基于道路段的落石易发性制图方法整合物理信息边坡切割特征与比较机器学习模型

《Remote Sensing》：A Road-Segment-Based Rockfall Susceptibility Mapping Approach Integrating Physically Informed Slope-Cutting Features and Comparative Machine Learning Models

　　

落石灾害在山区道路网络中频繁发生。该领域在评价单元和空间建模尺度的最优选择方面仍存在显著不确定性。本研究以五峰县为实证研究区，提出了一个落石易发性制图的综合比较框架。研究人员构建了五个评价场景，以系统隔离空间域、制图单元形态和物理信息工程代理的独立预测贡献。这些场景包括：全县宏观尺度栅格；三个宽度为1 km、2 km和3 km的多尺度道路缓冲区；以及一个面向对象的矢量道路评价单元（REU）框架。为参数化局地工程诱发风险，研究人员将定义为理论边坡切割高度（）的物理信息特征结构性地引入矢量评估中。在无约束分割和严格留一道路走廊验证（LORCOV）协议下，系统交叉检验了13种代表性机器学习、深度学习及统计算法——包括随机森林（Random Forest）、LightGBM和TabNet。经验性多指标敏感性分析明确解耦了三种结构效应。首先，隔离空间域效应揭示，将验证范围从广阔县域区域限制到狭窄道路走廊，可清除未受扰动的背景地形噪声，将关注点从易负样本转向地貌硬负样本。其次，评估评价单元的独立效应表明，从连续栅格像素过渡到同质矢量REU成功解决了地形平滑效应，精确刻画了邻近边坡的陡峭地质力学梯度。第三，隔离添加（）的效应证明，该工程指标驱动了主要的描述性增益，使树集成模型在严格地理块约束下达到峰值基线AUC 0.7763，并保持稳健的空间验证AUC 0.6129，而传统深度学习架构在小规模表格记录上表现出归纳偏差不匹配。该协调的特征-单元匹配框架并未断言单一最优范式，而是为交通管理部门提供了一个高度校准的、目标分层的决策矩阵，以优化局地公共工程安全预算并保护关键线性基础设施资产。

**论文解读：基于道路评价单元的落石易发性制图方法——整合物理信息边坡切割特征与比较机器学习模型**

**研究背景与问题**

山区道路网络作为社会经济重要生命线，极易受突发地质灾害影响，其中道路边坡落石以高动能和快速启动为特征，对交通和基础设施安全构成严峻挑战。当前落石易发性制图（Rockfall Susceptibility Mapping, RSM）领域存在显著不确定性，主要体现在评价单元最优选择（栅格 vs. 矢量）和空间建模尺度（宏观区域 vs. 局地走廊）两个层面。传统栅格制图虽计算高效且保持空间连续性，但难以直接关联具体工程措施；而矢量单元（如道路段）虽更符合交通管理需求，却难以融入复杂地质与工程概念。此外，现有特征工程多依赖客观地形要素（如坡度、高程），忽略了道路建设中的边坡开挖这一主要人为触发因素，该因素在粗分辨率栅格数据中常被地形平滑效应掩盖。为弥合宏观区域灾害分区与微观局地边坡工程加固之间的操作鸿沟，研究人员开展了这项研究，旨在通过系统比较不同空间域、评价单元形态和物理信息工程代理的独立预测贡献，构建一个校准的、目标分层的决策支持框架。

**研究内容与结论**

研究以湖北省五峰土家族自治县为实证区，基于220个历史落石灾害点（经无人机摄影测量和野外地质调查核实）和12个初始条件因子（经多重共线性诊断后保留10个），构建了包含5个空间场景的评价矩阵：全县宏观栅格、1 km、2 km、3 km道路缓冲区，以及面向对象的矢量道路评价单元（Road Evaluation Unit, REU）框架。REU将国家及省级公路网络划分为550个独立单元，每个单元整合其上方影响区域，并通过邻近性标定策略（距道路中心线<100 m的历史落石点标记为正样本）生成159个正样本和391个负样本。为参数化局地工程开挖风险，研究人员引入了物理信息特征——理论边坡切割高度（theoretical slope-cutting height, H_cut），该参数通过空间邻域分析（5×5像素移动窗口）计算道路像素点处的局部切割高度，并取每个REU内的最大值作为段属性。在13种代表性算法（统计模型：信息值IV、证据权重WoE、逻辑回归LR；经典机器学习：支持向量机SVM、随机森林RF、自适应增强AdaBoost；梯度提升树：GBDT、LightGBM；深度学习：BPNN、MLP、1D-CNN、LSTM、TabNet）下，分别在无约束随机分割和严格留一道路走廊验证（Leave-One-Road-Corridor-Out Validation, LORCOV）协议下进行交叉检验。主要结论发表于《Remote Sensing》期刊，表明：1）树集成模型（RF、LightGBM）在局部表格数据约束下表现出强阈值判别力和参数鲁棒性，而传统深度学习架构（1D-CNN、LSTM）因归纳偏差不匹配表现欠佳；2）将空间验证域从全县宏观尺度缩窄至道路走廊，可清除背景地形噪声，使算法聚焦于地貌硬负样本，抑制传统ROC-AUC统计膨胀；3）特征重要性分析显示，在宏观栅格域中，高程、岩性和距水系距离为主导因素，而在矢量REU域中，物理信息特征H_cut跃升为最显著预测指标（约20%贡献），表明工程边坡开挖是山区交通生命线的主要失稳触发因素；4）通过SBAS-InSAR形变追踪和野外实地验证，静态段级风险概率与动态线视距（Line-of-Sight, LOS）形变热点及结构损伤特征高度一致，证实了框架的物理可靠性。

**关键技术与方法**

1. **多尺度空间分区**：构建全县宏观栅格及1 km、2 km、3 km道路缓冲区，系统评估空间范围对模型性能的影响。
2. **面向对象的道路评价单元（REU）**：基于高分辨率无人机摄影测量、官方道路分割日志和野外调查记录，将五峰县国家及省级公路划分为550个独立矢量单元，通过区域统计（zonal statistics）将像素级条件因子（高程、粗糙度、TWI等）聚合为段级特征向量（34维），并引入物理信息特征H_cut（35维）。
3. **物理信息特征工程**：通过空间邻域分析（5×5像素移动窗口）计算理论边坡切割高度H_cut，作为人为开挖扰动的力学代理，并经过敏感性分析（3×3、7×7窗口及不同聚合规则）和无人机点云外部校准验证其稳定性。
4. **严格空间验证协议**：实施留一道路走廊验证（LORCOV），将550个REU按独立物理公路走廊（如G351、G241、S476）分区，每次迭代完全保留一个走廊的所有单元作为验证集，以消除空间自相关偏差。
5. **多算法基准比较**：涵盖13种统计算法、机器学习及深度学习模型，在无约束随机分割和LORCOV下系统评估，并采用ROC-AUC、PR-AUC、召回率等多指标。
6. **外部验证与物理校准**：利用多时相SBAS-InSAR获取线视距（LOS）年形变速度，通过Kruskal-Wallis检验和Spearman秩相关分析建立风险概率与地表位移的统计关联；并在80个独立REU段进行野外实地验证（结构化损伤评分）。

**研究结果**

**4.1 实验设置与超参数优化**：采用70%训练集、30%独立测试集，并在LORCOV下进行网格搜索与五折交叉验证，优化所有模型超参数。

**4.2 栅格尺度模型性能比较**：在全县宏观栅格下，RF模型取得最优AUC 0.8147；随空间域缩窄至1 km缓冲带，AUC普遍下降（RF降至0.6545），但PR-AUC稳定（0.7124），表明硬负样本聚焦消除了统计膨胀。1D-CNN在1 km缓冲带下出现AUC 0.4032的异常反转，归因于归纳偏差与协变量偏移。

**4.3 矢量域（REU）预测性能**：在无约束随机分割下，RF模型取得AUC 0.7763，WoE（0.7503）和IV（0.7456）紧随其后。在LORCOV下，RF仍保持最高AUC 0.6129，LightGBM为0.5946，而传统深度学习（BPNN、LSTM）降至0.5以下。特征消融实验证实，添加H_cut使AUC从0.7338提升至0.7411，且仅靠H_cut与少量因子即可维持AUC 0.6783。

**4.4 空间可视化与易发性制图**：RF模型生成的栅格易发性图显示，从全县到1 km走廊，高易发区面积从342.6 km2缩减至28.4 km2，但覆盖112.6 km道路里程。REU矢量制图表明，前10%最高风险REU捕获64.2%历史落石，前30%捕获92.5%。决策效率分析显示，REU框架在捕获73%落石时仅需49.2 km干预里程，而栅格则需要114.5 km，效率提升57%。

**4.5 特征重要性**：在全县栅格域，高程（25.0%）、岩性（22.5%）、距水系距离（14.5%）为主；在REU域，H_cut（约20%）跃居首位，其次为高程（15.5%）、岩性（14.0%）、距断层距离（12.5%），表明工程开挖主导了局地落石易发性。

**讨论与结论**

讨论部分通过野外实地验证（80个REU段，90%极高风险单元显示严重工程诱发退化）、SBAS-InSAR形变耦合分析（Kruskal-Wallis检验p<0.001，Spearman ρ=0.59，p<0.01）及模型可迁移性验证（在相邻县域独立验证AUC=0.7246），确认了框架的物理校准性和跨区域鲁棒性。研究结论指出：1）树集成模型（RF、LightGBM）在局部表格数据约束下表现最优，传统深度学习存在归纳偏差；2）缩窄空间域并采用矢量REU可清除背景噪声，聚焦硬负样本；3）物理信息特征H_cut是描述工程开挖扰动的关键预测因子；4）静态风险概率与动态形变及野外损伤高度一致，为交通管理部门提供了目标分层的决策支持矩阵，以优化维护预算和传感器部署。