气候变化背景下全球滑坡易发性预测：基于CMIP6多模型集成与机器学习方法

推荐：本研究针对气候变化背景下全球滑坡灾害时空演变机制不清的问题，通过集成CMIP6中14个GCMs的降水数据和静态指标，结合随机森林(RF)、逻辑回归(LR)等5种机器学习模型构建集成模型(EM)，预测了SSP1-2.6至SSP5-8.5四种情景下2021-2100年全球滑坡易发性。结果显示SSP5-8.5情景下2081-2100年全球滑坡高风险区将增加1%，印度受影响人口达5.9亿，为全球制定减灾策略提供科学依据。

　　

在全球气候变暖背景下，极端降水事件频发导致滑坡灾害风险加剧，但目前对全球尺度滑坡时空演变规律仍缺乏系统认知。现有研究多局限于区域尺度或单一气候情景，且物理模型存在数据依赖性强、计算资源消耗大等局限。针对这些问题，中国的研究团队在《Geoscience Frontiers》发表论文，创新性地融合多源气候模型与机器学习算法，首次实现多情景下全球滑坡易发性动态预测。

研究采用CMIP6中14个全球气候模型(GCMs)的降水数据，结合地形(坡度、DEM)、植被(NDVI)等9个静态指标，构建0.15°分辨率全球评估体系。通过集成随机森林(RF)、支持向量机(SVM)等5种机器学习算法，利用全球滑坡目录(GLC)和致命滑坡数据库(GFLD)的5714个降雨型滑坡样本进行训练验证，采用受试者工作特征曲线(ROC)和曲线下面积(AUC)评估模型性能。

研究结果显示：1）模型验证表明集成模型(EM)的AUC达0.9707，显著优于单一模型；2）当前全球13%陆域属极高易发区，主要分布在科迪勒拉山系、阿尔卑斯山脉等地区；3）SSP5-8.5情景下2081-2100年全球滑坡易发性较基线期(2001-2020)上升约1%，东南亚(SE.AS)变化最显著，77.2%区域易发性增加；4）印度在SSP3-7.0情景下受影响人口达5.9亿，是全球平均的23倍。

讨论部分指出，该研究首次系统量化了不同气候情景下全球滑坡风险演变规律，揭示发展中国家面临更大威胁。中国始终是滑坡高风险面积最大的国家，而印度受人口增长驱动将成为受影响最严重区域。研究提出的多模型集成框架为全球地质灾害预警提供新范式，但未来需纳入短时强降水、冻土融化等动态因子以提升预测精度。该成果对制定针对性减灾策略具有重要指导价值，特别是为"一带一路"沿线山地国家的防灾规划提供科学支撑。