EN中文

Journal of Geo-information Science >

2018 , Vol. 20 >Issue 9: 1286 - 1297

DOI: https://doi.org/10.12082/dqxxkx.2018.180099

Sensitivity Assessment of Geological Hazards in Urban Agglomeration of Fujian Delta Region

  • LIN Jinhuang , 1, 2 ,
  • ZHANG An 2 ,
  • DENG Chao 1 ,
  • CHEN Wenhui , 1, * ,
  • LIANG Chunyang 1
Expand
  • 1. College of Geographical Science, Fujian Normal University, Fuzhou 350007, China
  • 2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographical Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
*Corresponding author: CHEN Wenhui, E-mail:

Received date: 2018-02-08

  Request revised date: 2018-04-02

  Online published: 2018-09-25

Supported by

National Key Research and Development Program of China, No.2016 YFC0502901

Basic Science-technological Special Working, No.2015FY210600

Featured Institute Construction Services Program, No.TSYJS03.

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Ecological safety is the fundamental guarantee for the sustainable development of regional society and economy. However, geological hazards will pose serious threats to the ecological safety of the area. It has great significance to analyze the sensitivity of geological hazards in Urban Agglomeration of Fujian Delta Region. In this paper, eight indicators are selected including slope, elevation, soil types, NDVI, lithology, average annual precipitation, the distance from the main road and the geological hazards points in 5km grids, for comprehensively assessing the sensitivity of geological hazards in urban agglomeration of Fujian Delta Region based on SPCA, global Morans'I and local Morans'I. The results show that the urban agglomeration of Fujian Delta Region is moderately sensitive in the overall, and the areas of different sensitivities decrease in the order of moderately sensitive>highly sensitive>light sensitive>extremely sensitive>insensitive, accounting for 26.96%, 25.67%, 23.89%, 11.75% and 11.72% of the regain, respectively. The sensitivity of geological hazards from southeast coast to northwest inland shows a gradual transition from insensitivity to extreme sensitivity with obvious zonal characteristics. There is significant spatial heterogeneity in sensitivity of geological hazards between different counties (cities and districts) and their internal areas. The sensitivity of geological hazards has significant spatial autocorrelation, which is a significant positive correlation, showing significant spatial clustering characteristics with the high-high clustering in Dehua, Yongchun, Anxi and Nanjing, low-low clustering in Huian, Licheng, Jinjiang, Shishi. The sensitivity synthesis index of geological hazards between different land use types is in the order of forestland > grassland > unused land > farmland > wetland > construction land. The forestland and grassland are overall moderately sensitive, while wetland, farmland, construction land and unused land are light sensitive in the overall. The average annual precipitation, slope, distance from the main road, number of 5 km grid geological hazards points, lithology and soil types are the main driving factors of geological hazards in the study area.

Key words： SPCA; Moran's I; geological hazard; sensitivity; urban agglomeration of Fujian Delta Region

Cite this article

LIN Jinhuang , ZHANG An , DENG Chao , CHEN Wenhui , LIANG Chunyang . Sensitivity Assessment of Geological Hazards in Urban Agglomeration of Fujian Delta Region[J]. Journal of Geo-information Science, 2018 , 20(9) : 1286 -1297 . DOI: 10.12082/dqxxkx.2018.180099

1 引言

地质灾害是中国最常见的自然灾害之一,每年均会造成巨大的人员伤亡和经济损失,主要包括滑坡、泥石流、崩塌和地陷等,其发生与多种因素相关联[1,2]。近年来,随着政府的重视程度提高,地质灾害防治水平有了一定提升,然而关于地质灾害预防的研究还较为缺乏[3]。对地区地质灾害进行敏感性评价是进行地质灾害预测、制定防灾减灾政策和土地利用规划的关键,在灾害管理过程中起着极其重要的作用[4]。近年来,在多暴雨、多高山、多断层的特殊环境下,闽三角城市群境内滑坡、泥石流、崩塌等地质灾害频发,并已成为当地社会经济发展的一个重要的限制因素[5],生态安全保障问题刻不容缓,因此对闽三角城市群进行地质灾害敏感性评价具有重大的理论和现实意义。
中国针对地质灾害敏感性的研究起步于20世纪80年代,在地质灾害理论研究、灾害预测预报以及综合防治等方面均取得了一定的成效[6]。GIS技术的飞速发展为地区进行地质灾害敏感性评价提供了便利[7]。当前,国内外学者针对地质灾害敏感性评价的方法逐渐从定性分析向定量化研究转变[6,8],较为常见的方法可以归结为3大类,即主观经验评价法、半定量贡献评价法和全定量贡献评价法。其中,主观经验评价法主要有AHP模型法[9,10,11]、专家打分法[12]和二元统计法[4]等,如马丽丽等[10]选取了地形地貌、NDVI、居民地密度和水体密度等6个指标,采用AHP模型法与模糊数学相结合的方法对昌平地区的矿区生态环境进行综合评价;半定量贡献评价法主要有模糊数学评价法[10,13]、贡献率权重法[14]、概率指数法[15]、Logistic回归模型法[16,17,18]等,如吴森等分别取高程、坡度、高差、坡形和地层5个指标,采用贡献率权重法对平昌县滑坡灾害影响因子进行敏感性分析[14];全定量贡献评价法主要有信息量法[9,19]、主成分分析法[20,21]和空间主成分分析法[22]等。如陈玉等[16]采用信息量模型和概率指数模型,结合坡度、坡向、高程、岩性、水系、植被覆盖等因子对芦山县进行了地质灾害敏感性评价。然而,主观经验评价法、半定量贡献评价法的人为主观因素会对评价结果产生较大影响,而全定量贡献评价法能有效降低主观性,但生态环境是一个极其复杂、相互关联的有机体,评价指标之间存在一定的共性和重叠性[22],信息量模型无法解决指标重叠性问题,主成分分析法则忽略了评价指标的空间属性,而空间主成分分析法（Spatial Principal Components Analysis, SPCA）是将相互关联的指标提取成少数几个代表区域整体特征的综合指标,既减少了人为权重赋值的主观性,又能有效降低评价指标之间的重叠性。当前针对地质灾害敏感性的研究主要是关注不同敏感性的面积大小、空间格局、空间分异和区划等方面,而对其空间集聚性和内在驱动因子的揭示则相对缺乏,并且当前基于空间主成分分析法进行地质灾害敏感性评价方面的研究还鲜有报道。鉴于此,本文采用空间主成分分析法,并结合全局Moran'I指数、局部Moran'I指数以及土地利用方式,力图揭示闽三角城市群地质灾害敏感性的空间格局、地区分异、空间聚集及其内在驱动力,为当地政府制定有效防灾减灾策略和保障区域生态安全提供理论参考。

2 研究区概况与数据源

2.1 研究区概况

闽三角城市群（23°33′20′′~25°56′45′′N,116°53′21′′~119°01′38′′ E）由厦门市、泉州市和漳州市3个设区市构成（图1）,位于福建省东南沿海,与台湾隔海相望,素有“闽南金三角”之称[23]。辖区总面积约2.5万km2（不含金门）。该地区属典型的亚热带季风气候,年均降水量1000~2000 mm,年均温21 ℃,鹰厦铁路、龙厦高铁、厦深高铁、沈海高速、厦蓉高速、厦沙高速等贯穿全境,交通便捷,是福建省经济较为发达的地区。由于其特殊的地理环境特点,以及近年来人为活动的不断加大,该地区的地质灾害时有发生,且规模大、危害性强,其中以滑坡、崩塌和泥石流三者为主,并在夏季雨季时期最易发生[5],当前已收集到的研究区内的地质灾害数目达2030次,这无疑将对区域内人们的生命财产安全造成严重威胁。
Fig. 1 Location of the study area

图1 研究区地理位置

2.2 数据源

闽三角城市群的山地、丘陵的面积占比超过80%,地形起伏破碎、坡度较大,且位于中国东南沿海台风高发区,常伴有短时强降雨,地质灾害频发。因此,针对研究区特殊的地形地貌特征,并考虑到数据的可获取性、可操作性和科学性,本文分别选取了坡度、高程、土壤类型、NDVI、岩性、多年平均降水量、距主要公路距离和5 km网格内的地质灾害点数目这8个因子作为评价指标（表1、图2）。其中,坡度和高程反映的是岩体的稳定性,坡度和高程越大,岩体的稳定性越差;土壤类型和岩性能有效反映其地质状况的本底特征,不同类型的土壤和岩石的易发性和抗干扰能力存在较大差异;NDVI能反映岩土体上的植被生长状况,NDVI越大,其保持水土的能力越强,抗干扰能力也越强;多年平均降水量反映区域内的降水侵蚀能力,降水是地质灾害的主要诱发因子之一;距主要公路距离反映的是人类道路建设所带来的生态脆弱性,道路的建设会破坏坡体原有的稳定性和抗干扰性;地质灾害点数目则是反映当前已有的地质灾害易发区,发生过地质灾害的地区若不施以保护措施,其再次发生地质灾害的概率相对较大。
Tab. 1 Data description and source for the sensitivity evaluation of geological hazards

表1 地质灾害敏感性评价数据描述及来源

评价指标 数据描述 数据来源
坡度 由DEM计算提取的30 m网格坡度数据 数字高程模型（DEM）
高程 由30 m网格数字高程模型（DEM）提取 1:10万数字线划图栅格化
土壤类型 在野外调查的基础上,由1:50万福建省土壤类型图数字化 福建省农业厅
NDVI 由2015年的Landsat8影像反演得到的30 m的年均NDVI 地理空间数据云
岩性 在野外调查的基础上,由1:20万的福建省地质图数字化 福建省地矿局
主要公路 在野外调查的基础上,由县级以上主要公路分布图数字化 2015年遥感影像数字化
土地利用类型 林地、草地、耕地、水域、建设用地和未利用地6种类型 2015年遥感影像目视解译
多年平均降水量 基于气象站点位置和多年平均降水,采用Kriging法插值得到 福建省气象局
地质灾害点位 相关政府网站公布的滑坡、泥石流、崩塌等地质灾害数据 厦漳泉的相关政府网站
Fig. 2 Sensitivity evaluation factors of geological hazard

图2 地质灾害敏感性评价因子

将这些评价指标统一为WGS1984投影坐标系,并将其中的矢量数据全部转化成栅格,且分辨率为30 m,建立敏感性评价的GIS数据库,各指标的空间分布特征如图2所示。而土地利用数据则是将研究区2015年的Landsat8 OLI影像数据进行预处理后,结合地质图、地貌图、植被图等辅助数据进行遥感目视解译,将其分为林地、草地、耕地、水域、建设用地和未利用地6种类型（图3）,并结合野外考察资料进行精度评价,精度大于85%,能满足研究需求。
Fig. 3 Spatial distribution of land use

图3 土地利用空间分布

3 研究方法

3.1 评价模型构建

国内外学者关于生态脆弱性、生态敏感性和生态风险评价等方面的研究,其评价结果主要是通过构建脆弱性、敏感性和风险性指数来表征[24,25,26]。因此,本文在前人的基础上,也构建敏感性综合指数（Sensitivity Synthesis Index, SSI）以评价闽三角城市群地质灾害的敏感性状况。为消除指标信息中的重叠性和相关性,利用SPCA对8个评价指标进行分析,根据主成分累积贡献率达到85%以上确定6个主成分（表2）。
Tab. 2 Eigenvale, contribution rate and accumulated contribution rate of principal components

表2 各主成分特征值、贡献率与累计贡献率

主成分系数 主成分
PC1 PC2 PC3 PC4 PC5 PC6
特征值λ 3.87 1.73 1.30 1.26 1.12 0.81
贡献率/% 34.26 15.33 11.50 11.16 9.95 7.22
累计贡献率/% 34.26 49.59 61.09 72.25 82.20 89.41
基于闽三角城市群地质灾害敏感性各指标间的相互关系,在尽可能损失较少信息的前提下,将多个指标综合成几个能代表指标整体特征的主成分,类似于生态脆弱性指数EVI的计算[22,25],根据SPCA的基本原理,地质灾害敏感性综合指数SSI值是各主成分与其对应贡献率的乘积之和,具体公式如下：
SSI = r 1 Y 1 + r 2 Y 2 + r 3 Y 3 + ∙ ∙ ∙ + r n Y n （1）
式中：SSI为地质灾害敏感性综合指数;Yi为第i个空间主成分的数值;ri为第i个空间主成分对应的贡献率。
根据SPCA的基本原理,由表2和式（1）得到闽三角城市群地质灾害敏感性综合指数的计算公式：
SSI = 0.3426 × Y 1 + 0.1533 × Y 2 + 0.1150 × Y 3 + 0.1116 × Y 4 + 0.0995 × Y 5 + 0.0722 × Y 6 （2）
当前,由于生态环境的复杂性以及不确定性,国内外学者关于生态脆弱性、敏感性和生态风险的等级划分并没有形成统一的标准,其中采用较多的是自然断点法[27,28,29,30],如杜悦悦等[27]在评价大理白族自治州的生态风险时,便运用自然断点法,对其流域潜在生态损失进行五级划分,进而评价其生态损失的空间分异特征。因此,本文借鉴前人的分级标准,采用自然断点法将地质灾害敏感性划分为不敏感、轻度敏感、中度敏感、高度敏感和极敏感5个等级,各敏感性等级的生态特征如表3所示。
Tab. 3 Sensitivity classification of geological hazard and their ecological characteristics

表3 地质灾害敏感性分级及其生态特征

综合评级 等级 生态特征
不敏感 Ⅰ 抗干扰能力强,地质状况良好,生态系统稳定
轻度敏感 Ⅱ 抗干扰能力较强,地质状况较好,生态系统较稳定,微度地质灾害
中度敏感 Ⅲ 抗干扰能力一般,地质状况较差,生态系统较不稳定,轻度地质灾害
高度敏感 Ⅳ 抗干扰能力较差,地质状况差,生态系统不稳定,较频繁地质灾害
极敏感 Ⅴ 抗干扰能力极差,地质状况极差,生态系统极不稳定,频繁地质灾害
当前,国内外针对单一要素的空间自相关性可由全局Moran's I指标和局部Moran's I指标来描述,本文在闽三角城市群地质灾害敏感性的评价结果基础上,以县（市、区）为评价单元,计算各个评价单元的敏感性均值,进而基于全局Moran's I指数来分析其空间自相关性,并基于LISA聚类图来分析其空间集聚特征。
全局Moran's I指数的计算公式[31]为：
I = ∑ i = 1 n ∑ j = 1 n w ij ( x i - x ̅ ) ( x j - x ̅ ) ∑ i = 1 n ∑ j = 1 n w ij ∑ i = 1 n ( x i - x ̅ ) 2 （3）
局部Moran'I指数的计算公式[32]为：
I = X i - X - S 2 ∑ W ij X j - X - （4）
式中：I代表Moran's I指数;Xi、Xj代表第i个、第j个评价单元内的敏感性指数均值; X - 代表全部评价单元的敏感性指数均值;Wij代表空间权重矩阵;S代表空间权重矩阵各元素之和。
LISA聚类图是在局部Moran's I指数的计算结果上进行空间聚类得到的,它主要包含5种不同的空间聚集模式：高高聚集（H-H）、高低聚集（H-L）、低高聚集（L-H）、低低聚集（L-L）和不显著（No Significant）。不同空间聚集模式的含义[32,33]如表4所示。
Tab. 4 The connotation of different LISA clustering models

表4 不同的LISA聚类模式的内涵

集聚类型 含义
高高聚集（H-H） 高观测值的区域周围被同是高值的区域所包围的空间集聚方式
高低聚集（H-L） 高观测值的区域周围被低值的区域所包围的空间集聚方式
低高聚集（L-H） 低观测值的区域周围被高值的区域所包围的空间集聚方式
低低聚集（L-L） 低观测值的区域周围被同是低值的区域所包围的空间集聚特征
不显著（No Significant） 不存在显著的空间集聚特征

3.2 研究方法

本文在前人研究[4,15,22,27]的基础上,选取了8个与地质灾害相关的影响因子建立评价体系,并结合闽三角城市群实际的自然地理特征,将各个指标的分级划分标准进行合理调整,对这8个指标进行标准化赋值为2、4、6、8、10（表5）。进而通过SPCA法进行主成分提取,将其对应的贡献率作为权重计算得到闽三角城市群地质灾害敏感性的综合指数,进而分析其总体特征、空间格局和地区分异特征,并结合全局Moran'I指数、局部Moran'I指数分析该地区地质灾害敏感性的空间集聚性,最后基于土地利用数据和各主成分的因子贡献率对地质灾害的驱动因子进行深入分析。
Tab. 5 Standardization of sensitivity evaluation index of geological hazard

表5 地质灾害敏感性评价指标的标准化

评价指标 标准化赋值
2 4 6 8 10
高程/m <300 300~600 600~900 900~1200 >1200
坡度/° <5 5~15 15~25 25~35 >35
地质岩性 一类岩石（泥岩、石灰岩、黏土岩、页岩） 二类岩石（砾岩、角砾岩、粉砂岩、粗、中、细砂岩） 三类岩石（片岩、石英岩、大理岩、角闪岩、辉绿岩、辉长岩、碳酸岩） 四类岩石（安山岩、流纹岩、凝灰岩、玄武岩、英安岩） 五类岩石（花岗岩、花岗斑岩、正长岩、闪长岩、二长岩）
土壤类型 一类土壤（水稻土、灰潮土） 二类土壤（盐土、风砂土、草甸土、石灰土） 三类土壤（砖红壤、赤红壤、赤土、红壤、赤砂土） 四类土壤（黄壤、
黄红壤、粗骨土、
石质土）		 五类土壤（紫色土）
NDVI >0.55 0.4-0.55 0.25-0.4 0.1-0.25 <0.1
距主要公路距离/m >5000 3000~5000 1500~3000 500~1500 <500
多年平均降雨量/mm <1300 1300~1400 1400~1500 1500~1600 >1600
地质灾害点/（个/25 km2） <2 2~4 4~6 6~8 >8

4 结果分析

4.1 敏感性总体特征

基于SPCA进行权重赋值计算,得到闽三角城市群的地质灾害敏感性评价结果。如表6所示,闽三角城市群不同敏感性等级的面积大小顺序为：中度敏感>高度敏感>轻度敏感>极敏感>不敏感,其对应的敏感性所占面积比重分别为26.96%、25.67%、23.89%、11.75%和11.72%。由此可见,闽三角城市群的地质灾害敏感性主要集中在中度敏感、高度敏感和轻度敏感这3个等级,其面积占比总和超过75%,而不敏感和极敏感2个等级的面积占比均较小。而研究区的整体敏感性指数为15.77,从其数量特征的角度反映出闽三角城市群的地质灾害整体处于中度敏感。
Tab. 6 Classification standard and area of sensitivity of geological hazard

表6 地质灾害敏感性分级标准及其面积

敏感性等级 SSI 面积/km2 占比/%
不敏感 12.43-14.07 2901.08 11.72
轻度敏感 14.08-15.32 5916.61 23.89
中度敏感 15.33-16.34 6676.24 26.96
高度敏感 16.35-17.34 6356.91 25.67
极敏感 17.35-24.72 2910.04 11.75

4.2 敏感性空间分布

基于SPCA计算得到闽三角城市群地质灾害敏感性的综合指数,其空间分布格局如图4所示。该地区的地质灾害敏感性由东南沿海向西北内陆呈现出不敏感向极敏感逐渐过渡的整体趋势,并存在明显的地带性特征。由图4可发现,闽三角城市群地质灾害的极敏感和高度敏感这2个等级主要集中于西北部山区,并呈条带状分布,这些地区主要是以山区为主,地形起伏大。而轻度敏感和不敏感这2个等级主要集中东海沿海一带,这些地区主要是以平原、丘陵为主,地形起伏小。
Fig. 4 Spatial distribution of sensitivity of geological hazard

图4 地质灾害敏感性空间分布

4.3 敏感性地区分异

从不同敏感性在各评价单元之间的空间分布来看（表7）,闽三角城市群不同评价单元之间的地质灾害敏感性存在着较大的空间异质性。其中,不敏感区的空间分布较为集中,主要集中在晋江市和惠安县,分别占比21.95%和15.35%;轻度敏感区的空间分布则较为均匀,主要集中在南安市和漳浦县,分别占比15.15%和14.99%;中度敏感区的空间分布较为均匀,主要集中在安溪县、漳浦县和平和县,分别占比12.19%、11.40%和11.28%;高度敏感区的空间分布较为集中,主要分布在安溪县、平和县、南靖县和德化县,分别占比19.77%、17.41%、14.04%和14.01%;而极敏感区的空间分布则极为集中,主要分布于德化县和安溪县,分别占比38.62%和25.81%,其余地区分布则较为零散。
Tab. 7 The areas of different sensitivities in each evaluation units

表7 各评价单元内的不同敏感性的面积

县（区、市） 不敏感/km2 轻度敏感/km2 中度敏感/km2 高度敏感/km2 极敏感/km2
安溪县 0.61 168.27 813.86 1256.86 751.27
德化县 - 5.36 178.02 890.81 1123.88
永春县 - 43.02 547.89 584.91 278.13
惠安县 445.18 212.59 15.43 0.14 -
丰泽区 70.36 29.95 2.85 - -
鲤城区 42.54 9.44 0.00 - -
泉港区 120.70 140.41 22.76 - -
晋江市 636.80 7.13 0.30 - -
洛江区 30.72 201.80 119.61 16.63 0.14
南安市 271.51 896.31 435.27 303.06 96.94
石狮市 148.84 3.81 - - -
海沧区 64.44 71.18 19.21 2.05 -
湖里区 26.85 12.51 15.38 - -
集美区 136.13 53.25 44.91 6.00 4.46
思明区 10.25 50.30 9.18 - -
同安区 59.20 261.10 207.13 96.01 17.72
翔安区 202.71 97.74 25.12 14.62 0.17
长泰县 1.44 317.48 384.30 178.78 19.63
东山县 98.63 78.89 - - -
华安县 1.60 221.10 542.85 386.53 123.54
南靖县 0.07 243.04 620.55 892.48 203.48
平和县 - 191.77 753.29 1106.69 236.67
云霄县 57.70 321.90 356.59 232.51 37.82
漳浦县 114.63 887.04 761.00 171.30 7.25
诏安县 66.27 578.50 434.74 134.49 9.08
龙文区 0.01 105.38 15.21 0.01 -
芗城区 0.22 190.61 49.91 4.30 -
龙海市 293.46 516.34 300.62 79.19 0.20
从各评价单元内部不同敏感性的空间差异性来看（表8）,闽三角城市群不同地质灾害敏感性在各评价单元内也存在着较大的空间异质性。其中,不敏感区占比重较大的评价单元较多,主要有晋江市、石狮市金门县和鲤城区,其占比均超过80%;轻度敏感区占比重较大的评价单元也相对较多,主要有龙文区、芗城区和洛江区,其占比均超过50%;中度敏感区占比重较大的评价单元相对较少,各地区分布较为均匀,仅长泰县和东山县占比超过40%;高度敏感区占比重较大的评价单元也相对较少,仅在平和县、南靖县、安溪县、德化县和永春县占比超过40%;而极敏感区站比重较大的评价单元很少,仅德化县占比超过40%。
Tab. 8 Distribution of geological hazard sensitivity for different land use types

表8 地质灾害敏感性在不同土地利用方式下的分布

敏感性
等级		 林地 草地 水域 耕地 建设用地 未利用地
面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/% 面积/km2 比例/%
不敏感 506.42 3.12 7.05 5.02 164.70 33.04 1015.90 20.60 1301.10 43.61 15.03 17.97
轻度敏感 2717.11 16.72 37.72 26.87 217.31 43.59 1845.85 37.43 1096.84 36.76 26.01 31.10
中度敏感 5077.72 31.24 47.36 33.73 72.59 14.56 1073.24 21.76 382.12 12.81 23.97 28.66
高度敏感 5477.59 33.70 38.18 27.20 33.86 6.79 640.52 12.99 151.39 5.07 14.63 17.49
极敏感 2475.66 15.23 10.07 7.18 10.08 2.02 356.30 7.22 52.29 1.75 4.00 4.78

4.4 敏感性空间聚集

4.4.1 全局Moran's I
基于闽三角城市群地质灾害敏感性的评价结果,求得每个评价单元的地质灾害敏感性均值,进而基于空间自相关工具,计算研究区的全局Moran's I（图5）。结果显示,闽三角城市群地质灾害敏感性的全局Moran's I指数为0.519,Z得分为4.635（在ρ<0.05下,当|Z |>1.96时,研究对象在空间上具有显著的空间自相关性,且当Moran's I指数大于零则为正相关,小于零则为负相关[27]）,说明闽三角城市群的地质灾害敏感性存在显著的空间自相关性,且为显著正相关。
Fig. 5 Distribution of LISA clustering of geological hazard sensitivity

图5 地质灾害敏感性LISA聚类图

4.4.2 局部Moran's I
在全局Moran's I的基础上,进一步计算其局部Moran's I指数,并由此得到LISA聚类图,如图5所示。闽三角城市群地质灾害敏感性呈现出显著的空间集聚性特征,并且以高高聚集（H-H）和低低聚集（L-L）2种集聚类型为主。其中,在研究区西北部山区的德化县、永春县、安溪县和南靖县呈现出显著的高高聚集,表明这些地区的是高值聚集区,其周围也是高值区;而在东南沿海平原、丘陵区的惠安县、丰泽区、鲤城区、晋江市和石狮市则呈现出显著的低低聚集,表明这些地区的低值聚集区,其周围也是低值区;其余的评价单元集聚性则不显著。不难发现,研究区的地质灾害敏感性在空间上存在显著的东南沿海低值集聚带和西北内陆高值集聚带。

4.5 不同土地利用下的敏感性分异

在地质灾害敏感性的评价结果基础上,结合闽三角城市群的土地利用方式,进一步探讨不同土地利用类型下地质灾害敏感性的分异特征。如表8所示,闽三角城市群地质灾害敏感性在不同土地利用方式下存在着一定的异质性。其中,林地主要以中度敏感和高度敏感为主,草地的中度敏感、高度敏感和轻度敏感的比例均较大;水域和建设用地主要以轻度敏感和中度敏感为主;未利用地则以轻度敏感和中度敏感为主。
从不同土地利用类型下的地质灾害敏感性综合指数来看（表9）,闽三角城市群的地质灾害敏感性总体处于中度敏感,其中,林地和草地整体处于中度敏感,水域、耕地、建设用地和未利用地整体处于轻度敏感。不同土地利用类型下的地质灾害敏感性均不强,其敏感性综合指数大小顺序为：林地>草地>未利用地>耕地>水域>建设用地。不难发现,人类活动的主要场所建设用地的敏感性综合指数最低,而起水土保持功能的林地的敏感性综合指数则最高。这主要由研究区西北高、东南地的特殊地形地貌造成,地质灾害不同于其他灾害,她多发于多山地带。因此,针对研究区未来地质灾害的防灾减灾问题,不仅要在东南沿海经济发达地区大力推行因地制宜、开发与保护并重的发展策略,更应该注重西北部敏感性较强、生态环境较为脆弱的山区地带的保护,特别是针对林地、草地这类具有良好涵养水源、水土保持的生态效应的地类保护,禁止乱砍滥伐,防止生态环境的进一步恶化,减少地质灾害的发生及危害。
Tab. 9 Synthetic index of geological hazard sensitivity for different land use types

表9 不同土地利用类型的地质灾害敏感性综合指数

土地利用类型 总体
林地 草地 水域 耕地 建设用地 未利用地
敏感性综合指数 16.25 15.83 14.62 15.18 14.35 15.27 15.77

4.6 敏感性驱动因子

由地质灾害敏感性的主成分分析所提取的载荷矩阵（表10）可知：第1主成分中多年平均降水量和坡度的贡献较大;第2主成分中距主要公路距离和地质灾害点数目的贡献较大;第3主成分中,地质岩性的贡献较大;第4主成分中距主要公路距离的贡献较大;第5主成分中,土壤类型和多年平均降水量的贡献较大;第6主成分中,土壤类型和坡度的贡献较大;可见,研究区地质灾害敏感性的主要驱动因子是多年平均降水量、坡度、距离主要公路距离、地质灾害点数目、地质岩性和土壤类型,而高程和NDVI在前6个主成分中的贡献率均较小,并不是造成地质灾害敏感性的主要原因。这也解释了研究区不同土地利用下的地质灾害敏感性分异特征,即由于闽三角城市群西北高、东南低的特殊地形地貌特征,东南沿海主要以平原、丘陵为主,地势低平,坡度小、降雨少、地质灾害点少,因此主要集中分布于该地区的建设用地和耕地的综合敏感性较小。而西北内陆多山地,地势高低起伏,坡度大,降雨多,地质灾害频发,因此主要集中分布于此的林地、草地的综合敏感性则相对较高。
Tab. 10 The load matrix of the first 6 principal components

表10 前6个主成分的载荷矩阵

评价指标 主成分
PC1 PC2 PC3 PC4 PC5 PC6
高程 0.40 0.07 -0.15 -0.04 0.05 0.17
坡度 0.47 -0.05 0.07 -0.30 0.07 -0.55
NDVI -0.32 0.08 -0.18 0.29 0.11 0.39
岩性 0.07 -0.24 0.79 0.39 0.39 0.02
土壤类型 0.28 -0.23 -0.15 -0.41 0.56 0.53
距主要公路距离 -0.32 0.63 0.40 -0.54 0.14 0.06
多年平均降水量 0.51 0.30 0.28 0.10 -0.53 0.45
地质灾害点数目 0.25 0.62 -0.24 0.44 0.46 -0.18

4.7 评价结果验证

为有效验证本研究中地质灾害敏感性评价结果的可靠性,本文将地质灾害敏感性的评价结果和现有的地质灾害点相结合,计算不同敏感性等级下单位面积的地质灾害点个数。如图6所示,闽三角城市群地质灾害敏感性等级越高,地质灾害点的密度也越大,即随着等级的升高,单位面积内的地质灾害点个数也增多,这也充分证明了本研究评价结果的可靠性,即敏感性越高的地方,地质灾害的发生风险也随之升高。
Fig. 6 Geological hazard point density under different sensitivity grades

图6 不同敏感性等级下的地质灾害点密度

5 结论与讨论

本文基于SPCA法和Moran's I指数,从总体特征、空间分布、地区分异、空间集聚以及驱动因子5个方面对闽三角城市群的地质灾害敏感性进行综合评价。主要有以下几个结论：
（1）闽三角城市群整体处于中度敏感性,不同敏感性等级的面积大小顺序为：中度敏感>高度敏感>轻度敏感>极敏感>不敏感,占比分别为26.96%、25.67%、23.89%、11.75%和11.72%。并且,由东南沿海向西北内陆呈现出不敏感向极敏感逐渐过渡的整体趋势,并存在着明显的地带性特征,即西北部的高值带和东南部的低值带。
（2）闽三角城市群在不同县（市、区）间及其内部的地质灾害敏感性均存在较大的空间异质性,不敏感区、高度敏感区和极敏感区在研究区内的空间分布较为集中,而轻度敏感区和中度敏感区的空间分布则较为均匀。且不敏感区和轻度敏感区占比重较大的评价单元较多,而中度敏感区、高度敏感区和极度敏感区占比重较大的评价单元则较少。
（3）闽三角城市群的地质灾害敏感性存在显著的空间自相关性,且为显著正相关,并呈现出显著的空间集聚性特征,在西北山区的德化县、永春县、安溪县和南靖县为显著的高高聚集,在东南沿海的惠安县、丰泽区、鲤城区、晋江市和石狮市则呈现出显著的低低聚集。
（4）闽三角城市群不同土地利用类型下的地质灾害敏感性均不强,其敏感性综合指数大小顺序为：林地>草地>未利用地>耕地>水域>建设用地。其中,林地和草地整体处于中度敏感,水域、耕地、建设用地和未利用地整体处于轻度敏感。其主要驱动因子是多年平均降水量、坡度、距离主要公路距离、地质灾害点数目、地质岩性和土壤类型,而高程和NDVI的影响则较小。
本研究主要是针对闽三角城市群的地质灾害敏感性进行评价,力图有效揭示该地区地质灾害敏感性的空间格局特征及其驱动因子。由于地质灾害的复杂性,所选取评价指标可能并不全面,并且缺乏不同阶段地质灾害敏感性演化特征的探讨,今后还需从多时相、多指标、多方法等方面对其时空演变特征进行分析,力图更加准确地揭示其真实的演化规律,为闽三角城市群未来的生态文明建设和生态安全保障提供理论借鉴。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈曦炜,裴志远,王飞.基于GIS的贫困地区降雨诱发型地质灾害风险评估——以湖北省恩施州为例[J].地球信息科学学报,2016,18(3):343-352.<p>湖北省恩施土家族苗族自治州(简称恩施州)地处中国14个集中连片特困区之一的武陵山区内,州内少数民族聚居多,贫困人口分布广,地质灾害频发,"因灾致贫,因灾返贫"现象较为突出.本文根据灾害系统学原理和灾害风险分析理论,综合考虑恩施州降雨诱发型地质灾害的致灾因子,孕灾环境和承灾体,构建了降雨诱发型地质灾害风险评价指标体系,基于灾害系统学原理的风险评估模型,对该区的降雨诱发型地质灾害风险进行评估.主要结论如下:(1)降雨诱发型地质灾害的诱发因子为强降雨,恩施州降水丰沛,恩施市中部与鹤峰县东南部属于致灾因子高危险性区域;(2)选取地形地貌,基础地质,水文条件,人类工程活动等孕灾环境要素,耦合信息量法和层次分析法,构建恩施州孕灾环境敏感性评价指标体系,结果表明恩施州孕灾环境敏感性较高,高区域主要分布在巴东县,恩施市和鹤峰县;(3)选取工程建筑,居民人口,社会经济,耕地等承灾体进行脆弱性评估,结果表明承灾体脆弱性较高区域与人口集中地区在空间上重合,利川市和来凤县有更多的高脆弱性区域;(4)综上可知,恩施州的降雨诱发型地质灾害风险总体较高,其较高,高风险区域主要分布在巴东县和恩施市.</p>

DOI

[ Chen X W, Pei Z Y, Wang F.GIS-based assessment of rainstorm-induced geological hazards risk in Enshi Autonomous Prefecture[J]. Journal of Geo-information Science, 2016,18(3):343-352. ]

[2]
Yilmaz C, Topal T, Süzen M L.GIS-based landslide susceptibility mapping using bivariate statistical analysis in Devrek (Zonguldak-Turkey)[J]. Environmental Earth Sciences, 2012,65(7):2161-2178.

DOI

[3]
王卫东,曾科,方理刚.基于地理处理服务的滑坡敏感性区划研究[J].中南大学学报(自然科学版),2011,42(7):2086-2094.在ArcGIS Server平台下开发地理处理服务(GP服务),实现滑坡敏感性区划图的自动化编制。其步骤为:首先,阐述GP服务二次开发方法及其在地质灾害自动化分 析和网络发布中的作用;然后,以贵州省为研究区域,选择高程、坡度、岩性、地质构造、铁路建设和年均降雨量6个致灾因子及其二级指标建立滑坡敏感性区划研 究体系;最后,以主客观综合权重方法为原型构建滑坡敏感性区划GP模型,并发布为网络服务,在WebGIS系统中调用该服务自动编制贵州省滑坡敏感性区划 图。将敏感性区划图与历史滑坡分布图比较,证明了GP模型的可靠性。

DOI

[ Wang W D, Zeng K, Fang L G.Landslide susceptibility mapping based on geoprocessing service[J]. Journal of Central South University (Science and Technology), 2011,42(7):2086-2094. ]

[4]
侯圣山,李昂,周平根,等.基于二元统计的区域地质灾害敏感性评价——以四川雅安雨城区为例[J].水文地质工程地质2006,33(1):1-4.借鉴区域地质灾害敏感性评价的各种方法,给出了基于二元统计的地质灾害敏感性评价方法,并在雅安市雨城区地质灾害敏感性评价中进行了试验.本方法主要有以下优点:操作简单、数据容易准备、效率高、评价合理准确、适用于各种精度(比例尺),有着较好的推广应用价值.

DOI

[ Hou S S, Li A, Zhou P G, et al.Regional landslide susceptibility assessment using bivariate statistic method: A case study of Yucheng District, Yaan City, Sichuan Province[J]. Hydrogeology & Engineering Geology, 2006,33(1):1-4. ]

[5]
鹿世瑾,王岩,文明章.福建雨季暴雨及台风暴雨诱发地质灾害的研究[J].福建地质,2010,29(a1):77-86.

[ Lu S J, Wang Y, Wen M Z.Research on geological disasters caused by Monsoon rainstorm and typhoon rainstorm in Fujian Province[J]. Geology of Fujian, 2010,29(a1):77-86. ]

[6]
杨命青,王万东,毋利军,等.龙门山区震后山地灾害地质因素敏感性评价[J].中国安全科学学报,2010,20(10):3-7.从与山地灾害关系密切的地质环境条件入手,选择了岩性和断裂带大指标,以龙门山区为典型区,根据灾害发生学原理,建立敏感性评价模型,定量分析了岩性、断裂带等对山地灾害的敏感性,并根据敏感性指标对研究区进行了敏感性区分.结果表明:岩性对山地灾害的敏感性从大到小依次为次硬岩＞硬岩＞软岩层＞极软岩层;断裂带对山地灾害的敏感度主要集中在距离断裂带0～2 km范围内.

[ Yang M Q, Wang W D, Wu L J, et al.Sensitivity assessment of geological factors to geological disastersafter earthquake in Longmen mountain area[J]. China Safety Science Journal, 2010,20(10):3-7. ]

[7]
Lee S.Application of likelihood ratio and logistic regression models to landslide susceptibility mapping using GIS[J]. Environmental Management, 2004,34(2):223-232.

DOI

[8]
崔鹏,刘世建,谭万配.中国泥石流监测预报研究现状与展望[J].自然灾害学报,2000,9(2):10-15.Debris flows often occur in the mountain areas over 2/3 territory of China, especiallyin the areas around Qinghai-Xizang(Tibet) plateau, Qinling Mountains, Taihang Mountainsand Yianshan Mountains. China seriously suffers from debris flows that cause a loss of 2 bil-lion RMB yuan and kill 300 ~600 people a year. China has devoted into debris flow researchand disaster mitigation a lot.

DOI

[ Cui P, Liu S J, Tan W P.Progress of debris flow forecast in China[J]. Journal of Natural Disasters, 2000,9(2):10-15. ]

[9]
刘洋,唐川,李为乐,等.四川省都江堰市龙池地区群发性泥石流物源敏感性分析[J].灾害学,2013,28(2):107-113.

[ Liu Y, Tang C, Li W L, et al.Sensitivity analysis on mass of debris flows on the Longchi region, Dujiangyan, Sichuan province[J]. Journal of Catastrophology, 2013,28(2):107-113. ]

[10]
马丽丽,田淑芳,王娜.基于层次分析与模糊数学综合评判法的矿区生态环境评价[J].国土资源遥感,2013,25(3):165-170.<p>层次分析(analytic hierarchy process,AHP)与模糊数学(fuzzy mathematics)综合评判法将AHP与模糊数学法结合起来,分别取其优点,以实现更为精准的评价。为此,以昌平地区建筑用砂矿区为研究区,将AHP与模糊数学综合评判法引入到矿区生态环境评价中,以遥感技术为辅助手段来监测矿区的生态环境: 选用水体密度、植被覆盖度、居民地密度、地形地貌、矿业占地和生态多样性等6项指标建立了生态评价指标体系; 运用基于AHP与模糊数学综合评判法确定评价指标的权重; 在GIS平台上对各评价指标进行加权叠加,得到实验区生态环境的等级评价图,实现了矿区生态环境评价。研究结果表明,使用该方法进行矿区生态环境评价是有效的,对于保护矿区生态环境、合理开发矿产资源具有现实意义。</p>

DOI

[ Ma L L, Tian S F, Wang N.Ecological environment evaluation of the mining area based on AHP and fuzzy mathematics[J]. Remote Sensing for Land and Resources, 2013,25(3):165-170. ]

[11]
裴惠娟,陈晋,李雯,等.甘肃省地质灾害风险评估[J].灾害学,2017,32(2):97-102.

[ Pei H J, Chen J, Li W, et al.Geological disaster risk assessment in Gansu province[J]. Journal of Catastrophology, 2017,32(2):97-102. ]

[12]
汪宙峰,张廷山,王蕾,等.都汶公路沿线生态地质环境承载力综合评价[J].测绘科学,2016,41(7):77-81.针对都汶公路沿线地质生态环境承载力波动效应问题,该文以都汶公路沿线区域为研究对象,利用地理省情普查及监测数据,探讨了生态地质环境系统内部各动力要素间的协同耦合机制。通过对公路沿线生态地质环境影响因素的分析,探索并构建了宏观-中观-微观联动的地质生态环境承载力本底库及评价指标体系,采用层次分析法计算各个评价指标的权重系数,揭示都汶公路沿线生态地质环境脆弱性变化的影响因素、机制和规律,界定都汶公路生态地质环境承载力阈值。结果表明,该评价体系及评价方法考虑了西南地区的“震后效应”,适合于开展山区地质生态环境变化趋势研究。

DOI

[ Wang Z F, Zhang T S, Wang L, et al.The integrated assessment system of eco-geological environmental carrying capacity for Dujiangyan-Wenchuan highway[J]. Science of Surveying and Mapping, 2016,41(7):77-81. ]

[13]
刘洋洋,李永强,李有鹏,等.基于AHP-模糊综合评价法的山区丘陵公路灾害易损性研究——以河南省修武县为例[J].灾害学,2017,32(2):32-38.以河南省修武县某山区丘陵公路为例,结合当地实际情况,先从社会因素、道路因素、防治因素三大方面进行考量考察,选取经济密度、人口密度、公路等级等8个因子为参评因子,建立公路灾害易损性评估层次结构模型,再采用AHP-模糊综合评价法实现公路灾害易损性的定量和定性综合评估,并提出相应的防治建议。研究结果表明,研究区公路灾害易损性极大,需进行重点防范;该研究评估方法与专家现场定性分析法取得的结果基本一致,体现出了较高的准确性和适用性,可为后续的山区丘陵公路防灾减灾工作提供一定的参考作用。

DOI

[ Liu Y Y, Li Y Q, Li Y P, et al.Research of highway disaster vulnerability based on AHP-fuzzy comprehensive evaluation method: A case study of Xiuwu county in Henan province[J]. Journal of Catastrophology, 2017,32(2):32-38. ]

[14]
吴森,李虎杰,陈国辉,等.基于贡献率权重法的区域滑坡影响因子敏感性分析[J].中国地质灾害与防治学报,2016,27(1):26-31.

[ Wu S, Li H J, Chen G H, et al.Regional landslides influence factors sensitivity analysis based on contributing weight method[J]. The Chinese Journal of Geological Hazard and Control, 2016,27(1):26-31. ]

[15]
陈玉,郭华东,王钦军.基于RS与GIS的芦山地震地质灾害敏感性评价[J].科学通报,2013,58(36):3859-3866.<p>北京时间2013年4月20日上午8：02分，四川芦山县发生了7.0级强震，地震发生后中国科学院遥感与数字地球研究所迅速启动重大灾害应急响应，及时对灾情进行评估. 通过0.6 m分辨率航空遥感影像解译的崩滑体分布情况，结合坡度、坡向、高程、岩性、构造、水系、植被覆盖及地震烈度8个评价因子信息，分别基于概率指数模型与信息量模型对地震重灾区芦山县、宝兴县进行了地质灾害敏感性评价. 各因子分析的贡献度排序表明，距离构造350 m以内对地质灾害影响最大，其次为较陡的坡度(40&deg;以上)及距离主干河道较近区域. 采用接收者操作特征(receiver operating characteristic，ROC)曲线对模型精度评价，表明信息量模型具有73.3%的精度，略高于概率指数模型的71.5%，二者的评价结果较吻合，均表明芦山县双石镇、太平镇、宝盛乡、龙门乡及宝兴县五龙乡、民治乡、永富乡等地具有较高的地质灾害敏感性. 评估结果为震后地质灾害隐患点排查，预防二次灾害提供技术支持.</p>

DOI

[ Chen Y, Guo H D, Wang Q J.Geological disaster susceptibility assessment of the Lushan earthquake based on GIS and RS[J]. Chinese Science Bulletin, 2013,58(36):3859-3866. ]

[16]
方苗,张金龙,徐瑱.基于GIS和Logistic回归模型的兰州市滑坡灾害敏感性区划研究[J].遥感技术与应用,2011,26(6):845-854.lt;p>针对兰州市脆弱的地质环境和频繁发生的滑坡灾害,采用Logistic回归模型,以ArcGIS和SPSS软件为工具,选取地层岩性、断层构造、坡度、地貌、植被覆盖度、7~9月平均降水、道路(公路、铁路)作为滑坡灾害影响因子。首先对每个影响因子分级并计算每个因子指标值,然后在ArcMap中对影响因子图层进行叠加操作,最后在SPSS软件中运用Logistic回归方法,计算出每个影响因子的系数值并建立Logistic回归模型。根据Logistic回归模型在ArcMap中绘制兰州市滑坡灾害敏感性区划图,区划图和实际的滑坡分布情况基本吻合。模型的Kappa系数值和ROC曲线下面积值(AUC值)分别为0.623和0.709,两种方法的检验结果均表明模型模拟效果较好,能应用于兰州市滑坡灾害敏感性区划研究中。</p>

[ Fang M, Zhang J L, Xu Z.Landslide susceptibility zoning study in Lanzhou city based on GIS and logistic regression model[J]. Remote Sensing Technology and Application, 2011,26(6):845-854. ]

[17]
何瑞翔,林齐根,王瑛,等.云南省地质灾害影响因素及高危险区分析[J].灾害学,2015,30(3):208-213.

[ He R X, Lin Q G, Wang Y, et al.Factors and high risk area analysis of geological hazards in Yunnan[J]. Journal of Catastrophology, 2015,30(3):208-213. ]

[18]
Xu C, Xu X W, Dai F C, et al.Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China[J]. Computers & Geosciences, 2012,46(3):317-329.

[19]
牛全福,冯尊斌,张映雪,等.基于GIS的兰州地区滑坡灾害孕灾环境敏感性评价[J].灾害学,2017,32(3):29-35.

[ Niu Q F, Feng Z B, Zhang Y X, et al.Susceptibility assessment of disaster environment for landslide hazard based on GIS in Lanzhou area[J]. Journal of Catastrophology, 2017,32(3):29-35. ]

[20]
余丰华,刘正华,夏跃珍,等.基于敏感指数主成分分析法的浙江沿海突发性地质灾害易发区评价[J].灾害学, 2015,30(4):64-68.

[ Yu F H, Liu Z H, Xia Y Z, et al.Evaluation of the unexpected geological disasters distributions in coastal region of Zhejiang province base on sensitivity coefficient and principal component analysis[J]. Journal of Catastrophology, 2015,30(4):64-68. ]

[21]
万石云,李华宏,胡娟.云南省滑坡泥石流灾害危险区划[J].灾害学,2013,28(2):60-64.根据云南滑坡泥石流的孕灾环境和致灾因素选取海拔高程、地形坡 度、年大雨日数、年暴雨日数和临界雨强作为影响因子；利用2000-2011年云南124站逐日降水资料、滑坡泥石流灾害样本和1:25万云南省地形资 料,计算了这些因子相应属性对滑坡泥石流的敏感系数,并采用主成分分析法建立区划模型,对各影响因子滑坡泥石流敏感性进行了集成计算,借助于GIS工具最 终完成了云南省滑坡泥石流危险区划图.区划结果表明高危险区主要分布在滇西北、滇东北和滇西南地区,与云南滑坡泥石流活动情况是相符的,并探讨了有关区域 滑坡泥石流的气象预报方法.

DOI

[ Wang S Y, Li H Y, Hu J.Hazard zoning of landslide and debris flow disasters inYunnan province[J]. Journal of Catastrophology, 2013,28(2):60-64. ]

[22]
廖炜,李璐,吴宜进,等.丹江口库区土地利用变化与生态环境脆弱性评价[J].自然资源学报,2011,26(11):1879-1889.基于RS和GIS技术,研究了丹江口库区1990&mdash;2007年的土地利用变化状况,采用空间主成分分析法构建了生态环境脆弱性评价模型,评价了库区生态环境脆弱性,探讨了土地利用变化与生态环境脆弱性的关系。结果表明:①库区土地利用格局承受着社会经济发展和生态环境保护与建设两方面相互矛盾的巨大压力,1990&mdash;2007年间,除水田和旱地减少外,其他用地比例均有不同程度增长。②18 a间,库区生态环境整体状况有所好转,脆弱性综合指数从5.96降至5.56。林地基本处于微度脆弱性状态,灌丛、园地、草地属于轻度和中度脆弱状态,水田、旱地和未利用地多属于中度和重度脆弱状态。③不同利用类型的脆弱性综合指数顺序基本保持为:城镇&gt;农村居民地&gt;未利用地&gt;旱地&gt;园地&gt;草地&gt;水田&gt;灌丛&gt;林地,林灌措施是库区生态恢复和重建的首选,同时应加强城镇与农村居民地以及农田的生态环境建设。

DOI

[ Liao W, Li L, Wu Y J, et al.Land use change and eco-environment vulnerability evaluation in the Danjiangkou reservoir area[J]. Journal of Natural Resources, 2011,26(11):1879-1889. ]

[23]
林金煌,陈文惠,祁新华,等.闽三角城市群生态系统格局演变及其驱动机制[J].生态学杂志,2018,37(1):203-210.

[ Lin J H, Chen W H, Qi X H, et al.Evolution pattern of ecosystem and its driving mechanism in urban agglomeration in Fujian Delta Region[J]. Chinese Journal of ecology, 2018,37(1):203-210. ]

[24]
周松秀,田亚平,刘兰芳.南方丘陵区农业生态系统适应能力及其驱动因子——以衡阳盆地为例[J].生态学报,2015,35(6):1991-2002.全球变化背景下的适应性研究引起了广泛关注。南方丘陵区是典型的水稻农业区,研究其农业生态系统适应性尤为重要。采用主成分分析法对衡阳盆地农业生态系统适应能力进行了定量研究,分析不同适应能力区的适应性主要驱动因子。结果表明:适应能力的分布规律为衡阳市区最高,各县域适应能力呈现出盆地中部低、四周高的分布规律。不同适应能力区适应性驱动因子各异,高适应能力区主要驱动因子是经济条件,水热配合条件和灌溉设施是较高适应能力区的主要驱动因子,低适应能力区的主要驱动因子是人口规模和水土保持,热量和地形条件是极低适应能力区的主要驱动因子。高适应能力区因以农药和化肥的施用量为主要驱动因子具有短暂性,较高适应能力区以良好的水热配合条件和灌溉设施作为驱动因子具有可持续性,因而较高适应能力区的发展潜力超过高适应能力区。

DOI

[ Zhou S X, Tian Y P, Liu L F.Adaptability of agricultural ecosystems in the hilly areas in Southern China: A case study in Hengyang Basin[J]. Acta Ecologica Sinica, 2015,35(6):1991-2002. ]

[25]
王宏伟,张鑫,邱俊楠.榆林市脆弱生态空间分异特征及脆弱度分析[J].水土保持研究,2010,17(3):184-188.生态环境的脆弱性是自然因素和人为因素共同作用的结果.采用干旱指数、人口集中指数、系统熵等指标与方法,对榆林市的气候、人口、经济以及人均水资源等脆弱因子的空间分异特征进行定量分析研究.结果表明,榆林市的干旱指数由东向西逐渐增大,为半湿润半干旱型气候;人口分布趋于均匀并继续分散;经济发展不平衡,主要集聚在神木县、榆阳区和府谷县;人均水资源西多东少并且整体上逐年减少.基于统计资料,建立评价指标体系,结合主成分分析法和聚类分析法,构建数学模型计算脆弱度并进行等级划分.分析表明,将榆林市生态脆弱性划分为五个等级,脆弱度以榆阳区为中心向四周减弱.

[ Wang H W, Zhang X, Qiu J N.Spatial differentiation character of fragile ecology and fragility analysis in Yulin city[J]. Research of Soil and Water Conservation, 2010,17(3):184-188. ]

[26]
张添佑,王玲,王辉,等.玛纳斯河流域盐渍化灌区生态环境遥感监测研究[J].生态学报,2017,37(9):3009-3018.土壤盐渍化已成为全球性问题,给生态环境及农业生产带来严重的威胁。为了快速、准确评价土壤盐渍化给区域生态坏境带来的影响,该文提出了新的完全基于遥感数据的遥感生态指数(SSEI,Soil Salinization Ecology Index)来监测玛纳斯河流域盐渍化灌区生态环境变化。该指数利用主成分分析的方法耦合与土壤盐渍化相关的土壤盐度、地表反照率、植被覆盖度和土壤湿度四大地表参数,指数构建是数据本身性质所决定,不同于以往遥感与非遥感指数加权叠加易受人为影响。研究结果表明:耦合与盐渍化信息相关的各遥感指数得到的生态指数,能够对土壤盐渍化影响区域的生态环境进行快速、定量、客观的监测。将该指数应用到新疆玛纳斯河流域灌区,结果表明在近26年优和良等级生态环境面积增加了12.89%,这说明灌区生态环境有所改善。该研究对土壤盐渍化监测与评价具有一定参考意义。

[ Zhang T Y, Wang L, Wang H, et al.Assessment of soil salinization ecological environment change in the Manas river basin using remote sensing technology[J]. Acta Ecologica Sinica, 2017,37(9):3009-3018. ]

[27]
杜悦悦,彭建,赵士权,等.西南山地滑坡灾害生态风险评价——以大理白族自治州为例[J].地理学报,2016,71(9):1544-1561.本文以云南省大理白族自治州为例,综合考量生态风险源、受体、暴露响应过程及生态终点,采用信息量模型评估滑坡灾害危险性,基于景观格局指数表征生态脆弱性,并将生态系统服务纳入风险损失的定量表征,定量评估流域滑坡灾害生态风险.结果表明:①低于1800m高程、15°～25°坡度、小于0.31植被覆盖指数等10方面因素构成了诱发大理州滑坡灾害的最佳信息量组合,全州普遍处于滑坡灾害危险性中高水平,且西北低、东南高;②生态脆弱性高值区主要集中在红河流域南部、金沙江流域东南部、澜沧江流域中部;③低生态损失流域的水源涵养、粮食供给服务相对较差,生态损失中等流域的净初级生产、土壤保持服务优势明显,高生态损失流域则具有较强的粮食供给和水源涵养服务;④基于高中低3种生态风险等级和“高危险—低脆弱—低损失”等8种风险结构,全州367个小流域可划分出避让监测预警区、生态保护恢复区、避让保护兼顾区、自然适应调控区等4种风险防范类型区.

DOI

[ Du Y Y, Peng J, Zhao S Q, et al.Ecological risk assessment of landslide disasters in mountainous areas of Southwest China: A case study in Dali Bai Autonomous Prefecture[J]. Acta Geographica Sinica, 2016,71(9):1544-1561. ]

[28]
陈金月,王石英.岷江上游生态环境脆弱性评价[J].长江流域资源与环境,2017,26(3):471-479.生态环境脆弱性评价是全球生态问题和可持续发展研究中的重要内容之一.岷江上游因地质构造复杂、人地矛盾突出、生态系统异常脆弱和灵敏而备受关注.本文以岷江上游生态环境脆弱性为研究对象,选取证据权重法(WOE)进行滑坡脆弱性评价,层次分析法(AHP)进行水力侵蚀、景观破坏与污染脆弱性评价;在此基础上,进行了研究区各生态主题脆弱性的空间叠加分析;探讨了岷江上游生态环境脆弱性及其在不同影响因子作用下的空间分异特征.结果表明:研究区的滑坡脆弱性、水力侵蚀脆弱性、景观破坏与污染脆弱性均以轻微度为主,分别占研究区面积的80.43％、71.89％、75.55％;各生态环境主题脆弱性综合分析表明,54.70％的区域至少面临一种生态问题,面临两种及以上环境问题的区域占15.43％,同时面临三种环境问题的占1.35％.研究结果探讨了岷江上游生态环境存在的主要问题和影响因子,对岷江流域乃至长江流域的生态安全和可持续发展具有积极意义,未来应持续关注生态环境脆弱区的生态环境问题.

DOI

[ Chen J Y, Wang S Y.Eco-environmental vulnerability evalution in the upper reaches of Minjiang Rirver[J]. Resources and Environment in the Yangtze Basin, 2017,26(3):471-479. ]

[29]
邵秋芳,彭培好,黄洁,等.长江上游安宁河流域生态环境脆弱性遥感监测[J].国土资源遥感,2016,28(2):175-181.<p>为了解安宁河流域生态环境脆弱性情况,以卫星遥感图像作为主要信息源,以人口密度、国内生产总值、土地利用、土壤类型、高程、坡度、气温、降水、植被指数作为评价指标,综合运用地理信息系统技术和投影寻踪算法,构建空间投影寻踪模型,进而对安宁河流域生态环境脆弱性进行评价。以分析结果为依据,将研究区生态环境脆弱性划分为5个等级,分别是重度脆弱、中度脆弱、轻度脆弱、微度脆弱和潜在脆弱。研究结果表明,研究区生态脆弱性整体上属中等脆弱等级。由于生态环境保护政策的实施和地区人民对于生态环境保护意识的提高,研究区2013年相对于1993年,生态环境总体有所改善。</p>

DOI

[ Shao Q F, Peng P H, Huang J, et al.Monitoring eco-environmental vulnerability in Anning River Basin in the upper reaches of the Yangtze River using remote sensing techniques[J]. Remote Sensing for Land and Resources, 2016,28(2):175-181. ]

[30]
吴金华,李纪伟,朱鸿儒.基于ArcGIS区统计的延安市土地生态敏感性评价[J].自然资源学报,2011,26(7):1180-1188.在对延安市土地生态环境问题进行调查研究的基础上,采用基于ArcGIS区统计方法进行土地生态敏感性评价,并首次采用了客观确权法&mdash;&mdash;变异系数法确定评价因子权重,与以往叠加评价方法相比,在评价思路、确权方法、评价单元和叠加方法上都有不同程度改进,评价结果更加准确、客观、实用。土地生态敏感性评价结果显示,极敏感和高敏感区占到了全市总面积的40.11%,不敏感和低敏感区占全市总面积的52.06%,地域分异规律上,敏感性程度由北向南逐渐递减,并进行了土地利用生态敏感性评价。最后,针对不同土地生态敏感性分区因地制宜提出用地策略,为本轮土地利用总体规划修编和指导今后土地科学利用服务。

DOI

[ Wu J H, Li J W, Zhu H R.Land ecological sensitivity evaluation of Yan’an based on zonal statistics of ArcGIS[J]. Journal of Natural Resources, 2011,26(7):1180-1188. ]

[31]
李慧,王云鹏,李岩,等.珠江三角洲土地利用变化空间自相关分析[J].生态环境学报,2011,20(12):1879-1885.

[ Li H, Wang Y P, Li Y, et al.A spatial autocorrelation analysis of land use change in Pearl River Delta[J]. Ecology and Environmental Sciences, 2011,20(12):1879-1885. ]

[32]
朱子明,祁新华.基于Moran'I的闽南三角洲空间发展研究[J].经济地理,2009,29(12):1977-1980.

[ Zhu Z M, Qi X H.Research on spatial development of Minnan Delta Based on Moran'I[J]. Economic Geography, 2009,29(12):1977-1980. ]

[33]
胡庆芳,杨大文,王银堂,等.利用全局与局部相关函数分析流域降水空间变异性[J].清华大学学报(自然科学版),2012,52(6):778-784.

[ Hu Q F, Yang D W, Wang Y T, et al.Rainfall spatial variation models using global and local correlation functions[J]. Journal of Tsinghua University( Science & Technology), 2012,52(6):778-784. ]

Options
Outlines

/

〈 〉