黄河上游滑坡易发性评估：耦合统计方法、机器学习算法与SBAS-InSAR技术的创新应用

本研究创新性地结合信息量法（IV）、确定性系数法（CF）与随机森林（RF）、支持向量机（SVM）、极限梯度提升（XGBoost）等机器学习模型，构建六种耦合模型评估黄河上游（共和-循化段）滑坡易发性，并通过SBAS-InSAR技术与光学遥感验证模型精度。CF-XGBoost模型表现最优（AUC=0.916），91%的新发滑坡位于高/极高风险区，为地质灾害防控提供科学依据。

　　

引言

黄河上游（共和至循化段）地处青藏高原东南缘，地形陡峭、植被稀疏且人类活动频繁，滑坡灾害频发。传统统计方法难以捕捉滑坡与影响因子的非线性关系，而单一机器学习模型易受样本时效性限制。本研究提出耦合统计方法（IV/CF）、机器学习（RF/SVM/XGBoost）与SBAS-InSAR技术的综合框架，旨在解决历史样本滞后性问题，提升预测精度。

材料与方法

研究区概况

研究区海拔1657-4121米，年均降雨550-670毫米，NDVI<0.3，生态脆弱性显著。历史滑坡（1998-2012年）多分布于龙羊峡、李家峡、尖扎县及化隆县。

数据与方法

1. 1.

   数据源：Sentinel-1A升降轨数据（2021-2023年）、Landsat-8光学影像、30米分辨率SRTM DEM。

2. 2.

   评价因子：通过Pearson相关系数筛选15项因子（剔除地表粗糙度），涵盖地形（高程、坡度）、地质（地层岩性）、气象（降雨）及人类活动（道路距离）等类别。

3. 3.

   模型构建：

   • •

     统计方法：IV值（公式2）与CF系数（公式3）量化因子贡献度。

   • •

     机器学习：优化超参数的RF（公式4）、SVM（公式5）和XGBoost（公式6）模型。

4. 4.

   验证技术：SBAS-InSAR解算年均形变速率（阈值10毫米/年），结合光学影像识别227处新滑坡。

结果与分析

模型性能

• •

  CF-XGBoost模型AUC达0.916，ACC为0.866，显著优于其他组合（如IV-SVM AUC=0.847）。

• •

  新滑坡空间验证显示，91%位于高/极高风险区，无低风险区误判（表4）。

敏感性分区

• •

  极高风险区集中于尖扎县、化隆县及循化县（图7a），与野外调查的滑坡前缘沉降（图8c）及拉张裂缝（图8e-f）吻合。

• •

  历史样本模型高估风险范围，新样本训练后低风险区占比提升（图8a）。

因子重要性

• •

  主导因素：降雨（权重0.203）、坡向（北向）、地层岩性（中弱岩性）。

• •

  次要因素：高程（2590-2754米）、地形起伏度（71-109米）、NDVI（0.31-0.39）。

讨论

创新性对比

• •

  相比传统AHP方法（Li et al., 2016），CF-XGBoost将高风险区定位精度提升6%-10%。

• •

  与DES框架（Yu et al., 2025）和LR-MLP-Boosting（Zhou et al., 2024）相比，新滑坡预测准确率提高8.97%-10.66%。

局限性

1. 1.

   历史样本（1998-2012年）与InSAR数据（2021-2023年）存在时滞，未考虑期间土地利用变化的影响。

2. 2.

   地震因子缺失可能低估构造活跃区风险。

结论

1. 1.

   CF-XGBoost为黄河上游最优预测模型，91%新滑坡位于高/极高风险区。

2. 2.

   降雨-坡向-岩性互作是主控机制，建议雨季加强尖扎、化隆、循化三县监测。

3. 3.

   SBAS-InSAR动态更新样本可解决历史数据时效性问题，推动地质灾害风险精准防控。

（注：全文数据与结论均源自原文，未添加主观推断）