第八届青年地学论坛

得益于滑坡遥感识别技术的发展，数字化的滑坡数据快速增长，机器学习成为了滑坡科学研究的重要工具之一。绝大多数的机器学习研究都集中于滑坡易发性评估，根据历史滑坡记录和诸多地理特征以识别空间中的滑坡易发区域。虽然滑坡易发性评估有助于区划研究，但无法直接用于滑坡时空预测，后者需要动态地评估暴雨中不同时刻滑坡发生可能性的变化，为滑坡预警提供重要的依据。开发基于机器学习的滑坡预测模型的首要任务是将每个历史滑坡与将其诱发的暴雨联系起来（Xiao等，2022）。但不是每个滑坡数据库都能满足条件，大多数滑坡数据库仅记录滑坡的空间位置而缺乏准确的滑坡时间。其滑坡数据主要来自一定时间段内的地质调查或遥感图像解译，仅能确定可能发生滑坡时间的范围。数据不完整的问题，即缺乏滑坡时间信息，是大多数机器学习研究停留在滑坡易发性评估的主要原因。无论采用多么先进的机器学习算法，如果不解决这个问题，就永远无法实现滑坡预测。

本文提出了一种基于机器学习的滑坡概率化建模策略，旨在针对滑坡时间信息缺乏的情况开发一种滑坡时空预测模型。采用香港1984-2017年间的419场降雨及其滑坡数据验证了所提模型的有效性。结果表明，机器学习方法在预测能力和精度上都显著优于其它数据驱动方法。所提模型可以为滑坡预警和风险管理提供实时决策工具，极大地推动了滑坡机器学习研究从易发性评估到时空预测的跨越式发展。

滑坡,机器学习,风险,不确定性