2024年12月14日，云南省中老孟缅自然资源遥感监测国际联合实验室赵志芳教授领衔的研究团队，在Ecological Indicators上发表了题为“Identification and susceptibility assessment of landslide disasters in the red bed formation along the Nanjian-Jingdong Expressway”的文章，研究发现，Stacking集成模型在预测滑坡易发性方面表现最佳，年平均降雨量和地形起伏是影响滑坡发生的关键因素。研究结果为该区域的滑坡灾害易发性分区、预防控制和风险管理提供了重要参考。
研究背景：研究区位于云南省南涧县至景东县的南涧至景东高速公路沿线，属于红层地层区域。该区域以明显的软硬互层和水敏性强为特征，导致滑坡灾害频繁发生。南涧高速公路全长约96.85公里，于2021年12月31日正式通车。该地区地质构造复杂，地形起伏大，年平均降雨量为1086.7毫米，植被覆盖密集，对滑坡识别构成挑战。

重要发现：过去的研究多依赖单一轨道数据，未能充分考虑复杂地形引起的几何畸变，导致在某些区域难以准确识别滑坡。不同坡向对SAR图像的敏感性不同，上升和下降轨道图像对不同坡向的监测效果有差异。需要综合应用多样的地球科学数据，从观察到的变形现象转变为建立与灾害相关的变形特征。除此之外，采矿、建筑和农业扩张等人为活动可能引起地表变形，影响InSAR结果。 年平均降雨量、地表起伏度、坡度梯度、DEM和NDVI是影响滑坡易发性的重要因素，其中年平均降雨量最为关键。岩性因素在模型中的重要性相对较低，这与研究区大部分位于红层且岩性差异不明显有关。地形因素与气候因素的影响。 综合模型相较于单一模型能更有效地提高预测能力，尤其在区域易发性研究中表现更优。在模型设计中需要平衡准确性与复杂性，并注重数据质量，使用适合不平衡数据集的评估指标，并整合不同的机器学习模型以适应特定的应用场景。

总结：该研究利用SBAS-InSAR技术监测南涧高速公路沿线的地面形变，选取了145景上升和下降轨道的Sentinel-1数据，结合光学影像，对研究区内的滑坡进行了全面识别，高精度地识别出521个滑坡点。其中，495个滑坡点来自上升轨道结果，另有26个滑坡点来自下降轨道结果。不同评估模型因子的重要性表明，年平均降雨量和地形起伏是显著的影响因素，这与研究区的实际条件相符，因为该区域位于红层地带，以构造侵蚀和高山地形为主，使得滑坡发生对降水高度敏感。除此之外，该研究采用Stacking方法整合了随机森林（RF）、XGBoost和CatBoost三种模型，并比较了这四个模型（RF、XGBoost、CatBoost和Stacking）的结果，结果表明Stacking模型表现出色，相较于单一模型有显著改进，在研究区的滑坡易发性评估中提供了更高的准确性和可靠性。
研究前景与应用：在未来的研究中，计划获取更高精度的数据以完善滑坡灾害点的识别和监测，为易滑坡区域的基础设施设计提供必要证据，并及时向居民发出警报，制定应急响应计划。

作者信息：云南大学国际河流与生态安全研究院曹一凡为论文第一作者，云南大学地球科学学院赵志芳教授为论文通讯作者

原文链接：https://doi.org/10.1016/j.ecolind.2024.113002