Zintegrowane podejście oparte na hybrydowym zespole algorytmów uczenia maszynowego do efektywnej oceny kruchości stoków sejsmicznych i mapowania w GIS

Dlaczego drżące stoki mają znaczenie w codziennym życiu

Gdy trzęsienie ziemi uderza w tereny pagórkowate lub górzyste, sam grunt może się osunąć. Stoki nad domami, drogami i elektrowniami mogą zjechać, zamieniając stały grunt w szybko poruszający się rumosz. Jednak sporządzenie map pokazujących, które stoki są najbardziej narażone na skalę całego kraju, zazwyczaj wymaga tak dużych mocy obliczeniowych, że nie da się ich często aktualizować. Artykuł przedstawia szybszą, opartą na danych metodę prognozowania, gdzie najprawdopodobniej wystąpią porażki stoków wywołane trzęsieniami, umożliwiając planistom tworzenie map ryzyka o zasięgu krajowym przy zachowaniu większości dokładności tradycyjnych, ciężkich symulacji.

Od rzeczywistych osuwisk do praktycznego progu awarii

Autorzy zaczynają od prostego pytania: przy jakim poziomie wstrząsów stok zaczyna się poruszać na tyle, by uznać go za niebezpieczny? Na podstawie obserwacji terenowych z poprzednich trzęsień testują różne progi przemieszczeń i porównują powstałe krzywe awarii z tym, co faktycznie zaobserwowano na miejscu. Stwierdzają, że gdy trwałe przemieszczenie wzdłuż stoku osiąga około 14 centymetrów, prawdopodobieństwo szkodliwego osuwiska gwałtownie rośnie. Ten przesunięcie o 14 cm zostaje przyjęte jako punkt odniesienia „awarii”, co pozwala ocenić różne warunki stoków według wspólnej skali i daje wyraźne powiązanie między zmierzonymi wstrząsami a prawdopodobieństwem szkód.

Przekształcanie złożonego zachowania gruntu w jedną liczbę bezpieczeństwa

Szkody wywołane trzęsieniami na stokach zależą od splotu niepewnych czynników: wytrzymałości gruntu, kąta stoku, głębokości warstw, zawartości wody oraz intensywności i czasu trwania drgań. Aby uchwycić tę niepewność, badanie wykorzystuje klasyczny model blokowego ślizgu do symulowania, ile dany stok przemieści się przy wielu losowych kombinacjach tych czynników. Dla każdego syntetycznego stoku uruchamianych jest tysiące symulacji, by uzyskać pełną krzywą prawdopodobieństwa awarii w zależności od poziomu wstrząsów. Z każdej krzywej zespół wyodrębnia jedną wartość podsumowującą nazwaną HCLPF, którą można traktować jako intensywność wstrząsów, którą stok potrafi wytrzymać przy bardzo niskim prawdopodobieństwie awarii. To kondensuje złożony opis probabilistyczny do jednej intuicyjnej liczby, którą można zapisać, porównać i nanieść na mapę.

Uczenie maszyn naśladowania ciężkich symulacji

Uruchomienie takich wysokoprecyzyjnych symulacji dla każdego stoku w kraju zajęłoby praktycznie niemożliwą ilość czasu. Aby to obejść, badacze tworzą duży zbiór treningowy z 10 000 sztucznych stoków obejmujących realistyczne zakresy właściwości gleby i geometrii. Dla każdego obliczają wartość HCLPF używając pełnej analizy probabilistycznej. Następnie trenują szereg modeli uczenia maszynowego, aby przewidywać HCLPF bezpośrednio z podstawowych danych o stoku i glebie. Jako najlepsze rozwiązanie wyrasta hybrydowe podejście zespołowe: łączy metodę boosting (która buduje serię drzew decyzyjnych, korygujących nawzajem błędy) z metodą bagging (która uśrednia wiele nieznacznie różnych modeli, stabilizując przewidywania). Sprytna strategia doboru hiperparametrów ponownie wykorzystuje informacje z poprzednich rund strojenia i efektywnie próbuje ustawienia o większym prawdopodobieństwie, redukując zwykłe próby i błędy procesu kalibracji modeli.

Tworzenie krajowej mapy podatnych stoków

Z wytrenowanym modelem hybrydowym autorzy testują podejście na Republice Korei. Korzystając z krajowych danych cyfrowych modeli terenu i informacji o glebach, przygotowują ponad 100 000 punktów, z których każdy reprezentuje odrębny stok o własnym kącie, głębokości gleby, wytrzymałości i zakresie wilgotności. Zamiast ponownie uruchamiać tysiące symulacji dla każdego punktu, proszą model uczenia maszynowego o bezpośrednie przewidywanie HCLPF. Te predykcje punktowe są następnie interpolowane, tworząc gładką, wysokorozdzielczą mapę pokazującą, gdzie stoki są bardziej lub mniej skłonne do awarii przy silnych wstrząsach. W porównaniu z mapą referencyjną zbudowaną na pełnych symulacjach, mapa oparta na uczeniu maszynowym zgadza się w około 95%, przy czym wymaga jedynie około 4% czasu obliczeniowego.

Szybsze spojrzenie na ryzyko osuwisk wywołanych trzęsieniem ziemi

Mówiąc prosto, badanie pokazuje, że starannie zaprojektowany system uczenia maszynowego może zastąpić niezwykle kosztowne symulacje przy ocenie osuwisk indukowanych trzęsieniami na poziomie regionalnym. Redukując złożone zachowanie każdego stoku do jednej liczby bezpieczeństwa i trenując hybrydowy model zespołowy do przewidywania tej liczby, autorzy tworzą narzędzie, które generuje szczegółowe krajowe mapy kruchości w ciągu godzin zamiast dni. Chociaż decyzje inżynieryjne dotyczące konkretnych miejsc nadal będą wymagać szczegółowych badań, podejście to oferuje planistom kryzysowym i zarządcom infrastruktury szybki i stosunkowo dokładny sposób identyfikacji podatnych wzgórz, priorytetyzacji monitoringu i wzmocnień oraz ponownej oceny ryzyka przy pojawieniu się nowych danych terenowych lub glebowych.

Cytowanie: Mostafizur, R.M., Go, C., Kwag, S. et al. An integrated approach of hybrid ensemble machinelearning-based efficient seismic slope fragilityassessment and GIS mapping. Sci Rep 16, 9190 (2026). https://doi.org/10.1038/s41598-026-38171-w

Słowa kluczowe: osuwiska indukowane trzęsieniami ziemi, stabilność stoków, mapowanie ryzyka sejsmicznego, zespoły uczenia maszynowego, geoprzestrzenna analiza zagrożeń