近日，我室孙德亮副教授团队在山地公路滑坡易发评价方面取得重要研究进展，论文“Assessment of landslide susceptibility along mountain highways based on different machine learning algorithms and mapping units by hybrid factors screening and sample optimization”发表于国际学术期刊《Gondwana Research》。联合重庆大学文海家教授和重庆理工大学张凤太教授在不同喀斯特地貌下的滑坡易发评价方面取得重要研究进展，论文“Insights into landslide susceptibility in different karst erosion landforms based on interpretable machine learning”发表于国际学术期刊《Earth Surface Processes and Landforms》  

公路是山区与外界连接的生命线，山地地区，大部分公路建在山坡上。建造过程中，人类工程活动等很容易破坏生态环境和改变地质条件，诱发滑坡等地质灾害。如何预测滑坡的发生是迈向山体滑坡灾害和风险评估的第一步。

本研究通过对城口县山区公路3公里宽度作为目标区域，初步确定了20个滑坡条件因素，包括地形要素、地质条件、环境条件、人类活动等方面，并采用不同单元与机器学习方法进行分析预测，以期找到最合适的评价单元和方法进行滑坡易发性评价。

图1 研究流程图

选取两种地貌差异显著的喀斯特地貌作为研究区(合川为低海拔丘陵地貌，云阳为中小起伏低山地貌)。基于15个条件因子，使用贝叶斯优化后的RF和XGBoost模型构建了两地的滑坡易发性评价模型。利用SHAP模型从全球和局部两个角度探讨了滑坡的形成机制。结果表明，XGBoost模型的曲线下面积（AUC）值在两个不同地形区分别为0.791和0.761，RF模型的AUC值分别为0.844和0.817。接着选择模型精度较高的RF模型进行后续的可解释性研究。本研究提出了一个综合全面的可解释框架RF-SHAP模型，可以在全局和局部两个层面衡量因素的重要性和因子的变化和阈值，使滑坡易发性预测结果更加真实和透明。

将重庆市按照起伏度划分为台地、丘陵、小起伏山地、中起伏山地；按照海拔划分为低海拔、中海拔与高海拔。得到云阳县合川区的不同地貌占比。

                              图2 地貌类型划分标准

利用两种算法构建了两地的滑坡易发性区划模型，结果表明RF模型有着较高的精度。接着采用RF-SHAP进行可解释研究。基于SHAP模型构建了两地的滑坡因子重要性排序图。

                                     图3 两地因子重要性排序图

以上研究由国家自然科学基金（批准号：41901214）、国家重点研发计划（批准号：2018YFC1505501）、中央高校基本科研业务费（2021CDJKYJH036）、重庆市自然科学基金（批准号：cstc2020jcyjmsxmX0841）和重庆市教委科技研究计划（批准号：KJQN201800511）等资助。

(供稿：太阳成集团tyc122cc地理信息科学系）