一种基于多源遥感、XGBoost和SHAP的动态滑坡易发性评估方法：以云南省永胜县为例 严书浩（Shuhao Yan） 王珊珊（Shanshan Wang） 郭一轩（Yixuan Guo） 荣星星（Xingxing Rong） 赵丹（Dan Zhao） 李伟（Wei Li）

《Remote Sensing》：A Dynamic Landslide Susceptibility Assessment Method Based on Multi-Source Remote Sensing, XGBoost, and SHAP: A Case Study in Yongsheng County, Yunnan Province Shuhao Yan, Shanshan Wang, Yixuan Guo, Xingxing Rong, Dan Zhao and Wei Li

　　**亮点**

**主要研究发现是什么？**
提出了一种结合多源遥感、XGBoost和SHAP的动态滑坡易发性框架。研究表明，距离道路的距离和InSAR得出的最大变形率是控制滑坡发生的主要因素。

**主要研究发现的意义是什么？**
整合多源遥感数据进行全面的遥感识别，有效地提高了滑坡灾害清单的完整性和模型性能。基于SHAP的解释增强了基于机器学习的易发性评估的透明度和实际应用性。

**摘要**
滑坡易发性评估（LSA）在很大程度上依赖于滑坡清单的完整性和预测模型的可解释性。传统的清单仅基于历史记录，常常无法识别新发生的或移动缓慢的滑坡，从而导致易发性评估的偏差。为了解决这一局限性，本研究提出了一个动态LSA框架，该框架结合了多源遥感数据、极端梯度提升（XGBoost）建模和Shapley加性解释（SHAP），并以中国云南省永胜县为案例进行研究。该研究联合使用了多时相光学遥感图像和Sentinel-1 InSAR（干涉合成孔径雷达）变形数据来更新滑坡清单。与包含334个滑坡点的历史清单相比，更新后的清单新增了140个与变形相关的滑坡危险点。通过多重共线性分析选择条件因子来开发XGBoost模型，以评估清单完整性对模型性能的影响。结果显示，基于更新清单的模型在预测准确性上取得了显著提升。基于SHAP的解释表明，距离道路的距离和最大变形率是控制滑坡发生的主要因素，反映了人类活动和动态地表变形的综合效应。最终的易发性地图显示，更新样本的曲线下面积（AUC）值从0.857增加到0.928，高易发性和极高易发性区域占研究区域的8.28%。总体而言，所提出的框架提高了LSA的准确性和可解释性，并证明了多源遥感数据在山区动态滑坡危险评估中的有效性。

**1. 引言**
滑坡是山区最具破坏性的地质灾害之一，对全球的人类生命、基础设施和社会经济发展构成了严重威胁[1,2,3,4]。它们的发生是由地质条件、地形、水文过程、植被覆盖和人类活动的复杂相互作用引起的[5,6]。在中国西南部等构造活跃和地貌复杂的地区，滑坡发生频率高且空间异质性强，极大地增加了有效的灾害评估和风险缓解的难度。

云南省永胜县是滑坡高风险区域。历史记录显示，该地区发生了489次滑坡事件，造成了3180万元人民币的直接损失和3901万元人民币的间接损失，另有8人死亡。高风险区域的人口估计超过2万人，这凸显了进行滑坡危险评估和缓解措施的迫切需要。LSA旨在估计在特定环境条件下滑坡发生的空间概率，已成为区域滑坡风险管理和土地利用规划的基本组成部分[2,7,8,9]。现有的LSA方法大致可以分为基于专家的定性方法、半定量统计模型和基于物理的模型[10]。基于专家的方法严重依赖于主观判断，而基于物理的模型则需要详细的岩土和水文参数，这些参数在区域尺度上往往无法获得。因此，数据驱动的方法在最近的LSA研究中日益成为主流[11,12]。随着遥感和地理空间技术的进步，机器学习算法由于其捕获环境因素间复杂非线性关系的能力而被广泛应用于滑坡易发性制图[13,14]。集成学习模型，如随机森林（RF）、梯度提升决策树（GBDT）和XGBoost，在处理高维和异构数据集方面表现出了优越的性能[15,16]。特别是XGBoost将梯度提升优化与正则化策略结合在一起，有效减少了过拟合，同时提高了计算效率和预测准确性[17,18]。因此，XGBoost在各种地貌环境中越来越被用于滑坡易发性评估[19,20]。

尽管现有模型具有很强的预测能力，但当前LSA研究仍面临两个关键挑战。首先，易发性模型的可靠性在很大程度上取决于滑坡清单的完整性和准确性[5,21]。大多数现有研究主要依赖于从现场调查编制的历史清单[22]。这些清单在植被茂密或难以进入的山区往往不完整，容易忽略移动缓慢或新发生的滑坡，导致训练样本有偏差，模型泛化性能下降[23,24]。其次，包括XGBoost在内的许多高性能机器学习模型通常被视为“黑箱”模型，因为其内部决策机制难以解释。这种缺乏透明性限制了易发性结果在灾害预防、工程设计和政策制定中的实际应用[25,26]。遥感技术的最新发展为这些挑战提供了有希望的解决方案。多时相光学遥感图像可以识别与滑坡相关的地表特征和地貌变化[27]，而InSAR技术可以以毫米级精度检测微妙的地表变形[28,29,30,31]。InSAR特别适用于识别由缓慢且连续变形特征的活动或潜在滑坡危险，这些可能在光学图像中无法可视化[32,33]。通过将光学解释与InSAR得到的变形信息相结合，可以实现滑坡清单的动态更新，从而提高其完整性和代表性[34,35]。同时，模型可解释性已成为地质灾害建模中的重要研究焦点。基于合作博弈论的SHAP框架提供了一种统一且理论可靠的方法，用于量化单个输入变量对模型预测的贡献[36]。SHAP不仅能够全局解释变量的重要性，还能对个体预测进行局部解释，提供了关于滑坡控制因素的非线性关系、交互效应和阈值行为的宝贵见解[37,38,39]。

基于这些考虑，本研究提出了一个动态滑坡易发性评估的集成框架，结合了多源遥感数据、XGBoost建模和基于SHAP的解释。中国云南省永胜县作为案例研究。本研究的主要目标是：
(1) 通过结合多时相光学遥感解释和Sentinel-1 InSAR变形监测来构建更新的滑坡清单；
(2) 通过历史清单和集成清单的比较分析，评估清单更新对易发性建模性能的影响；
(3) 使用SHAP识别关键控制因素并解释它们对滑坡发生的非线性和交互效应；
(4) 生成具有更高准确性和可解释性的滑坡易发性地图，支持区域滑坡危险预防和管理。

**2. 材料与方法**

**2.1. 研究区域**
永胜县位于云南省西北部，地理坐标为100°22′–101°32′E和25°59′–27°05′N（图1）。总面积约为5099平方公里。该地区位于横断山脉和滇西北高原的交界处，地势东北部较高，西南部较低，海拔范围从1056米到3953米。图1显示了研究区域的概况：(a) 地理位置；(b) 主要断裂分布；(c) 滑坡点分布和工程地质单元。该地区构造活跃，以深切的河流系统为主，包括金沙江及其支流。地质结构和岩性对比强烈影响坡度稳定性和地貌演化。气候受西南季风影响，具有明显的干湿季节。降雨量变化很大，大部分降雨发生在6月至9月，常常以短时间、高强度的降雨事件形式出现，这些事件会引发滑坡。

除了自然因素外，道路建设、斜坡开挖和土地利用变化等人类活动也显著改变了坡度稳定性。陡峭的地形、破碎的岩性、强烈的河流侵蚀、季风降雨和人为干扰使得永胜县极易发生滑坡灾害。

**2.2. 数据来源**

**2.2.1. 多源遥感和专题数据**
为了支持滑坡易发性建模，收集了来自多个来源的各种数据集，包括光学遥感图像、合成孔径雷达（SAR）数据、数字高程模型（DEM）、地质图、土地覆盖数据和基础设施信息。所有数据集都经过预处理，重采样到30米的空间分辨率，并投影到相同的坐标参考系统中以确保一致性。
- **DEM数据**：来自ALOS/PRISM全球DSM产品，提供了用于提取与坡度相关因素的详细地形信息。
- **地质数据**：工程地质岩组和断裂分布图来自1:50,000比例尺的区域地质图，并结合了现场调查解释。
- **水文和人为数据**：河流网络和道路系统来自国家地理信息资源目录服务。
- **变形数据**：本研究使用基于Sentinel-1卫星数据（2017–2024年）的Stacking-InSAR处理提取了地表变形信息。共分析了80个场景，结合了上升和下降轨道的数据，数据采集之间的时间间隔从6天到12天不等。干涉对的选择基于最短的时间-空间基线，去除相干值低于0.3的干涉图以提高变形监测的可靠性。表1提供了本研究使用的数据集及其来源的总结。

**2.2.2. 滑坡条件因子**
根据研究区域的地形特征、先前的滑坡易发性研究和数据可用性，初步选择了11个候选条件因子。这些因子被分为五类：地形、地质、水文、人类活动和变形指标。选定的条件因子总结如下：
- **地形**：海拔、坡度和坡向
- **地质**：工程地质岩组和距离断裂的距离
- **水文**：距离河流的距离
- **人类活动**：距离道路的距离
- **变形指标**：四个由InSAR得到的变形参数，包括最大、最小和平均变形率以及变形率的标准差。所有连续变量都重采样到30米的空间分辨率，并使用最小-最大归一化方法归一化到[0, 1]范围内。这种预处理确保了输入变量之间的 CONSistency，并提高了模型的收敛性和性能。

图2显示了研究区域内环境因素的空间分布，包括坡度、坡向、海拔以及距离断裂、河流和道路的距离。该图直观地展示了这些因素在研究区域内的空间分布情况。这种筛选程序确保了选定条件因子之间具有可接受的统计独立性，从而增强了滑坡易发性模型的稳健性、可解释性和预测可靠性。

**2.3. 方法**
本研究遵循一个系统化框架，包括三个主要阶段：(1) 数据预处理和样本构建；(2) 模型开发和解释；(3) 模型评估和易发性制图（图3）。在第一阶段，整合了多源遥感数据和地质信息来构建两个滑坡样本数据集，即历史清单和集成清单。在第二阶段，使用XGBoost算法开发滑坡易发性模型，并使用多种性能指标评估模型。应用SHAP在全局和局部层面解释模型输出。在第三阶段，生成滑坡易发性地图，识别主要影响因素，并使用AUC指标评估模型。该框架的核心创新在于不同清单完整性水平构建的易发性模型的比较分析，以及将基于SHAP的可解释性集成到建模过程中。

**2.3.1. 滑坡危险识别和方法**
- **Stacking InSAR**
Stacking-InSAR技术是一种相对简单的时序InSAR形式。它通过线性堆叠和加权研究期间获取的多个未包裹的差分干涉图来工作。与传统D-InSAR相比，这种方法更有效地抑制了大气延迟、DEM误差和其他噪声源，从而获得了更准确的年均变形率估计。该方法依赖于两个关键假设：单个干涉图之间的大气相位延迟是随机的且大致相等，以及地表变形可以近似为时间的线性变化。基于这些假设，生成多个干涉图组合，并根据最短的时间-空间基线标准选择高质量的配对。然后堆叠这些选定的干涉图来估计变形。因此，Stacking-InSAR特别适用于以线性变形为主的区域，研究期间年平均变形率可以表示为：??3????????=??∑?=1???/??∑?=1Δ?? （1）其中Δ??是干涉图的基线，???是解包的差分干涉相位，??3????????是线性相位率。为了确保变形估计的可靠性，在相位解包之前排除了所有相干性小于0.3的干涉对。此外，由于时间上的相关性减弱，植被茂密区域（NDVI > 0.2）的变形结果被屏蔽，只保留了相干性足够的像素以进行后续处理。工作流程如图4所示。图4. Stacking-InSAR工作流程。选择Stacking-InSAR而不是PS-InSAR和SBAS-InSAR是由于其计算效率更高。先前的研究已经证实，只要有足够数量的高质量干涉对，Stacking-InSAR可以获得与PS-InSAR和SBAS-InSAR相当的变形结果，同时所需处理时间显著减少，使其适合大面积变形监测。

(2) 卫星遥感
已经发生的滑坡通常具有明显的形态特征和容易识别的元素，这使得它们成为光学遥感解释的常见目标。相比之下，潜在或未发生的滑坡缺乏明显的特征，必须通过微妙的地貌指标或与坡度不稳定性相关的早期变形迹象来识别，例如局部崩塌、落石、地表裂缝或植被覆盖异常。
在这项研究中，使用了来自高分二号卫星和谷歌地球的多时相光学图像来识别滑坡。这种方法不仅有效地减少了研究区域内云层覆盖造成的干扰，还能够观察历史图像以追踪滑坡随时间的变化，从而为分析提供了更丰富和更可靠的数据集。

(3) 滑坡危险识别原理
滑坡危险识别是通过整合InSAR的变形集中区、光学遥感解释结果和地质数据来进行的。识别标准如下：
对于已确认的历史滑坡，如果存在变形集中区或与坡度不稳定性相关的典型地貌指标，则该地点被识别为滑坡危险区。
对于没有记录滑坡的斜坡，如果变形集中区和明显的微地貌指标同时出现并且空间上一致，则该斜坡被识别为潜在的滑坡危险区。
如果只有一个指标存在（变形集中或形态特征），但存在有利的地质条件和触发因素，该斜坡仍可能被分类为潜在的危险区。

2.3.2 滑坡清单构建和条件因子分析
(1) 滑坡清单构建
可靠的滑坡清单对于滑坡易发性评估至关重要。在本研究中，构建了两个滑坡清单数据集来评估清单完整性对易发性建模性能的影响。
历史滑坡清单（I1）：该历史清单包括334个滑坡点，这些滑坡点来自之前的地质危险调查、历史记录和高分辨率光学遥感图像的视觉解释。这些滑坡代表了确认的历史事件，是易发性建模的基准。
综合滑坡清单（I2）：该清单通过整合多时相光学遥感解释和Sentinel-1 InSAR变形分析构建。表现出持续变形信号和与滑坡过程一致的地貌特征的领域被分类为新识别的滑坡危险区。综合清单包括历史滑坡和与变形相关的潜在危险区，提供了研究区域内滑坡活动的更全面表示。

(2) 非滑坡样本选择
通过严格和系统的程序选择非滑坡样本以最小化抽样偏差：
候选区域被定义为坡度<10°、距离记录的滑坡超过500米的区域，并排除了水体和建设用地。应用空间随机抽样，最小点间距为200米，以减少空间自相关性。
在训练期间使用了1:2的正负样本比率（滑坡：非滑坡），以增强模型学习背景特征的能力并减轻类别不平衡。
分析多时相光学图像，以验证所选的非滑坡点没有历史或正在进行的斜坡活动的证据。此外，进行了五折交叉验证以评估样本选择的稳健性。
所有条件因子都被重新采样到30米的空间分辨率，以确保一致性。然而，这种分辨率引入了尺度限制：对于方形特征，最小可检测滑坡面积约为900平方米，但对于细长或不规则的滑坡，通常需要3-5个像素（2700-4500平方米）才能可靠地捕获。因此，小规模滑坡可能会被低估，可能会影响模型在细尺度上的性能。这一限制在第3节和第4节中进一步讨论。

(3) 条件因子分析
为了评估条件因子之间的相关性并确保模型的稳定性和可解释性，我们进行了多重共线性分析。使用方差膨胀因子（VIF）来量化11个候选条件因子之间的多重共线性程度。为了进行VIF分析，我们使用了Python 3.10中的“statsmodels”库，具体步骤如下：
数据预处理：在VIF分析之前对所有变量进行了标准化，以确保它们的测量尺度一致。
VIF计算：使用以下公式计算每个候选变量的VIF：?????=1/1???2? （2），其中??2?是每个候选变量相对于其他变量的回归模型的决定系数。
淘汰阈值：采用VIF = 10作为变量淘汰的标准。VIF值超过此阈值的变量被认为具有强烈的多重共线性，因此被从模型中排除。
分析显示，三个与变形相关的变量——平均变形率、最小变形率和变形率的标准差——显示出显著高的VIF值，因此被从模型中排除。这是因为这些变量源自相同的变形时间序列，并且与最大变形率有很强的线性依赖性，导致高多重共线性。相比之下，代表极端值特征的最大变形率与其他统计量的线性依赖性较弱，导致其VIF相对较低（1.092）。这种现象反映了变形统计量之间的内在结构关系，而不是与数据质量或方法程序相关的问题。
其余八个VIF值可接受的条件因子被保留为模型的输入变量。所有候选变量的VIF值显示在表2中。表2. 条件因子的多重共线性分析结果（VIF）。

2.3.3 使用XGBoost和基于SHAP的解释进行滑坡易发性评估
(1) 基于XGBoost的滑坡易发性建模和模型评估
由于XGBoost具有强大的预测能力和捕捉复杂非线性关系和特征交互作用的效果[17]，因此被用来开发滑坡易发性模型。
数据划分：滑坡和非滑坡样本被随机划分为训练集（70%）和测试集（30%）。为了减轻类别不平衡，使用1:1的比例从稳定区域选择非滑坡样本[23]。
超参数优化：通过网格搜索结合交叉验证优化了关键超参数，包括树的数量、学习率、最大树深度和子采样比[11,19]。此外，还加入了正则化参数以减少过拟合并增强模型的泛化能力。
模型构建和比较：分别使用I1和I2滑坡清单构建了两个独立的XGBoost模型，以便在不同清单完整性情况下直接比较模型性能[8,15]。
模型评估：使用准确性、精确度、召回率、F1分数和AUC定量评估模型性能。所有评估指标都是基于独立测试数据集计算的，以确保客观和无偏的评估[9,20]。

(2) 使用SHAP进行模型解释
为了提高XGBoost模型的可解释性，应用了SHAP框架。SHAP值量化了每个条件因子对模型输出的贡献，从而提供了对特征重要性和交互作用的一致且理论上有根据的解释。
模型解释在三个层面上进行：
全局解释：评估整个数据集中条件因子的总体重要性。
局部解释：解释单个模型预测，揭示特定地点的滑坡触发机制。
交互作用分析：探索关键条件因子之间的非线性交互作用。将SHAP与XGBoost相结合有效地减少了机器学习模型的黑箱性质，并提供了对控制滑坡发生的主导因素的透明见解。

(3) 易发性制图和评估
通过将训练好的XGBoost模型应用于整个研究区域生成了滑坡易发性地图。使用自然断裂（Jenks）分类方法将得到的连续易发性指数分为五个易发性类别——非常低、低、中等、高和非常高。这种分类方案便于实际的滑坡危险管理，并能够有效比较来自不同滑坡清单的易发性地图[38,39,40,41]。
使用AUC进一步评估了易发性地图的预测性能，提供了模型区分能力的整体衡量。

3. 结果
3.1 滑坡清单
如图4所示，研究区域中更新的滑坡清单共包括474个滑坡。滑坡清单的基本信息通过两种主要方法获得：
(1) 历史清单信息，包括334个滑坡位置。
(2) 基于多时相光学图像和InSAR变形监测结果的识别，共识别出140个滑坡。
图5显示了研究区域内滑坡的空间分布，显示出广泛的分布和局部集中。通过遥感技术新识别的滑坡在区域（a）、（b）、（c）和（d）中呈现出带状聚集特征，新的滑坡线密度分别为0.83/km、0.51/km、0.85/km和0.74/km。图5. 研究区域内更新后的滑坡分布模式（红色圆圈代表通过多源遥感技术新识别的滑坡；黑色圆角方块代表历史滑坡）。(a) 区域：乌浪河沿线的滑坡集中区。(b) 区域：金沙河沿线的滑坡集中区。(c) 区域：马郭河沿线的新生滑坡集中区。(d) 区域：金沙河鲁迪拉水电站段沿线的滑坡集中区。这四个子集a、b、c和d分别位于乌浪河、马郭河和金沙河沿线。地表变形监测结果显示该区域的坡度稳定性相对较低，许多区域显示出变形异常。该区域的滑坡活动普遍活跃，许多滑坡在光学图像或InSAR监测结果中显示出明显的变形和破坏特征（图6）。总体而言，研究区域的大多数区域正在经历滑坡活动，几个滑坡热点显示特别频繁的发生。图6. 典型的地表变形特征。(a,b) 滑坡集中区的InSAR变形率地图。(c,d) 典型滑坡InSAR变形监测结果的干涉对特征。(e–g) 光学图像和实地调查中可见的滑坡变形破坏特征。

3.2 模型性能评估
使用两个滑坡清单（I1和I2）构建的基于XGBoost的滑坡易发性模型的性能通过各种定量指标进行了评估，包括准确性、精确度、召回率、F1分数和AUC。所有指标都是基于独立测试集计算的。
如图7和图8所示，使用历史滑坡清单训练的模型获得了0.858的AUC，表明其具有良好的预测能力。相比之下，基于综合滑坡清单的模型表现显著提高，AUC为0.881。AUC绝对增加了0.023，表明通过多源遥感数据识别的滑坡危险点的整合有效地增强了模型的区分能力。图7. 基于历史滑坡清单（I1组）的XGBoost模型性能评估。(a) 混淆矩阵显示滑坡和非滑坡样本之间的分类结果。(b) 评估指标的雷达图（准确性、精确度、召回率、F1分数）。图8. 结合多源遥感样本后滑坡易发性模型性能的改进。（a）混淆矩阵显示滑坡和非滑坡样本之间的分类结果。(b) 评估指标的雷达图（准确性、精确度、召回率、F1分数）。除了AUC之外，I2模型的其他评估指标也一致显示出改进。准确性、精确度和召回率都高于I1模型，表明更新的滑坡清单不仅提高了整体分类准确性，还减少了假阳性和假阴性。这些结果证实了清单完整性在数据驱动的易发性建模中起着关键作用。

3.3 基于SHAP的模型结果解释
3.3.1 条件因子的整体重要性
为了解释XGBoost模型的结果，应用了SHAP来量化每个环境因素对滑坡易发性的贡献。SHAP特征重要性图（图9）和SHAP摘要图（图10）说明了输入变量的相对重要性和影响方向。图9。通过效应方向分解滑坡条件因素的SHAP值。（标签(a)显示基于I1样本的模型；标签(b)显示基于I2样本的模型）。图10。SHAP总结图：（标签(a)显示基于I1样本的模型；标签(b)显示基于I2样本的模型）。该图展示了特征值（x轴）与其对模型输出（滑坡发生概率，y轴，SHAP值）的贡献之间的关系。每个点代表一个样本，颜色表示特征值的大小（红色表示高值，蓝色表示低值）。点的水平分布揭示了特征影响的方向（正或负）和强度。结果显示，在研究区域内，距离道路的距离和最大变形率是控制滑坡发生的两个最重要因素。距离道路较近和变形率较高与滑坡易发性增加相关。其他重要因素包括坡度、海拔和距离河流的距离，而坡向和曲率等因素的贡献相对较低。这些发现表明，人类活动，特别是道路建设和坡度改造，结合InSAR捕捉到的地面变形，在永生县引发滑坡中起着主导作用。

3.3.2 非线性效应和特征交互
如图11a所示，SHAP值与变形率表现出强烈的正相关关系，其中更高的变形率对应更大的正SHAP贡献（峰值约为2.4）。这一结果表明，基于InSAR的变形监测是识别活跃滑坡和评估潜在危险的有效指标。值得注意的是，这种关系并非严格线性[29,35,36,37]。图11。SHAP依赖图显示了(a)道路距离与最大变形率之间的交互以及(b)道路距离与海拔之间的交互。图11b展示了道路距离与滑坡易感性之间的关系。道路距离的影响呈现出明显的空间衰减模式。在距离道路500米范围内，SHAP值显示出显著的负贡献（大约-0.2至-0.8），表明靠近道路显著增加了滑坡发生的可能性。这种效应主要归因于工程活动，如坡度挖掘、荷载条件的变化和水文干扰。超过500米后，负面影响迅速减弱，在大约1500米处几乎可以忽略不计，这表明由道路引起的干扰具有明确的空间影响阈值。进一步分析揭示了特征之间的重要交互效应。在图11a中，按海拔颜色分组的散点表明，对道路距离的敏感性随地形高度而变化。低海拔地区（红色点）在靠近道路时表现出更强的负SHAP值，反映了河谷和盆地地形对工程干扰的更高敏感性。相比之下，高海拔地区（蓝色点）显示出较弱的响应，表明增加的地形起伏可能部分缓冲了人为干扰的影响。此外，最大变形率与道路距离之间存在明显的交互作用。结果表明，在靠近道路的区域（<500米），高变形率通常伴随着明显更高的正SHAP值（超过2.0），表明工程干扰和持续作用共同加剧了滑坡风险。相反，在远离道路的自然坡度环境中（>1500米），即使中等至高的变形率也对应着显著较低的SHAP贡献（通常低于0.5）。这一发现突显了人类工程活动与动态变形信号之间的协同作用：在受到工程干预的坡面上，变形的危险诱发效应显著增强，而在相对未受干扰的自然系统中，其影响变得更加独立和减弱。

3.4 滑坡易感性制图
基于训练好的XGBoost模型，为整个研究区域生成了滑坡易感性地图。连续的易感性指数使用自然断点分类方法分为五个等级：非常低、低、中、高和非常高易感性。来自两个清单的易感性地图总体相似，但在局部易感性评估上存在一些差异（图12）。高易感性区域相对分散，主要分布在主要河流谷地和道路走廊沿线。I1清单中一些新发现的易变形区域被分类为中等或低易感性，这反映了仅依赖历史滑坡记录的局限性。图12。基于(a)历史滑坡清单（I1）和(b)综合滑坡清单（I2）的滑坡易感性地图。相比之下，使用I2清单生成的易感性地图呈现出更连贯的空间格局。高和非常高易感性区域更集中在海拔低、坡度陡峭、靠近河流和道路以及InSAR变形信号显著的区域。这些区域的分布更好地匹配了历史滑坡和新检测到的危险点，提高了易感性地图的空间代表性。从数量上看，基于I2的地图中的高和非常高易感性区域占总研究面积的8.28%，而非常低和低易感性区域则主要分布在地形较为平坦且人类干扰有限的区域。这种分布与永生县已知的地貌和环境条件一致。所得易感性区域划分表见表3。表3. 基于两组灾害目录的易感性分区表。如图13所示，基于历史滑坡清单训练的模型生成的易感性分布图达到了0.857的AUC，表明其具有良好的预测能力。相比之下，基于综合滑坡清单的易感性分布图的表现显著提高，AUC达到0.928。AUC绝对增加了0.071，表明通过多源遥感数据识别的滑坡危险点的整合有效增强了模型的区分能力。图13. 基于I1和I2清单的滑坡易感性模型的接收者操作特征（ROC）曲线。

4. 讨论
4.1 滑坡清单更新对模型性能的影响
本研究的结果清楚地表明，通过整合多源遥感数据更新滑坡清单显著提升了滑坡易感性建模性能。与仅使用历史清单（I1）训练的模型相比，基于综合清单（I2）的模型在AUC、准确性、精确度、召回率和F1分数方面都有显著提升。这种性能提升主要归因于训练样本的代表性和完整性的提高。历史滑坡清单通常侧重于大型、灾难性且易于识别的事件，而缓慢移动或新发生的滑坡往往被低估，特别是在植被茂密或难以进入的山区。因此，仅基于历史清单训练的模型经常会低估那些正在发生变形但地表没有明显迹象区域的易感性。通过结合通过InSAR和多时相光学图像识别的与变形相关的滑坡危险，综合清单不仅捕捉到了过去的滑坡事件，还捕捉到了当前活跃或潜在的滑坡过程。这减少了样本偏差，使模型能够更好地学习与滑坡发生相关的环境条件，从而提高了模型在整个研究区域内的泛化能力。这些发现强调了将滑坡清单视为动态数据集的重要性，而不仅仅是静态的历史记录，在数据驱动的易感性评估中。

4.2 多源遥感整合的优势
多源遥感数据的整合在提升滑坡检测和易感性建模方面发挥着关键作用。光学遥感图像提供了关于地表形态、土地覆盖变化以及与滑坡相关的地貌特征的重要信息。相比之下，InSAR变形特征的提取在检测可能导致坡度不稳定的微妙地面变形方面特别有效。在本研究中，基于InSAR的变形指标为传统条件因素提供了独特且互补的信息。在综合清单中识别出的许多与变形相关的危险点仅使用光学图像无法清晰区分。这在滑坡表现出缓慢变形行为或被密集植被遮挡的区域尤为相关。基于I2的模型性能的提升证实了从InSAR提取的变形信号有效增强了模型识别滑坡易发区域的能力。与依赖单一数据源的易感性研究相比，这里采用的多源方法通过结合地表特征和地下变形动态，提供了对滑坡过程的更全面描述。这种整合展示了在构造活跃和山区进行的大规模滑坡易感性评估中，结合光学和雷达遥感的强大潜力。

4.3 基于SHAP的控制因素解释
应用SHAP提供了关于影响滑坡发生因素的宝贵见解，使得XGBoost模型的解释性分析成为可能。结果表明，距离道路的距离和最大变形率是控制永生县滑坡易感性的两个最重要因素。靠近道路的距离具有显著影响，强调了人类活动在破坏坡度方面的关键作用。道路建设通常涉及坡度挖掘、荷载重新分布和水文条件的改变，所有这些都会显著降低坡度稳定性。SHAP依赖图显示了空间衰减模式，在距离道路大约500米范围内有强烈的负SHAP贡献，表明这些区域的滑坡概率显著增加。超过1500米后，道路的影响迅速减弱，几乎可以忽略不计。这表明道路引起的干扰存在明确的空间阈值，与先前的研究一致，即滑坡通常聚集在交通走廊附近[25,26]。从InSAR获得的最大变形率被认为是另一个主要控制因素，强调了持续地面运动在滑坡发生中的重要性。更高的变形率对应着越来越高的SHAP值，证实了基于InSAR的变形信号是活跃或潜在不稳定坡度的有效指标[19,20,21,23]。然而，SHAP依赖关系显示出一个非线性趋势，当变形率超过某个阈值后，正贡献趋于饱和或略有下降。这种行为表明，从变形积累到故障概率的转变并非纯粹线性，可能涉及阈值效应或损伤饱和过程。SHAP交互分析进一步揭示了最大变形率与道路距离之间的显著协同效应。通过量化不同距离范围内的交互强度，我们发现，在距离道路500米范围内，更高的变形率显著增强了滑坡易感性，SHAP值在此范围内迅速增加，表明道路的影响更强。随着距离的增加，SHAP值趋于稳定，变形率的影响减弱，特别是在大约1500米之后，道路的影响变得可以忽略。这表明在更远的区域，变形率对滑坡易感性的贡献较小。当变形率接近零时，尤其是500米范围内，道路的影响变得显著，SHAP值急剧上升。当变形率超过2时，道路的影响逐渐减小，显示出饱和效应。这种阈值效应表明，在变形率高的区域，道路邻近性在增加滑坡发生概率方面起着主导作用。通过捕捉非线性响应和交互效应，SHAP有效弥合了高性能机器学习模型与滑坡过程物理理解之间的差距，增强了滑坡易感性评估的可解释性和实际应用性。

4.4 对滑坡危险管理的启示
本研究提出的综合框架对滑坡危险预防和风险管理具有重要的意义。使用更新后的清单生成的易感性地图更准确地划分了高风险区域，特别是在受自然和人为因素共同影响的区域。由于靠近道路和存在变形信号而被识别为高易感性区域的区域应优先进行坡度监测、工程加固和排水优化。特别是建议对经过“高”和“非常高”易感性区域的道路进行全面的坡度风险评估。应安装实时监测设备，如GNSS或基于地面的InSAR，尤其是在距离道路500米范围内有明显变形的区域。在道路规划阶段，应使用本研究生成的易感性地图作为划定红线避让区的依据，避免在高风险区域进行大规模挖掘。对于现有道路，应根据SHAP分析确定的变形阈值制定分级预警系统和应急响应计划。此外，整合InSAR衍生的变形数据有助于早期识别潜在不稳定的坡度，支持从被动反应向主动风险管理策略的转变。从方法论的角度来看，多源遥感、机器学习和模型可解释性的结合提供了一个可转移的框架，可以应用于其他易发生滑坡的区域。模型结果的透明解读也有助于科学家、工程师和决策者之间的沟通，从而提高了易发性评估的实际效用。4.5 模型局限性与未来发展方向尽管本研究取得了令人鼓舞的结果，但仍需承认一些局限性，这些局限性也为未来的研究指明了方向。首先，输入数据集的空间分辨率（30米）存在固有的局限性。这种分辨率可能不足以完全捕捉小尺度滑坡的特征，特别是那些空间尺度小于像素大小的滑坡，这可能会在局部尺度上引入易发性估计的不确定性。未来的研究应致力于整合更高分辨率的遥感数据源（如10米或亚米级光学影像和LiDAR数据），以改进小尺度滑坡的识别能力，从而提高模型在更精细尺度上的表现。其次，尽管从InSAR获得的变形信号显著增强了灾害检测能力，但该技术本身也存在固有的局限性。InSAR测量容易受到去相关、大气延迟和植被覆盖的影响，所有这些都可能引入噪声和不确定性到变形测量中。特别是植被对干涉测量的一致性有显著影响：NDVI值高的区域（表示植被茂密）通常表现出低一致性，导致时间去相关性的增加和表面位移估计的可靠性降低。虽然本研究通过选择具有足够强一致性的高质量干涉图来减轻这些影响，但在植被茂密的山区应用InSAR时，植被干扰仍然是一个主要挑战。未来的研究可以考虑结合来自其他来源的补充数据，如高分辨率光学影像或LiDAR数据，以交叉验证和补充InSAR结果，从而提高变形分析的准确性，尤其是在植被密集的区域。未来的研究应重点关注整合更高分辨率的遥感数据、改进变形信号提取技术，并探索时空易发性建模方法，以更好地捕捉滑坡随时间的变化。此外，将实时监测系统与遥感数据相结合，可以实现动态和连续的滑坡灾害评估，提供更加及时和有效的风险管理。5. 结论本研究提出了一个动态滑坡易发性评估框架，该框架整合了多源遥感数据、XGBoost建模和SHAP可解释性，并以中国云南省永胜县为案例进行了研究。主要结论总结如下：(1)通过整合多时相光学遥感解译和Sentinel-1 InSAR时间序列变形监测，有效更新了滑坡清单，并额外识别出140个滑坡危险点。这个动态清单更全面地反映了历史和当前的滑坡过程。(2)滑坡清单的完整性显著影响了易发性建模的性能。与基于历史清单的模型相比，使用整合清单训练的模型具有更高的预测准确性，测试集的AUC从0.858提高到了0.881（提高了0.023）。生成的易发性地图的AUC从0.857提高到了0.928（提高了0.071），证明了整合多源遥感信息的有效性。(3)基于SHAP的解释表明，距离道路的距离和最大变形率是研究区域内滑坡发生的主要控制因素。结果突出了人类活动和动态地面变形对滑坡发展的综合影响，并证实了InSAR变形信号在易发性评估中的价值。(4)使用整合清单生成的滑坡易发性地图显示出了更为合理的空间分布模式。高易发性和极高易发区主要分布在靠近河流和道路的低海拔地区。这些区域占总研究面积的8.28%，为区域滑坡灾害预防和缓解提供了实际指导。总体而言，本研究表明，将动态滑坡清单更新与可解释的机器学习相结合，为复杂山地环境中的滑坡易发性评估提供了一种稳健且实用的方法。