摘要
评估地震引发的滑坡风险对于山区灾害防控至关重要。虽然背景水文变化会影响斜坡稳定性，但长期平均土壤含水量却很少被纳入基于深度学习的滑坡风险预测模型中。本研究提出了一种混合卷积神经网络与Swin Transformer（CNN-SwinT）框架，将该长期平均土壤含水量作为静态协变量，用以反映持续的背景水分状况。该模型结合了卷积神经网络的局部空间特征提取能力与Swin Transformer的层次化上下文表征功能，从而能够捕捉多尺度的空间关联关系。以中国岷县为研究区域，通过多重共线性和信息增益比分析筛选出了13个影响因素。数据集被划分为训练集（70%）和验证集（30%）。与单独使用的卷积神经网络和SwinT模型相比，混合CNN-SwinT模型取得了最高的准确率（0.856）和AUC值（0.95），其预测出的高风险区域与历史记录高度吻合。不过，目前所用的评估指标是基于随机且非空间独立的样本划分方式，未来在实际应用中建议采用空间分块交叉验证方法。研究结果表明，引入长期平均土壤含水量能为滑坡风险预测提供重要的补充性水文信息，进而提升预测精度。这些发现表明，所提出的混合框架在高分辨率地震引发滑坡风险预测方面具有较高的可靠性和有效性。
