城市化過程中土地利用變化對地質災害易發性影響的研究

梅 樂,馬 星,連鑫龍,陳俊松,杜 勇

(1. 廣東省城鄉規劃設計研究院有限責任公司,廣東 廣州 510220; 2. 福建經緯測繪信息有限公司,福建 福州 350001)

0 引言

城市化過程中常伴隨著大量的土地資源開墾,它改變了斜坡體原始的土地利用類型、地形地貌特征[1],造成了地質歷史時期斜坡的原始平衡狀態發生變化。同時,失穩的斜坡容易演變為地質災害從而限制城市的發展,故探索土地利用變化與地質災害之間的關系具有重大意義。本文研究的重點是對比分析城市不同時期地質災害的易發性空間分布與土地利用類型之間的關系,將易發性等級變化和土地利用變化聯系起來,并探索城市化擴張區域的地質災害易發性變化情況,為后期城市發展規劃提供科學依據。

隨著人類工程活動范圍不斷擴張,土地利用類型在空間范圍上頻繁轉換,處于動態變化狀態[2-4]。遙感技術經過幾十年的發展,越來越多的算法被應用于遙感影像解譯中,如決策樹法[5]、隨機森林[6]等,利用影像分類已成為獲取區域范圍內土地利用類型的重要手段[7-9]。近年來,隨著深度學習的廣泛應用,其在遙感影像分類中也開始顯露優勢,如,ZHAO等[10]基于數據集轉換理念,將高光譜遙感影像利用多尺度卷積神經網絡方法提取其空間信息,使影像信息得到多層次的表達,實現影像分類。CAI等[11]通過Landsat系列影像,將深度神經網絡應用到時間序列遙感圖像建立了分類模型,并利用不同時間點的光譜值作為模型的輸入信息,使其可以充分利用時間序列信息并提高分類精度。但是,傳統基于影像像元進行分類的方法沒有將地物之間的空間關系作為判別標準,會導致分類結果有破碎、錯分等現象。為了改進基于像元方法存在的問題,WALTER[12]提出了基于面向對象的遙感影像分割方法,將相似地物視為一個整體進行整合,然后對整合后的影像進行分類。眾多學者的研究表明,面向對象的影像分類方法的結果置信度會高于基于像元的分類,如,WANG等[13]提出了面向對象與隨機森林相結合的影像分類方法,利用Landsat-8 OLI影像和分割后光譜信息提取了土地利用類型信息,精度達到89.37%。JIN等[14]提出了一種將面向對象分割方法和深度卷積神經網絡相結合的方法用來提取云南省撫仙湖周圍地區的土地利用/覆被類型,不僅考慮了地類的光譜信息,而且結合了地類的紋理等特征,精度達到了96.2%。本文將采用面向對象分割與深度神經網絡模型相結合的方法對研究區的土地利用類型進行分類。

地質災害具有突發性強,影響范圍廣的特點,是自然環境和經濟社會的重大隱患[15-16]。針對地質災害易發性評價,國內外學者基于數據豐富程度以及研究區特性提出了大量評價模型[17-19],按確定性分類主要包含確定性模型[17]和非確定性模型[20-21]兩大類。其中,確定性模型是根據斜坡體的地形地貌特征、巖土體參數等計算斜坡的穩定性系數,適用于小范圍內的地質災害穩定性評價。相比于確定性模型,非確定性模型,如證據權模型[22],支持向量機模型[23]等,主要是基于統計分析的方法確定歷史地質災害與成災因子之間的關系。在區域地質災害易發性評價過程中,非確定性的地質災害評價方法發揮了重要作用,如,張向營等[24]根據研究區貴德縣地質災害的特點,將層次分析法進行優化,并基于專家經驗重新計算權重,提高了評價精度。王芳等[25]以重慶市萬州區為研究區,基于邏輯回歸模型、決策樹模型和支持向量機模型,對區域地質災害的易發性進行了評價,并對比了3種模型在區域上運用的精度。連志鵬等[26]根據不同滑坡易發性評價模型的優勢融合,以五峰縣漁洋關鎮為研究區提取區域的災害成因因子,利用多耦合的評價模型進行區域滑坡易發性評價,得出模型融合思路的可借鑒性。本文采用基于統計分析方法的證據權模型對研究區的地質災害易發性進行評價。

為探討城市化發展過程中土地利用變化對地質災害易發性的影響,以城市化發展迅速的粵港澳大灣區東部的惠州市惠城區(不含仲愷高新區)為例開展研究。基于遙感影像解譯并劃分了兩個時期(2014年和2020年)區域土地利用類型,并根據對應時期的地質環境背景和歷史地質災害定量計算了區域地質災害易發性等級。根據實驗結果,探索分析了城市擴張下區域地質災害易發性等級變化,研究成果可為當地城市化發展提供有效的科學依據。

1 研究區概況

1.1 自然地理條件

研究區屬于廣東省惠州市轄區,位于粵港澳大灣區東部,東江中下游,區域范圍內有8個街道、5個鎮,地理坐標范圍為114°17′～114°41′E,22°56′～23°24′N,研究區總面積約1124 km2。

研究區地貌類型包括平原、丘陵和山地,區域北部主要以山地、丘陵為主,中部主要由東江、西枝江江岸的沖擊平原構成,南部地區是山地、丘陵區,轄區內主要的河流包括東江和西枝江。整個研究區位于低緯度的東江中下游平原區,靠近南海,整體氣候屬于南亞熱帶海洋季風氣候,年均降雨量約1731 mm,暴雨多集中在6—8月,受臺風影響大。

1.2 工程地質概況

研究區出露的地層以新生界和中生界為主,地層主要有砂巖、礫巖、板巖、泥巖、灰巖和第四系沖洪積物,占研究區總面積約95%;同時,區域零星分布巖漿巖,占研究區總面積約5%。根據區域巖土體結構、力學性質等特征,可以將其劃分為五類工程地質巖組,即壓縮性軟弱巖組(Ⅰ)、層狀較軟弱巖組(Ⅱ)、層狀較軟至較硬巖組(Ⅲ)、層塊狀較軟至較硬綜合巖組(Ⅳ)和塊狀較硬至堅硬巖組(Ⅴ)[27]。研究區經歷了多期的構造運動和多次大規模的巖漿侵入噴發運動,形成了一系列多走向的斷裂和褶皺,地質構造復雜。區域復雜的地質環境、多類型的工程巖組以及豐富的第四系沖洪積物,為地質災害頻發提供了內部條件。

1.3 災害編錄與數據來源

根據區域歷史災害數據顯示,研究區內崩塌、滑坡和不穩定斜坡共計149處,其中2015年以前95處,2015年以后(含2015年)54處,具體地質災害的空間分布和研究區的工程巖組如圖1所示。根據資料顯示,2015年后發生的地質災害中有19處崩塌,35處滑坡,規模相對都較小,基本以土質崩滑為主。根據地質災害發生的空間分布可以明顯看出,在平原與山地、丘陵的交界地帶地質災害更易集中發生。

圖1 研究區工程地質巖組和地質災害分布

文中基礎地理數據包含地形地貌數據、地質構造數據、工程地質數據和水文地質數據,均來源于惠州市自然資源局;遙感影像數據來源于地理空間數據云中的Landsat 8影像,日期分別為2014年12月5日和2020年4月15日。

2 研究方法

本文研究內容主要包含三個方面:一是土地利用類型分類方面,二是地質災害易發性評價方面,三是土地利用變化與易發性變化關系探索。通過面向對象分割與深度神經網絡模型相結合實現土地利用類型分類,并將分類結果作為動態因子與其他評價指標一起輸入到地質災害易發性評價模型中,建立二者之間的聯系,最后,構建轉移矩陣分析研究區城市化過程中土地利用變化對地質災害易發性的影響,具體流程如圖2。

圖2 土地利用變化對地質災害易發性影響研究的流程圖

2.1 土地利用類型分類

通過結合面向對象分割和深度神經網絡模型進行影像分類,將面向對象分割方法提取的光譜、空間紋理、幾何形狀等特征作為序列數據輸入到深度神經網絡模型中,以獲取該時間點影像的土地利用信息分類結果,然后基于GIS平臺實現分類結果的轉移變化分析。

面向對象的分割方法有多種,文中采用基于eCognition軟件中的多尺度分割(multiresolution segmentation, MRS)模塊進行對象分割。該模塊采用基于區域生長合并的分割方法,以影像中單個像元為起始對象進行多方向的合并,然后將特征屬性相似且空間位置相鄰的像元合并組合成一個具體的不規則的影像對象。合并后的影像對象內部在分割過程中的異質性越來越小,最終達到平均異質性最小以實現影像在不同尺度下的像素聚合。分割過程中尺度的選擇會直接影響到地類提取的效果,研究擬選用EPS2工具來獲取最優分割尺度,當局部方差的變化率值(rates of change of local variance, ROC-LV)出現局部峰值時,該點對應的分割尺度就是最佳分割尺度,依照所獲得的分割尺度,對遙感影像進行多尺度分割,得到最終的分割結果。

為了建立分割對象與實際地類之間相對應的關系,需要根據地類類別的性質,通過具體的分類器對不同對象之間豐富的特征信息進行對比、訓練和測試處理,將這些具有離散性的影像對象劃分為同類中最相似的樣本以達到影像分類的目的。神經網絡模型作為一種智能學習模型,它能夠通過模擬任意函數,構建輸入層、隱藏層和輸出層之間的關系,并使輸入層轉變為預想的輸出層。深度神經網絡模型是在神經網絡的基礎上,構建多層隱藏層,增加模型的表達能力,讓輸入層到輸出層的算法模擬條件更具說服力。本文采用深度神經網絡模型來實現面向對象分割后具有多個特征因子的遙感影像的土地利用類型分類。

2.2 地質災害易發性評價

地質災害的易發性是用于評價地質災害發生的空間概率,即用于度量空間位置哪里更容易發生地質災害的可能[28]。區域地質災害易發性評價工作是基于研究區特點,分析歷史地質災害的成災規律,構建災害的評價指標體系,并通過具體的評價模型對指標進行量化,最后以精度分析佐證評價結果。根據研究區歷史地質災害數據顯示,區內主要受土質崩滑災害影響,且基礎數據質量較好,故本文采取半定量方法——證據權模型評價地質災害易發性。

證據權模型[18]是基于貝葉斯統計分析模式,該模型假設不同證據因子之間相對獨立,通過多因子的疊加對目標結果概率進行計算分析。在地質災害易發性評價中,證據權模型是通過計算歷史地質災害在各證據因子(評價指標)條件下的發生概率,并累加所有因子的權重值進行易發性高低評價。

證據權模型是一種綜合多種控制因素的半定量方法,通過計算每一證據因子條件下地質災害發生的后驗概率,其計算公式如下:

1)當證據因子存在時:

(1)

(2)當證據因子不存在時:

(2)

(3)

式中,Wj為證據因子j的權重值。研究區每個柵格對應多種證據因子,每個因子可計算各自權重值,將區域內每個柵格的權重值進行累加求和,即可得到整個區域地質災害的易發性結果。

3 評價結果與分析

本文研究是探索土地利用變換對地質災害易發性的影響,基于前述方法對研究區兩個不同時期的土地利用類型和地質災害易發性分別進行研究。

3.1 土地利用類型分類

考慮到區域土地利用類型的實際情況,將其劃分為建設用地(C1)、林地(C2)、耕地(C3)、水域(C4)和未利用土地(C5)5個類型,其中建設用地包含城市用地、公路建設用地、工程設施用地等人類工程活動用地。根據所選擇的遙感影像數據源,首先進行大氣校正和影像融合預處理,用大氣校正后的全色波段和多光譜相融合,以獲取高分辨率、多波段的基礎數據。然后,利用eCognition軟件中的多尺度分析模塊進行影像分割,分割方法采用區域生長合并,兩期影像的分割尺度均為5,結果如圖3所示。其中,2014年分割后生成27099個對象,2020年生成31096個對象,并生成光譜特征包括歸一化植被指數、歸一化水體指數、歸一化建筑指數和均值。紋理特征包括同質性、對比度和差異性。幾何特征包括面積、長寬比和形狀指數用于后續影像分類。

圖3 兩期遙感影像分割結果圖

為了建立區域分割對象與實際地類之間相對應的關系,本文利用深度神經網絡模型進行遙感影像分類,通過分類器對上述分割后的對象進行對比、訓練,并將離散的影像對象按照預先設定劃分為五類以達到研究目的。針對兩期影像分割后的結果,分別選取2000個不同樣本輸入到分類器中進行分類,其中訓練樣本1400個,測試樣本600個,分類后的結果如圖4所示。其中2014年和2020年分類結果中建設用地、林地、耕地、水域和未利用土地分別占比17.92%,59.14%,11.67%,10.68%,0.32%和20.85%,53.10%,15.14%,10.63%,0.28%。

圖4 兩期遙感影像分類結果圖

通常來說,多類型的分類結果精度可采用混淆矩陣進行科學客觀的定量分析。本文根據測試樣本的分類結果分別計算各自的混淆矩陣,并利用混淆矩陣計算其總體精度和Kappa系數以衡量影像分類精度。其中,Kappa系數是衡量各類對象正確分類的重要指標,一般來說,其值大于0.81表示各類對象分類結果較好。圖5為兩個時期影像測試樣本通過計算得到的混淆矩陣可視化圖,從圖中可明顯看出,文中提出的方法在研究區的土地利用類型分類中具有較好的精度表現。

圖5 兩期遙感影像的混淆矩陣可視化圖

表1為分類精度統計表,結果表明,測試樣本的Kappa系數分別為0.87和0.89,總體精度都達到了90%以上,表明該方法在進行土地利用類型分類時具有很好的效果,可以作為中分辨率遙感影像分類的一種思路,同時分類結果可適用于后續地質災害易發性評價。

表1 分類精度統計表

整體上看,研究區2014年和2020年的土地利用類型發生了較大的變化,將兩個時期的土地利用類型進行疊加,統計分析發生變化區域的面積得到其轉移矩陣,如表2所示,從表2中可以明顯看出,新增的建設用地主要由耕地、林地變更而來,分別有29.31 km2和14.18 km2發生變化。

表2 2014—2020年土地利用類型轉移矩陣

3.2 地質災害易發性評價

根據研究區歷史地質災害數據,區內主要的地質災害類型有:土質滑坡、小型崩塌和不穩定斜坡,規模多以中小型為主,主要的誘發因素為降雨和人類工程活動。區內地質災害在發生機理上類似,物源基本以第四系土質堆積物為主,且都主要受地形地貌、工程巖組、地質構造和人類工程活動等控制,故本文選取高程、坡度、坡向、坡面形態、工程巖組、地質構造和土地利用類型7個評價因子作為研究區地質災害易發性評價的指標,評價單元為10 m×10 m的柵格單元。

根據前面所篩選出的7個指標因子,基于ArcGIS平臺將其柵格化并將連續值劃分為不同區間,統計每個因子各區段的柵格單元數與發生地質災害的單元數,輸入至證據權模型即可得到每個因子各區間的權重值,如表3所示。其中,地質構造因子考慮到包括褶皺和斷層,分析時進行兩級緩沖,即100 m和300 m緩沖。同時,考慮到地質災害基本發生在斜坡體,雖受人為工程活動影響,但對應土地利用類型多是林地和未利用土地等,故本文在影像分類結果的基礎上取建設用地30 m的緩沖區作為人類工程活動的影響范圍,以更符合實際地質災害誘發情況。

表3 各評價因子的證據權重值

表3中證據權為正值,代表該因子該區間對地質災害發生具有促進作用,值越大表示越利于地質災害發生;證據權為負值,代表該因子該區間對地質災害發生具有相對抑制作用,值越小地質災害越不容易發生。將兩個時期各因子各區間計算的證據權重值進行疊加即可得到權重總值,選擇合適的閾值將總值劃分為5個等級以表示不同的易發性等級,具體結果如圖6所示。其中,2020年證據權值計算結果在坡度和土地利用類型指標中均有大于1的情況,尤其是坡度[45°,65°)范圍段,有39個柵格新增發生地質災害,占總地質災害柵格數1.87%,但該坡度范圍總柵格數僅占研究區柵格總數0.19%,導致其證據權重值計算時增大為2.28。根據圖6中2020年地質災害易發性等級分布圖,研究區易發性等級高的區域較集中分布于區域東部和廣龍高速沿線段。

目前各國學者研究或論證的能夠改變小行星軌道的技術手段包括動能撞擊、質量驅動、拖船、太陽光壓、引力牽引、激光燒蝕等[40-41]，這些技術手段通常需要幾年甚至幾十年的預警時間，僅適用于防御尺寸小、預警時間長的PHAs。各種可能的近地小行星防御技術，如圖13所示。

圖6 地質災害易發性等級劃分結果

研究中利用ROC曲線(receiver operating characteristic curve, ROC)進行易發性結果精度評價。根據預測結果的特異性與敏感性構建ROC曲線,文中地質災害易發性評價結果的ROC曲線如圖7所示,并通過曲線下的面積AUC(area under curve, AUC)值,即曲線在[0,1]上的定積分檢驗評價精度,經計算,2014年精度為81.89%,2020年精度為83.86%,均具有較好的置信度。

圖7 兩個時期預測結果ROC曲線

3.3 土地利用變化與易發性分析

本文從兩個方面研究土地利用變化對地質災害易發性的影響,一方面是易發性顯著提升區域的土地利用變化轉移情況,另外一方面是城市化發展過程中建設用地擴增區域的地質災害易發性等級情況。本文認為易發性等級發生3個或4個等級變化時為顯著變化,發生1個或2個等級變化為一般變化。

一般來說,研究區范圍內的水域和坡度小于5°的地方不具備發生地質災害的基本條件。將2014年和2020年地質災害易發性等級進行疊加分析,研究區共有40766個柵格易發性顯著上升,1264676個柵格易發性上升,3631716個柵格易發性保持不變,1445022個柵格易發性下降,32345個柵格易發性顯著下降,發生顯著變化柵格數占比1.14%,地質災害易發性變化如圖8所示。

圖8 2014—2020年地質災害易發性變化圖

構建研究區地質災害易發性顯著上升區域的土地利用轉移矩陣,具體如表4所示,表中數值為柵格數。可以明顯發現,易發性顯著升高的區域分為兩類,一類是人類工程活動影響強烈的區域,即林地、耕地轉化為建筑用地的區域,分別有2197、363個柵格發生轉換,共計占易發性顯著升高內建筑用地總面積的76.35%;另一類是由林地轉化為耕地區域,共計1901個柵格,該部分區域是由于墾造水田等人類活動破壞了坡體表面原始生長的植被,降低了植物根系的固坡效果導致。另外值得注意的是,部分土地利用類型未發生變化的單元其地質災害易發性同樣顯著增加了,主要是林地占比94.96%,該部分是由于發生在斜坡體的地質災害隨著時間推移其表面不斷被新生的樹木、灌木等植被覆蓋,進而在土地利用類型劃分時分類為林地,因此,對結果產生了一定的影響。

表4 易發性顯著上升區域土地利用轉移矩陣

為進一步分析城市化發展對地質災害易發性的影響,將兩個時期建設用地的分類結果進行疊加得到其他土地類型變換為建設用地的變化范圍,同時考慮到強烈人類工程活動對周圍地理環境具有一定的影響,故本文將擴增范圍作30 m緩沖區表示整個建設用地影響范圍,統計該范圍內地質災害易發性等級變化的結果如表5所示。可以明顯發現,建設用地擴增范圍內地質災害易發性上升占比27.96%,下降占比18.65%,上升影響具有更強的主導作用。

表5 建設用地擴增范圍地質災害易發性變化統計表

結合圖4兩個時期遙感影像分類結果,建設用地擴增范圍具有小范圍成片集中和零星分布于斜坡體附近特點。一般來說,具有成片范圍的新增建設用地會開山造地,削平范圍內斜坡使地勢變得平坦;零星分布于斜坡體附近的新增建設用地會切坡,造成坡度變化更大的臨空面。對比表4易發性顯著上升中建設用地柵格數為3353個,表5的數量約是其3.89倍,可以判斷30 m緩沖區范圍內地質災害易發性等級顯著上升柵格量較多,表面人類工程活動同樣也會促進周圍環境地質災害易發性的提高。

通過以上兩個方面分析,可以看出,土地利用類型變化對地質災害易發性具有深遠的影響。當土地利用類型發生變化時,其地質災害易發性等級也可能發生變化,研究區兩個時期易發性等級發生變化區域占去平地、水域后面積的43.38%。同時,易發性顯著上升區域中人類工程活動痕跡明顯,主要表現為林地、耕地轉化為建設用地以及林地轉化為耕地2種情況,人類活動改變了土地利用類型進而改變斜坡體的原始條件,促使地質災害易發性等級提高。建設用地擴增范圍內地質災害易發性等級有明顯變化,變化區域占擴增范圍面積的46.61%,結合研究區實際分析,易發性等級變化與建設用地擴增導致的坡度變化有緊密聯系,當擴增范圍內有大面積削坡時可降低易發性,當切坡擴大臨空面時會提高易發性,總體上研究區人類工程活動對促進地質災害發生作用更強。

4 結論

1)影像分類與地質災害易發性評價的方法在精度上表現較好。采用面向對象與深度神經網絡模型相結合的方式對遙感影像進行分類具有良好的精度,同時,證據權法在研究區的地質災害易發性評價中也有較好的精度表現。

2)地質災害易發性等級變化與土地利用變化存在緊密聯系。根據兩個時期易發性評價結果的差異性,可以看出土地利用類型發生變化時地質災害易發性也隨之變化,尤其是地質災害易發性等級顯著提升的空間位置,多以林地、耕地轉變為建設用地情況突出。

3)城市化發展過程中,新增建設用地能顯著改變地質災害易發性。城市新增建設用地既能促使地質災害易發性升高,也能使其降低;當新增建設用地是大面積開山造地減緩坡度時,可降低地質災害的易發性,而處于斜坡體上的建設用地,如修建公路、切坡建房,會提高地質災害的易發性。