近日，中国地质大学（武汉）未来技术学院博士研究生邢珂在遥感领域顶级期刊《Remote Sensing of Environment》上发表了最新研究成果。该研究提出了一套融合多轨道InSAR、二维形变分解、机器学习易发性评价和SHAP可解释分析的潜在滑坡判识框架，为库区滑坡早期识别和风险分区提供了新的技术思路。邢珂为论文第一作者，窦杰老师为通讯作者。该研究得到了国家自然科学基金和湖北省自然科学基金项目资助。
库区滑坡是山区大型水利工程运行过程中必须长期关注的地质灾害类型。水库蓄水、消落、坡脚侵蚀和水岩作用会持续改变岸坡内部的水文—力学条件，使部分边坡由稳定状态逐渐进入变形甚至失稳阶段。如何在区域尺度上准确判识这些潜在滑坡，是遥感地质灾害监测中的重要问题。传统滑坡判识方法常面临两个问题。一方面，单纯依赖 InSAR 形变监测，容易漏掉那些暂时没有明显形变，但地质背景已经高度不稳定的边坡。另一方面，单纯依赖滑坡易发性评价，又无法判断哪些高易发边坡已经进入活动变形状态。
图 1. 图形摘要
该研究聚焦负样本选择不确定性、传统 InSAR 一维视线向（LOS）观测的局限，以及变形监测与环境因子建模之间融合不足等问题，综合集成优化采样、多轨 InSAR 变形信息与可解释机器学习方法，提高了库区潜在滑坡区的状态判识能力。在白鹤滩库区应用中，该框架表明易发性模型具有较好的地质解释性，并利用多几何InSAR 重建二维变形场，增强了潜在滑坡区的运动学解释能力。研究进一步通过交叉频率矩阵的易发性与变形等级融合方法，提高了潜在滑坡区识别结果与实际地貌、构造和变形特征之间的空间一致性。该研究为库区滑坡从“静态易发性制图”走向“动态变形状态识别”提供了可参考的技术思路。
图 2. 阈值法与交叉频率矩阵法判识潜在滑坡区对比
图 3. 已判识潜在滑坡区域的现场勘察与遥感验证
图 4. LSM 模型性能比较
图 5. 滑坡失稳预测的动态监测与触发机制集成概念图
该项研究对库区滑坡判识具有重要的参考意义。对于大型水库、峡谷河段和强构造活动区域而言，滑坡危险性不能只看哪里在动，也不能只看哪里易发，而应同时回答两个问题：这个边坡是否具备失稳条件？这个边坡是否已经进入活动状态？前者需要地形、岩性、构造、水文和植被等多因子易发性评价；后者需要 InSAR、GNSS、无人机、LiDAR 和地面监测数据共同支撑。未来，若进一步融合 L 波段 SAR、GNSS、深部位移、降雨和库水位时间序列，并引入动态预测模型，库区滑坡识别将有望从潜在区域划分走向状态演化识别与风险预警。
论文全文见：
Xing, Ke, Suju Li, Jie Dou, Fang Chen, Lizhe Wang, Aonan Dong, Hamza Daud, and Lele Zhang. "Integrating multi-geometry InSAR and explainable machine learning for mapping potential landslide areas in reservoir regions." Remote Sensing of Environment 341 (2026): 115442, 10.1016/j.rse.2026.115442.
（未来技术学院来稿，原链接：https://sft.cug.edu.cn/info/1050/10909.htm）
