基于最大熵模型的华蓥山林地浅表层滑坡风险析因*

伍冰晨 齐 实 郭郑曦,4 胡译水,5

（1. 江西省水利科学院 南昌 330029； 2. 北京林业大学水土保持学院 北京 100083； 3. 江西省鄱阳湖流域生态水利技术创新中心 南昌 330029； 4. 广西交通设计集团有限公司 南宁 530029； 5. 中国市政工程西南设计研究总院有限公司 成都 610081）

华蓥山区是我国“两屏三带”生态安全战略格局的骨架之一，也是我国生态修复与保护的关键区域。该区域以林地为主，可为人类生存发展提供多种生态系统服务（欧阳贝思等，2013）；然而，长期以来该区域林地浅表层滑坡灾害频发，给区域生态安全带来了诸多不利影响。

随着我国遥感监测精度的提高、地理信息技术的完善、评价模型性能的优化，滑坡易发性评价和风险预测有了长足进展，如传统的滑坡易发性分析模型基于历史滑坡灾害点数据进行多元回归函数构建，主要采用确定性系数法、层次分析法、频率比、熵权法、证据权法等（贺鹏等，2016；韩用顺等，2021；毛华锐等，2022），通过这些方法计算回归模型中各影响因子对滑坡的权重，进而进行区域滑坡预测。随着计算技术不断发展，基于机器学习方法的预测模型被广泛用于滑坡预测，经研究人员开发和优化，产生了众多高精度模型，如支持向量机、人工神经网络、决策树、随机森林、Logistic 模型等（王卫东等，2009；吴孝情等，2017；Qiet al.，2021）。此外，近年来最大熵（MaxEnt）模型已成功用于滑坡易发性分析与评价（王成武等，2022；屈新星等，2021），相比其他模型对特征变量选择的严格，该模型对输入数据限制较小，允许灵活设置约束条件，并具有较高预测精度，其缺点体现在输入数据量过多时迭代过程计算量巨大导致软件运行时间较长。总体而言，以往关于滑坡易发性的研究考虑了众多影响因子对滑坡风险的贡献，其中地质地形地貌因子最常见且占影响因子类型比例最高，而对人类活动、气象、植被因子考虑较少，人类活动和气象因素因偶然性和波动率较大难以纳入统计模型，而对植被因子缺乏足够重视主要是由其影响范围决定的，一些滑动面较深的滑坡灾害受植被因子的影响基本可忽略。

不同于常规《滑坡防治工程勘查规范》（GB/T 32864—2016）中各类滑坡体的厚度、体积及成因分类标准，浅表层滑坡主要指在强降雨或长时间降雨期间引发的、深度一般不足2 m、体积从几立方米至数百立方米不等的滑坡类型（Rickliet al.，2009；De Rose，2013），其发生发展是多种内外营力共同作用的结果。由于滑动面较浅，除地质、地形、地貌、土壤等常规影响因素外，植被也是重要环境因素（Mcguireet al.，2016），尤其在林地，植被对浅表层滑坡灾害的预防、缓解和管理发挥着关键作用（Gonzalez-Ollauriet al.，2021），植被措施的精准配置对林地浅表层滑坡的高质量防治具有重要意义。然而，在影响浅表层滑坡风险的众多环境变量中，植被因素究竟产生多大贡献以及是否与非植被因素产生耦合效应，目前尚未有清晰认知。

鉴于此，本研究以华蓥山林地为对象，基于历史浅表层滑坡灾害点及各浅表层滑坡影响因子的空间分布，采用最大熵（MaxEnt）模型预测林地浅表层滑坡风险，确定环境变量对林地浅表层滑坡风险预测的相对贡献率，明确关键植被因素及其减灾区间，探明植被因素与非植被因素的耦合效应，以期为华蓥山林地浅表层滑坡风险评价和减灾决策制定提供科学依据。

1 研究区概况

研究区位于四川盆地东部（106°37′—106°54′E，30°07′—30°28′N）华蓥山脉中段西缘至渠江中上游东岸之间，呈南北长40.75 km、东西宽28 km 的狭长形地域。该地域历经多次褶皱运动后，呈现显著的“川东隔挡式构造”，特点为背斜低山和向斜丘陵谷地相间排列，彼此平行，形成独特的“平行岭谷”地貌，并与嘉陵江、渠江构成“三山两槽一江”的格局，是我国典型褶皱山地（李阳兵等，2010），也是世界三大褶皱山系之一。华蓥山位于亚热带湿润季风气候区，年均降水量1 087.84 mm，主要集中在6—9月，占全年降水量的60%以上，其中夏季暴雨频发，连续降雨时间长，常形成洪涝灾害，甚至诱发山体滑坡和泥石流。由于区域褶皱断裂发育、沟壑纵横、地质环境复杂、降雨集中，导致林地受山地灾害影响。山区土壤类型为黄壤，土层较薄，肥力低下。林地以马尾松（Pinus massoniana）、 杉木（Cunninghamia lanceolata）、柏木（Cupressus funebris）等树种组成的针叶林为主，占森林总面积的62.1%，是区域典型植被。

2 研究方法

2.1 浅表层滑坡识别

依据华蓥市2014年Google18 级遥感影像进行滑坡解译。基于影像斑块特点并结合专家、解译人员的经验确定解译标志，初步判别滑坡点，而后经实地调查，修正解译标志，筛选初步判别结果，最终获得历史滑坡区域空间分布。为确保影像解译的准确性，本研究选择华蓥山天池林场猴儿沟管护区已确定的滑坡点进行调查，调查指标包括滑坡体的坡度、土层厚度、植被类型及相应的影像特征，结合影像中的滑坡区域特征进行解译标志的修正（表1），最终确定所有滑坡区域。

表1 滑坡区域和非滑坡区域的解译标志Tab. 1 Interpretation mark of landslide areas and non-landslide areas

2.2 浅表层滑坡影响因子选择及提取

通过文献分析，非植被因素参考孙德亮（2019）、蒲娉璠（2016）、崔阳阳（2021）的研究，选取工程地质岩组、距断层距离、距河流距离、高程、高程变异系数、坡度、坡度变率、地形起伏度、平面曲率、剖面曲率、坡向和土层厚度12 个因子；植被因素参考刘月等（2020）、Spiekermann 等（2022）的研究，选取绿红植被指数、乔木密度、蓄积量、林分类型和平均树龄5 个因子，浅表层滑坡评价因子提取方法及数据来源如表2 所示。

表2 浅表层滑坡评价因子提取方法及数据来源Tab. 2 Extraction method and data source of evaluation factors of superficial landslide

2.3 最大熵（MaxEnt）模型构建

采用最大熵（MaxEnt）模型进行林地浅表层滑坡风险析因。MaxEnt 模型最初主要用于预测物种的潜在适宜分布区域（Elithet al.，2011；Zhanget al.，2018），近年来随着模型应用范围拓展，已成功用于潜在灾害点预测，相比传统信息量模型、平均距离模型、人工神经网络和支持向量机等精度更高（Thieryet al.，2007；Chenet al.，2017；Jiaoet al.，2019）。模型通过分析历史灾害点各种环境变量特征的制约条件，探寻在该制约条件下最大熵的可能分布，以此得到孕灾环境的空间分布和各环境变量的致灾程度。

模型输入变量包括历史浅表层滑坡灾害点坐标以及各影响因素的空间属性数据，输出结果包括模型训练集和测试集的受试者工作特征（receiver operating characteristic，ROC）曲线、浅表层滑坡风险指数的空间分布、各影响因素对浅表层滑坡风险预测的贡献率以及浅表层滑坡风险指数对各环境变量的响应曲线。模型原理如下：

式中：H为信息熵；Pi为随机事件出现的概率；C为常数。根据该式，在给定条件下，存在一个使H取极大值的分布，称为最可几分布（邱海军等，2014），此时系统的熵值最大，对应的Pi即为本研究中浅表层滑坡的风险。

设随机变量xi(i=1,2,···，n)，其相应的概率为Pi，则：

构造函数Fk和fk(xi)，分别表示系统熵值的分布函数和各风险因子的贡献函数，则：

若H取极大值，引入参数α和βk，要求Pi满足下式：

由式（3）和（5）可得：

令Z=eα，则：

将式（7）代回约束方程式（3），可得：

通过求解方程即可求出熵极大时的Pi。

MaxEnt 模型的关键在于假设合理，模型参数选择是根据以往关于浅表层滑坡与各影响因子间因果关系的一系列研究所筛选出的环境变量，通过模型模拟进一步明确各环境变量对最大熵的贡献，如果某环境变量与浅表层滑坡的发生完全不相关，则该变量对模型预测的贡献率为0，模型输入变量数量与模型精度并无联系，模型精度只与各变量对浅表层滑坡产生的实际效应有关。

模型检验发生在模型预测前，且不需对模型预测结果进行二次验证，模型验证以ROC 曲线的形式反映模型精度。随机选出总数据集的75%形成模型训练集，其余25%形成测试集。在模型输出结果中，ROC 曲线与横坐标围成的面积为该次模型模拟的AUC，反映模型精度。模型精度较差、一般、较准确、很准确和极准确的AUC 分别为0.5～0.6、0.6～0.7、0.7～0.8、0.8～0.9 和0.9～1.0（Yanet al.，2020；Liuet al.，2018）。根据模型原理，当模型输入环境变量对浅表层滑坡预测的贡献率接近0 时，即环境变量与浅表层滑坡无因果关系时，增加的环境变量对ROC 曲线不产生效应，因此单纯增加环境变量数量并不能提升AUC，而高贡献率的环境变量输入则对AUC 产生直接效应。

模型输出结果以滑坡风险指数反映滑坡风险和各环境变量间的关系，滑坡风险指数介于0～1 之间，指数越高表示越容易发生滑坡。

3 结果与分析

3.1 滑坡点分布及影响因子空间分布

依据遥感影像上斑块大小、形状、颜色、纹理等特点进行滑坡区判别。研究区林地的主要林分类型为针叶林，面积超过90%，在影像中的特征为墨绿色、颗粒感强，斑块面积大，而滑坡区域在林地的特征为浅绿色，纹理较为光滑，细小、狭长分布，以此作为解译标志进行滑坡区域初步识别，共识别出132 处滑坡区域。解译标志见图1，初步识别结果见图2。

图1 滑坡区域和非滑坡区域解译标志Fig. 1 Interpretation mark of landslide areas and non-landslide areas

图2 初步筛选的滑坡区域分布Fig. 2 Distribution of preliminary screening landslide areas

选择华蓥山天池林场猴儿沟管护区已确定的13处滑坡点进行调查，调查指标包括滑坡体的坡度、土层厚度、植被类型以及相应的影像特征，结合影像中的滑坡区域特征进行解译标志的修正，最终确定116处滑坡区域。修正后的解译标志见图3，最终识别结果见图4。

图3 修正后滑坡区域和非滑坡区域解译标志Fig. 3 Interpretation mark of landslide areas and non-landslide areas after correction

图4 修正后滑坡区域分布Fig. 4 Distribution of landslide areas after correction

选择华蓥市遥感影像、森林二类调查数据、地质地形数据、水系数据，通过ArcGIS 处理得到华蓥山林地浅表层滑坡影响因子空间分布，如图5 所示。其中地层岩性的A1 至B3 分别表示中-厚层硬质砂岩夹软质泥页岩组（A1）、中-厚层次硬质砂岩与次软质泥岩不等厚互层岩组（A2）、薄-中厚层次硬质砂岩与次软质泥岩页岩夹泥质灰岩互层岩组（A3）、片状-薄层状极软质页岩、黏土岩组（A4）、中-厚层状硬质、强岩溶化灰岩、白云岩组（B1）、薄-厚层状硬质夹软质中等岩溶化灰岩、生物碎屑灰岩夹泥岩、页岩岩组（B2）、薄-中厚层状软硬相间、中等岩溶化灰岩与泥页岩不等厚互层岩组（B3）。

图5 浅表层滑坡影响因子的空间分布特征Fig. 5 Spatial distribution characteristics of influencing factors of superficial landslides

3.2 MaxEnt 模型性能检验

将116 个历史浅表层滑坡灾害点坐标及各环境变量空间属性数据输入MaxEnt 模型，随机选取75%（87 个）的坐标点作为训练集用于获取模型输出结果，剩下25%（29 个）的坐标点作为测试集用于验证模型精度。分别设定模型运行的2 种环境变量组合，第一组为不包含植被因素的12 个变量，第二组为包含植被因素的17 个变量，分别得到2 种环境变量组合下的ROC 曲线，分别如图6、7 所示，可以看出当数据集样本量更高时，曲线更为平滑，样本量较少时，曲线呈现出锯齿状。

图6 不考虑植被因素时MaxEnt 模型的ROC 曲线Fig. 6 ROC curve by MaxEnt model without considering vegetation factors

根据图6，不考虑植被因素的情况下，训练集和测试集的模型模拟精度AUC 分别为0.928 和0.864，平均0.896，达到很准确的精度水平；根据图7，考虑植被因素的情况下，训练集和测试集的AUC 分别为0.949 和0.880，平均0.915，达到极准确的精度水平。由此可说明，不管是否考虑植被因素，本研究构建的最大熵模型精度均很高，可用于预测华蓥山林地浅表层滑坡风险，并能较好反映各环境变量与浅表层滑坡风险的关系。对比发现，当环境变量包含植被因素时，模型精度提升3.1%，一定程度上说明考虑植被因素时浅表层滑坡风险预测更准确。

图7 考虑植被因素时MaxEnt 模型的ROC 曲线Fig. 7 ROC curve by MaxEnt model considering vegetation factors

3.3 浅表层滑坡潜在风险分布

考虑植被因素情况下MaxEnt 模型输出的华蓥山林地浅表层滑坡风险分布如图8 所示，0～1.00 为浅表层滑坡发生的概率，即风险程度。不同颜色的值表示该地区浅表层滑坡发生的概率，该值越高，表明发生浅表层滑坡的可能性越大。紫色和白色栅格点均为历史浅表层滑坡灾害点，分别代表训练集和测试集。红色和橙色区域表示该区域发生浅表层滑坡的风险极高（滑坡风险指数≥0.92），在图中用红色框标出，大多位于猴尔沟管护区范围。深蓝色区域表示该区域基本不存在浅表层滑坡风险（滑坡风险指数≤0.20），绿色区域表示该区域处在浅表层滑坡的潜在风险区（0.40≤滑坡风险指数＜0.60）。通过分析116个历史浅表层滑坡点在各风险区中的占比，发现116个历史灾害点均落在高风险区（滑坡风险指数≥0.60）。针对图8 中红色框所在的猴尔沟管护区进行实地调研，并结合当地部门研发的滑坡预警系统，数据资料表明该区域为浅表层滑坡高风险区，进一步印证了本研究MaxEnt 模型对于浅表层滑坡风险分布的预测。

图8 华蓥山林地浅表层滑坡风险分布Fig. 8 Distribution of superficial landslide risk in Huaying Mountains forest land

3.4 环境变量对浅表层滑坡风险预测的贡献

为明确各环境变量对浅表层滑坡风险贡献的相对大小，分别列举不考虑和考虑植被因素条件下环境变量对MaxEnt 模型预测的相对贡献率，以进一步了解考虑植被因素带来的模型输出结果差异。

不考虑植被因素条件下，各环境变量对MaxEnt模型预测的相对贡献如表3 所示，反映不同环境变量对华蓥山浅表层滑坡风险预测的相对重要性。可以看出，工程地质岩组（贡献率39.4%）、距断层距离（贡献率18.7%）、高程（贡献率10.2%）、平面曲率（贡献率6.1%）和地形起伏度（贡献率5.8%）5 个环境变量的累积贡献率达80%，而其余7 个因素的累计贡献率不足20%。

表3 不考虑植被因素时环境变量对MaxEnt 模型预测的相对贡献Tab. 3 Relative contribution of the environmental variables to the MaxEnt model predictions without considering vegetation factors

考虑植被因素条件下，各环境变量对MaxEnt 模型预测的相对贡献如表4 所示。可以看出，工程地质岩组（贡献率25.2%）、蓄积量（贡献率17%）、距断层距离（贡献率10.7%）、地形起伏度（贡献率6.5%）、高程（贡献率5.8%）、绿红植被指数（贡献率5.4%）、平面曲率（贡献率5.2%）和林分类型（贡献率5%）8 个环境变量的累积贡献率达80%，上述变量中，非植被因素共5 个指标，累计权重占比为66.1%；植被因素共3个指标，累计权重占比为33.9%，表明非植被因素仍起主要作用，但植被因素也有重要地位。

表4 考虑植被因素时环境变量对MaxEnt 模型预测的相对贡献Tab. 4 Relative contribution of the environmental variables to the MaxEnt model predictions considering vegetation factors

对比表3 和4 可发现，无论是否考虑植被因素，工程地质岩组、距断层距离、高程、平面曲率和地形起伏度5 个因素对模型预测的贡献起主导作用，但植被因素的存在会一定程度上改变各因子对模型预测的相对贡献率，如考虑植被因素后，工程地质岩组的贡献率由不考虑植被因素下的39.4%降为25.2%，高程、平面曲率和地形起伏度的相对贡献率排序发生变化。

上述结果表明，对于林地浅表层滑坡风险预测，要综合考虑植被因素和非植被因素，在植被因素中，需要重点关注蓄积量、植被覆盖度和林分类型3 方面，当以浅表层滑坡减灾为目标进行植被优化时，这3 个植被因素应当视为首要考虑因素。

3.5 浅表层滑坡风险对各环境变量的响应

针对考虑植被因素情况下对浅表层滑坡风险预测累积贡献率达80%的8 个关键环境变量，生成华蓥山林地浅表层滑坡风险对环境变量的响应曲线（图9），进而了解各变量对浅表层滑坡的致灾条件。由于工程地质岩组和林分类型的原始数据为分类数据，本身属性以文字形式体现，数据本身不具有大小关系，无法直接用于数据分析，故采用确定性系数法（Chenet al.，2015），通过116 个浅表层滑坡栅格进行数据转换，并利用转换结果对工程地质岩组专题图和林分类型专题图重新赋值。工程地质岩组因子转化结果为：中-厚层硬质砂岩夹软质泥页岩组（−0.674 1），中-厚层次硬质砂岩与次软质泥岩不等厚互层岩组（−0.956 6），薄-中厚层次硬质砂岩与次软质泥岩页岩夹泥质灰岩互层岩组（−0.967 5），片状-薄层状极软质页岩、黏土岩组（−0.948 4），中-厚层状硬质、强岩溶化灰岩、白云岩组（−0.903 8），薄-厚层状硬质夹软质中等岩溶化灰岩、生物碎屑灰岩夹泥岩、页岩岩组（−0.982 3），薄-中厚层状软硬相间、中等岩溶化灰岩与泥页岩不等厚互层岩组（−0.946 4）。林分类型因子转化结果为：柏木林（−0.681 4），马尾松-阔叶混交林（0.109 1），马尾松-杉木混交林（0.453 2），阔叶林（−0.669 4），其他（−0.496 9）。

图9 华蓥山林地浅表层滑坡风险对环境变量的响应曲线Fig. 9 Response curve of superficial landslide risk of Huaying mountain forest to environmental variables

本研究以浅表层滑坡风险指数＞0.60 为致灾区间，以区间内的最大值为各变量致灾极端值或极端区间，结果如表5 所示。

表5 各环境变量对华蓥山林地浅表层滑坡风险的致灾区间和极端值Tab. 5 Hazard interval and extreme value of each environmental variable on the superficial landslide risk of Huaying Mountain forest

由表5 可知：1） 工程地质岩组的致灾区间仅为一种岩组，即中－厚层硬质砂岩夹软质泥页岩组（因子转化值−0.674 1，对应滑坡风险指数0.70），而其余岩组的致灾性均不到0.34；2） 蓄积量的致灾区间为96～142 m3·hm−2，极端值为122 m3·hm−2，随着蓄积量增加，滑坡风险先增加后降低；3） 距断层距离的致灾区间为1 850～5 500 m，极端值为3 750 m，距断层越近，滑坡风险反而越低，一种可能原因是由于断层效应激发了林地的自我保护机制，另一种可能原因是受样本数据的影响，华蓥山距断层距离≥2 500 m 的区域内历史浅表层滑坡灾害密集，基本位于浅表层滑坡高风险区；4） 地形起伏度的致灾区间为77～125 m，极端值为最大值125 m，即高地形起伏度的致灾性更高，且地形起伏度小于30 m 时致灾性出现较大的波动；5） 高程的致灾区间为445～490 m，极端值为460 m，随着高程增加，致灾性先增加后降低；6） 绿红植被指数的致灾区间为－0.28～0.16，极端值为0.01，由于绿红植被指数负值代表裸地，正值反映植被覆盖度高低，因此响应曲线反映出裸地条件具有较高致灾性，而随着植被覆盖度增加，滑坡风险逐渐降低；7） 平面曲率的致灾区间为−3.8 ～−0.8、3.3～4.5 两个区间，极端值为4.5，即平面曲率绝对值越小，滑坡风险越低，平面曲率绝对值越大，滑坡风险越高；8） 林分类型均无致灾性大于0.60 的情况，即没有出现典型的致灾森林群落。

3.6 2 种环境变量组合下浅表层滑坡风险对环境变量的响应差异

通过对比考虑和不考虑植被因素下浅表层滑坡风险对12 个非植被环境变量的响应差异，发现差异主要体现在平面曲率、坡向、高程变异系数、坡度变率和坡面曲率5 个变量上，具体如图10 所示，而其余7 个变量基本一致，由此反映出植被因素的存在导致区域浅表层滑坡风险对环境变量组合的响应发生一定的变化。

1） 浅表层滑坡风险对平面曲率的响应差异体现在：平面曲率取极小值时，考虑植被因素比不考虑植被因素所造成的浅表层滑坡风险更小，风险降低4.9%。2） 浅表层滑坡风险对坡向的响应差异体现在：坡向为正北（0°）方向时，考虑植被因素比不考虑植被因素所造成的浅表层滑坡风险更高，风险升高12.8%；而坡向为正南方向（360°）时，考虑植被因素比不考虑植被因素所造成的浅表层滑坡风险更低，风险降低6.4%。3） 浅表层滑坡风险对高程变异系数的响应差异体现在：高程变异系数取极大值时，考虑植被因素比不考虑植被因素所造成的浅表层滑坡风险更小，风险降低5.9%。4） 浅表层滑坡风险对坡度变率的响应差异体现在：坡度变率取极大值时，考虑植被因素比不考虑植被因素所造成的浅表层滑坡风险更高，风险升高10.9%。5） 浅表层滑坡风险对剖面曲率的响应差异体现在：剖面曲率取极大值时，考虑植被因素比不考虑植被因素所造成的浅表层滑坡风险更低，风险降低8.1%。

由此，考虑植被因素时整体上不改变浅表层滑坡风险对各因素的响应趋势，但对某些非植被因素极端值所产生的浅表层滑坡风险具有重要影响，呈现耦合效应，既可能加剧也可能削弱浅表层滑坡风险，其中植被因素对平面曲率、高程变异系数和剖面曲率所产生的浅表层滑坡风险起削弱作用，对坡度变率所产生的浅表层滑坡风险起加剧作用，对坡向所产生的浅表层滑坡风险具有正反2 方面作用。

4 讨论

4.1 植被因子的浅表层滑坡减灾适宜性

对于浅表层滑坡减灾而言，植被因子相比地质、地形、地貌等影响因子更容易调控，成本更低。本研究中共涉及5 个植被因子，根据MaxEnt 模型模拟结果，蓄积量、植被覆盖度和林分类型为关键植被因子，而平均树龄、林分密度的贡献率较低。关于蓄积量对浅表层滑坡风险的影响，一方面，蓄积量体现在乔、灌、草的占比上，相关研究表明灌木固坡作用可能高于某些乔木（杨永红等，2007），尤其是土体加筋效果，灌木生长15年左右的根系加筋力等同于乔木生长50～60年；另一方面，随着森林群落演替，乔木蓄积量是逐年积累的，因而到达一定年限后乔木对林地蓄积量变化起主导作用。根据模拟结果，华蓥山森林蓄积量的致灾区间为96～142 m3·hm−2，极端值为122 m3·hm−2。通过样本统计，该蓄积量区间内乔木树龄集中在30～40年，占比82.4%，同时根据模型模拟结果中树龄对浅表层滑坡风险的影响表现为随树龄增加致灾性逐渐提高，到42年致灾性到达顶峰，随即出现小幅降低。由此可见，乔木生长到一定阶段前，其所在坡体的浅表层滑坡风险逐年增加。相关研究表明，植被对斜坡稳定性的负面影响体现在树木自重上，树木自重增加作用在潜在破坏面上的质量，并增加作用在斜坡上的驱动力，从而降低斜坡稳定性（Guoet al.，2020；Simonet al.，2002；Pollen，2007）。但值得注意的是，随着蓄积量及树龄达到一定条件，树木对浅表层滑坡风险的致灾性出现反转趋势，这可能是由于乔木生长到一定阶段，由高生长转向径生长和根生长，增强了乔木自身的抗倒伏性能，根系的锚固力逐渐抵消自重带来的不利影响。

关于植被覆盖度对浅表层滑坡风险的影响，本研究结果与大多数研究一致，体现出植被对浅表层滑坡积极的减灾作用（李凯等，2014；Peduzzi， 2010），但也有研究发现，有些植被覆盖度更高的地方，滑坡规模反而更大（Liet al.，2021），这可能是由于根系对土体的胶结作用，一旦失稳会出现整体滑塌现象，因此在关注植被覆盖度与滑坡的关系时，需考虑到正反2 方面。

关于林分类型对浅表层滑坡风险的影响，大量研究表明，树种不同，其对斜坡稳定性的影响存在显著差异，主要体现在不同树种的根系网络复杂性上（Stokeset al.，2009）。对于诸如马尾松、杉木这样的高大乔木而言，根系不仅对土体起到加固作用，同时也对乔木本身起到支撑作用，当面对常年降雨和大风的干扰，高大乔木自身的抗倒伏性能以及其生长环境如土壤质地、土层厚度等均会对局部的坡体稳定性产生影响（Krzeminskaet al.，2019），相比之下，柏木、灌木等自重相对较小的植物种发生倒伏的概率更低，更多发挥着根系加固效能，使得林分整体出现浅表层滑坡的频率更低。当然，尽管本研究中马尾松林存在浅表层滑坡隐患，但为了兼顾木材、松油的生产以及其他森林生态服务功能发挥，盲目替换树种是不可取的，应当针对风险较高的区域采取植被结构优化措施，通过引入固坡适宜性高的伴生树种提升根系网络的整体稳定性。

4.2 植被因素与非植被因素对浅表层滑坡风险的耦合效应

本研究中2 种环境变量组合条件下模型模拟结果表明，植被因素的存在整体上不改变浅表层滑坡风险对其他影响因子的响应趋势，但对于某些非植被因素的极端值所产生的浅表层滑坡风险值具有重要影响，呈现出耦合效应。对于平面曲率而言，其对地表径流的汇聚和分散有直接影响（Aghdamet al.，2016），平面曲率绝对值越大，代表径流汇集作用越强，说明当考虑植被因素时，环境变量组合条件下，植被削弱了径流汇集对浅表层滑坡风险的不利影响，植被具有延长径流汇集时间、阻断径流路径进而降低滑坡风险的作用。对于坡向而言，通常情况下，坡向是影响植被分布的主要地形因素（张兴航等，2020），不同坡向的植被生长状况存在差异，而正南和正北方向光照条件差异最大，能使植被生长差异达到最大化，加剧了这2 个坡向上植被因素和非植被因素的耦合效应，使滑坡风险产生显著变化。对于高程变异系数而言，由于高程变异系数最大时的坡面相对高差较大，使得势能向动能的转化更为充分，当考虑植被因素时，植被可能削弱一定的能量转化效率，使得整体风险降低（王静雯，2020）。研究表明，植被对坡度变率较高的地形具有较好地适应性（陈斌等，2019），反而可能增加坡体的下滑力，提高滑坡风险。对于剖面曲率而言，由于极大值代表凹型坡，此时植被和凹型坡的综合作用降低了浅表层滑坡风险，研究表明凹型坡主要起到雨水汇集作用，而植被的存在，能够通过侧根连通顺坡方向的土壤孔隙从而引导坡体雨水外排，降低滑坡风险（陈利顶等，2015）。

5 结论

利用MaxEnt 模型进行林地浅表层滑坡风险析因，当环境变量包含植被因素时，模型精度比只考虑非植被因素时提升3.1%。通过模型模拟，发现工程地质岩组、蓄积量、距断层距离、地形起伏度、高程、绿红植被指数、平面曲率和和林分类型8 个因子对浅表层滑坡风险预测的累计贡献率达80%，各因子的相对贡献率分别为25.2%、17%、10.7%、6.5%、5.8%、5.4%、5.2%和5%；植被因素对预测林地浅表层滑坡风险有重要作用，主要体现在蓄积量、植被覆盖度和林分类型3 方面，其累积贡献率达27.4%。对比考虑和不考虑植被因素时浅表层滑坡风险对各环境变量的响应差异，发现考虑植被因素时整体上不改变浅表层滑坡风险对各影响因素的响应趋势，但会对某些非植被因素极端值所产生的浅表层滑坡风险具有重要影响，呈现耦合效应，其中植被因素对由平面曲率、高程变异系数、剖面曲率所产生的浅表层滑坡风险起削弱作用，体现在植被对径流的分散和能量的消耗；对由坡度变率所产生的浅表层滑坡风险起加剧作用，体现在陡坡微地形植被增加坡体自重产生的风险；对坡向所产生的浅表层滑坡风险具有正反两方面作用，体现在阳坡柏木林和阴坡马尾松-杉木混交林的滑坡风险差异。