基于混合 CNN-TRIGRS 与矩阵方法的特定降雨情景下滑坡危险性评估：以中国浙江省梅山镇为例

为何山体滑动与日常生活息息相关

滑坡听起来像是罕见的山地灾害，但在许多丘陵小镇，每逢雨季它们就威胁着房屋、道路和电力线路。在华东的梅山镇，台风频发与长时间的阴雨常常浸润社区上方的坡面。本研究探讨了一种新的方法，用以在不同类型降雨下精确识别景观中最可能失稳的部分，为当地规划者和居民提供关于何处危险最大、何时最有可能发生滑坡的更清晰指引。

处在陡坡与强降雨之间的小镇

梅山镇位于低山地区，海拔多在160至250米之间。页岩等弱岩层风化形成松散的土层，覆盖在更坚硬、渗透性较差的基岩上。当雨水渗入这些土层时，沿着与基岩的接触面可能产生水压积聚，使该界面变得润滑。再结合陡坡和汇集地表径流的沟槽，这一地质条件使该地区易发生剥离上层土体的浅层滑动，周围山坡上记录的45处滑坡簇状分布验证了这一模式。

将智能学习与边坡物理相融合

为了解滑坡最可能发生的位置，研究人员结合了两类工具。首先，他们使用了一种称为卷积神经网络的人工智能方法，该方法直接从数据中学习模式，而不依赖人工挑选的规则。它考察了十个可能影响边坡失稳的要素，包括高程、坡度、岩性、与河流和道路的距离以及植被覆盖等，为每个30×30米的栅格单元分配一个易损性得分。其次，他们使用了基于物理的边坡模型来模拟降雨如何渗入地表并降低坡体的安全裕度，通常以安全系数表示。该模型（称为TRIGRS）跟踪风暴期间不断变化的水压如何能将坡面从稳定推向不稳定。

在同一山坡上测试多种暴雨情景

团队选取了来自十年局部气象记录的四种现实降雨情景，涵盖数天持久热雨、中到大雨及短时强烈云暴等。对于每种情景，TRIGRS 估算了各坡面进入不同稳定性等级（从非常稳定到非常不稳定）的比例。结果表明，干旱条件下大部分区域是安全的，但高强度降雨，即便仅数小时，也会显著扩大最不稳定区，特别是在流域边缘的陡坡和过去滑坡集中的中部山岭。降雨持续时间也很重要，但研究发现强烈的短时暴雨尤其容易迅速削弱边坡强度。

用于合并“何处”和“何时”的清晰网格

将这些信息转化为实用的危险性图需要一种方法，把每个栅格单元的长期易损性与其在特定降雨下的短期稳定性合并。研究者构建了一个简单的决策矩阵，将五个级别的易损性与五个级别的稳定性交叉列联。每种组合被赋予一个五级的危险性等级，从非常低到非常高。例如，一个在给定风暴下既高度易损又不稳定的单元被标为高或非常高危险，而低易损且稳定的单元仍然保持低危险。这个基于规则的表格使合并结果易于解释：每一危险类别既反映了地面固有的易发性，也反映了其对特定降雨模式的响应。

对居住在风险坡地居民的意义

当团队将其危险性图与已知滑坡位置对比时，超过90%的历史滑坡落在高和非常高危险区，几乎没有发生在非常低危险区。这一显著的一致性表明，混合方法即便在缺乏复杂监测网络的地区也能可靠地标识危险区域。尽管该方法仍依赖高质量输入数据且无法捕捉地形的每一处微小特征，但它为地方当局提供了一种高效且透明的手段，用于土地利用规划、坡面检查优先级排序以及根据具体风暴类型定制预警，有助于像梅山镇这样的社区更安全地与周围山坡共存。

引用: Wang, Z., Wang, Z., Shi, F. et al. Assessment of landslide hazard under specific rainfall scenarios based on a hybrid CNN-TRIGRS and matrix approach: a case study of Meishan Town, Zhejiang Province, China. Sci Rep 16, 16200 (2026). https://doi.org/10.1038/s41598-026-46051-6

关键词: 滑坡危险性, 降雨, 边坡稳定性, 神经网络, 危险性制图