《Scientific Reports》：GIS-based multi-criteria landslide susceptibility assessment in the Northwestern Himalaya, Jammu and Kashmir, India
编辑推荐：
本研究通过集成遥感、GIS和野外调查，对查谟和克什米尔地区开展了基于多参数的滑坡易发性评估。研究人员选取了八个贡献变量用于滑坡易发性分析：土地利用与土地覆盖（LULC）、道路邻近度、河流邻近度、坡度、坡向、地质、地貌和海拔。此外，研究人员利用野外滑坡编目制图（
本研究通过集成遥感、GIS和野外调查，对查谟和克什米尔地区开展了基于多参数的滑坡易发性评估。研究人员选取了八个贡献变量用于滑坡易发性分析：土地利用与土地覆盖（LULC）、道路邻近度、河流邻近度、坡度、坡向、地质、地貌和海拔。此外，研究人员利用野外滑坡编目制图（FLIM）应用程序、LISS-IV卫星数据和野外调查，建立了包含669个滑坡事件的综合滑坡编目，覆盖面积为42,950.43 km2。滑坡易发性制图（LSM）采用层次分析法（AHP）实施，并使用MaxEnt软件和野外生成的滑坡数据进行了验证。最终生成的滑坡易发性图被划分为五个等级：极高、高、中、低和极低易发区。基于AHP方法，这些区域分别占研究区面积的3.65%（1,569.0483 km2）、24.43%（10,492.8912 km2）、51.56%（22,147.2369 km2）、18.81%（8,079.2199 km2）和1.54%（662.0301 km2）。加权叠加和MaxEnt模型被证明对滑坡脆弱性制图有效，其中MaxEnt的训练数据AUC值达到0.82，测试数据为0.807，表明具有良好的预测性能。野外验证进一步显示，87%的滑坡发生在高和极高易发区内。Jackknife检验确定道路邻近度、坡度和河流邻近度是影响滑坡发生的最显著的独立变量。生成的滑坡易发性图为降低滑坡风险提供了重要见解，并可作为该地区基础设施规划、社区发展和灾害管理的有效工具。
滑坡易发性评估是山地灾害风险减缓和可持续土地利用规划的关键环节，本研究聚焦于印度西北喜马拉雅查谟和克什米尔联邦属地。该区域地质构造复杂、地形崎岖、降雨集中且人类工程活动强烈，滑坡灾害频发，造成严重的基础设施破坏和人员伤亡。目前该区域缺乏覆盖整个联邦属地的区域性综合滑坡易发性评估，已有研究多为行政区或流域尺度的独立模型应用，对多准则决策与概率模型的集成尚未充分开展。针对上述问题，研究人员开展了一项集成层次分析法（AHP）和最大熵模型的区域性滑坡易发性评估研究。研究人员利用LISS-IV卫星影像、ASTER DEM等多种数据源，构建了包含669个滑坡事件的综合编目，选取了土地利用与土地覆盖、道路邻近度、河流邻近度、坡度、坡向、地质、地貌和海拔八个条件因子，通过加权叠加分析和MaxEnt建模生成滑坡易发性分区图，并进行了系统的模型验证和野外核查。研究结论表明，极高和高易发区分别占研究区面积的3.65%和24.43%，87%的滑坡发生在高和极高易发区内，验证了模型的可靠性。该研究的意义在于为数据稀缺的喜马拉雅山区提供了区域尺度滑坡易发性评估的集成方法框架，为基础设施规划、社区发展和灾害管理提供了科学依据。论文发表于《Scientific Reports》。
研究人员采用了以下主要关键技术方法：（1）基于层次分析法（AHP）的专家权重分配框架，对八个条件因子进行权重赋值和类级评分；（2）加权叠加（WO）分析，在GIS环境中将各专题图层按照权重融合生成易发性分区图；（3）最大熵（MaxEnt）模型，基于仅存在数据的概率建模方法，用于滑坡发生概率估计和变量重要性评估；（4）接收者操作特征曲线（ROC）和曲线下面积（AUC）用于模型性能验证；（5）Jackknife检验用于评估各环境变量的独立预测能力和模型增益贡献；（6）野外验证，覆盖查谟和克什米尔联邦属地所有行政区，对滑坡编目进行地面实况核查。样本数据包含669个滑坡多边形，其中70%（n=468）用于模型训练，30%（n=201）用于测试验证。
在滑坡事件编目方面，研究人员利用BHUVAN和Google Earth的高分辨率卫星影像，结合LISS-IV数据和野外调查，在2023年4月至2024年2月期间共勾绘了669个滑坡多边形，建立了多时相滑坡编目图，为后续易发性分析提供了空间数据基础。
在滑坡易发性制图方面，研究人员采用加权叠加模型生成了研究区的滑坡易发性分区图，并利用ArcGIS中的自然断点分类方法将研究区划分为五个易发性等级。结果显示，极高、高、中、低和极低易发区分别占研究区总面积的3.65%、24.43%、51.56%、18.81%和1.54%，其中极高易发区面积为1,569.0483 km2，高易发区面积为10,492.8912 km2。
在MaxEnt软件验证方面，模型的遗漏率分析显示，测试样本的遗漏率与预测遗漏率紧密吻合，训练样本也与预测遗漏率表现出高度一致性，表明模型性能可靠。ROC曲线分析显示训练数据的AUC值为0.82，测试数据为0.807，二者均处于良好预测性能的接受范围内。阈值依赖性指标分析表明，模型在不同累积阈值条件下均表现出较强的统计显著性和较高的预测可靠性。
在MaxEnt模型结果方面，生成的滑坡概率栅格显示研究区滑坡易发性在0.52至0.85的连续尺度上分布。极高和高易发区主要集中在道路廊道、河岸和陡坡地带，特别是研究区的中部和南部区域，这些区域与历史滑坡事件的分布高度相关。极低易发区主要位于东北部和西北部的高地地区，这些区域岩性均一、森林覆盖茂密且人为干扰较少。
在变量贡献分析方面，变量贡献表显示道路邻近度和坡度对MaxEnt模型的预测贡献最大。训练数据集的Jackknife检验显示，道路邻近度作为独立变量使用时贡献最大，其次是河流、海拔和坡度；当排除道路邻近度、海拔、坡度和河流变量时，模型增益下降最为显著。测试数据集的Jackknife检验进一步确认了道路邻近度、坡度和河流邻近度是控制研究区滑坡发生的最主要因素。AUC的Jackknife检验显示，河流邻近度单独使用时产生的AUC最高，其排除导致模型性能显著下降；坡度单独使用时也表现出较强的AUC，表明其在斜坡失稳中的重要作用。
在野外验证方面，研究人员对全部669个滑坡点位进行了野外交叉核查，87%的编目滑坡位置与野外识别的滑坡表现出强烈的空间对应关系，证实了遥感编目的可靠性。大多数野外观测到的滑坡位于高至极高易发区内，验证了加权叠加模型的准确性。中小型和浅层滑坡虽然在中等分辨率影像中难以识别，但通过野外调查得到了有效捕获和验证，补充了滑坡编目的完整性。野外调查还识别出多处古滑坡和复活滑坡痕迹，与DEM和坡度曲率图中的地貌特征吻合良好。
在讨论部分，研究人员指出本研究表明查谟和克什米尔地区的滑坡易发性受地貌、地质、水文和人为因素的综合控制，高风险区主要沿主要交通廊道和构造薄弱地形集中分布。Ramban、Doda、Kishtwar、Poonch和Rajouri等地区的高易发区聚集明显，特别是沿NH-44、NH-244、NH-144A、Mughal Road和Kishtwar–Kelong Road等主要公路沿线。坡度是控制滑坡发生的主导因子之一，高易发区集中在约28°至37°以上的坡度范围内。河流邻近度作为关键控制因素，其作用机制是河流对坡脚的侵蚀削弱了侧向支撑。岩性和构造特征，包括逆冲断层和软弱岩性单元，作为次级条件因子进一步增加了构造不稳定区的易发性。森林覆盖区因植被根系的固土效应表现出相对较低的易发性。LULC分析显示，裸地和灌丛地被划入AHP评估中的极高和高易发等级，但这可能反映的是这类土地分布与陡峭地形和道路邻近的耦合关系，而非裸地本身直接导致滑坡。MaxEnt模型的AUC值（训练0.82、测试0.807）和87%的野外验证符合率共同证实了集成建模方法的有效性。研究也指出了一些局限性，包括降雨和地震等动态触发因子因数据限制未完全纳入、滑坡编目可能存在沿道路走廊的空间偏差、DEM分辨率限制了对微地形和小规模滑坡的刻画，以及AHP方法中专家判断可能引入主观性。
研究结论部分指出，本研究应用空间技术及集成的AHP-MaxEnt建模框架评估了查谟和克什米尔地区的滑坡易发性，并识别了滑坡易发区的空间分布。研究区域被划分为五个易发性等级，模型性能表现出可靠的预测能力，AUC值显示训练和测试数据集之间具有良好的一致性，野外验证证实大多数滑坡发生在高和极高易发区内。结果清楚表明，坡度、道路邻近度和河流邻近度是控制研究区滑坡发生的最主要变量；地质和构造特征作为次级条件因子，进一步增加了构造不稳定区的易发性，特别是在NH-44、NH-244、NH-144A、Mughal Road和Kishtwar–Kelong Road等主要交通廊道沿线。Ramban、Doda、Kishtwar、Poonch和Rajouri等地区的高易发区聚集现象凸显了喜马拉雅地形中基础设施发展与斜坡失稳之间的密切关系。生成的滑坡易发性图为识别高风险区和优先实施边坡稳定与基础设施管理措施提供了实用工具。总体而言，AHP与MaxEnt模型的集成展示了在山地地形中进行区域尺度滑坡易发性评估的稳健可靠方法，为喜马拉雅山区的灾害感知型基础设施规划和土地利用管理提供了科学依据。
