基于遥感的滑坡预测与风险评估：一种混合 CNN–LSTM 深度学习模型

知道山坡可能失稳在哪里为何能挽救生命

滑坡可能在毫无预警的情况下发生，掩埋房屋、阻断道路并破坏关键基础设施。在山区，尤其是降雨强烈且地面已承压的地方，人们在难以凭肉眼判断稳定性的坡下生活和通行。本研究展示了卫星数据与一种先进的模式识别计算模型如何协同工作，精确定位大范围内最可能发生滑坡的区域，为规划者和应急管理者提供一种强有力的新工具，以降低风险。

从太空观察有危险的山坡

研究人员把注意力放在伊朗东南部的克尔曼省，这里山峰高耸、山谷深切、平原干旱，地形由活动断层和严酷气候塑造。在这种崎岖地带，传统的现场调查速度慢且难以覆盖。因此，研究组转向遥感：利用能揭示地表覆盖与植被的卫星影像，以及描述地形高低和陡度的数字高程模型。从这些资料中提取出坡度角、坡向以及表明水如何汇集或流动的指标。他们还绘制了各点与河流、道路和断层的距离，并将土地利用从农田到裸岩进行分类。

追踪水随时间的变化

但滑坡并非仅由地形驱动。降雨或水库蓄水会逐步削弱坡体直到失稳。为捕捉问题的这一动态面，研究汇编了每日降雨和水库水位记录。对于区域内的每个点，模型回溯到已知滑坡发生前或未发生期间的最近30天，查看有多少水进入以及日间变化如何。这个滚动的一个月窗口使方法能够识别不仅是极端暴雨，也包括许多连日降水逐渐使地面饱和的累积效应。

教会混合模型读懂空间与时间

研究的核心是一个混合深度学习模型，结合了两种互补技术。其中一部分，卷积神经网络，擅长识别空间上的模式。它检查堆叠的地形和土地利用层的局部块，学习哪些坡度、岩性等因素的组合常与既往滑坡相关。另一部分是长短期记忆网络（LSTM），用于处理序列数据。它阅读30天的降雨与水库水位序列，学习哪些时间模式最危险。模型将这两条信息流——坡位和近期湿润状况——融合为每个位置的滑坡可能性评估。

用真实滑坡进行测试

为了评估系统性能，作者整理了719处来自报告、现场核查和高分辨率影像的已记录滑坡，并匹配了等量的稳定地点。他们将数据分为训练集和独立测试集，确保模型在学习时从未见过测试样本。面对未见样本时，混合模型能在超过95%的情况下正确区分滑坡与非滑坡点，并在标准诊断曲线上取得接近最高的分数。它的表现优于常用方法，如支持向量机、决策树、随机森林，甚至优于仅使用空间或仅使用时间的简单深度学习模型。

将预测转化为有用的地图

利用训练好的模型，团队为克尔曼省的每个网格单元生成连续的滑坡发生概率，然后将结果分类为低、中、高和极高易发性。约四分之一的区域落入高风险组，主要位于降雨和水库变动明显的陡坡上，而大约三分之一被认为低风险。将作者的地图与独立的滑坡清单叠加后发现，超过86%的已记录事件位于高和极高区，表明模型的警示与实际失稳高度一致。对输入要素的分析证实，坡度陡峭是主导因素，其次是近期累计降雨和水库水位变化。

这对现场人员意味着什么

简而言之，研究证明了将来自卫星的“在哪里”信息与关于水的“何时”信息结合起来，比单独使用任一类数据能更清晰地描绘滑坡危险。混合模型并不能精确预报坡面会在哪一天失稳，但它能揭示在典型湿润条件下哪些区域本质上更脆弱。这些信息可用于指导更安全的道路与建筑选址、标出需要保护或监测的村庄与基础设施，并帮助应急规划者把有限资源集中于最需要的地方。这一方法也具有可扩展性：在拥有合适数据的情况下，可适用于其他面临重力与水域威胁的山区。

引用: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

关键词: 滑坡易发性, 遥感, 深度学习, 风险制图, 危险预测