韩江中上游地区的崩岗分布特征

刘 娜，张 恒，邓璨露，吴家龙，熊元康,3

（1.广东国地规划科技股份有限公司，广州 510650；2.广州市林业和园林科学研究院，广州 510405；3.复旦大学 环境科学与工程系，上海 200438）

崩岗是山坡土体或岩体风化壳在重力与水力综合作用下出现分离、崩塌和堆积等侵蚀现象的地质灾害，是一种广泛分布于中国南部和东南部的典型侵蚀地貌，是中国最为严重的4 大类侵蚀沟之一（卓瑞娜 等，2022），其造成的危害仅次于泥石流和山体滑坡（李翠漫 等，2020）。崩岗由于突发性强、爆发性强和难预测性等特点，已成为制约区域经济发展、社会稳定和生态保护的重要因素（沈盛彧等，2020）。目前，中国各种大小的崩岗共有24万个，侵蚀面积约1 220 km2，其中约89%的崩岗属于活动型崩岗（郭飞 等，2022），其直接危害和潜在危害较大。因此，动态监测崩岗的分布密度，发育程度和影响因子变化是统筹区域社会经济发展和生态环境治理的重要任务。

传统的崩岗识别方法主要是实地调查，其耗时耗力且效率低，难以满足区域尺度的崩岗动态监测需求。如2004年8月水利部组织流域崩岗侵蚀区内各级水保部门开展的南方区域崩岗调查，其到2005年11月才完成中国南方崩岗侵蚀现状调查报告（冯明汉 等，2009）。随着信息技术的迅速发展，研究者已尝试利用各种遥感技术进行崩岗监测，如三维激光扫描技术（Liu et al., 2019）和无人机倾斜摄影技术（江学顶 等，2019；沈盛彧 等，2020）。在实际应用中，崩岗识别方法已从传统的实地调查方式逐渐转变为基于高分辨率卫星遥感影像和专家系统的目视解译操作（李昊洁 等，2016），虽然该方法能有效获取一个区域的崩岗信息，但受限于高分辨率卫星的重返周期和覆盖范围，难以实现区域尺度的崩岗动态监测，难以为制定有效、及时的防灾减灾措施提供重要参考。此外，目前崩岗相关研究主要集中于崩岗的侵蚀机理、侵蚀形态、诱发因素、防控治理等定性研究，且以野外实验和室内实验为主，从定量角度分析崩岗发生的影响因子、崩岗风险性评估预测等方面的研究较少，尤其是在大尺度自然环境范围内，定量分析一个区域内崩岗发生的影响因子及其风险的研究较为缺乏。

目前，由于区域尺度不同精度的遥感影像难以获取且崩岗发育到中后期后已自然恢复植被覆盖。因此，利用遥感影像开展大尺度崩岗识别的研究较少（李昊洁 等，2016；沈盛彧 等，2022）。针对以上问题和大尺度动态监测崩岗的必要性，本文尝试以韩江中上游为研究区，结合Sentinel-2 L1C 级多光谱数据，Sentinel-1 C波段合成孔径雷达数据和其他辅助数据开展区域尺度的崩岗动态监测，在此基础上，尝试从气候因素等方面揭示韩江中上游区域内崩岗形成的影响因子，以及定量分析各影响因子对研究区内崩岗发生的影响程度。以期为研究大尺度范围内的崩岗形成机制、发展规律以及影响因素提供参考和借鉴。

1 研究区概况与数据

1.1 研究区概况

韩江中上游地区主要位于梅州市行政辖区内，包括梅江区、梅县区、兴宁市、大埔县、丰顺县、五华县、平远县、蕉岭县8个县（市、区）（图1），土地面积约1.59 万km2，是全国重要生态系统保护和修复重大工程规划布局“三区四带”中的南方丘陵山地带的核心区。受地理位置和地形等因素的影响，该区域冬日短，夏日长，全年气温高、冷热悬殊、气流闭塞、降雨量大且集中，属亚热带季风气候区。区域内地形地貌以山地和丘陵为主，地质构造主要由花岗岩岩系构成，土壤以红壤系列为主且地表表面多覆盖着深厚的花岗岩风化层（梅州市林业局，2021）。在高温和持续性降雨的条件下，花岗岩母质上赤红壤和红壤的物理风化和化学风化极其强烈，易形成深厚的风化壳，导致土壤结构疏松，易形成崩岗侵蚀地貌（倪世民，2022），因此该区域是广东省崩岗侵蚀最严重的地区，共有崩岗流失面积457.78 km2，占广东省崩岗侵蚀面积的55.31%（广东省水利厅，2016）。

1.2 数据来源

在欧洲航天局哥白尼数据中心①https://scihub.copernicus.eu/选取研究区内2016—2022 年588 景Sentinel-2 L1C 级多光谱数据和802景Sentinel-1 C波段合成孔径雷达数据作为主要数据，用以计算崩岗识别的光谱特征指数和雷达特征指数，其他崩岗识别辅助数据包括高程、坡度、坡向、山体阴影、土壤类型和地质类型。其中，高程数据来源于日本宇宙航空研究开发机构地球观测中心②https://earth.jaxa.jp/en/data/policy/（JAXA），坡度、坡向和山坡阴影通过高程数据计算而得；土壤类型和行政边界矢量面数据来源于中国科学院资源环境科学数据中心③https://www.resdc.cn/，研究区的土壤类型主要包括初育土、半水成土、人为土、铁铝土和江、河、湖；1∶20 万地质类型数据来源于地质云3.0④https://geocloud.cgs.gov.cn/，地质岩性主要包括橄榄岩、角闪岩、辉长岩、辉绿纷岩、花岗岩、闪长岩和混合岩等11种类型；土地覆盖类型数据来源于欧洲航天局⑤https://esa-worldcover.org/en（European Space Agency, ESA）；崩岗空间分布数据通过结合Google高精度影像（分辨率为1或0.3 m）和水土流失分布数据目视解译获得，主要是在识别强度以上水土流失区域的基础上，利用崩岗在高精度影像上所表现出的纹理、色调、形状和地貌等特征，将其与其他土地覆盖类型分开，如通过高精度影像可以看出崩岗区域具有瓢型、条型、弧型和爪型等特点，因此其能特别容易地与其他土地覆盖类型区分开（李翠漫 等，2020）。此外，通过实地考察和无人机摄影一共获得研究区内2 437 个崩岗样本点，主要分布于梅县区南口镇（254 个）和五华县华城镇（2 183个），将其与目视解译数据进行对比后，确定目视解译获得崩岗样本点的准确性。最后，共获取17 253 个有效样本点（见图1），其中，崩岗样本点5 089 个，林地样本点3 059 个，草地样本点2 649，耕地样本点1 033个，建筑样本点2 007 个，稀疏植被样本点1 515 个，水体样本点1 901个；ERA5气候再分析数据来源于哥白尼气候变化服务中心数据库⑥https://cds.climate.copernicus.eu/，主要包括温度、风速和大气压等气候变量；网格化CHIRPS降雨数据集来源于美国气候危害中心⑦https://www.chc.ucsb.edu/data/chirps；网格化人口分布数据来源于WorldPop网站⑧https://wopr.worldpop.org/。数据来源与参数见表1所示。

考虑到Sentinel-2 L1C 级多光谱数据（丰富的光谱信息）和Sentinel-1 C 波段合成孔径雷达数据（全天候的观测能力）各自的优点及其较高的空间分辨率（10 m）和较短的重返周期（5 d），本文选取的2种卫星星座数据可以满足大尺度动态监测崩岗的数据需求。同时，考虑到ERA5气候再分析数据和CHIRPS降雨数据集的高时空分辨率以及在复杂地形区的适用性（孟宪贵 等，2018；王一冰 等，2021；刘佳 等，2023），选取的气候数据能充分反映研究区气候的时空变化。此外，由于高程和人口空间分布等数据的时间序列数据难以获取，且在短时间内变化幅度较小，本文假设其在2016—2022年保持不变，尽管会降低识别精度，但不会影响研究结果。

1.3 数据预处理

考虑到研究区的地理位置和气候特征，云以及阴影会对光谱特征指数计算造成显著的影响（Zhu and Woodcock, 2012），采用FMASK 算法（Zhu et al., 2015）和Sentinel-2 L1C级多光谱数据的云掩膜波段（QA60）对研究区内2016—2022 年588 景的Sentinel-2 L1C级多光谱数据进行去云和去云阴影处理，以减少数据合成和光谱特征指数计算等因素对崩岗识别的潜在影响。同时，由于获取的土壤类型和地质数据属于文本类标记数据，按照不同的土壤类型或地质类型对其进行分类，如分别将初育土和半水成土编码为1和2。此外，为了在统一坐标和统一分辨率下进行数据分析，将所有数据的地理坐标设为GCS_WGS_1984，并采用双线性重采样法将ERA5气候再分析数据、高程数据、土壤类型数据、地质类型数据和人口空间分布数据重采样至Sentinel-2 L1C 级多光谱数据的空间分辨率（10 m×10 m）。

2 研究方法

首先，基于研究区内的土地覆盖类型和高分辨率影像，通过目视解译等方法获取研究区内的土地覆盖类型样本数据。其次，结合研究区内崩岗的光谱特征和土地覆盖类型构建潜在的崩岗识别特征，并利用随机森林分类模型进行研究区的崩岗识别。最后，结合崩岗识别结果和崩岗侵蚀潜在影响因子，利用Logistic 回归模型进行研究区内的崩岗影响因子测度。技术路线如图2所示。

图2 崩岗识别和影响因子测度的研究技术路线Fig.2 Technical route of Benggang identification and influencing factors analysis

2.1 崩岗识别特征构建

崩岗是水力和重力复合侵蚀形成的侵蚀沟，一般由集水坡面、崩壁、崩积锥、沟道和洪积扇5个部分组成（刘希林 等，2023），其在中高遥感影像中的光谱特征主要表现为植被和裸土的混合光谱特征，结合研究区崩岗的光谱特征和土地覆盖类型，将研究区的土地覆盖类型分为崩岗、林地、草地、耕地、建筑、稀疏植被和水体7类。为了将崩岗与研究区的其他地类区分开，根据崩岗和其他地类（如稀疏植被等）在中高遥感影像上所表现出来的特征，本文构建了20个潜在崩岗识别特征进行研究区崩岗侵蚀识别（表2）。

表2 崩岗识别特征构建Table 2 The identification features of Benggang

通过收集得到的土地覆盖类型样本，获取研究区土地覆盖类型的主要识别特征值范围（图3），由于地质数据和土壤类型数据的分辨率或数据类型限制，未对这2个识别特征进行特征值范围分析。根据图3 可知，研究区的崩岗区域多位于高程200 m和坡度为20°左右的区域内，且崩岗侵蚀区域内的植被覆盖低（如FVC＜0.1）。同时，尽管崩岗与草地、稀疏植被和建筑在某些识别特征（如EVI等植被特征指数）表现出类似的特征值范围，但本文构建的其他识别特征能将崩岗与其分开，如崩岗与建筑物2个地类尽管在本文构建的光谱特征指数上有相似的特征值范围，但两者的高程和坡度特征值范围有较大差异（如崩岗发生的高程多位于200 m 左右，而建筑物的高程多位于100 m左右）。

图3土地覆盖类型的识别特征值范围Fig.3 Identification characteristic values of different land cover types

2.2 崩岗识别方法

随机森林（Random Forest, RF）是一种广泛运用于基于遥感影像的土地覆盖类型分类方法，相较于支持向量机和决策树等机器学习方法，RF表现出更加稳健的性能且具备更快的分类速度（Roy et al.,2016）。该方法采用Bootstrap 抽样技术，从原始数据集中提取训练集，并利用这些训练集构建CART决策树，从而实现分类模型的构建。RF分类器的分类性能以及分类效率主要受决策树数量、候选特征子集以及叶节点最小样本数3 个关键参数的影响，参考已有研究（熊元康 等，2021），将这3 个关键参数分别设置为：决策树数量=100；候选特征子集=4；叶节点最小样本数=1。根据构建的分类特征，将获得的有效样本点随机选择80%作为训练集进行随机森林分类器的训练，其余20%作为测试集验证其分类精度。

2.3 崩岗识别精度验证

采用误差矩阵与文本精度2种方式对分类结果进行精度验证。误差矩阵所计算的精度评价指标包括总体精度（Overall Accuracy, OA）、生产者精度（Produce's Accuracy, PA）、用户精度（User's Accuracy, UA）、Kappa系数和FScore（Xiong et al., 2019），其中OA用于评估算法整体的有效性，PA用于衡量模型对某个类别的分类准确性，UA 用于反映实际属于某个类别的样本中被正确预测为该类别的比例，Kappa 系数应用于解释模型一致性程度，FScore被用于评估每一地类的分类精度（熊元康 等，2021），各精度评价指标计算公式为：

式中：Sn为正确分类的样本数量；N为用于精度验证的样本总量；Xij为误差矩阵第i行第j列的观察值；Xi为误差矩阵中第i行的边际总数；Xj为误差矩阵中第j列的边际总数；n为分类类型数量；Xii为第i类型的被正确分类的样本数目；Xi+为第i类型所在列的样本总量；X+i为第i类型所在行的样本总量；β为PA 和UA 的权重关系，将其设为1。文本精度指本文识别结果与统计数据的对比结果。

2.4 崩岗影响因子测度

崩岗侵蚀地貌的形成是多因素综合影响的结果（Liao et al., 2019; 2023），根据以往研究可知，高强度和高频率的降雨是崩岗侵蚀地貌形成的主要外部影响因子（Xu, 1996），而地表径流在崩岗侵蚀地貌形成过程中起决定性作用（Woo et al., 1997）。此外，地形因素对崩岗侵蚀的影响已得到普遍认可（Liu and Liu, 2020）。因此，在参考已有崩岗影响因子（Gong et al., 2018; Liao et al., 2019, 2023）和崩岗形成机制研究（刘希林 等，2015；马鹏飞，2019；史志华 等，2020；倪世民，2022；刘希林等，2023）基础上，选取人口密度、高程、坡度、坡向、山坡阴影、降水量、大气压、经向风速（u），纬向风速（v）、风速、温度、植被覆盖、土壤类型和地质类型等14个潜在影响因子开展研究区的崩岗侵蚀影响因子测度，选取的14个崩岗潜在影响因子在研究区的空间分布如图4所示。

图4 潜在崩岗影响因子的空间分布Fig.4 The spatial distribution of potential Benggang influencing factors

基于构建的14个潜在崩岗影响因子，采用Logistic回归模型进行研究区内的崩岗侵蚀关键影响因素分析。Logistic 回归模型是一种经典的统计学习方法，常用于构建影响因素与二分类变量之间关系的非线性概率模型，由于其解释性强、计算效率高、适用性高等优势，该模型已被广泛应用于地质灾害敏感性、危险性评估与区划（李翠漫 等，2020）。由于选取的14个潜在崩岗影响因子具有不同的量纲，在进行崩岗影响因子测度前，对选取的潜在崩岗影响因子进行数据标准化处理：

式中：X为原始数据；Xm为原始数据的均值；Xstd为原始数据的标准差；X'为标准化后的数据。

同时，根据2016—2022年研究区内的崩岗识别结果（图5），随机选取1 000个崩岗样本点和2 000个非崩岗样本点进行研究区内的崩岗影响因子测度。为了保证样本之间的独立性，在选取崩岗样本点和非崩岗样本点时，保证样本点之间的距离＞1 km。基于随机选择的样本点，获取每个样本点上14个潜在崩岗影响因子所对应数据，其中植被覆盖度、温度、降雨量、经向风速（u），纬向风速（v）、风速和大气压等7个潜在崩岗影响因子数据为2016—2022年的平均值。

图5 研究区内的崩岗侵蚀空间分布Fig.5 Spatial distribution of Benggang in the study area

3 结果与分析

3.1 精度分析

在选择RF 模型作为土地覆盖类型分类器的基础上，以10 m×10 m的单一像元为分类单元进行研究区内的崩岗识别，而由于单一像元地物混合现象的存在，导致其分类结果中往往存在椒盐噪声。因此，在进行分类结果精度验证前，采用众数滤波（3×3 pixels）对分类结果进行滤波处理。最终用计算得到的总体精度、用户精度、生产者精度以及Kappa 系数表征分类结果的混淆矩阵精度（表3）。研究区内地表覆盖类型识别的总体精度为84%，Kappa系数为0.8，表明本文构建的识别特征和分类器在研究区内具有良好的地表覆盖类型识别效果。针对本研究的重点，崩岗识别的用户精度和生产者精度都超过95%，且其FScore为0.97，证明本文构建的模型能较好地识别出研究区内的崩岗侵蚀范围。同时，根据分类结果，结合Google 高分辨率影像，发现受崩岗侵蚀大小的影响，较小的崩岗侵蚀（＜100 m2）在遥感图像上可能会表现出与某些坡地稀疏植被和草地相似的光谱特征，因此存在将草地和稀疏植被错分为崩岗或将崩岗漏分为草地和稀疏植被的情况。

表3 分类精度Table 3 The accuracy of classification.

3.2 时空演变特征分析

根据研究区内崩岗识别的空间分布可知（见图5），截至2022 年，研究区内崩岗侵蚀面积为435.5 km2，其中五华县、兴宁市、大埔县、丰顺县、梅县区、平远县、蕉岭县和梅江区的崩岗侵蚀面积分别为199.2、70.1、57.7、50.1、35.4、14.9、3.9和1.6 km2。根据历史统计数据可知，2015 年五华县的崩岗侵蚀面积为190 km2（刘希林 等，2015），2019 年兴宁市崩岗侵蚀面积为98 km2（《兴宁市水土保持规划（2020—2030 年）》），2019 年大埔县崩岗侵蚀面积为65 km2（《大埔县水土保持规划（2018—2030 年）》）。此外，根据《梅州市水土保持规划（2016—2030 年）》（梅州市水务局，2019）可知，研究区内的水土流失以自然侵蚀为主，以轻、中度居多，而强度以上水土流失主要由崩岗引起。因此，将研究区内崩岗识别结果与研究区内2019 年的水土流失分布图（梅州市水务局，2019）进行对比（图6），发现本文识别的崩岗侵蚀能较好地与研究区内的水土流失分布在空间上保持一致。综上可知，本文识别的研究区崩岗空间分布能较好地与其他统计数据保持一致，证明本文构建的模型能较好地识别出研究区崩岗侵蚀空间分布。

图6 研究区内的崩岗侵蚀面积年变化Fig.6 Annual change of Benggang area in the study area

根据研究区崩岗识别的时空分布（见图6）可知，2016—2022年，五华县、兴宁市、大埔县、丰顺县、梅县区、平远县、蕉岭县和梅江区的崩岗侵蚀面积年平均变化率为16.29、6.51、5.31、4.94、3.56、1.39、0.42 和0.18 km2/a。根据部分统计数据可知，2006 和2015 年五华县崩岗侵蚀面积分别为61.4（马永 等，2014）和190 km2（刘希林 等，2015），可知五华县崩岗侵蚀面积年平均变化率为12.86 km2/a。由于本文构建的方法侧重于动态监测潜在的崩岗发生区域，未考虑崩岗综合治理带来的崩岗面积变化（崩岗治理后恢复植被覆盖），因此，本文识别的崩岗侵蚀面积年平均变化率与统计数据存在差异。根据以往研究可知，五华县内每处崩岗侵蚀面积约为0.003 7 km2（钟子知 等，2006；刘希林 等，2015），而五华县每年崩岗治理约为978 处（钟子知 等，2006），可估算五华县每年崩岗治理面积约为3.6 km2，因此，本文估算的五华县崩岗侵蚀面积年平均变化率与统计数据之间的差异来源于本文未考虑崩岗治理所引起的崩岗侵蚀面积变化。如果考虑崩岗治理导致的崩岗侵蚀面积变化，本文计算得出的五华县崩岗侵蚀面积年平均变化率能较好地与统计数据的崩岗侵蚀面积年平均变化率保持一致，证明本文构建的模型能较好地实现研究区内的崩岗时空演变特征识别。

3.3 相关性分析

采用回归系数、标准误差、显著性和优势比4个标准，测度研究区内潜在的崩岗影响因子及其对崩岗发生的影响程度。其中，各个潜在影响因子的回归系数代表各因素对崩岗侵蚀所起作用的权重大小，回归系数的绝对值越大，代表该因素对崩岗侵蚀所起作用的权重越大；标准误差被用于衡量回归系数估计的不确定性，反映回归系数估计值的平均离散程度；显著性指回归系数的P值，评估回归系数的显著性，表示当零假设成立时，观察到的样本数据与零假设之间差异的概率；优势比是各影响因子回归系数的指数结果，表示各因子影响程度。当优势比＞1时，表示正向影响；当优势比＜1时，表示负向影响。优势比值距离1越大，意味着该因素对崩岗影响的程度越大。此外，还选择赤池信息量准则（Akaike Information Criterion, AIC）评估模型参数估计的精确性和有效性以及判断自变量之间是否存在多重共线性（Vrieze, 2012），其中△AIC 表示包含该变量和不包含该变量时模型的AIC 差异。当△AIC＜0时，代表该变量对崩岗发生有影响；当△AIC＞0时，代表该变量对崩岗发生没有影响。同时，根据一般经验法则，当-5＜△AIC＜0 时，表示模型间差异微弱；当△AIC≤-5时，表示模型间差异显著（Bolker, 2008）。

从表4可以看出，选定的14个潜在崩岗影响因子中，高程、坡度、植被覆盖、地质类型、人口密度、大气压、降雨量、经向风速、纬向风速和风速10 个因素与崩岗发生存在显著相关性（P＜0.001），而温度、坡向、山体阴影和土壤类型与崩岗发生无相关性（P＞0.1）。其中，地质类型对研究区崩岗发生影响程度最大，其次是坡度和大气压，而降雨量对研究区崩岗发生的影响程度最小。根据Logistic回归模型和AIC 统计量的结果，构建研究区内崩岗敏感性评价模型：

表4 Logistic回归模型参数和AIC统计量Table 4 Logistic regression coefficients and AIC statistics

式中：Z为研究区内崩岗各影响因子线性叠加信息量；xi分别为研究区内高程、坡度、植被覆盖、地质类型、人口密度、大气压、降雨、经向风速、纬向风速和风速数据标准化后的结果；β为10 个影响因素所对应的Logistic回归系数；P为研究区每个栅格单元崩岗发生的概率。

同时，根据表4 和图7 可知，在一定的变化范围内，高程、坡度、地质类型、大气压、经向风速、纬向风速和风速对研究区内崩岗发生的影响为正向影响，植被覆盖、人口密度和降雨量对研究区内崩岗发生的影响为负向影响。如，当海拔＜260 m时，随着海拔增加，岩体风化壳厚度呈上升趋势（Liao et al., 2019），崩岗发生的概率提高；当坡度＜30°时，随着坡度增加，岩体风化壳物质积累越多（Liao et al., 2023），崩岗发生的概率提高；当FVC＞0.2 时，随着植被覆盖增加，水土流失减少（李翠漫 等，2020），崩岗发生的概率降低；当大气压＜1 000 hPa时，大气压的增加会减缓土壤水分的蒸发速率且加快土壤水分冷凝，从而提高土壤水分含量（Han et al., 2013），并加速岩体风化壳物质汇集，可能会提高崩岗发生的概率；在风速方面，东风（经向风速＜0）和北风（纬向风速＞0）越大，跃移沙粒的速度越快（史志华 等，2020），且植被与土壤之间的相互作用加强，可能会提高崩岗发生的概率；地质类型方面，由于花岗岩地层容易在风化过程中形成结构松散的表土层，因此花岗岩地质类型容易发生崩岗（见图4、5），而砾岩、砂岩和粉砂岩上不易发生崩岗（李翠漫 等，2020）；人口密度方面，由于研究区崩岗侵蚀以自然侵蚀为主（梅州市水务局，2019），为了维持山丘区经济的发展，人口密度越大的区域其崩岗防范和治理措施越强。因此，在人口密度越大的区域，其崩岗发生的概率越低（马永 等，2014）；根据以往研究可知，当一个区域的年降雨量＞1 300 mm时，该区域容易发生崩岗（Liao et al., 2023），而当降雨量过大时，强烈的水土流失不利于岩体风化壳物质的积累，导致缺少崩岗发生的内在条件（风化壳厚度）（Liao et al.,2023），而研究区内年平均降水量在1 400～2 200 mm（见图4），在研究区的降水量变化范围内，降雨量越小，崩岗发生的概率越大。

图7 研究区内崩岗影响因子值的变化Fig.7 The change of the value of the influencing factor of Benggang in the study area

4 结论与讨论

结合Sentinel-1/2卫星星座遥感数据和其他辅助数据，生成光谱特征指数、雷达特征指数和其他辅助特征，构建机器学习模型获取区域尺度的崩岗时空演变特征并进行精度验证，在此基础上从气候因素等方面探讨了研究区内崩岗发生的影响因子。得出以下主要结论：

1）运用构建的分类特征和随机森林分类器进行研究区内土地覆盖类型识别的总体精度达到84%，Kappa系数为0.8。其中，崩岗识别的用户精度和生产者精度分别为98.8%和95.9%，且其FScore为0.97，证明本文构建的分类模型能较好地识别出研究区内的崩岗侵蚀范围。

2）截至2022 年，韩江中上游地区崩岗侵蚀面积共有435.5 km2，各县（市、区）崩岗侵蚀面积差异明显，年变化趋势不一。在空间分布上，五华县、兴宁市、大埔县、丰顺县、梅县区、平远县、蕉岭县和梅江区的崩岗侵蚀面积分别为199.2、70.1、57.7、50.1、35.4、14.9、3.9 和1.6 km2。在时间变化趋势上，五华县、兴宁市、大埔县、丰顺县、梅县区、平远县、蕉岭县和梅江区的崩岗侵蚀面积年平均变化率为16.29、6.51、5.31、4.94、3.56、1.39、0.42 和0.18 km2/a。研究区内的五华县崩岗侵蚀最为严重，需加强该区域内的崩岗治理，以提高其森林生态系统服务功能，进而促进区域生态环境的良性循环。

3）韩江中上游地区崩岗发生概率与高程、坡度、植被覆盖、地质类型、人口密度、大气压、降雨量、经向风速、纬向风速和风速等10个因素存在显著相关性（P＜0.001）。其中，地质类型、坡度、大气压、高程、植被覆盖、人口密度和风速是研究区内崩岗发生的主要影响因子，需强加该区域这7类变量的监测，以提高区域崩岗地质灾害的预警能力。同时，在崩岗影响因子的一定变化范围内，高程、坡度、地质类型、大气压、经向风速、纬向风速和风速对研究区内崩岗发生的影响为正向，植被覆盖、人口密度和降雨量对研究区崩岗发生的影响为负向。

本研究在区域尺度上探讨了动态监测崩岗侵蚀分布密度，侵蚀速率和影响因子变化的可能性，结果与其他统计数据能较好地保持一致，对统筹区域社会经济发展、制定防灾减灾措施和生态环境治理等方面有参考价值。但本文也存在不足：1）高程和人口空间分布等数据未使用时间序列数据，造成崩岗侵蚀识别结果的时空分布精度有所下降，未来崩岗时空演变与影响因子分析应拓宽数据来源以保证其时空一致性；2）由于崩岗发育到中后期后会自然恢复植被覆盖，动态监测崩岗过程中易与稀疏植被和草地混淆，会降低崩岗侵蚀识别结果的时空分布精度，未来应构建新的识别特征或融合其他数据以提高其识别精度；3）侧重动态监测新增的崩岗侵蚀区域，忽略了崩岗综合治理带来的崩岗面积变化，未来应结合其他数据将其区分，以提供更为准确的崩岗时空演变信息。