Badania nad problemem heterogeniczności przestrzennej w danych rastrowych i zdolnością uogólniania przy ocenie podatności na osuwiska z użyciem modelu U-Net z ograniczeniami fizycznymi

Dlaczego to ważne

Osuwiska zagrażają drogom, miastom i infrastrukturze w wielu rejonach górskich, zwłaszcza w miarę nasilania się opadów związanych ze zmianą klimatu. Badanie bada nową metodę mapowania miejsc o największym prawdopodobieństwie wystąpienia osuwisk na rozległym obszarze południowo-wschodniego Tybetu, stosując model sztucznej inteligencji kierowany prawami fizyki. Podejście ma na celu dostarczyć planistom i służbom ratunkowym ostrzejsze, bardziej wiarygodne mapy, które odzwierciedlają zarówno surowy krajobraz, jak i zmieniające się warunki pogodowe.

Dostrzeganie zagrożeń w górach

Naukowcy koncentrują się na rozległym, wysoko położonym obszarze obejmującym Lhasę, Nyingchi, Qamdo i okolice. Tam strome zbocza, silne rzeki, aktywne uskoki i surowy klimat łączą się, powodując częste i zróżnicowane osuwiska. Tradycyjne metody opierają się w dużej mierze na zapisach z przeszłości i prostych statystykach, które mogą przeoczyć istotne wzorce, zwłaszcza tam, gdzie dane są niekompletne. Jednocześnie popularne modele uczenia maszynowego, choć bardziej elastyczne, mają tendencję do zacierania lokalnych detali i słabną, gdy krajobraz zmienia się przestrzennie. W tak złożonym regionie jak południowo-wschodni Tybet te ograniczenia mogą sprawić, że mapy ryzyka będą zbyt ogólne, by służyć w praktycznych decyzjach.

Co nowy model robi inaczej

Aby sprostać tym problemom, autorzy zbudowali model U-Net z ograniczeniami fizycznymi, rodzaj systemu głębokiego uczenia, który potrafi klasyfikować każdy piksel na mapie zamiast jedynie dużych bloków. Do modelu wprowadzili dziesięć kluczowych czynników kształtujących osuwiska, w tym kąt nachylenia, krzywiznę, ekspozycję zbocza, typ formy terenu, rodzaj skały, odległość do rzek i uskoków, opady, temperaturę oraz intensywność sejsmiczną. W przeciwieństwie do wielu sieci neuronowych, ten model zaprojektowano tak, by zachować drobne szczegóły przestrzenne, dzięki czemu końcowa mapa podatności utrzymuje oryginalną wysoką rozdzielczość 30 metrów. Wyższa szczegółowość pozwala modelowi uwydatniać niebezpieczne zbocza i doliny zamiast uśredniać ryzyko na szerokich obszarach terenu.

Wprowadzanie fizyki do sztucznej inteligencji

Główną innowacją jest sposób, w jaki model uczy się respektować podstawowe zachowania fizyczne zboczy pod wpływem intensywnych opadów. W rejonach górskich intensywne opady trwające kilka dni mogą nasycić glebę i wywołać osunięcia, a wiele systemów wczesnego ostrzegania używa siedmiodniowego okna opadowego. Autorzy osadzili prosty współczynnik bezpieczeństwa oparty na siedmiodniowych opadach i regionalnych progach opadów w funkcji straty modelu, którą model stara się minimalizować podczas uczenia. Gdy model przewiduje niskie prawdopodobieństwo osuwiska w obszarze, gdzie warunki związane z opadami wskazują wysokie zagrożenie, otrzymuje dodatkową karę. Jednocześnie proces treningowy przypisuje większą wagę rzadkim pikselom z osuwiskami niż liczebnym pikselom stabilnym, pomagając sieci uczyć się na obu typach przykładów pomimo silnej nierównowagi danych.

Jak działa w różnych miejscach

Zespół następnie testuje U-Net z ograniczeniami fizycznymi wobec dwóch powszechnie stosowanych modeli głębokiego uczenia: sieci z propagacją wsteczną i sieci rezydualnej. Porównują nie tylko ogólną dokładność, lecz także jak każdy model sprawdza się w pięciu odrębnych gorących punktach osuwisk, które różnią się geologią, kształtem rzek i klimatem. Podczas gdy konkurencyjne modele radzą sobie dobrze w niektórych obszarach, a słabo w innych, U-Net z ograniczeniami fizycznymi zapewnia konsekwentnie wysokie wyniki we wszystkich pięciu regionach. Generuje też mapy podatności, które blisko odpowiadają znanemu rozmieszczeniu przeszłych osuwisk — więcej punktów katastrof przypada w strefach oznaczonych jako bardzo wysokie ryzyko, a mniej w obszarach o bardzo niskim ryzyku. Co kluczowe, robi to przy zachowaniu pełnej rozdzielczości przestrzennej 30 metrów, ujawniając szczegółowe wzorce wzdłuż zakrętów rzek, stref uskoków i stromych ścian dolin.

Co to oznacza dla planowania ryzyka

W prostych słowach, badanie pokazuje, że model AI, który „zna” pewne podstawowe zasady fizyki i zwraca szczególną uwagę na rzadkie, lecz istotne zdarzenia osuwiskowe, może dostarczyć ostrzejsze i bardziej wiarygodne mapy ryzyka na rozległych, złożonych obszarach. U-Net z ograniczeniami fizycznymi nie tylko nieznacznie poprawia standardowe miary dokładności, lecz także lepiej radzi sobie z fragmentarycznymi danymi, zmiennymi warunkami krajobrazu i drobnymi szczegółami przestrzennymi niż inne testowane modele. Choć autorzy zauważają, że badania terenowe i lepsze dane wejściowe dodatkowo poprawiłyby wyniki, ich praca wskazuje praktyczną drogę do tworzenia wysokorozdzielczych map podatności na osuwiska, które można przenosić między różnymi obszarami górskimi, wspierając bezpieczniejszy rozwój i skuteczniejsze przygotowanie na katastrofy.

Cytowanie: Zhang, H., Deng, H. Research on the problem of spatial heterogeneity in row data and generalization capability for landslide susceptibility assessment using the physics-constrained U-net model. Sci Rep 16, 15901 (2026). https://doi.org/10.1038/s41598-026-46873-4

Słowa kluczowe: podatność na osuwiska, uczenie głębokie, model U-Net, heterogeniczność przestrzenna, Płaskowyż Tybetański