《Landslides》：How well can rock avalanche runout be forecasted? GPU-Accelerated validation of a method for forecasting rock avalanche motion using a numerical model
编辑推荐：
岩崩是一种极快速的、流状滑坡，可能威胁人员和基础设施，因此使用数值模型对其运动进行准确预测对于风险评估至关重要。这些预测是土地利用和疏散决策的主要输入；然而，对各种预测方法在不同类型岩崩中的有效性进行全面分析从未进行过。这主要是由于缺乏现场数据以及计算成本过高
岩崩是一种极快速的、流状滑坡，可能威胁人员和基础设施，因此使用数值模型对其运动进行准确预测对于风险评估至关重要。这些预测是土地利用和疏散决策的主要输入；然而，对各种预测方法在不同类型岩崩中的有效性进行全面分析从未进行过。这主要是由于缺乏现场数据以及计算成本过高。在本研究中，研究人员通过将贝叶斯后验分析和留一交叉验证策略应用于22个案例历史数据集，解决了这两个限制。这使得研究人员能够校准GPU（图形处理单元）加速的运移模型ORIN-3D（三维地形滑坡运动并行模拟器），用于三种流变参数化：（1）摩擦型，（2）Voellmy型，以及（3）摩擦-Voellmy组合流变。该分析涉及约400,000次模拟，这一计算工作在使用CPU（中央处理单元）模型时是不切实际的。利用校准结果对每个案例历史进行概率预测，使用八种预测集，并通过Tversky损失函数（TLF）进行评估。结果表明，最佳性能的模型参数化在源区使用体积相关的摩擦角（摩擦型流变）和在路径区使用Voellmy流变。因此，这项工作为22个岩崩案例历史数据库提供了系统性验证的概率预测，从而改进了对这种破坏性现象的危害和风险评估。
论文解读文章
**研究背景与问题**
岩崩（rock avalanche）是一种极快速的流状滑坡，其运动范围广泛，常对人员和基础设施构成严重威胁。准确预测岩崩运动是风险评估、土地利用规划和疏散决策的关键输入。然而，现有预测方法主要分为数据驱动和物理基础两类。数据驱动方法，如使用H/L比率（fall height to runout length）的回归分析，适用于初步筛选，但精度有限；物理基础数值模型，如深度平均连续介质模型，能提供更详细的预测，但传统CPU（中央处理单元）模型计算成本高昂，导致对多种预测方法的系统性验证难以实现。此外，缺乏三维输入数据和足够的案例历史，使得预测中的不确定性（包括校准不确定性和机制不确定性）长期未得到量化。为解决这些问题，研究人员利用GPU（图形处理单元）加速技术，对22个岩崩案例历史数据库进行系统分析，旨在评估不同流变参数化在预测岩崩运动中的表现，并首次量化相关不确定性。
**研究内容与结论**
研究人员采用GPU加速的深度平均等效流体模型ORIN-3D（三维地形滑坡运动并行模拟器），结合贝叶斯后验分析和留一交叉验证（leave-one-out cross validation）策略，对三种流变参数化进行校准：（1）摩擦型（Frictional），（2）Voellmy型，以及（3）摩擦-Voellmy组合型。校准过程涉及约400,000次模拟，这一计算量在传统CPU模型上需耗时数十年，而ORIN-3D将运行时间缩短至秒级，使大规模不确定性分析成为可能。通过八种预测集（包括等权重和定量权重场景），研究人员对每个案例历史进行概率预测，并使用Tversky损失函数（TLF）评估预测质量。结果表明，最佳预测性能采用分离参数化：在源区使用体积相关的摩擦角（摩擦型流变），在路径区使用Voellmy流变。这一发现支持了先前研究（如Aaron和McDougall）的结论，即源区阻力受体积控制，而路径阻力更适用于Voellmy模型。该工作为22个岩崩案例提供了系统性验证的概率预测，显著提升了危害和风险评估的可靠性。
**主要关键技术方法**
研究人员主要使用了以下关键方法：
- GPU加速的数值模型ORIN-3D，基于SPH（光滑粒子流体动力学）求解运动方程，显著提高计算效率。
- 贝叶斯后验分析，用于量化校准不确定性，基于残差多元高斯分布假设。
- 留一交叉验证，用于生成伪预测，评估不同预测集的泛化性能。
- Tversky损失函数（TLF），用于处理区域不平衡，评估预测与观测边界（trimline）的匹配度。
样本队列包括22个岩崩案例历史，涵盖不同体积、地形约束和路径材料，例如Avalanche Lake、Frank和Crammont等。
**研究结果**
**校准结果**
校准结果显示，不同案例的后验分布差异显著。使用摩擦型流变时，多数案例呈现单峰分布，但部分案例（如Daubensee）出现多峰或不规则分布。Voellmy型流变的后验分布常表现为带状或多峰，指示参数非唯一性，需在预测中考虑。摩擦-Voellmy组合型流变的分布与Voellmy类似，但摩擦角截面的影响较小。这表明校准不确定性因案例而异，应在预测中予以量化。
**示例预测：Frank滑坡**
以1903年加拿大Frank滑坡为例，研究人员展示了完整预测流程。三种流变参数化的最佳模拟均与观测边界高度吻合，但TLF值显示，摩擦-Voellmy分离参数化（EQL场景）性能最佳（TLF=0.187），而摩擦型流变性能最差（TLF=0.245）。定量权重（QUA）场景相较于等权重（EQL）场景有微小但系统性改善。
**全数据库评估**
对22个案例应用八种预测集，TLF值排序显示：等权重场景中，摩擦型流变通常表现最差；定量权重场景中，摩擦-Voellmy分离参数化表现最佳。相较于EQL，QUA场景的TLF平均降低仅1%–2%，改善幅度有限。模型参数化影响更显著，Voellmy型流变平均降低TLF约20%，摩擦-Voellmy分离参数化降低17%，摩擦-Voellmy组合降低10%。但个体案例响应差异大，如Daubensee和Mt Steele表现出相反趋势，表明最优参数化可能因案例特性而异。
**讨论与结论**
讨论部分强调，校准不确定性在不同参数化间差异明显，但整体预测不确定性主要由机制不确定性主导，而非校准不确定性。权重方法（QUA vs. EQL）对预测影响较小，因为案例数量多时，各案例权重影响有限。减少机制不确定性需改进模型，如模拟渐进破碎过程或纳入更多流变类型。尽管存在不确定性，结果具有实践意义：摩擦型流变易低估边界内远端危险，而Voellmy和分离参数化可改善预测。结论指出，最佳预测方法为摩擦-Voellmy分离参数化，确认源区体积影响基底阻力，路径区需考虑速度相关阻力。未来研究应聚焦岩崩运动机制，如破碎、侵蚀和复杂基底流变，以进一步提升预测精度。
