岷江上游位于北纬30°45′37″-33°69′35″，东经102°33′46″-104°15′36″之间，研究区主要分布在四川省阿坝藏族羌族自治州的汶川、茂县、理县、黑水、松潘五县^[13-14]，流域面积约2. 3×10⁴ km²(图 1).研究区地貌以高山峡谷为主，地势总体呈西北高、东南低之势，河流下切和侵蚀能力均较强，使河谷下部的地貌动态平衡变得十分脆弱^[15-16].

区内出露古生代、中生代碎屑岩和碳酸岩，岩性多以砂板岩、片岩、页岩、千枚岩、大理岩等岩类为主，断裂发育，岩体完整性较差.该区气象条件较复杂，处于海陆季风向高原季风转变的过渡地带，干湿季明显，降水多为阵性夜雨，瞬时强度大气候具有水平地带和垂直地带双重特性^[17].流域内的土地利用主要以林地为主，草地次之，耕地比较少；自然土壤类型主要包括黑毡土、暗棕壤、棕壤、黄毡土等^[16].流域内植被受气候的影响，垂直分异特征十分显著，从低至高呈现从常绿阔叶林-常绿落叶阔叶混交林-针阔混交林-针叶林-高山疏林灌丛-高山草甸-流石滩的变化趋势.流域内人口主要集中分布在河谷位置^[18].

总体而言，研究区内泥石流灾害发育较明显，严重威胁着沟谷分散农户和堆积区的城镇及相关基础设施.

岷江上游泥石流沟分布数据主要由四川省各州市上报灾害点数据矢量化得到.基于ArcGIS 10.2软件，在获取泥石流灾害点分布图的基础上，分析选取泥石流发育较严重的244条泥石流沟，并对其进行矢量化，得到岷江上游244条泥石流流域分布图(图 1).从流域来看，岷江上游泥石流沟主要沿着岷江主流、杂谷脑河、黑河干流流域呈条带状分布^[19].其次就地形而言，泥石流主要集中于纵比降较大的高山峡谷地貌地区.再者，泥石流主要沿深大断裂分布，断裂带附近的泥石流占岷江上游泥石流的77%^[20].

在泥石流灾害的影响因子中，坡向、坡度数据利用ASTER GDEM数据^[20]提取而出；降雨数据来自于四川省水文水资源局；土壤分布和植被覆盖是来源于郭亚琳的岷江上游地区生境适宜性评价数据集^[21]，对其进行数字化处理并归类，得到岷江上游土壤和植被矢量图；土地利用类型对2013年30 m分辨率Landsat8影像^[22]进行遥感解译获得，通过分析历史文献资料整理得出断裂带分布、地层岩性、人类活动高低；最后对部分影响因子进行分级、数值化得到影响因子特征参数.

本研究在总结前人研究的基础上通过理论分析与实地调查^[23-25]，选取对泥石流形成发育影响较大的9个影响因子(土壤类型、坡度、年降雨量、植被覆盖、地层岩性、土地利用类型、坡向、距断裂带距离和人类活动)代表研究区泥石流发育的影响因子.

地理探测器是王劲峰等提出的一种基于空间方差分析理论，进而探测空间分异性以及揭示其背后驱动力的一种模型.该模型有4个模块^{[9, 26-27]}，本研究主要是利用“因子探测器”和“交互作用探测器”对影响岷江上游泥石流的各因子进行定量分析，得出泥石流的各个影响因子的相对重要性以及各因子之间的交互作用.

1) 贡献率的计算方法

本文利用因子探测器计算各个因子贡献率.因子探测器是探测某因子X多大程度上解释了属性Y的空间分异，用因子的解释力P_D，H进行判断，P_D，H的值域为[0, 1]，P_D，H的值越大，表明目标属性Y的空间分异性越明显. P_D，H计算公式为：

式中：h=1，…，L为变量Y或因子X的分层，即分类或分区；N_h和N分别为层和全区的单元数；SSW和SST分别为层内方差之和和全区总方差；D为影响因子；H为泥石流面积比；P_D，H为D对H的解释力，即为各个影响因子的贡献率.

2) 交互作用探测

交互作用探测器是探测风险因子之间是否具有相互作用，判断依据如表 1所示.

首先，利用ArcGIS 10.2软件，生成岷江上游5 km×5 km的997个正方形网格图，5 km×5 km网格选择依据是小于244条泥石流最小流域面积，然后将网格图与泥石流分布图相叠加，统计出每个网格泥石流面积，计算得到每个网格的泥石流面积比.再分别将其他泥石流影响因子图层与网格图进行叠加，得到相关数据并导出，最后利用地理探测器软件进行分析.

本研究经过分析比较选取了9种影响因子，对泥石流9个影响因子进行等级划分，并绘制各影响因子空间分布图(图 3).利用因子探测器获得泥石流9个影响因子的相对重要性，即各影响因子对泥石流作为目标属性Y的解释力P _D，H值.

依据分析结果泥石流影响因子相对重要性由大到小排列依次为：年降雨量(24.9%)、坡度(15.3%)、距断裂带距离(13.7%)、植被密度(12.4%)、土地利用类型(10.6%)、人类活动(7.0%)、坡向(6.7%)、岩性(6.5%)和土壤类型(2.9%).

结果中，年降雨量、坡度、距断裂带距离3个因子对泥石流的贡献率达到了54%，表明泥石流的发生主要是受降雨、地形、地质条件因子的影响，并且在岷江上游降雨因子对研究区泥石流发生影响最大，其次为坡度.

交互作用探测器用来检验两种影响因子是自身独立起作用还是相互作用，若为相互作用，作用是增强还是减弱.借助交互作用探测器模块获得9个影响因子对泥石流的交互作用(表 2).从表 2可看出，研究区泥石流的各影响因子的交互作用基本上是非线性增强的，其交互作用效果由大到小依次为：年降雨量/坡向(18.3%)、与断裂带距离/年降雨量(17.1%)、土壤类型/年降雨量(15.2%)、地层岩性/年降雨量(11.3%)、年降雨量/人类活动(10.7%)、年降雨量/土地利用类型(10.3%)，各因子之间的交互作用均在10%以上，其中年降雨量、坡向、与断裂带距离、土壤类型、的相互作用呈非线性增强作用，使得彼此对泥石流活动的解释力增大，说明在泥石流活动中地形地貌、降雨因子有着非常重要的作用.就某因子与其他8项因子交互的综合作用，年降雨量的交互综合作用最强(1.021)，随后依次为距断裂带距离综合(0.795)、坡向综合(0.767)、土壤类型综合(0.654)、坡度综合(0.58)和岩性综合(0.567).

利用地理探测器的因子探测得到的9个因子在泥石流发生中的贡献率，即年降雨量(0.249)、坡度(0.153)、距断裂带距离(0.137)、植被密度(0.124)、土地利用类型(0.106)、人类活动(0.070)、坡向(0.067)、岩性(0.065)、土壤类型(0.029)，将所得9个因子贡献率作为各个因子的危险性评价权重，借助ArcGIS10.2软件，采用GIS权重叠加法将各个图层进行赋权叠加，得到基于地理探测器的研究区泥石流危险性评价图(图 4).

从图 4可以看出，岷江上游泥石流高危险区和较高危险区主要分布在沿岷江主流、杂谷脑河、黑河干流的支沟沟道两侧、渔子溪及寿溪流域，同时黑水县和松潘县西侧也有较多分布；中危险区则是分布较广，以沟道上游分布较多；泥石流较低和低危险区分布在距河流较远的平缓地区.危险性评价结果与该研究区实际灾害分布情况具有较高的一致性，表明应用地理探测器探测分析泥石流影响因子相对重要性具有很好的效果.

地理探测器模型是一种基于数据驱动的探测空间分异性模型，可以客观定量分析泥石流各影响因子之间的相对重要性；在选择多种影响因子作为辅助变量时，可以考虑多个影响因子对泥石流的交互作用，使得选择的参数更加准确合理；地理探测器在原理上解决了影响因子“多重共线”问题，如本研究中的土地利用类型与土壤分布，使结果具有更好的解释性.

因子探测器揭示了影响因子对泥石流的解释力P_D，H的一致性和差异性.泥石流空间数据分析结果表明，岷江上游泥石流具有空间异质性，贡献率在10%以上的主要影响因子为年降雨量(24.9%)、坡度(15.3%)、距断裂带距离(13.7%)、植被密度(12.4%)和土地利用类型(10.6%).交互作用探测证明了泥石流的空间分布是由多种影响因子共同作用的结果，不同因子之间的交互作用强弱不同，差异有统计学意义.结果表明研究区内泥石流各因子之间的交互作用均在10%以上，各影响因子之间的交互作用大部分是非线性增强，其中年降雨量、距断裂带距离和坡向3种影响因子对泥石流的交互作用较强.