物理信息可解释的地震滑坡易发性评估：一种耦合PINN和SHAP的机理学习方法

《Geomatics, Natural Hazards and Risk》：Physics-informed and interpretable assessment of seismic landslide susceptibility: a mechanistic-learning approach coupling PINN and SHAP

　　

地震触发的滑坡在构造活跃的山地地区构成严重威胁，在这些地区，可靠的易发性评估对于震前准备和震后快速响应都至关重要。然而，滑坡易发性建模仍面临非滑坡样本不确定、物理可解释性有限以及震前和震后易发性模式难以比较的挑战。本研究以2022年泸定地震为例，提出了一种结合孤立森林（Isolation Forest, IF）、物理信息神经网络（Physics-Informed Neural Network, PINN）和SHapley Additive exPlanations（SHAP）的集成框架。研究人员使用IF来优化伪负样本，同时将基于安全系数的物理一致性惩罚项纳入PINN损失函数，以鼓励预测结果与斜坡稳定性逻辑保持一致。研究人员使用SHAP来解释场景特定的模型归因模式，并指导特征优化。该框架在震前和震后条件下均实现了具有竞争力的预测性能。SHAP引导的优化识别出一个由13个因子组成的紧凑子集，在预测性能、模型简洁性和可解释性之间取得了平衡。水文地貌预测因子在地震前贡献更强，而地震构造预测因子在地震后贡献更强。所提出的框架为滑坡易发性评估提供了一种物理引导且可解释的策略，支撑震前规划和震后应急优先级排序。

地震触发滑坡在全球构造活跃山区构成重大威胁，准确评估震前本底和震后扰动条件下的滑坡易发性对防灾减灾至关重要。然而，现有易发性评估面临非滑坡样本不确定性高、模型物理可解释性不足、震前震后易发性模式难以动态对比等挑战。为此，研究人员以2022年泸定地震（Mw 6.8）为案例，提出一种集成孤立森林（Isolation Forest, IF）、物理信息神经网络（Physics-Informed Neural Network, PINN）和SHapley Additive exPlanations（SHAP）的框架，用于震前背景与震后扰动条件下的滑坡易发性评估。该研究通过IF优化伪负样本，以降低将高易发性未记录区域误选为非滑坡样本的风险；在PINN损失函数中嵌入基于安全系数的物理一致性惩罚项，使预测概率与斜坡稳定性逻辑（Mohr-Coulomb准则和拟静力公式）保持一致；采用SHAP量化各因子对模型输出的贡献，并指导特征优化。研究基于预地震历史滑坡清单（207个）和2022年泸定地震后复合滑坡清单（2,055个，源自Ma et al. 2023, 2024的校正映射）开展建模。结果表明，该框架在震前和震后条件下均取得竞争性预测性能，但PINN并非在所有指标上绝对优于传统模型，其核心价值在于结合数据驱动与物理约束，提升可解释性。SHAP分析揭示，震前水文地貌因子（如降雨RAIN、径流侵蚀指数SPI）贡献更大，震后地震构造因子（如地震烈度SINT、峰值加速度PGA、距断层距离DTF、同震位移CSD）贡献更强，这反映了模型归因模式的变化，而非滑坡触发机制的根本转变。SHAP引导的特征优化确定了13个因子的紧凑子集，平衡了性能与简洁性。易发性制图显示，震后高和极高易发性区面积显著扩大，其滑坡分类面密度（LCSD）从震前的61.84%升至93.97%，表明地震显著放大了高易发性区的滑坡发生概率。研究为理解地震前后滑坡易发性动态变化及应急优先级排序提供了物理引导、可解释的框架，论文发表在《Geomatics, Natural Hazards and Risk》。

**主要关键技术方法**（不超过250字）：
研究人员采用的关键技术方法包括：（1）孤立森林（IF）——基于阳性样本（滑坡）训练，计算候选样本的异常分数，以用户定义的污染率α设定阈值，筛选出与滑坡特征空间显著不同的可靠伪负样本，实现样本平衡；（2）物理信息神经网络（PINN）——以全连接多层感知机（MLP，3层256-128-64神经元）为核心，损失函数由数据驱动损失（二元交叉熵与Focal Loss加权）、物理一致性损失（基于简化无限斜坡和拟静力公式计算的安全系数F_s，通过ReLU残差惩罚与F_s逻辑不一致的预测）和L2正则化项组成，物理一致性损失权重在训练过程中线性退火；（3）SHAP（SHapley Additive exPlanations）——基于博弈论计算每个特征对所有可能特征子集的边际贡献平均值，用于模型归因分析和因子优化。样本队列来源：预地震历史滑坡清单（207个）来自国家地质灾害数据集和全球滑坡清单；后地震复合滑坡清单（2,055个）源自泸定地震后更新的校正映射（Ma et al., 2023; 2024）。

**研究结果**：
**4.1 SHAP-based analysis of conditioning factors**：通过SHAP蜜蜂图分析，震前降雨（RAIN）和径流侵蚀指数（SPI）的SHAP值最大，高值对应正贡献，表明水文气候和河流地貌条件是重要预测因子；岩性（LITH）高值主要呈负贡献，表示力学强度高的岩性预测易发性低。震后，地震烈度（SINT）、距断层距离（DTF）、峰值加速度（PGA）和同震位移（CSD）的贡献显著增强，而降雨相关因子贡献减弱，表明模型归因模式从水文气候主导转向地震构造主导。
**4.2 Model evaluation**：
**4.2.1 Performance comparison under different negative sample selection strategies**：在震前和震后条件下，相比随机采样，基于IF的负样本选择在所有基准模型（支持向量机SVM、逻辑回归LR、随机森林RF、卷积神经网络CNN）上均提升了准确率、F1分数、Kappa系数和AUC。例如，震前CNN的F1从0.8000升至0.8857，震后SVM的Kappa从0.3725升至0.5562，表明IF有效降低了样本噪声。
**4.2.2 Comparison of PINN with benchmark models**：在与最优基准模型（CNN+IF、RF+IF）的对比中，震前PINN取得最佳综合性能（准确率0.8889，F1 0.8986，Kappa 0.7763，AUC 0.9053）；震后PINN在AUC上最高（0.9151），但RF+IF在分类指标上略优（准确率0.8774 vs 0.8670，F1 0.8790 vs 0.8682）。PINN的优势在于在保持竞争性性能的同时引入物理一致性约束，提升可解释性，而非追求指标绝对优势。
**4.2.3 SHAP-guided feature optimization**：逐步移除低重要性因子后，震前13因子子集（移除了LULC、TRI、CUT）取得最高F1（0.9167）和竞争性AUC（0.9138）；震后13因子子集（移除了SPI、NDVI、LITH，保留CUR）取得最高准确率（0.8840）、F1（0.8818）、Kappa（0.7679）和接近最佳的AUC（0.9238），最终被选为紧凑且平衡的特征组合。
**4.3 Landslide susceptibility assessment**：采用等间隔方案将预测概率分为五级，绘制震前震后易发性区划图。震前高易发性区沿河谷陡坡呈碎片化分布；震后极高易发性区显著扩大，在震中附近形成大片连续高易发区。统计显示，震后极高易发性区面积和LCSD均大幅上升（LCSD从61.84%升至93.97%），而低易发性区LCSD低于5%，表明模型有效区分了滑坡易发与稳定区域，地震显著放大了高易发性区内的滑坡发生概率。

**总结讨论并翻译研究结论**：
讨论部分强调，该框架的价值不在于在所有指标上优于基准模型，而在于结合竞争性预测性能与物理可解释性。IF减少了样本不确定性，PINN通过安全系数一致性惩罚使预测与斜坡稳定性逻辑一致，SHAP揭示了震前震后归因模式的变化，但震后归因模式变化应视为模型归因差异，而非触发机制完全转变的直接证据。震前震后易发性比较需谨慎，因两个清单在时间尺度、样本量和组成上不同，且后地震清单为复合清单，可能包含新触发、复活和扩大的滑坡，部分空间重叠反映继承性易发性。研究局限性包括：PINN约束依赖简化安全系数公式（恒定滑面深度和确定性地质点参数）、SHAP不建立因果关系、模型基于单一地震事件训练，向其他区域推广需谨慎。未来工作应整合钻孔/地球物理数据、时空变量（如应力状态、裂隙密度），并引入因果推断框架、多事件训练和迁移学习。

**研究结论翻译**：
（1）基于IF的负样本优化策略通过降低将高易发性未记录区域选为非滑坡样本的概率，提高了伪负样本的可靠性；与常用随机采样相比，IF采样提升了多个基准模型的性能，表明可靠的样本构建是可信滑坡易发性评估的重要前提。（2）PINN模型将基于安全系数的物理一致性惩罚项纳入学习过程，鼓励预测的滑坡概率与斜坡稳定性逻辑保持一致；该模型在震前和震后条件下均实现了稳定且具有竞争力的预测性能，但不应被解释为在所有指标上普遍优于所有基准模型，其主要价值在于结合数据驱动学习与物理引导正则化，并提升物理可解释性。（3）SHAP分析提供了场景特定模型归因模式的可解释视图：水文地貌因子（如RAIN和SPI）在震前背景条件下贡献更强，而地震构造因子（如SINT、PGA、DTF和CSD）在震后扰动条件下对模型输出贡献更强；这些结果应被解释为模型归因的变化，而非滑坡触发机制完全转变的直接因果证据。