《Engineering Geology》:Spatiotemporal evaluation of landslide activity across pre- and post-wildfire phases: a data-driven framework
编辑推荐:
•多期次滑坡调查追踪了莱克县全境的野火后滑坡。•滑坡活动在头一年达到峰值,并在2至3年内接近基线水平。•该框架刻画了野火后易感性的时空变化。•过渡制图识别了野火后未变和升高的易感性。•地质、地形和植被决定了空间可变的恢复过程。引言野火能够迅速吞噬植被景观(联合国粮农组织,20
- •
多期次滑坡调查追踪了莱克县全境的野火后滑坡。
- •
滑坡活动在头一年达到峰值,并在2至3年内接近基线水平。
- •
该框架刻画了野火后易感性的时空变化。
- •
过渡制图识别了野火后未变和升高的易感性。
- •
地质、地形和植被决定了空间可变的恢复过程。
引言
野火能够迅速吞噬植被景观(联合国粮农组织,2011),往往带来环境(Pinedo-Gonzalez等,2017)、生态(Thompson等,2011)和社会经济(Wang和Lewis,2024)方面的影响。除了即时灾害外,野火还会引发一系列次生灾害(Vahedifard等,2024),如土壤侵蚀(Moody和Martin,2001)、山洪(Fulton等,2024)、干塌(Lamb等,2011;Parise和Cannon,2012)和滑坡(Abdollahi等,2023;Gehring等,2019;Melzner等,2019)。这些次生灾害归因于土壤特性的改变(Zhu等,2024)、植被焚毁(Hebda等,2024)以及集水区水文条件的变化(Shakesby和Doerr,2006)。尽管野火引发的次生灾害影响显著且可能持续数年,但其显现和严重程度往往取决于后续的扰动事件,如极端天气事件。
越来越多的实证证据表明,加剧的干旱使景观处于野火易感性升高的状态。例如,在美国,过去十年的平均年过火面积上升至29,100 平方公里,而1990年代为13,400 平方公里(Riddle,2023)。气候变化驱动的长期干旱(显然提高了野火易感性)与强暴雨的耦合,增加了次生灾害的风险,尤其是以滑坡或泥石流形式出现的重力流(Turco等,2018),与其他野火后灾害相比,这些灾害往往更为频繁和广泛(Oakley等,2018;Ren等,2011)。早期研究(例如,Benda和Dunne,1997;Meyer等,2001)曾报告数年前过火区域的滑坡频率有所增加。这种增加可能较为温和,甚至高出数量级(Cannon等,2001),其中头一年往往是滑坡活动升高的窗口期(Degraff等,2015;Hoch等,2021)。
针对日益增长的野火风险,研究者们试图加强对野火后滑坡灾害的理解与管理。举例来说,这激发了对野火后滑坡易感性分区(Abdollahi等,2024)、坡体稳定性评估(Coppola等,2024)、泥石流起动分析(Kean等,2011;McGuire等,2017)、泥石流漫流建模(Barnhart等,2021;Bernard等,2021)以及滑坡起动降雨阈值的研究(Thomas等,2023)。然而,从野火前到野火后阶段,滑坡活动在频率和空间易感性方面的时空演变仍探索不足。大多数现有评估仅针对单个事件或一般野火后条件来刻画野火后滑坡活动,对于滑坡活动如何演变以及当过火景观逐渐恢复时易感性如何发生空间转移,提供的信息有限。全面了解这种演变对于理解景观扰动、野火与触发因素之间的相互作用,以及滑坡动力学的地质环境、地貌和地形控制因素至关重要。解决这些时间过渡问题从工程地质学的角度来看也很重要,因为空间可变的野火后边坡恢复可能要求在易感性持续存在的区域进行持续监测和缓解。
因此,本研究提出了一种数据驱动框架,用于刻画从野火前到依次野火后各阶段滑坡活动的时空演变,整合了频率和易感性。将该方法应用于加利福尼亚州莱克县,该方法通过多期次滑坡调查得出频率,并通过分阶段模型得出易感性。传统的滑坡调查(Amatya等,2021)通常提供空间信息,并在可用时提供触发归因。相比之下,本文采用的多期次滑坡调查(Zhou等,2025)提供了明确的时间维度,从而便于将滑坡区分为与野火相关和与野火无关的类别。分离后的多期次调查驱动滑坡密度异常的计算,以量化野火后滑坡频率并划定时间演变的各个阶段。在此基础上,滑坡易感性分区(Peethambaran等,2019a)刻画了从野火前到依次野火后各阶段易感性模式的空间进展,从而描绘了滑坡易感性的转移。因此,所提出框架的主要贡献在于明确地将观测到的滑坡活动的时空变化与分阶段空间易感性变化联系起来,而不是将野火后易感性视为单一、静态的条件。这使得能够识别易感性保持稳定、野火后升高或随后恢复的区域,为了解受野火影响边坡的工程地质响应提供了随时间变化的视角。
对于多期次滑坡调查,该框架采用了一种混合架构,将有监督的支持向量机(SVM)分类器与无监督的含噪声基于密度的空间聚类(DBSCAN)算法相结合。这种混合架构利用了有监督分类和无监督聚类的互补优势,以实现高效的多期次滑坡调查。另一方面,分阶段易感性分区需要一个分步建模框架来捕捉易感性的转移。因此,本框架采用分块反向建模策略,使用模糊极限学习机(FELM)——一种有监督集成机器学习算法——根据一套易感性因子生成各阶段的易感性图。通过解决野火后易感性的时间持续性和空间异质性,该框架为根据演变的易感性优先处理受野火影响的边坡提供了依据。
章节摘要
研究区
莱克县位于加利福尼亚州中北部,属于海岸山脉地貌域(图1),是美国受野火影响最严重的地区之一,自2015年以来其60%以上的土地面积发生过火灾(社区野火保护计划,2023)。莱克县具有野火频发、地形多样和强烈的气候梯度,是所提出框架的理想试验台。根据美国人口普查局的数据,该县总面积为3440 平方公里,其中
材料与方法
该框架通过基于多期次滑坡调查和分阶段易感性分区的工作流来实现,支持推导密度异常和易感性转移。图2展示了整体工作流,整合了滑坡调查、密度异常指数、易感性建模和易感性转移分析。3.1节概述了多期次滑坡调查的建立,包括数据源、制图程序以及
结果
以下各节呈现了分析中各组成部分的结果。4.1 滑坡调查和4.2 滑坡密度异常指数报告了多期次滑坡调查和密度异常指数分析的成果,而4.3 滑坡易感和4.4 滑坡易感转移则呈现了分阶段易感性和易感转移的结果。
讨论
多期次滑坡调查表明,当开源数据集与有监督机器学习分类相整合时,可为区域和多时相制图提供实用基础。然而,要达到更高水平的精度需要进行分类后细化,因为初始分类器可能无法消除噪声或空间碎片化(H?hn等,2025)。在该框架内,通过无监督机器学习进行噪声抑制以及面元多边形
结论
本研究提出了一种可扩展、数据驱动的框架,整合了多期次滑坡调查、密度异常指数分析、分阶段易感性建模和转移分析,以评估滑坡活动从野火前到野火后条件的演变。该框架的主要贡献在于其将观测到的滑坡活动的时空变化与分阶段空间易感相结合,使得野火后条件能够被评估
CRediT作者贡献声明
Bipin Peethambaran:初稿撰写、方法论、调查研究、数据管理、概念构思。Ben Leshchinsky:审阅与编辑、监督指导、资源提供、方法论、概念构思。Farshid Vahedifard:审阅与编辑、资源提供。
利益冲突声明
作者声明他们之间不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
本材料基于美国农业部(USDA)和美国国家食品与农业研究所(NIFA)在资助编号2021-67022-35908项下的工作支持。
Bipin Peethambaran|Ben Leshchinsky|Farshid Vahedifard