编辑推荐：
滑坡是主要地质灾害之一，威胁生命财产安全。现有滑坡编录图（LIMs）在大尺度区域应用受限。研究人员利用星载 InSAR 数据，结合机器学习（ML）与 HDBSCAN 聚类算法，在英国开展活跃滑坡识别研究，分类 336,557 个斜坡单元（SUs），为风险管控提供新途径。
滑坡灾害犹如潜伏在地表的 “隐形杀手”，长期以来对人类生命财产和生态环境构成严重威胁。据统计，1900 至 2023 年全球因滑坡导致约 7.3 万人死亡、240 亿美元经济损失。随着气候变化加剧，滑坡风险呈上升趋势，而传统的滑坡编录图（Landslide Inventory Maps, LIMs）依赖人工调查和航空影像解译，在区域或国家尺度上存在更新滞后、覆盖不全等问题。如何高效利用卫星遥感数据，实现大范围活跃滑坡的自动识别与监测，成为地质灾害研究领域的关键挑战。
为突破这一技术瓶颈，英国研究人员开展了一项具有创新性的研究。他们以英国为研究区域，结合欧洲地面运动服务（EGMS）的星载合成孔径雷达干涉测量（InSAR）数据与机器学习（Machine Learning, ML）技术，开发了一种全国尺度的活跃滑坡识别方法。该研究成果发表在《International Journal of Applied Earth Observation and Geoinformation》，为全球大范围地质灾害监测提供了可复制的技术范式。
研究主要采用以下关键技术方法：
- 数据获取与预处理：使用 Sentinel-1 卫星的多时间干涉合成孔径雷达（MTInSAR）数据，获取英国全境的地表形变速度场，包含水平（东 - 西）和垂直分量，数据分辨率为 100 米网格，原始数据量达 650 万点 / 分量。
- 机器学习聚类算法：应用层次密度聚类算法（HDBSCAN）过滤噪声点，将数据集精简至 380 万点 / 分量，提高数据可靠性。
- 斜坡单元（Slope Units, SUs）划分：基于 50 米 NEXTMap 数字地形模型（DTM），通过地形位置指数（TPI）划分 336,557 个斜坡单元，作为地貌分析的基本单元。
- 活跃变形区（ADAs）识别与分类：利用 EGMS RASTOOL 工具半自动检测 ADAs，结合坡度（>5°）、坡向一致性、土地覆盖（排除泥炭地）及时序形变趋势（加速 / 减速 / 稳定），筛选与滑坡相关的变形区域。
研究结果
1. 数据过滤与聚类效果
HDBSCAN 算法通过优化参数（最小聚类尺寸 3，最小样本数 1），有效去除噪声点，使数据集规模减少近 50%。过滤后的数据保留了具有空间聚集性和相似形变特征的点，为后续分析奠定基础。
2. 活跃变形区时空特征
结合速度阈值（2.5 mm/yr）和聚类半径（100 米），识别出多个活跃变形区。通过与斜坡单元叠加分析，发现 5% 的单元存在传统编录图与 InSAR 数据的不一致，提示潜在未被记录的滑坡区域。例如，英格兰西北部、苏格兰马尔岛和威尔士南部出现数据差异，需进一步实地验证。
3. 典型案例验证
在已知滑坡区如威尔士 Blaina、英格兰 Snake Pass 和 Ventnor Undercliff Landslide Complex 的验证表明，该方法能有效识别与传统编录一致的滑坡区域（矩阵 D 类），且能捕捉到形变趋势（如加速或减速），为滑坡动态监测提供时间维度信息。
4. 综合编录图构建
整合国家滑坡数据库（NLD）与 InSAR 分析结果，生成四分类编录图：
- A 类：NLD 与 InSAR 均确认滑坡，需优先监测；
- B 类：仅 InSAR 识别为滑坡，提示新隐患点；
- C 类：仅 NLD 记录滑坡，可能存在形变停滞；
- D 类：均未识别为滑坡，风险较低。
结论与讨论
本研究首次在全国尺度上实现了 InSAR 数据与机器学习的深度融合，证明该方法可高效识别活跃滑坡区域，尤其在传统编录缺失或不完善的区域具有显著优势。研究提出的斜坡单元分类框架，结合地貌特征与时空形变，为滑坡风险评估提供了更精细的空间单元。
然而，研究也存在局限性：InSAR 技术仅适用于慢速滑坡监测，且依赖卫星重访周期内的形变信号；全国尺度验证受限于地面数据不足，需未来结合实地调查优化算法。尽管如此，该方法为全球变化背景下的大范围地质灾害管理提供了创新工具，其半自动化流程可推广至其他区域，助力提升灾害预警能力与资源配置效率。
研究揭示，通过多源遥感数据与智能算法的协同，能够突破传统调查的时空局限，为滑坡灾害的 “早期识别 — 动态监测 — 风险管控” 全链条管理提供技术支撑，对保障基础设施安全和社区可持续发展具有重要意义。
