大多数数据驱动的滑坡易发性评价的目的是生成一张地图,以反应未来容易发 生滑坡的区域。基础算法通常基于一个二元响应模型(即滑坡存在和缺失)和一个 包含数字地形模型(DTM)导数的预测集进行训练。文献表明,大量的滑坡易发性 研究是建立在地形变量的基础上,这些地形变量来自于最新的数字地形模型(DTM)。 因此,现有的滑坡信息可能主要是指获得地形数据之前诱发的滑坡事件。因此,由 此产生的预测因子很可能描述的是已发生滑坡的原型形态特征(即失稳后地形)。 然而,滑坡易发区的地形,虽然尚未破坏,但未来可能会发生破坏,目前可能不会 表现出明显的滑坡后地形形态。因此,划定滑坡易发区可能需要明确考虑滑坡前的 形态(即失稳前的地形)。本研究旨在探讨基于失稳后地形以及基于失稳前估计地 形的滑坡易发性模型之前的差异。目的是确定在何种情况下应明确考虑或可忽略失 稳前地形的情况。在这个方面,特别着重阐述了空间建模分辨率和滑坡规模的影响。 本研究主要集中在奥地利福拉尔贝格(Vorarlberg)州沃尔高(Walgau)地区一个 12 km2 试验地点,那里存在各种浅层滑坡。研究方法框架包括两组对立的情况,即 使用失稳后地形数据训练的模型与基于失稳前估计地形的模型。将混合效应逻辑回 归模型分别应用于 5 个光栅分辨率(从 1 到 25 m)和 2 个滑坡规模(小型滑坡和大 型滑坡)组,用以评估数字地形模型(DTM)应用和滑坡规模的相关影响。通过解 释预测因子的预测性能、模型关联性、预测因子的重要性、预测能力和空间预测模 式,对结果进行了评价。结果表明:失稳后模型与相应的失稳前模型之间的差异是 由所选择的光栅分辨率和潜在的滑坡规模决定的。在基于详细地形特征(即高光栅 分辨率)和较大地形形态(即更大的滑坡)相关的滑坡模型之间,检测到最大程度 的失配。然而,这些差异随着光栅分辨率的降低而逐渐减小。结果表明,当滑坡数 据由较小的事件组成时,建模是在相对较低的分辨率下进行的,可以不考虑失稳前 地形。相比之下,即使获得的预测结果可能显示相反的趋势,考虑失稳前地形依然 有助于基于较大滑坡的滑坡易发性建模。