热融滑塌是富冰冻土区因地下冰剧烈消融诱发的典型热侵蚀地质灾害。针对传统机器学习和常规图神经网络在处理不规则斜坡单元和空间拓扑关系时的局限性，本文提出一种边感知残差密集连接图神经网络（RDCGNN）。通过显式建模边特征并引入深层架构，实现了祁连山热融滑塌易发性的高精度预测，并利用 SHAP 分析揭示了其“水热耦合”与“人类活动”交织的致灾机制。
祁连山多年冻土退化引发的热融滑塌严重威胁生态与工程安全，亟需突破现有评估方法在空间依赖表达上的瓶颈。
具有后退式崩塌与流态化运移特征，加速多年冻土退化、加剧沙漠化与水土流失，威胁青藏铁路、公路等重大工程安全。
传统方法视评价单元为独立样本；CNN 依赖规则栅格；常规 GNN 侧重节点聚合，忽略“边特征”（如距离、相似度）的物理调制作用。
提出边感知残差密集连接图神经网络 (RDCGNN)，显式建模边特征并引入深层架构，实现高精度预测并揭示致灾机制。
基于曲率分水岭法划分斜坡单元，并构建包含多维边特征的图结构，通过动态图卷积算子实现高精度预测。
采用曲率分水岭法将研究区划分为 978,658 个斜坡单元。引入频率比 (FR) 模型作为先验约束，在发生概率极低的区域抽取负样本，确保正负样本均衡且高置信度。
采用一阶 Queen 邻接规则定义初始边集，通过余弦相似度剔除异质连接进行邻域纯化。计算质心欧氏距离和语义相似度作为多维边特征。
包含边缘感知密集边缘卷积模块 (DEB)，显式利用边特征生成卷积核权重；引入宏观密集连接与微观残差连接，缓解深层网络梯度消失与过平滑；采用 Focal Loss + 拉普拉斯正则项。
边流将边特征映射为权重矩阵，节点流实现加权聚合，显式利用了空间相互作用。
Focal Loss 用于处理样本不平衡，拉普拉斯正则项用于保持预测结果的空间平滑性。
RDCGNN 在各项评价指标上均显著优于传统机器学习和基础图神经网络，图斑连续平滑，不确定性极低。
| 模型 | AUC (%) | F1-Score (%) | MCC | 参数量 (k) | 计算量 (FLOPs/M) |
|---|---|---|---|---|---|
| RF | 89.47 | 81.33 | 0.80 | - | - |
| SVM | 91.97 | 84.28 | 0.83 | - | - |
| GCN | 92.97 | 93.31 | 0.87 | 3.07 | 15.66 |
| GraphSAGE | 92.99 | 93.10 | 0.87 | 14.21 | 250.54 |
| RDCGNN | 94.05 | 94.59 | 0.91 | 5.37 | 1630.00 |
研究不仅证明了边特征与深层架构的必要性，还揭示了祁连山热融滑塌受水热耦合与人类活动驱动的物理机制。
去除边特征导致 AUC 下降 1.69%，证明边特征是精度提升关键；去除残差连接导致 AUC 降幅最大 (3.45%)，证明其对防止深层 GNN 退化至关重要。
降水、距道路距离、距河流距离、地表温度是主控因子。揭示了“水热耦合”驱动冻土退化及“人类活动/河流冲刷”触发灾害的逻辑。
降水呈现“钟形”依赖曲线，反映触发阈值效应；坡度呈单峰状，高发于 12~20° 的斜坡，符合重力势能与地下冰赋存的地貌限制。