Evaluation of Loess Landslide Susceptibility by Combining InSAR and Information-Machine Learning Coupling Model
-
摘要:
环境因子、气象因子与人类活动之间的相互作用，影响地表形态的变化。尤其对于黄土高原区域，在诸多因子的复杂互馈作用下易导致黄土崩滑灾害，亟需选择适用的影响因子和训练模型开展滑坡易发性评价研究。本研究以天水市为研究区，基于InSAR获取的地表形变信息，综合地形、水文、气候、生态以及人类活动等诸多影响因素，采用信息量模型（IV）分别联接到随机森林模型（RF）、决策树模型（DT）、支持向量机模型（SVM）和BP神经网络模型（BP）构建耦合模型IV-RF、IV-DT、IV-SVM和IV-BP，开展滑坡易发性评价研究。结果表明：耦合模型（IV-RF、IV-DT、IV-SVM和IV-BP）的 AUC 值分别为0.925、0.846、0.883、0.792，IV-RF具有更强的精度。滑坡频率比IV-RF模型从极低易发分区向极高易发区逐渐递增，滑坡易发性分区结果更均匀平稳。IV-RF模型具有更强的预测能力和精度，更适合黄土滑坡地质灾害易发性评价。IV-RF 模型的极高、高、中、低、极低易发性区域面积占比分别为 20.45%、18.28%、22.27%、16.92、22.09%，主要分布在天水市北部地质环境复杂和人类活动强烈的山地、黄土梁峁地区。岩性、坡度、土地利用、降雨、道路密度、InSAR形变在贡献率分析中排在前6位，是影响滑坡发育的主控因子。本研究旨在为黄土高原滑坡灾害的预测和防治工作提供可靠的科学依据，为滑坡易发性评价研究深化建模思路，优化独立模型评价结果不确定性问题。
Abstract:The interaction between environmental factors, meteorological factors, and human activities affects surface morphology change. Especially for the Loess Plateau region, it is easy to cause a loess slide disaster under the complex interaction of many factors, so selecting suitable influencing factors and training models to conduct landslide susceptibility evaluation research is urgent. This study takes Tianshui City as the research area and constructs a multi-factor evaluation system covering terrain scale, basic environmental factors, and human activity scale based on the surface deformation information obtained by InSAR. The coupled models IV-RF, IV-DT, IV-SVM, and IV-BP were constructed by connecting the information content model (IV) to the random forest model (RF), decision tree model (DT), support vector machine model (SVM) and BP neural network model (BP), and the landslide susceptibility evaluation was carried out. The results show that the AUC values of the coupled models (IV-RF, IV-DT, IV-SVM, and IV-BP) are 0.925, 0.846, 0.883, and 0.792, respectively, and IV-RF has stronger accuracy. Compared with the IV-RF model, the landslide frequency gradually increases from the very low prone zone to the very high prone zone, and the results of the landslide-prone zone are more uniform and stable. The IV-RF model has stronger prediction ability and accuracy and is more suitable for evaluating the geological hazard susceptibility of loess landslides. The areas of extremely high, high, medium, low, and very low susceptibility in the IV-RF model accounted for 20.45%, 18.28%, 22.27%, 16.92 and 22.09%, respectively, which were mainly distributed in the mountainous and loess ridge areas with complex geological environment and strong human activities in the north of Tianshui City. Lithology, slope, land use, rainfall, road density, and InSAR deformation rank the top 6 in the contribution rate analysis and are the main controlling factors affecting landslide development. This study aims to provide a reliable scientific basis for predicting and preventing landslide disasters in the Loess Plateau, deepen the modeling ideas for evaluating landslide susceptibility, and optimize the uncertainty of independent model evaluation results.
-
Keywords:
- loess plateau /
- susceptibility evaluation /
- information model /
- machine learning methods /
- InSAR
-
土壤是人类工农业生产的基础性资源，随着工业集约化、农村城镇化以及农业现代化进程的不断加快，土壤环境问题日益突出，其中，土壤重（类）金属污染是影响土壤环境的重要因素，其具有污染面积广、存在时间长、生态危害大等特点，且可通过食物链进入身体，危害人类健康（Zhuang et al., 2017），因此对土壤重（类）金属监测、溯源及治理已成为研究热点问题（Cai et al., 2012）。
近年来，国内外学者围绕土壤重（类）金属污染的特征、空间分布以及生态风险进行了系统研究（郑行泉，2018；Chai et al.，2021），通过实地采样、室内分析和模型开发相结合（王海江等，2017），利用地统计学（张慧文等，2009）、GIS（王幼奇等，2016）等手段构建重金属元素的空间分布格局。目前单因子指数法、内梅罗指数法和潜在生态危害指数法是土壤重金属风险评价的常用方法，单因子指数法（汪家权等，2002）结果仅反映某种重金属的污染程度，无法综合评估重金属在土壤中的污染程度；内梅罗指数法（息朝庄等，2008）虽综合各重（类）金属元素的协同效应，但是并没有考虑到受体受到污染物的毒性危害程度；潜在生态危害指数法（王幼奇等，2016）在全面考虑了土壤重金属含量和重金属的环境效应、生态效应、毒理效应等基础上，综合反映出重（类）金属对生态环境的影响，具有快速、准确、简便等特性，是目前开展土壤重（类）金属污染风险评价最常用的评价方法。主成分分析法（PCA）（孟晓飞等，2022）、正定矩阵因子（PMF）（叶盼青等，2022）等方法常用于解析土壤重金属的来源，其中，PMF源解析模型是最为广泛的受体模型之一，其具有不需要测量源指纹谱、分解矩阵中元素非负、可以利用数据标准偏差来进行优化等优点，是美国环保总署（USEPA）推荐使用的重金属来源解析方法（曾妍妍等，2017；麦尔耶姆·亚森等，2017；麦麦提吐尔逊·艾则孜等，2018；比拉力·依明等，2019；尹芳等，2021）。目前，这些土壤重金属研究评价工作主要集中于中东部发达城市，新疆区内的相关研究也主要集中于天山北坡经济带及其他主要工业聚集区，塔里木河流域作为南疆地区经济社会可持续发展和生态系统安全保障的主要载体，前人已在流域内不同地区开展了土地利用变化、水资源承载力等相关研究（冯娟，2015），但就绿洲土壤重（类）金属含量特征及潜在生态风险的研究相对较少。
基于此，笔者以塔里木河下游农二师塔里木垦区为研究区，采集土壤样品125件，对其中7项重金属元素（镉、汞、铅、铬、铜、镍、锌）、1项类金属元素（砷）及pH值进行测定，采用地统计学、内梅罗综合污染指数法、潜在生态风险指数法和正定矩阵因子模型，对各元素空间分布、生态风险及来源进行解析，拟为该区土壤环境评价和污染治理提供科学依据。
1. 区域背景
研究区（E 86°86′～87°35′，N 40°59′～40°98′）位于塔克拉玛干沙漠东北缘（图1），属塔里木河流域下游冲积平原，面积约
864.4 km2。研究区气候属于暖温带大陆性干旱气候，年平均气温11.4 ℃，降水量与蒸发量比值约为1∶116。区内主要土壤类型为棕漠土、灌耕土、灌淤土和风沙土，土壤有机质偏低，呈“缺磷、少氮、富钾”的特点。区域自然植被以胡杨（Populus euphratica）、柽柳（Tamarix ramosissima）、罗布麻（Apocynum venetum）和骆驼刺（Alhagi maurorum）为主，盛产棉花、香梨、红枣、鹿茸、葡萄、罗布麻、黑枸杞、牛羊肉等农产品，是中国主要的棉花、库尔勒香梨生产基地、马鹿繁育基地和蛭石生产基地。![]()
图 1 研究区及采样点位置图a. 新疆维吾尔自治区遥感影像图；b. 研究区土地利用类型图Figure 1. Location diagram of the study area and the sampling point2. 研究方法
2.1 样品采集与处理
2019年6～8月，在对研究区进行综合研究的基础上，以耕地、园地、林地和荒地4种土地利用类型为基底，采用棋盘式采样法，布设采样点125个，采样深度为0～30 cm。利用美国AMS公司土壤取样器对每个样点采集土壤样品3 kg，去除枯枝落叶等杂质后装入洁净的样品袋内。室温自然风干后过20目尼龙筛，留取300 g样品备用。实际采样过程中，为避免人为活动、交通运输等对结果的影响，对采样点的具体位置进行适当调整。
样品委托新疆有色地质勘查局测试中心进行分析，标准参照《区域地球化学样品分析方法》（DZ/T 0279—2016）。Cr、Cu、Ni、Pb和Zn含量利用美国赛默飞世尔Xseries Ⅱ 等离子体质谱仪测定，As含量采用美国赛默飞世尔XP+荧光光谱仪测定，Hg含量用国产双道原子荧光分光光度计测定，Cd含量用日本日立Z-2010原子吸收分光光度计测定，pH值利用离子选择电极测定仪测定。测定过程质量控制通过全程序空白、国家土壤标准物质（GBW 07544）、平行样测定实现，全流程空白均未检出，标准样品测定误差为−1.6%～3.2%，平行样测定标准偏差为1.3%～3.7%，pH值偏差不超过0.12，均满足质控要求，测定结果真实可信。As、Hg、Cr、Ni、Cu、Zn、Cd和Pb元素的检出限分别为0.200 mg/kg、0.005 mg/kg、0.200 mg/kg、0.600 mg/kg、0.600 mg/kg、0.030 mg/kg、0.05 mg/kg及0.500 mg/kg。
2.2 数据处理
采用Excel对数据进行预处理，利用SPSS 24.0进行描述性统计分析，使用GS+9.0进行地统计学参数分析，利用ArcGIS 10.2制作空间分布图。通过EPA PMF 5.0软件对重（类）金属元素来源进行解析。
2.3 评价方法
采用单因子污染指数法、内梅罗综合污染指数法评价研究区的重（类）金属污染状况，采用潜在生态风险指数法确定土壤生态风险等级，使用正定矩阵因子模型解析土壤重（类）金属来源。
2.3.1 单因子污染指数法（Pr）
直观反映污染元素在土壤环境中的具体情况，是常用的重（类）金属污染评价方法（陈锦等，2020）。计算公式为：
$$ {P}_{r}={C}_{r}/{S}_{r} $$ (1) 式中：$ {C}_{r} $为元素r实测值（mg/kg）；$ {S}_{r} $为相应元素的土壤背景值（mg/kg），文中标准参照新疆土壤元素背景值（表1）。单因子污染指数法评价标准为：$ {P}_{r} $≤1，无污染；1＜$ {P}_{r} $≤2，轻度污染；2＜$ {P}_{r} $≤3，中度污染；$ {P}_{r} $≥3，重度污染。
表 1 土壤重（类）金属描述性统计表（n=125）Table 1. Descriptive statistics of soil heavy metals（n=125）元素 最小值
（mg/kg）最大值
（mg/kg）平均值
（mg/kg）标准差
（mg/kg）偏度 峰度 变异
系数(%)新疆背景值
（mg/kg）国国家筛查值（mg/kg） As 2.40 24.60 9.63 3.71 1.07 1.49 38 11.20 25.00 Hg 0.01 0.03 0.01 0.01 0.89 −0.04 42 0.02 3.40 Cr 23.29 75.70 42.19 10.48 0.69 0.12 25 49.30 250.00 Ni 11.71 39.20 21.39 5.61 0.55 −0.18 26 26.60 190.00 Cu 8.92 40.90 18.96 6.79 0.93 0.62 36 26.70 100.00 Zn 29.68 93.10 52.15 13.91 0.53 −0.32 27 68.80 300.00 Cd 0.07 0.26 0.14 0.04 0.72 0.46 26 0.12 0.60 Pb 10.08 32.58 17.48 3.06 1.29 3.79 17 19.40 170.00 pH 8.01 9.46 8.66 0.29 0.25 0.05 3.3 — — 注：背景值参照新疆土壤元素地球化学背景值（2011）（叶盼青等，2022）。 2.3.2 内梅罗综合污染指数法（Pn）
综合各重（类）金属元素的协同效应，突出最富集元素对环境的污染危害，同时反映多元素对土壤的综合污染程度（奉大博等，2022；王雪婷，2022）。计算公式为：
$$ {P}_{n}=\sqrt{({P}_{rmax}^{2}+{P}_{ravg}^{2})/2} $$ (2) 式中：Prmax为重（类）金属单因子污染指数最大值；Pravg是重（类）金属单因子污染指数平均值。内梅罗综合污染指数法评价标准为:Pn≤1，无污染；1＜Pn≤2，轻度污染；2＜Pn≤3，中度污染；Pn≥3，重度污染。
2.3.3 潜在生态风险指数法（RI）
突出重（类）金属元素的生态、环境和毒理效应，根据单因子污染指数计算各重（类）金属生态风险指数，最后综合各重（类）金属元素生态风险指数获得研究区潜在生态风险等级（Nalan et al., 2020；Ajani et al., 2021）。计算方法如下：
（1）单项重（类）金属的潜在生态风险指数
$$ {E}_{r}={T}_{r}\times {P}_{r} $$ (3) 式中：Pr为单因子污染指数；Tr为重（类）金属毒性响应系数，笔者参考沉积学毒性系数（林丽钦，2009）。
（2）综合潜在生态风险指数
$$ RI=\sum {E}_{r} $$ (4) 式中：Er为各单项重（类）金属的潜在生态风险指数。
2.3.4 正定矩阵因子（PMF）源解析模型
土壤中重（类）金属元素的来源复杂，其途径既可以是单一性，也可以是多元性。笔者通过PMF模型对研究区土壤重（类）金属元素的主要来源进行解析。系统导入各元素的原始数据、不确定度数据，依次确定各元素的信噪比、因子数、拟合精度等相关参数，使其满足规范要求。
PMF模型将样品各元素浓度矩阵（Xij）分解成源贡献因子矩阵（Gij）、源成分谱因子矩阵（Fik）和残差矩阵（Ekj），通过求解定量识别各重（类）金属来源的贡献率（陈明等，2022），具体公式如下：
$$ {X}_{ij} = {\sum }_{k=1}^{p}{G}_{ij}{F}_{ik}+{E}_{kj} $$ (5) 式中：Xij为第i个样品中第j个元素的含量；Gij为第j个源对第i个样品的贡献；Fik为第k个源中第j个元素的含量；Ekj是残差矩阵。
PMF模型通过最小二乘法经多次迭代运算得到目标函数Q，从而得到最优的因子矩阵和源剖面。目标函数Q的定义如下：
$$ Q={\sum }_{i=1}^{n}{\sum }_{j=1}^{m}{\left(\frac{{X}_{ij}+{\sum }_{k=1}^{p}{G}_{ij}{F}_{ik}}{{U}_{ij}}\right)}^{2} $$ (6) 式中：Uij为第i个样品第j个元素的不确定度：
$$ {U}_{ij}=5/6\times MDL \qquad ( \mathrm{C}\leqslant MDL) $$ (7) $$ {U}_{ij}=\sqrt{{\left(C\times RSD\right)}^{2}+{\left(MDL/2\right)}^{2}} \qquad ( \mathrm{C} ＞ MDL) $$ (8) 式中：C为重（类）金属元素含量，mg/kg；RSD为相对标准偏差；MDL为方法检出限，参考分析测试标准数据。
3. 研究结果
3.1 土壤重（类）金属含量统计特征
由表1可知，研究区土壤中As、Hg、Cr、Ni、Cu、Zn、Cd、Pb 8种元素的均值分别为9.63 mg/kg、0.01 mg/kg、42.19 mg/kg、21.39 mg/kg、18.96 mg/kg、52.15 mg/kg、0.14 mg/kg和17.48 mg/kg，其中Cd均值是新疆土壤地球化学背景值的1.17倍，其他元素均值低于新疆土壤地球化学背景值，所有元素的均值未超过国家农业用地土壤环境质量标准（GB15618-2018）中规定的风险筛查值。
偏度和峰度分别描述了样本数据分布的对称和高低程度。由表2可知，偏度方面：所有元素的偏度均大于0，特别是As、Pb元素的偏度大于1，处于正偏态。峰度方面：除Pb元素峰度大于3外，其他元素的峰度均小于1。说明部分采样点重（类）金属含量较高，处于区域异常状态。
表 2 相关理论参数及最优拟合模型Table 2. Related theoretical parameters and optimal fitting model元素 理论模型 块金值C0 基台值Sill 块金比（%） 变程（m） 决定系数R2 残差RSS As 指数 0.02 0.14 0.89 4920.00 0.77 6.10×10−5 Hg 高斯 0.02 0.14 0.84 3222.00 0.18 1.08×10−4 Cr 指数 0.01 0.06 0.87 4200.00 0.35 9.66×10−5 Ni 指数 0.01 0.07 0.89 3570.00 0.22 4.01×10−5 Cu 指数 0.01 0.12 0.89 2520.00 0.23 1.16×10−4 Zn 指数 0.01 0.07 0.89 3240.00 0.24 4.20×10−5 Cd 高斯 0.01 0.06 0.83 2286.00 0.24 5.15×10−5 Pb 高斯 0.00 0.04 0.83 3186.00 0.38 8.35×10−6 pH 高斯 0.00 0.00 0.84 3984.00 0.21 1.76×10−8 变异系数（CV）反映了数据的变异程度，CV值越大，表明元素在各个采样点中含量差异越大（陈喜等，2022）。由表2可知，除As、Hg元素属于强变异外，其他元素均处于中等变异水平，说明部分区域存在重（类）金属含量异常现象。受研究区干旱少雨气候的控制，元素迁移聚集受限，导致异常点零星分布。土壤pH值介于8.01～9.46，平均值为8.66，呈强碱性，其偏度、峰度和变异系数分别为0.25、0.05和3.3%，说明区内土壤pH值变化幅度较小。
3.2 土壤重（类）金属含量空间分布规律
土壤是时空连续体，受多种成土因素的共同控制，成土因素的变化易导致土壤理化性质发生改变，致使其空间分布非均一。由于土壤样品仅代表采样点本身的性质，为准确表达各元素的空间分布规律，借助GIS和地统计学理论，利用克里金（Kriging）插值构建空间模型，分析各元素的空间分布格局（胡明等，2021）。通过GS+9.0软件确定相关参数及最优拟合模型（表2），利用ArcGIS 10.2简单克里金插值模块对已知点位数据空间插值估计未采样点的属性值，绘制了研究区土壤重（类）金属元素空间分布图。
由图2a～图2h可知，8种元素的分布范围各不相同，但高值区均主要集中在研究区的西北和东南部，呈现环岛状分布格局。As、Ni及Pb元素分布表现出相对的一致性，含量高值区在西北和东南部分布面积较广，中部零星分布。Hg、Cr和Cd元素也在东南部出现较大范围含量高值区。Cu和Zn元素含量整体较低，仅在东南部小范围出现高值区。前人研究发现，土壤pH对土壤重（类）金属的影响主要体现在两方面，一方面是其决定着元素的形态、溶解度和有效性，另一方面是影响着元素在固相土粒上的专项吸附能力（杨秀敏等，2017；杨淑媛，2022）。由图2i发现，区内pH值空间分布呈现“西北高、东南低”，与土壤中各重（类）金属的空间分布格局一致性较差，表现出一定的负相关关系。原因可能是随着pH值升高，土壤阳离子交换量上升，阳离子的吸附量和吸附能力加强，导致西北部土壤重（类）金属的溶解态减少、颗粒态增多，一定程度影响着重（类）金属元素的空间分布格局。
![]()
图 2 研究区土壤重（类）金属含量空间分布示意图Figure 2. Schematic diagram of the spatial distribution of soil heavy metal content in the study area综上可知，研究区的东南部是土壤重（类）金属含量高值的集中分布区，其次是西北部，中部地区各元素含量值较低。结合野外采样实际可知，三十三团五连、九连、十连及营建连等是土壤重（类）金属含量高值的分布区，同时这里也是当地规模化农业种植的重点区域。
3.3 土壤重（类）金属污染特征和空间分布规律
研究区土壤各重（类）金属的单项污染指数（Pr）平均值大小顺序依次为：Cd（1.16）＞Pb（0.90）＞As（0.86）＝Cr（0.86）＞Hg（0.85）＞Ni（0.80）＞Zn（0.76）＞Cu（0.71）。根据Pr分级标准，区内Cd元素属于轻度污染，其他元素属于无污染。
由表3可知，Hg、Cr、Ni、Cu、Zn和Pb等6种元素无污染样点数的占比均超70%。Cd元素有60.83%的样点处于轻度污染状态。同时，0.7%点位As、Cd元素处于中等污染水平，表明Cd、As是引起研究区土壤重（类）金属污染的主要元素。Pn变化范围为0.61～1.95，平均值为1.04，且轻度污染样本占比大于无污染样本，根据其分级标准，说明研究区处于轻度污染水平。根据计算的$ {P}_{r} $和$ {P}_{n} $指数，利用Arcgis10.2的普通克里金插值模块，绘制了各元素的Pr和Pn指数的空间分布图（图3）。由图3a～图3h可知，各元素Pr指数的空间分布格局各不相同，其中Cu元素表现为全域无污染；Zn元素仅在东南部出现了零星分布的轻度污染区，整体上也处于无污染水平；Cd是研究区污染面积最大、程度最高的元素；As、Hg、Cr、Ni和Pb等5种元素在研究区东南部出现了小面积的轻度污染区。从$ {P}_{n} $指数的空间分布情况来看（图3i），除正北向部分区域和南部零星地区无污染外，整个研究区基本处于轻度污染水平，其中以东南部最为集中。
表 3 不同污染级别的样本数占总样本数的百分数（n=125）Table 3. The number of samples with different contamination levels is a percentage of the total number of samples (n=125)指数 元素 无污染 轻度污染 中度污染 重度污染 单因子污染指数（Pr） As 69.93% 29.37% 0.70% 0 Hg 72.03% 29.97% 0 0 Cr 78.32% 21.68% 0 0 Ni 81.82% 18.18% 0 0 Cu 88.81% 11.19% 0 0 Zn 86.71% 13.29% 0 0 Cd 38.46% 60.83% 0.70% 0 Pb 78.32% 21.68% 0 0 内梅罗综合污染指数（Pn） — 48.95% 51.05% 0 0 ![]()
图 3 土壤重（类）金属的$ {{P}}_{{r}}\mathrm{和}{{P}}_{{n}} $空间分布图Figure 3. Spatial distribution map of $ {P}_{r} $ and $ {P}_{n} $ of soil heavy metals3.4 土壤重（类）金属潜在生态风险评价
结合上述分析发现，Pn指数在评价过程中突出了Pr指数最大的重金属元素对土壤污染影响，使Cd元素在Pn指数中占比过大，导致评价灵敏性不足，无形中增大了土壤重金属污染的面积和程度，无法全面反映研究区土壤重金属污染的综合特征，这与其他学者在相邻研究区的结论较一致（阿吉古丽·马木提等，2017）。同时，由于各重（类）金属元素之间毒性响应系数差异较大，为确保评价结果的准确性，需要对潜在生态风险评价标准进行优化。参考相关文献（马建华等，2020；吴梅等，2023），借鉴前人研究成果（阿吉古丽·马木提等，2017），对研究区潜在生态风险评价标准进行调整如下（表4）。
表 4 调整前后潜在生态风险评价标准Table 4. Evaluation criteria of potential ecological risks before and after adjustment指标 生态危害等级 轻微 中等 强 很强 极强 调整前 单项生态风险指数（Er） ＜40 40～80 80～160 160～320 ＞320 综合生态风险指数（RI） ＜150 150～300 300～600 ＞600 调整后 单项生态风险指数（Er） ＜30 30～60 60～120 120～240 ＞240 综合生态风险指数（RI） ＜70 70～140 140～280 ＞280 由表5可知，除Cd和Hg元素外，其他元素的Er指数均小于30，生态风险等级为轻微。Cd、Hg元素属于中等生态风险样点数占比分别为61.54%、53.85%，生态风险等级为中等，说明Hg、Cd是研究区土壤生态风险等级上升的主控元素。同时RI指数的变化范围为50.75～179.07，属于轻微、中等、较强生态风险的样点数分别占比29.37%、63.63%和7.00%，说明研究区整体生态风险等级为中等。
表 5 潜在生态风险评价Table 5. Assessment of potential ecological risks潜在生态风险系数（Er） 综合潜在生态
污染指数（RI）元素 As Hg Cr Ni Cu Zn Cd Pb 最小值 2.14 14.12 0.94 2.20 1.67 0.43 18.32 2.60 50.75 最大值 21.96 75.29 3.07 7.37 7.66 1.35 66.00 8.40 179.07 均值 8.60 34.03 1.71 4.02 3.55 0.76 34.76 4.51 91.93 4. 土壤重（类）金属来源解析
通过PMF模型对125个土壤样品进行解析，得到研究区土壤重（类）金属来源的贡献谱。由图4可知，因子1的主载荷元素为As，贡献率为76.1%。结合图2可知，区内As含量空间分布差异性较大，其含量高值区主要集中于研究区东南部，靠近塔里木河下游，说明重（类）金属的空间分布受到地表水、地下水等水文环境的影响。前人研究表明，研究区北部的天山山脉岩石中含砷矿物，受大气降水、冰川融水的影响，导致了岩石中的As元素的渗出，为区内土壤中As元素的富集提供了丰富的物源。同时，因子2的主载荷元素为Cu、Cr、Ni和Zn，贡献率分别为40%、34%、33.5%和28.10%。由重（类）金属元素的空间分布（图2）可得，Cu、Cr、Ni和Zn空间分布较为一致，表现出显著的相关性，且在研究区东南含量较高，受地形和水动力条件的影响，土壤重（类）金属元素的迁移、活化和富集主要集中在东南部。Cu、Cr和Ni是亲铁元素，在自然界与铁共生。从地质背景分析，它们一般由基性或超基性岩等岩浆来源较深的岩石发育而来，主要与成土母质中的暗色矿物如角闪石、辉石等含量有关（曹佰迪等，2022）。从化学反应分析，这4种元素活泼性较弱，难以与氧或弱酸发生化学反应，它们在氧化、碱性环境下，母岩风化产物较难发生转化（冯博鑫等，2023）。且Cu、Cr、Ni和Zn元素的均值均小于新疆土壤背景值，整体受污染程度较小，人类活动影响较小。因此认为其来源与地质背景密切相关。故因子1、因子2可代表自然因素源。
因子3的主载荷元素为Pb，贡献率分别为21.10%。相关研究证实，Pb元素是机动车尾气排放的主要污染物（Begum et al., 2010），特别是Pb常被作为交通来源的识别性元素（余飞等，2023），加之Pb元素拥有较长的半衰期，易富集。贯穿研究区的218国道，是新疆主干交通网络，车辆众多，且以大型货车为主。加之研究区属农业集中区，各类农业机械出入频繁，轮胎磨损、尾气排放等一定程度上增加了Pb等元素的积累。故因子3可代表交通运输源。
因子4的主载荷元素为Cd，贡献率分别为46.80%。农业土壤中Cd的主要来源通常是含有无机化合物和矿物质的农用化学品、化肥和农药。长期使用过量的化肥和农药是导致表层土壤Cd富集的主要原因，因此Cd元素常被用作农药和化肥等使用的标识（Gray et al., 1999）。研究区土地利用类型以耕地为主，棉花、香梨等经济作物的大规模种植，需要消耗大量的化肥和农药，同时，由图2g可知，Cd含量高值区业主要集中于耕地范围内，区内土壤盐渍化较为严重，为保障农业种植，当地常在灌溉水中添加矿源黄腐酸钾，用来改良土壤，该添加剂的长期使用也可导致Cd等重（类）金属元素的富集。故因子4可代表农业生产源。
因子5的主载荷元素为Hg，贡献率分别为30.20%。前人研究表明土壤中Hg的来源与煤炭有关（Hu et al., 2018），Hg蒸气主要通过沉降的方式进入土壤，沉积的主要来源有热电燃烧煤、企业燃煤加热器等（周雪明等，2017）。研究区为南疆主要城市群之一，生产生活电力需求大，易导致重（类）金属元素积累。故因子5可代表煤炭燃烧源。
结合以上数据，计算各重（类）金属来源的贡献比例（图5），其中自然因素（48.88%）对土壤重（类）金属来源的贡献率最大，其次为农业生产（31.63%），同时交通运输（7.29%）和煤炭燃烧（12.20%）也引起部分地区的重（类）金属富集。
5. 结论
（1）研究区Cd元素的均值是其土壤背景值的1.17倍，其他元素均值都未超过新疆背景值，所有元素的均值未超过国家风险筛查值。说明研究区土壤重（类）金属含量整体处于正常水平，土壤环境质量相对较好。
（2）研究区Cd元素有60.83%的样点处于轻度污染状态，从Pr指数和Pn指数的空间分布格局来看，研究区污染面积最大、程度最高的元素也是Cd元素，因此Cd元素的污染需要引起关注。总的来说，研究区土壤重（类）金属污染程度不高，处于轻度水平。
（3）Hg和Cd中等生态风险样点数分别占比53.85%、61.54%，生态风险为中等级，其他元素为轻微级。同时RI指数的变化范围为50.75～179.07，属于轻微、中等、较强生态风险的样点数分别占比29.37%、63.63%和7%。说明研究区基本处于中等生态风险等级，风险形势整体可控。
（4）PMF源解析结果表明，研究区自然因素（48.88%）对土壤重（类）金属来源的贡献率最大，其次为农业生产（31.63%），交通运输（7.29%）和煤炭燃烧（12.20%）对重（类）金属元素积累的贡献相对较少。
-
![]()
图 3 天水市2020年8月至2023年8月地表形变速率
Figure 3. Surface deformation rate of Tianshui City from august 2020 to august 2023
![]()
图 6 耦合模型的滑坡易发性评价技术路线
Figure 6. Technical route of landslide susceptibility evaluation by coupling model
![]()
图 9 耦合模型的滑坡频率比和滑坡比
Figure 9. Landslide frequency ratio and landslide ratio of the coupled model
表 1 天水市滑坡易发性评价指标
Table 1 Evaluation index of landslide susceptibility in Tianshui City
目标层 准则层 方案层 滑坡易发性评价 地形地貌 地表形变；坡度；坡向；高程；曲率；地形起伏度 气候条件 降雨量 生态环境 土地利用类型；植被覆盖指数 地质水文 水系密度；地层岩性 基础数据 道路密度 
下载: 导出CSV
表 2 评价因子相关性分析
Table 2 Correlation analysis of evaluation factors
岩性 土地利用 道路密度 河流密度 起伏度 坡向 坡度 NDVI 曲率 高程 降雨 InSAR 岩性 1 −0.013 0.042 0.003 −0.109 0.002 −0.002 0.031 0.090 0.011 0.113 0.108 土地利用 −0.013 1 −0.059 −0.054 0.100 −0.007 −0.019 −0.035 −0.154 0.013 −0.138 −0.179 道路密度 0.042 −0.059 1 0.256 −0.221 0.015 0.002 0.144 0.261 0.277 0.141 0.295 河流密度 0.003 −0.054 0.256 1 −0.260 0.009 0.022 0.110 0.384 0.219 0.223 0.368 起伏度 −0.109 0.100 −0.221 −0.260 1 0.010 −0.050 −0.115 −0.277 −0.088 −0.252 −0.180 坡向 0.002 −0.007 0.015 0.009 0.010 1 0.068 −0.001 −0.001 0.008 −0.001 −0.002 坡度 −0.002 −0.019 0.002 0.022 −0.050 0.068 1 0.009 0.046 −0.006 0.045 0.055 NDVI 0.031 −0.035 0.144 0.110 −0.115 −0.001 0.009 1 0.180 0.316 −0.152 0.181 曲率 0.090 −0.154 0.261 0.384 −0.277 −0.001 0.046 0.180 1 0.130 0.279 0.204 高程 0.011 0.013 0.277 0.219 −0.088 0.008 −0.006 0.316 0.130 1 −0.143 0.129 降雨 0.113 −0.138 0.141 0.223 −0.252 −0.001 0.045 −0.152 0.279 −0.143 1 0.347 InSAR 0.108 −0.179 0.295 0.368 −0.180 −0.002 0.055 0.181 0.204 0.129 0.347 1
下载: 导出CSV
表 3 不同模型滑坡易发性分区结果
Table 3 Landslide susceptibility zoning results of different models
模型 易发性分区 分区面积（km2） 分区面积占比（%） 滑坡数量（个） 滑坡数量占比（%） 滑坡密度（个/km2） IV-BP模型 极低易发区 2606.58 17.79 7 0.74 0.0027 低易发区 2636.73 18.00 40 4.23 0.0152 中易发区 766.125 5.23 43 4.55 0.0561 高易发区 4636.1025 31.65 397 42.01 0.0856 极高易发区 4003.155 27.33 458 48.47 0.1144 IV-RF模型 极低易发区 3235.7475 22.09 10 1.06 0.0031 低易发区 2478.06 16.92 84 8.89 0.0339 中易发区 3262.005 22.27 279 29.52 0.0855 高易发区 2677.275 18.28 280 29.63 0.1046 极高易发区 2995.605 20.45 292 30.90 0.0975 IV-SV模型 极低易发区 3882.1725 26.60 22 2.33 0.0057 低易发区 2495.61 17.10 114 12.09 0.0457 中易发区 1818.7425 12.46 166 17.60 0.0913 高易发区 2812.9275 19.28 289 30.65 0.1027 极高易发区 3582.7875 24.55 352 37.33 0.0982 IV-DT模型 极低易发区 5955.2325 40.81 85 9.01 0.0143 低易发区 333.81 2.29 19 2.01 0.0569 中易发区 1228.6125 8.42 86 9.12 0.0700 高易发区 2110.41 14.46 151 16.01 0.0716 极高易发区 4964.175 34.02 602 63.84 0.1213
下载: 导出CSV
-
陈丹璐, 孙德亮, 文海家, 等. 基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究[J]. 北京师范大学学报(自然科学版), 2024, 60（1）: 148−158. CHEN Danlu, SUN Deliang, WEN Haijia, et al. Study on landslide susceptibility of LightBM-SHAP based on different factor screening methods[J]. Journal of Beijing Normal University (Natural Science Edition),2024,60(1):148−158.
窦杰, 向子林, 许强, 等. 机器学习在滑坡智能防灾减灾中的应用与发展趋势[J]. 地球科学, 2023, 48（5）: 1657−1674. DOU Jie, XIANG Zilin, XU Qiang, et al. Application and development trend of machine learning in landslide intelligent disaster prevention and reduction[J]. Earth Science,2023,48(5):1657−1674.
杜鹏, 陈宁生, 伍康林, 等. 基于随机森林模型的藏东南地区滑坡易发性评价及主控因素分析[J]. 成都理工大学学报(自然科学版), 2024, 51（2）: 328−344. DU Peng, CHENG Ningsheng, WU Kanglin, et al. Evaluation of landslide susceptibility in southeast Tibet based on arandom forestmodel[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2024,51(2):328−344.
盖侨侨, 孙倩, 张宁, 等. 融合时序InSAR形变的白银市地质灾害易发性评价[J]. 武汉大学学报(信息科学版), 2024, 49（8）: 1434−1443. GAI Qiaoqiao, SUN Qian, ZHANG Ning, et al. Geological hazard susceptibility evaluation of Baiyin City based on time-series InSAR deformation[J]. Journal of Wuhan University (Information Science Edition),2024,49(8):1434−1443.
胡祥祥, 明璐璐, 吴涛, 等. 融合InSAR与信息量-层次分析耦合模型的西宁市地质灾害易发性评价[J]. 测绘通报, 2023（12）: 51−56+75. HU Xiangxiang, MING Lulu, WU Tao, et al. Geological hazard susceptibility evaluation of Xining City by combining InSAR and information-hierarchy analysis coupling model[J]. Bulletin of Surveying and Mapping,2023(12):51−56+75.
黄发明, 李金凤, 王俊宇, 等. 考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律[J]. 地质科技通报, 2022, 41（2）: 44−59. HUANG Faming, LI Jinfeng, WANG Junyu, et al. Landslide susceptibility prediction modeling law considering the suitability of linear environmental factors and different machine learning models[J]. Bulletin of Geological Science and Technology,2022,41(2):44−59.
黄龙, 孙倩, 胡俊. 基于InSAR与随机森林的滑坡敏感性评价与误差改正[J]. 测绘通报, 2022（10）: 13−20. HUANG Long, SUN Qian, HU Jun. Landslide sensitivity evaluation and error correction based on InSAR and Random forest[J]. Bulletin of Surveying and Mapping,2022(10):13−20.
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. JIA Jun, MAO Yinmin, MENG Xiaojie, et al. Comparison of landslide susceptibility evaluation between deep random forest and random forest algorithm: A case study of Qingyang County, Hanzhong City[J]. Northwestern Geology,2023,56(3):239−249.
柯福阳, 胡祥祥, 明璐璐, 等. 面向地表形变高精度监测的GNSS-InSAR融合方法[J]. 遥感技术与应用, 2023, 38（5）: 1028−1041. KE Fuyang, HU Xiangxiang, MING Lulu, et al. A GNSS-InSAR fusion method for high-precision surface deformation monitoring[J]. Remote Sensing Technology and Application,2023,38(5):1028−1041.
孔嘉旭, 庄建琦, 彭建兵, 等. 基于信息量和卷积神经网络的黄土高原滑坡易发性评价[J]. 地球科学, 2023, 48（5）: 1711−1729. KONG Jiaxu, ZHUANG Jianqi, PENG Jianbing, et al. Evaluation of landslide vulnerability in Loess Plateau based on information and convolutional neural networks[J]. Earth Science,2023,48(5):1711−1729.
李成林, 刘严松, 赖思翰, 等. 基于BP神经网络模型的滑坡易发性评价方法[J]. 科学技术与工程, 2023, 23（13）: 5481−5492. LI Chenglin, LIU Yansong, LAI Sihan, et al. Landslide susceptibility evaluation method based on BP neural network model[J]. Science Technology and Engineering,2023,23(13):5481−5492.
李晶, 朱武, 张关龙, 等. 基于InSAR和热点分析技术的黄土高原地质灾害隐患识别[J/OL]. 工程地质学报, 2022, 1−17. doi: 10.13544/j.cnki.jeg.2022-0444. LI Jin,ZHU Wu,ZHANG Guanlong,et al. Potential geological hazard identification in Loess Plateau based on InSAR and hot spot analysis techniques [J/OL]. Journal of Engineering Geology, 2022, 1−17. doi: 10.13544/j.cnki.jeg.2022-0444.
李萍, 叶辉, 谈树成. 基于层次分析法的永德县地质灾害易发性评价[J]. 水土保持研究, 2021, 28（5）: 394−399. LI Ping, YE Hui, TAN Shucheng. Geological hazard susceptibility evaluation based on analytic hierarchy process in Yongde County[J]. Research of Soil and Water Conservation,2021,28(5):394−399.
李益敏, 向倩英, 邓选伦, 等. 基于优化 MaxEnt 模型的怒江州滑坡易发性评价[J/OL]. 河南理工大学学报(自然科学版), 2024, 1−11. doi: 10.16186/j.cnki.1673-9787.2023070010. LI Yimin,XIANG Qianying,DENG Xuanlun,et al. Evaluation of landslide vulnerability in Nujiang Prefecture based on optimized MaxEnt model [J/OL]. Journal of Henan Polytechnic University (Natural Science Edition),2024,1−11. doi: 10.16186/j.cnki.1673-9787.2023070010.
李泽芝, 王新刚. 镇域尺度下秦巴山区堆积层滑坡易发性不同单元评价性能对比研究[J]. 西北地质, 2024, 57(1): 1−11. LI Zezhi, WANG Xingang. Comparative study on evaluation performance of different units for landslide susceptibility of accumulative strata in Qinba Mountain area at township scale [J]. Northwestern Geology, 2024, 57 (1): 1−11.
林琴, 郭永刚, 吴升杰, 等. 基于梯度提升的优化集成机器学习算法对滑坡易发性评价: 以雅鲁藏布江与尼洋河两岸为例[J]. 西北地质, 2014, 57（1）: 12−22. LIN Qin, GUO Yonggang, WU Shengjie, et al. Evaluation of landslide susceptibility by an optimized integrated machine learning algorithm based on gradient lifting: A case study of the two banks of the Yarlung Zangbo River and the Niyang River[J]. Northwest Geology,2014,57(1):12−22.
林炫歆, 肖桂荣, 周侯伯. 顾及土地利用动态变化的滑坡易发性评估方法[J]. 地球信息科学学报, 2023, 25（5）: 953−966. doi: 10.12082/dqxxkx.2023.220567 LIN Xuanxin, XIAO Guirong, ZHOU Houbo. Landslide susceptibility assessment method considering land use dynamic change[J]. Journal of Geo-Information Science,2023,25(5):953−966. doi: 10.12082/dqxxkx.2023.220567
刘福臻, 王灵, 肖东升. 机器学习模型在滑坡易发性评价中的应用[J]. 中国地质灾害与防治学报, 2021, 32（6）: 98−106. LIU Fuzhen, WANG Ling, XIAO Dongsheng. Application of machine learning model in landslide susceptibility evaluation[J]. Chinese Journal of Geological Hazards and Control,2021,32(6):98−106.
刘帅, 朱杰勇, 杨得虎, 等. 不同降雨工况条件下的崩滑地质灾害危险性评价[J]. 地质科技通报, 2024, 43（2）: 253−267. LIU Shuai, ZHU Jieyong, YANG Dehu, et al. Risk assessment of landslide geological hazards under different rainfall conditions[J]. Bulletin of Geological Science and Technology,2024,43(2):253−267.
卢星宇. 基于InSAR技术的九寨沟地质灾害危险性评价研究[D]. 成都: 电子科技大学, 2021. LU Xingyu. Research on geological hazard assessment of Jiuzhaigou Valley based on InSAR technology [D]. Chengdu:University of Electronic Science and Technology of China, 2021.
谭翠, 黄钦, 杨波, 等. 随机森林算法在区域生态旅游适宜性评价中的应用研究[J]. 地球信息科学学报, 2024, 26（2）: 318−331. doi: 10.12082/dqxxkx.2024.230198 TAN Cui, HUANG Qin, YANG Bo, et al. Application of random forest algorithm in regional ecotourism suitability evaluation[J]. Journal of Geoinformation Science,2024,26(2):318−331. doi: 10.12082/dqxxkx.2024.230198
王本栋, 李四全, 许万忠, 等. 基于 3 种不同机器学习算法的滑坡易发性评价对比研究[J]. 西北地质, 2024, 57(1): 34−43. WANG Bendong, LI Siquan, XU Wanzhong, et al. Comparative study on landslide susceptibility evaluation based on Three different machine learning algorithms [J]. Northwestern Geology, 2019, 57 (1): 34−43.
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. Landslide hazard identification and main control factors analysis based on fine DEM: A case study of Jiacha-Lang County section of Yarlung Zangbo River suture zone[J]. Journal of Engineering Geology,2019,27(5):1146−1152.
魏文豪, 贾雨霏, 盛逸凡, 等. 基于I、SVM、I-SVM的滑坡灾害易发性评价模型研究[J]. 安全与环境工程, 2023, 30（3）: 136−144. WEI Wenghao, JIA Yufei, SHENG Yifan, et al. Research on landslide hazard susceptibility evaluation model based on I, SVM and I-SVM[J]. Safety and Environmental Engineering,2023,30(3):136−144.
武雪玲, 杨经宇, 牛瑞卿. 一种结合SMOTE和卷积神经网络的滑坡易发性评价方法[J]. 武汉大学学报(信息科学版), 2020, 45（8）: 1223−1232. WU Xueling, YANG Jingyu, NIU Ruiqing. A landslide susceptibility evaluation method with SMOTE and Convolutional neural network[J]. Journal of Wuhan University (Information Science Edition),2020,45(8):1223−1232.
徐胜华, 刘纪平, 王想红, 等. 熵指数融入支持向量机的滑坡灾害易发性评价方法——以陕西省为例[J]. 武汉大学学报(信息科学版), 2020, 45（8）: 1214−1222. XU Shenghua, LIU Jiping, WANG Xianghong, et al. Landslide hazard susceptibility evaluation method based on entropy index integrated with support vector machine: A case study of Shaanxi Province[J]. Journal of Wuhan University (Information Science Edition),2020,45(8):1214−1222.
吴铭洋, 陈宁生, 杨溢, 等. 三工河小流域泥石流生态—岩土工程调控措施减缓土壤侵蚀的定量研究[J]. 成都理工大学学报(自然科学版), 2024, 51（1）: 117−129. WU Mingyang, CHEN Ningsheng, YANG Yi, et al. Quantitative study on the mitigation of soil erosion by comprehensive ecological and geotechnical debris flow treatment measures in small basins: A case study of the Sangong River Basin[J]. Journal of Chengdu University of Technology (Science & Technology Edition),2024,51(1):117−129.
许强, 陈婉琳, 蒲川豪, 等. 基于自然的解决方案在黄土高原重大工程灾变防控中的理论与实践[J]. 工程地质学报, 2022, 30（4）: 1179−1192. XU Qiang, CHEN Wanling, PU Chuanhao, et al. Theory and practice of nature-based solutions in disaster prevention and control of major projects on the Loess Plateau[J]. Journal of Engineering Geology,2022,30(4):1179−1192.
杨根云, 周伟, 方教勇. 基于信息量模型和数据标准化的滑坡易发性评价[J]. 地球信息科学学报, 2018, 20（5）: 674−683. doi: 10.12082/dqxxkx.2018.170535 YANG Genyun, ZHOU Wei, FANG Jiaoyong. Landslide susceptibility evaluation based on information model and data standardization[J]. Journal of Geoinformation Science,2018,20(5):674−683. doi: 10.12082/dqxxkx.2018.170535
杨畅, 赵建军, 王寿宇, 等. 基于MatDEM的易贡滑坡铲刮效应研究[J]. 成都理工大学学报(自然科学版), 2024, 51（3）: 477−488. YANG Chang, ZHAO Jianjun, WANG Shouzi, et al. MatDEM-based investigation of shovel-scraping effect on Yigongland slidel[J]. Journal of Chengdu University of Technology (Science & Technolgy Edition),2024,51(3):477−488.
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. Development characteristics and failure mechanism of highway landslide in Yarlung Zangbo River[J]. Highway,2021,66(4):6−10.
赵占骜, 王继周, 毛曦, 等. 多维CNN耦合的滑坡易发性评价方法[J]. 武汉大学学报(信息科学版), 2024, 49（8）: 1466−1481. ZHAO Zhanao, WANG Jizhou, MAO Xi, et al. Landslide susceptibility evaluation method based on multi-dimensional CNN coupling[J]. Journal of Wuhan University (Information Science Edition),2024,49(8):1466−1481.
周超, 甘露露, 王悦, 等. 综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模[J]. 地球信息科学学报, 2023, 25（8）: 1570−1585. ZHOU Chao, GAN Lulu, WANG Yue, et al. Regional landslide susceptibility modeling based on non-landslide sample selection index and heterogeneous integrated machine learning[J]. Journal of Geoinformation Science,2023,25(8):1570−1585.
朱怡飞, 姚鑫, 姚磊华, 等. 基于InSAR和光学遥感的贵州鬃岭采煤滑坡识别与危险性评价[J]. 地质力学学报, 2022, 28（2）: 268−280. ZHU Yifei, YAO Xin, YAO Leihua, et al. Identification and risk assessment of coal mining landslide in Ziling, Guizhou Province based on InSAR and optical remote sensing[J]. Chinese Journal of Geomechanics,2022,28(2):268−280.
Ayalew L, Yamagishi H. The application of GIS-based logistic regression for landslide susceptibility mapping in the KakudaYahiko Mountains, Central Japan[J]. Geomorphology,2005,65(1):15−31.
Dou J, Ali P Y, Dieu T B, et al. Improved landslide assessment using support vector machine with bagging, boosting, and stacking ensemble machine learning framework in a mountainous watershed, Japan[J]. Landslides, 2020, 17(3).641−658
Jiang N, Li Y, Han Z, et al. A dataset-enhanced Linformer model for geo-hazards susceptibility assessment: a case study of the railway in Southwest China[J]. Environmental Earth Sciences, 2023, 82(17).
Jin B, Zeng T, Yin K, et al. Dynamic landslide susceptibility mapping based on the PS-InSAR deformation intensity[J]. Environmental Science and Pollution Research, 2024: 1−17.
Li W B, Fan X M, Huang F M, et al. Uncertainties of landslide susceptibility modeling under different environmental factor connections and prediction models[J]. Earth Science,2021,46(10):3777−3795.
Zhang Y, Chen Y Y, Ming D P, et al. Landslide hazard analysis based on SBAS-InSAR and MCE-CNN model: a case study of Kongtong, Pingliang[J]. Geocarto International,2023,38(1):1−22.
计量
- 文章访问数: 50
- HTML全文浏览量: 8
- PDF下载量: 25
