基于物理信息协同的区域同震滑坡规模预测：一种提升可靠性与可解释性的新型数据驱动方法

《Geoscience Frontiers》：Physics-informed synergy regional co-seismic landslide size prediction: A novel data-driven approach for improved reliability and interpretability

　　

摘要：当前纯粹数据驱动(data-driven)的滑坡规模(size)预测方法主要侧重于利用与滑坡相关的景观因子(landscape factors)，很少有研究尝试通过纳入涵盖给定坡面单元(Slope Unit, SU)内斜坡形态和动能转化的广义物理参数来进行规模预测。这导致预测结果过度依赖景观因子、难以阐明滑坡启动的动态起源且结果可解释性不足。为解决此不足，研究人员旨在利用融合广义物理信息(Generalized physics-informed)的同震滑坡规模预测模型。具体而言，基于动能守恒原理建立了空间化能量线模型(spatialized energy-line model)，以SU为基本分析单元，从中导出广义物理协变量用以量化动能转化（潜在最大速度场）和势能条件（斜坡形态）。随后将这些协变量集成到基准机器学习(benchmark machine learning)模型中以优化预测过程。研究人员设计了一系列严格的多模式交叉验证程序和综合的物理信息解释方案。实验结果表明，物理信息引导的模型显著提升了预测精度，预测结果的平均偏差(mean deviation)较基准模型降低50%，凸显了其在滑坡规模预测中更优的可靠性。通过可解释性例程，研究人员发现一个有趣现象：所用物理参数不仅对滑坡规模具有独立影响，而且速度变异性与地震动力及斜坡形态参数之间存在非线性交互作用，表现出显著的阈值特征和协同放大机制，共同调控滑坡规模并与滑坡物理机制相一致。本研究建立了一个耦合物理过程与数据驱动建模的方法论框架，为未来地震诱发灾害模拟研究提供了新的范式。

论文解读——《Physics-informed synergy regional co-seismic landslide size prediction: A novel data-driven approach for improved reliability and interpretability》

本文发表于《Geoscience Frontiers》。研究背景方面，现有纯粹数据驱动的区域同震滑坡规模预测模型主要依赖静态景观因子（地形、岩性、土地利用等），未考虑控制滑坡规模演化的动态物理过程（如滑坡体运动中的动能转化与能耗），导致模型缺乏物理机制支撑、可解释性差，且难以全面捕捉滑坡规模的复杂演化。传统基于物理的模型（如无限边坡理论、Newmark位移法、谱元法）虽能描述失稳过程，但需详尽的土工参数（黏聚力c、内摩擦角φ等），难以在大区域尺度推广应用。近期物理—数据混合模型多聚焦于滑坡发生概率（易发性）而非规模，且仍依赖详细土工参数。因此，有必要发展一种减少区域土工参数依赖、结合物理一致性与数据驱动优势、能分解多物理机制协同控制滑坡规模的混合框架。本研究以2022年9月5日四川泸定M_S6.8地震触发滑坡为对象，提出将基于能量守恒导出的广义物理信息参数作为特征工程融入基准机器学习回归模型，构建物理信息引导的同震滑坡规模预测模型，并通过多维可解释性分析揭示物理参数及其交互作用对滑坡规模的调控机制。

主要关键技术方法：

研究人员选取泸定地震震区（101.30°E–102.30°E，29°N–30°N）为研究区，采用经Google历史影像与WorldView-3及高分二号(GF-2)校验的10,379条同震滑坡编录(inventory)为响应变量。利用8 m分辨率DEM通过r.slopeunits工具（变异系数阈值0.4）自动划分27,272个坡面单元(Slope Unit, SU)作为基本分析单元。景观协变量包括坡度、坡向、平面曲率(PLC)、剖面曲率(PRC)、地表起伏度、地表粗糙度、距断层距离、岩性（14类）、土地利用(LULC)、距河流与道路距离，连续变量取SU内均值μ与标准差σ，分类变量取众数。物理信息参数构建步骤：①在SU内基于最高点与最低点连线建立能量线(energy line)，依据动能守恒定律估算SU内各点潜在最大速度场v(x_i)=√(2k_ig)，取速度场的均值(Velocity^μ)、标准差(Velocity^σ，表征速度场空间非均匀性/内部变形)、最大值(Velocity^m)；②提取SU形态特征——水平距L（SU最高点至最远点水平距离）、高差ΔH（SU最高与最低点垂直距）、坡角α=arctan(ΔH/L)；③引入峰值地面加速度(PGA)并取SU内均值PGA^μ与标准差PGA^σ。经AIC逐步筛选、Pearson相关性(<0.7)与VIF多重共线性检验后保留17个关键变量输入模型。基准模型包括Extra-Trees(ETtree)、XGBoost(XGB)、Random Forest(RF)、Generalized Additive Model(GAM)；物理信息模型(PI模型)为对应基准模型拼接物理特征向量p=Φ(Z)={L, ΔH, α, Velocity^σ, PGA^μ, PGA^σ}，记为PIETtree、PIXGB、PIRF、PIGAM。超参数用GridSearchCV优化，性能用MAE、RMSE、NSE、R评估，采用10折随机交叉验证(10R-CV)与基于K-means聚类的空间交叉验证(10S-CV)防止空间自相关导致过估，并提出标准化偏差度量(Standardized Deviation Metric, SDM)考量SU面积差异。因子效应通过PIGAM平滑函数分析，交互作用通过双变量偏依赖图展现。

研究结果：

4.1. Generalized physics-informed——统计回归与相关分析表明，形态参数中α和ΔH与滑坡规模相关性最强，L较弱；速度场参数中Velocity^σ（速度场空间异质性）与滑坡规模相关性最强，Velocity^μ和Velocity^m次之；PGA^σ（地震动空间变异）亦显著相关；按规模分级的箱线图显示物理协变量值增大伴随滑坡规模等级升高趋势，证实物理参数对响应变量的正向贡献。

4.2. Modeling and goodness-of-fit——经AIC等筛选最终入选变量含Aspect^μ/σ、Fault^μ、Lithology、LULC、PLC^μ、PRC^μ、River^μ、Road^μ、Slope^μ/σ及物理变量ΔH、L、α、Velocity^σ、PGA^μ/σ。拟合优度显示：基准模型ETtree/XGB/RF/GAM的NSE分别为0.586/0.626/0.547/0.641，R为0.795/0.798/0.760/0.826；加入物理参数后PI模型NSE提升至0.970/0.981/0.988/0.975，R提升至0.987/0.990/0.994/0.987，残差围绕零呈正态分布，物理信息模型拟合显著优于基准模型。

4.3. Model predictive performance——10R-CV下基准模型平均NSE(0.495)与R(0.684)，PI模型NSE与R均有提升（PIGAM NSE由0.408升至0.649，R由0.639升至0.807）。更严格的10S-CV下基准模型性能下降（NSE 0.477/0.582/0.545/0.403），PI模型仍维持较高NSE(0.503/0.541/0.612/0.647)与R(0.710/0.746/0.783/0.806)，表明物理变量增强了空间泛化能力；t检验证实性能差异具统计学意义(p<0.05)。

4.4. Landslide size map——基于R-CV生成研究区同震滑坡规模图，基准模型（尤其是ETtree与GAM）存在明显低估或异常负值，XGB与RF空间分布尚可但误差大（?5至10）；PI模型预测更接近观测值，其中PIGAM偏差最小（RMSE≈1.47，NSE≈0.65）。按分位数分大/中/小规模，PI模型对中、大规模分类精度与整体分类误差均优于基准模型（小规模RMSE降64.75%、MAE降69.02%；中等规模RMSE降72.81%、MAE降78.65%；大规模RMSE降80.7%、MAE降87.58%）。标准化偏差度量显示PIGAM将最大偏差由1.22降至1.06，平均偏差由0.08降至0.04。

讨论与结论翻译：

讨论指出，所建简化空间能量线模型仅需DEM与地震参数即可在区域尺度提取物理协变量，避免了复杂土工参数需求。PIGAM因其加性平滑结构最灵活捕捉物理变量与滑坡规模的非线性关系，表现最佳。因子效应曲线显示：PGA^μ>300 gal与PGA^σ>11 gal对规模呈正效应；α<25°呈正效应（较低陡度下更易受触发产生大规模滑动）；L<2500 m呈正效应而后减弱；ΔH约2500 m处效应最强（大高差提供大势能）；Velocity^σ<20呈正效应（适度速度异质性促进物质堆积形成大规模滑坡）。双变量交互作用揭示：高PGA(>300)+高Velocity^σ(>15)、陡坡(α>60°)+高Velocity^σ(>20)、ΔH与Velocity^σ组合均存在阈值特征与协同放大效应，符合滑坡物理机制。双变量Moran's I>0表明物理变量与滑坡规模具正空间聚集性。局限性含刚体块假设忽略内部变形、均一摩擦系数忽略空间变异、DEM分辨率与滑坡编录解译误差、PGA仅用标量未用全波形；未来可通过引入非弹性能耗项、空间变摩擦系数校准、更高分辨率DEM及地震波形数据改进。

结论（翻译）：研究人员以2022年泸定M_S6.8地震同震滑坡为对象，应用基于动能定理改进的空间能量线模型提取关键物理协变量，在区域尺度预测滑坡规模。将改进空间能量模型与基准模型集成构建了系列物理信息引导的同震滑坡规模预测混合模型。实验经R-CV与S-CV验证所提模型优于基准模型，最大偏差降低13.93%、平均偏差降低约50%，证实物理信息方法在同震滑坡规模预测中的有效性。其中PIGAM因处理非线性协变量的独特能力展现更强适应性，通过将物理协变量分解为独立平滑函数灵活拟合其与滑坡规模复杂关系。因子效应分析清楚显示所选物理协变量在规模预测中存在有趣的非线性效应；这些物理信息变量的交互机制表现出明显阈值效应，表明存在控制滑坡规模的临界条件。此外速度变异性作为斜坡内部状态指标与其他物理参数产生协同放大效应，该交互模式与滑坡物理机制一致。相比景观因子，这些物理变量在效应分析中更稳定，对滑坡规模具更强可解释性与适应性。研究人员认为所提混合物理信息滑坡规模模型较传统概率驱动的空间易发性模型是实质性改进，通过引入基于动能转化与斜坡形态的广义物理信息消除了复杂正负样本操作需求并显著提升基准模型性能，获得具物理依据且可解释的结果。未来区域尺度预测潜在的改进方向在于优化非滑坡区重尾分布引起的估计偏差。本新型物理信息驱动混合模型为同震情景下提供更准确的滑坡规模预测，并为地球科学界进一步实验奠定基础，有望推动更广泛接受与应用。