印度喀拉拉邦极端降雨事件下的滑坡易发性深度学习模型研究

作者及发表信息
本研究由A.L. Achu（印度喀拉拉渔业与海洋大学气候变异与水生生态系统系）、Jobin Thomas（美国密歇根理工大学地质与采矿工程系）、C.D. Aju（印度喀拉拉大学地质系/印度热带气象研究所）、H. Vijith（喀拉拉邦灾害管理局）及Girish Gopinath（喀拉拉渔业与海洋大学）合作完成，发表于2023年12月的《Geomorphology》期刊（卷448，文章编号109033）。

学术背景
研究领域为地质灾害预测，聚焦于滑坡易发性建模（landslide susceptibility mapping）。印度西高止山脉（Western Ghats）南段因印度夏季风（Indian summer monsoon）极端降雨事件（extreme rainfall events, EREs）频发，导致滑坡灾害加剧。传统滑坡易发性图基于历史滑坡数据生成，但极端气候下其预测能力存疑。本研究旨在通过深度神经网络（Deep Neural Network, DNN），探讨以下问题：
1. 基于正常年份滑坡数据训练的模型能否有效预测极端降雨下的滑坡；
2. 整合极端事件滑坡数据后，模型精度如何提升。

科学背景上，滑坡是全球致死率最高的地质灾害之一，印度16%的非地震滑坡发生于西高止山脉。喀拉拉邦因地形陡峭、土壤覆盖层厚且人为活动干扰，成为高风险区。2018年8月的极端降雨引发341起大型滑坡，凸显传统模型的局限性。

研究流程与方法
1. 数据准备
- 滑坡编录：整合3575处滑坡数据（2017年前949处，2018-2020年EREs期间2284处），来源包括印度地质调查局（GSI）数据库、Google Earth影像解译及实地验证。
- 环境因子：选取16个滑坡诱发因子，如岩性、地形（坡度、坡向）、土地利用（kappa指数0.915）、距道路/水系距离等，基于30米分辨率SRTM DEM（Shuttle Radar Topography Mission Digital Elevation Model）生成衍生指标（如地形湿度指数TWI）。通过多重共线性分析（VIF <5、容忍度>0.1）剔除冗余因子（如地形粗糙度指数TRI）。

1. 模型构建与验证

   • DNN模型设计：采用三层隐藏层（每层50个神经元）、ReLU激活函数和Softmax输出层，通过25折交叉验证优化超参数（表2）。使用R语言h2o包实现。
     
   • 三种模型对比：
     
     • DNN-2017：仅用2017年前数据训练（70%训练集，30%测试集）；
       
     • DNN-CV：用2017年前数据训练，EREs数据验证；
       
     • DNN-2020：全数据集（3575处）训练与测试。
       
   • 性能评估：ROC曲线下面积（AUC）、灵敏度（sensitivity）、特异性（specificity）及Kappa指数。
     

2. 滑坡易发性制图

   • 将滑坡易感性指数（LSI）分为五级：极低、低、中、高、极高。
     
   • 对比DNN-2017与DNN-2020的空间分布差异，分析EREs数据对模型的影响。
     

主要结果
1. 模型性能
- DNN-2020表现最优（训练AUC=0.973，测试AUC=0.964），显著优于DNN-2017（AUC=0.922）。
- DNN-CV验证显示，2017年前数据训练的模型仍能有效预测EREs滑坡（AUC>0.90），但整合EREs数据后精度提升（极高易发区面积增加3.46%）。

1. 关键诱发因子

   • 坡度（slope angle）、距水系距离（distance to streams）、TWI及距道路距离（distance to roads）是主导因子。
     
   • 岩性上，90%滑坡发生于花岗片麻岩复合体（Peninsular Gneissic Complex）与混合岩带（Migmatite Complex）；土地利用中，混合用地（农业与建筑交错区）占滑坡总数的50%。
     

2. 空间分布变化

   • DNN-2020预测喀拉拉邦13%面积为极高易发区，集中于Idukki、Palakkad等5个县。与DNN-2017相比，极高易发区新增375 km²（图13b），主要因EREs导致的中高易发区升级。
     

3. 与传统模型对比

   • 现有国家地球科学研究中心（NCESS）加权证据模型低估了56%的EREs滑坡，而DNN-2020准确识别83%的历史滑坡位置（表7）。
     

结论与价值
1. 科学意义
- 证实DNN在数据有限条件下仍具高预测力，但整合极端事件数据可显著优化模型（如极高易发区边界更精确）。
- 揭示了极端气候下滑坡诱发因子的动态权重变化（如道路开挖的敏感性增强）。

1. 应用价值
   
   • 为喀拉拉邦灾害管理部门提供风险知情规划（risk-informed planning）工具，支持边坡加固与居民点选址。
     
   • 模型以KML文件形式公开（补充材料2），便于GIS平台集成。
     

研究亮点
1. 方法创新：首次将DNN应用于热带山地滑坡预测，结合多时相滑坡数据验证模型泛化能力。
2. 极端事件响应：量化了EREs对易发性分区的调整效应（如Idukki县新增极高风险区）。
3. 可解释性：通过变量重要性分析（图10）阐明地质-气候-人为活动的交互作用。

局限与展望
未考虑局部岩土参数（如覆盖层厚度）的异质性，未来可结合钻孔数据优化模型。此外，预测不确定性需通过密集野外调查进一步验证。

（全文约2000字）