基于可解释人工智能的滑坡预警动态响应自适应降雨阈值——来自长期预警记录的研究

《Engineering Geology》:Dynamic response-adaptive rainfall thresholds for landslide early warning from long-term alert records using explainable artificial intelligence

【字体: 大 中 小 】 时间:2026年09月25日 来源:Engineering Geology 10.3

编辑推荐:

   - 提出了一种基于长期滑坡预警记录进行响应自适应优化的降水阈值改进方法。 - 利用早期预警系统发布的65,625条滑坡预警记录来优化降水阈值。 - 将降水阈值的时序动态性和空间变异性引入到滑坡早期预警系统中。 - 根据斜坡对降水的实际观测响应来判定预警的真阳性与假阳性。 引言

  

- 提出了一种基于长期滑坡预警记录进行响应自适应优化的降水阈值改进方法。
- 利用早期预警系统发布的65,625条滑坡预警记录来优化降水阈值。
- 将降水阈值的时序动态性和空间变异性引入到滑坡早期预警系统中。
- 根据斜坡对降水的实际观测响应来判定预警的真阳性与假阳性。
引言
降雨被认为是全球范围内诱发滑坡的主要触发因素(Guzzetti et al., 2007;Brunetti et al., 2010;Froude and Petley, 2018)。降水阈值在滑坡早期预警(LEW)中发挥着关键作用(Caine, 1980;Yin et al., 2007;Peruccacci et al., 2017)。降水阈值通常被定义为在特定持续时间内足以诱发滑坡的最小降水量(Endo, 1969;Onodera et al., 1974;De Vita et al., 1998;Guzzetti et al., 2007, 2008)。基于物理机制的阈值模型通常受到区域土壤和水文参数缺乏的限制(Alvioli and Baum, 2016;Tran et al., 2018;Zhang et al., 2025;Calvello et al., 2026)。经验型I-D阈值模型、E-D阈值模型以及有效前期降雨模型在滑坡早期预警中仍发挥着至关重要的作用(Piciullo et al., 2018;Nocentini et al., 2024)。它们的优点在于简单、鲁棒且易于实施(Glade, 2000;Aleotti, 2004;Berti et al., 2012)。目前,降水阈值已在全球、国家及区域级的滑坡早期预警系统(LEWSs)中得到广泛应用,并取得了令人满意的结果(Hong and Adler, 2007;Lagomarsino et al., 2013;Segoni et al., 2014, 2015;Guzzetti et al., 2020;Liu et al., 2024a)。然而,为了进一步提高预警精度,需要对降水阈值的空间变异性与时序动态性进行更全面的探讨。

经验阈值模型假设空间均质性。然而,由于地质环境的复杂性,在全球、国家及区域尺度上难以确保空间均质性,这不可避免地降低了模型的准确性(Peruccacci et al., 2012, 2017;Liu and Wang, 2023;Xie et al., 2025b)。目前,LEWS中空间变异性的实现主要有两种方式。一种方式是通过易发性在空间上确定滑坡更可能发生的位置。在相同的降水阈值下,滑坡易发性较高的区域会被分配更高的预警等级。从这个角度来看,地理型LEWS提高了精度,并在大多数地区得到广泛应用(Li et al., 2017;Guzzetti et al., 2020;Shu et al., 2024)。然而,它们并未直接改进降水阈值。另一种方式是通过划分次区域或使用斜坡作为预警单元来改进降水阈值。Segoni等人将研究区划分为不同的预警区域,并发现缩小空间范围可以提高降水阈值的性能(Segoni et al., 2014)。Liu等人通过根据地质环境将重庆划分为四个次区域来建立LEWS,提高了预警性能并降低了漏报率(Liu et al., 2024a)。Xie等人量化了空间变异性,在斜坡尺度上推导了降水阈值,并取得了良好的效果(Xie et al., 2025a)。这些结果表明,使用较小的分析范围以确保空间均质性可以进一步提高降水阈值的精度。然而,上述降水阈值主要反映了地质环境的空间变异性,很少考虑降雨开始时的斜坡条件。长期预警记录可以捕捉斜坡对降雨的响应,但其对降水阈值空间变异性的潜力尚未得到充分探讨。

降水阈值在时间维度上也可以是动态的,但这通常被忽视。自21世纪以来,极端天气事件的频率显著增加(IPCC, 2023)。气候变化导致的极端降雨事件增加进一步提高了滑坡发生的可能性(Kirschbaum et al., 2020;Li et al., 2022;Liang et al., 2022;Donnini et al., 2023;Liu et al., 2024b)。由于外部因素(如强烈地震、工程活动等)的影响以及斜坡自身的演化,滑坡与降雨之间的关系可能会发生变化(Fan et al., 2019;Xia et al., 2026)。在这种情况下,静态的降水阈值可能不再适用。当低于原阈值的降水量触发新的滑坡,或者高于原阈值的降水量从未触发滑坡时,降水阈值可能需要更新。一些学者已关注到降水阈值的时序动态性(Satyaningsih et al., 2023;Zhao et al., 2025)。Fan等人指出,降水阈值反映了斜坡的水文和岩土条件,包括气候、地震活动、风化及土地利用的影响(Fan et al., 2019)。Zhu等人通过考虑降雨敏感性,分别定义了干季和湿季的降水阈值,并显著提高了预警性能(Zhu et al., 2025)。此外,已观测到在地震事件后的几年内,区域泥石流频率急剧增加,同时触发斜坡破坏所需的降雨强度和总降雨量显著减少。这一现象在1999年集集地震和2008年汶川地震之后得到了充分记录(Lin et al., 2004;Yu et al., 2014)。尽管如此,目前的实践仍依赖静态的降水阈值,对时序动态性的考虑有限。

此外,大多数LEWS的预警缺乏验证和反馈。评估LEWS满足用户需求程度是关键部分(Guzzetti et al., 2020)。然而,缺乏统一的标准限制了LEWS之间的比较及其可信度(Calvello and Piciullo, 2016;Piciullo et al., 2020)。在降雨事件期间或降雨事件结束后立即无法提供实时反馈是另一个局限(Liu et al., 2024a;Zou et al., 2026)。虽然在空间上可以通过遥感图像、监测设备和调查来验证预警,但在时间上效果较差(Mondini et al., 2019;Guzzetti et al., 2020)。因此,没有实时验证和反馈,LEWS无法判断发布的预警是真是假。LEWS一如既往地基于静态的降水阈值继续发布预警。结果导致从早期预警到管理的良性循环未能实现,由假性预警造成的损失和不良影响被忽视(Guzzetti et al., 2020)。在本研究中,充分利用了LEWS预警的反馈。靠近斜坡的调查人员及时向关闭报警设备提供反馈,以确认LEWS的预警是真是假。这种反馈使LEWS的降水阈值能够随时间动态变化,并可用于改进当前的阈值。

机器学习(ML)已成为拟合滑坡与降雨之间非线性关系的有力工具。近年来,ML在降水阈值优化中显示出越来越大的潜力(Dal Seno et al., 2024;Magrì et al., 2024;Nocentini et al., 2024;Asurza et al., 2026)。通过预测地下水对降雨的响应,ML可以与经验模型或物理模型结合,更有效地确定降水阈值,为LEW提供了一种强有力的传统替代方法(Wei et al., 2019;Orland et al., 2020;Distefano et al., 2022)。在复杂的地质条件下,ML甚至能取得卓越的LEW精度(Dal Seno et al., 2024;Zhu et al., 2025)。此外,一个新兴且越来越流行的方向是直接使用ML绕过降水阈值,转而直接预测滑坡的时空概率(Liu et al., 2021;Mondini et al., 2023;Magrì et al., 2024;Nocentini et al., 2024)。尽管如此,目前大多数LEWS仍采用经验阈值模型(Piciullo et al., 2018;Segoni et al., 2018;Guzzetti et al., 2020;Zhang et al., 2026),与经验阈值模型相比,创新研究较少(Dal Seno et al., 2024;Zhu et al., 2025)。这不仅是因为经验阈值模型易于应用,还因为它们在解释滑坡与降雨的关系方面具有更高的透明度(Guzzetti et al., 2024)。降水阈值的准确性直接影响着生命和财产安全。清晰透明的阈值模型更容易被公众接受。因此,结合可解释人工智能(XAI)和经验阈值模型来定义降水阈值是一个有价值的解决方案。

在本研究中,临安区的调查人员被要求对每一次LEWS预警做出响应。在3年多时间里,LEWS发布了65,625次预警。虽然没有发生滑坡人员伤亡,但大量的假性预警消耗了大量的人力和财力。因此,建议改进LEWS中固定的降水阈值。为了解决这一局限,我们提出了一种基于长期滑坡预警记录的响应自适应方法。该方法采用XAI拟合区域滑坡与降雨的关系,并利用真阳性预警和假阳性预警来优化斜坡的降水阈值。响应自适应过程更侧重于LEWS预警和实地反馈中斜坡对降雨的响应方式,而不是直接对斜坡物理性质的变化进行建模。改进后的降水阈值具有动态特性并表现出空间变异性。改进后的降水阈值还与I-D阈值及代表性学者的结果进行了比较。此外,XAI增强了模型预测的透明度。本研究为更准确的LEWS提供了一种新的视角。

部分片段
研究区域
本文以中国浙江省杭州市临安区作为研究区(图1)。临安区面积约为3118.72平方公里,地形差异明显。西部地区为山区,平均海拔超过1000米,而东部平原平均海拔低于50米。岩性主要为砂岩、泥岩、页岩、石灰岩、花岗岩和白云岩(图2)。土壤类型主要为砂粘土和粘土。

方法
考虑降水阈值的空间变异性与时序动态性是进一步提高预警精度的一种方式。因此,我们提出了一种基于长期滑坡预警记录的响应自适应方法来优化降水阈值。该方法通过调查人员获取的斜坡对降雨的实际观测响应来改进当前的降水阈值。降水阈值的更新机制如图6所示。当警报响起时,居民

区域降水阈值(原始)
本研究使用I-D阈值模型和Re-D阈值模型推导了区域降水阈值(图9)。使用I-D降雨模型推导了1、2、3和6小时的降水阈值,而使用Re-D降雨模型获得了5天的降水阈值。将降雨强度与持续时间、有效前期降雨与持续时间的散点图下边界拟合为临界降水阈值。预警概率

降水阈值的响应自适应优化
响应自适应降水阈值使用长期预警记录进行动态优化。图17可视化了降水阈值的自适应过程。观察到降水阈值与预警记录数量之间存在显著相关性。在图17a中,使用预警记录逐步优化降水阈值,到2021年12月接近区域降水阈值,并在2021年12月至2022年12月期间保持相对稳定。随后进一步

结论
针对降水阈值的时序动态性和空间变异性,我们提出了一种基于长期预警记录并使用XAI优化的响应自适应降水阈值。该降水阈值考虑了LEWS预警和实地反馈中斜坡对降雨的响应,而不是直接对斜坡物理性质的变化进行建模。主要结论如下:
(1) 响应自适应降水阈值表现出优于……的预警性能

作者贡献声明
Xingchen Zhang:方法学、调查、形式分析、概念化、撰写-初稿。
Lixia Chen:资源、概念化、撰写-审阅与编辑。
Kunlong Yin:监督、获取资助、撰写-审阅与编辑。
Shuhao Liu:方法学、撰写-审阅与编辑。
Ye Li:调查、形式分析。
Jingyu Xia:方法学、调查、形式分析。
Yang Liu:调查、形式分析。
Shilin Zhu:方法学。
Haomeng Zhu:资源。

Thomas资助信息:本工作得到了中国国家重点研发计划[2023YFC3007201]及《浙江省临安区地质灾害风险区动态管理技术指南》的支持。利益冲突声明:作者声明不存在已知的、可能对本文所述工作产生影响的竞争性经济利益或个人关系。张星辰|陈丽霞|尹昆龙|刘书浩|李叶|夏静宇|刘洋|朱石林|朱浩萌|Thomas Glade
相关新闻
生物通微信公众号
微信
新浪微博

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