伊朗德黑兰街区尺度城市地面沉降的控制因素:基于可解释机器学习的预测与解释

《Journal of Asian Earth Sciences》:Controls on urban land subsidence at the block scale in Tehran, Iran: Prediction and interpretation using explainable machine learning

【字体: 大 中 小 】 时间:2026年10月24日 来源:Journal of Asian Earth Sciences 2.4

编辑推荐:

   •地面沉降速度达到 ?11 厘米 年?1,最高速率集中在德黑兰的南部和西南部。•大约 54 公里2(占德黑兰的 7.8%)和 37,996 个城市街区中的 3,928 个(10.3%)经历了可测量的沉降。•XGBoost 达到了最高的预测精度,其中 R2 = 0.992 且

  
  • •
    地面沉降速度达到 ?11 厘米 年?1,最高速率集中在德黑兰的南部和西南部。
  • •
    大约 54 公里2(占德黑兰的 7.8%)和 37,996 个城市街区中的 3,928 个(10.3%)经历了可测量的沉降。
  • •
    XGBoost 达到了最高的预测精度,其中 R2 = 0.992 且 RMSE = 0.026 厘米 年?1。
  • •
    地下水下降和粘土含量是地面沉降最具影响力的预测因子。
  • •
    六个主导驱动因素区域揭示了空间上对比鲜明的沉降机制,并为德黑兰制定针对性缓解策略提供了依据。

引言

地面沉降是一种缓慢或渐进的地质灾害,在全球范围内构成了重大的环境和社会经济挑战(Ohenhen et al., 2025)。它会破坏建筑物和交通网络,增加洪水风险,干扰地下基础设施,并导致含水层存储容量永久减少(Cigna and Tapete, 2022, Davydzenka et al., 2024, Holzer and Galloway, 2005)。全球范围内,由于沉降,受压含水层存储量估计每年以约 17 公里3 的速度流失,其中约 73% 的损失发生在农业用地和城市地区(Hasan et al., 2023)。沉降发生概率高或极高的区域覆盖了大约 220 万公里2,使近 12 亿人和大量经济资产暴露于潜在影响之下(Herrera-García et al., 2021)。这个问题在城市环境中尤为关键,因为差异地面变形可以直接影响建筑物、道路、铁路、高速公路、地铁、堤坝以及地下公用事业网络,包括水、气、污水和电气系统(Dong et al., 2014, Garg et al., 2022)。最近的研究进一步证实了这一威胁的规模。例如,Cigna 和 Tapete (2022) 表明,墨西哥莫雷利亚的差异沉降使新建和historic城市区域都面临破裂和地表断层危险,而 Huang 等人 (2023) 记录了沉降对中国西安地铁隧道稳定性的影响。在全球尺度上,1,596 个主要城市位于易受地面沉降影响的区域(Herrera-García et al., 2021),并且大约 231,000 公里2 的 cities 和人口稠密区域受到显著沉降速率的影响(Davydzenka et al., 2024)。这些发现突出了对城市沉降进行空间详细监测和定量评估的必要性,以支持基础设施韧性、地下水管理和可持续城市发展。
尽管基于地面的大地测量调查,如精密水准测量和全球导航卫星系统(GNSS)技术,提供了用于检测地面沉降的高精度观测数据,但它们往往成本高昂、劳动密集且空间受限(Jin and Park, 2006, Jin and Su, 2020),这限制了它们在区域或国家尺度评估中的适用性(Galloway and Burbey, 2011)。相比之下,基于卫星的遥感方法,特别是干涉合成孔径雷达(InSAR),通过实现亚厘米级地面变形的高时间频率和空间细节的检测与量化,彻底改变了地面沉降监测(Cigna and Tapete, 2022, Mirzadeh et al., 2021)。然而,单纯的变形图并不能完全解释为什么沉降在空间上存在差异,或者在城市的不同部分哪些环境和人为因素占主导地位。机器学习(ML)方法提供了一种补充方法,因为它们可以整合地质、水文、岩土、地形、气候和遥感变量,并捕获这些因素与观测到的地面变形之间复杂的非线性关系(Panahi et al., 2022, Tasan et al., 2023)。因此,支持向量机、提升回归树、随机森林和极端梯度提升等算法越来越常被应用于地面沉降建模和易发性评估(Orlandi et al., 2024, Rahmati et al., 2019a)。然而,尽管具有高度预测能力,仍存在两个重要的局限性。首先,许多机器学习模型作为“黑箱”运行,使得难以确定单个变量如何影响预测,从而限制了其物理可解释性和实用价值(Liu et al., 2022)。其次,即使应用了模型解释方法,空间异质性的城市数据集也可能产生数千个局部解释输出,使得难以将模型结果转化为有限数量的有意义且空间可操作的沉降机制类型。
可解释机器学习提供了一种解决这些局限性的手段,它将预测性能与模型行为的透明解释联系起来。由 Lundberg 和 Lee (2017) 引入的 SHapley 加和解释(SHAP),将单个模型预测分解为来自输入变量的贡献,允许量化每个变量影响的大小和方向(Wang et al., 2022)。因此,SHAP 能够在全球和局部尺度上进行解释,并有助于区分与沉降空间变化最密切相关的因素。然而,当分析数千个空间单元时,解释大量局部 SHAP 输出仍然具有挑战性。根据 SHAP 值的相似性对位置进行分组提供了一种潜在的解决方案,它将大量的局部解释减少为数量较少、空间上连贯且由驱动因素主导的类别。在这种情况下,聚类可以通过识别由相似的水文、岩性、地形和结构因素组合控制模型预测的区域来补充 SHAP。这种综合方法可以通过揭示沉降的主导控制因素如何在空间上变化,从而超越传统的以预测为重点的机器学习应用,并为地理针对性的监测和缓解提供更清晰的依据。因此,结合 InSAR 衍生的变形测量、可解释机器学习和聚类,有可能弥合准确的数据驱动预测与城市地面沉降过程导向解释之间的差距。
伊朗德黑兰为评估这种方法提供了一个重要的环境,因为它是该国主要的地面沉降热点区域之一(Moradi et al., 2023)。快速的城市增长和过度的地下水开采,加上德黑兰平原的水文地质特征,创造了有利于发生显著地面变形的条件(图 1)。该市下方覆盖着第四纪冲积沉积物,这些沉积物通常从北部的粗砾石向南部的细粒、富含粘土的沉积物过渡(Parizi et al., 2019),而长期的地下水开采导致了明显的含水层枯竭和相关的地表变形(Haghshenas Haghighi and Motagh, 2019, Mahmoudpour et al., 2016)。以前的研究已经记录了德黑兰沉降的范围和幅度,并强调了地下水枯竭和沉积物特征的重要性。然而,一种能够同时在城市街区尺度预测沉降、量化其控制因素的相对影响,并根据主导沉降驱动机制对街区进行分组的详细空间框架仍然有限。为了弥补这一差距,本研究利用 2015 年至 2023 年的 Sentinel-1 InSAR 观测数据,开发了一个用于德黑兰城市街区尺度地面沉降的可解释机器学习框架。具体来说,本研究旨在:(i) 量化城市街区尺度的地面变形空间分布和幅度;(ii) 评估随机森林(RF)、梯度提升(GB)、自适应提升(AdaBoost)和极端梯度提升(XGBoost)的预测性能以及空间和时间可迁移性;(iii) 使用 SHAP 识别和解释与沉降相关的主导因素;以及 (iv) 使用两步聚类方法将受影响的城市街区分类为驱动主导沉降区。通过整合预测、解释和空间分类,提出的框架旨在提供更透明的城市沉降理解,并为针对性监测和缓解提供空间明确的依据。

章节摘要

SAR 数据

我们的分析使用了 446 幅以干涉宽幅(IW)模式获取的 Sentinel-1 场景。该数据集包括上升轨道和下降轨道,时间跨度从 2014 年 10 月到 2023 年 6 月,空间分辨率为 20 × 5 米(方位向 × 距离向)。

地面沉降驱动因素

地面沉降的控制因素在区域间表现出空间变异性。根据以前的研究(Minderhoud et al., 2018, Motagh et al., 2008, Naghibi et al., 2022, Rahmati et al., 2019b)以及数据的可用性,

InSAR 分析

图 3a 展示了 2014 年 10 月至 2023 年 6 月期间德黑兰大都市区垂直变形速率的空间分布。结果显示,德黑兰的南部和西南部分正经历显著沉降,最大速率达到 ?11 厘米 年?1。虽然该现象在 17、18 和 19 区最为明显,但它已逐渐向北和向东扩展,影响了 9、10、11、16 和 20 区的较小部分。总计,

德黑兰地面沉降的空间模式和幅度

Sentinel-1 InSAR 分析表明,德黑兰正经历显著且空间异质性的地面沉降,峰值速率达到 ?11 厘米 年?1,最严重的变形集中在城市的南部和西南部。大约 54 公里2,相当于德黑兰面积的 7.8% 和 3,928 个城市街区,受到了可测量沉降的影响。最强的变形特别发生在 17、18 和 19 区,而较低幅度的沉降延伸至

结论

本研究开发了一个综合且可解释的框架,利用 Sentinel-1 InSAR 数据和机器学习模型来量化和解释德黑兰大都市区的地面沉降。分析提供了高分辨率、街区尺度的地面变形评估,揭示了最大速率为 ?11 厘米 年?1 的沉降集中在西南部和南部地区(17、18 和 19 区)。大约 54 公里2(占大都市区面积的 7.8%)——近 4,000 个城市街区——正在经历可测量的沉降。在四个

CRediT 作者贡献声明

Esmaeel Parizi:写作 – 审阅与编辑,写作 – 原稿,验证,软件,调查,形式分析,数据整理。Sayed Mohammad Javad Mirzadeh:写作 – 审阅与编辑,验证,软件,资源,调查,数据整理。Mohammad Sadegh Tahmouresi:写作 – 审阅与编辑,软件,资源,数据整理。Seiyed Mossa Hosseini:写作 – 原稿,监督,项目管理,资金获取。Nabi Moradpour:写作 – 审阅与

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系,这些关系可能看起来会影响本文报道的工作。

致谢

作者衷心感谢伊朗国家科学基金会(INSF)在拨款编号 4021310 下对本研究的支持。他们还感谢德黑兰区域水公司、伊朗水资源管理公司、伊朗道路、住房和城市发展研究中心以及德黑兰市政府提供本研究使用的数据。我们真诚地感谢编辑仔细且及时地处理本论文,以及感谢匿名的
Esmaeel Parizi|Sayyed Mohammad Javad Mirzadeh|Mohammad Sadegh Tahmouresi|Seiyed Mossa Hosseini|Nabi Moradpour|Zahir Nikraftar
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号