引言
近年来，极端天气事件频发且强度不断增强，显著加剧了滑坡、洪水和泥石流等自然灾害的风险（W. et al., 2022）。在这些灾害中，极端降雨已成为触发滑坡的主要因素，尤其是在山区（Bingli et al., 2024）和亚热带地区（Xu et al., 2025a）。降雨引发的滑坡是一项具有全球重要性的灾害（Arias et al., 2021），特别是在湿润地区（Wood et al., 2020）和山区（Bindoff et al., 2014），其发生与各种降雨事件密切相关——从短时强暴雨到持续性中等降水——这些事件通过增加孔隙水压、基质吸力丧失和渐进风化等机制降低了边坡材料的抗剪强度（Kirschbaum et al., 2020; Liang et al., 2022; Marco et al., 2023）。这些过程可引发多种边坡失稳，从浅层滑坡到深部再活化（Varnes, 1978）。在全球气候变化的背景下，许多地区已观测到极端降雨事件增多，尤其是亚洲地区（Liu et al., 2025; Tang et al., 2011; Varnes, 1978），这影响了降雨触发滑坡的频率、空间分布和强度。然而，由于空间变异性、数据限制和方法不确定性（Nicoletti and Sorriso-Valvo, 1991; Tian et al., 2020），将滑坡活动特定趋势归因于地貌驱动因素仍面临挑战。一个关键障碍在于滑坡编录的可用性和质量，这些编录因数据来源、调查规模和编录实践的不同而在完整性和分辨率上存在差异（Xu et al., 2025a）。尽管全球编录已改善了空间覆盖（Xu et al., 2023），但其有限的时间跨度限制了长期评估。与此同时，社会环境变化，如城市扩张进入灾害易发区和土地利用转变，已加剧了暴露度和脆弱性（Pu et al., 2023），即使在滑坡频率相对稳定的地区也是如此。气候、地貌和人为因素之间的复杂相互作用凸显了预报和管理降雨引发滑坡灾害的挑战，强调了需要整合遥感、机器学习（ML）和岩土工程调查等多学科综合方法以推进灾害评估并制定有效的风险缓解策略（Xu et al., 2025a）。在驱动这些灾害的气象系统中，台风是极端降雨的主要来源。这些风暴系统导致短时高强度的降水，使土壤迅速饱和并急剧增加孔隙水压。因此，由此类极端天气事件触发的滑坡往往呈密集空间聚集分布并表现出高运动性，给区域灾害评估带来重大挑战。近期的一个实例是2024年7月底的台风"格美"，该台风为资兴市带来了破纪录的降水量，触发了大规模的滑坡群。
及时准确的滑坡检测对于有效的灾害响应和减灾工作至关重要（Lu et al., 2019）。遥感影像已被证明是监测广阔且往往难以到达区域的滑坡的有力工具（Xu et al., 2025b）。传统检测方法严重依赖人工判读或基础图像处理，这些方法耗时且容易出现不一致性。深度学习的发展彻底改变了这一领域，实现了高效、高精度的自动化图像分析（Ju et al., 2022）。该领域最重要的进展之一是"你只看一次"（YOLO）系列模型的开发（Redmon et al., 2016），该系列模型整合了模仿人类认知能力的注意力机制，以增强实时目标检测任务中的性能。YOLOv8（Ultralytics, 2023）是YOLO系列的重要更新，在速度和精度方面取得了显著进步，尤其适用于高分辨率卫星和航空影像。即使在复杂和杂乱的环境中，YOLOv8也能检测滑坡，使其成为大规模灾后分析的理想工具（Chen et al., 2024）。
与深度学习类似，机器学习已成为滑坡易发性制图（LSM）的关键方法，以应对传统统计和专家驱动模型的局限性（Chang et al., 2023; Wang et al., 2019; Zhao et al., 2026）。机器学习方法，特别是监督学习算法（Cunningham et al., 2008; Nasteski, 2017），在制作详细准确的易发性图方面表现出卓越的性能（Caruana and Niculescu-Mizil, 2006; Chang et al., 2020）。支持向量机（SVM）、随机森林（RF）和多层感知器（MLP）等技术已被广泛用于整合环境变量（Breiman, 2001; Hearst et al., 1998; Huang et al., 2017; Murtagh, 1991）、遥感数据和GIS图层以识别风险区域。这些模型支持可扩展的数据驱动评估，可适应各种地理和地质环境。
尽管具有高度的预测性能，机器学习模型往往表现为"黑箱"，使从业者难以理解特定预测是如何得出的（Rudin, 2019）。这种不透明度对灾害风险管理的实际应用带来了挑战，因为在这些应用中，模型结果的透明度和可信度至关重要。为解决这一问题，可解释的机器学习技术，特别是Shapley加性解释（SHAP），已获得广泛关注（Lundberg and Lee, 2017）。SHAP值为量化每个输入变量对模型输出的影响提供了原则性策略（Roth, 1988），有助于阐明坡度、岩性和水文等因素对滑坡发生的贡献。近期研究表明，SHAP分析在揭示驱动滑坡的空间模式和区域差异机制方面的价值，从而增强了模型的可解释性和决策相关性（Lv et al., 2024）。
本研究提出了一种整合先进遥感、深度学习和可解释机器学习的综合框架，以改进滑坡的检测和理解，特别关注滑坡后运动动力学。首先，利用灾后高分辨率影像开发了高精度滑坡编录，使用YOLOv8识别滑坡并通过人工检查验证，显著提高了检测效率和可靠性。其次，通过分析地形形态、地质特征和基础设施邻近度等关键环境驱动因素，研究了滑坡的空间分布和运动特性。最后，采用基于SHAP的可解释性分析来量化不同因素在影响滑坡发生和运动性方面的相对重要性。这种综合方法不仅增强了模型透明度，也为易受极端风暴事件影响的山区的风险评估、早期预警和土地利用规划提供了有价值的见解。
