该文档属于类型a，是一篇关于滑坡敏感性评估的原创研究论文。以下是详细的学术报告内容：
本研究由Songlin Liu（重庆大学土木工程学院博士候选人）、Luqi Wang（重庆大学土木工程学院博士后）、Wengang Zhang（重庆大学土木工程学院教授，通讯作者）等合作完成，其他作者包括Weixin Sun、Jie Fu、Ting Xiao和Zhenwei Dai，分别来自中国地质调查局水文地质环境地质中心、中南大学地球科学与信息物理学院、中国地质调查局武汉中心等机构。论文发表于Geoscience Frontiers期刊2023年第14卷，文章编号101621，开放获取（CC BY-NC-ND 4.0许可）。
研究领域与动机
滑坡是山区最严重的自然灾害之一，尤其在三峡库区，因地形复杂、水位波动及人类活动影响，滑坡频发，造成重大经济损失和人员伤亡。传统的滑坡敏感性评估方法分为三类：基于知识的方法（knowledge-based）、基于物理模型的方法（physics-informed）和数据驱动方法（data-driven）。近年来，机器学习因其处理非线性问题的优势被广泛应用，但纯数据驱动模型存在两大问题：
1. 负样本（non-landslide samples）质量不足：传统方法随机选取平坦区域或远离滑坡点的样本，可能误分类未发现的滑坡区域；
2. 模型可解释性差：机器学习被视为“黑箱”，缺乏物理机制支持。
本研究提出一种物理-数据双驱动模型（physics-informed data-driven model），结合三维极限平衡分析软件Scoops 3D与随机森林算法（Random Forest），旨在提升滑坡敏感性预测的准确性和可解释性。
研究区域：湖北省三峡库区巴东县和秭归县，总面积约185,900平方公里。选取距水库水体1.5公里范围内的区域（图1b-c），包含194处历史滑坡记录。
影响因子：共16项（表1），包括地形（高程、坡度、曲率）、环境（NDVI、TWI）、人类活动（工程活动距离）及水文（距水体距离、下游流长）等。数据来源于政府数据库（如资源环境科学数据中心、NASA GRACE）及现场调查。
数据处理：
- 使用ArcGIS生成30米×30米网格（总计1,002,672个单元），计算各因子值；
- 通过“Near”功能计算距水体、断层和地震的缓冲距离；
- 地震影响半径通过公式 ( r = 100 \times d \times m )（d为震源深度，m为震级）转换。
Scoops 3D分析：
- 输入：土壤深度（59-127米，图5）、岩土参数（黏聚力30 kPa、内摩擦角18°、容重16 kN/m³）；
- 方法：采用Bishop简化法的三维扩展（Reid et al., 2015），计算每个网格单元的最小安全系数（Factor of Safety, FS）；
- 负样本选择：从FS > 1.5的“安全区域”随机选取194个点（与正样本数量一致），避免传统随机选取的偏差。
随机森林模型构建：
- 基准模型：正样本（历史滑坡点）+ 随机负样本（距滑坡点500米外）；
- 双驱动模型：正样本 + Scoops 3D筛选的负样本；
- 参数优化：网格搜索（Grid Search）确定最佳超参数（max_depth=15, n_estimators=150）；
- 评估指标：受试者工作特征曲线下面积（AUC）。
科学价值：
- 首次将Scoops 3D与随机森林结合，为区域滑坡敏感性评估提供了新范式；
- 解决了负样本质量不足的难题，提升了模型泛化能力。
应用价值：
- 可为三峡库区滑坡风险管理和防灾规划提供高精度决策支持；
- 方法可推广至其他地质复杂区域的灾害评估。
创新点：
1. 提出物理-数据双驱动框架，兼顾准确性与可解释性；
2. 开发了基于FS阈值的负样本优化方法；
3. 揭示了水库水位波动对滑坡敏感性的主导影响。
（报告完）