数据异质性下可靠因子评估与滑坡滑程预测的选择性集成框架

《Results in Engineering》:A selective ensemble framework for reliable factor evaluation and landslide runout prediction under data heterogeneity

【字体: 大 中 小 】 时间:2026年09月28日 来源:Results in Engineering 9.4

编辑推荐:

  滑坡滑程是区域滑坡危险性评估的关键指标,而多源滑坡编目在数据完整性、因子可用性和样本量方面常存在明显异质性。为在异质性数据条件下实现稳健的滑程预测与可靠的因子评估,研究人员整合公开滑坡编目及2008年汶川地震、2015年Gorkha地震等事件数据,构建了涵盖3

  
滑坡滑程是区域滑坡危险性评估的关键指标,而多源滑坡编目在数据完整性、因子可用性和样本量方面常存在明显异质性。为在异质性数据条件下实现稳健的滑程预测与可靠的因子评估,研究人员整合公开滑坡编目及2008年汶川地震、2015年Gorkha地震等事件数据,构建了涵盖32,714条记录的多类型滑坡滑程数据集,并提出一种选择性集成(selective ensemble)框架。该框架在统一评测协议下筛选多个高性能基学习器,采用非负最小二乘(NNLS)进行聚合,并基于集成预测开展SHAP(SHapley Additive exPlanations)分析,从而降低单一模型选择带来的不确定性。结果显示,选择性集成框架在多数滑坡类型上可达到不低于最优单一模型的预测精度,同时显著提升预测稳定性;不同触发类型和物质组成滑坡的因子重要性模式存在明显差异,但垂直落差(H)和体积(V)始终保持较高且一致的重要性。该框架为多类型滑坡滑程预测提供了兼顾稳定性与可解释性的统一分析途径。
滑坡是破坏性极强的地质灾害,常造成基础设施损毁、人员伤亡和经济损失。在滑坡危险性评估中,滑程(runout distance)预测直接决定潜在影响范围,是灾害制图、土地利用规划和工程选址的重要基础。现有方法可分为物理数值模拟与统计预测两类。物理模型如有限元法(FEM)、有限体积法(FVM)、有限差分法(FDM)、光滑粒子流体动力学(SPH)、物质点法(MPM)和离散元法(DEM)能够刻画运动过程,但通常依赖参数率定和高精度地形数据,计算成本高,难以用于区域尺度。统计与机器学习模型计算效率高,能从数据中学习滑坡因子与滑程之间的非线性关系。然而,已有研究多集中于提高预测精度,较少关注数据异质性的影响。多源滑坡编目在完整性、因子可得性和样本量上差异明显,不同算法在同一数据上也可能学习到不同的因子关系,导致因子重要性结果随模型选择而变化。现有基于SHAP的解释又依赖于具体拟合模型,因此,如何在异质性数据条件下稳定预测并可靠评估因子贡献,仍是重要挑战。

针对上述问题,研究人员首先整合公开滑坡编目及2008年汶川地震、2015年Gorkha地震等事件数据,构建了包含32,714条记录的多类型滑坡滑程数据库,并按触发机制和物质组成两个维度对滑坡分类。在此基础上,提出一种统一的选择性集成框架,将多个高性能基学习器在统一评测条件下筛选并聚合,以减少模型选择波动,并在集成预测层面进行SHAP分析,实现稳健预测与相对公平的因子评价。研究还以垂直落差H为例,系统比较包含H与排除H两种情景下的预测性能,量化因子可得性与预测精度之间的权衡。

主要技术方法:研究人员整合公开编目及汶川、Gorkha地震等事件记录,构建32,714条多类型滑坡滑程数据集,按触发机制和物质组成分类;以MLP、RF、SVR、XGBoost、TabNet、FT-Transformer为基学习器,在五折交叉验证下按5%(极小样本3%)的阈值筛选高性能模型,以非负最小二乘(NNLS)进行集成;在包含或排除H两种情景下比较各类型预测性能,并对集成预测执行SHAP分析。评价指标为R2和均方误差(MSE)。

4.1 预测性能对比
研究人员对七类滑坡分别建模。通过Spearman相关和方差膨胀因子(VIF)分析发现,部分因子之间存在强相关或高相关,尤其降雨触发滑坡中体积V与源区面积As存在显著多重共线性,但因其具有物理意义仍被保留。包含H的情景下,H与V在多数类型的最优因子组合中被保留;七类中有四类仅用两个输入变量即可达到最优预测性能,说明增加变量不一定稳定提升精度。集成模型在五折交叉验证中的平均R2不低于最优基学习器,独立测试集上多数类型也达到与最优基模型相当或更高的精度,表现出更强的泛化能力和稳定性。排除H后,各类型预测精度均有不同程度下降,其中降雨触发滑坡下降最大,地震触发滑坡下降最小,表明H对滑程预测具有重要作用。

4.2 基于SHAP的因子贡献解释
4.2.1 降雨触发滑坡
该类型以岩质滑坡为主,集成模型预测精度较高(测试集R2=0.94396,MSE=0.04936)。SHAP分析显示H、As和V贡献最大;H和As呈非线性增加且增幅逐渐趋缓,V的贡献随体积增大而下降,坡度θ和源区宽度Wsm的贡献总体下降。V、As与Wsm之间存在较强依赖,说明SHAP贡献部分代表共有的源区尺度信息。

4.2.2 地震触发滑坡
该部分分析对应地震触发岩质滑坡,测试集R2=0.96533,MSE=0.06084。H是最重要因子,其次为As、θ和V;H的贡献在低值段快速增加后趋于平缓,V总体随体积增大而增加,θ在中低坡度区间贡献多为负,在约50°以上转为正。与降雨触发滑坡相比,V和θ的贡献模式明显不同,说明触发类型影响因子-滑程统计关系,但相关因子结构中也可能存在共享信息,需谨慎解释为因果效应。

4.2.3 多因素触发滑坡
该类样本较少,研究人员采用多次随机划分取平均以提高稳健性。代表性划分显示模型预测性能较好,H和V的贡献均随其值增大而增加,其中V在较小体积时贡献为负,较大体积时转正。该结果只是小样本条件下对H、V与预测滑程统计关系的初步刻画。

4.2.4 其他因素触发滑坡
测试集R2=0.92675,MSE=0.28366。H是主导因子,贡献远大于V;H的贡献随垂直落差增大先快速增加后趋缓,V的贡献随体积增加而渐进增大。

4.2.5 土质滑坡
测试集R2=0.95341,MSE=0.04777。H最重要,其次为θ和V;H贡献总体增加,θ贡献随坡度增大而下降,约40°附近由正转负,V则呈非单调模式,在体积较大端出现较高正贡献。

4.2.6 岩质滑坡
测试集R2=0.94315,MSE=0.06791。H为主导因子,V次之;H贡献在低值段快速增加后趋于饱和,V贡献在中间体积范围较分散,在约104 m3附近集中较高值,可能与汶川和Gorkha地震区样本的区域组成有关;在体积上端,V贡献再次增加并主要为正,与大型岩质滑坡高流动性特征相符。

4.2.7 混合材料滑坡
测试集R2=0.84061,MSE=0.41571,预测性能可接受。H是主导因子,贡献随垂直落差增加;V在中低体积区间变化较小,在体积上端明显增加,反映较大体积对预测滑程的贡献增强。

5 讨论
数据异质性在滑坡建模中日益受到重视。已有研究表明模型在降雨触发与地震触发编目之间迁移时会出现明显且不对称的性能下降,说明因子-滑程关系不一定跨触发类型通用。本研究结果进一步显示,模型适用性也随滑坡类型和因子配置而变化。因此,异质性数据下的滑程预测应明确考虑类别依赖和数据依赖,而不应假定单一模型或固定策略可普遍适用。研究提出的框架不试图消除数据固有差异,而是在统一分析中容纳这些差异,通过一致性评测和选择性集成降低模型选择偏差,为因子比较提供稳定基础。

可靠因子评估方面,H和V在多数类型中保持重要,其中H的贡献普遍呈先快速增加后趋于饱和的非线性模式,边际贡献递减。其他因子的重要性、方向和响应阈值则随类型不同而变化,例如坡度在降雨触发和地震触发岩质滑坡中表现出相反的贡献趋势。需要指出,SHAP量化的是预测模型学到的统计关联,而非直接物理因果;相关因子可能共享预测信息。因此,这些贡献模式应作为因子-预测关系的统计证据,结合物理认识进行解释。

实际应用方面,因子组合是在样本量与预测性能之间取得的平衡。部分不常记录的因子虽可能提供额外信息,但会显著减少可用样本。数据库中多因素触发等类型样本仍然偏少,未来扩充可提高稳健性。源编目之间的数据获取和处理差异也会引入不确定性,只能通过数据协调和验证加以缓解。因子选择应更加面向具体滑坡类型,并加强降雨
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