地质环境承载力评价作为国土空间规划中的重要组成部分，成为人类经济社会活动可持续、高质量发展与地质环境保护相协调的关键纽带。以黄河流域生态环境脆弱区——陕西省府谷县为例，建立地质环境承载力评价体系与评价模型，在综合评价结果的基础上，进一步挖掘影响因素作用程度与关联规则，取得的主要成果如下：

（1）从自然地理、生态环境等5个方面提取地表切割深度、坡度、曲率等17类影响因子，进行单因素地质环境承载力分析。以30m分辨率栅格单元对研究区进行划分，采用正、反极差法消除数据间的量纲差异，通过方差膨胀因子检验数据多重共线性后，建立地质环境承载力综合评价体系。

（2）将无监督学习模型与有监督学习模型耦合，首次引入半监督学习模型进行研究区地质环境承载力评价。采用以主成分分析为代表的无监督学习模型进行初步评价。基于该评价结果，建立两种有监督学习模型（反向传播神经网络、梯度提升决策树模型）对地质环境承载力指数进行回归预测。通过对比分析，半监督学习模型对地质环境承载力更为敏感，并且主成分分析-反向传播神经网络模型的预测精度最高。采用自然间断法将研究区地质环境承载力划分为由低至高共5个区域，在空间分布上呈现西北部高、中东部低的特征。

（3）基于区划结果，对地质环境承载力影响因素作用进行分析。地质环境低承载力区主要影响因素为地面塌陷易发性、崩塌滑坡易发性和泥石流易发性；而地质环境高承载力区主要影响因素为GDP密度、资源可利用量占比和距道路距离。基于FP-Growth模型的关联规则分别显示了地质环境低承载力区和高承载力区的识别因素，可为黄土高原生态环境脆弱区地质环境承载力的识别提供参考。

As an important part of territorial spatial planning, geological environment carrying capacity assessment has become a key link for the coordination between sustainable and high-quality development of human economic and social activities and geological environment protection. Fugu County, Shaanxi Province, a fragile ecological environment area in the Yellow River Basin, was taken as an example. The assessment system and model of geological environment carrying capacity were established. Based on the results of comprehensive assessment, the effect and association rules of impact factors were further explored. The main achievements are as follows:

(1) 17 types of influencing factors such as surface cutting depth, slope angle and curvature were extracted from five aspects of natural geography and ecological environment to analyze single-factor geological environment carrying capacity. The study area was divided by 30m grid cells and the dimensional differences between data were eliminated by positive and negative range methods. After data multicollinearity was tested by variance inflation factors, the comprehensive assessment system of geological environment carrying capacity was established.

(2) The unsupervised learning model was coupled with the supervised learning model and the semi-supervised learning model was introduced for the first time to evaluate the geological environment carrying capacity. The unsupervised learning model represented by principal component analysis was used for preliminary evaluation. Based on the assessment results, two supervised learning models (back-propagation neural network and gradient boosting decision tree model) were established to predict the geological environment carrying capacity index. Through comparative analysis, the semi-supervised learning model is more sensitive to geological environment carrying capacity and the principal component analysis - back propagation neural network model has the highest prediction accuracy. The geological environmental carrying capacity of the study area was divided into five regions by natural break model, which are high in the northwest and low in the middle and east.

(3) Based on the results of regionalization, the impact factors of geological environment carrying capacity were analyzed. The main impact factors in the low carrying capacity area of geological environment are ground collapse susceptibility, collapse and landslide susceptibility and debris flow susceptibility. The main impact factors of high carrying capacity area are GDP density, proportion of available resources and distance to roads. The association rules based on the FP-Growth model showed the identification factors of the low and high carrying capacity regions of geological environment, which can provide reference for the identification of the geological environmental carrying capacity in the fragile eco-environment region of the Loess Plateau.

[1]孙慧宗. 中国城市化与生态环境协调发展研究[D]. 吉林大学, 2011.

[2]刘文政,朱瑾. 资源环境承载力研究进展:基于地理学综合研究的视角[J]. 中国人口·资源与环境, 2017, 27(6): 75-86.

[3]马传明,马义华. 可持续发展理念下的地质环境承载力初步探讨[J]. 环境科学与技术, 2007(8): 64-65, 73, 119.

[4]高吉喜. 可持续发展理论探索-生态承载力理论、方法与应用[M]. 北京: 中国环境科学出版社, 2002.

[5]刘蕾. 区域资源环境承载力评价与国土规划开发战略选择研究-以皖江城市带为例[M]. 北京: 人民出版社, 2013.

[6]刘金花,李向,郑新奇. 多尺度视角下资源环境承载力评价及其空间特征分析——以济南市为例[J]. 地域研究与开发, 2019, 38(4): 115-121.

[7]白翠玲. 陕西省府谷县资源型产业转型研究[D]. 中国地质大学(北京), 2016.

[8]张博. 基于ArcGIS的府谷县地质灾害数据库建立及易发区评价研究[D]. 长安大学, 2009.

[9]吴群英. 黄河流域煤矿区生态保护与高质量发展思考[C], 2021.

[10]张茂省,岳东霞,孙萍萍,等. 面向县级国土空间规划的自然资源综合调查与双评价——以延安市延川县为例[J]. 兰州大学学报(自然科学版), 2019, 55(3): 281-289.

[11]封志明,李鹏. 承载力概念的源起与发展:基于资源环境视角的讨论[J]. 自然资源学报, 2018, 33(9): 1475-1489.

[12]沈春竹,谭琦川,王丹阳,等. 基于资源环境承载力与开发建设适宜性的国土开发强度研究——以江苏省为例[J]. 长江流域资源与环境, 2019, 28(6): 1276-1286.

[13]Bishop A B. Carrying Capacity in Regional Environment Management[M]. Washington: Government Printing Office, 1974.

[14]Vartanyan G S,Kurennoy V V,Sychev K I, et al. Regional Cooperation of the European Socialist Countries in Developing the Fundamentals for an Automated System of Groundwater Assessment[J]. Iahs Aish Publication, 1983, 12(4): 93-97.

[15]Trevisan Marco,Padovani Laura,Capri Ettore. Nonpoint-source Agricultural Hazard Index: a Case Study of the Province of Cremona, Italy[J]. Environmental Management, 2000, 26(5).

[16]夏军,唐青蔚. 西北地区水资源合理配置和承载能力分析[J]. 中国科学院院刊, 2005(4): 288-292.

[17]齐亚彬. 资源环境承载力研究进展及其主要问题剖析[J]. 中国国土资源经济, 2005(5): 7-11, 46.

[18]夏既胜,付黎涅,刘本玉,等. 基于GIS的昆明城市发展地质环境承载力分析[J]. 地球与环境, 2008(2): 148-154.

[19]彭立,刘邵权,刘淑珍,等. 汶川地震重灾区10县资源环境承载力研究[J]. 四川大学学报(工程科学版), 2009, 41(3): 294-300.

[20]张茂省,王尧. 基于风险的地质环境承载力评价[J]. 地质通报, 2018, 37(Z1): 467-475.

[21]孙魁,范立民,夏玉成,等. 基于保水采煤理念的地质环境承载力研究[J]. 煤炭学报, 2019, 44(3): 831-840.

[22]谢正团. 白龙江流域地质灾害高发区典型城镇地质环境承载力评价与防灾对策[D]. 兰州大学, 2019.

[23]Li Ruimin,Yin Zhiqiang,Wang Yi, et al. Geological Resources and Environmental Carrying Capacity Evaluation Review, Theory,and Practice in China[J]. China Geology, 2018, 1(4): 556-565.

[24]彭再德,杨凯,王云. 区域环境承载力研究方法初探[J]. 中国环境科学, 1996(1): 6-10.

[25]付延玲,骆祖江,王增辉. 用聚类分析 模糊综合评判评价地质环境质量[J]. 煤田地质与勘探, 1999(6): 47-50.

[26]蒋惠忠,邹立芝,李绪谦,等. 四平地区生态地质环境的研究[J]. 吉林大学学报(地球科学版), 2002(1): 87-91.

[27]颜世强,孟庆峰,董三强,等. 基于GIS的德州市地质环境质量综合评价[J]. 中国矿业, 2004(5): 19-21.

[28]姚治华,王红旗,郝旭光. 基于集对分析的地质环境承载力研究——以大庆市为例[J]. 环境科学与技术, 2010, 33(10): 183-189.

[29]倪忠云. 西藏曲水—桑日地区生态地质环境承载力研究[D]. 成都理工大学, 2011.

[30]尚慧. 宁夏矿山地质环境评价与动态监测分析[D]. 长安大学, 2013.

[31]杨乐,彭海游,周莫林,等. 基于层次分析法的奉节县城地质环境承载力评价[J]. 重庆交通大学学报(自然科学版), 2014, 33(2): 95-99.

[32]姚翔龙. 陕南秦巴山区地质环境承载力评价研究[D]. 长安大学, 2016.

[33]李得立,李小磊,梁元,等. 基于机器学习算法的区域地质环境承载力评价方法研究[J]. 中国矿业, 2018, 27(9): 75-81.

[34]Peng Benhong,Li Yue,Elahi Ehsan, et al. Dynamic evolution of ecological carrying capacity based on the ecological footprint theory: A case study of Jiangsu province[J]. Ecological Indicators, 2019, 99(4): 19-26.

[35]李仁伟. 神木市地质环境承载力评价研究[D]. 西安科技大学, 2020.

[36]于成龙. 和龙市典型地质灾害风险性区划与地质环境承载力综合评价研究[D]. 吉林大学, 2021.

[37]王绅皓,谢婉丽,奚家米,等. 基于GIS与BP神经网络的矿区塌陷易发性预测[J]. 煤矿安全, 2021, 52(9): 218-223, 230.

[38]范立民. 论西北大型煤炭基地地下水监测工程问题[J]. 中国煤炭地质, 2018, 30(6): 87-91.

[39]吴良超. 基于DEM的黄土高原沟壑特征及其空间分异规律研究[D]. 西北大学, 2005.

[40]丁紫妍. 基于DEM的泾河流域黄土地貌发育特征及其区域差异性研究[D]. 南京师范大学, 2021.

[41]朱梅,李发源. 坡度分级对地面坡谱的影响研究[J]. 测绘科学, 2009, 34(6): 165-167.

[42]高江平. 降水变化对黄土高原西部半干旱荒漠草原生态系统稳定性的影响研究[D]. 西北师范大学, 2021.

[43]张庭瑜. 府谷县地质灾害易发性分区方法研究[D]. 西安科技大学, 2016.

[44]龚政豪. 基于无人机倾斜摄影的河道斜坡稳定分区评价与治理方案优选[D]. 长安大学, 2021.

[45]裴迎慧. 黄土丘陵区滑坡灾害易发性评价通用指标体系与取值标准初探[D]. 长安大学, 2021.

[46]何亮. 黄土高原植被覆盖变化特征及驱动力分析[D]. 内蒙古农业大学, 2021.

[47]梁小英. 生态脆弱区宏观土地利用功能变化的微观驱动机制研究[D]. 西北大学, 2018.

[48]陈忠新. 矿产资源可利用资源量估算方法研究[J]. 世界有色金属, 2019(7): 98-99.

[49]张银洲,王鹏飞,杨喆. 采空区地表变形与采深采厚比关系探讨[J]. 陕西煤炭, 2011, 30(4): 19-21.

[50]黄发明,叶舟,姚池,等. 滑坡易发性预测不确定性：环境因子不同属性区间划分和不同数据驱动模型的影响[J]. 地球科学: 1-20.

[51]Chen Wei,Panahi Mahdi,Pourghasemi Hamid Reza. Performance Evaluation of Gis-based New Ensemble Data Mining Techniques of Adaptive Neuro-fuzzy Inference System (anfis) with Genetic Algorithm (ga), Differential Evolution (de), and Particle Swarm Optimization (pso) for Landslide Spatial Modelling[J]. Catena, 2017, 157.

[52]Li Bin,Wang Nianqin,Chen Jing, et al. Gis-based Landslide Susceptibility Mapping Using Information, Frequency Ratio, and Artificial Neural Network Methods in Qinghai Province, Northwestern China[J]. Advances in Civil Engineering, 2021, 2021.

[53]Li Yangchun,Lin Feikai,Lou Lianhui, et al. Performance Analysis of Landslide Susceptibility Assessment Under Different Factor-filtering Models[J]. Arabian Journal of Geosciences, 2021, 14(12).

[54]马啸. 府谷县崩-滑地质灾害发育特征及其易发性评价[D]. 西安科技大学, 2021.

[55]吴润泽,胡旭东,梅红波,等. 基于随机森林的滑坡空间易发性评价：以三峡库区湖北段为例[J]. 地球科学, 2021, 46(1): 321-330.

[56]郭子正,殷坤龙,付圣,等. 基于GIS与WOE-BP模型的滑坡易发性评价[J]. 地球科学: 1-24.

[57]周鑫. 金沙江上游茂顶河段滑坡成因机制及敏感性研究[D]. 吉林大学, 2019.

[58]车文超. 基于机器学习算法的泥石流易发性评估[D]. 吉林大学, 2021.

[59]韩玲,张庭瑜,张恒. 基于IOE和SVM模型的府谷镇滑坡易发性分区[J]. 水土保持研究, 2019, 26(3): 367-372.

[60]白志刚,刘启蒙,刘瑜. 基于熵指数与随机森林耦合的滑坡易发性评价[J]. 人民长江: 1-10.

[61]陈钰嘉,田淑芳. 矿山地质环境评价中最佳评价尺度确定方法的研究及应用[J]. 现代地质, 2020, 34(3): 626-634.

[62]崔阳阳. 基于不同评价单元的滑坡易发性评价方法研究[D]. 西安科技大学, 2021.

[63]颜阁. 华池县滑坡易发性制图[D]. 兰州大学, 2016.

[64]李炫,杨本勇,范建容,等. 基于流域单元的岷江上游泥石流危险性评价[J]. 水土保持研究, 2015, 22(6): 335-339.

[65]唐成龙,谌颃,唐海春,等. 大数据背景下数据预处理方法研究运用[J]. 信息记录材料, 2021, 22(9): 199-200.

[66]刘攀,冯长焕. 正态标准化数据无量纲处理在因子分析中的应用[J]. 内江师范学院学报, 2017, 32(12): 54-58.

[67]魏红燕. 回归分析中多重共线性的诊断与处理[J]. 周口师范学院学报, 2019, 36(2): 11-15.

[68]连志鹏,徐勇,付圣,等. 采用多模型融合方法评价滑坡灾害易发性:以湖北省五峰县为例[J], 2020, 39(3): 178-186.

[69]王毅,方志策,牛瑞卿. 融合深度神经网络的三峡库区滑坡灾害易发性预测[J]. 资源环境与工程, 2021, 35(5): 652-660.

[70]黄发明,潘李含,姚池,等. 基于半监督机器学习的滑坡易发性预测建模[J]. 浙江大学学报(工学版): 1-9.

[71]徐波. 青海省平安地区工程地质环境调查与质量评价[D]. 长安大学, 2018.

[72]白雪梅,赵松山. 对主成分分析综合评价方法若干问题的探讨[J]. 统计研究, 1995(6): 47-51.

[73]李牧樵. 浅析人工神经网络及其应用模型[J]. 科技传播, 2019, 11(8): 137-138, 155.

[74]刘荣. 人工神经网络基本原理概述[J]. 计算机产品与流通, 2020(6): 35, 81.

[75]杨晓帆,陈廷槐. 人工神经网络固有的优点和缺点[J]. 计算机科学, 1994(2): 23-26.

[76]刘悦. 基于梯度提升决策树与支持向量机融合模型的成矿预测研究[D]. 中国地质大学(北京), 2020.

[77]何世建. 基于梯度提升决策树与深度信念网络融合的推荐算法研究[D]. 广西师范大学, 2017.

[78]赵准. 基于主成分分析的基因表达谱数据降维方法研究及可视化[D]. 哈尔滨工业大学, 2019.

[79]李军. 不平衡数据学习的研究[D]. 吉林大学, 2011.

[80]郑茹菁,王晓晔,柴晓瑞,等. 数据挖掘开源平台性能分析[J]. 天津理工大学学报, 2015, 31(4): 33-38.

[81]杨振瑜,王效岳,白如江. 国外主要可视化数据挖掘开源软件的比较分析研究[J]. 图书馆理论与实践, 2013(5): 89-93.

[82]Bäck T,Schwefel H. An Overview of Evolutionary Algorithms for Parameter Optimization[J]. Evolutionary Computation, 1993, 1(1): 1-23.

[83]Shir Ofer M.,Roslund Jonathan,Baeck Thomas, et al. Performance Analysis of Derandomized Evolution Strategies in Quantum Control Experiments[C]//Proceedings of the 10th Annual Conference on Genetic and Evolutionary Computation: Association for Computing Machinery, 2008: 519–526.

[84]王永. 天津市宁河县地质环境承载力评价及发展对策[D]. 中国地质大学(北京), 2018.

[85]张圆圆. 冕宁县生态地质环境承载力研究[D]. 成都理工大学, 2020.

[86]蔡伟杰,张晓辉,朱建秋,等. 关联规则挖掘综述[J]. 计算机工程, 2001(5): 31-33, 49.

[87]陈耿,朱玉全,杨鹤标,等. 关联规则挖掘中若干关键技术的研究[J]. 计算机研究与发展, 2005(10): 142-146.

[88]朱涛. 基于FP-growth关联规则挖掘算法的研究与应用[D]. 南昌大学, 2010.

[89]徐卫亚,孙广忠,许兵,等. 地质灾害防治基本原则及防治对策[J]. 中国地质灾害与防治学报, 1992(2): 50-57.

[90]王双明,段中会,马丽,等. 西部煤炭绿色开发地质保障技术研究现状与发展趋势[J]. 煤炭科学技术, 2019, 47(2): 1-6.