深度学习辅助的裂缝映射技术结合基于SPH（Smoothed Particle Hydrodynamics）的动态模拟方法，用于滑坡运动学预测

《Journal of Rock Mechanics and Geotechnical Engineering》：Deep learning-augmented crack mapping and SPH-based dynamic simulation for landslide kinematic prediction

滑坡稳定性评估与运动动力学模拟研究——以湖北巴东谭家湾滑坡为例。本研究通过无人机航拍、深度学习和蒙特卡洛模拟等方法，分析了极端降雨下谭家湾滑坡的变形机制、稳定性评估及运动动力学，提出了综合灾害评估框架。

　　中国湖北省巴东县的天机湾滑坡（Tanjiawan landslide）于2020年7月19日因极端降雨而发生了显著的变形，对当地社区和基础设施构成了重大威胁。本研究通过综合现场调查和多种数据源，包括地质、地形、岩性、降水量、卫星遥感和无人机（UAV）摄影测量，系统地分析了滑坡的时空演化和破坏机制。研究采用深度学习模型（U-Net和ResU-Net）自动提取高分辨率无人机正射影像中的地表裂缝，其中ResU-Net在裂缝识别准确率上优于U-Net，达到了89.7%的识别精度。滑坡稳定性分析结合了极限平衡法（LEM）和蒙特卡洛模拟（MCS），以考虑参数的不确定性。在极端降雨条件下（320 mm/d），安全系数显著下降，从1.079降至0.822，同时破坏概率增加了72.82%。滑坡破坏后的动态过程通过平滑粒子流体动力学（SPH）模型进行模拟，预测了滑坡物质的总运行距离为48秒，19秒时达到峰值速度28 m/s，最终沉积厚度约为5米。这一综合框架展示了深度学习、概率稳定性分析和基于粒子的建模在定量滑坡灾害评估和早期预警中的潜力，特别是在降雨敏感的山区。

滑坡是全球范围内破坏性极强的地质灾害之一，其发生频率和严重性随着极端天气事件的增加而上升。在中国，近年来由于高强度降雨事件的增多，降雨引发的滑坡灾害显著增加。这类滑坡往往具有高速移动、广泛的运行距离和强大的物质挟带能力，可能对人类生命、财产和社区基础设施造成严重威胁。因此，理解坡体失稳机制并发展涵盖前兆识别、稳定性评估和动态运行模拟的综合策略，对于减轻这些灾害后果至关重要。传统的滑坡监测方法依赖于现场调查，虽然能提供准确的地质信息，但耗时、费力且受限于地形可及性。随着无人机技术的发展，其高空间分辨率和操作灵活性显著提升了局部尺度滑坡监测的能力。结合深度学习（DL）特别是卷积神经网络（CNN）的最新进展，无人机影像能够实现地表裂缝的自动化和精确识别，为评估坡体状态和预测破坏时间提供了关键依据。

本研究中的天机湾滑坡位于长江南岸，是西南地区高海拔区域内的一个古老滑坡。滑坡的形态为扇形平面结构，具有明显的沟壑，主滑动方向为318°（西北方向）。滑坡的长度为260米，宽度为270米，海拔范围从420米到520米，覆盖面积为6.52×10^4平方米，体积约为1.684×10^6立方米，坡度在20°至40°之间。滑坡前缘延伸至天机湾安置区和G209国道，影响学校、商业区和居民区，威胁超过2000名居民，资产损失估计约为1亿元人民币。滑坡的地质结构主要包括第四纪冲洪积物和中三叠统巴东组地层，其中滑动带位于泥岩与下伏泥岩之间的界面，厚度在1.2至2米之间，泥岩占滑动带成分的约60%。区域地质构造主要呈西北-西向延伸，与上阳子台褶皱系统相关。研究区的降雨特征表现为连续且集中的模式，年均降雨量达到1100.7毫米（1954-2020年），雨季主要集中在4月至10月，月均降雨量在150至457.6毫米之间，而冬季降水较少。历史上曾记录到两次日降雨量超过150毫米的事件：1975年8月9日日降雨量达到358毫米，1996年7月4日日降雨量达到260毫米。2020年6月27日的降雨量达到308.38毫米，为本研究中设定的极端降雨情景。

为了识别滑坡的触发因素和评估其稳定性，研究团队收集了多种数据，包括地质、地形、岩性、卫星遥感、无人机摄影测量和降水记录。通过这些数据，研究人员能够分析滑坡的地质背景、地貌和地形演化，识别地表裂缝，评估坡体稳定性，并预测潜在不稳定的物质的运动过程。无人机摄影测量技术提供了高分辨率的数字正射影像图（DOM）、数字高程模型（DEM）和数字表面模型（DSM），这些数据揭示了滑坡在不同时间点的变形特征。例如，2022年6月27日的无人机影像显示了滑坡后缘和两侧出现的连续裂缝，以及排水沟的裂缝扩展和道路变形。此外，2023年5月23日和2024年5月31日的影像进一步表明，滑坡的变形从缓慢蠕动逐渐发展为加速运动，裂缝的宽度和密度持续增加，可能引起现有裂缝的相互连接。

在滑坡的识别和分析过程中，研究团队采用了U-Net和ResU-Net两种深度学习算法。U-Net是一种经典的语义分割模型，其编码器-解码器结构能够有效捕捉图像的低级和高级特征。ResU-Net则是在U-Net基础上引入了残差连接，增强了模型的表达能力和泛化能力。通过对比两种模型的识别效果，ResU-Net在准确率、精确率、召回率、F1-score和mIOU等指标上均优于U-Net，达到了89.7%的识别准确率。这表明ResU-Net在识别滑坡地表裂缝方面更具优势，能够更清晰地区分滑坡裂缝和其他裂缝样貌，如建筑之间的间隙和阴影等。

滑坡的稳定性分析采用极限平衡法（LEM）和蒙特卡洛模拟（MCS）相结合的方法。通过分析滑坡材料的抗剪强度参数，如粘聚力和内摩擦角，结合实验室测试和现场调查数据，研究人员计算了滑坡在极端降雨条件下的安全系数（FS）。在无降雨情况下，FS为1.079，而在320 mm/d的极端降雨条件下，FS下降至0.822，显示出滑坡在极端降雨条件下的显著失稳。蒙特卡洛模拟显示，当降雨强度达到320 mm/d时，破坏概率（P_f）从22.88%上升至95.70%，表明滑坡从稳定状态转变为不稳定状态。这一变化主要归因于降雨导致的水力响应，包括土壤渗透和地下水位上升，进而减少有效应力并降低剪切强度。

为了预测滑坡破坏后的运动轨迹和沉积特征，研究团队采用SPH模型进行动态模拟。SPH是一种无网格的数值方法，适用于模拟大变形和拓扑变化。在SPH模型中，滑坡材料被视为等效流体，其运动过程由粘滞系数（ξ）和基底摩擦系数（tanδ）等参数控制。通过调整这些参数，研究人员分析了其对滑坡运动过程和沉积特征的影响。结果表明，较低的粘滞系数会导致较厚的沉积物，而较高的基底摩擦系数则会缩短滑坡的运行距离。此外，滑坡的运动过程被划分为三个阶段：加速阶段、减速阶段和沉积阶段。在加速阶段，滑坡物质从初始状态开始缓慢移动；在减速阶段，由于建筑物和地形的阻挡作用，滑坡速度逐渐降低；在沉积阶段，滑坡物质最终停止并形成沉积区。

研究团队还通过多时相的DSM分析，定量评估了滑坡的变形特征。这些DSM揭示了滑坡中后部的显著沉降和前缘的沉积特征，为滑坡的动态行为提供了空间上的理解。通过对比不同时间段的DSM，研究人员提取了滑坡的沉降区和沉积区，平均垂直变形分别为-0.3196米、-0.1764米、-0.2068米和-0.1659米。这些变形主要集中在滑坡的中后部，而前缘的沉积区则表现出明显的抬升。尽管存在一定的不确定性，但这些变形结果在可接受范围内，不会影响其科学可靠性。

研究还探讨了粘滞系数和基底摩擦系数对滑坡动态过程的影响。通过调整这些参数，研究人员发现，较高的粘滞系数会导致沉积物厚度减少，而较低的粘滞系数则会增加滑坡的运行距离。此外，较高的基底摩擦系数会缩短滑坡的运行距离，从而降低对基础设施和居民的威胁。这些发现对于改进滑坡灾害评估模型和制定早期预警策略具有重要意义。

综上所述，本研究通过结合无人机摄影测量、深度学习裂缝识别、极限平衡分析和SPH动态模拟，系统地分析了天机湾滑坡在极端降雨条件下的行为特征。研究结果不仅揭示了滑坡的变形机制和破坏过程，还为滑坡灾害的定量评估和早期预警提供了新的方法和思路。未来的工作将进一步结合多时相影像和地质信息，以提高裂缝识别模型的鲁棒性和泛化能力。同时，研究团队计划将这一综合框架扩展到多个滑坡地点，以开发适用于不同地区的灾害防治策略，包括疏散计划和预警阈值的制定。