山区城镇化的建设会造成土地利用的变化,从而改变滑坡的易发性。然而,目前在滑坡灾害的管理中缺乏未来土地利用动态变化下的易发性研究。基于此,本文以重庆市万州区长江沿岸乡镇为例,首先利用斑块生成土地利用变化模拟(Patch-generating...山区城镇化的建设会造成土地利用的变化,从而改变滑坡的易发性。然而,目前在滑坡灾害的管理中缺乏未来土地利用动态变化下的易发性研究。基于此,本文以重庆市万州区长江沿岸乡镇为例,首先利用斑块生成土地利用变化模拟(Patch-generating Land Use Simulation,PLUS)模型对该地区2025年与2030年的土地利用动态因子进行预测;随后,结合研究区所收集的静态因子与滑坡灾害数据构建了易发性评价的数据库。并利用粒子群算法(Particle Swarm Optimization,PSO)对XGBoost、LightGBM与CatBoost共3种基于GBDT(Gradient Boosting Decision Tree)框架的集成学习模型进行超参数的调整并开展动态易发性建模;最后,基于最优评价模型开展未来土地利用动态变化情景下的滑坡易发性进行制图。研究结果表明:①基于PLUS模型的土地利用变化结果能够为未来滑坡易发区域的预测提供准确的基础数据;②通过对比PSO算法参与建模前后的AUC结果,可以发现PSO-CatBoost模型能够更好的拟合研究区滑坡清单和触发因子的非线性关系,并获得了最优的建模精度;③综合考虑未来土地利用与滑坡易发性的研究框架表明未来长江沿岸乡镇的建筑用地发展会提高潜在的滑坡易发性。本文所提出的研究思路对于构建坚韧有效的山区城镇防灾减灾体系具有重要的实际意义,并可为未来山区城镇的规划提供科学指导。展开更多
文摘山区城镇化的建设会造成土地利用的变化,从而改变滑坡的易发性。然而,目前在滑坡灾害的管理中缺乏未来土地利用动态变化下的易发性研究。基于此,本文以重庆市万州区长江沿岸乡镇为例,首先利用斑块生成土地利用变化模拟(Patch-generating Land Use Simulation,PLUS)模型对该地区2025年与2030年的土地利用动态因子进行预测;随后,结合研究区所收集的静态因子与滑坡灾害数据构建了易发性评价的数据库。并利用粒子群算法(Particle Swarm Optimization,PSO)对XGBoost、LightGBM与CatBoost共3种基于GBDT(Gradient Boosting Decision Tree)框架的集成学习模型进行超参数的调整并开展动态易发性建模;最后,基于最优评价模型开展未来土地利用动态变化情景下的滑坡易发性进行制图。研究结果表明:①基于PLUS模型的土地利用变化结果能够为未来滑坡易发区域的预测提供准确的基础数据;②通过对比PSO算法参与建模前后的AUC结果,可以发现PSO-CatBoost模型能够更好的拟合研究区滑坡清单和触发因子的非线性关系,并获得了最优的建模精度;③综合考虑未来土地利用与滑坡易发性的研究框架表明未来长江沿岸乡镇的建筑用地发展会提高潜在的滑坡易发性。本文所提出的研究思路对于构建坚韧有效的山区城镇防灾减灾体系具有重要的实际意义,并可为未来山区城镇的规划提供科学指导。