DOI: https://doi.org/10.1038/s44304-026-00181-z
تاريخ النشر: 2026-02-20
المؤلف: J. M. Wang وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
طرق
في هذه الدراسة، قام المؤلفون بالتحقيق في حدوث الانهيارات الأرضية عبر الصين، باستخدام جرد لـ 5,372 حدث انهيار أرضي تم الإبلاغ عنه في عام 2014 من قبل وزارة الموارد الطبيعية. تشمل منطقة الدراسة حوالي 9.6 مليون كيلومتر مربع، وتتميز بمناخات متنوعة وتضاريس معقدة تسهم في حدوث الانهيارات الأرضية بشكل متكرر. كانت الغالبية العظمى من الأحداث مركزة في جنوب الصين، وخاصة داخل حوض نهر اليانغتسي، حيث تمثل مقاطعة هونان وحدها 35.9% من الانهيارات الأرضية المسجلة.
أظهر التوزيع الزمني للانهيارات الأرضية ارتباطًا كبيرًا مع هطول الأمطار الموسمية، حيث شهدت أشهر الصيف أعلى تكرار للأحداث—45.5% من الإجمالي السنوي—مع ذروتها بشكل خاص في سبتمبر (1,662 حدث) ويوليو (1,536 حدث). لتحليل البيانات بشكل فعال، استخدم الباحثون استراتيجية أخذ عينات تضمنت اختيار عينات سلبية بشكل عشوائي للحفاظ على نسبة 2:1 مع عينات الانهيارات الأرضية الإيجابية، مما أسفر عن مجموعة بيانات شاملة تضم 15,933 عينة بعد المعالجة المسبقة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في سلوك النظام، كما يتضح من التمثيلات البيانية المقدمة، التي تبرز العلاقة بين المتغيرات المستقلة والتابعة.
علاوة على ذلك، يتناول القسم نتائج محددة، بما في ذلك قياس التأثيرات التي تم قياسها، والتي يتم التعبير عنها من حيث الانحرافات المعيارية وفترات الثقة. تدعم النتائج الفرضيات الأولية التي تم طرحها في الدراسة، مما يعزز الإطار النظري الذي تم تأسيسه في المقدمة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال، مما يمهد الطريق للبحوث المستقبلية والتطبيقات المحتملة للنتائج.
مناقشة
في هذه الدراسة، استخدم المؤلفون نماذج تعلم الآلة المختلفة، بما في ذلك LightGBM، والغابة العشوائية (RF)، وآلة الدعم الناقل (SVM)، وXGBoost، لتقييم قابلية الانهيار الأرضي من خلال دمج المتغيرات الثابتة مثل الارتفاع، والانحدار، ورطوبة التربة، والطبقات الجيولوجية، واستخدام الأراضي وتغير الغطاء الأرضي (LUCC)، وهطول الأمطار السنوي. أظهرت تحليل معامل الارتباط بيرسون (PCC) أنه لم يكن هناك أي متغيرات ثابتة مرتبطة بشكل كبير، مما سمح بالاحتفاظ بجميعها لبناء النموذج. أظهرت النتائج أن LightGBM وRF حققا أعلى قيم تحت المنحنى (AUC) تبلغ 0.979 و0.975، على التوالي، مع عرض LightGBM دقة أفضل قليلاً وسرعات معالجة أسرع، مما جعله النموذج المفضل لمزيد من التحليل.
عززت الدراسة أداء النموذج من خلال دمج هطول الأمطار الزمني المركب، الذي يجمع بين هطول الأمطار التراكمي خلال الشهر الذي يسبق أحداث الانهيار الأرضي مع هطول الأمطار القصير الأجل من فترات سابقة متنوعة. حسنت هذه الطريقة بشكل كبير من دقة التنبؤ، حيث حققت أقصى متوسط AUC يبلغ 0.986 عند دمج هطول الأمطار التراكمي الشهري مع هطول الأمطار في يوم الانهيار الأرضي. أظهر التحليل أنه بينما حسّن هطول الأمطار الزمني المركب بشكل طفيف من التعميم الزمني، كان له تأثير أكثر وضوحًا على التعميم المكاني، مما يبرز أهمية أنماط هطول الأمطار على المدى الطويل والقصير في قابلية الانهيار الأرضي. تؤكد النتائج على ضرورة أخذ هطول الأمطار الزمني المركب في نماذج التنبؤ، حيث إنه يلتقط الآليات الهيدرولوجية التي تؤثر على حدوث الانهيارات الأرضية عبر سياقات مكانية وزمنية مختلفة.
DOI: https://doi.org/10.1038/s44304-026-00181-z
Publication Date: 2026-02-20
Author(s): J. M. Wang et al.
Primary Topic: Landslides and related hazards
Methods
In this study, the authors investigated landslide occurrences across China, utilizing an inventory of 5,372 landslide events reported in 2014 by the Ministry of Natural Resources. The study area encompasses approximately 9.6 million square kilometers, characterized by diverse climates and complex topography that contribute to frequent landslides. The majority of events were concentrated in southern China, particularly within the Yangtze River Basin, with Hunan Province alone accounting for 35.9% of the recorded landslides.
The temporal distribution of landslides revealed a significant correlation with seasonal precipitation, with summer months experiencing the highest frequency of events—45.5% of the annual total—particularly peaking in September (1,662 events) and July (1,536 events). To analyze the data effectively, the researchers employed a sampling strategy that involved randomly selecting negative samples to maintain a 2:1 ratio with positive landslide samples, resulting in a comprehensive dataset of 15,933 samples after preprocessing.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the variables under study, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate a clear trend in the behavior of the system, as illustrated by the graphical representations provided, which highlight the relationship between the independent and dependent variables.
Furthermore, the section details specific outcomes, including the quantification of the effects measured, which are expressed in terms of standard deviations and confidence intervals. The findings support the initial hypotheses posited in the study, reinforcing the theoretical framework established in the introduction. Overall, the results contribute valuable insights into the field, paving the way for future research and potential applications of the findings.
Discussion
In this study, the authors employed various machine learning models, including LightGBM, Random Forest (RF), Support Vector Machine (SVM), and XGBoost, to assess landslide susceptibility by integrating static covariates such as elevation, slope, soil moisture, lithology, land use and land cover change (LUCC), and annual precipitation. The Pearson correlation coefficient (PCC) analysis indicated that no static covariates were highly correlated, allowing all to be retained for model construction. The results demonstrated that LightGBM and RF achieved the highest area under the curve (AUC) values of 0.979 and 0.975, respectively, with LightGBM exhibiting slightly better precision and faster processing speeds, making it the preferred model for further analysis.
The study further enhanced model performance by incorporating compound temporal precipitation, which combines cumulative precipitation over the month preceding landslide events with short-term precipitation from various antecedent periods. This approach significantly improved predictive accuracy, achieving a maximum mean AUC of 0.986 when combining monthly cumulative precipitation with precipitation on the day of the landslide. The analysis revealed that while compound temporal precipitation slightly improved temporal generalization, it had a more pronounced effect on spatial generalization, highlighting the importance of both long-term and short-term precipitation patterns in landslide susceptibility. The findings underscore the necessity of considering compound temporal precipitation in predictive models, as it captures the hydrological mechanisms influencing landslide occurrences across different spatial and temporal contexts.