《Geocarto International》：Geo-AI for landslide susceptibility in Rwanda: integrating LiDAR, soil moisture, and historical data
卢旺达山区滑坡易发性评估需要先进的预测工具，以应对气候变化和人类活动加剧所带来的潜在风险。本系统综述综合分析了2017年至2025年间发表的36项研究，这些研究聚焦于整合激光雷达(Light Detection and Ranging, LiDAR)派生地形指标、土壤湿度数据及历史滑坡编录数据的Geo-AI框架在滑坡易发性制图中的应用。研究发现，深度学习模型，尤其是卷积神经网络(Convolutional Neural Networks, CNNs)，优于经典机器学习算法，其曲线下方面积(AUC)达到0.93–0.96，而随机森林(Random Forest)和支持向量机(Support Vector Machines, SVMs)的AUC值为0.85–0.90。尽管经典模型具有更高的可解释性，但其在捕捉复杂非线性关系方面效果较差。关键挑战包括数据稀缺、模型不透明性以及气候非平稳性。本综述提出了一套面向卢旺达的综合性Geo-AI框架，强调多尺度数据融合、集成建模和可解释人工智能(Explainable AI, XAI)，以支持东非地区的早期预警系统、土地利用规划和灾害风险减缓。
1. 引言
1.1 全球滑坡灾害的重要意义：滑坡是全球范围内最为普遍的地质环境灾害之一，对人类生命、基础设施和生态系统造成严重损失。气候变化驱动的极端天气模式、森林砍伐及山区快速城市化致使滑坡事件的频率和强度不断攀升。传统灾害制图在事件发生前预测方面存在不足，亟需能够整合多源环境与社会经济因素的先进技术。
1.2 卢旺达及东非地区的滑坡易发性：东非地区尤其是卢旺达，存在独特环境与 socioeconomic 因素交汇，显著增加了滑坡易发性。卢旺达地形以陡坡、高海拔和深度风化土壤为特征，加之高人口密度和集约化农业活动，人类暴露于滑坡灾害的风险极高。尽管历史记录显示频繁发生浅层和深层滑坡，该地区在应用先进预测建模方法方面却长期研究不足。
1.2.1 卢旺达现有滑坡易发性制图：卢旺达环境管理局(REMA)采用基于专家启发式方法和双变量统计方法编制了1:50,000国家易发性图，并应用频率比和层次分析法(AHP)等技术。然而，这些方法存在明显局限：依赖30米分辨率的SRTM等粗分辨率数字高程模型(DEM)，无法捕捉浅层滑坡的关键精细地形变异；模型为静态，缺乏降雨强度和土壤湿度变异等动态触发因子的整合；模型验证有限，AUC值鲜少超过0.80；且不支持时间预报，难以支撑业务化早期预警系统。
1.3 滑坡易发性制图的演进：传统方法基于GIS框架内的启发式、双变量或多变量统计方法，假设预测因子间存在线性和独立性，预测能力受限。机器学习(ML)和深度学习(DL)的兴起通过非线性建模、自动特征学习和多源数据集整合，彻底变革了该领域。Geo-AI方法能够捕捉时空变量间的细微交互，提升空间泛化和预测能力。CNN和循环神经网络(RNNs)等深层学习模型可实现动态灾害评估，整合时间序列和地形异质性。
1.4 综述目的、创新点与结构：本综述旨在批判性评估Geo-AI在卢旺达山区滑坡易发性制图中的应用现状，识别东非地区预测建模的知识缺口。创新点在于将LiDAR派生地形指标、土壤湿度动态和历史滑坡编录整合为综合性Geo-AI框架。通过系统分析36项近期研究，为最佳实践、方法挑战和业务化实施提供洞见。全文结构涵盖：综述方法、滑坡易发性建模概念基础、Geo-AI技术、先进地理空间数据作用、卢旺达整合预测框架、研究缺口与挑战，以及科学和社会相关性结论。
2. 综述方法
2.1 文献检索策略：系统检索Web of Science、Scopus、ScienceDirect、SpringerLink和MDPI五大数据库，采用"landslide susceptibility"、"Geo-AI"、"machine learning"、"deep learning"、"LiDAR"、"soil moisture"和"GIS"等关键词组合布尔逻辑运算符，适应各数据库语法规则，使用截断符捕获术语变体。手动筛选确保准确性、相关性和质量控制，检索聚焦2017至2025年文献以捕捉ML和DL技术在地理空间滑坡预测中的最新进展，同时纳入2017年前奠基性研究提供方法论背景。
2.2 纳入和排除标准：纳入标准包括同行评审状态、GIS集成ML或DL方法应用、明确聚焦滑坡易发性或风险评估；混合方法结合物理模型与AI预测框架亦被纳入。排除会议摘要、社论、缺乏空间或地理空间数据分析的文章，以及重复记录和纯概念性研究。
2.3 筛选和选择流程(PRSSMA合规)：遵循PRISMA 2020指南确保透明性和可重复性。初始检索获得247条记录，去除31条重复记录和12篇非英语文献后，200条唯一记录进入标题和摘要筛选。排除不聚焦滑坡易发性/预测、缺乏GIS/ML方法、无空间分析或为会议摘要/社论的文章。100篇全文文献评估后，64篇因方法学细节不足、地理聚焦与卢旺达山区适用性有限、缺乏定量性能指标、数据源与所提整合框架不兼容或研究人群重叠而被排除。最终36项研究满足全部纳入标准，按算法类型、主要数据源、模型性能指标和地理背景系统分类。PRISMA流程图展示了从识别(247条记录)→筛选(200条标题摘要筛选，排除100条)→资格评估(100篇全文评估，排除64篇)→纳入(36项研究)的完整过程。
2.4 选定研究的分类和主题综合：36项研究按多维度系统分类：(1)算法类型——经典ML模型(逻辑回归、决策树、随机森林、SVM)、人工神经网络(ANNs)、深度学习模型(CNN、RNN)、集成或混合方法；(2)数据源——LiDAR派生地形指标、土壤湿度测量、历史滑坡编录、降雨或水文变量；(3)模型性能评估指标——AUC、准确率、F1分数、混淆矩阵；(4)地理和气候背景。代表性Geo-AI研究的比较汇总表展示了算法类型、输入数据源、性能指标及其对卢旺达山区的相对适用性。
3. 滑坡易发性建模的概念基础
3.1 滑坡灾害、易发性、脆弱性和风险：明确区分灾害易发性、灾害、暴露、脆弱性和风险等核心概念。易发性描述在给定条件下斜坡失稳的空间概率，独立于时间发生；灾害指特定区域内一定时间框架内滑坡事件发生的可能性；暴露指人员、基础设施和经济资产存在于可能发生滑坡的区域；脆弱性指这些暴露要素受损的程度。风险按照标准灾害风险框架概念化为Risk = Hazard × Vulnerability × Exposure的乘积关系，强调任一成分缺失则风险为零。概念框架图展示了从静态条件因子(地形、地质、土壤、土地利用/覆盖)→滑坡易发性(基于条件因子的空间概率)，结合触发因子(降雨、地震、火山活动、人类活动)→滑坡灾害(随时间推移的滑坡事件概率)，再与暴露、脆弱性和风险要素交互产生滑坡风险的完整链条。
3.2 条件因子和触发机制：滑坡易发性受条件因子和触发机制的组合影响，跨空间和 temporal 尺度交互。地形变量(坡度、坡向、曲率、高程)是坡体稳定性的主要决定因素；地质和岩性因素(岩石类型、结构不连续面、土壤性质)直接控制抗剪强度和水文行为；土地利用/覆盖变化(森林砍伐、农业扩张、城市侵占)改变表面水文、减少根系 cohesion 并增加易发性；降雨强度、持续时间和土壤湿度动态是关键触发因子，当降水超过入渗能力、饱和土壤并降低有效应力时引发坡体失稳。人工干预(道路建设、梯田、城市发展)通过改变自然排水模式和引入附加荷载加剧不稳定性。
3.3 基于物理的方法与数据驱动方法：基于物理的模型(如SHALSTAB和TRIGRS)依赖坡体稳定性的确定性公式，提供机制性洞察但需高分辨率输入数据和大量野外标定，在数据稀缺地区适用性受限。数据驱动方法(统计模型、经典ML和DL算法)利用观测滑坡与条件因子间的经验关系，擅长捕捉非线性交互、处理大多维数据集，即使物理参数化不完整也能生成高分辨率易发性图。混合方法结合基于物理模型的机制优势和AI算法的预测能力，在变化环境条件下提供改进的准确性、空间泛化和鲁棒性。
4. 滑坡易发性制图的Geo-AI技术
4.1 经典机器学习模型：逻辑回归、决策树、SVM和随机森林等经典ML模型因相对简单、可解释且计算需求适中而长期作为基础工具。逻辑回归提供直接可解释性；决策树和随机森林通过递归划分数据空间和聚合多棵树结果增强预测性能，减少过拟合并改善泛化；SVM对高维数据集特别有用，识别最优超平面区分滑坡易发区与稳定地形。然而，经典ML模型在捕捉地理空间和 temporal 因子间非线性和复杂交互方面受限，在卢旺达等复杂景观中尤为明显。
4.2 人工神经网络和集成学习：前馈神经网络(包括多层感知器MLP)能够学习预测变量与滑坡发生之间的复杂非线性关系，利用多隐藏层和非线性激活函数捕捉经典模型可能忽略的细微交互。 bagging和boosting等集成学习方法通过聚合多个基学习器的预测提高鲁棒性，如基于bagging的SVM(B-SVM)减少方差并增加空间滑坡预测稳定性，boosting技术迭代关注误分类实例以提高整体精度。结合ANN和树方法的混合集成框架在整合LiDAR地形、土壤湿度和历史滑坡记录等多环境数据集时，在AUC、准确率和F1分数方面表现更优。
4.3 深度学习技术：CNN设计用于从高分辨率栅格数据中提取分层空间特征，特别适用于LiDAR和遥感数据的 terrain 分析，擅长检测微地形凹陷、曲率变化和坡度粗糙度等细微形态变异。RNN擅长建模 temporal 序列(降雨事件、土壤湿度演化、滑坡位移趋势)，实现触发因子的预测评估。结合CNN、RNN和其他架构的混合深度学习框架实现多变量数据融合，整合空间、temporal 和水文输入以提高预测性能。研究表明DL模型在高分辨率滑坡制图中优于经典ML方法，尤其在 dense 地形异质性或快速土地利用变化区域，但需更大数据集、更高计算资源和谨慎正则化以避免过拟合。
4.4 数据不平衡和模型可靠性：数据不平衡是持续性挑战，因滑坡发生本质上远少于非滑坡区域。应对策略包括 minority 类过采样、majority 类欠采样，以及使用生成对抗网络(GANs)进行合成数据生成。GAN方法在扩充空间稀疏滑坡数据集方面特别有效，改善模型鲁棒性且不引入人工偏置。评估指标包括AUC、精确率-召回率曲线、Kappa系数和混淆矩阵。高AUC值表明滑坡易发区与稳定区的强区分能力，精确率-召回率分析在 imbalanced 数据集中尤为信息丰富。模型性能比较图显示CNN和混合方法的中位AUC值最高，当与LiDAR和动态环境变量整合时尤为明显。
4.5 综述研究的批判性评价：识别出若干方法论优势和局限。约60%的研究应用随机训练-测试划分而未考虑空间自相关，可能人为夸大模型性能(AUC值可能高估10–15%)；仅8项研究(22%)实施空间显式验证策略。超过5个卷积层的CNN在相对较小编录(<500处滑坡)上训练时呈现过拟合迹象；70%研究承认类别不平衡但仅40%实施稳健平衡技术，简单随机欠采样频繁使用，而GAN增强方法仅应用于3项研究。仅5项研究(14%)提供开放获取代码库，14%披露超参数调优过程。约75%研究在亚洲和欧洲开展，非洲环境研究比例极小，引发模型可转移性担忧，尤其在 monsoon 主导系统与卢旺达双峰降雨模式差异方面。高分辨率LiDAR数据(1–5米)与卢旺达现有12.5米分辨率DEM存在空间分辨率差距；连续原位土壤湿度监测网络的缺失使业务化应用必须依赖SMAP和Sentinel-1等卫星替代产品。
5. 卢旺达地理空间数据可用性的现状
5.1 LiDAR派生地形指标：LiDAR提供高分辨率三维地形表征，显著提升滑坡易发性建模。然而，卢旺达国家级LiDAR覆盖仍有限。REMA在世界银行资助的RUDP-II项目下对Musanze、Rubavu和Nyabihu等高风险区进行了机载LiDAR测量，覆盖约15%已识别高风险山区。其余地区研究者主要依赖ALOS PALSAR 12.5米DEM(免费开放获取)或TanDEM-X 90米全球DEM。UAV-based LiDAR提供高分辨率但成本密集，无法在国家层面扩展。
5.2 土壤湿度和水文变量：卢旺达目前缺乏 dense 原位土壤湿度监测网络。可用选项包括SMAP(9公里空间分辨率，3天重访周期)和Sentinel-1合成孔径雷达(约10米分辨率，6天重访)。地面观测仅限于卢旺达气象局运营的约5个测量站点。GLDAS Noah等模型数据集提供0.25°空间分辨率和3小时 temporal 间隔的连续估算。
5.3 历史滑坡编录：REMA维护的国家级滑坡数据库记录2000至2025年间约450起事件，但空间精度和完整性差异显著，2010年前记录尤其如此。卢旺达大学和UNILAK等学术机构贡献约200处额外测绘滑坡点，但这些数据集未完全标准化，机器学习应用前需进行协调。
5.4 地理空间数据在Geo-AI框架中的整合：Geo-AI模型的有效性取决于地形、水文和历史信息的整合。CNN-RNN等混合架构在融合时空数据集方面特别有效。然而，卢旺达的数据限制需要谨慎选择和融合可用数据集以避免引入偏置或过拟合。尽管如此，整合Geo-AI框架对卢旺达山区仍具高度前景，当适当考虑本地数据可用性时，可提供灾害制图、早期预警系统和土地利用规划的可扩展解决方案。
6. 卢旺达山区的整合Geo-AI框架
6.1 数据整合架构：有效框架依赖于多样化地理空间数据集的 robust 整合。核心架构融合LiDAR高分辨率地形、土壤湿度和水文数据以及历史滑坡编录，实现 static 和动态因子的全面理解。多尺度和多 temporal 整合增强预测精度：多尺度分析确保微地形特征和更广泛地貌结构均被纳入；多 temporal 整合利用季节性土壤湿度波动、前期降雨和基于事件的滑坡记录建模即时触发和长期易发性趋势。高级数据预处理技术(地理配准、重采样、归一化和噪声滤波)对协调不同来源和分辨率的数据集至关重要。该框架作为概念性综合，旨在指导卢旺达未来实证实施而非验证性新架构。框架流程图展示了从输入数据源(LiDAR数据1-2米微地形分辨率、土壤湿度数据250-1000米坡度湿度分辨率、历史编录月年至年多源 temporal 分辨率、30米易发性基线图、100米高人口密度预警信号)→核心处理和AI管道(数据摄取与协调→预处理→特征提取→AI建模与融合→易发性预测，含反馈回路)→输出(易发性图、风险热点和分析、警报和通知)→结果(改进风险评估、早期预警和准备、循证规划、可持续发展)的完整流程。
6.2 模型选择和训练策略：算法选择应考虑数据特征和环境复杂性。集成方法、前馈神经网络和CNN已被广泛应用。对于卢旺达，模型必须捕捉复杂坡度微地形、变化土壤湿度和异质性土地利用模式，在Rubavu、Nyabihu和Musanze等人口密集区尤为重要。训练策略包括谨慎交叉验证、超参数调优和特征选择：k-fold和空间块验证等交叉验证技术确保性能不受训练数据中局部化模式偏置；网格搜索或贝叶斯优化进行超参数优化；递归特征消除、置换重要性和基于相关性的过滤等方法识别最具信息量的特征。
6.3 模型评估和空间泛化
6.3.1 空间交叉验证协议：标准k-fold交叉验证因空间自相关往往产生过于乐观的性能估计。推荐采用空间块交叉验证，确保统计独立的性能评估。卢旺达实施包括：基于流域的阻断(利用约150个主要 national 流域边界)、行政阻断(30个区或416个sector)、块大小优化(超过滑坡条件因子空间自相关范围，通常2–5公里)。迭代留出一块测试、训练于其余块，重复获得空间独立性能估计，报告块内性能(乐观估计)和块间性能(现实、部署相关估计)。应用空间交叉验证通常观察到AUC值比随机训练-测试划分降低10–20%。
7. 关键挑战和研究缺口
7.1 数据稀缺和空间分辨率限制：相比亚洲和欧洲 dense LiDAR覆盖、连续土壤湿度监测网络和 extensive 滑坡编录，非洲地区依赖碎片化、低分辨率和不完整数据集，引入不确定性并导致过拟合和降低泛化性能。空间分辨率异质性造成尺度不匹配。
7.2 模型可解释性和可解释性约束：DL模型虽预测性能优越但常作为黑箱运行，限制可解释性并降低政策和工程应用中的可用性。应系统整合SHAP、置换重要性和注意力机制等XAI技术。
7.3 气候非平稳性和未来不确定性：气候变化驱动的降水强度、频率和 seasonal 分布变化改变环境变量与滑坡发生的关系，历史数据训练的模型可能无法准确预测未来事件。关键方向包括：迁移学习方法(基线模型用历史数据训练，使用CMIP6降尺度气候预测生成的合成数据集微调)；集成气候强迫整合(多GCM如CNRM-CM6-1、MIROC6和UKESM1-0在SSP2-4.5和SSP5-8.5情景下)；动态阈值适应(基于多时间窗口前期降水指数(API)、气象机构 seasonal 预报、Sentinel-1实时土壤湿度异常)；temporal 域适应(应用对抗和域适应技术减少历史与未来气候条件间的分布偏移)。
7.4 方法论局限：限制于英语出版物可能引入语言偏置；文献地理分布失衡(多数来自亚洲和欧洲)；数据来源、空间分辨率、temporal 覆盖和评估指标的变异性限制直接可比性；灰色文献排除可能遗漏实用实施和本地相关洞见。
8. 卢旺达的政策含义
将Geo-AI整合入卢旺达灾害风险治理需与国家规划、机构结构和融资机制 deliberately 对齐。在国家规划层面，Geo-AI输出应正式纳入National Land Use and Development Master Plan，在高风险区精细尺度(约1:10,000)应用，包括最高易发性类别(top 10%)的"禁建区"划定和中高风险区(10–25%)基础设施开发的强制性岩土评估。在 district 层面，Geo-AI易发性图应 fully 整合入District Development Plans，特别关注Musanze、Rubavu、Nyabihu、Ngororero和Rutsiro等高风险区。对于早期预警系统，卢旺达民事保护局应将Geo-AI预测整合入结构化国家早期预警框架，基于模型敏感性分析得出 district 特定降雨和土壤湿度阈值，链接至Sentinel-1和SMAP等近实时卫星观测，部署基于SMS的自动警报系统至cell和umudugudu领导层。机构 strengthening 方面，建议在卢旺达大学建立National Landslide Data Observatory，在REMA、卢旺达航天局和民事保护局进行能力建设。融资方面，分配District Development Funds的3–5%至滑坡风险评估和减缓活动，寻求Green Climate Fund和Adaptation Fund等国际气候融资支持，与世界银行RUDP项目合作扩展LiDAR覆盖。业务化部署遵循分阶段策略：第一阶段在LiDAR覆盖区试点；第二阶段使用融合ALOS PALSAR和Sentinel-1数据进行national尺度易发性制图；第三阶段随数据可用性改善逐步整合扩展LiDAR覆盖和改进原位监测系统，最终包括实时监测、连续模型更新和整合入机构早期预警及土地利用规划系统的 full 业务化。
9. 结论
Geo-AI技术在滑坡易发性预测中的整合代表了灾害风险管理的变革性进步，尤其在卢旺达山区。通过结合高分辨率LiDAR地形指标、动态土壤湿度和水文数据以及历史滑坡编录，Geo-AI框架实现了具有更高精度、空间分辨率和业务相关性的预测模型。该方法的创新性在于融合static、dynamic和历史数据于ML和DL架构中——这是在卢旺达和更广泛的东非背景下尚未 fully 探索的方法论进步。卢旺达的陡峭地形、高人口密度和集约化土地利用使其成为Geo-AI应用的理想试验场，经验教训可转移至乌干达、布隆迪和肯尼亚等邻国。准确的易发性预测支持保护人类生命、关键基础设施和生态系统，同时实现循证决策和资源优化配置，通过架接数据驱动预测、政策采纳和社区韧性，Geo-AI提供了前瞻性的方法论，能够变革 Nike 滑坡管理并促进脆弱山区更安全、更可持续的发展。
