基于模拟替代模型的降雨诱发大范围滑坡快速预测研究

作者及发表信息

本研究由Kenta Tozato（八户工业大学建筑工程系）作为通讯作者，联合Daichi Sugo（东北大学土木与环境工程系）、Nilo Lemuel J. Dolojan、Reika Nomura、Kenjiro Terada（东北大学国际灾害科学研究所）等团队共同完成，发表于Computers and Geotechnics期刊2025年第188卷（页码107480）。

学术背景

研究领域：本研究属于地质灾害预测与岩土工程交叉领域，聚焦于降雨诱发滑坡的快速风险评估。

研究动机：全球气候变化导致极端降雨事件频发，例如日本2018年暴雨引发2581处滑坡，2019年台风“海贝思”导致952处滑坡（日本国土交通省2020年数据）。传统滑坡预测方法（如降雨强度-持续时间阈值法）或数据驱动模型（如机器学习）存在局限性：前者忽略地质力学机制，后者依赖历史数据且难以泛化。而基于物理机制的数值模拟（如渗流-稳定性耦合分析）虽精度高，但计算成本大，无法满足大范围实时预测需求。

科学目标：提出一种结合力学模拟与机器学习替代模型（surrogate model）的框架，通过预计算数据库和降维技术，实现大范围滑坡灾害的分钟级预测，同时保持与数值模拟相当的精度。

研究方法与流程

1. 数值模拟数据库构建

研究对象：日本岩手县釜石市1平方公里实际地形（网格分辨率5m×5m，共40,000个单元），参数均质化处理（表1）。

关键步骤：
- 渗流分析：采用Green-Ampt模型（Green and Ampt, 1911），计算不同降雨情景下的垂向入渗深度（公式3-4）。该模型假设入渗锋面以下初始体积含水率恒定，锋面至地表饱和，适用于大范围高效计算。
- 三维边坡稳定性分析：基于Hovland三维极限平衡法（Hovland, 1977），通过椭球滑动面假设计算安全系数（公式5-9）。孔隙水压力根据入渗深度动态更新（Jia et al., 2014方法）。

降雨情景设计：
- 基于历史数据（1980–2020年）生成21种降雨场景，涵盖不同累积雨量（310mm/420mm）、持续时间（10–50小时）及时间分布模式（Huff, 1990分类）。
- 验证阶段新增4种场景（包括2019年台风实际降雨和极端外推情景）。

2. 替代模型构建

降维与特征提取：
- 本征正交分解（Proper Orthogonal Decomposition, POD）：将安全系数空间分布矩阵分解为13个主导空间模态（spatial modes）（公式10-11），保留99%以上信息。
- 高斯过程回归（Gaussian Process Regression, GPR）：以入渗深度POD系数为输入，安全系数POD系数为输出，选用指数核函数（公式16-20），通过贝叶斯优化确定超参数。

模型对比：
- 替代模型1：以入渗深度POD系数为输入（反映地下水累积效应）。
- 替代模型2：以传统降雨指数（如12小时累积雨量、最大1小时雨强）为输入。

主要结果

1. 预测精度验证

• 空间分布吻合：在验证场景1（2019年台风）中，替代模型安全系数分布与数值模拟结果高度一致（图8），滑坡高风险区（安全系数≈1）位置重合。
  
• 时间动态捕捉：四组监测点的安全系数随时间下降趋势被准确复现（图9），RMSE≤0.02（图10）。
  
• 外推能力：对于累积雨量500mm的极端场景（超出训练范围），误差显著增大，但仍在可接受范围内。
  

2. 计算效率提升

• 耗时对比：替代模型预测全时段安全系数仅需21秒，而传统数值模拟需1397秒（Intel i5-12400处理器），提速约66倍。
  

3. 模型优势验证

• 替代模型1优于替代模型2：前者RMSE更低（图15），尤其在双峰降雨场景中误差减少50%，证明直接耦合渗流分析结果能更好反映降雨时空不确定性。
  

结论与价值

科学价值：
1. 方法论创新：首次将POD-GPR框架应用于降雨滑坡预测，解决了力学模型计算成本高与数据驱动模型物理可解释性差的矛盾。
2. 理论贡献：揭示了入渗深度POD系数作为降雨参数的有效性，其比传统降雨指数更能表征滑坡触发机制的非线性（图16-17）。

应用价值：
- 实时预警系统：可为地方政府提供分钟级滑坡风险图，支持应急疏散决策。
- 扩展性：框架可适配非均质地质参数和空间变异降雨，需进一步验证大区域适用性。

研究亮点

1. 多学科融合：结合岩土力学（Green-Ampt模型、Hovland方法）、数学降维（POD）与机器学习（GPR）。
   
2. 工程导向设计：针对日本高频滑坡灾害的实际需求，以釜石市为案例验证实用性。
   
3. 开源潜力：作者声明数据可依请求公开，促进后续研究。
   

其他价值

交叉应用前景：该方法可扩展至其他地质灾害（如泥石流、崩塌）的快速预测，或与实时气象数据同化系统集成。