基于贝叶斯深度学习框架的滑坡易发性评估更新方法：结合认知不确定性及InSAR增强样本

《Journal of Rock Mechanics and Geotechnical Engineering》：Bayesian deep learning framework for updating landslide susceptibility assessment based on epistemic uncertainty with InSAR augmented samples

地质工程调查中，本研究通过整合二维电测深（2D ERI）与标准贯入试验（SPT）数据，采用k-means聚类分析（KMCA）对地质材料进行分类，并建立电阻率与N60值的功率方程（R2=0.9774，MAE=3.94，RMSE=5.21），实现无钻孔区域N60值的精准估算，有效提升地质调查效率。

　　地质工程作为一门重要的学科，主要关注地表以下的地质材料及其特性，为工程结构的设计、施工、保护和风险控制提供关键信息。传统的地质调查方法主要依赖钻探技术，这种方法虽然能够直接获取地层信息，但在某些复杂地形或环境条件下存在明显的局限性。例如，钻探只能在有限的点位和深度获取数据，难以全面反映地下材料的横向变化。此外，钻探过程需要大量的时间和资源投入，且对环境有一定的破坏性。因此，近年来非侵入式方法，如电法勘探，逐渐受到重视。这些方法通过测量地下介质的电性特征，为地质材料的分类和地下结构的识别提供了新的视角。同时，随着机器学习（ML）技术的发展，其在地质工程中的应用也日益广泛，为提高数据处理的效率和精度提供了新的工具。

在本研究中，采用二维电法勘探（2D ERI）与标准贯入试验（SPT）相结合的方法，利用k均值聚类分析（KMCA）对地下材料进行分类，进而建立电性与SPT N60值之间的关系。这种方法在地质材料分类和地下结构识别方面展现出显著优势。通过电法勘探获取的电阻率数据与SPT测试数据的结合，不仅能够更全面地反映地下材料的物理特性，还能有效克服传统钻探方法在数据获取上的局限性。此外，KMCA作为一种无监督学习算法，能够自动识别数据中的模式，为地质材料的分类提供了科学依据。

研究的背景源于泰国北部清迈省1088号公路的一次坡体滑坡事件。在此次事件中，研究人员采用了电法勘探和钻探相结合的方法，对滑坡区域的地质条件进行了深入分析。通过电法勘探获取的电阻率数据，结合钻探获得的N60值，不仅有助于识别滑坡的地质成因，还能为后续的工程设计和地质灾害防控提供支持。然而，由于部分电法勘探线未能获得钻孔数据，这给地下材料的分类带来了不确定性。因此，研究人员采用KMCA对这些区域的电阻率数据进行分析，进而推断出N60值，实现了对地下材料特性的全面评估。

在方法论部分，研究团队首先通过钻探获取了四组数据，包括BH10、KB1、KB2和KB3。这些钻孔数据提供了地下材料的详细信息，如N60值、水含量、塑性指数和粒径分布。接着，通过电法勘探技术，研究人员对研究区域进行了全面的数据采集，并利用特定的电极布置和测量方法，获得了地下电阻率分布。电法勘探数据经过处理和反演，形成了二维伪断面，该伪断面能够直观地展示地下材料的电阻率变化。为了进一步提高地下材料分类的准确性，研究团队采用了KMCA对这些数据进行分析，确定了最佳的聚类数量，并建立了电阻率与N60值之间的幂函数关系。该关系在研究区域内具有较高的适用性，且在后续的估算中表现出良好的预测能力。

通过KMCA的分析，研究人员将地下材料分为三类：低强度材料（松散砂）、中等强度材料（中等硬度黏土）和高强度材料（坚硬黏土）。这种分类方法不仅有助于理解地下材料的物理特性，还能为工程设计和灾害防控提供依据。例如，松散砂通常具有较低的N60值，而坚硬黏土则表现出较高的N60值。此外，研究团队还利用幂函数关系，对未进行钻探的区域进行了N60值的估算，并通过对比实际钻孔数据，验证了估算的准确性。估算结果表明，该方法在预测N60值方面具有较高的精度，R2值达到0.9467，均方误差（MAE）为3.94，均方根误差（RMSE）为5.21，这说明该方法在实际应用中具有较高的可靠性。

研究还强调了地质材料分类的复杂性。在实际地质调查中，地下材料的分布和特性可能受到多种因素的影响，包括地质构造、沉积历史、水文条件等。这些因素可能导致电阻率与N60值之间的关系存在不确定性。因此，研究人员指出，虽然KMCA方法在大多数情况下能够有效识别地下材料的分类，但在某些情况下仍需结合其他数据，如钻孔信息或实验室测试结果，以提高分类的准确性。

此外，研究还探讨了电法勘探与钻探方法的结合对地质工程实践的影响。通过电法勘探获得的电阻率数据可以提供广泛的地下信息，而钻探方法则能够提供更精确的材料特性数据。结合这两种方法，不仅能够提高地下材料分类的效率，还能减少对环境的干扰。这种方法在地质灾害评估、基础设计和边坡稳定性分析中具有广泛的应用前景。

研究团队在方法实施过程中，还考虑了数据预处理的重要性。通过对原始数据的清洗、标准化和特征提取，确保了KMCA的输入数据质量，从而提高了分类的准确性。此外，研究团队还通过Elbow方法和Silhouette分析确定了最佳的聚类数量，为后续的分类提供了科学依据。在分析过程中，研究团队发现，尽管某些电法勘探线的分类结果较为复杂，但通过KMCA的处理，能够有效减少数据重叠，提高地下材料分类的清晰度。

通过将KMCA与电法勘探和钻探数据相结合，研究团队成功地建立了电阻率与N60值之间的关系模型，并在未进行钻探的区域进行了N60值的估算。这一方法不仅提高了地下材料分类的效率，还为地质工程实践提供了新的思路。此外，该方法在实际应用中表现出良好的可靠性，能够有效减少传统钻探方法的时间和成本投入，同时降低对环境的破坏。

本研究的创新之处在于，通过机器学习技术，将电法勘探数据与钻探数据相结合，实现了对地下材料的高效分类和N60值的准确估算。这种方法不仅适用于本研究的地质条件，还具有一定的通用性，可以推广到其他类似的地质调查项目中。通过这种方式，地质工程师能够在更广泛的范围内获取地下材料的信息，从而更好地评估地质条件，优化工程设计，提高地质灾害防控的效率。

总之，本研究展示了如何通过结合电法勘探、钻探数据和机器学习技术，实现对地下材料特性的高效分析。这种方法不仅提高了地质调查的效率和精度，还为地质工程实践提供了新的工具和思路。未来的研究可以进一步探索该方法在不同地质条件下的适用性，并将其应用于更广泛的工程领域，以提升地质工程的科学性和实用性。