全球气候变化背景下未来滑坡易发性预测研究学术报告

一、研究团队与发表信息
本研究由西南交通大学（Southwest Jiaotong University）地球科学与工程学院段宇（Yu Duan）、丁明涛（Mingtao Ding）等主导，联合古巴环境署、莫斯科国立大学（Moscow State University）、奥地利BOKU大学等国际机构共同完成，发表于2025年《Geoscience Frontiers》第16卷，题目为《Global projections of future landslide susceptibility under climate change》。论文采用开放获取形式，遵循CC BY-NC-ND 4.0许可协议。

二、学术背景与研究目标
滑坡（Landslide）是全球最常见的自然灾害之一，过去20年间每年导致超4000人死亡，且气候变化可能加剧其发生频率与危害。然而，当前全球尺度滑坡易发性（Landslide Susceptibility）在变暖气候下的时空演化规律尚不明确。传统研究多依赖物理模型（Physical Modelling）或单一机器学习模型，受限于数据精度或泛化能力不足。为此，本研究提出以下目标：
1. 开发基于多模型集成（Ensemble Modeling, EM）的滑坡易发性预测框架；
2. 利用CMIP6（Coupled Model Intercomparison Project Phase 6）多气候模式数据，预测四种共享社会经济路径（Shared Socioeconomic Pathways, SSPs）下2021–2100年全球滑坡易发性；
3. 识别高风险国家与地区，并分析其机制。

三、研究流程与方法
1. 数据收集与预处理
- 滑坡目录：整合NASA全球滑坡目录（Global Landslide Catalog, GLC）和致命滑坡数据库（Global Fatal Landslide Database, GFLD），筛选2001–2020年降雨诱发滑坡事件5714例。
- 环境因子：包括动态指标（年均降水量，Mean Annual Precipitation, MAP）和静态指标（坡度、NDVI、道路密度、DEM等9项），空间分辨率统一为0.15°。
- 气候数据：从CMIP6的14个全球气候模式（Global Climate Models, GCMs）提取四种SSP情景（SSP1-2.6至SSP5-8.5）下历史期（2001–2020）及未来四阶段（2021–2100）的降水数据，通过双线性插值降尺度处理。

1. 模型构建与验证

   • 机器学习模型：集成随机森林（Random Forest, RF）、逻辑回归（Logistic Regression, LR）、支持向量机（Support Vector Machine, SVM）、多层感知机（Multilayer Perceptron, MLP）和极限梯度提升（eXtreme Gradient Boosting, XGB）五种算法，通过Python平台实现。
     
   • 非滑坡点采样：以滑坡点为中心生成0.25°缓冲区，随机选取等量非滑坡点，避免类别不平衡问题。
     
   • 模型优化：采用网格搜索算法（Grid Search）调参，基于ROC曲线（Receiver Operating Characteristic）和AUC值（Area Under Curve）评估性能，EM的AUC达0.9707，显著优于单一模型。
     

2. 滑坡易发性预测与分析

   • 空间分布：利用自然断点法将结果划分为极低、低、中、高、极高五类，计算滑坡易感性指数（Landslide Susceptibility Index, LSI）。
     
   • 时空变化：对比基线期与未来情景下各等级面积比例变化，识别热点区域（Hotspots）。
     
   • 国家尺度评估：结合未来人口与GDP数据，分析高风险国家暴露度。
     

四、主要结果
1. 基线期滑坡易发性格局
- 全球13%的陆地面积为极高风险区，集中在美洲科迪勒拉山脉、安第斯山脉、欧洲阿尔卑斯山脉、非洲埃塞俄比亚高原、亚洲喜马拉雅山脉及东南亚国家。
- 年均降水量（MAP）和坡度是两大关键驱动因子（贡献度最高）。

1. 未来情景下的变化趋势

   • 整体趋势：所有SSP情景下，全球滑坡易发性均呈上升趋势，SSP5-8.5情景（高排放）在2081–2100年增幅最大（约1%）。
     
   • 热点区域：东南亚（Southeast Asia, SE.AS）变化最显著，77.2%区域易发性上升；南亚（如印度）人口暴露度最高，2081–2100年约5.9亿人生活在极高风险区（占全球平均值的23倍）。
     

2. 国家尺度风险

   • 面积最大：中国、印度、巴西的极高风险区面积超全球平均10–20倍；中国在SSPs各阶段均居首位。
     
   • 经济影响：中国、美国、印度是极高风险区GDP最高的国家，SSP5-8.5情景下经济损失显著增加。
     

五、结论与价值
1. 科学意义
- 首次基于多模型集成与CMIP6多情景预测全球滑坡易发性，填补了气候变化与滑坡关联的大尺度研究空白。
- 揭示降水格局变化与极端事件增加是滑坡风险上升的主因，为灾害预警提供理论依据。

1. 应用价值
   
   • 高风险国家（如中国、印度）需优先制定适应策略，包括监测网络优化、基础设施加固及气候适应型规划。
     
   • 提出的EM框架可推广至其他地质灾害预测，具有方法学普适性。
     

六、研究亮点
1. 方法创新：融合五种机器学习模型，通过改进的AUC加权集成方法提升预测精度。
2. 数据全面性：整合CMIP6多模式数据与静态环境因子，避免单一模型偏差。
3. 前瞻性分析：耦合未来人口与经济数据，量化社会暴露度，支撑可持续发展目标（SDGs）。

七、其他价值
研究指出季节性降水变化与冻土融化可能进一步加剧滑坡风险，建议未来纳入季节性因子与冰川退缩效应以完善模型。