台风降雨下的区域滑坡风险系统评估：以2016年9月浙江泰顺为例

为何山坡在强暴雨中会崩塌

当强台风登陆时，人们通常首先担心风和洪水。但在陡峭多雨的地区，另一种危险正在悄然发生：整座山体可能突然失稳。本研究聚焦于这样一次事件：2016年9月台风莫兰蒂在浙江泰顺县触发了数千处滑坡。通过拼接卫星影像、降雨记录与先进的计算模型，研究人员展示了强降雨、崎岖地形与局地地理如何共同作用，将原本稳定的绿坡转变为快速流动的土体洪流。

地面失稳的分布在哪里

研究团队聚焦于中国东南部常受台风影响的一片山地。利用莫兰蒂前后拍摄的高分辨率卫星影像并结合实地核查，他们在约3400平方公里范围内绘制出4102处滑坡点。大多数滑坡规模较小，但合计超过6平方公里。滑坡呈带状聚集，沿中部山带西北—东南向分布，与最强降雨带相吻合。许多坡面留下狭长的裸土和破碎植被的疤痕，这是该区域雨驱动型滑坡的典型形态。

降雨、山体、河流与森林的协同作用

为弄清为何邻近坡面有的失稳、有的保持稳定，科学家考察了九个关键因子：海拔、坡度、坡向、岩性、植被、土地利用、地表湿润度、距河流距离以及暴雨总量。他们发现滑坡多发于中等海拔（约400–800米）且较陡的坡面（25–40度）。朝南和东南的坡向更易失稳，因为这些坡面直接暴露于季风性降雨。松软且风化深厚的岩层，尤其是白垩纪砂岩与泥岩，构成了薄弱基础。中等植被覆盖和林地往往出现在较陡且土层较厚的坡面，这些环境能存储更多水分并坐落于更脆弱的地层，因而与更多滑坡相关——这并非树木引发滑坡，而是这些条件使坡体更易被水促发。靠近河流也会增加风险，因为河水能冲蚀坡脚，在暴雨期间更易诱发失稳。

智能模型如何揭示隐含模式

随后，研究人员转向自动化机器学习，将这些要素转化为实用的危险性图。他们把所有已绘的滑坡点与等量的稳定点输入到一个“集成”计算模型中，这些模型通过示例学习。该系统称为AutoGluon，会测试并组合多种模型以找到最可靠的组合。最优的组合模型能够以很高的精度区分不稳与稳定坡面。将其预测绘制成地图后，高危或极高危区域与莫兰蒂期间实际发生滑坡的地点高度一致，尤其集中在中部山带。团队还使用了称为SHAP的方法来打开模型的“黑箱”，衡量各因子对坡面趋向失稳或安全的推动强度。

找到灾害的临界点

解释性工具显示，三个因素最为关键：降雨量、坡面所处海拔与坡度。模型内部评分在关键四天内累计降雨量达到约160–180毫米时出现跃升，标志着一个临界点，超过该值坡面不稳定性迅速增加。海拔与坡度表现出类似的阈值行为：中山地、从中等到很陡的坡面比低缓丘陵或高大岩峰更易发生失稳。其他因子如岩性、山谷湿润度与植被则在不同程度上非线性地上调或下调风险。这些模式共同解释了为何滑坡呈密集簇集分布，而非在景观上均匀散布。

将洞见转化为预警

通过结合精细绘图、卫星降雨数据与可解释的机器学习，本研究为台风降雨如何在地面诱发滑坡提供了更清晰的认识。对非专业读者和地方官员而言，核心信息很直白：当极大降雨落在中等海拔、较陡、河流切割且有林地覆盖的坡面时，突发性坡体失稳的风险会急剧上升。此框架可推广到其他易受风暴侵袭的山地，帮助主管部门将监测、预警与防护工程有的放矢地部署到最可能发生滑坡的地区。

引用: Xie, C., Xu, C., Xu, X. et al. A systematic assessment of regional landslide risk under typhoon rainfall: a case study of Taishun, Zhejiang, China in September 2016. Sci Rep 16, 10857 (2026). https://doi.org/10.1038/s41598-026-46166-w

关键词: 滑坡, 台风降雨, 山地灾害, 机器学习, 预警