基于最大熵模型的華鎣山林地淺表層滑坡風險析因*

伍冰晨 齊 實 郭鄭曦,4 胡譯水,5

（1. 江西省水利科學院 南昌 330029； 2. 北京林業大學水土保持學院 北京 100083； 3. 江西省鄱陽湖流域生態水利技術創新中心 南昌 330029； 4. 廣西交通設計集團有限公司 南寧 530029； 5. 中國市政工程西南設計研究總院有限公司 成都 610081）

華鎣山區是我國“兩屏三帶”生態安全戰略格局的骨架之一，也是我國生態修復與保護的關鍵區域。該區域以林地為主，可為人類生存發展提供多種生態系統服務（歐陽貝思等，2013）；然而，長期以來該區域林地淺表層滑坡災害頻發，給區域生態安全帶來了諸多不利影響。

隨著我國遙感監測精度的提高、地理信息技術的完善、評價模型性能的優化，滑坡易發性評價和風險預測有了長足進展，如傳統的滑坡易發性分析模型基于歷史滑坡災害點數據進行多元回歸函數構建，主要采用確定性系數法、層次分析法、頻率比、熵權法、證據權法等（賀鵬等，2016；韓用順等，2021；毛華銳等，2022），通過這些方法計算回歸模型中各影響因子對滑坡的權重，進而進行區域滑坡預測。隨著計算技術不斷發展，基于機器學習方法的預測模型被廣泛用于滑坡預測，經研究人員開發和優化，產生了眾多高精度模型，如支持向量機、人工神經網絡、決策樹、隨機森林、Logistic 模型等（王衛東等，2009；吳孝情等，2017；Qiet al.，2021）。此外，近年來最大熵（MaxEnt）模型已成功用于滑坡易發性分析與評價（王成武等，2022；屈新星等，2021），相比其他模型對特征變量選擇的嚴格，該模型對輸入數據限制較小，允許靈活設置約束條件，并具有較高預測精度，其缺點體現在輸入數據量過多時迭代過程計算量巨大導致軟件運行時間較長。總體而言，以往關于滑坡易發性的研究考慮了眾多影響因子對滑坡風險的貢獻，其中地質地形地貌因子最常見且占影響因子類型比例最高，而對人類活動、氣象、植被因子考慮較少，人類活動和氣象因素因偶然性和波動率較大難以納入統計模型，而對植被因子缺乏足夠重視主要是由其影響范圍決定的，一些滑動面較深的滑坡災害受植被因子的影響基本可忽略。

不同于常規《滑坡防治工程勘查規范》（GB/T 32864—2016）中各類滑坡體的厚度、體積及成因分類標準，淺表層滑坡主要指在強降雨或長時間降雨期間引發的、深度一般不足2 m、體積從幾立方米至數百立方米不等的滑坡類型（Rickliet al.，2009；De Rose，2013），其發生發展是多種內外營力共同作用的結果。由于滑動面較淺，除地質、地形、地貌、土壤等常規影響因素外，植被也是重要環境因素（Mcguireet al.，2016），尤其在林地，植被對淺表層滑坡災害的預防、緩解和管理發揮著關鍵作用（Gonzalez-Ollauriet al.，2021），植被措施的精準配置對林地淺表層滑坡的高質量防治具有重要意義。然而，在影響淺表層滑坡風險的眾多環境變量中，植被因素究竟產生多大貢獻以及是否與非植被因素產生耦合效應，目前尚未有清晰認知。

鑒于此，本研究以華鎣山林地為對象，基于歷史淺表層滑坡災害點及各淺表層滑坡影響因子的空間分布，采用最大熵（MaxEnt）模型預測林地淺表層滑坡風險，確定環境變量對林地淺表層滑坡風險預測的相對貢獻率，明確關鍵植被因素及其減災區間，探明植被因素與非植被因素的耦合效應，以期為華鎣山林地淺表層滑坡風險評價和減災決策制定提供科學依據。

1 研究區概況

研究區位于四川盆地東部（106°37′—106°54′E，30°07′—30°28′N）華鎣山脈中段西緣至渠江中上游東岸之間，呈南北長40.75 km、東西寬28 km 的狹長形地域。該地域歷經多次褶皺運動后，呈現顯著的“川東隔擋式構造”，特點為背斜低山和向斜丘陵谷地相間排列，彼此平行，形成獨特的“平行嶺谷”地貌，并與嘉陵江、渠江構成“三山兩槽一江”的格局，是我國典型褶皺山地（李陽兵等，2010），也是世界三大褶皺山系之一。華鎣山位于亞熱帶濕潤季風氣候區，年均降水量1 087.84 mm，主要集中在6—9月，占全年降水量的60%以上，其中夏季暴雨頻發，連續降雨時間長，常形成洪澇災害，甚至誘發山體滑坡和泥石流。由于區域褶皺斷裂發育、溝壑縱橫、地質環境復雜、降雨集中，導致林地受山地災害影響。山區土壤類型為黃壤，土層較薄，肥力低下。林地以馬尾松（Pinus massoniana）、 杉木（Cunninghamia lanceolata）、柏木（Cupressus funebris）等樹種組成的針葉林為主，占森林總面積的62.1%，是區域典型植被。

2 研究方法

2.1 淺表層滑坡識別

依據華鎣市2014年Google18 級遙感影像進行滑坡解譯。基于影像斑塊特點并結合專家、解譯人員的經驗確定解譯標志，初步判別滑坡點，而后經實地調查，修正解譯標志，篩選初步判別結果，最終獲得歷史滑坡區域空間分布。為確保影像解譯的準確性，本研究選擇華鎣山天池林場猴兒溝管護區已確定的滑坡點進行調查，調查指標包括滑坡體的坡度、土層厚度、植被類型及相應的影像特征，結合影像中的滑坡區域特征進行解譯標志的修正（表1），最終確定所有滑坡區域。

表1 滑坡區域和非滑坡區域的解譯標志Tab. 1 Interpretation mark of landslide areas and non-landslide areas

2.2 淺表層滑坡影響因子選擇及提取

通過文獻分析，非植被因素參考孫德亮（2019）、蒲娉璠（2016）、崔陽陽（2021）的研究，選取工程地質巖組、距斷層距離、距河流距離、高程、高程變異系數、坡度、坡度變率、地形起伏度、平面曲率、剖面曲率、坡向和土層厚度12 個因子；植被因素參考劉月等（2020）、Spiekermann 等（2022）的研究，選取綠紅植被指數、喬木密度、蓄積量、林分類型和平均樹齡5 個因子，淺表層滑坡評價因子提取方法及數據來源如表2 所示。

表2 淺表層滑坡評價因子提取方法及數據來源Tab. 2 Extraction method and data source of evaluation factors of superficial landslide

2.3 最大熵（MaxEnt）模型構建

采用最大熵（MaxEnt）模型進行林地淺表層滑坡風險析因。MaxEnt 模型最初主要用于預測物種的潛在適宜分布區域（Elithet al.，2011；Zhanget al.，2018），近年來隨著模型應用范圍拓展，已成功用于潛在災害點預測，相比傳統信息量模型、平均距離模型、人工神經網絡和支持向量機等精度更高（Thieryet al.，2007；Chenet al.，2017；Jiaoet al.，2019）。模型通過分析歷史災害點各種環境變量特征的制約條件，探尋在該制約條件下最大熵的可能分布，以此得到孕災環境的空間分布和各環境變量的致災程度。

模型輸入變量包括歷史淺表層滑坡災害點坐標以及各影響因素的空間屬性數據，輸出結果包括模型訓練集和測試集的受試者工作特征（receiver operating characteristic，ROC）曲線、淺表層滑坡風險指數的空間分布、各影響因素對淺表層滑坡風險預測的貢獻率以及淺表層滑坡風險指數對各環境變量的響應曲線。模型原理如下：

式中：H為信息熵；Pi為隨機事件出現的概率；C為常數。根據該式，在給定條件下，存在一個使H取極大值的分布，稱為最可幾分布（邱海軍等，2014），此時系統的熵值最大，對應的Pi即為本研究中淺表層滑坡的風險。

設隨機變量xi(i=1,2,···，n)，其相應的概率為Pi，則：

構造函數Fk和fk(xi)，分別表示系統熵值的分布函數和各風險因子的貢獻函數，則：

若H取極大值，引入參數α和βk，要求Pi滿足下式：

由式（3）和（5）可得：

令Z=eα，則：

將式（7）代回約束方程式（3），可得：

通過求解方程即可求出熵極大時的Pi。

MaxEnt 模型的關鍵在于假設合理，模型參數選擇是根據以往關于淺表層滑坡與各影響因子間因果關系的一系列研究所篩選出的環境變量，通過模型模擬進一步明確各環境變量對最大熵的貢獻，如果某環境變量與淺表層滑坡的發生完全不相關，則該變量對模型預測的貢獻率為0，模型輸入變量數量與模型精度并無聯系，模型精度只與各變量對淺表層滑坡產生的實際效應有關。

模型檢驗發生在模型預測前，且不需對模型預測結果進行二次驗證，模型驗證以ROC 曲線的形式反映模型精度。隨機選出總數據集的75%形成模型訓練集，其余25%形成測試集。在模型輸出結果中，ROC 曲線與橫坐標圍成的面積為該次模型模擬的AUC，反映模型精度。模型精度較差、一般、較準確、很準確和極準確的AUC 分別為0.5～0.6、0.6～0.7、0.7～0.8、0.8～0.9 和0.9～1.0（Yanet al.，2020；Liuet al.，2018）。根據模型原理，當模型輸入環境變量對淺表層滑坡預測的貢獻率接近0 時，即環境變量與淺表層滑坡無因果關系時，增加的環境變量對ROC 曲線不產生效應，因此單純增加環境變量數量并不能提升AUC，而高貢獻率的環境變量輸入則對AUC 產生直接效應。

模型輸出結果以滑坡風險指數反映滑坡風險和各環境變量間的關系，滑坡風險指數介于0～1 之間，指數越高表示越容易發生滑坡。

3 結果與分析

3.1 滑坡點分布及影響因子空間分布

依據遙感影像上斑塊大小、形狀、顏色、紋理等特點進行滑坡區判別。研究區林地的主要林分類型為針葉林，面積超過90%，在影像中的特征為墨綠色、顆粒感強，斑塊面積大，而滑坡區域在林地的特征為淺綠色，紋理較為光滑，細小、狹長分布，以此作為解譯標志進行滑坡區域初步識別，共識別出132 處滑坡區域。解譯標志見圖1，初步識別結果見圖2。

圖1 滑坡區域和非滑坡區域解譯標志Fig. 1 Interpretation mark of landslide areas and non-landslide areas

圖2 初步篩選的滑坡區域分布Fig. 2 Distribution of preliminary screening landslide areas

選擇華鎣山天池林場猴兒溝管護區已確定的13處滑坡點進行調查，調查指標包括滑坡體的坡度、土層厚度、植被類型以及相應的影像特征，結合影像中的滑坡區域特征進行解譯標志的修正，最終確定116處滑坡區域。修正后的解譯標志見圖3，最終識別結果見圖4。

圖3 修正后滑坡區域和非滑坡區域解譯標志Fig. 3 Interpretation mark of landslide areas and non-landslide areas after correction

圖4 修正后滑坡區域分布Fig. 4 Distribution of landslide areas after correction

選擇華鎣市遙感影像、森林二類調查數據、地質地形數據、水系數據，通過ArcGIS 處理得到華鎣山林地淺表層滑坡影響因子空間分布，如圖5 所示。其中地層巖性的A1 至B3 分別表示中-厚層硬質砂巖夾軟質泥頁巖組（A1）、中-厚層次硬質砂巖與次軟質泥巖不等厚互層巖組（A2）、薄-中厚層次硬質砂巖與次軟質泥巖頁巖夾泥質灰巖互層巖組（A3）、片狀-薄層狀極軟質頁巖、黏土巖組（A4）、中-厚層狀硬質、強巖溶化灰巖、白云巖組（B1）、薄-厚層狀硬質夾軟質中等巖溶化灰巖、生物碎屑灰巖夾泥巖、頁巖巖組（B2）、薄-中厚層狀軟硬相間、中等巖溶化灰巖與泥頁巖不等厚互層巖組（B3）。

圖5 淺表層滑坡影響因子的空間分布特征Fig. 5 Spatial distribution characteristics of influencing factors of superficial landslides

3.2 MaxEnt 模型性能檢驗

將116 個歷史淺表層滑坡災害點坐標及各環境變量空間屬性數據輸入MaxEnt 模型，隨機選取75%（87 個）的坐標點作為訓練集用于獲取模型輸出結果，剩下25%（29 個）的坐標點作為測試集用于驗證模型精度。分別設定模型運行的2 種環境變量組合，第一組為不包含植被因素的12 個變量，第二組為包含植被因素的17 個變量，分別得到2 種環境變量組合下的ROC 曲線，分別如圖6、7 所示，可以看出當數據集樣本量更高時，曲線更為平滑，樣本量較少時，曲線呈現出鋸齒狀。

圖6 不考慮植被因素時MaxEnt 模型的ROC 曲線Fig. 6 ROC curve by MaxEnt model without considering vegetation factors

根據圖6，不考慮植被因素的情況下，訓練集和測試集的模型模擬精度AUC 分別為0.928 和0.864，平均0.896，達到很準確的精度水平；根據圖7，考慮植被因素的情況下，訓練集和測試集的AUC 分別為0.949 和0.880，平均0.915，達到極準確的精度水平。由此可說明，不管是否考慮植被因素，本研究構建的最大熵模型精度均很高，可用于預測華鎣山林地淺表層滑坡風險，并能較好反映各環境變量與淺表層滑坡風險的關系。對比發現，當環境變量包含植被因素時，模型精度提升3.1%，一定程度上說明考慮植被因素時淺表層滑坡風險預測更準確。

圖7 考慮植被因素時MaxEnt 模型的ROC 曲線Fig. 7 ROC curve by MaxEnt model considering vegetation factors

3.3 淺表層滑坡潛在風險分布

考慮植被因素情況下MaxEnt 模型輸出的華鎣山林地淺表層滑坡風險分布如圖8 所示，0～1.00 為淺表層滑坡發生的概率，即風險程度。不同顏色的值表示該地區淺表層滑坡發生的概率，該值越高，表明發生淺表層滑坡的可能性越大。紫色和白色柵格點均為歷史淺表層滑坡災害點，分別代表訓練集和測試集。紅色和橙色區域表示該區域發生淺表層滑坡的風險極高（滑坡風險指數≥0.92），在圖中用紅色框標出，大多位于猴爾溝管護區范圍。深藍色區域表示該區域基本不存在淺表層滑坡風險（滑坡風險指數≤0.20），綠色區域表示該區域處在淺表層滑坡的潛在風險區（0.40≤滑坡風險指數＜0.60）。通過分析116個歷史淺表層滑坡點在各風險區中的占比，發現116個歷史災害點均落在高風險區（滑坡風險指數≥0.60）。針對圖8 中紅色框所在的猴爾溝管護區進行實地調研，并結合當地部門研發的滑坡預警系統，數據資料表明該區域為淺表層滑坡高風險區，進一步印證了本研究MaxEnt 模型對于淺表層滑坡風險分布的預測。

圖8 華鎣山林地淺表層滑坡風險分布Fig. 8 Distribution of superficial landslide risk in Huaying Mountains forest land

3.4 環境變量對淺表層滑坡風險預測的貢獻

為明確各環境變量對淺表層滑坡風險貢獻的相對大小，分別列舉不考慮和考慮植被因素條件下環境變量對MaxEnt 模型預測的相對貢獻率，以進一步了解考慮植被因素帶來的模型輸出結果差異。

不考慮植被因素條件下，各環境變量對MaxEnt模型預測的相對貢獻如表3 所示，反映不同環境變量對華鎣山淺表層滑坡風險預測的相對重要性。可以看出，工程地質巖組（貢獻率39.4%）、距斷層距離（貢獻率18.7%）、高程（貢獻率10.2%）、平面曲率（貢獻率6.1%）和地形起伏度（貢獻率5.8%）5 個環境變量的累積貢獻率達80%，而其余7 個因素的累計貢獻率不足20%。

表3 不考慮植被因素時環境變量對MaxEnt 模型預測的相對貢獻Tab. 3 Relative contribution of the environmental variables to the MaxEnt model predictions without considering vegetation factors

考慮植被因素條件下，各環境變量對MaxEnt 模型預測的相對貢獻如表4 所示。可以看出，工程地質巖組（貢獻率25.2%）、蓄積量（貢獻率17%）、距斷層距離（貢獻率10.7%）、地形起伏度（貢獻率6.5%）、高程（貢獻率5.8%）、綠紅植被指數（貢獻率5.4%）、平面曲率（貢獻率5.2%）和林分類型（貢獻率5%）8 個環境變量的累積貢獻率達80%，上述變量中，非植被因素共5 個指標，累計權重占比為66.1%；植被因素共3個指標，累計權重占比為33.9%，表明非植被因素仍起主要作用，但植被因素也有重要地位。

表4 考慮植被因素時環境變量對MaxEnt 模型預測的相對貢獻Tab. 4 Relative contribution of the environmental variables to the MaxEnt model predictions considering vegetation factors

對比表3 和4 可發現，無論是否考慮植被因素，工程地質巖組、距斷層距離、高程、平面曲率和地形起伏度5 個因素對模型預測的貢獻起主導作用，但植被因素的存在會一定程度上改變各因子對模型預測的相對貢獻率，如考慮植被因素后，工程地質巖組的貢獻率由不考慮植被因素下的39.4%降為25.2%，高程、平面曲率和地形起伏度的相對貢獻率排序發生變化。

上述結果表明，對于林地淺表層滑坡風險預測，要綜合考慮植被因素和非植被因素，在植被因素中，需要重點關注蓄積量、植被覆蓋度和林分類型3 方面，當以淺表層滑坡減災為目標進行植被優化時，這3 個植被因素應當視為首要考慮因素。

3.5 淺表層滑坡風險對各環境變量的響應

針對考慮植被因素情況下對淺表層滑坡風險預測累積貢獻率達80%的8 個關鍵環境變量，生成華鎣山林地淺表層滑坡風險對環境變量的響應曲線（圖9），進而了解各變量對淺表層滑坡的致災條件。由于工程地質巖組和林分類型的原始數據為分類數據，本身屬性以文字形式體現，數據本身不具有大小關系，無法直接用于數據分析，故采用確定性系數法（Chenet al.，2015），通過116 個淺表層滑坡柵格進行數據轉換，并利用轉換結果對工程地質巖組專題圖和林分類型專題圖重新賦值。工程地質巖組因子轉化結果為：中-厚層硬質砂巖夾軟質泥頁巖組（?0.674 1），中-厚層次硬質砂巖與次軟質泥巖不等厚互層巖組（?0.956 6），薄-中厚層次硬質砂巖與次軟質泥巖頁巖夾泥質灰巖互層巖組（?0.967 5），片狀-薄層狀極軟質頁巖、黏土巖組（?0.948 4），中-厚層狀硬質、強巖溶化灰巖、白云巖組（?0.903 8），薄-厚層狀硬質夾軟質中等巖溶化灰巖、生物碎屑灰巖夾泥巖、頁巖巖組（?0.982 3），薄-中厚層狀軟硬相間、中等巖溶化灰巖與泥頁巖不等厚互層巖組（?0.946 4）。林分類型因子轉化結果為：柏木林（?0.681 4），馬尾松-闊葉混交林（0.109 1），馬尾松-杉木混交林（0.453 2），闊葉林（?0.669 4），其他（?0.496 9）。

圖9 華鎣山林地淺表層滑坡風險對環境變量的響應曲線Fig. 9 Response curve of superficial landslide risk of Huaying mountain forest to environmental variables

本研究以淺表層滑坡風險指數＞0.60 為致災區間，以區間內的最大值為各變量致災極端值或極端區間，結果如表5 所示。

表5 各環境變量對華鎣山林地淺表層滑坡風險的致災區間和極端值Tab. 5 Hazard interval and extreme value of each environmental variable on the superficial landslide risk of Huaying Mountain forest

由表5 可知：1） 工程地質巖組的致災區間僅為一種巖組，即中－厚層硬質砂巖夾軟質泥頁巖組（因子轉化值?0.674 1，對應滑坡風險指數0.70），而其余巖組的致災性均不到0.34；2） 蓄積量的致災區間為96～142 m3?hm?2，極端值為122 m3?hm?2，隨著蓄積量增加，滑坡風險先增加后降低；3） 距斷層距離的致災區間為1 850～5 500 m，極端值為3 750 m，距斷層越近，滑坡風險反而越低，一種可能原因是由于斷層效應激發了林地的自我保護機制，另一種可能原因是受樣本數據的影響，華鎣山距斷層距離≥2 500 m 的區域內歷史淺表層滑坡災害密集，基本位于淺表層滑坡高風險區；4） 地形起伏度的致災區間為77～125 m，極端值為最大值125 m，即高地形起伏度的致災性更高，且地形起伏度小于30 m 時致災性出現較大的波動；5） 高程的致災區間為445～490 m，極端值為460 m，隨著高程增加，致災性先增加后降低；6） 綠紅植被指數的致災區間為－0.28～0.16，極端值為0.01，由于綠紅植被指數負值代表裸地，正值反映植被覆蓋度高低，因此響應曲線反映出裸地條件具有較高致災性，而隨著植被覆蓋度增加，滑坡風險逐漸降低；7） 平面曲率的致災區間為?3.8 ～?0.8、3.3～4.5 兩個區間，極端值為4.5，即平面曲率絕對值越小，滑坡風險越低，平面曲率絕對值越大，滑坡風險越高；8） 林分類型均無致災性大于0.60 的情況，即沒有出現典型的致災森林群落。

3.6 2 種環境變量組合下淺表層滑坡風險對環境變量的響應差異

通過對比考慮和不考慮植被因素下淺表層滑坡風險對12 個非植被環境變量的響應差異，發現差異主要體現在平面曲率、坡向、高程變異系數、坡度變率和坡面曲率5 個變量上，具體如圖10 所示，而其余7 個變量基本一致，由此反映出植被因素的存在導致區域淺表層滑坡風險對環境變量組合的響應發生一定的變化。

1） 淺表層滑坡風險對平面曲率的響應差異體現在：平面曲率取極小值時，考慮植被因素比不考慮植被因素所造成的淺表層滑坡風險更小，風險降低4.9%。2） 淺表層滑坡風險對坡向的響應差異體現在：坡向為正北（0°）方向時，考慮植被因素比不考慮植被因素所造成的淺表層滑坡風險更高，風險升高12.8%；而坡向為正南方向（360°）時，考慮植被因素比不考慮植被因素所造成的淺表層滑坡風險更低，風險降低6.4%。3） 淺表層滑坡風險對高程變異系數的響應差異體現在：高程變異系數取極大值時，考慮植被因素比不考慮植被因素所造成的淺表層滑坡風險更小，風險降低5.9%。4） 淺表層滑坡風險對坡度變率的響應差異體現在：坡度變率取極大值時，考慮植被因素比不考慮植被因素所造成的淺表層滑坡風險更高，風險升高10.9%。5） 淺表層滑坡風險對剖面曲率的響應差異體現在：剖面曲率取極大值時，考慮植被因素比不考慮植被因素所造成的淺表層滑坡風險更低，風險降低8.1%。

由此，考慮植被因素時整體上不改變淺表層滑坡風險對各因素的響應趨勢，但對某些非植被因素極端值所產生的淺表層滑坡風險具有重要影響，呈現耦合效應，既可能加劇也可能削弱淺表層滑坡風險，其中植被因素對平面曲率、高程變異系數和剖面曲率所產生的淺表層滑坡風險起削弱作用，對坡度變率所產生的淺表層滑坡風險起加劇作用，對坡向所產生的淺表層滑坡風險具有正反2 方面作用。

4 討論

4.1 植被因子的淺表層滑坡減災適宜性

對于淺表層滑坡減災而言，植被因子相比地質、地形、地貌等影響因子更容易調控，成本更低。本研究中共涉及5 個植被因子，根據MaxEnt 模型模擬結果，蓄積量、植被覆蓋度和林分類型為關鍵植被因子，而平均樹齡、林分密度的貢獻率較低。關于蓄積量對淺表層滑坡風險的影響，一方面，蓄積量體現在喬、灌、草的占比上，相關研究表明灌木固坡作用可能高于某些喬木（楊永紅等，2007），尤其是土體加筋效果，灌木生長15年左右的根系加筋力等同于喬木生長50～60年；另一方面，隨著森林群落演替，喬木蓄積量是逐年積累的，因而到達一定年限后喬木對林地蓄積量變化起主導作用。根據模擬結果，華鎣山森林蓄積量的致災區間為96～142 m3?hm?2，極端值為122 m3?hm?2。通過樣本統計，該蓄積量區間內喬木樹齡集中在30～40年，占比82.4%，同時根據模型模擬結果中樹齡對淺表層滑坡風險的影響表現為隨樹齡增加致災性逐漸提高，到42年致災性到達頂峰，隨即出現小幅降低。由此可見，喬木生長到一定階段前，其所在坡體的淺表層滑坡風險逐年增加。相關研究表明，植被對斜坡穩定性的負面影響體現在樹木自重上，樹木自重增加作用在潛在破壞面上的質量，并增加作用在斜坡上的驅動力，從而降低斜坡穩定性（Guoet al.，2020；Simonet al.，2002；Pollen，2007）。但值得注意的是，隨著蓄積量及樹齡達到一定條件，樹木對淺表層滑坡風險的致災性出現反轉趨勢，這可能是由于喬木生長到一定階段，由高生長轉向徑生長和根生長，增強了喬木自身的抗倒伏性能，根系的錨固力逐漸抵消自重帶來的不利影響。

關于植被覆蓋度對淺表層滑坡風險的影響，本研究結果與大多數研究一致，體現出植被對淺表層滑坡積極的減災作用（李凱等，2014；Peduzzi， 2010），但也有研究發現，有些植被覆蓋度更高的地方，滑坡規模反而更大（Liet al.，2021），這可能是由于根系對土體的膠結作用，一旦失穩會出現整體滑塌現象，因此在關注植被覆蓋度與滑坡的關系時，需考慮到正反2 方面。

關于林分類型對淺表層滑坡風險的影響，大量研究表明，樹種不同，其對斜坡穩定性的影響存在顯著差異，主要體現在不同樹種的根系網絡復雜性上（Stokeset al.，2009）。對于諸如馬尾松、杉木這樣的高大喬木而言，根系不僅對土體起到加固作用，同時也對喬木本身起到支撐作用，當面對常年降雨和大風的干擾，高大喬木自身的抗倒伏性能以及其生長環境如土壤質地、土層厚度等均會對局部的坡體穩定性產生影響（Krzeminskaet al.，2019），相比之下，柏木、灌木等自重相對較小的植物種發生倒伏的概率更低，更多發揮著根系加固效能，使得林分整體出現淺表層滑坡的頻率更低。當然，盡管本研究中馬尾松林存在淺表層滑坡隱患，但為了兼顧木材、松油的生產以及其他森林生態服務功能發揮，盲目替換樹種是不可取的，應當針對風險較高的區域采取植被結構優化措施，通過引入固坡適宜性高的伴生樹種提升根系網絡的整體穩定性。

4.2 植被因素與非植被因素對淺表層滑坡風險的耦合效應

本研究中2 種環境變量組合條件下模型模擬結果表明，植被因素的存在整體上不改變淺表層滑坡風險對其他影響因子的響應趨勢，但對于某些非植被因素的極端值所產生的淺表層滑坡風險值具有重要影響，呈現出耦合效應。對于平面曲率而言，其對地表徑流的匯聚和分散有直接影響（Aghdamet al.，2016），平面曲率絕對值越大，代表徑流匯集作用越強，說明當考慮植被因素時，環境變量組合條件下，植被削弱了徑流匯集對淺表層滑坡風險的不利影響，植被具有延長徑流匯集時間、阻斷徑流路徑進而降低滑坡風險的作用。對于坡向而言，通常情況下，坡向是影響植被分布的主要地形因素（張興航等，2020），不同坡向的植被生長狀況存在差異，而正南和正北方向光照條件差異最大，能使植被生長差異達到最大化，加劇了這2 個坡向上植被因素和非植被因素的耦合效應，使滑坡風險產生顯著變化。對于高程變異系數而言，由于高程變異系數最大時的坡面相對高差較大，使得勢能向動能的轉化更為充分，當考慮植被因素時，植被可能削弱一定的能量轉化效率，使得整體風險降低（王靜雯，2020）。研究表明，植被對坡度變率較高的地形具有較好地適應性（陳斌等，2019），反而可能增加坡體的下滑力，提高滑坡風險。對于剖面曲率而言，由于極大值代表凹型坡，此時植被和凹型坡的綜合作用降低了淺表層滑坡風險，研究表明凹型坡主要起到雨水匯集作用，而植被的存在，能夠通過側根連通順坡方向的土壤孔隙從而引導坡體雨水外排，降低滑坡風險（陳利頂等，2015）。

5 結論

利用MaxEnt 模型進行林地淺表層滑坡風險析因，當環境變量包含植被因素時，模型精度比只考慮非植被因素時提升3.1%。通過模型模擬，發現工程地質巖組、蓄積量、距斷層距離、地形起伏度、高程、綠紅植被指數、平面曲率和和林分類型8 個因子對淺表層滑坡風險預測的累計貢獻率達80%，各因子的相對貢獻率分別為25.2%、17%、10.7%、6.5%、5.8%、5.4%、5.2%和5%；植被因素對預測林地淺表層滑坡風險有重要作用，主要體現在蓄積量、植被覆蓋度和林分類型3 方面，其累積貢獻率達27.4%。對比考慮和不考慮植被因素時淺表層滑坡風險對各環境變量的響應差異，發現考慮植被因素時整體上不改變淺表層滑坡風險對各影響因素的響應趨勢，但會對某些非植被因素極端值所產生的淺表層滑坡風險具有重要影響，呈現耦合效應，其中植被因素對由平面曲率、高程變異系數、剖面曲率所產生的淺表層滑坡風險起削弱作用，體現在植被對徑流的分散和能量的消耗；對由坡度變率所產生的淺表層滑坡風險起加劇作用，體現在陡坡微地形植被增加坡體自重產生的風險；對坡向所產生的淺表層滑坡風險具有正反兩方面作用，體現在陽坡柏木林和陰坡馬尾松-杉木混交林的滑坡風險差異。