基于坡面单元与水文响应单元的多尺度滑坡敏感性建模：XGBoost-SHAP融合方法的创新应用

韩国研究人员针对山区滑坡风险评估中空间单元选择的关键问题，创新性地将极端梯度提升算法(XGB)与SHAP可解释性分析相结合，对比研究了坡面单元(SU)和水文响应单元(HRU)两种建模方法的预测效能。研究发现HRU模型在AUC-ROC(0.92)和准确率(81%)上显著优于SU模型，揭示了水文过程参数对滑坡预测的决定性作用，为地质灾害防控提供了兼具高精度与可解释性的决策工具。

　　

山区地质灾害防治领域迎来重要突破。随着气候变化导致极端降雨事件频发，韩国Goesan郡等山区频繁发生滑坡灾害，仅2023年6月的强降雨就引发185处滑坡，造成大规模人员撤离和基础设施损毁。传统滑坡敏感性评估存在两大痛点：一是网格单元(GU)划分忽视地质边界导致预测偏差，二是黑箱模型缺乏决策可解释性。针对这些挑战，韩国国立首尔大学联合研究团队在《Geoscience Frontiers》发表创新成果，首次将水文响应单元(HRU)与坡面单元(SU)进行多尺度对比研究，并引入可解释人工智能(XAI)技术破解模型黑箱问题。

研究团队采用三阶段技术路线：首先基于20m分辨率DEM构建17,706个SU和73,495个HRU空间单元，通过随机欠采样处理样本不平衡问题；随后运用微分进化(DE)算法优化XGBoost超参数，筛选出9个无多重共线性的地形水文因子；最后通过5折随机交叉验证(RCV)和SHAP值分析揭示关键驱动因子。关键技术突破在于将HRU的动态水文表征能力与XGBoost-SHAP的可解释性优势相结合。

在评估单元对比方面，SU基于流域边界划分，平均面积0.048km²，侧重地形稳定性；HRU则整合坡度、土壤类型和土地利用数据，平均面积0.011km²，能动态反映水文过程。多尺度分析显示HRU模型全面碾压SU模型：精度(0.62 vs 0.45)、召回率(0.88 vs 0.56)、F1值(0.73 vs 0.50)和AUC-ROC曲线(0.92 vs 0.75)均显著领先。

SHAP解释性分析揭示了关键发现：SU模型中海拔(330.14m)对滑坡概率提升贡献最大，而曲率(0.12)和地形湿度指数(TWI=4.79)起抑制作用；HRU模型则显示坡度(12.6°)和排水邻近度(216.88m)是核心驱动因子，TWI>9.88时滑坡风险显著降低。值得注意的是，中间概率区间(0.2-0.8)的预测标准差达0.3，提示该类区域需结合实地勘察验证。

讨论部分强调了三重创新价值：方法学上首次实现HRU在滑坡建模中的应用突破，技术上创建了DE-XGB-SHAP的优化解释框架，实践上证实HRU更适配水文主导型滑坡区。研究局限性在于样本仅来自单一地区，未来需整合实时降雨数据拓展普适性。该成果为山区国土空间规划和灾害应急响应提供了兼具预测精度(81%)与决策透明度的新一代评估工具，特别适用于东亚季风区强降雨诱发的浅层滑坡防控。