《Geosciences》：Reservoir Basin-Scale Landslide Susceptibility Assessment by Machine Learning Techniques: A Case Study of San Pietro Dam, Southern Italy
Elias E. Chikalamo,
Olga C. Mavrouli and
Piernicola Lollino
编辑推荐：
针对水库周边滑坡灾害风险防控需求，研究人员指出此类灾害常引发灾难性后果。当前水库安全评估多聚焦于单一库岸边坡或单体滑坡，难以全面反映库区整体滑坡风险——远源滑坡仍可能通过多种途径对水库造成不利影响。本研究以意大利南部滑坡高发区的San Pietro土石坝周边区
针对水库周边滑坡灾害风险防控需求，研究人员指出此类灾害常引发灾难性后果。当前水库安全评估多聚焦于单一库岸边坡或单体滑坡，难以全面反映库区整体滑坡风险——远源滑坡仍可能通过多种途径对水库造成不利影响。本研究以意大利南部滑坡高发区的San Pietro土石坝周边区域为研究区，采用梯度提升机（GBM）、极端梯度提升（XGBoost）、随机森林（RF）及集成堆叠（Ensemble Stacking）四类机器学习模型开展滑坡易发性评估。研究人员基于区域滑坡编录生成滑坡与非滑坡样本点用于模型训练与验证，采用受试者工作特征（ROC）曲线下面积（AUC）指标评价、验证并比较模型性能。结果表明，四类模型的ROC AUC值介于0.76~0.77之间，其中随机森林、梯度提升机与集成堆叠模型的AUC值均为0.77。所有模型均将约15%~20%的库盆区域划分为高易发区。生成的库盆尺度滑坡易发性图可用于优先部署大坝周边高易发区的监测与维护工作。
论文解读
研究背景与意义
水库作为供水、发电、灌溉、防洪的核心基础设施，其安全运行直接关系到区域经济与社会稳定。然而，库区滑坡灾害可通过入汇固体物质加速库容淤积、改变河道动力过程甚至诱发溃坝连锁灾害，历史上意大利Vaiont大坝滑坡等案例已证实其毁灭性影响。当前库区滑坡风险评估多局限于单边坡或单体滑坡的局部尺度，忽视了流域内远源滑坡的潜在威胁，且传统定性方法存在主观性强、结果不可复现的缺陷。随着气候变化与人类活动加剧，库岸斜坡的水文地质条件动态变化进一步提升了风险防控难度。在此背景下，研究人员以意大利南部Campania大区的San Pietro大坝库盆为对象，开展流域尺度的滑坡易发性机器学习评估，旨在弥补现有研究的尺度局限，为大坝全生命周期安全管理提供科学依据。该成果发表于《Geosciences》期刊。
关键技术方法
研究采用95 km2的San Pietro大坝库盆为研究区，滑坡编录源自意大利国家环境研究所（ISPRA）的IFFI项目，经幂律检验确认其对面积大于10? m2的滑坡完整性良好。研究人员共提取208个滑坡点与205个非滑坡点（缓冲距离≥50 m）作为建模样本，选取地形（坡度、高程、坡向、曲率、地形位置指数（TPI）、地形湿度指数（TWI））、地质（岩性、土壤质地）、环境（土地覆盖）及人为（距道路距离、距河流距离）共11项致灾因子，经Pearson相关性分析剔除共线性变量后输入模型。研究采用随机森林（RF）、梯度提升机（GBM）、极端梯度提升（XGBoost）及集成堆叠（Ensemble Stacking）四类机器学习算法，通过贝叶斯优化调参，结合5折分层交叉验证与ROC AUC、混淆矩阵指标评价模型性能，最终生成库盆尺度滑坡易发性分区。
研究结果
滑坡致灾因子相关性分析
Pearson相关矩阵显示，除TPI与曲率呈中等相关（r=0.65）外，其余因子间无显著共线性，所有因子均保留用于建模。
滑坡致灾因子重要性
基于SHAP（SHapley Additive exPlanations）值的多模型平均结果显示，高程、TPI、曲率与坡度是影响滑坡发生的最关键因子，土壤质地与TWI的贡献度最低，所有因子的重要性值均大于0，表明其对滑坡易发性均有正向影响。
滑坡易发性分布
四类模型生成的易发性图采用百分位数法分类时，中易发区占比最高（GBM为62%、XGBoost为56%、集成堆叠为62%、RF为68%），高易发区占比约15%~20%；采用固定概率阈值分类时，各模型的高易发区占比差异显著（GBM为41%、XGBoost为29%、集成堆叠为29%、RF为15%），表明百分位数法更适合跨模型对比。大坝周边区域在所有模型中均被识别为高易发区，可作为详细工程勘察的重点靶区。
模型性能评估
ROC AUC结果表明，RF、GBM与集成堆叠模型的AUC值均为0.77，XGBoost为0.76，均优于0.75的滑坡易发性评估合格阈值。混淆矩阵指标显示，GBM与集成堆叠模型的综合表现最优：灵敏度分别为0.71与0.72，特异性均为0.73与0.72，精度为0.73与0.72，准确率为0.72与0.72，F1分数为0.72与0.72，体现了更稳定的预测能力。
讨论与结论
研究人员指出，本研究首次将库盆尺度滑坡易发性评估应用于San Pietro大坝，突破了传统单边坡评估的局限。受限于样本量与降雨数据缺失，模型未纳入断层距离、土壤湿度等动态因子，未来可结合水库水位波动监测数据进一步提升精度。尽管集成堆叠模型未显著优于单一模型，但GBM与RF已通过内置集成机制实现了稳定的预测性能。研究证实，机器学习技术可有效支撑复杂地质环境下的流域尺度滑坡风险管理，生成的易发性图可直接用于指导监测资源优先配置与库区运营策略优化。
结论部分明确：机器学习模型可高效生成库盆尺度滑坡易发性分区，RF、GBM与集成堆叠模型的ROC AUC均达0.77，其中GBM与集成堆叠模型在混淆矩阵指标上表现更均衡；库盆尺度评估能更全面识别远源滑坡风险，弥补单边坡评估的不足；未来需进一步融合水库运行工况数据，完善动态风险评估体系。
