城市化过程中土地利用变化对地质灾害易发性影响的研究

梅 乐,马 星,连鑫龙,陈俊松,杜 勇

(1. 广东省城乡规划设计研究院有限责任公司,广东 广州 510220; 2. 福建经纬测绘信息有限公司,福建 福州 350001)

0 引言

城市化过程中常伴随着大量的土地资源开垦,它改变了斜坡体原始的土地利用类型、地形地貌特征[1],造成了地质历史时期斜坡的原始平衡状态发生变化。同时,失稳的斜坡容易演变为地质灾害从而限制城市的发展,故探索土地利用变化与地质灾害之间的关系具有重大意义。本文研究的重点是对比分析城市不同时期地质灾害的易发性空间分布与土地利用类型之间的关系,将易发性等级变化和土地利用变化联系起来,并探索城市化扩张区域的地质灾害易发性变化情况,为后期城市发展规划提供科学依据。

随着人类工程活动范围不断扩张,土地利用类型在空间范围上频繁转换,处于动态变化状态[2-4]。遥感技术经过几十年的发展,越来越多的算法被应用于遥感影像解译中,如决策树法[5]、随机森林[6]等,利用影像分类已成为获取区域范围内土地利用类型的重要手段[7-9]。近年来,随着深度学习的广泛应用,其在遥感影像分类中也开始显露优势,如,ZHAO等[10]基于数据集转换理念,将高光谱遥感影像利用多尺度卷积神经网络方法提取其空间信息,使影像信息得到多层次的表达,实现影像分类。CAI等[11]通过Landsat系列影像,将深度神经网络应用到时间序列遥感图像建立了分类模型,并利用不同时间点的光谱值作为模型的输入信息,使其可以充分利用时间序列信息并提高分类精度。但是,传统基于影像像元进行分类的方法没有将地物之间的空间关系作为判别标准,会导致分类结果有破碎、错分等现象。为了改进基于像元方法存在的问题,WALTER[12]提出了基于面向对象的遥感影像分割方法,将相似地物视为一个整体进行整合,然后对整合后的影像进行分类。众多学者的研究表明,面向对象的影像分类方法的结果置信度会高于基于像元的分类,如,WANG等[13]提出了面向对象与随机森林相结合的影像分类方法,利用Landsat-8 OLI影像和分割后光谱信息提取了土地利用类型信息,精度达到89.37%。JIN等[14]提出了一种将面向对象分割方法和深度卷积神经网络相结合的方法用来提取云南省抚仙湖周围地区的土地利用/覆被类型,不仅考虑了地类的光谱信息,而且结合了地类的纹理等特征,精度达到了96.2%。本文将采用面向对象分割与深度神经网络模型相结合的方法对研究区的土地利用类型进行分类。

地质灾害具有突发性强,影响范围广的特点,是自然环境和经济社会的重大隐患[15-16]。针对地质灾害易发性评价,国内外学者基于数据丰富程度以及研究区特性提出了大量评价模型[17-19],按确定性分类主要包含确定性模型[17]和非确定性模型[20-21]两大类。其中,确定性模型是根据斜坡体的地形地貌特征、岩土体参数等计算斜坡的稳定性系数,适用于小范围内的地质灾害稳定性评价。相比于确定性模型,非确定性模型,如证据权模型[22],支持向量机模型[23]等,主要是基于统计分析的方法确定历史地质灾害与成灾因子之间的关系。在区域地质灾害易发性评价过程中,非确定性的地质灾害评价方法发挥了重要作用,如,张向营等[24]根据研究区贵德县地质灾害的特点,将层次分析法进行优化,并基于专家经验重新计算权重,提高了评价精度。王芳等[25]以重庆市万州区为研究区,基于逻辑回归模型、决策树模型和支持向量机模型,对区域地质灾害的易发性进行了评价,并对比了3种模型在区域上运用的精度。连志鹏等[26]根据不同滑坡易发性评价模型的优势融合,以五峰县渔洋关镇为研究区提取区域的灾害成因因子,利用多耦合的评价模型进行区域滑坡易发性评价,得出模型融合思路的可借鉴性。本文采用基于统计分析方法的证据权模型对研究区的地质灾害易发性进行评价。

为探讨城市化发展过程中土地利用变化对地质灾害易发性的影响,以城市化发展迅速的粤港澳大湾区东部的惠州市惠城区(不含仲恺高新区)为例开展研究。基于遥感影像解译并划分了两个时期(2014年和2020年)区域土地利用类型,并根据对应时期的地质环境背景和历史地质灾害定量计算了区域地质灾害易发性等级。根据实验结果,探索分析了城市扩张下区域地质灾害易发性等级变化,研究成果可为当地城市化发展提供有效的科学依据。

1 研究区概况

1.1 自然地理条件

研究区属于广东省惠州市辖区,位于粤港澳大湾区东部,东江中下游,区域范围内有8个街道、5个镇,地理坐标范围为114°17′～114°41′E,22°56′～23°24′N,研究区总面积约1124 km2。

研究区地貌类型包括平原、丘陵和山地,区域北部主要以山地、丘陵为主,中部主要由东江、西枝江江岸的冲击平原构成,南部地区是山地、丘陵区,辖区内主要的河流包括东江和西枝江。整个研究区位于低纬度的东江中下游平原区,靠近南海,整体气候属于南亚热带海洋季风气候,年均降雨量约1731 mm,暴雨多集中在6—8月,受台风影响大。

1.2 工程地质概况

研究区出露的地层以新生界和中生界为主,地层主要有砂岩、砾岩、板岩、泥岩、灰岩和第四系冲洪积物,占研究区总面积约95%;同时,区域零星分布岩浆岩,占研究区总面积约5%。根据区域岩土体结构、力学性质等特征,可以将其划分为五类工程地质岩组,即压缩性软弱岩组(Ⅰ)、层状较软弱岩组(Ⅱ)、层状较软至较硬岩组(Ⅲ)、层块状较软至较硬综合岩组(Ⅳ)和块状较硬至坚硬岩组(Ⅴ)[27]。研究区经历了多期的构造运动和多次大规模的岩浆侵入喷发运动,形成了一系列多走向的断裂和褶皱,地质构造复杂。区域复杂的地质环境、多类型的工程岩组以及丰富的第四系冲洪积物,为地质灾害频发提供了内部条件。

1.3 灾害编录与数据来源

根据区域历史灾害数据显示,研究区内崩塌、滑坡和不稳定斜坡共计149处,其中2015年以前95处,2015年以后(含2015年)54处,具体地质灾害的空间分布和研究区的工程岩组如图1所示。根据资料显示,2015年后发生的地质灾害中有19处崩塌,35处滑坡,规模相对都较小,基本以土质崩滑为主。根据地质灾害发生的空间分布可以明显看出,在平原与山地、丘陵的交界地带地质灾害更易集中发生。

图1 研究区工程地质岩组和地质灾害分布

文中基础地理数据包含地形地貌数据、地质构造数据、工程地质数据和水文地质数据,均来源于惠州市自然资源局;遥感影像数据来源于地理空间数据云中的Landsat 8影像,日期分别为2014年12月5日和2020年4月15日。

2 研究方法

本文研究内容主要包含三个方面:一是土地利用类型分类方面,二是地质灾害易发性评价方面,三是土地利用变化与易发性变化关系探索。通过面向对象分割与深度神经网络模型相结合实现土地利用类型分类,并将分类结果作为动态因子与其他评价指标一起输入到地质灾害易发性评价模型中,建立二者之间的联系,最后,构建转移矩阵分析研究区城市化过程中土地利用变化对地质灾害易发性的影响,具体流程如图2。

图2 土地利用变化对地质灾害易发性影响研究的流程图

2.1 土地利用类型分类

通过结合面向对象分割和深度神经网络模型进行影像分类,将面向对象分割方法提取的光谱、空间纹理、几何形状等特征作为序列数据输入到深度神经网络模型中,以获取该时间点影像的土地利用信息分类结果,然后基于GIS平台实现分类结果的转移变化分析。

面向对象的分割方法有多种,文中采用基于eCognition软件中的多尺度分割(multiresolution segmentation, MRS)模块进行对象分割。该模块采用基于区域生长合并的分割方法,以影像中单个像元为起始对象进行多方向的合并,然后将特征属性相似且空间位置相邻的像元合并组合成一个具体的不规则的影像对象。合并后的影像对象内部在分割过程中的异质性越来越小,最终达到平均异质性最小以实现影像在不同尺度下的像素聚合。分割过程中尺度的选择会直接影响到地类提取的效果,研究拟选用EPS2工具来获取最优分割尺度,当局部方差的变化率值(rates of change of local variance, ROC-LV)出现局部峰值时,该点对应的分割尺度就是最佳分割尺度,依照所获得的分割尺度,对遥感影像进行多尺度分割,得到最终的分割结果。

为了建立分割对象与实际地类之间相对应的关系,需要根据地类类别的性质,通过具体的分类器对不同对象之间丰富的特征信息进行对比、训练和测试处理,将这些具有离散性的影像对象划分为同类中最相似的样本以达到影像分类的目的。神经网络模型作为一种智能学习模型,它能够通过模拟任意函数,构建输入层、隐藏层和输出层之间的关系,并使输入层转变为预想的输出层。深度神经网络模型是在神经网络的基础上,构建多层隐藏层,增加模型的表达能力,让输入层到输出层的算法模拟条件更具说服力。本文采用深度神经网络模型来实现面向对象分割后具有多个特征因子的遥感影像的土地利用类型分类。

2.2 地质灾害易发性评价

地质灾害的易发性是用于评价地质灾害发生的空间概率,即用于度量空间位置哪里更容易发生地质灾害的可能[28]。区域地质灾害易发性评价工作是基于研究区特点,分析历史地质灾害的成灾规律,构建灾害的评价指标体系,并通过具体的评价模型对指标进行量化,最后以精度分析佐证评价结果。根据研究区历史地质灾害数据显示,区内主要受土质崩滑灾害影响,且基础数据质量较好,故本文采取半定量方法——证据权模型评价地质灾害易发性。

证据权模型[18]是基于贝叶斯统计分析模式,该模型假设不同证据因子之间相对独立,通过多因子的叠加对目标结果概率进行计算分析。在地质灾害易发性评价中,证据权模型是通过计算历史地质灾害在各证据因子(评价指标)条件下的发生概率,并累加所有因子的权重值进行易发性高低评价。

证据权模型是一种综合多种控制因素的半定量方法,通过计算每一证据因子条件下地质灾害发生的后验概率,其计算公式如下:

1)当证据因子存在时:

(1)

(2)当证据因子不存在时:

(2)

(3)

式中,Wj为证据因子j的权重值。研究区每个栅格对应多种证据因子,每个因子可计算各自权重值,将区域内每个栅格的权重值进行累加求和,即可得到整个区域地质灾害的易发性结果。

3 评价结果与分析

本文研究是探索土地利用变换对地质灾害易发性的影响,基于前述方法对研究区两个不同时期的土地利用类型和地质灾害易发性分别进行研究。

3.1 土地利用类型分类

考虑到区域土地利用类型的实际情况,将其划分为建设用地(C1)、林地(C2)、耕地(C3)、水域(C4)和未利用土地(C5)5个类型,其中建设用地包含城市用地、公路建设用地、工程设施用地等人类工程活动用地。根据所选择的遥感影像数据源,首先进行大气校正和影像融合预处理,用大气校正后的全色波段和多光谱相融合,以获取高分辨率、多波段的基础数据。然后,利用eCognition软件中的多尺度分析模块进行影像分割,分割方法采用区域生长合并,两期影像的分割尺度均为5,结果如图3所示。其中,2014年分割后生成27099个对象,2020年生成31096个对象,并生成光谱特征包括归一化植被指数、归一化水体指数、归一化建筑指数和均值。纹理特征包括同质性、对比度和差异性。几何特征包括面积、长宽比和形状指数用于后续影像分类。

图3 两期遥感影像分割结果图

为了建立区域分割对象与实际地类之间相对应的关系,本文利用深度神经网络模型进行遥感影像分类,通过分类器对上述分割后的对象进行对比、训练,并将离散的影像对象按照预先设定划分为五类以达到研究目的。针对两期影像分割后的结果,分别选取2000个不同样本输入到分类器中进行分类,其中训练样本1400个,测试样本600个,分类后的结果如图4所示。其中2014年和2020年分类结果中建设用地、林地、耕地、水域和未利用土地分别占比17.92%,59.14%,11.67%,10.68%,0.32%和20.85%,53.10%,15.14%,10.63%,0.28%。

图4 两期遥感影像分类结果图

通常来说,多类型的分类结果精度可采用混淆矩阵进行科学客观的定量分析。本文根据测试样本的分类结果分别计算各自的混淆矩阵,并利用混淆矩阵计算其总体精度和Kappa系数以衡量影像分类精度。其中,Kappa系数是衡量各类对象正确分类的重要指标,一般来说,其值大于0.81表示各类对象分类结果较好。图5为两个时期影像测试样本通过计算得到的混淆矩阵可视化图,从图中可明显看出,文中提出的方法在研究区的土地利用类型分类中具有较好的精度表现。

图5 两期遥感影像的混淆矩阵可视化图

表1为分类精度统计表,结果表明,测试样本的Kappa系数分别为0.87和0.89,总体精度都达到了90%以上,表明该方法在进行土地利用类型分类时具有很好的效果,可以作为中分辨率遥感影像分类的一种思路,同时分类结果可适用于后续地质灾害易发性评价。

表1 分类精度统计表

整体上看,研究区2014年和2020年的土地利用类型发生了较大的变化,将两个时期的土地利用类型进行叠加,统计分析发生变化区域的面积得到其转移矩阵,如表2所示,从表2中可以明显看出,新增的建设用地主要由耕地、林地变更而来,分别有29.31 km2和14.18 km2发生变化。

表2 2014—2020年土地利用类型转移矩阵

3.2 地质灾害易发性评价

根据研究区历史地质灾害数据,区内主要的地质灾害类型有:土质滑坡、小型崩塌和不稳定斜坡,规模多以中小型为主,主要的诱发因素为降雨和人类工程活动。区内地质灾害在发生机理上类似,物源基本以第四系土质堆积物为主,且都主要受地形地貌、工程岩组、地质构造和人类工程活动等控制,故本文选取高程、坡度、坡向、坡面形态、工程岩组、地质构造和土地利用类型7个评价因子作为研究区地质灾害易发性评价的指标,评价单元为10 m×10 m的栅格单元。

根据前面所筛选出的7个指标因子,基于ArcGIS平台将其栅格化并将连续值划分为不同区间,统计每个因子各区段的栅格单元数与发生地质灾害的单元数,输入至证据权模型即可得到每个因子各区间的权重值,如表3所示。其中,地质构造因子考虑到包括褶皱和断层,分析时进行两级缓冲,即100 m和300 m缓冲。同时,考虑到地质灾害基本发生在斜坡体,虽受人为工程活动影响,但对应土地利用类型多是林地和未利用土地等,故本文在影像分类结果的基础上取建设用地30 m的缓冲区作为人类工程活动的影响范围,以更符合实际地质灾害诱发情况。

表3 各评价因子的证据权重值

表3中证据权为正值,代表该因子该区间对地质灾害发生具有促进作用,值越大表示越利于地质灾害发生;证据权为负值,代表该因子该区间对地质灾害发生具有相对抑制作用,值越小地质灾害越不容易发生。将两个时期各因子各区间计算的证据权重值进行叠加即可得到权重总值,选择合适的阈值将总值划分为5个等级以表示不同的易发性等级,具体结果如图6所示。其中,2020年证据权值计算结果在坡度和土地利用类型指标中均有大于1的情况,尤其是坡度[45°,65°)范围段,有39个栅格新增发生地质灾害,占总地质灾害栅格数1.87%,但该坡度范围总栅格数仅占研究区栅格总数0.19%,导致其证据权重值计算时增大为2.28。根据图6中2020年地质灾害易发性等级分布图,研究区易发性等级高的区域较集中分布于区域东部和广龙高速沿线段。

目前各国学者研究或论证的能够改变小行星轨道的技术手段包括动能撞击、质量驱动、拖船、太阳光压、引力牵引、激光烧蚀等[40-41]，这些技术手段通常需要几年甚至几十年的预警时间，仅适用于防御尺寸小、预警时间长的PHAs。各种可能的近地小行星防御技术，如图13所示。

图6 地质灾害易发性等级划分结果

研究中利用ROC曲线(receiver operating characteristic curve, ROC)进行易发性结果精度评价。根据预测结果的特异性与敏感性构建ROC曲线,文中地质灾害易发性评价结果的ROC曲线如图7所示,并通过曲线下的面积AUC(area under curve, AUC)值,即曲线在[0,1]上的定积分检验评价精度,经计算,2014年精度为81.89%,2020年精度为83.86%,均具有较好的置信度。

图7 两个时期预测结果ROC曲线

3.3 土地利用变化与易发性分析

本文从两个方面研究土地利用变化对地质灾害易发性的影响,一方面是易发性显著提升区域的土地利用变化转移情况,另外一方面是城市化发展过程中建设用地扩增区域的地质灾害易发性等级情况。本文认为易发性等级发生3个或4个等级变化时为显著变化,发生1个或2个等级变化为一般变化。

一般来说,研究区范围内的水域和坡度小于5°的地方不具备发生地质灾害的基本条件。将2014年和2020年地质灾害易发性等级进行叠加分析,研究区共有40766个栅格易发性显著上升,1264676个栅格易发性上升,3631716个栅格易发性保持不变,1445022个栅格易发性下降,32345个栅格易发性显著下降,发生显著变化栅格数占比1.14%,地质灾害易发性变化如图8所示。

图8 2014—2020年地质灾害易发性变化图

构建研究区地质灾害易发性显著上升区域的土地利用转移矩阵,具体如表4所示,表中数值为栅格数。可以明显发现,易发性显著升高的区域分为两类,一类是人类工程活动影响强烈的区域,即林地、耕地转化为建筑用地的区域,分别有2197、363个栅格发生转换,共计占易发性显著升高内建筑用地总面积的76.35%;另一类是由林地转化为耕地区域,共计1901个栅格,该部分区域是由于垦造水田等人类活动破坏了坡体表面原始生长的植被,降低了植物根系的固坡效果导致。另外值得注意的是,部分土地利用类型未发生变化的单元其地质灾害易发性同样显著增加了,主要是林地占比94.96%,该部分是由于发生在斜坡体的地质灾害随着时间推移其表面不断被新生的树木、灌木等植被覆盖,进而在土地利用类型划分时分类为林地,因此,对结果产生了一定的影响。

表4 易发性显著上升区域土地利用转移矩阵

为进一步分析城市化发展对地质灾害易发性的影响,将两个时期建设用地的分类结果进行叠加得到其他土地类型变换为建设用地的变化范围,同时考虑到强烈人类工程活动对周围地理环境具有一定的影响,故本文将扩增范围作30 m缓冲区表示整个建设用地影响范围,统计该范围内地质灾害易发性等级变化的结果如表5所示。可以明显发现,建设用地扩增范围内地质灾害易发性上升占比27.96%,下降占比18.65%,上升影响具有更强的主导作用。

表5 建设用地扩增范围地质灾害易发性变化统计表

结合图4两个时期遥感影像分类结果,建设用地扩增范围具有小范围成片集中和零星分布于斜坡体附近特点。一般来说,具有成片范围的新增建设用地会开山造地,削平范围内斜坡使地势变得平坦;零星分布于斜坡体附近的新增建设用地会切坡,造成坡度变化更大的临空面。对比表4易发性显著上升中建设用地栅格数为3353个,表5的数量约是其3.89倍,可以判断30 m缓冲区范围内地质灾害易发性等级显著上升栅格量较多,表面人类工程活动同样也会促进周围环境地质灾害易发性的提高。

通过以上两个方面分析,可以看出,土地利用类型变化对地质灾害易发性具有深远的影响。当土地利用类型发生变化时,其地质灾害易发性等级也可能发生变化,研究区两个时期易发性等级发生变化区域占去平地、水域后面积的43.38%。同时,易发性显著上升区域中人类工程活动痕迹明显,主要表现为林地、耕地转化为建设用地以及林地转化为耕地2种情况,人类活动改变了土地利用类型进而改变斜坡体的原始条件,促使地质灾害易发性等级提高。建设用地扩增范围内地质灾害易发性等级有明显变化,变化区域占扩增范围面积的46.61%,结合研究区实际分析,易发性等级变化与建设用地扩增导致的坡度变化有紧密联系,当扩增范围内有大面积削坡时可降低易发性,当切坡扩大临空面时会提高易发性,总体上研究区人类工程活动对促进地质灾害发生作用更强。

4 结论

1)影像分类与地质灾害易发性评价的方法在精度上表现较好。采用面向对象与深度神经网络模型相结合的方式对遥感影像进行分类具有良好的精度,同时,证据权法在研究区的地质灾害易发性评价中也有较好的精度表现。

2)地质灾害易发性等级变化与土地利用变化存在紧密联系。根据两个时期易发性评价结果的差异性,可以看出土地利用类型发生变化时地质灾害易发性也随之变化,尤其是地质灾害易发性等级显著提升的空间位置,多以林地、耕地转变为建设用地情况突出。

3)城市化发展过程中,新增建设用地能显著改变地质灾害易发性。城市新增建设用地既能促使地质灾害易发性升高,也能使其降低;当新增建设用地是大面积开山造地减缓坡度时,可降低地质灾害的易发性,而处于斜坡体上的建设用地,如修建公路、切坡建房,会提高地质灾害的易发性。