西北大学Yingdong Wei等将基于随机森林（RF）、逻辑回归（LR）和梯度增强决策树（GBDT）模型与InSAR技术相结合，提出了一种改进的滑坡易发性评估方法。结果表明，LR-InSAR耦合模型在区域和更小范围的动态滑坡易发性评价中表现最好，总体精度达到82%。有效提高了预测精度。
01
研究区与数据集
研究以中国青海省化隆县为研究区（图1a）。研究区处于青藏高原和黄土高原的过渡地带。图1b为化龙县滑坡分布图。利用历史记录、实地调查数据和谷歌地球卫星影像的目视解释，生成了包括394个滑坡的清单（图1b）。此外，确定了12个影响滑坡的影响因子：岩性、降雨量、高程、坡度、坡向、坡度曲率、距河流距离、距道路距离、距断层距离、地形湿度指数（TWI）、土地利用和归一化植被指数（NDVI）（图2）。
图1 研究区域和主要城镇的地理位置
图2 研究选取的12个影响滑坡的影响因子
02
研究方法
研究分别采用RF、LR、GBDT模型进行滑坡易发性评价，为了获得区域和小尺度的动态评价结果，引入SBAS-InSAR处理得到的滑坡形变信息，纠正了初始滑坡易发性图分区不合理的问题，进一步减少了忽略动态因素对易发性结果的干扰。
03
结果
SBAS-InSAR获取的地表形变速率：SBAS-InSAR方法获得的地表LOS向平均形变速率如图3所示。在InSAR处理过程中，由于植被、噪声等外界干扰，会出现零形变区域，对其进行插值。从图3a可以看出，年平均形变速率在-135 ~ 145 mm/yr之间。剧烈形变区分布在南部，大形变区主要集中在西部和东部。形变速率的标准差为6.96 mm/yr，并呈正态分布（图3b），表明形变面积基本稳定。
图3 由SBAS-InSAR获得的研究区年形变速率。(a)平均LOS形变速度图。(b)分布和标准差
滑坡易发性区划：基于RF、RF-InSAR、LR、LR-InSAR、GBDT和GBDT-InSAR模型进行滑坡易发性建模。图4显示了不同模型的滑坡易发性区划结果。总体而言，采用机器学习和InSAR联合模型进行的滑坡易发性分类呈现出与初步易发性图相似的空间分布。极高易发区和高易发区主要分布在西南、中南部和东南部以及沿江两岸。极低易发区和低易发区主要分布在靠近城镇的中北部地区。与原始模型相比，耦合模型在极高易发性和高易发性区域预测的滑坡面积和数量更多（表1）。
图4 不同模型得到的滑坡易发性图。（a、c、e）初步结果。（b、d、f）使用原始模型和InSAR组合的结果
表1 极高和高易发性等级的滑坡面积和数量所占比例
模型验证和比较：图5给出了不同模型的性能。从RF到RF-InSAR的总体精度提高了2%，从LR到LR-InSAR的总体精度提高了4%，从GBDT到GBDT- InSAR的总体精度提高了2%。结果表明，与传统模型相比，RF-InSAR、LR-InSAR和GBDT-InSAR提高了滑坡易发性的空间预测能力，降低了假阴性和假阳性误差。在三种模型中，LR-InSAR的总体精度最高，达到82%。综上所述，机器学习模型结合InSAR具有良好的精度和预测能力，可以应用于滑坡易发性评估。
图5 用混淆矩阵和总体精度评价不同模型的性能
细化分析：利用LR和LR-InSAR模型的结果在区域尺度上进行了精细尺度检测，确定了易发性增强的A、B、C三个代表性区域和4个滑坡L1-4（图6）。A区L1的易发性由中等到高，而L2、L3和L4在区域B和C中，极高易发性区域的比例显著增加。
图6 代表性地区滑坡的易发性增强与识别。(a)区域规模的精细检测。(b)-(d)上面为LR模型的初步易发性结果，下面为改进LR-InSAR模型对应A、B、C区域的易发性结果
实地调查分析发现，L1为舌状、东南向为主的黄土滑坡。长沟沿其边缘下坡（图7b，c），其下部发育了次级陡坡（图7b）。底部右侧部分被河流侵蚀（图7d）。在滑坡附近可以观察到施工活动（图7e）。整个滑坡的年平均形变率表明，形变主要发生在滑坡下部，而滑坡上部处于稳定状态；滑坡底部右侧最大形变量达45 mm。整体滑坡模式以牵引为特征。滑坡底部的河流侵蚀和人为开挖加剧了滑坡的滑动过程，从而加剧了滑坡的失稳。
图7 滑坡L1的形变。(a) LOS平均年形变率。P1-P4为滑坡不同位置的时间序列点。(b)基于机载激光雷达的山阴影像。(c)滑坡边缘的深沟。(d)倾斜的电线杆和被侵蚀的滑坡底部。(e)滑坡附近的工程活动。(f) P1-P4与气温的时间序列形变曲线。灰色区域表示位移增加的时间
利用野外观测和无人对滑坡L2进行了调查（图8）。这个滑坡的表面有许多裂缝和陷坑，一条深沟沿着滑坡的左边缘延伸。其右截面为台阶状表面，垂直偏移较大，大于1m。河流侵蚀导致斜坡崩塌，最终阻塞了河流。
图8 滑坡L2现场调查。(a)无人机全景图。（b,c）垂直偏移的阶梯滑坡面。(d)河流侵蚀导致山体滑坡和河流堵塞。(e)陷坑。(f)裂缝
滑坡L3和L4的实地调查结果如图9所示。这些滑坡最显著的特征是沟壑较长，几乎沿着整个纵坡剖面一直延伸到底部。L3下部和底部以及L4中下段可见大量裂缝。在L3上部发现了垂直偏移和天坑。山体滑坡已受到严重破坏，达到高和极高的易发性水平，可能会造成重新激活的风险。L3、L4以及p1~p4四个监测点的累计形变如图10所示。发现只有L3的左上边缘有140 mm相对较大的形变。数据分析显示，雨季降雨与L3和L4的形变有显著的相关性（图10i）。这些滑坡在降雨和自身重力的共同作用下发生了显著的形变。
图9 滑坡L3及L4的实地调查。(a)无人机全景图。(b)沟。(c)陷坑。(d)主陡坎。(e)集水区。(f)有垂直偏移的阶梯式滑坡面
图10 2019年10月至2022年7月LOS方向L3和L4滑坡累积形变。(a)中的P1-P4为监测地点。(i) L3（P1+2）和L4（P3+4）日降雨量和累积形变时间序列
文章信息
该文章发表在期刊Geoscience Frontiers上，详细内容见：Wei Y., Qiu H., Liu Z., Huangfu W., Zhu Y., Liu Y., Yang D., Kamp U. 2024. Refined and dynamic susceptibility assessment of landslides using InSAR and machine learning models. Geoscience Frontiers, 15(6): 101890.
原文链接：https://www.sciencedirect.com/science/article/pii/S1674987124001142
资料整理 | 李 涛
排版编辑 | 代克滨
