46 / 2025-04-04 22:04:25

基于科学一致性的物理信息引导机器学习滑坡易发性评估

滑坡易发性制图；机器学习；基于物理的模型；失效概率；降雨诱发滑坡

滑坡易发性制图（LSM）是开展区域尺度潜在滑坡预测的重要工具。随着人工智能技术的发展，以机器学习（ML）为代表的数据驱动的方法在滑坡易发性制图中的应用日益广泛。然而，现有的机器学习模型多依赖从数据中直接学习特征，较少融入滑坡失稳的潜在物理机制，尤其是在数据稀缺、地质条件复杂或空间异质性显著的区域中模型泛化能力较弱，易产生物理不一致的预测结果，模型的解释性与可信度较低。为解决上述问题，本文通过引入简化瞬态入渗模型（PRL-STIM）计算降雨条件下边坡安全系数（F_S），基于一阶可靠度方法（FORM）估算边坡失效概率（P_f），以表征边坡在不同降雨强度与持续时间下的响应特征，并融入模型过程，从而提出考虑科学一致性的概率物理信息引导机器学习（PIML）框架。最终以2013年中国甘肃娘娘坝地区降雨诱发的浅层滑坡事件为工程背景，通过开展空间交叉验证，评估所提模型在未知区域的泛化能力与预测不确定性。研究结果表明，基于纯数据驱动的机器学习模型在滑坡预测中不仅无法考虑物理一致性，且泛化能力与鲁棒性典型不足。相比之下，PIML模型通过融合物理机制与概率信息，实现了科学一致性的统一，显著提升了模型的在跨区域的预测性能，有效增强了模型的可解释性，凸显了将领域知识与数据驱动方法相结合以实现更科学、合理且具泛化能力的滑坡易发性制图的必要性。