利用群体智能和多时相InSAR技术进行动态滑坡易发性制图

《Geomatics, Natural Hazards and Risk》：Dynamic landslide susceptibility mapping using swarm intelligence and multi-temporal InSAR

　　摘要
精确的滑坡易发性制图是有效缓解采矿影响环境风险的关键；然而，大多数现有方法依赖于静态假设和单维度优化，这限制了它们捕捉斜坡不稳定性演变的能力。为了克服这一限制，本研究提出了一种混合框架，将群体智能优化的机器学习与多时相InSAR技术相结合，用于动态滑坡易发性制图。首先使用SI-MaxEnt-ANN模型生成静态滑坡易发性地图（LSM），其中MaxEnt用于条件因素筛选、离散化和非滑坡样本提取，以提高输入数据质量，同时使用三种群体智能算法（包括Honey Badger算法、Sailfish优化器和Gray Wolf优化器）来优化ANN参数，提高全局搜索效率和预测稳健性。随后，通过更新矩阵将来自Stacking-InSAR的表面变形率纳入其中，使LSM从静态模式转变为动态表示。评估结果显示，HBA-MaxEnt-ANN模型的性能优于传统ANN模型11.3%（AUC=0.959）。可解释性分析确定海拔、距道路的距离、距采空区的距离、STI、岩性和坡度是主要控制因素。在三个代表性区域的验证表明，动态LSM能够有效捕捉活跃的滑坡过程。所提出的框架有助于资源型城市的灾害管理和可持续发展。

关键词：元启发式优化；易发性建模；InSAR变形；动态制图；模型可解释性

1. 引言
资源型城市由于长期密集的工程活动而遭受严重的生态破坏，导致地质灾害事件（如地面沉降、裂缝、滑坡等）频繁发生。滑坡是最具破坏性的地质灾害之一，对人类生命造成巨大伤害，并对财产和基础设施造成巨大损失（Xu等人，2022年；Zhu等人，2022年）。滑坡易发性地图（LSM）为风险评估和灾害缓解提供了重要工具（Liu等人，2024年；Pradhan等人，2023年）。因此，尽快准确预测滑坡事件对于有效的地质灾害管理至关重要。
滑坡易发性制图描述了给定区域内未来发生滑坡的概率（Wang等人，2021年）。一方面，由于滑坡发展的复杂性，可靠的滑坡预测一直具有挑战性。数据驱动的机器学习方法因其强大的处理非线性关系的能力而受到青睐，从而提高了预测准确性（Huang等人，2020年）。广泛应用的方法包括最大熵（MaxEnt）（Jiao等人，2019年；Novellino等人，2021年）、支持向量机（Chen等人，2018a；Wang等人，2019年）、k最近邻（Sameen等人，2020年）、随机森林（Chen等人，2018c；Hong等人，2019年）、决策树（Tanyu等人，2021年）、贝叶斯建模（Chen等人，2018b）和深度神经网络（Lv等人，2022年；Yi等人，2020年）。尽管上述技术有效，但单模型训练往往容易出现过拟合和欠拟合问题，这会损害模型的稳健性和准确性。混合机器学习方法有效缓解了单一方法的缺点（Dung等人，2021年；Kainthura和Sharma，2022年；Youssef等人，2024年）。结合元启发式和机器学习的混合模型已成为当前研究的重点，以解决机器学习模型在参数优化中容易陷入局部最优解的局限性，从而提高其性能（Benbouras等人，2022年；Huqqani等人，2023年；Zhang等人，2022b）。
另一方面，对于受持续采矿作业影响的资源依赖型城市，传统的LSM生成方法仅提供静态易发性信息，无法考虑滑坡的动态演变。研究人员最近越来越感兴趣于使用合成孔径雷达（SAR）图像进行滑坡的制图和检测（He等人，2023年；Mondini等人，2021年）。地面变形可以通过干涉测量合成孔径雷达（InSAR）进行准确监测，这是一种强大的遥感技术（Zhang等人，2024年）。多时相InSAR（MT-InSAR）方法的发展，包括小基线子集InSAR（SBAS-InSAR）、持久散射体InSAR（PS-InSAR）和Stacking-InSAR等，为理解变形模式提供了宝贵信息（Ashraf等人，2024年；Chen等人，2023年；Xu等人，2022年）。Stacking-InSAR方法旨在确定变形率，与其他时间序列技术相比具有计算简单、处理快速和成本低的优点。这种方法特别适合在采矿区定性且高效地识别潜在滑坡（Jiang等人，2025年；Zhang等人，2021年）。
尽管许多混合框架将InSAR衍生的变形率作为因果因素，但它们通常将其视为静态参数，导致生成的LSM也是静态的。基于静态InSAR的LSM本质上无法解决现实世界治理中的三个关键缺陷：（1）它们无法捕捉由极端降雨或新的采矿干扰等时变因素引起的短期易发性峰值；（2）它们未能充分利用InSAR时间序列数据中包含的加速度/减速趋势；（3）它们缺乏决策者所需的实时警报和资源分配所需的敏捷性，决策者需要当前而非平均的风险状态。关键的研究空白在于开发能够捕捉易发性时间波动的框架（Zhu等人，2025年）；这对于采矿活动和环境驱动因素迅速改变坡度稳定性的城市来说是一个关键要求。该领域仍缺乏全面的分析指南，现有的工作流程需要进一步改进。
为了解决这些问题，当前研究旨在通过引入结合群体智能优化机器学习与MT-InSAR技术的混合框架来克服这些限制。提高滑坡易发性评估的准确性、可靠性和动态潜力是本研究的主要目标。首先，我们提出了一种名为SI-MaxEnt-ANN的新方法，该方法结合了群体智能、MaxEnt和ANN模型进行静态滑坡易发性制图。这些模型共同形成了一个高效且准确的预测架构，比现有文献中优化程度较低的混合模型有显著改进。MaxEnt模型用于有效筛选和分类条件因素，并提取一组具有代表性的非滑坡样本。选择ANN作为基础预测模型是因为它能够准确表示滑坡与其影响因素之间的复杂关系（Aditian等人，2018年）。然而，选择最佳优化策略一直是ANN的一个难题。为了解决这个问题，我们利用了模仿动物群体社会行为的群体智能元启发式算法。这些方法在预测滑坡易发性方面表现出很强的有效性（Guo等人，2024年；Jaafari等人，2022年），使它们适合增强我们基于ANN的模型的预测能力。随后，我们采用矩阵评估方法（Wang等人，2024年；Wu等人，2024年）将SI-MaxEnt-ANN框架与Stacking-InSAR相结合。该框架允许根据最新的变形趋势和速度变化更新和重新计算LSM输出，从而将静态评估转变为动态风险量化。这种明确关注建模和响应易发性时间变化的方法，特别是针对采矿引起的深层不稳定性，使我们的工作与现有的静态和局部监测方法区分开来。所提出的框架为改善资源型城市的滑坡预测提供了有希望的解决方案，最终支持更安全和更可持续的采矿作业。

2. 研究区域
中国山西省的太原市是该省的省会，是一个典型的资源型城市。本研究聚焦于太原市的西山矿区（图1），该地区曾是该市重化工产业的核心地带，拥有悠久的煤炭开采历史。研究区域位于东经111°58′~112°27′、北纬37°43′~38°00′之间，面积为536.71平方公里。由于靠近城市且交通便利，该矿山具有良好的可访问性。该地区属于大陆性季风气候，降雨主要集中在7月至9月之间，年降水量为400至600毫米。该地区位于山西高原的中部，处于吕梁山脉范围内。该地区地形崎岖，坡度陡峭，植被茂密，海拔高度在900至1850米之间变化。

图1. 研究区域位置及滑坡空间分布
地图显示了具有地理特征和滑坡分布的研究区域。主地图上用白色勾勒出研究区域，横轴范围为东经112度0分至112度24分，纵轴范围为北纬37度44分至38度0分。在该区域内，红色圆圈标记表示滑坡，浅蓝色线条代表河流，细黑线表示道路。海拔颜色的渐变图显示了从917.575米到1849.68米的数值，较浅的绿色表示较低的海拔，较深的红色表示较高的海拔。研究区域的东南部海拔较高，滑坡浓度也更高。右上角的较小插图显示了研究区域在更大区域中的位置，红色箭头从插图指向主地图。插图包含从0到40公里的刻度尺以及太原市和研究区域的标签。主地图上的刻度尺显示了从0到16公里的距离。

研究区域位于典型的资源型低山地形中，具有复杂的地质条件和密集的采矿活动。该地区的地层以沉积岩为主，包括互层的砂岩、泥岩、页岩和含煤层，这些岩层表现出明显的岩性异质性和不同的力学性质。薄弱的岩层和软硬互层结构广泛分布，为斜坡变形和破坏提供了有利条件。从结构上看，该地区受到多个褶皱和断层系统的影响，这些结构使岩体破碎并削弱了坡度稳定性。这些地质结构决定了滑坡的空间分布，并促进了地下水渗透，进一步降低了不连续处的剪切强度。此外，地形以陡峭的坡度和显著的海拔差异为特征，增强了重力驱动力，促进了物质移动。
采矿活动是该地区的主要人为干扰因素。长期的地下煤炭开采导致了广泛的采空区发展，引发了地面沉降、应力重新分布和次生裂缝的发展。这些采矿引起的变形显著改变了坡度应力状态，尤其是在不利岩性和地形条件下，常常成为滑坡的关键触发因素。滑坡发生与采矿影响区域之间的密切空间关联突显了人为活动在调节研究区域坡度不稳定性方面的关键作用。这种复杂的地质环境和密集的采矿干扰的结合使该地区成为动态滑坡易发性评估的典型且具有挑战性的环境。

3. 材料与方法
图2展示了滑坡空间预测的制图和更新过程。该方法包括三个阶段：（1）数据准备：收集并预处理多源数据集，包括人类活动、水文、地质、环境和地形数据，以生成静态滑坡条件因素。同时，获取并处理SAR数据，使用MT-InSAR技术计算动态表面变形率。（2）滑坡易发性评估：SI-MaxEnt-ANN模型包括系统的工作流程，包括因素选择和离散化、非滑坡样本生成、群体智能优化模型训练、易发性制图、验证和可解释性分析。因素筛选、离散化和非滑坡采样步骤确保了数据的可靠性和减少了冗余。优化程序提高了模型收敛性和预测准确性，生成了初始的静态易发性地图。（3）动态滑坡易发性制图：将MT-InSAR和静态LSM得到的变形率地图结合起来，生成动态易发性地图。这一阶段反映了坡度不稳定性的时间演变，支持持续的风险监测。

图2. 本研究流程图
流程图展示了三个步骤的研究过程。第一步数据准备和处理有两个平行分支。左侧分支“滑坡条件因素”列出了地形、地质、人类活动、水文和环境。右侧分支“Stacking-InSAR处理”显示了Sentinel-1数据、DEM和POD，进而进行预处理、堆叠和地理编码以及差分干涉测量，最终得到基线匹配和变形率地图。第二步滑坡易发性建模和制图包括四个平行部分。因素筛选包括皮尔逊相关分析和MaxEnt贡献分析。细化离散化包括MaxEnt响应曲线和WOE曲线。建模和制图包括SI-MaxEnt-ANN、HBA-MaxEnt-ANN、SFO-MaxEnt-ANN、GWO-MaxEnt-ANN、MaxEnt-ANN和Random-ANN。模型评估包括F1分数、召回率、准确性、精确度、AUC、MAE和RMSE。在这些步骤之后，MaxEnt采样和随机采样生成非滑坡样本。地图显示了通过MaxEnt方法得到的非滑坡样本。LSM分析包括面积比例、滑坡比例、FR和HLRI，所有这些都会导致SHAP解释。第三步，使用InSAR变形数据更新LSM，显示了LSM地图、变形率地图和更新矩阵，这些组合形成了动态LSM地图。验证部分展示了两张滑坡的图像。

3.1. 数据可用性和处理
3.1.1. 滑坡清单
滑坡数据库来源于2021年提供给山西省地质环境监测中心的灾害记录。在受采矿影响的区域内共识别出131个地点，包括不稳定斜坡（64.89%）、崩塌（18.32%）和滑坡（16.79%）。这些类别代表了同一危险连续体中斜坡破坏的不同表现形式。因此，在二元易感性模型中，所有地点都被统一编码为易发生滑坡（正类=1）。这种方法在区域易感性评估中被广泛采用，因为其目的是识别潜在的不稳定性，而不是分类破坏类型。使用基于像素的分层方法来防止较大的多边形主导样本分布。每个绘制的危险多边形都通过30米网格转换为像素，以匹配DEM的分辨率，最终得到1171个正像素。

3.1.2. 滑坡条件因素
基于早期的研究，滑坡易感性评估依赖于五个主要的影响因素：地形、环境、水文、地质和人类活动（Lu等人引用2024；Reichenbach等人引用2018）。从地形图、水文地质图和研究区域的遥感图像中获取的信息被分析，以构建包含24个影响滑坡发生因素的数据集。表1列出了每个指标因素的数据来源。使用ArcGIS 10.8，我们将所有环境因素栅格化为30米×30米的网格（Yang等人引用2023）。

表1. 数据来源。
- 地形数据集：包含了以下因素，这些因素来自1:5000比例尺地形图生成的30米分辨率DEM：海拔、坡向、坡度、地形位置指数（TPI）、剖面曲率、平面曲率、坡形、起伏和微地形（Chen等人引用2021；Sun等人引用2023b；Tang等人引用2020；Zhou等人引用2021）。
- 地质数据集：岩性、距断层的距离、倾角和倾角方向是地质数据集的主要组成部分。使用ArcGIS 10.8，确定每个像素与断层位置之间的欧几里得距离，以量化断层因素的影响（Lu等人引用2024；Youssef等人引用2024）。使用逆距离加权（IDW）方法插值整个研究区域的倾角方向和角度。
- 水文数据集：水文数据集包含距河流的距离、地下水、河流功率指数（SPI）、地形湿度指数（TWI）和沉积物输送指数（STI）（Bathrellos等人引用2024；Chen和Chen引用2021；Ren等人引用2024；Wang等人引用2021）。这些因素主要是使用ArcGIS 10.8的水文模块计算的。距河流的距离因素表示每个网格到河流的距离，计算方法与断层因素相同。
- 环境数据集：包括土地利用和土地覆盖（LULC）以及归一化差异植被指数（NDVI）因素。NDVI是植被覆盖和活力的重要指标。它影响多个间接影响滑坡风险的过程，包括降雨渗透、土壤侵蚀、地表径流和岩石风化（Liu等人引用2022）。NDVI计算使用Google Earth Engine（GEE）平台进行。LULC是不同类型植被如何影响坡度稳定性的指标，以及人类活动在多大程度上改变了环境（Sun等人引用2023b；Zhou等人引用2021）。
- 人类活动影响数据集：包括距道路的距离、归一化差异建筑指数（NDBI）、距采空区的距离和沉降密度。挖掘和填充山脉用于采矿、道路建设和住房开发会扰乱周围地形，从而降低滑坡危险的可能性（Sun等人引用2021b）。沉降密度使用ArcGIS 10.8中的核密度函数进行分析。距道路和采空区的距离计算方法与断层因素相同。NDBI的计算方法与NDVI相同。

3.1.3. 堆叠-InSAR处理
采用MT-InSAR技术获取地表变形信息，以增强滑坡易感性分析。这种方法最小化了去相关效应，并提高了时间序列变形估计的可靠性。在2021年1月9日至2022年12月30日期间，共获取了46幅覆盖研究区域的Sentinel-1A升轨SAR图像，时间采样间隔为12天。这些数据的空间分辨率为5米×20米，入射角为39.23°。Sandwell和Price（引用1998）引入的堆叠-InSAR方法被用来提取动态滑坡易感性映射的地面变形率。选择一个超级主图像作为参考，以确保相位一致性和高相干性。所有剩余图像都与超级主图像进行了配准，并生成了差分干涉图以抑制大气噪声和轨道误差。平均多个干涉对提高了信噪比并减少了去相关效应（Zhu等人引用2022）。所有InSAR数据处理使用ENVI SARscape v5.6和MATLAB R2022a进行，确保了稳健可靠的变形反演，主要步骤如下：
- 数据预处理和对齐：单视复数（SLC）图像与相应的轨道数据对齐并适当导入。随后，图像被裁剪以匹配研究区域的边界。
- 基线连接图和干涉图对生成：根据时间和空间基线阈值将输入的SLC数据配对，以最小化去相关性和大气伪影。最大正常基线设置为5%，最大时间基线设置为60天。这种配置产生了118对干涉图，超级主图像自动选为2021年11月29日。
- 差分干涉测量处理：所有干涉对都与主图像进行了配准。随后，通过平坦化、滤波和相位解包裹处理生成干涉图（Zhong等人引用2024）。Goldstein自适应滤波器有效抑制了斑点噪声，同时保留了相位变形信号。通过设置平均相干性阈值0.3，严重受时间或几何去相关影响的不稳定像素被屏蔽，确保只保留高质量的测量数据。使用最小成本流方法进行相位解包裹，将折叠的相位值转换为绝对变形测量。
- 相位堆叠和地理编码：解包裹和堆叠后，基于加权平均方法计算变形率。然后对结果进行地理编码，生成地表变形率地图（Wang等人引用2023）。
- 为了确保只有与坡度不稳定性相关的变形影响易感性更新，我们进行了地貌条件检查，并使用了坡度阈值（Vaka等人引用2024）。在生成更新矩阵之前，将这些小于10度的区域屏蔽掉。

3.2. 滑坡易感性评估模型
3.2.1. MaxEnt
在满足定义约束的模型中，选择熵最大的模型作为最优选择。设X为一个具有概率分布P(X)的离散随机变量，方程（Equation1(1) H(P)=?∑Xp(X)logP(X)）提供了X的熵。（1）熵满足以下不等式：（2）0≤H(P)≤log|X|，其中|X|表示X的所有可能结果的数量。只有当X的分布是均匀的时候，等号才成立。使用MaxEnt 3.4.3软件（Phillips等人引用2017）进行因素选择、分类和非滑坡样本的生成。MaxEnt模型使用一组定义的参数设置实现。通过10折交叉验证方案评估模型稳定性，重复执行10次以最小化随机性的影响。优化过程采用10^-5的收敛标准，迭代次数限制为500次。保留了1.0的正则化系数，背景样本数量上限为5000。

3.2.2. WOE
使用证据权重（WOE）技术确定每个导致滑坡的因素类别的显著性（Li等人引用2020）。以下是计算公式：（3）W+=lnB/(B+B?)D/(D+D?)，（4）W?=lnBˉ/(B+B?)Dˉ/(D+D?），（5）C=W+?W?，其中W+和W?分别代表环境因素存在和不存在的区域对应的权重值。对于原始数据缺失的区域，权重值为0。B和D分别表示给定环境因素存在区域内的滑坡和非滑坡数量。相反，B?和D?表示缺乏该因素的区域内的相同数量。相对系数C量化了因素类别与滑坡发生之间的相关性。

3.2.3. ANN
人工神经网络（ANN）因其能够表示复杂的非线性相互作用而在滑坡易感性评估中得到广泛应用（Abbaszadeh Shahri等人引用2019）。本研究使用了一个具有四个层次的人工神经网络，包括一个输入层、两个中间隐藏层和一个负责产生输出的层。网络训练使用反向传播算法进行。隐藏层中的神经元数量以及其他网络超参数通过基于训练数据集的网格搜索进行优化。隐藏层采用了修正线性单元（ReLU）激活函数，而输出层采用Sigmoid激活函数，以将输出值限制在0到1之间（Peethambaran等人引用2020）。

3.2.4. 群体智能优化算法
本研究评估了三种基于群体的元启发式算法（灰狼优化器（GWO）、Sailfish优化器（SFO）和蜜獾算法（HBA）在滑坡易感性评估中的优化效果。这些算法在探索-利用能力和对抗过早收敛方面表现出优于传统元启发式算法（如差分进化（DE）和粒子群优化（PSO），特别是在高维、多模态优化任务中。选择GWO作为与地理灾害相关的机器学习模型的成熟基准（Balogun等人引用2021；Benbouras引用2022），而包括HBA和SFO是因为新兴研究报道了更高的优化精度和更好的收敛稳定性（Ikram等人引用2023；Nguyen等人引用2024）。它们的包含使我们能够将这些高潜力优化技术与既定基准（如GWO）进行比较，从而评估它们的性能。它们的互补特性为ANN搜索空间提供了更全面的优化策略，确保模型在我们的复杂数据集上达到最大的预测性能，这是未优化或传统混合模型所缺乏的特性。具体来说，GWO模仿了灰狼的层次组织和协作捕食策略，从而在全局搜索和局部细化之间实现了有效的平衡，同时降低了过早收敛的风险。SFO采用自适应的猎物-捕食者动态，保持了种群多样性并加速了收敛，使其适合复杂的非线性优化任务。HBA受到蜜獾觅食和挖掘策略的启发，提高了局部搜索效率和逃离局部最小值的稳健性。通过比较分析，本研究旨在确定能够有效提高ANN预测性能和稳健性的算法。这些算法提供了多种优化视角，从而提高了模型在滑坡易感性映射中的泛化能力和整体预测性能。

3.2.4.1. GWO
由Mirjalili等人（引用2014）提出的GWO已被用于解决优化问题，包括与滑坡预测相关的问题。四种类型的灰狼按降序排列为α、β、δ和ω。算法的工作原理如下：
- 社会层次结构：首先初始化一群灰狼。在每次迭代过程中，表现最好的三个候选解被分类为α、β和δ，所有其他候选解保留在ω组中。
- 包围猎物：当前灰狼向其目标猎物移动后的新位置可以使用以下公式计算：（6）GWjn=GWp?A|C*GWp?GWj|，其中GWjn是灰狼的更新位置，GWj是其当前位置，GWp是猎物的位置。A是一个介于?a和a之间的随机值，‘a’是一个随着迭代次数增加而线性减少的收敛因子。C是一个介于0和2之间的随机值。
- 狩猎：将前三名狼分配以下位置：GWα、GWβ和GWδ。然后当前灰狼GWωi通过观察灰狼α、灰狼β和灰狼δ来更新其位置。更新后的位置GWωi计算为：（7）GWωi=(GWα+GWβ+GWδ)/3。
- 攻击猎物和搜索猎物：参数C为猎物分配随机权重，减少了算法陷入局部最优解的可能性。A参数模拟了灰狼对猎物的攻击行为。SFO的设计灵感来源于帆鱼在海洋中捕猎沙丁鱼的方式（Shadravan等人，引用2019年）。受到帆鱼捕食行为的启发，建立了一个相应的数学模型，具体步骤如下：1）初始化：在给定的搜索空间内随机进行初始化。沙丁鱼用字母S表示，帆鱼用字母SF表示。2）交替攻击，更新帆鱼的位置：(8) SFnj=SFelite?λj*(rand(0,1)*(SFelite+Sinjured2)?SFj)，其中，在第j次迭代中，SFnj表示更新后的帆鱼位置。SFelite代表最优帆鱼位置，Sinjured代表最优沙丁鱼位置，SFj表示帆鱼的当前位置。系数λj的计算公式为：(9) λj=2*rand(0,1)*(1+pp)?1?(1+pp)?1，其中pp是帆鱼和沙丁鱼数量的比例。3）捕获猎物并更新沙丁鱼位置：随着狩猎时间的推移，由于频繁而激烈的攻击，猎物体内的能量会减少，导致其逃脱能力下降，最终被捕获。因此，沙丁鱼的位置更新如下：(10) Snj=r*(SFelite?Sj+AP)，其中r表示0到1之间的随机生成的值。AP表示第j次迭代中的帆鱼攻击能力系数。4）帆鱼替换沙丁鱼位置：当前沙丁鱼的适应度值较高时，会替换现有的沙丁鱼：(11) SFj=Sj，如果SFj
3.2.4 hba：受到蜜獾双重觅食策略（挖掘和收集蜂蜜）的启发，hashim等人（引用2022年）开发了一种新的群体智能方法，称为蜜獾算法。主要算法步骤如下：1）初始化hba参数：根据以下公式初始化蜜獾的数量及其位置：(12) hbj=lbj+r1*(ubj+lbj)，其中hbj表示第j只蜜獾的位置，r1表示0到1之间的随机选定的值；lbj和ubj分别表示搜索空间的下限和上限。2）定义气味强度ij：猎物浓度和捕食者-猎物距离影响蜜獾感知的气味强度，公式如下：(13) ij=r2*/4π(hbp?hbj)2(hbj?hbj+1)2，r2∈(0,1)，其中hbp表示猎物位置。蜜獾离蜂巢越近，气味强度越强。3）更新密度因子ρ：ρ调整随机因子，随着迭代次数的增加而变化，以促进从探索到利用的逐步转变：(14) ρ=k*exp(/t?t)，其中t表示当前迭代次数，t表示最大迭代次数，k是一个不小于1的常数。密度因子ρ随着迭代次数的增加而非线性减少。4）在挖掘模式下更新个体位置：位置更新遵循类心形模式，表达式为：(15) hbjn=hbp+f*β*ij*hbp+f*r3*ρ*dj*|cos(2πr4)*[1?cos(2πr5)]|，其中hbjn表示更新后的蜜獾位置，dj表示猎物与第j只蜜獾之间的距离，β≥1表示蜜獾的食物获取能力，f用于改变搜索方向，公式如下：(16) f={1 if r6≤0.5 else...，其中r3、r4、r5、r6都是区间(0, 1)内的随机数。5）在蜂蜜模式下更新个体位置：(17) hbjn=hbp+f*r7*ρ*dj，r7∈(0,1)。

3.2.5 si-maxent-ann框架：本研究提出了一个混合机器学习框架si-maxent-ann，通过将群体智能优化算法与maxent模型和ann结合，标准化了滑坡易发性建模工作流程。其有效性通过三种混合变体进行评估：gwo-maxent-ann、sfo-maxent-ann和hba-maxent-ann。si-maxent-ann采用两阶段双重优化策略。首先应用maxent模型高效处理仅包含存在信息的滑坡清单数据，估计每个条件因素的边际贡献和概率分布，从而确定它们对滑坡发生的相对影响。这些先验结果用于因素筛选、分类变量优化和代表性非滑坡样本的选择。从第一阶段获得的优化特征随后被输入ann进行训练。为了进一步提高预测能力，采用了三种群体智能算法（gwo、sfo和hba）来优化ann的参数。这种混合优化框架结合了maxent的统计可解释性和ann的非线性学习能力以及群体智能的全局搜索效率，从而提高了模型的泛化能力和滑坡易发性绘制的准确性。完整过程如下：1）基于相关性和贡献性筛选因素：尽管上述滑坡条件因素通常被认为对滑坡发生有显著影响，但这24个因素不能完全独立，因为它们之间存在相关性，且某些因素具有重叠效应，导致信息冗余和精度降低（liu等人，引用2024年；sun等人，引用2021a、2023a）。我们首先对所有24个影响滑坡的因素进行了皮尔逊相关性分析（wang等人，引用2020年）。然后筛选出相关系数大于0.6的因素对。我们使用滑坡样本结合maxent方法计算24个因素的权重。接着，移除了相关性分析中权重最小的因素以及在maxent模型中贡献为零的因素。这种方法提高了因素筛选过程的科学严谨性和可靠性。这一步是有意进行的优化，以确保ann接收到最具信息量且无冗余的因素集，这对于减少维度灾难和降低后续复杂ann模型中的过拟合风险至关重要。2）获取可靠的非滑坡样本：选择代表非滑坡区域的适当网格单元是模型训练中的关键步骤，因为它有助于最小化建模过程中的不确定性（dou等人，引用2023年）。在研究区域内随机选择非滑坡网格单元是目前最常用的方法（liu和deng，引用2024年；zhou等人，引用2021年）。然而，这种方法增加了样本选择的随机性和误分类的概率（huang等人，引用2017年；ren等人，引用2024年）。我们引入了一种替代的非滑坡样本选择策略，利用maxent模型作为主要工具，根据筛选出的环境因素识别和选择适合的样本。为了构建和评估模型，非滑坡和滑坡数据集被随机划分，80%用于训练，剩余20%用于验证（alvioli等人，引用2024年）。3）细化条件因素离散化：将滑坡相关因素划分为离散类别会在分析结果中引入不确定性（zhao和chen，引用2023年）。不确定性的程度不仅取决于定义的类别数量，还取决于所采用的具体分类方法。分类间隔的数量显著影响滑坡易发性评估。其他研究人员之前的不确定性分析表明，将连续变量划分为八个类别通常会产生更稳健的结果（huang等人，引用2021年；liu和deng，引用2024年）。两种最常用的离散化技术是等间隔方法和自然断裂法。然而，等间隔分类方法存在主观性，自然断裂法往往与滑坡发生的空间模式相关性较差。为了克服这些限制，我们采用了一种新方法，结合maxent和woe模型来确定每个因素的最佳分类区间。这些值是根据maxent模型产生的响应曲线的拐点以及选定因素的woe曲线的拐点得出的。随后，计算了每个因素的最佳分类区间对应的woe权重值。4）模型构建：使用滑坡和非滑坡样本及其对应的woe值来训练ann，然后初始化网络的权重和偏差。5）使用群体智能进行模型优化：• 参数设置：设置gwo、sfo和hba算法的种群大小、最大迭代次数和正则化参数。均方误差作为适应度函数。• 种群初始化：随机初始化种群中每个个体的位置。计算每个个体的适应度值，并记录最优适应度值及其对应的个体位置。• 迭代优化：更新种群位置并调整参数。在达到最大迭代次数或满足误差容忍标准时终止优化。算法输出最优解及其适应度值。6）滑坡易发性映射：使用群体智能算法确定的最佳权重和偏差设置更新ann。该过程生成了一个训练有素的模型，随后用于预测和绘制研究区域的滑坡易发性。7）模型准确性和比较：将提出的混合群体智能机器学习模型与两种非群体智能优化模型进行比较。这些基线模型采用了不同的非滑坡采样策略：maxent-ann模型（使用maxent优化采样）和random-ann模型（使用随机采样）。使用验证集评估模型，并进行易发性结果分析以选择最优模型。8）模型可解释性分析：使用shapley additive explanations（shap）理论解释最优模型，分析滑坡的主要控制因素及其影响机制（liu等人，引用2025年；wen等人，引用2025年）。

3.2.6 软件环境和模型评估：所有模型开发程序均在python 3.9.13环境中执行。使用的核心库包括tensorflow 2.6.0和keras 1.1.2用于ann开发；scikit-learn 1.1.1用于数据预处理和模型评估；shap 0.42.1用于可解释性分析；numpy 1.22.3和pandas 1.4.4用于数值计算。为了确保所有随机过程（包括ann初始化、训练-测试分割和优化器演化）的可重复性，所有实验中一致应用了固定的随机种子（seed=3）。滑坡易发性模型的预测性能使用六个指标进行评估（表2）：精确度、召回率、准确率（acc）、f1分数、平均绝对误差（mae）和均方根误差（rmse）（fang等人，引用2024年；he等人，引用2024年）。这些指标从不同角度评估模型的分类能力和预测误差。精确度和召回率量化了模型正确识别滑坡发生的能力，而acc和f1分数提供了整体性能的平衡度量。mae和rmse评估了预测易发性概率与实际发生情况之间的偏差，反映了模型的数值预测准确性。建议使用rmse和mae最小、精确度、召回率和f1分数最高的模型。此外，模型性能通常还使用接收者操作特征（roc）曲线和roc曲线下的面积（auc）进行评估。roc曲线可视化了真正例率和假正例率之间的关系，从而评估模型的有效性。auc值范围在0到1之间，较高的auc值表示模型性能更好。数据集被划分为80%的训练集和20%的验证集，以确保评估的无偏性。这些指标共同使得模型在滑坡易发性映射方面的可靠性和预测准确性得到稳健评估。

3.3 结合insar变形数据的动态滑坡易发性映射：传统的易发性模型仅依赖于静态条件因素，因此无法捕捉坡度不稳定性的时间变化。这一限制在采矿区域尤为显著，因为地面变形会随着挖掘活动而演变。为此，引入了反映时间变化的表面变形率，使静态lsm能够被修订并持续更新。这种方法能够识别受采矿影响的潜在滑坡，提高评估结果的准确性和及时性（wei等人，引用2024年；yan等人，引用2024年）。为了分类变形率，采用了基于标准差的动态阈值方法（novellino等人，引用2021年；wang等人，引用2024年）。通过stacking-insar获取的变形率被划分为五个变形活动级别，每个类别边界对应于标准差的整数倍：非常慢（dv1）、慢（dv2）、中等（dv3）、快（dv4）和非常快（dv5）。相比之下，si-maxent-ann框架生成的lsm被划分为五个易发性等级：ls1（非常低）、ls2（低）、ls3（中等）、ls4（高）和ls5（非常高）。我们引入了一个基于insar的更新矩阵（表3），以调整si-maxent-ann模型产生的后验易发性分布。该方法在保持学习到的空间关系稳定性的同时，实现了对变形的敏感更新。这种机制旨在弥合静态易发性映射和动态地表变化之间的差距，这在采矿环境中尤为重要，因为变形会因挖掘和应力重新分布而持续演变。表3。 3.2.4 hba：受到蜜獾双重觅食策略（挖掘和收集蜂蜜）的启发，hashim等人（引用2022年）开发了一种新的群体智能方法，称为蜜獾算法。主要算法步骤如下：1）初始化hba参数：根据以下公式初始化蜜獾的数量及其位置：(12) hbj=lbj+r1*(ubj+lbj)，其中HBj表示第j只蜜獾的位置，r1表示0到1之间的随机选定的值；lbj和ubj分别表示搜索空间的下限和上限。2）定义气味强度Ij：猎物浓度和捕食者-猎物距离影响蜜獾感知的气味强度，公式如下：(13) ij=r2*/4π(HBp?HBj)2(HBj?HBj+1)2，r2∈(0,1)，其中HBp表示猎物位置。蜜獾离蜂巢越近，气味强度越强。3）更新密度因子ρ：ρ调整随机因子，随着迭代次数的增加而变化，以促进从探索到利用的逐步转变：(14) ρ=K*exp(/T?t)，其中t表示当前迭代次数，T表示最大迭代次数，K是一个不小于1的常数。密度因子ρ随着迭代次数的增加而非线性减少。4）在挖掘模式下更新个体位置：位置更新遵循类心形模式，表达式为：(15) hbjn=HBp+F*β*Ij*HBp+F*r3*ρ*dj*|cos(2πr4)*[1?cos(2πr5)]|，其中HBjn表示更新后的蜜獾位置，dj表示猎物与第j只蜜獾之间的距离，β≥1表示蜜獾的食物获取能力，F用于改变搜索方向，公式如下：(16) f={1 if r6≤0.5 else...，其中r3、r4、r5、r6都是区间(0, 1)内的随机数。5）在蜂蜜模式下更新个体位置：(17) hbjn=HBp+F*r7*ρ*dj，r7∈(0,1)。 3.2.5 si-maxent-ann框架：本研究提出了一个混合机器学习框架si-maxent-ann，通过将群体智能优化算法与maxent模型和ann结合，标准化了滑坡易发性建模工作流程。其有效性通过三种混合变体进行评估：gwo-maxent-ann、sfo-maxent-ann和hba-maxent-ann。si-maxent-ann采用两阶段双重优化策略。首先应用maxent模型高效处理仅包含存在信息的滑坡清单数据，估计每个条件因素的边际贡献和概率分布，从而确定它们对滑坡发生的相对影响。这些先验结果用于因素筛选、分类变量优化和代表性非滑坡样本的选择。从第一阶段获得的优化特征随后被输入ann进行训练。为了进一步提高预测能力，采用了三种群体智能算法（gwo、sfo和hba）来优化ann的参数。这种混合优化框架结合了maxent的统计可解释性和ann的非线性学习能力以及群体智能的全局搜索效率，从而提高了模型的泛化能力和滑坡易发性绘制的准确性。完整过程如下：1）基于相关性和贡献性筛选因素：尽管上述滑坡条件因素通常被认为对滑坡发生有显著影响，但这24个因素不能完全独立，因为它们之间存在相关性，且某些因素具有重叠效应，导致信息冗余和精度降低（liu等人，引用2024年；sun等人，引用2021a、2023a）。我们首先对所有24个影响滑坡的因素进行了皮尔逊相关性分析（wang等人，引用2020年）。然后筛选出相关系数大于0.6的因素对。我们使用滑坡样本结合maxent方法计算24个因素的权重。接着，移除了相关性分析中权重最小的因素以及在maxent模型中贡献为零的因素。这种方法提高了因素筛选过程的科学严谨性和可靠性。这一步是有意进行的优化，以确保ann接收到最具信息量且无冗余的因素集，这对于减少维度灾难和降低后续复杂ann模型中的过拟合风险至关重要。2）获取可靠的非滑坡样本：选择代表非滑坡区域的适当网格单元是模型训练中的关键步骤，因为它有助于最小化建模过程中的不确定性（dou等人，引用2023年）。在研究区域内随机选择非滑坡网格单元是目前最常用的方法（liu和deng，引用2024年；zhou等人，引用2021年）。然而，这种方法增加了样本选择的随机性和误分类的概率（huang等人，引用2017年；ren等人，引用2024年）。我们引入了一种替代的非滑坡样本选择策略，利用maxent模型作为主要工具，根据筛选出的环境因素识别和选择适合的样本。为了构建和评估模型，非滑坡和滑坡数据集被随机划分，80%用于训练，剩余20%用于验证（alvioli等人，引用2024年）。3）细化条件因素离散化：将滑坡相关因素划分为离散类别会在分析结果中引入不确定性（zhao和chen，引用2023年）。不确定性的程度不仅取决于定义的类别数量，还取决于所采用的具体分类方法。分类间隔的数量显著影响滑坡易发性评估。其他研究人员之前的不确定性分析表明，将连续变量划分为八个类别通常会产生更稳健的结果（huang等人，引用2021年；liu和deng，引用2024年）。两种最常用的离散化技术是等间隔方法和自然断裂法。然而，等间隔分类方法存在主观性，自然断裂法往往与滑坡发生的空间模式相关性较差。为了克服这些限制，我们采用了一种新方法，结合maxent和woe模型来确定每个因素的最佳分类区间。这些值是根据maxent模型产生的响应曲线的拐点以及选定因素的woe曲线的拐点得出的。随后，计算了每个因素的最佳分类区间对应的woe权重值。4）模型构建：使用滑坡和非滑坡样本及其对应的woe值来训练ann，然后初始化网络的权重和偏差。5）使用群体智能进行模型优化：• 参数设置：设置gwo、sfo和hba算法的种群大小、最大迭代次数和正则化参数。均方误差作为适应度函数。• 种群初始化：随机初始化种群中每个个体的位置。计算每个个体的适应度值，并记录最优适应度值及其对应的个体位置。• 迭代优化：更新种群位置并调整参数。在达到最大迭代次数或满足误差容忍标准时终止优化。算法输出最优解及其适应度值。6）滑坡易发性映射：使用群体智能算法确定的最佳权重和偏差设置更新ann。该过程生成了一个训练有素的模型，随后用于预测和绘制研究区域的滑坡易发性。7）模型准确性和比较：将提出的混合群体智能机器学习模型与两种非群体智能优化模型进行比较。这些基线模型采用了不同的非滑坡采样策略：maxent-ann模型（使用maxent优化采样）和random-ann模型（使用随机采样）。使用验证集评估模型，并进行易发性结果分析以选择最优模型。8）模型可解释性分析：使用shapley additive explanations（shap）理论解释最优模型，分析滑坡的主要控制因素及其影响机制（liu等人，引用2025年；wen等人，引用2025年）。 3.2.6 软件环境和模型评估：所有模型开发程序均在python 3.9.13环境中执行。使用的核心库包括tensorflow 2.6.0和keras 1.1.2用于ann开发；scikit-learn 1.1.1用于数据预处理和模型评估；shap 0.42.1用于可解释性分析；numpy 1.22.3和pandas 1.4.4用于数值计算。为了确保所有随机过程（包括ann初始化、训练-测试分割和优化器演化）的可重复性，所有实验中一致应用了固定的随机种子（seed=3）。滑坡易发性模型的预测性能使用六个指标进行评估（表2）：精确度、召回率、准确率（ACC）、F1分数、平均绝对误差（MAE）和均方根误差（RMSE）（Fang等人，引用2024年；He等人，引用2024年）。这些指标从不同角度评估模型的分类能力和预测误差。精确度和召回率量化了模型正确识别滑坡发生的能力，而ACC和F1分数提供了整体性能的平衡度量。MAE和RMSE评估了预测易发性概率与实际发生情况之间的偏差，反映了模型的数值预测准确性。建议使用RMSE和MAE最小、精确度、召回率和F1分数最高的模型。此外，模型性能通常还使用接收者操作特征（ROC）曲线和ROC曲线下的面积（AUC）进行评估。ROC曲线可视化了真正例率和假正例率之间的关系，从而评估模型的有效性。AUC值范围在0到1之间，较高的AUC值表示模型性能更好。数据集被划分为80%的训练集和20%的验证集，以确保评估的无偏性。这些指标共同使得模型在滑坡易发性映射方面的可靠性和预测准确性得到稳健评估。 3.3>
3.2.4 hba：受到蜜獾双重觅食策略（挖掘和收集蜂蜜）的启发，hashim等人（引用2022年）开发了一种新的群体智能方法，称为蜜獾算法。主要算法步骤如下：1）初始化hba参数：根据以下公式初始化蜜獾的数量及其位置：(12) hbj=lbj+r1*(ubj+lbj)，其中hbj表示第j只蜜獾的位置，r1表示0到1之间的随机选定的值；lbj和ubj分别表示搜索空间的下限和上限。2）定义气味强度ij：猎物浓度和捕食者-猎物距离影响蜜獾感知的气味强度，公式如下：(13) ij=r2*/4π(hbp?hbj)2(hbj?hbj+1)2，r2∈(0,1)，其中hbp表示猎物位置。蜜獾离蜂巢越近，气味强度越强。3）更新密度因子ρ：ρ调整随机因子，随着迭代次数的增加而变化，以促进从探索到利用的逐步转变：(14) ρ=k*exp(/t?t)，其中t表示当前迭代次数，t表示最大迭代次数，k是一个不小于1的常数。密度因子ρ随着迭代次数的增加而非线性减少。4）在挖掘模式下更新个体位置：位置更新遵循类心形模式，表达式为：(15) hbjn=hbp+f*β*ij*hbp+f*r3*ρ*dj*|cos(2πr4)*[1?cos(2πr5)]|，其中hbjn表示更新后的蜜獾位置，dj表示猎物与第j只蜜獾之间的距离，β≥1表示蜜獾的食物获取能力，f用于改变搜索方向，公式如下：(16) f={1 if r6≤0.5 else...，其中r3、r4、r5、r6都是区间(0, 1)内的随机数。5）在蜂蜜模式下更新个体位置：(17) hbjn=hbp+f*r7*ρ*dj，r7∈(0,1)。

3.2.5 si-maxent-ann框架：本研究提出了一个混合机器学习框架si-maxent-ann，通过将群体智能优化算法与maxent模型和ann结合，标准化了滑坡易发性建模工作流程。其有效性通过三种混合变体进行评估：gwo-maxent-ann、sfo-maxent-ann和hba-maxent-ann。si-maxent-ann采用两阶段双重优化策略。首先应用maxent模型高效处理仅包含存在信息的滑坡清单数据，估计每个条件因素的边际贡献和概率分布，从而确定它们对滑坡发生的相对影响。这些先验结果用于因素筛选、分类变量优化和代表性非滑坡样本的选择。从第一阶段获得的优化特征随后被输入ann进行训练。为了进一步提高预测能力，采用了三种群体智能算法（gwo、sfo和hba）来优化ann的参数。这种混合优化框架结合了maxent的统计可解释性和ann的非线性学习能力以及群体智能的全局搜索效率，从而提高了模型的泛化能力和滑坡易发性绘制的准确性。完整过程如下：1）基于相关性和贡献性筛选因素：尽管上述滑坡条件因素通常被认为对滑坡发生有显著影响，但这24个因素不能完全独立，因为它们之间存在相关性，且某些因素具有重叠效应，导致信息冗余和精度降低（liu等人，引用2024年；sun等人，引用2021a、2023a）。我们首先对所有24个影响滑坡的因素进行了皮尔逊相关性分析（wang等人，引用2020年）。然后筛选出相关系数大于0.6的因素对。我们使用滑坡样本结合maxent方法计算24个因素的权重。接着，移除了相关性分析中权重最小的因素以及在maxent模型中贡献为零的因素。这种方法提高了因素筛选过程的科学严谨性和可靠性。这一步是有意进行的优化，以确保ann接收到最具信息量且无冗余的因素集，这对于减少维度灾难和降低后续复杂ann模型中的过拟合风险至关重要。2）获取可靠的非滑坡样本：选择代表非滑坡区域的适当网格单元是模型训练中的关键步骤，因为它有助于最小化建模过程中的不确定性（dou等人，引用2023年）。在研究区域内随机选择非滑坡网格单元是目前最常用的方法（liu和deng，引用2024年；zhou等人，引用2021年）。然而，这种方法增加了样本选择的随机性和误分类的概率（huang等人，引用2017年；ren等人，引用2024年）。我们引入了一种替代的非滑坡样本选择策略，利用maxent模型作为主要工具，根据筛选出的环境因素识别和选择适合的样本。为了构建和评估模型，非滑坡和滑坡数据集被随机划分，80%用于训练，剩余20%用于验证（alvioli等人，引用2024年）。3）细化条件因素离散化：将滑坡相关因素划分为离散类别会在分析结果中引入不确定性（zhao和chen，引用2023年）。不确定性的程度不仅取决于定义的类别数量，还取决于所采用的具体分类方法。分类间隔的数量显著影响滑坡易发性评估。其他研究人员之前的不确定性分析表明，将连续变量划分为八个类别通常会产生更稳健的结果（huang等人，引用2021年；liu和deng，引用2024年）。两种最常用的离散化技术是等间隔方法和自然断裂法。然而，等间隔分类方法存在主观性，自然断裂法往往与滑坡发生的空间模式相关性较差。为了克服这些限制，我们采用了一种新方法，结合maxent和woe模型来确定每个因素的最佳分类区间。这些值是根据maxent模型产生的响应曲线的拐点以及选定因素的woe曲线的拐点得出的。随后，计算了每个因素的最佳分类区间对应的woe权重值。4）模型构建：使用滑坡和非滑坡样本及其对应的woe值来训练ann，然后初始化网络的权重和偏差。5）使用群体智能进行模型优化：• 参数设置：设置gwo、sfo和hba算法的种群大小、最大迭代次数和正则化参数。均方误差作为适应度函数。• 种群初始化：随机初始化种群中每个个体的位置。计算每个个体的适应度值，并记录最优适应度值及其对应的个体位置。• 迭代优化：更新种群位置并调整参数。在达到最大迭代次数或满足误差容忍标准时终止优化。算法输出最优解及其适应度值。6）滑坡易发性映射：使用群体智能算法确定的最佳权重和偏差设置更新ann。该过程生成了一个训练有素的模型，随后用于预测和绘制研究区域的滑坡易发性。7）模型准确性和比较：将提出的混合群体智能机器学习模型与两种非群体智能优化模型进行比较。这些基线模型采用了不同的非滑坡采样策略：maxent-ann模型（使用maxent优化采样）和random-ann模型（使用随机采样）。使用验证集评估模型，并进行易发性结果分析以选择最优模型。8）模型可解释性分析：使用shapley additive explanations（shap）理论解释最优模型，分析滑坡的主要控制因素及其影响机制（liu等人，引用2025年；wen等人，引用2025年）。

3.2.6 软件环境和模型评估：所有模型开发程序均在python 3.9.13环境中执行。使用的核心库包括tensorflow 2.6.0和keras 1.1.2用于ann开发；scikit-learn 1.1.1用于数据预处理和模型评估；shap 0.42.1用于可解释性分析；numpy 1.22.3和pandas 1.4.4用于数值计算。为了确保所有随机过程（包括ann初始化、训练-测试分割和优化器演化）的可重复性，所有实验中一致应用了固定的随机种子（seed=3）。滑坡易发性模型的预测性能使用六个指标进行评估（表2）：精确度、召回率、准确率（acc）、f1分数、平均绝对误差（mae）和均方根误差（rmse）（fang等人，引用2024年；he等人，引用2024年）。这些指标从不同角度评估模型的分类能力和预测误差。精确度和召回率量化了模型正确识别滑坡发生的能力，而acc和f1分数提供了整体性能的平衡度量。mae和rmse评估了预测易发性概率与实际发生情况之间的偏差，反映了模型的数值预测准确性。建议使用rmse和mae最小、精确度、召回率和f1分数最高的模型。此外，模型性能通常还使用接收者操作特征（roc）曲线和roc曲线下的面积（auc）进行评估。roc曲线可视化了真正例率和假正例率之间的关系，从而评估模型的有效性。auc值范围在0到1之间，较高的auc值表示模型性能更好。数据集被划分为80%的训练集和20%的验证集，以确保评估的无偏性。这些指标共同使得模型在滑坡易发性映射方面的可靠性和预测准确性得到稳健评估。

3.3 结合insar变形数据的动态滑坡易发性映射：传统的易发性模型仅依赖于静态条件因素，因此无法捕捉坡度不稳定性的时间变化。这一限制在采矿区域尤为显著，因为地面变形会随着挖掘活动而演变。为此，引入了反映时间变化的表面变形率，使静态lsm能够被修订并持续更新。这种方法能够识别受采矿影响的潜在滑坡，提高评估结果的准确性和及时性（wei等人，引用2024年；yan等人，引用2024年）。为了分类变形率，采用了基于标准差的动态阈值方法（novellino等人，引用2021年；wang等人，引用2024年）。通过stacking-insar获取的变形率被划分为五个变形活动级别，每个类别边界对应于标准差的整数倍：非常慢（dv1）、慢（dv2）、中等（dv3）、快（dv4）和非常快（dv5）。相比之下，si-maxent-ann框架生成的lsm被划分为五个易发性等级：ls1（非常低）、ls2（低）、ls3（中等）、ls4（高）和ls5（非常高）。我们引入了一个基于insar的更新矩阵（表3），以调整si-maxent-ann模型产生的后验易发性分布。该方法在保持学习到的空间关系稳定性的同时，实现了对变形的敏感更新。这种机制旨在弥合静态易发性映射和动态地表变化之间的差距，这在采矿环境中尤为重要，因为变形会因挖掘和应力重新分布而持续演变。表3。>更新矩阵应用于动态LSM。显示表格

动态LSM是通过根据表3中列出的更新规则，将变形活动与静态易感性地图结合而生成的，分为五个易感性等级：LD1、LD2、LD3、LD4和LD5，分别代表在当前变形条件下逐渐增加的滑坡易感性。动态LSM主要表示将演变的变形信息纳入易感性重新评估的能力。尽管这种方法并不构成一个完全基于动态过程的模型，但它提供了一种科学合理的方法来反映边坡的演变运动状态。结果更新的地图更准确地捕捉了过渡性危险状态，并提高了易感性模型在监测和预警背景下的适用性。

4. 结果

4.1. 因子相关性分析和筛选

在对24个初始与滑坡相关的因素进行皮尔逊相关性分析后（图3(a)），识别出那些相关性系数大于0.6的因素对。随后，使用MaxEnt模型计算所有24个影响因素的相应权重值（图3(b)）。首先，移除了权重值为0的因素，包括SPI、TPI和剖面曲率。基于权重值，进一步移除了权重较小的相关因素（如平面曲率、NDVI和地形起伏）。最终，选择了18个因素作为模型训练的静态因素数据库，包括：海拔、坡度形态、坡度、朝向和微地形；距断层的距离、岩性、倾角和倾角方向；地下水、距河流的距离、STI和TWI；土地利用类型（LULC）、距采空区的距离、NDBI、沉降密度和距道路的距离。

图3. 因子筛选：(a) 因子相关性分析的热图；(b) 由MaxEnt模型计算的24个因素的权重值。

该双面板图显示了因子筛选过程。面板a是因子相关性分析的热图。水平和垂直轴分别列出了24个因素：海拔、朝向、倾角、倾角方向、距断层的距离、距采空区的距离、地下水、岩性、微地形、NDBI、NDVI、平面曲率、剖面曲率、地形起伏、距道路的距离、坡度、距河流的距离、坡度形态、SPI、STI、沉降密度、TPI、TWI和LULC。热图中的圆形标记表示相关性强度，大小和颜色强度不同。热图下方的颜色条范围从-1到1，深蓝色代表-1，逐渐过渡到浅蓝色、白色、浅红色，最后是深红色，代表1。面板b是一个水平条形图，显示了由MaxEnt模型计算的24个因素的权重值。垂直轴列出了相同的24个因素，水平轴以5为间隔从0标到45。条形图显示的权重值分别为：SPI 0、TPI 0、剖面曲率0.2、TWI 0.3、NDVI 0.4、倾角方向0.4、沉降密度0.5、STI 0.5、NDBI 0.6、倾角0.6、坡度形态0.8、朝向0.9、地形起伏1.1、距河流的距离1.1、LULC 1.8、地下水2.2、微地形2.5、距采空区的距离2.8、距道路的距离7.5、坡度16.4和海拔39.2。

4.2. 使用MaxEnt进行非滑坡样本采样

为了评估采样策略的影响，采用了两种方法。在第一种方法中，使用MaxEnt模型基于18个选定的条件因素生成了一个初步的滑坡易感性地图。在这种情况下，从被分类为“非常低”和“低”易感性的区域中提取了相同数量的非滑坡样本（图4(a)）。第二种方法采用了随机采样技术进行比较，从记录有滑坡地点周围500米缓冲区外的区域抽取非滑坡点，同时保持样本数量一致（图4(b)）。

图4. 非滑坡采样策略：(a) 使用MaxEnt方法选择的非滑坡样本；(b) 基于随机方法选择的非滑坡样本。

该双面板图显示了非滑坡样本的选取过程。面板a显示了一个带有图例的地图，表示非常低、低、中等、高和非常高的滑坡易感性。蓝色圆形标记代表通过MaxEnt方法选出的非滑坡样本，分布在地图上。面板b显示了一个类似的地图，同样带有MaxEnt易感性图例。这里的蓝色圆形标记代表通过随机方法选出的非滑坡样本，也分布在地图上。两张地图显示了相似的滑坡易感性模式，非常低和低易感性的区域更为广泛，而高和非常高的易感性区域则呈线性分布。两个面板中蓝色圆形标记的分布不同，反映了不同的采样方法。

进行叠加分析以评估采样策略的影响，发现通过基于MaxEnt的方法得到的72.5%的非滑坡单元位于被分类为“非常低”易感性的区域内。这与使用随机采样方法时观察到的48.1%相比增加了24.4%。这些结果进一步证明了使用MaxEnt模型指导非滑坡样本选择的潜在好处。

4.3. 数据离散化和WOE值计算

MaxEnt模型探讨了滑坡分布与影响因素的空间异质性之间的联系。这种方法为这些因素的离散化提供了有价值的先验信息，增强了它们分类的严谨性，并减少了滑坡易感性评估的不确定性。基于筛选出的18个因素，在重新运行MaxEnt模型后生成了每个因素对滑坡影响的响应曲线（图5(a–r)）。离散值因素保持不变。对于连续值因素，在MaxEnt响应曲线的拐点处进行初步分类。因此，通过考虑因素值范围并进一步细分它们来计算细化分类区间的WOE值（例如，对于断层因素，每100米创建一个区间）。使用细化分类的WOE值的拐点，将这些区间合并为八个类别，代表最终的分类结果（图6(a–r)。

图5. Maxent因素响应曲线（P）和WOE曲线（C）。

一个由18个面板组成的折线图，分为三行，每行六个面板，显示了环境参数的因素响应曲线。每个面板都有一个参数的水平轴、左侧的垂直轴P（0.0-1.0）和右侧的垂直轴C（范围不同）。实线蓝色代表P，虚线红色代表C。面板a：海拔：P从1.0减少到0.0，然后增加到0.8；C从-0.4减少到-0.8。面板b：朝向：P在0.0-1.0之间波动；C在-0.4-0.4之间波动。面板c：坡度形态：P从0.0增加然后减少；C从-0.8增加然后减少。面板d：坡度：P增加到峰值然后减少；C增加然后减少。面板e：微地形：P增加到1.0然后减少；C增加到1.5然后减少。面板f：岩性：P在0.0-1.0之间波动；C在-1.0-1.5之间波动。面板g：倾角：P增加到1.0然后减少；C在-0.4-0.9之间波动。面板h：距断层的距离：P增加到1.0然后减少；C增加到0.9然后减少。面板i：倾角方向：P增加到0.8然后减少；C增加到1.0然后减少。面板j：距河流的距离：P增加到1.0然后减少；C增加到2.0然后减少。面板k：地下水：P在0.0-1.0之间波动；C在-2.0-2.5之间波动。面板l：TWI：P增加到1.0然后减少；C增加到0.8然后减少。面板m：STI：P增加到0.8然后减少；C增加到0.4然后减少。

图6. 因子细化分类结果。

一个由18个面板组成的网格图，分为三行，每行六个面板，显示了地理和地质因素的细化。面板a：海拔（小于1015到大于1565）。面板b：朝向（北、东北、东、东南、南、西南、西、西北）。面板c：坡度形态（F1-F9）。面板d：坡度（小于5到大于35）。面板e：微地形（M1-M10）。面板f：岩性（Q4、TPx、Cb、Ps、Of、M、N、Cit、Os）。面板g：倾角（小于6.22到大于14.8）。面板h：距断层的距离（小于100到大于1400）。面板i：倾角方向（小于141到大于267）。面板j：距河流的距离（小于100到大于1200）。面板k：地下水（小于810到大于920）。面板l：TWI（3.96到大于10.1）。面板m：STI（2.14到大于84.84）。面板n：距采空区的距离（小于300到大于2200）。面板o：距道路的距离（小于50到大于750）。面板p：沉降密度（0到大于0.93）。面板q：土地利用类型（LULC）（树木、草地、耕地、建筑区、裸露/稀疏植被、开放水域）。面板r：NDBI（-0.08到大于0.08）。比例尺：0到16公里。

4.4. 使用SI-MaxEnt-ANN方法的滑坡易感性绘图结果

将18个与滑坡相关的影响因素的WOE值作为输入提供给ANN模型。网络架构包括一个具有18个节点的输入层，接着是两个隐藏层，分别包含11个和9个神经元，两者都使用ReLU激活函数，以及一个使用Sigmoid函数的输出层。模型训练采用学习率固定为0.001、批量大小为32、训练周期上限为150的设置进行。群体智能算法的详细参数设置总结在表4中。

表4. SI算法配置。

模型训练和评估使用了五折交叉验证，并进行了五次重复运行，以减少采样偏差并确保鲁棒性。所有报告的性能指标代表跨折叠和重复的平均结果。训练后的网络为每个网格单元生成了滑坡易感性概率，随后用于构建易感性地图。使用AUC值和六个统计指标进行的定量验证表明，群体智能优化的混合模型比传统ANN模型具有更好的预测性能（图7）。

图7. (a) 不同模型的模型性能指标比较；(b) 使用验证数据集的ROC曲线。

该双面板图显示了面板a中的堆叠条形图和面板b中的五条曲线。面板a中的堆叠条形图显示了五种模型：HBA-MaxEnt-ANN、GWO-MaxEnt-ANN、SFO-MaxEnt-ANN、MaxEnt-ANN和Random-ANN。每个条形图分为F1、召回率、精确度、准确率、RMSE和MAE。对于HBA-MaxEnt-ANN，F1为0.886，召回率为0.886，精确度为0.889，准确率为0.887，RMSE为0.301，MAE为0.170。对于GWO-MaxEnt-ANN，F1为0.848，召回率为0.848，精确度为0.858，准确率为0.849，RMSE为0.335，MAE为0.209。对于SFO-MaxEnt-ANN，F1为0.811，召回率为0.811，精确度为0.811，准确率为0.811，RMSE为0.363，MAE为0.221。对于MaxEnt-ANN，F1为0.770，召回率为0.771，精确度为0.789，准确率为0.774，RMSE为0.408，MAE为0.222。对于Random-ANN，F1为0.736，召回率为0.736，精确度为0.737，准确率为0.736，RMSE为0.440，MAE为0.258。面板b中的折线图绘制了真正例百分比与假正例百分比的关系。五条曲线分别为：HBA-MaxEnt-ANN的AUC为0.959，GWO-MaxEnt-ANN的AUC为0.910，SFO-MaxEnt-ANN的AUC为0.906，MaxEnt-ANN的AUC为0.890，Random-ANN的AUC为0.846。所有曲线通常从左下角向右上角递增。HBA-MaxEnt-ANN的曲线始终位于其他曲线之上，表明在给定假正例率的情况下具有更高的真正例率。

使用等间隔分类，将滑坡易感性地图分为五个类别：非常低、低、中等、高和非常高（Ma等人，2020年引用）。这五种模型显示出相对一致的空间分布（图8(a–e)）。然而，随机ANN模型产生的非常高易感性的区域面积最大，比SI-MaxEnt-ANN模型增加了大约40平方公里，比MaxEnt-ANN模型增加了大约16平方公里（图8(f)）。非滑坡样本的位置偏差可能是造成这种差异的原因。总体而言，研究区域的大部分被归类为非常低或低易感性，而较高易感性的区域主要位于中西部和东部地区。这些区域通常出现在陡峭的高山峡谷地区或沿道路沿线。这种分布模式可能与复杂的地形和地貌条件造成的生态破坏有关，而研究区域内长期的人类活动干扰加剧了这一情况。图8。(a–e) HBA-MaxEnt-ANN、GWO-MaxEnt-ANN、SFO-MaxEnt-ANN、MaxEnt-ANN和随机ANN模型的LSM结果。(f) 易感区域的面积统计。阅读该图的详细描述。这个六面板图显示了五个易感区域地图和一个显示五个模型面积统计的横条形图。从a到e的面板都是用红色标出研究区域的地图。a面板是HBA-MaxEnt-ANN模型，b面板是GWO-MaxEnt-ANN模型，c面板是SFO-MaxEnt-ANN模型，d面板是MaxEnt-ANN模型，e面板是随机ANN模型，这些模型都显示了分为非常低、低、中、高和非常高的易感区域。地图上绿色区域代表较低的易感性，红色区域代表较高的易感性。f面板是一个标题为“面积（平方公里）”的横条形图。纵轴列出了五个模型：HBA-MaxEnt-ANN、GWO-MaxEnt-ANN、SFO-MaxEnt-ANN、MaxEnt-ANN和随机ANN。每个模型都有五个堆叠的条形图，分别代表非常低、低、中、高和非常高的易感区域。对于HBA-MaxEnt-ANN模型，非常低的易感区域占70.65%，低易感区域占24.29%，中等易感区域占19.42%，高易感区域占63.79%，非常高的易感区域占358.56%。对于GWO-MaxEnt-ANN模型，非常低的易感区域占84.61%，低易感区域占51.29%，中等易感区域占35.74%，高易感区域占61.37%，非常高的易感区域占303.70%。对于SFO-MaxEnt-ANN模型，非常低的易感区域占42.71%，低易感区域占36.20%，中等易感区域占46.20%，高易感区域占62.55%，非常高的易感区域占349.06%。对于MaxEnt-ANN模型，非常低的易感区域占53.92%，低易感区域占26.52%，中等易感区域占23.21%，高易感区域占87.91%，非常高的易感区域占345.15%。对于随机ANN模型，非常低的易感区域占40.46%，低易感区域占28.13%，中等易感区域占28.03%，高易感区域占103.94%，非常高的易感区域占336.16%。显示全尺寸。

4.5. 动态滑坡易感性制图结果
在研究区域内，年变形率介于-190至32毫米/年之间，平均值为-6.25毫米/年，标准差为13.08毫米/年。在更新LSM之前，InSAR结果需要进一步处理。首先，将由于植被和噪声等因素影响而被标记为无数据的区域赋予0值。其次，由于滑坡通常表现为向下运动，正的变形率被调整为0，只保留负值（Wang等人，2024年；Wu等人，2024年）。之后，将LOS方向的变形率分为五组（图9(a)）：DV1（0 ~ -13毫米/年），DV2（-13 ~ -26毫米/年），DV3（-26 ~ -39毫米/年），DV4（-39 ~ -52毫米/年），DV5（< -52毫米/年）。快速到非常快速的变形区域主要分布在研究区域的西南部和东部。最后，相对平坦区域的变形被认为不太可能导致滑坡（Vaka等人，2024年）。因此，对于坡度小于10°的区域，表面变形图被归类为DV1。然后，通过将第3.3节中的更新矩阵与来自最有效的HBA-MaxEnt-ANN模型的易感性图结合起来，生成了动态LSM，如图9(b)所示。

图9。(a) 2021年1月至2022年12月的变形率图，根据标准差分为五个等级（DV1–DV5）。正值/无数据值被设置为0，坡度<10°的区域被重新归类为DV1，以减少误报。(b) 动态LSM，结合了时间变形信息，以提高对持续坡度不稳定性的敏感性。阅读该图的详细描述。这个双面板图显示了变形率和动态滑坡易感性。a面板标题为“变形率（每年毫米）”，显示了一个用红色标出研究区域的地图。该图使用了五个变形等级：Dv1 0至-13毫米/年，Dv2 -13至-26毫米/年，Dv3 -26至-39毫米/年，Dv4 -39至-52毫米/年，Dv5 -52至-190毫米/年。Dv1是最广泛的，覆盖了大部分区域。Dv2、Dv3、Dv4和Dv5在研究区域内逐渐变小且更集中，其中Dv5是最小且最强烈的。b面板标题为“动态LSM”，显示了相同的研究区域以及五个滑坡易感性等级：LD1非常低，LD2低，LD3中，LD4高，LD5非常高。LD1非常低覆盖了地图的大部分区域。LD2低，LD3中，LD4高，LD5非常高显示为越来越小且更集中的区域，其中LD5非常高代表最小的且最强烈的易感区域。两个面板都包含一个刻度条，表示0至16公里。

更新后的动态LSM和HBA-MaxEnt-ANN的LSM在滑坡易感性分类上表现出强烈的一致性。对每个易感区域内的面积进行统计分析后发现变化（表5）。值得注意的是，非常低易感区域的面积减少了11.66%，而所有其他区域的面积都有所增加。这种增加主要是由于快速和非常快速变形区域的扩大。通过全面考虑地下采矿因素的影响，并整合动态地表变形和静态环境条件作为先验信息，易感性制图方法提高了对滑坡易发区域的识别能力，最终提供了更可靠的评估结果。

表5. 动态LSM区域的统计分析。下载CSV

5.1. 结果分析及不同LSM模型的比较
如图7所示，在评估的优化算法中，HBA表现出最佳的优化性能，其次是GWO和SFO。特别是HBA-MaxEnt-ANN方法获得了最高的预测性能，AUC值为0.959，比MaxEnt-ANN模型高出6.9%。该方法还在关键指标上获得了最佳分数：最高的F1分数（0.886）、召回率（0.886）、精确度（0.889）和准确率（0.887），以及最低的RMSE（0.301）和MAE（0.170）。此外，在不同的非滑坡样本选择条件下的比较分析表明，基于MaxEnt的采样策略提高了模型性能，AUC提高了4.4%。这些结果共同表明，所提出的SI-MaxEnt-ANN框架优于单一ANN模型的性能，并增强了模型在滑坡易感性预测方面的泛化和鲁棒性。此外，基于MaxEnt的非滑坡采样方法有效减轻了采样偏差，显著提高了模型准确性。文献指出，在构建准确的易感性地图时，高和非常高的易感区域应在较小的区域内包含尽可能多的滑坡点（Liu等人，2023年；Wei等人，2024年）。频率比（FR）表示每个易感区域内滑坡的比例，相对于该区域的相应面积。FR值反映了分层在预测滑坡方面的有效性（Tang等人，2020年；Wu等人，2024年）。一个有效的滑坡易感性地图的特点是在高易感区域中FR值较高，而低易感区域应相应地显示最小的FR值。基于这一原则，本研究提出了高-低比率指标（HLRI），定义为非常高、高和中等易感区域的累积FR值与非常低和低易感区域的累积FR值之比。HLRI指标评估了整体易感区域分类的有效性和合理性，较高的HLRI值表示更合理的分类。

基于上述考虑，我们对五种模型的分类区域比例、相应的滑坡比例和HLRI值进行了统计分析（图10(a-d)）。这种分析能够更精确地评估模型，同时也评估了每种模型生成的易感性地图的一致性和有效性。在所有五个易感性地图中，低和非常低易感类别内的滑坡累积比例均低于15%。其中，HBA-MaxEnt-ANN模型的比例最低，为9.16%。

图10. 滑坡易感性地图的统计分析。阅读该图的详细描述。这个四面板条形图分为两行，每行两个，展示了滑坡易感性地图的统计分析。a面板标题为“面积百分比”，显示了HBA-MaxEnt-ANN、GWO-MaxEnt-ANN、SFO-MaxEnt-ANN、MaxEnt-ANN和Random-ANN的五个堆叠条形图。每个条形图分为五个类别：非常高、高、中、低和非常低。非常低类别是所有五个模型中最大的部分，比例从56.59%到66.81%不等。b面板标题为“滑坡百分比”，也显示了相同模型的五个堆叠条形图。这里，非常高类别占主导地位，比例从61.07%到84.73%不等。c面板标题为“滑坡频率比”，显示了非常低、低、中、高和非常高类别的五个堆叠条形图。每个类别都有五个部分，代表不同的模型。例如，在非常高类别中，HBA-MaxEnt-ANN为6.74%，GWO-MaxEnt-ANN为6.28%，SFO-MaxEnt-ANN为5.24%，MaxEnt-ANN为5.08%，Random-ANN为4.38%。d面板标题为HLRI，显示了Random-ANN、MaxEnt-ANN、SFO-MaxEnt-ANN、GWO-MaxEnt-ANN和HBA-MaxEnt-ANN的五个单独条形图。HLRI值从Random-ANN的6.80增加到HBA-MaxEnt-ANN的29.86，GWO-MaxEnt-ANN为21.61。

这表明低和非常低易感类别包含的滑坡相对较少，反映了每种模型的强大预测能力。所有模型中，高和非常高易感区域的累积面积比例均低于25%。其中，random-ANN模型的面积最大，为24.59%，而HBA-MaxEnt-ANN模型的面积最小，为15.5%，两者之间相差近9%。这表明模型之间的易感性分类存在某些差异，需要进一步使用FR和HLRI值来评估其合理性。对于这五种模型，非常高和高等易感区域的累积FR值分别为：random-ANN（4.81），MaxEnt-ANN（5.61），SFO-MaxEnt-ANN（7.19），GWO-MaxEnt-ANN（7.88），HBA-MaxEnt-ANN（9.49）。这些模型的HLRI值分别为6.8、10.09、10.24、21.61和29.86。上述统计分析表明，混合群体智能机器学习模型在非常高和高易感区域的FR值上优于未经优化的原始模型。这一结果表明，混合模型具有更令人满意的预测性能和更高的预测效率。然后，混合群体智能机器学习模型的HLRI值更高，表明其在灾害管理和规划中的决策指导更为合理。MaxEnt-ANN和SFO-MaxEnt-ANN的HLRI值相似，表明不同的群体智能算法具有不同的优化能力，仍然需要选择合适的算法进行优化。在三种群体智能算法中，HBA在应用于滑坡易感性评估时更为强大和有效。同时，基于MaxEnt的非滑坡优化方法可以获得更可靠的非滑坡单元。

5.2. 动态LSM的验证和效果分析
本研究旨在开发一种快速动态更新静态LSM的新策略。该方法解决了地下采矿环境中静态LSM更新延迟的问题，建立了地下活动与地表位移之间的动态联系，并提高了对采矿诱发滑坡和复杂来源滑坡的预测能力。为了验证Stacking-InSAR得出的地表变形率并评估采矿诱发滑坡的更新后的易感性预测，在研究区域的三个代表性地点进行了实地调查和无人机调查（Cao等人，2022年）：历史滑坡（图11(A)）和2023年后新发现的潜在滑坡（图11(B)和图11(C)）。在这些地点，分析了变形动态，并系统地比较了更新前后的易感性等级。

图11. 滑坡位置及相关数据：(A)、(B)和(C)显示了研究区域内的滑坡位置及其在Google卫星图像上的位置；A1、B1和C1显示了变形等级；A2、B2和C2显示了LSM等级；A3、B3和C3显示了动态LSM等级；A4和C4是无人机调查拍摄的图像，B4是实地调查拍摄的照片。这个16面板图显示了滑坡位置、变形等级和滑坡易感性地图。A面板是地形图，标出了三个滑坡位置A、B和C。A1是热图，显示了位置A的变形等级，范围从大于-13毫米/年到小于-52毫米/年。A2显示了位置A的滑坡易感性等级，等级从非常低到非常高。A3面板显示了A位置的动态滑坡易发性地图分类。A4面板是A位置的无人机图像，显示了一条裂缝。B面板是B位置的卫星图像。B1面板是显示B位置变形程度的热图。B2面板显示了B位置的滑坡易发性地图分类。B3面板显示了B位置的动态滑坡易发性地图分类。B4面板是B位置的实地照片，显示了一次坍塌。C面板是C位置的卫星图像。C1面板是显示C位置变形程度的热图。C2面板显示了C位置的滑坡易发性地图分类。C3面板显示了C位置的动态滑坡易发性地图分类。C4面板是C位置的无人机图像，显示了一条裂缝。

A位置对应于Pianqiao Gou滑坡，该滑坡位于一个历史上被开采的煤矿的采空区之上。尽管在2019年进行了修复，但变形仍在发生，存在重新激活的可能性。无人机调查显示，变形严重的区域表面通常具有放射状裂缝（图11(A4)）。这一活跃的历史滑坡的观测数据支持了本研究中使用的Stacking-InSAR方法的合理性和可靠性，为结果提供了一种间接验证方法。2023年对B和C区域进行了实地调查和无人机调查，以评估近期地下采矿活动对这些区域地表变形的影响。

B位置位于Tai Gao Line Road的西侧，在2023年4月至5月期间发生了坍塌（图11(B4)），目前仍处于不稳定状态。C位置位于Yelianta村庄，2023年11月通过UVA调查显示斜坡上有多条裂缝（图11(C4)）。静态LSM和动态LSM之间的比较显示，B和C位置的易发性类别有显著提升（图11(B3)，(C3)）。动态LSM能够动态调整基线易发性评估，提高对采矿引起的滑坡的识别能力，并展现出更强的预测能力。

总之，依赖单一的验证方法是具有挑战性的。对于缓慢变形的区域或小规模滑坡，诸如高分辨率无人机调查这样的新兴技术可以有效地识别在实地或遥感图像中难以检测到的变形特征，使其成为有价值的调查工具。其次，通过更新矩阵整合LSM和Stacking-InSAR可以快速获取地面变形率，同时简化动态建模过程并提高动态制图效率（Wei等人，引用2024年）。此外，这种方法为滑坡早期预警的趋势预测提供了新的方法，有助于增强滑坡灾害风险管理（Yan等人，引用2024年）。

5.3. 滑坡条件因素的SHAP可解释性分析
结合SHAP进一步增加了混合模型的可解释性，并符合灾害建模中对可解释人工智能框架日益增长的重视，同时满足了滑坡研究中对准确性和可解释性的需求（Liu等人，引用2025年；Wen等人，引用2025年）。SHAP通过量化每个特征对模型输出的边际贡献并捕捉传统敏感性分析无法识别的非线性相互作用，提供了提高模型透明度的新的方法（Pradhan等人，引用2023年；Xiao等人，引用2024年）。

对最优模型（HBA-MaxEnt-ANN）进行了SHAP分析，从平均绝对SHAP值得出的全局重要性排名显示在图12(a)中。海拔、距离道路的距离、距离采空区的距离、STI、岩性和坡度被确定为主要决定因素。海拔具有最强的整体影响，反映了地形起伏和重力势能的综合效应。距离道路的距离排在第二位，表明人为干扰在当地不稳定性中仍起着重要作用。距离采空区的距离紧随其后，突显了采矿引起的变形的贡献。STI因其能够捕捉水文汇聚而显示出重要性。岩性也有显著贡献，弱和破碎的岩层单元表现出更高的易发性。坡度对其稳定性的影响仍然很强。这一排名提供了对条件因素相对贡献的透明和数据驱动的理解。

图12. 基于SHAP值的因素重要性分析。
该双面板图表显示了特征重要性分析。A面板是一个水平条形图，水平轴标记了从0.00到0.10的平均绝对SHAP值。垂直轴从上到下列出了18个特征：海拔、距离道路的距离、距离采空区的距离、STI、岩性、坡度、倾角方向、NDBI、地下水、倾角、距离河流的距离、LULC、沉降密度、朝向、距离断层的距离、微地形、坡度形态和TWI。条形图的长度从上到下逐渐减小。B面板是一个小提琴图，水平轴标记了从-0.4到0.2的SHAP值。垂直轴列出了相同的18个特征。每个特征的SHAP值分布用颜色渐变表示，蓝色表示低特征值，红色表示高特征值。这些分布以0.0为中心，每个特征的变化范围不同。

虽然大多数研究侧重于识别重要特征，但它们往往缺乏对这些因素如何影响预测结果的机制的洞察（Dahal和Lombardo，引用2023年）。SHAP方法通过使用SHAP小提琴图解决了这一差距，这些图表直观地表示了每个特征在不同样本位置对滑坡的影响。这些图表还展示了正面和负面的影响，提供了对模型如何生成预测的更清晰的理解（图12(b)）。水平轴代表SHAP值，红色表示WOE权重较大，蓝色表示权重较小。除了微地形因素外，其他因素与滑坡发生呈正相关。其中，如海拔、距离采空区的距离和岩性等因素对模型预测的影响相对平衡，而坡度、距离河流的距离和距离道路的距离则表现出更强的正相关。WOE值验证了上述结论，确认了解释的可靠性。将这些值用于分析有助于阐明环境因素如何影响滑坡的发生。从图5(a–r)中的蓝色曲线(C)可以分析出，对于地形因素，海拔低于1110米且坡度在25到30度之间的区域容易发生滑坡；对于地质因素，O2s类型的岩性会促进滑坡；对于水文因素，距离河流200米以内的区域以及地下水位在870到880米之间的区域受影响更大；对于环境因素，裸露的地面表面更容易发生滑坡；对于受人类活动影响的因素，滑坡更可能发生在距离道路200米以内和距离采矿区1900到2200米之间的区域。从SHAP和WOE得出的解释性见解为滑坡风险管理的决策提供了宝贵的支持，并有助于制定更有针对性的预防和控制措施（Chen等人，引用2023年）。

5.4. 与现有研究的比较分析
最近发表在《Geomatics, Natural Hazards and Risk》（TGNH）上的几项研究，包括Dou等人（引用2023年）、He等人（引用2023年）和Dung等人（引用2021年）的研究，已经推进了滑坡易发性建模，但在应用于采矿区域时仍存在一些局限性。具体来说，如Dou等人（引用2023年）和He等人（引用2023年）的研究通常依赖于单一机器学习模型（例如ANN或LR），虽然有效，但在捕捉该地区多个滑坡因素之间的高度非线性和复杂关系方面可能不如混合或集成方法。此外，一些研究，如Dung等人（引用2021年），主要使用静态因素，忽略了人类活动或环境变化引入的关键时空动态，从而限制了它们在风险管理中的预测稳健性。

我们的工作在两个方面显著超越了之前的TGNH滑坡研究。在数据完整性方面，我们引入了采矿干扰指标，如距离采空区的距离，这在采矿区域至关重要，并结合了关键的MT-InSAR监测数据，这对于理解采矿激活环境中的时间依赖性失效机制至关重要。方法论上，以前的研究依赖于单一模型或简单的混合模型，并主要应用单维优化策略，缺乏多维机制来联合优化建模输入和全局参数搜索。相比之下，我们的SI-MaxEnt-ANN框架通过结合优化的模型输入（包括选定因素、非滑坡采样和因素分类（MaxEnt）；执行参数优化（SI）；并为复杂的采矿环境提供了更稳健的预测结构。此外，基于SHAP的可解释性的整合揭示了非线性响应和特征相互作用，大大提高了透明度和实际应用性。

总体而言，本研究通过引入采矿特定数据输入、多维优化策略、明确的动态能力和全面的可解释性方案，扩展了现有的TGNH研究，为采矿区域的滑坡风险管理提供了更完整和更实用的工具。

5.5. 局限性和未来工作
尽管本研究推进了滑坡易发性建模，但仍存在一些局限性，这些局限性也指出了未来研究的方向。在植被覆盖密集和地形复杂的地区，InSAR数据在处理过程中可能会遭受去相关（He等人，引用2023年；Zhong等人，引用2024年），导致某些区域的结果缺失。未来的研究可以通过整合具有不同波长的多源SAR数据集和不同的重访周期来减轻这些影响，以提高变形检测的稳健性（Tang等人，引用2025年；Zhang等人，引用2022a；Zhang等人，引用2025年）。在滑坡预测中应用和扩展群体智能优化算法仍然有限。进一步探索替代优化策略和更先进的深度学习架构可能会提高滑坡预测模型的性能（Zhang等人，引用2022b）。此外，还需要纳入更全面的评估方案来检查稳健性和空间交叉验证，以考虑空间自相关性。所提出框架的动态组件主要依赖于表面变形信息，未来我们可以考虑整合额外的动态输入，如降雨传感器数据或遥感降水产品，以进一步增强时空预测能力（Ren等人，引用2024年；Shu等人，引用2024年）。结合概率和物理一致的建模策略可以通过改善不确定性表示和物理可解释性来补充数据驱动的方法（Cui等人，引用2025年；Ji等人，引用2022年）。解决这些问题预计将进一步提高在复杂地貌条件下的动态滑坡易发性映射的稳定性和泛化能力。

6. 结论
本研究提出了一个混合框架，通过结合群体智能、机器学习和MT-InSAR变形分析，解决了资源型城市中复杂的地质环境机制和滑坡的动态发展问题，实现了更高的性能、更高的准确性、合理性和时空适应性。本研究得出了以下主要结论：
1) 本研究采用多模型融合方法来改进滑坡易发性评估。MaxEnt模型和WOE分析被用来提取关于滑坡发生的先验知识，从而增强了模型对滑坡机制的理解。群体智能算法有效地优化了神经网络参数，提高了模型的准确性和稳定性。该混合模型建立了非滑坡样本选择、因素筛选和分类、模型参数优化和预测以及后续制图的标准化流程。通过减少不确定性和主观性，该框架为类似的研究提供了有价值的参考。
2) 模型比较和评估表明，HBA-MaxEnt-ANN模型表现出最佳性能，AUC值为0.959，F1分数为0.886，召回率为0.886，精确率为0.889，准确率为0.887，RMSE为0.301，MAE为0.170。提出了一种HLRI指标来评估制图的合理性，模型达到了29.86的峰值。大多数区域的易发性较低或非常低，而高易发性区域集中在中西部和东部陡峭的峡谷以及路边区域。SHAP分析显示，海拔、距离道路和采空区的距离、STI、岩性和坡度是影响滑坡发生的主要因素。
3) 集成的Stacking-InSAR技术显著提高了潜在活跃滑坡的识别能力。这种方法有效地捕捉了滑坡过程的动态特征，增强了模型对变化环境条件的适应性。通过结合无人机和实地调查，进一步验证了动态更新策略的可靠性。

总之，该框架展示了在研究区域之外的滑坡易发区域的可扩展潜力，特别是在类似资源密集型城市环境中。基于这些发现，我们为受采矿相关不稳定性影响的城市提供了一些政策和实践建议。动态易感性地图可以通过优先安排监测资源来指导针对高风险斜坡的风险缓解工作，这些斜坡通常位于地下采矿区、交通走廊和居民区附近。将动态易感性评估整合到市政灾害管理平台中，将使当局能够利用基于InSAR的变形信号实时更新灾害等级。加强自然资源部门、应急管理机构和城市规划机构之间的跨部门数据共享，将进一步提升对不断变化的斜坡状况的协调响应能力。未来的工作将重点通过多源变形数据和水文气象数据来提高时间分辨率，并在不同的地质和采矿环境中测试该框架的适用性和稳健性。这些建议进一步增强了该框架在受采矿影响的城市地区进行有针对性的灾害缓解和适应性风险管理的实用性。

致谢
我们感谢匿名审稿人的宝贵意见。

数据可用性声明
本研究的支持数据可在合理请求下从相应作者处获得。