基于人工神经网络（ANN）的东京200米网格尺度三维地质与液化灾害高精度制图研究

本研究针对传统液化灾害评估方法难以捕捉城市复杂地下空间异质性的问题，利用人工神经网络（ANN）整合东京地区13,926个钻孔数据（包括N值、土壤分类、地下水位等参数），开发了高分辨率（200 m网格）三维地质与液化灾害预测模型。研究结果显示：ANN模型在N值预测中RMSE低至1.98，土壤分类F1分数达0.48，主要土类AUC值超过0.90；基于液化势指数（LPI）生成的灾害图较官方地图显著提升了空间分辨率和风险区划精度，尤其在江东区等填海地带识别出更详细的高风险区域。该成果为地震高风险都市的地下空间安全规划和灾害防控提供了可靠的数据驱动解决方案。

　　

在地震频发的日本，土壤液化一直是威胁城市安全的重要地质问题。1964年新潟地震和阿拉斯加地震后，液化灾害引起广泛关注，而2024年能登半岛地震再次凸显其破坏力——仅新潟市西区就有约9500栋房屋因液化导致倾斜或沉降。东京作为人口密集、地下空间复杂的超大城市，面临南海海槽大地震的潜在威胁，但传统液化评估方法存在明显局限：基于经验公式或地质统计插值的方法难以捕捉城市地下层的空间异质性，且公开的灾害图分辨率粗糙（500-1000米网格），无法满足精细化城市规划需求。

为突破这些瓶颈，来自日本芝浦工业大学的三名研究人员Yuxin Cong、Arisa Katsuumi和Shinya Inazumi在《Results in Engineering》发表了一项创新研究。他们利用人工神经网络（Artificial Neural Networks, ANN）技术，对东京都市圈开展了200米网格尺度的高精度三维地质与液化灾害制图，实现了从数据驱动到风险可视化的全流程整合。

研究团队的核心技术方法包括：1) 整合13,926个钻孔数据，涵盖经纬度、高程、地下水位、N值（Standard Penetration Test N-value）和土壤分类等多维参数；2) 采用多层感知机（MLP）架构的ANN模型，包含256-128-64节点的三个隐藏层，使用ReLU激活函数和Dropout正则化防止过拟合；3) 通过液化势指数（Liquefaction Potential Index, LPI）计算风险等级，并采用200米网格进行空间插值与三维可视化。

研究结果显著体现在四个方面：

1. ANN模型表现出优越的预测性能

在N值回归任务中，ANN的均方根误差（RMSE）仅为1.98，显著低于随机森林模型的2.64；土壤分类任务中，整体F1分数达到0.48，且主要土类（如壤土、埋藏土、基岩）的AUC值超过0.90，表明模型对关键地质类别具有强判别能力。

2. 三维地质建模揭示空间异质性

通过将预测的N值和土壤类型在深度维度分层整合，研究生成了东京首张200米网格精度的三维地下属性分布图。结果显示，东部沿海地区（如江东区）和河流冲积平原存在大范围低N值（<20）的松散砂土层，而西部台地区域则多为高N值（>50）的稳定地层。

3. 液化灾害图精度超越官方版本

基于ANN输出的LPI计算表明，东京湾沿岸及荒川、多摩川流域属于高风险区（LPI>15），其中填海区域风险尤为突出。与日本政府发布的灾害图相比，ANN生成的地图在空间细节和边界划分上更加清晰，高风险区交并比（IoU）达到0.78，Kappa一致性系数为0.71。

4. 模型具备工程实践价值

研究特别指出，ANN框架能够有效弥补钻孔数据稀疏区域的预测不确定性，并为地基处理、基础设施布设提供直接参考。例如，在江东区填海地带，模型识别出多个官方地图未明确标注的局部高风险点。

研究的结论部分强调，该ANN驱动框架不仅实现了地质建模与灾害评估的一体化，更提供了可应用于实际工程的高分辨率工具。相比传统方法，其优势体现在：1) 处理非线性关系能力更强；2) 适应复杂城市地质环境；3) 支持动态更新与实时风险评估。

然而，作者也指出若干局限性：例如未考虑地震参数（如震级、峰值地面加速度PGA）的变异性；当前“三维建模”实为分层插值而非真实物理模拟；且缺乏不确定性量化框架。未来研究可引入概率评估指标（如GLPI）和耦合水文-力学模型以进一步提升可靠性。

这项研究的意义远超方法论创新——它为地震高风险城市的防灾规划提供了可推广的技术范式。通过将机器学习与地质工程深度融合，研究者证明了数据驱动方法在城市安全治理中的巨大潜力，尤其为东京这类超大城市的地下空间开发和灾害韧性建设提供了科学依据。