ÖZGELİŞTİRİLMİŞ ARAŞTIRMA MAKALESİ
\n
Front. Earth Sci., 12 Kasım 2026
\n
Bölüm: Atmosfer Bilimleri
\n
Cilt 14 – 2026 | https://doi.org/10.3389/feart.2026.1974599
\n
- LL
Lin Li 1
- XG
Xiaodan Guan 1*
- ZW
Zhimin Wei 1
- XS
Xiaohan Shen 1
- PD
Pengbo Da 1
- SJ
Shi Jin 1
- FZ
Fanyu Zhang 2
- BC
Bin Chen 1
\n
-
1. Lanzhou Üniversitesi, Atmosfer Bilimleri Fakültesi, Lanzhou, Çin
-
2. Lanzhou Üniversitesi, Jeolojik Mühendislik Bölümü, Çin’in Batı Bölgesinde Afet ve Çevre Mühendisliği Açısından Önemli Laboratuvar (MEK), Lanzhou, Çin
\n
Makale ölçütleri
Özet
\n
Giriş:
\n
Tibet Platosu (TP), iklim ısınmasıyla artan sıklıkla heyelan yaşiyor. TP üzerinde heyelan duyarlılığının projelendirilmesi, değişen iklim koşulları altında öncesel yağmur, toprak nemi ve sıcaklığın birlikte modellenmesini gerektirir.
\n
Yöntem:
\n
Bu çalışmada, 38 hidroklimatik ve yamacı belirleyen değişken kullanılarak SSP1-2.6 ve SSP5-8.5 altında günlük duyarlılık 2100’e kadar projelendirilmiştir. CatBoost ve XGBoost puanları, senaryo karşılaştırmaları için ortak bir temel sağlamak amacıyla ortalamaya alınmıştır.
\n
Sonuçlar:
\n
Her iki modelde de öncesel günlük yağmur baş belirleyicidir. SSP5-8.5 altında, Yüksek veya Çok Yüksek olarak sınıflandırılan grid hücrelerinin yıllık oranı her on yılda 4,37 puan artarak 2100’de %51,2’ye ulaşır. Temmuz-Ağustos zirvesini Haziran ve Eylül’de artan duyarlılık izler. 2081-2100 dönemi için bölge ortalaması, 0-50% arasında değişen yağmur perturbasyonlarında 0,3103’ten 0,3198’e çıkar ve ardışık düzeyler arasında giderek büyüyen artışlar gözlemlenir.
\n
Tartışma:
\n
Bu sonuçlar, mekânsal açıdan heterojen hidroklimatik yanıtları ve doğrusal olmayan bir bölge ortalaması perturbasyon yanıtını ortaya koyarak heyelan izlemesi için mekânsal ve mevsimsel öncelikleri belirler.
\n
1. Giriş
\n
Tibet Platosu (TP), 4.000 metrenin üzerinde ortalık yüksekliğiyle, Yüksek Asya Dağları’nın en çok heyelan riski taşıyan bölgelerinden biridir. Bir iklim kuvvetlendiricisi ve Asya’nın büyük nehirlerinin kaynak bölgesi olarak TP, çevresel etkisini platodan çok daha öteye yaymaktadır (Ye ve Wu, 1998; Duan ve Wu, 2006; Immerzeel et al., 2010; Yao et al., 2012). Yoğun tektonik yükselme, yoğun fay bölgeleri ve parçalanmış kaya kütleleri doğuştan kararsız yamaçlar yaratırken, yoğun yaz muson yağmurları sık tetikleyiciler sağlar (Froude ve Petley, 2018; He et al., 2019). TP’deki heyelanlar önemli can kayıplarına yol açmıştır: 1950 ile 2016 arasında 165 ölümcül olay 2.916 kişinin hayatına mal olmuştur (Lin ve Wang, 2018). Aynı zamanda Qinghai–Tibet ve Sichuan–Tibet demiryolları dahil kritik altyapılara artan tehditler oluşturmaktadırlar (Chen et al., 2015; Wang et al., 2022). Süreklenen iklim ısınması altında, aşırı yağış olaylarının sıklığı ve şiddetinin artması öngörülmektedir (Gariano ve Guzzetti, 2016; Kirschbaum et al., 2020; Gao et al., 2025) ve bu durum TP genelinde heyelan tehlikesi potansiyelini artırmaktadır (Ma et al., 2020). Bu eğilim, heyelan hassasiyetinin 21. yüzyıl boyunca TP üzerinde nasıl evrileceğine dair acil soruları gündeme getirmektedir.
\n
Tibet Platosu’nda (TP) heyelan oluşumu üç faktör kategorisi tarafından belirlenir. Aşırı yağış, özellikle olaydan önceki haftalar içindeki maksimum günlük yağış, doğrudan tetikleyici sağlar: gözenek suyu basıncını hızla yükseltir ve toprak bağlanmasını azaltır (Kirschbaum et al., 2020; Li et al., 2025). Öncül sıcaklık ve toprak nemi, yamaçları kararsızlığa hazırlar. Sıcaklık, önemli ancak ikincil bir denetim uygular: yükselen sıcaklıklar kalıcı donuğun bozulmasını hızlandırır ve donma-çözülme döngülerini şiddetlendirir, kaya kütlesinin mukavemetini zayıflatır ve yer altı hidrojolojisini değiştirir (Stanley et al., 2024). Toprak nemi, yağış geçmişinin ve buharlaşma kayıplarının bütünsel etkisini yansıtır ve yamaçların belirli bir yağış olayına nasıl tepki verdiğini düzenler. Topografy, özellikle yamaç açısı, bu hidroklimatik süreçlerin işlediği fiziksel sınır koşullarını tanımlar (Xu et al., 2025).
\n
Bu çalışmayı yönlendiren üç düşünce vardır. İlk olarak, günlük bölgesel projeksiyonlar, öncesindeki yağış zamanlamasını toprak nemliği ve sıcaklıkla birlikte temsil etmelidir (Dikshit et al., 2019; Xu et al., 2025; Yao et al., 2025). İkinci olarak, önceki projeksiyonlar bireysel iklim modelleri veya çoklu-model ortalamaları kullanmıştır (Lin et al., 2020; Ge et al., 2024). Bireysel CMIP6 modelleri, TP üzerinde önemli sapmalar göstermekte ve her iklim alanı için değişkene özgü değerlendirme ve seçim gerektirmektedir (Rivera ve Arnould, 2020; Wang et al., 2023). Üçüncü olarak, ortak hidro-iklim değişiklikleri ve koşullu yağış duyarlılığı farklı soruları yanıtlar ve ayrı karşılaştırmalar gerektirir. 38 öncesinde hidro-iklim ve yamacı öngöreni kullanarak dokuz negatif-örnekleme yapılandırmasını değerlendirir ve CMIP6 modellerini iklim değişkeni başına ayrı ayrı sıralarız. CatBoost ve XGBoost, iki uydurulmuş skor tahmini sağlar; bu tahminlerin eşit ağırlıklı ortalaması senaryo karşılaştırmalarında tutarlı şekilde kullanılır. Günlü projeksiyonlar SSP1-2.6 ve SSP5-8.5 altında 2015–2100 yıllarını kapsar. Bölgesel sürücü karşılaştırmaları azalan yatkınlığın görüldüğü alanları karakterize ederken, yağış perturbasyonları, yüzyıl sonundaki SSP5-8.5 referansı etrafındaki uydurulmuş model tepesini tanımlar. Birlikte bu analizler, günlük öngöreni bilgisini bölgesel yatkınlıktaki mekânsal ve mevsimsel değişikliklerle bağlar.
\n
2 Veri ve yöntemler
\n
2.1 Veri
\n
Tarihi temel dönem (2006–2018) için günlük ölçekli gözlem veri setleri, yağış, hava sıcaklığı ve toprak nemliğini içerir. Izgaralı yağış ve sıcaklık verileri, 0.1° mekânsal çözünürlükte Çin Meteorolojik Zorlama Veri Seti (CMFD) kaynaklıdır. CMFD, istasyon gözlemlerini, uydu ürünlerini ve yeniden analiz verilerini birleştirerek oluşturulmuş olup, TP üzerinde güvenilir meteorolojik zorlama sağlar (He et al., 2020). Toprak nemliği verileri, 0.25° çözünürlükte Küresel Kara Verisi Soğutma Sistemi (GLDAS) içindeki GLDAS_NOAH025_3H_2.1 ürününden elde edilmiş ve sonrasında 0.1° çözünürlüğe enterpol edilmiştir.
\n
Deprem kayıtları, NASA’nın Küresel Heyelan Kataloğu (GLC) üzerinden çıkarıldı. TP alanında 2007 ile 2018 yılları arasında meydana gelen toplam 110 heyelan olayı seçildi. Her olay, öncül öngörücülerin çıkarılması için konumu ve meydana geldiği tarih ile temsil edildi (Şekil 1). GLC’nin medya raporlarından, yayımlanan literatürden ve olay kayıtlarından derlendiğini belirtiyoruz. Bu nedenle küçük, uzak ya da bildirilmemiş heyelanları eksik yansıtma eğilimi gösterebilir ve daha kalabalık, erişilebilir olan TP’nin güneydoğusunda alansal kümelenme sergiler. Bu örneklem yanlılığının sonuçlarını Bölüm 4’te tartışıyoruz. Topografya değişkenleri, birleştirilmiş 0.1° ızgarada Küresel Çok Çözünürlüklü Arazi Yükseklik Verisi 2010 (GMTED 2010) kullanılarak elde edildi. Bu çalışmada kullanılan TP sınırı, Zhang (2019) tarafından sağlanan veri setinden alındı.
\n
ŞEKİL 1
\n
CMIP6 aday kümesi, çalışma yapılandırması için yağmur ve toprak nemi alanları birlikte kullanılabilir durumda olan 12 küresel iklim modelinden oluşuyordu (Ek Tablo S1). Yağmur, sıcaklık ve toprak nemi, senaryo analizi için hidroklimatik zorlamayı sağladı. Tarihsel duyarlılık karşılaştırmaları 2006–2014 yıllarını, geleceğe yönelik projeksiyonlar ise 2015–2100 yıllarını kapsadı. SSP1-2.6 ve SSP5-8.5, bölgesel karşılaştırma için zıt düzeyde düşük ve yüksek zorlama yollarını sundu (O’Neill et al., 2016). Tüm meteorolojik, hidroklimatik ve topografik veriler, birleştirilmiş 0.1° × 0.1° alansal çözünürlüğe çift doğrusal olarak enterpol edildi. Ek Tablo S4, veri setlerini, analizdeki rollerini, yerel çözünürlüklerini, kullanılan dönemleri, dosya biçimlerini ve erişim bağlantılarını özetliyor. Bu tablo, yerel veri çözünürlüğü ile ortak 0.1° analiz ızgarayı birbirinden ayırıyor.
\n
2.2 Yöntemler
\n
2.2.1 Öngörücüler ve özellik tasarımı
\n
Kısa vadeli tetikleyici mekanizmalar ile heyelanların öncesindeki çevresel ön koşulları yakalamak için 38 öngörücü oluşturduk: 15 günlük yağış değeri, 11 yağış özeti, beş toprak-nem özelliği, altı sıcaklık özelliği ve eğim (Ek Tablo S2). t tarihli bir örnek için öncesel aralık, örnek günü hariç tutarak t−15 ile t−1 arasına uzanır. Yağış özellikleri su girişinin zamanlamasını ve büyüklüğünü tanımlarken, toprak-nem özellikleri ilgili ıslaklık koşullarını temsil eder (Bogaard ve Greco, 2018). Benimsenen aralık, Himalyalarda 5-, 10- ve 15 günlük öncesel yağış eşiklerinin karşılaştırılmasında bir örneğe sahiptir (Guo ve ark., 2022). Sikilya’daki kanıtlar da toprak-nem bilgilerinin yağış olaylarından en fazla 15 gün önce öngörücü değer taşıdığını destekler (Palazzolo ve ark., 2025). Bu çalışmalar ortak bir öncesel aralığı teşvik eder; ilgili zaman ölçeği yine bölgesel koşullara ve öngörücü tasarıma bağlıdır.
\n
Günlük yağış dizisi kronolojik olarak t−15’ten t−1’e kadar sürer ve 1, 3, 7 ve 15 günlük özetlerle desteklenir. Yağış-değişikliği özelliği, son 7 günlük ortal yağışı öncesindeki 8 günlük ortal yağışla karşılaştırır. (P_son − P_önce)/P_önce olarak hesaplanır ve mm gün⁻¹ biriminde günlük ortal yağış kullanır. Toprak-nem özellikleri ortalamayı, son-gün değerini, maksimumu, standart sapmayı ve son-7-gün ile önceki-8-gün ortalamasının farkını içerir. Sıcaklık özellikleri öncesel aralık üzerindeki ortalamayı, son-gün değerini, maksimumu, minimumu, standart sapmayı ve doğrusal eğimi içerir. Ek Tablo S2 tüm öngörücüleri, birimleri, eşikleri ve gecikme convention’larını belirtir.
\n
Öngörücü seçimi çalışmanın hidroklimatik odaklanmasına uygun olarak yürütülür ve DEM kaynaklı eğim, tek statik arazi öngörücüsüdür. Aynı eğim alanı hem tarihsel hem de gelecekteki hesaplamalarda kullanılarak, bölgesel grid ölçeğinde ortak bir arazi arka planı tanımlar. Jeolojik koşullar dolayısıyla öngörücü kümesi tarafından doğrudan temsil edilmez.
\n
2.2.2 Olumsuz örnekleme stratejisi ve model eğitimi
\n
Negatif (deprem olmayan) örneklerin oluşturulması model davranışını kritik düzeyde etkiler. Sağlam bir temel oluşturmak için üç farklı negatif örnekleme stratejisi tasarladık ve değerlendirdik. A Stratejisi (tamamen rastgele): negatif noktalar tüm TP alanından seçildi. B Stratejisi (topografya ile kısıtlanmış): örnekleme, eğimin 5°’yi aştığı alanlarla sınırlandı. C Stratejisi (uzaysal olarak tamponlanmış): örnekleme, bilinen deprem konumlarından 0.5° yakınındaki alanlar hariç tutuldu. Her strateji, 1:1, 1:3 ve 1:5 pozitif-negatif oranlarında test edildi ve dokuz aday eğitim konfigürasyonu ortaya çıktı. Her negatif konuma, olay tanımlayıcısı aracılığıyla eşleştirildiği deprem olayının gerçekleşme tarihi atandı. Ardıl öngörücüler, ardından pozitif örnekler için kullanılan aynı t−15 ile t−1 aralığında çıkarıldı. A_1to1 konfigürasyonunda bu eşleştirme, pozitif ve negatif sınıflara aynı tarih dağılımını sağlar. Her iki sınıfta da 24 Haziran, 47 Temmuz, 11 Ağustos ve beş Eylül örneği bulunur; geri kalan örnekler diğer aylara dağılır. Negatif örnekler dolayısıyla olay envanterinin zaman dağılımını izler.
\n
Tüm konfigürasyonlar, %80/%20 rastgele eğitim/test ayrımı ile değerlendirildi (random_state = 25). CatBoost (Prokhorenkova ve ark., 2018) ve XGBoost (Chen ve Guestrin, 2016) her konfigürasyon için eğitildi ve ilgili test alt kümesinde değerlendirildi. Model performansı, alıcı işletim eğrisi altında kalan alan (AUC), F1 skoru, duyarlılık, doğruluk ve isabetlilik kullanılarak değerlendirildi. AUC, sınıflandırma eşikleri boyunca deprem ve deprem olmayan örnekler arasında ayrım gücünü ölçer. F1 skoru, doğruluk ve duyarlılığın harmonik ortalamasıdır. Seçilen A_1to1 konfigürasyonu 110 deprem ve 110 negatif örnek içerir. TP üzerinde pozitif deprem örneklerinin ve seçilen A_1to1 negatif örneklerinin uzaysal dağılımı Ek Şekil S1’de gösterilmiştir. Her iki model için de hiperparametreler, ızgara araması ile ayarlandı. Dokuz konfigürasyonun tümü için hiperparametrelerin tam kümesi ve test-set performans metrikleri Ek Tablo S3’te verilmiştir.
\n
CatBoost ve XGBoost skorları, senaryo karşılaştırmaları için tutarlı tek bir çıktı sağlamak üzere 0.5 sabit ağırlıklarla ortalamaya alınmıştır. Eşit ağırlıklı ortalamaya, ayrı bir tahmin metodu olarak optimizasyon uygulanmamıştır. Çıktılar, sağlanan öngörücü koşullar altında göreceli eğilimi betimleyen, 0–1 ölçeğinde model kaynaklı yatkınlık skorlarıdır (Reichenbach et al., 2018); 0.80’lik bir skor, belirli bir konum ve zaman aralığı için %80 heyelan oluşum olasılığı belirtmez. SHAP, her bir uyarlanan modeldeki öngörücü katkıları karakterize etmek için kullanılmıştır (Lundberg ve Lee, 2017; Nohara et al., 2019). CatBoost, XGBoost ve ortalamaları, 19 heyelan ve 25 olumsuz örnek içeren aynı 44 A_1to1 test örneği üzerinde değerlendirilmiştir. AUC sürekli skorlardan hesaplanmıştır; F1, doğruluk, geri çağırma ve doğruluk ise 0.5 ortak bir skor eşiğini kullanmıştır.
\n
2.2.3 CMIP6 model değerlendirmesi ve seçimi
\n
CMIP6 model performansı, tarihsel örtüşme döneminde (2006–2014) dört ölçüt kullanılarak CMFD ve GLDAS gözlem verileriyle karşılaştırılmıştır. Alan örüntüsü sadakati, alan korelasyon katsayısı (Rs) ve ortalama karekök hatası (RMSE) ile nicellenmiştir. Yıllık değişkenlik ve uzun vadeli eğilim tutarlılığı, zamansal korelasyon katsayısı (Rt) ve eğilim farkı (Trend) ile değerlendirilmiştir (Yang et al., 2019; Rivera ve Arnould, 2020; Pimonsree et al., 2023; Wang et al., 2022). Detaylı metod açıklaması, Ek Malzemenin Ek Metni S1 bölümünden görüntülenebilir. Her ölçüt, heyelan sitesi ve bölgesel ortalam ölçeklerinde hesaplanmıştır. Modeller ayrı ayrı yağış, sıcaklık ve toprak nemi için sıralanmıştır. Kapsamlı sıralama sonuçları Ek Şekil S2’de sunulmaktadır.
\n
2.2.4 Çoklu model birleşimi kurulumu
\n
Individual GCM’lerin yapısal belirsizliklerini azaltmak için, çoklu-model topluluğu (MME) oluşturmak amacıyla her değişken için en iyi üç modeli aritmetik ortalama ile ortalamaya alındı. Bu değişken bazlı yaklaşım, zorlayıcı verilere tüm değişkenler için tek bir model seti uygulamak yerine, her iklim alanı için en iyi performans gösteren modellerin katkısını sağlar (Guan ve ark., 2023). MME iklim zorlaması, 2015-2100 yılları için hem SSP1-2.6 hem de SSP5-8.5 senaryoları altında oluşturuldu ve günlük heyelan duyarlıliği projeksiyonları üretmek için eğitilen CatBoost–XGBoost topluluğuna girildi.
\n
2.2.5 Duyarlılık seviyesi sınıflandırması
\n
Düşük, Orta, Yüksek ve Çok Yüksek sınıfları tanımlamak için tarihsel ortalama duyarlılık puanlarına Jenks doğal kırılımları uygulandı (Jenks, 1967). Tarihsel eşikler, dönemler ve senaryolar arasında ortak bir sınıflandırma ölçeği sağlamak için tüm geleceğe ait karşılaştırmalar için korundu. Alan oranları, bir sınıfa atan geçerli hücre sayısı geçerli hücre toplamına bölünerek hesaplandı. Birleştirilmiş Yüksek + Çok Yüksek oranları, her iki sınıftaki toplam sayıyı kullandı. Yağış bozma deneyi için, SSP5-8.5 altında 2081-2100 yıllarına ait yağış girdileri %0, %10, %20, %30, %40 ve %50 oranında artırıldı; sıcaklık ve toprak nemi girdileri her seviyede bozulmamış SSP5-8.5 değerlerinde korundu. Bölgesel ortalamalar, eşit hücre ağırlıkları ile aynı geçerli hücreler üzerinde hesaplandı.
\n
3 Bulgular
\n
3.1 Model performansı, öngörücü katkıları ve tarihsel örüntüler
\n
Aynı 44 test örneğinde CatBoost, XGBoost ve eşit ağırlıklı ortalama sırasıyla 0.945, 0.933 ve 0.939 AUC değerlerine ulaştı. F1 skorları 0.895, 0.865 ve 0.895 olarak bulundu. 0.5 eşikinde CatBoost ve ortalama özdeş sınıflandırmalar üretti. Bu nedenle ortalama, bu testte CatBoost üzerinde bir iyileştirme sağlamadı; senaryo analizinin ortak skor tanımı olarak hizmet verdi. Tam performans metrikleri Ek Tablo S5’te sağlanmakta, bireysel modeller için SHAP özetleri ise Ek Şekil S3’te gösterilmektedir.
\n
Her iki modelde de 15 günlük maksimum yağış (pr_15_max), SHAP katkılarının 0.99 (CatBoost) ve 0.77 (XGBoost) olduğu tek en etkili öngörücü olarak öne çıktı. Bu sıralama, uyarlanan modellerde öncesindeki yağış uçlarının katkısını vurguluyor. 15 günlük minimum sıcaklık (T_15_min) her iki modelde de ikinci sırada yer aldı (CatBoost: 0.76; XGBoost: 0.64) ve ardından modele özgü yağış ve toprak nemi öngörücüleri geldi. Böylece öncesindeki yağışın zamanlaması, nem ve sıcaklık, eğimle birlikte modellenmiş yatkınlık örüntüsüne katkı sağladı (Ek Figure S3).
\n
Tarihsel alan tutarlılığı, gözlem kaynaklı ve CMIP6 kaynaklı model çıktılarının 2006–2014 için karşılaştırılmasıyla değerlendirildi (Figure 2). gözlem kaynaklı ortalama skor, 0.022 ile 0.930 arasında değişen güneydoğudan kuzeybatıya doğru bir azalma gösterdi; Hengduan Dağları ve Himalayaların güney eteklerinde daha yüksek skorlar gözlemlandı. Bu model kaynaklı referansa göre alan korelasyonları CatBoost için 0.76, hem XGBoost hem de eşit ağırlıklı ortalama için 0.77 olarak bulundu. Bu korelasyonlar, zorlanmaya bağlı yatkınlık haritaları arasındaki uyumu tanımlar ve yukarıda aktarılan örnek düzeyindeki metrikleri tamamlar.
\n
FIGURE 2
\n
Olasılık yoğunluk fonksiyonları, gözlem kaynaklı ve CMIP6 kaynaklı yatkınlık skorlarının dağılımlarını özetler (Figure 3). Her iki çıktı kümesi de sağa çiriktir. Tarihsel ortalama skorlardan elde edilen Jenks doğal kırılımları dört sınıf üretti: Düşük (P < 0.1204), Orta (0.1204 ≤ P < 0.3454), Yüksek (0.3454 ≤ P < 0.6862) ve Çok Yüksek (P ≥ 0.6862). Bu dört ondalıklı sınırlar okunabilirlik için gösterilmektedir; Yüksek için 0.3453767895698547 ve Çok Yüksek için 0.6861761808395386 dahil olmak üzere yuvarlanmamış tarihsel kırılma noktaları, bildirilen sınıf hesaplamalarını belirler. Bu eşikler ardından tüm tarihsel ve gelecekteki CMIP6 kaynaklı projeksiyonlara tutarlı şekilde uygulandı.
\n
FIGURE 3
\n
3.2 Gelecekteki yarkınlık projeksiyonları ve mevsimsel gelişim
\n
Şekil 4, 2015–2100 yılları arasında birleştirilmiş Yüksek + Çok Yüksek kategorisi ve Çok Yüksek sınıfına ait yıllık hücre yüzdelerini göstermektedir. Burada P, yıllık ortalama duyarlılık skorudur. İnce eğriler bireysel yılları; kalın eğriler ise ortalanmış 5 yıllık hareketli ortalamaları gösterir. 5 yıllık ortalamanın son tanımlı değeri 2098 yılında olduğundan, bildirilen 2100 yılı yüzdesi ince yıllık eğriye işaret eder.
\n
ŞEKİL 4
\n
SSP1-2.6 altında, birleştirilmiş Yüksek + Çok Yüksek kategorisindeki hücre yüzdeleri her on yılda 0.55 puan artmaktadır (p < 0.01). SSP5-8.5 altında ise bu artış her on yılda 4.37 puandır (p < 0.01). Çok Yüksek sınıfı, SSP1-2.6 ve SSP5-8.5 altında sırasıyla her on yılda 0.04 ve 0.23 puan artmaktadır (her ikisi de p < 0.01). Dolayısıyla daha yüksek zorlama senaryosu, yüksek duyarlılık hücrelerinin belirgin şekilde daha hızlı bir şekilde genişlemesine yol açar. 2100 yılında yıllık Yüksek + Çok Yüksek oranı SSP5-8.5 altında %51,2’dir.
\n
Alan açısından bakıldığında, gelecekteki duyarlılık tarihsel “güneydoğuda yüksek, kuzeybatıda düşük” desenini korumaktadır (Şekil 5). SSP1-2.6 altında birleştirilmiş Yüksek + Çok Yüksek hücre oranı 2021–2040 yıllarında %10,8’den 2081–2100 yıllarında %14,3’e yükselir. Çok Yüksek oranı üç dönem boyunca %1,1’in altında kalar. SSP5-8.5 altında birleştirilmiş oran %11,3’ten %39,9’a çıkarken, Çok Yüksek oranı %0,9’dan %2,4’e yükselir. Yalnızca Yüksek sınıfı, 2081–2100 alan özetinde %37,6 oranıyla yer almaktadır (Şekil 5F). Bu dönem özetleri, Şekil 4A’da bildirilen yıllık birleştirilmiş oranları tamamlamaktadır. Maksimum duyarlılık skorları yakın ve uzak vadeli SSP5-8.5 dönemleri arasında 0.889’dan 0.928’e yükselmektedir.
\n
ŞEKİL 5
\n
Senaryo farkları 2021–2040 ve 2041–2060 yıllarında mütevazı kalmış, bölgesel ortalama skor farkları sırasıyla 0.003 ve 0.019 olmuştur (Şekil 5G,H). 2081–2100 yılına gelindiğinde ortalama fark 0.111’e ulaşmış ve güney ile güneydoğu kenarlarında yerel maksimumlar 0.228’e ulaşmıştır (Şekil 5I). Dolayısıyla iki senaryo arasındaki alan tabanlı ayrışma, yüzyılın sonundaki dönemde en güçlü şekilde artmıştır.
\n
Mevsimsel haritalama, her iki senaryoda da Temmuz–Ağustos aylarında kayganlık zirvesinin, Ekim–Nisan aylarında ise daha düşük puanların görüldüğünü gösteriyor (Şekil 6). Aylık bölge ortalamalarının en düşük değerleri Nisan ayında kaydedildi: SSP1-2.6 altında 0.060, SSP5-8.5 altında 0.063. SSP1-2.6 senaryosunda aylık ortalama Ağustos 2087’de 0.518’e ulaşırken, SSP5-8.5 senaryosunda Ağustos 2094’te 0.80’e ulaştı. Haziran ve Eylül aylarında artan kayganlık, özellikle yüzyılın ikinci yarısında Temmuz–Ağustos zirvesini izledi. Bu örüntü, ana muson zirvesinin etrafındaki aylarda daha güçlü bir kayganlığa işaret ediyor.
\n
ŞEKİL 6
\n
Yakın gelecek (2081–2100) ile tarihsel temel (2006–2014) arasında duyarlılık değişiminin alansal dağılımı güçlü bölgesel farklılıklar gösteriyor (Şekil 7). Duyarlılık artışları (kırmızı) Hengduan Dağları ve Himalayaların güney yamaçlarında yoğunlaşmış; yerel en yüksek artış, SSP5-8.5 altında 0.292’ye ulaşırken, SSP1-2.6 altındaki değerin (0.157) neredeyse iki katına denk geliyor. Buna karşılık, duyarlılık azalmaları (mavi) plato iç kısımlarında ve Qaidam Havzasının bazı bölümlerinde görülüyor. En büyük azalma SSP1-2.6 altında −0.065; SSP5-8.5 altında ise neredeyse hiçbir grid hücreinde duyarlılık azalması gözlemlenmiyor (en küçük değişim: +0.006). Bölgenin tamamında ortalık net artış 0.050’den (SSP1-2.6) 0.162’ye (SSP5-8.5) üç katından fazla yükseliyor ve yüksek emisyon sinyoli belirgin biçimde kuzeye ve iç kesimlere doğru genişliyor. Bu örüntüler, SSP5-8.5 altında modellenen duyarlılıkta daha geniş ve daha güçlü artışların yanı sıra SSP1-2.6 altında yerel azalmaların olduğunu gösteriyor. Ek bir bölgesel karşılaştırma, Şekil 7A’da belirlenen 2.588 azalan grid hücrei boyunca hidro-iklim değişimlerini karakterize etti (Ek Tablo S6). Günlük ortalama yağış 1.563’ten 1.686 mm/gün’e, öncül 15 günlük kümülatif yağış ise 23.424’ten 25.288 mm’ye arttı. Ortalama toprak nemi 21.866’dan 21.001 kg/m²’ye düşerken, hava sıcaklığı 1.807 °C arttı. Ek Tablo S6, azalan alan maskesi içindeki yağış, öncül yağış birikimi, toprak nemi ve hava sıcaklığındaki değişimleri özetliyor. Toprak nemi, azalan grid krelerinin %72.8’inde düştü ve öncül 15 günlük ortalamalı toprak nem özelliği yaklaşık %3.96 azaldı. Bölgesel ortalamalı toprak nemi, Haziran-Eylül arasında yaklaşık 1.01–1.32 kg/m²’lik azalmalar da dahil olmak üzere her ayda düştü. Aynı karşılaştırma dönemleri ortalamında, azalan olmayan grid krelerinde toprak nemi yaklaşık %1.50 arttı. Bu bölgesel farklılıklar, duyarlılığın azaldığı alanlarda artan yağışa eşlik eden daha düşük toprak nemini ortaya koyuyor.
\n
ŞEKİL 7
\n
3.3 Duyarlılığın yağış değişimlerine hassaslığı
\n
Birleşik senaryo karşılaştırması ve yağış perturbasyonları, SSP5-8.5 yanıtının ayrı ayrı yönlerini betimler. İlki, yağış, sıcaklık ve toprak nemi birlikte evrilirken 2081–2100 ile 2006–2014’ü karşılaştırır. İkincisi ise yalnızca 2081–2100 SSP5-8.5 referansına yakın yağışı değiştirir; sıcaklık ve toprak nemi bozulmamış değerlerinde sabit kalır.
\n
Yaış-değişimi dilimlerinde birleşik senaryo analizi, yağış-değişimi ile duyarlılık-puanı-değişimi arasında monoton olmayan bir mekânsal ilişki göstermiştir (Şekil 8A). Çizilen bant, ortalamanın etrafındaki dilim içi mekânsal dağılımı temsil eder. Şekil 8B, puan-değişimi/yış-değişimi oranını; Şekil 8D ise mutlak bir perturbasyon kaynaklı puan farkını gösterir; paneller farklı nicelikler ve referans durumları kullanır.
\n
ŞEKİL 8
\n
Yalnızca yağış deneyinde bölge ortalamalı duyarlılık puanı, p0’daki 0.3103 değerinden p50’de 0.3198 değerine yükselmiştir (Şekil 8C; Ek Tablo S7). Ardışık yüzde-on seviyeleri arasındaki artışlar, değerlendirilen aralıkta artarak sürmüştür; bu da bölge ortalamalı yanıtın doğrusal olmayan bir karakter taşıdığını gösterir. Ek Tablo S7, tüm perturbasyon seviyelerini ve komşu artışları bildirir.
\n
+50% yağış perturbasyonu, artan bir bölge ortalamasına rağmen yerel düşüşler de dahil olmak üzere mekânsal açıdan heterojen puan değişimleri üretmiştir. Puan değişimleri yaklaşık −0.0211 ile +0.0954 arasında değişmiştir (Şekil 8D). Bu yanıtlar, sabit yüzyıl sonu sıcaklık ve toprak nemi girdileri altındaki uyarlanmış puan modelini betimler. Bağımsız bir sıcaklık katkısını izole etmezler ya da birleşik tarihselden geleceğe senaryo karşılaştırmasının yerini almazlar.
\n
4 Tartışma
\n
Bu çalışma, öncesel hidro-iklim öngörücülerini zıt iklim yolları altında günlük bölge düzeyinde duyarlılık projeksiyonlarıyla birleştirir. Üç nokta vurgulamayı hak eder.
\n
İlk olarak, 15 günlük maksimum yağış miktarı, CatBoost ve XGBoost modellerinde heyelan duyarlılığının en güçlü belirleyicisi olarak öne çıktı ve katkısı ortalı yağış ya da kümülatif yağış toplamlarının katkılarını belirgin biçimde aştı. Fiziksel olarak bu, kısa süreli ve yüksek yoğunluklu yağışların yüzey topraklarını hızlı biçimde doydurup gözenek suyu basıncını kritik eşiklerin üzerine çıkardığı yönündeki anlayışla uyumludur (Kirschbaum et al., 2020; Li et al., 2025). 15 günlük minimum sıcaklığın ikincil katkısı büyük ölçüde donma-çözülme döngülerinin rolünü yansıtıyor olabilir; daha düşük minimum değerler, özellikle kalıcı donlaklı bölgenin iç kesimlerinde kaya kütlesinin mukavemetini azaltan daha aktif bir donma-çözülme sürecine işaret ediyor olabilir. Özellikle Tibet Platosunun güneydoğu ve kuzeybatı kesimleri farklı fiziksel yollarla tepki veriyor görünüyor. Daha sıcak olan güneydoğu kenarında, kalıcı donluktan büyük ölçüde yoksun bir bölgede, yağışın daha derine sızması toprak kolonu boyunca gözenek suyu basıncını yükseltebilir. Soğuk kuzeybatı iç kesiminde ise donmuş tabaka dikey dreneyi kısıp kararsızlığı yüzeysel yeraltına hapsetmek ve derinden gelen yıkımların gelişimini sınırlamak durumunda. Bu fiziksel zıtlık, modelden elde edilen alansal örüntüyle uyumludur; burada yüksek duyarlılık güneydoğuda yoğunlaşmış ve kuzeybatıya doğru azalmaktadır. Ancak bu yorum hâlâ niteliksel düzeydedir; kalıcı donluğun hidroklojik bir bariyer olarak rolünü doğrulamak, doğrudan yeraltı gözlemleri ya da eşlik eden termal-hidroklojik modeller gerektirir.
\n
İkinci olarak, eşit ağırlıklı ortalamalı yaklaşım, iki iklim yolunun karşılaştırılması için ortak bir skor sağlar. Paylaşımlı test kümesinde AUC değeri CatBoost ile XGBoost skorlarının arasına düşmüş ve eşik temelli sınıflandırmaları CatBoost ile örtüşmüştür. Ortalamadan gelen bir tahmin kazancı bu analizle ispatlanmamıştır. Sabit tarihsel Jenks eşikleri, ortaya çıkan duyarlılık haritalarının dönemler ve yollar arasında tutarlı biçimde karşılaştırılmasını destekler.
\n
Üçüncü olarak, duyarlılığın artışlarının Tibet Platosunun güneydoğusunda projekte edilmesi, önceki Yüksek Asya Dağları projeksiyonlarıyla (Stanley ve ark., 2024) geniş ölçüde uyumludur. Günlü analiz, SSP5-8.5 altında Temmuz-Ağustos zirvesinin yanı sıra Haziran ve Eylül aylarında da artan duyarlılığı ortaya koyar. SSP1-2.6 altında azalan grid hücrelerinde, artan yağışla birlikte öncesindeki toprak neminin düşüklüğü eşlik eder (Ek Tablo S6); bu, nemin yerelleşmiş ortak model tepkisine katkıda bulunabileceğini düşündürür. Bu ilişki etkileri öngörücüler arasında bölmez. Ayrı olarak, yalnızca yağışa yönelik bozma işlemleri, giderek büyüyen artışlarla artan bölgesel ortalamaya yol açarken, yerel tepkiler işaretle değişir. Tek faktörlü bir bozma işlemi, etkileşen öngörücülerin etkilerini tam olarak bölmez (Saltelli ve Annoni, 2010). Bu tamamlayıcı analizler, ortak hidroklimatik değişimi ve koşullu yağış duyarlılığını, farkı sıcaklığa atfetmeden betimler.
\n
Alan ve mevsimsel projeksiyonlar, Tibet Platosu genelinde heyelan izlemi ve uyum planlaması için öncelikleri belirlemeye yardımcı olur. Güneydoğu kenarında artan duyarlılık, bu bölgeye yönelik dikkatin sürdürülmesini desteklerken, Haziran ve Eylüldeki artışlar dikkat edilmesi gereken ayları genişletir. Öncesindeki yağış uç değerlerinin öne çıkması da yavaş gelişen toprak nemi ve sıcaklıkla birlikte yağış yoğunluğunun izlenmesini destekler. Bu göstergeler, yerel gözlemleri ve yamaç koşullarını içeren operasyonel sistemler için bölgesel bağlam sağlar.
\n
İzlenimler, sabit bir arazi arka planı altında 0.1° çözünürlükte bölgesel hidro-iklim duyarlılığını tanımlar. Eğim tek statik öngörücüdür; kayalık birimlerini, jeolojik yapıları ve bireysel yamaçların çökmesine zemin hazırlayan diğer jeomorfolojik koşulları temsil edemez. Bölgesel modeller, güvenilir ve tutarlı verilerin mevcut olduğu durumlarda bu çevresel öngörücileri dahil etmelidir. Olay envanteri, güney ve güneydoğu kenarları boyunca yoğunlaşmış, iç kesimlerde ise seyrek kapsama sahiptir (Ek Bilgi Şekil S1); raporlama örüntüleri buradan öğrenilen ilişkileri etkileyebilir (Kirschbaum et al., 2015). Rastgele bölünme performansı, mevcut örnek ayrımını tanımlar ve alansal aktarılabilirliği kanıtlamaz (Roberts et al., 2017). CMIP6 alanları, önyazım düzeltmesi veya istatistiksel ölçek küçültme olmadan analiz gridine enterpolendi ve toplu ortalamalama tam izlenim belirsizliğini nicelendirmez. Bu değerlendirmeler yerel yorumu sınırlarken, ortak model kurulumu iklim yolları, bölgeler ve mevsimler arasında bölgesel karşılaştırmaları destekler.
\n
5 Sonuç
\n
Model çerçevesi, Tibet Platosu’nda günlük heyelan duyarlılığını, öncesindeki hidro-iklim koşulları ve sabit bir eğim alanından öngörür. Maksimum önces günlük yağış, hem uyarlanan modellerde öngörücü olarak öne çıkar. SSP5-8.5 altında, Yüksek + Çok Yüksek grid-hücre oranı SSP1-2.6’ya göre neredeyse sekiz kez daha hızlı büyür. Haziran ve Eylül’deki artan duyarlılık, Temmuz-Ağustos zirvesini izler. SSP1-2.6 altında yerelleşmiş azalmalar, artan yağışa rağmen azalmış toprak nemleriyle örtüşür. Yüzyıl sonundaki yağış bozulumları, heterojen yerel yanıtlarla birlikte toplu bölgesel ortalamada doğrusal olmayan bir artış üretir. Bu bulgular, iklim yollarının bölgesel karşılaştırmasını destekler ve izleme için alansal ve mevsimsel öncelikleri ortaya koyar.
\n
Açıklamalar
\n
Veri erişilebilirliği açıklaması
\n
Bu çalışmada kamuya açık veri setleri analiz edilmiştir. Veri kaynakları aşağıda listelenmiştir. CMFD ızgara gözlem verileri https://data.tpdc.ac.cn adresindeki Ulusal Tibet Platosu Veri Merkezi’nden temin edilmektedir. GLDAS verileri https://disc.gsfc.nasa.gov/datasets/GLDAS_NOAH025_3H_2.1/summary?keywords&equals=GLDAS adresinde mevcuttur. CMIP6 verileri https://esgf-node.llnl.gov/search/cmip6 adresinde bulunmaktadır. DEM verileri https://www.usgs.gov/coastal-changes-and-impacts/gmted2010 adresindeki Global Multi-resolution Terrain Elevation Data 2010 kaynakından elde edilmiştir. Global Landslide Catalog (Küresel Heyelan Kataloğu) verileri https://www.ncdc.ac.cn/portal/metadata/c92f774a-f368-4ad0-b99d-48007d3e6dc6 adresinde mevcuttur.
\n
Yazar katkıları
\n
LL: Veri düzenleme, Araştırma, Yöntem, Doğrulama, Görselleştirme, Yazım – taslak. XG: Kavramsal tasarım, Finansal destek sağlama, Araştırma, Yöntem, Yazım – inceleme ve düzenleme. ZW: Yöntem, Araştırma, Yazım – inceleme ve düzenleme. XS: Yöntem, Araştırma, Yazım – inceleme ve düzenleme. PD: Yöntem, Araştırma, Yazım – inceleme ve düzenleme. SJ: Yöntem, Araştırma, Yazım – inceleme ve düzenleme. FZ: Yöntem, Yazım – inceleme ve düzenleme. BC: Yöntem, Yazım – inceleme ve düzenleme.
\n
Finansal destek
\n
Yazar(lar), bu çalışmanın ve/veya yayının finansal destek aldığını beyan etmiştir. Bu çalışma, Çin Ulusal Doğal Bilimler Fonu (Birim No. 42494871) ve Çin Gansu Eyaleti Bilim ve Teknoloji Daireni (Birim No. 25RCKA024) tarafından desteklenmiştir.
\n
Çıkar çatışması
\n
Yazar(lar), bu çalışmanın ticari veya finansal herhangi bir ilişki içermeksizin yürütüldüğünü, böyle bir ilişkinin olası bir çıkar çatışması olarak değerlendirilemeyeceğini beyan etmiştir.
\n
FZ adlı yazar, başvuru sırasında Frontiers’in editorial kurul üyesi olduğunu beyan etmiştir. Bu durum hakem sürecini ve nihai kararı etkilememiştir.
\n
Üretken yapay zeka beyanı
\n
Yazar(lar), üretken yapay zekanın bu makalenin oluşturulmasında kullanılmadığını beyan etmiştir.
\n
Bu makaledeki figürlerle birlikte sağlanan alternatif metinler (alt text) Frontiers tarafından yapay zekânın desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların da katkısıyla doğruluk sağlanması için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit ederseniz lütfen bizimle iletişime geçin.
\n
Yayıncının notu
\n
Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini mutlaka temsil etmez. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.
\n
Ekleme materiali
\n
Bu makalenin Ekleme Materiali çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/feart.2026.1974599/full#supplementary-material
\n
-
Bogaard T. Greco R. (2018). Davetli bakış açıları: heyelan başlangıcı için yağış yoğunluğu-süre eşikleri hakkında hidrolojik bakış açıları: hidrometeorolojik eşiklerin önerilmesi. Nat. Hazards Earth Syst. Sci.18, 31–39. 10.5194/nhess-18-31-2018
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
\n
-
Chen T. Guestrin C. (2016). “XGBoost: ölçeklenebilir bir ağaç güçlendirme sistemi,” in Proc. 22nd ACM SIGKDD Int. Conf. Knowl. Discov. Data Min. 785–794. 10.1145/2939672.2939785
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
\n
-
Chen N. S. Zou Q. Su F. Cui P. Zhang Y. (2015). Tibet Platosu’daki dağsal ve meteorolojik tehlikeler için risk değerlendirmesi ve afet azaltma stratejileri. Chin. Sci. Bull.60, 3067–3077. 10.1360/N972015-00849
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
\n
-
Dikshit A. Sarkar R. Pradhan B. Acharya S. Dorji K. (2019). Bhutan Himalayaları’nda heyelan oluşumu için yağış eşiklerinin tahmini. Water11 (8), 1616. 10.3390/w11081616
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
\n
- \n
- \n
Duan A, Wu G. (2006). Tibet Platosunda bulut miktarındaki değişim ve iklim ısınması. Geophys. Res. Lett. 33, L22704. 10.1029/2006GL027946
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
- \n
Froude M J, Petley D N. (2018). 2004’ten 2016’ya küresel ölümcül heyelan olayları. Nat. Hazards Earth Syst. Sci. 18, 2161–2181. 10.5194/nhess-18-2161-2018
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
- \n
Gao H, Xu C, Wu S, Li T, Huang Y. (2025). Jeolojik afetlerin öngörülemezliği küresel ısınma nedeniyle arttı mı? npj Nat. Hazards 2, 55. 10.1038/s44304-025-00108-0
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
- \n
Gariano S L, Guzzetti F. (2016). Değişen iklimde heyelanlar. Earth-Sci. Rev. 162, 227–252. 10.1016/j.earscirev.2016.08.011
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
- \n
Ge S, Wang J, Jiang C. (2024). 2050’ye kadar Çin’de yağmur kaynaklı heyelan riskinin projeksiyonu. Environ. Res. Lett. 19, 024048. 10.1088/1748-9326/ad2435
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
- \n
Guan X, Sun W, Kong X, Zhang F, Huang J, He Y. (2023). Küresel ısınma altında Çin Loess Platosında ölümcül heyelanların yağmura tepkisi. Front. Earth Sci. 11, 1146724. 10.3389/feart.2023.1146724
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
- \n
Guo B, Pei X, Xu M, Li T. (2022). Nepal’in Rasuwa ilçesinde sığ heyelanlar için yağmur eşiğinin fiziksel temelli modelleme kullanılarak analizi. Water 14 (24), 4074. 10.3390/w14244074
\n
- \n
- CrossRef
- Google Scholar
- Makalede referansı görüntüle
-
He S, Wang J, Wang H. (2019). 21. yüzyılda RCP8.5 senaryosu altında Çin’de heyelan projeksiyonu. J. Meteorol. Res.33, 138–148. 10.1007/s13351-018-8083-9
- CrossRef
- Google Scholar
- Makalede referansı gör
-
He J, Yang K, Tang W, Lu H, Qin J, Chen Y, ve ark. (2020). Çin kara yüzeyi çalışmalar için ilk yüksek çözünürlüklü meteorolojik zorlama veri seti. Sci. Data7, 25. 10.1038/s41597-020-0369-y
- Pubmed Abstract
- CrossRef
- Google Scholar
- Makalede referansı gör
-
Immerzeel W W, Van Beek L P H, Bierkens M F P. (2010). İklim değişimi Asya su kulelerini etkileyecek. Science328, 1382–1385. 10.1126/science.1183188
- Pubmed Abstract
- CrossRef
- Google Scholar
- Makalede referansı gör
-
Jenks G F. (1967). İstatistiksel haritalamada veri model kavramı. Int. Yearb. Cartogr.7, 186–190.
- Google Scholar
- Makalede referansı gör
-
Kirschbaum D, Stanley T, Zhou Y. (2015). Küresel heyelan kataloğunun alan ve zaman açısından analizi. Geomorphology249, 4–15. 10.1016/j.geomorph.2015.03.016
- CrossRef
- Google Scholar
- Makalede referansı gör
-
Kirschbaum D, Kapnick S B, Stanley T, Pascale S. (2020). Yüksek Asya’da aşırı yağış ve heyelanlardaki değişimler. Geophys. Res. Lett.47, e2019GL085347. 10.1029/2019GL085347
- CrossRef
- Google Scholar
- Makalede referansı gör
-
Li Q, Ru Y, Tao Z, Wu Y. (2025). Karışık olasılıklı programlama kullanarak yağmur kaynaklı yuva çökmelerinin toplu ters analizinin belirsizliğinin nicellenmesi. Eng. Geol.357, 108341. 10.1016/j.enggeo.2025.108341
- CrossRef
- Google Scholar
- Makalede referansı gör
-
Lin Q, Wang Y. (2018). 1950’den 2016’ye kadar Çin’de ölümcül heyelan envanterinin mekânsal ve zamansal analizi. Landslides15, 2357–2372. 10.1007/s10346-018-1037-6
- CrossRef
- Google Scholar
- Kaynağa makalede bakın
-
Lin Q, Wang Y, Glade T, Zhang J, Zhang Y. (2020). Çin’de çoklu GCM projeksiyonları kullanılarak heyelan oluşumlarını etkileyen olay yağış özelliklerine iklim değişikliğinin mekânsal-zamansal etkisinin değerlendirilmesi. Clim. Change162, 761–779. 10.1007/s10584-020-02750-1
- CrossRef
- Google Scholar
- Kaynağa makalede bakın
-
Lundberg S M, Lee S I. (2017). Model tahminlerini yorumlamak için birleştirilmiş bir yaklaşım. Adv. Neural Inf. Process. Syst.30, 4765–4774. 10.48550/arXiv.1705.07874
- CrossRef
- Google Scholar
- Kaynağa makalede bakın
-
Ma S, Xu C, Xu X, He X, Qian H, Jiao Q ve ark. (2020). Çin’in Guizhou Eyaleti’nde 23 Temmuz 2019’da meydana gelen heyelanın özellikleri ve nedenleri. Landslides17, 1441–1452. 10.1007/s10346-020-01374-x
- CrossRef
- Google Scholar
- Kaynağa makalede bakın
-
Nohara Y, Matsumoto K, Soejima H, Nakashima N. (2019). İyileştirilmiş Shapley toplama açıklaması ile makine öğrenmesi modellerinin açıklanması. Proc. 10th ACM Int. Conf. Bioinform. Comput. Biol. Health Inf.546, 546. 10.1145/3307339.3343255
- CrossRef
- Google Scholar
- Kaynağa makalede bakın
-
O’Neill B C, Tebaldi C, van Vuuren D P, Eyring V, Friedlingstein P, Hurtt G ve ark. (2016). CMIP6 için Senaryo Model Karşılaştırma Projesi (ScenarioMIP). Geosci. Model. Dev.9, 3461–3482. 10.5194/gmd-9-3461-2016
- CrossRef
- Google Scholar
- Kaynağa makalede bakın
-
Palazzolo N., Cancelliere A., Zofei R. D., Peres D. J. (2025). Gecikmeli ERA5-Land toprak nemi ürünlerinin heyelan erken uyarı sistemlerini iyileştirmede kullanımı. Nat. Hazards Earth Syst. Sci.25, 4907–4919. 10.5194/nhess-25-4907-2025
- CrossRef
- Google Scholar
- Referansı makalede görüntüle
-
Pimonsree S., Kamworapan S., Gheewala S. H., Thongbhakdi A., Prueksakorn K. (2023). CMIP6 GCM’lerinin Güneydoğu Asya’da yağışı simüle etme performansının değerlendirilmesi. Atmos. Res.282, 106522. 10.1016/j.atmosres.2022.106522
- CrossRef
- Google Scholar
- Referansı makalede görüntüle
-
Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. (2018). CatBoost: kategorik özelliklerle önyargısız boosting. Adv. Neural Inf. Process. Syst.31, 6638–6648. 10.48550/arXiv.1706.09516
- CrossRef
- Google Scholar
- Referansı makalede görüntüle
-
Reichenbach P., Rossi M., Malamud B. D., Mihir M., Guzzetti F. (2018). İstatistiksel temelli heyelan duyarlılık modellerinin bir değerlendirmesi. Earth-Science Rev.180, 60–91. 10.1016/j.earscirev.2018.03.001
- CrossRef
- Google Scholar
- Referansı makalede görüntüle
-
Rivera J. A., Arnould G. (2020). CMIP6 modellerinin Güney Amerika’nın güneybatısında yağışı simüle etme yeteneğinin değerlendirilmesi: iklimsel özellikler ve uzun süreli eğilimler (1901–2014). Atmos. Res.241, 104953. 10.1016/j.atmosres.2020.104953
- CrossRef
- Google Scholar
- Referansı makalede görüntüle
-
Roberts D. R., Bahn V., Ciuti S., Boyce M. S., Elith J., Guillera‐Arroita G. et al (2017). Zamansal, mekansal, hiyerarşik veya filogenetik yapıya sahip veriler için çapraz doğrulama stratejileri. Ecography40, 913–929. 10.1111/ecog.02881
- CrossRef
- Google Scholar
- Referansı makalede görüntüle
-
Saltelli A. Annoni P. (2010). How to avoid a perfunctory sensitivity analysis. Environ. Model. and Softw.25, 1508–1517. 10.1016/j.envsoft.2010.04.012
- CrossRef
- Google Scholar
- View reference in article
-
Stanley T. A. Soobitsky R. B. Matya P. M. Kirschbaum D. B. (2024). Landslide hazard is projected to increase across High Mountain Asia. Earth’s Future12, e2023EF004325. 10.1029/2023EF004325
- CrossRef
- Google Scholar
- View reference in article
-
Wang X. Wang Y. Lin Q. G. Li N. Zhang X. R. Zhou X. Y. (2022). Projection of China landslide disasters population risk under climate change. Clim. Change Res.18, 166–176. 10.12006/j.issn.1673-1719.2021.154
- CrossRef
- Google Scholar
- View reference in article
-
Wang G. He Y. Zhang B. Wang X. Cheng S. Xie Y. et al (2023). Historical evaluation and projection of precipitation phase changes in the cold season over the Tibetan Plateau based on CMIP6 multimodels. Atmos. Res.281, 106494. 10.1016/j.atmosres.2022.106494
- CrossRef
- Google Scholar
- View reference in article
-
Xu C. Dai K. B. Xue Z. W. Huang Y. D. Xie C. C. Li T. et al (2025). Probabilistic study of rainfall-induced landslides at a monthly scale in China. J. Geomech.31, 960–971. 10.12090/j.issn.1006-6616.2025134
- CrossRef
- Google Scholar
- View reference in article
-
Yang L. Feng Q. Yin Z. Wen X. Deo R. C. Si J. et al (2019). Application of multivariate recursive nesting bias correction, multiscale wavelet entropy and AI-based models to improve future precipitation projection in upstream of the Heihe River, Northwest China. Theor. Appl. Climatol.137, 323–339. 10.1007/s00704-018-2598-y
- CrossRef
- Google Scholar
- View reference in article
-
YaoT.ThompsonL.YangW.YuW.GaoY.GuoX.et al (2012). Different glacier status with atmospheric circulations in Tibetan Plateau and surroundings. Nat. Clim. Chang.2, 663–667. 10.1038/nclimate1580
- CrossRef
- Google Scholar
- View reference in article
-
YaoK.GarianoS. L.TongB.YangS. (2025). Rainfall induced mass-movements in the Qinghai-Tibet Plateau: insights on temporal and spatial triggering patterns. Bull. Eng. Geol. Environ.84, 400. 10.1007/s10064-025-04415-8
- CrossRef
- Google Scholar
- View reference in article
-
YeD.WuG. (1998). The role of the heat source of the Tibetan Plateau in the general circulation. Meteorol. Atmos. Phys.67, 181–198. 10.1007/BF01277509
- CrossRef
- Google Scholar
- View reference in article
-
ZhangY. (2019). Data from: Integration dataset of Tibet Plateau boundary. National Tibetan Plateau/Third Pole Environment Data Center. 10.11888/Geogra.tpdc.270099
- CrossRef
- Google Scholar
- View reference in article
\n
\n
\n\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
\n
Özet
\n
Anahtar Kelimeler
\n
CMIP6, aşırı yağış, heyelan, makine öğrenimi, Tibet Platosu
\n
Başvuru
\n
Li L, Guan X, Wei Z, Shen X, Da P, Jin S, Zhang F ve Chen B (2026) Warming climatede Tibet Platosu üzerinde heyelan duyarlılığı. Front. Earth Sci. 14:1974599. doi: 10.3389/feart.2026.1974599
\n
Alındı
\n
21 Ağustos 2026
\n
Güncellendi
\n
20 Ekim 2026
\n
Kabul edildi
\n
27 Ekim 2026
\n
Yayınlandı
\n
12 Kasım 2026
\n
Cilt
\n
14 – 2026
\n
Davide Tiranti, Agenzia Regionale per la Protezione Ambientale del Piemonte (Arpa Piemonte), Italy
\n
Gang Wang, Chinese Academy of Sciences (CAS), China
\n
Kezhen Yao, Ministry of Transport, China
\n
Thaksakorn Pornbunyanon, Rajamangala University of Technology Srivijaya, Thailand
\n
© 2026 Li, Guan, Wei, Shen, Da, Jin, Zhang ve Chen.
\n
Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık bir makaledir. Makalenin kullanımı, dağıtımı veya çoğaltılması, özgün yazar(lar)ın ve telif hakkı sahib(ler)inin atıf yapılması ve bu dergideki özgün yayının, kabul edilen akademik uygulama uygunluğunda atıf edilmesi şartıyla diğer forumlarda izinlidir. Bu koşullara uymayan hiçbir kullanım, dağıtım veya çoğaltma izinlidir.
\n
* Xiaodan Guan, guanxd@lzu.edu.cn
\n


\n
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve hakemlerin görüşlerini kesin olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.
\n
\n
Kaynak: Frontiersin ↗
\n
\n
\n\n
- \n
\n
\n
\n\n
- \n
\n
\n
\n\n
- \n
\n
\n
\n\n
- \n
\n
\n
\n\n
- \n
\n
\n
\n\n
- \n