Multi-scale framework for landslide evolution

Kun Fang

doi:10.1016/j.jrmge.2026.09.001

Multi-scale framework for landslide evolution

2026-09-07

0

OA

AI

DOI：10.1016/j.jrmge.2026.09.001

原文链接

原文求助

摘要

En 中文

滑坡分类系统在过去几十年中得到了显著发展，不仅涵盖材料类型和运动类型，还包括活动状态、速度、触发因素和时间描述符。然而，一种标准化的、机器可读的编码结构，能够系统地整合空间尺度、时间演化阶段和定量过程属性，并将其统一表示为矩阵形式，尚未建立。本研究提出了一种互补的编码框架，该框架在现有分类系统的基础上，将这些公认的维度组织为多阶段、多尺度的过程，从初始变形阶段逐步演变为灾难性破坏，再到破坏后的调整和可能的重新激活。我们首先阐明“滑坡演化”的物理意义，并系统地剖析控制观测行为的空间（样本-模型-斜坡-区域）和时间（事件-季节性-地质）尺度。随后，我们批判性地回顾了经典的运动-材料分类法和基于规模、速度、触发因素和地貌背景的互补方案，强调了它们无法表示跨尺度耦合和生命周期转换的局限性。基于实验室测试、物理建模、野外调查和多源监测（包括InSAR和LiDAR）的进展，我们提出了一种多尺度滑坡演化（MLE）框架，该框架将滑坡历史编码为统一时间-阶段平面上的矩阵-向量形式。该框架耦合了内部条件因素、外部触发因素、运动学、滑行距离和人类影响，并设计为与现有分类系统兼容，同时将其扩展到明确的演化领域。我们通过多样化的案例研究验证了该框架的可行性，包括高移动性的白格滑坡和反复活动的欧塘古滑坡，展示了其编码短期灾难性破坏和多周期、地质尺度重新激活的能力。这一统一方法不仅为解决空间-时间尺度解耦的悖论提供了结构化手段，也为未来地质灾害风险治理中的数据驱动建模和人工智能应用奠定了机器可读的基础。

Keyword:

landslide evolution

multi-scale classification

landslide life cycle

monitoring and InSAR

landslide hazard and risk

Multi-scale framework for landslide evolution

摘要

期刊

机构