《Geoscience Frontiers》:Transformer, more than meets the eye: A deep learning approach to integrate rainfall time-series in multi-type landslide probability modelling
编辑推荐:
山区和丘陵地带经常受到滑坡影响,导致严重损害和生命损失。不同的破坏机制具有不同的地貌特征和影响,需要针对类型的特定处理。此外,纳入触发因素,特别是降雨,对于从静态敏感性评估转向动态的、特定事件的概率模型至关重要。虽然传统的数据驱动方法通常使用降雨的标量表示(例
山区和丘陵地带经常受到滑坡影响,导致严重损害和生命损失。不同的破坏机制具有不同的地貌特征和影响,需要针对类型的特定处理。此外,纳入触发因素,特别是降雨,对于从静态敏感性评估转向动态的、特定事件的概率模型至关重要。虽然传统的数据驱动方法通常使用降雨的标量表示(例如,固定窗口内的累积值),但研究人员提出了一种更全面的方法,将降雨作为连续时间序列使用。在本研究中,研究人员在Emilia-Romagna大区模拟了滑坡类型特定的概率,该地区在2023年5月经历了两次极端降雨事件,相隔14天,联合重现期超过500年。这些事件触发了超过80,000个已绘制的滑坡,分为五种类型。11,670 km2的研究区域被划分为斜坡单元(Slope Units,SUs),通过触发区域-斜坡单元交点标记滑坡存在。通过使用188个雨量计的线性径向基函数(Radial Basis Function,RBF)进行空间插值,以每日(31天)和每小时(744小时)间隔为每个斜坡单元生成降雨时间序列。研究人员将降雨序列嵌入到Transformer神经网络(Transformer Neural Network,TNN)中,并结合用于静态预测因子的密集神经网络(Dense Neural Network,DNN),测试了各种模型配置。在30%测试集和分层交叉验证上的性能评估显示出强劲的结果(AUC > 0.90;F1从0.75到0.20,取决于滑坡类型),每日时间序列始终表现最佳。为了解释模型行为,研究人员应用了基于SHAP的期望梯度(Expected Gradients)算法,揭示了降雨的时间和空间影响。尽管是特定事件的,该研究为广义的、时空滑坡预测模型奠定了基础。
论文解读文章:
研究背景方面,滑坡作为山地和丘陵地区的常见自然灾害,造成了巨大的经济和生命损失。其多危害性体现在不同触发因素(如降雨、地震、融雪等)引发多样化的破坏机制,且同区域内的滑坡类型各异,甚至同一滑坡在运动过程中会演变。传统的滑坡空间预测(即易发性评估)通常基于静态地形和地质特征,将概率视为景观内在属性,忽视了触发因素的时空动态性。将降雨作为触发因子进行集成时,常规方法将其压缩为固定时间窗口的标量累积值(如一周、一月累积降雨),这丢失了时间序列的连续信息。近年来虽有研究尝试使用长短期记忆网络(LSTM)或门控循环单元(GRU)处理降雨时间序列,但这些架构存在内在的记忆衰减特性,即模型倾向于“遗忘”远在滑坡发生之前的降雨贡献。2023年5月,意大利Emilia-Romagna大区在短短14天内先后经历了两次极端降雨事件,其联合重现期超过500年,触发了80,000多个滑坡,涵盖碎屑滑移、碎屑流、土滑、土流和岩滑五种类型。在这种连续极端事件情境下,记忆衰减架构可能无法正确表征两次风暴的交互作用,从而对概率估计引入偏差。研究人员因此开展了本研究,旨在构建一个能够同时处理静态预测因子(地形、地质、土地覆盖)和连续降雨时间序列的模型,并针对不同滑坡类型输出特定概率,同时利用可解释人工智能技术阐明降雨的时空贡献。
研究人员使用了来自Emilia-Romagna大区气象网络的188个雨量站数据,通过线性径向基函数(RBF)插值生成斜坡单元(SU)中心的每日(31天)和每小时(744小时)降雨时间序列。模型架构为Transformer神经网络(TNN)与密集神经网络(DNN)的组合:TNN通过多头注意力机制处理动态降雨序列,DNN处理静态预测因子(包括地质、土地覆盖、坡度、坡向、曲率、地形湿度指数、基岩倾角和倾向等),两者特征拼接后经由解码网络输出滑坡伪概率。研究区域共划分了69,159个SU,触发区域定义为滑坡多边形内高程分布上四分位以上的区域,其质心用于标记SU中的滑坡存在。模型以70/30比例分割训练和测试集,并采用针对类别不平衡的权重优化。通过滤波过程(剔除低降雨日SU)减少噪声。评估指标包括AUC、ACC、Recall、MCC、Kappa、F1和F2。可解释性采用基于SHAP的期望梯度方法分析降雨的时空贡献。
研究结果分为模型评估、伪概率地图和可解释性三个部分。在模型评估中,研究人员对比了仅地形、1-4周标量累积、标量全部累积、每日时间序列和每小时时间序列等配置。对于碎屑滑移(DS),每日时间序列配置表现最佳(AUC最高0.974,MCC 0.718,F1 0.752),而仅地形配置最差。碎屑流(DF)中每小时时间序列略优于每日(AUC 0.966 vs 0.963),表明短时强降雨对DF更关键。土滑(ES)和土流(EF)中每日时间序列和全部标量累积效果较好,每小时序列引入噪声。岩滑(RS)因样本极少(221个阳性SU),整体性能较低(MCC最高0.222,F1最高0.193),但每日时间序列在AUC和Recall上表现最佳。总体而言,每日时间序列在所有类型中平均提升AUC 1.66%、MCC 6.61%等,优于任何标量配置。在伪概率地图中,仅地形配置在西北部产生较多假阳性,而时间序列配置生成更平滑的空间过渡,尤其在远离暴雨中心的区域。DF的每小时配置在局部产生更集中的高概率区域。RS的每日配置倾向于高估(假阳性多)但漏报少。在可解释性中,SHAP_GE分数显示降雨峰值日(t-15和t-1)对应高贡献,且分数变异性随滑坡类型从DS到RS递减,说明降雨控制力逐渐减弱。但也观察到一些反直觉情况:如无雨日模型反而赋予正贡献,这源于模型在相对尺度上学习。
讨论和结论部分,研究人员首先通过5折分层交叉验证证实了原始70/30分割的稳健性。指出本模型属于“2.5D”架构:响应变量仅空间变化,动态预测因子时空变化,不同于标准3D空间-时间模型(需多时相滑坡数据)。与文献比较(见表5),本模型采用注意力机制避免了记忆衰减,因此在连续极端事件情境下具有优势。局限性包括单事件训练导致的泛化能力有限,以及岩滑类型样本不足。未来方向包括收集多事件滑坡清单训练全时空模型,或引入土壤湿度(soil moisture)作为更物理相关的动态替代。研究结论翻译如下:研究人员的“2.5D”模型解释了2023年5月Emilia-Romagna两次连续极端降雨事件后绘制的滑坡分布,作为降雨时间序列的函数。这通过复杂的Transformer架构实现,不仅预测滑坡发生,还针对滑坡类型进行区分。该实验进一步增加了时空滑坡建模的文献,尽管架构不完全满足空间-时间定义。它提供了使用降雨时间序列作为滑坡数据驱动解决方案一部分的视角,其中包含整个信号意味着无需在特定窗口上累积降雨。使用时间序列的想法最近已被测试,但先前案例采用顺序模型,其降雨影响通过“遗忘”远离滑坡发生日期的降雨量来传达。因此,研究人员选择了TNN架构,通过注意力机制使降雨贡献不会强制随时间衰减。在本研究中,如果可解释性分数分布中确实显示出衰减,那将是模型自由返回的特性,没有先验建模约束。实际上,结果在时间和空间-时间上的可解释性并不显示出对先前降雨事件的特别依赖性,而是更受当天降雨的影响。研究人员特别强调这一点,因为气候变化导致百年一遇的极端天气事件接连发生。因此,循环或“遗忘”架构不合适,并且随着全球变暖加剧滑坡极端情况,这种架构将变得更不合适。未来的实验将在一个滑坡分布随空间和时间变化的数据立方体中进行适当应用。完成这些测试后,将更深入了解本文提出的模型是否具有成为操作化工具的潜力。