《Engineering Geology》：Physics-informed convolutional neural network for soil–bedrock contact identification using integrated airborne transient electromagnetic survey and borehole data
编辑推荐：
•基于物理信息的卷积神经网络将TEM剖面与稀疏钻孔数据相结合。•电阻率梯度和物理先验增强了土-基岩接触面的映射。•准三维重构揭示了TEM剖面之间一致的土-基岩接触面。引言滑坡在全球山区和水库地区构成重大的工程地质灾害，特别是在降雨、地质结构和地下非均质性相互作用控制斜坡稳定性
- •
基于物理信息的卷积神经网络将TEM剖面与稀疏钻孔数据相结合。
- •
电阻率梯度和物理先验增强了土-基岩接触面的映射。
- •
准三维重构揭示了TEM剖面之间一致的土-基岩接触面。
引言
滑坡在全球山区和水库地区构成重大的工程地质灾害，特别是在降雨、地质结构和地下非均质性相互作用控制斜坡稳定性的情况下（Frattini等，2004）。滑坡在三峡库区广泛分布，包括周边的山区和丘陵地形。这些斜坡的浅层地下高度非均质，由于强降雨、库水位波动和工程项目扰动，演化迅速且往往突然失稳（Tang等，2019；Zhou等，2022）。在这些地貌和水文地质条件下，岩性分层不仅是灾害识别和稳定性分析的起点，也是有效修复和监测的关键（Yan等，2019）。
常规地层分类方法依赖于钻孔和井测数据，辅以地面地球物理方法（Jongmans和Garambois，2007；Perrone等，2014）。钻孔直接揭示岩性、深度和力学参数，通常用作层位和接触面验证的基准（Gong等，2021）。地面方法如电法层析成像（ERT）（Loke和Barker，1996；Perrone等，2014）、时域瞬变电磁法（TEM）（Siemon等，2009；Sorensen和Auken，2004）、浅层地震折射和反射勘探（Whiteley等，2020）以及探地雷达（Neal，2004），则用于在稀疏钻孔之间插值和延伸信息。
在实际应用中，剖面反演和经验阈值将物理属性（如视电阻率或其垂直梯度）映射到岩性单元，并组装成连续层位。然而，该流程在滑坡区面临多种制约。首先，陡峭地形和有限的可达性限制了钻孔密度，导致空间控制点稀疏且昂贵。其次，地面电法和浅层地震活动对地形起伏、强浅层非均质性和噪声敏感，容易引发反演多解性。第三，岩性-属性映射依赖于经验规则，可迁移性有限（Kang等，2021；Sapia等，2015）。在广泛分布有崩积物和断裂带的滑坡体中，含水量、孔隙率和构造扰动等耦合效应可能显著改变电性和地震响应，使得单一方法难以可靠地界定覆盖层-基岩接触面及过渡层的精细几何形态。
航空瞬变电磁法（ATEM）在崎岖地形中具有高效、大面积、准三维（3D）成像能力。它在山谷和陡坡上获取连续的视电阻率剖面，快速可视化近地表电性结构（Harrison等，2021；Thiery等，2021）。与地面方法相比，ATEM提供了更高的覆盖率和线连续性，支持在复杂地形中的面状扫描和多剖面比较，有助于识别电性不连续面和潜在的层位几何形态。然而，ATEM响应与岩性之间的对应关系仍然较为普通（Minsley等，2021）。飞行高度、系统设置、层位效应和噪声都会影响反演稳定性，导致视电阻率与岩性之间的关系出现依赖于深度和位置的偏移（Lubczynski等，2024；Rochlitz等，2023）。尽管ATEM在含水层和层状地层测绘方面已显示出潜力（Attia和Tsai，2025；Song等，2025），但其用于滑坡区岩性分层的系统性应用仍然有限。先前的工作探索了使用人工神经网络将航空地球物理数据与稀疏钻孔信息相结合以构建基岩模型（Lysdahl等，2022）。然而，仅基岩面建模并不能完全解决滑坡环境中多类岩性分层和土-基岩接触面识别的需求。特别是，将ATEM剖面、稀疏钻孔信息和基于电阻率的物理先验相结合用于钻孔控制有限且浅层地下强非均质区域的滑坡岩性分层，仍然缺乏充分探索。
在本研究中，我们以中国重庆巫山查蜀坡滑坡为案例，开发了一种岩性分层方法。少数钻孔提供区域校准。首先，建立了视电阻率与岩性之间的统计区间和梯度模式，将接触面相关的物理特征转化为模型训练的先验。然后，开发了一种具有高斯和区间物理约束的深度方向一维卷积神经网络（1D CNN），沿ATEM剖面自动分类岩性和追踪接触面。最后，进行了多剖面联合解释和准三维几何重构，以验证与钻孔证据和地形的相符性和空间连续性。本研究架起了常规方法可解释性与ATEM面状连续性的桥梁，为滑坡岩性分层提供了一条高效可靠的途径。本工作的主要创新在于将电阻率-岩性先验、电阻率梯度响应和物理信息损失函数整合到基于CNN的ATEM-钻孔解释框架中，从而能够在滑坡易发的山区实现物理约束的岩性分层和土-基岩接触面识别。为提高所提出方法的透明度和可重复性，机器学习工作流参考了NGI机器学习最佳实践清单的原型和发布建议进行了记录（Erharter等，2025）。5.1–5.3节描述了数据检查和预处理、分组数据集划分、模型架构和训练设置、基线比较以及性能评估。
章节片段
ATEM数据采集
航空瞬变电磁法（ATEM）是一种主动源电磁技术，飞机携带的发射回路施加时变电磁场，实现从近地表到一定深度范围的地下电导率或电阻率结构成像。在ATEM测量中，发射回路通常由双极电流脉冲驱动以产生瞬变电磁激发。主脉冲感应出涡流
研究区域和工程背景
中国巫山县福田镇位于重庆市东北部，是三峡库区的核心区域。地理坐标范围为东经109°33′至110°11′，北纬30°45′至31°28′，行政总面积约2958平方公里。地貌以深切的中低山峡谷为主，具有陡坡、发育良好的构造节理和强烈的地形起伏。这些条件以及
ATEM结果
根据研究区的测量设计布置了九条ATEM测线（实测线分布和测点位置见图4）。在地球物理测量之前，进行了航空摄影测量以表征研究区的地形和地貌特征，并获取测线布置和后续解释的基准约束。然后采集ATEM数据，并对瞬变响应进行反演以获得深度分辨率
钻孔与ATEM结果对比分析
我们对比了代表性钻孔剖面及其对应的1D电阻率剖面，以验证ATEM结果的可靠性，并研究岩性分层与电阻率及其梯度之间的关系。研究区的地层结构特征为浅埋基岩，局部覆盖有厚度不一的松散细土和砾石层。滑坡活动主要受控于
结论
我们开发了一个PINN框架，将钻孔观测与完整的ATEM数据相结合，实现斜坡中精细尺度的岩性分层。主要发现总结如下：
- 1)
我们将钻孔数据与ATEM数据相结合，进行了统计分析，揭示了不同的电阻率-岩性区间和梯度响应模式，并将其转化为定量物理先验。这些先验有效约束了学习过程，增强了物理
CRediT作者贡献声明
荣中地：写作 – 初稿，软件，方法学，调查，形式分析，数据整理，概念化。丛生义：监督，资助获取，概念化。唐亮：监督，方法学，概念化。林先张：方法学，概念化。陈年：方法学，调查。陈鹏飞：方法学，调查。高祥华：方法学，概念化。?eljko Arbanas：方法学，概念化。
利益冲突声明
作者声明他们没有已知的竞争经济利益或个人关系可能影响本文所报告的工作。
致谢
本工作得到重庆自然科学基金项目（批准号CSTB2023NSCQ-MSX0109和CSTB2023NSCQ-MSX0980）、西藏自治区重大科技专项（批准号XZ202402ZD0008）以及巴东地质灾害国家观测研究站开放基金（批准号BNORSG202411）的资助。
荣中地|丛生义|唐亮|林先张|陈年|陈鹏飞|高祥华|?eljko Arbanas
