在采用SBAS-InSAR技术和可解释机器学习的嵌套空间设计下，建筑物密集区域土地沉降易感性的尺度相关差异研究

《Scientific Reports》：Scale-associated differences in building-oriented land subsidence susceptibility under a nested spatial design using SBAS-InSAR and interpretable machine learning

　　

摘要

城市发展的快速扩张引发了一系列环境问题，其中土地沉降便是其中之一。在包含建筑物的城区内发生土地沉降，对城市安全管理工作来说是一个重要的问题。然而，多种影响因素与建筑物易受土地沉降影响程度（BOLSS）之间的非线性关联，以及这些关联在不同空间尺度上的表现，以及相应的规划和监测意义，目前仍未得到充分理解。在本研究中，采用了小基线干涉合成孔径雷达（SBAS-InSAR）技术、随机森林（RF）模型和地理信息系统（GIS）工具，对包含建筑物的空间单元的土地沉降易感性进行了测绘，这种易感性被称为BOLSS。随后，通过Shapley加性解释（SHAP）方法、偏依赖图和变量交互图分析了在重庆市区（BUA）和西南市区（southwest-BUA）两个尺度上15个选定影响因素与BOLSS之间的关联。研究结果表明，这些影响因素在BUA和southwest-BUA两个尺度上的影响程度存在差异：在BUA尺度上，城市环境因素对BOLSS的影响最大；而在southwest-BUA尺度上，自然环境因素以及城市环境条件的变化对BOLSS的影响更为显著。此外，大多数因素与BOLSS之间存在非线性关系，并且这种关系具有尺度依赖性。这种BOLSS测绘为识别易发生较大沉降的建筑物区域提供了初步的可视化工具。基于尺度依赖性的分析结果有助于确定优先实施城市监测和规划措施的地点。