通过开发具有知识意识的深度学习模型并结合可解释人工智能技术,设计滑坡防治策略

《Physics and Chemistry of the Earth, Parts A/B/C》:Designing landslide mitigation strategies through developing knowledge aware deep learning model integrated explainable artificial intelligence

【字体: 大 中 小 】 时间:2026年01月01日 来源:Physics and Chemistry of the Earth, Parts A/B/C 3.0

编辑推荐:

  滑坡易发性评估框架结合机器学习、深度学习与可解释人工智能,基于1105个滑坡样本及18项条件因子,在印控查谟与克什米尔Pir Panjal山脉实现高精度预测(AUC-ROC≈0.96),识别出Gool Gulabgarh等4个高风险行政单位,量化植被恢复等措施的减风险效果。

  
因扎马姆·乌尔·哈克(Inzamam Ul Haq)、哈比布拉·乌拉(Habibullah)、沙菲克·艾哈迈德(Shafiq Ahmed)、斯瓦潘·塔卢克达尔(Swapan Talukdar)、曼苏尔·艾哈迈德(Mansoor Ahmed)、穆罕默德·萨法拉兹·阿斯格尔(Md Sarfaraz Asgher)、伊姆兰·汗(Imran Khan)、G.V. 拉玛纳(GV Ramana)
印度查谟和克什米尔地区查谟市查谟大学地理系

摘要

在印度查谟和克什米尔的皮尔潘贾尔山脉(Pir Panjal Range),滑坡是一种频繁发生且具有破坏性的灾害,该地区陡峭的地形、脆弱的岩石类型以及人类活动的快速干预共同导致了这一现象。本研究开发了一个综合的滑坡易发性制图框架,该框架结合了机器学习(ML)、深度学习(DL)和可解释人工智能(XAI),以支持基于风险的规划。通过对1,105次滑坡事件及18个影响因素的统计分析,训练了四种机器学习模型:随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)、梯度提升机(Gradient Boosting Machine, GBM)和分类提升机(CatBoost),并通过五折分层交叉验证和保留的测试集对这些模型进行了评估。同时,还开发了一个基于贝叶斯优化的深度学习模型,其中变分自编码器(Variational Autoencoder, VAE)学习潜在特征,这些特征由多层感知器(Multilayer Perceptron, MLP)进行分类,从而捕捉影响斜坡稳定的复杂非线性因素。表现最佳的模型在验证数据上的接收者操作特征曲线下面积(AUC-ROC)约为0.96,整体准确率接近0.90,显示出较高的区分能力。从空间上看,高易发性和极高易发性区域约占整个山脉的四分之一,主要集中在古尔古拉布加尔(Gool Gulabgarh)、兰班(Ramban)、塔特里(Thathri)和巴尼哈尔(Banihal)等地区,这些地方成为了需要重点干预的热点区域。可解释人工智能诊断显示,植被状况、季风降雨量、地质构造密度和排水系统密度是影响滑坡易发性的主要因素;而反事实实验表明,改善植被覆盖、地表排水和斜坡管理可以将许多地点的滑坡风险等级从高风险降至低风险。因此,该框架为数据受限的山区环境中的土地利用规划、基础设施建设和滑坡减灾提供了准确、可解释且实用的易发性地图。

引言

自然灾害是会对生命、财产和环境造成重大威胁的极端事件(Zulkafli等人,2023年)。其中,滑坡是全球山区和丘陵地带最常见且最具破坏性的灾害之一(Bhat等人,2023年;Guzzetti等人,1999年)。滑坡是指在重力作用下,岩石、土壤和碎屑沿斜坡向下移动的现象,其诱因包括强降雨、地震、火山活动或人为干预(Pota等人,2022年;Islam等人,2024年)。滑坡类型包括旋转滑坡、平移滑坡、落石、泥石流以及复杂的斜坡失稳现象,这些现象给传统的土地利用规划和斜坡管理带来了挑战(Dahal等人,2024年;Fell等人,2008年)。
印度由于活跃的构造活动、陡峭的地形以及以季风为主的气候,特别容易发生滑坡。2018年喀拉拉邦的滑坡事件因前所未有的降雨而造成了大量人员伤亡和基础设施破坏(Wadhawan等人,2020年;Ghaffarian等人,2023年)。在西北喜马拉雅地区,查谟和克什米尔地区尤其容易发生反复的滑坡,这些滑坡经常扰乱交通网络和当地社区,尤其是在查谟与斯利那加之间的44号国道沿线(Khan等人,2025年;Singh等人,2024年)。这些案例凸显了在数据稀缺但风险极高的地区(如皮尔潘贾尔山脉)进行空间明确的滑坡易发性评估的必要性。
因此,滑坡灾害和易发性制图已成为灾害风险管理和土地利用规划的重要基础(Hussain等人,2025年;Fell等人,2008年)。通过在地理信息系统(GIS)中整合地形、地质和水文信息,这种制图方法有助于分区规划、应急响应以及基于结构和自然的减灾措施的实施(Lapietra等人,2024年;Khan等人,2025年)。研究方法从定性的专家制图到半定量和定量模型都有涉及,包括频率比(Frequency Ratio, FR)、证据权重(Weight of Evidence, WoE)、逻辑回归、基于蒙特卡洛的概率框架、层次分析法(Analytic Hierarchy Process, AHP)、模糊多标准决策(Fuzzy Multi-Criteria Decision Making, MCDM)、证据信念函数、浅层滑坡过程模型以及结合GIS的人工神经网络(Guzzetti等人,1999年;Bhat等人,2023年;Biswakarma等人,2023年;Feby等人,2020年;Cemiloglu等人,2023年;Huang等人,2024年;Sweta等人,2022年;Swetha & Gopinath,2020年;Nanehkaran等人,2021年;Pham等人,2021年;Achu等人,2020年;Nanehkaran等人,2022年)。从印度西高止山脉到各种伊朗及其他山区的案例研究表明,目前已有多种方法可用于滑坡易发性和落石灾害的制图,尽管许多方法仍依赖大量数据且难以在不同地区推广(Sweta等人,2022年;Swetha & Gopinath,2020年;Nanehkaran等人,2021年;Pham等人,2021年;Nanehkaran等人,2022年)。
近年来,机器学习(ML)和深度学习(DL)的进步使得从复杂和非线性环境数据集中进行稳健预测成为可能(Alqadhi等人,2024年)。随机森林(RF)、支持向量机(SVM)、梯度提升机(GBM)和CatBoost等算法通常优于传统的统计方法,并在多种地貌条件下展现出较高的预测能力,曲线下面积(AUC)值经常超过0.90(Ali等人,2024年;Agrawal & Dixit,2023年;Usta等人,2024年;Pham等人,2021年)。最新的易发性研究进一步证明了传统ML分类器和比较建模的持续重要性;例如,SVM和逻辑回归已被用于区域尺度的易发性评估(Ahadi & Rosta,2024年),而基于GIS的比较建模结合了ANN、SVM和RF,用于评估不同算法在易发性评估结果上的差异(Abgrami等人,2025年)。深度学习方法,包括卷积神经网络(CNN),可以从大型网格化数据集中学习空间层次结构,而结合元启发式优化的ML-DL架构也提高了模型的泛化能力(Liu等人,2024年;Bostan,2024年;Razavi-Termeh等人,2025年)。同时,在数据有限的情况下,多标准决策框架(如AHP)仍被广泛用于易发性分区,并结合专家判断(Hamedi等人,2025年),尤其是在强调活跃构造控制的情境中(Birjandi & Derakhshani,2025年)。此外,可解释人工智能(XAI)工具,如SHapley Additive Explanations(SHAP)、基于扰动的敏感性分析和反事实推理,以及将卫星遥感和干涉合成孔径雷达(InSAR)观测数据整合到ML工作流程中,增强了灾害评估的可解释性和时空细节(Ghaffarian等人,2023年;Zhang等人,2024年)。这些发展支持了在复杂山区评估滑坡易发性时采用数据驱动的ML/DL建模与透明解释方法的必要性。
在查谟和克什米尔的喜马拉雅地区,多项研究探讨了关键道路走廊沿线的滑坡过程和易发性。Aziz等人(2023年)研究了兰班-古尔公路(Ramban–Gool Road)的斜坡稳定性,而Khan等人(2023年)评估了巴夫利亚兹-波希亚纳公路(Bafliaz–Poshiana Road)的情况,两者都强调了地质、地貌和道路建设实践的综合作用。Patil等人(2021年)在奇纳布河谷(Chenab Valley)和Aziz等人(2023年)在兰班地区使用统计和遥感技术绘制了易发性地图并划定了高风险区域,展示了综合方法在灾害预测和减灾中的价值。然而,西北喜马拉雅地区的大部分现有研究仍依赖于传统的统计模型或黑盒式ML算法,这些方法对规划者和工程师的可解释性有限。基于深度学习的易发性模型在该地区较为罕见,而且很少使用XAI框架来提高模型的透明度或测试其在数据扰动下的稳健性。
尽管取得了这些进展,但在皮尔潘贾尔山脉的滑坡易发性建模方面仍存在重要空白。目前缺乏能够表示多个影响因素之间非线性相互作用且在噪声和采样变异下保持稳定的知识驱动型DL架构,现有的易发性地图也缺乏明确的解释性,而这对于地方当局信任模型输出并将其与具体的减灾措施联系起来至关重要。很少有研究尝试将模型洞察转化为定量指标,例如需要改变多少植被覆盖、排水系统密度或地质构造配置才能将斜坡的易发性从高风险等级降低到低风险等级。本研究通过开发一个综合框架来填补这些空白,该框架结合了基于变分自编码器(VAE)的特征提取器和多层感知器(MLP)分类器,并通过贝叶斯超参数调优进行了优化,同时嵌入了可解释人工智能(XAI)工具以实现变量重要性、敏感性和反事实分析。利用皮尔潘贾尔山脉的1,105次滑坡事件和18个影响因素的数据,本研究旨在生成准确且可解释的易发性地图,评估模型在受控扰动下的稳健性,并为该关键喜马拉雅走廊的土地利用规划、基础设施保护和滑坡风险降低提供实用指导。

研究区域

皮尔潘贾尔山脉(Pir Panjal Range)是位于印度查谟和克什米尔地区的主要西北部喜马拉雅山脉,它像一道天然屏障,将克什米尔山谷与查谟平原分隔开来,北邻赞斯卡山脉(Zanskar Range),南接希瓦利克丘陵(Shivalik Hills)(Dad & Rashid,2022年)。其地理位置(北纬33°30'至34°30',东经74°10'至75°30')对该地区的地理、气候和生态产生了显著影响,同时通过拦截西南季风风也影响了区域气候。

数据规范化分析

数据规范化是一个关键的预处理步骤,确保不同尺度测量且统计分布多样的输入变量能够被转换到一个统一的范围内,从而避免模型训练过程中的偏差并提高收敛性能。在滑坡易发性建模中,规范化还确保了地形、水文、植被和岩石类型等物理过程能够以一致且可解释的方式发挥作用。

讨论

本研究通过结合贝叶斯优化的深度学习(DL)和可解释人工智能(XAI),开发了一个全面的滑坡易发性制图框架,超越了传统的ML方法以及早期的模糊逻辑或统计方法(Guzzetti等人,1999年;Fell等人,2008年;Nanehkaran等人,2021年;Feby等人,2020年;Achu等人,2020年)。利用18个影响因素、模糊逻辑规范化和分层交叉验证,对四种机器学习模型(RF、SVM、GBM和CatBoost)进行了评估。

结论

本研究构建了一个综合框架,将贝叶斯优化的深度学习与XAI相结合,以增强复杂喜马拉雅地区的滑坡易发性评估。通过联合使用模糊规范化的条件因素、VAE-MLP架构和集成ML模型,该框架展现了较高的区分能力(AUC约为0.96),同时清晰地揭示了植被、降雨、排水系统和地质构造在控制滑坡易发性中的作用。

作者贡献声明

沙菲克·艾哈迈德(Shafiq Ahmed):撰写初稿、验证、数据整理。哈比布拉·乌拉(Habibullah):撰写初稿、验证、方法论研究。因扎马姆·乌尔·哈克(Inzamam Ul Haq):撰写初稿、可视化、形式化分析、概念构建。G.V. 拉玛纳(GV Ramana):审稿与编辑、监督。伊姆兰·汗(Imran Khan):审稿与编辑、资源协调。穆罕默德·萨法拉兹·阿斯格尔(Md Sarfaraz Asgher):监督、项目管理。曼苏尔·艾哈迈德(Mansoor Ahmed):方法论研究、调查。斯瓦潘·塔卢克达尔(Swapan Talukdar):可视化、软件开发、方法论研究

未引用参考文献

Hac?efendio?lu等人,2024年;Lamichhane等人,2025年;Lundberg和Lee,2017年;Patil Abhijit等人,2021年;Zhang等人,2024a;Zheng等人,2024b。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

作者感谢查谟大学地理系和加尔各答阿苏托什学院(Asutosh College)地理系为本研究提供必要的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号