基于可解释人工智能从长期警报记录中提取用于滑坡预警的动态响应自适应降雨阈值

《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警报记录利用响应自适应方法优化降雨阈值的方法。 - 利用早期预警系统发布的65,625条滑坡警报来优化降雨阈值。 - 将降雨阈值的时间动态性和空间变异性引入滑坡早期预警系统。 - 通过坡度对降雨的实际响应确定警报的真阳性和假阳性。 引言 降雨被认为

  

- 提出了一种基于长期滑坡警报记录利用响应自适应方法优化降雨阈值的方法。
- 利用早期预警系统发布的65,625条滑坡警报来优化降雨阈值。
- 将降雨阈值的时间动态性和空间变异性引入滑坡早期预警系统。
- 通过坡度对降雨的实际响应确定警报的真阳性和假阳性。

引言
降雨被认为是全球滑坡的主要触发因素(Guzzetti等, 2007; Brunetti等, 2010; Froude和Petley, 2018)。降雨阈值在滑坡早期预警(LEW)中起着关键作用(Caine, 1980; Yin等, 2007; Peruccacci等, 2017)。降雨阈值通常定义为在特定时间跨度内足以引发滑坡的最低降水量(Endo, 1969; Onodera等, 1974; De Vita等, 1998; Guzzetti等, 2007, 2008)。物理阈值模型通常受限于区域内土壤和水文参数的缺乏(Alvioli和Baum, 2016; Tran等, 2018; Zhang等, 2025; Calvello等, 2026)。经验I-D阈值模型、E-D阈值模型和有效前期降雨模型继续在LEW中发挥着关键且积极的作用(Piciullo等, 2018; Nocentini等, 2024)。其优势在于简单性、鲁棒性和易于实施(Glade, 2000; Aleotti, 2004; Berti等, 2012)。目前, 降雨阈值已在全球、国家和地区级滑坡早期预警系统(LEWS)中广泛应用, 并取得了良好成效(Hong和Adler, 2007; Lagomarsino等, 2013; Segoni等, 2014, 2015; Guzzetti等, 2020; Liu等, 2024a)。然而, 为进一步提高准确率, 降雨阈值的空间变异性与时序动态性需要更全面的探讨。

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、国家和区域尺度上难以保证空间均质性, 这不可避免地降低了模型精度(Peruccacci等, 2012, 2017; Liu和Wang, 2023; Xie等, 2025b)。目前, LEWS中的空间变异性主要通过两种方式实现。一种方式是通过滑坡易发性确定滑坡在空间上更可能发生的位置。在相同降雨阈值下, 滑坡易发性较高的区域被分配更高的预警级别。从这一角度看, 地理LEWS提高了预警精度, 并已被大多数地区广泛采用(Li等, 2017; Guzzetti等, 2020; Shu等, 2024)。然而, 这种方式并未直接优化降雨阈值。另一种方式是通过划分子区域或使用坡度作为预警单元来提高降雨阈值。Segoni等人将研究区划分为不同的警报区域, 发现缩小空间范围可以提高降雨阈值的性能(Segoni等, 2014)。Liu等人根据地质环境将重庆划分为四个子区域, 建立了LEWS, 提高了预警性能并降低了漏报率(Liu等, 2024a)。Xie等人量化了空间变异性, 在坡度尺度上推导出降雨阈值, 同样取得了良好的效果(Xie等, 2025a)。这些结果表明, 使用较小的分析范围来确保空间均质性可以进一步提高降雨阈值的精度。然而, 上述降雨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坡度条件。长期警报记录可以捕捉坡度对降雨的响应, 但其在降雨阈值空间变异性方面的潜力仍未得到充分探讨。

降雨阈值在时间维度上同样可以动态变化, 但这一特性通常被忽略。自21世纪以来, 极端天气事件频率显著增加(IPCC, 2023)。气候变化导致的极端降雨事件增多进一步提高了滑坡的可能性(Kirschbaum等, 2020; Li等, 2022; Liang等, 2022; Donnini等, 2023; Liu等, 2024b)。由于外部因素(如强烈地震、工程活动等)的影响以及坡度自身的演变, 滑坡与降雨之间的关系可能会发生变化(Fan等, 2019; Xia等, 2026)。在这种情况下, 静态降雨阈值可能不再适用。当低于原始阈值的降水触发新的滑坡时, 或者当高于原始阈值的降水从未触发滑坡时, 降雨阈值可能需要更新。一些学者已关注到降雨阈值的时间动态性(Satyaningsih等, 2023; Zhao等, 2025)。Fan等人指出, 降雨阈值反映了坡度的水文和岩土条件, 包括气候、地震活动、风化和土地利用的影响(Fan等, 2019)。Zhu等人通过考虑降雨敏感性分别定义了旱季和雨季的降雨阈值, 显著提高了预警性能(Zhu等, 2025)。此外, 有观测发现, 地震事件后数年内泥石流频率急剧增加, 同时触发坡度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年汶川地震后均得到了充分记录(Lin等, 2004; Yu等, 2014)。尽管如此, 当前实践仍依赖静态降雨阈值, 对时间动态性的考虑十分有限。

此外, 大多数LEWS警报缺乏验证和反馈。一个关键部分是评估LEWS在满足用户需求方面的成功程度(Guzzetti等, 2020)。然而, 缺乏统一标准限制了比较和LEWS的可信度(Calvello和Piciullo, 2016; Piciullo等, 2020)。降雨事件期间或紧随其后无法获得实时反馈是另一限制(Liu等, 2024a; Zou等, 2026)。利用遥感图像、监测设备和调查可以在空间上验证警报, 但时间分辨率较差(Mondini等, 2019; Guzzetti等, 2020)。因此, 在没有实时验证和反馈的情况下, LEWS无法判断已发布的警报是否为真。LEWS仅按常规继续基于静态降雨阈值发布警报。结果是, 从早期预警到管理的良性循环未能实现, 假警报造成的损失和不良影响被忽视(Guzzetti等, 2020)。在本研究中, 我们充分利用了LEWS警报的反馈。坡度附近的调查人员在收到LEWS警报后及时提供反馈, 判断LEWS警报的真伪, 以关闭警报设备。这种反馈使LEWS降雨阈值能够随时间动态调整, 可用于优化当前阈值。

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在降雨阈值优化中展现出日益增长的潜力(Dal Seno等, 2024; Magrì等, 2024; Nocentini等, 2024; Asurza等, 2026)。通过预测地下水对降雨的响应, ML可与经验或物理模型结合, 更有效地确定降雨阈值, 是LEW传统方法的有力补充(Wei等, 2019; Orland等, 2020; Distefano等, 2022)。在复杂地质条件下, ML甚至实现了更优的LEW精度(Dal Seno等, 2024; Zhu等, 2025)。此外, 一个新兴且日益流行的方向是利用ML完全绕过降雨阈值, 直接预测滑坡的时空概率(Liu等, 2021; Mondini等, 2023; Magrì等, 2024; Nocentini等, 2024)。尽管如此, 目前大多数LEWS仍采用经验阈值模型(Piciullo等, 2018; Segoni等, 2018; Guzzetti等, 2020; Zhang等, 2026), 尽管已有大量超越经验阈值模型的创新研究(Dal Seno等, 2024; Zhu等, 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之间的关系时提供了更优的透明度(Guzzetti等, 2024)。降雨阈值的精度直接影响生命和财产安全。清晰透明的阈值模型更容易被公众接受。因此, 将可解释人工智能(XAI)与经验阈值模型结合来定义降雨阈值是一种有价值的解决方案。

在本研究中, 要求临安区的调查人员响应每一条LEWS警报。在3年多的时间里, LEWS发布了65,625条警报。虽然滑坡未造成人员伤亡, 但大量假警报消耗了大量人力和财力资源。因此, 建议改进LEWS中的固定降雨阈值。为解决这一局限性, 我们提出了一种基于长期滑坡警报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之间的关系, 并利用真阳性警报和假阳性警报优化坡度降雨阈值。响应自适应过程更关注从LEWS警报和现场反馈中获得的坡度对降雨的响应, 而非直接模拟坡度物理属性的变化。优化后的降雨阈值具有动态性并表现出空间变异性。优化后的降雨阈值还与I-D阈值和代表性学者的结果进行了比较。此外, XAI提高了模型预测的透明度。本研究为更准确的LEWS提供了新的视角。

各章节片段

研究区
本文以中国浙江省杭州市临安区为研究区(图1)。临安区面积约3118.72 km2, 地形差异显著。西部为山地, 平均海拔超过1000米, 而东部平原平均海拔不足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)。土壤类型主要为砂质粘土和粘土,

方法
考虑降雨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途径。因此, 我们提出了一种响应自适应方法, 利用长期滑坡警报记录优化降雨阈值。该方法通过调查人员获取的坡度对降雨的实际响应来改进当前降雨阈值。降雨阈值的更新机制如图6所示。当警报响起时, 居民

区域降雨阈值(原始)
在本研究中, 区域降雨阈值通过I-D阈值模型和Re-D阈值模型推导得出(图9)。1、2、3和6小时的降雨阈值使用I-D降雨模型推导, 5天的降雨阈值通过Re-D降雨模型获得。降雨强度与持续时间散点图和有效前期降雨与持续时间散点图的下边界被拟合为临界降雨阈值。预警概率

降雨阈值的响应自适应优化
响应自适应降雨阈值利用长期警报记录进行动态优化。图17展示了降雨阈值的自适应过程。降雨阈值与警报记录数量之间观察到显著相关性。在图17a中, 降雨阈值通过警报记录逐步优化, 至2021年12月时接近区域降雨阈值, 并从2021年12月至2022年12月期间保持相对稳定。随后, 进一步

结论
针对降雨阈值的时间动态性和空间变异性, 我们提出了一种基于长期警报记录和XAI优化的响应自适应降雨阈值。降雨阈值考虑了从LEWS警报和现场反馈中获得的坡度对降雨的响应, 而非直接模拟坡度物理属性的变化。主要结论如下:
(1) 响应自适应降雨阈值表现出比...更好的预警性能。

CRediT作者贡献声明
Xingchen Zhang: 方法论, 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, 资金获取, 撰写——审阅与编辑。
Shuhao Liu: 方法论, 撰写——审阅与编辑。
Ye Li: 调查, 形式分析。
Jingyu Xia: 方法论, 调查, 形式分析。
Yang Liu: 调查, 形式分析。
Shilin Zhu: 方法论。
Haomeng Zhu: 资源。

资助

本工作得到国家重点研发计划[2023YFC3007201]和《浙江省临安区地质灾害风险区动态管理技术指南》的资助。

利益冲突声明

作者声明,不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

张星辰|陈丽霞|尹昆龙|刘树浩|李烨|夏静宇|刘洋|朱世林|朱昊萌|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