基于物理信息神经网络（Physics-Informed Neural Networks, PINN）的地震滑坡预测研究

作者及机构
本研究由荷兰特文特大学（University of Twente）地理信息科学与地球观测学院（Faculty of Geo-Information Science and Earth Observation, ITC）的Ashok Dahal（通讯作者）与Luigi Lombardo合作完成，发表于2024年12月的《Engineering Geology》期刊（Volume 344, Article 107852）。

学术背景
滑坡是地震与水文过程共同触发的地质灾害，传统预测方法分为两类：
1. 物理驱动模型（Physics-based models）：基于土力学原理（如Newmark永久位移法），需详细岩土参数（如内摩擦角φ、黏聚力C），但区域尺度数据获取困难；
2. 数据驱动模型（Data-driven models）：依赖统计或机器学习（如逻辑回归、卷积神经网络），但缺乏物理机制解释，泛化性受限。

本研究提出物理信息神经网络（PINN）框架，旨在融合两者优势：通过神经网络从代理变量（如坡度、NDVI植被指数）中隐式提取岩土参数，再结合Newmark物理约束生成滑坡敏感性图。目标是为区域尺度滑坡预测提供兼具物理可解释性与实时计算能力的解决方案。

研究流程与方法
1. 数据准备与测试区域
- 研究区：2015年尼泊尔Gorkha地震（Mw 7.8）触发的滑坡区，选用Roback等（2017）高精度滑坡编录数据。
- 空间单元：基于Slope Units（SUs）划分，共使用70%训练、15%验证、15%测试。
- 输入变量：11类环境因子（如坡度、水平曲率、降水量、PGA峰值地面加速度）及3类岩土代理变量（砂/粉砂/黏土含量、体积密度、地质类型）。

1. PINN模型架构

   • 神经网络部分：16层全连接网络（每层64神经元），输出岩土参数（φ与C/t_m，t_m为滑体厚度），通过ReLU激活与Dropout正则化防止过拟合。
     
   • 物理约束层：
     
     • 基于Newmark法计算安全系数（FS）与临界加速度（a_c）：
       [ FS = \frac{C}{t_m \rho_r g \sin\alpha} + \frac{\tan\varphi}{\tan\alpha}
       ]
       
     • 永久位移（D）模型：
       [ \log D = 0.215 + \log\left[\left(1-\frac{a_c}{a_p}\right)^{2.341}\left(\frac{a_c}{a_p}\right)^{-1.438}\right]
       ]
       
     • 通过Sigmoid函数将位移阈值（5 cm）转化为概率输出。
       

2. 训练与验证

   • 损失函数：二元交叉熵（Binary Cross-Entropy）。
     
   • 优化器：Adam，学习率动态衰减。
     
   • 验证策略：10折随机交叉验证与空间交叉验证（避免空间自相关偏差）。
     

主要结果
1. 预测性能
- AUC达0.87（随机交叉验证），空间交叉验证AUC范围0.69–0.89，优于传统ANN模型（Dahal & Lombardo, 2023）。
- 东南部假阳性显著减少，表明物理约束提升了空间泛化能力。

1. 岩土参数反演

   • 内摩擦角φ：上喜马拉雅岩层区φ较高（中位数30°–40°），中低海拔土壤区较低（20°–30°）。
     
   • 黏聚力厚度比C/t_m：北部岩石区值高（15–25 kPa/m），南部土壤区低（5–15 kPa/m）。
     
   • 参数范围符合地质规律，验证了模型物理合理性。
     

2. 临界加速度（a_c）与敏感性图

   • a_c分布与滑坡空间格局一致：低a_c区（<0.2g）对应高敏感性区域。
     

结论与价值
1. 科学意义
- 首次将Newmark物理模型嵌入神经网络，实现了区域尺度岩土参数隐式反演与滑坡概率预测的统一框架。
- 突破了传统物理模型依赖固定参数的局限，通过代理变量动态估计岩土特性。

1. 应用潜力
   
   • 支持近实时地震滑坡风险评估（如结合实时PGA数据）。
     
   • 为多灾害耦合模拟（如降雨-地震滑坡）提供可扩展架构。
     

研究亮点
1. 方法创新：提出“物理层+数据驱动”的混合架构，通过Sigmoid阈值函数将位移物理量转化为概率输出。
2. 可解释性：生成的岩土参数图（φ、C/t_m）可直接指导工程地质勘察。
3. 泛化性改进：空间交叉验证显示PINN在未知区域的稳定性优于纯数据驱动模型。

局限与展望
1. 当前模型仅适用于浅层滑坡，未来需扩展至应力-应变有限元模型（如慢速滑坡）。
2. 地面运动数据依赖经验关系，下一步拟结合全波形模拟提升精度。
3. 需验证多触发机制（如降雨-地震耦合）下的适用性。

本研究为滑坡灾害建模提供了物理可解释的AI新范式，相关代码与数据已开源（GitHub: ashokdahal/pinn）。