三峡库区万州区滑坡易发性演化规律

Evolution Patterns of Landslide Susceptibility in Three Gorges Reservoir Areas

摘要

为探究库区滑坡易发性演化规律，以三峡库区万州区多时序滑坡为研究对象，利用频率比法分析滑坡空间分布时变规律，通过机器学习算法建立多时序下的滑坡易发性模型并分析模型时效性及易发性演化规律，采用标准差椭圆刻画不同时序下高易发区的分布趋势.结果表明：各孕灾因子对滑坡的贡献度随时间变化；易发性模型的建模精度随滑坡编录数据时间跨度的增加而降低；按照时间顺序采样的滑坡易发性模型建模精度高、预测精度低，且预测性能随时间推移而降低；不同时序下高易发区的标准差椭圆分布存在显著差异且与人类工程活动相关.研究揭示了滑坡易发性的时变性和演化规律，未来应从滑坡发育的时间视角出发，探索具有时效性的易发性评价方法.

Abstract

To understand the evolution of landslide susceptibility in reservoir areas, in this research it focuses on multi-temporal landslides in the Wanzhou district of the Three Gorges Reservoir area. The spatial distribution of landslides and their temporal variations were analyzed using the frequency ratio method. Machine learning algorithms are employed to construct landslide susceptibility models for different time sequences, investigating the models' temporal effectiveness and the evolution of susceptibility. The distribution trends of areas with high susceptibility in various time sequences are depicted using standard deviation ellipses. Results show that the impact of different predisposing factors on landslides changes over time. As the time span of landslide inventory data increases, the accuracy of the susceptibility models decreases. Models based on chronologically ordered data have high modeling accuracy but low predictive precision, and their predictive performance diminishes over time. The standard deviation ellipses for high-susceptibility areas differ significantly across time sequences and correlate with human engineering activities. The study highlights the temporal variability and evolving patterns of landslide susceptibility, underscoring the need for future landslide susceptibility assessments to consider the temporal aspect of landslide development.

Graphical abstract

关键词

滑坡易发性 / 多时序数据 / 时空分布 / 机器学习 / 演化规律 / 工程地质学.

Key words

landslide susceptibility / multi-temporal landslide inventories / spatial and temporal distribution / machine learning / evolution law / engineering geology

0 引言

滑坡易发性评价是定量风险管理的核心基础，对防灾减灾具有重要意义（吴树仁等，2006）.滑坡易发性定量评价通常是基于地学大数据和工程类比法原理挖掘滑坡发育与孕灾因子之间的复杂关系，主要有数理统计方法和机器学习方法（Reichenbach et al.， 2018）.随着滑坡易发性评价与地理信息系统技术、人工智能等学科知识的交叉，机器学习易发性模型因其良好的非线性建模能力和高鲁棒性而被广泛使用（Merghadi et al.， 2020；邓敏等，2020）.我国三峡库区地质环境复杂、面积辽阔，孕灾因子分布具有明显的空间变异性，机器学习易发性模型正是构建了区域空间上孕灾因子与滑坡的非线性关系（Cheng et al.， 2022）.三峡大坝建成后库区水文环境发生剧变，大量移民工程也加速了人类工程活动，部分孕灾因子产生明显的时变性，导致研究区滑坡成灾规律发生转变（陈剑等，2005； Yuan et al.， 2012； Li et al.， 2013； 黄发明等，2023； Miao et al.， 2023a）.因此，长时间尺度下通过空间随机采样方法建立的机器学习易发性模型存在必然误差.

目前，滑坡易发性评价的一般流程是利用详细的历史灾害编录数据、地质环境因素、人类工程活动分布等信息，通过空间随机采样的方式建立滑坡灾害与孕灾因子之间的关系模型，再将该模型用于评价全区滑坡易发性（Merghadi et al.， 2020； Miao et al.， 2023b）.Choi et al. （2012）基于韩国Boun地区3年的滑坡数据及地质环境要素建立了易发性模型.Tien Bui et al. （2012）采用越南西北地区10年的滑坡数据及坡度、坡向等评价因子数据基于不同机器学习模型获取了滑坡发生的空间概率.Chen et al. （2017）基于支持向量机等算法对中国四川省汉源县超过40年的滑坡编录数据进行空间建模，并实现滑坡易发性评价.上述研究均采用了一定时间尺度的历史滑坡编录数据，并通过空间随机采样方法获取了具有较高评价精度的易发性模型，但都未考虑滑坡发生的时间要素，即忽略了滑坡易发性随时间变化，其易发性评价结果的时效性不明确.

随着滑坡编录数据时间跨度的增大，滑坡易发性的时间精度问题逐渐显现.目前，部分学者针对多时间节点下滑坡易发性模型的性能进行了探索性研究.Torizin et al. （2018）收集了兰州的多时序滑坡编录数据，使用证据权方法进行2000年、2012年和2016年三个时间节点下的滑坡易发性评价，结果表明这3个时间节点下的滑坡易发性有显著差异.Khanna et al. （2021）利用印度2014年和2017年滑坡编录数据库检验易发性模型的预测性能，其预测性能在不同年份差异很大.Loche et al. （2022）使用意大利1116—2020年间的滑坡编录数据，对比不同时间尺度下滑坡易发性模型精度，并以此制定了意大利滑坡易发性评价中数据时间尺度的选择依据.Ozturk et al. （2021）采用空间及时间分层抽样分析吉尔吉斯斯坦滑坡易发性，研究表明10 a跨度数据的时空差异性较小，空间随机采样和时间顺序采样下易发性模型性能相近.上述研究探索了不同时间节点下的滑坡易发性模型差异性及时空采样方式对易发性模型的影响，但对滑坡易发性随时间的演化规律存在争议且不明晰.

三峡库区是我国滑坡灾害高易发区，同时也是区域环境被高度改造的区域（殷跃平，2004）.本文以三峡库区万州区滑坡为例，分析库区滑坡时空分布规律，采用随机森林模型和极限梯度提升决策树模型揭示滑坡易发性模型的时变规律，探讨长时间尺度下滑坡易发性评价的新路径，对滑坡易发性、风险制图和防灾减灾具有重要实际意义.

1 研究区概况及数据

1.1　研究区概况

重庆市万州区位于长江上游、三峡水库中段，地处东经107°52'22"~108°53'25"、北纬30°24'25"~31°14'58"之间.地属亚热带季风湿润气候区，四季分明，气候温和，水热充足，山地立体气候层次分明，具有多样性的地形小气候，年平均气温18.0 ℃，年均降雨量1 229 mm，年均相对湿度82%.万州区总体地势东高西低，属于低山丘陵地貌.境内出露地层的地质年代以侏罗纪分布最广，三叠纪次之.根据重庆市万州区地质环境监测站调查统计，1950—2012年间共发生滑坡665起，最大单体滑坡面积超过15×10⁵{\mathrm{m}}^{\mathrm{2}}，具有频率高、密度大、分布广的特点.该时间段滑坡编录数据库在前期研究中已被多次使用（王佳佳等，2014； 肖婷，2020），确保了本研究数据的真实性和有效性.

1.2　多时序滑坡编录数据库

按照时间顺序将1950—2012年的滑坡数据划分为5个子集：T_{\mathrm{1}}、T_{\mathrm{2}}、T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}，各子集滑坡分布如图1所示.T_{\mathrm{1}}为早于1979年的滑坡数据，该部分滑坡发生时间较为久远，总计包含111个滑坡点.T_{\mathrm{2}}为1980—1989年之间的滑坡数据，总计包含105个滑坡点.T_{\mathrm{3}}为1990—1999年之间的滑坡数据，总计包含124个滑坡点，在此阶段三峡水利工程正式开工建设，开始浇筑围堰修筑明渠进行大江截流，影响滑坡发生的环境因素逐渐开始发生变化.T_{\mathrm{4}}为2000—2009年之间的滑坡数据，总计包含274个滑坡点，此阶段三峡水利主要建设工程已经完成，并开始试验性蓄水发电，此阶段水库对两岸斜坡的影响逐渐展现，滑坡灾害频发.T_{\mathrm{5}}为2010—2012年之间的滑坡数据，总计包含51个滑坡点，此阶段三峡库区水位开始循环调控.

1.3　滑坡易发性评价因子

传统模式下的万州区滑坡易发性研究已有诸多成果（王佳佳等，2014； Huang et al.， 2017； 肖婷，2020； Zhang et al.， 2022； Zeng et al.， 2023），因此，本文参考前期研究中采用的评价因子，初步选择了18个评价因子，包括3个基础地质因子（地层岩性、地质构造、斜坡结构）、9个地形地貌因子（高程、坡度、坡向、剖面曲率、平面曲率、地表粗糙指数、地表纹理、斜坡形态、河谷深度）、5个水文地质因子（距河流距离、多年平均降雨、径流强度指数、流路长度、地形湿度指数）和1个人类工程活动因子（土地利用）.所有评价因子与灾害图层均采用30 m×30 m栅格进行处理.

数值型因子大多采用自然断点法进行分级，如高程（图2a）、坡度（图2b）、剖面曲率（图2d）、平面曲率（图2e）、地表粗糙指数（图2f）、地表纹理（图2g）、河谷深度（图2m）、多年平均降雨（图2n）、径流强度指数（图2o）、流路长度（图2p）、地形湿度指数（图2q）.线性因子采用等距离缓冲法进行分类，如地质构造（图2j）、距河流距离（图2l）.其余因子主要根据其属性定义进行分类.坡向（图2c）因子首先将坡度小于5°的区域定义为平坦，再按照八方位法划分其他区域.斜坡根据剖面曲率值可以分为凸形坡、凹形坡和直线坡，由平面曲率可以分为外向形坡、内向形坡和直坡，对剖面曲率和平面曲率的两种分类进行空间组合，即可得到9种类型的斜坡形态（图2h）.研究区主要有12种不同地质年代的岩性，分别为J_{\mathrm{3}s}、T_{\mathrm{3}xj}、J_{\mathrm{3}p}、T_{\mathrm{2}b}、T_{\mathrm{1}j}、J_{\mathrm{1}z}、J_{\mathrm{1}z-\mathrm{2}z}、J_{\mathrm{2}x}、J_{\mathrm{2}xs}、J_{\mathrm{2}s}、P_{\mathrm{2}}和T_{\mathrm{1}d}，在地层岩性（图2i）中依次以1~12表示.根据斜坡坡向、斜坡坡度、岩层倾角和岩层倾向形成的空间关系，将斜坡结构（图2k）划分为近水平层状坡、顺向陡倾坡、顺向缓倾坡、顺斜坡、横向坡、逆斜坡、逆向坡.土地利用（图2r）有居住区、电站、交通区、林草地、农田、水体、水利工程用地和其他用地共8类.

2 研究方法

2.1　频率比法

频率比法在滑坡易发性评价中被广泛使用，该方法基于历史滑坡与评价因子的空间分布特征，以计算因子各分级或属性在空间上与滑坡事件的相关程度（Choi et al.， 2012）；.对于某评价因子的每个分级，频率比（FR）的计算公式如下：

F{R}_i=\frac{P(L|S_i)}{P(S_i)}=\frac{L_i/L}{S_i/S}， （1）

式中：F{R}_i是评价因子第i个分级的频率比值；P(L|S_i)是在第i个分级中发生滑坡的条件概率，即该分级下的滑坡栅格数（L_i）与研究区滑坡总栅格数（L）的比值；P(S_i)是第i个分级在研究区总面积中的比例，即该分级栅格数（S_i）与研究区总栅格数（S）的比值.

2.2　机器学习模型

2.2.1　随机森林模型

随机森林（RF）是一种基于多棵决策树的集成分类方法（Breiman， 2001）.该模型结合装袋算法和随机子空间方法，通过有放回地随机选取样本和部分特征来构建每棵树，从而提高整体模型的准确性和稳定性.在分类问题中，每棵树对样本的分类结果进行投票，最终的预测是基于所有树的投票结果或分类概率.此外，RF模型在建模时提供了关于自变量重要性的信息，有助于特征选择和降低计算成本.由于其出色的性能和灵活性，RF模型在滑坡易发性评价等多个领域都有广泛应用.本文通过Scikit-Learn软件包实现了RF模型的构建.

2.2.2　极限梯度提升决策树模型

极限梯度提升决策树算法（XGBoost）使用梯度增强框架，是一种基于决策树的集成方法（Chen et al.， 2016）.该方法通过顺序添加决策树来逐步提升性能，同时在其目标函数中加入正则化项以控制模型复杂度，从而有效防止过拟合.因此，XGBoost不仅包含损失函数，还包括正则化项，以优化对已训练树的集成结果.具体的计算公式如下（Chen et al， 2016）：

Obj=-\frac{\mathrm{1}}{\mathrm{2}}{\displaystyle \sum _{\gamma }^t}\frac{G_j^{\mathrm{2}}}{H_j+\lambda }+\gamma T, （2）

式中：Obj为最优目标函数值；\lambda为固定系数；\gamma为表示模型复杂度的参数；T为树中叶节点的个数；G_j表示叶节点j中包含的样本一阶偏导数之和；H_j表示叶节点j所含样本二阶偏导数之和.本文在Python 3.8环境下使“XGboost”软件包实现模型的构建.

2.2.3　模型性能评价

受试者工作特征曲线（ROC）是一种广泛用于评价机器学习模型分类性能的工具.它通过在不同决策阈值下绘制真阳性率（灵敏度）和假阳性率（1-特异性）的关系来展示模型性能.ROC曲线下的面积，即AUC值，表示模型正确预测观测类别的能力（Bradley， 1997）.ROC曲线越接近（0，1）点，AUC值越接近1，模型的准确率越高.一般而言，AUC值在0.7~0.8之间的模型被认为性能良好，而超过0.8的模型则被认为性能优秀（Vakhshoori and Zare， 2018）.

2.3　标准差椭圆

标准差椭圆是由Lefever （1926） 提出的，旨在通过空间统计方法揭示地理要素的空间分布特征，这一概念在地理学和空间分析中得到了广泛应用（Zhao et al.， 2022）.它通过计算一组特征点相对于其中心在X和Y轴方向上的标准距离（即标准差），来定量描述特征点的空间分布.椭圆的中心、长轴、短轴和方位角共同揭示了地理要素分布的主导趋势（图3）.其中，椭圆的空间范围代表了地理要素的主体分布区域，椭圆中心表明了特征点在二维空间中的相对位置，方位角反映了分布的主要趋势方向，而长轴的长度则表征了地理要素在这一主趋势方向上的离散程度.

3 结果

3.1　因子相关性

易发性建模前需要进行评价因子的相关性分析，剔除强相关性因子以降低模型冗余度，提高模型预测精度（Wang et al.， 2020； Xiao et al.， 2021）.本文采用皮尔逊相关系数来衡量评价因子之间的相关性，其绝对值大于0.5则认为具有较强相关性（Hu et al.， 2020； Wang et al.， 2020）.初始评价因子之间的皮尔逊相关性系数如图4所示，“地形湿度指数与坡度”“地形湿度指数与地表粗糙度指数”“地表粗糙度指数与坡度”存在较强相关性.因此，评价因子体系中剔除地形湿度指数、地表粗糙度指数，剩余16个评价因子用于后续易发性建模以降低模型冗余度.

3.2　多时序滑坡频率比及因子重要性

采用多时序下滑坡频率比值表征不同时期指标因子对滑坡的贡献程度，并以此探究滑坡分布的时空规律，揭示滑坡主要诱发因素的变化趋势.图5为不同时序下滑坡频率比分布图，其中，各时序下频率比值均小于1的曲线统一用灰色表示.由图可知5个时序下滑坡频率比分布存在较明显波动，如：高程（图5a）的“120~289”子分类在T_{\mathrm{1}}时刻频率比值接近5，在随后T_{\mathrm{2}}~T_{\mathrm{5}}时刻逐渐减小至1.5左右；坡向（图5c）的“东”子分类在T_{\mathrm{1}}~T_{\mathrm{3}}时刻频率比值都<1，但在T4、T5时刻增长明显；地表粗糙度指数（图5f）的“18~23”子分类在T_{\mathrm{1}}时刻接近0，在T_{\mathrm{2}}、T_{\mathrm{3}}时刻显著增加，随后在T_{\mathrm{4}}、T_{\mathrm{5}}时刻逐渐减小至1左右；地层岩性（图5i）的“J_{\mathrm{2}x}”子分类在T_{\mathrm{1}}时刻频率比值接近5，在随后的T_{\mathrm{2}}~T_{\mathrm{5}}时刻逐渐减小至1左右；年平均降雨（图5n）的“1 100~1 133”子分类在T_{\mathrm{1}}时刻频率比值接近5，在T_{\mathrm{2}}时刻急剧减小至0.5左右，随后T_{\mathrm{3}}~T_{\mathrm{5}}时刻在0.5左右波动；土地利用（图5r）的“水域”子分类在T_{\mathrm{1}}时刻频率比值大于6，在T_{\mathrm{2}}~T_{\mathrm{5}}时刻逐渐减小至1左右.灰色代表的低频率比曲线波动大多都比较小，如高程的“838~1 000”子分类（图5a）、坡度的“36~42”子分类（图5b）、坡向的“北”子分类（图5c）、地层岩性的“Q”和“P_{\mathrm{2}}”子分类（图5i）和土地利用的“林业用地”子分类（图5r）等.需要注意的是，由于各子分类存在面积差异，曲线变化幅度与滑坡分布变化程度并不完全正相关，如：径流强度指数的“3 944~11 148”子分类，T₁时刻该区域有1个滑坡，频率比高达48，T_{\mathrm{2}}时刻后无滑坡发生，频率比骤降至0，这是由于分类面积较小（仅占总面积0.019%），导致区域频率比值对滑坡数量变化高度敏感.

根据RF模型中平均不纯度减少的特征选择，获得了各个时序下评价因子的重要指数（图6），可知高程、距河流距离、地表纹理、年均降雨、地质构造、地层岩性和土地利用共七个评价因子的重要指数在5个时序下都相对较高（大于0.01），表明这些因子是万州区滑坡发育的主要孕灾因子.

3.3　滑坡易发性演化规律

为探究长时间尺度下的滑坡易发性演化规律，以时间顺序建立4个不同时间长度的训练样本集（T_{\mathrm{1}}、T_{\mathrm{1}}~T_{\mathrm{2}}、T_{\mathrm{1}}~T_{\mathrm{3}}、T_{\mathrm{1}}~T_{\mathrm{4}}），基于RF和XGBoost构建滑坡易发性模型，并用后续时序的滑坡数据进行模型测试.采用贝叶斯优化算法计算两个机器学习模型的最优超参数，并在不同数据集建模中保持参数不变.RF模型的关键参数n\_estimators和max\_depth分别为200和10，XGBoost模型中关键参数eta、max\_depth、min\_child\_weight和gamma分别为0.1、5、2和0.8.

不同时间集采样下RF模型的建模、预测精度如表1所示.采用T_{\mathrm{1}}数据集的建模精度为0.937，模型对T_{\mathrm{2}}、T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}数据集的预测精度分别为0.766、0.652、0.639和0.548.采用T_{\mathrm{1}}~T_{\mathrm{2}}数据集的建模精度为0.892，模型对T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}数据集的预测精度分别为0.632、0.671和0.582.采用T_{\mathrm{1}}~T_{\mathrm{3}}数据集的建模精度为0.845，模型对T_{\mathrm{4}}、T_{\mathrm{5}}数据集的预测精度分别为0.675、0.569.采用T_{\mathrm{1}}~T_{\mathrm{4}}数据集的建模精度为0.810，模型对T_{\mathrm{5}}数据集的预测精度为0.605.上述数据均体现出建模精度高、预测精度低的特点，且预测性能随时间推移而降低.为对比不同时空采样策略下模型精度规律，增加1组空间随机采样实验，T_{\mathrm{1}}~T_{\mathrm{5}}总数据的70%用于随机森林模型训练，30%用于预测，建模和预测精度分别为0.797、0.794.T_{\mathrm{1}}、T_{\mathrm{1}}~T_{\mathrm{2}}、T_{\mathrm{1}}~T_{\mathrm{3}}、T_{\mathrm{1}}~T_{\mathrm{4}}数据集的建模精度逐渐降低，但均高于T_{\mathrm{1}}~T_{\mathrm{5}}总数据集空间随机采样下的建模精度，表明模型的建模精度随滑坡编录数据时间跨度的增加而降低，且按时间顺序进行短时间尺度滑坡数据建模的模型性能优于长时间尺度空间随机采样建模性能.

不同时间集采样下XGBoost模型的建模、预测精度如表2所示.采用T_{\mathrm{1}}数据集的建模精度为0.946，模型对T_{\mathrm{2}}、T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}数据集的预测精度分别为0.744、0.630、0.581、0.566.采用T_{\mathrm{1}}~T_{\mathrm{2}}数据集的建模精度为0.987，模型对T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}数据集的预测精度分别为0.611、0.656和0.615.采用T_{\mathrm{1}}~T_{\mathrm{3}}数据集的建模精度为0.867，模型对T_{\mathrm{4}}、T_{\mathrm{5}}数据集的预测精度分别为0.653、0.563.采用T_{\mathrm{1}}~T_{\mathrm{4}}数据集的建模精度为0.810，模型对T_{\mathrm{5}}数据集的预测精度为0.605.空间随机采样工况，训练和预测精度分别为0.811、0.807.XGBoost模型表现的数据规律与RF模型几乎完全一致.

3.4　基于标准差椭圆的高易发区分布

为刻画不同时序下滑坡高易发区的空间分布，探究其演化规律.采用随机森林模型对T_{\mathrm{1}}、T_{\mathrm{2}}、T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}各子集进行易发性评价，按照自然间断点法将易发性值划分为低、较低、中、较高和高五类，采用标准差椭圆刻画5个时间段下滑坡高易发区分布规律（图7）.

整体而言，高易发区主要沿长江及主要支流分布，但5个时序下的万州区高易发区分布存在显著差异.T_{\mathrm{1}}时，椭圆狭长，长轴方向与长江上游河道方向一致，高易发区主要沿长江两岸集中分布.T_{\mathrm{2}}时椭圆整体向长江下游方向移动，高易发区的分布开始向长江两岸扩散.T_{\mathrm{3}}时椭圆长轴方向发生显著变化，几乎与T_{\mathrm{2}}椭圆长轴垂直，椭圆长、短轴长度也显著增加，此阶段滑坡分布发生了较大的变化.T_{\mathrm{4}}时椭圆长轴方向又变更为沿长江河道方向.T_{\mathrm{5}}时椭圆长轴、短轴长度显著增加，长轴方向与长江河道方向相交，高易发区分布范围进一步扩大.

4 讨论

4.1　多时序滑坡编录数据库的子集划分

本文参照三峡工程的建设阶段，且为防止出现滑坡数据过少导致模型训练不充分引起预测结果偏差过大的问题，选择采用10年的间隔将历史多时序滑坡数据划分为T_{\mathrm{1}}、T_{\mathrm{2}}、T_{\mathrm{3}}、T_{\mathrm{4}}和T_{\mathrm{5}}共5个子集，分别包含111、105、124、274和51个滑坡数据.目前，对于多时序滑坡数据库没有统一的划分标准，主要有等间隔划分（Lin and Wang， 2018）、按照诱发事件划分（Jones et al.， 2021）和按照集中性滑坡事件划分（Samia et al.， 2017）几类.总的来说，在划分多时序滑坡编录数据子集时，应根据研究区滑坡数据特征，综合考虑研究区重大工程影响的时间节点及各子集区间的滑坡样本数量，合理确定子集划分区间.

4.2　人类工程活动对滑坡频率比的影响

滑坡频率比分析表明了各时序下滑坡频率比值分布规律有差异，不同时期评价因子各类别对滑坡发育的贡献程度存在变化.以高程、土地利用和地层岩性3个对滑坡发生起重要控制作用的评价因子为例，分析各时序下滑坡分布的变化原因.高程的滑坡频率比值结果（图5a）表明，“120~289”区间的滑坡频率比值最大，但随着时间推移该区间的滑坡频率比值逐渐降低，滑坡分布向更高高程处扩散.这主要有两方面的原因，一方面是随着城市现代化进程发展，高海拔地区开始有更多的工程建设活动；另一方面是由于三峡水库建设，库水位淹没了一部分低海拔区域，长江两岸原居民进行了大规模的转移，因此，高海拔地区的人类工程活动逐渐增多导致滑坡频发.滑坡频率比在地层岩性和土地利用中也有明显的变化趋势（图5i， 5r），滑坡更多地向交通区域、水利工程区域和J_{\mathrm{3}p}地层区域转移.土地利用因子T_{\mathrm{1}}~T_{\mathrm{2}}期间“水体”子分类频率比值较高，原因可能是本文采用的评价因子空间分布数据较新，三峡工程蓄水过程中被淹没的两岸斜坡被识别为水体，从而引起T_{\mathrm{1}}~T_{\mathrm{2}}期间“水体”频率比值偏大.T_{\mathrm{3}}之后滑坡发生位置向交通用地、水利工程区域的转移正体现了水库建设和城市化建设等人类工程活动对于滑坡空间分布变化的影响.

4.3　长时间尺度下滑坡易发性演化机制

在长时间尺度下，区域人类工程活动与地质环境的相互作用明显，滑坡的主要外动力作用类型及分布发生了变化，导致滑坡成灾规律随时间变化.滑坡易发性模型是表征滑坡空间分布规律，那么真实状态下滑坡易发性模型也应是随时间变化.对历史滑坡数据集进行空间随机采样时，机器学习算法只能建立一个时间段内的滑坡整体上的空间分布规律模型，而无法体现出在该时间段内易发性的变化趋势.尤其是，当数据集时间尺度太长，易发性分布规律变化较大时，采用一个模型表现出来的滑坡整体空间分布规律对各子集时段而言必然是存在较大误差的.因此，4.3节中基于RF模型和XGBoost模型的滑坡易发性演化规律分析均体现出了模型建模精度高、预测精度低，且预测性能随时间推移而降低的特点.

由各个时序下评价因子的重要性排序结果（图6）可知，不同时序下同一因子重要程度有差异，不同因子之间重要性排序有变化，表明滑坡分布规律随时间推移逐渐复杂化，从而引起模型对于评价因子与滑坡之间非线性关系的拟合程度逐渐降低，导致建模精度的逐渐降低.与空间随机采样下的易发性制图相比，基于时间采样方法的易发性模型建模精度都较高，短时间尺度精度高而长时间尺度精度低的现象也进一步说明了滑坡分布规律随时间推移趋于复杂化.评价结果中预测性能随时间推移而降低，这是因为随建模预测数据时间跨度的增大，两个数据集之间的差异性在增大，基于建模数据构建的非线性关系难以表征预测数据的分布规律，因此易发性模型的预测精度低，且随着差异性越大预测性能越差.

Ozturk et al.（2021）以吉尔吉斯斯坦的滑坡数据为例，研究了多元逻辑回归模型对数据量的敏感性.研究结果显示，在数据量较小时，增加数据可以明显提升模型的性能，但当数据量达到一定程度后，模型性能不再提高甚至有所降低.该研究中采用的滑坡数据集时间跨度为8年，滑坡数据之间的相似性较高，在短期数据集中增加滑坡样本量能有效提高模型性能.当滑坡数量增多时数据集时间尺度也随之增长，滑坡数据之间的相似性逐渐降低，过多的滑坡数量不再能提高模型性能.该论文探究了滑坡数量与易发性模型性能之间的关系，但体现出的易发性演化规律与本文研究一致，侧面说明了本研究区易发性演化规律具有一定普适性.

4.4　人类工程活动及自然环境对滑坡高易发区分布影响

本研究以标准差椭圆刻画5个时序下高易发性区域的分布，结合研究区重大人类工程活动分析高易发区演化规律.由图7可知，T_{\mathrm{1}}时高易发区主分布方向与长江上游河道方向一致，且主要沿长江集中分布.T_{\mathrm{1}}时期滑坡发生主要受河流、降雨等因子控制，河流的冲刷作用引起两岸边坡稳定性降低，在强降雨作用下发生滑坡失稳，从而引起低高程位置具有较高的滑坡频率比值（图5a），与高程、河流和降雨等因子重要程度高（图6a）的结果相吻合.T_{\mathrm{2}}时期河流、降雨和高程等因子仍对滑坡发育起主要控制作用，高易发区的主分布方向仍与长江一致，但重心向下游的万州主城区迁移，反映了城区建设过程中带来的灾害集中效应.T_{\mathrm{3}}时期高易发区分布发生显著变化，主分布方向与长江垂直，分布范围也显著增大.此阶段三峡大坝一期工程正式开始建设，实施围堰拦江、明渠导流，长江两岸强烈的人类工程活动促使滑坡分布发生变化，滑坡高易发区沿垂直长江的方向延伸.T_{\mathrm{4}}时期高易发区主分布方向又与长江河道方向一致，此阶段三峡大坝工程建设阶段已经完成，三峡水库蓄水位的循环升降促使高易发区向长江沿岸集中.T_{\mathrm{5}}时期高易发区主分布方向与长江河道方向相交，分布范围进一步增大，除了三峡大坝蓄水位的上下循环使高易发区沿长江分布之外，城市化建设向山区的延伸也极大地促使滑坡高易发区向山地沟谷、道路和人口聚集地等人类工程活动强烈的地区发展.

4.5　滑坡易发性评价展望

当前滑坡易发性评价方法主要是建立孕灾因子与滑坡空间分布关系的二维模型，而真实孕灾因子与滑坡为三维时空数据，用二维模型处理三维数据导致滑坡易发性模型必然存在误差.本研究以万州区滑坡为例揭示了滑坡易发性存在演化现象，并分析了演化规律，但未提出针对性的解决办法.未来应从滑坡发育的时间视角出发，结合滑坡地质力学机制，思考如何突破当前易发性评价的一般性框架，探索建立孕灾因子与滑坡的三维时空数据模型，以期实现滑坡易发性动态评价.

5 结论

本文利用三峡库区万州区多时序滑坡编录数据库，采用频率比法分析滑坡的时空分布特征，以机器学习模型探究滑坡易发性的时空演化规律，并分析滑坡主要诱发因素随时间的变化过程，最后以标准差椭圆刻画5个时间段下滑坡高易发区的分布，结合重大人类工程活动背景分析高易发区演化规律.主要研究结论如下：

（1）滑坡空间分布随时间产生显著变化.不仅是滑坡易发性指标因子的重要性排序随时间变化，指标因子各分类的贡献度也随时间变化；

（2）库区滑坡易发性模型具有建模精度高、预测精度低的特点，且模型建模精度随滑坡数据集时间跨度增加而降低、预测性能随时间推移逐渐降低；

（3）对于人类工程活动剧烈、自然环境改造强烈的区域，滑坡易发性模型是具有时效性的，基于短期数据的滑坡易发性评价结果更能较好地表现该时间段内的滑坡发育空间规律；

（4）高程、降雨和水系对高易发区分布起控制作用.早期滑坡高易发区沿长江集中分布，2000年后高易发区的主分布方向仍与长江河岸保持一致，但在人类工程活动影响下高易发区极大地向山区延伸.

参考文献

[1] Bradley, A. P., 1997. The Use of the Area under the ROC Curve in the Evaluation of Machine Learning Algorithms. Pattern Recognition, 30(7): 1145-1159. https://doi.org/10.1016/S0031-3203(96)00142-2

[2] Breiman, L., 2001. Random Forests. Machine Learning, 45(1): 5–32. https://doi.org/10.1023/A: 1010933404324

[3] Chen, J., Li, X., Yang, Z.F., 2005. On the Distribution and Mechanism of Landslides in the Three Gorges Reservoir Area. Journal of Engineering Geology, 13(3): 305-309 (in Chinese with English abstract).

[4] Chen, T. Q., Guestrin, C., Chen, T. Q., et al., 2016. XGBoost. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. August 13 - 17, 2016, San Francisco, California, USA. ACM: 785-794. https://doi.org/10.1145/2939672.2939785

[5] Chen, W., Pourghasemi, H. R., Panahi, M., et al., 2017. Spatial Prediction of Landslide Susceptibility Using an Adaptive Neuro-Fuzzy Inference System Combined with Frequency Ratio, Generalized Additive Model, and Support Vector Machine Techniques. Geomorphology, 297: 69-85. https://doi.org/10.1016/j.geomorph.2017.09.007

[6] Cheng, J. Y., Dai, X. A., Wang, Z. K., et al., 2022. Landslide Susceptibility Assessment Model Construction Using Typical Machine Learning for the Three Gorges Reservoir Area in China. Remote Sensing, 14(9): 2257. https://doi.org/10.3390/rs14092257

[7] Choi, J., Oh, H. J., Lee, H. J., et al., 2012. Combining Landslide Susceptibility Maps Obtained from Frequency Ratio, Logistic Regression, and Artificial Neural Network Models Using ASTER Images and GIS. Engineering Geology, 124: 12-23. https://doi.org/10.1016/j.enggeo.2011.09.011

[8] Deng, M., Cai, J.N., Yang, W.T., et al., 2020. Spatio-Temporal Analysis Methods for Multi-Modal Geographic Big Data. Journal of Geo-Information Science, 22(1): 41-56 (in Chinese with English abstract).

[9] Hu, Q., Zhou, Y., Wang, S. X., et al., 2020. Machine Learning and Fractal Theory Models for Landslide Susceptibility Mapping: Case Study from the Jinsha River Basin. Geomorphology, 351: 106975. https://doi.org/10.1016/j.geomorph.2019.106975

[10] Huang, F.M., Chen, B., Mao, D.X., et al., 2023. Landslide Susceptibility Prediction Modeling and Interpretability Based on Self-Screening Deep Learning Model. Earth Science, 48(5): 1696-1710 (in Chinese with English abstract).

[11] Huang, F. M., Yin, K. L., Huang, J. S., et al., 2017. Landslide Susceptibility Mapping Based on Self-Organizing-Map Network and Extreme Learning Machine. Engineering Geology, 223: 11-22. https://doi.org/10.1016/j.enggeo.2017.04.013

[12] Jones, J. N., Boulton, S. J., Bennett, G. L., et al., 2021. Temporal Variations in Landslide Distributions Following Extreme Events: Implications for Landslide Susceptibility Modeling. Journal of Geophysical Research: Earth Surface, 126(7): e2021JF006067. https://doi.org/10.1029/2021JF006067

[13] Khanna, K., Martha, T. R., Roy, P., et al., 2021. Effect of Time and Space Partitioning Strategies of Samples on Regional Landslide Susceptibility Modelling. Landslides, 18(6): 2281-2294. https://doi.org/10.1007/s10346-021-01627-3

[14] Lefever, D. W., 1926. Measuring Geographic Concentration by Means of the Standard Deviational Ellipse. American Journal of Sociology, 32(1): 88-94. https://doi.org/10.1086/214027

[15] Li, K. F., Zhu, C., Wu, L., et al., 2013. Problems Caused by the Three Gorges Dam Construction in the Yangtze River Basin: A Review. Environmental Reviews, 21(3): 127-135. https://doi.org/10.1139/er-2012-0051

[16] Lin, Q. G., Wang, Y., 2018. Spatial and Temporal Analysis of a Fatal Landslide Inventory in China from 1950 to 2016. Landslides, 15(12): 2357-2372. https://doi.org/10.1007/s10346-018-1037-6

[17] Loche, M., Alvioli, M., Marchesini, I., et al., 2022. Landslide Susceptibility Maps of Italy: Lesson Learnt from Dealing with Multiple Landslide Types and the Uneven Spatial Distribution of the National Inventory. Earth-Science Reviews, 232: 104125. https://doi.org/10.1016/j.earscirev.2022.104125

[18] Merghadi, A., Yunus, A. P., Dou, J., et al., 2020. Machine Learning Methods for Landslide Susceptibility Studies: A Comparative Overview of Algorithm Performance. Earth-Science Reviews, 207: 103225. https://doi.org/10.1016/j.earscirev.2020.103225

[19] Miao, F. S., Ruan, Q. Y., Wu, Y. P., et al., 2023a. Landslide Dynamic Susceptibility Mapping Base on Machine Learning and the PS-InSAR Coupling Model. Remote Sensing, 15(22): 5427. https://doi.org/10.3390/rs15225427

[20] Miao, F. S., Zhao, F. C., Wu, Y. P., et al., 2023b. Landslide Susceptibility Mapping in Three Gorges Reservoir Area Based on GIS and Boosting Decision Tree Model. Stochastic Environmental Research and Risk Assessment, 37(6): 2283-2303. https://doi.org/10.1007/s00477-023-02394-4

[21] Ozturk, U., Pittore, M., Behling, R., et al., 2021. How Robust are Landslide Susceptibility Estimates? Landslides, 18(2): 681-695. https://doi.org/10.1007/s10346-020-01485-5

[22] Reichenbach, P., Rossi, M., Malamud, B. D., et al., 2018. A Review of Statistically-Based Landslide Susceptibility Models. Earth-Science Reviews, 180: 60-91. https://doi.org/10.1016/j.earscirev.2018.03.001

[23] Samia, J., Temme, A., Bregt, A., et al., 2017. Do Landslides Follow Landslides? Insights in Path Dependency from a Multi-Temporal Landslide Inventory. Landslides, 14(2): 547-558. https://doi.org/10.1007/s10346-016-0739-x

[24] Tien Bui, D., Pradhan, B., Lofman, O., et al., 2012. Landslide Susceptibility Mapping at Hoa Binh Province (Vietnam) Using an Adaptive Neuro-Fuzzy Inference System and GIS. Computers & Geosciences, 45: 199-211. https://doi.org/10.1016/j.cageo.2011.10.031

[25] Torizin, J., Wang, L. C., Fuchs, M., et al., 2018. Statistical Landslide Susceptibility Assessment in a Dynamic Environment: A Case Study for Lanzhou City, Gansu Province, NW China. Journal of Mountain Science, 15(6): 1299-1318. https://doi.org/10.1007/s11629-017-4717-0

[26] Vakhshoori, V., Zare, M., 2018. Is the ROC Curve a Reliable Tool to Compare the Validity of Landslide Susceptibility Maps? Geomatics, Natural Hazards and Risk, 9(1): 249-266. https://doi.org/10.1080/19475705.2018.1424043

[27] Wang, J.J., Yin, K.L., Xiao, L.L., 2014. Landslide Susceptibility Assessment Based on GIS and Weighted Information Value: A Case Study of Wanzhou District, Three Gorges Reservoir. Chinese Journal of Rock Mechanics and Engineering, 33(4): 797-808 (in Chinese with English abstract).

[28] Wang, Y. M., Feng, L. W., Li, S. J., et al., 2020. A Hybrid Model Considering Spatial Heterogeneity for Landslide Susceptibility Mapping in Zhejiang Province, China. CATENA, 188: 104425. https://doi.org/10.1016/j.catena.2019.104425

[29] Wu, S.R., Shi, J.S., Zhang, Y.S., et al., 2006. Landslide Mechanisms:A Case Study of the Yangtze Three Gorges Reservoir Area. Geological Bulletin of China, 25(7): 874-879 (in Chinese with English abstract).

[30] Xiao, T., 2020. Risk Assessment of Landslide Disaster in Wanzhou District and Bank Section of Three Gorges Reservoir Area(Dissertation). China University of Geosciences, Wuhan (in Chinese with English abstract).

[31] Xiao, T., Yu, L. B., Tian, W. M., et al., 2021. Reducing Local Correlations among Causal Factor Classifications as a Strategy to Improve Landslide Susceptibility Mapping. Frontiers in Earth Science, 9: 781674. https://doi.org/10.3389/feart.2021.781674

[32] Yin, Y.P., 2004. Research Progress of Major Geological Disasters and Their Prevention in the Three Gorges Reservoir Area. Geotechnical Engineering Community, (8):20-26(in Chinese).

[33] Yuan, W. H., Yin, D. W., Finlayson, B., et al., 2012. Assessing the Potential for Change in the Middle Yangtze River Channel Following Impoundment of the Three Gorges Dam. Geomorphology, 147: 27-34. https://doi.org/10.1016/j.geomorph.2011.06.039

[34] Zeng, T. R., Wu, L. Y., Peduto, D., et al., 2023. Ensemble Learning Framework for Landslide Susceptibility Mapping: Different Basic Classifier and Ensemble Strategy. Geoscience Frontiers, 14(6): 101645. https://doi.org/10.1016/j.gsf.2023.101645

[35] Zhang, H. J., Song, Y. X., Xu, S. L., et al., 2022. Combining a Class-Weighted Algorithm and Machine Learning Models in Landslide Susceptibility Mapping: A Case Study of Wanzhou Section of the Three Gorges Reservoir, China. Computers & Geosciences, 158: 104966. https://doi.org/10.1016/j.cageo.2021.104966

[36] Zhao, Y. F., Wu, Q. R., Wei, P. P., et al., 2022. Explore the Mitigation Mechanism of Urban Thermal Environment by Integrating Geographic Detector and Standard Deviation Ellipse (SDE). Remote Sensing, 14(14): 3411. https://doi.org/10.3390/rs14143411

基金资助

国家自然科学基金项目(42307275)

湖南省自然科学基金项目(2024JJ6498)