耦合栅格尺度随机森林预测与斜坡单元的滑坡易发性制图

《Land》：Integrating Grid-Based Random Forest Predictions with Slope Units for Landslide Susceptibility Mapping

　　

滑坡易发性制图（landslide susceptibility mapping）用于识别在相似环境和触发条件下易发生边坡失稳的地形。基于栅格的机器学习输出结果在空间上往往呈碎片化，难以转化为斜坡尺度的减灾措施。研究人员在中国广东省平远县开发了一种两阶段“栅格到斜坡单元”（grid-to-slope-unit）框架，用于降雨条件型易发性评估。高程、坡度角、坡向、归一化植被指数（normalized difference vegetation index, NDVI）和降雨量分别源自ALOS-PALSAR数字高程模型、Sentinel-2影像和雨量站观测数据。利用2024年之前的28处滑坡和28个伪不存在样本（pseudo-absence samples）在栅格尺度训练随机森林（random forest, RF）模型。随后在4786个斜坡单元内汇总栅格尺度得分和五个条件因子，并将其用于第二个随机森林模型。使用2024年6月降雨事件后编录的359处滑坡进行事件条件验证。高和极高易发等级占建模面积的21.10%，包含299处验证滑坡，捕获率（capture rate）为83.3%。极高易发等级在占面积9.10%的区域中包含了64.62%的验证滑坡。该框架产生了地貌上连贯的地形单元，可用于区域筛查和野外调查，而单个场地的详细稳定性评估仍然必要。

**研究背景与现存问题**

降雨型滑坡是湿润山区频发的灾害，强降水、前期土壤湿度、陡峭地形与风化物质的相互作用会降低边坡稳定性。在中国南方亚热带季风区，降雨季节性强烈，长历时湿期后叠加极端暴雨，易诱发浅层坡体失稳。滑坡易发性制图（landslide susceptibility mapping, LSM）用于识别相似环境与触发条件下未来滑坡的高发区域，支撑土地利用规划和应急备灾。然而，基于栅格的机器学习输出结果在空间上往往碎片化，单一坡面被分割为大量独立像元，难以直接用于斜坡尺度的减灾决策。斜坡单元（slope units）以分水线和排水线为边界，能更好地对应山坡水文与地貌过程，降低像元级噪声。如何在精细空间分辨率与地貌可解释性之间取得平衡，是当前LSM面临的核心挑战。

**研究内容与总体结论**

研究人员以广东省平远县约474 km2的山区为对象，提出两阶段“栅格到斜坡单元”框架。第一阶段以高程、坡度、坡向、归一化植被指数（NDVI）和降雨量为条件因子，用2024年前的28处滑坡和28个伪不存在样本训练栅格尺度随机森林（RF）模型；第二阶段将栅格得分与五个因子在4786个斜坡单元内均值聚合，再训练第二个RF模型，生成集成斜坡单元易发性图。以2024年6月降雨事件后的359处滑坡做事件条件验证：高和极高易发等级占建模面积21.10%，包含83.3%的验证滑坡；极高等级在9.10%面积内捕获64.62%的验证滑坡，滑坡密度从极低等级的约0.020 km^-2增至极高等级的5.508 km^-2。该框架将栅格尺度非线性信息转化为地貌连贯的斜坡单元表达，为区域筛查提供了清晰目标；但点位尺度的稳定性仍需工程勘察确认。

**关键技术与方法**

研究使用的主要技术方法包括：（1）数据源：ALOS-PALSAR DEM（12.5 m分辨率）、Sentinel-2影像（2024年4–5月，云量>5%剔除）及2024年6月16日降雨站观测数据（反距离加权插值）；校准样本为广东省政府记录编录的28处历史滑坡和按NDVI>0.6、坡度<20°选取的28个伪不存在样本；验证样本为359处2024年6月事件滑坡；（2）斜坡单元划分：以r.slopeunits工具设置最小面积500 m²、循环方差0.10、20次迭代及D8流向算法，生成4786个单元；（3）模型构建：MATLAB TreeBagger实现栅格RF（100棵树、最大深度20，贝叶斯优化超参数，空间分块10折交叉验证），ArcGIS 10.8完成分区统计聚合，再训练第二个RF；（4）以Jenks自然间断法分级，用捕获率评估事件滑坡在等级中的集中程度。

**研究结果**

**4.1 栅格尺度滑坡易发性格局**：栅格RF模型输出0–1连续得分，高值区集中于谷缘坡、排水廊道与陡峭地形；变量重要性排序为降雨>坡度>高程>NDVI>坡向。得分在区域中北部较高、南部较低，但栅格图存在局部碎片化高值像元，难以形成连贯的坡面尺度分区，从而促成了向斜坡单元的聚合。

**4.2 集成斜坡单元滑坡预测**：第二RF模型变量重要性排序为栅格LSM>坡度>降雨>NDVI>高程>坡向，表明栅格信息有效传递至斜坡单元。集成图的高和极高等级含608个单元，覆盖97.65 km2（占21.10%），捕获299处验证滑坡（83.3%），高于未含栅格得分的斜坡单元基线图（76.4%）；极高等级以9.10%面积捕获64.62%的验证滑坡，富集比约7.10；高易发单元沿谷缘、陡坡、道路沿线及排水汇聚区集中。

**4.3 制图单元尺度、不确定性与局限**：斜坡单元划分参数、伪不存在样本选择及小样本校准（n=28）均引入不确定性；坡向作为环形变量以算术均值处理存在0°/360°边界局限；未测试多种划分参数组合，也未纳入岩性、道路切割等因子，结果应视为事件条件排序而非完全独立的前瞻性预测。

**4.4 实践意义与未来改进**：集成图将模型输出转化为可直接对接野外作业的地形单元，可支撑灾后道路、村落、排水廊道的优先排查；未来需区分静态地形敏感性与动态触发信息，纳入土壤湿度等近实时观测数据。

**讨论与结论总结**

讨论部分指出制图单元选择是重要不确定性来源，栅格尺寸与斜坡单元大小分别影响模型行为与地貌概括程度；验证标签虽在时间上分离，但降雨预测因子来自同一事件，故评价为事件条件验证而非完全独立的前瞻性预测。研究结论为：两阶段框架成功将栅格尺度的非线性信息转化为地貌意义明确的斜坡单元表达；集成图中高和极高等级以21.10%面积捕获83.3%的验证滑坡，极高等级滑坡密度5.508 km^-2远高于极低等级的0.020 km^-2；栅格模型10折交叉验证AUC为0.73±0.06，斜坡单元模型为0.81±0.03。因校准样本少、降雨预测因子来自验证事件、伪不存在采样存在不确定性且未测试斜坡单元敏感性，该成果仅适用于区域筛查，不应用于点位尺度确定性预测。