不同地区采用了不同的风险管理策略。例如，欧洲使用的模型强调环境、工程和社会因素的整合（Copons & Vilaplana，2008年），而日本的模型则更注重工程对策和实时监控系统（Hong等人，2005年）。在台湾，经济因素最近才被纳入灾害风险建模研究中，完全整合灾害、经济损失和人类安全的综合框架仍然有限（Chang等人，2022年）。

为解决上述限制并促进适用于台湾的全面滑坡风险模型的开发，本研究创建的灾害风险评估框架充分考虑了台湾的地质和地理特征。估算了每条目标道路段每年预期的生命损失和交通基础设施损害，结果用于建立山区道路检查和维护的系统性优先级方案。首先处理风险值较高的道路，确保公共资金、时间和人力资源的最佳分配，以最小化不稳定坡度对公共安全和财产的安全威胁。

因此，本研究的目标是通过以下方式开发一个全面的滑坡风险评估和维护优先级系统：
1. 数据收集与分析——收集省级公路道路坡度数据并分析历史滑坡案例，以评估坡度条件和影响程度。
2. 危害评估——基于统计分析评估滑坡概率以及对道路使用者和车辆的相关风险。
3. 行驶时间延迟估算——通过将道路封闭与行驶延误联系起来，估算交通效率损失并量化经济影响。
4. 风险建模——开发一个模型，以经济术语对灾害风险进行分类和量化，并指导坡度改善策略。
5. 风险评估系统——建立一个基于云的系统来存储滑坡数据，协助道路管理当局，并使用地理信息系统（GIS）可视化空间风险模式，从而支持灾前基于风险的道路检查和缓解规划优先级。通过将灾害概率与后果评估相结合，本研究填补了现有文献中的空白，将灾害评估（发生概率）与后果评估（经济和人类损失）相结合，创建了一个专门针对台湾条件的综合决策支持工具。所开发的系统使道路管理当局能够基于证据做出资源分配决策，优先处理高风险坡度，同时优化有限的预算。

最后，本研究考虑了直接影响山区道路的四类不同的质量运动事件，包括落石、碎屑滑坡、坡体崩塌和滑动失效。落石是指岩石碎片从陡峭斜坡上脱离并向下移动，通常涉及自由落体、弹跳或滚动。碎屑滑坡通常表现为相对较浅的失效面，涉及未固结物质（如土壤、岩石碎片和有机物）的快速向下移动。坡体崩塌描述的是坡体材料的突然和灾难性失效，涉及更大的体积和更深的失效面。滑动是指土壤或岩石质量沿特定失效面向下移动，该失效面可能是平坦的、弯曲的或不规则的。本研究排除了表面侵蚀过程，因为它们不构成质量运动事件，通常不会对道路使用者构成直接威胁。

**道路坡度滑坡危害和风险评估**

本节介绍了使用图1所示的滑坡损害风险评估模型（LDREM）来评估滑坡危害（发生概率）和风险（量化后果）的方法论。

**图1**

**滑坡损害风险评估模型（LDREM）**

根据既定的风险评估原则，本研究明确区分了灾害评估（定义为给定地点滑坡发生的时间和空间概率）和风险评估（定义为潜在后果的量化，以生命损失和经济损失表示，单位为人民币/年）。将危险概率与后果评估相结合，可以得到全面的危险值，这些值有助于支持维护优先级决策。道路边坡的滑坡风险评估涉及后果和失败频率的估算，将损害分为人员伤亡和对交通的影响。交通影响包括：（1）由于道路容量减少或完全封闭导致的旅行时间延误；（2）因绕行而增加的车辆运营成本；（3）由于连通性中断而造成的更广泛的经济干扰。还对行人的风险进行了分析，相关参数如图2所示。台湾18号省道（TPH18）的研究数据为危险频率分析提供了依据。统计模型估计了滑坡的长度、体积、阴影角度和空间影响概率。回归模型确定了时间和空间影响概率，而交通损失风险则是通过旅行时间延误估算来评估的。

图2
该图像的替代文本可能是使用人工智能生成的。
全尺寸图像

**后果结构**
评估与人员伤亡相关的危险和风险

**降雨频率与边坡滑坡概率**
本研究参考了胡和廖（2010年）针对TPH18的滑坡评估模型，该模型将影响因素分为自然因素（如坡度、地质层、植被覆盖和集水区）和人为因素（如坡脚挖掘和坡度变化）。在动态因素中，最大水平表面加速度最为重要。胡的模型使用高斯过程预测由降雨触发的边坡滑坡。在此方法的基础上，本研究根据中央气象局的暴雨标准（130毫米/24小时）定义了触发滑坡的临界降雨量。对1997年至2005年Chiayi和Alishan气象站的数据分析显示，每年平均有4.67天的降雨量超过这一阈值，因此触发因素的频率被定为每年4.67次。在TPH18研究区域内，这一阈值主要在台风事件期间被超过，因为台风能够持续降雨24至72小时，这是导致边坡滑坡的主要气候机制。鉴于未来气候变化情景中预测的更高台风强度和频率（Lee等人，2020年），目前的年触发频率（4.67次/年）可能需要进一步上调。因此，道路管理部门应定期使用更新的降雨频率分析重新评估这一参数，以确保计算出的风险值能反映当前和预期的危险状况。滑坡概率（PL）是根据胡的高斯模型结果确定的（Hu & Liao 2010），如表1所示。

表1：塌陷、滑动和浅层概率

**边坡滑坡影响的概率**
边坡滑坡影响的概率指的是滑坡碎片对人员和车辆造成影响的概率。它包括时间概率（PT）和空间影响概率（PS,life）（澳大利亚地质力学学会 2002）。

时间概率估计了在灾难发生时，风险承担者（如行人、车辆或附近建筑物中的人）位于影响区域内的机会。空间影响概率衡量了他们在该区域内受到影响的几率。PT使用泊松分布来估算滑坡碎片和车辆的同时发生情况（Lin & Chen 2003），如下式所示：
$$
{P}_{T}=f\left(x\right)=\frac{{\lambda }^{x}{e}^{-x}}{x!}, x=\text{0,1},2,\dots ,\infty
$$
（1）
其中λ表示预计通过影响区域的车辆数量，x表示实际通过的车辆数量，e是欧拉数（数学常数e ≈ 2.71828）。

公式（1）表明，必须确定参数λ（即预计通过影响区域的车辆数量）来估算时间概率（PT）。由于从滑坡开始到道路被覆盖的时间很短，λ基于车辆以自由行驶速度通过该区域所需的时间（T）。变量x表示通过的车辆数量，考虑到影响区域的最大容量，并用于计算至少有一辆车受到碎片影响的概率。λ的计算如下式所示：
$$
\lambda =\frac{{Q}_{d}}{86400}\times T
$$
（2）
其中T表示车辆以自由行驶速度通过影响区域所需的时间，Qd表示交通流量减少量。
$$
{Q}_{d}=ADT\times {d}_{q}
$$
（3）
其中ADT表示平均每日交通流量（即每日车辆数量），dq表示交通流量减少率。

必须考虑滑坡碎片直接造成的影响以及因刹车失灵而与掉落岩石碰撞的影响，这涉及到滑坡影响区域（LI）的界定。具体来说，使用公式（4）计算了位移土壤的估计长度（Lf）和停车视距（D）：
$$
{L}_{I}={L}_{f}+D
$$
（4）
其中LI是边坡滑坡影响区域（米），Lf是位移土壤的长度（米），D是停车视距（米）。

基于历史边坡滑坡案例中位移土壤规模的回归统计，构建了位移土壤体积（Vf）和长度（Lf）的回归模型。对于未发生边坡滑坡的案例，使用了刘等人（2009年）对台北市和新竹市周边滑坡的研究结果作为参考。此类情况下的位移土壤体积（Vf）使用公式（5）计算：
$$
{V}_{f}=30000A
$$
（5）
其中Vf表示位移土壤的体积（立方米），A表示集水区面积（平方公里）。

在获得位移土壤体积后，使用发生边坡滑坡的案例的回归统计结果构建的回归模型来估算位移土壤的长度（L’f），从而估算时间概率。停车视距使用Chu（2003）的公式（6）计算如下：
$$
D={d}_{p}+{d}_{b}=0.278{V}_{t}+\frac{{V}^{2}}{254f}
$$
（6）
其中dp表示感知和反应距离（米），db表示刹车距离（米），V表示车辆开始刹车时的速度（公里/小时），t表示感知和刹车时间（秒），f表示轮胎与路面之间的摩擦系数。

考虑到可能有多辆车同时受到碎片的影响，时间概率（PT）计算为0 ≤ x ≤ Nv,max。Nv,max使用公式（7）计算如下：
$$
{N}_{V,max}=\frac{{L}_{I}\times {N}_{L}}{{L}_{V}}
$$
（7）
其中Nv,max表示滑坡影响区域能够容纳的最大车辆数量，LI表示边坡滑坡影响区域（米），NL表示车道数量（条），LV表示车辆长度（米）。

根据这些数据，从滑坡记录或公式（5）得到滑坡造成的土壤体积（Vf）。然后从回归分析结果中估算位移土壤的长度（L’f）。使用公式（6）计算停车视距（D），并代入公式（4）确定滑坡影响区域（LI）。接着使用公式（3）估算降雨期间的交通流量（Qd），并代入公式（2）确定参数λ。最后，公式（7）得到车辆通过的最大数量（Nv,max）。公式（1）计算车辆通过影响区域的时间概率（PT）。

关于空间影响的概率，参考了每例边坡滑坡中碎片覆盖道路程度的统计数据（ERM-Hong Kong, 1999）。为了简化道路坡度的几何特性，使用行驶角度（α）和阴影角度（β）来表示滑坡碎片的落点与道路坡度的相对位置：
$$
\beta ={\text{tan}}^{-1}\left(\frac{H}{{D}_{t}}+\frac{H}{\text{tan}(\phi )}\right)
$$
（8）
其中H是坡度高度，Dt是道路表面与坡脚之间的距离，ψ是坡度倾斜度。

如前所述，本研究使用的是台湾18号省道历史边坡滑坡案例的数据进行计算。在整理出边坡滑坡案例后，使用一度的步长间隔来计算空间影响的概率。

在整理出边坡滑坡案例后，根据碎屑流的起始点和道路车道宽度，计算了最远碎屑与坡脚之间的距离（Dt）。然后使用公式（8）得到碎屑流起始点的阴影角度。每个案例的阴影角度用于表示估计的最远碎屑掉落点，即P(β)，如下式所示：
$$
P(\beta )=\frac{{n}_{\beta }}{N}
$$
（9）
其中nβ是每个阴影角度成为最远碎屑掉落点的次数，N是边坡滑坡案例的总数。

每个P(β)值累积相加直到达到90°（公式（10）：
$$
{P}_{\beta }=\sum_{\beta }^{k}P\left(\beta \right), k={90}^{o}
$$
（10）
如公式（10）所示，Pβ表示空间影响的概率。根据相关统计数据构建的回归模型，估算了每个阴影角度（β）的空间影响概率，即P’β。在人员伤亡和交通损失的风险评估模型中，空间影响的概率有不同的定义；在人员伤亡模型中，它被定义为PS,life，如下式所示：
$$
{P}_{S,life}={P{\prime}}_{\beta }
$$
（11）
使用公式（10）和（11）以及回归模型，得到了每个道路表面的空间影响概率。

**撞击后的死亡概率**
本研究使用了内政部国家消防局编制的1959年至2005年自然灾害造成的损失统计数据，其中包括各种自然灾害中受伤或失踪的人数信息。本研究假设岩石掉落造成的影响只有三种结果——受伤、死亡和失踪——并且认为边坡滑坡导致的死亡概率（PD）与自然灾害导致的死亡概率相同，如下式所示：
$$
{P}_{D}=\frac{{N}_{D}}{{N}_{D}+{N}_{I}+{N}_{M}}
$$
（12）
其中PD是死亡概率，ND adalah受伤人数，NI是受伤人数，NM是失踪人数。

**边坡滑坡的影响概率**
边坡滑坡造成的交通损失不要求掉落碎片与车辆通过同时发生。因此，在评估交通损失时，仅计算了空间影响的概率。以每条车道的中点作为边界。如果碎片覆盖了车道的一半以上，则认为该车道关闭（ERM-Hong Kong, 1999）。

关于交通损失的风险评估，空间影响的概率表示滑坡后每条车道被关闭的概率。公式（9）和（10）展示了如何计算空间影响（Pβ）概率。Pβ在交通损失风险评估中的使用方法如下，β1-β4分别代表第1至4车道中心的阴影角度（β）。然后使用从回归模型得到的空间影响概率得到每个阴影角度的空间影响概率（即P’β）。在评估交通损失风险时，每个车道的空间影响概率表示为PS,traffic，如下式所示：
$$
{P}_{S,traffic}={P{\prime}}_{\beta (i)}-{P{\prime}}_{\beta (i+1)}
$$
（13）
其中PS,traffic是车道i的空间影响概率，P’β(i)是对应于车道i中心阴影角度β的空间影响概率估计值，P’β(i+1)是对应于下一个车道中心阴影角度β的空间影响概率估计值，i是车道数量。

为了确定边坡滑坡事件中的预期旅行时间延误（TD），根据道路封闭程度的不同对旅行时间延误进行了加权，如下式所示：
$$
{T}_{D}=\sum_{i}^{n}({P}_{S,traffic}\times {D}_{i})
$$
（14）
其中TD是预期旅行时间延误，\(\sum {P}_{S,traffic}\)是空间影响概率，Di是不同道路封闭程度下的旅行时间延误，n是道路封闭类型：部分封闭（DP）或完全封闭（DA）。

**历史案例的统计分析**
本节重点介绍了边坡滑坡中位移土壤长度（Lf）和空间影响概率的回归分析及函数确定。为此分析开发了一个回归模型，纳入了多种函数。针对滑坡长度，模型包括了线性函数、多项式函数和幂函数。为了评估空间影响的概率，使用了线性函数和幂函数。对滑坡长度进行了回归分析。本节对收集到的54个案例中的坍塌土石体积（Vf）和长度（Lf）进行了回归分析，以建立这些变量之间关系的模型。利用TPH18的历史数据（如表2所示），分析纳入了由台风降雨引发的滑坡记录，并考虑了Vf和Lf等变量。在评估的109个道路段中，有55个路段因台风降雨发生了滑坡。未发生滑坡的54个路段被用于本研究的灾害风险校准。这55个路段的滑坡与四个已命名的台风有关：Toraji（2001年，18次事件）、Mindulle（2004年，16次事件）、Herb（1996年，12次事件）和Nari（2001年，9次事件）。这四个台风导致的累计24小时降雨量均显著超过了130毫米/24小时的触发阈值，在Toraji和Mindulle期间达到了300-500毫米/24小时，在Herb期间甚至超过了1000毫米/24小时（在Alishan站）。历史数据集中没有记录到非台风引发的强降雨事件，证实台风相关的极端降雨是TPH18沿线坡体破坏的主要气候触发因素。

在这项分析中，位移土壤的体积被视为自变量，而位移土壤的长度被视为因变量。统计显著性的阈值定为p值0.05。根据回归分析结果，幂函数（决定系数R2=0.71357）被认为是最佳拟合模型：$$L_f=1.987995V_f^{0.448852}$$

本节还使用了台湾18号公路的数据；然而，这些数据用于建立空间影响概率函数（如表2所示），该函数记录了未发生滑坡且未受风暴影响的地点的数据。本节关注历史滑坡案例的阴影角度（β）和在特定阴影角度下的空间影响概率（Pβ）的回归分析，如方程（9）和（10）所示。构建了一个回归模型来运行涉及一个未知变量的回归分析。自变量和因变量分别是阴影角度（β）和部分影响概率（Pβ）。统计显著性的阈值定为P值0.05。根据回归分析结果，多项式函数（决定系数R2=0.99209）被认为是最佳拟合模型：$$P_β = 0.02727\beta^2 - 0.000146\beta - 0.226639$$

评估与交通相关的风险和经济损失

部分道路封闭进一步分为单车道封闭和双车道及以上封闭两种情况。封闭的路段被划分为上游、中游和下游，以便根据以下方程计算旅行时间延误。部分道路封闭（DP）引起的旅行时间延误使用方程（17）（Transportation, 2001）计算：$$D_P = D_u + D_m + D_b$$，其中DP是部分道路封闭时的总延误，Du是上游减速造成的延误，Dm是中游延误，Db是下游加速造成的延误（所有车辆同）。根据方程（17）的结果，部分道路封闭引起的旅行时间延误归因于上游减速（Du）、中游道路封闭（Dm）和下游加速（Db）。上游减速发生在车辆进入封闭区域之前，包括车辆减速造成的延误、交通控制造成的固定延误（例如，等待对面车辆通过）以及道路容量减少造成的额外延误。Du使用方程（18）（Manual 2000）计算：$$D_u = D_d + D_s(PF) + D_i$$，其中Dd是车辆减速造成的移动延误（s/车辆），Ds是交通控制造成的固定延误（s/车辆），Di表示道路容量减少造成的额外延误（s/车辆），PF表示交通流量维护的调整因素以及车辆信号类型。

某些类型的车辆行为，如在进入封闭路段前停车和等待，类似于车辆在交叉口等待交通信号和使用各种信号的行为。因此，在估计上游交通延误时，参考了使用车辆信号在交叉口估计延误的方法（Chin等，2004, 2002）。正常速度和减速速度通过上游路段的旅行时间差异代表了车辆减速造成的移动延误（Dd），如方程（19）（Transportation, 2001）所示：$$D_d = T_d - T_n$$，其中Td是减速到适当速度通过限制区域所需的时间（s），Tn是以正常驾驶速度行驶通过减速距离所需的时间（s）。

交通控制造成的固定延误（Ds）使用方程（20）（Chin等，2004；Manual 2000）计算：$$D_s = \frac{0.5C_s}{\left[1-\left(\frac{g}{C_s}\right)\right]^2}{1-\left(\frac{g}{C_s}\right)Min(X,1.0)}$$，其中Cs是信号周期的长度（s），g是有效通过时间（s），X是道路流量容量比。在方程（20）中，X是根据减少的交通流量和所需的道路容量得出的。道路容量减少造成的额外延误使用方程（21）（Chin等，2004；Manual 2000；Transportation 2001）计算：$$D_i = \frac{3600}{C_d} + 900T\left[X-1+\sqrt{(X-1)^2+\frac{8klX}{C_dT}\right]$$，其中T是分析持续时间（h），Cd是减少的道路容量（车辆/天），k是上游有信号控制的交叉口的信号调整因素。

在限制区域内低于平均驾驶速度造成的移动延误（Dm）的计算如方程（22）（Transportation, 2001）所示：$$D_m = L_c\left(\frac{1}{V_c} - \frac{1}{V_f}\right)$$，其中Lc是封闭路段的长度（m），Vc是该路段的驾驶速度（m/s），Vn是正常驾驶速度（m/s）。方程（22）中的Lc是滑坡路段的长度，Vc假设在合理范围内。Vn基于交通部公路总局提供的统计数据。在从限制区域出来后的下游加速路段，车辆从较低速度恢复到正常驾驶速度的移动延误（Db）使用方程（23）（Transportation, 2001）计算：$$D_b = T_a - T_n$$，其中Ta是加速到正常驾驶速度所需的时间（s），Tn是以正常驾驶速度行驶通过加速距离所需的时间（s）。

相关参数：
- 交通流量需求的减少（dQ）。使用香港环境资源管理（ERM）提供的统计数据作为参考，以评估雨天的道路使用者减少情况。根据ERM-Hong Kong（1995b），在不同天气条件下，交通流量需求显著下降。在暴雨期间，一般道路使用率下降到80%，而小雨对道路使用的影响不大，保持100%的容量。平均而言，道路使用率下降到82%，而小径使用率大幅下降到37%。
- 道路容量的减少（dC）。本研究参考了美国联邦公路管理局（US FHWA）的高速公路管理手册以及Hsu（1995）关于单向双车道高速公路在事件期间道路容量减少的研究。数据显示，当道路路肩被阻塞时，根据US FHWA，容量减少了18.9%，而Hsu（1995）报告的减少幅度略高，为27.9%。在一条车道被阻塞的情况下，两个来源都报告了显著的容量减少，US FHWA估计减少了64.5%，Hsu（1995）记录了类似的63.3%的减少。
- 有效通过时间（g）。单车道无法容纳双向交通。因此，驾驶员必须等待对面车辆通过后再通过。在本研究中，假设封闭路段入口处的交通控制是具有固定周期的交通信号，并使用方程（24）计算有效通过时间（g）：$$g = G-L+S$$，其中g是有效通过时间（s），G是可用通过时间（s），L是每个相位丢失的时间（s），S是等待清空的时间（s，或车辆通过封闭路段所需的时间）。

TransCAD软件用于分析滑坡引起的道路封闭前后的交通流量变化。该研究结合了起点-终点（O-D）表格和道路网络层，以评估由于替代路线造成的旅行延误。从EasyWay Network Technology获取的嘉义交通网络数据被转换为乘用车单位（pcu）用于建模。使用TransCAD的交通分配函数和基于Wardrop理论的用户均衡方法，分配了交通流量，确保了最佳路线选择。计算了封闭前后的旅行时间差异，并估算了嘉义县道路网络上的延误（DA）。对于没有替代路线的路段，假设了一天的延误；而对于其他路段，则使用最长的替代路线延误来评估灾害风险。

建立滑坡对道路斜坡损害的风险评估模型
建立人员损失的风险评估模型

个人死亡风险
个人死亡风险表示在给定年份内，道路使用者在通过某段道路时因滑坡而死亡的概率。个人死亡风险使用方程（25）计算：$$IR = F_I \times P_L \times P_T \times P_S,life \times P_D$$，其中IR是个人死亡风险（次/年），FI是每年发生诱发斜坡损害因素的频率（次/年），PL是斜坡滑坡的概率，PT是时间概率，PS,life是造成人员损失的空间影响概率，PD是死亡概率。

为了便于直观解释109个评估道路路段的风险评估结果，图3按风险级别对TPH18沿线所有评估道路路段的复合灾害损失风险值（LTotal）进行了颜色编码。包括个人风险值、潜在死亡人数、社会死亡风险、旅行时间损失风险和所有109个道路路段的车辆损坏风险在内的完整数据集提供在补充材料S1中。

图中显示了TPH18沿线所有109个道路路段的复合灾害损失风险值（LTotal）分布

潜在死亡人数
潜在死亡人数表示每年可能在某段道路上发生的死亡人数，使用方程（26）计算，结果显示在补充材料S1中：$$PLL = IR \times N_p$$，其中PLL是潜在死亡人数（人/年），IR是个人死亡风险（次/年），NP是平均车辆占用率（人/车辆）。

社会死亡风险
社会死亡风险表示在给定年份内使用某段道路的所有人员可能遭受的损失，使用方程（27）计算，结果显示在补充材料S1中：$$L_L = PLL \times C_L \times I_P$$，其中LL是社会死亡风险值（NTD/年），CL是生命成本（NTD/人），IP是价格指数调整。

与滑坡事件相关的潜在死亡人数
为了便于评估在不同车道数量的道路上，道路管理部门在不同交通流量条件下的潜在死亡人数，评估了省18号公路沿线滑坡案例的数据，特别是关于损害计算（方程（28）和潜在年死亡人数（PLL），以构建平均日交通流量（ADT）、道路车道数量和潜在死亡人数之间的关系图。

$$N_D = P_T \times P_S,life \times P_D \times N_P$$，其中ND是滑坡时的死亡人数（人），PT是时间概率，PS,life是造成人员损失的空间影响概率，PD是死亡概率，NP是平均车辆占用率（人/车辆）。

图4显示了道路设施和特征在斜坡故障事件中对滑坡死亡人数影响的情况。可以看出，在交通流量恒定的情况下，与减少每日平均交通流量相比，拓宽道路对死亡人数的影响非常有限。在道路宽度相同的情况下，减少交通流量在降低死亡人数方面显著更有效。图4中的替代文本可能是使用人工智能生成的。全尺寸图像。

AADT（平均每日交通流量）、车道数量与潜在死亡风险之间的关系。交通运输损失的风险评估模型。旅行时间损失的风险是指旅行者每年在某段道路可能会因山体滑坡导致的道路封闭而损失的时间，该风险使用公式（29）计算，结果显示在补充材料S1中：
$$
L_{T} = {F}_{I}\times {P}_{L}\times {P}_{T}\times {P}_{S,traffic}\times {T}_{D}\times {D}_{C}\times ADT\times {N}_{P}\times {C}_{T}\times {I}_{P}
$$
（29）
其中LT是旅行时间损失的风险值（NTD/年），TD是平均旅行时间延迟（分钟/车辆），DC是道路封闭的天数，ADT是平均每日交通流量（车辆/天），CT是旅行者的时间价值（NTD/分钟）。

台湾缺乏关于道路封闭天数的统计数据。此外，影响道路封闭时间的因素相当复杂；除了山体滑坡引起的土壤位移规模外，这些因素还包括天气、滑坡位置和灾害救援中的资源分配。因此，本研究中的评估依赖于对道路封闭天数的假设。

额外车辆损失的风险是指由于每年因山体滑坡而封闭道路所导致的燃料消耗和折旧成本的进一步损失。额外车辆损失的风险使用以下公式（30）计算，结果显示在补充材料S1中：
$$
L_{O} = {F}_{I}\times {P}_{L}\times {P}_{T}\times {P}_{S,traffic}\times {T}_{D}\times {D}_{C}\times ADT\times {C}_{O}\times {I}_{P}
$$
（30）
其中LO是额外车辆损失的风险值（NTD/年），TD是平均旅行时间延迟（分钟/车辆），DC是道路封闭的天数，ADT是平均每日交通流量（车辆/天），CO是燃料成本和折旧成本（NTD/分钟）。

案例研究：TPH18的TransCAD交通流量分析。本研究使用了chiayi市的TPH18案例来评估所开发的风险模型的有效性。研究区域涵盖了从第20公里+500米（TWD97/TM2：X ≈ 208,953米，Y ≈ 2,592,930米，海拔257米）到第81公里+700米（TWD97/TM2：X ≈ 230,732米，Y ≈ 2,599,030米，海拔2,282米）的TPH18走廊，大约覆盖了台湾南部chiayi县61公里的山区高速公路。使用了历史山体滑坡数据，并通过基于JavaScript的表格验证来最小化错误。本案例研究中应用的ArcGIS用于识别替代路线，并整合了详细的地形数据（如图5所示）。来自交通运输部（MOTC）的TransCAD交通计算结果和O-D矩阵用于提供关于道路封闭事件实际影响的见解（如图6和图7所示）。

图5中的替代文本可能是使用人工智能生成的。全尺寸图像。

图6(a)显示了道路封闭前的基线条件下，基于GIS的TPH18交通流量分配情况。渐变颜色尺度（蓝色→红色）代表平均每日交通流量（ADT），用于计算公式（29）中的旅行时间延迟和车辆运营成本。这一基线分配对于量化道路封闭事件造成的额外经济损失至关重要。图6(b)展示了山体滑坡封闭前的节点间最小旅行时间矩阵，为与封闭后的条件进行比较提供了基准运输效率指标。

图7(a)展示了模拟山体滑坡封闭后基于GIS的道路重新分配交通情况，颜色强度随着替代路线的交通流量增加而增强。直接比较图6(a)和图7(a)可以揭示网络中断在封闭点之外的空间传播情况，为公式（29）和（30）中使用的起点-终点延迟矩阵提供了实证依据。图7(b)展示了封闭后的节点间最小旅行时间矩阵，由于需要绕行，旅行时间有所增加。颜色强度表示交通流量和旅行时间的变化，替代路线上的变化尤为明显。该分析量化了交通影响在封闭点之外的空间范围，并提供了估算旅行延迟造成的经济损失的数据（公式29-30）。

图7中的替代文本可能是使用人工智能生成的。全尺寸图像。

通过参考chiayi县内的所有道路网络，得出了上述步骤中估算的节点间最短旅行时间差异。TPH18的24个道路路段中，有3个路段被归类为“山区”，因此当这些路段封闭时被认为是完全不通的，其旅行延迟时间定义为一天。对于其他21个路段，则使用18号省道的最大驾驶延迟时间来估计其灾害风险值。

本研究应用了全球定量安全目标（GQSTs）（ERM-Hong Kong，1995a，1998）和ALARP（“尽可能低”）原则（HSE，1992）来评估风险。ALARP原则要求在进一步降低风险不切实际或成本过高之前尽量降低风险。超过“可接受的上限”的风险通常是不可接受的。

根据个体风险（Kletz 2003；Smith & Simpson 2020），风险水平被分类如下：
• 不可接受的风险：每年死亡概率超过千分之一（1×10^-3）。这类斜坡对道路使用者构成直接危险，需要立即采取缓解措施。道路管理部门应优先对这些斜坡进行立即检查和修复工作，无论成本如何。
• 可接受的风险：每年死亡概率介于十万分之一到千分之一之间（1×10^-6到1×10^-3）。根据ALARP原则，当风险降低的好处超过实施成本时，应对这些斜坡进行缓解。这一类别需要仔细的成本-效益分析来确定干预的优先级和范围。
• 可接受的风险：每年死亡概率低于十万分之一（1×10^-6）。这些斜坡的风险较低，不需要立即采取缓解措施，建议进行常规监测以检测可能增加风险水平的斜坡状况变化。

这三个风险等级分类为决策者提供了一个清晰的框架，以便根据风险等级有效地分配有限的维护资源。所使用的死亡概率阈值基于国际公认的安全标准，并应定期审查，以确保它们适用于台湾的实际情况。

斜坡损害风险水平的标准是基于使用损害风险评估模型（公式（25）确定的个体死亡风险，并结合“风险评估标准”部分中介绍的GQSTs。图8展示了109个道路路段在这三个GQST风险等级中的分布情况，其中82个（75.2%）被归类为“不可接受”，需要立即缓解；26个（23.9%）被归类为“可接受”，需要成本-效益评估；1个（0.9%）被归类为“可接受”，仅需要常规监测。所有109个道路路段的完整GQST分类结果及其里程在补充材料S2中提供。

图8中的替代文本可能是使用人工智能生成的。全尺寸图像。

图9展示了按LTotal排序的前20个优先道路路段的排名图，为道路管理部门提供了明确的、可操作的维护优先级列表。三个最高优先级的路段（均被归类为“不可接受”风险等级）分别是：45公里+300米（LTotal = 4,423,588 NTD/年）、21公里+100米（4,398,739 NTD/年）和24公里+950米（4,144,543 NTD/年）。所有109个道路路段的排名在补充材料S3中提供。

由于道路使用者的生命和安全应优先于其他类型的损失，因此首先根据风险等级对每个斜坡案例的风险进行分类，然后在每个等级内按重要性进行排序。负责维护山区道路的部门可以利用这些排名来分配资源以改善山区道路。应首先将经济和人力资源应用于具有不可接受风险（即最危险的斜坡）。剩余的资源可以根据重要性排序分配给具有可接受风险的斜坡。

所开发的风险评估模型被应用于台湾的省级高速公路（TPH18），以评估109个道路路段，并展示了其在维护优先级中的实际应用。结果提供了关于山体滑坡风险水平、空间风险分布以及所提出的建模框架可靠性的定量见解，对资源有限条件下的道路管理决策具有直接意义。综合风险评估根据“风险评估标准”部分描述的GQSTs将109个道路路段分为三个风险等级，总结在补充材料S2中。82个路段（75.2%）符合不可接受风险类别的阈值，需要立即采取缓解措施；26个路段（23.9%）符合可接受风险类别的阈值，在决定采取缓解措施之前需要进一步进行成本-效益评估；只有1个路段（0.9%）符合可接受风险类别的阈值，仅需要常规监测。该数据集中不可接受风险路段的普遍性突显了TPH18沿线山体滑坡危害的严重性，并强调了在维护预算和人力限制下系统优先级的必要性。

综合灾害损失风险值（LTotal）在不同路段之间差异很大，范围从515,410到4,423,588 NTD/年（补充材料S3）。这种差异反映了山体滑坡发生概率（PL，范围从0到0.97）、交通流量、道路几何形状、车道数量以及替代路线可用性等方面的差异，所有这些因素都会影响封闭相关的延迟。在不可接受风险类别的路段中，45公里+300米的路段显示出最高的综合风险值（4,423,588 NTD/年），其次是21公里+100米和24公里+950米，其综合风险值分别为4,398,739和4,144,543 NTD/年。因此，这三个路段是立即进行斜坡稳定和缓解措施的最高优先级。

基于GIS的风险地图（图6(a)和图7(a)）显示的山体滑坡风险的空间分布表明，TPH18沿线存在明显的聚集模式。位于20至28公里之间的低海拔路段形成了高风险区域，其中多个路段的综合风险超过了3,000,000 NTD/年。这种模式可能是由于较高的交通流量和不利的地质条件造成的。海拔40至70公里之间的中等风险路段具有中等到高的风险，且变化较大，而海拔75公里以上的路段虽然交通流量较低，但由于地形陡峭和替代路线有限，仍然存在显著风险。这些结果表明，应该协调相邻高风险路段的风险缓解策略，而不是逐个地点实施。

所提出模型的可靠性得到了其关键组成部分的统计性能的支持。用于估计土壤位移长度的回归模型（公式15）的R2值为0.71357，表明土壤体积解释了观察到的位移长度约71%的变异。空间影响概率模型（公式16）的表现更为强劲，R2值为0.99209，为碎片覆盖的评估提供了高度信心。此外，该模型通过纳入TPH18沿线54次历史台风引发的山体滑坡事件（见表2），基于实证证据进行构建，这些滑坡的体积范围从70立方米到22,500立方米不等。这一广泛的滑坡体积范围确保了模型能够反映实际风暴条件下的滑坡行为。敏感性分析的结果进一步表明，交通流量在确定潜在伤亡风险方面起着主导作用。如图4所示，交通流量的变化对估计的死亡人数的影响大于道路宽度或车道数量的变化。这一发现对风险管理具有重要意义，表明在高风险期间实施交通控制或限制可能会进一步降低伤亡风险。从实际角度来看，所提出的框架为道路管理部门提供了若干可行的见解。排名优先级的列表（补充材料S3）能够系统地、最优地分配维护预算，因为处理十个最高风险的路段每年可以减少约30,000,000新台币的潜在损失，而这些路段仅占评估路段的大约9%。此外，将生命损失风险与经济损失分开，使决策者能够在安全考虑与经济效益之间取得平衡。例如，第58 K+650段和第59 K+210段的预期死亡人数特别高（分别为0.117人和0.083人/年），这表明即使经济损失相对较低，也需要立即进行干预。另外，结合年平均降雨触发频率为4.67次的时序概率分析表明，应在旱季优先采取坡度稳定措施，以在台风季节开始前最大化其效果。

基于云的LDREM系统开发

系统架构与设计
本研究开发了一个基于云的系统，使用SQL进行数据管理，并在每个开发周期中优先考虑分析和设计（Satzinger等人，2009年）。该系统包括以下四个模块：
(1) 道路坡度数据管理模块 - 为用户提供查询、添加、删除和修改道路坡度现场检查数据、崩塌记录、交通流数据和自然灾害记录的功能。该模块是存储在集中式SQL数据库中的所有与坡度相关的案例信息的主要数据输入和管理接口。
(2) 灾害损失风险评估模块 - 执行生命损失、旅行时间损失和车辆损坏成本的风险评估计算。完成此评估后，可以根据各道路坡度的综合灾害损失风险值对其进行排名。此外，该模块还允许对TPH18沿线每个道路段的位置和风险等级进行GIS层可视化。
(3) 评估模型管理模块 - 管理崩塌规模和空间概率回归模型及评估模型参数，支持查询、添加、删除和修改操作。随着新数据的出现，该模块使授权用户能够更新和维护基础统计模型。
(4) 用户管理模块 - 允许系统管理员管理用户系统权限，包括对用户账户的添加、删除、查询和修改操作。该模块确保了所有系统操作中的基于角色的访问控制和数据安全。如图10所示，系统架构采用三层结构：(i) 基于JSP和JavaScript构建的浏览器/用户接口层，用于基于网络的访问和数据验证；(ii) 托管四个功能模块的应用服务器层（ArcGIS Server、SQL Server、Microsoft Visual Studio）；以及(iii) 存储所有道路数据、案例记录、风险计算结果、回归模型参数和用户账户的集中式SQL数据库层。

云基LDREM系统的系统架构，展示了三层结构（浏览器/服务器/数据库）以及四个核心功能模块及其各自的子组件

系统操作演示
登录到山体滑坡损害风险评估系统后，如图11所示，系统功能包括坡度案例管理、损害风险评估、评估模型管理和用户管理。用户可以根据个人需求选择要执行的模块。

系统主页面和功能菜单

关于案例搜索功能，系统将检索符合用户输入搜索标准的案例。用户可以查看特定案例的详细信息。

评估山体滑坡损害的风险
风险评估模块允许用户评估山体滑坡损害、管理评估数据并查看风险分布图。用户选择坡度案例，进行评估并保存结果。他们还可以搜索或删除数据，并将结果以图像层的形式可视化。界面提示用户输入道路和位置详情，返回匹配的案例并总结评估结果。点击搜索功能可以获取案例特征的详细信息，包括时间概率、空间影响、延误和风险值（表3）。表3显示了详细评估结果（从系统导出结果）。

如图12所示，TPH18沿线综合灾害损失风险值（LTotal，NTD/年）的空间分布以GIS图像层的形式在基于云的LDREM系统中显示。相关的地图采用了六级颜色刻度来反映年灾害损失的大小：蓝色（≤10,000 NTD/年）、深绿色（10,001–20,000 NTD/年）、浅绿色（20,001–30,000 NTD/年）、黄色（30,001–40,000 NTD/年）、橙色（40,001–50,000 NTD/年）和红色（50,001–60,000 NTD/年）。显示这六个颜色-值范围的图例位于地图旁边。这种颜色方案使道路管理部门能够立即识别高速公路走廊沿线年经济损失的空间分布和规模，为优先安排维护工作提供了定量且直观的基础。

用户可以使用左侧的菜单选择要显示的图像层。地图上方的工具栏可以放大或缩小地图、导航地图和搜索数据。

讨论
与现有的山体滑坡灾害管理系统相比，本研究提出的基于云的LDREM系统在多个方面有所改进。在风险量化范围方面，大多数现有方法（包括使用逻辑回归或机器学习的基于GIS的易发性制图，Chen等人，2019年；Huang等人，2022a、b）虽然关注滑坡发生的时间概率，但并未整合基于后果的指标。通过明确将灾害概率（FI×PL）与量化后果（预期生命损失和NTD/年的经济损失）相结合，该系统弥补了这一缺口，实现了基于风险的维护优先级排序，而不仅仅是易发性排名。
在交通整合方面，与纯粹的岩土工程技术框架不同，所提出的系统直接与TransCAD交通流建模相结合，以估计道路封闭相关的旅行时间延误和车辆运营成本损失。尽管它们对山区高速公路管理有相互影响（道路封闭直接影响整个区域交通网络），但在现有的山体滑坡管理平台上，岩土灾害评估和交通网络分析通常并不结合。
在基于云的可访问性方面，与实际中常用的桌面GIS平台相比，本研究提出的架构支持多用户访问、集中数据管理和实时更新，以及远程操作，支持分布式道路管理部门。
在区域特异性方面，所提出的系统针对台湾的地质和气候条件进行了校准（年轻的造山地形、高台风频率，FI=4.67次/年），使其比国际上开发的通用框架（例如Copons和Vilaplana（2008年）描述的基于ALARP的欧洲模型）更直接适用，无需进一步的本地校准。

局限性与未来研究方向
本研究中案例的统计分析结果仅涉及与每个道路表面被山体滑坡碎片阻塞的概率以及土壤位移体积和长度相关的回归统计。此外，未来的研究可以扩展这一重点，纳入山体滑坡造成的土壤碎片分散深度，包括影响因素和潜在影响。未来的研究可以致力于调查和开发模型，以评估没有历史滑坡记录地区的潜在滑坡规模和范围。
这项研究工作是根据台湾的地质条件和历史数据专门为TPH18进行校准的。由于灾害等级是根据109个评估路段的坡度特征（如坡度、高度、集水区）来评估的，因此当应用于具有与训练数据集中54个历史滑坡案例相似的地质和形态特征的坡度时，系统评估结果可能最为可靠。将开发的系统应用于以前稳定的地区或其他山区公路的坡度时，应通过补充的实地调查和岩土工程评估来验证模型评估结果，确保风险特征的准确性和适当性。
在开发的风险评估模型中使用的山体滑坡频率，在评估斜坡改善对降低滑坡潜在影响方面的研究中存在空白，这需要填补，以进一步提高预测灾害风险的准确性。由于开发模型中引用的数据在规模和范围上有限，因此需要更详细的数据和更有效的计算方法，以便更全面地评估生命损失风险。
此外，由于缺乏与影响道路封闭持续时间的众多因素相关的统计数据，这个模型参数是研究人员主观设置的。未来需要研究预测山体滑坡事件后山区道路紧急维修需求的研究，以进一步合理化坡度改善项目的优先级。最后，台湾政府迫切需要建立相关的风险评估标准，这些标准除了评估生命风险的科学问题外，还必须反映社会对灾害事件的看法、抵御风险的能力以及其他社会系统的方面。尽管风险评估的范围必然很广，但本研究提出的山坡滑坡风险评估模型仅参考了海外研究中应用的风险评估标准。后续研究应专注于制定适用于台湾社会条件的风险评估标准。

结论
本研究通过汇编和分析涉及山区道路的历史滑坡案例的数据，以及检查当前道路坡度条件与滑坡影响区之间的关系，得出了研究结果。这些发现有助于道路管理部门更好地理解道路坡度的几何特性，并评估每个路段滑坡相关碎片阻塞的相对危险性和风险。开发的模型将灾害评估（基于坡度特征和降雨频率的滑坡发生概率）与风险量化（经济后果和生命损失）相结合，为优先安排坡度维护活动提供了系统的基础。这些信息还有助于理解道路特征、交通流量与道路使用者和财产所遭受的损害程度之间的关系。在参考了国内外交通工程的研究后，本研究开发了一种估计由滑坡引起的旅行延误的方法。然后使用这些数据分别估计了部分和完全道路封闭条件下的旅行时间损失。
接下来，建立了一个山坡滑坡损害风险评估模型，以确定道路坡度的年度损害风险值，并根据检查和维护优先级对这些坡度进行排序。根据全球定量安全目标为每个坡度分配了风险等级。这些信息可以用来帮助最大化道路维护资源在改善山区道路方面的有效性，通过将有限的资源优先分配给风险最高的路段。
使用本研究开发的山坡滑坡风险评估系统，当局可以根据可用数据估计每个坡度的相对风险等级，并相应地优先安排坡度改善和监测工作。山坡灾害的GIS分布图允许用户可视化每个道路段的风险等级，并做出明智的资源分配决策。
将开发的系统应用于TPH18沿线的109个道路段，展示了其实际效用。评估确定了82个路段（75.2%）处于不可接受的风险等级，需要立即采取措施；26个路段（23.9%）处于可容忍的风险等级，需要进行成本效益评估；以及1个路段（0.9%）处于可接受的风险等级。综合风险值（LTotal）介于515,410至4,423,588 NTD/年之间，并提供了详细的排名以指导维护工作的优先级。针对土体位移长度（R2 = 0.71357）和空间影响概率（R2 = 0.99209）建立的回归模型，在基于54个历史滑坡案例的数据分析中显示出较强的统计显著性，这为定量风险估计的可靠性提供了有力支持。