Geosci. Front. | 基于地理可解释机器学习的青藏高原气候驱动型热融滑塌易发性研究

被誉为"世界第三极"的青藏高原是极地以外最大的冰冻圈地区，近几十年来增温速率显著高于全球平均水平。快速升温加速了多年冻土退化——目前高原多年冻土面积约 1.32×10⁶ km²，约占高原总面积的 46%。在冻土退化诱发的各类热喀斯特地貌中，热融滑塌（retrogressive thaw slump, RTS）因其后壁持续溯源后退、范围不断扩张并对热扰动高度敏感，是最活跃、破坏性最强的类型之一。观测表明，祁连山地区 RTS 后壁后退明显加速，可可西里地区 RTS 数量在 2006–2019 年间增至近三倍，对高原基础设施、生态系统与碳循环过程构成日益严峻的威胁。

然而，现有 RTS  易发性研究仍存在三方面不足：其一，评估大多为"静态"制图，仅反映历史或当前状态，难以回答高易发区未来将如何迁移、扩张或收缩；其二，泛北极尺度的半球模型直接套用于青藏高原存在地理偏差，且多依赖单一模型，未来预估格局的稳健性缺乏检验；其三，常规可解释人工智能方法（如 SHAP）未将地理位置作为联合空间成分显式建模，难以厘清驱动因子影响的空间分异及其在未来气候情景下的演化。针对上述缺口，本研究发展了一套地理可解释的机器学习评估框架，对青藏高原当前与未来的 RTS 易发性及其气候驱动机制开展了系统评估。

本研究遵循"编目整合—因子构建—模型训练—未来投影—地理可解释归因"的五阶段技术框架（见图2）。

数据方面，整合了 Luo et al. (2022) 的高原尺度编目（2669 处）、Xia et al. (2022) 的青藏工程走廊编目（875 处）与 Wei et al. (2025) 的青海省野外验证多灾种编目（534 处）三套最新高分辨率数据集，经缓冲区查重后获得 3693 处独立 RTS 位置作为正样本，并在已知 RTS 点 1 km 缓冲区之外随机生成等量非灾害点作为负样本。评估选取融化度日（TDD）、冻结度日（FDD）、降水、土壤细粒含量、坡度、坡向与地形湿度指数（TWI）七个环境因子，并通过方差膨胀因子（VIF）与 Pearson 相关分析验证了因子间的独立性。

模型方面，构建了随机森林（RF）、XGBoost、LightGBM 与多层感知机（MLP）四种机器学习模型，采用分层 k 折交叉验证与随机搜索策略优化超参数。未来情景基于 CMIP6 五模式集合（NorESM2-MM、MPI-ESM1-2-HR、MIROC6、FGOALS-g3、BCC-CSM2-MR），在 SSP1-2.6、SSP3-7.0 与 SSP5-8.5 三种共享社会经济路径下，采用增强 Delta 降尺度方法（含垂直递减率地形订正）将气候因子降尺度至 1 km，预估 2041–2060 年的气候条件。

解释方面，建立了三级可解释分析框架：以 SHAP 全局重要性识别主导环境因子；以 SHAP 依赖图刻画非线性响应与因子交互；以 GeoShapley 将模型预测分解为全局基线、内在空间效应、非空间因子效应与空间交互效应四个可加组分，从而在空间上显式量化各驱动因子在何处增强或削弱预测易发性。

（1 ）模型性能与因子响应。四种模型在独立测试集上均表现优异，ROC-AUC 分别为 RF 0.9689、XGBoost 0.9687、LightGBM 0.9675 与 MLP 0.9630，准确率与 F1 等指标均超过 0.88，表明模型稳健地学习到了环境因子与 RTS 发生之间的关系。响应曲线显示 RTS 倾向发育于坡度低于 12° 的缓坡地形，降水 250~500 mm、TDD 200~500 °C·d 的中等区间对应最高风险（见图3）。

（2）当前与未来易发性格局。当前条件下，四种模型一致识别出高原中部——与青藏工程走廊地理位置高度重合——为极高易发性核心区（见图4）。到本世纪中期，高-极高易发区面积占比将由当前的 5.76%~10.80% 变化至 SSP1-2.6 情景下的 6.01%~9.76%、SSP3-7.0 情景下的 8.01%~11.64% 与 SSP5-8.5 情景下的 8.41%~10.34%（见图5）。易发性变化图进一步揭示了四模型间的高度共识：东北部为易发性增强的核心区域，且其强度与范围随排放情景加剧而扩大；西部部分区域则呈现稳定甚至下降趋势，凸显冻土地形对气候变化响应的空间异质性（见图6）。

图4. 四种模型当前与未来情景下的易发性分区图

图5. 不同模型与情景下高-极高易发区面积变化的定量分析

图6. 未来情景相对当前基线的易发性变化投影

（3）驱动机制的空间异质性。SHAP 分析表明，降水、FDD 与坡度是三种树模型一致的前三大主控因子（见图7）；依赖图揭示了清晰的非线性阈值：坡度的正贡献集中于 5°~15° 的狭窄地貌窗口（峰值约 8°），降水正贡献峰值出现在 600~700 mm，TDD 在 200~600 °C·d 区间转为正贡献，而 FDD 超过 4000 °C·d 时其稳定效应显著增强（见图8）。GeoShapley 地图显示，当前 FDD 的稳定效应主导寒冷的中北部冻土核心区，降水影响在西部与南部最为突出（见图9）。面向未来，TDD 的正向影响将向东南缘不连续冻土带集中，FDD 的稳定效应在西北部增强而在东南缘减弱，降水影响则在高原大部趋于稳定或减弱（见图10）。这一空间显式归因使研究超越了"预测哪里变化"，进而"解释为何变化"。

图7. 四种模型的 SHAP 全局因子重要性

（4）与半球尺度评估的对比。以泛北极数据为主训练的半球模型将青藏高原近 60% 的冻土区划为极高易发等级，存在明显过度预测；相比之下，本研究的区域聚焦模型给出了更收敛、更具可操作性的高风险区划（见图11），说明区域建模能够有效规避训练数据地理偏差带来的误判，为政府部门与规划者聚焦关键防控区段提供了更可靠的依据。

本研究实现了青藏高原热融滑塌易发性评估从静态制图到动态预估、从预测哪里变到解释为何变的双重跨越。研究结果对青藏工程走廊等重大基础设施的防灾减灾具有直接参考价值：预估显示，高原东北部及东南缘冻土过渡带的公路、铁路与管线沿线，应重点加强边坡稳定性、排水条件与融沉地表扰动的监测。研究生成的易发性图件已在 Zenodo 开放共享（https://doi.org/10.5281/zenodo.17717992），可为多年冻土区的气候适应规划、国土空间管控与风险管理提供数据支撑。