图1 云南省滑坡点分布
Fig.1 Distribution of landslide sites in Yunnan Province
北京大学学报(自然科学版) 第62 卷 第4 期 2026 年7 月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 4 (July 2026)
doi: 10.13209/j.0479-8023.2025.112
国家自然科学基金(42261073, 42561055, 42471131, 42261037)、云南省中青年学术和技术带头人后备人才项目(202305AC160083)和云南省环印度洋资源与安全国际联合实验室建设专项(202303AP140002)资助
收稿日期: 2025-01-16;
修回日期: 2025-11-27
Characterization of the Spatio-Temporal Evolution of Landslide Susceptibility in Yunnan Province
滑坡是全球性的主要地质灾害之一。中国西南地区, 特别是云南省, 由于复杂的地质与气候条件, 是滑坡的高发区。1991—2010 年间, 云南省因滑坡等地质灾害造成重大人员伤亡与经济损失[1-3]。在全球气候变化以及区域城镇化进程不断加快的背景下, 滑坡的触发机制与时空分布呈现动态演化的趋势[4-5], 对滑坡灾害的风险识别与防控提出更高的要求。
滑坡易发性评价是灾害风险识别的基础。现有研究从传统的定性评价[5-9]发展到以信息量和逻辑回归等为代表的定量模型[10-15]。然而, 在因子权重的客观量化与空间异质性的考量方面, 现有方法存在一定的局限性。作为一种量化空间分异的统计学方法[16], 地理探测器为解决上述问题提供了新的思路。但是, 现有研究中多将地理探测器作为前置的因子筛选工具[17-18], 其输出结果未被充分地整合到模型结构中。
更重要的问题是, 多数研究仅聚焦于单一时点的静态评价, 忽视滑坡易发性的长时序演化过程。虽然有部分研究开始关注滑坡的空间格局[19-20], 但仍然存在以下不足: 1) 缺乏多期滑坡易发性制图的对比分析, 难以揭示风险等级的演化路径与模式; 2) 未定量地识别影响因子在不同时期的动态变化; 3) 滑坡易发性、关键影响因子与空间格局演变三者之间的耦合关系尚未得到充分的阐释。
本文构建一个融合地理探测器的加权信息量-逻辑回归模型(WIV-LR), 用于生成 6 期具有可比性的多时序滑坡易发性评价结果, 并结合空间统计方法, 对这 6 期评价结果进行时空演化分析, 旨在揭示其格局演变特征与驱动机制, 从而阐释上述三者间的耦合关系。
云南省位于中国西南部, 地理坐标为 97.53°—106.20°E, 21.14°—29.25°N, 地处横断山脉与云贵高原交汇处, 山地高原的面积占全省总面积的 94%。研究区内山脉纵横, 河谷深切, 地处多个板块交界处, 构造运动活跃, 断裂发育, 岩性复杂, 为滑坡等地质灾害的发生提供了有利的地形和地质条件。此外, 该区域季风气候与立体气候特征显著, 降雨量时空分布不均, 干湿季分明, 夏季暴雨集中, 部分地区受印度洋季风和西太平洋副热带高压影响, 常出现连续性强降雨天气, 进一步增加滑坡发生的风险。
1.2.1 多时序滑坡数据
本文使用的滑坡灾害点数据来源于云南省地震局, 包含 19937 个滑坡点, 覆盖 1986—2016 年间由降雨、地震及工程活动等多种因素触发的滑坡事件, 各时期滑坡点的空间分布见图1。为进行滑坡易发性的时序分析, 本文将数据划分为 6 个时期:T1 (1986—1990, n=639), T2 (1991—1995, n=692), T3 (1996—2000, n=2294), T4 (2001—2005, n=3678), T5 (2006—2010, n=6003)及 T6 (2011—2016, n=6631)。
图1 云南省滑坡点分布
Fig.1 Distribution of landslide sites in Yunnan Province
1.2.2 滑坡影响因子
参考文献[21-24], 结合云南省地质环境特征,本研究选取 17 个影响因子, 将其划分为静态因子与动态因子两大类。静态因子指在研究时段内基本上保持不变的环境因素, 包括高程、坡度、坡向、地形起伏度、平面曲率、剖面曲率、沟壑密度、地质岩性、土壤类型、与断层距离及与水系距离。动态因子指在不同时期具有显著变化的触发或扰动因素, 包括土壤湿度、地震级别、降雨量、归一化植被指数(NDVI)、土地利用强度及与道路距离。所有因子均处理为 30 m 分辨率的栅格数据, 并采用自然断点法进行分级。各因子的数据来源见表1, 空间分布与分级情况见图2～5。
表1 数据来源
Table1 Data sources
因子属性 因子类别 因子名称 数据来源地形 高程、坡度坡向、地形起伏度、平面曲率、剖面曲率、沟壑密度 30 m SRTM 地质 岩性、与断层距离 云南省1:50地质图静态因子土壤 土壤类型 科学数据银行平台水文 与水系距离 Open Street Map 土壤 土壤湿度 科学数据银行平台地质 震级 国家地震科学中心气象 降雨量 中国科学院资源与环境科学数据中心动态因子土壤 NDVI GEE和国家生态科学数据中心土壤 土地利用强度 Yang等[25]人类活动 与道路距离 Open Street Map
图2 滑坡易发性静态因子的空间分布
Fig.2 Spatial distribution of static factors influencing landslide susceptibility
图3 T1 至 T6 时期动态因子(土壤湿度和震级)的空间分布
Fig.3 Spatial distribution of dynamic factors (soil moisture and magnitude) from T1 to T6
图4 T1 至 T6 时期动态因子(降雨量和 NDVI)的空间分布
Fig.4 Spatial distribution of dynamic factors (precipitation and NDVI) from T1 to T6
图5 T1 至 T6 时期动态因子(土地利用强度和与道路距离)的空间分布
Fig.5 Spatial distribution of dynamic factors (land use intensity and distance to roads) from T1 to T6
1.3.1 滑坡易发性评价模型
本研究构建一个融合地理探测器、信息量模型与逻辑回归的加权信息量-逻辑回归模型(weighted information value-logistic regression, WIV-LR), 用于评估云南省滑坡易发性。该模型旨在融合地理探测器对因子空间解释的客观量化能力、信息量模型对风险区间的识别能力以及逻辑回归的概率预测优势, 从而提升易发性评价的科学性。
模型的构建过程包括 3 个步骤: 1) 采用地理探测器, 计算各影响因子在不同时期对滑坡空间分布的解释力(q 值)[16], 并且将其作为权重系数; 2) 将 q值权重引入传统的信息量模型中, 构建加权信息量(weighted information value-logistic regression, WIV)指标 Ij, 用于量化各因子不同分类等级对滑坡发生的加权贡献度; 3) 将各因子的 WIV 值作为自变量,滑坡发生与否(1 或 0)作为因变量, 通过二元逻辑回归模型进行拟合, 最终计算出每个栅格单元的滑坡易发性概率(0～1)。核心计算公式如下:
式中, qi 为各评价因子的权重, S 为研究区内栅格总数, Si 为评价因子所占栅格数, N为研究区内滑坡总数量, Ni 为评价因子 i 中发生的滑坡数量, P 表示发生滑坡的概率, xi 表示各评价因子的加权信息量, βi表示逻辑回归系数, α为常数项。
1.3.2 时空演化分析方法
为探究滑坡易发性的时空演化特征, 本文采用3 种空间分析方法。
1) 面积转移矩阵方法: 用于量化不同易发性等级区域之间的面积转化情况[26], 计算公式如下:
式中, S 表示面积, i 和j 分别表示研究区初期和末期滑坡易发性强弱, n 表示滑坡易发区类别。
2) 空间自相关分析方法: 采用全局与局部莫兰指数(Moran’s I)探究滑坡易发性的空间集聚模式。其中, 局部莫兰指数是识别高-高或低-低等空间集聚区的核心指标[27], 计算公式如下:
式中, n 为空间单元数量, xi 和 xj 分别为区域 i 和j 的观测值, Wij 为区域 i 和j 的空间权重矩阵, S2 为观测值的方差。
3) 标准差椭圆(standard deviation ellipse, SDE) 方法: 用于度量滑坡易发性空间分布的重心位置、展布方向及动态变化[28], 计算公式如下:
式中, SDEx 和 SDEy 表示椭圆长轴与短轴的标准差,xi 和 yi 表示要素空间坐标,
和
表示平均中心, n表示要素个数, 其余参数计算公式详见文献[28]。
共线性诊断结果显示, 所有影响因子在各时期均满足建模要求(TOL ＞ 0.1, VIF ＜ 10)[29], 表明因子间不存在严重的多重共线性问题。通过地理探测器计算得到的各时期因子空间解释力(q 值)如表2 所示, 可见各因子的 q 值呈现显著的动态变化。总体而言, 土壤湿度、震级和降雨量等因子在多数时期均表现出较高的 q 值, 是解释滑坡空间分布的关键因子。进一步的加权信息量(WIV)计算结果则揭示了最易诱发滑坡的具体条件区间。例如, 较高的地震级别、强降雨过程以及高饱和度的土壤湿度, 通常对应较高的 WIV 值。同时, WIV 值的时序波动也反映各因子在不同阶段影响力的变化, 例如 T2 时期土壤湿度的影响尤为突出, T4 时期则是降雨量的影响更显著。最后, 二元逻辑回归分析结果显示,在绝大多数时期, 高程、坡度和岩性等多数因子的加权信息量值与滑坡的发生显著正相关。部分因子(如坡向和起伏度等)在某些时期因统计不显著(p ＞0.05)而未被纳入最终的预测方程。
表2 地理探测器计算结果
Table2 Geodetector calculation results
T1 T2 T3 T4 T5 T6 坡度 0.0190.026 0.017 0.013 0.0060.007起伏度 0.0250.034 0.016 0.018 0.0060.010与断层距离 0.0380.031 0.023 0.003 0.0040.005降雨量 0.1680.045 0.028 0.133 0.0540.076因子各时期因子空间解释力(q值)高程 0.1390.077 0.025 0.026 0.0480.015坡向 0.0200.022 0.008 0.004 0.0020.003平面曲率 0.0140.010 0.001 0.004 0.0010.001剖面曲率 0.0190.011 0.003 0.002 0.0020.001沟壑密度 0.0160.011 0.009 0.010 0.0060.001岩性 0.0450.082 0.032 0.083 0.0340.016土壤类型 0.0860.074 0.027 0.028 0.0170.026土壤湿度 0.4560.365 0.066 0.096 0.1090.178震级 0.2640.061 0.084 0.077 0.1490.026与水系距离 0.0130.011 0.014 0.002 0.0010.007 NDVI 0.0310.028 0.014 0.002 0.0030.007土地利用强度0.0070.0001 0.003 0.003 0.0010.002与道路距离 0.0140.007 0.002 0.003 0.0020.014
2.2.1 滑坡易发性的时空分布
基于 WIV-LR 模型评价云南省滑坡易发性, 并采用等间隔法, 将评价结果划分为极低、低、中、高和极高 5 个等级。图6 显示, 不同时期易发区的空间分布既有一致性, 也存在差异。总体来看, 高易发区集中于滇中、滇西和滇南地区, 涵盖大理、楚雄、保山和红河等州(市)的部分区域, 低(含极低)易发区则主要分布在滇西北和滇东南等地。在不同时期, 高易发区的空间范围和集中程度有所变化。例如, T1 和 T3 时期, 高易发区在滇东地区(如曲靖和昭通)也有较广泛的分布; T4 时期之后, 高易发区则明显向滇南(如临沧和普洱)集中; 到研究时段的后期(T5 和 T6 期), 滇中、滇西和滇南成为高易发区主要的连片分布区域。
图6 T1 至 T6 时期滑坡易发性评价结果
Fig.6 Reults of landslide susceptibility evaluation from T1 to T6
2.2.2 模型性能评估
为验证模型的可靠性与预测性能, 本文计算各时期的受试者工作特征曲线(ROC 曲线)下方的面积(AUC 值)。AUC 值是衡量模型整体分类性能的常用指标, 其值越接近 1 表示模型预测效果越优[30]。如图7 所示, 各时期的 AUC 值均介于 0.781～0.873之间, 表明 WIV-LR 模型在各时期均具有良好的预测性能。
图7 不同时期的 ROC 曲线对比
Fig.7 Comparison of ROC curves in different periods
为检验模型的泛化能力, 本文还采用一套来自国家资源与环境科学数据中心的地质灾害滑坡点数据(截至 2019 年, 共 11621 个滑坡点), 对 T6 期的易发性评价结果进行交叉验证, 结果见附录。超过70.5%的外部滑坡点落入模型识别的高易发区或极高易发区, 约 93%的滑坡点位于中等及以上易发区, 再次证实了本文构建的模型对滑坡的空间分布具有较好的预测能力。
2.3.1 数量与等级演化特征
滑坡易发性在时间维度上的演化主要体现在其数量结构的变化以及等级间的动态转移两个方面。从数量结构来看, 研究区滑坡的整体风险水平呈现持续上升的趋势(表3 和图8)。最显著的特征是, 高(含极高)易发区的总面积占比从 T1 时期的 35.52% (18.68%+16.84%)增长至 T6 时期的 50.27% (38.08% +12.19%), 低(含极低)易发区的面积相应地缩减。此外, 滑坡点密度数据(表3)也印证了分区结果的合理性, 即在所有时期, 滑坡点的密度均随着易发性等级的升高而显著地增加, 表明模型评价结果中的高易发区确实是滑坡灾害的集中发生地。
表3 不同时期滑坡易发性分区统计结果
Table3 Statistical results of landslide susceptibility zoning in different periods
时期 指标 极低易发区 低易发区 中易发区 高易发区 极高易发区面积占比/% 27.08 20.50 16.89 18.68 16.84 T1 滑坡点占比/% 5.49 9.25 12.28% 21.53 51.45 滑坡点密度/(个·10-4·km2) 3.72 8.27 13.33 21.13 55.99 面积占比/% 14.27 28.23 28.11 22.06 7.37 T2 滑坡点占比/% 3.91 11.89 26.13 33.96 24.10 滑坡点密度/(个·10-4·km2) 4.64 7.13 15.74 26.06 55.32 面积占比/% 18.54 21.21 20.30 24.89 15.03 T3 滑坡点占比/% 3.88 10.68 16.35 33.17 35.92 滑坡点密度/(个·10-4·km2) 12.72 30.60 48.95 80.99 145.27 面积占比/% 11.39 14.18 25.11 28.93 20.48 T4 滑坡点占比/% 1.36 8.16 16.56 31.38 42.55 滑坡点密度/(个·10-4·km2) 11.63 56.06 64.25 105.68 202.40 面积占比/% 14.71 8.31 25.82 39.22 11.81 T5 滑坡点占比/% 2.67 5.26 20.07 45.03 26.97 滑坡点密度/(个·10-4·km2) 28.81 100.74 123.64 182.57 363.12 面积占比/% 11.03 10.21 28.92 38.08 12.19 T6 滑坡点占比/% 1.75 5.59 21.96 42.18 28.52 滑坡点密度/(个·10-4·km2) 27.87 96.26 133.39 194.59 410.97
图8 不同时期滑坡易发区面积对比
Fig.8 Comparison of landslide susceptibility areas in different periods
为揭示风险面积扩张的具体过程, 本文分析易发性等级间的动态转移情况, 面积转移矩阵与和弦图揭示显著的等级跃迁现象(表4 和图9)。在整个研究时段(T1 至 T6), 主要的转移行为表现为从低风险等级向高风险等级的转化。例如, 有高达 8.11%的极低易发区直接跃升为中易发区, 7.56%的极低易发区跃升为高易发区。分阶段来看, 这种风险的加速演化趋势在研究时段的后期更明显。对比 T1 至T3 与 T3 至 T6 两个阶段的和弦图可以发现, 在后一阶段(T3 至 T6), 流向“高易发区(4)”的色带明显更宽, 流量更大, 其总转入面积占比(37.97%)远高于前一阶段(24.91%)。这表明, 进入 21 世纪后, 研究区滑坡风险等级的跃迁过程可能正在加速。
表4 云南省滑坡易发区面积转移矩阵
Table4 Area transfer matrix of landslide prone areas in Yunnan Province
时期 易发区类别面积占比/%极低易发区 低易发区 中易发区 高易发区 极高易发区极低易发区 11.02 10.22 4.62 1.09 0.11 低易发区 3.91 6.38 6.14 3.58 0.50 T1至T3 中易发区 1.92 2.88 4.68 5.90 1.51 高易发区 1.24 1.39 3.40 8.41 4.24 极高易发区 0.43 0.35 1.47 5.93 8.67 极低易发区 6.80 1.52 4.95 4.66 0.61 低易发区 2.59 3.11 6.59 7.24 1.69 T3至T6 中易发区 1.37 3.60 5.90 7.45 1.99 高易发区 0.15 1.75 8.66 11.10 3.24 极高易发区 0.01 0.19 2.71 7.51 4.61 极低易发区 4.97 4.89 8.11 7.56 1.52 低易发区 2.40 2.98 6.11 7.10 1.91 T1至T6 中易发区 1.80 1.30 5.46 6.50 1.84 高易发区 1.26 0.68 5.43 8.55 2.77 极高易发区 0.45 0.33 3.71 8.26 4.11
图9 云南省不同时期滑坡易发区面积转移
Fig.9 Area transfer of landslide susceptibility zones in different periods in Yunnan Province
2.3.2 空间集聚演化特征
为探究滑坡易发性的空间集聚特征及其演变,本文计算 6 个时期的全局与局部莫兰指数。全局莫兰指数计算结果(介于 0.392～0.548 之间, 均通过显著性检验, 图略)表明, 滑坡易发性在全省范围内始终呈现显著的空间正相关性。局部空间自相关分析结果(图10)进一步揭示集聚区的空间分布及演化,高-高集聚区(高滑坡易发性单元被高滑坡易发性单元包围的区域)稳定地分布于滇西、滇中和滇南地区, 且分布范围在研究时段内具有扩张的趋势; 低-低集聚区(低滑坡易发性单元被低滑坡易发性单元包围的区域)则集中分布于滇西北地区。上述结果表明, 滑坡风险并非均匀地分布, 而是具有高度的空间集聚性, 且高风险集聚区范围随着时间的推移不断扩大。
图10 云南省不同时期局部空间自相关聚类的空间分布
Fig.10 Spatial distribution of local spatial autocorrelation clusters in Yunnan Province across different periods
2.3.3 空间分布的方向性及重心迁移特征
通过标准差椭圆(SDE)对滑坡易发性空间变化的方向性进行分析, 结果如表5 和图11 所示, 揭示出两大核心特征。首先, 滑坡高易发区的空间分布具有显著的方向性。在所有 6 个时期, SDE 均呈现西北-东南走向, 表明滑坡易发性并非随机地分布,而是在这一主轴方向上集中展布。其次, 随着时间的推移, 滑坡高易发区的空间重心发生规律性的迁移。从表5 可知, 易发性重心在整个研究时段内均位于楚雄州境内, 但具体位置呈现为一条清晰的“南移(T1 至 T3)-东移(T3 至 T4)-向西北方向小幅度回归(T5 至 T6)”的演化路径。此外, SDE 的形态参数也反映其动态演化过程。从 T1 到 T6, 标准差椭圆的长短轴均呈现整体缩小的趋势, 表明高易发区的空间分布在方向上变得更加集中; 椭圆扁率则经历先增大后减小的过程, 说明其方向性的强度在不同的阶段具有波动性。
表5 标准差椭圆参数
Table5 Standard deviation ellipse parameters
时期 重心点坐标 长半轴/km 短半轴/km 方向角/(°) 扁率T1 101.66°E, 25.27°N 296.69 254.79 104.90 0.14 T2 101.69°E, 25.10°N 295.84 250.77 105.84 0.15 T3 101.61°E, 24.91°N 289.10 241.38 101.90 0.17 T4 101.80°E, 24.91°N 285.51 242.09 88.40 0.15 T5 101.70°E, 24.94°N 282.00 242.65 86.87 0.14 T6 101.67°E, 24.98°N 281.05 248.06 96.71 0.12
图11 云南省滑坡标准差椭圆
Fig.11 Standard deviation ellipse for landslides in Yunnan Province
本文研究的重点在于, 将 WIV-LR 模型生成的6 期滑坡易发性评价结果作为分析对象, 揭示其时空演化格局, 并探究其与关键影响因子之间的耦合关系。
首先, 滑坡易发性的时空演化整体上表现为风险面积的扩张以及空间集聚的固化, 高(含极高)风险区域面积占比从 T1 期的 35.52%增长至 T6 期的50.27%, 且始终高度集聚于滇西、滇中和滇南等区域。这一时空演化格局的形成可通过影响因子的持续性和叠加性来解释。一方面, 岩性、断裂带及土壤湿度等持续具有高解释力(高 q 值)的自然因子奠定了这些区域先天脆弱的空间基底; 另一方面, 后期人类活动相关因子(如与道路距离)解释力的相对增强, 通过叠加效应与原有高风险区范围的持续扩张过程吻合[31-33]。
其次, 滑坡易发性的动态演化进一步体现在其空间重心的规律性迁移上。标准差椭圆重心分析揭示的“南移-东移-西北回归”空格演化路径, 清晰地响应不同时期最高解释力因子及其主要影响区域的空间转移(即 1 至 T3 期的重心南移), 也是对该阶段地震因子高解释力的响应(T1 和 T3 期均排名前二)。特别是受 1988 年澜沧-耿马地震的强烈影响,滑坡易发性在该方向的风险权重显著增加, 从而对重心的南移趋势产生主要影响。T3 至 T4 期重心的东移则直接对应 T4 期降雨量因子的解释力跃居首位, 表明该阶段降雨量成为最具全局解释力的变量,即在全球气候变化导致极端降雨事件频发的背景下[3,34], 降雨量因子通过作用于自然与人为扰动复合的敏感区(如滇中和滇东), 对滑坡易发性重心的东移产生主要影响。T5 至 T6 期重心的西北回归则可能反映研究时段后期滇西北复杂地质环境带的边坡在土壤湿度持续影响(T6 期 q 值为 0.178, 重回首位)和工程扰动加剧(与道路距离 q 值达峰值)下敏感性的增强[35]。
综上所述, 本文结果揭示, 云南省滑坡易发性的时空演化并非随机过程, 其空间格局(面积、集聚和迁移)的动态变化本质上是滑坡易发性对影响因子解释力强度和主要影响区域动态变化的综合响应。本文的研究结果也印证了地理探测器等空间分析工具在揭示灾害敏感性方面的有效性[36]。
为了提升区域灾害风险动态防控能力, 我们基于本文揭示的滑坡易发性时空演化规律, 提出以下 建议。
1) 优化监测布局, 以便应对风险区的空间扩张。本研究发现, 高(含极高)易发区面积在研究时 段内显著增长(从 35.52%增至 50.27%), 并呈现向滇中和滇南地区扩展的趋势。建议有关部门依据这一空间演化特征, 动态地调整监测与巡查资源的配置重点, 优先覆盖风险扩张和等级跃迁显著的区域。
2) 构建基于关键诱因的分类响应机制。地理探测器分析结果表明, 不同时期关联性最显著的诱发因子有所不同(如 T1 期为地震因子, T4 期为降雨量因子)。建议在防灾实践中, 改变单一的防控模式, 建立针对不同主导诱因的分类响应预案, 如针对强降雨和震后不稳定边坡等情境, 分别制定差异化的监测指标与应急流程。
3) 将等级跃迁区纳入风险排查的优先对象。转移矩阵分析结果显示, 部分早期为低风险的区域, 在研究时段内显著地向中、高风险等级跃迁。建议将这类风险水平呈现明显上升趋势的区域作为当前地质灾害隐患再排查和风险区划中动态更新的重点关注对象, 提升早期识别和主动防治的效率。
本文以云南省为研究区, 选取 17 个地形、地质土壤、水文气象和人类活动因子, 构建一个融合地理探测器的 WIV-LR 模型, 对 1986—2016 年间的滑坡易发性进行多时序评价, 并揭示其时空演化格局与驱动机制, 得到如下主要结论。
1) 本文构建的 WIV-LR 模型在各时期均表现出良好的预测性能(AUC＞0.78), 能够为长时序的滑坡风险动态分析提供定量的数据基础。
2) 滑坡易发性的时空演化呈现清晰的规律性,高风险区面积持续扩张, 风险区高度集聚于滇西、滇中和滇南, 且其重心经历了规律性的迁移路径。
3) 对滑坡空间分布有最高解释力的关键影响因子, 不同时期有所不同。这一影响因子的动态演化过程与本文揭示的滑坡易发性格局演变在时空上具有高度一致性, 揭示二者之间紧密的耦合关系。
虽然本研究采用的 30 m 栅格单元应用广泛, 但未来可尝试引入更能反映坡体汇流和失稳过程的斜坡或小流域单元[37]。此外, WIV-LR 模型的适用性需要在更多的区域进行验证, 影响因子的选择也有待优化(如引入更精细的人类活动数据)。还有, 本研究基于统计关联揭示的驱动机制是推断性的, 未来需结合野外调查和物理过程模拟, 进行更深入的验证与分析。
[1] 彭建兵, 马润勇, 卢全中, 等. 青藏高原隆升的地质灾害效应. 地球科学进展, 2004, 19(3): 457-466
[2] 云南省人民政府关于印发云南省地质灾害综合防治体系建设实施方案(2013—2020 年)的通知[EB/OL].(2013) [2024-07-12]. https://dnr.yn.gov.cn/html/2022/dizhizaihaifangzhi_0110/32970.html
[3] Zhou Chang, Huang Wei, Ai Dong, et al. Catastrophic landslide triggered by extreme rainfall in Chongqing,China: July 13, 2020, Niuerwan landslide. Landslides,2022, 19(10): 2397-2407
[4] Xiong Hanxiang, Ma Chuanming, Li Minghong, et al.Landslide susceptibility prediction considering land use change and human activity: a case study under rapid urban expansion and afforestation in China. Science of The Total Environment, 2023, 866: 161430
[5] 霍张丽, 梁收运. 模糊数学方法在滑坡稳定性评价中的应用. 西北地震学报, 2007, 29(1): 35-39
[6] 刘福臻, 王灵, 肖东升, 等. 基于模糊综合评判法的宁南县滑坡易发性评价. 自然灾害学报, 2021, 30(5): 237-246
[7] Myronidis D, Papageorgiou C, Theophanous S. Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP). Natural Hazards, 2016, 81(1): 245-263
[8] 郭丽红, 廖明, 郭丽霞, 等. 基于 Rs 和 GIS 的地质灾害易发性评价研究——以南昌市湾里区为例. 中国人口·资源与环境, 2017, 27(增刊2): 61-65
[9] Nahayo L, Kalisa E, Maniragaba A, et al. Comparison of analytical hierarchy process and certain factor models in landslide susceptibility mapping in Rwanda.Modeling Earth Systems and Environment, 2019, 5(3):885-895
[10] 谭玉敏, 郭栋, 白冰心, 等. 基于信息量模型的涪陵区地质灾害易发性评价. 地球信息科学学报,2015, 17(12): 1554-1562
[11] Chen Tao, Niu Ruiqing, Jia Xiuping. A comparison of information value and logistic regression models in landslide susceptibility mapping by using GIS. Environmental Earth Sciences, 2016, 75(10): 867
[12] Wang Liangjie, Guo Min, Sawada K, et al. Landslide susceptibility mapping in Mizunami city, Japan: a comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models. Catena, 2015, 135: 271-282
[13] 胡涛, 樊鑫, 王硕, 等. 基于逻辑回归模型和 3S 技术的思南县滑坡易发性评价. 地质科技通报, 2020,39(2): 113-121
[14] Moayedi H, Mehrabi M, Mosallanezhad M, et al. Modification of landslide susceptibility mapping using optimized PSO-ANN technique. Engineering with Computers, 2019, 35(3): 967-984
[15] 田乃满, 兰恒星, 伍宇明, 等. 人工神经网络和决策树模型在滑坡易发性分析中的性能对比. 地球信息科学学报, 2020, 22(12): 2304-2316
[16] 王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116-134
[17] 李亚, 邓南荣, 陈朝, 等. 基于多源模型的粤北山区县域地质灾害危险性评价与驱动力分析. 地球与环境, 2024, 52(3): 330-342
[18] 高星星, 马鹏斐, 吕义清, 等. 基于统计方法耦合地理探测器的地质灾害易发性评价——以吕梁山区为例. 水土保持通报, 2024, 44(1): 193-205
[19] 沈迪, 郭进京, 王志恒, 等. 基于热点分析与地理探测器的地质灾害敏感性评价. 环境生态学, 2021,3(4): 83-89
[20] 季建万, 熊义兵, 姜琳琳, 等. 基于 GD-SPCA 的京津冀城市群地质灾害易发性评价. 灾害学, 2023,38(1): 94-99
[21] 黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价. 岩石力学与工程学报,2018, 37(1): 156-167
[22] Ghorbanzadeh O, Blaschke T, Gholamnia K, et al.Evaluation of different machine learning methods and deep-learning convolutional neural networks for landslide detection. Remote Sensing, 2019, 11(2): 196
[23] Liao M, Wen H, Yang L. Identifying the essential conditioning factors of landslide susceptibility models under different grid resolutions using hybrid machine learning: a case of Wushan and Wuxi counties, China.Catena, 2022, 217: 106428
[24] Liu Jing, Zhang Yingbin, Wang Qingdong, et al. Investigation and susceptibility assessment of regional geological hazards along the Karakoram highway, northeast margin of Pamir Plateau. Geomatics, Natural Hazards and Risk, 2024, 15(1): 2341176
[25] Yang Jie, Huang Xin. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019.Earth System Science Data, 2021, 13(8): 3907-3925
[26] 程磊, 徐宗学, 罗睿, 等. 渭河流域 1980—2000 年LUCC 时空变化特征及其驱动力分析. 水土保持研究, 2009, 16(5): 1-6
[27] Anselin L. Local indicators of spatial association —LISA. Geographical Analysis, 1995, 27(2): 93-115
[28] Zhao Yifan, Wu Qirui, Wei Panpan, et al. Explore the mitigation mechanism of urban thermal environment by integrating geographic detector and standard deviation ellipse (SDE). Remote Sensing, 2022, 14(14): 3411
[29] Liao M, Wen H, Yang L. Identifying the essential conditioning factors of landslide susceptibility models under different grid resolutions using hybrid machine learning: a case of Wushan and Wuxi counties, China. Catena, 2022, 217: 106428
[30] Pourghasemi H R, Teimoori Yansari Z, Panagos P, et al. Analysis and evaluation of landslide susceptibili- ty: a review on articles published during 2005-2016 (periods of 2005-2012 and 2013-2016). Arabian Journal of Geosciences, 2018, 11(9): 193
[31] 崔鹏, 林勇明. 自然因素与工程作用对山区道路泥石流、滑坡形成的影响. 灾害学, 2007, 22(3): 11-16
[32] Sidle R C, Ziegler A D. The dilemma of mountain roads. Nature Geoscience, 2012, 5(7): 437-438
[33] Sidle R C, Ghestem M, Stokes A. Epic landslide erosion from mountain roads in Yunnan, China — challenges for sustainable development. Natural Hazards and Earth System Sciences, 2014, 14(11): 3093-3104
[34] Gariano S L, Guzzetti F. Landslides in a changing climate. Earth-Science Reviews, 2016, 162: 227-252
[35] Wicki A, Lehmann P, Hauck C, et al. Assessing the potential of soil moisture measurements for regionnal landslide early warning. Landslides, 2020, 17(8):1881-1896
[36] 沈迪, 郭进京, 王志恒, 等. 基于热点分析与地理探测器的地质灾害敏感性评价. 环境生态学, 2021,3(4): 83-89
[37] Chang Zhilu, Catani F, Huang Faming, et al. Landslide susceptibility prediction using slope unit-based machine learning models considering the heterogeneity of conditioning factors. Journal of Rock Mechanics and Geotechnical Engineering, 2023, 15(5): 1127-1143
附录
请访问《北京大学学报(自然科学版)》官方网站(https://xbna.pku.edu.cn)查看