基于位置信息融合卷积神经网络，对东藏运输走廊高温热损伤风险区域的预测与解读

《Remote Sensing of Environment》：Prediction and interpretation of high-temperature heat damage risk zones in the Eastern Tibetan Transport Corridor based on a location-information-fusion convolution neural network

HTHD风险预测研究提出融合空间位置信息的卷积神经网络模型（LI-CNN），基于多源数据构建空间数据库，结合SHAP和PDP模型解释分析，发现断层密度、地表温度和河流密度为关键影响因素，AUC达0.81并优于传统模型。

　　在地下工程领域，高温热损害（High-Temperature Heat Damage, HTHD）是一种常见的地质灾害，对施工人员的生命安全以及工程项目的整体安全构成了重大威胁。特别是在中国，随着大规模基础设施建设的推进，HTHD的识别与预测显得尤为重要。本文聚焦于东藏运输走廊这一高HTHD风险区域，提出了一种可解释的深度学习模型——位置信息融合卷积神经网络（Location-Information-Fusion Convolutional Neural Network, LI-CNN），以提升HTHD风险区预测的准确性和可解释性。

东藏运输走廊是中国“西部大开发”战略中的关键组成部分，连接四川和西藏地区，总长度超过1500公里。这一区域地质构造复杂，地热活动频繁，尤其是穿越横断山脉的峡谷地带，地下隧道面临极高的HTHD风险。高温热损害不仅可能导致施工过程中人员受伤或死亡，还可能影响隧道结构的稳定性和使用寿命，进而威胁整个工程的安全性。因此，如何准确预测HTHD风险区，成为保障地下工程安全与可持续发展的核心问题。

传统HTHD风险预测方法通常依赖于经验模型、统计模型或混合方法，这些方法虽然在一定程度上能够提供预测结果，但在处理复杂地质环境中的多源数据时存在明显局限。例如，多数研究仅关注单个地热样本点的特征值，忽略了地热样本点之间的空间关系，这种简化处理往往导致预测精度不高。此外，传统模型在解释预测结果时也面临困难，难以清晰展示哪些因素对HTHD风险的形成具有关键影响，从而限制了其在实际工程中的应用价值。

为了解决上述问题，本文提出了一种基于深度学习的可解释模型——LI-CNN。该模型在传统卷积神经网络（CNN）的基础上，引入了位置信息融合机制，以增强模型对地热样本点空间分布的感知能力。通过将空间位置信息与地热特征数据相结合，LI-CNN能够更全面地捕捉地热活动与HTHD风险之间的复杂关系。此外，为了提升模型的可解释性，本文还结合了两种深度学习解释方法：Shapley additive explanations（SHAP）和partial dependence plots（PDP）。这两种方法不仅能够揭示各证据因子对预测结果的贡献程度，还能展示它们与HTHD风险之间的相关性，从而为工程决策提供更直观的依据。

在数据处理方面，本文整合了多种多源数据，包括可持续发展目标卫星1号（SDGSAT-1）图像、地热样本点的空间分布信息以及地质、水文等环境数据。通过对这些数据进行相关性分析，筛选出对HTHD风险影响最大的八个证据因子，如地表温度（Land Surface Temperature, LST）、断层密度、河流密度等。这些因子在不同地质环境中的作用机制各异，其对HTHD风险的影响程度也存在显著差异。例如，断层密度可能反映了地热流体的流动路径，而河流密度则可能与地表水热交换密切相关。因此，模型在设计时需要充分考虑这些因子的异质性，并通过空间信息融合机制，提升其在复杂地质条件下的预测能力。

在模型构建过程中，LI-CNN采用了一种新的空间坐标注意力机制，以增强模型对样本位置信息的感知能力。这种机制能够有效捕捉地热样本点之间的空间关联性，从而避免传统方法中因忽略空间关系而导致的预测偏差。同时，LI-CNN还通过高维抽象表示量化了地热证据因子之间的相互关系，进一步提高了模型的预测性能。与传统模型相比，LI-CNN在多个评估指标上均表现出显著优势，其AUC值达到了0.81，远高于其他五种模型（如逻辑回归、决策树、K近邻、极端梯度提升和传统卷积神经网络）的AUC值（分别为0.72、0.72、0.72、0.77和0.77）。这一结果表明，LI-CNN在处理HTHD风险预测任务时具有更高的准确性和鲁棒性。

为了验证模型的有效性，本文选取了东藏运输走廊中HTHD频发的区域作为研究对象，构建了一个HTHD空间数据库，并基于该数据库进行模型训练和测试。通过将模型预测结果与实际地质数据进行对比，本文进一步分析了各证据因子对HTHD风险的贡献程度。研究结果表明，断层密度、地表温度和河流密度是影响HTHD发生的主要因素。断层密度可能反映了地热流体的分布和流动路径，而地表温度则直接指示了地热活动的强度。河流密度则可能通过水热交换过程影响地下温度场的分布，从而对HTHD风险产生重要影响。这些发现不仅有助于深入理解HTHD的形成机制，也为工程设计和施工提供了科学依据。

在模型应用方面，LI-CNN能够生成高精度的HTHD风险分布图，为地下工程的规划和施工提供重要参考。通过识别高风险区域，工程师可以采取针对性的防护措施，如调整隧道走向、优化施工时间安排或加强通风冷却系统等，以降低HTHD带来的安全隐患。此外，LI-CNN的可解释性也使其在实际工程中更具应用价值。与传统的“黑箱”模型不同，LI-CNN能够提供清晰的变量解释，帮助决策者更好地理解模型的预测逻辑，并据此制定更合理的风险防控策略。

本文的研究成果对于实现联合国可持续发展目标（SDG）9.1具有重要意义。SDG 9.1强调建设高质量、可靠、可持续和抗灾的基础设施，以支持经济发展并改善人类福祉。通过引入LI-CNN模型，本文为地下工程中的HTHD风险预测提供了一种新的解决方案，有助于提升基础设施的抗灾能力，确保其在复杂地质条件下的安全性和稳定性。此外，该研究也为其他类似的地质灾害预测任务提供了借鉴，尤其是在多源数据融合和模型可解释性方面，具有广泛的应用前景。

在实际应用中，LI-CNN模型可以与其他工程管理工具相结合，形成一套完整的风险预测与防控体系。例如，结合遥感数据、地质勘探数据和实时监测数据，LI-CNN能够动态更新HTHD风险预测结果，为施工过程中的风险预警提供支持。同时，模型的可解释性也有助于提高公众对地质灾害风险的认知，增强工程项目的透明度和公众信任度。对于涉及大量地下工程的大型基础设施项目，如川藏铁路、滇藏铁路和中尼铁路等，LI-CNN的应用将有助于优化施工方案，减少潜在风险，提高工程效率和安全性。

此外，本文的研究方法也为未来类似地质灾害预测任务提供了新的思路。通过引入位置信息融合机制，LI-CNN不仅能够提升模型的预测能力，还能增强其对复杂空间关系的建模能力。这种机制可以推广到其他类型的地质灾害预测，如地震、滑坡和泥石流等，从而为多灾种预测提供统一的框架。同时，结合SHAP和PDP等解释方法，LI-CNN也为深度学习模型的可解释性研究提供了新的方向，有助于推动深度学习在地质灾害预测领域的广泛应用。

综上所述，本文提出的LI-CNN模型在HTHD风险预测任务中表现出卓越的性能和可解释性。通过融合空间位置信息和地热特征数据，该模型能够更全面地捕捉HTHD风险的形成机制，为地下工程的安全施工提供有力支持。研究结果表明，断层密度、地表温度和河流密度是影响HTHD发生的关键因素，这些发现为工程设计和施工提供了科学依据。同时，本文的研究方法也为未来地质灾害预测任务提供了新的思路和工具，有助于推动可持续发展和抗灾基础设施的建设。