基于风化层特征综合评估的土遗址阴面与阳面片状剥蚀劣化低扰动预测

《Coatings》：Low-Disturbance Prediction of Scaling-Off Deterioration on the Shaded and Sunward Sides of Earthen Heritage Sites Based on Comprehensive Assessment of Weathered-Layer Characteristics

　　

摘要：对土遗址片状剥蚀（scaling off）开展多指标调查可能增加扰动，而利用少量易获取指标对阴面（shaded side）与阳面（sunward side）进行预测仍研究不足。本研究考察陕北10个明长城遗址。结皮层（crust layer）厚度、粉化层（powdered layer）厚度、年平均降雨量和塑性指数（plasticity index）用于表征风化层发育、土壤性质和环境条件。等权与熵权版本的逼近理想解排序法（technique for order preference by similarity to an ideal solution，TOPSIS）分别生成阴面和阳面的综合劣化分数与排序。六种预测模型使用未纳入综合评估的输入变量；将留出预测或成对投票所得排序与评估排序进行比较。阴面的留对投票k近邻模型（tournament leave-pair-out k-nearest-neighbor model，TLPO-KNN）和阳面的支持向量回归（support vector regression，SVR）获得最高Spearman相关系数，分别为0.872和0.903。平均绝对秩误差分别为1.0和0.8个秩位。这些模型分别仅需结皮层黏土含量，或黏土含量与损伤比。在本样本内，少量低扰动、易获取指标可重现主要评估排序，支持分面劣化筛查和优先墙面验证。

研究背景与问题：土遗址是历史建造技术与人地关系的重要载体，其表层在长期环境暴露下持续发生结构变化和材料损失。中国西北地区土遗址风雨侵蚀不仅与区域气候有关，也与墙体暴露条件有关。Richards et al.的野外研究表明，累积风化和降雨诱发侵蚀共同导致遗址劣化。对于分布广泛且保存状况差异明显的遗址，保护调查既需识别劣化原因，也需将不同地点观察转化为可比劣化程度，为针对性调查和保护规划提供依据。片状剥蚀是土遗址常见表面劣化形式，通常呈结皮层与下伏粉化层的二元结构，并伴随开裂、分离和脱落。Cui et al.利用两层厚度和优势面积，结合土壤性质与气象指标建立模糊层次评估，并遵循采样损伤最小化原则；Guo et al.结合三维扫描、表面地形分析和SMO算法表征交河故城剥落；Zhang et al.通过重塑试样发现氯化钠含量和层厚共同影响干裂，Zhang的综述进一步将开裂表层结皮与盐分、保水性和干燥收缩联系起来。这些研究表明，单一形态量不能完全代表片状剥蚀发育条件，评估应整合材料性质和环境条件。墙体方位进一步增加空间变异；Du et al.定量比较阴面与阳面，将差异与层间盐分差异、非均匀收缩及降雨后温湿度变化联系，指出同一遗址两面不能简单视为同一条件。近期研究还结合方位、遗址年龄、气候带和墙体位置。仅考虑遗址整体状况难以保留每一方位内遗址间相对差异。综合评估需描述结皮和粉化层表现，同时保留土壤物理性质、环境条件及阴/阳面差异，使预测目标与片状剥蚀过程具有物理联系。综合评估方面，Du et al.将环境条件、夯土工程性质、劣化特征和建造工艺纳入明长城损伤评估并比较模糊层次分析与AHP（层次分析法，Analytic Hierarchy Process）-TOPSIS；Wang et al.用改进秩和比组织形态、土壤性质和气候因素并引入回归结果比较；Zhang et al.结合熵权与聚类评估新疆长城遗址环境风险。已有研究为多指标综合评估奠定基础，但获取多个土壤性质指标仍涉及采样测试。从评估走向预测，需回答：少量低扰动、易获取指标能否保持综合劣化排序可靠性；哪些预测配置适合阴面和阳面；片状剥蚀涉及土层特征、物理性质和环境因素如何连接劣化表现与成因信息，形成有物理意义的预测目标。预测研究亦从经验关系转向多模型比较。Wang et al.利用下切调查和环境数据比较XGBoost、随机森林、决策树和LightGBM，分析环境因素与劣化空间分布的非线性关系；建筑石材耐久性研究比较M5P、SVR和随机森林的酸雨损伤预测；Zhang et al.比较多元线性回归、SVR、高斯过程回归和人工神经网络预测云冈石窟砂岩孔隙率与静态弹性模量，神经网络表现最佳。对片状剥蚀，进一步比较线性关系、二次响应、核映射和局部最近邻，有助于识别模型对数据关系的适应方式，并需在共同排序尺度比较不同配置误差。保护应用还要求预测与可检查对象联系。Li et al.将气象因素深度学习预测与建成文化遗产动态风险评估结合。补充任务是以少量指标重建当前综合劣化排序，使预测排序指导针对性验证。因此，将综合评估、分面预测和逐址排序误差组织为连贯工作流，可为筛选调查目标和分配测试资源提供依据。研究人员以陕北10个明长城遗址阴面和阳面数据构建基于结皮层厚度、粉化层厚度、降雨和塑性指数的综合评估，阴面用等权TOPSIS、阳面用熵权TOPSIS获得评估排序；固定目标后，以现有气象数据及形态和土壤性质指标为候选预测变量，排除构成评估指标，建立线性岭回归、二次多项式岭回归、RBF（径向基函数，Radial Basis Function）核岭回归、SVR、KNN（k近邻，k-nearest neighbor）和TLPO-KNN六种模型，分别比较两侧预测排序与评估排序，并逐址检查误差。研究得出阴面TLPO-KNN和阳面SVR秩相关最高，且分别仅需1个和2个低扰动易获取指标；其意义在于简化预测阶段调查测试，为分面劣化筛查、优先墙面复核和后续独立验证提供参考。

关键技术方法（≤250字）：样本队列来源为Jiaoyan Yang的实验与研究，包含陕北10个明长城遗址阴面与阳面共20个配对墙面观测、170个原始数值（形态60、气候50、土壤性质60）。评估指标为结皮层厚度t_c、粉化层厚度t_p、年平均降雨量P和塑性指数I_P；阴面用等权TOPSIS，阳面用熵权TOPSIS。六种预测模型为线性岭回归、二次多项式岭回归、RBF核岭回归、SVR、KNN和TLPO-KNN；点预测用留一遗址法，TLPO-KNN用留对投票；以Spearman秩相关、Kendall τ_b和平均绝对秩误差比较。

研究结果：
4.1 综合评估与分面排序：通过四指标标准化和TOPSIS，阴面等权TOPSIS分数为16.11–68.39，ZJL、XJL、BQQ居前三，LSJ最低；ZJL阴面t_c=0.71 cm、I_P=8.80，方向调整分数均为1；LSJ阴面降雨最低、粉化层较薄且I_P较高。阳面熵权TOPSIS分数为15.89–67.66，QCM、GGC、ZJL居前三，LSJ最低；QCM阳面t_p=2.37 cm为最大，GGC阳面t_p=2.16 cm、I_P=9.84。熵权为t_c 0.2053、t_p 0.2421、P 0.2238、I_P 0.3287，I_P权重最大源于本数据分布差异，不表示其物理影响最大。
4.2 六种预测模型的秩相关：通过固定评估目标比较六模型留出预测或投票排序，阴面Spearman系数为0.406–0.872，TLPO-KNN最高0.872，其后为KNN 0.733、RBF核岭回归0.636、SVR 0.624、二次多项式0.539、线性0.406；TLPO-KNN平均绝对秩误差1.0，其他为1.6–2.2。阳面SVR最高0.903，其后为TLPO-KNN 0.799、线性0.782、二次多项式0.770、RBF核岭回归0.685、KNN 0.679；SVR平均绝对秩误差0.8，其他为1.1–1.8。据此选阴面TLPO-KNN、阳面SVR进行逐址分析。
4.3 所选组合的逐址表现：通过逐址比较，阴面TLPO-KNN的τ_b=0.750、平均绝对秩误差1.0；ZJL、XJL、LSJ预测秩与评估秩一致，分别为1、2、10；HJL评估秩7、预测并列3.5，误差3.5最大，其他不超过2。阳面SVR的τ_b=0.778、平均绝对秩误差0.8；QCM与GGC交换前二，ZJL保持第3，WWB由评估第4降至预测第7为最大；分数平均绝对误差（Mean Absolute Error，MAE）=6.34、均方根误差（Root Mean Square Error，RMSE）=7.84、决定系数（coefficient of determination，R²）=0.725；LSJ评估和预测均第10，但预测分数33.40高于评估15.89，绝对误差17.51，说明较好排序一致性可伴随明显分数差异。

讨论部分总结：该研究将综合劣化评估与分面预测连接，在固定分面评分目标下用评估指标之外的变量建立六种预测配置，并逐址检查排序差异，获得可重建综合排序的其他观测变量及仍需解释的遗址。两侧配置分别仅需1个和2个低扰动易获取指标，为以较少测试项目重建具有明确评估解释的总体状况提供数据基础。四指标分别描述结皮层发育、粉化层发育、降雨引起的润湿和水盐迁移环境信息以及土壤塑性含水量区间；同遗址两面共享气候数据但层厚和土壤性质不同，分别评估可保留局部差异。等权和熵权分别通过相等系数和参考数据差异赋权，两侧分数应在各自系统解释，权重差异本身不构成方位依赖劣化机制证据。六配置比较表明合适预测方法因侧而异；因变量组合和参数亦不同，观察到的优势应归因于完整预测方案，不能孤立为特定算法的一般优势。分面输入具有物理意义：阴面结皮层黏土含量描述颗粒组成，阳面增加损伤比表示表面损伤程度。排序一致性需与分数误差共同解释，例如阴面二次多项式模型对BQQ预测分数246.87、评估48.05，但排名仅由3变1，说明较小排序差异不必然意味着分数估计接近。工程应用上，分面评估预测可指导调查、测试和监测排序；阳面综合评估前三为QCM、GGC、ZJL，SVR识别相同三处，仅前二互换；阴面TLPO-KNN保留ZJL和XJL前二顺序，可支持优先验证计划并结合遗产价值、结构安全和现场劣化判断。同遗址分面管理可将调查重点导向特定墙面，如QCM阴阳面评估秩分别为6和1、预测秩6.5和2，反映各自参考系统内不同位置；秩差不代表阳面相对阴面劣化绝对增量，直接比较仍需一致测量基础的现场观察。工程试点流程可组织为指标获取、分面评估或预测、优先筛选和现场验证；预测阶段无需重测每个评估指标，阳面SVR可用固定尺度和训练模型估计分数，阴面TLPO-KNN还需指定比较参考遗址。评估与预测差异大的HJL阴面（评估7、预测3.5）和WWB阳面（评估4、预测7）提示先检查测量位置、样本对应和劣化记录，再补充调查湿度、盐分或局部侵蚀条件。局限性包括：受文物保护最小扰动原则限制，数据仅来自10个独立遗址阴阳面20个配对墙面观测；阳面熵权和两侧标准化参考范围由本数据集20面确定，阴面采用预设等权，模型配置亦基于同数据集探索，留出比较可能受选择偏倚影响；外部独立验证尚缺。未来需扩展跨区域匹配观测，检验颗粒组成、材料结构和环境条件差异对预测的影响，并开展重复表面调查、温湿度监测、标准化低成本暴露试验和田间试点，量化减指标工作流的实际效益。

研究结论翻译：采用结皮层厚度、粉化层厚度、年平均降雨量和塑性指数，构建了连接劣化表现与成因因素的综合劣化评估，以整合片状剥蚀涉及层发育、土壤物理性质和环境信息；阴面采用等权TOPSIS，ZJL、XJL、BQQ按序占据前三评估位置；阳面采用熵权TOPSIS，QCM、GGC、ZJL按序占据前三位置。分别比较六种预测模型显示，阴面TLPO-KNN和阳面SVR与相应评估排序相关性最高，Spearman系数分别为0.872和0.903，平均绝对秩误差分别为1.0和0.8个秩位。阴面模型仅需结皮层黏土含量，阳面模型仅需损伤比和结皮层黏土含量，分别利用材料组成信息及其与表面损伤的组合重建综合评估主要排序；使用1–2个低扰动、易获取指标可简化预测阶段调查和测试，为遗产遗址分面劣化筛查和优先墙面验证提供参考。