气候的变化,呈现为全球变暖中飓风和暴雨的加剧,这将不可避免地影响滑坡的产生频率。其中一个极端气候事件,即2019年3月的伊代(Idai)气旋,引发了数千次山体滑坡和大面积洪水,造成了非洲东南部地区包括莫桑比克、马拉维和津巴布韦东部在内的严重破坏,并在这些地区造成了大量人员损失。本研究在津巴布韦东部的奇曼尼曼尼(Chimanimani)地区进行,以了解飓风伊代对触发滑坡作用的影响,定量确定事件期间活动山坡的体积,并使用机器学习和遥感技术将事件触发的滑坡物质卸载量与整个研究区域的正常年均侵蚀量进行比较。我们评估了不同分辨率的卫星图像,即PlanetScope(3m/px)、RapidEye(5m/px)和Sentinel-2(10m/px),以及三种机器学习算法:人工神经网络(ANN)、随机森林(RF)和支持向量机(SVM),以识别滑坡,并比较了模型的有效性。从卫星图像和分辨率为30米的ASTER全球数字高程模型得出的总共九个预测变量被用于识别滑坡,并将其与同期水文洪水区分开来。模型将研究区域分为三类:(1)滑坡(2)洪水(3)未受影响区域。使用PlanetScope卫星数据的RF模型达到了97.88%的最高预测精度,而其他机器学习模型卫星数据组合的精度介于94.58%和97.27%之间。随后,对最初绘制的滑坡应用了滑坡大小阈值,以消除数据中的噪声和不确定性,然后估计最终由飓风伊代事件触发的滑坡体积。采用概率密度函数(对应于绘制的滑坡区域的非累积滑坡频率的对数图),使用散度和侧翻点截止值计算滑坡大小阈值。最后,利用滑坡面积与体积的幂律比例关系,得出研究区域的滑坡体积,在机器学习模型和卫星传感器资料的不同组合中,散度和翻滚点阈值分别在6.8×106至14.7×106 m3和9.0×106至19.6×106 m3之间。估计的滑坡体积表明:飓风伊代造成的山坡坡体卸载量比基于地形因素引起的局部侵蚀模型计算的年均剥蚀量大269至345倍。