《Geodesy and Geodynamics》：Landslide Susceptibility Assessment in Reservoir Areas Using Time-Series InSAR: A Case Study of the Zigui–Yiling Region in the Three Gorges Reservoir
编辑推荐：
水库区滑坡（landslide）灾害频发，因此滑坡易发性评价（Landslide Susceptibility Assessment, LSA / Landslide Susceptibility Mapping, LSM）对灾害识别与风险控制具有重要意义。传
水库区滑坡（landslide）灾害频发，因此滑坡易发性评价（Landslide Susceptibility Assessment, LSA / Landslide Susceptibility Mapping, LSM）对灾害识别与风险控制具有重要意义。传统评价方法仅依赖静态环境因子，无法充分反映近期斜坡活动特征。研究人员以三峡库区秭归至夷陵段为研究区，采用小基线集干涉合成孔径雷达（Small Baseline Subset Interferometric Synthetic Aperture Radar, SBAS-InSAR）技术获取2021—2024年地表形变信息，利用皮尔逊相关系数（Pearson Correlation Coefficient, PCC）、方差膨胀因子（Variance Inflation Factor, VIF）、容忍度（Tolerance, TOL）及信息增益比（Information Gain Ratio, IGR）筛选九个滑坡影响因子，分别构建卷积神经网络（Convolutional Neural Network, CNN）、支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest, RF）模型进行滑坡易发性评价，并进一步将InSAR形变信息纳入评价。结果表明：研究区大部分形变速率介于-10～10 mm/a，强变形主要沿秭归县沿岸及山区分布；典型库岸分析显示水位快速波动期斜坡变形显著增强，当月水位上升速率最大时三个特征点变形速率均达峰值。三种模型中CNN表现最优，AUC为87.1%，高于SVM（86.0%）和RF（86.7%）；极高易发区主要沿秭归县沿岸、秭归西南山区及夷陵区中部分布。引入InSAR形变信息后，极高易发区更集中于强变形斜坡，相对稳定区域被调低为较低易发等级。研究成果可为库区滑坡监测、风险识别及野外调查提供支持。
论文解读：
研究背景方面，水库滑坡（reservoir landslide）是水库岸坡在水位调控等作用下失稳形成的自然灾害，三峡水库（Three Gorges Reservoir, TGR）是世界上最大的水利枢纽工程之一，库岸地形陡峻、地质条件复杂，水位在145～175 m间周期性波动，叠加降雨作用使滑坡频发，严重威胁大坝设施及周边居民安全。传统滑坡易发性制图（Landslide Susceptibility Mapping, LSM）多依赖坡度、岩性等静态环境因子，虽方法较成熟，但静态因子仅反映区域长期地貌与环境背景，无法捕捉研究区近期斜坡动态活动行为；地面监测如GPS/GNSS虽精度高但布设成本高、空间覆盖有限，难以满足大范围变形监测需求。星载合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar, InSAR）可获得面状形变信息，已有研究证明将其引入LSM可及时识别活跃滑坡区、减少高易发区高估并提升精度，但在三峡库区秭归—夷陵段结合时序InSAR与机器学习开展易发性精细化评价仍有待深化。该文由Siying Lu、Lv Zhou、Chao Li、Zhili Chen、Jiao Xu、Jie Bai、Lei Wang、Taiying Wu（Guilin University of Technology）完成并发表于《Geodesy and Geodynamics》。
主要关键技术方法：研究人员选用2021—2024年93景升轨C波段Sentinel-1A SAR影像，以SRTM 30 m DEM去除地形相位，GACOS产品校正大气延迟，采用SBAS-InSAR获取视线向（Line-Of-Sight, LOS）平均形变速率并投影至坡面方向；初选16个候选滑坡影响因子（地形、植被、水文、人类活动等），联合PCC、VIF、TOL及IGR进行多重共线性检验与重要性排序，最终保留高程、岩性、坡度、归一化植被指数（Normalized Difference Vegetation Index, NDVI）、土地利用/覆被（Land Use/Land Cover, LULC）、年均降雨量、距河流距离、距道路距离、距断层距离共9个因子；以历史滑坡点（607个）与1 km缓冲外随机选取的非滑坡点按7∶3划分训练/测试集，分别构建并训练CNN（含SE注意力模块与空间金字塔池化、17×17邻域窗口、交叉熵损失与SGD优化器）、SVM（径向基核函数RBF）和RF模型；引入基于InSAR LOS形变速率绝对值与坡面负向运动判定的易发性修正矩阵对原易发性结果进行动态修正；以准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值及受试者工作特征曲线下面积（Area Under the ROC Curve, AUC）评价模型性能，并与GNSS站点数据进行形变结果验证。
研究结果如下：
4.1 SBAS-InSAR提取地表形变（Surface Deformation Extraction Using SBAS-InSAR in the Zigui–Yiling Area of the Three Gorges Reservoir area）
4.1.1 SBAS-InSAR地表形变提取：通过对93景Sentinel-1A影像进行SBAS-InSAR处理获得LOS向平均形变速率，范围为-73.81～38.15 mm/a，81.49%的区域形变速率在-10～10 mm/a，均值-3.83 mm/a，近似正态分布；强变形（速率＜-20 mm/a）主要分布于秭归县沿岸及南部山区，夷陵东南部平原、坝区周边及秭归北部山区相对稳定。典型点P3（范家坪区）LOS速率-78.17 mm/a，P4（刘家岭—王家岭—楚王井村间）LOS速率-58.95 mm/a，均未见明显既有滑坡痕迹但变形较大需持续监测；2024年7月17日秭归郭家坝镇贾家店村发生滑坡（特征点P5，LOS速率-33.59 mm/a），时序显示2023年起变形加剧，2023年9月后后缘累积变形增大，2024年7月在降雨与水位快速波动共同作用下失稳。
4.1.2 形变结果精度评价：地理编码均方根误差（Root Mean Square Error, RMSE）均值4.57 mm，99.14%像素RMSE＜10 mm；与白家包滑坡GNSS站ZD1/ZD2比对，系统偏差分别为2.48 mm和4.94 mm，RMSE分别为7.21 mm和7.44 mm，相关系数达0.94和0.97，证实InSAR形变结果准确可靠。
4.2 滑坡影响因子筛选（Selection of Landslide Influencing Factors）：初选16因子经PCC发现坡度（Slope）、地表粗糙度（Surface Roughness）与地形起伏度（Topographic Relief）高度线性相关（|PCC|≈1），VIF显示Relief（20.79）和Slope（14.70）超限（VIF＞10），其余因子VIF＜10、TOL＞0.1；IGR表明年均降雨量与NDVI贡献最高，坡向、曲率、TWI及平面/剖面曲率贡献较低。综合考量保留具物理意义和通用性的坡度代表该类地形因子，最终确定高程（Elevation）、岩性（Lithology）、坡度（Slope）、NDVI、LULC、年均降雨量（Average Annual Rainfall）、距河流距离（Distance from River）、距道路距离（Distance from Road）、距断层距离（Distance from Fault）九类作为模型输入。
4.3 滑坡易发性制图与模型评价（Landslide Susceptibility Mapping and Model Evaluation）
4.3.1 滑坡与非滑坡数据集构建：607个历史滑坡点取自地理遥感生态网平台，非滑坡点于各滑坡点1 km缓冲区外随机选取并经空间抽稀保证均匀性与类别平衡，按7∶3切分训练集与测试集，三模型使用相同样本划分。
4.3.2 模型评价：CNN模型Accuracy=0.81、Precision=0.81、Recall=0.77、F1-score=0.79、AUC=87.1%；RF为Accuracy=0.79、Precision=0.77、Recall=0.76、F1=0.76、AUC=86.7%；SVM为Accuracy=0.79、Precision=0.75、Recall=0.79、F1=0.77、AUC=86.0%。CNN分类性能最优，更能适应库区多因子非线性耦合特征。
4.3.3 基于CNN、SVM、RF模型的滑坡易发性制图：九因子输入各模型生成易发性指数并按0–0.2（极低）、0.2–0.4（低）、0.4–0.6（中）、0.6–0.8（高）、0.8–1.0（极高）重分类。高—极高易发区主要沿秭归县沿岸、秭归西南山区及夷陵区中部山地，三模型空间格局相似；CNN结果空间连续性更强且极高易发区与历史滑坡吻合最好，SVM在西南山区低估易发性，RF中等易发区偏广且连续性弱于CNN。
4.3.4 融合InSAR形变信息的滑坡易发性修正（Landslide Susceptibility Refinement Integrating InSAR Deformation Information）：以LOS形变速率绝对值划分弱—强变形五级（0–5、5–10、10–20、20–30、＞30 mm/a），仅坡度＞5°且坡面方向为负（向下坡运动）的像素参与升级判定，依据原始易发性等级与形变强度查易发性修正矩阵调整等级。融合后极低与低易发区比例略增，中—极高易发区占比下降；原极高易发但近期变形稳定区被下调，变形强烈斜坡上极少稳定低易发区被适度上调，极高易发区更聚焦于具近期强变形的斜坡单元。
讨论部分总结：典型岸坡特征点时序分析与库水位分期对照表明，水位快速上升期（上升速率最大达约12 m/月）斜坡顺坡变形加速最显著，水位下降期持续缓慢变形，低/中水位稳定期变形相对平稳，斜坡变形与库水位波动呈强耦合关系。引入InSAR形变信息可在静态环境因子基础上反映近期斜坡活动，使易发性分区更具时空差异性，抑制仅靠地质环境背景导致的高估，突出活跃变形斜坡，为针对性监测与风险筛查提供空间依据，后续需独立滑坡样本进一步验证。CNN因能捕捉局部邻域空间纹理与多因子非线性耦合，易发性分区较SVM和RF更连续细致，被选作融合前后对比的代表模型。因子分级统计显示极低—低易发占主导，极高易发多出现在海拔＜600 m河谷岸坡、16–40°中陡坡、碳酸盐岩与碎屑岩分布区、年均降雨900–1000 mm带、NDVI 0.6–0.7林地及建筑区周边、距道路＜200 m、近河（＜200 m）及远河（＞2000 m）带，距断层远近对易发性影响不显著，反映库区滑坡是地形—水文—地质多因子综合作用结果。
结论（翻译自Conclusions部分）：
研究人员以三峡库区秭归县至夷陵区段为研究区，基于2021—2024年Sentinel-1A影像利用SBAS-InSAR获取地表形变信息，采用PCC、VIF、TOL和IGR筛选滑坡影响因子，应用CNN、SVM和RF模型进行滑坡易发性评价，并将InSAR形变信息融入评价中。研究表明：研究时段内形变速率介于-73.81～38.15 mm/a，大部分区域处于-10～10 mm/a的相对稳定范围，明显变形主要沿秭归县沿岸及山区分布；InSAR与GNSS比对证实了形变结果的可靠性；典型库岸分析表明斜坡变形与降雨及库水位波动密切相关，当月水位上升速率最快（约12 m/月）时三特征点变形速率均达研究期内最大值。高程、坡度、年均降雨量、NDVI、LULC、岩性、距河流距离、距道路距离及距断层距离均对滑坡易发性有重要影响。三模型中CNN表现最佳，AUC达87.1%，高于SVM（86.0%）和RF（86.7%）；极高易发区主要沿秭归县沿岸、秭归西南山区及夷陵区中部建筑区分布，易滑环境以中低海拔、中等坡度、较高降雨、近河及碎屑岩—碳酸盐岩分布区为特征。融入InSAR形变信息后极高易发区更集中于具较强变形的斜坡单元，相对稳定区域被调低为较低易发等级。修正结果可为库区滑坡监测、风险筛查及野外验证提供空间参考，未来仍需独立滑坡记录进一步检验。
