极端降雨事件滑坡敏感性——以海河流域“23·7”特大暴雨为例

摘要

全球气候变化和人类活动造成的极端降雨事件频发为滑坡触发预警和分析带来了新的挑战，单次暴雨事件诱发滑坡已具有普遍性和广泛性，目前机器学习算法为极端事件滑坡敏感性制图工作提供了更精准和高效的解决办法，但仍存在模型种类复杂、适用性和可解释性差等问题。鉴于此，本研究以海河“23·7”流域性特大洪水伴随的滑坡事件作为背景，选取北京市为研究区，基于GF-6影像、GF-7高精度地形数据和实地勘测，构建滑坡样本集，并筛选出13个典型致灾因子，利用极限梯度提升(eXtreme gradient boosting, XGBoost)、梯度提升决策树(gradient boosting decision tree, GBDT)、类别提升(categorical boosting, CatBoost)、随机森林(random forest, RF)和决策树(decision trees, DT)5类模型和沙普利加性解释(shapley additive explanations, SHAP)特征解释器的集成，探究海河流域极端降雨事件灾后滑坡敏感性制图的模型性能，结果表明：(1)北京市滑坡中高风险区集中于西部、西南部，高风险区域与极端降雨区域以及沟道走向线高度重合。(2)XGBoost-SHAP的AUC值和KS值分别为0.980 49和0.841 60,表现出最优越的性能。(3)高程、坡度、归一化植被指数(normalized difference vegetation index, NDVI)、极端事件降雨量和年平均降水是诱发华北土石山区滑坡的主要影响因素，极端降雨事件中致灾因子相比常规事件诱发滑坡阈值更低。研究成果通过评估滑坡敏感性制图模型，描述滑坡灾害各影响因子的交互作用与空间分布特征，以期为华北土石山区极端降雨条件下滑坡灾害预警提供参考，并为地质灾害综合治理提供理论指导和科研支撑。

关键词

滑坡 / 敏感性制图 / 极端降雨事件 / 机器学习模型 / 模型评估 / SHAP