学术研究报告：基于可解释XGBoost模型的四川省城镇化对滑坡敏感性的动态影响研究
一、作者与发表信息
本研究由西南交通大学地质科学与工程学院的何宇峰、丁明涛（通讯作者）、段宇、郑浩、吴建波（兼属四川省地质环境调查研究中心和四川华地建设工程有限公司）及冯丽共同完成，发表于《Engineering Geology》期刊2025年第357卷，文章编号108372。
二、研究背景与目标
科学领域与背景：
滑坡是山区最致命的地质灾害之一，而城镇化（urbanization）通过人类工程活动、植被破坏和降水模式改变等因素加剧了滑坡风险。然而，城镇化如何定量影响滑坡敏感性（landslide susceptibility）的动态变化尚未明确。四川省作为中国滑坡高发区，2000–2020年间城镇化率显著提升（不透水地表面积增长137%），为研究这一关联提供了理想案例。
研究目标：
1. 量化2000–2020年四川省滑坡敏感性指数（LSI）的空间分布与变化；
2. 利用可解释机器学习（interpretable machine learning）揭示城镇化对LSI的驱动机制；
3. 提出滑坡风险管理的理论框架与实践建议。
三、研究方法与流程
城镇化类型划分
- 数据来源：使用中国30米年度土地覆盖数据集（CLCD30）将2000年与2020年土地类型重新分类为四类城镇化区域（UTs）：
- 城市区（U）：持续为不透水地表；
- 非城市区（NU）：持续为非城市用地；
- 动态城市化区（DU）：由非城市转为城市；
- 动态非城市区（DNU）：由城市转为非城市。
- 样本量：覆盖四川省全域，面积达4.87×10⁶ km²。
滑坡敏感性评估模型
- 输入变量：9个滑坡条件因子，包括静态因子（高程、坡度、地形起伏等）和动态因子（年降水量AP、归一化植被指数NDVI、道路距离DTR）。
- 模型构建：基于XGBoost算法，通过二阶梯度优化和正则化防止过拟合，利用70%滑坡事件（9992起）训练模型，30%验证。
- 可解释性分析：采用SHAP（Shapley Additive Explanations）值量化各因子对LSI的贡献，揭示非线性关系。
数据获取与处理
- 滑坡数据：来自成都区域气象中心地质灾害预报系统（CRMCGHFS），包含9992起滑坡事件的时间、位置、体积和触发因素（降雨、地震、工程活动）。
- 环境数据：
- 降水数据来自GPM卫星；
- 地形数据源于90米分辨率DEM；
- NDVI数据空间分辨率为250米。
模型验证
- 使用受试者工作特征曲线（ROC）与曲线下面积（AUC）评估模型性能，2000年和2020年的AUC分别为0.835和0.86，表明预测能力优异。
四、主要结果
滑坡敏感性变化
- 2000–2020年间，四川省18.56%的区域LSI显著增加（平均增幅14%），高风险区（LSI>0.74）面积增长31.49%，集中分布于川西和川北河谷地带。
- 城镇化类型差异：
- 城市区（U）和动态城市化区（DU）的极高风险区面积分别增加2791 km²和2316 km²；
- 动态非城市区（DNU）因地震后植被恢复滞后，LSI增幅达17.64%。
关键驱动因子
- 全局分析：高程（ele）和地形起伏（TR）是主导因子，SHAP值显示两者分别通过坡度稳定性和微地貌影响滑坡。
- 城镇化区域差异：
- 城市区（U）：道路建设（DTR）和降水（AP）是主要驱动，距道路250米内滑坡风险显著升高；
- 动态城市化区（DU）：人类活动与植被退化（NDVI<6000）协同加剧敏感性；
- 非城市区（NU）：2008年汶川地震后植被破坏导致NDVI贡献度上升。
五、结论与价值
科学价值：
- 首次通过可解释机器学习量化了城镇化对滑坡敏感性的动态影响，揭示了不同城镇化阶段的驱动机制差异。
- 提出“城镇化—因子耦合—滑坡风险”分析框架，为山区地质灾害研究提供新范式。
应用价值：
- 建议城市规划中加强道路工程的地质风险评估；
- 在动态城市化区优先实施植被恢复工程；
- 针对地震高风险区（如DNU），需制定长期滑坡监测策略。
六、研究亮点
- 方法论创新：结合XGBoost与SHAP方法，解决了传统机器学习模型可解释性不足的问题。
- 动态视角：通过2000–2020年时序数据，捕捉了城镇化进程与滑坡风险的长期关联。
- 区域特异性：揭示了四川省不同城镇化类型的风险驱动机制，为差异化治理提供依据。
七、其他发现
- 城镇化可能通过改变局地气候（如延长降雨持续时间）间接提升滑坡风险，这一机制在U区尤为显著。
- 研究还发现，植被覆盖阈值（NDVI=6000）是抑制滑坡的关键临界值，尤其在DU区需更高植被覆盖以抵消工程活动影响。
该研究为发展中国家的山地城镇化与地质灾害防控提供了重要案例，其方法论框架可推广至其他高风险地区。