冰湖作为冰川融水主要储蓄载体，能在一定程度延缓区域冰川淡水资源流失，但也为冰湖溃决洪水(Glacial Lake Outburst Floods, GLOFs)、滑坡、泥石流等山地灾害发生提供了孕灾场所，是众多山地冰川灾害链的重要环节。升温、极端气候变化扰动下，冰川物质亏损/减薄速率进一步加剧，冰湖形态变化速率加快、GLOFs发生频次与规模有所提升、灾害影响效应愈发显著，对高海拔山地冰川区下游居民生命财产和基础设施安全带来潜在风险。鉴于此，本文以冰湖与GLOFs研究为主题，首先，通过冰湖研究文献计量分析确定了近些年研究热点专题；其次，围绕山地冰川冰湖与GLOFs研究的3个主要方向：冰湖与GLOFs遥感监测、冰湖时空演化与冰川变化分析及未来潜在冰湖探测、冰湖灾害风险评估与GLOFs案例研究，遴选10项重要专题内容，分门别类、系统梳理总结、剖析了国内外研究进展，阐述了当下研究存在不足；最后，针对所选专题结合技术发展趋势与研究热点问题，围绕冰湖形态信息与GLOFs智能提取、冰川-冰(前/面)湖系统演化及其气候变化响应关系、冰湖监测预警与灾害防治内容，对未来研究做了一定展望，以期为山地冰川冰湖灾害管理与适应性规划提供借鉴与参考。

遥感影像蕴含丰富的语义信息，在滑坡灾害监测任务中发挥出了重要的作用。传统的滑坡识别主要通过遥感目视解译和人机交互识别，存在耗时费力、主观性强和提取精度低等问题。语义分割作为深度学习中的一项重要任务，因其端到端的像素级分类能力，已在遥感影像自动化识别任务中发挥出了重要作用。现有遥感影像滑坡灾害语义分割模型通常无法顾及多尺度地物特征，且随着网络深度增加会造成边界模糊等问题。本文提出了AED-Net（Attention combined with Encoder-Decoder Network），使用浅层特征提取网络缓解深度神经网络造成的边界模糊问题，利用空洞空间卷积池化金字塔结构的多尺度特征提取能力，结合编码器-解码器结构的特征还原能力还原边界信息，并使用通道注意力机制强化模型的关键特征学习能力。利用GID-5数据集针对模型中空洞卷积的膨胀率设置、通道注意力机制的选择进行对比试验以得到最优解，最终得到的模型在毕节市滑坡灾害数据集上获得了最优表现，像素准确度为95.58%，平均像素精度为89.24%，平均交互比为82.68%，相比PSP-Net、Attention U-Net、加入ECA注意力机制的DeeplabV3+、PA-Fov、LandsNet等语义分割模型，PA提升了0.73%~1.97%，MPA提升了1.0%~2.84%，MIoU提升了2.25%~5.11%，达到了最优分割效果。

地震滑坡解译是震后重建的重要基础工作,主要通过室内人工遥感解译和室外野外调查确定。地震滑坡相比其他地物来说更为复杂,很难通过简单指数识别。室内遥感解译通过滑坡后壁、侧壁和堆积等纹理特征进行识别,大面积同震滑坡解译工作往往耗费大量人力和物力,且耗时长,难以满足灾害应急需求。本研究利用U-net神经网络模型,结合Google Earth Engine（GEE）云平台和人工智能学习平台Tensorflow,以地震局解译的汶川滑坡作为样本数据,以震后30 m分辨率的Landsat影像、高程、坡度以及NDVI数据作为模型输入参数,自动识别并获取了汶川地震后的同震滑坡数据,同时比较了不同参数组合情况下U-net神经网络模型的分割识别精度。研究表明：① U-net模型可以用于以Landsat影像为基础数据的同震滑坡快速自动识别;② 随着高程、坡度以及NDVI等输入参数增加,模型分割精度在逐渐提高,但假阳性结果也会出现增多,震后滑坡影像+高程+坡度+NDVI的输入参数组合精度最高;③ 在细节上,模型在多参数组合的情况下,大型滑坡能够很好被识别,一些较小型的滑坡受制于影像分辨率的影响,分割精度较差。为了更好识别小型滑坡,后续研究可能需提高影像的分辨率。此外,GEE云平台大大提高了训练样本获取的效率,为科研人员快速进行基于神经网络与遥感数据的地物识别研究提供了条件。

我国是受地质灾害影响最大的国家之一，研究高精度、高可靠性的滑坡形变监测与预测方法对于防灾减灾工作具有切实意义。以三峡库区藕塘特大滑坡为例，针对时序InSAR技术滑坡形变提取过程中面临大气干涉效应问题，在时序InSAR滑坡形变提取中引入GACOS进行大气校正，并通过GNSS观测数据进行验证对比；针对滑坡形变预测前较少考虑时空分析的问题，计算莫兰指数、Hurst指数分析滑坡形变时空特征；针对滑坡形变不仅受历史形变影响，还与多种影响因子密切相关的问题。本文提出将滑坡影响因子与形变量耦合用于滑坡形变预测，并采用结合变分模态分解（Variational Mode Decomposition, VMD）和麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的长短期记忆网络（Long Short-Term Memory, LSTM）模型进行预测。通过VMD分解滑坡位移数据为趋势项、周期项和随机项，构建LSTM网络结构并使用SSA寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率，同时通过数据归一化、正则化和模型评估等方法提升LSTM模型的性能和稳定性，最后利用影响因子与分解后的位移数据训练LSTM模型并完成预测，得到滑坡形变的预测结果。结果表明： ① 2021年1月—2023年6月藕塘滑坡形变最高与最低速率分别为-72.75 mm/a、50.74 mm/a； ② 研究区形变具有正向空间自相关性、沉降区域滑坡形变具有持续趋势； ③ 结合VMD和SSA优化的LSTM模型滑坡形变预测误差仅为0.37 mm，较LSTM的精度提升了11.004%。本文基于时序InSAR技术，结合时空分析结果，构建了一种耦合多个影响因子与滑坡形变的高精度预测模型，为滑坡灾害的防治提供了重要的参考依据。

地面沉降是由自然和人类活动共同作用导致的缓变性地质灾害，是区域可持续发展的重要影响因素。以往地面沉降在建模时需要地裂缝等不连续结构的位置、走向、深度等信息，在构建微分方程模拟时需假设模型连续，这对开展地面沉降-地裂缝-地面塌陷一体化模拟带来一定的局限性。于2000年出现的近场动力学理论提出以积分形式描述材料受力过程，方法具有无需先验知识与连续性假设的优点，在材料的疲劳、损伤、断裂等模拟研究中展现出良好的应用前景。本文综述了其在岩石水力压裂、滑坡、饱水岩土材料等领域的研究进展；提出了应用近场动力学进行区域地面沉降建模求解的一般方法；结合InSAR技术获取的沉降信息、三维地震频谱谐振勘探技术获取的地下结构与密度信息等，提出了模型的反演调参与优化方法。以北京东部梨园-台湖镇-张家湾镇区域为实验区，建立了其4 km×6 km范围、0.2 km深度的近场动力学地面沉降模型，以实验区地下水位月均下降速率为边界条件，对2007—2010年地面沉降过程进行模拟。模拟结果与实测值的平均绝对误差为18 mm，表明近场动力学在地面沉降建模中有较好的适用性。

我国西部山区滑坡灾害频发，精确评估滑坡易发性对地质灾害防治至关重要。结合统计方法与机器学习模型的集成模型已广泛的应用于滑坡易发性评价，然而对其结果的进一步优化仍值得考虑。本文提出一种耦合统计方法、机器学习模型以及聚类算法的综合评价方法，以宁南县为例，研究其对滑坡易发性评价精度的提升效应。该方法首先将信息量法（Information Value, IV）、确定系数法（Certainty Factor, CF）和频率比法（Frequency Ratio, FR）分别与随机森林模型（Random Forest, RF）结合，得到三种集成模型（IV-RF、CF-RF、FR-RF）。此后，引入ISO聚类算法对三种集成模型的结果进行分级，得到三种耦合模型（IV-RF-ISO、CF-RF-ISO、FR-RF-ISO）。AUC值（Area Under the Curve）、准确率、F1分数和种子单元面积指数（Seed Cell Area Indexes，SCAI）被用于评估模型的精度。结果显示，集成模型性能均优于单一模型，其准确率和F1分数均大于0.85，AUC值均大于0.9。其中FR-RF模型表现最优，准确率（0.911）、F1分数（0.912）和AUC值（0.965）较FR模型分别提升了0.095、0.096和0.074。与自然断点法和Kmeans聚类法相比，引入ISO算法的耦合模型FR-RF-ISO分级效果最优，其高低易发区SCAI值的差异更为显著。本研究成果表明，耦合统计方法、机器学习与聚类算法的综合评价方法具有较高精度，为提高滑坡易发性评价精度提供思路。

突发性地质灾害危险性评估对灾害防治与风险管理具有重要意义。由于不同地区影响灾害发生的因子各不相同，实际评估过程中难以全面客观地选取适宜的评估因子。机器学习对处理灾害系统的高维非线性问题独具优势，但因模型难以调优而评估效果有限。本文尝试提出一种双向优化的滑坡危险性评估方法：在构建因子敏感性指数开展定量敏感性分析的基础上，结合重要性分析、相关性分析、共线性分析构建四维(Four-Dimensional, 4D)特征筛选法用于评估因子综合优选；为克服模型难以调优的问题，引入差分进化(Differential Evolution, DE)算法优化支持向量机(Support Vector Machine, SVM)与多层感知机(Multi-Layer Perceptron, MLP) 2种推广能力较强的机器学习模型。最后，以福建省滑坡为例，开展评估方法研究。研究表明：4D特征筛选法能更加客观全面地选取适宜性更高的危险性评估因子，从而降低数据维度、减少信息冗余以提升评估模型性能；DE算法对SVM与MLP具有显著的优化效果，有益于增强模型滑坡危险性的评估准确度，DE-SVM、DE-MLP相较于未优化前模型的AUC值分别提升了4.43%与4.37%；基于双向优化的滑坡危险性评估结果表明，降雨与土地利用类型对福建省滑坡发生具有重要影响作用，福建省滑坡极高危险区普遍年均降雨较高、地形复杂多变，极低危险区主要位于东南沿海一带及闽江流域两侧。本研究为滑坡危险性评估中的影响因子客观选取与机器学习模型调优提供了一定思路。

为解决基于机器学习的滑坡易发性建模存在的单模型分类能力弱和传统随机抽取非滑坡样本准确性不高的问题，本研究以三峡库区奉节县为例，应用优化的非滑坡样本和Stacking异质集成机器学习模型进行滑坡易发性建模研究。首先，基于地形、地质和遥感影像等数据提取16个评价指标并进行相关性分析，剔除高相关指标，构建易发性评价指标体系；其次，基于信息量模型提出非滑坡样本选取（Non-Landslide Sampling, NLS）指数；最后，应用NLS指数选取更高质量的非滑坡样本，并与滑坡样本组成训练集；采用随机森林(Random Forest, RF)，轻量级梯度提升树（Light Gradient Boosting Machine, LGBM），梯度提升决策树（Gradient Boosting Decision Tree, GBDT），以及以三者为基模型的同质（Boosting）和异质（Stacking）集成方法进行易发性建模。结果表明：应用NLS指数能选取得到质量更高的非滑坡样本，提升了易发性建模精度；Stacking异质集成机器学习模型的精度最高，为0.941，优于3个同质集成模型和3个单模型，表明异质集成算法能显著提升机器学习建模的性能，是一种可靠的滑坡易发性评价方法。本研究的结果将有助于提升区域滑坡灾害风险评估的精确度。

滑坡灾害对国家基础设施工程产生了严重的威胁，开展工程区域滑坡灾害危险性评价对于铁路运行安全至关重要。滑坡危险性评价通常可以概括为频率分析法、概率分析法以及确定性分析法，其中基于降雨入渗-积水机制角度建立物理确定性模型可以获得更为客观的评价结果，具有良好的适用性，但其通常需要大量的岩土参数参与计算，易受岩土参数的时空变异性以及不确定性等因素影响，存在一定的局限性。为进一步提升滑坡危险性评价的预测精度，本文以高家湾滑坡为研究区，基于粒子滤波算法，利用SBAS-InSAR观测数据对TRIGRS模型中的安全系数（Fs）进行同化，同时更新模型的内摩擦角参数。结果表明：同化后高家湾滑坡的安全系数呈现出逐渐降低的趋势，且坡体前缘的安全系数明显低于坡体后缘，与当前观测更为接近；实现了内摩擦角参数的实时更新，使参数逐渐向观测值方向修正；模型的均方根偏差从0.17降低至0.04，使模型预测结果与实际观测更为接近。因此，基于粒子滤波同化方法的滑坡危险性评价可以更准确地体现当前滑坡的实际情况，具有更高的预测精度。

山区城镇化的建设会造成土地利用的变化，从而改变滑坡的易发性。然而，目前在滑坡灾害的管理中缺乏未来土地利用动态变化下的易发性研究。基于此，本文以重庆市万州区长江沿岸乡镇为例，首先利用斑块生成土地利用变化模拟（Patch-generating Land Use Simulation， PLUS）模型对该地区2025年与2030年的土地利用动态因子进行预测；随后，结合研究区所收集的静态因子与滑坡灾害数据构建了易发性评价的数据库。并利用粒子群算法（Particle Swarm Optimization, PSO）对XGBoost、LightGBM与CatBoost共3种基于GBDT（Gradient Boosting Decision Tree）框架的集成学习模型进行超参数的调整并 开展动态易发性建模；最后，基于最优评价模型开展未来土地利用动态变化情景下的滑坡易发性进行制图。研究结果表明：① 基于PLUS模型的土地利用变化结果能够为未来滑坡易发区域的预测提供准确的基础数据； ② 通过对比PSO算法参与建模前后的AUC结果，可以发现PSO-CatBoost模型能够更好的拟合研究区滑坡清单和触发因子的非线性关系，并获得了最优的建模精度； ③ 综合考虑未来土地利用与滑坡易发性的研究框架表明未来长江沿岸乡镇的建筑用地发展会提高潜在的滑坡易发性。本文所提出的研究思路对于构建坚韧有效的山区城镇防灾减灾体系具有重要的实际意义，并可为未来山区城镇的规划提供科学指导。

滑坡灾害成因复杂，滑坡易发性评估对灾害预警与防控管理具有重要意义。由于以往易发性制图研究中未顾及土地利用变化因素，本文提出考虑土地利用动态变化的滑坡易发性评估因子组合。采用滑坡频率比定量衡量土地利用变化与滑坡发育的相关关系，并基于逻辑回归模型（Logistic Regression, LR）对比引入土地利用变化因子前后的模型预测效果。在此基础上，构建决策树（Decision Tree, DT）、梯度提升树（Gradient Boosting Decision Tree, GBDT）与随机森林（Random Forest, RF）模型，利用AUC等指标对模型预测性能进行对比分析。最后以福建省三明市为研究区，以整个福建省为验证区，开展滑坡易发性评估研究。研究表明：土地利用变化因子与滑坡发育之间具有更强的关联特征，在滑坡易发性评估中引入动态变化因子具有必要性。RF模型比DT与GBDT具有更高的预测精度与准确率。滑坡高易发区主要分布在三明市西部与中部地区，该区域土地利用变化程度较大、受人类活动影响大；低易发区基本位于人类活动影响较小的高海拔区域。本研究为滑坡易发性评估提出一种新的研究角度，为探究人类对灾害形成的影响提供帮助。

【目的】探究利用时序形变分形特征识别高山冰川区滑坡的方法并分析其适用性。【方法】基于查莫利滑坡及其相邻冰川的形变时间序列描述其斜率（平均形变速率）及分形特征差异，利用聚类分析区分滑坡区域与冰川并进行影响因素分析。【结果】与冰川相比，滑坡的形变时序具有较高的分形维数和较低的分形拟合优度。虽然滑坡与冰川在形变时序的斜率（平均形变速率）上也存在较大差异，但仅使用形变速率难以对滑坡进行聚类识别，准确率仅为61.70%；而使用形变时序的分形指标（包括分形维数和分形拟合优度）可将聚类分析的准确率显著提升至近84.00%。基于形变时序分形特征进行高山冰川区滑坡识别的适用性，根本原因在于滑坡和冰川在物质组成、影响因素和发展演化等方面存在差异。相较冰川，滑坡物质组成更复杂、更易受多种因素影响、形变时序的波动性更强。【结论】利用形变时序分形特征能够成功识别高山冰川区滑坡，在全球变暖背景下，该方法预期可为高山冰川区的滑坡识别、进而为高山冰川区的防灾减灾提供一定的支撑。

【目的】 训练样本的质量对模型性能和预测结果有着重要影响，对于小样本数据区域，有限的样本数量及空间分布不均匀可能导致模型无法充分学习致灾要素特征,进一步增加了模型过拟合风险，影响模型预测准确度，因此需要根据区域特点有针对性地采集优化训练样本。【方法】 本文提出一种训练样本采样优化方法，将滑坡正样本原型采样（PBS）方法与无监督聚类模型用于训练样本采样，得到筛选扩充的正样本数据集及客观提取的负样本数据集，构建训练样本采集优化的（Sample Optimization， SO）数据集。然后，引入对小样本数据处理效果较好的随机森林（Random Forest， RF）与支持向量机（Support Vector Machine， SVM）构建滑坡易发性评价模型，分别与原始数据（Raw Data， RD）和仅数据扩充（Data Augmentation， DA）的数据集开展对比实验，利用AUC等指标分析模型预测性能，并基于频率比法对滑坡易发性分区结果进行优选。最后，以滑坡灾害样本数据较少的莆田市为例，开展滑坡易发性评价研究，验证本文提出的训练样本采样优化方法的有效性和泛化能力。【结果】 采用SO数据集构建的模型相较于基于RD、DA数据集，AUC值分别提升了10.69%与18.23%，说明预测性能皆有明显的提高，意味通过筛选扩充正样本和客观提取负样本数据集可以获得更好的性能，且有效缓解了模型训练过程中的过拟合问题；根据频率比分析结果， SO-RF的极高与高易发区频率比均高于SO-SVM，说明SO-RF比SO-SVM更适合类似莆田市区域的有限小样本滑坡数据的易发性评价。【结论】 本文提出的训练样本优化结合机器学习的评价方法具有较高的适用性和准确率,研究成果可为基于机器学习的滑坡易发性评价的训练样本采样方法提供有效思路。

【目的】深度学习方法在地物识别中可以通过自动提取复杂地形特征从而显著提升效率，其中DeepLabV3+算法能够有效捕获多像素特征，被广泛地应用于遥感影像的分割和识别。但其在滑坡识别中细节处理能力受限，容易导致目标边界的模糊和识别错误，此外，该模型依靠卷积运算捕获的是局部信息，难以有效地建立长距离依赖关系。【方法】本文提出了一种基于DeepLabV3+的改进模型，首先，引入坐标注意力（Coordinate Attention，CA）机制，增强特征表达能力。其次，使用密集空间空洞金字塔池化（Dense Atrous Spatial Pyramid Pooling，DenseASPP）模块替换原有的空间空洞金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）模块，提升多尺度特征提取效果并有效地解决了空洞卷积低效或失效的问题；同时，通过并联加入条形池化(Strip Pooling，SP）分支模块，提升主干网络对长距离依赖关系的建模能力。最后，引入级联特征融合（Cascade Feature Fusion，CFF）模块，用于整合不同层次的特征信息，进一步优化分割性能。【结果】使用毕节滑坡数据集进行实验，结果表明，改进后模型相较原模型的MIoU提高了2.2%，F1分数提高了1.2%；与其他主流深度学习模型进行对比，该模型在提取精度方面均表现出一定优势。在分割效果上，该模型在识别滑坡区域的整体准确性上有显著提高，分割结果与原始滑坡形态保持很高的一致性，减少了错分和漏分现象，在滑坡边界的分割上更加精确。【结论】通过验证数据集测试及实际应用验证，本文提出的方法在不同场景、不同复杂程度下的滑坡影像均表现出较强的识别能力，尤其在植被覆盖区、河流邻近区域等复杂背景环境中表现更加稳定，展现出较强的泛化能力和普适性。

【目的】滑坡易发性评价过程中负样本选择和机器学习模型对结果的影响不容忽视。【方法】为探究这2种因素对滑坡易发性评价结果的影响规律，本文以怒江流域怒江州峡谷段为例，在提出利用加权信息量模型对负样本选取优化的基础上，选取了包括起伏度、土地利用和多年年均降雨量在内的13个影响因子，分别采用支持向量机模型、卷积神经网络模型、梯度提升决策树模型3种机器学习模型，与传统随机样本选取方法进行了滑坡易发性对比研究，并针对降雨因子对易发性分级的影响进行分析。【结果】① 基于优化后负样本的各模型评价结果在滑坡密度方面均有提升，分别提升0.010 3、0.0639、0.004 0； AUC值均相对升高，分别升高0.033、0.018、0.008； ② 在易发性评价结果中，梯度提升决策树模型最优，较支持向量机模型、卷积神经网络模型精度分别提高了3.8%和1.7%； ③ 将2019—2020年的夏、冬季平均月降雨量数据引入梯度提升决策树模型，结果显示夏季高、较高易发区面积增大，尤其是南部六库镇和上江镇地区。【结论】基于加权信息量模型优化负样本是合理的，梯度提升决策树模型作为滑坡易发性评价模型较适用于怒江州峡谷段地区的孕灾环境，降水对该地区滑坡易发性具有明显影响。本文所提出的研究思路对区域防灾减灾体系构建具有重要的实际意义，同时也为未来的区域规划提供科学依据。

【目的】探究2022年长江流域严重干旱与库区局部强降水事件构成的复合型极端天气下三峡库区滑坡的时空演化特征及其驱动机制，弥补现有研究对极端气候下滑坡灾害演化认知的不足。【方法】以秭归-奉节段为研究区，根据库水位变化周期与范围划分正常天气（2020年7月-2022年7月）和极端天气（2022年7月—2023年9月） 2个时段，基于哨兵1号（Sentinel-1）SAR数据，采用小基线集（SBAS）InSAR技术监测地表形变并识别活动滑坡，结合信息量模型开展滑坡易发性动态评价,对比分析滑坡演化特征与驱动机制。【结果】① 共识别出136处活动滑坡，最易发育滑坡的地貌条件包括坡度10°~30°、坡向东南至西北、高程100~400 m、距河流小于200 m、主要分布在碎屑岩、碳酸盐岩与碎屑岩组，且多位于距道路小于100 m的雨养耕地；② 证实将InSAR技术与传统滑坡易发性评价模型相结合可实现随InSAR形变数据同步更新易发性评价，及时响应滑坡演化状态； ③ 极端天气条件下，研究区的滑坡隐患显著加剧，而三峡水库的较低水位运行对库岸稳定性无明显的负面影响；④ 降水是滑坡易发性动态演化的核心驱动因子，岩性不同的区域易发性对降水的响应存在显著差异。【结论】通过融合SBAS-InSAR时序形变监测与信息量模型，揭示了极端天气下滑坡风险的时空变异特征，弥补了现有研究中对三峡库区滑坡演化在极端气候条件下认知的不足，为滑坡灾害的监测、预警与科学管理提供了重要依据。