滑坡易发性评估的物理模型与数据驱动模型：原理、应用与挑战
作者与发表信息
本文由Chenzuo Ye（东京大学前沿科学研究生院）、Hao Wu（西南石油大学地球科学与技术学院，通讯作者）、Takashi Oguchi（东京大学空间信息科学中心）、Yuting Tang（东京大学/理化学研究所高级智能项目中心）、Xiangjun Pei（西南石油大学/成都理工大学地质灾害防治与地质环境保护国家重点实验室）和Yufeng Wu（东京大学前沿科学研究生院）合作完成，于2025年7月3日发表在期刊《Remote Sensing》（卷17，页2280），采用知识共享许可协议（CC BY 4.0）开放获取。
研究背景与主题
滑坡是全球范围内破坏性最强的地质灾害之一，1998至2017年间导致超1.8万人死亡，年经济损失超百亿美元。滑坡易发性评估（Landslide Susceptibility Assessment, LSA）旨在预测特定区域滑坡发生的概率，其核心挑战在于滑坡触发因素的复杂性（如地震、降雨、岩体力学性质、人类工程活动等）。当前评估模型主要分为三类：知识驱动模型、物理模型（Physically Based Models, PBMs）和数据驱动模型（Data-Driven Models, DDMs）。本文系统综述了两类主流模型（PBMs与DDMs）的原理、应用场景、局限性及未来研究方向，特别关注了二者在跨区域适用性、实时监测数据整合和多源数据融合方面的潜力。
核心观点与论据
物理模型的优势与局限
物理模型基于力学、水文学和材料科学原理（如Mohr-Coulomb破坏准则、Darcy渗流定律），通过输入岩土参数（如黏聚力、内摩擦角、孔隙水压力）模拟滑坡机制。典型模型包括SHALSTAB（浅层滑坡稳定性模型）、SINMAP（稳定性指数制图）和TRIGRS（瞬态降雨入渗与边坡稳定性模型）。例如，在巴西暴雨条件下，TRIGRS生成的易发性地图精度最高，证实其动态分析的实用性。然而，物理模型依赖高精度参数，而地质数据的空间异质性和测量不确定性限制了其在大尺度或数据稀缺区域的应用。例如，Raia等的研究表明，土壤深度和渗透系数的微小变化会显著改变预测结果的空间分布。
数据驱动模型的崛起与瓶颈
数据驱动模型利用机器学习（如支持向量机SVM、随机森林RF）和深度学习（如卷积神经网络CNN、Transformer）从历史滑坡数据中挖掘模式。Yang等提出的CNN模型结合多光谱遥感影像和数字高程模型（DEM），通过多尺度卷积层提取空间特征，显著提升了预测精度。但这类模型常被视为“黑箱”，缺乏物理解释性，且依赖大量训练数据。例如，Tien Bui等在越南山区的研究显示，尽管SVM模型分类效果优异，但其决策过程难以追溯，不利于实际风险管理。
模型整合与未来方向
文献数据库分析
作者构建了包含1078篇文献的数据库（2005–2024年），分析显示：
- 地域分布：亚洲研究占比84.38%（中国、印度、越南为主），非洲和大洋洲不足1%，存在明显研究空白。
- 模型趋势：2016年后数据驱动模型爆发式增长（2024年219篇），而物理模型年均发文量不足10篇。SVM（917次引用）、RF（412次）和CNN（178次）是最常用的算法。
研究价值与亮点
本文首次系统比较了物理模型与数据驱动模型在滑坡易发性评估中的协同潜力，提出“物理约束+机器学习”的混合框架，为跨学科研究提供方法论指导。其创新点包括：
1. 多尺度建模策略：明确物理模型在局部精细化分析（如边坡工程）与数据驱动模型在区域筛查（如灾害规划）中的互补性。
2. 动态数据同化：强调实时遥感数据（如NASA的LHASA系统）对提升模型时效性的作用。
3. 可解释性突破：通过SHAP值解析机器学习模型的决策逻辑，弥合“黑箱”与工程需求间的鸿沟。
应用前景
该综述为地质灾害管理提供了三大实践路径：
1. 预警系统：混合模型可整合实时降雨预报与岩土参数动态更新，提升预警精度。
2. 土地利用规划：高分辨率易发性制图（如基于Swin Transformer）可识别高风险区，优化基建布局。
3. 气候变化应对：气候驱动模型（如IPCC情景下的极端降雨模拟）可评估长期滑坡风险演变。
（注：全文术语均按首次出现时“英文（中文）”格式标注，后续统一使用中文术语。）