闽粤赣边区“6·16”强降雨诱发群发滑坡特征与驱动因素

Characteristics and Drivers of Clustered Landslides Induced by Extreme Rainstorm on June 16 in Fujian-Guangdong-Jiangxi Junction Area

摘要

2024年6月16日，闽粤赣边区发生极端强降雨事件诱发数以万计的滑坡灾害，造成大量人员伤亡和财产损失.快速查明滑坡特征与驱动因素可为灾害预报预警和风险防控提供数据支撑.利用灾后光学影像进行智能识别，结合现场抽检复核，分析滑坡的空间分布和发育特征，并结合气候生态因素、地质条件和地形地貌探讨驱动因素.结果显示，共解译滑坡35 407处，总面积约41.27 km²；以小规模为主，集中分布在雨量超240 mm的山区；自然滑坡形状较规则、流动性强，工程滑坡形态复杂、流动性较弱.滑坡分布受气候生态因素、地质条件和地形地貌特征显著影响；自然滑坡受地形主导，而工程滑坡则随机性更强.本研究深化了对群发滑坡特征和驱动机制的理解，为防灾减灾救灾提供科学依据.

Abstract

On June 16, 2024, an extreme rainfall event occurred in the Fujian-Guangdong-Jiangxi junction area, triggering tens of thousands of landslides and causing significant casualties and property losses. This study aims to rapidly identify the characteristics and driving factors of landslides to provide data support for disaster forecasting, early warning, and risk management. Post-disaster optical imagery was used for intelligent landslide identification, supplemented by on-site validation, to analyze the spatial distribution and developmental characteristics of the landslides. The study further investigated the driving factors by integrating the meteorological, ecological factors, geological conditions topographic features. The results reveal a total of 35 407 landslides, covering an area of approximately 41.27 km², predominantly small-scale and concentrated in mountainous areas where rainfall exceeded 250 mm. Natural landslides exhibited relatively regular shapes and higher mobility, while landslides induced by engineering activities showed more complex shapes and lower mobility. The distribution of landslides was significantly influenced by the meteorological, ecological factors, geological conditions and topographic characteristics. Natural landslides were primarily controlled by topography, whereas engineering-induced landslides displayed greater randomness. This study deepens the understanding of the characteristics and driving mechanisms of clustered landslides, providing valuable scientific guidance for disaster prevention, mitigation, and relief efforts.

Graphical abstract

关键词

极端降雨 / 群发滑坡 / 分布规律 / 几何特征 / 驱动因素 / 工程地质学.

Key words

extreme rainfall / clustered landslides / distribution pattern / geometric characteristics / driving factors / engineering geology

每年5月21日（小满前后）至6月20日（夏至前后），南方活跃的暖湿气流与从北方南进的冷空气在广西、广东和福建一带交汇，形成持续性、大范围的强降水过程，当地称之为“龙舟水”（胡娅敏等，2013；王娟怀等，2018；朱江等，2023）.受龙舟水期间的极端强降雨影响，广东福建一带丘陵山区经常爆发群发性浅层土质滑坡灾害（Ma et al.， 2023；Li et al.， 2024）.例如，福建省南平市“2010.6”特大暴雨触发15 000余处浅层土质滑坡（盛玲，2015）；2019年6月10日~13日，广东省龙川县遭受龙舟水降雨过程，降雨中心米贝村集中发生327处浅层土质滑坡（Bai et al.， 2021； Feng et al.， 2022）；2022年6月上旬，福建省永安市受强降雨作用，发生1 700余处浅层土质滑坡（Yu et al.， 2023）.2024年4月下旬，广东省韶关市突遭极端强降雨天气，发生1 192处浅层土质滑坡（许强等，2024）.对历次群发性滑坡灾害事件的回顾发现，一次强降水过程可以诱发成百上千乃至数万余处浅层滑坡（罗渝等，2014；Guo et al.， 2021；刘谢攀等，2024；陈博等，2024）.这些滑坡的空间分布具有聚集性、发生时间具有集中性，并且与山洪、泥石流等地质灾害同期发生，给当地地质灾害防治与应急救援带来严峻挑战（冯杭建等，2016；冯文凯等，2022；陈文鸿等，2024）.

2024年6月16日，闽粤赣边区的广东省梅州市、福建省龙岩市和江西省赣州市普降暴雨，引发了大规模山体滑坡和山洪泥石流灾害（图1）.据地方政府的初步统计，此次强降雨过程及其次生灾害导致三省407 618人不同程度受灾，其中61人因灾死亡或失踪.此外，强降雨过程导致两省22 878栋房屋损毁，农作物及水产养殖受灾258.97×10⁴ m²，直接经济损失超过157.87亿元.

本文回顾了群发性滑坡地区的地形条件以及“6·16”强降雨概况；进而在滑坡光学遥感解译和现场调查的基础上，对“6·16”强降雨诱发的群发浅层滑坡发育分布规律和驱动因素进行了初步分析.本研究可为降雨型群发浅层滑坡防灾减灾救灾以及该地区恢复重建提供科学依据.

1 研究区概况与极端降雨事件

研究区位于闽粤赣边区，属于东南沿海的内陆区域，地处武夷山脉南段与南岭山脉交界地带.该区域地理位置独特，地质条件复杂，是闽粤赣边区的重要构造单元之一.地势总体呈现西高东低的趋势，山脉多呈东北-西南走向（图2）.区域内广泛分布着山地和丘陵，河谷地带相对狭窄，局部地区存在小型平原和盆地.地形起伏较大，山地和谷地相间分布，河流深切割，导致坡度较大，地表侵蚀作用显著，部分地区坡面稳定性较差.研究区主要出露岩浆岩和变质岩.其中，岩浆岩主要为二长花岗岩、钾长花岗岩和黑云母花岗岩.这些花岗岩经过长期的风化作用，形成了松散且广泛分布的残积土层，在强降雨条件下容易快速饱和，加剧了坡面侵蚀作用，并显著降低了坡面稳定性，增加滑坡和崩塌的风险.变质岩主要为变质砂岩和变粒岩，在长期风化后形成了夹杂较大粒径的岩石碎屑的碎石混合土，在强降雨条件下极易失稳形成滑坡.

2024年6月16日，受强降雨云系的影响，闽粤赣边区经历了一场极端降雨事件.根据全球降水监测数据集（https：//gpm.nasa.gov/data）绘制了雨量分布图（图3）.降雨集中在武平县、蕉岭县及其周边山区.该区域的降水特征呈现出极强的集中性，尤其受山地地形影响显著.地形抬升效应是降雨在这些山区集中发生的主要原因.当来自南海的暖湿气流进入闽粤赣边区后，受到了山区地形的阻挡并被迫抬升，促使水汽迅速凝结，从而形成强降雨.在这次事件中，蕉岭县及武平县一带的山区降水量远高于该区域的其他地方，局部累计降雨量超过350 mm.

2 研究方法

2.1　滑坡识别方法

本研究采用YOLOv8s（You Only Look Once version 8 small）模型，实现滑坡区域的高效自动化检测.YOLOv8s是一种轻量化目标检测卷积神经网络，因其出色的实时处理能力和高效性，特别适合大规模遥感影像数据（Talaat and ZainEldin， 2023； Li et al.， 2024）.

检测流程包括影像预处理、模型训练与优化、滑坡检测及结果验证（图4）.首先，将卫星遥感影像分割为1 km×1 km的子区域，避免大尺寸图像影响计算效率，并对典型滑坡区域精确标注生成训练数据.通过引入随机旋转、缩放和翻转等数据增强技术，提升模型对滑坡形态的适应性（Huang et al.， 2024； Zhang et al.， 2024）.模型训练采用1 024×1 024像素的输入图像，优化器为AdamW，初始学习率设为0.000 5，训练500轮（epochs），批量大小为8.多尺度特征提取网络有效学习滑坡的形态、纹理及边界信息.训练完成后，将未标注影像输入模型，基于单次前向检测生成滑坡边界及其置信度.

为提高检测精度，计算了YOLOv8s模型的准确率（Accuracy）、召回率（Recall）和F1分数等评估指标.模型在测试集上的准确率达到了81.5%，召回率为86.2%，F1分数为83.8%，这些指标表明了模型在滑坡检测中的高效性和精确性.此外，所有检测结果经过人工复核和现场抽检，进一步验证了模型在实际应用中的可靠性和准确性.通过与实际滑坡事件的对比，验证了YOLOv8s模型在滑坡区域自动化检测中的有效性和高精度.

2.2　滑坡特征分析方法

基于解译的群发滑坡数据库，通过滑坡面积及其尺寸分布、凸包指数和圆度分别量化滑坡的规模、紧凑性和圆度来了解滑坡的几何特征（Rana et al.， 2021；Qiu et al.， 2024）.ArcGIS中可以方便地统计单个滑坡面积，进而进行滑坡面积及其概率密度的分析.凸包指数和圆度的概念如图5所示，凸包指数表示滑坡面积（A）与其凸包面积（Ac）的比值，而圆度表示为滑坡面积（A）与滑坡最小外接圆面积（Ar）的比值.此外，还测量了每个滑坡的最大高差（H）和最大水平运动距离（L），以更全面地刻画群发滑坡的运动特征.高差反映了滑坡的垂直位移程度，水平运动距离则描述了其水平方向的扩展范围.为量化滑坡的运动特性，计算了高差与水平运动距离的比值（H/L），该指标常用于衡量滑坡的运动能力（Zhao et al.，2021）.

2.3　滑坡驱动因素分析方法

基于建立的群发滑坡数据库，利用12.5 m分辨率的数字高程模型（https：//www.gscloud.cn/），对各地形地貌因子进行了统计分析.使用ArcGIS生成了高程、坡度、坡向、起伏度、地形湿度指数、溪流动力指数、地形粗糙度指数和地形位置指数等栅格数据.其中，高程、坡度、坡向和粗糙度数据使用ArcGIS内置工具生成，而地形粗糙度指数、地形位置指数、地形湿度指数和溪流动力指数则通过表1中定义的公式进行栅格计算生成（肖婷等， 2025）.

3 滑坡空间分布与发育特征

3.1　滑坡空间分布特征

本文通过室内遥感解译与现场调查相结合的方法，对“6·16”极端降雨事件诱发的群发滑坡进行了详细的编目和综合分析.滑坡遥感数据主要来自吉林一号卫星和Planet卫星群.如图6所示，吉林一号卫星的影像于2024年8月5日获取，分辨率为0.5 m，包含62景；Planet卫星群的影像获取时间为2024年8月4日和8月5日，分辨率为3 m，共计32景.

基于遥感解译和现场调查情况，共识别解译滑坡35 407处，疤痕区面积合计为41.27 km².从解译结果看，“龙舟水”诱发的群发滑坡呈带状密集分布，其中以梅州市平远县、蕉岭县以及龙岩市武平县、上杭县区域最为密集，最高滑坡点密度高达57处/km²，显示出极高的空间聚集性（图7）.根据降雨历时（图3b），2024年6月15日晚至6月16日清晨，区域降雨主要以低强度为主，对浅表土体产生了初步润湿和滞水效应；而6月16日10∶00至16∶00期间，降雨强度显著增强，小时降雨量持续超过20 mm，累计降雨量快速上升，最终在短时间内超过300 mm，满足了高强度-长历时的触发条件，诱发区域内大规模滑坡集中爆发.此外，结合高精度光学影像和智能识别结果，根据滑坡与建筑物和房屋关系对滑坡类型进行划分，并在现场调查中进行抽样验证.将滑坡划分为自然滑坡、道路开挖滑坡和切坡建房滑坡（图8）.

3.2　滑坡发育特征

3.2.1　滑坡面积特征

根据智能识别与现场调查结果，研究区内滑坡疤痕区的平均面积为1 166.9 m²，主要集中在500~5 000 m²的范围内，占总滑坡数量的62.4%，其中最大滑坡面积达34 141.9 m²，最小面积为26.3 m².进一步分析显示，不同滑坡类型与人类工程活动密切相关，尤其是道路开挖和切坡建房引发的滑坡规模更大（图9）.以上统计数据表明，人类工程活动引起的微地貌改变显著增加了滑坡的规模.

总体而言，“6·16”极端降雨诱发的群发滑坡以中小规模为主.此次群发滑坡的面积-概率密度分布符合逆伽马分布模式（Jain et al.， 2022）.滑坡面积的概率密度曲线在约1 000 m²处出现明显转折点，小面积滑坡（≤1 000 m²）占总滑坡数量的绝大部分，而大面积滑坡（>1 000 m²）的概率密度随着面积增加逐渐降低.

3.2.2　滑坡几何特征

滑坡形状特征通过凸包指数和圆度进行量化分析，结果进一步揭示了滑坡形态学规律.本文选择了基于凸包指数和圆度来分别量化滑坡的紧凑程度和圆度，统计结果如图10所示.统计发现，降雨诱发滑坡的凸包指数和圆度分别在0.9和0.6左右.进一步将滑坡划分为自然滑坡、道路开挖滑坡和切坡建房滑坡.道路开挖导致的滑坡凸包指数和圆度较低，其次是自然滑坡，切坡建房导致的滑坡凸包指数和圆度最高.由于道路开挖通常是在自然坡面上大面积削坡，导致边坡整体变得不规则，滑坡形态往往沿着开挖的非线性边缘发生，造成滑坡轮廓复杂，形状不规则.因此，滑坡的凸包指数和圆度显著降低.而切坡建房通常是在较小范围内进行开挖，工程设计相对精细，常要求较规则的坡面结构.这类滑坡发生时，滑坡体的边界更容易保持整齐，滑动面较为平滑，导致滑坡形态更接近规则的几何形状.因此，滑坡的凸包指数和圆度相对较高.

3.2.3　滑坡流态化特征

滑坡的流动性是衡量其能量释放与运动特征的重要指标.统计结果显示，研究区滑坡的高差平均值为20.3 m，H/L平均值为0.25，表明滑坡事件总体具有较高的流动性.滑坡高差主要集中在10~30 m，频率峰值约为20 m；H/L值主要分布在0.1~0.3，频率峰值接近0.2.这表明，大多数滑坡具有较长的运动轨迹和较强的滑动特性.自然滑坡的高差变化较大，通常发生在地形起伏较大的区域.而相比之下，道路开挖滑坡和切坡建房滑坡的高差变化较小，尤其是切坡建房滑坡，其高差平均值仅约为16 m，反映出这类滑坡多分布于地形相对平缓的区域，滑坡发生时的高差变化较为有限.东南沿海地区的降雨强度大、历时长，这些气候特征导致土壤在短时间内迅速增加含水率，进而引发滑坡.土壤的持水能力和强降雨后水分迅速渗透到土体内，使得土体含水率显著升高，从而增强了滑坡的流动性，使滑坡具有较长的运动轨迹和较强的滑动特性.

在流动性分析中，图11c和图11d通过H/L值揭示了滑坡的陡峭程度.自然滑坡的H/L值平均约为0.25，表明这些滑坡滑动距离较长，流动性较强.相比之下，由人类工程活动引发的滑坡，其H/L值更高，尤其是切坡建房滑坡的H/L值达到0.3，表明这些滑坡更加陡峭，滑动距离较短，流动性较弱.尽管这些滑坡流动性较弱，但通常会直接威胁公路、房屋等关键基础设施，造成较大的经济损失和人员伤亡风险.

4 滑坡驱动因素

4.1　气候生态因素

图12系统展示了滑坡事件数量与降雨量、土地利用类型和归一化植被指数（NDVI）之间的关系.图12a表明降雨量是诱发本次滑坡事件的关键驱动因子：在降雨量超过150 mm的区域，滑坡数量占比达97.57%；超过240 mm时，占比仍高达86.50%.滑坡数量随着降雨强度的增加呈现非线性增长，显示出240 mm以上降雨量条件下群发滑坡风险显著增强.

图12b和图12c进一步揭示了土地利用和植被覆盖对滑坡发生的调控作用.林地和耕地是滑坡事件的主要集中区域，而建筑用地和裸地滑坡数量较少；在NDVI分布上，自然滑坡的滑坡数量随着NDVI值的增加而增加，表明植被密度较高的区域可能更容易发生自然滑坡.相较之下，切坡建房滑坡和道路开挖滑坡在不同NDVI值下的滑坡数量变化较小，表明这些人为因素引发的滑坡数量与植被覆盖度的关系较弱.

4.2　地形地貌因素

基于建立的群发滑坡数据库，对各地形地貌因子进行了统计分析，以探讨地形地貌特征对群发滑坡空间分布的影响规律（图13）.高程分布表明，自然滑坡主要集中于300 m左右，随着高程的增加滑坡数量迅速减少；道路开挖滑坡均匀分布于200~400 m之间，因公路多沿山体修建，未呈现明显的集中区间；切坡建房滑坡集中于200 m以下，因切坡建房活动多发生在山脚位置，分布显著低于自然滑坡.起伏度和地表粗糙度的分析表明，滑坡数量随起伏度的增加而增多，在起伏度为40左右时达到峰值，而地表粗糙度较低区域滑坡最为集中.

地形位置指数显示滑坡主要分布在接近于0的区域，反映滑坡易发于地形平缓或过渡区，这与水分积聚和地表稳定性较差有关.地形湿润指数的分布显示滑坡数量随着湿润指数的增大而升高，在地形湿润指数值为5~9时达到峰值，说明湿润环境下坡体更容易因水分作用而失稳.溪流动力指数进一步支持了这一点，当溪流动力指数值接近0或负值的区域因汇水能力低、排水不畅而滑坡发生频率较高.坡向分布中，自然滑坡在东、南东方向数量最多，表明坡向对自然滑坡的显著影响，而道路开挖滑坡和切坡建房滑坡未表现出明显的方向集中特征.坡度分布显示，3类滑坡集中于25°~35°范围内.自然滑坡在该区间内的分布相对集中，而道路开挖滑坡和切坡建房滑坡分布因其受人类工程活动影响更为分散，随机性较强.

总体而言，地形地貌特征显著影响滑坡分布.自然滑坡主要由地形条件控制，而道路开挖滑坡和切坡建房滑坡更多受到人类活动的驱动.这些规律为滑坡风险评估和防治提供了重要参考.

4.3　地质因素

图14通过母岩岩性统计展示了滑坡在不同岩性中的分布规律.总体来看，滑坡数量最多的岩性为二长花岗岩，占38%，其次是变质砂岩，占20%.钾长花岗岩和流纹岩的滑坡数量较为显著，分别为5 357处和2 476处，而凝灰岩、变粒岩等岩性中的滑坡数量较少.二长花岗岩滑坡集中分布的原因是其风化后形成的残积土层厚且松散，抗剪强度低，降雨入渗进一步软化土层，降低了力学强度，导致滑坡频发.变质砂岩区域尽管母岩强度较高，但风化作用形成的软弱土层和发育的节理裂隙也为降雨渗流提供了路径，削弱了坡体稳定性.从滑坡类型来看，切坡建房滑坡集中在二长花岗岩和变质砂岩区域，占比达到69%，与房屋建设的空间聚集性和坡体扰动密切相关.道路开挖滑坡因施工活动分布较散，未高度集中在某类岩性中，这主要是由于道路施工跨越多个地质单元，不同岩性区域的施工强度和扰动方式差异较大.

图15统计了滑坡在不同土壤类型中的分布和占比情况.其中，红壤区域的滑坡数量最多，总数达28 899处，占滑坡总数的82%.其次是水稻土（4 320处，占比12%）和红壤性土（1 194处，占比3%），这些土壤类型的滑坡数量明显少于红壤.其他土壤类型，如黄红壤、渗育水稻土等，滑坡数量较少.滑坡集中分布于红壤区域，这是由于红壤具有高塑性、易崩解性和高含水性，尤其在降雨条件下，红壤的含水量迅速增加，导致其结构破坏和抗剪强度显著降低.3类滑坡类型均高度集中在红壤区域，一方面，这与红壤的物理力学性质密切相关.另一方面，红壤在研究区的分布面积占比高达81%，其广泛分布也使得滑坡的空间分布在统计上高度集中于红壤区域.

5 讨论

本研究利用YOLOv8s深度学习模型对2024年“6·16”强降雨引发的群发滑坡事件进行了遥感识别，共提取滑坡35 407处，充分体现了遥感解译技术，尤其是深度学习方法在大范围滑坡灾害快速识别与监测中的显著优势.分析表明，极端降雨是本次滑坡的直接诱发因素，滑坡主要集中分布在累计降雨量较大的区域.结合图16所示滑坡演化过程，可以进一步揭示强降雨条件下滑坡的形成机制.图中划分了滑坡响应过程的3个阶段：降雨初期，雨水渗入残积土层，引发地下渗流并逐步使土体趋于饱和（图16a）；中期地表径流增加，地表水沿汇流路径形成冲刷沟壑，加速坡面扰动（图16b）；最终，在持续强降雨作用下，土体完全饱和、抗剪强度降低，导致浅层土体沿滑动面发生滑移，形成流滑型破坏（图16c）.整体来看，极端降雨事件引发的滑坡是降雨过程与地质环境条件相互耦合作用的结果，二者共同决定了滑坡的发生特征.

此外，由人类工程活动引发的滑坡与自然滑坡在特征上存在显著差异.从几何特征来看，自然滑坡的形状相对规则，流动性更强；而道路开挖引发的滑坡形状受非线性开挖边缘控制，造成滑坡轮廓复杂，形状不规则.相比之下，切坡建房通常设计精细，坡面结构较为规则，滑坡形状更接近几何规则形态，但这两类滑坡的流动性均较低.进一步分析滑坡的驱动因素表明，由人类工程活动引发的滑坡具有更高的随机性.道路开挖和切坡建房引发的滑坡显著受线性工程活动或生产聚集区的影响，其在地质环境因素统计中的分布较为离散，随机性强.

本研究不仅揭示了降雨群发滑坡的发育特征与驱动因素，还强调了受人类工程活动影响滑坡的特征差异.因此，在滑坡风险管理中，应针对降雨诱发滑坡与受工程活动影响滑坡制定差异化的防治策略.例如，对于降雨诱发滑坡，应重点加强区域降雨监测与预警系统的建设，结合地形地貌和地质条件开展综合评估，精准识别高风险区域；而对于受工程活动影响滑坡，则需优化边坡设计，完善排水系统，同时在工程区域内部署实时监测设备，动态监控边坡的位移和变形情况，及时识别和应对潜在滑坡风险.通过因地制宜的防治措施，可以更高效地降低滑坡灾害风险，全面保障区域的安全与可持续发展.

尽管本研究在降雨诱发群发滑坡的发育特征及驱动因素方面取得了积极进展，但仍存在一定的局限性.首先，由于高分辨率卫星影像的时效性，滑坡检测可能存在一定的时空偏差，导致部分滑坡的识别不够准确.其次，对于驱动因素的分析主要为定性研究，缺乏精确的量化数据支持.未来研究可进一步结合机器学习或深度学习技术，对驱动因素进行更深入的定量分析，以揭示其对滑坡发生的具体影响并提高研究的精度和适用性.

6 结论

本研究结合遥感解译与现场调查，对2024年极端强降雨触发的闽粤赣边区域群发滑坡进行系统分析，揭示其空间分布规律、形成机制及灾害特性，主要结论如下：

（1）极端降雨驱动下滑坡呈现显著阈值特征与空间聚集性.滑坡数量随降雨强度呈非线性增长，表明高强度降雨是诱发滑坡的核心因素，尤其在降雨量超过240 mm后，群发滑坡风险显著增加.

（2）滑坡形态与诱因密切关联，工程活动显著改变滑坡特征与风险等级.自然滑坡以规则形态和高流动性为特征，主要受地形控制；而切坡建房、道路开挖等人为活动引发的滑坡则形态复杂、流动性较差，但更易造成基础设施破坏.此差异提示，应强化对工程扰动区的地质安全监管，提升重点区域的风险防控能力.

（3）地质条件与地形地貌因素构成滑坡发生的空间控制基础.滑坡高发区主要分布在岩性风化强烈、地形破碎的二长花岗岩和变质砂岩区，尤其在人类活动频繁干扰的区域表现更为集中.合理识别高发区并限制高风险地带的工程开发，是降低滑坡灾害发生率的关键策略.

参考文献

[1] Bai, H. L., Feng, W. K., Yi, X. Y., et al., 2021. Group-Occurring Landslides and Debris Flows Caused by the Continuous Heavy Rainfall in June 2019 in Mibei Village, Longchuan County, Guangdong Province, China. Natural Hazards, 108(3): 3181-3201. https://doi.org/10.1007/s11069-021-04819-1

[2] Chen, B., Zhang, C. C., Li, Z. H., et al., 2024. Developmental Characteristics and Controlling Factors of Landslides Triggered by Extreme Rainfalls on 16 June 2024 in Longyan, Fujian Province. Geomatics and Information Science of Wuhan University, 49(11): 2145-2155 (in Chinese with English abstract).

[3] Chen, W. H., Yu, B., Ye, P., et al., 2024. Regional Prediction of Gully-Type Debris Flow Caused by Shallow Landslides in Fujian. Journal of Natural Disasters, 33(5): 12-22 (in Chinese with English abstract).

[4] Feng, H. J., Zhou, A. G., Tang, X. M., et al., 2016. Development and Distribution Characteristics of Debris Flow in Zhejiang Province and Its Regional Forecast. Earth Science, 41(12): 2088-2099 (in Chinese with English abstract).

[5] Feng, W. K., Bai, H. L., Lan, B., et al., 2022. Spatial–Temporal Distribution and Failure Mechanism of Group-Occurring Landslides in Mibei Village, Longchuan County, Guangdong, China. Landslides, 19(8): 1957-1970. https://doi.org/10.1007/s10346-022-01904-9

[6] Feng, W. K., Jia, B. Z., Wu, Y. Y., et al., 2022. Characteristics and Mechanism of Landslide-Debris Flow Chain Disaster in Low Mountain and Hilly Terrain. The Chinese Journal of Geological Hazard and Control, 33(1): 35-44 (in Chinese with English abstract).

[7] Guo, J., Wang, J., Li, Y., et al., 2021. Discussions on the Transformation Conditions of Wangcang Landslide-Induced Debris Flow. Landslides, 18(5): 1833-1843. https://doi.org/10.1007/s10346-021-01650-4

[8] Hu, Y. M., Du, Y. D., Luo, X. L., 2013. Precipitation Patterns during the “Dragon Boat Water” in South China for the Recent 49 Years. Meteorological Monthly, 39(8): 1031-1041 (in Chinese with English abstract).

[9] Huang, L. X., Chen, J. Q., Li, H. W., et al., 2024. Excellent Tomato Detector Based on Pruning and Distillation to Balance Accuracy and Lightweight. Computers and Electronics in Agriculture, 227: 109520. https://doi.org/10.1016/j.compag.2024.109520

[10] Jain, S., Khosa, R., Gosain, A. K., 2022. Impact of Landslide Size and Settings on Landslide Scaling Relationship: A Study from the Himalayan Regions of India. Landslides, 19(2): 373-385. https://doi.org/10.1007/s10346-021-01794-3

[11] Li, T., Xie, C. C., Xu, C., et al., 2024. Automated Machine Learning for Rainfall-Induced Landslide Hazard Mapping in Luhe County of Guangdong Province, China. China Geology, 7(2): 315-329. https://doi.org/10.31035/cg2024064

[12] Liu, X. P., Yin, K. L., Xiao, C. G., et al., 2024. Meteorological Early Warning of Landslide Based on I-D-R Threshold Model. Earth Science, 49(3): 1039-1051 (in Chinese with English abstract).

[13] Luo, Y., He, S. M., He, J. C., 2014. Effect of Rainfall Patterns on Stability of Shallow Landslide. Earth Science, 39(9): 1357-1363 (in Chinese with English abstract).

[14] Ma, S. Y., Shao, X. Y., Xu, C., 2023. Landslides Triggered by the 2016 Heavy Rainfall Event in Sanming, Fujian Province: Distribution Pattern Analysis and Spatio-Temporal Susceptibility Assessment. Remote Sensing, 15(11): 2738. https://doi.org/10.3390/rs15112738

[15] Qiu, H. J., Su, L. L., Tang, B. Z., et al., 2024. The Effect of Location and Geometric Properties of Landslides Caused by Rainstorms and Earthquakes. Earth Surface Processes and Landforms, 49(7): 2067-2079. https://doi.org/10.1002/esp.5816

[16] Rana, K., Ozturk, U., Malik, N., 2021. Landslide Geometry Reveals Its Trigger. Geophysical Research Letters, 48(4): e2020GL090848. https://doi.org/10.1029/2020gl090848

[17] Sheng, L., 2015. Spatio-Temporal Analysis and Comprehensive Evaluation of Rainfall-Type Regional Landslide (Dissertation). Fuzhou University,Fuzhou (in Chinese with English abstract).

[18] Talaat, F. M., Zain Eldin, H., 2023. An Improved Fire Detection Approach Based on YOLO-V8 for Smart Cities. Neural Computing and Applications, 35(28): 20939-20954. https://doi.org/10.1007/s00521-023-08809-1

[19] Wang, J. H., Yang, S. M., Wei, Z. J., et al., 2018. Characteristics of the Variation of Precipitation during “Dragon-Boat Racing” Season of Guangdong under the Background of Global Climate Warming. Guangdong Meteorology, 40(1): 4-8 (in Chinese with English abstract).

[20] Xiao, T., Liu, Q. L., Deng, M., et al., 2025. Evolution Patterns of Landslide Susceptibility in Three Gorges Reservoir Areas. Earth Science, 50(4): 1625-1637 (in Chinese with English abstract).

[21] Xu, Q., Xu, F. S., Pu, C. H., et al., 2024. Preliminary Analysis of Extreme Rainfall-Induced Cluster Landslides in Jiangwan Township, Shaoguan, Guangdong, April 2024. Geomatics and Information Science of Wuhan University, 49(8): 1264-1274 (in Chinese with English abstract).

[22] Yu, B., Chen, W. H., Feng, W. K., et al., 2023. A Case Study of Shallow Landslides Triggered by Rainfall in Sanming, Fujian Province, China. Environmental Earth Sciences, 82(18): 426. https://doi.org/10.1007/s12665-023-11118-4

[23] Zhang, Z. J., Zou, Y. L., Tan, Y. F., et al., 2024. YOLOv8-Seg-CP: A Lightweight Instance Segmentation Algorithm for Chip Pad Based on Improved YOLOv8-Seg Model. Scientific Reports, 14: 27716. https://doi.org/10.1038/s41598-024-78578-x

[24] Zhao, B., Liao, H. J., Su, L. J., 2021. Landslides Triggered by the 2018 Lombok Earthquake Sequence, Indonesia. CATENA, 207: 105676. https://doi.org/10.1016/j.catena.2021.105676

[25] Zhu, J., Kang, Y. H., Liu, M., et al., 2023. Study on the Development Feature and Rainfall Threshold of “Dragon Boat Water” Geological Hazards in Qingyuan from 2011 to 2022. Mineral Exploration, 14(12): 2480-2491 (in Chinese with English abstract).

基金资助

国家自然科学基金项目(U2005205)

地质灾害防治与地质环境保护全国重点实验室自主课题(SKLGP2024Z025)