Spatial Block-Evaluated Graph Neural Networks for Landslide Susceptibility Mapping in North Kashkadarya, Uzbekistan

方法

272处滑坡编录生成900正负样本，21个20米环境因子，嵌套空间块交叉验证。

发现

R-GCN表现最优（ROC-AUC=0.9383），模型一致强调东部和东北部山地高易发。

机会点

可将空间块评估的GNN框架迁移至农田滑坡、土壤侵蚀等农业地质风险制图与作物安全评估。

在空间聚集的山区地形中进行滑坡敏感性制图，需要能够表征空间依赖性和地理结构化评估的模型。本研究比较了五种图神经网络（GNN）架构在乌兹别克斯坦北卡什卡达里亚地区的应用：图卷积网络（GCN）、图采样与聚合网络（GraphSAGE）、关系图卷积网络（R-GCN）、切比雪夫图卷积网络（ChebNet），以及未实现完整Graphormer架构的TransformerConv图神经网络（TransformerConv GNN）。将272个已测绘滑坡要素的编目转换为900个存在样本，并与900个距离约束的缺席样本配对。21个地质、地形、水文和环境因子在20 m分辨率下进行了协调统一。超参数在嵌套空间块交叉验证内选取，性能采用受试者工作特征曲线下面积（ROC-AUC）、精确率-召回率曲线下面积（PR-AUC）、F1和Brier分数进行汇总。R-GCN取得了最高的观测得分（ROC-AUC = 0.9383，PR-AUC = 0.9401，F1 = 0.8778，Brier分数 = 0.1033），其次为ChebNet。五幅模型特定的敏感性图一致突出显示了切割强烈的东部和东北部山地带，但不同架构之间的类别边界存在差异。积分梯度归因将北向性、归一化植被指数（NDVI）、下坡曲率、地貌单元和地表纹理列为模型的主要控制因子。结果支持基于GNN的区域敏感性筛查，但直推式图、无缓冲块设计、静态编目和1 km预测节点间距限制了对模型外部泛化或站点尺度预测的主张。