采用不同的方法研究了统计学、机器学习和深度学习模型在预测滑坡易发性方面的可解释性，并比较了这些模型的准确性。结果表明，卷积神经网络模型在准确性方面表现最好，而极限梯度提升和支持向量机也具有强大的预测能力，优于传统的统计模型。然而，模型的解释能力因模型而异，尤其是在使用较广泛的 19 个贡献因素时。使用专门的 9 个触发因素增加了模型的可解释性，但降低了一些预测能力。

May, 2024

本研究通过深度学习和极值理论模型，使用观测降雨诱发滑坡的 30 年清单数据，以及不同气候变化情景下多个回程期的数据，开发了一个统一模型来估计山体滑坡的灾害风险，结果显示该模型性能优异，能够以统一的方式建模滑坡灾害风险。在地貌上，我们发现在两个气候变化情景（SSP245 和 SSP885）下，喜马拉雅山脉下部地区的山体滑坡风险平均增加了两倍，中部地区保持不变，而上部地区略有减少。

Jan, 2024

研究了选择影响因素对机器学习模型和深度学习模型预测滑坡易发性的准确性的影响。考虑采用四种方法选择影响因素，并探讨了基于自动编码器的深度学习模型的因素选择方法。

Sep, 2023

本研究基于空间点过程概率模型对意大利西西里岛触发的约 5000 起山体滑坡事件进行了定量研究，通过贝叶斯估计法计算后验概率预测滑坡概率分布，较传统的地质学简化模型具有更高的精度，充分涵盖了多重分区分层和地貌学因素对滑坡发生的影响。

Aug, 2017

本文研究了利用 Sentinel-2 影像自动地绘制新发生滑坡的方法。我们提出了一种新颖的深度学习架构，用于融合 Sentinel-2 双时相影像和数字高程模型数据，并展示了其在与文献中的其他变化检测模型相比具有良好性能。同时，我们还创建了一个包括全球异质生态区域的人工验证开放式滑坡清单的新型地理数据库。我们以开源许可证发布了代码和数据集。

May, 2024

使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。

Sep, 2023

通过利用 3D 滑坡拓扑结构，我们提出一种基于运动方式（滑动和流动）来识别滑坡失败类型的方法。我们发现滑坡的拓扑属性能够揭示质量运动机制的普遍特征，例如探测复杂滑坡中耦合运动方式之间的相似性。我们通过使用这些拓扑属性作为预测因子，能够在意大利、美国西北太平洋地区、丹麦、土耳其和中国等地的历史和具体事件的滑坡数据库中以 80 至 94％的准确性识别失败类型。此方法的实际应用可以显著提高滑坡预测模型和影响评估的性能，并通过滑坡拓扑形态的角度引入了研究滑坡形状以理解其潜在过程的新范式。

Oct, 2023

利用基于 Transformer 的深度学习网络，结合先前知识和多源数据，预测滑坡行为，提高综合性滑坡预测能力，揭示滑坡演化和时态模式的全面理解，并通过验证模型在三峡库区滑坡和青藏高原潜在滑坡的表现，证明可解释性滑坡预测有效地确定各种滑坡的影响因素，使滑坡行为和趋势更具可解释性和可预测性。

Jul, 2023

利用变分模态分解方法进行时间序列预测，可以更准确地预测滑坡表面位移。

Jul, 2023

以机器学习和遥感监测为基础，该研究致力于利用 Sentinel-1 SAR GRD 和 Sentinel-2 Harmonized MSI 等公开数据，对 47 个国家（大多数为最不发达国家）进行全球灾害风险评估，以推动减少全球气候和灾害风险的长期努力。

Apr, 2024