《Geosciences》：Rainfall-Induced Landslide Hazard Assessment Considering Multi-Temporal-Scale Rainfall Factors in Jiangwan Town, Shaoguan, Guangdong Province, China
编辑推荐：
由极端降雨诱发的浅层滑坡往往突然发生，并表现出显著的空间聚集性。因此，准确表征降雨条件对于基于事件的滑坡危险性评估非常重要。本研究调查了中国广东省江湾镇2024年4月极端降雨事件诱发的浅层滑坡。采用基于事件的滑坡清单、半小时GPM IMERG降水数据以及多个环
由极端降雨诱发的浅层滑坡往往突然发生，并表现出显著的空间聚集性。因此，准确表征降雨条件对于基于事件的滑坡危险性评估非常重要。本研究调查了中国广东省江湾镇2024年4月极端降雨事件诱发的浅层滑坡。采用基于事件的滑坡清单、半小时GPM IMERG降水数据以及多个环境因子进行危险性建模。考虑了三个降雨描述符：事件累计降雨量、21天累计降雨量、最大1 h降雨量。使用随机森林(Random Forest, RF)进行受控增量实验，以评估这些降雨描述符所提供的额外预测信息。随后比较了RF、XGBoost和人工神经网络(Artificial Neural Network, ANN)的预测性能。将全部三个降雨描述符纳入后，RF测试集AUC从0.907提高至0.945。在三个预定义降雨描述符中，21天累计降雨量产生的增量改进最大。XGBoost取得了最高的总体预测性能，测试集AUC为0.971，并被选用于最终危险性制图。XGBoost预测的高危险区和极高危险区覆盖研究区面积的33.2%，并包含89.7%的观测滑坡样本。这些区域主要集中在江湾镇中部和东北部。SHAP分析确定高程为最有影响的预测因子，而所有三个降雨描述符均位列重要预测因子之中。总体而言，结果表明多时间尺度降雨信息可提供互补的预测信息，并能够改进事件条件下的浅层滑坡危险性评估。
本研究针对2024年4月中国广东省韶关市江湾镇极端降雨诱发的浅层滑坡事件，开展事件条件滑坡危险性评估。降雨是滑坡的重要外部触发因素，尤其在山地丘陵区；浅层滑坡对斜坡水文条件快速变化极为敏感，在长时间湿润过程后遭遇强降雨往往突然发生并呈显著空间聚集。中国南方低山丘陵区降雨充沛、风化层深厚、地形破碎且人类活动强烈，具备此类滑坡的易发条件，因此事件型滑坡危险性评估需同时考虑静态环境条件和动态降雨过程。既有研究多采用单一降雨指标，难以全面表征极端事件中不同时间尺度的降雨对斜坡失稳的复合影响。此外，不同机器学习模型在相同样本、预测因子和数据划分下的相对性能尚需系统比较。基于此，研究人员将事件型滑坡清单、GPM IMERG半小时降水数据、岩性及多种环境因子集成，构建了包含12个预测因子的建模体系，并设计了三个降雨描述符：事件累计降雨量(Rain_event)、21天累计降雨量(Rain21d)和最大1 h降雨量(Rain1hmax)。通过随机森林(Random Forest, RF)增量实验评估各降雨描述符的增量预测价值，并在相同条件下比较RF、XGBoost和人工神经网络(Artificial Neural Network, ANN)，最终利用SHAP(SHapley Additive exPlanations)解释模型贡献。研究结果表明，多时间尺度降雨信息提供了互补预测信息，可显著提升事件条件浅层滑坡危险性评估性能；XGBoost综合表现最优，所绘制的危险性图清晰刻画出江湾镇中部和东北部的高危险区。该论文发表于《Geosciences》，为极端降雨事件下区域滑坡危险性快速评估提供了方法参考。
研究人员采用的主要技术方法包括：事件型滑坡清单来源于Huang等基于高分辨率Planet影像和归一化植被指数差值建立的2024年4月韶关事件滑坡数据集，经裁剪与质量筛选后保留5402个滑坡样本作为正样本；非滑坡样本从排除滑坡周边150 m缓冲区和建成区、水体的候选池中随机抽取，与正样本按1:1比例平衡，并通过经验累积分布函数重叠系数和总变差距离评估负样本的环境代表性。所有空间数据统一至30 m分析网格，使用Pearson相关分析筛除冗余因子，去除地形起伏度和NDVI。采用受控的RF逐步增量实验评估降雨因子组合贡献，然后使用相同数据划分和随机种子比较RF、XGBoost与ANN三种模型。评价指标包括准确率、精确率、召回率、F1分数、Kappa系数和AUC，并用DeLong检验判断差异显著性。空间一致性评估采用Jenks自然断点分级与频率比，最后通过SHAP分析解释全局和局部预测贡献。
4.1 因子筛选与成对相关分析
通过Pearson相关分析，发现地形起伏度与高程完全正相关(r = 1.00)，存在明显冗余，故剔除地形起伏度，保留物理意义更明确的高程；同时按预设标准剔除NDVI。最终保留12个预测因子，且所有成对相关系数绝对值均低于0.70，表明不存在强线性相关。
4.2 非滑坡样本的环境代表性
从161,291个合格非滑坡候选单元中随机抽取5402个样本。与完整候选池相比，连续预测因子的分布重叠系数和单因子AUC差异很小，类别变量中岩性组成高度一致，土地利用仅存在轻微比例差异，未显著改变滑坡与非滑坡样本的环境分离关系。因此，所选负样本未引入明显环境偏差。
4.3 降雨因子的增量预测价值
以环境因子作为基线的RF模型测试集AUC为0.907，依次加入Rain_event、Rain21d和Rain1hmax后，AUC逐步提高到0.945。各增量步骤的DeLong检验均显著。其中，加入21天累计降雨量产生的性能增益最大，事件累计降雨量次之，最大1小时降雨量仅提供有限补充，表明长历时累计降雨对本次事件滑坡具有重要增量信息。
4.4 模型预测性能比较
在相同12因子系统和数据划分下，XGBoost、ANN和RF均表现出良好的独立测试集性能。XGBoost的测试集AUC最高(0.971)，ANN次之，RF相对较低。DeLong检验表明模型间AUC差异显著，但XGBoost与ANN的绝对差值较小，说明两者样本级判别能力接近。
4.5 危险性分区的空间一致性
三种模型生成的危险性图在空间上总体一致，高和极高危险区与滑坡密集区对应。XGBoost和ANN刻画了更宽广的高危险区并捕获了更高比例的滑坡，RF的空间范围更窄但频率比更高。综合样本级指标与空间覆盖率，XGBoost在预测性能与滑坡覆盖之间取得最佳平衡，因此被选作最终危险性制图模型。
4.6 基于XGBoost的危险性图空间格局
XGBoost危险性图显示明显空间异质性：高和极高危险区主要集中在中部至东北部，形成连续条带，西部和东部亦有零星高危险斑块；低和极低危险区广泛分布于南部和外围，滑坡相对稀疏。高和极高危险区合计约占研究区面积三分之一，与实测滑坡空间聚集性吻合。
4.7 基于SHAP的XGBoost预测解释
SHAP全局重要性分析显示，高程是影响模型输出最大的预测因子，三个降雨因子亦均居重要前列；其中Rain21d的重要性最高，其次为Rain_event和Rain1hmax。方向性分析表明，较低高程、较短道路距离、较高21天累计降雨量和最大1小时降雨量通常与正向模型贡献相关，而事件累计降雨量的方向模式较为复杂，说明其贡献依赖于其他预测因子的联合背景。这些关联应视为模型内的条件联合效应，而非直接因果。
在讨论部分，研究人员指出，多时间尺度降雨信息比单一指标更能表征该事件的水文触发条件，其中Rain21d包含事件前及事件期间的降水累积，反映斜坡土壤水和入渗条件的长期改变；Rain_event代表事件尺度降水总量，Rain1hmax代表短历时强度，三者相互补充。高程和道路距离分别通过地形位置与工程扰动影响斜坡稳定性，岩性则作为区域地质背景的指示变量。研究也识别了若干不确定性来源：负样本采样策略和150 m缓冲区距离可能影响建模结果；Jenks分级方案影响空间统计值；GPM IMERG的0.1°原生分辨率限制了局地降雨变异的刻画；使用单一事件清单使结论具有事件依赖性。未来研究应纳入多个降雨–滑坡事件，比较不同累积窗口，融合雨量计、雷达和卫星降水数据，并开展野外勘察与水文学监测。
研究结论部分翻译为：本研究针对2024年4月江湾镇极端降雨事件，开展了事件条件浅层滑坡危险性评估；将事件型滑坡清单与多时间尺度降雨信息、环境因子、岩性和机器学习模型相结合。主要结论如下：(1) 多时间尺度降雨信息在基线环境因子之外提高了模型性能。在RF增量实验中，依次引入三个降雨描述符后测试集AUC从0.907提高至0.945；其中，21天累计降雨量的增量增益最大，事件累计降雨量次之，最大1小时降雨量提供较小的补充增益，表明三个降雨描述符提供了不同且互补的预测信息。(2) XGBoost在三个模型中取得了最佳总体样本级性能，测试集AUC为0.971，并在高和极高危险区内实现了高滑坡覆盖率；RF的高危险区空间集中度略高，但总体预测性能较低，因此XGBoost被选用于最终危险性制图，RF保留用于降雨因子增量实验。(3) XGBoost危险性图呈现明显空间异质性，高和极高危险区主要从江湾镇中部向东北方向集中；SHAP分析显示高程对模型预测贡献最大，所有三个降雨描述符也有显著贡献，其中21天累计降雨量的全局SHAP重要性最高；这些贡献代表拟合模型内的关联，应结合研究区地质、地貌、水文和人类活动背景解释。总体而言，结果支持在事件条件浅层滑坡危险性评估中使用多时间尺度降雨信息；所得到危险性图代表了与2024年4月事件相关的相对空间危险性，而非长期滑坡发生概率。
