唐兴港, 王慧勇, 黄 豆, 张金池

(1.南京林业大学 南方现代林业协同创新中心 江苏省水土保持与生态修复重点实验室, 江苏 南京 210037; 2.南京林业大学 林学院, 江苏 南京 210037)

近期，在自然资源部发布的2020年下半年地质灾害趋势预测中指出防灾减灾形势严峻，在极端气象条件下要预防滑坡和泥石流等灾害的发生。滑坡是世界范围内最具危险性和多发性的地质灾害，在全球变暖背景下，中国西高东低的独特地理环境和日益活跃的经济建设使得滑坡灾害日益频繁[1]。在2017年近7 000起的地质灾害中滑坡灾害占比约75%，经济损失超4.00×109元，成为中国最具破坏性的地质灾害[2]。从致灾因子来看，地形、地质和人类活动都会导致斜坡面的物质移动，天气因素尤其是极端降雨是导致滑坡等地质灾害发生的直接诱因[3]。

20世纪以来，温室效应引发全球气候变暖，地表平均气温升高和极端天气事件频发使得滑坡和泥石流等自然灾害不断加剧[4-6]。IPCC5预估气候变化的影响可能进一步加剧，未来中国大部分地区降雨量将持续增多，呈现明显的极端化和区域差异[6-8]。长江流域横跨三级阶梯，总面积1.80×106km2，既是滑坡等地质灾害的高发区，也是气候变化的敏感区。其中长江中下游地区降雨和地形关系密切，且经济发达，人口密集，在全球变暖的背景下如何合理的预测滑坡灾害潜在分布就变得十分必要[9-10]。

当前应用于滑坡灾害预测研究的模型和方法主要包括人工神经网络模型、随机森林模型、决策树预测模型和支持向量模型等[11-14]。机器学习模型作为一种强大的数据驱动工具，能够在分析过程中充分考虑到滑坡发生与环境因子之间的非线性关系，在很大程度上克服了概率统计模型主观性强的局限[15]。基于机器学习模型和遥感地信技术的滑坡灾害预测已经成为灾害防治领域最为经济有效的工具。MaxEnt是一种在JAVA和最大熵理论的基础上用来评估物种潜在适生分布的工具，可以用来模拟森林植被潜在分布并合理预测在不同环境条件下物种可能出现的地区[16]。在物种潜在分布的预测方面，其较强的预测能力和相对较高的预测精度是MaxEnt模型相较于其他模型的优点，同时支持多种不同的变量类型[17-18]。近年来，MaxEnt模型在滑坡预测领域的应用逐渐成熟，在多变量回归模型、多元自适应回归、分类回归树和MaxEnt模型预测西班牙德巴河谷滑坡预测的研究中，MaxEnt模型的预测精度明显高于其他模型[19]。其基于工程类比的思想对目标空间进行建模分析，当预测区域的地质、水文和人类活动等环境变量与滑坡发生区越相似时，该区域发生滑坡的机率也就越高。

作为一种多因素、破坏性的地质现象，滑坡发生机制十分复杂，是多种环境变量相互作用的结果。滑坡的发生位置、破坏强度和后果都与灾害发生区的基础环境条件和即时诱发因素密切相关[20]。在滑坡灾害的分布预测和风险研究中要有针对性的合理确定环境变量，重点反映所选变量与灾害发生的规律[21]。本研究以江西省为例，综合滑坡灾害研究中环境变量的作用，选取地形地貌、地质岩性、植被覆盖和人类活动等15个环境指标对江西省境内的滑坡分布情况进行模拟，探究MaxEnt模型在滑坡易发性评价中的适用性，并对模拟结果进行灾害风险的等级划分。同时根据刀切法对参与建模的环境变量进行重要性评估，确定影响滑坡灾害发生的主要环境变量，以期有效指导江西省的土地利用和灾害防治工作。

1 研究区概况

江西省位于中国东南部，属长江中下游流域，面积为1.669×105km2，地形以山地和丘陵为主。该区三面环山，中部为丘陵与河谷平原交错，北部是鄱阳湖平原。平原隶属于长江中下游平原，其面积约占全省总面积的23.2%，森林覆盖率高，植被以亚热带常绿阔叶林为主。气候上属典型的亚热带季风性湿润气候，夏季雨热同期，冬季温和湿润，全年降雨充沛，是我国多雨省区之一。受地形等因素的影响，降雨季节分配不均且具有明显的区域差异，庐山、武夷山、怀玉山和九岭山一带是全省4个多雨区。红壤和黄壤在江西省广泛分布，土体厚度不一但肥力相对较高。地质构造复杂，地层发育齐全，新构造运动强烈，滑坡等地质灾害频发。

2 数据来源及研究方法

2.1 滑坡数据

江西省滑坡灾害发生点数据来源于中国科学院资源环境科学数据中心资源环境数据云平台，坐标系为WGS84，滑坡分布数据经野外实地调查获取，其记录了历年来全国范围内滑坡的发生信息。本研究选取江西省内截至2017年的有效滑坡记录3 652个，其反映了该省滑坡发生的空间分布状况(图1)。按照空间筛除法在一定距离内保留有限位点，按照均匀、随机的原则再次进行系统取样，确保将滑坡发生点的地理自相关降至最低[22]。同时与聚类分组筛选和分组建模的取样结果相比较，在最大程度保留建模数据的同时，确保分布点对江西省滑坡分布的真实反映[23]。将满足建模要求的1 211个滑坡分布点保存为(.csv)文件供后续使用。

图1 江西省海拔和滑坡分布点示意图

2.2 指标因子构建及处理

滑坡灾害的发生是多种环境因素共同影响的结果，研究选取海拔、坡度、坡向、植被覆盖、年均降雨量、土地利用和距道路的距离等共计15个环境变量建模。变量来源：①海拔数据从地理空间数据云(http:∥www.gscloud.cn/search)的数字高程模型DEM栅格数据获取，精度为30 m。利用ArcGIS 10.4的栅格表面分析模块提取江西省的坡度、坡向、平、剖面曲率，综合利用空间分析工具获取江西省的地表粗糙度和地形湿度指数。②地质数据从中国科学院资源环境科学数据中心(http:∥www.resdc.cn/Default.aspx)获取，主要包括岩性和断层分布数据。③道路和水系数据从地理国情监测云平台获取，利用ArcGIS 10.4的空间分析工具计算道路、水系和断层的欧氏距离并得到距离图层。④多年平均降水数据从WorldClim (http:∥www.worldclim.org/)数据库获取。⑤植被归一化指数(NDVI)从Landsat8遥感影像数据获取，并通过大气校正和波段运算以避免大气和光照对遥感数据的影响，获得较为准确的归一化指数。⑥土地利用数据从中国科学院资源环境科学数据中心获取，包括耕地、林地、草地、水域、居民地和未利用土地6个一级类型和25个二级类型。利用ArcGIS 10.4软件的裁剪、投影和重采样等功能模块，将15个环境变量的投影坐标统一为WGS_1 984_UTM_48 N，空间分辨率为30 m×30 m，对变量进行相关性分析后转为ASC格式参与模型构建和滑坡敏感性分析。

2.3 指标因子选取及建模优化

变量的多重共线性会影响MaxEnt模型预测结果的精度和准确性，故采用Pearson相关性对变量进行检验。首先将15个环境变量和1 211个滑坡分布点加载到MaxEnt模型，利用刀切法确定环境变量的重要性，并按照因子贡献率大小进行排序。然后对15个环境变量进行相关性分析，若两个变量的相关系数大于0.8，应删除两个变量中贡献率较少的，经检验15个变量相关性在允许范围内。

特征组合(feature combination，FC)通过数学转换的方式使MaxEnt模型利用复杂数学关系来推测滑坡对环境因子的响应。调控倍率(regularization multiplier，RM)作为模型约束可以优化模型的响应曲线，这两个参数对于模型的预测结果十分重要[24]。在R软件中通过调用ENMeval数据包来确定这两个参数，从而对MaxEnt模型进行优化。模型包括L，Q，H，P和T5种特征，分别代表了线性(linear)、二次型(quadratic)、片段化(hinge)、乘积型(product)和阈值性(threshold)。为了确定FC和RM的最佳组合，将RM限定在0.5～4的范围内以0.5递增，特征组合为L，LQ，H，LQH，LQHP，LQHPT。利用ENMeval数据包检验48种参数组合，Akaike信息量准则(AICc)反映了模型的拟合度和复杂性，最小AICc值的模型应该被优先考虑[25]。采用训练集和测试集的AUC值之差(AUC.DIFF)和10%训练遗漏率(OR10)来评估模型的过拟合程度，利用AUC来评估模型的准确性[26]。

2.4 研究方法

基于江西省1 211个滑坡数据和15个环境变量，首先将滑坡数据和参与建模的15个环境变量加载到模型中，然后将滑坡点的数据按照3∶1的比例分配给训练集(training data)和测试集(testing data)。模型的特征组合和调控倍率由ENMeval数据包优化获得，其他参数则保留默认值。模型进行500次迭代运算后，结果以ASCII文件类型输出，采用敏感度和特异性之和最大的方法来确定滑坡敏感区的分类阈值，同时参考正态分布理论与专家经验法[27]。ArcGIS 10.4对滑坡预测结果进行重分类，p≥0.72为极高易发区，0.53≤p<0.72为高易发区，0.25≤p<0.53为中易发区，p<0.25为低易发区。ROC曲线下的面积(AUC)被用来评估模型的可靠性，AUC值在0.9～1.0之间时说明预测结果非常优秀。

3 结果与分析

3.1 模型准确性

ROC曲线是目前认可度较高的模型诊断试验评价指标，该曲线由灵敏度和特异度为坐标轴绘制。ROC曲线所包围区域的面积为AUC，其值在0～1的范围内，AUC值与模型的预测精度成正相关，即AUC值越高，模型结果的可靠性越高。滑坡数据和环境变量建立的MaxEnt模型在匹配发生记录方面表现良好，训练集与测试集的AUC平均值分别为0.932，0.912，表明模型预测达到优秀的水平，可以很好地模拟江西省滑坡灾害空间分布和确定影响滑坡分布的主要环境因子。

3.2 环境变量对模型的贡献率

环境变量的贡献率是衡量其对预测结果重要性的指标。在本研究中，我们使用百分比贡献率来区分不同变量对滑坡发生的影响。根据模拟结果，影响滑坡易发区分布的主要环境变量依次是海拔(20.5%)、坡度(20.4%)、年降雨量(14.5%)、植被指数(12.8%)、距水系距离(9.1%)和距离道路的距离(6.5%)，其累计贡献率为83.8%，对滑坡分布具有重要影响(图2)。

注：贡献率低于1%的变量未列出。

3.3 滑坡发生与环境变量的关系

长江中下游地区主要环境变量的响应特征如图3所示。

图3 影响长江中下游地区滑坡发生的主要环境变量响应曲线

由图3可知，滑坡发生与多种因素有关，其中海拔无疑是影响滑坡的最主要因素。从海拔与滑坡的响应曲线中可以发现江西省的滑坡主要集中在800～1 300 m的范围内。坡度是滑坡的另一个重要影响因子，其与海拔密切相关。坡度与滑坡发生的概率呈正相关，主要集中在10°～30°之间，坡度过大时滑坡概率降低。降水是滑坡发生的重要诱发因素，其增加了土壤含水量，减弱了剖面的抗滑能力。根据年均降雨量与滑坡的响应曲线，降雨量越多的地区，发生滑坡的风险也就越高。植被指数反映了地表植被覆盖的程度，随着植被指数的增加，江西省滑坡的发生概率总体上呈现不断下降的趋势。在与水系和道路的距离方面，江西省滑坡发生概率均与之呈现负相关，随着与水系和道路之间距离的增加，河流侵蚀和人类活动对滑坡的影响不断降低。

3.4 滑坡地理分布

根据MaxEnt模型的预测结果，并按照敏感度和特异性之和最大的方法进行重分类。江西省滑坡分布区分为4类，分别为极高易发区、高易发区、中易发区和低易发区(图4)。

注：地图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)3333号的标准地图制作，底图无修改。

统计显示极高易发区面积4.94×105km2，占全省总面积的29.6%，主要分布在幕阜山、庐山、浮梁县黄龙尖、婺源县莲花山、怀玉山、九岭山、武夷山和罗霄山等地区。高易发区面积6.09×105km2，占全省总面积的36.5%，主要分布在瑞昌、赣西北山区、大浩山、梅岭、万年县和浮梁—婺源地区。中易发区面积3.84×105km2，占全省总面积的23%，主要分布在鄱阳湖平原与丘陵的交界地带，例如湖口县和彭泽县等地区。低易发区面积1.82×105km2，占全省总面积的10.9%，主要分布在鄱阳湖及五大河沿岸河谷平原。江西省滑坡易发区的划分具有明显的空间差异，极高和高易发区的面积占全省总面积的比例较大，滑坡发生的概率以鄱阳湖平原为中心向四周呈现逐渐增加的趋势。滑坡集中分布在海拔较高的山地丘陵地带，以西部和南部地区最为严重，这些地区地质复杂，岩层节理裂隙发育，滑坡灾害较为频发。

4 讨论与结论

4.1 讨 论

中国地处环太平洋构造带和喜马拉雅构造带交汇处，构造活跃，是地质灾害多发国家，灾害类型多样[28]。长江流域是中国的经济核心地带，受到阶级交界和季风的影响，水土流失和滑坡灾害频发[29]。预测中国长江流域滑坡灾害发生区，有利于提升对“隐患”的准确判断，强化隐患排查和危险评估，通过国土空间规划和用途管制等措施提升灾害的应对能力。本研究利用1 211个滑坡分布点和15个环境变量，通过MaxEnt模型和ArcGIS软件对江西省的滑坡易发区分布进行预测，同时采用Jackknife检验评估15个环境变量对预测结果的重要程度，确定了影响滑坡灾害发生的主要环境变量。在准确性方面，AUC值与模型的预测精度成正相关，本研究中训练集与测试集的AUC平均值分别为0.932，0.912，表明模型在对滑坡分布的预测中具有优异的表现，其结果有较高的精准度。

最大熵理论最早提出于1957年，在机器学习中得到广泛应用。MaxEnt模型便是基于这一理论和JAVA语言发展而来的，目前已成为最常用的物种分布模型[16]。其基本思想是利用已知事件对目标空间分布进行建模，即与已知环境越相似，物种存在的概率越高。2013年MaxEnt模型被引到滑坡灾害的预测研究中，相比于常用的信息熵模型，MaxEnt模型的精度更高，可有效避免模型过拟合的发生[19]。Aiding Kornejady等[30]利用MaxEnt模型评估了伊朗格列斯坦省吉拉特河的滑坡敏感性，AUC值分别为0.884，0.878，均能较好地模拟研究区滑坡的敏感性。本研究MaxEnt模型的AUC值大于0.9，模拟结果具有更高的可信度。

在模型的因子选择上，考虑到地形地貌、地质、植被覆盖、水文和人类活动等多种滑坡内在驱动因素的影响作用，选取了15个环境变量参与建模，并最终确定了6个影响滑坡发生与分布的主要环境变量。随着海拔高度的增加，植被具有垂直地带性，同时岩土体的含水率和人类活动的强度也受到限制[31]。滑坡在海拔800～1 300 m时发生的概率最大，表现出海拔高度的相对集中性，这与金沙江白格滑坡、哈尼梯田滑坡和湘西自治州的滑坡预测结果表现一致[1,32-33]。这主要是因为海拔过高时，地表无大片的冲洪积物覆盖，同时“山高沟深”的地貌特征使得沉积物难以存留累积，缺少堆积体[34]。坡度的响应曲线与海拔类似，滑坡主要集中在15°～30°的较缓坡度区，过陡的坡面滑坡概率相对下降。自然条件下滑坡所处坡体坡度越大，临空面的黏性力越小，斜坡受重力影响越大，滑坡发生可能性越大，但当坡度过大时，滑坡向小型化发展，不同的坡度区间对于相同规模的滑坡作用效果不同[35]。华宁县滑坡灾害在10°～30°的坡度范围内易发性较高，与江西省的滑坡灾害相似，集中发育在较缓坡度区[33]。植被是防治土壤侵蚀和固土护坡的关键，一方面可以减轻雨滴溅蚀和抑制坡面径流冲刷，另一方面利用植物的“锚固加筋”作用增加土质强度，增强斜坡稳定性[36]。滑坡灾害的发育和发生与河流的特征有密切关系，河流通过其流水活动影响和改变地理环境。在距离河流不同的区域受其影响不同，河流的流量、流速、水位等水情要素等对滑坡的产生有一定的影响[33]。河流下切和侧蚀之后，由于岸坡坡脚堆积岩土体的流失，使其对滑体的支撑作用减弱，降低了滑坡的稳定性，随着与河流距离的增加，滑坡的风险性不断降低[37]。降水是地质灾害发生的主要诱发因素，体现在滑坡和泥石流等灾害多发于降水集中阶段。短时间的强降雨或者连续的阴雨天气使得滑坡体因含水量的增加而出现下滑趋势，这与稳定岩体间的抗拉强度降低密切相关[38]。相较于雨水较少的地区，年降水量的增多增加了滑坡的风险。在横断山北部地区，极端降水极易诱发滑坡、崩塌和泥石流等山地灾害[5]。

当前世界处于全球变暖的大背景下，气候变化通过影响气温和降水来间接影响地质灾害的发生。气温上升会改变降雨的频率和强度，影响岩土体的稳定性。气候变化强化了降雨的年际变化和区域分布的不均匀性，引发局部地区的干旱，影响植被的生长和地下水水位[39]。旱涝急转加剧地质不稳定性的同时，为灾害的发生预报带来新的挑战，使得许多降雨致灾阈值的研究不断涌现[40]。今后在对地质灾害进行预测预报的同时，还应该关注气候变化下新的灾害发生趋势，及时发现新的灾害易发区，采取合理措施确保人民生命和财产安全。

4.2 结 论

(1) 以长江中下游的江西省为研究对象，将MaxEnt模型引入滑坡易发性评价体系，选取地形、地质、水文和人类活动等15个因子进行建模分析。滑坡易发区分布的模拟结果与实际分布较一致，模型评价指标AUC均值达到0.932，表明模拟结果具有较强的可信度和准确性。

(2) 根据刀切法对参与模型建立的环境变量进行评价，按照变量的贡献率，海拔、坡度、年降雨量、植被归一化指数(NDVI)、距离水系和道路的距离是影响滑坡发生和分布的主要环境变量，其中降雨是滑坡发生的直接诱导因子。

(3) 极高、高和中易发区分别占29.6%，36.5%和23%，滑坡易发性的空间分布差异明显，极高易发区和高易发区主要分布在江西省的东、西和南面的山地丘陵地带。气候变化背景下，未来气候将通过影响降水和植被等因素进而改变滑坡发生分布和敏感性，为灾害的发生预报带来新的挑战。