基于隨機森林的生態地質環境承載力評價

摘 要：城市發展是當下研究熱點，了解一個城市的生態地質環境承載力，能衡量其地質-生態-經濟的協調程度，對指導城市規劃發展有重要意義。結合龍泉山城市森林公園環境現狀，從地質環境、生態環境與社會經濟3方面選取12個指標，利用隨機森林優化主客觀權重，測算區域生態地質環境承載力。研究結果表明：斷裂密度與高程是龍泉山城市森林公園最重要的影響因子；研究區總體的生態地質環境承載力表現為中等，并呈中間低、兩邊高的分布形態，承載力較差的區域主要分布研究區中部，承載力較好的則分布于賈家鎮、三岔鎮及煎茶鎮等區域；隨機森林方法的評價結果準確性與可靠性更高，更適合此研究區的生態地質環境承載力評價。

關鍵詞：環境承載力；隨機森林；組合權重；龍泉山城市森林公園

Bearing capacity evaluation of eco-geological environment with random forest method

DU Aolin， JIAN Ji

（Chengdu University of Technology， Chengdu 610059， Sichuan， china）

Abstract： Urban development is a research hotspot at present， and understanding the bearing capacity of a city's eco-geological environment can measure its degree of geological-ecological-economic coordination， which is of great significance for guiding urban planning and development. Based on the current situation of Longquan Mountain Urban Forest Park， this paper selects 12 indicators from the three aspects of geological environment， ecological environment and social economy， and uses the subjective and objective weights of random forest optimization to measure the bearing capacity of the regional eco-geological environment. The results show that the fault density and elevation are the most important influencing factors. The overall bearing capacity of the eco-geological environment in the study area is medium， with a distribution pattern of low bearing capacity in the middle and high bearing capacity on the sides. The random forest method used is highly accurate and reliable， and suitable for the evaluation of bearing capacity of the eco-geological environment in the study area.

Keywords： environment bearing capacity; random forest; combined weights; Longquan Mountain Forest Park

隨著我國城市化推進與國民經濟的快速發展，人們對地質環境的關注日益增加。匡文慧等（2022）對中國2015—2020年土地利用變化的研究表明：我國城鎮面積仍在擴展，且速度仍呈增長態勢。在這樣快速發展的大環境下，很容易忽視其帶來的地質環境問題，導致城市的可持續性發展受到嚴重阻礙。生態地質環境研究的是地球各系統及人類之間相互作用的過程（陳夢熊，1995），強調地質環境、生態環境與社會經濟的統一（黃潤秋，2001），是解決問題的關鍵所在。隨著研究不斷深入，生態地質環境被理解為地質環境、生態環境與社會經濟環境構成的系統（趙銀兵等，2022）。

目前環境承載力的研究主要分為基于模型的評價和基于指標的評價。前者過程復雜，容易造成過度參數化（ZHANG et al.，2023）等問題，如生態足跡模型、PSR模型等；而基于指標的評價方法相對更為簡單快捷（ZHANG et al.，2023），解釋性更強，更受學者們的歡迎。

基于指標的評價結果主要受到權重影響，因此如何科學地計算權重十分重要。權重的計算方法主要分為主觀賦權法與客觀賦權法。主觀賦權法受到決策者的主觀影響，如孫金輝等（2018）利用層次分析法對北川縣環境地質承載力進行了評價，但該方法缺乏數據支撐、不確定性大。客觀賦權法主要依靠數據間的關系確定權重，何蘇玲等（2022）使用變異系數法評估昆明市資源環境承載力；尚海龍等（2020）通過改進的熵值法分析了貴州高原的水環境承載力在時空上的演變。另外，機器學習在承載力評價研究中也逐漸受到重視，隨機森林作為一種集成機器學習算法，在解決非線性問題存在顯著優勢（劉飛等，2021；支澤民等，2022），且更能發現數據間的內蘊規律。但單個方法計算的權重存在局限性，相比之下組合權重則更為可靠，鄧全成等（2022）利用加法合成法和乘法合成法分別合成組合權重，最后再對兩個組合權重進行均值化，得到最終的組合權重；張杰等（2021）基于博弈論原理計算結合了主、客觀權重。但如何科學地結合權重的主、客觀性，目前仍沒有統一標準。

本文以龍泉山城市森林公園作為研究區，提出一種基于隨機森林的組合權重計算方法，深度結合決策者的主觀分析與數據自身信息，以此提高承載力評價的準確性，評價結果可為龍泉山城市森林公園發展規劃提供參考依據。

1" 研究區

1.1" 研究區概況

龍泉山城市森林公園位于四川省成都市龍泉山脈成都段。南北橫跨90 km，東西向綿延10～12 km，占地面積1 275 km2。公園以丘陵為主，低山為輔，地勢綿延起伏，海拔最高處可達1 051 m，區內河流眾多、大小湖泊遍布、水資源豐富。龍泉山是岷江與沱江兩大水系的分水嶺，也是成都平原與川中丘陵的自然分界線，是成都市不可或缺的生態戰略空間（成都市政府研究室課題組等，2018）。

龍泉山城市森林公園的建設是成都推動東進戰略，實現兩翼互動的重要突破點，也是實現成都市發展總目標——“建設全面體現新發展理念的國家中心城市”的關鍵所在。隨著成都市的迅速發展，龍泉山區域的經濟水平也大幅上漲，尤其是龍泉山城市森林公園的旅游業，導致其人口和經濟規模劇增。若不對其進行合理規劃，將有可能超出其環境所能承載的范圍，導致區域生態環境的惡化和資源的匱竭，甚至引起經濟社會不可持續發展，其生態地質環境也面臨著城鄉建設的巨大威脅（米卉，2014）。因此對龍泉山城市森林公園進行生態地質環境承載力評價有著重要意義。

1.2" 地質狀況

龍泉山城市森林公園地處龍泉山褶斷帶，該褶斷帶主體前翼陡窄，后翼寬緩，在2個轉折端發育有逆沖斷層。區內地層主要出露白堊系上統灌口組，白堊系下統曲寺組與蒼溪組等，巖石硬度偏軟，工程與水文地質條件中等復雜，主要地質災害類型為滑坡、崩塌和不穩定斜坡。地質災害類型主要以滑坡為主，占68.2%；其次為崩塌，占19%；其余為不穩定斜坡，占12.8%。在規模上，地質災害類型絕大多數為小型，占87.2%；其次為中型，占11. 4%；僅少量大型，占1.4%。（郭子奇等，2019）

2" 數據源及指標體系構建

2.1" 數據源

生態地質環境承載力評價主要與地質、地質災害點、降水、人口、GDP等因素有關。其中斷層、巖性數據主要來自全國地質資料館（https：//www.ngac.cn/）1∶250 000全國地質圖。高程數據來自地理空間數據云（http：//www.gscloud.cn/）30 m分辨率DEM。坡度、切割深度由高程數據計算得到。地質災害數據來源于中國科學院資源環境科學與數據中心（https：//www.resdc.cn/）的2019年地質災害點空間分布數據。植被覆蓋程度利用歸一化植被指數（normalized difference vegetation index，NDVI）表示，選取2021年LandSat 8遙感影像計算NDVI，分辨率為30 m，數據來源于中國科學院資源環境科學與數據中心（http：//ids.ceode.ac.cn/）。道路與河流數據來源于全國地理信息資源服務系統（https：//www.webmap.cn/）。GDP數據源于四川省2021年統計年鑒，人口數據來自國家統計局（http：//www.stats.gov.cn/）。本次研究基于python 3.10、sklearn包以及ArcGIS 10.7實現，并將研究區劃分為30 m格網共4 757 920個評價單元。

2.2" 指標體系構建

考慮到數據的可獲取性以及龍泉山城市森林公園現狀資料，同時對比近期相關研究成果（張圓圓，2020； 張元培 等，2020； 支澤民 等，2022），本文從地質環境、生態環境和社會經濟3方面分別選取高程、坡度、斷層密度、巖性、切割深度、災害點密度、年降水量、河網密度、植被覆蓋度、道路密度、人口密度以及GDP密度評價地質環境承載力（圖1），各指標空間分布如圖2所示。

2.3" 指標分級

由于各指標的量綱及范圍不同，存在較大差異，因此需要進行分級。采用自然斷點法將數據分為“差”“較差”“中等”，以及“較好”與“好”5類，并分別賦值1～5分（表1）。其中巖性為定性數據，將研究區內軟質散體結構巖組賦值為“差”，而堅硬的砂巖加礫巖組賦值為“好”，介于二者之間的依次賦值為“較差”、“中等”、“較好”（郭子奇 等，2019）。

另外，年降水量、河網密度、植被覆蓋程度屬于正向指標（值越大，表示承載力越好），其余指標都為負向（越小越好），分級結果如表1所示。

3" 研究方法

3.1" 層次分析法

層次分析法（Analytic Hierarchy Process，AHP）是一種將復雜問題劃分為多層次、多因素，并逐層次、分因素地解決該問題的方法。主要通過對指標進行兩兩比較，并用1～9的標度評價每個指標的重要性，以此來獲得指標權重（張圓圓，2020；湛雅琪，2022）。該方法是一種典型的主觀賦權法，能充分反映了決策者的主觀思想，因此本文采用AHP求取主觀權重。

3.2" 變異系數法

變異系數法是一種基于指標相對離散程度的客觀賦權方法，通過指標值的差異進行賦權，差異越明顯，權重越大。其中變異系數為均值與標準差之比，當指標值差異較大時，其更能反映指標間的相對重要程度，并且計算簡便，因此選取變異系數法計算客觀權重。本文采用SPSSPRO計算基于變異系數法的指標權重。

3.3" 隨機森林

不同方法得到的權重都存在一定缺陷，層次分析法以決策者的偏好信息為基礎，忽略了數據間的內蘊模式；而變異系數法以數據規律為基礎，未考慮決策者的主觀分析。為計算更準確的權重，本文提出一種基于隨機森林的組合權重模型。

隨機森林（Random Forest，RF）作為一種集成式的機器學習算法，它以決策樹為基礎，集多棵樹形成森林，顯著提高了決策樹的泛化能力。此外，RF還能利用GINI指數計算特征不純度，通過其減少量評價因子的重要程度（式1—式3）（林榮福等，2020），并以此計算權重。相比于其他機器學習算法，其隨機選擇以及袋裝的算法思想能大大降低出現過擬合的可能性（張文濤等，2022），并且對于噪聲與異常值有較高的容忍度（劉堅等，2018）。

（1）

（2）

（3）

式中：是第i棵樹中第j個節點的不純度，t為類別個數；DGN是不純度減少量，GNf為父節點的不純度，GNh是第h個子節點的不純度，為總節點個數；Ik為第k個指標的重要性，n、m分別為決策樹棵樹、單棵樹節點數量。

如圖3所示，基于隨機森林的組合權重計算流程主要分為2個步驟。

首先需要計算層次分析法與變異系數法的權重，得到2種方法的初步結果。評價結果由式（4）計算獲得。

（4）

式中，為生態地質環境承載力指數，vk是重分類后的第k個指標，是第i個指標的權重。

其次，將各指標作為預測變量，2種方法的分級結果作為目標變量輸入到RF模型中進行訓練。結合RF中隨機選擇的思想，本文隨機選取2個結果中各30%評價單元（不重復）代入到模型中，并訓練若干次，對每次訓練得到的特征重要性求均值，最后進行歸一化得到最終結果。

本次研究中，將分類樹數量設置為1 100，最大深度為20時效果最好，并且進行20次訓練后特征重要性均值不再發生明顯變化。

4" 結果與分析

4.1" 指標權重結果分析

組合權重運算結果如表2所示，通過特征重要性對指標權重分配合理性進行的分析（圖4）。

斷裂密度是龍泉山城市森林公園生態地質環境承載力最重要的影響因子，研究區內斷裂橫亙近南北，由龍泉山復背斜及其東、西兩側的斷裂帶組成，嚴重影響到了地質環境；高程是該區域承載力的第二大影響因素，龍泉山城市森林公園的相對高差達600 m以上，地表熱量變化以及水資源分配存在較大差異，對環境的影響也不容小覷；其余指標的排序依次為切割深度、坡度、植被覆蓋度、河網密度、GDP密度、災害點密度、道路密度、年降水量、人口密度與地層巖性。綜合考慮龍泉山公園現狀，認為組合權重的分配較為合理。

4.2" 生態地質環境承載力評價結果分析

結合權重對各指標進行加權求和，分別得到龍泉山城市森林公園的地質環境、生態環境、社會環境以及生態地質環境承載力空間分布狀況，并利用自然斷點法進行分級，結果如圖5所示。

由評價結果可知，總體地質環境表現為中等偏上（圖5-a）。地質環境為中等及以上的區域共占比60.2%，主要聚集在賈家鎮至董家埂鄉一脈，其余零散分布于研究區兩側，區域內坡度平緩，高程較低，地形切割深度不大，相對較為平坦，且距斷裂遠；表現較差的區域主要分布在研究區中間部分，趙家鎮至萬興鄉一脈以及山泉街道至太平鎮與玉成鄉交界處一脈，其內斷裂構造密集，地形起伏大且坡度多大于15°，易發生地質災害，不適宜人類居住活動。

研究區的生態環境表現良好，中等及以上區域占比達71.5%，整體環境質量呈現從西南向東北方向遞減的趨勢（圖5-b）。其中等級較好區域主要分布在中部及南部，該區域內植被茂盛，降水豐富且河網密布，環境優渥；等級較差的區域則聚集在北部官倉鎮、棲賢鄉以及福興鎮，通過分析可以發現，研究區北部臨近德陽市，其河網密度以及植被覆蓋程度相對較低，導致生態環境略差。

社會環境與前兩者不同，其GDP密度、人口密度以及道路密度都屬于負向指標，指標值越大說明此地的開發程度越高，可進行開發的空間越小，因此承載力也就越低。龍泉山城市森林公園的社會環境與其生態環境分布呈相反趨勢，沿東北向西南方向遞減（圖5-c）。環境質量中等及以上的區域占比達81.5%，主要分布在中部以及東北部，道路密度以及GDP水平相對較低，具有較大的開發潛力；社會環境較差的則聚集在西南部——太平鎮、合江鎮、大林鎮及煎茶鎮等區域。研究區的社會環境整體發展潛力較大，但其受制于地質環境與生態環境，對生態地質環境承載力的影響較小。

將地質環境、生態環境以及社會環境按照準則層權重進行加權總和，得到龍泉山城市森林公園的生態地質環境承載力空間分布圖（圖5-d）。由圖5-d可知，研究區整體承載力中等，呈中間低，兩邊高的分布形態，中等及以上區域占比約56%。其中承載力較差的區域面積最大，占比26.6%；承載力差的區域占比17.5%，分布于太平鎮與玉成鄉交界向南北延伸一帶；承載力好與較好的分別占比15.5%、18.4%，集中在賈家鎮、三岔鎮及煎茶鎮等區域；其余零散分布于研究區兩側。

4.3" 模型對比分析

為驗證該方法的可靠性，采用研究區248個災害點對不同方法的結果進行初步對比分析，并從承載力分布、分區統計面積和災害點密度將基于隨機森林的方法與層次分析法、變異系數法進行比較。

4.3.1" 承載力分布對比

從總體上看，3種模型的承載力分布具有一定相似性（圖6）。承載力好的區域集中在研究區東南部，評價為差的主要分布在中部地區呈條狀向東北與西南兩方向延伸。所有結果中大部分災害點集中于承載力差的區域，極少部分位于承載力好的區域，因此認為各模型的評價結果較合理。

4.3.2" 災害點密度對比

將3種模型得到的結果分別與災害點疊加，對不同承載力等級區域內面積以及災害點進行統計分析（表 3），并計算災害點密度（圖7）。由表3可得：各結果隨著承載力等級的降低，災害點密度逐漸升高，在等級為差的區域達到最大，符合災害點實際分布特征。

相較于層次分析法模型，基于隨機森林的結果表現更好，災害點密度在較差和中等區域的更加密集，分別提高了0.008個·km-2、0.015個·km-2；在承載力好與較好區域則更稀疏，都減少了0.002個·km-2。變異系數法的結果認為研究區的承載力整體較差，等級較差及以下的區域占比約53%，與研究區現狀存在一定偏差。因此，基于隨機森林的評價結果更可靠，與實際狀況更符合。

5" 結論

在當前以可持續性發展為主題的大環境下，本文采用隨機森林算法計算組合權重，選取12個指標，對龍泉山城市森林公園生態地質環境承載力進行了研究，主要結論如下：1）斷裂密度與高程對龍泉山城市森林公園的生態地質環境承載力影響最大；2）研究區總體的生態地質環境承載力表現為中等，中等及以上占比56%，呈中間低、兩邊高的分布形態，承載力較差的區域主要分布于太平鎮與玉成鄉交界向南北延伸一帶，承載力較好的則分布于賈家鎮、三岔鎮及煎茶鎮等區域；3）在龍泉山城市森林公園中，基于隨機森林方法的準確性與可靠性優于層次分析法與變異系數法，更適合生態地質環境承載力評價。

由于某些數據難以獲取，在研究過程中仍然存在改進之處：1）可對空間尺度進行優化，以鄉鎮作為研究單元，結合承載力結果，為各鄉鎮提供更具體可靠的發展依據；2）增加時間尺度縱向對比，能更客觀地展現出承載力的變化趨勢，進一步調整發展策略。

參考文獻

陳夢熊，1995. 環境地質科學的基本理論與發展前景［J］. 工程地質學報（3）： 31-34.

成都市政府研究室課題組， 黃毅， 蘇展，2018. 龍泉山城市森林公園建設的思考和建議［J］. 先鋒（8）： 46-47.

鄧全成， 平建華， 梅雪梅， 呂鵬， 苗長汀，2022. 基于組合權重TOPSIS模型的新鄉市水資源承載力評價［J］. 水資源與水工程學報， 33（5）： 81-87.

郭子奇， 李勝偉， 王東輝， 李鴻雁， 王德偉， 宋志， 顧鴻宇，2019. 淺析四川成都龍泉山城市森林公園主要環境地質問題［J］. 沉積與特提斯地質， 39（4）： 90-99.

何蘇玲， 王金亮， 角媛梅， 周京春， 農蘭萍， 朱泓，2022. 國土空間規劃視角下資源環境承載力評價分析：以昆明市為例［J］. 中國農業資源與區劃， 43（4）： 119-128.

黃潤秋，2001. 生態環境地質的基本特點與技術支撐［J］. 中國地質（11）： 20-24.

匡文慧， 張樹文， 杜國明， 顏長珍， 吳世新， 李仁東， 陸燈盛， 潘濤， 寧靜， 郭長慶， 董金瑋， 包玉海， 遲文峰， 竇銀銀， 侯亞麗， 尹哲睿， 常麗萍， 楊久春， 謝家麗， 邱娟， 張漢松， 張宇博， 楊仕琪， 薩日蓋， 劉紀遠，2022. 2015—2020年中國土地利用變化遙感制圖及時空特征分析［J］. 地理學報， 77（5）： 1056-1071.

林榮福， 劉紀平， 徐勝華， 劉猛猛， 張蒙， 梁恩婕，2020. 隨機森林賦權信息量的滑坡易發性評價方法［J］. 測繪科學， 45（12）： 131-138.

劉飛， 劉峰貴， 周強， 陳瓊， 汪生珍， 郭蓉， 馬偉東，2021. 青藏高原生態風險及區域分異［J］. 自然資源學報， 36（12）： 3232-3246.

劉堅， 李樹林， 陳濤，2018. 基于優化隨機森林模型的滑坡易發性評價［J］. 武漢大學學報（信息科學版）， 43（7）： 1085-1091.

米卉，2014. GIS技術支持下的成都龍泉山生態地質環境承載力評價［D］. 成都理工大學.

尚海龍， 撒慧麗，2020. 貴州高原水環境承載力時空演化分析［J］. 水力發電， 46（4）： 10-15.

孫金輝， 謝忠勝， 陳歡， 黃海， 李金洋，2018. 基于層次分析法的北川縣環境地質承載力評價［J］. 水土保持通報， 38（4）： 125-128.

湛雅琪，2022. 沿海地區地質環境承載力評價研究［D］. 大連：遼寧師范大學.

張杰， 李鐸， 張赟， 魏愛華， 程鑫，2021. 基于博弈論優化權重的地質環境承載力評價［J］. 科學技術與工程， 21（20）： 8360-8365.

張文濤， 龔振宇， 令凡琳， 王樹英，2022. 基于隨機森林算法的盾構改良渣土滲透系數預測及工程應用［J］. 隧道建設（中英文），42（11）： 1863-1870.

張元培， 司可夫， 吳穎， 白洋，2020. 鶴峰縣地質環境承載力評價研究［J］. 資源環境與工程， 34（S1）： 50-55.

張圓圓，2020. 冕寧縣生態地質環境承載力研究［D］. 成都理工大學.

趙銀兵， 倪忠云， 歐陽淵， 袁材棟， 陳馨熠， 王東， 劉晶晶， 劉洪，2022. 生態地質環境承載力研究進展［J］. 沉積與特提斯地質，42（4）： 529-541.

支澤民， 陳瓊， 周強， 夏興生， 劉峰貴，2022. 基于隨機森林的川藏鐵路沿線縣域地質環境承載力評價［J］. 科學技術與工程， 22（24）： 10451-10460.

ZHANG Hongyi， LIU Yong， LI Xinghua， FENG Ruitao， GONG Yuting， JIANG Yazhen， GUAN Xiaobin， LI Shuang， 2023. Combing remote sensing information entropy and machine learning for ecological environment assessment of Hefei-Nanjing-Hangzhou region， China ［J］. Journal of Environmental Management， 325： 116533.