Andrea Siposova、Rudolf Mayer（SBA Research）、Matthias Schlögl（GeoSphere Austria）和Jasmin Lampert（AIT）
气候变化导致全球极端天气事件的频率和强度发生变化，对奥地利阿尔卑斯山等山区的影响尤为严重。有利于自然灾害（如滑坡）的条件预计会增加。这种重力质量运动所造成的潜在损害强调了加强对其发生可能性的认识的重要性。在KIRAS[L1]资助的奥地利项目gAia中，我们开发了一种数据驱动的方法，为利益相关者提供可操作的知识，以提高备灾能力，帮助决策制定，支持适应措施，使我们的社会更具气候适应性。
虽然气候变化的影响在全球范围内显现出来，但欧洲阿尔卑斯山也受到了严重影响，冰川消退和永久冻土解冻已经构成了明显的后果[L2]。此外，降雨模式的变化，尤其是降雨强度和持续时间的增加，将影响重力质量运动的发生[1]。暴雨引发的过程类型尤其如此，例如浅层滑坡。
重力自然灾害给人们带来安全风险，并可能对基础设施造成广泛破坏[2]。因此，了解其发生的可能性对于积极主动的空间规划、有效的缓解和适应措施以及总体上减少灾害风险至关重要。估算滑坡发生概率的滑坡敏感性模型是生成滑坡灾害图的有力工具。然而，与任何机器学习模型一样，它们的性能取决于训练数据和标签的质量，从而取决于观测到的滑坡的代表性清单。尽管努力记录历史事件，但目前存在的清单不完整或不准确，例如滑坡发生的时间、确切的区域、事件规模或过程类型。此外，缺乏一种综合方法，将数据融合的定性和多模态方面考虑在内。因此，需要可靠的方法来自动检测滑坡或可能导致滑坡的情况。机器学习技术提供了一种标准化、高效的方法来补充和验证现有库存。
在gAia[L3]中，我们的目标是将这两种方法结合起来，为利益相关者提供可操作的知识，以支持资源分配、空间规划优先次序设定或环境影响评估方面的复原战略。
检测
通过遥感方法检测到的滑坡事件补充了现有库存。除了基于地理对象的图像分析用于在高分辨率数字地形模型（DTM）中检测和描绘滑坡外，我们还在gAia项目中使用哥白尼哨兵-2图像。两个传感日期之间植被的变化是滑坡的代表。利用Sentinel-2图像的近红外和可见光红色光谱带导出的归一化差异植被指数（NDVI）来捕获这些信息。随后，对于每对图像，计算邻域相关性图像（NCI）。通过合并像素邻域信息，我们旨在改进仅使用计算指数进行的滑坡检测。新计算的图像允许捕捉图像中的变化量和方向。由于滑坡区域和滑坡附近区域植被的预期行为彼此不同，因此可以捕捉到这些事件。
卫星图像的空间分辨率是从空间进行滑坡检测时需要解决的一个重要障碍，即捕捉地面上的细微变化。使用NCI的另一个好处是放大精细的空间变化，以便随后进行时间变化检测。为了进一步缩小检测到的变化范围，仅包括重力质量运动引起的变化，可以使用其他数据模式。合并天气数据增加了另一层支持信息，因为它为潜在的滑坡触发提供了背景。异常检测算法可以识别天气数据中的异常模式，例如强降水、指示雷暴的高风速以及其他可能指示即将发生滑坡事件的因素。最终，融合检测到的事件或来自不同来源的预测，例如卫星图像、天气数据和邻里环境信息（NCI），为滑坡检测提供了一种比单独使用这两种模式更全面、更可靠的方法。
敏感性建模
滑坡敏感性建模本质上是一个概率二进制分类问题。观察到的滑坡证据（即滑坡清单）被用来标记正面实例，而没有记录历史滑坡的区域则被视为负面实例。由于最近受滑坡影响的地球表面面积远小于未受影响的面积，这导致数据集严重失衡。通过分层抽样方法和在模型构建中使用类权重来解决类不平衡问题。
我们使用多个地貌和物理气候变量作为易感性模型中的独立特征。例如，这些特征包括反映暴雨事件的气候指标、坡度和表面粗糙度的地形指标、地质、地表径流或到最近道路的距离。总的来说，在gAia项目中，超过50个特征被用于建模，这些特征已经与专家进行了整合[3]。更具体地说，我们使用非参数机器学习模型的集合来预测平均估计值和一系列可能的结果，这些结果用于传达模型预测的不确定性范围。图1显示了基于随机森林模型集合的滑坡敏感性模型的典型可视化。
图1：滑坡易发性图（左）和相应的不确定性（右）。基于随机森林模型集合估计平均敏感性。高值表明滑坡发生的倾向性增加。不确定度是集合标准偏差，数值越高，表示估计值的不确定性越高。
见解
将专家知识与数据驱动模型相结合，以获得更可靠的滑坡易感性图，这是改进不完整或矛盾的灾害事件清单的一种有效方法，这在气候相关应用中通常是如此。为了使我们的社会更具气候适应性，应使用这些方法，通过受影响地区的缓解和适应措施，加强积极的空间规划和减少影响。
gAia由奥地利研究促进局（FFG）和联邦农业、地区和旅游部根据拨款协议FO999886369通过KIRAS合作研究和创新项目安全研究计划资助。
链接：
[第一层]https://www.kiras.at/en/financed-proposals/detail/predicting-landslides-entwicklung-von-gefahrenhinweiskarten-fuer-hangrutschungen-aus-konsolidieter-inventardaten
[L2]https://doi.org/10.1017/9781009157896
[第三层]https://www.sba-research.org/research/projects/gaia/
参考文献：
[1] D.Maraun等人，“未来可能发生的气候和土地利用变化下，阿尔卑斯山前陆发生严重滑坡事件”，《通信地球与环境》，第3卷（1），第87期，2022年。[在线]。可用：https://doi.org/10.1038/s43247-022-00408-7。
[2] M.Schlögl等人，“滑坡敏感性与交通基础设施之间的关系——基于主体的方法”，《自然灾害与地球系统科学》，第19卷（1），2019年，第201-219页。https://doi.org/10.5194/nhess-19-2019。
[3] J.Lampert等人，“gAia:基于综合库存数据预测滑坡——桥接需求和限制”，载于《2022年灾害研究日》，第43–45页，2022年。
请联系：
Rudolf Mayer，SBA Research，奥地利
正在保护此电子邮件地址免受垃圾邮件攻击。您需要启用JavaScript才能查看它。
Andrea Siposova，SBA Research，奥地利
正在保护此电子邮件地址免受垃圾邮件攻击。您需要启用JavaScript才能查看它。
