Evaluation of Landslide Susceptibility by Optimization Integrated Machine Learning Algorithm Based on Gradient Boosting: Take Both Banks of Yarlung Zangbo River and Niyang River as Examples
-
摘要:
雅鲁藏布江与尼洋河两岸地质构造活跃，山体滑坡时常发生，滑坡易发性评价能有效的减少因灾害发生所造成的对人类生命和财产的伤害。笔者基于基尼系数的加权随机森林、XGBoost和LightGBM算法在滑坡易发性中的性能。选取188个滑坡样本和7个影响因素，应用五折交叉验证法训练模型，训练过程中同时考虑特征选择算法、运用贝叶斯方法优化超参数后，采用precision、recall、F1、Accuracy指标对各个级别的预测结果进行分析。结果表明：在高程为32～1 544 m与2 722～3 752 m、坡度为30°～40°、距断裂带、河流与道路200 m以内的区域最容易发生滑坡；滑坡极高与高易发性分布为12.14%和12.41%，低和极低易发性占比分别为26.47%与29.55%，区内一半以上的地区不容易发生滑坡灾害；LightGBM模型在所有模型中表现最好，AUC值为0.843 2，准确度为0.853 1，F1分数为0.834 5；墨脱县的达木乡、帮辛乡，林芝县的丹娘、里龙、扎西饶登乡，朗县的陇村，工布江达的江达乡位于极高易发区，发生滑坡概率极大，在这些地区应采取相应的地质灾害防治措施。
Abstract:The geological structures on both banks of the Yarlung Zangbo river and the Niyang river are active, and landslides occur frequently. The landslide susceptibility assessment can effectively reduce the damage to human life and property caused by disasters. This paper studies the performances of Weighted Random Forests, XGBoost and LightGBM algorithms based on Gini coefficient in landslide susceptibility. Select 188 landslide samples and 7 influencing factors, and use the 50–fold cross–validation method to train the model. During the training process, the feature selection algorithm is considered at the same time, and the Bayesian method is used to optimize the hyperparameters. Analysis of forecast results at the level. The results show that landslide is most likely to occur within the elevation of 32～1 544 m and 2 722～3 752 m, the gradient of 30°～40°, and the distance of 200 m from the fault zone, river and road. The extremely high and high landslide prone areas account for 12.14% and 12.41% respectively, and the low and extremely low landslide prone areas account for 26.47% and 29.55% respectively. More than half of the areas in Nyingchi prefecture are not prone to landslide disasters. Among all models, LightGBM model performs best, with AUC value of 0.843 2, accuracy of 0.853 1, and F1 score of 0.834 5. Damu township and Bangxin township in Motuo county, Danniang, Lilong, Zhaxi Raodeng township in Linzhi county, Long village in Lang county, and Jiangda township in Gongbujiangda county are positioned in extraordinarily high–risk areas, with a excessive likelihood of landslides. Corresponding prevention and control measures should be taken in these areas.
-
Keywords:
- gradient boosting /
- XGBoost /
- LightGBM /
- machine learning /
- landslide susceptibility
-
从地球系统多圈层交互作用角度，认识地质环境的变化规律（孙枢等，2005；任纪舜等，2019；朱日祥等，2021），研究人−地相互关系、促进人类与地质环境协调共处，维护好地球的生态平衡，是人类生存发展面临的重大课题（张永双等, 2017；吴中海等，2021）。新时代自然资源工作的新职责赋予了地质调查工作新使命和定位（李仰春等，2018），促使了地质调查工作与生态保护修复和国土空间用途管制的结合（李金发等，2014，2016；殷志强等，2018；张永双等，2021）。生态地质学是研究生态与地质环境相互关系及作用机理的科学（聂洪峰等，2019），调查及研究对象是岩石圈−水圈−土壤圈−大气圈−生物圈相互作用的地球表层系统（杨巍然，2006；丁永建等，2013；杨建锋等，2014；石建省等，2019；侯红星等，2021；刘媛媛等，2021；张甘霖等，2021）。生态地质调查是基于区域地质调查成果的综合性地质调查工作，调查的目的是服务于国土空间用途管制和生态保护与修复（袁国礼等，2023）。
中国生态地质调查工作起步较晚，迫切需要地质工作者通过深入实践和探索来总结适用于不同地区的生态地质调查评价技术方法。为更好地支撑西南地区生态文明建设和生态屏障建设，探索总结一套适用于西南山区的生态地质调查评价方法，中国地质调查局成都地质调查中心选择大凉山区和三峡库区开展生态地质调查调查和研究生态地质分区和评价，提出了区域生态保护与修复和国土空间用途管制的对策建议。在大凉山区和三峡库区生态地质调查及方法探索的基础上，笔者系统总结了适用于西南山区的生态地质调查评价思路和方法，以期为其他地区的工作提供借鉴案例。该思路和技术方法可进一步推广到全国亚热带、温带山区的生态地质调查与评价工作中，对全国生态地质调查方法体系的完善和生态地质学科的建设也具有一定支撑作用。
1. 生态地质调查现状
1.1 国际现状
20世纪30年代，前苏联学者Troll首次提出地质学与生态学交叉学科——“地质生态学（Geoecology）”概念（Trofimov et al.，1994a；何政伟等，2003）。俄罗斯学者Trofimov等（1994b）进一步建立了“生态地质学（Eco−Geology）”的概念，把生态地质学定义为地质学的分支学科，并认为生态地质学是把地质环境（岩石圈表层）作为生态系统的组成部分进行研究。此外，比利时、英国、印度和新西兰等国家的学者先后撰文从不同角度阐述了有关生态地质学的定义、理论和研究内容（Swennen et al.，1994；Kellaway，1995；Panda et al.，1995；Williams et al.，1995；Dickinson et al.，1996；Kucha et al.，1996）。20世纪90年代以来，面对人与地球可持续发展问题，许多国家都开始生态地质相关的调查和研究工作。其中，俄罗斯的先后出版了1∶20万、1∶10万、1∶5万和1∶2.5万等各类比例尺的生态地质调查相关规范（Trofimov，2008；Dmitrievich et al.，2012），还进行了诸如农业生态地质、城市生态地质、大江大河及大型湖泊的生态地质、大型工程的生态地质等专项地质调查（李瑞敏等，2004；李仰春等，2018）。
进入21世纪以来，美国科学家提出“地球关键带（Earth Critical Zone）”的概念（National Research Council，2001），以地球关键带这一概念对地球表层系统进行了具有操作意义上的划分（Lin，2010；Giardino et al.，2015；Zhang et al.，2019；张丽等，2021），也更加具体化了生态地质学的调查和研究对象。目前，俄罗斯已经建立了生态地质学研究体系开展了一系列生态地质调查及填图+生态地质监测（国家环境监测系统）+生态地质模拟和生态地质功能分析评价等工作（聂洪峰等，2021a）。各国学者从各自的角度进一步撰文陈述了各自对生态地质学的理解，将生态地质的概念进一步扩展（Vartanyan et al.，2006；Trofimov，2009，2010，2013；Trofimov et al.，2010；Korolev et al.，2012；Kumar et al.，2015；Ulrikh et al.，2016）。然而，国际上对生态地质学的定义和认识至今尚不统一。
1.2 国内现状
20世纪50～90年代，中国老一辈科学家就提出了与社会经济密切相关的“地球表层系统（Surface–Earth System）”的概念（钱学森，1994；李廷栋，1999），认为地球表层研究是“跨地理学、气象学、地质学、工农业生产技术、技术经济和国土经济的新学科”（钱学森，1994；黄润秋，2001；胥勤勉等，2014）。20世纪90年代以来，中国学者也开始涉足生态地质调查研究领域（陶于祥等，1998；卢耀如，1998；林景星等，1999，2003；朱裕生，1999）。1994年，中国首次在大巴山地区开展了1∶5万生态地质调查试点，并对生态地质环境进行了总体评价（王长生等，1997）。20世纪90年代末，原地质矿产部部署实施了“1∶5万四平幅生态环境地质调查”试点项目，评价了调查区自然生态质量，提出了区域国土资源开发利用规划和建议（蒋惠忠等，2002）。
21世纪以来，中国学者从地质条件对土壤及生态环境的制约机制（汪振立等，2009；张腾蛟等，2020; 李樋等，2021a；张慈等，2021）、新构造运动的生态环境效应（刘洪等，2021）、地层岩性对植物群落分布的影响（张恋等，2021）、岩石–土壤–植物的元素传导过程（李樋等，2022，2023）、成土母质及土壤地质单元分类（刘洪等，2020；欧阳渊，2021）、土壤厚度调查（李富等，2021a，2021b）、岩石–土壤–植被一体化数据系统（何政伟，2002）、地质背景与生态系统演化（张景华等，2021c）、地质背景与农业种植（张振平，2004；冯乃琦等，2022）、生态地球化学（金雄伟等，2020；姬华伟等，2021；于俊博等，2021；王乔林等，2021；曾琴琴等，2021；张亚丽等，2021；居字龙等，2022）、生态地质环境系统（谢亚军等，2018；Sun et al.，2019；彭建兵等，2022；王颖维等，2023）、岩溶区生态地质（曹建华等，2004；郭纯青等，2005；张连凯等，2021）、荒漠区生态地质（古琴等，2007；刘建宇等，2021）、人类世生态地质学（孙立广等，2017）、小流域生态地质（许向宁等，2004；韩玉等，2020；杜尚海等，2022；王尧等，2023）、生态地质编图方法（刘洪等，2023）、生态环境演化与监测（程朋根等，2015；方正等，2020；黄振兴等，2022）、矿山生态修复（李保杰等，2015；朱鹏等，2016；徐嘉兴等，2017；杨志，2019；张昊等，2021；胡振琪等，2022；冯立等，2023）、生态地质评价与区划（王宁涛等，2012；李万钰等，2020；张景华等，2020，2021a；杜华明，2021；王鹏等，2021；刘子金等，2022；张林等，2022）、生态环境地质承载力（赵银兵，2009；倪忠云，2011；赵银兵等，2022；王化齐等，2023；张景华等，2023）和生态地质教育（汪振立等，2012）等不同方面对生态地质学进行了相关论述。
中国地质调查局先后开展了多项生态地质调查工作。例如，2001年在“1∶25万区域地质调查”工作中增加生态地调查内容；2003年开展“1∶25万铁岭市幅生态地质调查”，并与俄罗斯相关机构合作开展了系统的生态地质调查与研究，探索以城镇阿赫农林规划为中心的生态调查方法的体系（陈树旺等，2012）。2017 年开展“承德市国家生态文明示范区综合地质调查” ，探索基于地质建造适用于华北浅山区的生态地质调查方法（王京彬等，2020；殷志强等，2020a）；2019年以来实施新一轮生态地质调查计划和工程（聂洪峰等，2019；肖春蕾等，2021b），在全国层次、西南大凉山区、东北大兴安岭林区、黄河源高原寒区、华南赣南山地丘陵区和滇西北山区，以及《全国重要生态系统保护和修复重大工程总体规划（2021～2035年）》中的“三区四带”，包括高原生态屏障区、黄河重点生态区（含黄土高原生态屏障）、长江重点生态区（含川滇生态屏障）、东北森林带、北方防沙带、南方丘陵山地带和海岸带等地区（聂洪峰等，2021a；肖春蕾等，2021a；李文明等，2022），部署了多个生态地质调查试点项目，目的在于初步探索不同尺度、不同地质背景和不同地理景观地区和不同生态功能区的生态地质调查、评价和监测技术方法。此外，广东、浙江、宁夏、湖北、河南、广西、河北、重庆和陕西等地也陆续开展了省级生态地质调查项目的探索。这些工作将生态保护修复和国土空间用途管制列为生态地质调查的新使命，将中国的生态地质调查工作推向一个新的高潮。
1.3 生态地质调查方向评述
目前来看，虽然各个团队开展了一些生态地质调查评价方法的初步探索，逐渐丰富了生态地质调查的定义。但还有一些诸如定义不够准确、研究内容不够明晰、成果的表达也不够统一和学科体系和人才团队亟须构建等问题，适用于不同地质—地理条件的生态地质调查评价方法也需进一步探索和规范。
生态地质调查评价工作仍需在以下4个方面突破：①开展生态地质关键理论和技术问题攻关，加强典型地段多圈层交互作用分析，揭示大气圈、生物圈、土壤圈、岩石圈、水圈等多圈层各相关要素间的相互作用过程，分析生态系统演化的地质学机理。②创新地球关键带（生态地质交互带）生态地质调查技术方法 ，研发土壤矿物质组分、土壤含水量、森林覆盖度、生态问题等生态地质调查要素智能化提取、生态空间变化趋势模拟等方法，建立生态地质单元类分级指标体系，划分生态地质单元，形成生态地质适宜性评价、 生态地质分区评价、重大生态地质问题评估、生态修复效果评估等方法。③建立星空地网一体化的生态地质调查监测评价技术体系。④探索绿色矿山勘查、矿山生态修复治理地复垦方法技术。
2. 西南山区生态地质特征
2.1 西南山区生态地质背景
文中所定义的“西南山区”，是指生态地质调查工程划分的全国生态地质分区（聂洪峰等，2021b）中“西南生态地质大区（Ⅲ）”（图1），除去平原农业区和浅丘农业区以外的山区部分。该区域主要包括四川盆地生态地质区（Ⅲ1）、秦巴山地生态地质区（Ⅲ2）、三峡水库生态地质区（Ⅲ3）、武陵–雪峰山生态地质区（Ⅲ4）、云贵高原生态地质区（Ⅲ5）、滇中西山地生态地质区（Ⅲ6）和滇桂南部生态地质区（Ⅲ7）等7个Ⅱ级生态地质分区（图1），以及四川盆地西部岷山–邛崃褶断低山云杉冷杉林常绿阔叶林生态地质亚区（Ⅲ1-a）、四川盆地北部褶断低山农林复合生态地质亚区（Ⅲ1-c）、 四川盆地南缘岩溶常绿–落叶阔叶林生态地质亚区（Ⅲ1-e）等42个三级生态地质分区（图1，表1）。
![]()
图 1 西南山区生态地质分区简图（据聂洪峰等，2021b修改）生态地质分区代号解释见表1Figure 1. Eco–geological division of mountainous region in SW China表 1 西南地区生态地质分区表（据聂洪峰等，2021b修改）Table 1. Eco-geological division mountains region in SW China一级生态地质分区 二级生态地质分区 三级生态地质分区 西南生态
地质大区（Ⅲ）四川盆地生态地质区（Ⅲ1） 四川盆地西部岷山–邛崃褶断低山云杉冷杉林常绿阔叶林生态地质亚区（Ⅲ1-a） 四川盆地北部褶断低山农林复合生态地质亚区（Ⅲ1-c） 四川盆地南缘岩溶常绿–落叶阔叶林生态地质亚区（Ⅲ1-e） 三峡库区褶断溶蚀平行岭谷农林复合生态地质亚区（Ⅲ1-f） 秦巴山地生态地质区（Ⅲ2） 秦岭褶断山地落叶阔叶–针阔混交林生态地质亚区（Ⅲ2-a） 豫西南褶断山地丘陵落叶阔叶林生态地质亚区（Ⅲ2-b） 汉江上游褶断丘陵、冲洪积堆积盆地农业生态地质亚区（Ⅲ2-c） 米仓山–大巴山褶断山地落叶阔叶－针阔混交林生态地质亚区（Ⅲ2-d） 伏牛山褶断山地、溶蚀山地常绿落叶阔叶林生态地质亚区（Ⅲ2-e） 南阳盆地堆积岗坡、冲湖积平原农业生态地质亚区（Ⅲ2-f） 鄂中褶断丘陵、堆积坡岗农林生态地质亚区（Ⅲ2-g） 三峡水库生态地质区（Ⅲ3） 三峡水库褶断低山生态地质亚区（Ⅲ3-a） 武陵–雪峰山生态地质区（Ⅲ4） 鄂西南岩溶中、低山常绿阔叶林生态地质亚区（Ⅲ4-a） 渝东南岩溶中、低石山林草生态地质亚区（Ⅲ4-b） 武陵山地岩溶中、低山常绿阔叶林岩溶生态地质亚区（Ⅲ4-c） 武陵山地东南褶断低山常绿阔叶林生态地质亚区（Ⅲ4-d） 黔东北岩溶中、低山常绿阔叶林–农业生态地质亚区（Ⅲ4-e） 雪峰山褶断中、低山地常绿阔叶林与农业生态地质亚区（Ⅲ4-f） 云贵高原生态地质区（Ⅲ5） 川西南褶断山地偏干性常绿阔叶林生态地质亚区（Ⅲ5-a） 沙鲁里山南部岩溶褶断亚高山半干旱、半湿润暗针叶林生态地质亚区（Ⅲ5-b） 金沙江下游褶断中山干热河谷常绿灌丛–稀树草原生态地质亚区（Ⅲ5-c） 滇中褶断中山滇青冈–元江栲林–云南松林生态地质亚区（Ⅲ5-d） 滇中岩溶低山、丘陵滇青冈–元江栲林–云南松林生态地质亚区（Ⅲ5-e） 乌蒙山岩溶山地云南松林–羊草草甸生态地质亚区（Ⅲ5-f） 乌蒙山褶断中山云南松林–羊草草甸生态地质亚区（Ⅲ5-g） 蒙自、文山岩溶中、低山峡谷云南松、红木荷林、罗浮栲、截果石栎生态地质亚区（Ⅲ5-h） 桂西北褶断中、低山半湿润季风常绿阔叶林生态地质亚区（Ⅲ5-i） 桂中喀斯特常绿、落叶阔叶混交林生态地质亚区（Ⅲ5-j） 桂东北褶断中山湿润常绿阔叶林生态地质亚区（Ⅲ5-k） 黔南褶断山地、盆谷常绿阔叶林生态地质亚区（Ⅲ5-l） 黔中丘原盆地山原中山常绿阔叶林喀斯特脆弱生态地质亚区（Ⅲ5-m） 黔西北喀斯特中山针阔混交林生态地质亚区（Ⅲ5-n） 黔北喀斯特山原中山常绿、落叶阔叶混交林生态地质亚区（Ⅲ5-o） 黔东南褶断山地、丘陵常绿落叶阔叶–农林业生态地质亚区（Ⅲ5-p） 滇中西山地生态地质区（Ⅲ6） 滇西南褶断中山宽谷北热带季雨林生态地质亚区（Ⅲ6-a） 怒江、澜沧江下游喀斯特中低山印栲林、刺斗石栎林生态地质亚区（Ⅲ6-b） 澜沧江、元江中游褶断中山山原刺栲、思茅松林生态地质亚区（Ⅲ6-c） 滇桂南部生态地质区（Ⅲ7） 西双版纳西部褶断山中盆地北热带季雨林生态地质亚区（Ⅲ7-a） 西双版纳东部褶断山中盆地北热带季雨林生态地质亚区（Ⅲ7-b） 滇南褶断中山峡谷热带湿润雨林、山地苔藓林生态地质亚区（Ⅲ7-c） 桂西南褶断中、低山北热带季雨林生态地质亚区（Ⅲ7-d） 桂西南喀斯特北热带季雨林生态地质亚区（Ⅲ7-e） 西南山区在一级大地构造划分上，主体属扬子陆块区（YZ）（图2），北缘属秦祁昆造山系（QK）和华北陆块区（NC）小部分，西南角为西藏–三江造山系（XS）（图2）（潘桂棠等，2009；尹福光等，2021）。跨越的二级大地构造分区主要包括豫皖陆块（YW）、秦岭弧盆系（QL）、上扬子陆块（UY）、三江弧盆系（SJ）、羌塘–保山地块（QB）和拉萨–腾冲地块（LT）（图2）。三级构造分区包括川中前陆盆地（UY3）、扬子陆块南部碳酸盐岩台地（UY4）和上扬子东南缘被动边缘盆地（UY5）等24个分区（图2）。该地区属于特提斯–喜马拉雅与滨太平洋两大全球巨型构造域结合部位，地质构造复杂、沉积建造多样、变质作用强烈、陆块周缘岩浆活动频繁（江新胜等, 2020；王立全等，2021）。特殊的地质条件制约了西南山区地形地貌、气候环境和生态系统形成和发展。
![]()
图 2 西南山区大地构造分区简图（据潘桂棠等，2009修改）Figure 2. Geotectonic division of mountainous region in SW China西南山区主要为海拔1000～3500 m的山地、高山地，局部地区海拔在1000 m以下，同时也存在少量4000 m以上的雪山。整体为亚热带湿润季风气候，局部为热带湿润季风气候和温带湿润–半湿润季风气候；地貌上包括起伏山地、低山岭谷、丘陵、盆地和岩溶石山区等；土壤类型主要为红壤、黄壤、紫色土、淋溶土和水稻土，局部为砖红壤和高山地土；植被分带上主要为热带常绿阔叶林，局部为热带常绿季雨林、温带落叶栎林。西南山区自然条件的复杂性，生态环境存在一定的脆弱性，同时具有环境变化的敏感性和影响范围的广泛性（李文华等，2000）。
2.2 地质条件对生态环境的影响
地质条件是地质环境的物质载体，地质环境则深刻地影响着其上发育的生态系统（图3）。一个地区在相近的气候条件下，地质建造条件和地质构造条件的不同会直接导致区内土壤性质、水文条件、地形地貌和地球表层系统稳定性等环境要素的不同，而这些环境要素的不同又会引起热量、空气、水分、养分和空间等生态因子的变化，从而造成生态系统质量和生态环境的差异（Gruber et al.，2019；Wilson，2019；张腾蛟等，2021；周爱国等，2021；Li et al.，2022）。因此，地质条件与生态环境之间有着密切的联系（图3）。地质条件对生态环境的制约可以从地质建造和地质构造2个方面来解读。
![]()
图 3 地质条件对生态环境的制约示意图Figure 3. Schematic diagram of restriction of geological conditions on ecological environment2.2.1 地质建造条件对生态环境的影响
岩石的类型、结构、构造、矿物组成影响土壤的质地、结构、厚度等物理特征，从而产生不同的植物立地条件。例如，在大凉山区，牦牛山区等地的中酸性岩建造区，因岩石含有大量的石英颗粒，抗风化能力强，形成的土壤质地普遍较粗；而普格、雷波等碳酸盐岩建造区土壤黏粒含量高而砂粒含量低（图4）；安宁河谷等经河流冲积形成的冲积建造区上发育的土壤多是砂黏土层相间；而山麓洪积岩石碎屑（洪积母质）上发育的土壤常会有粗大的角砾石。
![]()
图 4 雷波地区碳酸盐岩风化壳剖面图A. 腐殖层；B. 淀积层；C. 母质层；R. 基岩层Figure 4. Carbonate weathering crust in Leibo area岩石的矿物组成、化学成分影响土壤的化学性质，直接影响生态系统发育的物质基础。例如，中酸性岩风化形成的土壤含石英多，含铁锰矿物少，土壤盐基离子少，土壤往往偏酸；由中性岩或基性岩风化形成的土壤，一般富含丰富的钙和磷，盐基含量较为丰富，土壤多为中性；碳酸盐岩风化形成的土壤，因其盐基含量十分丰富，土壤多为碱性。
地质建造的化学组成影响其形成土壤的元素含量（刘洪等，2015，2019；严明书等，2018），尤其是营养元素和重金属元素的含量水平（Bonfatti et al.，2020；李樋等，2021b；刘洪等，2023），从而对地域性植被、特色农产品、道地药材（卫晓锋等， 2020）具有重要的影响。
岩石的类型、矿物组成、化学成分对土壤形成发育的方向和速率也有决定性的影响，从而影响稳定生态系统的形成速率。在相似的气候条件下，疏松质软的砂泥岩风化成土的速率更快，而坚硬固结的花岗岩风化成土的速率就慢得多。
不同岩石风化破碎后形成的成土母质的透水性对成土作用和植被生长有显著影响。砂性母质透水性强，水分易于通过，其化学风化作用弱，可淋溶物质少，剖面分异不明显。碎屑岩和岩浆岩形成壤质母质有适当的透水性，在水分下渗的影响下，母质易发生化学风化，风化产物又能随水下移淀积，较易发生层次分化。泥质岩形成的黏质母质由于透水不良，水分在土壤中移动缓慢，土壤物质由上向下的垂直移动慢，剖面发生分异慢。
2.2.2 地质构造条件对生态环境的影响
在地质构造条件方面。生态环境变迁和地质灾害与构造活动，尤其是新构造活动密切相关（刘洪等，2023）。岩石的褶皱、断裂、劈理以及其他面状、线状构造等。地质构造对岩石的风化成土、宏观地貌的形成、水文条件、地球表层系统的稳定性等环境要素方面都具有显著的影响（刘洪等，2023），进而引起生态因子的变化，造成生态系统质量和生态环境的差异。
地质构造条件对土壤的形成和保存具有显著的影响。在构造破碎带上，岩石往往更容易风化形成更厚的土壤，水平或低角度岩层地区，土壤分布一般较为稳定，而在高角度或者陡立岩层地区，土壤往往更难保存。
全球尺度的板块俯冲碰撞和拉张的大地构造作用可分别形成巨大的构造山系和大陆裂谷盆地。区域尺度的褶皱构造可以形成褶皱山地、挤压盆地、穹窿等原生褶皱地貌，还可以形成向斜山、背斜谷、单面山、猪背脊等次生褶皱地貌。区域尺度的断层作用可以形成断块山地、断陷盆地、断层崖、断裂谷地貌以及一些错断地貌和派生地貌。局部性的火山活动可以形成火山地貌和熔岩丘、熔岩垄岗、熔岩湖等火山熔岩地貌。
地质构造作用可造成岩石破裂形成断裂和裂隙，如褶皱构造中的纵裂隙、横裂隙、斜裂隙、层面裂隙和断裂构造中的断裂带及其次生断裂。这些断裂和裂隙常具有良好的导水和储水功能, 尤其是张性情况下，常形成裂隙网络和裂隙含水系统，成为地下水的重要储集空间和运移通道。
地球表层系统的稳定性直接与构造活动尤其是新构造活动密切相关，构造活动直接或间接地控制着当地的地质环境演化、地质灾害和地震的发育，进而影响生态系统的发展。
2.3 地形条件对生态环境的影响
地形地貌景观是地球构造动力学过程和气候相互作用的产物，前者使地表形态直接发生变化，后者通过流域系统沉积物迁移，使地貌形态发生变化。地貌形态还是研究地质作用、气候变化和生物过程等其他过程关键边界条件（Tristan et al.，2023）。
地形地貌包括海拔、坡度和景观等，这些对岩石的风化成土过程，以及土壤的组成、结构和厚度均有影响。在一定的区域内，海拔的不同会直接影响局部的气温、降雨等小气候因素及地形地貌的差异，从而导致土壤和植被出现明显的垂直分带现象（图5）。
![]()
图 5 四川西昌牦牛山土壤和植被的垂向分带特征图Figure 5. Vertical zonation characteristics of soil and vegetation in Miaoniushann, Xichang, Sichuan地形地貌条件可能会加速或延迟气候对风化作用的影响，从而影响土壤和岩石风化层的厚度和结构。陡坡通常会加速水土流失，导致植被覆盖较少，使该地区难以形成较厚的土壤，甚至形成裸岩区。因此，在相同气候、地质和植被条件，与更平坦的场地相比，陡峭地形区土壤和岩石风化层往往较薄，土壤成熟度也较低。在缓坡区或者洼地，通常风化作用的深度更深，风化物的厚度通常会更大。在低洼地区，由于水的饱和，一些矿物的风化和有机物的分解可能会延缓，而铁和锰的流失则会加速，最终形成特有的湿地型土壤，如沼泽地、泥炭地和黑土地。在山地–平原过渡带，树木通常很难生长在高度饱水的洼地，而被限制在靠山区一侧，低洼地区可能会形成草地或者泥炭沼泽，因为山前–平原过渡带通常也是森林–草原过渡区。 同时，坡向和地形的起伏情况可能影响光照条件。地形还可影响可溶性盐的积累，山地斜坡上部的溶解盐可通过地下水位移动到低洼地区，随着水分蒸发，低洼处的溶解盐含量会增高。不同的地形区，岩石风化成土过程、物质继承关系、元素迁移往往有所不同。山区斜坡的上部或者鞍部，其成土母质类型为残积母质，物质来源于下伏基岩的风化；斜坡的中下部及山麓，母质类型为坡积母质，由基岩风化后通过近距离搬运沉积形成，物源的建造类型可能与下伏基岩相同；河谷等低洼地区母质类型为冲洪积母质，经过较长距离的搬运，其物质来源就较为复杂，与下伏基岩并无直接的物质继承关系（图6）。
2.4 地质–地形地貌–气候条件制约下的生态系统分带性案例
以四川西昌牦牛山为例，受气候、地质条件、地形地貌等因素的影响，大凉山区土壤类型和植被具有明显的垂向分带和横向分带的特征（图5）。从高到低，由于海拔引起的局部小气候和人类活动强度的差异，导致土壤和植被具有垂向分带性（欧阳渊等，2021）。土壤类型由高山/亚高山土壤→淋溶土→红壤、紫色土、石灰土变化，植被类型由高寒草甸→灌木→针叶林→阔叶林→旱地农作物→水田农作物变化。从东向西，由于海拔、气候、地质条件等差异，导致土壤和植被也出现横向分带性（欧阳渊等，2021）：黄壤和石灰土带→黄棕壤、紫色土带和红壤带→棕壤、红壤带和石灰土带，黄茅埂以东为偏湿性常绿阔叶林，以西为偏干性常绿阔叶针叶林。
3. 讨论
3.1 西南山区生态地质调查的主要思路
3.1.1 调查层次
围绕调查区生态文明建设和国土空间规划与管制对地质工作的重要需求，在详细分析已有资料的基础上，开展区域性林地、草地、湿地、耕地和建设用地动态监测和重点地区生态地质详细调查。在此基础上开展生态研究工作，为解决生态地质问题提供地质资料支撑。
第一层次为市域或完整地理区域全域综合研究与评价 （1∶25万）。选县市域（如凉山彝族自治州、广安市等）或者完整的地理单元（如岷江上游流域、大凉山区、大娄山区等）开展全域的1∶25万林草湿地历史空间动态变化解译和1∶25万生态地质调查与评价，分析调查区全域的生态地质背景。基于地质建造的分析和研究，划分调查区的生态地质调查单元（成土母质单元和土壤地质单元等），并在全国三级生态地质分区基础上进行生态地质分区和评价。
第二层次为以典型小流域或者标准图幅为调查对象的重点调查（1∶5万）。前人在承德地区生态地质调查探索中指出：小流域具有相对独立的生态地质（子）系统，为人类提供了丰富的生态系统服务功能（陈莉薇等，2014；蒋洪强等，2015；王京彬等，2020）。因此，可把小流域作为对象，开展生态地质调查评价工作。同时，为了更好的和全国1∶5万区域地质调查、矿产地质调查、水工环地质调查等各类调查数据库匹配，需要选择标准图幅开展生态地质调查。为更好地建设全国层次完整的生态地质空间数据库，便于地质调查项目和资料的管理与使用，1∶5万尺度的生态地质调查工作还可以以重点调查区所在的标准图幅范围来开展地面调查，以调查区覆盖的小流域范围来开展综合评价，以调查区覆盖的行政区域（县域、乡域）进行成果集成，提供应用服务产品（王京彬等，2020）。主要工作包括：分析生态地质背景，划分成土母质单元、土壤地质单元等生态地质调查单元，编制生态地质系列图件；有针对性、目的性地确定实地调查内容、路线以及重点区段开展生态地质路线调查，查明调查区的生态地质条件和生态地质要素，识别主要的生态地质问题。
第三层次为典型地段生态地质交互带剖析。选择各个生态地质分区内的典型地段，以生态地质垂向剖面测制为主要调查手段，深入了解不同地貌，不同地质背景条件下的岩、土、生物（覆被）关系及其纵横向变化规律，查明各个生态地质调查单元（成土母质单元和土壤地质单元等）的生态地质属性，编制主要单元的生态地质图谱。
3.1.2 工作思路
西南山区生态地质调查对象包括气候、地貌、地质体、土壤、植被、水文、地质灾害及人类工程活动等诸多方面。从实际情况出发，地质体、土壤、植被作为调查工作的对象；气候、地貌、地质灾害、人类工程活动等方面以资料收集与分析为主。总体上主要包括岩石–土壤–植被的地球关键带结构、地质建造、地质构造、土壤、植被、生态系统、水文、气象、地貌、人类活动、地质灾害等方面，其中岩石–土壤–植被的地球关键带结构和各层位的特征以实地调查为主，岩石、土壤、植被、水的理化性质以采样和测试分析为主，生态系统类型分布的历史及现状以遥感解译和资料收集整编为主，地质建造、地质构造、土壤类型、水文条件、气象条件、地貌类型、人类活动和地质灾害以资料收集整编为主。重点研究内容为岩石–土壤–生态系统（植物）之间的相互作用，区域地质条件对生态系统现状和演化的制约机制。
具体步骤可分为：资料收集整理、长时序遥感解译、野外调查和综合评价。总体思路可概括为“背景分析、现状调查、机理剖析、动态监测和综合评价”5个方面（图7）。
![]()
图 7 西南山区生态地质调查评价一般技术路线图Figure 7. General technical roadmap for eco–geological survey and evaluation, mountainous region in SW China（1）背景分析：系统收集区内的地质、地球物理、地球化学、地震、气象、水文、植被、土壤、林业、农业、区划、生态环境和国土空间规划等资料，对研究区开展预研究，总结工作区的气候条件、降雨的时空分布规律、主要的土壤类型、植被类型、国土空间规划和生态问题等生态地质背景，编制工作区相应的生态地质图件。
（2）现状调查：以遥感解译和典型地段生态地质路线调查作为工作手段，辅以地球化学和地球物理手段，结合收集的各类自然资源数据开展各类生态地质要素的调查。查明调查区典型的岩土–土壤风化壳的结构、地质建造、地质构造、地球化学场背景和地球物理场背景等要素特征。查明调查区土壤及成土母质的类型、分布、厚度、肥力、理化性质、土地质量等要素特征。查明调查区植被的组合、分布现状及历史变化情况；查明调查区主要生态地质问题的分布和典型特征。总结海拔、小气候、地质条件和地形地貌等引起的垂直分带、横向分带和坡向分异等特征。
（3）机理剖析：在调查的基础上，针对典型地段开展生态地质剖析。通过生态地质剖面调查和生态地质垂向剖面调查调查编测等手段，剖析岩石–成土母质–土壤–植被之间的关系，研究植被类型和质量与气候、地貌、土壤、地质和水等因素的关系。研究不同气候、不同地理和地形地貌条件下岩石风化形成土壤过程的物质转化机制。研究主要营养元素和重（内）金属元素在岩石–土壤–植被中的迁移过程。研究地质条件对生态环境演化的制约机理，认识地质–生态作用的过程和制约因素。分析每个生态地质单元的生态功能属性，建立各生态地质单元的生态地质图谱。
（4）动态监测：通过人工和自动检测设备检测水文、土壤、植被和气象条件的变化，分析变化趋势和规律，研究背后的制约机理，设置阈值，实现监测预警。
（5）综合评价：将“山水林田湖草”等自然资源各个要素，视作一个生态共同体。在地质作用过程和地质条件对生态系统分布和演化机制研究的基础上，提取生态地质综合评价指标。采用相应的数学地质定量化分析技术手段来进行生态地质综合评价，并预测演化趋势。利用生态地质综合评价成果，开展生态功能分区，为生态系统管理、保护与修复、国土空间用途管制、农业林业种植布局和地质灾害防治等提供和基础数据地球系统科学解决方案。
3.2 西南山区生态地质调查评价技术方法
3.2.1 生态地质调查及评价方法总结
（1）生态系统长时序遥感解译
采用多源、多时空分辨率遥感数据，通过遥感解译获取区内的自然地理、地质环境和自然资源等各种专题信息。主要解译内容应包括土地利用类型、生态地质问题（水土流失、石漠化等）、植被覆盖度、生态系统类型。开展长时序遥感解译，获得调查区生态系统类型/质量动态变化信息，分析生态系统的数量结构特征与变化方向，研究生态系统变化的生态环境效益。
以大凉山区为例（图8），通过生态系统与土地覆被长时序遥感解译得出以下信息。大凉山区的耕地在1990～2018年具有面积持续减少的变化趋势。大凉山区除安宁河谷外，经济欠发达，其主要的、分布最广的人类工程经济活动为垦殖（耕种），受环境限制和传统观念影响，以坡地旱作耕种为主，且生产方式较落后，带来植被破坏、水土流失等生态问题，随着经济发展，国家实施退耕还林、还草，耕地面积持续减少。林地在1990～2018年整体持续增加。随着天保工程、退耕还林工程的实施，大凉山区在1990～2000年和2000～2010年2个阶段的森林生态系统有所恢复，森林的面积持续增加，而耕地的面积的有所下降，相关一部分的农田生态系统向森林和草地生态系统演化（图8）（张景华等，2020）。1990～2018年，草地生态系统面积变化趋势为减少→增加。随着植树造林活动的其加强，部分草地转变为林地，相当一部分人工林由于不适应当地的生态地质条件，又逆演化为草地，导致草地面不断的增加。1990～2018年，增加的草地主要还是由耕地转化而来。水域和湿地出现快速增长，陆地水生生态系统得到进一步的发展和保护。其原因主要有2个方面：①近些年在大凉山区修建了大量的水利工程（张景华等，2021b）。②随着湿地保护得到社会的重视，区内一些重要湿地得到更好的保护和修复，湿地的面积不断扩大（张景华等，2021b）。
![]()
图 8 大凉山1990～2018年生态系统变化示意图Figure 8. Schematic diagram of ecosystem changes in Daliang Mountain from 1990 to 2018（2）生态地质调查单元划分
技术方法成熟的区域地质调查以地层岩组和岩浆岩单元为基本调查单元。不同于区域地质调查，生态地质调查的概念、工作内容还没有较为统一的认识，导致不同项目不同团队对生态调查单元认识差别很大。笔者认为生态地质调查单元指的是成土母质单元和土壤地质单元等调查和成图的单元。地质条件通过制约土壤、水文、地形地貌、动力作用、地质灾害等的生态地质要素的性质和分布，而制约生态系统质量和生态环境的差异（刘洪等，2020；张腾蛟等，2021）。西南山区成土母质主要是下伏基岩原地风化或风化后近距离迁移形成的，存在明显的岩石–土壤–植被物质传导链条，地质条件是制约该地区生态环境质量的重要因素。因此，对地质建造和地质构造的分析和研究，是进行生态地质调查单元划分和生态地质调查的基础（刘洪等，2023）。
成土母质是岩石经过初步风化后形成的疏松堆积物（刘洪等，2023），是岩石→土壤的中间产物，可以理解为“未成熟的土壤” ，它具有发育成成熟土壤的潜力。不同学科不同团队对成土母质的分类有不同的方案，土壤学中往往按照成因类型开展，如残积母质、坡积母质、冲积母质、洪积母质、湖积母质等（王果等，2009）。地质学家则更重视成土母岩对成土母质物理化学性质的制约（王京彬等，2020；殷志强等，2020b），因而提出了岩性和成因类型结合的成土母质划分方案。相似岩性的岩石具有相似的造岩矿物组成和主量元素组成，但不同地质建造条件下形成的相似岩性岩石的微量元素组成差别却可能很大，而这些微量元素中的一部分对上覆植被的生长和生态系统的发育具有重要作用。成土母质的划分除了考虑母岩的岩性意外还应该考虑母岩的建造环境，并提出了基于地质建造的成土母质单元划分方案（刘洪等，2020；欧阳渊等，2021）。以大凉山区为例，基于地质建造单元研究，划分出了“侏罗纪—白垩纪泥质岩类残坡积物”13个成土母质单元（欧阳渊等， 2021）。具体划分方案、命名方式和编图方式可相关参考文献（刘洪等，2021，2023；欧阳渊等，2021）的相关论述。
为区别同一地质建造上的不同土壤类型和不同地质建造上的同一土壤类型，笔者在大凉山区生态地质调查探索中，参考前人思路（朱朝晖等，2004），提出了基于地质建造和土壤类型研究的“土壤地质单元”概念（刘洪等，2020）。土壤地质单元是成土母质单元（基于地质建造划分）和土壤类型相结合而成，其分类和命名表达成土母岩形成的时代和地质环境、成土母质类型、土壤类型等多重信息（刘洪等，2020）。以大凉山区为例，共划分出了“侏罗纪—白垩纪泥质岩类紫色土”等27个土壤地质单元。具体划分方案、命名方式和编图方式可参考文献（刘洪等, 2020）及《大凉山区生态地质调查成果报告》（中国地质调查局成都地质调查中心，2022）的相关论述。
（3）地面调查
通过地面调查查清区域的地貌形态、成因和微地貌与土壤、植被的组合规律，为生态地质评价分区提供依据。野外调查主要分为遥感解译验证和生态地质路线调查（图9）。
![]()
图 9 长江巫峡生态地质综合剖面图T2b. 中三叠统巴东组粉砂岩、泥质岩、石灰岩、白云质灰岩等；T1j. 下三叠统嘉陵江组石灰岩、白云岩、白云质灰岩；T1d. 下三叠统大冶组石灰岩、泥质灰岩；P3c-w. 上二叠统长兴组、吴家坪组白云质灰岩、夹硅质碳质页岩，含煤层；P2m-q. 中二叠统茅口组、栖霞组灰岩、泥质灰岩，夹页岩；P2l. 中二叠统梁山组；C2h. 中石炭统黄龙组白云岩、砂质白云岩、白云质灰岩、石灰岩；D3. 上泥盆统（写经寺组、黄家蹬组、云台观组等）石灰岩夹粉砂岩等；S1. 下志留统（罗惹坪组、龙马溪组等）粉砂岩、泥岩夹石灰岩透镜体Figure 9. Eco–geological profile of Wuxia on the Yangtze River遥感野外验证主要针对遥感解译中不确定的图斑开展野外核查，对可解译程度高的地区随机抽取图斑开展验证调查，以确定遥感解译的准确度。
生态地质路线调查在充分收集已有资料和遥感解译的基础上，划分成土母质单元、土壤地质单元、生态地质单元等，有针对性、目的性地确定实地调查内容、路线以及重点区段的生态地质条件和主要生态问题。野外调查的工作方法主要有GPS定点、填卡式调查、代码化调查、实地影像资料数码化、现场勘查、样品采集、土壤垂向剖面测制和信手剖面编制等。野外调查内容主要包括：地形地貌、植被情况、土地利用类型、地球关键带结构、土壤性质、成土母质特征、地质条件、水文地质和地质灾害等。典型调查段采用穿越和追踪观测路线布置观测点，调查路线和观测点的布置不宜平均布置，充分考虑调查单元内备生态地质环境系统的特征及相互联系。在地质路线信手剖面的基础上，编制代表调查区典型生态地质特点的生态地质剖面图（图9）。具体的调查记录表格可查阅《西南山区生态地质调查评价技术方法总结专题报告》（中国地质调查局成都地质调查中心，2022）的相关论述。
生态地质垂向剖面测量的目的是调查各个生态地质调查单元（成土母质单元和土壤地质单元等）的生态地质属性。剖面测制地段应选择岩石类型、地貌单元和土壤种类相对齐全，构造较为简单，岩、土、水、生观测条件良好，森林植被（包括农作物）发育完好的各具特点而又通行便利的典型地区。剖面应远离各生态地质调查单元的界线，代表本单元的基本特征，优先选取残积物剖面。为便于反映地质特征，剖面方向尽可能垂直与地层走向。为刻画每个生态地质调查单元典型地段的岩、土、水、生的相互关系，剖面长度应选择30～60 m，比例尺以1∶100～1∶500为宜。每条生态地质垂向剖面应配套2～5条土壤垂向剖面（图10）。
3.2.2 生态地质脆弱性评价方法总结
基于大凉山区生态地质调查评价探索，笔者总结了基于生态地质条件，针对主要生态地质问题开展的生态地质脆弱性评价方法，主要包括以下几个方面。
（1）评价因子
从地球系统科学和多圈层交互作用来看，影响西南山区生态环境的因素主要为气象、水文、地形地貌、地质环境、人类活动，作为一级评价指标；二级指标需要依据实际情况确定，一般选取最为关键和敏感的因素。西南山区生态地质脆弱性评价的二级指标可参考大凉山区生态地质脆弱评价确定的二级指标（图11）（张景华等，2021b）。
![]()
图 11 大凉山区生态地质脆弱性评价因子Figure 11. Evaluation factors of eco–geological vulnerability in Daliangshan Area（2）主要评价方法
生态地质脆弱性评价是用地质、地理、生态、环境、生物、水文、土壤、农业和林业等多学科的知识，采用合适的数学地质定量化分析技术手段来进行生态地质综合评价，并预测生态系统和生态地质问题的演化趋势（张景华等，2021b）。通过在大凉山区的探索实践，认为以图层叠置法和脆弱性函数模型评价法较为适用于西南山区（张景华等，2021b）。由于在开展生态地质脆弱性评价前，通常会开展大量的生态地质调查和综合研究工作，分析各个生态地质要素，并在GIS中编制生态地质系列图件。因此，可将图层叠置法和脆弱性函数模型评价法结合起来，开展西南山区生态地质脆弱性评价。
（3）评价流程
生态地质评价工作步骤主要包括指标筛选、特征抽取与量化、数据预处理、单要素生态地质脆弱性评价、生态地质脆弱性综合评价、生态地质脆弱性分区和保护修复建议提出。具体的评价过程可参考文献（张景华等，2021b）的相关论述。
（4）评价结果
对研究区开展气象、水文、地形地貌、地质环境、土壤和生态环境等多因子指标生态脆弱性评价和生态系统服务重要性评价，形成调查评价区生态地质脆弱性评价图（图12a）和生态系统服务重要性评价图（图12b）。根据生态地质脆弱性等级与空间分布的相似性与差异性，并尽可能保持研究区地域和自然地理单元的完整性，开展了生态地质脆弱性分区。已川南西昌地区为例，将调查评价区划分为了3个生态脆弱性分区（图12c），5个生态系统服务功能分区（图12d），为生态保护与修复、国土空间规划提供了科学依据，并为环境管理和决策提供了资料，也为下一步生态功能区划提供依据。
![]()
图 12 西昌地区生态地质评价和生态系统服务功能分区图a.生态脆弱性评价图；b.生态系统服务重要性评价图；c.生态脆弱性分区图；d.生态系统服务功能分区图；Ⅰ-1. 邛海–泸山生态地质轻度脆弱区；Ⅱ-1. 大兴生态地质轻度脆弱区；Ⅱ-2. 大箐生态地质轻度脆弱区；A.安宁河谷农业功能区；B.西昌城镇功能区；C.邛海–泸山自然景观与水源保护功能小区；D.大兴水土保持与水源涵养功能区；E.大箐水土保持与水源涵养功能区Figure 12. Ecological geological evaluation and ecosystem service functional district maps in Xichang, Sichuan3.3 推广意义
地质条件是生态系统的物质基础和孕育环境，地质条件通过制约土壤、水文、地形地貌、动力作用、地质灾害等生态地质条件，从而制约生态系统质量和生态环境发展差异。因此，查明一个地区的生态地质背景、研究生态地质系统三维结构特征和相互作用机理、开展生态地质综合评价，对这个地区生态保护修复和国土空间用途管制非常重要。前文已叙述，目前生态地质调查处于探索阶段，针对不同尺度、不同地质背景和地理景观地区系统的生态地质调查方法总结还相对缺乏。文中提出了基于地质建造研究的成土母质单元和土壤地质单元等生态地质调查单元的概念，为生态地质调查和成图指出了基本调查单元和基本成图单元；探索了基于地质建造的生态地质调查的层次、思路和方法，探索了基于生态地质条件的脆弱性评价方法。在西南山区开展生态地质调查和评价工作提供了借鉴思路和案例范本，同时该思路和技术方法也可进一步推广到全国亚热带、温带山区的生态地质调查与评价工作中，对全国生态地质调查方法体系的完善和生态地质学科的建设也具有一定支撑作用。
4. 结论
（1）西南山区成土母质主要是下伏基岩原地风化或风化后近距离迁移形成的，存在明显的岩石–土壤–植被物质传导链条，地质条件是制约该地区生态环境质量的重要因素。因此，对地质建造和地质构造的分析与研究，是进行生态地质调查的基础。
（2）文中提出了基于地质建造研究的成土母质单元和土壤地质单元等生态地质调查单元的概念，为生态地质调查和成图指出了基本调查单元和基本成图单元。
（3）利用大凉山区生态地质调查探索的经验，系统的总结了适用于西南山区的生态地质调查评价思路和方法，该思路和技术方法也可进一步推广到全国亚热带、温带山区的生态地质调查与评价工作中，对全国生态地质调查方法体系的完善和生态地质学科的建设也具有一定支撑作用。
致谢：中国地质调查局西安地质调查中心李建星正高级工程师，中国自然资源航空物探遥感中心聂洪峰正高级工程师、肖春蕾高级工程师，中国地质调查局武汉地质调查中心王宁涛高级工程师，中国地质调查局昆明自然资源综合调查中心张连凯研究员、中国地质调查局成都地质调查中心张建龙正高级工程师、周清研究员、曹华文副研究员，中国环境监测院李瑞敏正高级工程师，中国地质科学院岩溶地质研究所夏日元研究员，中国地质大学（北京）张振杰副教授、吴君毅硕士生和邵璐硕士生，中国地质大学（武汉）孙自永教授、高文龙硕士生，四川省地质矿产勘查开发局攀西地质队谢恩顺高级工程师、李雁龙高级工程师、肖启亮高级工程师、曾建高级工程师、文登奎高级工程师和侯谦工程师，成都理工大学赵银兵副教授，以及华东冶金地质勘查局测绘总队段声义助理工程师对本研究的开展和本文的完善提供了无私的帮助和中肯的建议，在此一并表示衷心的感谢。
-
![]()
图 1 研究区地理位置及滑坡分布
Figure 1. Geographical location and landslide distribution of the study area
![]()
图 4 各评价因子与灾害点的关系
Figure 4. Relationship between assessment factors and disaster points
表 1 因子间皮尔逊相关系数表
Table 1 Pearson correlation coefficient between factors
因子 高程 道路 河流 坡度 断裂带与断层 地层岩性 土地利用类型 高程 1.000 0 −0.162 4 0.155 4 −0.170 8 0.231 7 −0.256 4 −0.029 8 道路 −0.162 4 1.000 0 0.140 5 0.349 3 −0.207 6 −0.093 0 0.002 5 河流 0.155 4 0.140 5 1.000 0 0.126 9 −0.067 2 0.301 1 0.012 2 坡度 −0.170 8 0.349 3 0.126 9 1.000 0 −0.237 1 −0.051 0 −0.064 9 断裂带与断层 0.231 7 −0.207 6 −0.067 2 −0.237 1 1.000 0 −0.196 0 −0.265 4 地层岩性 −0.256 4 −0.093 0 0.301 1 −0.051 0 −0.196 0 1.000 0 0.072 5 土地利用类型 −0.029 8 0.002 5 0.012 2 −0.064 9 −0.265 4 0.072 5 1.000 0 
下载: 导出CSV
表 2 机器学习模型易发性分区对比
Table 2 Comparison of machine learning model vulnerability zones
类别 机器学习模型 Gini–RF XGBoost LightGBM 栅格
个数栅格
占比（%）滑坡
点个数滑坡
占比（%）栅格
个数栅格
占比（%）滑坡
点个数滑坡
占比（%）栅格
个数栅格
占比（%）滑坡
点个数滑坡
占比（%）极高 14766439 11.99 44 23.40 14840333 12.05 52 27.66 14951174 12.14 56 29.79 高 15554640 12.63 68 36.17 15394537 12.50 72 38.30 15283696 12.41 75 39.89 中 24114003 19.58 38 20.21 24163265 19.62 40 21.28 23929268 19.43 42 22.34 低 32968940 26.77 22 11.70 32981256 26.78 10 5.32 32599471 26.47 8 4.26 极低 35752274 29.03 16 8.51 35776905 29.05 14 7.45 36392714 29.55 7 3.72
下载: 导出CSV
表 3 各机器学习模型准确率
Table 3 Accuracy of each machine learning model
机器学习模型 Gini–RF XGBoost LightGBM AUC 0.752 4 0.803 5 0.825 6 5–fold 0.822 5 0.835 8 0.843 2 ACC 0.723 4 0.814 8 0.825 6 5–fold 0.753 4 0.835 9 0.853 1 F1-score 0.775 2 0.786 7 0.802 1 5-fold 0.802 6 0.825 6 0.834 5 Precesion 0.783 4 0.796 8 0.804 5 5–fold 0.802 6 0.813 2 0.825 1
下载: 导出CSV
表 4 近几年以来滑坡事件
Table 4 Landslide events in recent years
地区 位置 发生时间 来源 易发性分区 林芝市加拉村 E 94°54′04″，N 29°41′45″ 2018.10.29 新华社 中 林芝市加拉村下游7公里处 E 94°54′24″，N 29°41′27″ 2022.01.22 中国青年网 中 林芝市波密县古乡索通村羌纳自然村 E 95°27′41″，N 30°00′21″ 2017.8.24 中国军视网 中 林芝市朗县辖区560国道K80处 E 92°49′24″，N 29°04′03″ 2022.7.22 朗县公安局 高 林芝市米林县派镇加拉村 E 94°54′04″，N 29°41′45″ 2018.10.17 西藏之声 高 林芝市朗县 E 93°00′48″，N 29°04′42″ 2022.7.23 朗县住建局 高 林芝市墨脱县达木乡 E 95°27′46″，N 29°29′35″ 2021.7.4 中国自然资源报 极高 国道559线波密至墨脱路段 E 97°02′03″，N 29°19′14″ 2019.5.16 西藏自治区交通运输厅 极高 林芝市墨脱县达木珞巴民族乡小学 E 95°27′52″，N 29°29′46″ 2020.8.26 新京报 极高
下载: 导出CSV
-
贾俊, 毛伊敏, 孟晓捷, 等. 深度随机森林和随机森林算法的滑坡易发性评价对比—以汉中市略阳县为例[J]. 西北地质, 2023, 56(3): 239−249. doi: 10.12401/j.nwg.2023084 JIA Jun, MAO Yimin, MENG Xiaojie, et al. Comparison of Landslide Susceptibility Evaluation by Deep Random Forest and Random Forest Model: A Case Study of Lueyang County, Hanzhong City[J]. Northwestern Geology, 2023, 56(3): 239−249. doi: 10.12401/j.nwg.2023084
康孟羽, 朱月琴, 陈晨, 等. 基于多元非线性回归和BP神经网络的滑坡滑动距离预测模型研究[J]. 地质通报, 2022, 41(12): 2281−2289. KANG Mengyu, ZHU Yueqin, CHEN Chen, et al. Research on landslide sliding distance prediction model based on multiple nonlinear regression and BP neural network[J]. Geological Bulletin of China, 2022, 41(12): 2281−2289.
孟晓捷, 张新社, 曾庆铭, 等. 基于加权信息量法的黄土滑坡易发性评价——以1∶5万天水市麦积幅为例[J]. 西北地质, 2022, 55(2): 249−259. MENG Xiaojie, ZHANG Xinshe, ZENG Qingming, et al. The Susceptibility Evaluation of Loess Landslide Based on Weighted Information Value Method: Taking 1∶50 000 Map of Maiji District of Tianshui City As an Example[J]. Northwestern Geology, 2022, 55(2): 249−259.
乔德京, 王念秦, 郭有金, 杨盼盼. 加权确定性系数模型的滑坡易发性评价[J]. 西安科技大学学报, 2020, 40(02): 259-267 QIAO Dejing, WANG Nianqin, GUO Youjin, et al, Landslide susceptibility assessment based on weighted certainty factor model[J]. Journal of Xi'an University of Science and Technology, 2020, 40(02): 259-267.
沈玲玲, 刘连友, 许冲, 王静璞. 基于多模型的滑坡易发性评价——以甘肃岷县地震滑坡为例[J]. 工程地质学报, 2016, 24(01): 19-28 doi: 10.13544/j.cnki.jeg.2016.01.003 SHEN Lingling, LIU Lianyou, XU Chong, et al. Multi-models based landslide susceptibility evaluation—illustrated with landslides triggered by minxian earthquake[J]. Journal of Engineering Geology, 2016, 24(01): 19-28. doi: 10.13544/j.cnki.jeg.2016.01.003
苏立彬, 郭永刚, 吴悦, 杨永涛. 基于DEM的尼洋河流域地貌形态分析[J]. 中国水土保持科学, 2020, 18(03): 12-21 doi: 10.16843/j.sswc.2020.03.002 SU Libin, GUO Yonggang, WU Yue, et al. Analysis of geomorphology of Niyang River Basin based on digital elevation model[J]. soil and water conservation science, 2020, 18(03): 12-21. doi: 10.16843/j.sswc.2020.03.002
王瑞琪, 王学良, 刘海洋, 等. 基于精细 DEM 的崩塌滑坡灾害识别及主控因素分析——以雅鲁藏布江缝合带加查-朗县段为例[J]. 工程地质学报, 2019, 27(5): 1146-1152 WANG Ruiqi, WANG Xueliang, LIU Haiyang, et al. Identification and main controlling factor analysis of collapse and landslide based on fine dem——taking jiacha-langxian section of yarlung zangbo suture zone as an example[J]. Journal of Engineering Geology, 2019, 27(5): 1146-1152.
武辰爽. 基于GIS的川藏铁路林芝段地质灾害危险性评价[D]. 拉萨: 西藏大学, 2021 WU Chenshuang. Evaluation of Geological Hazard Risk Based on Geological Information System in Nyingchi of Sichuan-Tibet Railway[D]. Lasa: Tibet University, 2021.
杨创奇, 陶攀, 杨正. 基于逻辑回归树耦合熵指数模型的滑坡易发性分区——以陕西省延安市吴起县滑坡为例[J]. 人民长江, 2022, 53(05): 128-134 YANG Chuangqi, TAO Pan, YANG Zheng. Landslide susceptibility zoning based on logistic regression tree coupled entropy index model: case of landslide in Wuqi County, Yan'an City, Shaanxi Province[J]. People's Yangtze River, 2022, 53(05): 128-134.
张玘恺, 凌斯祥, 李晓宁, 等. 九寨沟县滑坡灾害易发性快速评估模型对比研究[J]. 岩石力学与工程学报, 2020, 39(8): 1595-1610 doi: 10.13722/j.cnki.jrme.2020.0029 ZHANG Qikai, LING Sixiang, LI Xiaoning, et al. Comparison of landslide susceptibility mapping rapid assessment models in Jiuzhaigou County, Sichuan province, China[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(8): 1595-1610. doi: 10.13722/j.cnki.jrme.2020.0029
张林梵, 王佳运, 张茂省, 等. 基于BP神经网络的区域滑坡易发性评价[J]. 西北地质, 2022, 55(02): 260-270 ZHANG Linfan, WANG Jiayun, ZHANG Maosheng, et al. Evaluation of Regional Landslide Susceptibility Assessment Based on BP Neural Network[J]. Northwest Geology, 2022, 55(02): 260-270.
张琪, 巨能攀, 张成强, 等. 库水位变化时陡倾软弱顺层岩质滑坡变形机制[J]. 成都理工大学学报(自然科学版), 2023, 50(2): 206−217. ZHANG Qi, JU Nengpan, ZHANG Chengqiang, et al. Landslide deformation mechanism of steep weak bedding rock under the variation of reservoir water level[J], Journal of Chengdu University of Technology (Science & Technology Edition), 2023, 50(2): 206−217.
张文龙, 张振凯, 杨帅. 勉略宁地区地质灾害危险性智能评价和区划研究[J]. 西北地质, 2023, 56(1): 276−283. ZHANG Wenlong, ZHANG Zhenkai, YANG Shuai. Study on Intelligent Evaluation and Zoning of Geohazards Risk in Mianluening Area[J]. Northwestern Geology, 2023, 56(1): 276−283.
赵永辉. 雅鲁藏布江流域嘎贡沟巨型滑坡变形破坏模式及演化过程研究[J]. 防灾科技学院学报, 2019, 21(04): 1-7 doi: 10.3969/j.issn.1673-8047.2019.04.001 ZHAO Yonghui. Deformation and Failure Model and Evolution Process of Giant Landslides in Gagong Valley in the Yarlung Zangbo River Basin[J]. Journal of Institute of Disaster Prevention, 2019, 21(04): 1-7. doi: 10.3969/j.issn.1673-8047.2019.04.001
赵永辉. 雅鲁藏布江公路滑坡发育特征及破坏机理研究[J]. 公路, 2021, 66(4): 6 -10. ZHAO Yonghui. Research on Development Characteristics and Failure Process of Highway Landslide along the Yarlung Zangbo River[J]. Highway, 2021, 66(4): 6-10.
周硼焜, 张洪波, 赵伟华, 等. 基于Massflow的西南山区某大型岩质滑坡-碎屑流运动模拟研究[J]. 成都理工大学学报(自然科学版), 2023, 50(3): 361−368. ZHOU Pengkun, ZHANG Hongbo, ZHAO Weihua, et al. Study of a large-scale rock landslide-debris flow in the southwest mountainous region of China based on Massflow numerical simulation[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 2023, 50(3): 361−368.
Alsahaf A, Azzopardi G, Ducro B, et al. Predicting Slaughter Weight in Pigs with Regression Tree Ensembles[C]. APPIS, 2018: 1−9.
Arabameri A, Pradhan B, Rezaei K, et al. Assessment of landslide susceptibility using statistical-and artificial intelligence-based FR–RF integrated model and multiresolution DEMs[J]. Remote Sensing, 2019, 11(9): 999. doi: 10.3390/rs11090999
Batar A K, Watanabe T. Landslide susceptibility mapping and assessment using geospatial platforms and weights of evidence (WoE) method in the Indian Himalayan region: Recent developments, gaps, and future directions[J]. ISPRS International Journal of Geo-Information, 2021, 10(3): 114. doi: 10.3390/ijgi10030114
Disha R A, Waheed S. Performance analysis of machine learning models for intrusion detection system using Gini Impurity-based Weighted Random Forest (GIWRF) feature selection technique[J]. Cybersecurity, 2022, 5(1): 1-22. doi: 10.1186/s42400-021-00103-8
Hong H, Liu J, Bui D T, et al. Landslide susceptibility mapping using J48 Decision Tree with AdaBoost, Bagging and Rotation Forest ensembles in the Guangchang area (China)[J]. Catena, 2018, 163: 399-413. doi: 10.1016/j.catena.2018.01.005
Inan M S K, Ulfath R E, Alam F I, et al. Improved sampling and feature selection to support extreme gradient boosting for PCOS diagnosis[C]. 2021 IEEE 11th Annual Computing and Communication Workshop and Conference (CCWC), IEEE, 2021: 1046−1050.
Khan H, Shafique M, Khan M A, et al. Landslide susceptibility assessment using Frequency Ratio, a case study of northern Pakistan[J]. The Egyptian Journal of Remote Sensing and Space Science, 2019, 22(1): 11-24. doi: 10.1016/j.ejrs.2018.03.004
Kouhartsiouk D, Perdikou S. The application of DInSAR and Bayesian statistics for the assessment of landslide susceptibility[J]. Natural Hazards, 2021, 105(3): 2957-2985. doi: 10.1007/s11069-020-04433-7
Lee D H, Kim Y T, Lee S R. Shallow landslide susceptibility models based on artificial neural networks considering the factor selection method and various non-linear activation functions[J]. Remote Sensing, 2020, 12(7): 1194. doi: 10.3390/rs12071194
Polykretis C, Chalkias C. Comparison and evaluation of landslide susceptibility maps obtained from weight of evidence, logistic regression, and artificial neural network models[J]. Natural hazards, 2018, 93(1): 249-274. doi: 10.1007/s11069-018-3299-7
Rehman A, Song J, Haq F, et al. Multi-Hazard Susceptibility Assessment Using the Analytical Hierarchy Process and Frequency Ratio Techniques in the Northwest Himalayas, Pakistan[J]. Remote Sensing, 2022, 14(3): 554. doi: 10.3390/rs14030554
Taalab K, Cheng T, Zhang Y. Mapping landslide susceptibility and types using Random Forest[J]. Big Earth Data, 2018, 2(2): 159-178. doi: 10.1080/20964471.2018.1472392
Tanyas H, Rossi M, Alvioli M, et al. A global slope unit-based method for the near real-time prediction of earthquake-induced landslides[J]. Geomorphology, 2019, 327: 126-146. doi: 10.1016/j.geomorph.2018.10.022
Tien Bui D, Shahabi H, Shirzadi A, et al. Landslide detection and susceptibility mapping by airsar data using support vector machine and index of entropy models in cameron highlands, malaysia[J]. Remote Sensing, 2018, 10(10): 1527. doi: 10.3390/rs10101527
Zeng H, Yang C, Zhang H, et al. A lightGBM-based EEG analysis method for driver mental states classification[J]. Computational Intelligence and Neuroscience, 2019.
Zweifel L, Samarin M, Meusburger K, et al. Investigating causal factors of shallow landslides in grassland regions of Switzerland[J]. Natural Hazards and Earth System Sciences, 2021, 21(11): 3421-3437. doi: 10.5194/nhess-21-3421-2021
-
期刊类型引用(1)
1. 黄河，王涛，童英，张建军，王朝阳. 中国西天山古生代岩浆岩时空架构、源区特征及构造背景. 西北地质. 2024(06): 25-43 . 
本站查看
其他类型引用(0)
计量
- 文章访问数: 221
- HTML全文浏览量: 58
- PDF下载量: 68
- 被引次数: 1
