编辑推荐：
语
针对传统GIS平台中空间建模与动态分析流程割裂的问题，本研究升级了QGIS开源插件SZ-plugin，首次集成时空数据驱动建模能力。通过引入广义加性模型（GAM）和多层感知机（MLP），实现了滑坡敏感性（二分类）与强度（回归）的时空动态预测，并开发了交互效应分析、三类交叉验证（空间/时间/时空）及自动化制图功能。以台湾14年滑坡数据验证显示，MLP在动态预测中性能最优（AUC>0.85），GAM在变量贡献解读上更具优势。该工具将复杂建模流程压缩至单一GIS平台，解决了传统工作流的I/O瓶颈，可扩展至野火、土壤侵蚀等多领域应用。
论文解读
研究背景：静态模型的时空困境
滑坡预测领域长期存在"静态陷阱"——传统模型默认地质地形因素时间不变，仅通过空间概率（敏感性）叠加降雨阈值实现风险评估。然而现实情境中，人类活动（如道路建设）、植被变化（NDVI波动）甚至浅层土壤特性（温度/湿度）均以月/年尺度动态改变滑坡发生概率。文献指出，路堑开挖后1年内边坡失稳率显著上升，野火影响更可持续3年。尽管国际指南（如Fell et al., 2008）仍将时空维度分离处理，但现有GIS插件（如r.landslide、LSAT PM等）均未突破纯空间分类框架，导致建模流程被迫分割：空间数据处理在GIS完成，时空分析却需导出至Python/R环境，形成低效的I/O闭环。
解决方案：SZ-plugin的时空升级
意大利国家研究委员会（CNR）团队开发了QGIS插件SZ-plugin的第二代版本，核心突破在于两点：
建模维度扩展 ：从纯空间拓展至时空域，支持年/日级动态预测任务类型丰富 ：新增回归模型（强度评估）补充原有分类模型（敏感性）
关键技术方法
算法引擎 ：
GAM基于pyGAM库实现可加性效应与交互项（如坡度×降雨）
MLP依托Scikit-learn构建三层神经网络
验证体系 ：
空间验证 ：k-mean聚类SU空间位置（10组）时间验证 ：留年法(LOO)与时序分割法(TSS)时空验证 ：空间聚类×时间分组的42种组合
输出模块 ：自动生成变量贡献图、ROC曲线、QQ图及动态地图集
核心研究发现
4.1 变量贡献：动态因子的主导作用
通过GAM模型解析发现（图2）：
敏感性模型 ：坡度均值(SlopeM)呈单调正相关，而岩性类别14（硬页岩/板岩）的回归系数最高强度模型 ：坡度标准差(SlopeStd)与最大日降雨(RainM)交互效应显著（图3B），当SlopeM>25°且RainM>800mm时滑坡面积对数(lnArea)激增关键对比 ：东西向(EastM)在敏感性模型中无显著贡献，但在强度模型中显示北向负效应
4.2 动态敏感性：MLP的预测优势
三类交叉验证表明（图4）：
空间验证 ：GAM性能更优（AUC=0.89 vs MLP 0.86）时间验证 ：TSS模式下MLP显著超越GAM（F1-score提高12%）时空验证 ：MLP综合性能稳定（平均AUC=0.87±0.03）
4.3 动态强度：对数转换的必要性
回归模型显示（图5）：
两类模型均系统性低估大滑坡、高估小滑坡
保持对数尺度制图可避免误差放大（因ln(x)具单调性）
MLP预测结果方差显著小于GAM（RMSE低18%）
4.4 时空制图：从聚合统计到情景模拟
插件支持三类地图输出（图6-9）：
聚合统计 ：14年间敏感性最大值/均值/标准差分布年度情景 ：2016/2017年MLP与GAM预测对比外推预测 ：将2019年降雨/NDVI数据代入训练模型生成风险图
结论与展望
本研究通过SZ-plugin的时空升级，首次在GIS平台实现"端到端"的滑坡动态风险评估。工具突破性体现在三个维度：
流程革新 ：消除跨平台数据搬运，建模效率提升8倍（GAM建模仅需8分钟）方法融合 ：GAM提供可解释变量贡献（如岩性类别14的OR=2.3），MLP保障预测精度应用扩展 ：框架适用于野火蔓延、土壤侵蚀强度等时空动态问题
未来版本将聚焦两点突破：
极端值建模 ：引入GAM的极值分布(GEV)模块处理暴雨/高温等极端事件深度学习扩展 ：集成Transformer架构处理长时间序列遥感数据https://plugins.qgis.org/plugins/sz-plugin/
