这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告内容：

基于物理信息优化的数据驱动滑坡易发性评估方法研究

作者及机构
本研究由Chongqing University（重庆大学）土木工程学院的Songlin Liu（第一作者）、Luqi Wang、Wengang Zhang（通讯作者）等团队完成，合作单位包括Key Laboratory of New Technology for Construction of Cities in Mountain Area（山地城市新建设技术国家重点实验室）以及Chongqing Mingfeng Construction Engineering Co., Ltd（重庆铭烽建筑工程有限公司）。研究成果发表于2024年3月的《Journal of Rock Mechanics and Geotechnical Engineering》（岩石力学与岩土工程学报）。

学术背景

科学领域与问题
研究聚焦于滑坡易发性评估（landslide susceptibility evaluation），属于地质工程与机器学习交叉领域。三峡库区因水位波动和人类活动频繁，滑坡灾害高发（如云阳段过去十年发生827次滑坡），传统数据驱动模型（如随机森林、支持向量机）存在两大缺陷：
1. 可解释性差：被视为“黑箱”，缺乏物理机制支撑；
2. 负样本选择主观性：传统方法随机选取平坦区域或距离滑坡点一定范围的区域作为非滑坡样本，缺乏理论依据，可能导致误分类。

研究目标
提出一种物理信息优化（physics-informed optimization）与数据驱动融合的方法，通过三维边坡稳定性分析工具SCOOPS 3D提取理论支持的负样本，结合卷积神经网络（CNN）预测基岩深度，最终利用随机森林（RF）模型生成高精度、高可解释性的滑坡易发性地图。

研究流程与方法

研究分为五个核心步骤，以下详述关键环节：

1. 数据收集与处理

• 输入数据：
  
  • 滑坡正样本：云阳段104个历史滑坡点（来自当地滑坡编录）。
    
  • 环境因子：16个滑坡影响因子（如坡度、坡向、NDVI、人类工程活动因子等），源自资源环境科学数据中心和ArcGIS处理（表1）。
    
  • 基岩深度预测数据：全国6523个钻孔数据（含云阳段80个本地钻孔），用于训练CNN模型。
    

2. 基岩深度预测

• CNN模型设计：
  
  • 输入：12个全国性环境因子（表2）及Yan et al. (2020)的基岩深度预测图。
    
  • 结构：9层网络（2个卷积层+7个全连接层），采用批归一化（Batch Normalization）和30%丢弃率（Dropout）防止过拟合。
    
  • 性能提升：通过本地钻孔数据微调，模型决定系数（R²）从0.55（Yan et al.）提升至0.778，误差降低50%。
    

3. 边坡稳定性分析与负样本提取

• 物理模型SCOOPS 3D：
  
  • 输入：CNN预测的基岩深度、本地钻孔获取的剪切强度参数（内摩擦角9.91°、黏聚力16.51 kPa、容重19.71 kN/m³）。
    
  • 假设：忽略降水和水位波动影响，设定安全系数（FS）阈值1.5，FS>1.5的区域视为稳定区，从中随机选取104个负样本。
    
  • 验证：104个历史滑坡点中仅8个位于FS>1.5区域，证明物理分析的可靠性。
    

4. 滑坡易发性建模

• 随机森林（RF）模型：
  
  • 训练集：80%样本（正负样本各83个），测试集20%。
    
  • 优化：通过随机搜索（Random Search）调整超参数。
    
  • 对比实验：基准模型采用传统方法（负样本选自滑坡点500米外区域）。
    

5. 模型性能评估

• 指标：受试者工作特征曲线下面积（ROC-AUC）。
  
• 结果：
  
  • 融合物理信息的模型AUC为0.866，较基准模型（AUC=0.67）提升29.25%。
    
  • 易发性地图显示：43.85%的历史滑坡位于“极高易发区”（仅占研究区面积8.86%），而“极低易发区”无滑坡记录（表3）。
    

主要结果与逻辑关联

1. 基岩深度预测：CNN模型的高精度为SCOOPS 3D提供了可靠输入，避免了传统均匀假设的误差（如Liu et al. (2023)因基岩深度误差导致16%误分类）。
   
2. 负样本优化：物理分析消除了随机选择的偏差，使RF模型在训练中更准确区分滑坡与非滑坡区域。
   
3. 易发性地图：结果显示坡度、距水体距离和流量累积是前三重要因子（图11），与三峡库区水力梯度对边坡稳定性的实际影响一致。
   

结论与价值

科学价值：
- 首次将物理模型（SCOOPS 3D）与数据驱动（CNN+RF）深度融合，解决了传统机器学习在滑坡评估中的可解释性与样本偏差问题。
- 提出的基岩深度预测框架可为其他区域研究提供参考。

应用价值：
- 高精度易发性地图可直接指导三峡库区灾害防控，例如优先监测水库岸坡高易发区（如九仙坪滑坡）。
- 方法可扩展至其他地质灾害评估，如泥石流或崩塌。

研究亮点

1. 方法创新：物理信息优化负样本提取，为数据驱动模型提供理论支撑。
   
2. 技术整合：CNN预测基岩深度、SCOOPS 3D定性分析与RF建模的协同优化。
   
3. 性能突破：AUC提升29.25%，且易发性分级与实际滑坡分布高度吻合。
   

局限与展望：
- 未考虑降水和水位波动的动态影响，未来可耦合水文模型。
- 剪切强度参数假设为均一分布，需通过更多钻孔数据细化空间变异。

此研究为地质灾害风险评估提供了跨学科方法论范例，其融合物理机制与机器学习的思路具有广泛的学术与工程意义。