1.预测性能
经过贝叶斯优化后，堆叠集合进行了训练和评估。与单个模型（XGBoost、RF和MLP）相比，该集合实现了最高的性能，AUC为0.9603，准确率为0.8925，超过了最佳单一学习者（XGBoost，AUC = 0.9473）。精度-回忆曲线在各个阈值间显示明显分离，集合获得了最高的平均精度（0.9181），表明在不同决策阈值下表现稳定。这些结果表明，在复杂山地地形中，相较于单一模型，预测稳定性有所提升，如图4所示。
图 4 不同模型的PR和受试者工作特征（ROC）曲线比较：（a）PR曲线;（B）ROC曲线
2.特征贡献
结合了XGBoost、RF、MLP和LR的特征重要性排名，以确定主导的条件条件因素（图5）。岩性、坡面结构、到河流的距离、降雨量和到断层的距离一直被评为最具影响力的变量，这与区域地貌和水文控制结果一致。
图 5 基于基本学习器和堆叠集成模型的特征重要性排序
3.空间易发性模式
基于堆叠模型得出的初始易发性图谱使用Moran's I和LISA（表4）进行了评估。全球莫兰的I值为0.7088（p = 0.001），表明空间自相关性强。LISA分析确定了五种簇类型：高–高（H–H）、高–低（H–L）、低–高（L–H）、低–低（L–L）和无显著性。
如图6所示。H–H簇（15.24%）代表集中的危险热点，而L–L簇（13.67%）对应稳定区。过渡簇包括H–L（7.15%）和L–H（6.34%），捕捉具有对比的局部与邻近空间边界区域。其余57.6%的单位为无显著性。
图 6 斜坡单位尺度下滑坡概率的空间聚类分析：（a）平均概率;（b）显性LISA簇类型;（c）初步易发性分类;以及（d）CSI值
4.基于InSAR的形变趋势
MT-InSAR分析产生了一个视线变形速度场（图7）。几个区域显示出强烈的负变形，年变形率超过-25 mm/年。这些地区主要位于地形陡峭、断层发育密集和人类活动频繁的地带。相反，一些地区显示出正变形。这可能归因于地壳抬升、滑坡沉积物的反弹或其他与滑坡无关的过程。为了更好地反映实际的斜坡运动，使用当地坡度、坡向、和卫星入射角（图8）。
图 7 2021–2024年间，Sentinel-1 MT-InSAR时间序列分析得出的视距（LOS）地面变形速度场（毫米/年）。正负值分别表示朝向卫星和远离卫星的运动。
图 8 基于InSAR的斜坡对齐变形类别的空间分布：（a）斜坡平行变形速度场;（b）代表性滑坡点的变形分布;（c） 坡面单元变形趋势分类。
时间序列分解进一步将斜率单元分为三种代表性变形趋势，即稳态变形、季节变异和加速增长（图9）。81号单元显示出加速的模式，年变形率为−10.00毫米/年。该趋势显示，尤其是在雨季，最大月度排水量达到5.32毫米，季节振幅为1.76毫米，显示了排水量的上升趋势。75号单元属于稳定型，位移曲线相对平坦，年变形量为−4.53毫米/年，季节性波动较小。57号机组代表季节性型，年降雨率为−7.16毫米/年，振幅为3.14毫米。该单元表现出明显的周期振荡。2022年8月后，一次突然的位移激增达到6.41毫米，可能是由强降雨或局部扰动引起。统计分析显示，47%的坡度单元出现了加速增长，27%呈现季节性变化，26%保持稳定。这些类别的空间分布与易发图中识别的高至中高密度群组高度一致。
图 9 MT-InSAR时间序列分析代表性坡度单元，显示三种变形模式：（a）加速生长（坡度单元81）;（b）持续稳定趋势（坡度单元75）;以及（c）季节性变化（坡度单元57）。对于每个单位，呈现了2021–2024年期间的观测视距变形（LOS）变形（毫米）、分解趋势、季节成分和残差
5.最终易发性图
通过整合易发概率、CSI、LISA异常类型和InSAR衍生变形趋势，在统一的排名框架内生成了最终易发性图（图10）。该地区被分为五个等级：极低（14.05%）、低（19.83%）、中等（38.02%）、高（19.01%）和非常高（9.09%）。
图 10 结构细化前后滑坡易受性分类比较：（a）基于概率建模的初步五级地图;（b）通过概率校准、基于CSI的空间一致性评估和InSAR变形调整得到的精细地图。
6.细化策略的定量验证
本研究进行了定量验证，以评估细化策略是否改善了易发性分类的结构一致性和统计可靠性（表5）。经过细化后，不确定类别通过概率阈值校准去除，且未修改预测模型本身。修订后的五级方案显示出严格有序的层级结构，发生率和FR均从极低递增至极高。
表 5 基于频率比（FR）分析的初步LSM与修订后的五级LSM方案分类性能比较
为理清各组分的相对效应，进行了逐组分消融分析（表6）。总体而言，表5和表6中呈现的定量证据表明，细化策略通过协调结构重组增强了层级一致性和滑坡集中度。
10个月宝宝每天需要喝多少奶粉？
