Mit der Inbetriebnahme der wasserwirtschaftlichen Infrastruktur unterliegen viele Hänge im Stauseebereich aufgrund von Schwankungen des Stauseespiegels häufig Verformungen, was die sichere Betriebsführung der Wassereinrichtungen erheblich beeinträchtigt und zu schwerwiegenderen Sekundärkatastrophen führen kann. Daher ist eine präzise Bewertung der Hangrutschanfälligkeit entscheidend für das Risiko- und Katastrophenmanagement in Stauseeregionen. In dieser Studie wurde im Untersuchungsgebiet des Uferabschnitts Zigui-Badong im Drei-Schluchten-Stausee eine detaillierte dynamische Hangrutschanfälligkeitsbewertung durchgeführt. Zunächst wurde auf Grundlage langfristiger Geländebegehungen und historischer Datenanalysen eine detaillierte Hangrutsch-Datenbank erstellt; dann wurden 16 Einflussfaktoren wie Höhe, Hangneigung und Lithologie ausgewählt, um ein Indikatorensystem zur Bewertung der Hangrutschanfälligkeit zu erstellen und eine vorläufige statische Bewertung unter Verwendung von Ensemble-Maschinellem Lernen durchzuführen. Auf dieser Grundlage wurde die SBAS-InSAR-Technologie eingesetzt, um langzeitliche Oberflächendeformationsdaten im Untersuchungsgebiet zu erfassen, und eine Optimierungsmatrix zwischen den Bewertungsergebnissen der Anfälligkeitsgrade und den SBAS-Deformationsraten erstellt, um eine Bewertung zu erhalten, die statische Vorhersagen mit dynamischen Deformationsinformationen koppelt. Die Ergebnisse zeigen: (1) Sehr hoch und hoch anfällige Bereiche konzentrieren sich hauptsächlich entlang des Jangtse und seiner Zuflüsse, wobei Höhe, Vegetationsbedeckung, Flussabstand und Niederschlag die Hauptkontrollfaktoren für die räumliche Entwicklung von Hangrutschen sind; (2) im Vergleich zum Basismodell kann das Ensemble-Lernmodell die Vorteile der Basismodelle effektiv kombinieren und die optimale Modellgenauigkeit (AUC=0.954) erreichen; (3) die dynamischen Hangrutschanfälligkeitsresultate mit gekoppeltem zeitlichem InSAR können Falsch-Negativ- und Falsch-Positiv-Fehler der statischen Bewertung effektiv korrigieren. Die Studie trägt dazu bei, die Genauigkeit und Aktualität der Hangrutschanfälligkeitsmodellierung zu verbessern und bietet neue Anhaltspunkte für das dynamische Risiko-Management von Hangrutschkatastrophen an Stauseen.

Hangrutsch; dynamische Anfälligkeit; maschinelles Lernen; Ensemble-Lernen; zeitliche InSAR; Drei-Schluchten-Stausee