《Journal of Hydrology: Regional Studies》:Rainfall threshold-governed landslide susceptibility in the Himalaya
编辑推荐:
滑坡是一种普遍存在的地质现象,在全球自然灾害中造成了相当大比例的生命和财产损失。在全球变暖背景下,极端降雨事件频率的增加导致降雨诱发型滑坡的发生显著上升。然而,滑坡是地质环境静态敏感性与气象动态触发共同作用的结果,仅依赖简单的空间易发性分析必然存在局限性。因此
滑坡是一种普遍存在的地质现象,在全球自然灾害中造成了相当大比例的生命和财产损失。在全球变暖背景下,极端降雨事件频率的增加导致降雨诱发型滑坡的发生显著上升。然而,滑坡是地质环境静态敏感性与气象动态触发共同作用的结果,仅依赖简单的空间易发性分析必然存在局限性。因此,将空间发生概率(易发性)与时间发生概率(降雨阈值)进行动态耦合,可实现滑坡易发性预测从静态评估向时空协同的范式转变。
滑坡发生概率以降雨阈值表示,常用方法包括启发式、物理性和经验统计方法。目前启发式方法因主观性强而受限,物理性方法依赖复杂数据和大量计算,限制了其广泛应用。经验统计方法因数据易获取且结果可靠而成为更常见的选择。降雨阈值的主要类型包括降雨强度-历时(I–D)、有效降雨-历时(E–D)和有效降雨-强度(E–I)。其中由Caine(1980)提出的I–D阈值应用最为广泛。
滑坡易发性指某一区域发生滑坡的可能性,反映了滑坡与其影响因素之间的非线性关系。近年来,机器学习模型在处理复杂多维数据和非线性关系方面展现出显著优势。常用的机器学习模型包括极端梯度提升(XGBoost)、随机森林(RF)、深度学习算法等。然而,选择最适合滑坡易发性建模的模型存在显著不确定性。尽管机器学习方法具有强大的预测能力,但其本质上是数据驱动的,对训练样本偏差、输入因子选择和模型结构产生的不确定性较为敏感。近期,研究人员尝试将物理机制与数据驱动模型相结合,以增强其可靠性和泛化能力。通过在机器学习框架中引入具有物理意义的约束,该方法在保持灵活性的同时提高了可解释性并减少了虚假相关性,引导模型更贴近真实的滑坡过程。这种耦合方法不仅有助于减少预测误差,还能增强模型在极端事件下的可解释性和适应性,进一步提高滑坡易发性评估的准确性和实用性。
因此,本研究收集了2007年至2020年喜马拉雅山区的降雨诱发型滑坡编目,并获取了每次滑坡事件前168小时的先期降雨数据以建立I–D阈值。随后比较了多种机器学习模型以确定最优滑坡易发性模型,并通过将最优模型与I–D阈值耦合,开发了一种新模型,用于刻画不同降雨强迫水平下滑坡易发性的响应特征。本研究推进了不同降雨情景下降雨诱发型滑坡易发性的定量评估,并为复杂地形区的易发性制图和适应性管理提供了方法学支撑。
论文解读
一、研究背景与问题提出
滑坡是全球范围内造成重大生命和财产损失的主要自然灾害之一。在全球变暖背景下,极端降雨事件频率的持续增加显著提升了降雨诱发型滑坡的发生概率。然而,滑坡的发生并非单一因素所致,而是地质环境静态敏感性与气象动态触发条件共同作用的结果。传统的滑坡易发性评估仅关注空间维度的静态分析,忽视了降雨等动态触发因素的时间维度影响,不可避免地存在局限性。因此,如何将空间发生概率(易发性)与时间发生概率(降雨阈值)进行动态耦合,实现滑坡易发性预测从静态评估向时空协同的范式转变,成为当前研究的关键科学问题。
在降雨阈值研究方面,现有方法主要包括启发式、物理性和经验统计三类。启发式方法主观性较强,物理性方法对数据和计算资源要求较高,而经验统计方法因数据易获取、结果可靠而得到广泛应用。在众多降雨阈值类型中,由Caine(1980)提出的降雨强度-历时(I–D)阈值应用最为广泛。在滑坡易发性建模方面,机器学习模型(如XGBoost、随机森林、深度学习算法等)虽展现出强大的非线性拟合能力,但模型选择的不确定性、训练样本偏差及输入因子选择等问题仍制约着预测结果的可靠性。近年来,将物理机制嵌入数据驱动模型的混合方法逐渐受到关注,该方法在保持模型灵活性的同时提高了可解释性,并减少了虚假相关性。基于上述背景,本研究旨在通过耦合I–D降雨阈值与最优机器学习模型,建立一种时空协同的滑坡易发性动态评估框架,以提升复杂地形区滑坡灾害的定量评估精度和管理水平。
二、研究内容概述
本研究以喜马拉雅山区为研究区,该区域位于印度板块与欧亚板块碰撞带,涵盖中国藏南、尼泊尔全境、印度北阿坎德邦及不丹西部,总面积约5.0×10? km2。研究区平均海拔4000至5000米,相对高差普遍超过2000米,坡度常超过30°,地质构造强烈,岩体破碎,风化层厚度达5至20米,为滑坡发育提供了物质基础。气候受典型季风控制,年降水量500至10000毫米,6至9月雨季贡献全年80%以上降雨,极端降雨事件频发。
研究人员从全球滑坡编目(GLC)中选取了2007至2020年喜马拉雅地区1589起降雨诱发型滑坡事件,并构建了795个非滑坡样本。降雨数据采用ERA5-Land再分析数据集的小时分辨率降水资料,提取了每次滑坡事件前168小时的先期降雨序列。环境因子包括基于SRTM数字高程模型(DEM)衍生的11个地形因子、全球岩性数据库(GLiM)的岩性数据、归一化植被指数(NDVI)及植被类型和土地覆盖数据,所有变量均重采样至90米分辨率。
研究首先基于1589起滑坡事件的先期降雨数据建立I–D阈值模型,采用分位数回归方法构建了5%、10%、20%、50%和90%五个分位数的I–D阈值曲线。随后比较了XGBoost、随机森林(RF)、全连接神经网络(FC)和卷积神经网络(CNN)四种机器学习模型的性能,筛选出最优模型。在此基础上,将I–D阈值与最优易发性模型进行耦合,构建了耦合I–D阈值与滑坡易发性的动态评估模型,系统评估了不同降雨强迫水平下喜马拉雅山区滑坡易发性的空间响应特征。
三、主要研究方法
本研究采用了以下关键技术方法:
I–D阈值模型:基于1589起降雨诱发型滑坡事件及其前168小时先期降雨数据,在降雨强度与历时双对数空间中拟合幂函数形式的经验阈值曲线,并通过分位数回归建立5%、10%、20%、50%和90%五个分位数阈值,以表征不同降雨触发强度水平。
SHAP可解释性分析:利用基于合作博弈论的SHapley Additive exPlanations(SHAP)方法,量化前240小时各时段先期降雨对滑坡发生的贡献,识别最具影响力的降雨时段。
层次聚类分析:将每次滑坡事件前168小时的小时降雨序列划分为7个连续的24小时时段,构建7维时间分布向量,采用凝聚层次聚类(欧氏距离与Ward最小方差准则)对降雨事件进行分组,识别典型先期降雨时间模式。
机器学习模型对比:分别构建XGBoost、随机森林(RF)、全连接神经网络(FC)和卷积神经网络(CNN)四种模型。前三者以184维特征向量(168小时降雨变量加16个环境因子)为输入,CNN模型则以11×11×184的空间邻域张量为输入以保留空间信息。每个模型重复训练和评估20次以降低随机划分的不确定性。
耦合建模框架:将I–D阈值情景嵌入易发性建模框架,固定降雨历时D*=168小时,根据各分位数阈值计算对应降雨强度,重构降雨输入以模拟不同降雨强迫水平下的滑坡易发性响应。
四、主要研究结果
I–D阈值特征:通过分位数回归建立了喜马拉雅山区降雨诱发型滑坡的I–D阈值曲线,不同分位数阈值对应不同的临界降雨强度,反映了降雨触发滑坡的概率层次。
最优模型筛选:通过对比XGBoost、RF、FC和CNN四种模型的预测性能,确定了最优滑坡易发性模型,该模型能够有效捕捉降雨条件与环境因子对滑坡发生的非线性耦合影响。
SHAP贡献分析:基于SHAP方法量化了先期降雨各时段对滑坡发生的贡献,识别出对滑坡触发最具影响力的降雨时段,为理解降雨过程的时序效应提供了定量依据。
聚类模式识别:通过层次聚类识别出喜马拉雅山区先期降雨的典型时间分布模式,不同聚类对应不同的降雨过程结构,反映了区域降雨触发滑坡的多样性。
耦合模型空间分布:耦合I–D阈值与最优易发性模型后,喜马拉雅山区滑坡易发性呈现南部较高且呈带状分布的空间格局。随着降雨阈值从5%提升至90%,极高易发性区域面积增加17.95%,而极低易发性区域面积下降近50%,表明降雨强迫水平对滑坡易发性空间分布具有显著调控作用。
五、讨论与结论
研究结果表明,将I–D降雨阈值与机器学习易发性模型进行耦合,能够有效刻画不同降雨情景下滑坡易发性的动态响应特征,实现了滑坡易发性评估从静态空间分析向时空协同分析的转变。不同分位数阈值对应的易发性空间格局差异显著,说明降雨触发强度是调控滑坡易发性空间再分布的关键因素。该耦合框架不仅提高了滑坡易发性评估的精度和可解释性,还为复杂地形区不同降雨情景下的滑坡灾害风险管理和适应性决策提供了方法学支撑。研究结论为:喜马拉雅山区滑坡易发性在南部更高且呈带状分布;随着降雨阈值从5%提升至90%,极高易发性区域面积增加17.95%,极低易发性区域面积下降近50%;该耦合模型为不同降雨强迫水平下滑坡易发性的定量评估和适应性管理提供了有效工具。