摘要：滑坡災(zāi)害的早期識(shí)別和易發(fā)生區(qū)域的監(jiān)控是防災(zāi)減災(zāi)的重要工作。本文以山東省沂源縣為研究區(qū)域，將HJ2A CCD光學(xué)影像和ASTER GDEM地形數(shù)據(jù)進(jìn)行數(shù)據(jù)處理形成多源異構(gòu)數(shù)據(jù)，利用決策樹方法提取2022年和2023年同時(shí)期滑坡易發(fā)生區(qū)域，并通過面積變化和空間疊加分析對(duì)提取結(jié)果進(jìn)行了時(shí)間和空間變化分析，結(jié)果表明：本文所使用的多源遙感數(shù)據(jù)和提取方法能夠較好的識(shí)別是滑坡易發(fā)生區(qū)域，總體精度為90%，Kappa系數(shù)為0.802；相較于2022年易發(fā)生滑坡區(qū)域面積17.526km2，2023年滑坡易發(fā)生區(qū)域面積為24.875km2，增長(zhǎng)7.35km2，變化率41.94%；在空間一致性分析中，無風(fēng)險(xiǎn)區(qū)域面積為1611.60km2，低風(fēng)險(xiǎn)區(qū)域面積為2.24km2，新風(fēng)險(xiǎn)區(qū)域面積為9.59km2，高風(fēng)險(xiǎn)區(qū)域面積為15.29km2。研究成果可為滑坡易發(fā)生區(qū)域提取和山東省沂源縣的滑坡地質(zhì)災(zāi)害預(yù)防提供參考。

關(guān)鍵詞：滑坡識(shí)別；多源數(shù)據(jù)；決策樹；山東沂源

收稿日期：20240222；修訂日期：20240322；編輯：陶衛(wèi)衛(wèi)

基金項(xiàng)目：2023年山東省地勘項(xiàng)目，山東省沂水縣泉莊地區(qū)旅游地質(zhì)調(diào)查（SDGP370000000202302001263）

作者簡(jiǎn)介：衛(wèi)石印（1988—），男，山東曹縣人，工程師，主要從事工程測(cè)量、地理信息應(yīng)用等工作；Email：413397063@qq.com

中圖分類號(hào)：P237""" 文獻(xiàn)標(biāo)識(shí)碼：A""" doi：10.12128/j.issn.16726979.2024.10.008

引文格式：衛(wèi)石印，李忠涵，張啟慧，等.基于多源遙感數(shù)據(jù)的滑坡易發(fā)區(qū)域識(shí)別——以山東省沂源縣為例［J］.山東國(guó)土資源，2024，40（10）：6065. WEI Shiyin， LI Zhonghan， ZHANG Qihui， et al. Identification of Landslide Easy Happening Areas Based on Multi-source Remote Sensing Data——Taking Yiyuan County in Shandong Province as an Example［J］.Shandong Land and Resources，2024，40（10）：6065.

0" 引言

滑坡作為地質(zhì)災(zāi)害的一種，對(duì)人類的生命和財(cái)產(chǎn)安全產(chǎn)生較大威脅。對(duì)滑坡隱患的識(shí)別和調(diào)查是防災(zāi)減災(zāi)的一項(xiàng)關(guān)鍵工作［14］。山東省因長(zhǎng)期受強(qiáng)烈的差異性構(gòu)造運(yùn)動(dòng)的影響，從而形成了山高谷深、崖陡壁峭的地理形勢(shì)，而不同巖性組合，加劇了斜坡的不穩(wěn)定性；同時(shí)山間河谷支流眾多、暴雨時(shí)常發(fā)生，這些因素導(dǎo)致魯中南和魯東山區(qū)為滑坡的易發(fā)、多發(fā)區(qū)［56］。因此本文選擇山東省沂源縣作為研究區(qū)域進(jìn)行滑坡易發(fā)區(qū)域的提取。

傳統(tǒng)的滑坡識(shí)別主要是通過對(duì)遙感影像的目視解譯和實(shí)地考察，需要花費(fèi)大量的人力物力，隨著衛(wèi)星傳感器性能的提升，遙感技術(shù)在滑坡早期識(shí)別的研究中有了極大的進(jìn)展［7］。近年來，滑坡的早期識(shí)別與監(jiān)測(cè)已取得了眾多研究成果。如蘇寶成等［8］依托新一輪1∶5萬地質(zhì)災(zāi)害風(fēng)險(xiǎn)普查，結(jié)合高精度DEM、構(gòu)造、工程地質(zhì)和水文地質(zhì)、降雨及植被等數(shù)據(jù)，利用信息量法和層次分析法，分別對(duì)崩滑泥石流和巖溶塌陷易發(fā)性評(píng)價(jià)；李永鑫等［9］利用知識(shí)圖譜邏輯驅(qū)動(dòng)，對(duì)“光學(xué)遙感+InSAR”組合識(shí)別的滑坡隱患區(qū)域進(jìn)行提取分析。

利用多源數(shù)據(jù)進(jìn)行滑坡早期識(shí)別已形成趨勢(shì)，特別是利用多源遙感數(shù)據(jù)，對(duì)滑坡潛在隱患區(qū)域和滑坡易發(fā)區(qū)域的識(shí)別已然成為研究熱點(diǎn)［1012］。如彭志忠等［13］利用光學(xué)遙感、合成孔徑雷達(dá)、機(jī)載LiDAR等數(shù)據(jù)進(jìn)行多源融合，對(duì)研究區(qū)內(nèi)的典型滑坡區(qū)域進(jìn)行提取并進(jìn)行分類；戴妹誼等［14］利用Sentinel1、DEM和Landsat8 OLI等多源遙感數(shù)據(jù)提取了稀土礦區(qū)的潛在滑坡點(diǎn)；白石等［15］使用高分辨率遙感影像和數(shù)字高程模型數(shù)據(jù)2種數(shù)據(jù)，利用面向?qū)ο蠖嗵卣髯兓蛄糠治龇ㄟM(jìn)行滑坡識(shí)別?；诖?，本文采用光學(xué)遙感影像、DEM數(shù)據(jù)構(gòu)建滑坡易發(fā)生區(qū)域識(shí)別的多源數(shù)據(jù)集，利用決策樹方法對(duì)山東省沂源縣滑坡易發(fā)區(qū)域進(jìn)行提取，為滑坡易發(fā)生區(qū)域提取和山東省沂源縣的滑坡地質(zhì)災(zāi)害預(yù)防提供參考。

1" 研究區(qū)概況與數(shù)據(jù)

1.1" 研究區(qū)概況

沂源縣地處淄博市最南端、山東省中部（圖1），縣域總面積約為1638km2。沂源縣多山地，屬中低山丘陵區(qū)，整體地勢(shì)沿沂河流向傾斜，形成西北高，東南低的特征。最高點(diǎn)位于縣域北部的沂山南側(cè)的泰薄頂山、海拔約為916m，最低點(diǎn)東北部、海拔約為101m。地貌類型有中山、低山、丘陵、山前傾斜平地等［16］。

沂源縣屬暖溫帶季風(fēng)氣候區(qū)，由于地形復(fù)雜，沂源縣區(qū)域的山地氣候特征明顯，氣象災(zāi)害頻發(fā)，時(shí)常會(huì)有局地雷雨、冰雹、大風(fēng)等災(zāi)害性天氣［17］。因此易產(chǎn)生滑坡和泥石流等自然災(zāi)害。

1.2" 數(shù)據(jù)及預(yù)處理

（1）光學(xué)遙感數(shù)據(jù)。根據(jù)沂源縣區(qū)域和云量篩選了2022—2023年3景HJ2A CCD4遙感數(shù)據(jù)。HJ2A衛(wèi)星采用CAST 2000平臺(tái)，為保證主要探測(cè)要素時(shí)效性，雙星配置載荷相同，各裝載4種遙感載荷，包括寬覆蓋多光譜CCD相機(jī)、高光譜成像儀、紅外相機(jī)和大氣校正儀。本次使用的CCD相機(jī)獲取的影像，空間分辨率16m，擁有5譜段成像功能［18］。其中紅邊譜段對(duì)農(nóng)作物生長(zhǎng)狀態(tài)監(jiān)測(cè)意義重大，可更準(zhǔn)確反映植物遭受病害的程度及健康狀態(tài)。

（2）地形數(shù)據(jù)。本次使用的地形數(shù)據(jù)是先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（ASTER GDEM），該數(shù)據(jù)是由日本METI和美國(guó)NASA聯(lián)合研制并免費(fèi)面向公眾分發(fā)［19］。該數(shù)據(jù)是根據(jù)NASA的新一代對(duì)地觀測(cè)衛(wèi)星Terra的詳盡觀測(cè)結(jié)果制作完成的。其數(shù)據(jù)覆蓋范圍為北緯83°到南緯83°之間的所有陸地區(qū)域，達(dá)到了地球陸地表面的99%。論文所用數(shù)據(jù)的具體情況見表1。

所有數(shù)據(jù)通過ENVI軟件進(jìn)行地形校正和FLAASH大氣校正［20］，裁剪和重采樣。對(duì)于影像中少量厚云影響區(qū)域，由于無法利用光譜信息進(jìn)行分類，采用臨近時(shí)間的影像進(jìn)行填補(bǔ)，如利用2023年6月15日的影像填補(bǔ)2023年8月23日影像的小部分厚云區(qū)域。由于多元異構(gòu)數(shù)據(jù)空間分辨率不同，可能會(huì)導(dǎo)致結(jié)果產(chǎn)生誤差，因此在最后的數(shù)據(jù)處理分析階段將光學(xué)遙感數(shù)據(jù)也重采樣至30m分辨率，以減小空間分辨率帶來的誤差。

2" 研究方法

2.1" 決策樹分類

決策樹分類法層次邏輯結(jié)構(gòu)清晰、處理速度快且運(yùn)算方式靈活，可根據(jù)多源數(shù)據(jù)的特點(diǎn)，能夠基于已有先驗(yàn)知識(shí)選取最優(yōu)閾值，從而提高數(shù)據(jù)分類結(jié)果的精度［21］。本文通過確定最佳的植被指數(shù)閾值，結(jié)合DEM生成坡度閾值將研究區(qū)分為植被區(qū)域、其他區(qū)域和滑坡易發(fā)區(qū)域。由于滑坡多發(fā)生在坡度小于50°的斜坡上，且?guī)r層傾角在20°～30°之間時(shí)發(fā)生滑坡較多，傾角大于30°一般會(huì)發(fā)生滑坡，因此將坡度的閾值定為大于30°［22］。

為確定最佳的植被指數(shù)閾值，通過目視解譯確定研究區(qū)影像中30個(gè)植被點(diǎn)，以NDVI（式1）［23］和EVI（式2）［24］的均值作為參考確定最優(yōu)閾值，最終確定的NDVI和EVI的閾值分別為0.6和1.0。

NDVI=ρNIR-ρREDρNIR+ρRED（1）

EVI=2.5×ρNIR-ρREDρNIR+6×ρRED-7.5×ρBLUE+1（2）

式中：ρNIR為HJ2A的第5波段；ρRED為的第3波段;ρBLUE為的第1波段。

為盡量減少閾值變化對(duì)2年提取結(jié)果的影響，本文僅采用統(tǒng)一的閾值提取研究區(qū)的滑坡易發(fā)區(qū)域，以減少傳統(tǒng)的監(jiān)督分類和機(jī)器學(xué)習(xí)等方法因選取訓(xùn)練樣本不平均等原因而導(dǎo)致結(jié)果出現(xiàn)的誤差，具體流程如圖2所示。

2.2" 精度驗(yàn)證

為確定滑坡易發(fā)區(qū)域的提取精度，在研究區(qū)內(nèi)隨機(jī)采集樣本點(diǎn)，根據(jù)Google Earth衛(wèi)星影像進(jìn)行目視判讀，確定檢驗(yàn)樣本點(diǎn)所在區(qū)域分類，以此判斷提取結(jié)果的精度。精度驗(yàn)證采用Kappa系數(shù)和混淆矩陣作為指標(biāo)。通過混淆矩陣可以總體分類精度（Overall Accuracy， OA）、用戶精度（User Accuracy， UA）和生產(chǎn)者精度（Producer Accuracy， PA）等一系列的精度評(píng)價(jià)指標(biāo)。而Kappa系數(shù)被廣泛應(yīng)用于遙感分類的精度評(píng)價(jià)，Kappa 介于0～1 之間，Kappa值越大表示分類精度越高［25］。

2.3" 空間分布分析

為直觀比較2022—2023年研究區(qū)滑坡易發(fā)區(qū)域的空間變化，對(duì)提取出的結(jié)果進(jìn)行空間疊加分析，獲得2年滑坡易發(fā)區(qū)域的空間對(duì)應(yīng)關(guān)系，按照重疊次數(shù)分為高風(fēng)險(xiǎn)區(qū)域、低風(fēng)險(xiǎn)區(qū)域、新風(fēng)險(xiǎn)區(qū)域、無風(fēng)險(xiǎn)區(qū)域［26］。高風(fēng)險(xiǎn)區(qū)域?yàn)?年的提取結(jié)果均顯示該區(qū)域?yàn)榛乱装l(fā)區(qū)域，低風(fēng)險(xiǎn)區(qū)域表示該區(qū)域2022年的滑坡易發(fā)區(qū)域2023年轉(zhuǎn)變?yōu)榉腔乱装l(fā)生區(qū)域，新風(fēng)險(xiǎn)區(qū)域則相反表示為2022年為非滑坡易發(fā)區(qū)域轉(zhuǎn)變?yōu)?023年滑坡易發(fā)區(qū)域，無風(fēng)險(xiǎn)區(qū)域表示兩年提取結(jié)果均不是滑坡易發(fā)生區(qū)域。

3" 結(jié)果與討論

3.1" 提取精度分析

本文在研究區(qū)內(nèi)隨機(jī)采集100個(gè)檢驗(yàn)樣本點(diǎn)，根據(jù)Google Earth 高分辨率的影像對(duì)研究區(qū)內(nèi)的樣本點(diǎn)進(jìn)行目視判讀，得到樣本點(diǎn)真實(shí)的所屬區(qū)域。利用檢驗(yàn)樣本點(diǎn)對(duì)分類結(jié)果進(jìn)行混淆矩陣分析，得出生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)。提取結(jié)果的各類精度評(píng)價(jià)指標(biāo)如表2所示。

根據(jù)提取結(jié)果的各項(xiàng)精度指標(biāo)分析，提取結(jié)果的精度較高，總體精度為90%，Kappa系數(shù)為0.802，這顯示了提取結(jié)果與實(shí)際情況的一致性較好。提取結(jié)果的總體精度較高，但不同區(qū)域和類別的精度存在一定差異，其他區(qū)域的提取精度最高。其生產(chǎn)者精度和用戶精度均超過了92%，這在很大程度上得益于該區(qū)域在總體面積中的占比最大，因此隨機(jī)生成的樣本點(diǎn)數(shù)量也最多。盡管錯(cuò)分的樣本點(diǎn)個(gè)數(shù)最多，但由于基數(shù)大，相對(duì)誤差比例較低，因此分類精度依然是最高的。植被區(qū)域的提取精度較好，生產(chǎn)者和用戶精度均達(dá)到了84%。與其他區(qū)域的提取精度相比其精度略差，這是由于道路兩旁的樹木或城市綠化對(duì)光學(xué)遙感影像的遮擋造成的。這種遮擋現(xiàn)象使得光學(xué)遙感獲取的影像在識(shí)別植被覆蓋的道路和建設(shè)用地時(shí)存在一定的困難，從而影響了分類的精度。在所有類別中，滑坡易發(fā)區(qū)域的提取精度最低。這主要是因?yàn)樵搮^(qū)域在總體面積中的占比極小，因此生成的樣本點(diǎn)數(shù)量也最少，僅有9個(gè)。雖然這9個(gè)樣本點(diǎn)中僅有1個(gè)被錯(cuò)分，但由于基數(shù)小，相對(duì)誤差比例較高，因此分類精度表現(xiàn)為最低。盡管如此，其用戶精度依然達(dá)到了88.89%，這在一定程度上說明了提取結(jié)果的穩(wěn)定性。

3.2" 時(shí)間變化分析

通過決策樹分類法對(duì)2022—2023年同時(shí)期影像進(jìn)行滑坡易發(fā)區(qū)域提取，提取結(jié)果如圖3所示?？梢园l(fā)現(xiàn)，滑坡分布區(qū)域主要集中在沂源縣北部的鳳凰山區(qū)域和中南部的唐山、翠屏山區(qū)域。2022年提取結(jié)果中求他區(qū)域主要為中央縣城區(qū)域和沂河周邊區(qū)域，2023年其他區(qū)域在沂源縣西部大量增加，由原來的植被區(qū)域轉(zhuǎn)變?yōu)槠渌麉^(qū)域，主要原因是縣城周邊的村莊進(jìn)行外擴(kuò)建設(shè)。

圖3" 滑坡易發(fā)區(qū)域提取結(jié)果

表3詳細(xì)展示了2022年與2023年各區(qū)域的面積統(tǒng)計(jì)結(jié)果，從這些數(shù)據(jù)中，可以觀察到明顯的區(qū)域面積變化趨勢(shì)。從2022—2023年，隨著城市化的推進(jìn)，植被區(qū)域面積減少，滑坡易發(fā)區(qū)域和其他區(qū)域面積增加。

2022年，植被區(qū)域面積為492.269km2，占據(jù)總面積的30.04%。2023年，植被區(qū)域面積減少至346.337km2，占比下降至21.13%。隨著城市建設(shè)的不斷推進(jìn)，大量的植被區(qū)域被轉(zhuǎn)化為建設(shè)用地、道路和其他不透水面。其他區(qū)域（包括水域、居民區(qū)和道路等）的面積在兩年間發(fā)生了顯著變化。從2022年的1128.92km2增加至2023年的1267.503km2，占比也從68.89%提升至77.35%。這一增長(zhǎng)趨勢(shì)同樣與城市化進(jìn)程密切相關(guān)。隨著人口的增長(zhǎng)和經(jīng)濟(jì)的發(fā)展，對(duì)住房、交通等基礎(chǔ)設(shè)施的需求也在不斷增加，導(dǎo)致了這一區(qū)域面積的迅速擴(kuò)張?；乱装l(fā)區(qū)域從2022年的17.526km2增加至2023年的24.875km2，但其整體占比仍然較低，分別為1.07%和1.52%。但變化率相對(duì)較高，達(dá)到了41.94%，這一變化在實(shí)際影響上可能并不顯著，但仍然值得關(guān)注。

3.3" 空間變化分析

為直觀比較2022—2023年研究區(qū)滑坡易發(fā)區(qū)域的空間變化，對(duì)提取出的結(jié)果進(jìn)行空間疊加分析，并對(duì)疊加分析的結(jié)果進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，以獲得四類風(fēng)險(xiǎn)區(qū)域的面積變化和空間變化，疊加分析結(jié)果如圖4所示。

通過對(duì)空間疊加分析結(jié)果進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，可以發(fā)現(xiàn)無風(fēng)險(xiǎn)區(qū)域面積為1611.60km2，低風(fēng)險(xiǎn)區(qū)域面積為2.24km2，新風(fēng)險(xiǎn)區(qū)域面積為9.59km2，高風(fēng)險(xiǎn)區(qū)域面積為15.29km2。高風(fēng)險(xiǎn)區(qū)域主要分布在沂源縣南部的唐山、翠屏山區(qū)域的中北部，西部圣佛山區(qū)域的南部和北部鳳凰山區(qū)域的南部。這些區(qū)域由于植被的減少，使得地面穩(wěn)定性降低，從而產(chǎn)生了新的滑坡風(fēng)險(xiǎn)。高風(fēng)險(xiǎn)區(qū)域表示該區(qū)域不同等級(jí)的風(fēng)險(xiǎn)區(qū)域互相交錯(cuò)，這意味著這些區(qū)域不僅面臨著滑坡等自然災(zāi)害的風(fēng)險(xiǎn)，還可能受到其他環(huán)境因素的影響，如水土流失、地面沉降等。低風(fēng)險(xiǎn)區(qū)域主要分布在溶洞群和鳳凰山區(qū)域的東部，這些區(qū)域的植被覆蓋率相較于2022年有所增加，減少了滑坡災(zāi)害的風(fēng)險(xiǎn)。

4" 結(jié)論

本文以山東省沂源縣為研究區(qū)域，將HJ2A CCD光學(xué)影像和ASTER GDEM地形數(shù)據(jù)進(jìn)行數(shù)據(jù)處理形成多源異構(gòu)數(shù)據(jù)，利用決策樹方法提取2022年和2023年同時(shí)期滑坡易發(fā)生區(qū)域，并通過面積變化和空間疊加分析對(duì)提取結(jié)果進(jìn)行了時(shí)間和空間變化分析。

（1）本文所使用的多源遙感數(shù)據(jù)和提取方法能夠較好的識(shí)別是滑坡易發(fā)生區(qū)域，總體精度為90%，Kappa系數(shù)為0.802。

（2）2022年易發(fā)生滑坡區(qū)域面積17.526km2，2023年滑坡易發(fā)生區(qū)域面積為24.875km2，增長(zhǎng)7.35km2，變化率41.94%。

（3）在空間一致性分析中，無風(fēng)險(xiǎn)區(qū)域面積為1611.60km2，低風(fēng)險(xiǎn)區(qū)域面積為2.24km2，新風(fēng)險(xiǎn)區(qū)域面積為9.59km2，高風(fēng)險(xiǎn)區(qū)域面積為15.29km2。

本文僅利用光學(xué)遙感影像和地形數(shù)據(jù)形成多源異構(gòu)數(shù)據(jù)對(duì)沂源縣的滑坡易發(fā)區(qū)域進(jìn)行提取，未利用降水、地質(zhì)結(jié)構(gòu)等數(shù)據(jù)構(gòu)成包含更多參數(shù)的多源異構(gòu)數(shù)據(jù)，如何通過技術(shù)手段體現(xiàn)多源異構(gòu)數(shù)據(jù)的優(yōu)勢(shì)，克服多源數(shù)據(jù)的歸一化處理，提高滑坡易發(fā)生區(qū)域的識(shí)別效率，是今后研究中需要探索的問題。

參考文獻(xiàn)：

［1］" 辛魯斌，韓玲，李良志.基于多源數(shù)據(jù)融合的滑坡智能識(shí)別［J］.地球科學(xué)與環(huán)境學(xué)報(bào)，2023，45（4）：920928.

［2］" 孫萍萍，張茂省，賈俊，等.中國(guó)西部黃土區(qū)地質(zhì)災(zāi)害調(diào)查研究進(jìn)展［J］.西北地質(zhì)，2022，55（3）：96107.

［3］" 朱智富，甘淑，張薦銘，等.結(jié)合SBASInSAR技術(shù)及信息熵的蒼山地質(zhì)滑坡隱患識(shí)別［J］.測(cè)繪通報(bào)，2022（11）：1319.

［4］" 高峰，孟凡奇，張麗霞，等.山東省地質(zhì)災(zāi)害調(diào)查工作回顧與展望［J］.山東國(guó)土資源，2022，38 （10）：3541.

［5］" 常允新，宋長(zhǎng)斌，馮在敏，等.山東省崩塌、滑坡、泥石流災(zāi)害發(fā)育現(xiàn)狀與趨勢(shì)分析［J］.山東地質(zhì)，2000，16（4）：3944.

［6］" 韓學(xué)林，王秀芬，郭寶奎，等.山東省砂石資源遙感解譯成果及應(yīng)用［J］.山東國(guó)土資源，2023，39（11）：5968.

［7］" CHEN Y，MING D，XIAO L，et al.Landslide Susceptibility Mapping Using Feature FusionBased CPCNNML in Lantau Island， Hong Kong［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021（14）：36253639.DOI：10.1109/JSTARS.2021.3066378.

［8］" 蘇寶成，郝騏，伊麗，等.基于GIS分析的泰安市地質(zhì)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)［J］.山東國(guó)土資源，2023，39（6）：4451.

［9］" 李永鑫，王德富，馬志剛，等.知識(shí)圖譜驅(qū)動(dòng)下的多源遙感滑坡隱患識(shí)別［J］.測(cè)繪通報(bào)，2024（1）：1218.

［10］" 張勤，趙超英，陳雪蓉.多源遙感地質(zhì)災(zāi)害早期識(shí)別技術(shù)進(jìn)展與發(fā)展趨勢(shì)［J］.測(cè)繪學(xué)報(bào)，2022，51（6）：885896.

［11］" 王小葵，李美艷，葛朝民，等.基于多源數(shù)據(jù)的地表覆蓋制圖與分析：以廣東省廣州市為例［J］.山東國(guó)土資源，2023，39（5）：6771.

［12］" 李國(guó)庭，王德強(qiáng)，趙德良，等.基于多源異構(gòu)數(shù)據(jù)的糧食作物種植面積提?。跩］.山東國(guó)土資源，2022，38（8）：5155.

［13］" 彭志忠，袁飛云，肖鋒，等.多源遙感數(shù)據(jù)融合調(diào)查的復(fù)雜山區(qū)滑坡易發(fā)性評(píng)價(jià)方法研究［J］.地質(zhì)災(zāi)害與環(huán)境保護(hù)，2023，34（1）：17.

［14］" 戴妹誼，李恒凱，龍北平，等.融合多源數(shù)據(jù)的稀土礦區(qū)滑坡危險(xiǎn)性定量識(shí)別方法［J］.中國(guó)礦業(yè)大學(xué)學(xué)報(bào)，2024，53（1）：198210.

［15］" 白石，唐攀攀， 苗朝，等.基于高分辨率遙感影像和改進(jìn)UNet模型的滑坡提?。阂糟氪ǖ貐^(qū)為例［J］.自然資源遙感，2024（1）：112.

［16］" 朱睿，潘潔晨，龍洋，等.MapGIS在地籍?dāng)?shù)據(jù)庫建設(shè)中的應(yīng)用：以山東省沂源縣為例［J］.測(cè)繪與空間地理信息，2012，35（3）：159162.

［17］" 張啟良，胡光輝，馬素萍.沂源縣冰雹氣候特征與防雹作業(yè)［J］.山東氣象，2003（3）：1415.

［18］" 白照廣， 汪春濤，董筠，等.環(huán)境與災(zāi)害監(jiān)測(cè)光學(xué)衛(wèi)星技術(shù)與發(fā)展［J］.航天器工程，2021，30（6）：1322.

［19］" 張朝忙，劉慶生，劉高煥，等.SRTM 3與ASTER GDEM數(shù)據(jù)處理及應(yīng)用進(jìn)展［J］.地理與地理信息科學(xué)，2012，28（5）：2934.

［20］" 袁金國(guó)，牛錚，王錫平.基于FLAASH的Hyperion高光譜影像大氣校正［J］.光譜學(xué)與光譜分析，2009，29（5）：11811185.

［21］" 朱江濤， 艾金泉，陳曉勇，等.基于多源光學(xué)遙感數(shù)據(jù)的湖泊濕地分類結(jié)果一致性分析［J］.地理與地理信息科學(xué)，2021，37（4）：4550.

［22］" 郭芳芳，楊農(nóng)，孟暉，等.地形起伏度和坡度分析在區(qū)域滑坡災(zāi)害評(píng)價(jià)中的應(yīng)用［J］.中國(guó)地質(zhì)，2008（1）：131143.

［23］" HILL M J .Vegetation index suites as indicators of vegetation state in grassland and savanna： An analysis with simulated SENTINEL 2 data for a North American transect［J］.Remote Sensing of Environment， 2013，147：94111. DOI：10.1016/j.rse.2013.06.004.

［24］" 李文梅，覃志豪，李文娟，等.MODIS NDVI與MODIS EVI的比較分析［J］.遙感信息，2010（6）：7378.

［25］" 朱江濤.基于GEE的鄱陽湖濕地植被長(zhǎng)期變化特征及影響因素研究［D］.南昌：東華理工大學(xué)，2022：115.

［26］" 胡云鋒，張千力，戴昭鑫，等.多源遙感土地覆被產(chǎn)品在歐洲地區(qū)的一致性分析［J］.地理研究，2015，34（10）：18391852.

Identification of Landslide Easy Happening Areas Based on Multi-source Remote Sensing Data——Taking Yiyuan County in Shandong Province as an Example

WEI Shiyin， LI Zhonghan， ZHANG Qihui， BIAN Baowen， DONG Yufen， ZHAO Baoli

（No.1 Exploration Brigade of Shandong Coalfield Geological Bureau， Shandong Qingdao 266400， China）

Abstract：Early identification of landslide hazards and monitoring of easy happening areas are important work in disaster prevention and mitigation. In this paper， taking Yiyuan county in Shandong province as the research area， the HJ" 2A CCD optical image and ASTER GDEM terrain data have been processed to form multi-source heterogeneous data. The decision tree method has used to extract landslide prone areas in the same period in 2022 and 2023. The extraction results have been analyzed for temporal and spatial changes through area change and spatial superposition analysis. It is showed that the multi-source remote sensing data and extraction method used in this paper could identify landslide prone areas well， with an overall accuracy of 90% and a Kappa coefficient of 0.802. Comparing with the landslide easy happening area of 17.526km2 in 2022， landslide easy happening area is 24.875km2 in 2023， which has increased 7.35km2， and the change rate is 41.94%. In spatial consistency analysis， the area of the risk-free zone is 1611.60km2， the area of the low-risk zone is 2.24km2， the area of the new risk zone is 9.59km2， and the area of high-risk zone is 15.29km2. The research results can provide reference for extracting landslide easy happening areas and preventing landslide geological disasters in Yiyuan county in Shandong province.

Key words：Landslide identification; multi-source data; decision tree; Yiyuan county in Shandong province