GMD: RTSEvo实现冻土热融滑塌的动态演化预测
在全球气候持续变暖的背景下，冻土退化正深刻影响寒区地貌演化及其生态与工程安全格局。其中，逆向热融滑塌（retrogressive thaw slumps, RTS）作为典型的热融地貌过程，其快速扩张不仅威胁高寒生态系统稳定，还对交通基础设施与碳循环产生重要影响。如何从区域尺度上理解并预测其时空演化过程，已成为当前冻土研究中的关键科学问题。
针对传统研究中普遍依赖静态易发性评估、难以刻画动态演化的问题，permalab团队(https://permalab.science) 近期在 Geoscientific Model Development 发表研究成果，提出了RTSEvo v1.0模型框架。该模型通过整合时间序列分析、机器学习方法与地貌过程机制，首次在区域尺度上实现了RTS扩展过程的动态模拟与预测。
RTSEvo的核心在于构建一个多模块耦合的演化框架，将区域尺度的变化趋势与局地尺度的空间过程有机结合。模型首先通过时间序列方法预测未来RTS的总面积需求，从而为模拟提供宏观约束；随后利用机器学习算法，在多源环境因子基础上建立像元尺度的发生概率分布；在此基础上，通过引入邻域效应、随机扰动及地貌过程约束的空间分配机制，将概率信息转化为具有物理意义的空间扩展过程。特别值得强调的是，模型引入了“逆向侵蚀因子”，用于刻画滑塌头壁沿坡面向上退缩的典型演化特征，使模拟过程能够反映真实的地貌动力学机制。
在青藏高原北麓河流域的应用表明，该模型在重建RTS空间格局及其演化路径方面具有良好表现。与传统基于概率的模型相比，引入过程机制后，模型在变化检测精度方面获得显著提升，最高可达约30%。同时，模拟结果不仅在总体分布上与观测数据高度一致，也能够较好再现滑塌扩展的空间聚集性及方向性特征。在独立年份的验证中，模型保持了稳定性能，但在极端气候事件影响下仍表现出一定敏感性，这也从侧面反映出过程约束在复杂环境条件下的重要作用。
进一步的跨区域测试显示，RTSEvo在不同冻土环境下具备良好的结构适用性，但模型参数对区域环境条件具有一定依赖性。研究表明，通过区域化参数校准可以显著提升模拟精度，这一结果强调了冻土系统空间异质性对地貌过程建模的重要影响，也为未来开展大尺度模拟提供了方法学启示。
总体而言，该研究标志着冻土灾害建模从静态分析向动态预测的重要转变。RTSEvo通过将统计模型与物理过程相结合，不仅提升了预测能力，也增强了模型对地貌演化机制的解释力。相关成果为理解气候变化背景下的冻土响应过程提供了新的技术路径，并为寒区工程规划与灾害风险评估提供了有力支撑。
未来，permalab团队将进一步拓展模型功能，包括引入极端气候事件驱动机制、多状态地貌转化过程以及不确定性量化分析，以提升模型在复杂环境条件下的适用性与预测能力。
论文引用：
- Xu, J., Zhao, S., Nan, Z., Niu, F., & Zhang, Y. (2026). RTSEvo v1.0: A Retrogressive Thaw Slump Evolution Model. Geoscientific Model Development, 19, 2919-2943. http://doi.org/https://doi.org/10.5194/gmd-19-2919-2026
模型及数据