韓江中上游地區的崩崗分布特征

劉 娜，張 恒，鄧璨露，吳家龍，熊元康,3

（1.廣東國地規劃科技股份有限公司，廣州 510650；2.廣州市林業和園林科學研究院，廣州 510405；3.復旦大學 環境科學與工程系，上海 200438）

崩崗是山坡土體或巖體風化殼在重力與水力綜合作用下出現分離、崩塌和堆積等侵蝕現象的地質災害，是一種廣泛分布于中國南部和東南部的典型侵蝕地貌，是中國最為嚴重的4 大類侵蝕溝之一（卓瑞娜 等，2022），其造成的危害僅次于泥石流和山體滑坡（李翠漫 等，2020）。崩崗由于突發性強、爆發性強和難預測性等特點，已成為制約區域經濟發展、社會穩定和生態保護的重要因素（沈盛彧等，2020）。目前，中國各種大小的崩崗共有24萬個，侵蝕面積約1 220 km2，其中約89%的崩崗屬于活動型崩崗（郭飛 等，2022），其直接危害和潛在危害較大。因此，動態監測崩崗的分布密度，發育程度和影響因子變化是統籌區域社會經濟發展和生態環境治理的重要任務。

傳統的崩崗識別方法主要是實地調查，其耗時耗力且效率低，難以滿足區域尺度的崩崗動態監測需求。如2004年8月水利部組織流域崩崗侵蝕區內各級水保部門開展的南方區域崩崗調查，其到2005年11月才完成中國南方崩崗侵蝕現狀調查報告（馮明漢 等，2009）。隨著信息技術的迅速發展，研究者已嘗試利用各種遙感技術進行崩崗監測，如三維激光掃描技術（Liu et al., 2019）和無人機傾斜攝影技術（江學頂 等，2019；沈盛彧 等，2020）。在實際應用中，崩崗識別方法已從傳統的實地調查方式逐漸轉變為基于高分辨率衛星遙感影像和專家系統的目視解譯操作（李昊潔 等，2016），雖然該方法能有效獲取一個區域的崩崗信息，但受限于高分辨率衛星的重返周期和覆蓋范圍，難以實現區域尺度的崩崗動態監測，難以為制定有效、及時的防災減災措施提供重要參考。此外，目前崩崗相關研究主要集中于崩崗的侵蝕機理、侵蝕形態、誘發因素、防控治理等定性研究，且以野外實驗和室內實驗為主，從定量角度分析崩崗發生的影響因子、崩崗風險性評估預測等方面的研究較少，尤其是在大尺度自然環境范圍內，定量分析一個區域內崩崗發生的影響因子及其風險的研究較為缺乏。

目前，由于區域尺度不同精度的遙感影像難以獲取且崩崗發育到中后期后已自然恢復植被覆蓋。因此，利用遙感影像開展大尺度崩崗識別的研究較少（李昊潔 等，2016；沈盛彧 等，2022）。針對以上問題和大尺度動態監測崩崗的必要性，本文嘗試以韓江中上游為研究區，結合Sentinel-2 L1C 級多光譜數據，Sentinel-1 C波段合成孔徑雷達數據和其他輔助數據開展區域尺度的崩崗動態監測，在此基礎上，嘗試從氣候因素等方面揭示韓江中上游區域內崩崗形成的影響因子，以及定量分析各影響因子對研究區內崩崗發生的影響程度。以期為研究大尺度范圍內的崩崗形成機制、發展規律以及影響因素提供參考和借鑒。

1 研究區概況與數據

1.1 研究區概況

韓江中上游地區主要位于梅州市行政轄區內，包括梅江區、梅縣區、興寧市、大埔縣、豐順縣、五華縣、平遠縣、蕉嶺縣8個縣（市、區）（圖1），土地面積約1.59 萬km2，是全國重要生態系統保護和修復重大工程規劃布局“三區四帶”中的南方丘陵山地帶的核心區。受地理位置和地形等因素的影響，該區域冬日短，夏日長，全年氣溫高、冷熱懸殊、氣流閉塞、降雨量大且集中，屬亞熱帶季風氣候區。區域內地形地貌以山地和丘陵為主，地質構造主要由花崗巖巖系構成，土壤以紅壤系列為主且地表表面多覆蓋著深厚的花崗巖風化層（梅州市林業局，2021）。在高溫和持續性降雨的條件下，花崗巖母質上赤紅壤和紅壤的物理風化和化學風化極其強烈，易形成深厚的風化殼，導致土壤結構疏松，易形成崩崗侵蝕地貌（倪世民，2022），因此該區域是廣東省崩崗侵蝕最嚴重的地區，共有崩崗流失面積457.78 km2，占廣東省崩崗侵蝕面積的55.31%（廣東省水利廳，2016）。

1.2 數據來源

在歐洲航天局哥白尼數據中心①https://scihub.copernicus.eu/選取研究區內2016—2022 年588 景Sentinel-2 L1C 級多光譜數據和802景Sentinel-1 C波段合成孔徑雷達數據作為主要數據，用以計算崩崗識別的光譜特征指數和雷達特征指數，其他崩崗識別輔助數據包括高程、坡度、坡向、山體陰影、土壤類型和地質類型。其中，高程數據來源于日本宇宙航空研究開發機構地球觀測中心②https://earth.jaxa.jp/en/data/policy/（JAXA），坡度、坡向和山坡陰影通過高程數據計算而得；土壤類型和行政邊界矢量面數據來源于中國科學院資源環境科學數據中心③https://www.resdc.cn/，研究區的土壤類型主要包括初育土、半水成土、人為土、鐵鋁土和江、河、湖；1∶20 萬地質類型數據來源于地質云3.0④https://geocloud.cgs.gov.cn/，地質巖性主要包括橄欖巖、角閃巖、輝長巖、輝綠紛巖、花崗巖、閃長巖和混合巖等11種類型；土地覆蓋類型數據來源于歐洲航天局⑤https://esa-worldcover.org/en（European Space Agency, ESA）；崩崗空間分布數據通過結合Google高精度影像（分辨率為1或0.3 m）和水土流失分布數據目視解譯獲得，主要是在識別強度以上水土流失區域的基礎上，利用崩崗在高精度影像上所表現出的紋理、色調、形狀和地貌等特征，將其與其他土地覆蓋類型分開，如通過高精度影像可以看出崩崗區域具有瓢型、條型、弧型和爪型等特點，因此其能特別容易地與其他土地覆蓋類型區分開（李翠漫 等，2020）。此外，通過實地考察和無人機攝影一共獲得研究區內2 437 個崩崗樣本點，主要分布于梅縣區南口鎮（254 個）和五華縣華城鎮（2 183個），將其與目視解譯數據進行對比后，確定目視解譯獲得崩崗樣本點的準確性。最后，共獲取17 253 個有效樣本點（見圖1），其中，崩崗樣本點5 089 個，林地樣本點3 059 個，草地樣本點2 649，耕地樣本點1 033個，建筑樣本點2 007 個，稀疏植被樣本點1 515 個，水體樣本點1 901個；ERA5氣候再分析數據來源于哥白尼氣候變化服務中心數據庫⑥https://cds.climate.copernicus.eu/，主要包括溫度、風速和大氣壓等氣候變量；網格化CHIRPS降雨數據集來源于美國氣候危害中心⑦https://www.chc.ucsb.edu/data/chirps；網格化人口分布數據來源于WorldPop網站⑧https://wopr.worldpop.org/。數據來源與參數見表1所示。

考慮到Sentinel-2 L1C 級多光譜數據（豐富的光譜信息）和Sentinel-1 C 波段合成孔徑雷達數據（全天候的觀測能力）各自的優點及其較高的空間分辨率（10 m）和較短的重返周期（5 d），本文選取的2種衛星星座數據可以滿足大尺度動態監測崩崗的數據需求。同時，考慮到ERA5氣候再分析數據和CHIRPS降雨數據集的高時空分辨率以及在復雜地形區的適用性（孟憲貴 等，2018；王一冰 等，2021；劉佳 等，2023），選取的氣候數據能充分反映研究區氣候的時空變化。此外，由于高程和人口空間分布等數據的時間序列數據難以獲取，且在短時間內變化幅度較小，本文假設其在2016—2022年保持不變，盡管會降低識別精度，但不會影響研究結果。

1.3 數據預處理

考慮到研究區的地理位置和氣候特征，云以及陰影會對光譜特征指數計算造成顯著的影響（Zhu and Woodcock, 2012），采用FMASK 算法（Zhu et al., 2015）和Sentinel-2 L1C級多光譜數據的云掩膜波段（QA60）對研究區內2016—2022 年588 景的Sentinel-2 L1C級多光譜數據進行去云和去云陰影處理，以減少數據合成和光譜特征指數計算等因素對崩崗識別的潛在影響。同時，由于獲取的土壤類型和地質數據屬于文本類標記數據，按照不同的土壤類型或地質類型對其進行分類，如分別將初育土和半水成土編碼為1和2。此外，為了在統一坐標和統一分辨率下進行數據分析，將所有數據的地理坐標設為GCS_WGS_1984，并采用雙線性重采樣法將ERA5氣候再分析數據、高程數據、土壤類型數據、地質類型數據和人口空間分布數據重采樣至Sentinel-2 L1C 級多光譜數據的空間分辨率（10 m×10 m）。

2 研究方法

首先，基于研究區內的土地覆蓋類型和高分辨率影像，通過目視解譯等方法獲取研究區內的土地覆蓋類型樣本數據。其次，結合研究區內崩崗的光譜特征和土地覆蓋類型構建潛在的崩崗識別特征，并利用隨機森林分類模型進行研究區的崩崗識別。最后，結合崩崗識別結果和崩崗侵蝕潛在影響因子，利用Logistic 回歸模型進行研究區內的崩崗影響因子測度。技術路線如圖2所示。

圖2 崩崗識別和影響因子測度的研究技術路線Fig.2 Technical route of Benggang identification and influencing factors analysis

2.1 崩崗識別特征構建

崩崗是水力和重力復合侵蝕形成的侵蝕溝，一般由集水坡面、崩壁、崩積錐、溝道和洪積扇5個部分組成（劉希林 等，2023），其在中高遙感影像中的光譜特征主要表現為植被和裸土的混合光譜特征，結合研究區崩崗的光譜特征和土地覆蓋類型，將研究區的土地覆蓋類型分為崩崗、林地、草地、耕地、建筑、稀疏植被和水體7類。為了將崩崗與研究區的其他地類區分開，根據崩崗和其他地類（如稀疏植被等）在中高遙感影像上所表現出來的特征，本文構建了20個潛在崩崗識別特征進行研究區崩崗侵蝕識別（表2）。

表2 崩崗識別特征構建Table 2 The identification features of Benggang

通過收集得到的土地覆蓋類型樣本，獲取研究區土地覆蓋類型的主要識別特征值范圍（圖3），由于地質數據和土壤類型數據的分辨率或數據類型限制，未對這2個識別特征進行特征值范圍分析。根據圖3 可知，研究區的崩崗區域多位于高程200 m和坡度為20°左右的區域內，且崩崗侵蝕區域內的植被覆蓋低（如FVC＜0.1）。同時，盡管崩崗與草地、稀疏植被和建筑在某些識別特征（如EVI等植被特征指數）表現出類似的特征值范圍，但本文構建的其他識別特征能將崩崗與其分開，如崩崗與建筑物2個地類盡管在本文構建的光譜特征指數上有相似的特征值范圍，但兩者的高程和坡度特征值范圍有較大差異（如崩崗發生的高程多位于200 m 左右，而建筑物的高程多位于100 m左右）。

圖3土地覆蓋類型的識別特征值范圍Fig.3 Identification characteristic values of different land cover types

2.2 崩崗識別方法

隨機森林（Random Forest, RF）是一種廣泛運用于基于遙感影像的土地覆蓋類型分類方法，相較于支持向量機和決策樹等機器學習方法，RF表現出更加穩健的性能且具備更快的分類速度（Roy et al.,2016）。該方法采用Bootstrap 抽樣技術，從原始數據集中提取訓練集，并利用這些訓練集構建CART決策樹，從而實現分類模型的構建。RF分類器的分類性能以及分類效率主要受決策樹數量、候選特征子集以及葉節點最小樣本數3 個關鍵參數的影響，參考已有研究（熊元康 等，2021），將這3 個關鍵參數分別設置為：決策樹數量=100；候選特征子集=4；葉節點最小樣本數=1。根據構建的分類特征，將獲得的有效樣本點隨機選擇80%作為訓練集進行隨機森林分類器的訓練，其余20%作為測試集驗證其分類精度。

2.3 崩崗識別精度驗證

采用誤差矩陣與文本精度2種方式對分類結果進行精度驗證。誤差矩陣所計算的精度評價指標包括總體精度（Overall Accuracy, OA）、生產者精度（Produce's Accuracy, PA）、用戶精度（User's Accuracy, UA）、Kappa系數和FScore（Xiong et al., 2019），其中OA用于評估算法整體的有效性，PA用于衡量模型對某個類別的分類準確性，UA 用于反映實際屬于某個類別的樣本中被正確預測為該類別的比例，Kappa 系數應用于解釋模型一致性程度，FScore被用于評估每一地類的分類精度（熊元康 等，2021），各精度評價指標計算公式為：

式中：Sn為正確分類的樣本數量；N為用于精度驗證的樣本總量；Xij為誤差矩陣第i行第j列的觀察值；Xi為誤差矩陣中第i行的邊際總數；Xj為誤差矩陣中第j列的邊際總數；n為分類類型數量；Xii為第i類型的被正確分類的樣本數目；Xi+為第i類型所在列的樣本總量；X+i為第i類型所在行的樣本總量；β為PA 和UA 的權重關系，將其設為1。文本精度指本文識別結果與統計數據的對比結果。

2.4 崩崗影響因子測度

崩崗侵蝕地貌的形成是多因素綜合影響的結果（Liao et al., 2019; 2023），根據以往研究可知，高強度和高頻率的降雨是崩崗侵蝕地貌形成的主要外部影響因子（Xu, 1996），而地表徑流在崩崗侵蝕地貌形成過程中起決定性作用（Woo et al., 1997）。此外，地形因素對崩崗侵蝕的影響已得到普遍認可（Liu and Liu, 2020）。因此，在參考已有崩崗影響因子（Gong et al., 2018; Liao et al., 2019, 2023）和崩崗形成機制研究（劉希林 等，2015；馬鵬飛，2019；史志華 等，2020；倪世民，2022；劉希林等，2023）基礎上，選取人口密度、高程、坡度、坡向、山坡陰影、降水量、大氣壓、經向風速（u），緯向風速（v）、風速、溫度、植被覆蓋、土壤類型和地質類型等14個潛在影響因子開展研究區的崩崗侵蝕影響因子測度，選取的14個崩崗潛在影響因子在研究區的空間分布如圖4所示。

圖4 潛在崩崗影響因子的空間分布Fig.4 The spatial distribution of potential Benggang influencing factors

基于構建的14個潛在崩崗影響因子，采用Logistic回歸模型進行研究區內的崩崗侵蝕關鍵影響因素分析。Logistic 回歸模型是一種經典的統計學習方法，常用于構建影響因素與二分類變量之間關系的非線性概率模型，由于其解釋性強、計算效率高、適用性高等優勢，該模型已被廣泛應用于地質災害敏感性、危險性評估與區劃（李翠漫 等，2020）。由于選取的14個潛在崩崗影響因子具有不同的量綱，在進行崩崗影響因子測度前，對選取的潛在崩崗影響因子進行數據標準化處理：

式中：X為原始數據；Xm為原始數據的均值；Xstd為原始數據的標準差；X'為標準化后的數據。

同時，根據2016—2022年研究區內的崩崗識別結果（圖5），隨機選取1 000個崩崗樣本點和2 000個非崩崗樣本點進行研究區內的崩崗影響因子測度。為了保證樣本之間的獨立性，在選取崩崗樣本點和非崩崗樣本點時，保證樣本點之間的距離＞1 km?；陔S機選擇的樣本點，獲取每個樣本點上14個潛在崩崗影響因子所對應數據，其中植被覆蓋度、溫度、降雨量、經向風速（u），緯向風速（v）、風速和大氣壓等7個潛在崩崗影響因子數據為2016—2022年的平均值。

圖5 研究區內的崩崗侵蝕空間分布Fig.5 Spatial distribution of Benggang in the study area

3 結果與分析

3.1 精度分析

在選擇RF 模型作為土地覆蓋類型分類器的基礎上，以10 m×10 m的單一像元為分類單元進行研究區內的崩崗識別，而由于單一像元地物混合現象的存在，導致其分類結果中往往存在椒鹽噪聲。因此，在進行分類結果精度驗證前，采用眾數濾波（3×3 pixels）對分類結果進行濾波處理。最終用計算得到的總體精度、用戶精度、生產者精度以及Kappa 系數表征分類結果的混淆矩陣精度（表3）。研究區內地表覆蓋類型識別的總體精度為84%，Kappa系數為0.8，表明本文構建的識別特征和分類器在研究區內具有良好的地表覆蓋類型識別效果。針對本研究的重點，崩崗識別的用戶精度和生產者精度都超過95%，且其FScore為0.97，證明本文構建的模型能較好地識別出研究區內的崩崗侵蝕范圍。同時，根據分類結果，結合Google 高分辨率影像，發現受崩崗侵蝕大小的影響，較小的崩崗侵蝕（＜100 m2）在遙感圖像上可能會表現出與某些坡地稀疏植被和草地相似的光譜特征，因此存在將草地和稀疏植被錯分為崩崗或將崩崗漏分為草地和稀疏植被的情況。

表3 分類精度Table 3 The accuracy of classification.

3.2 時空演變特征分析

根據研究區內崩崗識別的空間分布可知（見圖5），截至2022 年，研究區內崩崗侵蝕面積為435.5 km2，其中五華縣、興寧市、大埔縣、豐順縣、梅縣區、平遠縣、蕉嶺縣和梅江區的崩崗侵蝕面積分別為199.2、70.1、57.7、50.1、35.4、14.9、3.9和1.6 km2。根據歷史統計數據可知，2015 年五華縣的崩崗侵蝕面積為190 km2（劉希林 等，2015），2019 年興寧市崩崗侵蝕面積為98 km2（《興寧市水土保持規劃（2020—2030 年）》），2019 年大埔縣崩崗侵蝕面積為65 km2（《大埔縣水土保持規劃（2018—2030 年）》）。此外，根據《梅州市水土保持規劃（2016—2030 年）》（梅州市水務局，2019）可知，研究區內的水土流失以自然侵蝕為主，以輕、中度居多，而強度以上水土流失主要由崩崗引起。因此，將研究區內崩崗識別結果與研究區內2019 年的水土流失分布圖（梅州市水務局，2019）進行對比（圖6），發現本文識別的崩崗侵蝕能較好地與研究區內的水土流失分布在空間上保持一致。綜上可知，本文識別的研究區崩崗空間分布能較好地與其他統計數據保持一致，證明本文構建的模型能較好地識別出研究區崩崗侵蝕空間分布。

圖6 研究區內的崩崗侵蝕面積年變化Fig.6 Annual change of Benggang area in the study area

根據研究區崩崗識別的時空分布（見圖6）可知，2016—2022年，五華縣、興寧市、大埔縣、豐順縣、梅縣區、平遠縣、蕉嶺縣和梅江區的崩崗侵蝕面積年平均變化率為16.29、6.51、5.31、4.94、3.56、1.39、0.42 和0.18 km2/a。根據部分統計數據可知，2006 和2015 年五華縣崩崗侵蝕面積分別為61.4（馬永 等，2014）和190 km2（劉希林 等，2015），可知五華縣崩崗侵蝕面積年平均變化率為12.86 km2/a。由于本文構建的方法側重于動態監測潛在的崩崗發生區域，未考慮崩崗綜合治理帶來的崩崗面積變化（崩崗治理后恢復植被覆蓋），因此，本文識別的崩崗侵蝕面積年平均變化率與統計數據存在差異。根據以往研究可知，五華縣內每處崩崗侵蝕面積約為0.003 7 km2（鐘子知 等，2006；劉希林 等，2015），而五華縣每年崩崗治理約為978 處（鐘子知 等，2006），可估算五華縣每年崩崗治理面積約為3.6 km2，因此，本文估算的五華縣崩崗侵蝕面積年平均變化率與統計數據之間的差異來源于本文未考慮崩崗治理所引起的崩崗侵蝕面積變化。如果考慮崩崗治理導致的崩崗侵蝕面積變化，本文計算得出的五華縣崩崗侵蝕面積年平均變化率能較好地與統計數據的崩崗侵蝕面積年平均變化率保持一致，證明本文構建的模型能較好地實現研究區內的崩崗時空演變特征識別。

3.3 相關性分析

采用回歸系數、標準誤差、顯著性和優勢比4個標準，測度研究區內潛在的崩崗影響因子及其對崩崗發生的影響程度。其中，各個潛在影響因子的回歸系數代表各因素對崩崗侵蝕所起作用的權重大小，回歸系數的絕對值越大，代表該因素對崩崗侵蝕所起作用的權重越大；標準誤差被用于衡量回歸系數估計的不確定性，反映回歸系數估計值的平均離散程度；顯著性指回歸系數的P值，評估回歸系數的顯著性，表示當零假設成立時，觀察到的樣本數據與零假設之間差異的概率；優勢比是各影響因子回歸系數的指數結果，表示各因子影響程度。當優勢比＞1時，表示正向影響；當優勢比＜1時，表示負向影響。優勢比值距離1越大，意味著該因素對崩崗影響的程度越大。此外，還選擇赤池信息量準則（Akaike Information Criterion, AIC）評估模型參數估計的精確性和有效性以及判斷自變量之間是否存在多重共線性（Vrieze, 2012），其中△AIC 表示包含該變量和不包含該變量時模型的AIC 差異。當△AIC＜0時，代表該變量對崩崗發生有影響；當△AIC＞0時，代表該變量對崩崗發生沒有影響。同時，根據一般經驗法則，當-5＜△AIC＜0 時，表示模型間差異微弱；當△AIC≤-5時，表示模型間差異顯著（Bolker, 2008）。

從表4可以看出，選定的14個潛在崩崗影響因子中，高程、坡度、植被覆蓋、地質類型、人口密度、大氣壓、降雨量、經向風速、緯向風速和風速10 個因素與崩崗發生存在顯著相關性（P＜0.001），而溫度、坡向、山體陰影和土壤類型與崩崗發生無相關性（P＞0.1）。其中，地質類型對研究區崩崗發生影響程度最大，其次是坡度和大氣壓，而降雨量對研究區崩崗發生的影響程度最小。根據Logistic回歸模型和AIC 統計量的結果，構建研究區內崩崗敏感性評價模型：

表4 Logistic回歸模型參數和AIC統計量Table 4 Logistic regression coefficients and AIC statistics

式中：Z為研究區內崩崗各影響因子線性疊加信息量；xi分別為研究區內高程、坡度、植被覆蓋、地質類型、人口密度、大氣壓、降雨、經向風速、緯向風速和風速數據標準化后的結果；β為10 個影響因素所對應的Logistic回歸系數；P為研究區每個柵格單元崩崗發生的概率。

同時，根據表4 和圖7 可知，在一定的變化范圍內，高程、坡度、地質類型、大氣壓、經向風速、緯向風速和風速對研究區內崩崗發生的影響為正向影響，植被覆蓋、人口密度和降雨量對研究區內崩崗發生的影響為負向影響。如，當海拔＜260 m時，隨著海拔增加，巖體風化殼厚度呈上升趨勢（Liao et al., 2019），崩崗發生的概率提高；當坡度＜30°時，隨著坡度增加，巖體風化殼物質積累越多（Liao et al., 2023），崩崗發生的概率提高；當FVC＞0.2 時，隨著植被覆蓋增加，水土流失減少（李翠漫 等，2020），崩崗發生的概率降低；當大氣壓＜1 000 hPa時，大氣壓的增加會減緩土壤水分的蒸發速率且加快土壤水分冷凝，從而提高土壤水分含量（Han et al., 2013），并加速巖體風化殼物質匯集，可能會提高崩崗發生的概率；在風速方面，東風（經向風速＜0）和北風（緯向風速＞0）越大，躍移沙粒的速度越快（史志華 等，2020），且植被與土壤之間的相互作用加強，可能會提高崩崗發生的概率；地質類型方面，由于花崗巖地層容易在風化過程中形成結構松散的表土層，因此花崗巖地質類型容易發生崩崗（見圖4、5），而礫巖、砂巖和粉砂巖上不易發生崩崗（李翠漫 等，2020）；人口密度方面，由于研究區崩崗侵蝕以自然侵蝕為主（梅州市水務局，2019），為了維持山丘區經濟的發展，人口密度越大的區域其崩崗防范和治理措施越強。因此，在人口密度越大的區域，其崩崗發生的概率越低（馬永 等，2014）；根據以往研究可知，當一個區域的年降雨量＞1 300 mm時，該區域容易發生崩崗（Liao et al., 2023），而當降雨量過大時，強烈的水土流失不利于巖體風化殼物質的積累，導致缺少崩崗發生的內在條件（風化殼厚度）（Liao et al.,2023），而研究區內年平均降水量在1 400～2 200 mm（見圖4），在研究區的降水量變化范圍內，降雨量越小，崩崗發生的概率越大。

圖7 研究區內崩崗影響因子值的變化Fig.7 The change of the value of the influencing factor of Benggang in the study area

4 結論與討論

結合Sentinel-1/2衛星星座遙感數據和其他輔助數據，生成光譜特征指數、雷達特征指數和其他輔助特征，構建機器學習模型獲取區域尺度的崩崗時空演變特征并進行精度驗證，在此基礎上從氣候因素等方面探討了研究區內崩崗發生的影響因子。得出以下主要結論：

1）運用構建的分類特征和隨機森林分類器進行研究區內土地覆蓋類型識別的總體精度達到84%，Kappa系數為0.8。其中，崩崗識別的用戶精度和生產者精度分別為98.8%和95.9%，且其FScore為0.97，證明本文構建的分類模型能較好地識別出研究區內的崩崗侵蝕范圍。

2）截至2022 年，韓江中上游地區崩崗侵蝕面積共有435.5 km2，各縣（市、區）崩崗侵蝕面積差異明顯，年變化趨勢不一。在空間分布上，五華縣、興寧市、大埔縣、豐順縣、梅縣區、平遠縣、蕉嶺縣和梅江區的崩崗侵蝕面積分別為199.2、70.1、57.7、50.1、35.4、14.9、3.9 和1.6 km2。在時間變化趨勢上，五華縣、興寧市、大埔縣、豐順縣、梅縣區、平遠縣、蕉嶺縣和梅江區的崩崗侵蝕面積年平均變化率為16.29、6.51、5.31、4.94、3.56、1.39、0.42 和0.18 km2/a。研究區內的五華縣崩崗侵蝕最為嚴重，需加強該區域內的崩崗治理，以提高其森林生態系統服務功能，進而促進區域生態環境的良性循環。

3）韓江中上游地區崩崗發生概率與高程、坡度、植被覆蓋、地質類型、人口密度、大氣壓、降雨量、經向風速、緯向風速和風速等10個因素存在顯著相關性（P＜0.001）。其中，地質類型、坡度、大氣壓、高程、植被覆蓋、人口密度和風速是研究區內崩崗發生的主要影響因子，需強加該區域這7類變量的監測，以提高區域崩崗地質災害的預警能力。同時，在崩崗影響因子的一定變化范圍內，高程、坡度、地質類型、大氣壓、經向風速、緯向風速和風速對研究區內崩崗發生的影響為正向，植被覆蓋、人口密度和降雨量對研究區崩崗發生的影響為負向。

本研究在區域尺度上探討了動態監測崩崗侵蝕分布密度，侵蝕速率和影響因子變化的可能性，結果與其他統計數據能較好地保持一致，對統籌區域社會經濟發展、制定防災減災措施和生態環境治理等方面有參考價值。但本文也存在不足：1）高程和人口空間分布等數據未使用時間序列數據，造成崩崗侵蝕識別結果的時空分布精度有所下降，未來崩崗時空演變與影響因子分析應拓寬數據來源以保證其時空一致性；2）由于崩崗發育到中后期后會自然恢復植被覆蓋，動態監測崩崗過程中易與稀疏植被和草地混淆，會降低崩崗侵蝕識別結果的時空分布精度，未來應構建新的識別特征或融合其他數據以提高其識別精度；3）側重動態監測新增的崩崗侵蝕區域，忽略了崩崗綜合治理帶來的崩崗面積變化，未來應結合其他數據將其區分，以提供更為準確的崩崗時空演變信息。