在巴基斯坦北部复杂地形中使用机器学习的综合多灾害评估

这则山地故事为何重要

巴基斯坦北部的洪扎河谷以其巍峨的山峰和冰川闻名——但它也是全球最危险的地貌之一。陡峭的坡面、融化的冰雪、猛烈的风暴以及活动断层意味着村庄、道路和大型工程同时暴露于多种灾害之下。该研究展示了如何将现代数据与机器学习相结合，绘制出一幅单一且易于使用的图景，显示多种灾害重叠的区域，从而有助于保护该脆弱高山地区的人口、基础设施和关键通道。

一个面临多重威胁的河谷

洪扎区位于崎岖的喀喇昆仑山脉，河谷切穿从约1800米到近7800米的高差。巨大的冰川补给洪扎河，洪扎河则向下游数百万居民提供水源和电力。但正是这些造就强大供水功能的力量，也带来了危险。夏季强降雨、快速的雪冰消融、松散的土壤和活动断层共同导致滑坡、泥石流、突发洪水以及冰湖溃决（GLOF）。地震可以震动已然破碎的山坡，触发连锁的坍塌和洪水。由于道路、房屋和耕地被挤压在狭窄的河谷底部，即使是中等强度的事件也可能造成严重后果——过去的灾害就曾毁坏村庄、阻塞河道并切断喀喇昆仑公路，这是巴基斯坦通往中国的唯一陆路通道。

从零散地图到一幅整体图

迄今为止，大多数研究只关注单一灾害——例如只看滑坡或只看洪水。这种方法忽视了灾害可能同时发生或相互触发的情况，也可能误导必须为现实环境设计道路、桥梁和聚落的规划者。作者旨在为洪扎构建一幅综合的“多灾害”视图。他们收集了广泛的信息：精细高程数据、地形坡度与曲率、与河道和道路的距离、降雨模式、土地覆盖与植被、积雪与冰川指标、基底岩性，以及现有的冰湖危险和震动强度图。总共考虑了18项地理环境因子，以反映水、重力、气候和地质在地表的相互作用。

教会一片数字林读懂土地

为了将这座数据山转化为有意义的指引，团队使用了一种基于森林的分类与回归模型，这是流行的“随机森林”方法的一种实用形式。他们首先编制了灾害发生点的清单——滑坡、山洪、泥石流、地震易损区和冰湖溃决区——并将这些位置与每一点的环境条件相匹配。算法随后学习哪些坡度、降雨、岩性、植被及其他因素的组合最能区分危险点与相对安全点。通过在不同样本上反复构建大量决策树并对其结果取平均，模型为每种灾害生成了可靠的易损性图。统计检验显示模型表现良好，意味着其能在多数情况下正确区分高风险与低风险区域。

危险在哪里叠加

在生成各个单项地图后，研究人员将它们统一尺度并合成为一幅多灾害图。结果显示，洪扎超过40%的区域暴露于至少一种显著灾害之下，且有较小但关键的区域同时面临多种威胁。约五分之一的区域高度易于发生单一的滑坡，而其他区域则主要受到山洪或泥石流的威胁。最令人担忧的地区——尽管面积相对较小——是地震震动、泥石流、滑坡和山洪同时发生的重叠地带。这些重叠的热点聚集在河道沿线以及喀喇昆仑公路沿线的河谷中下部，这里集中着聚落、耕地和重要基础设施。即便被分类为“低风险”的区域，往往也被冰川和积雪覆盖，这提醒规划者未来变暖可能改变风险格局。

将地图转化为更安全的未来

对非专业读者而言，关键信息很直接：在像洪扎这样的地貌中，单一灾害无法讲述全部。该研究证明，通过整合卫星数据、实地观测、专家判断与机器学习，可以绘制出清晰的地图，显示多重威胁在哪里重叠、哪里最需采取保护行动。尽管该工作侧重于易损性——即自然过程可能导致破坏性事件的可能性——它为更明智的土地利用决策、更安全的道路与大坝选址，以及有针对性的预警与疏散规划提供了有力基础。随着气候变化持续加剧极端天气并加速冰川消融，这类综合的数据驱动工具将对帮助巴基斯坦及世界各地的山地社区适应并发展至关重要。

引用: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

关键词: 多重灾害制图, 山地灾害, 机器学习, 洪扎河谷, 减灾