将空间异质性纳入滑坡易发性评估：一种结合GWRF和SHAP的新方法

《International Journal of Digital Earth》：Incorporating spatial heterogeneity into landslide susceptibility assessment: a GWRF–SHAP new method

　　**摘要**
滑坡易发性评估对于有效缓解风险至关重要；然而，传统的机器学习模型往往难以捕捉空间异质性，并且缺乏可解释性，从而导致泛化能力有限。为了解决这些挑战，本研究提出了一种结合地理加权随机森林（GWRF）和Shapley加性解释（SHAP）的集成方法来进行滑坡易发性评估。该研究聚焦于一个地质条件复杂、空间范围广阔的山区峡谷地带，采用基于流域的分区方法，从全局和次区域两个角度构建了RF和GWRF滑坡易发性模型。随后，运用SHAP来解释模型输出，以提高模型的可解释性和透明度。结果表明，在全局和次区域尺度上，GWRF模型的性能始终优于传统的随机森林模型，AUC值超过0.85。高滑坡易发性和极高风险区域主要分布在河谷两侧，与实际观察到的滑坡分布高度一致。DEM（数字高程模型）、地形湿润指数（TWI）以及距道路的距离是主要影响因素，滑坡易发性与TWI呈正相关，而与其他两个因素呈负相关。总体而言，GWRF–SHAP框架为地质复杂地区的滑坡风险评估提供了一种有前景的方法。

**关键词**：滑坡易发性；空间异质性；GWRF；可解释性

**1. 引言**
滑坡是指由构造、气候、水文或人为因素触发的大规模岩石和土壤沿斜坡下移的现象（Ma等，2025年引用）。作为全球主要的地质灾害之一，滑坡对人类生命和基础设施构成严重威胁。青藏高原作为全球气候变化的“敏感区”和“放大器”，其特点是强烈的构造抬升和复杂地形。在气候和地质过程的共同作用下，该地区容易发生自然灾害。由于区域地质结构、地形条件、水文气象因素以及人类活动的综合影响，青藏高原的灾害生成环境表现出显著的空间变异性，这进一步导致了不同地区滑坡影响因素与灾害发生之间关系的空间差异。西藏东南部是目前高海拔长距离滑坡研究的热点区域，其独特的地质、气候和生物条件增加了地质灾害的复杂性和不确定性（Hoyer等，2024年引用）。作为高速公路、铁路和水电等重大国家基础设施项目的关键区域，该地区曾经历过诸如易贡和白格滑坡等灾难性事件，对这些地区的生计、人类安全和经济资产造成了严重影响。因此，滑坡易发性评估受到了越来越多关注，在复杂的地质条件下进行科学评估对于减轻和预防此类灾害至关重要。

目前用于评估滑坡易发性的方法包括统计模型、基于物理的模型、启发式方法和机器学习算法，这些方法在滑坡研究中取得了不同程度的成功。启发式方法依赖于专家的主观判断为影响因素分配权重，在经验驱动的框架下可以获得相对准确的结果；但它们存在固有的主观性、量化能力有限以及易受人为偏见影响的问题（Basu和Pal，2020年引用）。基于物理的模型以机械原理和边坡稳定性分析为基础，具有较高的预测准确性，但需要详细的局部水文和土壤力学参数测量以及大量的计算资源，这限制了它们在数据稀少或空间尺度较大的地区的应用（Akgun，2012年引用）。常用的统计模型如频率比（FR）和证据权重（WOE）因其易于实现和解释而受到青睐；然而，它们对线性假设和正态性约束的依赖限制了它们模拟复杂非线性关系的能力，从而影响了预测性能和鲁棒性（Aditian、Kubota和Shinohara，2018年引用）。相比之下，机器学习技术如随机森林（RF）和支持向量机（SVM）通过有效提取滑坡发生与多源异质因素之间的复杂非线性关系，表现出更强的鲁棒性和泛化能力（Zhao等，2024年；Zhou等，2025年引用）。

随着人工智能和地理信息技术的快速发展，大规模地理空间数据集变得越来越容易获取，由于其强大的建模能力，机器学习模型已被广泛应用于滑坡易发性建模（Grelle等，2025年；Li、Zhou和Ma，2025年）。先前的研究表明，随着模型复杂性的增加，对训练样本量和数据平衡的依赖性显著增强（Luo等，2025年）。基于树的集成模型因其在滑坡易发性评估中的鲁棒性、强泛化能力以及对样本大小的不敏感性而受到广泛关注。例如，Pyakurel、Dahal和Gautam（2023年引用）证明了基于树的模型在预测地震引发的滑坡方面表现优异。Nocentini等（2024年）引入了一种动态随机森林模型用于滑坡评估，展示了其在模拟滑坡触发物理机制方面的能力。Pourghasemi和Rahmati（2018年）评估了包括RF、SVM和 ANN在内的十种机器学习技术，发现RF在滑坡易发性建模中的表现优于其他技术。这种基于树的集成算法可以在预测变量和结果之间建立更灵活的关系（Georganos和Kalogirou，2022年），并且在模型训练前只需少量调整（Lu等，2025年），从而实现了更高的鲁棒性和准确性。然而，滑坡影响因素具有明显的区域依赖性，且它们与滑坡事件的关联在空间上往往存在差异（Sun等，2023年；Chen等，2025年）。主流的机器学习模型如RF基于全局假设，即训练样本是独立且均匀分布的，隐含地假设滑坡影响因素的效果在空间上是恒定的。这种全局建模策略无法解释空间非平稳性和因素贡献的局部变异性，从而限制了它们在异质地形中的解释能力（Chalkias等，2020年）。

为了解决这一问题，空间统计模型如地理加权回归（GWR）得到了广泛应用。GWR模型将地理位置纳入回归方程，使模型参数能够随空间位置变化，从而捕捉滑坡影响因素与滑坡发生之间的关系空间异质性，并有效反映局部尺度上回归系数的空间变化（Zhao等，2024年；Zhang等，2025年）。然而，GWR方法在滑坡易发性评估领域仍存在一些局限性。具体来说，该模型假设滑坡发展与影响因素之间存在线性关系，而这与现实世界滑坡过程的复杂性往往不符（Du等，2020年）。此外，GWR依赖相对简单的空间核函数来生成权重矩阵，难以充分捕捉复杂非线性关系，从而限制了其预测性能（Zhao等，2024年）。值得注意的是，虽然空间统计模型如GWR能够揭示变量之间的空间异质关系，但仍不足以处理复杂非线性关系；而机器学习模型虽然能有效捕捉非线性关系，但往往忽略地理空间变量的空间异质性和空间非平稳性。

鉴于此，局部回归范式逐渐被整合到机器学习中，出现了在当代研究中受到越来越多关注的地理加权机器学习方法（Guo等，2024年；Zhao等，2024年）。这一范式为克服传统全局模型的局限性提供了理论基础。本研究介绍了地理加权随机森林（GWRF）模型（Georganos等，2021年），该模型通过使用空间核权重在研究区域的每个点拟合独立的局部RF，将全局模型分解为多个特定位置的子模型（Dai等，2023年）。与传统模型不同，GWRF明确地将地理坐标和基于距离的权重纳入建模过程，不仅能量化每个影响因素的总体重要性，还能量化其效应的空间变化（Gu等，2022年）。因此，本研究采用基于GWRF的局部拟合策略，明确考虑了滑坡易发性分析中的区域空间异质性。然而，即使像GWRF这样明确考虑空间异质性的模型，虽然能够有效识别高滑坡易发区的位置，但仍无法解释预测背后的原因以及各种条件因素之间的相互作用，从而限制了对滑坡触发机制的深入理解（Ma等，2025年）。最近，事后解释方法的发展为解释滑坡易发性预测提供了新的途径。这些方法通过假设驱动的探究和逆向推理来近似训练模型的内部决策过程，并已成功应用于医学诊断和环境研究等领域（ElShawi等，2021年；Yan等，2025年）。本研究通过构建局部解释机制来衡量每个输入特征对模型预测的贡献，并识别滑坡影响因素之间的交互模式，从而克服了传统数据驱动模型的局限性（这些模型“拟合良好但解释能力差”）。这种方法不仅克服了这种局限性，更重要的是，提供了对滑坡过程内部关联的透明见解，为制定有针对性的灾害风险管理政策提供了科学依据。总之，滑坡易发性预测模型的发展不仅应考虑滑坡过程的空间异质性，还应提高机器学习模型的透明度，以确保结果的科学可解释性。因此，在本研究中，从全局和次区域两个角度使用基于流域的分区方法构建了RF和GWRF滑坡易发性模型。随后，运用SHAP解释模型输出，以提高模型的可解释性和透明度。具体目标如下：（1）引入用于滑坡易发性评估的GWRF模型，该模型考虑了滑坡与影响因素之间的非线性关系，同时通过局部建模捕捉空间异质性，从而克服了传统全局模型的局限性；（2）将SHAP模型应用于训练有素的GWRF模型，以测量每个因素在全局尺度上的总体贡献，并进一步揭示不同次区域内因素重要性和影响方向的空间变化；（3）构建一个可解释的空间预测框架，以揭示滑坡条件因素之间的非线性关系，为增强区域灾害预防策略提供方法论支持和新见解。

**2. 研究区域和材料**
2.1. 研究区域
研究区域位于西藏东南部，地貌复杂，山体陡峭，山谷深切，构造活动频繁，垂直高差显著。为了揭示地质灾害的空间变异性，并参考相关研究（Huang等，2023年；Zhao等，2023年），本研究利用青藏高原的流域划分数据结合区域水文地质特征，将研究区域划分为四个子流域：金沙江流域、澜沧江流域、怒江流域和雅鲁藏布江流域（图1）。其中，金沙江流域主要由花岗岩、正长岩和闪长岩组成，受金沙江断裂的控制。该流域属于高原季风气候区，具有强烈的外生地质作用。澜沧江流域以砂岩和千枚岩为主，受澜沧江断裂的影响。流域内分布着广阔的干热河谷和干旱地带，表现出显著的气候分化和强烈的外生侵蚀作用。怒江流域与澜沧江流域具有相似的地质背景，以砂岩和千枚岩为主，受怒江断裂和 bianba–luolong 构造带的控制，具有明显的干热河谷景观和强烈的垂直气候分带，以及活跃的外生地质作用。雅鲁藏布江流域主要由板岩和砂岩组成，受雅鲁藏布江断裂和贾里断裂的影响。总体而言，西藏东南部的地质灾害发生和发展是由内部地质条件（如构造活动和岩性组合）和外部环境因素（包括气候、冰川水文和人类工程活动）的共同作用驱动的。这些灾害的触发机制、演化过程及其影响的空间范围与典型内陆山区的观察结果有显著差异（Wang Citation2025）。总体而言，由于其脆弱的地质环境和剧烈的地形起伏，该地区频繁发生滑坡和泥石流，被认为是中国乃至世界上最易受灾害影响和地质最复杂的山区之一。图1. 研究区域概览。全尺寸显示。

2.2 滑坡清单
滑坡清单是评估易感性的基础（Lv et al. Citation2022），其质量直接影响滑坡风险评估的科学可靠性和灾害管理策略的有效性。在本研究中，通过历史记录和实地调查收集了2522个滑坡样本，并使用多源数据进行了验证。其中，352个样本位于金沙江流域，480个位于澜沧江流域，892个位于怒江流域，798个位于雅鲁藏布江流域（图1）。为了确保类别平衡，从滑坡点周围1公里缓冲区外的地点随机选择了与滑坡样本数量相同的非滑坡样本，并整合成一个正负数据集。为了预测滑坡的易感性，滑坡样本被标记为“1”，而非滑坡样本被标记为“0”。

2.3 滑坡影响因素
由于滑坡的触发和发展机制在不同地质环境中存在显著差异，因此很难建立一个普遍适用的选择条件因素的标准（Hong, Pourghasemi, and Pourtaghi Citation2016）。相反，因素选择应适应当地的滑坡发展模式和数据可用性。考虑到研究区域的地貌和构造特征以及数据的可获取性，本研究最初选择了14个滑坡条件因素，涵盖五个维度：地形、地质、水文、地理环境和人类活动（图2），详细的资料来源和预处理方法见表1。图2. 滑坡条件因素：(a) 数字高程模型（DEM）；(b) 坡度；(c) 横断面曲率；(d) 剖面曲率；(e) 地形起伏指数；(f) 热指数（TWI）；(g) 到断层的距离；(h) 地震加速度（PGA）；(i) 降水量；(j) 到河流的距离；(k) 到道路的距离；(l) 叶面积指数（NDVI）；(m) 岩性；(n) 方向。全尺寸显示。表1. 研究数据来源。下载CSV。显示表格。

3. 方法
本研究首先收集了滑坡清单数据和相关条件因素。通过整合流域划分和多重共线性分析，选择了适合不同子区域的关键影响因素。随后，使用广义加权随机 forests（GWRF）和随机森林（RF）构建了滑坡易感性模型，并对比了它们的预测性能，以评估地理加权建模策略的有效性。最后，使用SHAP解释了GWRF模型，以从机制角度提高建模过程的可解释性。图3展示了整个研究工作流程。图3. 本研究框架。全尺寸显示。

3.1 选择滑坡条件因素
冗余信息可能引入噪声并降低模型预测性能，因此选择影响因素尤为重要。为了解决这个问题，分别进行了多重共线性诊断和相关性分析，以消除高度相关的变量并构建更加稳健和具有区分度的特征集。首先，计算了Spearman相关系数（SCC）来评估条件变量之间的 pairwise 关系（Zheng et al. Citation2025）。然而，目前没有统一的标准来定义强相关的程度。本研究遵循先前的研究（Zhang et al. Citation2024），采用 |SCC| ≥ 0.8 来表示两个因素之间存在强相关。然后，使用方差膨胀因子（VIF）进行了多重共线性分析，其中VIF值超过10表示存在严重的多重共线性，这意味着应考虑移除或合并该变量（Wei et al. Citation2024）。此外，还使用IGR（信息增益比率）来量化每个因素的贡献（Dash and Liu Citation1997）。较低的IGR值表示该因素对滑坡发生的贡献不大，因此可以排除贡献较小的因素。

3.2 滑坡易感性建模
3.2.1 随机森林（RF）
作为集成学习方法，RF 通过随机抽样构建多个独立的决策树，并将它们聚合起来进行分类或预测（Breiman Citation2001）。该方法能够有效捕捉复杂的非线性关系，并通过在样本和特征层面引入随机性来降低过拟合的概率。此外，RF 具有很强的抗噪声能力和泛化能力，实现了高预测精度和稳健的性能（Stumpf and Kerle Citation2011）。RF 算法的运作机制如图4(a)所示。（Wu et al. Citation2024）。

3.2.2 广义加权随机森林（GWRF）
GWRF 模型是传统 RF 在地理空间分析中的一个重要扩展。它结合了地理加权回归（GWR）的局部建模和空间加权原理以及 RF 的非线性学习和集成决策能力（Georganos et al. Citation2021）。通过引入空间权重矩阵，GWRF 为每个观测点构建了特定位置的 RF 模型，使模型能够更好地捕捉空间异质性（Dai et al. Citation2023）。此外，GWRF 模型建立在分类和回归树（CART）集成框架之上，不受数据必须遵循高斯分布的限制，从而增强了其对高维、多源和非均匀数据集的适应性。GWRF 模型的运作机制如图4(b)所示。GWRF 模型通常可以表示为：(1) Yi(μi,vi)=f(xi,(μi,vi))+εi (1)，其中 (xi,(μi,vi)) 表示从局部校准的随机森林在位置 i 处得到的预测结果，(μi,vi) 表示该位置的空间单元的坐标。在 GWRF 模型中，为每个观测点在其邻域（或核窗口）内构建了一个局部 RF 子模型。带宽是观测点与其邻域内最远样本之间的最大空间距离。根据带宽的定义，通常使用两种邻域结构：固定带宽，保持恒定的空间影响范围；自适应带宽，动态调整带宽以确保每个邻域内的样本数量一致。本研究采用了自适应带宽 GWRF 来考虑滑坡样本的不均匀空间分布，从而更好地表示空间异质性，并提高模型在不同采样密度区域下的灵活性。然而，带宽选择对模型预测性能有显著影响。带宽直接决定了空间平滑的程度和局部样本的大小，进而影响模型的局部拟合能力和最终的预测性能。因此，选择最佳带宽是确保 GWRF 模型可靠性能的关键前提。最佳带宽是通过网格搜索结合交叉验证确定的。根据样本大小，选择了宽广的带宽范围（步长=5），并比较了不同带宽下 GWRF 模型的 AUC。使用 GWRF 模型的 AUC 作为标准，根据 GWRF 模型的交叉验证结果选择了模型性能最佳的带宽。

3.2.3 准确性验证
在模型性能评估方面，空间数据通常表现出空间自相关性，随机分割训练和测试数据集可能导致模型性能过高估计。为了解决这个问题，采用了五折空间交叉验证策略来更稳健地评估模型的预测能力（Kumar et al. Citation2025）。具体来说，我们对样本的空间坐标应用了 k-均值聚类，将数据集分成几个空间独立的子集，从而确保训练数据和测试数据之间的空间独立性。在交叉验证过程中，训练数据集由 k-1 个空间子集组成，而剩余的子集作为独立的测试集用于模型验证。这个过程重复了五次，以便每个子集都作为一次测试数据使用。最后，通过平均所有折叠的结果获得了模型性能指标，从而更客观地评估模型的稳健性。
由于滑坡易感性预测属于二元分类任务，其性能通常通过混淆矩阵和接收者操作特征（ROC）曲线来评估。在本研究中，采用了0.5的预测概率阈值来分类滑坡（Sun et al. Citation2020a）。具体而言，当样本的预测概率超过0.5时被分类为滑坡，否则被分类为非滑坡。从混淆矩阵得出的评估指标包括精确度、准确率、召回率、F1分数和ROC曲线及其下面积（AUC）。相应的计算公式如下：
(2) AUC=∑TP+∑TNP+N (2)
(3) 准确率=TP+TN (TP+FP+TN+FN) (3)
(4) 精确度=TP/(TP+FP) (4)
(5) 召回率=TP/(TP+FN) (5)
(6) F1 分数=2TP/(TP+FN+FP) (6)
其中 TP 和 TN 分别代表正确分类的滑坡和非滑坡样本；FP 和 FN 分别代表误分类的样本；P 和 N 分别代表总的正样本和负样本。

3.3 Shapley 加性解释（SHAP）
尽管机器学习模型在预测精度方面通常优于传统的线性模型，但它们的决策过程往往不透明，被称为“黑盒”。为了解决这个问题，本研究采用了 SHAP 算法（Lundberg and Lee Citation2017）。通过为每个特征分配一个 Shapley 值，该方法定量评估了特征对预测结果的贡献程度和方向，从而揭示了模型输出背后的逻辑（Pradhan et al. Citation2023; Zheng et al. Citation2025）。SHAP 支持全局解释，揭示了整个数据集中条件因素的总体贡献和重要性排名，以及局部解释，分析特定空间位置上个体样本的特征级贡献。SHAP 的通用公式如下：
(7) ?i=∑T?N\{i}|T|!(n?|T|?1)!n![δ(T∪{i})?δ(T)] (7)
其中 ?i 表示因素 i 的贡献，T 表示包含因素 i 的子集 N。δ(T) 是基础值，定义为在不确定特征值下集合 N 中所有因素的预测输出，N 和 n 分别表示条件因素集和其中因素 i 的数量。
(8) g(x′)=?0+∑Mj=1?j (8)
其中 g(x′) 表示预测值，?0 表示所有样本的平均预测，?j 是每个因素的 Shapley 值。

4. 结果
4.1 影响因素优化结果
滑坡条件因素的多重共线性诊断和 Spearman 相关性分析结果如图5所示。在全球研究中，坡度和 TRI 之间的相关系数以及 DEM 和 NDVI 之间的相关系数略高于0.8，表明存在显著相关性。研究区域是一个高山区峡谷，地形起伏剧烈，坡度的增加导致海拔变化更为陡峭。此外，由于 TRI 和坡度都来源于数字高程模型，因此坡度和 TRI 的表征信息高度重叠，进一步加剧了相关性（Pu et al. Citation2025）。同样，DEM 和 NDVI 也表现出显著的相关性。高山峡谷地区的地形起伏剧烈，水热条件存在显著的垂直变化。海拔梯度不仅反映了地形复杂性，还通过改变温度、降水和辐射的垂直分布放大了气候变化的影响。在金沙江流域和怒江流域，坡度和 TRI 的相关性非常显著，尤其是在怒江流域，坡度和 TRI 之间的相关系数达到0.87，表明存在相当大的冗余。此外，雅鲁藏布江流域的 DEM 和 NDVI 也表现出显著的负相关性，相关系数为0.84。相比之下，在澜沧江流域，所有成对相关系数均低于0.8，表明因素之间的相关性较弱。如信息增益比率所示，坡度的 IGR 高于 TRI 的 IGR，DEM 的 IGR 高于 NDVI 的 IGR，表明 TRI 和 NDVI 的信息贡献较低，冗余度较高。因此，根据相关性较高和 IGR 较低的原理，TRI 和 NDVI 被排除在进一步分析之外，剩余的12个因素被用于全球研究。此外，如图6所示，所有选定因素的 VIF 值都低于10，表明不存在显著的多重共线性。为了确保可比性，在全球研究中确定了最终的影响因素，去除了 TRI 和 NDVI，并保留了12个最佳因素用于研究区域的全球和子流域模型。图5。斯皮尔曼相关系数结果和信息增益比率结果。(a–e) 斯皮尔曼相关系数分别针对(a)金沙江流域、(b)澜沧江流域、(c)怒江流域、(d)雅鲁藏布江流域和全球范围；以及(f)信息增益比率。显示全尺寸 图6. 基于方差膨胀因子(VIF)的值。显示全尺寸

4.2. 地滑易发性评估
4.2.1. 全球范围内滑坡易发性
训练好的模型被应用于预测研究区域内每个网格单元的滑坡易发性。RF和GWRF模型预测的易发性值范围为0到1，并通过自然断点法分为五个等级。图7展示了RF和GWRF模型生成的地滑易发性地图。从视觉上看，两种模型生成的地滑易发性空间分布模式非常相似。预测出的极高易发区主要集中在主要河流流域沿岸，如金沙江、怒江、澜沧江和雅鲁藏布江。这种模式可以归因于陡峭的坡度、深切河谷中的典型不稳定地质特征以及对河流侵蚀的影响，这些因素增加了滑坡发生的可能性。与历史滑坡记录相比，预测出的易发性模式大体上是一致的，被归类为极低易发区的地区发生的滑坡非常少。这进一步证明了模型的有效性及其预测的准确性。两个模型都认为研究区域的大部分地区具有较低的易发性，超过70%的区域被归类为极低或低易发区。尽管总体趋势是一致的，但在某些区域（图7d）可以观察到RF和GWRF模型之间存在微小的空间差异。具体来说，GWRF模型中极高易发区的比例比RF模型高1.28%，高易发区的比例高1.08%。相比之下，GWRF模型中低易发区的比例比RF模型低3.96%。
图7. (a)、(b) 全球范围内由RF和GWRF生成的地滑易发性地图。(c) 实际滑坡密度图；(d) A、B、C和D区域的放大视图。显示全尺寸

4.2.2. 子区域滑坡易发性
每个子区域的滑坡易发性由八个训练好的子区域模型进行预测。同样，子区域预测结果也根据自然断点法分为五个等级。图8展示了各子流域由RF和GWRF模型生成的地滑易发性地图。从视觉上看，同一子流域内不同模型生成的易发性模式高度一致。与滑坡密度图相比，高易发区和极高易发区的空间分布与实际观测到的滑坡分布高度吻合，表明这两种模型具有出色的预测性能和可靠的空间表示能力。与全球预测结果相比，子区域模型显示大多数滑坡发生在高易发区至极高易发区，尤其是在雅鲁藏布江和澜沧江等主要河流系统沿线。统计分析显示，极低易发区和低易发区约占所有子区域总面积的70%，而高易发区和极高易发区约占10%。这表明虽然研究区域大部分地区的滑坡易发性较低，但在主要水文走廊沿线高易发区的滑坡分布具有明显的空间聚集特征。
图8. (a)、(b) 各子流域由RF和GWRF生成的地滑易发性地图。(c) 实际滑坡密度图；(d) A、B、C和D区域的放大视图。显示全尺寸

4.3. 模型准确性评估
在本研究中，采用了多种性能指标（如ROC曲线、AUC值和召回率）来评估模型的预测能力（表2和图9）。结果表明，所有模型的AUC值均超过0.85，表明RF和GWRF都具有很强的预测可靠性。与全球模型相比，金沙江流域、澜沧江流域和雅鲁藏布江流域的模型表现更好，而怒江流域的模型表现相当。这一发现表明，子区域建模能够更有效地捕捉大部分地区的局部地形和环境特征，从而提高模型准确性。此外，RF和GWRF在四个子区域的平均AUC值分别为0.897和0.903，而全球区域的相应值仅为0.883和0.892。显然，子区域建模得到的AUC值更高。这表明子区域训练可以在一定程度上提高模型性能，进一步验证了实施子区域训练对于机器学习预测模型的必要性。值得注意的是，GWRF模型 consistently 达到了略高于RF的AUC值，显示出其在捕捉空间异质性和局部地貌特征方面的更强能力，从而在复杂地形条件下实现更准确的易发性预测。
表2. 不同模型在全局和子区域的性能表现。下载CSV 显示表格
图9. 地滑易发性评估模型的ROC曲线：(a) 全球范围；(b) 金沙江流域；(c) 澜沧江流域；(d) 怒江流域；(e) 雅鲁藏布江流域。显示全尺寸

4.4. 基于全局建模的地滑易发性解释
SHAP的一个重要优势在于它能够衡量“黑箱”模型中各个特征的贡献，并揭示这些特征如何影响预测结果。鉴于GWRF模型的有效性和稳健性，采用SHAP从全局和局部角度解释模型的预测结果，并系统地评估不同条件因素在地滑易发性建模中的贡献和非线性响应模式。首先，从全局角度来看，量化了每个特征对模型预测的贡献。图10(a)显示了影响因子的平均绝对SHAP值，反映了它们的重要性排名。DEM是对模型预测贡献最大的因素，平均绝对SHAP值为0.145，远高于其他变量，突显了其主导作用。距道路的距离、TWI和距河流的距离也对预测结果产生了显著影响，相应的平均绝对SHAP值分别为0.076、0.071和0.047。这些因素主要与水文过程和人类工程活动有关，表明滑坡发生的复杂性。相比之下，平面曲率和剖面曲率的贡献最小，仅为0.005，表明其在研究区域内的解释能力有限。
图10. 地滑特征对模型预测的影响。(a) 特征重要性图；(b) SHAP值汇总图；(c)–(e) 前三个因素的SHAP依赖图。显示全尺寸
图10(b) 展示了每个特征与SHAP值之间的相关性。DEM、距道路的距离和TWI是对模型预测影响最大的三个变量。具体来说，DEM在高海拔地区与滑坡发生呈负相关，而在中低海拔地区呈正相关，表明中低海拔显著促进了滑坡易发性。这一发现得到了滑坡目录的支持，数据显示大约72.21%的滑坡发生在4000米以下，56.69%发生在3000至4000米之间，仅有4.06%发生在5000米以上。距道路的距离与SHAP值呈负相关，表明靠近道路的区域滑坡概率较高，这从视觉上证实了人类工程活动是引发滑坡的关键干扰因素。TWI通常与滑坡发生呈正相关。此外，靠近河流和断层的区域随着距离的减小也显示出更高的滑坡风险，反映了河流侵蚀和断层结构对滑坡发生的控制作用。

为了从局部角度探讨关键因素对预测模型结果的影响，为关键变量生成了SHAP依赖图（图10c–e）。DEM与滑坡易发性之间存在明显的非线性关系。当海拔超过4000米时，SHAP值变为负值，表明滑坡发生的概率降低，这可能是由于高海拔地区存在耐风化的岩石峭壁。相比之下，低于这个阈值的海拔区SHAP值为正值，表明低海拔和中等海拔区域显著促进了滑坡的发展。对于距道路的距离，靠近道路的区域观察到SHAP值为正值，表明道路建设和坡度扰动显著增加了滑坡概率；这种效应随着距离的增加而迅速减弱，接近零。对于TWI，GWRF模型显示出明显的正相关趋势。当TWI低于12时，它对滑坡发生具有抑制作用。随着TWI增加，土壤饱和度增加，抑制作用逐渐减弱并转变为促进作用。

除了全局解释外，还随机选取了一个滑坡样本来进行局部解释。瀑布图阐明了模型对单个样本的决策逻辑（图11）。该像素的预测滑坡发生概率为0.956。在所有变量中，TWI和DEM对预测的贡献最大，SHAP值分别为0.13和0.12，表明它们对滑坡发生的积极影响。值得注意的是，距道路的距离对滑坡有负面影响，表明样本相对远离道路，人类工程活动的干扰作用较弱，从而在一定程度上降低了风险。
图11. 单个样本特征对全球范围内滑坡预测的影响。显示全尺寸

4.5. 基于子区域建模的地滑易发性解释
为了研究滑坡易发性驱动因素的区域差异，采用SHAP方法解释了每个子区域的GWRF模型输出。图12显示了特征重要性排名及其对模型输出的贡献。四个子区域中影响因素的排名有所不同；然而，DEM和距道路的距离始终位列前三，表明地形条件和人为干扰在研究区域内的滑坡发生中起主导作用。此外，TWI也对模型预测有显著影响，在澜沧江流域排名第二，在金沙江流域和怒江流域排名第三，在雅鲁藏布江流域排名第四。SHAP汇总图进一步显示，因素影响的方向在所有子区域中是一致的。DEM与滑坡发生呈负相关，意味着在高海拔地区滑坡发生的概率较低。同样，距道路的距离与滑坡概率呈负相关，表明靠近道路的区域滑坡易发性较高。相比之下，TWI与滑坡发生呈正相关，表明较高的湿度条件增强了滑坡的可能性。总体而言，子区域GWRF模型一致认为DEM是主要控制因素，而距道路的距离和TWI在大多数流域中也具有重要性。这些结果强调，西藏东南部的滑坡发展受自然环境条件和人类活动的共同影响。
图12. 各子流域影响滑坡因素的SHAP值：(a)–(d) 特征重要性图；(e)–(h) SHAP值汇总图。显示全尺寸
为了更好地捕捉条件因素与滑坡预测之间的复杂关系，采用SHAP依赖图解释关键变量对模型输出的影响。对于每个子区域，选择了三个最显著的因素进行分析（图13）：金沙江流域的DEM、距道路的距离和TWI；澜沧江流域的DEM、TWI和距道路的距离；怒江流域的DEM、距道路的距离和TWI；雅鲁藏布江流域的DEM、距河流的距离和距道路的距离。值得注意的是，DEM在所有子区域中始终是主要的影响因素。与全球GWRF模型相比，子区域模型表现出相似的整体趋势。DEM与滑坡概率呈非线性负相关，TWI通常呈正相关，而靠近道路的距离与更高的风险相对应。然而，关于DEM，不同区域存在明显的阈值差异。在金沙江流域、澜沧江流域和雅鲁藏布江流域，SHAP值在4000米以上从正向转为负向，表明在高海拔地区滑坡发生的概率降低。相比之下，怒江流域显示了一个独特的模式，即在4000米以上的海拔仍促进滑坡发生。有趣的是，当海拔超过4500米时，其对怒江流域的贡献变为负值，这表明超过这一阈值后滑坡发生的概率会下降。这一发现得到了滑坡数据库的强烈支持：在怒江流域，超过50%的滑坡发生在4000米以上，其中42.38%集中在4000至4500米之间，而4500米以上的高海拔地区发生的滑坡事件不到10%。图13展示了三个最重要因素的SHAP依赖性图表：(a)–(c)金沙江流域；(d)–(f)澜沧江流域；(g)–(i)怒江流域；以及(j)–(l)雅鲁藏布江流域。为了进一步研究模型在不同地理环境中对单个样本的决策逻辑，我们从四个子流域中随机选取了一个样本，使用SHAP瀑布图进行局部解释性分析（图14）。具体来说，分析了金沙江流域的样本#4、澜沧江流域的样本#6、怒江流域的样本#5以及雅鲁藏布江流域的样本#5，以明确每个控制因素如何影响特定样本的预测。在这四个样本中，TWI和DEM对模型预测的贡献显著，每个样本的贡献值都位居前三，并且一致地促进了滑坡的发生。尽管DEM和TWI都对滑坡的发生有贡献，但其他因素（如距道路的距离和降水量）的影响方向和强度在空间上存在显著差异。这表明样本数据的差异导致了模型内部决策机制的差异。图14显示了单个样本特征对滑坡预测的影响。

5. 讨论
5.1. GWRF模型的带宽敏感性
为了评估模型性能对带宽选择的敏感性，我们进一步分析了在不同带宽范围内的AUC变化。在本研究中，GWRF模型采用了自适应核函数。根据每个流域的样本数量，最初定义了一个广泛的带宽搜索范围：金沙江流域为[50, 230]，澜沧江流域为[50, 300]，怒江流域为[50, 400]，雅鲁藏布江流域为[50, 600]，全局模型为[50, 800]，搜索步长为5。图15说明了AUC对带宽变化的敏感性。在较窄的带宽下，模型性能相对较低，表明有限的局部样本数量容易引入噪声，无法捕捉到构建稳定树的充分模式。随着带宽的增加，纳入更多邻近样本通常可以提高预测准确性。然而，不同区域的带宽敏感性存在显著差异，反映了不同的内在空间异质性。具体而言，金沙江流域、澜沧江流域和怒江流域在测试的带宽范围内表现出不同程度的波动。其中，澜沧江流域的AUC对带宽变化特别敏感，其敏感性曲线波动明显。相比之下，雅鲁藏布江流域和全局模型的AUC值在带宽超过某个阈值后趋于稳定。这表明当局部样本数量达到一个临界水平时，模型对邻域大小的微小变化不那么敏感，显示出很强的鲁棒性。最终，选择了对应于AUC峰值的最优参数：金沙江流域为195，澜沧江流域为240，怒江流域为370，雅鲁藏布江流域为500，全局模型为655。

5.2. 所提出模型的优势
本研究关注的是青藏东南部地区，该地区的地质环境极为复杂。在构造活动、气候和地形的强烈耦合下，易发生滑坡的环境表现出明显的空间异质性，导致条件因素与滑坡发生之间的关系存在显著的地理变化。此外，滑坡过程本身就很复杂，通常受自然条件和人类活动的共同影响，这严重限制了滑坡易发性地图的泛化能力。为了解决这些问题，我们开发了一个可解释的空间机器学习框架GWRF–SHAP。GWRF–SHAP框架在本研究中展示了双重优势：（1）GWRF通过显式建模空间异质性有效地解决了传统全局模型的限制；（2）SHAP通过揭示模型预测背后的机制增强了可解释性，从而不仅能够识别高风险区域，还能回答某些地区为何更易发生滑坡的关键问题。

GWRF模型的核心在于带宽参数的优化，该参数定义了局部建模的空间尺度，并直接影响局部拟合性能（Qin等人，2025年引用）。较小的带宽增强了局部空间依赖性，使模型更关注邻近样本信息，从而更有效地捕捉空间异质性。相反，较大的带宽纳入了更广泛空间范围内的样本，平滑了空间效应，降低了对局部变化的敏感性，从而提高了模型的整体鲁棒性。这种对空间尺度的自适应调节，结合了SHAP的可解释性，使GWRF–SHAP框架能够有效整合局部空间变异性、全局非线性关系和模型可解释性。本研究为理解复杂的地理过程提供了一个新的框架，为滑坡灾害预防和区域风险治理提供了决策支持。这种可解释的空间机器学习框架有助于我们理解影响因素如何影响灾害的发展。这种方法可以有效地应用于其他具有类似复杂地形和地貌特征的高山峡谷地区。然而，为了保持预测性能，需要对输入特征进行区域调整并重新校准带宽参数。尽管本研究选择了涵盖地形、地貌、水文和人为活动的12个影响因素，但这些因素可能无法完全满足所有区域的滑坡易发性预测要求。对于受特定条件显著影响的地区，可能需要纳入额外的滑坡条件因素以提高预测适应性和准确性。

5.3. 控制滑坡发生的关键因素
在复杂的地质环境中，滑坡的形成和启动受到多种因素的控制（Yin等人，2021年引用）。了解这些因素如何诱发滑坡对易发性评估至关重要。基于GWRF模型的SHAP解释，DEM、TWI和距道路的距离在全球和子区域中均一致地成为主要控制因素。值得注意的是，海拔的重要性显著超过了其他变量，这突显了地质条件在青藏东南部高山峡谷地区滑坡发育中的主要作用。这一发现与四川-西藏地区的先前研究结果一致，这些研究同样指出海拔是与滑坡发生负相关的关键因素（Lv等人，2024年引用）。这种主导性可以归因于海拔控制的垂直分区，它决定了多种环境变量。更重要的是，海拔反映了相对于局部侵蚀基准面的位置，从而影响局部地形和坡度梯度，最终调节滑坡易发性（Zhao等人，2023年引用）。此外，温度在山脉的不同海拔处有垂直分区，导致气候分区，影响植被覆盖、土壤发育和水热条件（Cui等人，2022年引用）。值得注意的是，海拔与滑坡之间的关系并非简单的线性关系；相反，它表现出明显非线性的特征。当海拔超过4000米时，SHAP值为负，表明滑坡的可能性较低。这可能是由于地质稳定性、常年积雪和最小土壤渗透作用减少了滑坡的可能性（Lv等人，2024年引用）。滑坡数据库进一步支持了这一解释，显示只有4.06%的记录滑坡发生在5000米以上。海拔还间接反映了人类活动对滑坡发生的影响。具体来说，低海拔地区受到许多人类工程活动的干扰，导致滑坡（Devkota等人，2013年引用；Aditian、Kubota和Shinohara，2018年引用）。靠近道路地区的滑坡概率显著增加，表明由海拔驱动的人类活动，特别是道路建设，对这些地区的滑坡发生有显著影响。鉴于青藏东南部陡峭崎岖的峡谷地形，人类活动和基础设施主要局限于较低海拔的河谷底部。因此，诸如坡地挖掘和道路建设等活动破坏了现有地形，改变了地表的自然形态，加速了土壤侵蚀，破坏了岩石和土壤体的稳定性，使这些区域更容易发生滑坡（Chalkias等人，2020年引用）。最近的研究证实，人类干预正在日益恶化环境并加剧地质灾害（Schl?gl等人，2019年引用；Zhou等人，2021年引用）。此外，水文因素TWI显著影响滑坡发生。TWI与滑坡易发性呈正相关，表明水分积累的增加促进了土壤饱和，降低了剪切强度，削弱了坡度稳定性，从而增加了滑坡发生的可能性（Sun等人，2020b年引用）。总体而言，全局和子流域分析均表明DEM、TWI和距道路的距离与滑坡发生密切相关。本研究的预测为区域滑坡预防和管理提供了宝贵见解。根据易感性水平，将易感性非常高和高的区域划分为优先预防区，将易感性中等的区域划分为次级预防区，将易感性低到非常低的区域划分为一般预防区，并据此提出了不同的缓解策略。优先预防区主要分布在深切河谷的两侧，这一模式与四川-西藏交通走廊沿线的先前发现一致（Huang等人，2023年引用）。由于靠近河流系统，有必要减少人类工程活动，并实施全面措施来稳定和保护河岸的高敏感区域，包括加固、坡地保护和监测与预警。次级预防区通常位于优先区域周围，并沿着河流网络向外延伸。在这些易感性中等的区域，增加植被覆盖可以增强土壤和水资源保护能力，提高整体坡度稳定性。对于一般预防区，虽然迄今为止尚未报告滑坡，但仍需加强地质调查和评估，以精确识别潜在的危险点。利用现代技术进行实时监测并建立异常检测的应急响应机制至关重要（Nie等人，2025年引用）。通过这种基于易感性分类的管理分区方法，预防措施可以更有针对性，确保滑坡预防工作能够有效降低灾害风险，并促进灾害风险管理的科学性和精确性。

5.4. 局限性和未来工作
尽管GWRF–SHAP方法表现出强大的预测准确性和可解释性，但仍存在一些局限性和不确定性。首先，虽然GWRF有效捕捉了空间异质性，但其性能对参数设置（如核函数和带宽大小）很敏感。不同的配置可能会影响模型的稳定性和结果的空间可解释性（Lu等人，2025年引用）。此外，SHAP是一种事后的可解释性方法，它揭示的因素贡献更多地反映了统计关联而非严格的物理因果关系。因此，在实际应用中，基于SHAP的解释应结合遥感解释、地质野外调查和岩土工程分析，以避免过分依赖数据驱动的相关性。尽管RF和GWRF在滑坡易发性制图方面表现良好，但我们认识到基于树的集成模型通常是稳健的分类器。未来的工作应扩展比较分析，包括更广泛的先进算法，如Light Gradient Boosting Machine（LightGBM）和深度神经网络（DNN），以系统评估模型在复杂高山峡谷环境中的性能，并进一步明确GWRF模型的适用范围。

6. 结论
基于传统的机器学习模型，本研究考虑了影响因素与滑坡之间关系的空间变异性，以及模型缺乏可解释性的问题。通过引入空间机器学习和可解释性方法，提出了一个基于GWRF–SHAP的滑坡易发性评估框架。主要发现如下：(1) 在全球和次流域尺度上，GWRF模型的表现均优于传统的RF模型，能够有效捕捉空间异质性，并提高预测的可靠性和准确性。(2) 研究区域内的大多数地区表现出较低的滑坡易发性，而极高易发性的区域主要分布在主要河谷的两侧，这与历史上的滑坡分布情况相符。随着易发性的增加，频率比显著提高，这证实了模型输出的可靠性。(3) 滑坡是由多种因素共同作用引起的，其中DEM（数字高程模型）、距离道路的距离以及TWI（土壤湿度指数）是主要影响因素。滑坡易发性与TWI呈正相关，而与DEM和距离道路的距离呈负相关。总之，GWRF–SHAP框架提高了预测性能和模型的可解释性，为复杂山区地区的灾害风险评估和减灾工作提供了宝贵的方法论参考。

数据可用性声明：研究中使用的原始数据已包含在文章中。如有进一步疑问，可联系相应的作者。