● 题目 ●
Titlle
期刊：Acta Geotechnica
作者：Te Pei & Tong Qiu
单位：纽约城市大学（城市学院）土木工程系
犹他大学土木与环境工程系
年份：2024
●●● 摘要(Abstract)●●●
滑坡是世界范围内常见的地质灾害，给经济和人类生命造成了巨大损失。数据驱动方法，特别是机器学习（ML）模型，最近被广泛用于滑坡敏感性制图（LSM），方法是从地理空间变量中提取特征，基于它们对滑坡发生的贡献，使用已知的滑坡分布作为训练集。然而，由于滑坡数据的稀缺性和不均匀的空间分布以及山坡条件的空间异质性，将ML模型应用于LSM模型仍然存在挑战。此外，使用有限数据开发的ML模型经常表现出意想不到的行为，导致可解释性差和预测偏离直觉预期和既定领域知识。为了克服这些挑战，本研究提出了一种物理引导的机器学习（PGML）框架，该框架将滑坡领域知识集成到LSM的ML模型中。PGML框架是使用科罗拉多前线风暴事件的详细泥石流清单开发和评估的。基于无限斜坡模型，首先确定了研究区域的安全系数，随后通过修改的损失函数来约束ML模型的预测，并测量模型预测的物理一致性。为了评估模型的稳健性和普遍性，本研究使用地理样本选择进行模型性能评估，其中ML模型在异质生态区域进行训练和测试。本研究的结果证明了基于物理和数据驱动的方法在确定研究区域滑坡敏感性方面的有效性；然而，纯数据驱动的ML模型在新生态区产生了物理不切实际的结果和较差的泛化性能。随着物理约束的加入，PGML模型在物理一致性和通用化能力方面表现出显著的增强，同时降低了不同生态区的模型不确定性，超过了基准ML模型的性能。
●●● 图表(Figures)●●●
图1不同数据尺度下模型开发策略的比较（Pei et al.）
图2研究区和泥石流位置概要：a美国大陆；b科罗拉多州；c研究区概况，包括泥石流位置和生态区分区
图3研究区滑坡成因专题图：a高程；b坡度；c坡向；d TWI；e NDVI；f含沙量；g粘土含量；h容重；i场地容量
图4 2013年9月风暴事件累积降雨量图覆盖研究区内泥石流和非泥石流的空间分布
图7 基于物理模型的研究区滑坡敏感性图
图10基于空间CV的MLPNN模型的ROC曲线
图13 基于物理的损失函数对PGML模型性能的影响
图16 MLPNN模型和PGML模型预测的滑坡敏感性比较：MLPNN集成模型输出的平均值；b标准。MLPNN集成模型输出；c PGML集成模型输出的平均值；和d标准。PGML集成模型输出的值（PGML模型使用k phy 0:5）
●●● 结论(Conclusions)●●●
这项研究的结果强调了所提出的PGML框架在提高模型性能和可靠性方面的有效性。这项研究得出的主要结论可以总结如下：
随机CV方法可能会产生过度任意性和有时误导性的结果，这些结果可能无法反映模型的实际泛化性能，空间CV是一种更适合地理空间应用的方法。
2.通过利用岩土工程中现有的领域知识来识别适当的输入参数和模型，基于物理的无限边坡模型可以有效地预测区域尺度的滑坡敏感性。
3.纯数据驱动模型（即MLPNN）模型通常在看不见的生态区域上表现不佳，并且在缺乏足够泥石流库存的区域的模型预测中表现出显着的不确定性。
4.通过将岩土工程领域知识集成到纯数据驱动模型中，PGML模型在泛化性能、物理一致性和不确定性减少方面表现出显著改进
● 参考文献 ●
●●● References ●●●
Pei, T., Qiu, T., 2024. Landslide susceptibility mapping using physics-guided machine learning: a case study of a debris flow event in Colorado Front Range. Acta Geotech.
End
工程地质灾害与滑坡风险评估
engeomodel@gmail.com
● 扫码关注我们
Welcome
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
