考虑未来土地利用动态情景的滑坡易发性制图

研究框架与方法

研究流程

图1 未来土地利用变化的滑坡易发性制图流程

阶段一

收集整理历史土地利用数据，开展未来土地利用预测，获得易发性建模的动态因子

阶段二

收集滑坡易发性评价静态因子与滑坡数据，构建滑坡易发性评价GIS数据库与易发性评价模型

阶段三

开展未来土地利用动态变化下的滑坡易发性分布制图研究

关键技术方法

1 PLUS模型土地利用预测

PLUS模型是一种在未来土地利用模拟（FLUS）模型基础上改进的元胞自动机（CA）模型，该模型于2021年由中国地质大学（武汉）梁迅等开发并运用于土地利用变化的分析中。

与其他土地利用模拟模型相比该模型所采用的用地扩张分析策略可以对土地利用变化机理进行更好的解释；同时应用多类土地利用斑块变化的机制，可以对地类的斑块级别演变进行模拟。

2 PSO优化集成学习模型

本研究引入了基于GBDT改进的XGBoost、LightGBM与CatBoost 3类集成学习模型来进行易发性的建模，并利用粒子群算法（PSO）对模型超参数进行优化。

PSO优化算法控制参数优化情况
模型	超参数	参数空间
CatBoost	基学习器	gbdt
	学习率	0.1
	树的最大深度	10
	过拟合检测阈值	0
	基学习器数量	100
PSO控制参数：种群大小50，最大迭代次数200，惯性权重0.9

研究区概况与数据

研究区位置

研究区域位于重庆市万州区长江沿岸，范围为临近长江的22个乡镇及主城区；其地理范围约为108°14′00′′E—108°38′00′′E和30°25′00′′N—30°58′00′′N之间，面积约为1500km²。

该地区属亚热带湿润季风区，气候温和，日照充足，雨量充沛，长江穿城而过。研究区属于低山丘陵地貌，最高海拔为1385m，最低为57m；总体形态呈台阶状，城市建设与人类工程活动多集中于较为低缓的长江沿岸。

滑坡数据

研究区内共有474个滑坡灾害点，其中库区内共有252个滑坡灾害点。

图2 研究区位置及滑坡分布

滑坡易发性评价因子

根据文献调研及研究区基础数据收集，本研究选择9类滑坡易发性的评价指标即：高程、坡度、坡向、起伏度、水库分区、距河流的距离、土壤类型、地层分布、土地利用类型。

图3 滑坡易发性评价影响因子

地形因子

高程、坡度、坡向、起伏度4个指标均可根据DEM进行提取

水文因子

距河流的距离、水库分区反映水文条件对滑坡的影响

地质因子

土壤类型、地层分布反映地质基础条件

土地利用

收集2010年、2015年与2020年3个时期的土地利用数据

土地利用模拟数据来源
数据类型	数据名称	分辨率	数据来源
土地利用数据	2010年土地利用数据	30m	中国科学院资源环境数据中心
	2015年土地利用数据	30m	中国科学院资源环境数据中心
	2020年土地利用数据	30m	中国科学院资源环境数据中心
社会经济数据	2020年人口	1km	OpenStreetMap
	2020年GDP	1km	OpenStreetMap
	2020年到一级道路距离	30m	OpenStreetMap
	2020年到二级道路距离	30m	OpenStreetMap
	2020年到三级道路距离	30m	OpenStreetMap
	2020年到政府距离	30m	OpenStreetMap

研究结果与分析

数据分析

图4 数据分析结果

基于研究区2010、2015与2020年土地利用数据，分析发现研究内主要的土地利用类型为耕地，其在2010—2020年从914.3km²减少到872.2km²；而建设用地面积则由2010年的41.63km²增加到90.33km²，增加了一倍多。

因子相关性分析

皮尔逊共线性检验结果显示坡度与起伏度之间的相关性为0.93，为降低计算误差，将起伏度从影响因子中去除。

研究区滑坡发生影响因素排序为：地层（19.6），距离水系的距离（14.4），坡度（14.3），土地利用（13.9），坡向（13.7），高程（9.9），土壤类型（9.6），水库分区（4.6）。

土地利用预测结果

基于2020年实际土地利用情况，对PLUS模型进行预测精度检验。预测结果OA值为0.897，Kappa系数为0.825，模型预测结果精度较高。

从2020年到2030年，建设用地面积将从55.2km²增加到163.8km²（10.82%）；水体将从6.4km²增加到7.5km²（0.5%）；相比之下，耕地面积将从872.2km²减少到820.9km²（54.19%）。

土地利用转化分析

主要为耕地向其它类型发生了转化，大部分耕地转化为了建设用地与林地，少量转化为了草地与水体；水体与建设用地几乎未向其它类型用地进行转化。

图5 未来土地利用预测结果

滑坡易发性建模结果

图6 未来滑坡易发性分布结果

基于PSO-XGBoost、PSO-LightGBM与PSO-CatBoost对研究区土地利用变化下的滑坡易发性进行建模制图，建模结果显示3种机器学习模型的AUC值均大于0.9。相较于未添加PSO算法的模型而言精度均有所提升（3.5%~5.0%），其中PSO-CatBoost模型表现最优（AUC=0.923）。

易发性分布特征

在3个土地利用时期下的高与极高易发性主要集中分布在长江沿岸，其中以研究区东北部库岸最为集中，这也与研究区灾害点分布高度一致。

2020—2025年，低易发性分区占比下降了4.19%，中、高和极高的易发性占比分别上升了34.73%、23.22%和6.67%。2025年至2030年，研究区的低易发性分区占比下降了5.14%，中、高和极高的易发性占比分别上升了31.01%、16.49%和13.36%。

研究结论

1 PLUS模型预测精度

基于PLUS模型的土地利用预测显示了较高的预测精度。未来土地利用预测结果显示，到2030年，建设用地与水体的面积将分别增加49.59%与7.91%；相比之下，耕地面积将减少3.03%；林地与草地面积将分别减少0.86%与4.24%。

2 模型优化效果

相较于未添加PSO算法进行易发性建模的结果而言，PSO-XGBoost、PSO-LightGBM与PSO-CatBoost模型在易发性评价中展示了优异的评价性能。其中，PSO-CatBoost模型在建模评价中表现出最高的AUC值，表明其具有更好的泛化能力，对数据的训练预测适应性更佳。

3 土地利用变化影响

未来土地利用动态变化下的滑坡易发性分布结果表明，山区滑坡的发生与土地利用的变化存在较为明显的联系。山区城镇化建设，可能会加剧滑坡灾害的发生。

研究意义

随着人类社会的发展进步，土地利用在过去数年间发生着持续的变化。土地利用的变化情况影响着未来土地的自然属性与经济属性，这对于确定未来由于自然资源枯竭所导致的环境问题意义非凡。

本研究突破性的将易发性的研究视角转换到未来滑坡易发性的防治场景，并通过PSO算法对集成学习框架的超参数进行搜索，进一步拓展了滑坡易发性建模的思路。