巴西圣保罗大学圣卡洛斯数学与计算机科学研究所（ICMC-USP）与巴西国家空间研究院（INPE）协调的一项研究显示，一种相对简化的统计分析方法可更准确预测暴雨诱发的滑坡风险。研究团队在真实灾害案例中对该方法进行了验证，并将结果与传统工具进行对比。

研究背景指向2023年2月发生在巴西圣保罗州北海岸圣塞巴斯蒂昂市的极端降雨事件：不到15小时内降雨量达到683毫米，而当地月平均降雨量为300毫米。该次灾害造成65人死亡，数百人无家可归。

研究团队在《Scientific Reports》发表论文，对比了新方法与常用的分析层次过程法（AHP）在滑坡易感性评估中的表现。论文称，整体而言，新方法在对潜在受灾区域的分类上略占优势。

ICMC-USP博士生、论文第一作者罗穆洛·马尔克斯-卡瓦略表示，尽管定量提升幅度有限，但新方法的优势在于减少模糊性，更贴近滑坡在当地的实际表现。

在滑坡风险评估中，AHP通常基于与现象相关的变量清单进行计算。本研究使用的变量共16项，包括海拔、地形坡度与崎岖度、与河流和道路的距离，以及土地覆盖情况（植被与建筑物）等。

研究提出的替代方案为“高斯AHP”。马尔克斯-卡瓦略称，该方法以统计学方式“完全取代了传统AHP的成对比较”。INPE研究员、论文合著者克劳迪娅·玛丽亚·德·阿尔梅达解释称，“高斯”指研究中采用高斯分布（正态分布）来处理数据，其概率分布曲线由均值与标准差两个参数定义，标准差反映数据离散程度。研究团队表示，这一处理方式有助于更客观地确定各因素权重，且两种方法使用的变量清单相同。

为检验方法有效性，研究人员选取圣塞巴斯蒂昂作为测试区域，并依据作者基于滑坡相关自然灾害脆弱性指数的分析，将其作为圣保罗州滑坡易发市镇之一。团队使用了灾后获取的分辨率为10厘米的航拍影像清单，并辅以谷歌地球与PlanetScope平台影像。

影像资料记录了983个滑坡冠头点（位于坡顶、为滑坡过程起点），以及1,070个“疤痕多边形”，用于界定滑坡影响的整体范围。基于上述数据，高斯AHP将研究区域中26.31%划为滑坡“极高易感区”，而传统AHP的估计为23.52%。研究团队据此认为，新方法在该案例中的预测能力更强。

在关键变量权重方面，两种方法给出的排序存在差异：传统AHP中，最重要因素为坡度变化与位置；高斯AHP中，最重要因素为地貌（地表起伏形态）以及受影响区域与河流、道路的距离。阿尔梅达指出，道路邻近性之所以重要，是因为在崎岖地形修路往往需要开挖与填筑等土方工程，可能导致坡面不稳定。

马尔克斯-卡瓦略的导师、ICMC-USP研究人员安德烈·费雷拉·德·卡瓦略表示，该方法除滑坡外，还可能用于监测与预防火灾、森林砍伐、土壤沉降和沙漠化等环境问题。他同时称，考虑到气候变化影响，未来几年相关灾害的频率与强度将增加；该方法应用门槛较低，城市政府只需基础地理空间数据以及一台安装QGIS（免费地理参考数据分析软件）的标准计算机即可开展相关工作。