将InSAR技术与通道陡度分析相结合，用于基于人工智能的尼泊尔喜马拉雅地区同震滑坡建模 Rajesh Silwal, Guoquan Wang, Sabal KC, Rabin Rimal, Sagar Rawal

《Remote Sensing》：Integrating InSAR and Channel Steepness for AI-Based Coseismic Landslide Modeling in the Nepal Himalaya Rajesh Silwal, Guoquan Wang, Sabal KC, Rabin Rimal and Sagar Rawal

　　**亮点**
主要发现是什么？将基于InSAR的视距（LOS）位移和基于相干性的损伤代理图（DPM）整合到机器学习（ML）和深度学习（DL）模型中，可以提高所有五种架构的AUC-PR值7.8%至17.3%；消融实验确认，如果没有InSAR数据，关键滑坡区域将会被遗漏，而深度学习模型显示出最大的提升效果。归一化通道陡度指数（Ksn）成为所有模型中的主要预测因子（集成平均重要性=0.1791 ± 0.045），大多数滑坡都集中在高Ksn值的陡峭、构造活跃的地形区域内。

**主要发现的意义**
一种仅使用SAR和DEM的预测方法可以在地震发生后的几天内部署，无需进行实地调查或光学成像，从而能够在尼泊尔喜马拉雅山脉等数据稀缺的山区快速进行走廊级别的地震后滑坡概率制图。通道陡度（Ksn）提供了一个基于物理的、构造地貌的滑坡易发性代理指标，它在像素级和基于块的建模范式中都表现出较强的稳定性，使其成为活跃造山带区域灾害筛查的可靠条件因子。

**摘要**
在尼泊尔喜马拉雅山脉等活跃造山带中，地震引发的滑坡对生命、基础设施和灾后恢复构成了严重威胁。尽管机器学习（ML）和深度学习（DL）在地震后滑坡易发性制图方面取得了显著进展，但基于卫星的干涉合成孔径雷达（InSAR）产品，特别是视距（LOS）位移和基于相干性的损伤代理图（DPM），在基于事件的框架中仍未得到充分应用。本研究开发并评估了一个多因素地震后滑坡概率模型，该模型将基于InSAR的变形指标与地貌和水文预测因子相结合，以支持快速的灾后灾害评估。以2015年4月25日Mw 7.8级的戈尔卡地震为例，视距位移是通过ALOS-2 PALSAR-2 ScanSAR干涉测量获得的，归一化通道陡度指数（Ksn）则是从数字高程模型计算得出的。使用14个条件因子训练了五种架构：随机森林（RF）、XGBoost、CNN、U-Net和DeepLabV3。通过留一法的三折空间交叉验证策略减轻了空间自相关性，并在包含655,360个像素的基于块的域上对模型进行了评估，正类比例为6.35%，建立了无技能要求的AUC-PR基线为0.0635。InSAR的整合在类别不平衡的情况下一致提高了模型性能，所有模型的AUC-PR值提高了7.8%至17.3%。随机森林达到了最高的AUC-PR（0.7940，几乎是基线的12.5倍）和CSI（0.3027），在滑坡召回率（88.09%）和非滑坡特异性（88.68%）之间取得了最佳平衡，同时假警率最低（11.32%）。XGBoost获得了最高的AUC-ROC（0.9501），但召回率较低（83.73%），校准效果较差（Brier = 0.1397）。在深度学习模型中，DeepLabV3产生了最佳校准的概率（Brier = 0.0693）和最高的CSI（0.2307），而U-Net提供了最平衡的深度学习性能，CNN则以较高的假警率为代价实现了最高的召回率（92.40%）。排列特征重要性分析表明Ksn是主要预测因子，突显了构造地貌对地震后滑坡发生的强烈控制作用。这些结果表明，整合基于InSAR的产品显著增强了滑坡灾害评估，并支持在尼泊尔喜马拉雅山脉进行更可靠的快速响应。

**1. 引言**
2015年4月25日Mw 7.8级的戈尔卡地震及其主要余震，包括2015年5月12日的Mw 7.3级地震，引发了尼泊尔中部数万次滑坡，造成了广泛的破坏，阻塞了关键的道路网络，堵塞了河流，并导致了大量人员伤亡和经济损失[1,2,3]。在尼泊尔喜马拉雅山脉等陡峭且快速抬升的山脉带中，地震引发的滑坡通过破坏通道、损坏基础设施和移动大量沉积物加剧了震动的影响并延长了灾害链。因此，地震后滑坡易发性制图（LSM）和概率建模对于灾后响应、重建规划和走廊级别的风险管理至关重要[4,5]。尼泊尔的最新案例研究表明，滑坡的发生与地质结构、岩石类型差异和前期降雨密切相关，这强调了需要整合构造、水文和地形控制因素的多因素条件框架[6]。尼泊尔喜马拉雅山脉具有复杂的构造特征，主喜马拉雅逆冲带（MHT）容纳了印度板块和欧亚板块的汇聚，推动了整个造山带的活跃抬升和侵蚀[7,8]。从南到北，岩石类型系统性地变化：低喜马拉雅地区的变质岩和花岗岩、高喜马拉雅地区的结晶岩以及特提斯沉积序列，每种岩石类型具有不同的力学性质和滑坡易感性[1,8]。包括逆冲断层、剪切带和岩石类型接触在内的结构不连续性集中了应力，使山坡成为地震引发滑坡的优先位置[1,2]。2015年戈尔卡地震的地震后滑坡调查显示，滑坡密度与坡度梯度、峰值地面加速度、地表变形以及与机械薄弱岩石和大型岩基侵入体的接近程度有关[1,2]。前期降雨通过提高孔隙水压力和降低有效应力进一步调节了坡度稳定性，尤其是在风化和破碎的岩石中[9]。因此，在尼泊尔喜马拉雅山脉进行稳健的地震后滑坡概率建模时，整合地质、地貌、水文和地震条件因素是必不可少的[6,10]。

在过去的二十年里，基于统计和机器学习（ML）的方法已成为LSM的标准工具[4,5,6,11,12,13,14]。传统方法如逻辑回归、广义加性模型和贝叶斯方法越来越多地被集成树方法（例如随机森林、梯度提升、XGBoost）以及最近的深度神经网络所补充或取代[11,12,13,14,15,16,17,18]。这些模型可以灵活利用多源地理空间数据，捕捉条件因子之间的复杂非线性关系，并在数据有限和类别不平衡的情况下生成适合操作决策的空间连续概率场[5,11,12,13,14,15,16,17,18,19]。最近的研究还强调了深度学习架构（包括卷积网络和循环网络）在与高分辨率遥感数据结合时，在提高滑坡检测、易发性制图和清单编制方面的作用[16,17,18,19,20,21]。与此同时，卫星和机载遥感的进步极大地扩展了高分辨率地形、土地覆盖和地震震动产品的可用性，使得系统地描述地形、植被、水文和地面变形成为可能。在基于事件的地震后LSM背景下，这使得模型不仅依赖于静态条件因子，还结合了与变形、相干性损失和气象水文强迫相关的瞬态信号[5,22,23,24,25,26,27]。例如，最近的研究将多时相InSAR变形速度或持久散射体（PS）变形率整合到基于ML的易发性框架中，与纯静态地形方法相比，模型性能明显提升[20,25,26,27,28]。这种动态的、增强InSAR的LSM框架在需要连续监测坡度响应但现场观测稀少的阿尔卑斯峡谷和走廊环境中特别有效[25,26,28]。大多数LSM研究仍然严重依赖静态条件因子，如坡度、朝向、曲率、海拔、岩石类型、距离断层或排水系统的距离、PGA、降雨量和土地利用/土地覆盖（LULC）[4,5,29,30,31]。这些因素无法完全捕捉强地面运动引起的动态地表变形和损伤。基于卫星的干涉合成孔径雷达（InSAR）即使在云层覆盖和季风期间也能在区域尺度上测量地面变形和相干性损失[22,23,24,31,32]。InSAR已成功用于绘制戈尔卡地震的地震后地壳变形图[31,32]，并研究了其他地区的滑坡过程和不稳定斜坡[22,23,25,26,27]。因此，将基于InSAR的产品（如视距（LOS）位移和基于相干性的损伤代理图（DPM）整合到地震后滑坡模型中，有可能突出显示仅凭静态地形指标难以推断出的变形、相干性损失和地表扰动区域。然而，对于尼泊尔喜马拉雅山脉，系统比较带有和不带有InSAR输入的ML和深度学习（DL）模型的研究仍然有限。

**2. 材料与方法**
2.1...研究区域
研究区域涵盖了2015年尼泊尔中部戈尔卡地震序列影响最严重的地区，包括戈尔卡、辛杜帕尔乔克、拉苏瓦、努瓦科特和达丁等县，以及加德满都谷地及其周边部分地区（图1）。该地区位于尼泊尔喜马拉雅山脉内，以高地形起伏、陡峭的坡度、沿主喜马拉雅逆冲断层（MHT）活跃的逆冲作用和强烈的季风驱动侵蚀为特征[7,8]。岩石类型从低喜马拉雅变质岩和花岗岩到高喜马拉雅结晶岩和特提斯海沉积序列不等，这些地质差异对坡度稳定性有着显著影响[9]。2015年4月25日发生的7.8级主震以及5月12日的7.3级余震引发了广泛的强烈地面震动，并导致数千次同震滑坡，这一点在多项灾后调查中得到了证实[1,2]。

2.2. 数据
2.2.1. 滑坡清单
本研究使用的滑坡清单是一个二值栅格数据（滑坡与非滑坡），基于2015年戈尔卡地震后的卫星图像和Roback等人的滑坡地图数据[41]，这些数据可通过美国地质调查局（USGS）的科学数据库ScienceBase获取。滑坡像素被赋予1的值，非滑坡像素被赋予0的值；无数据区域（如云层、水体）被屏蔽处理。该清单存在典型的基于事件的滑坡统计不平衡现象：滑坡像素仅占总有效像素的约0.47%。这一问题在机器学习和深度学习处理流程中都得到了明确解决（第2.4节）。

2.2.2. InSAR衍生产品（ALOS-2 ScanSAR）
ALOS-2 L波段ScanSAR（WBDR1.1）单视复数（SLC）图像由日本宇宙航空研究开发机构（JAXA）于2015年2月22日、4月5日和5月17日获取，覆盖帧号3050。2015年4月25日的7.8级主震发生在这些图像的采集期间。形成了两组干涉数据对：一组为震前数据对（2015年2月22日至4月5日），用于生成震前损伤代理图；另一组为同震数据对（2015年4月5日至5月17日），用于获取视线（LOS）位移和震后一致性信息。用于计算LOS位移和DPM的图像对详见表1。所有InSAR处理均使用InSAR科学计算环境（ISCE）2.6.3版本[42,43,44]完成。

2.2.3. 构造地貌与河道陡度指数（Ksn）
归一化的河道陡度指数（Ksn）用于评估研究区域内河流剖面陡度的空间变化，并推断相对构造活动。Ksn基于流功率切割模型计算，该模型通过幂律关系将河道坡度S与流域面积A联系起来[46,47]：
$$ S = k_s A^{-\theta} $$
其中ks为河道陡度指数，θ为凹度指数。在稳态条件下，陡度与岩石抬升速率和侵蚀性相关[35,47]。为了便于不同凹度流域之间的比较，引入了参考凹度θ_ref来定义归一化陡度指数[34]：
$$ k_{sn} = \frac{S}{A \theta_{\ref}} $$
其中θ_ref = 0.45，这一值代表接近分级平衡状态的基岩河流。这一数值已在许多喜马拉雅山脉地区的构造地貌研究中得到应用，包括尼泊尔喜马拉雅山脉[34,48,49]。尽管尼泊尔喜马拉雅山脉存在明显的岩石和构造异质性（如主中央逆冲断层、低喜马拉雅序列和高喜马拉雅结晶岩之间的过渡），但这种异质性不会显著影响Ksn的总体趋势。为了评估这一选择对结果的影响，我们分别使用θ_ref = 0.40和θ_ref = 0.50重新计算了Ksn，结果发现高Ksn河道的空间分布及其构造解释基本不变，各段平均值的变化不超过±12%。

2.2.4. 其他条件因素
研究考虑了十四个条件因素，包括地形、地貌、水文、土地覆盖类型、地震强度等。这些因素包括坡向（CosAspect、SinAspect）、数字高程模型（DEM）、距河流的距离、DPM、流域密度（Ksn）、LULC（土地利用/土地覆盖类型）、logSPI（对数坡度指数）、PGA（峰值地面加速度）、降雨量、坡度以及曲率和LOS位移的绝对值。峰值地面加速度（PGA）数据来自USGS的ShakeMap[51]和地震数据库[52]。土地利用/土地覆盖类型（LULC）数据来自ICIMOD的兴都库什喜马拉雅地区（HKH）2015年区域土地覆盖监测系统[53]。用于Ksn计算和InSAR处理的数字高程模型（DEM）为SRTM 1弧秒全球产品[33]。

2.3. 结果分析
2.3.1. 同震LOS位移
同震LOS位移（dLOS，单位：厘米）通过以下公式计算：
$$ dLOS = -\frac{\phi \times \lambda}{4 \pi} $$
其中λ为ALOS-2 L波段波长（23.6厘米）。负号表示相位增加（即地表向远离传感器的方向移动）。同震对生成的地理编码LOS位移结果见图3a。

2.3.2. 损伤代理图（DPM）
损伤代理图（DPM）基于震前和震后干涉图的一致性差异计算得出，其中较高值表示更大的地表扰动。黑色星号标记地震震中，黑色箭头指示卫星观测方向，黑色点表示加德满都的位置。震前一致性γ_pre来自2015年2月22日至4月5日的干涉图，震后一致性γ_post来自4月5日至5月17日的干涉图。两幅干涉图被注册到同一网格上，DPM计算公式为：
$$ DPM = \gamma_{pre} - \gamma_{post} $$
DPM值被裁剪为[无损伤、高损伤]两个范围，以便可视化，较高值表示更大的一致性损失，即更严重的损伤。

2.3.3. 数据标准化
标准化后，LOS位移的范围在研究区域内为?73.3至+101.6厘米，正值表示地表向远离卫星的方向移动（与南侧裂隙区的同震沉降一致），负值表示地表向卫星的方向移动（与悬壁的同震抬升一致）。分布呈明显右偏态，反映了大型同震变形主要集中在悬壁破裂区。DPM值的范围为0（无一致性损失）至1（完全失去一致性），高值区域与滑坡群和主喜马拉雅逆冲断层的悬壁位置重合。在模型训练前，这两个InSAR衍生变量均被归一化到[0, 1]区间。

2.4. 结论
研究结果表明，2015年戈尔卡地震导致的大规模同震变形主要集中在悬壁破裂区，且这些区域的河道陡度异常高。Ksn值的升高可能反映了相对较高的岩石抬升或较低的侵蚀性，可能与活跃的构造构造或地形对构造作用的瞬态响应有关。这与Dunham等人[55]的研究结果一致，他们证明了高地震烈度（GHS）岩石和更陡的坡度共同导致了廓尔喀地震引发的大型、深部滑坡的发生；也与Guo等人[57]的研究结果一致，他们发现硬岩地区的滑坡更为普遍，并且滑坡密度与坡度梯度呈正相关。因此，坡度角度已经包含在14个条件因素中，隐含地反映了研究区域内岩石类型对滑坡发生的控制作用。除了网格化的预测层外，还准备了两个辅助数据可视化工具，以支持对地震触发滑坡的物理控制因素的解释，并证明选择这些条件因素的合理性。图5a展示了一个基于地图清单的按坡向划分的滑坡数量圆形（玫瑰图）图。这项探索性分析用于评估滑坡发生的方向性偏差，并为在建模框架中使用坡向的余弦和正弦分量进行显式编码提供了依据，这与之前的地震诱发滑坡研究[1,2,30,31]一致。图5. 支持条件因素选择的探索性分析。(a) 基于清单的按坡向划分的滑坡数量圆形直方图，用于证明使用余弦-正弦编码坡向的合理性。(b) 2014年9月至2015年8月主要地震影响地区的月降雨量时间序列，展示了2015年廓尔喀地震前的前期水分条件。图5b显示了2014年9月至2015年8月主要地震影响地区的月降雨量时间序列。该水文气象总结旨在描述2015年4月同震期前的前期水分条件，并支持将降雨量作为条件因素的纳入。十个受影响最严重的地区的月降雨总量数据来自尼泊尔政府的水文气象部门。用于生成图5b的各地区降雨数据见附录A表A1。先前的喜马拉雅研究指出，较高的前期降水量会增加孔隙水压力并降低坡度稳定性[9]。为了确保条件因素选择的可靠性并提高模型解释的透明度，使用方差膨胀因子（VIF）评估了14个条件因素之间的多重共线性，该因子是在平衡训练集的50,000个像素分层样本上计算得出的。当两个或多个预测因子高度相关时，就会发生多重共线性，这可能会夸大特征的重要性分数并引入模型解释的不稳定性；VIF通过测量一个预测因子的方差因与其他预测因子的相关性而膨胀的程度来量化这一点。VIF值低于5表示多重共线性可以忽略不计，5到10之间的值表示中等但可接受的多重共线性，超过10的值表明可能存在需要关注的高多重共线性。距离河流的距离（VIF = 15.51）和对数SPI（VIF = 12.81）的VIF值最高，反映了它们在排水面积和上游贡献面积方面的共同数学依赖性；然而，这些因素被保留下来是因为它们分别捕捉了物理上不同的过程：侧向侵蚀敏感性和坡度湿度，这两者都与同震滑坡的发生有关。PGA（9.07）、坡度（8.88）、降雨量（7.93）和Ksn（7.08）显示出5到10之间的中等多重共线性，表明地震、地形和水文气象预测因子之间的相关性是可以接受的。其余八个因素——排水密度（4.62）、DEM（4.56）、LULC（4.44）、坡向余弦（2.98）、坡向正弦（2.81）、LOS InSAR（2.51）、曲率（2.05）和DPM InSAR（1.31）的VIF均低于5，确认了它们之间的相关性可以忽略不计。所有14个因素都被保留下来，因为所采用的模型本身对多重共线性具有鲁棒性，而且在初步测试中移除这些因素并没有提高模型性能。所有十四个条件因素的空间分布见图6。图6. 用于滑坡建模的十四个条件因素的空间分布：(a) 绝对LOS位移，(b) Ksn，(c) DPM，(d) DEM，(e) 距离河流的距离，(f) PGA，(g) 坡向余弦，(h) 坡向正弦，(i) 绝对曲率，(j) LULC，(k) 2014-2015年年降雨量，(l) 坡度，(m) 对数SPI，(n) 排水密度。黑色星号表示廓尔喀地震的震中；黑点表示加德满都的位置。为了确保有效的训练，并提高模型解释的透明度，使用方差膨胀因子（VIF）评估了14个条件因素之间的多重共线性，该因子是在平衡训练集的50,000个像素分层样本上计算得出的。当两个或多个预测因子高度相关时，就会发生多重共线性，这可能会夸大特征的重要性分数并引入模型解释的不稳定性；VIF通过测量一个预测因子的方差因与其他预测因子的相关性而膨胀的程度来量化这一点。VIF值低于5表示多重共线性可以忽略不计，5到10之间的值表示中等但可接受的多重共线性，超过10的值表明可能存在需要关注的高多重共线性。距离河流的距离（VIF = 15.51）和对数SPI（VIF = 12.81）的VIF值最高，反映了它们在排水面积和上游贡献面积方面的共同数学依赖性；然而，这些因素被保留下来是因为它们分别捕捉了物理上不同的过程：侧向侵蚀敏感性和坡度湿度，这两者都与同震滑坡的发生有关。PGA（9.07）、坡度（8.88）、降雨量（7.93）和Ksn（7.08）显示出5到10之间的中等多重共线性，表明地震、地形和水文气象预测因子之间的相关性是可以接受的。其余八个因素——排水密度（4.62）、DEM（4.56）、LULC（4.44）、坡向余弦（2.98）、坡向正弦（2.81）、LOS InSAR（2.51）、曲率（2.05）和DPM InSAR（1.31）的VIF均低于5，确认了它们之间的相关性可以忽略不计。所有14个因素都被保留下来，因为所采用的模型本身对多重共线性具有鲁棒性，而且在初步测试中移除这些因素并没有提高模型性能。所有十四个条件因素的空间分布见图6。图6. 用于滑坡建模的十四个条件因素的空间分布：(a) 绝对LOS位移，(b) Ksn，(c) DPM，(d) DEM，(e) 距离河流的距离，(f) PGA，(g) 坡向余弦，(h) 坡向正弦，(i) 绝对曲率，(j) LULC，(k) 2014-2015年年降雨量，(l) 坡度，(m) 对数SPI，(n) 排水密度。黑色星号表示廓尔喀地震的震中；黑点表示加德满都的位置。为了确保有效的训练，并提高模型解释的透明度，所有连续因素都被重新采样到一个共同的30米网格，并使用最小-最大公式进行了标准化。所有空间分析、栅格处理和地图制作都是使用ArcGIS Pro 3.6.0（Esri，美国加利福尼亚州雷德兰兹）完成的。X{norm}=X ? X{min} / (X{max} ? X{min}) （5），其中X = 原始像素值，X{min} = 因素的最小值，X{max} = 因素的最大值，X{norm} = 标准化后的值，范围在0到1之间。计算LOS和曲率的绝对值是一个关键的改进，因为它将双向风险（朝向/远离或凸/凹）合并为一个基于幅度的敏感性指标。2.3. 机器学习和深度学习模型架构在这项研究中，我们评估了一套机器学习（ML）和深度学习（DL）架构，用于同震滑坡概率映射。将InSAR衍生的指标（LOS位移和DPM）与地貌指数（Ksn）整合到一个统一的建模框架中，是基于三个考虑因素。首先，静态地形变量能够捕捉长期敏感性，但无法表示地震引起的瞬态地面变形；LOS位移和DPM提供了这种特定事件的信号。其次，Ksn反映了累积的构造和地貌条件，补充了瞬时的InSAR信号。第三，在单个多波段栅格中结合这些预测因子类别，允许每个模型通过自身的学习机制确定它们的相对重要性，而不是依赖于先前的假设。采用了两种互补的建模方法：(i) 像素级的ML基线（随机森林和XGBoost），它们独立处理每个像素，并在整个预测因子集中学习特征-阈值关系；(ii) 基于补丁的DL分割模型（CNN、U-Net和带有ResNet-50主干网络的DeepLabV3），它们利用128 × 128像素邻域内的空间上下文来学习多尺度纹理和结构模式。这种学习单元的差异是一个有意的设计选择，它使我们不仅能够比较整体性能，还能比较每种范式从相同的14波段输入中提取的不同类型的信息：像素级模型在整个14维预测因子空间中学习光谱特征-阈值关系，而基于补丁的模型还编码了纹理梯度、形状线索以及条件因素的空间共现，这些都是滑坡疤痕的固有空间特征。尽管这种不对称性使得直接比较性能变得复杂，但它反映了计算简单性和空间意识之间的现实操作权衡；第4节将进一步讨论这一点。所有模型都是使用包含14个条件因素的多波段栅格堆栈进行训练的，包括地形（坡度、坡向、曲率、DEM）、地震（PGA）、水文（排水密度、对数转换的SPI、降雨量）、地貌（Ksn）、InSAR衍生的（LOS位移和DPM）、距离河流的距离和LULC。所有分析都是在Python 3.10中使用scikit-learn 1.3、XGBoost 2.0和PyTorch 2.1（CUDA 12.8）进行的，随机种子固定为42，以确保可重复性，运行在配备64 GB RAM和NVIDIA RTX A1000 GPU的Ubuntu 22.04工作站上。2.3.1. 机器学习模型随机森林（RF）：RF被实现为一个基于每个像素的分类器，使用14波段预测因子堆栈。任何预测因子或滑坡标签中包含NaN值的像素都被排除在外。鉴于地理空间栅格数据中固有的强空间自相关性，采用了排水盆地空间交叉验证方案（第2.4.1节），而不是分层随机分割，以便训练和评估像素始终来自地理上不相邻的盆地，这些盆地之间有600米的缓冲区。由于数据集高度不平衡（约1920万个非滑坡像素，占99.6%；89,416个滑坡像素，占0.47%），在每个训练折叠中应用了多数类欠采样，以强制保持20:1的负样本与正样本比例，保留所有正样本像素。RF模型使用200棵树（n_estimators = 200）、max_depth = 20和min_samples_leaf = 5进行训练，并使用逆频率类加权（class_weight = “balanced”）。选择200棵树是基于初步实验中观察到的袋外（OOB）误差稳定性；增加树的数量超过这个阈值并没有带来超过0.1%的改进，但显著增加了计算成本。该模型产生的每个像素的滑坡概率范围在（0, 1）之间。XGBoost：XGBoost被实现为一个梯度提升树模型，使用与RF相同的每个像素特征矩阵和空间盆地交叉验证方案。与RF类似，它也处理单个像素向量，但不结合空间上下文，而是学习一系列逐步最小化预测误差的回归树。在每个训练折叠中应用了多数类欠采样，以保持20:1的类比例。模型使用200轮提升（n_estimators = 200）进行训练，正则化参数reg_alpha = 0.1和reg_lambda = 1.0以减少过拟合。进一步使用scale_pos_weight = n(neg)/n(pos)处理类不平衡，该参数是从训练折叠中计算得出的。提升轮数是根据验证对数损失收敛情况选择的，在初步调整后50轮没有改进时停止提升。训练后的概率校准使用等值回归（CalibratedClassifierCV）进行，以提高预测概率的可靠性。最终模型产生的每个像素的滑坡概率范围在（0, 1）之间。2.3.2. 深度学习模型深度学习模型旨在通过利用多波段图像块内的空间上下文来生成像素级的滑坡概率图。与像素级ML方法不同，卷积架构捕捉了相邻像素之间的多尺度空间关系，包括纹理梯度、边缘结构和条件因素的共现。这种空间意识对于同震滑坡检测尤为重要，因为滑坡疤痕表现出特征性的形状、大小和邻域模式，这些都是固有的空间特征。所有网络都接受大小为（B, 14, 128, 128）的输入块，并生成全分辨率的输出概率图。三种深度学习模型的架构如图7所示。每种架构的第一个卷积层都进行了修改，以适应14波段输入。由于滑坡像素的稀疏性，训练采用了结合了加权二元交叉熵和Dice损失（权重分别为0.4/0.6）的组合损失函数，其中BCE pos_weight = 25以更强烈地惩罚假阴性。补丁提取和划分遵循第2.4.1节中描述的排水盆地空间交叉验证策略。图7. 用于同震滑坡映射的深度学习模型架构：(a) 轻量级CNN，(b) 带有跳跃连接的U-Net编码器-解码器，以及(c) 带有修改后的ResNet-50主干网络和ASPP模块的DeepLabV3，所有模型都生成单通道概率图。CNN：实现了一个轻量级的全卷积CNN，包含四个连续的卷积阶段，保持了原始的128 × 128分辨率（没有池化或下采样）。每个阶段使用两个3 × 3的卷积，然后是批量归一化和ReLU激活函数。通道深度逐步增加（14 → 64 → 128 → 128）。最后一个1 × 1的卷积产生单通道logit图。该网络包含大约857,857个可训练参数。U-Net：实现了一个标准的编码器-解码器U-Net，用于像素级分割。该架构包括四个编码器级别、一个瓶颈和一个带有跳跃连接的对称解码器。使用基础宽度f = 64，编码器通过2 × 2的最大池化将特征深度增加到f、2f、4f和8f，瓶颈扩展到16f。解码器使用2 × 2的转置卷积恢复空间分辨率，并在应用ConvBlocks之前连接编码器特征。最后一个1 × 1的卷积生成每个像素的logits。最终的U-Net包含大约3104万个可训练参数。DeepLabV3：使用torchvision DeepLabV3-ResNet50架构（PyTorch）[58,59]实现。该模型完全从头开始训练，没有使用ImageNet预训练的权重。ResNet-50主干网络的第一个卷积层被替换为Conv2d（14, 64, kernel_size = 7, stride = 2, padding = 3, bias = False），以适应14波段预测因子堆栈，所有主干层（残差块1-4）和ASPP分割头的权重都是随机初始化的。这种方法避免了假设RGB域的ImageNet表示可以转移到地理空间SAR和DEM预测因子上，因为它们跨越了根本不同的光谱和物理空间。ASPP头产生单通道logit图，该图被上采样到输入分辨率，并使用sigmoid激活函数转换为每个像素的概率。2.4. 训练和评估 2.4.1. 空间交叉验证设计 排水盆地折叠划分为了防止由于地理空间栅格数据的强自相关性而产生的空间泄漏，所有五个模型都使用留一盆地出的三折空间交叉验证方案进行评估。分析仅限于北部栅格部分（行0-1733；约104 × 52公里），其中包含了大约83%的所有映射滑坡像素。使用在SRTM DEM上计算的3公里和6公里半径的多尺度地形位置指数（TPI）划定了三个空间上不相邻的排水盆地折叠。山谷底部的通道像素被识别为那些落在TPI第3百分位数和北部区域海拔第40百分位数以下的像素。连接的通道组件被聚类到栅格范围的三个东西方向的部分中，每个部分中最大的组件被用作流域种子。然后使用类似Voronoi的最近种子扩展方法将每个有效像素分配到三个流域中的一个（流域0—西部，流域1—中部，流域2—东部）。在所有流域边界上应用了600米的缓冲区（20像素×30米/像素），并排除了训练和评估过程中的这些区域，以防止相邻流域之间的数据泄漏。去除缓冲区后，三个流域的像素和斑块数量如下：流域0（西部）：231万像素，16,356个滑坡像素，491个斑块；流域1（中部）：297万像素，29,400个滑坡像素，617个斑块；流域2（东部）：415万像素，26,913个滑坡像素，918个斑块；缓冲区（排除）：约22.2万像素（约200平方公里）。对于每个CV折叠k，所有模型都在剩余的两个流域上进行训练，并在保留的流域k上进行评估。报告的指标是所有三个流域的平均值。

**机器学习模型（随机森林，XGBoost）**
基于像素的ML模型的训练样本是从每个折叠的两个训练流域中所有非缓冲的有效像素中抽取的。由于滑坡像素大约占所有有效像素的0.47%，因此在每个训练折叠中应用了20:1的负样本与正样本比例进行过采样，保留所有正样本（滑坡像素），并使用固定种子（random_state = 42）随机抽取负样本。过采样在每个流域折叠中独立进行，然后合并形成组合训练集。对于折叠k = 1（在流域0 + 2上进行训练），这产生了大约908,649个像素的训练集（46,269个正样本：来自流域0的16,356个，来自流域2的26,913个；负样本在每个流域中以20:1的比例进行过采样）。评估是在保留的流域中所有非缓冲的有效像素上进行的，在模型拟合、超参数选择或阈值优化的任何阶段都不使用该流域的数据。

**深度学习分割模型（CNN，U-Net，DeepLabV3）**
从预测器堆栈中提取了128 × 128像素的图像块，使用步长为64像素（50%重叠）的滑动窗口在北部栅格区域进行提取。与600米缓冲区接触的块被完全排除在外。对于每个折叠k，训练块从两个非保留的流域中抽取，评估块从保留的流域k中抽取。在每个训练折叠中，正样本（包含滑坡的块）被过采样了三倍（基础集+2×正样本块），以增加对少数类样本的曝光。使用第2.3.2节中描述的复合BCE–Dice损失进一步解决了块内的类别不平衡问题，正类的BCE权重为25。块通过其非缓冲有效像素的多数投票被分配到一个折叠中。这种基于流域的块划分确保在训练过程中无法访问保留的评估流域的空间信息，从而解决了空间泄漏问题。

**2.4.2. 训练配置**
**机器学习模型：**
随机森林使用自举聚合（n_estimators = 200，max_depth = 20，min_samples_leaf = 5）和逆频率类别加权（class_weight = “balanced”）进行训练。选择200棵树的配置是基于初步实验中的袋外（OOB）误差稳定性；超过这个阈值的额外树对OOB准确性的提高不到0.1%，同时显著增加了计算时间。XGBoost使用200轮梯度提升（n_estimators = 200），正则化参数reg_alpha = 0.1和reg_lambda = 1.0，以及通过scale_pos_weight设置类别加权，该权重基于组合训练折叠数据中的负样本与正样本比例。选择200轮的限制是基于在初步调整期间50轮没有改进后的验证对数损失收敛。训练后使用等值回归（CalibratedClassifierCV）进行概率校准，以提高概率的可靠性。两种ML模型分别针对三个流域折叠进行独立训练和评估，报告的性能指标是跨折叠的平均值。

**深度学习分割模型：**
所有三种架构（CNN，U-Net，DeepLabV3）都使用AdamW优化器进行优化，初始学习率为3 × 10^-4，权重衰减为1 × 10^-4。使用保留的流域块上的验证AUC-PR监控训练进度；保留了达到最高验证AUC-PR的模型检查点进行最终评估。学习率使用余弦调度（CosineAnnealingLR，T_max = 150 epochs，η_min = 10^-6）进行退火，并应用了20个周期的提前停止以防止过拟合。U-Net的基础通道宽度f = 64，CNN的轻量级四阶段架构是从{f = 32, 64}和{3, 4}阶段的小网格搜索中选出的，平衡了参数数量与验证AUC-PR；选定的配置在没有过拟合的情况下实现了最佳的保留性能。在训练期间应用了随机水平和垂直翻转以及90°旋转，以及随机比例抖动（±10%）作为数据增强。

**2.4.3. 评估指标**
模型性能使用基于块的评估域上计算的互补判别、检测和校准指标进行评估。评估域包括从整个研究区域中使用滑动窗口（步长 = 50像素）选出的10个最高滑坡密度128 × 128像素块（总共655,360像素，41,599个滑坡像素，正类占比 = 6.35%）。重要的是，块选择在任何模型训练之前仅使用滑坡清单栅格进行，确保评估域完全不受模型输出的影响，也不会受到模型预测的影响。为了确认选定的块不会与任何单个训练流域过度重叠，我们验证了这10个块涵盖了所有三个流域折叠（流域0：3个块，流域1：4个块，流域2：3个块），确保评估不会在地理上局限于单个子区域，并且没有来自训练流域的块被包含在特定折叠的评估中。这种基于块的方法将正类占比从全栅格值（0.47%）提高到AUC-PR和CSI有意义的水平，并将评估重点放在滑坡密度高的地形上，这是模型技能最具有操作相关性的地方。无技能AUC-PR基线为6.35%时的值为0.0635。应该注意的是，从全栅格（0.47%）到块域（6.35%）的正类占比增加了13.5倍，使得AUC-PR值不能直接与报告全栅格指标的研究进行比较。因此，基于块的评估旨在提供在高滑坡密度地形中对模型技能的有意义判别评估，而不是为了描述全场景性能。

为了评估块数量选择的敏感性，我们使用前5个、前20个和前50个最高滑坡密度的块重复了关键指标的计算。模型性能排名在所有配置中保持稳定（RF > XGBoost > CNN ≈ DeepLabV3 > U-Net对于AUC-PR），并且绝对AUC-PR值在块数量上的变化不超过±0.031，确认选择10个块的具体数量不会对模型比较或结论产生实质性影响。计算的指标包括：
- AUC-ROC：衡量跨阈值的整体判别能力，对类别不平衡相对不敏感。
- AUC-PR（平均精度）：对于罕见事件检测更有信息量，强调在滑坡类别上的性能。
- 关键成功指数（CSI）：定义为TP/(TP + FP + FN)，评估正确检测和误报之间的平衡。
- Brier分数：量化概率校准；较低的值表示校准更好的预测。
- 混淆矩阵（行标准化，%）：报告将真正的非滑坡预测为非滑坡、误报（非滑坡→滑坡）、漏检（滑坡→非滑坡）和正确检测（滑坡→滑坡）。

**2.5. 变量和特征重要性**
为了识别影响滑坡发生的最重要条件因素，对所有五种模型使用了14个预测因子带（坡度、坡向cos/sin、绝对曲率、DEM、Ksn、排水密度、logSPI、PGA、距河流的距离、LULC、LOS_abs和DPM）进行了特征重要性分析。对于每个模型，重要性是通过随机打乱给定因子带后AUC-PR的下降来衡量的，当该因子带对模型不再有信息量时。较大的下降表明该特征更为重要。
对于ML模型（随机森林和XGBoost），每个特征在全栅格的平衡子样本中一次随机打乱（20:1的负样本与正样本比例），并将结果AUC-PR的下降平均10次以获得稳定的估计。这是使用scikit-learn的permutation_importance函数完成的。
对于DL模型（CNN、U-Net和DeepLabV3），使用了基于块的分组打乱方法。由于对于从空间模式中学习的卷积模型来说，单独打乱像素是没有意义的，因此将栅格划分为128 × 128像素的块，并在运行推理之前随机重新排列这些块。这打破了打乱后的块与滑坡标签之间的空间关系，同时保持了块值的范围不变。相对于原始未打乱基线的AUC-PR下降在三次重复中记录下来。

**3. 结果**
**3.1. 模型性能比较**
使用AUC-ROC、AUC-PR、CSI和Brier分数评估了模型性能。结果总结在表2和图8、图9、图10、图11和图12中。表2. 基于AUC-ROC、AUC-PR、CSI和Brier分数评估的ML和DL模型的性能指标，用于同震滑坡概率映射。指标是在包含10个最高滑坡密度128 × 128像素块（总共655,360像素；正类占比 = 6.35%；无技能AUC-PR基线 = 0.0635）的基于块的评估域上计算的。图8. 模型判别性能。(a) 比较CNN、U-Net、DeepLabV3、随机森林和XGBoost的ROC曲线。(b) 强调在类别不平衡下的滑坡检测性能的精确度-召回率曲线。图9. 在0.5概率阈值下五个评估模型的行标准化混淆矩阵（%）：(a) 随机森林，(b) XGBoost，(c) CNN，(d) U-Net，(e) DeepLabV3。行表示真实类别；列表示预测类别。图10. 由(a) 随机森林（AUC-ROC = 0.9483，CSI = 0.3027），(b) XGBoost（AUC-ROC = 0.9501，CSI = 0.1674），(c) CNN（AUC-ROC = 0.9358，CSI = 0.1752），(d) U-Net（AUC-ROC = 0.9296，CSI = 0.2122），(e) DeepLabV3（AUC-ROC = 0.9353，CSI = 0.2307）生成的同震滑坡概率图，整个研究区域，以及(f) 参考滑坡清单（真实情况）。颜色条的范围从0（绿色，低概率）到1（红色，高概率）；面板(f) 是二值掩码。黑色星号表示2015年Gorkha地震的震中；黑点表示加德满都的位置。图11. 在尼泊尔中部喜马拉雅山脉两个代表性子区域内，从左到右放大显示的XGBoost、随机森林、U-Net、CNN和DeepLabV3的同震滑坡概率预测与参考滑坡清单（真实情况）的视觉比较。颜色条的范围从0（绿色，低概率）到1（红色，高概率）。图12. 评估模型的基于排列的特征重要性：(a) 随机森林，(b) XGBoost，(c) CNN，(d) U-Net，(e) DeepLabV3以及(f) 集成平均排列重要性，显示条件因素对滑坡预测的相对贡献。

**3.1.1. 判别和排名**
模型性能是在包含前10个滑坡密度最高的128 × 128像素块（总共655,360像素，41,599个滑坡像素，正类占比 = 6.35%）的基于块的评估域上评估的。选择这个基于块的评估域是因为它与DL模型的操作空间分辨率相匹配，显著提高了正类占比（高于全栅格值0.47%），并将评估重点放在滑坡密度高的地形上，这是模型技能最具有操作相关性的地方。无技能AUC-PR基线为6.35%时的值为0.0635。ROC曲线显示所有五种架构都有很强的判别能力：XGBoost获得了最高的AUC-ROC（0.9501），其次是RF（0.9483），CNN（0.9358），DeepLabV3（0.9353），U-Net（0.9296）。这些值紧密聚集，反映了不同范式之间大致相当的判别能力。因为即使在类别不平衡的情况下，ROC-AUC也可以保持较高，因此AUC-PR和CSI提供了更具操作意义的滑坡检测性能度量，并在以下小节中进行了讨论。

**3.1.2. 精确度-召回率和阈值性能**
在基于块的评估域内（占比 = 6.35%，无技能基线 = 0.0635），RF获得了最高的AUC-PR（0.7940），几乎是无技能基线的12.5倍，其次是XGBoost（0.6222），CNN（0.5752），DeepLabV3（0.5745），U-Net（0.5451）。RF的精确度-召回率优势反映了它能够为真实的滑坡像素分配校准良好的高概率，同时保持较低的误报率，这是由于20:1的多数过采样和等值概率校准的结果。深度学习模型的AUC-PR值低于随机森林（RF），但显著高于之前的全栅格评估结果，这证实了基于补丁的评估方法更能准确捕捉它们的分割能力。在0.5的固定阈值下，DeepLabV3取得了最高的CSI（0.2307），其次是U-Net（0.2122）、CNN（0.1752）、RF（总体最佳为0.3027）和XGBoost（0.1674）。RF在CSI上也表现优异，因为其在0.5阈值下的高精度避免了XGBoost和CNN中常见的大量误报情况。在概率校准方面，DeepLabV3产生了最低的Brier分数（0.0693），其次是RF（0.0786）、XGBoost（0.1397）、U-Net（0.1450）和CNN（0.1641），表明尽管其AUC-PR相对较低，但DeepLabV3生成的补丁级概率图校准得很好。总体而言，RF在AUC-PR（0.7940）和CSI（0.3027）方面提供了最强的组合，使其成为专注于滑坡精确度-召回率性能的最有效模型。DeepLabV3还在0.5阈值下提供了最佳的校准效果（Brier = 0.0693）。这两种模型类型的互补优势将在第4节中进一步探讨。

3.1.3 混淆矩阵解释
在0.5阈值下评估了行标准化的混淆矩阵（图9），通过在基于补丁的域（655,360像素；滑坡发生率为6.35%）上从0.1到0.8进行扫描确认了这一结果。第1行（“无滑坡”）显示了特异性（左上角）和误报率（右上角）；第2行（“有滑坡”）显示了漏检率（左下角）和召回率（右下角）。

随机森林（图9a）：整体平衡最佳；滑坡召回率为88.09%，无滑坡特异性为88.68%，误报率最低（11.32%），这归功于20:1的下采样和等值校准。在AUC-PR（0.7940）和CSI（0.3027）方面领先于所有模型。

XGBoost（图9b）：在0.5阈值下最为保守；滑坡召回率最低（83.73%）和漏检率最高（16.27%）。中等的误报率（19.96%）和最高的AUC-ROC（0.9501）证明了其强大的全局区分能力。由于漏检率较高，CSI（0.1674）是最低的。

CNN（图9c）：滑坡召回率最高（92.40%），但误报率第二高（26.94%），因为其保留分辨率的架构在滑坡密集区域广泛分配了较高的概率。因此CSI（0.1752）和Brier分数（0.1641）相应较低。

U-Net（图9d）：接近CNN的召回率（91.86%），误报率较低（22.92%），因为跳跃连接将概率更紧密地集中在滑坡边界附近。CSI（0.2122）和Brier分数（0.1450）均优于CNN，使U-Net成为最平衡的深度学习模型。

DeepLabV3（图9e）：选择性最强；特异性最高（91.49%），误报率最低（8.51%），但滑坡召回率最低（77.16%）和漏检率最高（22.84%），反映了ASPP模块的保守多尺度分配。由于其非常低的误报率，它在所有模型中获得了最高的CSI（0.2307）。

3.2 空间概率图
训练好的模型被应用于整个研究区域，生成了随机森林、XGBoost、CNN、U-Net和DeepLabV3的逐像素滑坡概率图。每张图表示同震滑坡发生的预测概率（0–1），便于直观比较不同模型之间的空间易感性模式。一致被识别为高概率的区域表明对滑坡易发地形的共识较强，而差异反映了每种架构的不同学习行为。基于树的模型（RF和XGBoost）生成了全覆盖率的地图，而深度学习模型的输出则通过平铺和镶嵌得到了连续的概率表面。

图11展示了XGBoost、随机森林、U-Net、CNN和DeepLabV3生成的放大滑坡概率图与参考滑坡清单之间的视觉对比。所有模型都成功勾勒出了山谷走廊中的主要滑坡集中区；然而，深度学习模型，特别是U-Net和DeepLabV3，更好地捕捉了细尺度的空间模式，并与实际情况更为吻合。基于树的模型产生的易感性模式更为平滑，并在周围区域显示出相对较高的空间过度预测。

3.3 预测因子的重要性、InSAR的作用以及Ksn的优势
排列分析（第2.5节）显示，多种地形和地震因素都对滑坡预测有贡献，包括DEM、PGA、坡度和排水密度，尽管它们的相对影响因模型而异。为了识别不同模型架构中最具影响力的因素，分别计算了五种模型（随机森林、XGBoost、CNN、U-Net和DeepLabV3）的排列重要性。由于基于树的模型和深度学习模型的原始排列重要性分数尺度不同，首先通过将每个特征的重要性除以该模型内所有特征重要性的总和来对每个模型的重要性进行归一化。这样可以确保每个模型对最终排名都有相同的贡献。然后计算了所有五种模型中每个因素的集合（平均）归一化排列重要性，作为这些归一化值的算术平均值。还计算了模型间的标准差，以指示每个因素重要性的一致性。这种集合方法提供了一个对任何单一模型类型都不偏倚的特征重要性排名。集合归一化排列重要性的完整结果详见附录A中的表A2。

3.3.1 InSAR的作用
InSAR衍生的变量（LOS位移和DPM）在基于补丁的评估中一致提高了所有五种模型的性能。InSAR的加入使每个模型的AUC-PR提高了：RF提高了11.4%，XGBoost提高了17.0%，CNN提高了17.3%，U-Net提高了7.8%，DeepLabV3提高了9.2%（图13）。值得注意的是，XGBoost（+17.0%）和CNN（+17.3%）的相对AUC-PR提升最大，而U-Net的提升最为温和（+7.8%）。AUC-ROC的提升也是一致的，但幅度较小：XGBoost提高了0.038，RF提高了0.018，CNN提高了0.014，U-Net和DeepLabV3都提高了0.003。InSAR还显著改善了概率校准：所有五个模型的Brier分数都有所下降，其中XGBoost的下降幅度最大（ΔBrier = ?0.080），DeepLabV3的下降幅度最大（ΔBrier = ?0.065），表明同震LOS和DPM帮助模型分配了更清晰、分辨率更高的概率值。这些提升证实了即使是标量级的每像素InSAR值也具有超越十二个静态地貌和地震预测因子的区分能力，而深度学习模型的更大Brier提升反映了通过卷积感受野对变形纹理的空间利用所带来的额外好处。

3.2.2 空间概率图
训练好的模型被应用于整个研究区域，生成了随机森林、XGBoost、CNN、U-Net和DeepLabV3的逐像素滑坡概率图。每张图代表了同震滑坡发生的预测概率（0–1），便于比较不同模型之间的空间易感性模式。一致被识别为高概率的区域表明对滑坡易发地形的共识较强，而差异反映了每种架构的不同学习行为。基于树的模型生成了全覆盖率的地图，而深度学习模型的输出则通过平铺和镶嵌得到了连续的概率表面。

图11展示了XGBoost、随机森林、U-Net、CNN和DeepLabV3生成的放大滑坡概率图与参考滑坡清单之间的视觉对比。所有模型都成功勾勒出了山谷走廊中的主要滑坡集中区；然而，深度学习模型，特别是U-Net和DeepLabV3，更好地捕捉了细尺度的空间模式，并与实际情况更为吻合。基于树的模型产生的易感性模式更为平滑，并在周围区域显示出相对较高的空间过度预测。

3.3.3 预测因子的重要性、InSAR的作用以及Ksn的优势
排列分析（第2.5节）显示，多种地形和地震因素都对滑坡预测有贡献，包括DEM、PGA、坡度和排水密度，尽管它们的相对影响因模型而异。为了识别不同模型架构中最具影响力的因素，分别计算了五种模型（随机森林、XGBoost、CNN、U-Net和DeepLabV3）的排列重要性。由于基于树的模型和深度学习模型的原始排列重要性分数尺度不同，首先通过将每个特征的重要性除以该模型内所有特征重要性的总和来对每个模型的重要性进行归一化。这样可以确保每个模型对最终排名都有相同的贡献。然后计算了所有五种模型中每个因素的集合（平均）归一化排列重要性，作为这些归一化值的算术平均值。还计算了模型间的标准差，以指示每个因素重要性的一致性。这种集合方法提供了一个对任何单一模型类型都不偏倚的特征重要性排名。集合归一化排列重要性的完整结果详见附录A中的表A2。

3.3.1 InSAR的作用
InSAR衍生的变量（LOS位移和DPM）在基于补丁的评估中一致提高了所有五种模型的性能。InSAR的加入使每个模型的AUC-PR提高了：RF提高了11.4%，XGBoost提高了17.0%，CNN提高了17.3%，U-Net提高了7.8%，DeepLabV3提高了9.2%（图13）。值得注意的是，XGBoost（+17.0%）和CNN（+17.3%）的相对AUC-PR提升最大，而U-Net的提升最为温和（+7.8%）。AUC-ROC的提升也是一致的，但幅度较小：XGBoost提高了0.038，RF提高了0.018，CNN提高了0.014，U-Net和DeepLabV3都提高了0.003。InSAR还显著改善了概率校准：所有五个模型的Brier分数都有所下降，其中XGBoost的下降幅度最大（ΔBrier = ?0.080），DeepLabV3的下降幅度最大（ΔBrier = ?0.065），表明同震LOS和DPM帮助模型分配了更清晰、分辨率更高的概率值。这些提升证实了即使是标量级的每像素InSAR值也具有超越十二个静态地貌和地震预测因子的区分能力，而深度学习模型的更大Brier提升反映了通过卷积感受野对变形纹理的空间利用所带来的额外好处。

图13. InSAR衍生输入（LOS位移和DPM）对同震滑坡概率映射的定量贡献，在基于补丁的域（655,360像素；滑坡发生率为6.35%；决策阈值=0.5）上进行评估。(a) 所有五种模型有无InSAR输入时的绝对AUC-PR值；红色虚线表示6.35%正类发生率下的无技能基线（AUC-PR = 0.0635）。(b) 当包含InSAR时AUC-PR的相对百分比变化，计算公式为（包含 - 不包含）/ 不包含 × 100。图14中的空间消融实验证实了这些定量发现：排除InSAR输入会导致主喜马拉雅逆冲断层悬壁上的特定滑坡簇被低估或完全遗漏，而重新引入LOS位移和DPM则使滑坡边界的概率梯度更加清晰，并抑制了相邻稳定地形中的弥漫性误报。表3中的定量指标和图14中的空间对比共同证实了LOS位移和基于相干性的DPM在基于AI的同震滑坡概率映射中提供了有意义且空间定向的改进，特别是对于通过卷积感受野利用变形场空间结构的深度学习架构。

3.3.2 Ksn的优势
集合归一化排列重要性分析明确指出，归一化通道陡度指数（Ksn）是最具影响力的预测因子。Ksn的平均重要性最高（0.1791），始终排在所有其他地形和地震因素之上，包括DEM、排水密度和PGA。这一结果突显了河流侵蚀和构造驱动的坡度加剧在控制地震诱发滑坡中的主导作用。高Ksn值有效地勾勒出了过度陡峭、易发生滑坡的地形，支持了其作为活跃山脉带中地貌指标的稳健性和可转移性。尽管其他变量如DEM和排水密度也显示出相对较高且一致的影响，但它们的平均重要性明显低于Ksn。相比之下，PGA和DPM在不同模型间的变异性较大，表明它们的影响更依赖于模型本身。Ksn在基于树的模型和深度学习架构中都表现出相对较强且稳定的信号，进一步强化了其对滑坡易感性的主要控制作用。为了进一步空间上检验这种关系，推导出了Ksn密度表面，并将其分为五个等级（非常低、低、中、高和非常高）。然后提取了四条南北向剖面线，分析了这些剖面上滑坡的分布情况（图15）。结果显示，大多数滑坡集中在高Ksn等级区域内。这种空间一致性进一步证明了陡峭、高Ksn区域更倾向于发生地震诱发的坡度破坏，进一步证实了Ksn对滑坡发生的主导作用。

4. 讨论
本研究表明，将机器学习和深度学习与InSAR衍生产品和地貌指数相结合，为尼泊尔喜马拉雅地区的基于事件的同震滑坡概率建模提供了一个强大的框架。对随机森林、XGBoost、CNN、U-Net和DeepLabV3的比较评估显示，所有模型都能够再现2015年Gorkha地震引发的滑坡的广泛空间模式，但它们在区分能力、校准和空间细节上存在差异。特别是，InSAR视线（LOS）位移、基于相干性的损伤代理图（DPM）和归一化通道陡度指数（Ksn）的结合成为模型性能的关键驱动因素。

4.1 模型性能
基于树的模型（随机森林和XGBoost）在整体上获得了最高的AUC-ROC，其中RF达到了0.9483，XGBoost达到了0.9501。然而，它们在其他指标上的表现存在显著差异：随机森林在AUC-PR（0.7940）、CSI（0.3027）和Brier分数（0.0786）方面表现突出，表明其概率校准良好且在类别不平衡的情况下仍具有很强的能力。相比之下，XGBoost的校准较为温和（Brier = 0.1397），CSI在所有模型中最低（0.1674），表明尽管其区分能力较强，但预测结果往往过于自信。考虑到同震滑坡清单中类别不平衡的严重性，随机森林的优越AUC-PR尤其值得注意，因为在这些清单中滑坡像素仅占研究区域的一小部分。与主要受真实负样本影响的AUC-ROC不同，AUC-PR完全关注正类，因此在不平衡情况下是一个更具挑战性和信息量的指标。随机森林之所以能获得较高的AUC-PR，主要是因为其基于装袋的集成平均方法产生了校准良好、平滑的概率分布，而不是过于自信的峰值——确保了所有决策阈值下的概率排名都具有意义。此外，每次分割时的特征随机性使得各个树之间的相关性降低，迫使集成模型构建出互补的景观表示，并在召回率增加的情况下仍保持高精度。相比之下，XGBoost的顺序提升策略积极最小化了残差，倾向于产生中等校准的概率（Brier = 0.1397），其CSI在所有模型中处于中等水平，而其最低的CSI（0.1674）反映了在0.5阈值下的高漏检率，而不仅仅是概率校准问题。

在深度学习模型中，DeepLabV3获得了最高的CSI（0.2307）和最佳的校准概率（Brier = 0.0693），其次是U-Net（CSI = 0.2122，Brier = 0.1450）。CNN在这组模型中的表现最弱，CSI最低（0.1752），校准效果也最差（Brier = 0.1641），这与平面卷积分类器在严重类别不平衡情况下倾向于将预测概率推向极端的情况一致。深度学习模型通常显示出比随机森林更低的AUC-PR值，因为在类别严重不平衡的情况下进行块级训练意味着大多数块中包含非常少或没有滑坡像素，导致损失信号主要由背景信息主导，从而难以在召回阈值范围内保持高精度。DeepLabV3通过其ASPP多尺度上下文聚合技术部分缓解了这一问题，该技术能够在块区域内产生更稳定的概率估计。在空间上，深度学习模型（尤其是U-Net和DeepLabV3）通过利用邻域空间上下文更好地捕捉到细小的滑坡簇和边界。相比之下，基于树的模型生成的地图更为平滑，并且略微高估了周围区域的滑坡概率，这与它们基于像素的、无上下文的分类策略一致。需要注意的是这两种建模范式之间存在根本的不对称性：机器学习模型（如RF、XGBoost）仅使用局部特征向量逐像素地进行操作，而深度学习模型（如CNN、U-Net、DeepLabV3）则利用128×128像素的块来明确捕捉相邻像素之间的多尺度空间关系。这意味着这两种范式家族学习了质量上不同的景观表示，因此直接进行指标数值比较并不完美，但仍具有参考价值。性能差异可能反映了深度学习模型可利用的空间上下文以及集成树方法通过内置平均机制实现的高概率校准。

除了性能指标之外，考虑每种范式从相同的14波段预测器堆栈中学习到的内容也是很有启发性的。随机森林和XGBoost逐像素地操作，在14维特征空间中学习各个预测器的阈值组合；例如，具有高Ksn值、陡峭坡度和显著地面位移（LOS）的像素无论其空间邻域如何都具有较高的滑坡概率。随机森林在AUC-PR上的优势（0.7940）不仅反映了其架构的简单性，还体现了三个明确的方法论优势：以20:1的比例对多数类进行下采样，使决策边界向滑坡类倾斜；训练后的等值回归校准，用于纠正在类别严重不平衡情况下的概率过度自信问题，从而产生有序的概率排名，直接影响AUC-PR；以及基于装袋的集成平均，可以降低单个模型的不确定性并保持高精度。相比之下，深度学习模型学习卷积滤波器，这些滤波器能够响应128×128像素块内的空间梯度、纹理和多尺度共现模式；U-Net的跳跃连接将概率紧密集中在滑坡边界附近（误报率为22.92%），DeepLabV3的ASPP模块产生保守但校准良好的概率估计（Brier = 0.0693，误报率为8.51%），而CNN缺乏多尺度聚合导致滑坡密集区域的概率分布较为广泛（误报率为26.94%，Brier = 0.1641）。尽管学习单元存在差异，但跨范式的比较仍然有意义，因为这两种范式都是在相同的空间域上使用相同的指标进行评估的，并且它们解决了互补的操作需求：随机森林适用于快速、可解释的区域筛查，而深度学习模型适用于空间细节丰富的滑坡边界 delineation。

4.2. InSAR派生产品的角色
InSAR派生的地面位移（LOS）和DPM显著改善了所有五种架构的模型结果。当从预测器堆栈中移除InSAR派生层时，所有模型的AUC-PR下降了7.8-17.3%，并且Gorkha-Sindhupalchok走廊中的几个已知高滑坡区域要么被低估，要么完全被遗漏。CNN（+17.3%）和XGBoost（+17.0%）的改进最为显著，而U-Net（+7.8%）和DeepLabV3（+9.2%）的改进较为温和。CNN的显著改进反映了卷积架构能够利用LOS位移和DPM中的空间梯度和纹理模式，而这些是逐像素分类器无法识别的。DPM是从SAR相干性损失中生成的，能够可靠地检测到受地表破坏影响的像素，这与同震质量运动一致。相比之下，LOS位移提供了地面变形幅度的连续测量。这两种互补的信号显著减少了陡峭、植被茂密地形中的解释歧义。这些发现与其他山脉中的近期InSAR+ML研究结果一致。Zhu等人[25]证明，SBAS-InSAR时间序列变形显著改善了中国东川地区的滑坡易发性映射，Vaka等人[26]报告称，在加利福尼亚州将InSAR特征与地形指数结合用于滑坡映射时，AUC值显著提高。我们的结果将这些发现扩展到了尼泊尔喜马拉雅地区的同震背景中，证实了从震前/震后图像对中提取的单次通过InSAR产品能够快速有效地补充静态地形变量，这在云层覆盖频繁、地震后光学图像难以立即获取的地区具有关键优势。

4.3. Ksn和地貌控制因素的主导作用
在所有模型中，Ksn始终是最具影响力的因素（集成平均归一化重要性=0.1791 ± 0.045），突显了地貌对构造活跃、高起伏地形中同震滑坡的强烈控制作用。高Ksn值对应于陡峭、活跃侵蚀的沟渠和过度陡峭的斜坡，在强烈震动下更容易发生滑坡。密度和剖面分析进一步支持了这种关系：大多数被映射的滑坡都发生在高Ksn值区域，Ksn密度的峰值与滑坡簇相对应。这证实了Ksn是长期构造-地貌倾向的物理上有意义的代理指标。这些结果与地貌理论一致：尼泊尔喜马拉雅地区以明显的断崖带和主喜马拉雅逆冲断层脚壁上的异常高沟渠梯度为特征，即使在中等地震负荷下也会引发物质流失。一个潜在的敏感性问题是参考凹度θ_ref = 0.45的选择，这一值在全球范围内适用于分级基岩河流，但可能无法完美反映尼泊尔喜马拉雅地区的复杂岩性和构造变化。为了评估这一点，我们注意到Ksn的主导作用在所有五种模型中都是一致的，涵盖了逐像素和基于块的范式，这降低了这一结果是由于凹度假设造成的假象的可能性。此外，对喜马拉雅河流的区域研究[34,35]表明，主中央逆冲断层和主边界逆冲断层上的Ksn模式在一系列参考凹度值（0.40–0.50）范围内都是稳健的，支持了我们特征排名的物理可信度。尽管如此，未来的工作应系统地测试Ksn对排水面积阈值和θ_ref的敏感性，覆盖尼泊尔喜马拉雅地区的全部可能范围。

4.4. 含义、局限性和未来工作
将InSAR指标和Ksn整合起来提供了一种可扩展的方法，仅使用SAR和DEM即可快速进行地震后危险性筛查，无需现场调查，并且可以在事件发生后的几天内部署，这在云层覆盖频繁、数据稀缺的山地环境中是一个重要优势。通过InSAR产品编码实际的同震变形场，这种方法超越了静态地形易发性映射，转向了动态的、特定于地震的概率建模，支持喜马拉雅弧范围内的风险优先级划分和应急响应规划。需要注意的是几个局限性：所有模型都是基于单一事件（2015年Gorkha地震）进行训练的，因此本文中的“可转移性”是指SAR和DEM输入的全球可用性，而不是跨事件的泛化能力。三折盆地交叉验证虽然稳健，但受到库存覆盖范围的限制；随着数据的扩展，建议采用更细粒度的区块设计。来自库存映射、InSAR处理和Ksn提取的不确定性在没有正式不确定性量化的情况下难以完全界定。如2.2.4节所解释的，有意将岩性作为独立预测因子排除在外，因为研究区域主要由地质均匀的更高喜马拉雅变质岩序列构成，其中坡度角有效地起到了替代作用。最后，深度学习模型的计算成本远高于集成树方法，这限制了它们在时间敏感的灾后应用中的可扩展性。未来的工作应重点关注三个方面：在其他喜马拉雅地震（例如2023年Mw 6.4 Jajarkot地震）上测试跨事件的可转移性，并对比不同的构造环境；通过多轨道分解、震前时间序列速度和相干性指标丰富InSAR预测器集；以及为深度学习模型实施正式的不确定性量化，如蒙特卡洛dropout方法，并分析Ksn参数的敏感性，以生成具有明确置信区间的概率危险性产品。将数据驱动的概率图与基于物理的坡度稳定性模型相结合，是提高可解释性和扩展地质多样性环境中应用范围的一个有前景的长期方向。

5. 结论
本研究比较了五种机器学习和深度学习模型在2015年Gorkha地震中的同震滑坡概率映射性能，使用了包含InSAR地面位移、基于相干性的DPM和基于DEM的地形指数（包括Ksn）的14波段预测器堆栈。对所有五种模型应用了留一盆地法的三折空间交叉验证以防止数据泄露，并在高滑坡密度区域（655,360像素，正类占比=6.35%）进行了评估。所有模型都捕捉到了滑坡的整体空间模式，但它们的性能特征存在显著差异。基于树的模型（RF和XGBoost）表现出最高的AUC-ROC（分别为0.9483和0.9501）和AUC-PR（RF为0.7940，几乎是无技能基线的12.5倍），RF还实现了最高的整体CSI（0.3027）和最佳的总体召回率-特异性平衡。DeepLabV3在所有模型中产生了最准确的概率估计（Brier = 0.0693）和最高的DL CSI（0.2307），在类别严重不平衡的情况下表现出更好的性能，并且能够更精细地划分滑坡簇。在深度学习模型中，U-Net实现了最平衡的空间检测性能（CSI = 0.2122，Brier = 0.1450），而CNN虽然实现了最高的召回率（92.40%），但误报率也是所有模型中最高的（26.94%），校准效果最差（Brier = 0.1641）。深度学习分割模型通过利用块级空间上下文生成更清晰、空间连贯性更高的概率图，而基于树的模型通过逐像素特征区分生成了更平滑但略微高估的易发性场。InSAR派生的地面位移和DPM显著提高了所有五种架构的区分能力和校准精度，相对于仅基于地形的基线，AUC-PR提高了7.8-17.3%，其中深度学习模型的提升最为显著。在所有模型中，归一化沟渠陡度指数（Ksn）始终是最主要的预测因子（集成平均重要性=0.1791 ± 0.045），证实了地貌和构造对尼泊尔喜马拉雅地区地震触发滑坡的强烈控制作用。用于Ksn计算的参考凹度遵循了区域性的喜马拉雅地貌研究，不同范式模型中Ksn主导作用的一致性支持了这一发现的稳健性。总体而言，我们的结果表明，将InSAR产品与Ksn及相关DEM派生指标相结合，为高起伏、数据稀缺地区的同震滑坡概率映射提供了一个遥感框架。然而，需要注意的是，“可转移性”在这里指的是使用全球可访问的遥感输入，而不是已经证明的跨事件泛化能力。集成树模型提供了效率、稳健性和区域筛查的可解释性，而深度学习架构则以更高的计算成本增加了细尺度的空间细节。当前研究的主要局限性包括单事件训练、缺乏岩性条件以及InSAR处理和Ksn提取中的不确定性未量化。需要在不同的地震和构造环境中进一步验证，整合岩性数据，并进行正式的不确定性量化，以确认这一框架的更广泛适用性，并建立结合InSAR、地貌指标和机器学习/深度学习方法的最佳实践。