期刊：International Journal of Applied Earth Observation and Geoinformation
作者：Zhice Fang, Yi Wang, Cees van Westen, Luigi Lombardo
年份：2024
研究亮点
•提出了一种统一的、数据驱动的滑坡灾害建模框架
•该框架能够估计滑坡的位置、时间和规模
•开发了一种用于性能验证的时空交叉验证方案
摘要
地球科学界主要关注通过数据驱动的易发性模型预测滑坡可能发生的位置。最近，很少有研究人员转向对给定地形单元内滑坡面积的统计估计和对滑坡发生时空分布的探索。然而，这些数据驱动的方法无法满足普遍接受的滑坡灾害定义，也无法同时预测滑坡发生的位置、时间/频率和幅度。本研究提出了一个统一的数据驱动的滑坡灾害时空建模框架，能够在特定时间段和特定滑坡规模内对给定斜坡单元内的滑坡发生进行动态和概率估计。该框架不仅涉及建模中的静态和动态因素，还考虑了时空相互作用，以探索滑坡灾害的时空变化效应。从2004年到2018年，本研究在台湾岛上用多时间滑坡清单对该框架进行了测试。具体而言，该框架假设滑坡的发生和规模在时空上分别遵循二项式和对数高斯分布，然后使用广义加性模型来实现滑坡灾害概率的估计。最后，通过时空 leave one out cross validation（LOOCV）方案验证了性能。该框架将为滑坡易发区域在统一的概率数据驱动原型中估算滑坡灾害奠定基础。研究人员设想，这可能会引导对气候变化动态灾害响应的相关研究。
图表
图：（a）台湾省行政区域，（b）研究区域的高程，（c）斜坡单元，以及（d）显示滑坡的子区域
图：所提出框架的流程图
图：滑坡易发性和规模模型的拟合度：（a）ROC曲线，（b）显示观测值与拟合值的平滑散点图，（c）QQ图，以及（d）残差直方图
图：时空模型中的空间效应
图：台湾省滑坡易发性及密度图。时空尺度模型可以预测特定边坡单元内的滑坡面积。本研究将预测的滑坡面积除以斜坡单位面积，得到滑坡密度
图：台湾2004年至2018年期间的密度超越概率图。每个值代表相应斜坡单元的滑坡密度超过1.84%（密度分布的90%）的概率
图：最大滑坡危险值随时间的空间分布。这三张地图认为滑坡密度分别超过1.2%（密度分布的75%）、1.84%（密度分布中的90%）和2.34%（密度分布中的95%）
结论
本研究提出了一种基于数据驱动模型的时空滑坡灾害建模框架。该框架符合广泛接受的滑坡灾害定义，可以定量估计给定斜坡单位内指定时间范围和特定震级范围内滑坡发生的概率。2004年至2018年期间，研究团队在台湾岛测试了这一框架。然后，本研究基于完整的ST-CV方案验证了时空预测性能。结果表明，所提出的框架能够通过考虑一系列随时间不变和随时间变化的因素以及时空相互作用，在时空域中动态预测滑坡灾害。这是对传统定量灾害模型的重大改进，它为基于概率的滑坡灾害评估提供了一个灵活、可靠和可解释的原型。该框架也可以在具有相似或不同地质环境条件的其他地区轻松实施。未来，一旦能够准确可靠地模拟动态因素，研究人员希望将这一框架扩展到未来的场景。此外，研究团队设想更短或更具体的时间段，从而在极端事件面前实现近乎实时的危险响应。另一个值得探索的潜在改进是通过深度学习方法构建滑坡灾害模型，这在处理时空类型框架带来的大量样本方面具有优势。总的来说，研究团队相信所提出的概率时空框架将为滑坡易发区域灾害建模提供新的视角。
参考文献
Fang Z, Wang Y, van Westen C, Lombardo L. Landslide hazard spatiotemporal prediction based on data-driven models: Estimating where, when and how large landslide may be. International Journal of Applied Earth Observation and Geoinformation. 2024;126:103631.
投稿邮箱｜engeomodel@gmail.com
免责声明：本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
