基于生态地貌框架的全国尺度滑坡易发性评估：混合PCA-AHP方法支持奥地利风险知情空间规划

《Journal of Environmental Management》：Operationalizing an ecogeomorphological framework for national-scale landslide susceptibility: A hybrid PCA-AHP approach to support risk-informed spatial planning in Austria

　　

研究人员提出了一种生态地貌学概念框架（Ecogeomorphological Conceptual Framework, EGCF），用于支持奥地利全国尺度的滑坡易发性评估。该框架整合了频率比（Frequency Ratio, FR）响应评分、基于主成分分析（Principal Component Analysis, PCA）的预测因子加权以及层次分析法（Analytic Hierarchy Process, AHP）的主题加权，构建了一个统一的空间工作流程。研究表明，增加的生态地貌预测因子对滑坡判别能力的贡献存在异质性，其中水文预测因子在仅基于开发数据的空间验证中各折叠中表现出最一致的改进。全国易发性基线为风险知情空间规划提供了筛选支持。

论文解读：奥地利全国尺度滑坡易发性评估的生态地貌框架与混合PCA-AHP方法

**研究背景与问题**
近年来，自然灾害的频率和强度持续增加，对城市和社会的韧性构成系统性威胁。联合国《2015-2030年仙台减少灾害风险框架》和世界银行的相关指南均强调，需要将灾害风险信息纳入空间规划与城市发展决策。奥地利地处阿尔卑斯中部山区，陡峭地形、复杂的地质、水文和生态条件使其频繁面临滑坡风险。然而，奥地利现有的灾害风险管理体系在制度协调、知识交流和数据集共享方面存在明显不足，各联邦州的数据与政策差异较大，缺乏统一的国家级空间评估方法。尽管此前已有奥地利全国尺度滑坡易发性研究，但分别采用基于对象的geon与Dempster-Shafer理论、模糊多准则加权等方法，均未在统一的空间评价框架内系统地整合生态、地貌和水文等多维信息。因此，需要开发一种能够衔接制度治理与空间分析的国家级滑坡易发性评估工作流，为风险知情规划提供数据驱动的基线支持。

**研究目标与开展内容**
针对上述问题，研究人员提出了一个新颖的生态地貌学概念框架（EGCF），将制度治理逻辑、生态地貌系统原理和空间分析系统相结合。该框架通过空间多准则评价（Spatial Multi-Criteria Evaluation, SMCE）实现操作化，采用频率比（FR）响应评分、主成分分析（PCA）预测因子权重和层次分析法（AHP）主题权重相结合的方法，绘制奥地利全国滑坡易发性指数（LSI）。研究构建了17个预测因子，归类为生态、地貌和水文三大主题。历史滑坡编目数据被空间分割为开发集和保留集，开发数据用于拟合FR和PCA权重，保留数据用于独立验证。研究旨在提供一个透明的国家易发性基线，作为风险知情空间规划中筛选和确定优先区域的决策支持工具。

**关键技术与方法**
研究人员在QGIS中统一处理多源空间数据，将所有预测因子重采样至500米网格（MGI Austria Lambert投影，EPSG:31287）。采用频率比（FR）方法基于开发数据计算响应评分，并使用平滑常数α=0.5避免零值问题。每个主题内的预测因子权重通过主成分分析（PCA）获得：仅使用开发数据标准化后分解，按Kaiser准则保留特征值大于1的主成分，结合特征向量系数与解释方差比例计算归一化权重。主题间权重由层次分析法（AHP）确定，判断矩阵基于文献和作者判断，生态、水文、地貌权重分别为0.105、0.258、0.637。滑坡编目来自奥地利开放质量运动集合（oCoMMA），涵盖1991-2024年记录，并按500米网格去重。空间保留验证采用64公里分块设计，其中8块作为保留集，并沿边界设置2公里缓冲区以减少空间依赖。
**研究结果**
**4.1 主题内PCA结构与相关载荷**
研究人员分别对生态、地貌和水文主题进行PCA。生态主题4个因子中保留1个主成分，解释62.97%的方差；地貌主题7个因子中保留3个主成分，累计解释64.19%方差；水文主题6个因子中保留3个主成分，解释71.99%方差。相关载荷用于解释变量与主成分的关系。开发数据的FR响应模式显示，滑坡易发性评分随距道路和排水网络距离增加而降低，随排水密度增加而升高。
**4.2 滑坡易发性指数（LSI）**
加权聚合17个预测因子产生全国LSI，采用Fisher-Jenks自然断点法分为五级：极低、低、中、高、极高。在301,656个有效网格单元中，各级别面积占比分别为13.67%、15.09%、18.40%、28.92%和23.92%，高和极高易发区合计占52.84%。空间分布上，高易发区集中在阿尔卑斯主脊及北部、南部山区，低易发区位于北部高原和东部低地，中等区域作为过渡带。
**5. 模型评价与预测性能**
研究人员采用空间开发-保留设计评价模型性能。在平衡开发样本上，9因子和17因子模型的ROC-AUC分别为0.837和0.817；在空间保留集上，AUC分别为0.806和0.787，差异为-0.019，95%置信区间为-0.036至-0.002。因此，扩展到17因子并未显著提高判别能力。开发数据内的探索性因子添加诊断显示，添加水文因子组使平均AUC从0.829提高到0.843，且在所有五个折叠中均有改善；添加粗糙度则使平均AUC降至0.813。在开发数据选择的最佳阈值下，9因子模型敏感性高于17因子（0.862 vs 0.732），而17因子特异性更高（0.674 vs 0.590）。
**讨论与结论**
讨论指出，扩展预测因子的价值具有异质性，并非越多因子效果越好。水文因子的加入表现出一致的判别改进，而其他因子则效果有限。所提出的框架提供了统一的国家级易发性基线，可辅助识别需要更详细评估的区域，但无法替代场地级评估。局限性包括500米网格可能遗漏局部变化、预测因子时间周期不完全匹配（如NDVI为2021-2025年，降雨为1991-2020年，滑坡编目为1991-2024年）以及残余空间依赖和编目完整性问题。结论部分强调，研究的主要贡献是提出了EGCF，它整合了生态、地貌和水文信息，支持风险知情空间规划。未来方向包括引入可解释机器学习模型，以及开发自动化平台以进一步服务于区域尺度的土地利用决策。研究人员正在推进灾害科学、空间规划与地球科学的融合，以建立奥地利关键环境基线。