《GeoHazards》：A Prototype Geo-Digital Twin Framework for Scenario-Based Landslide Susceptibility Assessment Using Machine Learning
编辑推荐：
滑坡是最具破坏性的自然灾害之一，多发于山区及生态环境敏感区域，对基础设施、生态系统和人类生命造成重大损害。本研究提出一个框架，作为美国东肯塔基州滑坡易发性评估与情景分析的原型地理数字孪生（Geo-Digital Twin）。研究利用地形、水文、地质和环境 co
滑坡是最具破坏性的自然灾害之一，多发于山区及生态环境敏感区域，对基础设施、生态系统和人类生命造成重大损害。本研究提出一个框架，作为美国东肯塔基州滑坡易发性评估与情景分析的原型地理数字孪生（Geo-Digital Twin）。研究利用地形、水文、地质和环境 conditioning factors（条件因子），包括坡向（aspect）、高程（elevation）、岩性（lithology）、距河流距离（distance to streams）和归一化植被指数（NDVI），开发了随机森林（Random Forest, RF）模型。该模型取得了较强的预测性能，准确率（accuracy）为0.87，F1分数（F1 score）为0.85，ROC-AUC为0.94。训练后的模型被集成到一个面向服务的原型地理数字孪生平台中，该平台采用Django和Mapbox实现，支持交互式空间可视化和情景模拟。特别地，研究人员通过修改NDVI值评估了植被变化情景，以检验其对滑坡易发性的影响。为提升这些情景结果的解释性，研究人员引入了一个模糊推理系统（fuzzy inference system），将预测易发性变化（ΔP）与NDVI值相结合，生成模糊影响指数（Fuzzy Impact Index, FII）。模糊分析表明，植被减少可显著改变坡体响应，具体取决于基线环境条件。结果表明，所提出的框架不仅能提供准确的易发性制图，还能支持可解释的情景分析，从而为滑坡相关的空间决策提供辅助。
一、研究背景与问题提出
滑坡是山区和丘陵地区最具破坏性的自然灾害之一，造成环境退化、威胁人类生命，并对道路和居民点等基础设施造成损害。因此，滑坡易发性评估是滑坡管理和空间规划的关键组成部分。传统统计方法如逻辑回归在表征环境变量间复杂非线性关系方面存在局限。近年来，遥感、地理信息系统（GIS）和机器学习（ML）的进展为解释滑坡发生与环境条件因子之间的空间关系提供了更好的途径。支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）和极端梯度提升（XGBoost）等机器学习方法已被越来越多地应用于滑坡易发性评估。
然而，现有研究存在明显缺口：大多数基于机器学习的滑坡易发性建模研究从固定的静态输入状态生成地图，输出通常作为静态空间图层交付，缺乏交互机制来检验用户自定义环境变量变化的影响。与此同时，数字孪生（Digital Twin, DT）概念已从工业系统扩展到城市、环境和灾害管理领域，但在滑坡科学中的应用仍处于新兴阶段。现有滑坡数字孪生研究主要集中于变形监测、物理模拟或一般灾害管理环境，将经过验证的机器学习模型与用户驱动的环境因子空间扰动能力及交互式三维可视化输出相结合的研究相对较少。因此，本研究旨在弥合静态建模与决策支持之间的鸿沟，提出一个集随机森林模型与交互式Mapbox三维环境于一体的原型地理数字孪生框架。
二、研究内容与主要结论
本研究以美国肯塔基州东部佩里县（Perry County）及更广泛的肯塔基河流域为案例区域，该区域位于阿巴拉契亚高原，地形陡峭、谷地狭窄、排水网络复杂，降雨型滑坡频发。研究人员构建了一个包含十个环境因子的随机森林模型，包括距道路距离、距河流距离、归一化植被指数（NDVI）、数字高程模型（DEM）、岩性、距断层距离、地表温度（LST）、年平均降雨量以及Sentinel-1雷达影像的VV和VH极化数据。模型在独立测试集上取得了ROC-AUC约0.94、F1分数0.85、准确率0.87的性能。
该模型被集成到基于Django 4.1和Mapbox构建的服务导向原型地理数字孪生平台中，通过GeoServer 2.26发布为标准网络服务，实现交互式三维可视化和情景模拟。研究人员以NDVI减少10%作为植被损失情景，在100个随机采样区域中执行"what-if"分析，并引入双输入模糊推理系统，将易发性变化（ΔP）与基线NDVI值结合生成模糊影响指数（FII）。结果表明，植被减少并非在研究区域产生一致的易发性变化，其影响幅度因局部环境条件而异；低植被覆盖区域往往表现出更大的易发性增加，而中高植被密度区域响应较弱。模糊推理系统生成了围绕零值近似平衡的FII分布，50个区域为正值、50个区域为负值，表明该指数反映的是结合植被条件后的情景响应解释强度，而非简单的ΔP算术符号。
三、关键技术方法
本研究采用的主要技术方法包括：（1）随机森林（RF）算法作为核心预测引擎，通过RandomizedSearchCV结合分层五折交叉验证进行超参数优化；（2）空间块交叉验证（Spatial Block Cross-Validation）策略，使用空间k-means分区将样本聚为5个空间连续且不相交的地理块，以评估模型的空间泛化能力；（3）概率校准，采用Platt缩放（sigmoid校准）和等渗回归（isotonic regression），以Brier分数和期望校准误差（ECE）评估；（4）模糊推理系统（FIS），采用Mamdani模糊推理和质心去模糊化方法，将ΔP和NDVI两个输入变量通过九条规则转化为FII输出；（5）消融分析（ablation analysis），比较仅RF配置与RF-FIS集成配置的差异。样本数据包含719个空间观测点，其中292个滑坡位置（40.6%）和427个非滑坡位置（59.4%），滑坡清单覆盖2007至2025年期间。
四、研究结果
4.1 模型预测性能评估
随机森林模型在20%独立测试集上取得了ROC-AUC约0.94、F1分数0.85、准确率0.87的性能。在标准随机五折交叉验证下，模型平均AUC-ROC和总体准确率表现良好；在空间块交叉验证下，性能出现轻微且现实的下降（AUC-ROC降低约0.03），但独立测试集上的高性能表明模型不存在严重的空间过拟合，具备稳健的空间泛化能力。
4.2 概率校准评估
未校准随机森林在测试子集上取得Brier分数0.1340和ECE约7.6%。Platt sigmoid校准后Brier分数为0.1338、ROC-AUC为0.8887，等渗校准产生相近的Brier分数和约0.886的ROC-AUC。结果表明概率校准仅带来小幅概率误差改善，未实质性提升模型判别能力。2000次bootstrap重采样给出未校准ROC-AUC的95%置信区间约0.835–0.936。
4.3 模糊推理系统输出
模糊推理系统为100个采样区域生成了FII值，范围从?0.7666到0.7666，均值?0.0308，中位数0.0362，标准差0.4569。50个区域产生正值、50个区域产生负值。尽管所有ΔP值均为正，模糊系统仍生成了正负两种FII值，这反映了模糊规则库的上下文结构和输入隶属函数之间的重叠，而非表明某些区域的易发性实际降低。
4.4 消融分析
在100个采样区域中，RF-only配置的平均基线概率和情景概率差异产生了全部为正的ΔP值（范围0.0142至0.1463）。RF-derived ΔP与FII之间存在强关联（Spearman秩相关系数显著，Pearson相关系数显著）。然而，FIS显著改变了区域优先级排序：RF-only与RF-FIS的Top-10列表仅有两个共同区域（Jaccard相似度0.111），Top-20有八个共同区域（Jaccard相似度0.250），表明FIS在保持与RF情景响应整体关联的同时，根据预定义模糊隶属函数和规则库实质性重组了最高优先级区域。
五、讨论与结论
讨论部分指出，本研究的核心贡献不在于预测模型本身的性能，而在于系统允许模型应用于修改后的环境输入，从而提供检验预测易发性如何响应假设性变化的机制。研究强调，植被损失情景应被解释为空间敏感性实验，而非植被损失必然导致滑坡的确定性预测。模糊推理输出应被理解为决策支持指标，而非坡体不稳定性的直接物理测量。研究同时承认若干局限性：未直接与其他机器学习模型进行性能比较、敏感性分析仅限于NDVI变化、数据主要反映相对静态的中期条件、尚未整合物联网（IoT）传感器或近实时卫星数据的实时观测。
研究结论部分总结指出，本研究提出了一个集成的滑坡易发性建模与情景分析地理数字孪生框架。随机森林模型展现了高预测能力，准确率0.87、F1分数0.85、ROC-AUC 0.94，确认了其适用于滑坡易发性评估的适宜性。多年度滑坡清单与2025年环境观测之间的时间错配构成局限性，可能引入不确定性。除静态预测外，该框架通过修改环境变量实现了交互式"what-if"情景分析，模糊推理系统将易发性变化与植被条件转化为模糊影响指数，改善了情景输出的可解释性，为易发性评估提供了更灵活的决策支持层。总体而言，所提出的地理数字孪生框架在滑坡易发性辅助决策中实际整合了机器学习、空间模拟和可解释模糊推理，有助于规划者和决策者理解不同环境情景下的基线和情景特定滑坡易发性。未来工作可纳入时间数据、物联网传感器、实时天气信息和近实时卫星观测，以支持更有效的滑坡早期预警系统。
