長江中下游地區滑坡的易發性評價
——以江西省為例

唐興港, 王慧勇, 黃 豆, 張金池

(1.南京林業大學 南方現代林業協同創新中心 江蘇省水土保持與生態修復重點實驗室, 江蘇 南京 210037; 2.南京林業大學 林學院, 江蘇 南京 210037)

近期，在自然資源部發布的2020年下半年地質災害趨勢預測中指出防災減災形勢嚴峻，在極端氣象條件下要預防滑坡和泥石流等災害的發生。滑坡是世界范圍內最具危險性和多發性的地質災害，在全球變暖背景下，中國西高東低的獨特地理環境和日益活躍的經濟建設使得滑坡災害日益頻繁[1]。在2017年近7 000起的地質災害中滑坡災害占比約75%，經濟損失超4.00×109元，成為中國最具破壞性的地質災害[2]。從致災因子來看，地形、地質和人類活動都會導致斜坡面的物質移動，天氣因素尤其是極端降雨是導致滑坡等地質災害發生的直接誘因[3]。

20世紀以來，溫室效應引發全球氣候變暖，地表平均氣溫升高和極端天氣事件頻發使得滑坡和泥石流等自然災害不斷加劇[4-6]。IPCC5預估氣候變化的影響可能進一步加劇，未來中國大部分地區降雨量將持續增多，呈現明顯的極端化和區域差異[6-8]。長江流域橫跨三級階梯，總面積1.80×106km2，既是滑坡等地質災害的高發區，也是氣候變化的敏感區。其中長江中下游地區降雨和地形關系密切，且經濟發達，人口密集，在全球變暖的背景下如何合理的預測滑坡災害潛在分布就變得十分必要[9-10]。

當前應用于滑坡災害預測研究的模型和方法主要包括人工神經網絡模型、隨機森林模型、決策樹預測模型和支持向量模型等[11-14]。機器學習模型作為一種強大的數據驅動工具，能夠在分析過程中充分考慮到滑坡發生與環境因子之間的非線性關系，在很大程度上克服了概率統計模型主觀性強的局限[15]。基于機器學習模型和遙感地信技術的滑坡災害預測已經成為災害防治領域最為經濟有效的工具。MaxEnt是一種在JAVA和最大熵理論的基礎上用來評估物種潛在適生分布的工具，可以用來模擬森林植被潛在分布并合理預測在不同環境條件下物種可能出現的地區[16]。在物種潛在分布的預測方面，其較強的預測能力和相對較高的預測精度是MaxEnt模型相較于其他模型的優點，同時支持多種不同的變量類型[17-18]。近年來，MaxEnt模型在滑坡預測領域的應用逐漸成熟，在多變量回歸模型、多元自適應回歸、分類回歸樹和MaxEnt模型預測西班牙德巴河谷滑坡預測的研究中，MaxEnt模型的預測精度明顯高于其他模型[19]。其基于工程類比的思想對目標空間進行建模分析，當預測區域的地質、水文和人類活動等環境變量與滑坡發生區越相似時，該區域發生滑坡的機率也就越高。

作為一種多因素、破壞性的地質現象，滑坡發生機制十分復雜，是多種環境變量相互作用的結果。滑坡的發生位置、破壞強度和后果都與災害發生區的基礎環境條件和即時誘發因素密切相關[20]。在滑坡災害的分布預測和風險研究中要有針對性的合理確定環境變量，重點反映所選變量與災害發生的規律[21]。本研究以江西省為例，綜合滑坡災害研究中環境變量的作用，選取地形地貌、地質巖性、植被覆蓋和人類活動等15個環境指標對江西省境內的滑坡分布情況進行模擬，探究MaxEnt模型在滑坡易發性評價中的適用性，并對模擬結果進行災害風險的等級劃分。同時根據刀切法對參與建模的環境變量進行重要性評估，確定影響滑坡災害發生的主要環境變量，以期有效指導江西省的土地利用和災害防治工作。

1 研究區概況

江西省位于中國東南部，屬長江中下游流域，面積為1.669×105km2，地形以山地和丘陵為主。該區三面環山，中部為丘陵與河谷平原交錯，北部是鄱陽湖平原。平原隸屬于長江中下游平原，其面積約占全省總面積的23.2%，森林覆蓋率高，植被以亞熱帶常綠闊葉林為主。氣候上屬典型的亞熱帶季風性濕潤氣候，夏季雨熱同期，冬季溫和濕潤，全年降雨充沛，是我國多雨省區之一。受地形等因素的影響，降雨季節分配不均且具有明顯的區域差異，廬山、武夷山、懷玉山和九嶺山一帶是全省4個多雨區。紅壤和黃壤在江西省廣泛分布，土體厚度不一但肥力相對較高。地質構造復雜，地層發育齊全，新構造運動強烈，滑坡等地質災害頻發。

2 數據來源及研究方法

2.1 滑坡數據

江西省滑坡災害發生點數據來源于中國科學院資源環境科學數據中心資源環境數據云平臺，坐標系為WGS84，滑坡分布數據經野外實地調查獲取，其記錄了歷年來全國范圍內滑坡的發生信息。本研究選取江西省內截至2017年的有效滑坡記錄3 652個，其反映了該省滑坡發生的空間分布狀況(圖1)。按照空間篩除法在一定距離內保留有限位點，按照均勻、隨機的原則再次進行系統取樣，確保將滑坡發生點的地理自相關降至最低[22]。同時與聚類分組篩選和分組建模的取樣結果相比較，在最大程度保留建模數據的同時，確保分布點對江西省滑坡分布的真實反映[23]。將滿足建模要求的1 211個滑坡分布點保存為(.csv)文件供后續使用。

圖1 江西省海拔和滑坡分布點示意圖

2.2 指標因子構建及處理

滑坡災害的發生是多種環境因素共同影響的結果，研究選取海拔、坡度、坡向、植被覆蓋、年均降雨量、土地利用和距道路的距離等共計15個環境變量建模。變量來源：①海拔數據從地理空間數據云(http:∥www.gscloud.cn/search)的數字高程模型DEM柵格數據獲取，精度為30 m。利用ArcGIS 10.4的柵格表面分析模塊提取江西省的坡度、坡向、平、剖面曲率，綜合利用空間分析工具獲取江西省的地表粗糙度和地形濕度指數。②地質數據從中國科學院資源環境科學數據中心(http:∥www.resdc.cn/Default.aspx)獲取，主要包括巖性和斷層分布數據。③道路和水系數據從地理國情監測云平臺獲取，利用ArcGIS 10.4的空間分析工具計算道路、水系和斷層的歐氏距離并得到距離圖層。④多年平均降水數據從WorldClim (http:∥www.worldclim.org/)數據庫獲取。⑤植被歸一化指數(NDVI)從Landsat8遙感影像數據獲取，并通過大氣校正和波段運算以避免大氣和光照對遙感數據的影響，獲得較為準確的歸一化指數。⑥土地利用數據從中國科學院資源環境科學數據中心獲取，包括耕地、林地、草地、水域、居民地和未利用土地6個一級類型和25個二級類型。利用ArcGIS 10.4軟件的裁剪、投影和重采樣等功能模塊，將15個環境變量的投影坐標統一為WGS_1 984_UTM_48 N，空間分辨率為30 m×30 m，對變量進行相關性分析后轉為ASC格式參與模型構建和滑坡敏感性分析。

2.3 指標因子選取及建模優化

變量的多重共線性會影響MaxEnt模型預測結果的精度和準確性，故采用Pearson相關性對變量進行檢驗。首先將15個環境變量和1 211個滑坡分布點加載到MaxEnt模型，利用刀切法確定環境變量的重要性，并按照因子貢獻率大小進行排序。然后對15個環境變量進行相關性分析，若兩個變量的相關系數大于0.8，應刪除兩個變量中貢獻率較少的，經檢驗15個變量相關性在允許范圍內。

特征組合(feature combination，FC)通過數學轉換的方式使MaxEnt模型利用復雜數學關系來推測滑坡對環境因子的響應。調控倍率(regularization multiplier，RM)作為模型約束可以優化模型的響應曲線，這兩個參數對于模型的預測結果十分重要[24]。在R軟件中通過調用ENMeval數據包來確定這兩個參數，從而對MaxEnt模型進行優化。模型包括L，Q，H，P和T5種特征，分別代表了線性(linear)、二次型(quadratic)、片段化(hinge)、乘積型(product)和閾值性(threshold)。為了確定FC和RM的最佳組合，將RM限定在0.5～4的范圍內以0.5遞增，特征組合為L，LQ，H，LQH，LQHP，LQHPT。利用ENMeval數據包檢驗48種參數組合，Akaike信息量準則(AICc)反映了模型的擬合度和復雜性，最小AICc值的模型應該被優先考慮[25]。采用訓練集和測試集的AUC值之差(AUC.DIFF)和10%訓練遺漏率(OR10)來評估模型的過擬合程度，利用AUC來評估模型的準確性[26]。

2.4 研究方法

基于江西省1 211個滑坡數據和15個環境變量，首先將滑坡數據和參與建模的15個環境變量加載到模型中，然后將滑坡點的數據按照3∶1的比例分配給訓練集(training data)和測試集(testing data)。模型的特征組合和調控倍率由ENMeval數據包優化獲得，其他參數則保留默認值。模型進行500次迭代運算后，結果以ASCII文件類型輸出，采用敏感度和特異性之和最大的方法來確定滑坡敏感區的分類閾值，同時參考正態分布理論與專家經驗法[27]。ArcGIS 10.4對滑坡預測結果進行重分類，p≥0.72為極高易發區，0.53≤p<0.72為高易發區，0.25≤p<0.53為中易發區，p<0.25為低易發區。ROC曲線下的面積(AUC)被用來評估模型的可靠性，AUC值在0.9～1.0之間時說明預測結果非常優秀。

3 結果與分析

3.1 模型準確性

ROC曲線是目前認可度較高的模型診斷試驗評價指標，該曲線由靈敏度和特異度為坐標軸繪制。ROC曲線所包圍區域的面積為AUC，其值在0～1的范圍內，AUC值與模型的預測精度成正相關，即AUC值越高，模型結果的可靠性越高。滑坡數據和環境變量建立的MaxEnt模型在匹配發生記錄方面表現良好，訓練集與測試集的AUC平均值分別為0.932，0.912，表明模型預測達到優秀的水平，可以很好地模擬江西省滑坡災害空間分布和確定影響滑坡分布的主要環境因子。

3.2 環境變量對模型的貢獻率

環境變量的貢獻率是衡量其對預測結果重要性的指標。在本研究中，我們使用百分比貢獻率來區分不同變量對滑坡發生的影響。根據模擬結果，影響滑坡易發區分布的主要環境變量依次是海拔(20.5%)、坡度(20.4%)、年降雨量(14.5%)、植被指數(12.8%)、距水系距離(9.1%)和距離道路的距離(6.5%)，其累計貢獻率為83.8%，對滑坡分布具有重要影響(圖2)。

注：貢獻率低于1%的變量未列出。

3.3 滑坡發生與環境變量的關系

長江中下游地區主要環境變量的響應特征如圖3所示。

圖3 影響長江中下游地區滑坡發生的主要環境變量響應曲線

由圖3可知，滑坡發生與多種因素有關，其中海拔無疑是影響滑坡的最主要因素。從海拔與滑坡的響應曲線中可以發現江西省的滑坡主要集中在800～1 300 m的范圍內。坡度是滑坡的另一個重要影響因子，其與海拔密切相關。坡度與滑坡發生的概率呈正相關，主要集中在10°～30°之間，坡度過大時滑坡概率降低。降水是滑坡發生的重要誘發因素，其增加了土壤含水量，減弱了剖面的抗滑能力。根據年均降雨量與滑坡的響應曲線，降雨量越多的地區，發生滑坡的風險也就越高。植被指數反映了地表植被覆蓋的程度，隨著植被指數的增加，江西省滑坡的發生概率總體上呈現不斷下降的趨勢。在與水系和道路的距離方面，江西省滑坡發生概率均與之呈現負相關，隨著與水系和道路之間距離的增加，河流侵蝕和人類活動對滑坡的影響不斷降低。

3.4 滑坡地理分布

根據MaxEnt模型的預測結果，并按照敏感度和特異性之和最大的方法進行重分類。江西省滑坡分布區分為4類，分別為極高易發區、高易發區、中易發區和低易發區(圖4)。

注：地圖基于國家測繪地理信息局標準地圖服務網站下載的審圖號為GS(2019)3333號的標準地圖制作，底圖無修改。

統計顯示極高易發區面積4.94×105km2，占全省總面積的29.6%，主要分布在幕阜山、廬山、浮梁縣黃龍尖、婺源縣蓮花山、懷玉山、九嶺山、武夷山和羅霄山等地區。高易發區面積6.09×105km2，占全省總面積的36.5%，主要分布在瑞昌、贛西北山區、大浩山、梅嶺、萬年縣和浮梁—婺源地區。中易發區面積3.84×105km2，占全省總面積的23%，主要分布在鄱陽湖平原與丘陵的交界地帶，例如湖口縣和彭澤縣等地區。低易發區面積1.82×105km2，占全省總面積的10.9%，主要分布在鄱陽湖及五大河沿岸河谷平原。江西省滑坡易發區的劃分具有明顯的空間差異，極高和高易發區的面積占全省總面積的比例較大，滑坡發生的概率以鄱陽湖平原為中心向四周呈現逐漸增加的趨勢。滑坡集中分布在海拔較高的山地丘陵地帶，以西部和南部地區最為嚴重，這些地區地質復雜，巖層節理裂隙發育，滑坡災害較為頻發。

4 討論與結論

4.1 討 論

中國地處環太平洋構造帶和喜馬拉雅構造帶交匯處，構造活躍，是地質災害多發國家，災害類型多樣[28]。長江流域是中國的經濟核心地帶，受到階級交界和季風的影響，水土流失和滑坡災害頻發[29]。預測中國長江流域滑坡災害發生區，有利于提升對“隱患”的準確判斷，強化隱患排查和危險評估，通過國土空間規劃和用途管制等措施提升災害的應對能力。本研究利用1 211個滑坡分布點和15個環境變量，通過MaxEnt模型和ArcGIS軟件對江西省的滑坡易發區分布進行預測，同時采用Jackknife檢驗評估15個環境變量對預測結果的重要程度，確定了影響滑坡災害發生的主要環境變量。在準確性方面，AUC值與模型的預測精度成正相關，本研究中訓練集與測試集的AUC平均值分別為0.932，0.912，表明模型在對滑坡分布的預測中具有優異的表現，其結果有較高的精準度。

最大熵理論最早提出于1957年，在機器學習中得到廣泛應用。MaxEnt模型便是基于這一理論和JAVA語言發展而來的，目前已成為最常用的物種分布模型[16]。其基本思想是利用已知事件對目標空間分布進行建模，即與已知環境越相似，物種存在的概率越高。2013年MaxEnt模型被引到滑坡災害的預測研究中，相比于常用的信息熵模型，MaxEnt模型的精度更高，可有效避免模型過擬合的發生[19]。Aiding Kornejady等[30]利用MaxEnt模型評估了伊朗格列斯坦省吉拉特河的滑坡敏感性，AUC值分別為0.884，0.878，均能較好地模擬研究區滑坡的敏感性。本研究MaxEnt模型的AUC值大于0.9，模擬結果具有更高的可信度。

在模型的因子選擇上，考慮到地形地貌、地質、植被覆蓋、水文和人類活動等多種滑坡內在驅動因素的影響作用，選取了15個環境變量參與建模，并最終確定了6個影響滑坡發生與分布的主要環境變量。隨著海拔高度的增加，植被具有垂直地帶性，同時巖土體的含水率和人類活動的強度也受到限制[31]。滑坡在海拔800～1 300 m時發生的概率最大，表現出海拔高度的相對集中性，這與金沙江白格滑坡、哈尼梯田滑坡和湘西自治州的滑坡預測結果表現一致[1,32-33]。這主要是因為海拔過高時，地表無大片的沖洪積物覆蓋，同時“山高溝深”的地貌特征使得沉積物難以存留累積，缺少堆積體[34]。坡度的響應曲線與海拔類似，滑坡主要集中在15°～30°的較緩坡度區，過陡的坡面滑坡概率相對下降。自然條件下滑坡所處坡體坡度越大，臨空面的黏性力越小，斜坡受重力影響越大，滑坡發生可能性越大，但當坡度過大時，滑坡向小型化發展，不同的坡度區間對于相同規模的滑坡作用效果不同[35]。華寧縣滑坡災害在10°～30°的坡度范圍內易發性較高，與江西省的滑坡災害相似，集中發育在較緩坡度區[33]。植被是防治土壤侵蝕和固土護坡的關鍵，一方面可以減輕雨滴濺蝕和抑制坡面徑流沖刷，另一方面利用植物的“錨固加筋”作用增加土質強度，增強斜坡穩定性[36]。滑坡災害的發育和發生與河流的特征有密切關系，河流通過其流水活動影響和改變地理環境。在距離河流不同的區域受其影響不同，河流的流量、流速、水位等水情要素等對滑坡的產生有一定的影響[33]。河流下切和側蝕之后，由于岸坡坡腳堆積巖土體的流失，使其對滑體的支撐作用減弱，降低了滑坡的穩定性，隨著與河流距離的增加，滑坡的風險性不斷降低[37]。降水是地質災害發生的主要誘發因素，體現在滑坡和泥石流等災害多發于降水集中階段。短時間的強降雨或者連續的陰雨天氣使得滑坡體因含水量的增加而出現下滑趨勢，這與穩定巖體間的抗拉強度降低密切相關[38]。相較于雨水較少的地區，年降水量的增多增加了滑坡的風險。在橫斷山北部地區，極端降水極易誘發滑坡、崩塌和泥石流等山地災害[5]。

當前世界處于全球變暖的大背景下，氣候變化通過影響氣溫和降水來間接影響地質災害的發生。氣溫上升會改變降雨的頻率和強度，影響巖土體的穩定性。氣候變化強化了降雨的年際變化和區域分布的不均勻性，引發局部地區的干旱，影響植被的生長和地下水水位[39]。旱澇急轉加劇地質不穩定性的同時，為災害的發生預報帶來新的挑戰，使得許多降雨致災閾值的研究不斷涌現[40]。今后在對地質災害進行預測預報的同時，還應該關注氣候變化下新的災害發生趨勢，及時發現新的災害易發區，采取合理措施確保人民生命和財產安全。

4.2 結 論

(1) 以長江中下游的江西省為研究對象，將MaxEnt模型引入滑坡易發性評價體系，選取地形、地質、水文和人類活動等15個因子進行建模分析。滑坡易發區分布的模擬結果與實際分布較一致，模型評價指標AUC均值達到0.932，表明模擬結果具有較強的可信度和準確性。

(2) 根據刀切法對參與模型建立的環境變量進行評價，按照變量的貢獻率，海拔、坡度、年降雨量、植被歸一化指數(NDVI)、距離水系和道路的距離是影響滑坡發生和分布的主要環境變量，其中降雨是滑坡發生的直接誘導因子。

(3) 極高、高和中易發區分別占29.6%，36.5%和23%，滑坡易發性的空間分布差異明顯，極高易發區和高易發區主要分布在江西省的東、西和南面的山地丘陵地帶。氣候變化背景下，未來氣候將通過影響降水和植被等因素進而改變滑坡發生分布和敏感性，為災害的發生預報帶來新的挑戰。