EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 11: 2042 - 2054

DOI: https://doi.org/10.12082/dqxxkx.2021.210182

地理空间分析综合应用

气候变化情景下广东省降雨诱发型滑坡灾害潜在分布及预测

  • 麦鉴锋 ,
  • 冼宇阳 ,
  • 刘桂林 , *
展开
  • 华南师范大学地理科学学院,广州 510631
刘桂林（1985—）,男,山东青州人,副研究员,硕士生导师,主要从事环境遥感与地理信息科学研究。E-mail:

麦鉴锋（1999—）,男,广东广州人,本科生,研究方向为地理信息科学与国土空间规划。E-mail:

收稿日期: 2021-04-06

  要求修回日期: 2021-07-22

  网络出版日期: 2022-01-25

基金资助

国家自然科学基金项目(41901349)

华南师范大学青年拔尖人才启动基金项目(8S0472)

广东省普通高校青年创新人才类项目(2018KQNCX054)

广东省省级科技计划项目(2021B1111610001)

广东省省级科技计划项目(2018B020207002)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Predicting Potential Rainfall-Triggered Landslides Sites in Guangdong Province (China) using MaxEnt Model under Climate Changes Scenarios

  • MAI Jianfeng ,
  • XIAN Yuyang ,
  • LIU Guilin , *
Expand
  • School of Geography, South China Normal University, Guangzhou 510631, China
LIU Guilin, E-mail:

Received date: 2021-04-06

  Request revised date: 2021-07-22

  Online published: 2022-01-25

Supported by

National Natural Science Foundation of China, No(41901349)

The Startup Foundation for Talented Scholars in South China Normal University, No(8S0472)

Foundation for Young Innovation Talents in Higher Education of Guangdong, China (Natural Science), No(2018KQNCX054)

The Science and Technology Program of Guangdong Province, China, No(2021B1111610001)

The Science and Technology Program of Guangdong Province, China, No(2018B020207002)

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

降雨诱发型滑坡灾害导致了人居环境的破坏并带来巨大的经济损失,尤其是在经济高度发达的粤港澳大湾区城市群。因此,急需有关降雨诱发型滑坡灾害分布的影响因素以及未来气候变化情景下潜在分布的研究。本文从气候变化角度出发,基于最大熵（MaxEnt）模型,结合气候、地形、地表覆盖等数据,揭示不同影响因素对当前气候环境下广东省滑坡空间分布的作用,进而阐述了未来气候情景下滑坡的潜在分布。结果表明：① 影响滑坡灾害空间分布的主要因子为最湿季度降雨量、7月降雨量、海拔和4月降雨量;② 当最湿季度降雨量处于593~742 mm、7月降雨量处于139~223 mm、海拔处于81~397 m和4月降雨量处于154~186 mm之间时,滑坡灾害较易发生;③ 受到气候变化的影响,当前密集分布于粤东地区的滑坡灾害高风险区的潜在分布范围和危害性总体呈现扩大趋势。本研究的结果可以为国土空间规划及城市群灾害预防提供科学依据。

关键词： 降雨诱发型滑坡; MaxEnt模型; 影响因子; 空间分析; 气候变化; 情景模拟; 预测; 广东省

本文引用格式

麦鉴锋 , 冼宇阳 , 刘桂林 . 气候变化情景下广东省降雨诱发型滑坡灾害潜在分布及预测[J]. 地球信息科学学报, 2021 , 23(11) : 2042 -2054 . DOI: 10.12082/dqxxkx.2021.210182

Abstract

As a natural disaster, rainfall-triggered landslide causes tremendous losses to mankind and then seriously affects living environments of mankind, especially in highly economically developed urban agglomeration areas. Many scholars have carried out data collection and related researches from the perspectives of real-time monitoring, process mechanism analysis, risk assessment, and prediction. However, the abovementioned studies lack the prediction of the potential distribution of landslides from the perspective of climate change. Therefore, we employed the Maximum Entropy (MaxEnt) model to simulate the current distribution of potential rainfall-triggered landslides combined with a series of indicators related to precipitation, including geology, topography, vegetation cover, the precipitation of April, precipitation of May, precipitation of July, precipitation of wettest quarter, Enhanced Vegetation Index (EVI), elevation, slope, lithology, and distance to fault. Then we revealed different effects of those influencing factors on the spatial distribution of landslides in Guangdong Province. Finally, we predicted the future potential distribution of rainfall-triggered landslides under the Shared Socio-economic Pathways (SSPs) scenarios from 2021 to 2060. The results show that the average AUC (Area under the receiving operator curve) value of the model simulation was 0.820, exceeding the standard of "very accurate" simulation effect, and the Kappa coefficient was also 0.823 after 10 repeated simulations. We found that precipitation of wettest quarter, precipitation of July, precipitation of April, and elevation significantly affected the distribution of landslides, in which the wettest season rainfall was the most contributing factor. Specifically, the precipitation of wettest quarter between 593~742 mm, precipitation of July between 139~223 mm, precipitation of April between 154~186 mm, and elevation between 81~397 m were highly correlated to the occurrence of rainfall-triggered landslides. Currently, the area of high risk of rainfall-triggered landslides in Guangdong Province was 1.28×104 km2, accounting for 7.59% of Guangdong Province. Spatially, it is mainly distributed in the eastern part of Guangdong Province. However, under three future SSPs scenarios (SSP1-2.6, SSP3-7.0, and SSP5-8.5) of two periods (i.e., 2021—2040, 2041—2060), the potential distribution range and harm of the areas above the risk in Guangdong Province have shown an expansion trend. The area increased the most under the SSP1-2.6 scenario during the period of 2041—2060. The simulated future high-risk distribution of landslide had potential harm to Guangdong-Hong Kong-Macao Greater Bay Area and Eastern Guangdong urban agglomeration. The findings can provide scientific evidence for the future smart sustainable territory development plan from the perspective of prediction of landslide distribution.

Key words： rainfall-triggered landslide; MaxEnt modeling; influence factors; spatial analysis; climate change; scenario simulation; prediction; Guangdong Province

1 引言

滑坡,是指岩石、土壤、碎屑或它们的组成物沿斜坡向下或向外移动的过程[1],全球滑坡类型丰富多样,可分为降雨型、地震诱发型、雪崩诱发型等[2,3]。作为自然灾害的一种,其具有发生概率高,突发性强,运动速度快,分布面积广和灾害损失严重等突出特点[4]。在1995—2014年全球共有3876次滑坡的产生,导致了163 658人死亡和11 689人受伤[5]。鉴于其突出的危害性,包括联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change,IPCC）,联合国环境规划署（UN Environment Programme,UNEP）等国际组织和亚洲减灾中心（Asian Disaster Reduction Center,ADRC）,加拿大渔业及海洋部（Fisheries and Oceans Canada, DFO）等政府机构及相关学者都对其开展数据收集等研究工作。
目前,国内外学者针对滑坡的“天-空-地”实时监测[6,7]、滑坡过程的机理分析[4,8]、滑坡灾害的风险评价[9,10,11]和滑坡预测[12,13]方面进行了大量研究。其中,滑坡预测方法主要有概率分析法、数学模型评价法、定性推理法等[9]。尽管,滑坡的成因机理有蠕变理论[14]等重大的基础性突破,但滑坡空间分布预测仍受制于区域特征参数的获取。在缺乏降雨因素的前提下,Stanley等[15]利用地形、地质、道路、森林覆盖和抗震性等因子,通过模糊逻辑模型获取了全球滑坡敏感性分布图。随后,Kirschbaum等[16,17]基于此通过叠加降水数据构建了Landslide Hazard Assessment for Situational Awareness （LHASA）模型,进行了滑坡灾害发生的预警研究。然而,上述研究缺少将降水等触发因子与地质、地形、人类活动等敏感性因素结合起来进行模型模拟滑坡的潜在空间分布,并且还缺乏从气候变化视角出发的滑坡潜在分布预测。朱阿兴等[18]提出的地理第三定律认为,在一个位置上的地理环境与所关注的对象有关,其所关注的是地理现象的多要素组合特征且通过地理相似性的定量化来进行应用。以滑坡为例,当所关注的目标地理变量是滑坡时,地理环境是由与滑坡产生有关的地理要素所构成。若从此角度出发,MaxEnt模型无疑与之高度吻合。MaxEnt模型为基于最大熵理论的密度估算和分布预测模型[19],其在影响因子之间相关性不明确和样本数量相对较少的情况下仍能获取精度相对较高的预测结果[20,21]。
广东省的滑坡灾害多属于降雨诱发型[22,23],当每年进入4—9月的汛期之后,区域内滑坡等自然灾害发生的概率都会明显增加[24],从而对粤港澳大湾区城市群等重要地区产生一定威胁。因此,本文从气候变化视角出发,基于MaxEnt模型分析解释广东省降雨诱发型滑坡灾害的空间分布格局并阐述其影响因素,同时预测不同气候变化情景下的降雨诱发型滑坡灾害潜在时空分布与差异。

2 研究区概况、研究方法与数据来源

2.1 研究区概况

广东省位于中国大陆最南部,为亚热带季风气候,夏季高温多雨,冬季温和少雨,年平均气温为19~24 ℃,年平均降雨量为1300~2500 mm[25]。地质构造上属于华南褶皱系的一部分,且接近环太平洋火山地震带,区域内拥有较多大型褶皱和深大断裂带,其中以北-东向（NE）为主要类型,但同时也夹杂着东-西向（EW）和北-西向（NW）构造从而形成较为复杂的构造基底[26]。受此影响,广东省的山脉走向也以东北—西南走向为主,区域内山地、丘陵广布,地貌类型多样。广东省地层发育齐全,从震旦系至第四系均有岩层出露,其中上古生界碳酸盐岩和滨海地区第四系软土层分布广泛;基岩构成类型多样,其中以花岗岩最为普遍,约占全省陆地面积35%,灰岩和片麻岩等也较多,同时还伴随有局部的红色岩系[27]。
广东省主要包括四大区域[28]（图1）,分别是粤东、粤西、粤北和粤港澳大湾区。粤东地区地势北高南低,包含汕头市、汕尾市、揭阳市、潮州市和梅州市;粤西地区砖红壤广布,包含湛江市、茂名市和阳江市;粤北地区地形崎岖,部分地区为喀斯特地貌,包含清远市、韶关市、河源市和云浮市;大湾区大部分区域为珠江三角洲平原,地势平坦,经济发达,包含江门市、佛山市、广州市、珠海市、中山市、东莞市、深圳市和惠州市。
图1 广东省分区与概况图

注：该图基于自然资源部标准地图服务网站下载的审图号为粤S(2020)085号的标准地图制作,底图无修改。

Fig. 1 Division of Guangdong Province

2.2 研究方法

2.2.1 情景设置
本文共设置了当前以及未来共7种气候模拟情景,其中未来气候情景为中国国家气候中心研发的BCC-CSM2-MR气候系统模式模拟的结果[29],其为4种假定共享社会经济路径（Shared Socio-economic Pathways, SSPs）在多个时间段内的体现,如表1所示。SSPs为原有辐射强迫路径（Representative Concentration Pathway, RCP）的补充与更新,其目的为通过全新的二氧化碳和非二氧化碳排放的途径和组合,更好地定量描述不同人类社会经济发展路径下的气候变化[30]。
表1 4种共享社会经济路径[30]

Tab. 1 Four kinds of shared socio-economic pathways

情景 描述
SSP1-2.6 是可持续发展路径情景,对RCP2.6情景进行更新,设定辐射强迫在2100年达到2.6 W/m2
SSP2-4.5 是中度发展路径情景,对RCP4.5情景进行更新,设定辐射强迫在2100年达到4.5 W/m2
SSP3-7.0 是局部发展路径情景,新设置的排放情景,设定辐射强迫在2100年达到7.0 W/m2
SSP5-8.5 是常规发展路径情景,对RCP8.5情景进行更新,设定辐射强迫在2100年达到8.5 W/m2
2.2.2 模型及参数设置
本文利用MaxEnt模型来对滑坡灾害的潜在分布进行模拟。模型参数设置为：选择25%分布点作为测试集,75%分布点作为训练集,同时采用Bootstrap方法进行抽样验证;默认设置最大迭代次数为 500次,最大背景点数量为10 000个;采用刀切法（Jackknife）对权重进行检验,设置受试者工作特征曲线（Receiver Operating Characteristic,ROC）。
2.2.3 因子共线性检验
受到因子之间相关性的影响,模型模拟可能会出现过度拟合的现象[31,32]。因此,本研究会先将全部变量输入MaxEnt模型得到初步的模型模拟结果和各因子贡献度,随后通过ArcGIS软件中的波段统计得出不同因子间相关系数矩阵。然后,根据矩阵中2个因子的相关性系数 r ≥ 0.8、结合基于所有因子模拟结果中各因子贡献度的高低、以及本文所用滑坡数据的环境条件（ http://dzj.gd.gov.cn/）等信息,排除相关性高、贡献度低及影响程度低的因子。
2.2.4 精度评价方法
AUC（Area under the receiving operator curve,AUC）值通常被用来评价模拟结果的准确性,AUC值分布数值区间为0~1,越接近于1说明环境变量与模拟对象分布之间的相关性越大,即模拟的结果越优良,AUC值认为在0.7~0.8之间为“较精确”,在0.8~0.9之间为“很精确”,超过0.9则为“非常精确”[33]。
Kappa系数则通常用来衡量模拟结果与真实情景的一致性[34,35],Kappa系数的分布区间通常处于0~1,越接近于1说明模拟结果与现实情景越符合,即模拟结果越符合实际。Kappa系数认为在0.4~0.6为“适中”,0.6~0.8为“显著”,大于0.8则为“极佳”[36,37]。

2.3 数据来源

2.3.1 滑坡数据
本文所用的滑坡灾害数据来自广东省地质局发布的2019年地质灾害防治数据[38]。其中,滑坡灾害数据包含：经纬度、灾害危险性、规模等级（以小规模为主）、诱发因素（主要为强降雨）。因此,本文基于ArcGIS软件对研究区内205个滑坡灾害点,进行地理信息空间数据库建库及可视化。
2.3.2 影响因子选择
以往研究表明广东省滑坡灾害受到气候、地形、地质和人类活动因素影响[39,40],因此本文从气候、地形、地质和地表覆盖层面,选取19个指标（表2）。气候因子数据,包括历史气候数据（1970—2000年）和未来气候预测数据（2021—2040年、2041—2060年）,均来自世界气候数据库[41]（WorldClim, http://www.worldclim.org/）,分辨率分别是30″和2.5′。由于降雨诱发型滑坡主要受到气候因子中降雨部分的影响,因此选择逐月降雨变量和生物气候变量中的降雨部分作为二级指标。
表2 影响滑坡灾害的环境因子

Tab. 2 Environment variables affecting landslides

一级指标 二级指标 来源 空间分辨率
气候因子 年平均降雨量 WorldClim 30″, 2.5′
最湿月降雨量 WorldClim 30″, 2.5′
降雨量季节变异系数 WorldClim 30″, 2.5′
最湿季度降雨量 WorldClim 30″, 2.5′
最热季度降雨量 WorldClim 30″, 2.5′
3月降雨量 WorldClim 30″, 2.5′
4月降雨量 WorldClim 30″, 2.5′
5月降雨量 WorldClim 30″, 2.5′
6月降雨量 WorldClim 30″, 2.5′
7月降雨量 WorldClim 30″, 2.5′
8月降雨量 WorldClim 30″, 2.5′
9月降雨量 WorldClim 30″, 2.5′
地形因子 海拔 WorldClim 30″
坡度 WorldClim 30″
坡向 WorldClim 30″
地质因子 岩性 GLiM 30′
距断层距离 Geodb 30″, 2.5′
地表覆盖 2018年土地利用数据 RESDC 1 km
增强型植被指数 NASA 0.5 km
对于地形方面的影响,本文从海拔、坡度和坡向方面进行切入。其中海拔数据来自于世界气候数据库的SRTM数据[41],分辨率为30″,坡度与坡向因子据此计算出来。关于地质因子,本文在结合了区域环境以及前人研究的基础上[3,42-43],选择了岩性和距断层距离作为二级指标。以上2种数据分别来自全球岩性地图[44]（Global Lithological Map, GLiM）数据库和地质科学数据出版中心[45]（ http://geodb.cgs.gov.cn/）,其中岩性数据根据工程地质手册进行了重分类,划分为坚硬岩、较硬岩、较软岩和软岩4大类;而距断层距离则根据断层线进行欧氏距离计算得出。
地表覆盖,可划分为人为覆盖和自然覆盖,因此本文结合2018年土地利用数据和2019年7月的增强型植被指数（Enhanced Vegetation Index,EVI）进行综合考虑,其中土地利用数据用于提取建筑用地与滑坡潜在灾害进行空间叠加分析。上述数据分别来源于中国科学院资源环境科学与数据中 心[46]（ http://resdc.cn/）与美国航空航天局（National Aeronautics and Space Administration,NASA）数据库[47]（ https://www.nasa.gov/）。
在MaxEnt模拟前,获取分辨率高的栅格数据的中心点,来提取分辨率粗的栅格数值,再转换成保持原有属性值的栅格数据,来统一所有因子的栅格大小[48]。本文用于模拟的因子地理坐标系为WGS84,而模拟结果数据采用了WGS84-Albers等面积投影,统计空间分布面积。经过共线性检验后最终共筛选出9个影响因子引入模型,分别为：4月降雨量、5月降雨量、7月降雨量、最湿季度降雨量、EVI、海拔、坡度、岩性和距断层距离。

3 结果与分析

3.1 影响滑坡灾害潜在地理分布的环境因子

根据155个训练样本点,50 个测试样本点,MaxEnt模型对广东的滑坡灾害模拟与预测结果如图2所示。在本次模型模拟中,在做共线性排除高度相关变量之前,训练样本经过10次模拟所得的AUC值能够达到0.847,而在进行共线性排除后模型运算所得AUC平均值仍能达到0.820,超过了模拟效果“很精确”的标准。并且Kappa系数也达到0.823,处于“极佳”的范围。结合上述2种评价,能说明模型能够较好地模拟广东省滑坡灾害的潜在分布。
图2 模型AUC平均值

Fig. 2 Average AUC of the model

如图3所示,在模型所获得的环境变量贡献率和重要性中共有5个变量的贡献率大于5%,排列顺序分别为最湿季度降雨量（33.9%）、海拔（21.5%）、7月降雨量（15.3%）、岩性（6.3%）、4月降雨量（5.7%）。而从刀切法检验结果来看,可以看到当仅使用单一环境因子时对正规化训练增益影响最大的5个因子分别为最湿季度降雨量、7月降雨量、海拔、5月降雨量、4月降雨量。将二者结合来看,可以得出最湿季度降雨量、7月降雨量、海拔和4月降雨量为影响当前环境下滑坡灾害点在广东省分布的最主要的环境因子。
图3 环境因子贡献值和刀切值

Fig. 3 Environmental variables contributions and jackknife test

本文选择了0.5作为划分阈值[49],当概率为0~0.5认为存在可能性较小,0.5~1.0认为存在高度可能性。由模型运行结果可知（图4）,当最湿季度降雨量处于593~742 mm时,滑坡灾害高度可能发生,而随着最湿季度降雨量的增加,滑坡灾害的发生概率呈下降趋势;当7月降雨量在139~223 mm时,滑坡灾害发生的可能性较高,且整体呈现先增加后下降的趋势;当海拔处于81~397 m时,滑坡灾害发生的可能性较高,随后随着海拔的增加,滑坡发生的可能性逐渐下降;4月降雨量与滑坡的关系与7月降雨量相似,同样呈现先增加后下降的趋势,但增加与下降的速度有所差异,当降雨量在154~186 mm时,为滑坡灾害发生可能性较高区间。
图4 滑坡灾害存在概率对主要环境因子的响应曲线

Fig. 4 Response curves of environmental variables in MaxEnt models

3.2 当前气候条件下滑坡灾害的潜在地理分布

结合自然间断法和模型得出的最大训练特异性（Maximum Training Sensitivity Plus Specificity）,本文将滑坡灾害的可能发生区划分为4个等级（图5）：低风险区（0.13~0.27）、中风险（0.27~0.42）、中高风险（0.42~0.57）和高风险（0.57~0.92）。低于0.13的区域则认为是无风险区。滑坡灾害的高风险区面积约为1.28×104 km2,约占广东省的7.59%。主要分布在粤东地区的潮州市中部、汕头市中部、揭阳市西部和北部、汕尾市北部、梅州市的东部、南部和西部;大湾区中广州市的中部;粤北地区河源市的东南部;粤西地区茂名市的北部。滑坡灾害的中高风险区面积约为2.97×104 km2,约占广东省的17.61%。主要分布在粤东地区梅州市中部、汕尾市的中北部;粤北地区河源市的东部和南部、韶关地区的西北部和东北部、清远地区的北部和南部;大湾区广州市的东北部、惠州市的北部、肇庆市的大部;粤西地区云浮市除南部的地区、茂名市的北部。滑坡灾害的中风险区面积约为4.15×104 km2,约占广东省的24.60%。主要分布在粤东地区梅州市的北部、汕尾市的中部、揭阳市的南部、汕头市的南部;粤北地区韶关的中部、清远市的西部和南部、云浮市的中部、河源市的中部和北部;大湾区惠州市的中部;粤西地区茂名市的中部。滑坡灾害的低风险区面积约为3.65×104 km2,约占广东省的21.64%。主要分布在粤东地区汕尾市中部、揭阳市的南部、汕头市大部;粤北地区清远市的东部、中部,韶关市的南部,河源市的西部,云浮市的南部;大湾区东莞市的中部,惠州的中部;粤西地区茂名市的南部、阳江市的西部和湛江市东北部。通过叠加土地利用现状和断裂带分布图,能够发现粤港澳大湾区城市群和粤东城市群不仅被多条断裂带横穿而且均有部分区域与滑坡灾害高风险区重叠,因此未来上述区域进行沿线道路建设、地铁挖掘等基础设施建设可能需要多加注意[50,51,52]。
图5 广东省滑坡灾害、土地利用和断裂带叠加结果

注：该图基于自然资源部标准地图服务网站下载的审图号为粤S(2020)085号的标准地图制作,底图无修改。

Fig. 5 Landslide hazard, land use and fault zone superposition map of Guangdong Province

3.3 气候变化对滑坡灾害潜在地理分布的影响预测

2021—2040年和2041—2060年这2个时间段广东省滑坡灾害的中风险以上地区总体呈现的是一个随着时间推移面积逐步扩张的趋势,伴随而来的是中低风险区或无风险区的缩小（图6）。如表3所示,在2021—2040年的SSP1-2.6情境下,高风险区和中高风险区总面积为6.41×104 km2,,相比当前气候条件下总面积增加约12.80%,增加的比例最大;在SSP3-7.0情境下,高风险区和中高风险区总面积为4.40×104 km2,约占广东省的26.08%,相比当前气候条件下总面积增加约0.89%;在SSP5-8.5情境下,高风险区和中高风险区总面积为6.16×104 km2,约占广东省的36.51%,相比当前气候条件下增加约11.32%。
表3 广东省各情景下滑坡灾害高风险及中高风险区面积、比例及增加率

Tab. 3 Area, proportion and increasing rate of high-risk and medium-high risk areas of landslide disaster under various scenarios in Guangdong

时间段 总面积/×104 km2 面积比/% 增加率/%
2021—2040,SSP1-2.6 6.41 38.00 12.80
2021—2040,SSP3-7.0 4.40 26.08 0.89
2021—2040,SSP5-8.5 6.16 36.51 11.32
2041—2060,SSP1-2.6 8.36 49.56 24.36
2041—2060,SSP3-7.0 5.28 31.30 6.11
2041—2060,SSP5-8.5 5.68 33.67 8.48
图6 未来气候变化情景下滑坡灾害的潜在地理分布

注：该图基于自然资源部标准地图服务网站下载的审图号为粤S(2020)085号的标准地图制作,底图无修改。

Fig. 6 Potential geographical distribution of landslides under future climate change scenarios

而在2041—2060年的SSP1-2.6情境下,高风险区和中高风险区总面积为8.36×104 km2,约占广东省的49.56%,相比当前气候条件下总面积增加约24.36%,增加的比例最大;在SSP3-7.0情境下,高风险区和中高风险区总面积为5.28×104 km2,约占广东省的31.30%,相比当前气候条件下的总面积增加约6.11%;在SSP5-8.5情境下,高风险区和中高风险区总面积为5.68×104 km2,约占广东省的33.67%,相比当前气候条件下的总面积增加约8.48%。

4 讨论

4.1 变量因子对滑坡潜在分布的预测

除却Kappa系数,该模型综合AUC值为0.820,达到了模型评价中“很精确”的标准,但与传统的物种潜在分布评价相比[49,53-54],该结果相对较低。然而,该结果为经过排除诸多无关变量和部分偏移点的结果,因此尽管得分值会有一定的下降[55],但在减少过度拟合和模型精度上的信度会更高[56,57]。尽管Stanley等[15]的模糊逻辑模型中没有用到降水因子并且利用滑坡位置数据也存在差异,但该模型获取的全球滑坡敏感性分布图与本文模拟的滑坡灾害潜在空间分布,存在较高的空间一致性。这也验证了本文利用的MaxEnt模型能在省级尺度上模拟较高精度的滑坡灾害潜在分布。由模型运行的结果可以得出,最湿季度降雨量为对滑坡潜在分布影响最为强烈的因子,其与滑坡的潜在分布呈现负向关系,当降雨量处于593~742 mm时对滑坡潜在分布的概率影响最大;7月降雨量与4月降雨量为影响滑坡潜在分布的第二和第四因子,本研究中7月降雨量和4月降雨量对滑坡发生概率的影响集中在139~223 mm和154~186 mm。从理论上来看,上述结果符合概率论的基本规律,因为MaxEnt模型为基于贝叶斯推断方法的一种运算模型[58,59],而在模型内高降雨量为极端事件,在极端事件处发生概率少,恰好符合正态分布的特征[60];并且当区域内的滑坡灾害在达到足够的降雨阈值发生后,相当于排除了一定的潜在滑坡风险,随后若其他因子不变,降雨量的进一步增加并不会重新诱发滑坡。而从实际上来看,在希腊伯罗奔尼撒半岛北部[61]、美国奥林匹克山[62]等全球其他地区的相关研究均存在降雨量与滑坡发生概率仅在某一区间高度相关的现象。而且4月与7月适逢广东省前汛期以及台风季,分别容易产生长时久雨和短时强降雨,这恰好为2种最易引发滑坡的降雨时空组合[60],因此当累计雨量如其他地区一样达到特定的阈值时[62,63,64],便有较大概率成功诱发滑坡灾害。
对于海拔因子而言,81~397 m则为其与滑坡灾害关联较大的数值区间,这可能是人类活动分布范围所导致的。由于政策限制森林砍伐多集中于海拔300 m及以下区间[65],因此区间内人为干扰导致较高的滑坡风险。模型模拟结果表明：坡度和岩性对滑坡分布概率的贡献却相对较小,两者对滑坡的综合贡献值均达不到前六。对于坡度而言,广东省林木砍伐的控制可能为影响其重要性的原因之一,由于林木砍伐集中在15°以下,而15°以上地区森林保护较好[65],因此在滑坡集中分布的坡度植被反而覆盖良好,一定程度上控制了滑坡的发生;而对于岩性因素而言,广东省内广布属于坚硬岩类型的花岗岩[27],这与模拟所得出的坚硬岩为最易引发滑坡的岩性类型相吻合并且区域内滑坡的发生也多与此种基岩关联[66,67],然而其本身并非为易引发滑坡的基岩类型[68,69],其次,由于广东省境内滑坡多为降雨诱发型,其滑坡形成的主要原因是短时强降雨或长时久雨导致的地下水位上升,从而使土壤孔隙水压力增大,破坏了原有的岩土体强度和斜坡应力状态[60,70],因此岩性的制约程度相较小。上述因子在全球范围及本地均有相关研究佐证[40,71],表明MaxEnt模型同样适用于滑坡灾害的研究。

4.2 降水因子与潜在滑坡的空间关系

气候变化是广东省降雨诱发型滑坡灾害的触发因素,而地质、地形、人类活动等因素则可划分为敏感性因素（Susceptibility）[10,72-73]。对于降雨诱发型滑坡而言,其往往是由敏感性因素的长时间综合作用后,最后在临界点处由触发因素诱导而发生的[3]。而且对于敏感性因素如地质、地形而言,其在较短时间尺度上变化缓慢,但触发因素则变化相对频繁,在短时间跨度内较易观测与预测[74,75,76,77,78]。因此对于触发因素的研究,是当前监测与管控的重点。
本文从气候变化的角度来分析潜在的降雨诱发型滑坡灾害,降水是不同情景中主要的触发因素及时空变化较大的因素。当我们聚焦于局部区域如梅州市和韶关市（表4）,在当前情景下梅州市为滑坡灾害高风险区密集分布的市域,其高风险区面积占梅州市土地总面积的比例达到32.97%且最湿季度降雨量中位值为675 mm。然而在未来气候情景下（2041—2060年）,与其地理环境及空间接近的韶关市由于最湿季度降雨量中位值的降低,同样变成了滑坡灾害高风险区聚集分布的地方,高风险区面积比例上升到5.88%、17.16%和6.76%,此恰好符合朱阿兴等提出的地理第三定律——空间相似性[18]。
表4 梅州市与韶关市各情景下最湿季度降雨量范围及高风险面积比

Tab. 4 Precipitation range of Wettest Quarter and percent of risk areas in Meizhou and Shaoguan under various scenarios

地区 时间段 最低值/mm 最高值/mm 中位数/mm 高风险面积比/%
梅州市 当前 597 849 675 32.97
韶关市 当前 649 889 758 0.72
2021—2040(SSP1-2.6) 640 804 720 0.31
2021—2040(SSP3-7.0) 662 866 774 0.15
2021—2040(SSP5-8.5) 636 866 739 0.12
2041—2060(SSP1-2.6) 584 780 668 5.88
2041—2060(SSP3-7.0) 596 835 700 17.16
2041—2060(SSP5-8.5) 609 811 695 6.76
由于气候因素在本文侧重考虑,因此在未来应用过程中,可进一步结合本文结果与区域居民点等数据,对于暴露在潜在滑坡影响范围和地质不稳定地区的重要设施及人类聚居地等采取更多的实质性规避预防措施,从而推动区域的可持续发展和减少人员及财产的重大损失。

5 结论

本研究从气候变化视角出发,基于广东省滑坡灾害位置数据及9个气候、地质、地形和植被覆盖等数据,利用MaxEnt模型识别与影响降雨诱发型滑坡潜在灾害高度相关的主导环境因子,并分析在不同气候变化情景下滑坡灾害的潜在分布。主要结论如下：
（1）通过精度评价的MaxEnt模型模拟结果表明制约广东省降雨诱发型滑坡灾害的重要影响因子为：最湿季降雨量、7月降雨量、海拔和4月降雨量,其中最湿季降雨量为贡献度最高的因子。而坡度和岩性因子对广东省滑坡灾害潜在分布相对贡献较小,这可能是由于广东省坡度大于15°以上区域限制植被砍伐且植被覆盖良好,同时研究区内主要滑坡类型是降雨诱发型所导致的。
（2）在当前气候情景下,广东省的滑坡灾害高风险区面积达1.28×104 km2,约占广东的7.59%,并且主要密集分布于粤东地区。而在未来气候条件下,受到气候条件变化的影响,广东省滑坡灾害中风险区以上地区的潜在分布范围和危害性将会呈现扩大趋势,伴随而来的是中低风险区或无风险区的缩小,其中在2041—2060年的SSP1-2.6情景下面积增加的最大。因此,粤港澳大湾区城市群及粤东城市群未来进行规划建设及城市发展中需多加关注降雨诱发型滑坡潜在灾害和威胁。
（3）本研究的创新之处在于从气候变化的视角出发,分析多种降雨因子对广东省降雨诱发型滑坡灾害的影响程度,模拟了不同气候情景下滑坡灾害潜在分布的空间变化,并基于地理相似性相关理论阐述了其变化原因。今后,可采取时间及空间精度更高的气象等数据从而提高模拟与预测的准确性;并将区域居民点分布等经济数据与本文研究结果进一步进行数据融合,为区域内未来土地规划提供科学依据及参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Liu R L, Han Y H, Xiao J, et al. Failure mechanism of TRSS mode in landslides induced by earthquake[J]. Scientific Reports, 2020, 10(1):1-11.

DOI

[2]
刘广润, 晏鄂川, 练操. 论滑坡分类[J]. 工程地质学报, 2002, 10(4):339-342.

[ Liu G R, Yan E C, Lian C. Discussion on classification of landslides[J]. Journal of Engineering Geology, 2002, 10(4):339-342. ]

[3]
Nadim F, Kjekstad O, Peduzzi P, et al. Global landslide and avalanche hotspots[J]. Landslides, 2006, 3(2):159-173.

DOI

[4]
于宪煜. 基于多源数据和多尺度分析的滑坡易发性评价方法研究[D]. 武汉:中国地质大学, 2016.

[ Yu X Y. Study on the landslide susceptibility evaluation method based on multi-source data and multi-scale analysis[D]. Wuhan: China University of Geosciences, 2016. ]

[5]
Haque U, da Silva P F, Devoli G, et al. The human cost of global warming: Deadly landslides and their triggers (1995-2014)[J]. Science of the Total Environment, 2019, 682:673-684.

DOI

[6]
许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报·信息科学版, 2019, 44(7):957-966.

[ Xu Q A, Dong X J, Li W L. Integrated space-air-ground early detection, monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7):957-966. ]

[7]
徐靓, 程刚, 朱鸿鹄. 基于空天地内一体化的滑坡监测技术研究[J]. 激光与光电子学进展, 2021, 58(9):98-111.

[ Xu L A, Cheng G, Zhu H H. Research review of landslide monitoring methods based on integration of space-air-ground-interior[J]. Laser & Optoelectronics Progress, 2021, 58(9):98-111. ]

[8]
Van Westen C J, Castellanos E, Kuriakose S L. Spatial data for landslide susceptibility, hazard, and vulnerability assessment: An overview[J]. Engineering Geology, 2008, 102(3-4):112-131.

DOI

[9]
唐亚明. 陕北黄土滑坡风险评价及监测预警技术方法研究[D]. 北京:中国地质大学(北京), 2012.

[ Tang Y M. Methods on risk assessment and monitor & early-warning for the loess landslide in North Shannxi[D]. Beijing: China University of Geosciences, 2012. ]

[10]
黄发明. 基于3S和人工智能的滑坡位移预测与易发性评价[D]. 武汉:中国地质大学, 2017.

[ Huang F M. Landslide displacement prediction and susceptibility assessment based on 3S and artificial intelligence[D]. Wuhan: China University of Geosciences, 2017. ]

[11]
曹颖. 单体滑坡灾害风险评价与预警预报——以万州区塘角1号滑坡为例[D]. 武汉:中国地质大学, 2016.

[ Cao Y. Risk assessment and early warning of individual landslide: Case study of the Tangjiao landslide in Wanzhou[D]. Wuhan: China University of Geosciences, 2016. ]

[12]
殷坤龙, 陈丽霞, 张桂荣. 区域滑坡灾害预测预警与风险评价[J]. 地学前缘, 2007, 14(6):85-97.

[ Yin K L, Chen L X, Zhang G R. Regional landslide hazard warning and risk assessment[J]. Earth Science Frontiers, 2007, 14(6):85-97. ]

DOI

[13]
王念秦, 王永锋, 罗东海, 等. 中国滑坡预测预报研究综述[J]. 地质论评, 2008, 54(3):355-361.

[ Wang N Q, Wang Y F, Luo D H, et al. Review of landslide prediction and forecast research in China[J]. Geological Review, 2008, 54(3):355-361. ]

[14]
Saito M. Forecasting time of slope failure by tertiary creep[C]. Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering, Mexico City, Mexico, 1969, 2:677-683.

[15]
Stanley T, Kirschbaum D B. A heuristic approach to global landslide susceptibility mapping[J]. Natural Hazards, 2017, 87(1):145-164.

DOI PMID

[16]
Kirschbaum D, Stanley T, Zhou Y. Spatial and temporal analysis of a global landslide catalog[J]. Geomorphology, 2015, 249:4-15.

DOI

[17]
Kirschbaum D, Stanley T. Satellite-based assessment of rainfall-triggered landslide hazard for situational awareness[J]. Earth's Future, 2018, 6(3):505-523.

DOI

[18]
Zhu A X, Lu G, Liu J, et al. Spatial prediction based on third law of geography[J]. Annals of GIS, 2018, 24(4):225-240.

DOI

[19]
West A M, Kumar S, Brown C S, et al. Field validation of an invasive species MaxEnt model[J]. Ecological Informatics, 2016, 36:126-134.

DOI

[20]
Elith J, Phillips S J, Hastie T, et al. A statistical explanation of MaxEnt for ecologists[J]. Diversity and Distributions, 2011, 17(1):43-57.

DOI

[21]
Barbosa F G, Schneck F. Characteristics of the top-cited papers in species distribution predictive models[J]. Ecological Modelling, 2015, 313(5):77-83.

DOI

[22]
宫清华, 黄光庆, 张俊香. 广东省小流域地区降雨诱发的滑坡灾害预警体系探讨[J]. 气象科技进展, 2015, 5(4):53-56.

[ Gong Q H, Huang G Q, Zhang J X. Rainfall induced landslides disaster warning system in small watershed areas of Guangdong Province[J]. Advances in Meteorological Science and Technology, 2015, 5(4):53-56. ]

[23]
陈悦丽. 降雨型滑坡动力数值预报模式GRAPES-LFM的研究[D]. 南京:南京信息工程大学, 2015.

[ Chen Y L. Research on rainfall-induced landslide forecast model of GRAPES-LFM[D]. Nanjing: Nanjing University of Information Science & Technology, 2015. ]

[24]
Gao Y, Yin Y, Li B, et al. Investigation and dynamic analysis of the long runout catastrophic landslide at the Shenzhen landfill on December 20, 2015, in Guangdong, China[J]. Environmental Earth Sciences, 2017, 76(1):1-16.

DOI

[25]
Yang C, Zhang C C, Li Q Q, et al. Rapid urbanization and policy variation greatly drive ecological quality evolution in Guangdong-Hong Kong-Macao Greater Bay Area of China: A remote sensing perspective[J]. Ecological Indicators, 2020, 115:106373.

DOI

[26]
田春山, 刘希林, 汪佳. 基于CF和Logistic回归模型的广东省地质灾害易发性评价[J]. 水文地质工程地质, 2016, 43(6):154-161,170.

[ Tian C S, Liu X L, Wang J. Geohazard susceptibility assessment based on CF model and Logistic Regression models in Guangdong[J]. Hydrogeology & Engineering Geology, 2016, 43(6):154-161,170. ]

[27]
林本海, 杨树庄, 朱伯善, 等. 广东省地质构造与岩土工程基本特征[J]. 岩石力学与工程学报, 2006, 25(S2):3337-3346.

[ Lin B H, Yang S Z, Zhu B S, et al. Geological structure and basic geotechnical characteristics in Guangdong Province[J]. Chinese Journal of Rock Mechanics and Engineering, 2006, 25(S2):3337-3346. ]

[28]
Yue W C, Liu Z Q, Su M R, et al. The impacts of multi-dimension urbanization on energy-environmental efficiency: Empirical evidence from Guangdong Province, China[J]. Journal of Cleaner Production, 2021, 296:126513.

DOI

[29]
Wu T W, Lu Y X, Fang Y J, et al. The Beijing Climate Center Climate System Model (BCC-CSM): The main progress from CMIP5 to CMIP6[J]. Geoscientific Model Development, 2019, 12(4):1573-1600.

DOI

[30]
O'Neill B C, Tebaldi C, Vvan Vuuren D P, et al. The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6[J]. Geoscientific Model Development, 2016, 9(9):3461-3482.

DOI

[31]
Graham M H. Confronting multicollinearity in ecological multiple regression[J]. Ecology, 2003, 84(11):2809-2815.

DOI

[32]
Sillero N, Barbosa A M. Common mistakes in ecological niche models[J]. International Journal of Geographical Information Science, 2021, 35(2):213-226.

DOI

[33]
Swets J. Measuring the accuracy of diagnostic systems[J]. Science, 1988, 240(4857):1285-1293.

PMID

[34]
Chen F, Du Y S, Niu S K, et al. Modeling forest lightning fire occurrence in the Daxinganling mountains of northeastern China with MAXENT[J]. Forests, 2015, 6(12):1422-1438.

DOI

[35]
West A M, Kumar S, Brown C S, et al. Field validation of an invasive species Maxent model[J]. Ecological Informatics, 2016, 36:126-134.

DOI

[36]
Feinstein A R, Cicchetti D V. High agreement but low Kappa: I. the problems of two paradoxes[J]. Journal of Clinical Epidemiology, 1990, 43(6):543-549.

PMID

[37]
Cicchetti D V, Feinstein A R. High agreement but low kappa: II. Resolving the paradoxes[J]. Journal of Clinical Epidemiology, 1990, 43(6):551-558.

PMID

[38]
广东省地质局. 广东省2019年度地质灾害防治数据[EB/OL].http://dzj.gd.gov.cn/ywlc/content/post_2725543.html.

[ Guangdong Geological Bureau. Geological hazard control data of Guangdong Province in 2019[EB/OL].http://dzj.gd.gov.cn/ywlc/content/post_2725543.html.

[39]
Bai H L, Feng W K, Yi X Y, et al. Group-occurring landslides and debris flows caused by the continuous heavy rainfall in June 2019 in Mibei Village, Longchuan County, Guangdong Province, China[J]. Natural Hazards, 2021, 108(3):3181-3201.

DOI

[40]
林泽雨, 刘爱华. 广东地区滑坡灾害分布特征与预警措施分析[J]. 人民长江, 2019, 50(S1):90-92.

[ Lin Z Y, Liu A H. Landslide disaster distribution characteristics and pre-warning measures of Guangdong Province[J]. Yangtze River, 2019, 50(S1):90-92. ]

[41]
Worldclim[EB/OL]. https://www.worldclim.org/data/index.html.

[42]
胡家梁. 基于AHP-信息量法的密云区地质灾害易发性评价[J]. 路基工程, 2020(5):11-17.

[ Hu J L. Geological disasters susceptibility assessment in Miyun district based on AHP-information quantity method[J]. Subgrade Engineering, 2020(5):11-17. ]

[43]
杨根云, 周伟, 方教勇. 基于信息量模型和数据标准化的滑坡易发性评价[J]. 地球信息科学学报, 2018, 20(5):674-683.

DOI

[ Yang G Y, Zhou W, Fang J Y. Assessment of landslide susceptibility based on information quantity model and data normalization[J]. Journal of Geo-Information Science, 2018, 20(5):674-683. ]

[44]
Hartmann J, Moosdorf N. The new global lithological map database GLiM: A representation of rock properties at the earth surface[J]. Geochemistry, Geophysics, Geosystems, 2012, 13(12):1-37.

DOI

[45]
地质科学数据出版中心[EB/OL] 质科学数据出版中心[EB/OL]. http://geodb.ngac.org.cn/cn/page/index.

[ Geoscientific Data & Discovery Publishing Center[EB/OL]eoscientific Data & Discovery Publishing Center[EB/OL]. http://geodb.ngac.org.cn/cn/page/index.

[46]
资源环境科学与数据中心[EB/OL]. https://www.resdc.cn/data.aspx?DATAID=264.

[ Resource and Environment Science and Data Center[EB/OL]. https://www.resdc.cn/data.aspx?DATAID=264.

[47]
National Aeronautics and Space Administration[EB/OL]. https://modis.gsfc.nasa.gov/data/dataprod/mod13.php.

[48]
Martin C S, Giannoulaki M, De Leo F, et al. Coralligenous and maërl habitats: Predictive modelling to identify their spatial distributions across the Mediterranean Sea[J]. Scientific Reports, 2014, 4:5073.

DOI

[49]
Zhao H X, Zhang H, Xu C G. Study on Taiwania cryptomerioides under climate change: MaxEnt modeling for predicting the potential geographical distribution[J]. Global Ecology and Conservation, 2020, 24:e01313.

DOI

[50]
Shroder J F Jr. Slope failure and denudation in the western Himalaya[J]. Geomorphology, 1998, 26(1/2/3):81-105.

DOI

[51]
黄建龙, 刘亦农, 曾伟国. 粤港澳大湾区地质特点与地质环境保护策略分析[J]. 人民珠江, 2019, 40(9):103-109.

[ Huang J L, Liu Y N, Zeng W G. Analysis of geological characteristics and geological environment protection in Guangdong-Hong Kong-Macao greater bay area[J]. Pearl River, 2019, 40(9):103-109. ]

[52]
闫文晓. 地质环境条件在国土空间规划中的应用研究[J]. 上海国土资源, 2019, 40(2):56-60.

[ Yan W X. Research on the application of geological environmental conditions in land spatial planning[J]. Shanghai Land & Resources, 2019, 40(2):56-60. ]

[53]
Du Z Y, He Y M, Wang H T, et al. Potential geographical distribution and habitat shift of the genus Ammopiptanthus in China under current and future climate change based on the MaxEnt model[J]. Journal of Arid Environments, 2021, 184:104328.

DOI

[54]
Yan H Y, Feng L, Zhao Y F, et al. Prediction of the spatial distribution of Alternanthera philoxeroides in China based on ArcGIS and MaxEnt[J]. Global Ecology and Conservation, 2020, 21:e00856.

DOI

[55]
Warren D L, Wright A N, Seifert S N, et al. Incorporating model complexity and spatial sampling bias into ecological niche models of climate change risks faced by 90 California vertebrate species of concern[J]. Diversity and Distributions, 2014, 20(3):334-343.

DOI

[56]
Radosavljevic A, Anderson R P. Making better Maxent models of species distributions: Complexity, overfitting and evaluation[J]. Journal of Biogeography, 2014, 41(4):629-643.

DOI

[57]
朱耿平, 乔慧捷. Maxent模型复杂度对物种潜在分布区预测的影响[J]. 生物多样性, 2016, 24(10):1189-1196.

DOI

[ Zhu G P, Qiao H J. Effect of the Maxent model's complexity on the prediction of species potential distributions[J]. Biodiversity Science, 2016, 24(10):1189-1196. ]

DOI

[58]
He F L. Maximum entropy, logistic regression, and species abundance[J]. Oikos, 2010, 119(4):578-582.

DOI

[59]
Shipley B. From plant traits to vegetation structure: chance and selection in the assembly of ecological communities[M]. Cambridgeshire: Cambridge University Press, 2010.

[60]
Robbins J C. A probabilistic approach for assessing landslide-triggering event rainfall in Papua New Guinea, using TRMM satellite precipitation estimates[J]. Journal of Hydrology, 2016, 541:296-309.

DOI

[61]
Skilodimou H D, Bathrellos G D, Koskeridou E, et al. Physical and anthropogenic factors related to landslide activity in the Northern Peloponnese, Greece[J]. Land, 2018, 7(3):85.

DOI

[62]
Smith S G, Wegmann K W. Precipitation, landsliding, and erosion across the Olympic mountains, Washington State, USA[J]. Geomorphology, 2018, 300:141-150.

DOI

[63]
Pagano L, Picarelli L, Rianna G, et al. A simple numerical procedure for timely prediction of precipitation-induced landslides in unsaturated pyroclastic soils[J]. Landslides, 2010, 7(3):273-289.

DOI

[64]
Chikalamo E E, Mavrouli O C, Ettema J, et al. Satellite-derived rainfall thresholds for landslide early warning in Bogowonto Catchment, Central Java, Indonesia[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 89:102093.

DOI

[65]
Xian Y Y, Lu Y Q, Musyimi Z, et al. Tracking the role of policies and economic factors in driving the forest change trajectories within the Guangdong-Hongkong-Macao region of China: A remote sensing perspective[J]. Land, 2021, 10(1):87.

DOI

[66]
涂长红, 商建林, 谢叶彩, 等. 改进的灰色关联分析在滑坡危险性评价中的应用——以广东省滑坡危险性评价为例[J]. 灾害学, 2007, 22(1):86-89.

[ Tu C H, Shang J L, Xie Y C, et al. An application of improved grey association analysis method in evaluating landslide hazard in Guangdong Province[J]. Journal of Catastrophology, 2007, 22(1):86-89. ]

[67]
魏平新, 汤连生, 张建国, 等. 基于GIS的广东省滑坡灾害区划研究[J]. 水文地质工程地质, 2005, 32(4):6-9.

[ Wei P X, Tang L S, Zhang J G, et al. Study on regionalization of landslides based on GIS in Guangdong Province[J]. Hydrogeology and Engineering Geology, 2005, 32(4):6-9. ]

[68]
Henriques C, Zêzere J L, Marques F. The role of the lithological setting on the landslide pattern and distribution[J]. Engineering Geology, 2015, 189:17-31.

DOI

[69]
Fell R, Stapledon D, MacGregor P. Landslides and geologic environments[M]//Clague J J, Stead D. eds. Landslides. Cambridge: Cambridge University Press, 2012:134-143.

[70]
Gong Q H, Huang G Q, Zhang J X. Research on characteristics and formation mechanism of landslide disaster in red soil hilly region of South China[J]. Journal of Risk Analysis and Crisis Response, 2013, 3(2):110.

DOI

[71]
易顺民. 广东省滑坡活动的时间分布规律研究[J]. 热带地理, 2007, 27(6):499-504.

[ Yi S M. Temporal distribution regularity of landslide activities in Guangdong Province[J]. Tropical Geography, 2007, 27(6):499-504. ]

[72]
郑书彦, 李占斌. 滑坡侵蚀研究[M]. 郑州: 黄河水利出版社, 2005.

[ Zheng S Y, Li Z B. Study on landslide erosion [M]. Zhengzhou: Yellow River Water Conservancy Press, 2005. ]

[73]
王连新, 马建宏, 边智华. 水库滑坡与防治技术[M]. 武汉: 长江出版社, 2005.

[ Wang X L, Ma J H, Bian Z H. Reservoir landslide and control technology [M]. Wuhan: Yangtze River Press, 2005. ]

[74]
Sobie S R. Future changes in precipitation-caused landslide frequency in British Columbia[J]. Climatic Change, 2020, 162(2):465-484.

DOI

[75]
Jakob M, Lambert S. Climate change effects on landslides along the southwest coast of British Columbia[J]. Geomorphology, 2009, 107(3-4):275-284.

DOI

[76]
Patton A I, Rathburn S L, Capps D M. Landslide response to climate change in permafrost regions[J]. Geomorphology, 2019, 340:116-128.

DOI

[77]
Westra S, Fowler H J, Evans J P, et al. Future changes to the intensity and frequency of short-duration extreme rainfall[J]. Reviews of Geophysics, 2014, 52(3):522-555.

DOI

[78]
Tu J Y, Chou C A, Chu P S. The abrupt shift of typhoon activity in the vicinity of Taiwan and its association with western north Pacific-east Asian climate change[J]. Journal of Climate, 2009, 22(13):3617-3628.

DOI

Options
文章导航

/

〈 〉