SFEL — фреймворк машинного обучения для прогнозирования деформации грунта по радиолокационному обратному рассеянию

Наблюдая за холмами до того, как они сдвинутся

Горные дороги и деревни кажутся прочными, но в районах вроде предгорий Гималаев в Индии земля медленно смещается под ногами. Внезапные оползни регулярно перекрывают шоссе, разрушают дома и угрожают жизни людей. В этом исследовании предложен новый способ «слушать» эти беспокойные склоны с помощью спутникового радара, лабораторных испытаний грунта и местных наблюдений, а затем объединять все эти данные в систему машинного обучения, которая может прогнозировать тонкие изменения поверхности за месяцы вперед.

Опасность, скрытая в почве

Авторы сосредоточились на участке шоссе, склонном к оползням, в округе Манди штата Химачал-Прадеш — среднегималайском районе со крутыми откосами, сильными муссонными дождями и сложной геологией. Здесь даже небольшие изменения прочности или влажности грунта могут нарушить равновесие между устойчивостью и обрушением. Традиционные полевые исследования опираются на бурение, лабораторные испытания и экспертную оценку, но эти методы дороги, медленны и охватывают лишь немногие точки. В то же время спутниковый радар отлично выявляет прошлые перемещения земли, но редко используется для предсказания будущего поведения. Задача — объединить эти разрозненные подсказки в практичный инструмент раннего предупреждения.

Смешение спутниковых данных, лаборатории и местной мудрости

Команда собрала данные с 110 участков вдоль шоссе, включая 55 известных мест оползней и 55 относительно стабильных точек. В лаборатории они измеряли стандартные геотехнические характеристики: пластичность и связность грунта, его водоудерживающую способность, плотность и пористость, а также долю песка, ила и глины. В поле также фиксировали те признаки, которые местные жители и специалисты используют поколениями: цвет грунта, ощущение между пальцами, земляной запах, степень влажности или уплотнения поверхности и состояние растительности. Эти «традиционные» индикаторы были оценены по пятибалльной шкале двенадцатью обученными наблюдателями, чтобы превратить человеческое восприятие в пригодные для анализа числовые данные.

Преобразование радиолокационных эхо в сигналы деформации

Чтобы отслеживать поведение склонов во времени, исследователи использовали данные спутника Sentinel‑1, обработанные на платформе Google Earth Engine — облачном картографическом сервисе. Вместо вычисления полного 3D-движения поверхности они отслеживали изменения в радиолокационном обратном рассеянии — силе эха радара от поверхности — в течение двухлетнего периода. Сравнивая сигнал каждого месяца с более ранним эталоном, они получили простую меру, названную ΔVV, которая отражает изменения поверхности: устойчивые уменьшения часто указывают на проседание или уплотнение грунта, тогда как увеличения могут свидетельствовать о повышенной влажности или росте растительности. Хотя ΔVV прямо не показывает, на сколько миллиметров сдвинулась земля, он служит чувствительным прокси для деформации, который можно регулярно измерять на всех 110 участках с месячным шагом.

Составная модель для прогнозов на один и шесть месяцев

Подача десятков переменных, связанных с грунтом и радаром, в модель легко может породить шум и переобучение. Чтобы этого избежать, авторы применили статистические фильтры и оставили только 16 наиболее информативных признаков, уравновешивая линейные корреляции и более сложные взаимосвязи. Затем они представили свой Stacked Forecasting Ensemble Learner (SFEL), который объединяет несколько регрессионных алгоритмов — деревья решений, случайные леса, градиентный бустинг, опорные векторы и метод ближайших соседей — в двухслойную структуру. Первый слой обучается на данных о грунте и традиционных индикаторах и формирует собственные прогнозы ΔVV; второй «мета-обучатель» учится оптимально комбинировать эти предсказания. При обучении и тестировании с тщательной перекрестной проверкой SFEL смог прогнозировать радиолокационный прокси деформации на один и шесть месяцев вперед с очень малыми ошибками в узком диапазоне наблюдаемых значений, объясняя примерно 97–99% вариации в данных.

Открытие «черного ящика» через важность признаков

Поскольку решения об оползнях влияют на дороги, дома и бюджеты, модель должна быть понятной, а не только точной. Команда использовала популярный инструмент объяснения SHAP, чтобы показать, как каждый признак смещал прогнозы вверх или вниз. На коротких горизонтах в один месяц наибольшее стабилизирующее или дестабилизирующее влияние имели свойства, связанные с механической прочностью — такие как удельная плотность, индекс пластичности и покровность растительностью. На шести месяцев более влиятельными становились характеристики, связанные с влагой — естественная влажность, содержание ила и водоудерживающая способность грунта, подчеркивая возрастающее влияние длинных влажных муссонных сезонов. Важно, что традиционные индикаторы, такие как бодрость растительности, цвет почвы и земляной запах, последовательно входили в число полезных прогнозных признаков, что демонстрирует: локальный опыт можно количественно описать и содержательно объединить с лабораторными данными.

Что это значит для людей, живущих у склонов

Для неспециалистов главный вывод в том, что становится возможным предвидеть, как опасные склоны могут развиваться, прежде чем появятся видимые трещины или обвалы. Сливая спутниковый радар, детальные лабораторные испытания грунта и тонкие признаки, которые уже замечают фермеры и инженеры, фреймворк SFEL предлагает быстрый и масштабируемый способ пометить участки дороги или склона, где условия тихо ухудшаются. Хотя он не измеряет точное смещение грунта в сантиметрах, он надежно отслеживает изменения поведения поверхности, связанные с риском, на горизонты в один и шесть месяцев. С дальнейшим тестированием в других горных регионах и добавлением данных о выпадении осадков и сейсмичности такие подходы могли бы поддержать более целевые инспекции, лучшее управление откосами и ранние предупреждения — помогая сообществам безопаснее сосуществовать с движущимися горами вокруг них.

Цитирование: Sankhyan, S., Sharma, S., pohal, S. et al. SFEL a machine learning framework for forecasting radar backscatter based ground deformation. Sci Rep 16, 7626 (2026). https://doi.org/10.1038/s41598-026-37619-3

Ключевые слова: прогноз оползней, спутниковый радар, деформация грунта, машинное обучение, склоны Гималаев