基于物理模型与机器学习融合的滑坡预测研究：以不丹喜马拉雅山区为例

作者与发表信息

本研究由Husam A. H. Al-Najjar（澳大利亚悉尼科技大学计算机科学学院）、Biswajeet Pradhan（悉尼科技大学空间信息建模中心、韩国世宗大学能源与矿产资源工程系）等跨国团队合作完成，发表于Earth Systems and Environment期刊（2025年卷9期，页码3179–3206），DOI号为10.1007/s41748-024-00508-8。

学术背景

科学领域：本研究属于地质灾害预测领域，聚焦滑坡易发性建模（Landslide Susceptibility Mapping, LSM）。
研究动机：喜马拉雅山区（尤其是不丹楚卡地区）因强降雨和复杂地形，70%的全球滑坡致死事件发生于此。传统物理模型（如TRIGRS）受限于地质数据稀缺和高成本，而机器学习（Machine Learning, ML）模型则存在”黑箱”可解释性差的问题。
目标：开发一种融合物理模型（TRIGRS）与随机森林（Random Forest, RF）算法的透明化集成框架，结合合成孔径雷达（SAR）时序数据，提升数据稀缺环境下的滑坡预测精度。

研究方法与流程

1. 数据收集与预处理

研究区域：不丹楚卡地区（面积1879.5 km²），年降雨量4000–6000 mm，海拔范围0–4413米。
数据来源：
- 物理模型输入：土壤力学参数（内摩擦角φ=31.5°、黏聚力c=4.83 kN/m²）、12天暴雨事件数据（2012年7月累计896.7 mm）。
- 遥感数据：ALOS-PALSAR卫星L波段SAR影像（2007–2015年）、Landsat-8植被指数（NDVI 2013–2019）。
- 地形数据：30米分辨率数字高程模型（DEM）衍生因子（坡度、坡向、地形湿度指数TWI等）。

特征工程：共提取36个特征，包括：
- SAR极化特征（HH/VH极化信号）
- 地形多样性指数（ALOS-TopographyDive）
- 水文因子（沉积物运移指数STI）

2. 物理模型构建（TRIGRS）

采用瞬态降雨入渗与网格化区域边坡稳定性模型（Transient Rainfall Infiltration and Grid-based Regional Slope Stability Model, TRIGRS），基于无限边坡理论计算安全系数（Factor of Safety, FoS）：
$$ FoS(z,t) = \frac{c + [\gamma_s z \cos^2\delta - \psi(z,t)\gamma_w]\tan\phi}{\gamma_s z \sin\delta \cos\delta} $$ 其中$\psi(z,t)$为压力水头函数，$\gamma_s$为土体容重。FoS标记为不稳定区域。

3. 机器学习集成

模型架构：
- 随机森林（RF）：85棵树，最大深度9，输入包含TRIGRS输出的FoS图及36个特征。
- 可解释性增强：采用SHAP（Shapley Additive Explanations）算法量化特征贡献。
- 优化方法：通过哈里斯鹰优化（Harris’s Hawk Optimization, HHO）筛选19个关键特征（如海拔、NDVI-2014等）。

4. 验证方法

• 混淆矩阵：对比滑坡/非滑坡点的预测与真实分布。
  
• ROC曲线：计算AUC-ROC值评估模型区分能力。
  

主要结果

1. 物理模型性能：

   • 独立TRIGRS模型的AUC-ROC仅为0.589，总体准确率（OA）70.7%，显示其在大范围应用中的局限性。
     
   • FoS图显示南部区域不稳定（FoS），但空间分辨率较低（图6b）。
     

2. 集成模型提升：

   • 融合RF后，AUC-ROC提升至0.936（OA=89.8%），F1-score达0.736。
     
   • SHAP分析揭示关键特征贡献：海拔（SHAP值最高）、NDVI-2014、地形多样性（图8a）。
     

3. 优化后性能：

   • HHO特征选择使AUC-ROC进一步提高至0.957（OA=91.6%），召回率（Recall）达98.4%。
     
   • 保留的19个特征中，SAR时序数据（如2013-VH极化）与NDVI动态变化贡献显著（图10）。
     

结论与价值

科学价值：
1. 方法论创新：首次将TRIGRS物理机制与RF的数据驱动能力结合，通过SHAP实现模型可解释性。
2. 技术突破：HHO优化证明特征选择比单纯增加数据量更有效，减少冗余特征37→19个。

应用价值：
- 为不丹Phuentsholing-Thimphu公路沿线提供高精度滑坡风险图（图7b）。
- 模型依赖免费卫星数据（SAR、Landsat），适用于发展中国家数据稀缺地区。

研究亮点

1. 跨学科融合：土壤力学方程与机器学习协同，弥补了物理模型参数不足和ML黑箱问题。
   
2. 时序特征挖掘：利用9年SAR数据捕捉地表形变动态，NDVI时序反映植被覆盖对稳定性的影响。
   
3. 开源工具链：基于Python（scikit-learn）、ENVI 5.6等开源软件实现，增强可复现性。
   

局限性

• 滑坡数据集中于公路沿线，可能引入采样偏差。
  
• 土壤参数均质化假设可能影响TRIGRS在异质地层的精度。
  
• 未测试深度学习模型（因样本量不足）。
  

该研究为地质灾害风险管理提供了可解释、低成本的技术框架，未来可扩展至火山、海岸带等不同地形场景。