基于SBAS-InSAR和堆叠集成学习模型对中国周口县动态滑坡易发性评估

《Advances in Space Research》：Dynamic Landslide Susceptibility Assessment in Zhouqu County, China, Based on SBAS-InSAR and a Stacking Ensemble Learning Model

　　

邢尧关|彭晨|刘航|郑立|邱良才|朱成昌|杨红|姚一斌|李祖峰

西安科技大学测绘学院，中国西安710054

摘要

滑坡易发性评估是区域滑坡风险管理的重要基础。周曲县位于青藏高原东缘的滑坡易发区；然而，该地区的现有易发性研究在负样本选择、动态信息整合和模型可解释性方面仍存在局限性。本研究提出了一种基于堆叠集成学习模型的动态滑坡易发性评估框架，该框架结合了SBAS-InSAR衍生的变形信息。利用74幅降轨Sentinel-1 SAR图像，获得了范围从-78.6到96.5毫米/年的视距（LOS）变形率。负样本从极低速变形区选取，并通过空间排除已记录的滑坡来进一步限制标签噪声，并引入了基于变形的动态校正矩阵来修正静态易发性结果。结果显示，堆叠模型的AUC达到0.986，整体准确率为95.0%，优于单个基础学习器。动态校正将极低易发性区域从48.4%降低到30.4%，将极高易发性区域从10.5%降低到1.7%，有效识别了静态模型忽略的活跃变形区域，同时合理降低了已稳定的历史滑坡的易发性等级。2023年和2024年的多时相比较进一步表明，InSAR变形信息可以显著提高易发性地图的时间敏感性。此外，特征重要性排名在不同评估期间存在显著变化，这突显了在构造活跃区域定期重新评估易发性的必要性。

引言

滑坡是全球山区最具破坏性的地质灾害之一，对人类生命和财产构成严重威胁，并限制了区域的可持续发展（Guzzetti等人，2020年）。周曲县位于青藏高原东缘，由于其陡峭的地形、发育良好的断层和集中的降雨量，是中国滑坡极为易发的地区（Chen等人，2024年；Zhang等人，2025年）。2010年的灾难性泥石流事件导致超过1500人死亡，受影响地区的Suo’ertou和Xieliu斜坡等大型古滑坡自灾难发生后持续发生蠕动，持续威胁着白龙河流域居民的生命和财产安全（Wang等人，2022年；Y. Zhang等人，2023年）。因此，开发能够准确识别活跃滑坡并进行动态风险评估的方法已成为该地区灾害预防和缓解的迫切需求。

滑坡易发性评估（LSA）是区域滑坡风险管理的关键工具，旨在预测滑坡发生的空间概率分布（Reichenbach等人，2018年）。近年来，由于机器学习方法具有强大的非线性拟合能力（Chen等人，2022年；Huang等人，2024年；Merghadi等人，2020年），包括随机森林（Sun等人，2020年）、XGBoost（Dou等人，2020年）和LightGBM（Sun等人，2023年），这些方法在LSA中得到了广泛应用。然而，单个模型往往存在高偏差或方差问题，导致泛化能力有限。为了解决这个问题，堆叠等集成学习策略通过整合多个异构基础学习器有效提高了模型的稳定性和预测准确性（Lu等人，2024年）。尽管建模技术不断进步，现有的LSA研究仍主要依赖于海拔、岩性和距河流距离等静态因素；这些因素无法反映斜坡的当前运动状态，从而导致易发性结果与实际风险之间存在时间滞后，因此容易遗漏处于蠕动阶段的潜在活跃滑坡（Ciampalini等人，2016年；Wei等人，2024年）。

为了克服静态因素的局限性，地表变形作为反映斜坡运动状态的最直接动态指标受到了广泛关注（Cascini等人，2013年）。以PS-InSAR和SBAS-InSAR为代表的时间序列InSAR技术在缓慢移动滑坡的早期识别和变形监测方面取得了显著成功（Bekaert等人，2020年；Chang等人，2025年；Crosetto等人，2016年；Dai等人，2023年；Zhou等人，2025b）。因此，将InSAR衍生的变形信息整合到LSA框架中已成为研究热点。现有研究采用了两种主要的整合策略：一些研究直接将变形率作为评估因素纳入基于机器学习的建模中（Chen等人，2023年；He等人，2024年；Kulsoom等人，2023年），而其他研究则利用InSAR结果动态校正静态易发性结果（Tian等人，2025年；Wei等人，2024年；Yao等人，2023年）。这些研究表明，InSAR衍生的变形信息可以有效补偿静态因素中的时间滞后，为动态易发性评估提供了新的见解。鉴于周曲县古滑坡复合体的广泛分布，其中许多仍处于持续蠕动状态，将InSAR技术整合到区域LSA框架中具有重要的实际意义。

然而，现有研究仍存在以下局限性：（1）关于负样本选择，传统方法主要依赖于随机采样或地形约束筛选（Liu和Deng，2024年；Lu等人，2024年；Zeng等人，2023年）；然而，很少有研究利用InSAR衍生的变形率来排除蠕动活跃区，这可能导致潜在的活跃滑坡被错误标记为负样本，从而引入标签噪声并降低模型训练质量；（2）在动态易发性制图方面，两个关键挑战尚未得到充分解决：首先，现有研究主要集中在三峡库区等特定区域，而青藏高原东缘复杂山区（包括周曲县）的动态易发性评估仍相对有限；其次，真正的动态LSA不仅需要整合变形信息，还需要能够捕捉不同监测阶段易发性空间分布的时间变化，而这在现有研究中很少系统地进行研究；（3）关于模型可解释性，尽管已经引入了SHAP等方法来揭示主导控制因素的机制，但对于青藏高原东缘复杂山区（如周曲县）的可解释性分析仍然缺乏；此外，不同评估阶段特征重要性的时间变化对于理解控制因素如何动态演变至关重要，但在现有研究中尚未得到充分关注。

为了解决上述问题，本研究以周曲县为研究区域，开发了一种基于堆叠集成学习的动态滑坡易发性评估框架，该框架结合了SBAS-InSAR衍生的变形信息。本文的结构如下：第2节介绍研究区域和数据来源，包括InSAR数据、滑坡清单和条件因素数据集；第3节详细介绍了方法论，涵盖了SBAS-InSAR数据处理、基于堆叠集成学习的静态易发性建模、结合InSAR衍生变形信息的动态易发性校正以及基于SHAP的可解释性分析；第4节报告了SBAS-InSAR变形监测结果、通过集成学习获得的静态易发性评估结果以及结合变形信息的动态易发性校正结果；第5节讨论了动态易发性评估框架的时间适应性和堆叠集成策略的预测优势；第6节总结了主要结论。

章节摘录

研究区域

周曲县位于甘肃省南部，处于青藏高原东缘和秦岭山脉西部的过渡地带，地理坐标范围为103°51′E至104°45′E和33°13′N至34°01′N，总面积约为3010平方公里（图1a-b）。该地区以典型的高山峡谷地貌为特征，海拔范围从1173米到4504米，相对高差超过3300米，坡度

方法论

本研究的技术工作流程如图3所示。首先收集了研究区域的基本地理和遥感数据，包括DEM、光学遥感图像、Sentinel-1 SAR数据和滑坡清单数据。使用GMTSAR（通用测绘工具合成孔径雷达）和MintPy（Miami InSAR时间序列Python）软件包，对2023年1月至2025年6月期间获取的降轨Sentinel-1 SAR数据进行了SBAS-InSAR处理

SBAS-InSAR变形监测结果

使用SBAS-InSAR方法得出的周曲县年平均视距（LOS）变形率的空间分布如图6(a)所示。在本研究中，使用降轨Sentinel-1 SAR数据进行了时间序列变形反演，其中正值表示沿雷达视线的地表向卫星运动，负值表示地表远离卫星运动。

监测结果显示，从2023年1月到2025年6月，年平均LOS

动态易发性评估框架的时间适应性

为了进一步评估所提出的动态评估框架的时间适应性，本研究将InSAR监测数据分为两个独立时期（2023年和2024年），并分别应用了堆叠模型和堆叠-InSAR动态模型。尽管堆叠模型更新了每个时期的降雨量和NDVI等时间敏感因素，但大多数条件因素保持不变，导致空间差异有限

结论

本研究以周曲县为研究区域，开发了一种基于堆叠集成学习的动态滑坡易发性评估框架，该框架结合了InSAR衍生的变形信息。主要结论总结如下：

(1) 使用74幅降轨Sentinel-1 SAR图像进行了SBAS-InSAR时间序列变形反演，得出研究区域的年平均LOS变形率范围为-78.6至96.5毫米/年；累积位移为

未引用参考文献

Zhang等人，2023a；Zhang等人，2023b。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本研究部分得到了国家自然科学基金（项目编号42374037和42504043）、陕西省教育厅资助的科学研究计划（项目编号24JE014和24JK0543）、精密测量科学与技术创新研究院的国家级重点实验室（项目编号SKLPG2025-3-2）以及陕西省自然科学基础研究计划（项目编号2025JC-YBQN-331）的支持。Sentinel-1A