《Land》：Machine-Learning-Based Landslide Susceptibility Assessment Under Return Levels of Annual Rainy-Season Total Precipitation: A Case Study of Hanyuan County, China
编辑推荐：
降水在滑坡易发性评估中通常以长期气候平均值表示，导致对罕见季节性降水响应及相关外推不确定性的理解不足。本研究将水文频率分析与机器学习相结合，评估中国汉源县雨季降水情景下的滑坡易发性。将1985—2024年日降水量聚合成每年6—9月总量，并对84个网格单元拟合超
降水在滑坡易发性评估中通常以长期气候平均值表示，导致对罕见季节性降水响应及相关外推不确定性的理解不足。本研究将水文频率分析与机器学习相结合，评估中国汉源县雨季降水情景下的滑坡易发性。将1985—2024年日降水量聚合成每年6—9月总量，并对84个网格单元拟合超阈值广义帕累托分布（POT-GPD）模型，以估计5年、20年、50年和100年重现水平。使用12个静态孕险因子、平均雨季降水量（MRSP）、414个滑坡样本和2070个非滑坡样本训练了六种机器学习模型，并使用地理上分离的30%留出区域进行评估。极端梯度提升（XGBoost）表现最佳（受试者工作特征曲线下面积（ROC-AUC）=0.917；95%置信区间（CI）：0.863–0.959），并用于情景制图。中位数降水量从5年重现水平下的896.03毫米增加到100年重现水平下的998.57毫米。SHapley加法解释（SHAP）分析确定海拔、MRSP和到道路距离为主要预测因子。高易发区集中分布在大渡河和流沙河河谷。在共同适用域内（占全县39.45%），相对于T5，T100使极低易发类比例降低3.80个百分点，使极高易发类比例增加1.38%。在各自适用域内，T100下的平均易发概率比MRSP下高0.025。因此，重现水平情景识别了模型支持域内对降水敏感的区域。
基于重现水平情景的滑坡易发性评估研究解读——以汉源县为例
1. 研究背景与科学问题
滑坡是山区最具破坏性的地质灾害之一，常造成严重人员伤亡和经济损失。中国四川省地处青藏高原与四川盆地之间，地形起伏强烈、构造活动活跃，是中国滑坡灾害最严重的地区之一。降水是滑坡发生的关键外部触发因素，尤其是雨季强降水可增大孔隙水压力、降低土体抗剪强度，从而引发群发性滑坡。然而，现有滑坡易发性评估中，降水通常以长期平均值或固定气候指标表示，对罕见季节性降水情景的响应及其外推不确定性认识不足。为此，研究人员提出将水文频率分析与机器学习相结合，以多重现水平雨季降水情景驱动滑坡易发性评估。该研究以四川省汉源县为研究区，旨在估计5年、20年、50年和100年雨季降水重现水平，比较六种机器学习模型，并在不同降水情景下绘制滑坡易发性图，量化其变化。相关成果发表于《Land》。
2. 研究内容与主要结论
研究人员利用CHIRPS日降水数据（1985—2024年）计算每年6—9月雨季总量，在84个网格单元上拟合超阈值广义帕累托分布（POT-GPD）模型，估计T5、T20、T50、T100重现水平。同时选取13个孕险因子（12个静态因子和平均雨季降水量MRSP），基于414个滑坡样本和2070个非滑坡样本构建开发数据集，采用地理分离的30%留出区域进行验证。六种机器学习模型（LR、SVM、KNN、ANN、RF、XGBoost）中，XGBoost表现最优（ROC-AUC=0.917；95% CI: 0.863–0.959），因此用于SHAP分析和情景制图。结果表明：海拔、MRSP和距道路距离是主导预测因子；高易发区主要沿大渡河和流沙河河谷分布；随重现水平提高，高易发区面积沿既有边界渐进扩展。在共同适用域内，T100相对T5使极低易发类面积比例降低3.80个百分点，极高易发类增加1.38个百分点。该研究为识别降水敏感区域和优先开展野外调查提供了定量依据。
3. 关键技术方法概述
研究采用的主要技术方法包括：（1）水文频率分析：将CHIRPS日降水量聚合为年雨季总量，对84个格点分别拟合POT-GPD模型，采用0.65分位数阈值，利用最大似然估计参数，并通过500次非参数年重采样自助法量化不确定性。（2）机器学习建模与验证：样本来自资源环境科学与数据中心，滑坡编目共414个点，非滑坡样本2070个，按1:5比例构建固定开发数据集，并按样本坐标第一主成分将东南部30%作为地理分离测试区；六种算法均采用五折分层交叉验证、贝叶斯超参数优化、训练折内随机过采样和Platt概率标定。（3）SHAP可解释分析：计算各特征的边际贡献，识别主要控制因子。（4）模型适用域定义：根据训练样本MRSP范围（632.67—958.68 mm）定义适用域，并构建共同空间掩膜以进行公平的情景比较。
4. 研究结果分述
4.1 因子相关性分析
通过Spearman秩相关系数和方差膨胀因子（VIF）评估因子间关联。结果显示，多数因子间相关系数绝对值低于0.3，MRSP与海拔呈较强正相关（r=0.66），夜间灯光与MRSP和海拔呈负相关（r=?0.73和?0.64），所有因子VIF均小于3.1，表明无严重多重共线性，可全部保留建模。
4.2 POT-GPD诊断与雨季降水重现水平
MRSP在汉源县空间上存在差异，中位数为802.80 mm/雨季。选用0.65分位数阈值，其空间中位数为849.67 mm，每个格点保留14个超阈值年份。诊断图显示GPD参数相对稳定，Q-Q决定系数中位数为0.962，84个格点中有81个的描述性Kolmogorov–Smirnov检验在α=0.05水平下未拒绝拟合。重现水平从T5到T100逐渐增加，空间中位数从896.03 mm升至998.57 mm，增量递减，且备选阈值（0.60、0.70分位数）下结果基本稳定。
4.3 模型性能比较
地理分离测试集上，XGBoost的ROC-AUC最高（0.917；95% CI: 0.863–0.959），RF次之（0.903），其余模型介于0.884–0.902。XGBoost同时获得最高的特异性（0.946）和F1分数（0.605）以及最低的Brier分数（0.052），故被选为制图模型。但各模型ROC-AUC和PR-AUC的95%置信区间存在重叠，表明优势需谨慎解释。
4.4 SHAP值分析
基于平均绝对SHAP值，海拔是最重要因子（均值>2.0），其后依次为MRSP、距道路距离和坡度。低海拔、高MRSP、距道路近以及低NDVI区域倾向于获得更高的预测易发性，反映出河谷地带与道路工程扰动对滑坡的联合控制作用。
4.5 滑坡易发性图
在MRSP、T5、T20、T50和T100五种情景下，易发性空间格局总体相似：极低易发类广泛分布于研究区外围，高和极高易发类集中分布在北部、中部带及库区周边。随重现水平提高，高和极高易发类沿既有高易发区边缘逐步扩展，部分低、中易发区向更高等级转化，但总体格局未发生根本改变。
4.6 模型适用域与共同空间掩膜
MRSP情景下99.96%的格点位于训练MRSP范围内；随重现水平增加，覆盖比例从T5的64.45%降至T100的39.47%。共同适用域包含998,414个格点（占全县39.45%），并保留了414个历史滑坡点中的221个（53.38%），为情景间比较提供了统一空间基础。
4.7 相对T5的易发等级面积比例变化
在共同适用域内，相比T5，T20、T50和T100情景下极低易发类面积比例分别减少2.23、3.80（原文为3.80，但注意T20减少2.23，T100减少3.80）个百分点；极高易发类增加0.69—1.38个百分点。所有等级变化均小于4个百分点，表明高重现水平降水主要促使边界处格点跨越分类阈值，而非彻底重构易发格局。
4.8 滑坡易发性空间变化
各重现水平情景与MRSP的差值分析显示，在各自成对适用域内，T5、T20、T50、T100的平均概率差值分别为0.0149、0.0242、0.0246和0.0249。较大增幅主要位于北部及中西部、东部局部条带，南部大部分区域变化较小。
5. 讨论与结论总结
讨论部分指出，XGBoost的优异表现支持树集成方法在该类问题中的有效性，但算法排名会因数据特征和验证设计而改变。海拔并非直接破坏因素，而是代表了深切河谷的耦合环境；降水通过增加入渗和孔隙压力降低坡体稳定性，道路建设则通过改变坡形、扰动结构而促进失稳。尽管随重现水平提高易发性呈系统性增加，但增幅有限，这与静态地形和人为扰动控制区域总体格局、降水主要影响边缘单元的认识一致。同时，研究存在空间依赖、滑坡编目缺乏时间属性、降水数据尺度较粗等局限，因此结果应被视为长尺度的静态情景评估，而非事件预测。研究结论可概括为：将POT-GPD估计的雨季降水重现水平与机器学习滑坡易发性评估相结合，XGBoost表现出最优整体性能（ROC-AUC=0.917）；海拔、MRSP和距道路距离为主导因子，高易发区主要沿大渡河、流沙河河谷及交通廊道分布；增加重现水平导致向更高易发性的中等但系统性转变，T100相对T5使极低类减少3.80%、极高类增加1.38%。这些结果证明了重现水平情景在识别降水敏感区和支撑野外调查优先顺序方面的价值，但解释应限定于模型适用域内。
