德尔菲法与地理空间建模自动化的集成以确定喜马拉雅地区滑坡易发性，为主动管理决策提供支持

《Journal of Asian Earth Sciences》：Integration of Delphi Method and Geospatial Modelling Automation to Determine Landslide Susceptibility for Proactive Management Decision Support in the Himalayan Region

　　

•结合德尔菲法与加权叠加进行滑坡易发性制图。•使用肯德尔和谐系数（W）对专家共识进行验证。•利用方差膨胀因子（VIF）和容忍度（TOL）评估多重共线性，以确保条件的可靠性。•使用ROC-AUC、准确率、精确率和F1分数评估模型性能。•加权叠加模型取得了最高的预测性能（AUC = 0.902）。•为数据稀缺的喜马拉雅地区滑坡易发性评估提供了一个稳健的框架。引言气候变化在加剧滑坡、冰川湖溃决洪水（GLOFs）和河岸侵蚀等自然灾害方面发挥着重要作用（Tsatsaris等，2021），通过直接和间接成本每年造成巨大的财产损失（Huang和Zhao，2018）。在这些灾害中，滑坡在喜马拉雅地区频繁发生。滑坡是指岩土、碎石或土壤沿坡面向下移动的现象，由剪应力增加或边坡形成材料的抗剪强度降低所引发（Broeckx等，2018；Chen等，2021；Akintan等，2023；Zheng和Ding，2024）。由Dubey等（2023）编制的图1以空间密度分布的方式展示了喜马拉雅不同地区大规模运动事件的严重程度，这随后影响了印度、巴基斯坦、孟加拉国、缅甸、泰国以及喜马拉雅山脉关联的其他国家的低海拔地区。已确定的滑坡触发因素有很多，如强降雨、地震震动、水位变化、火山活动、风暴浪、快速溪流侵蚀以及建设、砍伐森林和采矿等人类活动。还观察到地质因素在滑坡发生中起着重要作用。喜马拉雅山脉的形成源于印度板块与欧亚板块的碰撞（Powell和Conaghan，1973），产生了强烈的地表应力和地壳变形。这种构造活动导致了薄弱区域的发展，如断层、推覆体和破裂岩体。这些构造脆弱区域极易发生滑坡（Shroder和Bishop，1998）。此外，岩性在滑坡发生中也起着重要作用。在喜马拉雅地区，板岩最容易发生滑坡，其次是页岩、片岩、胶结不良的砂岩、片麻岩、花岗岩和石英岩（Gerrard，1994）。喜马拉雅地区的滑坡频率与全球事件相比显著更高（Froude和Petley，2018；Dikshit等，2020）。2023年7月，印度北部经历了强烈而持续的降雨，导致多次滑坡。Sana等（2024）详细记录了这一事件，特别是2023年7月9日至11日的强降雨，当时季风槽与缓慢向西传播的活跃西风扰动相互作用，导致7月9日日降雨量峰值达到85毫米。该邦月降雨量总计在400至700毫米之间。在此期间，仅喜马偕尔邦这一印度小邦就发生了约5600起滑坡和公路边坡塌方（图2）。因此，为减轻滑坡灾害，有必要通过科学方法阐述空间易发性。这也被称为主动管理决策支持系统（PaMDSS），与地质灾害管理人员通常在灾害发生后提供的被动管理决策支持相比，PaMDSS将带来巨大的经济效益。人工智能（AI）和机器学习（ML）技术因其高预测精度、可重复性和卓越性能而近年来受到广泛关注（Ado等，2022；Rana和Mahanta，2023a；Agboola等，2024）。Zhou等（2025b）利用多时相分析和遥感数据对火灾后滑坡进行了制图。Akinci和Ozalp（2025）将XGBoost模型与各种分类技术相结合，生成了滑坡易发性（LS）图。Jiang等（2025）利用非滑坡采样策略，结合梯度提升决策树（GBDT）、支持向量机（SVM）和随机森林（RF）模型进行滑坡易发性制图。Kanwar等（2025）证明优化的RF模型优于SVM和逻辑回归（LR）模型。同样，Kong等（2025）比较了LR、多层感知机（MLP）、SVM和RF模型，并引入了一种新颖的地形应力代理作为成因因子。He等（2025）提出了一种结合光学卫星图像中光谱、地形和纹理特征等多维特征的方法用于滑坡易发性制图。Demirel等（2025）利用层次分析法（AHP）、失效模式与影响分析（FMEA）和帕累托系统分析，对土耳其中亚洛瓦地区滑坡易发区进行了制图。Lokesh等（2025）应用了多种模型，包括SVM、人工神经网络（ANN）、LR、RF、梯度提升机（GBM）、循环神经网络-长短期记忆网络（RNN-LSTM）和深度神经网络（DNN）来制图滑坡易发性区。此外，Zhou等（2025a）将RF、SVM和灾变理论（CT）相结合，以增强滑坡易发性制图。Hussain等（2025）采用SVM-RF、LSTM和XGBoost模型对喜马拉雅地区的滑坡易发性进行了制图。除机器学习方法外，统计方法如频率比（FR）（Babitha等，2022；Senthilkumar和Selvaraj，2025）、熵（Alam等，2025）和证据权重（WoE）（Kontoes等，2021；Supardi和Wibowo，2025）在滑坡易发性制图方面也表现出了相当的有效性。广泛的机器学习模型、混合技术和基于物理的模型已被用于滑坡危险性评估；然而，其性能高度依赖于可用数据集的质量和数量。因此，大多数研究集中在数据获取可行的较小区域，如全面的土壤分析、滑坡破坏类型识别以及土壤层与滑坡之间关系的考察。此外，这些研究通常采用高分辨率数据集，包括全色图像（0.2-2米）、多光谱影像（高达3米）、数字高程模型（5米）以及空间分辨率为5公里日降雨数据。这种精细分辨率的数据能够更精确地划定滑坡影响区域。此外，大量历史滑坡事件记录的可用性进一步支持了模型开发。然而，这些"黑箱"模型往往无法捕捉关键的局部细微差别，如区域地质特征，导致缺乏上下文理解。这些局限性限制了它们在喜马拉雅地区等复杂地形中的适用性，在这些地区数据可用程度较粗且现场调查往往无法进行。因此，本研究提出了一种新方法，将德尔菲法与遥感数据相结合，使专家解释在遥感观测的指导下进行，有效地弥补了这些方法不足的数据缺口。地理空间人工智能（GeoAI）近年来被广泛应用于灾害管理（Ivi?，2019）。根据ESRI（2024）的定义，GeoAI涉及人工智能的应用，特别是机器学习（如深度学习）和数据挖掘，与地理空间数据、科学和技术相融合。它为解决自然环境中的各种问题提供了新颖的方法，如地球系统建模、计算机视觉和用于自动驾驶的自然语言处理等（Reichstein等，2019；Janowicz等，2020；Li等，2020；Panda等，2025）。GeoAI支持环境管理决策支持中复杂的地理空间建模自动化，利用软件和硬件技术的进步、深度学习算法、可扩展计算平台以及高分辨率地理空间数据的可获得性所赋能的海量数据。根据文献综述，德尔菲法尚未被用于滑坡易发性评估研究中。该方法是一种结构化通信技术，最初作为系统的交互式预测方法开发，依赖于专家小组。德尔菲法相对于其他方法的优势在于，它减少了主导个人的影响，允许考虑广泛的意见，并且可以远程进行，方便来自不同地点的参与者参加。德尔菲法用于环境建模中的脆弱性、易感性和概率权重赋值（Panda等，2022；Anbari等，2024）。本研究的目标是应用德尔菲法开发一个用于印度喜马偕尔邦曼迪流域滑坡易发性空间确定的PaDSS。该研究实现通过PaDSS拯救生命和资源这一雄心勃勃目标的各个相互关联的目标包括：（1）获取、处理并开发研究区域的高质量（更好空间分辨率）地理空间数据用于模型自动化；（2）在ArcGIS ModelBuilder中创建自动地理空间模型以估算基于尺度的滑坡空间易发性；（3）对生成的滑坡易发性模型进行验证；（4）将德尔菲模型的预测性能与频率比（FR）、证据权重（WOE）、逻辑回归（LR）和K最近邻（KNN）模型进行比较。研究区域研究区域（图3）位于南亚西北印度喜马拉雅地区的毕斯河流域内，范围为北纬31°27′至32°24′，东经76°44′至77°51′。毕斯河流域主要包括曼迪县（1731平方公里）、库卢县（4749平方公里）和康格拉县（328平方公里）。该流域的土壤年轻且相对较薄，厚度在河谷和缓坡区域增加。主要土地覆被类型为森林、积雪和裸地。方法学方法学包括五个主要步骤：（1）获取和处理高分辨率地理空间数据用于模型自动化；（2）在ArcGIS ModelBuilder中开发自动地理空间模型，使用德尔菲法估算滑坡易发性；（3）使用相同的地理空间数据集开发双变量和多变量滑坡易发性模型进行比较分析；（4）使用收集的滑坡数据验证生成的滑坡易发性图。德尔菲法德尔菲（也称为Delphoi）是一种预测过程，通过交互式过程（通常通过访谈或调查）收集专家小组成员对特定问题或发展的经验、知识和假设（Landeta，2006；Murto和De Wit，2019）。作为一种数据收集方法，德尔菲技术可被归类为定量和定性研究。图6展示了我们用于为每个开发权重的德尔菲过程流程图。空间贡献因子重分类与概率权重赋值识别潜在滑坡区域需要将相关因素基于其对滑坡发生的相对重要性，利用德尔菲法进行组合。在本研究中，使用了11个条件/贡献因子生成滑坡概率图。每个因子被赋予1至8的数值排名，按重要性排序，其中1代表影响因子对滑坡最脆弱的范围，8则分配给最不敏感的区域。讨论与结论喜马拉雅地区的滑坡是一种重大且频繁的自然灾害，造成生命损失以及道路、桥梁、建筑物和栖息地的破坏。利用德尔菲法生成了整合了多种数据集的滑坡易发性图，包括土地利用/土地覆被（LULC）、强度-历时-频率（IDF）曲线、容重、砂质比、平均降雨量、线性构造密度、坡度、曲率、纹理以及道路和河流邻近度。在该方法中，专家根据对滑坡易发性的专业判断分配权重，并将影响因素分类为不同等级的易发性。专家对11个条件因子中的每一个因素及其分类进行评分，以确定哪些分类最有利于滑坡发生。然后，通过加权叠加将这些概率组合成综合易发性图，并划分为非常低、低、中等、高和非常高的易发性等级。该研究表明，德尔菲法在喜马拉雅地区的滑坡易发性制图方面是有效的，因为它能够整合专家知识、遥感数据和地理信息系统（GIS）工具，为数据稀缺和难以到达的山区提供实用的解决方案。生成的模型显示，加权叠加方法在预测滑坡分布方面优于其他传统方法，如频率比、证据权重、逻辑回归和K最近邻。ROC-AUC分析表明，德尔菲模型具有最高的预测精度（AUC = 0.902），表明其可靠性高且有效。该研究结果对于喜马拉雅地区滑坡灾害的管理和缓解具有重要意义，为制定主动管理决策支持系统提供了科学基础。通过识别高风险区域，政府和社区可以采取有针对性的措施，如改善排水系统、植被恢复、建筑规范修订和早期预警系统部署，以减少未来灾害中的生命和经济损失。此外，该框架的透明度和可重复性使其成为在数据稀缺的山区进行风险评估的理想工具，为政策制定者和规划者提供了可靠的数据基础，以做出明智决策并分配有限资源。滑坡易发性分析与主动管理策略该方法通过两个关键步骤促进主动管理决策：（1）通过易发性制图识别滑坡易发区域，以及（2）利用控制参数确定主导成因因子。滑坡制图显示，被划分为非常高度易发和部分高度易发的区域主要位于干山土壤区，该区特征为季风雨量极少、荒地地形、高砂质比和低植被覆盖率。这些区域的滑坡风险主要归因于以下因素的组合：缺乏植被保护、低凝聚力土壤以及道路建设对边坡稳定性的影响。主动管理策略应重点关注这些高风险区域，优先考虑植被恢复工程、边坡稳定措施和排水系统改进。此外，在非常高度易发区域应实施严格的建设控制并考虑居民搬迁计划。通过结合专家知识和遥感数据，本研究提供了一个可扩展的框架，可在数据稀缺的地区适应性地应用，从而增强区域灾害韧性。与以往研究的比较目前已有大量统计、机器学习和混合方法被开发用于滑坡易发性制图，其中许多方法在预测性能方面表现良好。然而，所提出的德尔菲法框架在方法论严谨性、透明度、适应性和在数据稀缺山区的适用性方面具有若干优势。传统的易发性模型通常使用启发式方法分配权重或从历史数据中推导关系，这可能引入偏差并限制其在缺乏详细数据区域的应用。与机器学习方法相比，德尔菲法提供了一个可解释且透明的框架，专家推理过程清晰可见，便于决策者和利益相关者理解和信任结果。此外，德尔菲法不需要大量历史滑坡记录数据，这使其特别适合于历史滑坡记录有限的数据稀缺区域。本研究结果表明，德尔菲法框架能够产生与传统统计和机器学习方法相当甚至更优的预测性能，同时提供更高的透明度和可解释性。发现的意义•提出的基于德尔菲法的规划和决策支持系统（PaDSS）提供了一个透明、自动化且可重复的框架用于滑坡易发性评估，将专家知识、遥感、GIS和ArcGIS ModelBuilder整合到单一工作流程中。•易发性图识别出流域的47.43%为中等易发区、37.37%为高度易发区、5.68%为非常高度易发区、9.01%为低易发区和0.22%为非常低易发区，因此可用于优先识别需要主动管理措施的区域。未来研究方向与启示所提出的基于德尔菲法的框架特别适用于数据稀缺和难以到达的山区，在这些地区历史滑坡清单和现场观测有限。然而，该框架仍然依赖于所选条件因子的质量和代表性以及参与专家的专业水平，易发性等级和权重的赋值可能会引入一定的主观性。未来的研究应侧重于改进德尔菲法框架的客观性，通过引入定量验证步骤和将不同专家小组的结果进行交叉验证来减少主观偏差。此外，将德尔菲法与机器学习方法进行集成，既保留专家知识的透明度又增强预测能力，值得进一步探索。在气候变化导致极端天气事件增加的背景下，开发能够适应动态环境条件的滑坡易发性评估框架对于提高山区灾害韧性至关重要。

因此，未来的研究应评估以下方面：

摘要

滑坡是破坏性最强的自然灾害之一，在全球范围内造成了重大的人员伤亡、基础设施损毁和经济损失。滑坡易发性制图对于识别灾害多发区域至关重要，尤其是在喜马拉雅地区，频繁的滑坡由阵性暴雨、强降雨、脆弱的新生地质构造以及基础设施的快速发展所触发。本研究区为一个缺乏水文观测数据的山区流域，水文数据有限。

作者贡献声明

Manish Singh Rana：撰写——审阅与编辑，撰写——原稿撰写，可视化，验证，软件，方法论，调查研究，形式分析，数据整理，概念构思。Sudhanshu Panda：撰写——审阅与编辑，可视化，验证，指导，方法论，形式分析，概念构思。Subashisa Dutta：撰写——审阅与编辑，验证，方法论，形式分析。Om Prakash Maurya：撰写——审阅与编辑，形式分析。

资金支持

本研究未获得任何外部资金支持。

未引用参考文献

Anbari 和 Bagherpour，2024 年；Li，2020 年；Neupane 等，2019 年；O'Brien, R.M.，2007 年；Panda 等，2025 年；Randhawa 等，2021 年；Selaman 等，2007 年。

利益冲突声明

作者声明不存在任何已知的竞争性经济利益或个人关系，这些利益或关系可能对本研究的结果产生不当影响。

Manish Singh Rana | Sudhanshu Panda | Subashisa Dutta | Om Prakash Maurya