Large slow rock-slope deformations, including deep-seated gravitational slope deformations and large landslides, are widespread in alpine environments. They develop over thousands of years by progressive failure, resulting in slow movements that impact infrastructures and can eventually evolve into catastrophic rockslides. A robust characterization of their style of activity is thus required in a risk management perspective. We combine an original inventory of slow rock-slope deformations with different PS-InSAR and SqueeSAR datasets to develop a novel, semi-automated approach to characterize and classify 208 slow rock-slope deformations in Lombardia (Italian Central Alps) based on their displacement rate, kinematics, heterogeneity and morphometric expression. Through a peak analysis of displacement rate distributions, we characterize the segmentation of mapped landslides and highlight the occurrence of nested sectors with differential activity and displacement rates. Combining 2D decomposition of InSAR velocity vectors and machine learning classification, we develop an automatic approach to characterize the kinematics of each landslide. Then, we sequentially combine principal component and K-medoids cluster analyses to identify groups of slow rock-slope deformations with consistent styles of activity. Our methodology is readily applicable to different landslide datasets and provides an objective and cost-effective support to land planning and the prioritization of local-scale studies aimed at granting safety and infrastructure integrity.

在高山环境中，大范围的缓慢的岩石边坡变形，包括深层次的重力边坡变形和大的滑坡，非常普遍。它们由于不断的破坏而发展了数千年，导致缓慢的运动影响了基础设施，并最终演变成灾难性的岩石滑坡。因此，从风险管理的角度出发，需要对他们的活动风格进行有力的描述。我们将原始的慢速岩石边坡变形清单与不同的PS-InSAR和SqueeSAR数据集相结合，以开发新颖的半自动方法，以基于位移速率对Lombardia（意大利中部阿尔卑斯山）的208个慢速岩石边坡变形进行表征和分类，运动学，异质性和形态计量表达。通过对位移率分布进行峰值分析，我们描述了地图滑坡的分割特征，并强调了具有不同活动度和位移率的嵌套扇区的发生。结合InSAR速度矢量的2D分解和机器学习分类，我们开发了一种自动方法来表征每个滑坡的运动学。然后，我们依次结合主成分和K-medoids聚类分析，以识别出具有一致活动样式的慢速岩质边坡变形组。我们的方法论很容易适用于不同的滑坡数据集，并为土地规划和旨在赋予安全性和基础设施完整性的地方规模研究的优先次序提供了客观且具有成本效益的支持。结合InSAR速度矢量的2D分解和机器学习分类，我们开发了一种自动方法来表征每个滑坡的运动学。然后，我们顺序地结合主成分和K-medoids聚类分析，以识别出具有一致活动样式的缓慢岩质边坡变形组。我们的方法论很容易适用于不同的滑坡数据集，并为土地规划和旨在赋予安全性和基础设施完整性的地方规模研究的优先次序提供了客观且具有成本效益的支持。结合InSAR速度矢量的2D分解和机器学习分类，我们开发了一种自动方法来表征每个滑坡的运动学。然后，我们顺序地结合主成分和K-medoids聚类分析，以识别出具有一致活动样式的缓慢岩质边坡变形组。我们的方法论很容易适用于不同的滑坡数据集，并为土地规划和旨在赋予安全性和基础设施完整性的地方规模研究的优先次序提供了客观且具有成本效益的支持。我们顺序地将主成分和K-medoids聚类分析相结合，以识别出具有一致活动样式的缓慢岩质边坡变形组。我们的方法论很容易适用于不同的滑坡数据集，并为土地规划和旨在赋予安全性和基础设施完整性的地方规模研究的优先次序提供了客观且具有成本效益的支持。我们顺序地将主成分和K-medoids聚类分析相结合，以识别出具有一致活动样式的缓慢岩质边坡变形组。我们的方法论很容易适用于不同的滑坡数据集，并为土地规划和旨在赋予安全性和基础设施完整性的地方规模研究的优先次序提供了客观且具有成本效益的支持。