# 中文标题 理解线性构造控制因素在滑坡易发性中的作用：基于喜马偕尔邦Uhl流域的机器学习方法

《Frontiers in Earth Science》：Understanding the role of lineament-controlled factors in landslide susceptibility: a machine learning approach in the Uhl Basin, Himachal Pradesh

　　

位于喜马偕尔邦的Uhl流域处于构造活跃状态，由此引发的滑坡及相关灾害对该地区的人类生命和基础设施造成了破坏性后果。研究区属于喜马拉雅山脉的一部分，由高度破碎的变质岩组成，在稳定状态下受到轻微扰动即会碎裂成碎屑。在本研究中，研究人员采用随机森林和多层感知器模型结合适当的致灾因子，以理解该地区的滑坡动力学机制。从滑坡易发性图及地图形态分析中获得的结果表明，线性要素（道路、河流和线性构造）是滑坡灾害的主要控制因素。沙普利加和解释分析推断出道路、河流和线性构造是所获得的滑坡易发性图的首要致灾因素。使用所有致灾因子创建的滑坡易发性图与构造因素情形下的滑坡易发性图产生了相似的结果，并获得了较高的精度。这表明在构造活跃的流域中，与线性构造相关的致灾因素也能产生可靠的结果。相比之下，结合地形因子为水文和人为因素情形获得的滑坡易发性图未能取得同样良好的效果。通过两种机器学习方法评估了统计指标以评价每种线性情形下各模型的性能。RF模型因其高精度和在滑坡易发性图中的敏锐性而脱颖而出。研究人员还分析了Uhl流域的野外观测和地貌构造指标，得出Uhl流域处于构造活跃状态的结论。相对活动构造指数分析根据地貌参数将20个Uhl子流域按其对构造活动的亲和性进行了划分。IRAT数据集结果与从易发性图中获得的结果一致。因此，采用适合此类构造活跃地区的胜任基础设施技术并识别Uhl流域中的安全区域，可在一定程度上帮助预防灾害。本研究为寻求早期检测方法和策略以减轻滑坡灾害强度的政府和研究人员提供了全面的视野。

## 研究背景与问题

喜马拉雅山脉是构造活跃的年轻造山带，从阿富汗延伸至印度东部阿鲁纳恰尔邦，经历了多次不同震级的地震，引发了地震、滑坡和山洪等灾害。该地区滑坡并非随机事件，而是脆弱山地系统在构造、气候和人类活动压力下的自然结果。构造活动不仅触发大规模滑坡事件，还削弱岩石强度，使其易于缓慢沉降和向下坡蠕动。气候变化导致极端事件更加频繁，如暴雨增加孔隙水压力使陡峭脆弱的山坡失稳。人类活动如道路扩建、不当排水和基础设施开发中的无序切坡也加剧了滑坡发生。以往研究多采用行政边界划分研究区，而较少在喜马拉雅地区进行流域分类。现有研究较少将活动构造与滑坡易发性相结合，因此研究人员选择Uhl河流域作为研究区，利用机器学习技术分析构造参数对滑坡发生的影响。本研究发表在《Frontiers in Earth Science》期刊上，为滑坡灾害早期检测和减灾策略提供了重要参考。

## 关键技术方法

研究人员采用RF和MLP两种机器学习模型进行滑坡易发性制图(LSM)。基于TanDEM-X（12m分辨率）数字高程模型(DEM)提取地形因子，通过Google Earth Pro解译了586个滑坡多边形，按70:30比例划分训练集和测试集。利用Python进行SHAP分析以解释特征重要性。通过ArcGIS 10.8.1软件进行流域划分和地貌参数计算，将Uhl流域划分为20个子流域并计算IRAT。研究区位于喜马偕尔邦曼迪区，面积756 km²。

## 研究结果

### 滑坡易发性制图

使用全部致灾因子，RF模型将38%和28%的区域分别划分为极低和低易发性区域，16%为中等易发性，高和极高易发性合计占17%；MLP模型将32%和26%的区域划分为极低和低易发性，22%为中等，19%为高和极高易发性。最易发生滑坡的区域位于流域西缘，与线性构造/冲断带、道路和河流图层一致。

### SHAP分析

对被IRAT分类为构造活跃的子流域（1、2、3、4、5、12、18和19号）进行SHAP分析。结果表明，距线性构造距离、距道路距离、曲率和表面粗糙度计数(SRC)是滑坡预测的主要贡献因子。距线性构造距离较小的值对模型输出有正向影响，表明靠近线性构造的区域易发性更高。在子流域2中，地形湿润度指数(TWI)和SRC等水文因子贡献显著；子流域3中，河流、坡向和道路起重要作用；子流域11中，岩性、河流和坡向起关键作用。

### 构造因素情形下的滑坡易发性

仅考虑地形和构造因子（距线性构造距离）时，RF模型将32%和26%的区域划分为极低和低易发性，22%为中等，19%为高和极高易发性。MLP模型将57%的区域划分为极低和低易发性，24%为中等，18%为高和极高易发性。仅考虑线性构造因子时，RF模型将20%的区域划分为高和极高易发性，而在使用全部因子时为17%。

### 水文因素情形下的滑坡易发性

考虑地形和水文因子（距河流距离）时，RF模型显示60%为极低和低易发性，20%为中等，20%为高和极高易发性。MLP模型将70%划分为极低和低易发性，15%为中等，15%为高和极高易发性。

### 人为因素情形下的滑坡易发性

仅考虑人为因子（距道路距离）和地形因子时，RF模型将68%划分为极低和低易发性，14%为中等，17%为高和极高易发性。MLP模型将55%划分为极低和低易发性，19%为中等，25%为高和极高易发性。

### 精度评估

使用全部因子时，RF模型的受试者工作特征曲线下面积(AUC-ROC)值为0.93，MLP为0.88。RF模型的精确率、召回率和F₁分数均为0.84，准确率为0.85。仅线性构造情形下，RF和MLP的AUC值分别为0.87和0.84。仅河流情形下，AUC值分别为0.87和0.83。仅道路情形下，AUC值分别为0.87和0.77。RF在所有情形和统计指标中均优于MLP。

### 地貌参数与相对活动构造指数

计算了2个线性指数、5个面状参数和7个地貌指数。IRAT将20个子流域分为3类：4个为低构造活动，5个为中等，11个为高构造活动。子流域1、2、3、4、5、6、9、11、12、18和19具有较高的IRAT值，受构造控制。

## 讨论与结论

研究结果表明构造作用是Uhl流域滑坡发生的控制因素，道路也发挥了重要作用。影响尺度上，构造作用的影响范围远大于河流，而河流又大于道路。IRAT与滑坡易发性图结果呈正相关，尤其在断裂系统分布方面。在所有模型中，RF模型取得了显著更高的精度（85%），表明其在预测该地区未来滑坡灾害区方面的有效性。线性构造情形下精度为78%（RF）和76%（MLP），河流情形下精度为78%（RF和MLP），道路情形下精度为80%（RF）和77%（MLP）。三种线性要素（道路、河流和线性构造）可能在同一区域产生高易发性区域。野外数据显示主边界冲断带(MBT)附近岩石脆弱破碎，变质岩天然具有许多不连续面，如节理和叶理面，在触发时易于剥离。本研究建议采取修建挡土墙、建设坚固基础设施、设置适当排水渠道、植树造林和开展公众宣传教育等纠正措施，以应对高易发区的滑坡灾害风险。