气候变化下黄土动态冻胀敏感性:一种整合SFCC先验知识与CMIP6预测数据的物理约束机器学习框架
《Water》:Dynamic Frost Heave Susceptibility of Loess Under Climate Change: A Physics-Constrained Machine Learning Framework Integrating SFCC Prior Knowledge and CMIP6 Projections
【字体:
大
中
小
】
时间:2026年08月29日
来源:Water 3.5
编辑推荐:
季节性冻土黄土地区的冻胀从根本上受控于温度梯度驱动的孔隙水向冻结锋面迁移,由此形成的冰透镜体会对工程基础设施造成损害。由于冻结强度和水分供应条件均随气候变化而演变,冻胀易发性本身是动态变化的,然而现有评估方法仍是静态的,且忽略了未来的气候演变趋势。本文提出了一种物理约束机器学
季节性冻土黄土地区的冻胀从根本上受控于温度梯度驱动的孔隙水向冻结锋面迁移,由此形成的冰透镜体会对工程基础设施造成损害。由于冻结强度和水分供应条件均随气候变化而演变,冻胀易发性本身是动态变化的,然而现有评估方法仍是静态的,且忽略了未来的气候演变趋势。本文提出了一种物理约束机器学习框架,将土体冻结特征曲线(SFCC)的先验知识与多源开放数据及CMIP6气候预测相结合,实现了黄土高原的动态冻胀易发性制图。在梯度提升树训练过程中,强制施加了由SFCC和分异势理论所描述的耦合相变与冻吸机制所推导的单调性约束,以确保预测结果符合冻结强度、细粒含量和冰分异势之间已确立的关系。采用有序分解策略,确保每个二分类子模型上的单调性约束能够转化为所预测有序易发性等级的单调性。表现最佳的物理约束XGBoost模型在四级易发性分类方案上达到88.7%的总体准确率和0.942的AUC值。与156个野外记录及Sentinel-1 InSAR观测数据的独立验证表明,该模型能够捕捉真实的冻胀模式。在SSP5-8.5情景下,由于气温升高,到2080年代被划为高或极高风险的区域面积将收缩约38%;而在SSP1-2.6情景下仅缩减12%,且在两种情景下中等风险的过渡区域均有所扩展。这些发现为寒冷黄土地区的气候适应性基础设施规划提供了具有时间分辨率和物理基础的决策依据。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号