《Frontiers in Earth Science》：Susceptibility assessment of freeze-thaw erosion induced debris flow using random forest, Eastern Tibetan Plateau
在高山地区，泥石流作为一种突发性的地质灾害，具有强烈的破坏性和突发性，常常导致交通中断、基础设施损毁，甚至造成人员伤亡。这种灾害对高海拔山区的生态安全和人类活动构成了重大威胁。特别是在高寒地区，如东喜马拉雅山地，冻融侵蚀作为一种特殊的地表地质过程，通过反复的冻融循环，改变岩石和土壤的机械性能，产生大量松散的碎屑物质，成为泥石流形成的关键材料来源。然而，当前关于泥石流易发性评估的研究中，往往忽略了冻融侵蚀这一因素，使其在模型中仅作为地形或地质因素的间接体现，未能作为独立的控制因子进行评估。这种简化使得模型难以区分由冻融侵蚀引发的泥石流与其他类型的泥石流，可能导致关键高寒区域的灾害风险被高估或低估。
为了解决这一问题，本研究以东喜马拉雅山地贡觉盆地北部为研究区域，该地区冻融侵蚀强烈，是泥石流材料的主要来源。研究旨在探讨冻融侵蚀对泥石流易发性评估模型的影响。研究思路包括：（1）通过文献的统计分析，筛选出机器学习评估中高频且高效的控制因子，构建一个涵盖材料来源、动态条件和水文条件的基本因子系统；（2）引入冻融侵蚀强度指数（FEI）作为新的控制因子，量化冻融侵蚀的强度，并基于随机森林算法分别构建“冻融侵蚀模型（FEM）”和“无冻融侵蚀模型（NFEM）”；（3）通过对比两个模型的评估准确性和易发性分区结果，揭示冻融侵蚀因子的作用机制和必要性。本研究的目标是为高寒地区泥石流易发性评估提供更精确的方法论支持，并为区域防灾减灾工程提供指导。
研究区域位于西藏昌都地区贡觉县和恰央县的东南部，地理坐标为东经98°14′至98°30′，北纬30°30′至31°00′。该地区的海拔在3470米至5012米之间，地形变化显著。总体地形特征为东北和西南两侧为高山，中部为被多条河流切割形成的低地盆地。主要河流包括瓦河和马河，其中马河自北向南穿过研究区域的中心。区域内的地层主要由三叠纪至侏罗纪地层和古近纪地层构成，主要为砂岩、石灰岩和泥岩。该地区地质活动强烈，发育有众多断裂和褶皱。主要断裂包括卡多洛多断裂、 Chuandehe断裂、 Kuoda断裂、 Ladoniuchang断裂、 Rijian断裂和 Wenza断裂，而主要褶皱包括 Ruige向斜和 Rannongka向斜。
研究区域的气候为大陆高原季风气候，受纬度、海拔和地理位置的影响，气温普遍较低，昼夜温差显著，土壤温度低于空气温度，导致冻土持续存在。因此，土壤和岩石中的水分含量会随着温度变化而波动。白天，阳光照射和强烈的辐射导致土壤和岩石温度升高，使内部水分融化为液态；夜晚，温度下降，土壤温度低于水的冰点，水分冻结为固态冰。这种反复的冻融循环会改变土壤和岩石内部水分体积，进而改变其微观结构和机械性能，最终导致变形和破坏。现场调查发现，研究区域沟谷中普遍存在冻融侵蚀作用形成的裸露基岩，这种侵蚀过程为泥石流的形成提供了丰富的材料来源。
建立准确的泥石流清单是评估易发性的基础。本研究结合遥感解译和工程地质调查，以1:50000的比例精度建立了泥石流清单。图像获取和现场调查工作于2023年8月完成。首先，利用遥感图像识别研究区域内具有明显泥石流活动迹象的流域，初步判断为正样本。这些流域需要满足以下条件：在至少一个卫星图像阶段中呈现出典型的泥石流地貌，如沟口的扇形堆积物和清晰的扇形边界（表现为图像中的“扇形放射纹理”），以及主沟谷中存在带状或条带状的侵蚀痕迹或近期活动形成的鲜红沉积物，这些沉积物与周围环境具有显著不同的色调。在初步遥感解译后，通过现场调查对结果进行验证和补充，去除那些活动迹象不明确或不确定的流域，并补充那些未被遥感识别的泥石流流域。最终确认为正样本的流域需要满足以下条件：流域内存在明显的泥石流活动迹象（如泥石流沉积物、沟口形成的扇形边界、山谷两侧的刮痕或陡坡等），或者有当地居民记录的灾害事件。通过遥感图像分析和现场调查，我们识别出研究区域内的362个大于0.03平方公里的泥石流，覆盖面积达458平方公里，因此这些泥石流被定义为冻融侵蚀诱发的泥石流。由此计算出的泥石流密度为0.235每平方公里，泥石流面积占比为29.74%（458平方公里/1540平方公里 × 100%）。
为了确保评估模型的准确性和实用性，选择合适的映射单位至关重要。常用的映射单位包括网格单元和流域单元。网格单元虽然便于计算，但不能反映地质条件或与泥石流存在物理关系（
Nefeslioglu et al., 2008；
Zhu et al., 2019）。而流域单元能够全面反映与泥石流发育和活动相关的地形和地质条件（
Liu et al., 2024；
Reichenbach et al., 2018）。因此，本研究选择流域单元作为映射单位，并使用与建立泥石流清单相同的方法对流域边界进行划分。首先，利用高分辨率遥感图像识别地形特征和泥石流堆积特征，初步划分流域边界。随后，对于那些遥感解译结果不确定的区域，如地形复杂区域和植被覆盖区域，通过现场GPS调查和无人机航拍验证，修正边界。这种方法结合了遥感图像的纹理特征和人工划分，可以避免ArcGIS因数据误差而容易出现的边界偏差问题。同时，通过现场调查识别历史泥石流痕迹，确保流域单元能够完全覆盖灾害从发生到堆积的全过程。相比之下，ArcGIS自动提取可能因融合阈值设置不当而导致流域碎片化，因此这种方法比常用的ArcGIS水文分析工具更可靠和准确，能够保证流域单元内泥石流事件的连续性。
为了维持模型的平衡性，我们在研究区域中生成了一定数量的负样本。生成负样本的常用方法包括随机采样（
Melton, 1966；
Pourghasemi and Rahmati, 2018）和缓冲控制采样（
Schumm, 1956），但这些方法并不能保证样本的准确性。为克服这一限制，我们在解译过程中也识别了那些没有发生泥石流事件的流域，并通过现场调查进行验证。负样本的选取需满足以下条件：在2000年至2022年的所有可用遥感图像中，没有出现泥石流沉积物或沟谷侵蚀等迹象；流域内没有植被覆盖或地形形态的突变（如新暴露的区域）；现场调查确认流域内没有松散沉积物、没有历史灾害记录，且当前地形（如缓坡、密集暴露的基岩）不满足泥石流形成的基本条件。由于卫星图像和交通条件的限制，我们最终识别出220个没有发生泥石流的流域作为负样本（
图2c）。这种方法为负样本提供了比随机或缓冲控制采样更具代表性的数据集。最终，我们获得了582个样本，包括362个正样本和220个负样本，比例为1.65:1。
在控制因子的选择和分析方面，研究发现泥石流的形成是一个高度复杂的过程，受到多种因素的影响。目前，尚无统一的指导标准来选择控制泥石流易发性的因子。大多数研究基于数据可获得性进行因子选择，综合考虑地形、地质、水文、土地覆盖等因素，同时结合研究区域的具体地质条件。通过Web of Science和CNKI数据库，我们使用“泥石流易发性”和“机器学习”作为关键词，检索了2014年至2024年间发表的文献，并提取了所有文献中使用的控制因子进行进一步分析。多数研究使用一种或多种机器学习模型对特定区域进行易发性评估，或专注于改进机器学习模型在泥石流易发性评估中的性能。在控制因子的选择方面，多数研究集中在优化初步选定的因子集上，基于模型结果进行调整。然而，缺乏专门研究如何选择初始控制因子，也没有形成统一的标准。
在本研究中，我们首先对相关文献中提到的控制因子进行了归类和整合。例如，“地形起伏”和“高程差”被归为“地形起伏/高程差”，“土地利用”和“土地覆盖”被归为“土地覆盖/利用”，“岩石硬度”和“地质类型”被归为“岩性”。随后，我们将这些控制因子分为五个类别：地形、地质环境、水文气象、土地覆盖和经济社会因素。经过重新分类后，共使用了145个控制因子，其中43个因子被使用超过5次（
表1）。
从文献中提取的控制因子使用频率分析表明，地形类因子的数量最多，几乎与其余四类因子的总和相当。其中，坡度是最常使用的控制因子，出现次数为61次。其他地形因子在超过50%的研究中被使用，包括高程（44次）、坡向（42次）和地形起伏指数（41次）。而经济社会类因子的使用频率最低，仅有三个：距离道路（23次）、道路密度（12次）和人口密度（8次）。一些学者将距离道路和道路密度归类为土地覆盖因子（
Reichenbach et al., 2018），但我们认为这些因子与经济社会条件密切相关，因此将其归为单独类别。在地质环境类因子中，岩性是最常使用的，出现次数为40次，且几乎有一半的研究都选择了这一因子。其次是距离断层（28次）和断层密度（13次）。评估地震对泥石流易发性影响的常见因子包括地震烈度（6次）和PGA（5次）。在水文气象类因子中，年均降雨量是最常使用的因子，出现次数为32次。其他与降雨相关的因子包括雨季平均降雨量（10次）和最大24小时降雨量（7次）。除了降雨，距离河流（23次）也是一个常用的水文因子。
除了统计因子的使用频率，我们还分析了这些因子在文献中的重要性排序。由于并非所有研究都提供了因子的重要性排名，我们只分析了那些被排名超过10次的因子，以确保结果的可靠性。分析结果如图4所示。高程成为最重要的控制因子，平均排名为3，参与了34次排名。地形起伏/高程差紧随其后，平均排名为5，参与了32次排名。地形起伏/高程差本质上是高程的衍生指标，表明前两个因子与高程直接相关，突显其在大多数研究区域评估泥石流易发性中的关键作用。Cpl的表现最差，平均排名为10，参与了17次排名。坡度、NDVI和坡向是被排名最多的因子，分别出现36次，平均排名为7、8和8。我们的分析显示，所有控制因子的重要性排名存在显著变化，这表明同一因子在不同研究区域的预测能力差异较大，这可能与各区域独特的地质条件有关。
在控制因子的选择方面，我们结合研究区域的地质灾害背景，排除了降雨和地震触发因素，重点考虑了与泥石流发育相关的三个关键条件：（1）充足的松散碎屑材料；（2）促进泥石流发生和运动的地形条件；（3）提供水分的水文条件。基于这三个条件，结合上一节中对控制因子的全面分析，我们识别出14个与研究区域泥石流发生密切相关的控制因子。其中，材料来源条件的控制因子包括H（表土层厚度）、Fd（地形破碎度）、Li（岩性）、距离大尺度褶皱（Dlf）、距离小尺度褶皱（Dsf）和冻融侵蚀强度指数（FEI）。动态条件的控制因子包括S（坡度）、Cg（沟谷梯度）和Mr（沟谷弯曲度）。水文条件的控制因子包括A（流域面积）、伸长率（Er）、排水密度（Dd）、NDVI（归一化植被指数）和高斯积分（HI）。需要注意的是，所选因子在预测性能上表现出显著差异，这表明它们应根据研究区域的具体情况进行调整。因此，我们的选择不仅基于因子的频率或预测性能，还考虑了区域的特殊性。对于表1中未提及的控制因子的具体解释如下。
岩性（Li）是泥石流形成和发展的重要物质来源，决定了流域内岩石和土壤的强度和变形特性。基于研究区域的岩性特征，我们将主要岩性单元分为五类：①坚硬块状侵入岩；②中等硬度的层状碳酸盐岩；③中等硬度的层状碎屑岩；④坚硬与软弱碎屑岩交替的岩层；⑤第四纪松散沉积物。
距离大尺度褶皱（Dlf）和距离小尺度褶皱（Dsf）是衡量褶皱对泥石流易发性影响的因子。褶皱是由于应力作用使岩层连续弯曲而形成的，改变了岩层的原始结构，影响了岩石的强度和稳定性。研究区域褶皱发育显著，对岩石强度影响较大。很少有研究将褶皱作为泥石流易发性的控制因子。根据Zhang和Wu的方法（
Zhang and Wu, 2019），我们使用了褶皱到流域中心的距离作为因子，将褶皱按长度分为小尺度（小于8300米）和大尺度（大于8300米）两类，并据此计算了距离这些褶皱的距离。
冻融侵蚀强度（FEI）是研究区域的主要侵蚀过程。现场调查显示，坡地上的冻融侵蚀是该地区泥石流碎屑的主要来源。我们探讨了导致冻融侵蚀的渐进性地下因素和突发性地表因素，并开发了一种适用于东喜马拉雅山地的冻融侵蚀强度估算方法（
Huang et al., 2021）。FEI的计算方法如下：
$$
FEI = H \times \eta = \left[ 0.0187 \ln(1.6641 A) + 1.0611 \tan(0.7584 \alpha) - 0.6561 G^{0.3017} \right]^2 \times \left[ 0.0522 \ln(D) + 0.0111 \sin^2\left( \frac{S}{2} \right) + 0.5554 \left( \left( \frac{L}{3000} \right)^{3/2} - 1 \right) \right]^2 + 0.2825 K - 0.4077
$$
在该公式中，H代表表土层厚度；$\eta$表示单位面积的侵蚀率；A是流域面积；G是灌木覆盖率；$\alpha$表示坡度梯度；D是土壤厚度与断层/褶皱核心之间的距离；S是坡向；L代表高程；K是一个参数，其中K = 2在石灰岩区域，K = 1在砂岩-泥岩区域。
伸长率（Er）由Schumm等人于1956年提出（
Schumm, 1956），用于比较与流域面积相同的圆形区域与流域主要轴长的直径。数值越接近1，表示流域越接近圆形；数值越小，表示流域越长。在相似条件下，圆形流域在出口处的峰值流量通常高于长形流域，因为支流在较短时间内汇聚到出口。
高斯积分（HI）根据Davis的地貌循环理论，由Strahler提出，认为面积-高程曲线（高斯曲线）的凸、S形和凹形态分别对应年轻的（HI > 0.6）、成熟的（0.35 < HI < 0.6）和老化的地貌（HI < 0.35）。HI也与径流量密切相关。较低的HI值表明流域内剩余地形体积较小，侵蚀较强，径流量较大。
基于这三种条件，我们选择了包括提出的冻融侵蚀强度（FEI）在内的14个控制因子，对研究区域的冻融侵蚀进行定量评估。为了分析FEI对泥石流易发性评估的影响，我们将建立两个模型：一个包含FEI的模型（冻融侵蚀模型，FEM）和一个不包含FEI的模型（无冻融侵蚀模型，NFEM）。
本研究的数据来源主要包括：（i）分辨率30米的SRTM数字高程模型（DEM），用于提取高程、坡度、沟谷梯度、Melton比率、面积、伸长率、排水密度和高斯积分；（ii）1:250,000的地质图，用于提取岩性和断层数据（数据来源可从
https://geocloud.cgs.gov.cn/获取）；（iii）分辨率30米的遥感图像（来自Landsat 8 OLI_TIRS的路径/行133/38和133/39，拍摄时间为2020年8月25日），利用ENVI软件提取NDVI值。在FEI因子中，A、$\alpha$、S和L与（i）中相同，是从DEM中提取的；参数D和K是根据（ii）计算的；H、$\eta$和G是现场测量的数据。
在数据预处理阶段，分析控制因子之间的相关性是必要的，以消除冗余参数和因子间的多重共线性，避免模型不稳定。我们对14个控制因子进行了相关性分析，并生成了一个热图以方便解读（
图5）。热图显示，Melton比率与沟谷梯度之间的相关性最高，达到0.81，是唯一相关性超过0.7的因子对，因此我们排除了Melton比率。因此，FEM模型包括H、Fd、Li、Dlf、Dsf、FEI、S、Cg、A、Er、Dd、NDVI和HI，而NFEM模型则不包括FEI。
在评估泥石流易发性模型的性能时，随机森林（RF）是一种广泛应用且有效的机器学习方法（
Behnia and Blais-Stevens, 2018；
Si et al., 2020；
Zhang and Wu, 2019）。RF是一种基于决策树的集成学习算法，以其在分类和回归任务中的鲁棒性和准确性而著称。与决策树不同，决策树通过贪心算法从上到下构建树，每次节点分裂选择最佳的特征和阈值；而RF通过从训练数据中随机选取有放回的样本创建每棵决策树，并随机选择特征，以确保树的多样性。每棵树独立预测测试数据的结果，最终预测结果由所有树的多数投票决定。
随机森林模型的训练与测试集比例对模型性能有重要影响。增加训练集的规模通常会提高模型的准确性，但训练集过大可能导致测试集稀疏，影响模型对泥石流易发性的准确预测能力。大多数研究采用7:3或8:2的比例。本研究采用了7:3的比例。通过网格搜索优化模型参数。分析两个模型的性能将有助于我们评估冻融侵蚀对研究区域泥石流易发性的影响。
模型性能评估方法主要采用混淆矩阵和接收者操作特征（ROC）曲线。混淆矩阵是评估分类模型性能的基础且直观的方法。可以从混淆矩阵中得出多个关键性能指标，包括准确率（Acc）、精确率、真正率（TPR）、真负率（TNR）和假正率（FPR），如表2所示。
准确率（Acc）表示正确分类的样本比例，计算方式如下：
$$
Acc = \frac{TP + TN}{TP + TN + FP + FN}
$$
真正率（TPR）表示模型正确预测为正的样本占实际正样本的比例，计算方式如下：
$$
TPR = \frac{TP}{TP + FN}
$$
真负率（TNR）表示模型正确预测为负的样本占实际负样本的比例，计算方式如下：
$$
TNR = \frac{TN}{TN + FP}
$$
假正率（FPR）表示模型错误预测为正的样本占实际负样本的比例，计算方式如下：
$$
FPR = \frac{FP}{FP + TN} = 1 - TNR
$$
ROC曲线是评估分类模型性能的常用工具，常用于机器学习中对易发性模型的评估。ROC曲线通过将假正率（FPR）作为横轴，真正率（TPR）作为纵轴，绘制不同概率阈值（从0到1）下的模型表现。ROC曲线越接近左上角，表示模型性能越好。曲线下的面积（AUC）用于判断模型的准确性。AUC值越高，表示模型准确性越好，AUC值在0.5到1之间被认为是良好的（
Duan et al., 2023）。
在模型构建过程中，我们训练了一个包含FEI的13因子FEM模型，并将其与不包含FEI的12因子NFEM模型进行比较，以评估FEI对模型性能的影响。研究区域内的每个流域单元的泥石流易发性指数，由两个模型计算得出，并通过Jenks自然断点法分为五个等级。在FEM模型中，分类为：非常低（0–0.44）、低（0.44–0.56）、中等（0.56–0.66）、高（0.66–0.75）和非常高（0.75–1）。在NFEM模型中，分类为：非常低（0–0.45）、低（0.45–0.56）、中等（0.56–0.65）、高（0.65–0.75）和非常高（0.75–1）。这些等级分别对应非常低、低、中等、高和非常高的易发性区域（
图6）。视觉上，两个模型生成的易发性分布模式显示出高度相似性。高和非常高的易发性区域主要分布在河流两岸，其中非常高的易发性区域集中在瓦河中游和马河的右下岸。而非常低和低的易发性区域则主要位于贡觉县和哈嘎乡附近。两个模型的预测结果与现场调查数据基本一致。两个模型的主要差异在于被分类为高和非常低易发性区域的面积比例（
图7）。FEM模型将63.06%的区域分类为中等、高和非常高易发性区域，而NFEM模型将68.04%的区域分类为这些等级，表明NFEM模型倾向于高估研究区域的泥石流易发性。在我们的样本中，泥石流发生的比例为62.20%（362/582）。FEM模型分类的区域比例与这一观察到的泥石流发生比例较为接近。然而，这并不意味着FEM模型优于NFEM模型，因为区域比例的接近并不一定代表更高的预测准确性。一些泥石流易发区域可能被分类为非常低或低易发性，而没有发生泥石流的区域可能被分类为高或非常高易发性。这种误分类可能会影响模型整体性能的评估，因此需要进一步分析以评估两个模型的预测准确性。
为了更清晰地展示表3中的数据，我们可视化了两个模型的预测结果与历史实际情况的对比（
图8）。显然，两个模型预测结果与历史实际情况在某些流域中存在显著差异。两个模型都预测了某些没有发生泥石流活动的流域存在泥石流。易发性评估的核心在于基于历史灾害特征与环境条件之间的关系预测未来灾害发生的区域和概率。那些没有历史泥石流事件的流域可能因为已经具备泥石流形成的条件但缺乏触发因素，或因为人类活动抑制了泥石流的发生，而被模型预测为高易发性区域。
在模型性能分析中，我们发现FEM模型在训练集和测试集上的准确率（Acc）和真正率（TPR）均高于NFEM模型，表明FEM模型更符合研究区域的实际条件。两个模型的真正率均显著高于真负率，这表明它们在研究区域中更贴近正样本。在测试集上，FEM模型的准确率显著提高，从NFEM模型的0.6914增加到FEM模型的0.7371，提升了0.0457。两个模型的真正率相近，NFEM模型略胜一筹，但FEM模型的真负率显著高于NFEM模型，表明尽管它们在预测正样本方面表现相似，但FEM模型在预测负样本方面具有更强的能力。然而，需要注意的是，两个模型在预测负样本方面的表现都不理想，NFEM模型的真负率仅为0.3582，而FEM模型的真负率仅略优于随机猜测。这一问题可能源于数据集的不平衡性，正样本数量远多于负样本，导致模型对负样本的学习能力受限。综上所述，FEM模型更符合研究区域的实际条件，引入FEI有效提升了模型的预测能力。
通过引入FEI，本研究中模型性能的显著提升并非偶然。这取决于FEI的物理意义、研究区域的地质背景以及其与泥石流形成机制的深入联系，可以从以下两个方面进行阐述。
首先，FEI准确反映了研究区域特有的材料供应机制。研究区域位于东喜马拉雅山地的高海拔地区，昼夜温差大，冻土发育良好。冻融循环是岩石和土壤破碎的主要过程（
图2a,b）。现场调查显示，由冻融侵蚀产生的松散碎屑材料是泥石流形成的主要物质来源。通过量化表土层厚度、坡度和高程等因素，FEI直接描述了冻融作用对岩石和土壤的破坏强度。研究区域内的泥石流流域分布（
图2c）与每个流域的FEI值（
图12f）对比显示，高FEI值区域（如瓦河中游）对应于频繁冻融作用造成的岩石和土壤断裂带，这些区域具有充足的松散碎屑材料储备，与泥石流高发区域高度一致。而低FEI值区域（如贡觉县附近）冻融作用较弱，岩石和土壤结构完整，材料来源稀缺，因此泥石流发生率较低。相比之下，NFEM模型仅依赖于常规因素如坡度和岩性，无法识别由冻融侵蚀造成的高含量松散碎屑材料现象，从而导致模型的误判。
其次，FEI弥补了传统因子对冻融-水文耦合过程的忽视。泥石流的形成需要材料来源、动态作用和水文条件的协同效应。冻融侵蚀不仅提供了材料来源，还通过改变岩石和土壤的渗透性影响水文响应：冻融作用产生的裂缝可以增强地表水的渗透能力，加速松散碎屑材料的饱和速率，从而更容易被水流带动。FEI中包含的坡向和灌木覆盖率等因素间接反映了太阳辐射强度对冻融频率的影响，以及植被在土壤和水保持中的作用，从而量化了材料供应与水文动态之间的耦合关系。这解释了为什么FEM模型在负样本预测方面的性能显著优于NFEM模型。对于坡度陡但FEI值较低的区域（如阴坡植被密集），FEI可以识别出松散碎屑材料不足和植被对泥石流的抑制作用，从而避免误判。
综上所述，FEI的引入不仅仅是增加一个变量，而是通过准确描述研究区域内的主导冻融侵蚀过程，填补了传统因子在特殊地质环境中的适应性不足，使模型更符合区域灾害形成的物理机制，从而实现更好的预测性能。这一结果证实了在高寒山区，冻融侵蚀因子应作为泥石流易发性评估的核心控制因子。
本研究的主要结论包括：
1. 在评估控制因子的预测能力时，其统计重要性存在显著差异。这表明不同控制因子在不同模型中的贡献程度存在较大差异，这可能与不同研究区域的地质条件有关。高程在平均排名中位列第一，且波动最小，表明高程与大多数研究区域的泥石流发生密切相关。
2. 在使用机器学习评估泥石流易发性时，我们提出了一个新的因子选择策略，包括两个步骤。第一步是通过考虑促进泥石流形成的三个条件（材料来源、动态条件和水文条件）来识别关键控制因子。这些因子基于现有机器学习易发性评估模型中的高频和高效使用情况进行选择。第二步是引入关键控制因子到模型中，基于泥石流形成机制。在本研究中，我们将冻融侵蚀强度视为冻融侵蚀诱发泥石流的关键控制因子，因为它决定了这些泥石流的材料来源，并影响灾害的频率、触发条件和规模。这种新的因子选择策略在确保控制因子可获取性的同时，符合研究区域的实际地质条件，从而提高了评估结果的可解释性。
3. 考虑冻融侵蚀的FEM模型的准确率为0.7371，AUC值为0.7407，均高于NFEM模型的0.6914和0.6866。被分类为“高”和“中”易发性的区域比例减少，使得预测结果更贴近实际泥石流分布。因此，我们得出结论，冻融侵蚀在研究区域的泥石流易发性评估中起着关键作用，应当予以考虑。
