![]()
•通过人工神经网络预测土壤滑移的时空触发。
•提高预测精度，包括人工神经网络开发中不发生的天数。
•选择合适的降雨量累积窗口作为动态输入。
•通过FNN和基于物理的模型对土壤滑动进行盲目的时空预测。
由于与气候变化相关的更强降水，预计降雨引起的浅层滑坡将增加。本研究旨在通过将前馈神经网络 （FFN） 与基于物理的模型 SLIP（浅层滑坡不稳定性预测）的见解相结合，开发一种有效的基于像素的工具，用于土壤滑坡的时空预测。FFN 模型是根据 2004 年至 2014 年在不同降雨条件下在艾米利亚亚平宁山脉（意大利）四个城镇发生的过去事件开发的。分析的关键方面包括包括滑坡和非滑坡天数、两个不同的累积降雨期（10 天和 30 天）的评估，以及与机器学习相关的各种技术元素，包括训练方法、网络拓扑和激活函数。在非滑坡/滑坡像素中实施了 2：1 的不平衡，以提高预测性能。使用质量综合指数 （QCI） 测量预测准确性，该指数结合了 AUROC、AUPRC 和 F1 分数。最佳 FFN 模型实现了 0.85 的 QCI，准确预测了非滑坡并最大限度地减少了误报。与 SLIP 的比较表明，SLIP 更好地捕捉了接近不稳定区域的渐进性不稳定，而 FFN 更清楚地区分了稳定区和不稳定区。对 Compiano 的山体滑坡（2019 年 11 月）进行了成功的盲预测，验证了该模型的适用性。SLIP 还有助于了解初始土壤饱和度和降雨条件，突出了其在不同气象情景下增强 FFN 预测的潜力。尽管开发的基于像素的模型可以按原样使用，但需要进一步研究以增强其在不同气象条件下的早期预警目的的应用。图 1.根据历史数据库，研究区域框架和过去滑坡的分布涉及：a） 活跃的滑坡;b） 静止的山体滑坡。图 2.a） 本文考虑的数据库要点。b） Terrone （2015） 调查的降雨诱发的浅层滑坡的位置发生在 2013 年 4 月 5 日。图 3.以下测量站记录的六次事件前一个月的累积降雨量 a） Corniglio;b） Musiara Superiore 和 c） Campora。图 4.X-SLIP 平台的基础知识：参考网格和 SLIP 模型对每个像素的应用。图 6.定义执行分析的像素。a） 确定发生土壤滑坡点周围的“稳定”和“不稳定”区域;b） 与发生天数相关的目标山体滑坡 （L） 和非山体滑坡 （NL） 像素。在不发生的日子里，不稳定区域包括 NL 像素。图 7.整个研究区域的输入要素。a） 海拔;b） 斜率;c） 纵横角;d） 平均曲率;e） 岩性;f） 土壤质地;g） 土地使用;h） 植被;i） 2013 年 4 月 5 日事件前 10 天的累积降雨量;l） 2013 年 4 月 5 日事件前 30 天的累积降雨量。图 8.输入特征之间的 Pearson 相关矩阵。图 10.通过改变单个隐藏层中隐藏神经元的数量，使用 KFold 方法和 sigmoid 激活函数开发的模型 2 T-30d 的性能评估示例。图 11.应用于预测 4 月 5 日发生的滑坡的多层 2 T-10d 模型的结果（位置如图 2 所示）。图 12.输入对通过 Connection Weight Algorithm 评估的 FFN 预测的相对重要性。图 13.一些土体参数（摩擦角 φ'、坡度排水 kt和饱和度 Sr），通过 SLIP 模型提供良好的时空预测。图 14.4 月 4 日和 4 月 5 日通过 FFN 2 T 模型和 SLIP 模型得出的稳定区和不稳定区的 TNR 和 TPR 比较。a） 与 4 月 4 日相关的稳定地区的 TNR 和 b） 不稳定地区的 TNR;c） 与 4 月 5 日相关的稳定地区的 TNR 和 d） 不稳定地区的 TPR。图 15.2019 年 11 月 3 日，Compiano（帕尔马省）引发了土壤滑坡。a） 来自在线网站的照片（来源：“Gazzetta di Parma”）;b） 30d 累积降雨量图。图 16.2019 年 11 月 2 日和 11 月 3 日由 SLIP 和开发的 FFN 模型提供的盲时空预测结果。本文介绍了用于土滑时空预测的 FFN 模型的发展。模型训练是在目标滑坡和非滑坡像素上进行的，该像素由 2004 年至 2014 年间发生的 91 次土壤滑坡组成，所有这些土壤滑坡都位于艾米利亚亚平宁山脉的四个城镇内。已经表明，为了对正值进行适当的时间敏感分类，必须与未发生山体滑坡的时间相关的非山体滑坡像素包含在数据库中。开发最好的模型有三个隐藏层，分别有 10 个、20 个和 20 个隐藏神经元;通过了解 8 个滑坡致病因素（高程、坡角、坡向角、曲率、岩性、土壤质地、植被、土地利用）和记录降雨量的 10 天累积，它可以有效地应用于管理与艾米利亚亚平宁山脉特征相似的地区的土壤滑坡风险。网络复杂度是网络本身泛化能力的最大原因，值得仔细讨论;过度训练的复杂系统可能会提供较差的泛化。尽管其复杂性，但本研究中最佳模型的架构适用于预测数据集中包含的 91 种不稳定性中的大多数，发生在不同的降雨条件之后。然后在最终的盲预测中确认泛化能力。基于物理的模型 SLIP 的参数已通过对相同事件的回溯分析进行校准，在时空预测方面显示出与 FFN 模型相当的结果;拥有一个经过良好校准的基于物理的模型对于在影响饱和度的不同气象条件下具有相似地貌特性的区域进行盲预测至关重要。对于不同地区的 SLIP 应用，由于其场地特异性，必须评估新土壤参数的推导。将进行进一步的研究以深化两个模型的联合应用，以及使用其他动态特征（如降雨预报或温度）来完善 FFN 模型。根据我们开发综合跳动模型的目标，拥有一个不仅可以预测滑坡触发的精确点和时间，而且可以预测位移材料体积的工具将是关键。此功能将增强跳动模型的实用性，从而更准确地评估山体滑坡对基础设施和结构的影响。
