融合等高线地形特征与图卷积网络的滑坡易发性评估模型ConToGCN研究

本研究针对传统滑坡易发性评估(LSA)模型在微地形特征提取和空间自相关性建模方面的不足，创新性地提出基于等高线地形特征和图卷积网络(GCN)的ConToGCN模型。通过构建包含节点层、边层和子图层的三级拓扑结构，该模型实现了对坡面单元内复杂地形结构的精细化表征，在浙江长兴县的实验中取得AUROC 0.93、AUPR 0.94的优异性能，较传统SVM模型提升14.8%，为地质灾害防治提供了新的技术路径。

　　

每当暴雨来袭，山区常会出现令人心惊的滑坡灾害。这些"山体滑梯"现象不仅威胁人民生命财产安全，更给防灾减灾工作带来巨大挑战。传统滑坡预测方法面临两大难题：一是难以捕捉坡面单元内细微的地形变化，二是无法有效利用地质灾害空间聚集特性。尽管机器学习技术已广泛应用于滑坡易发性评估(LSA)，但现有模型多基于单一网格或坡面中心点特征，就像用"马赛克"拼凑地形全貌，既丢失了陡坎、径流区等关键微地形信息，又忽视了相邻区域的地质关联性。

为破解这些难题，浙江某研究机构团队创新性地将测绘科学与人工智能技术相融合，开发出基于等高线地形特征和图卷积网络的ConToGCN模型。这项发表在《CATENA》的研究，通过构建"点-线-面"三级拓扑结构，首次实现了对坡面内部复杂地形的数字化解构与智能化分析。

研究团队采用多源数据融合技术，整合5米分辨率DEM数据、地质图件和降雨监测数据，构建包含9类评价因子的特征体系。关键技术包括：基于30米间隔等高线的图结构构建方法，通过节点陡度计算识别滑坡关键地形特征；三层GCN网络架构设计，采用128维隐藏层神经元实现多尺度特征聚合；蒙特卡洛Dropout不确定性评估方法验证模型可靠性。

在"研究区域与数据处理"部分，选取浙江长兴县1430平方公里低山丘陵区为试验区，基于曲率分水岭法划分6234个坡面单元，构建包含124个滑坡与124个非滑坡样本的平衡数据集。通过Pearson相关分析和随机森林基尼指数，最终确定高程、坡度等9个核心评价因子。

"方法论"章节详细阐述了ConToGCN的创新架构：首先在坡面单元内按30米间距布设等高线节点，通过计算相邻节点间陡度（公式3）识别陡坎区（X≥0.7）与径流区；然后构建包含节点特征矩阵和邻接矩阵的图数据结构；最后通过三层GCN层（公式1）实现节点特征的层级聚合，采用交叉熵损失函数（公式2）优化模型参数。

"结果与分析"显示，ConToGCN在测试集上达到0.86准确率、0.94精确度，显著优于基于Transformer的Graphormer（0.83准确率）和基于坡面中心的CentGCN（0.82准确率）。典型案例如和平镇某滑坡，模型通过分析等高线节点陡度分布，准确识别出后缘陡坎（红色节点）和前缘堆积区（蓝色节点），而传统方法将该坡面误判为低风险区。

不确定性分析表明，模型预测熵值主要分布在0.4以下区间，对正样本的预测概率集中分布于0.6-1.0区间（图14），显示高度确定性。跨区域验证中，在浙江安吉杭垓镇的测试仍保持0.85准确率，证实模型良好泛化能力。

"讨论"部分深入剖析了技术优势：相比传统方法，ConToGCN通过等高线节点网络实现了三个突破——精确提取坡面内10-30米尺度的微地形特征；量化表征地形参数的空间自相关性；有效识别滑坡关键部位如后缘陡坎（Δscarp=0.7）。研究同时指出，模型性能受DEM分辨率影响显著，5米分辨率数据能更好刻画冲沟、断层等微地形。

该研究为地质灾害智能预警提供了新范式，其创新价值体现在：首次将图神经网络应用于坡面内部地形分析，突破传统LSA模型的空间表征局限；建立的"地形特征-空间关联-灾害概率"映射关系，使模型具备物理可解释性；开发的30米×30米图结构构建参数（表8），为同类研究提供标准化方案。未来通过融合InSAR形变数据，有望发展出更具前瞻性的滑坡预警系统。