基于机器学习可解释性的台风诱发滑坡敏感性制图最优因子组合选择

针对台风诱发滑坡敏感性评估中动态与静态因子交互机制不明确的问题，本研究创新性结合机器学习可解释性技术（PDP与Shapley值），筛选出8项关键静态因子（如高程、NDVI、道路）和4项动态因子（如最大持续风速、24h前期降雨量），通过k-fold交叉验证与ROC曲线验证，将评估精度提升1.5%–3.5%，为灾害精准防控提供科学依据。

　　

在全球气候变化加剧的背景下，台风诱发的滑坡灾害对沿海地区构成严重威胁。以中国东南沿海为例，近20年60-70%的滑坡事件与台风相关，如2019年台风"利奇马"导致浙江永嘉县25人死亡及5亿美元经济损失。然而，现有风险评估方法存在明显缺陷——永嘉县28.6%的滑坡发生在政府划定的风险防范区外，且比例持续上升。这一现象暴露出传统模型难以量化台风动态因素（如风速、降雨）与地质静态因素（如坡度、植被）的复杂交互作用，导致评估结果失真。

为突破这一瓶颈，浙江省自然资源厅等机构的研究团队创新性地将机器学习可解释性工具引入滑坡敏感性研究。通过对永嘉县1999-2022年间13场台风引发的230处滑坡数据进行分析，研究团队采用多学科交叉方法，首次系统整合了20项静态因子（如高程、NDVI、土地利用）和7项动态因子（如最大持续风速、台风中心距离），并设计了3种台风风力量化方案。

关键技术方法包括：1）基于ArcGIS的空间数据提取技术；2）Spearman秩相关系数与多重共线性分析筛选静态因子；3）机器学习可解释性工具（Partial Dependence Plots和Shapley值）量化因子贡献度；4）k-fold交叉验证计算平均下降精度(ADA)优化因子组合；5）ROC曲线验证模型性能。

研究结果

静态因子相关性
通过Spearman分析和多重共线性检验，从20项初始因子中剔除TWI（地形湿度指数）、TPI（地形位置指数）等7项高相关性因子，保留13项核心静态因子。Shapley值分析进一步揭示高程对模型预测的边际贡献最大（权重占比18.7%），其次是NDVI（归一化植被指数，15.3%）和道路密度（12.9%）。

动态因子影响机制
PDP分析显示，最大持续风速与滑坡概率呈非线性关系：当风速超过23m/s时，每增加1m/s滑坡风险上升2.1%。而24h前期降雨量存在临界阈值（280mm），超过后滑坡概率骤增47%。创新性提出的"近大风圈半径"指标被证实能有效表征台风外围环流影响。

因子组合优化
通过ADA筛选出的最优动态因子组合（最大持续风速+24h前期降雨量+滑坡点与台风中心距离+近大风圈半径）使模型AUC值提升至0.923，较传统方法提高3.2%。静态因子中，植被类型（而非单纯覆盖率）被首次证实与台风诱发滑坡显著相关（p<0.01）。

讨论与结论
该研究首次通过可解释机器学习揭示了台风诱发滑坡的特殊机制：1）风力荷载通过树冠摆动加剧表层土体松动，与降雨渗透产生协同效应；2）植被类型（如乔木根系结构）比NDVI更能反映抗滑能力；3）道路切割坡脚的行为在台风期间风险放大系数达1.8倍。

研究成果发表于《Geomorphology》，其重要意义在于：1）构建了首个包含台风动力参数的滑坡敏感性评估框架；2）提出的因子组合优化方法使评估精度突破90%大关；3）为政府修订风险防范区划提供量化依据。研究团队特别指出，未来需在台风登陆路径预测模型中集成本研究的动态因子体系，以实现灾害预警的时空精准化。