Интегрированный подход гибридного ансамблевого машинного обучения для эффективной оценки сейсмической хрупкости склонов и картирования в ГИС

Почему трясущиеся склоны важны для повседневной жизни

Когда землетрясение происходит в холмистых или горных районах, сама земля может сойти с места. Склоны над домами, дорогами и электростанциями могут сдвигаться, превращая твердую почву в быстро движущиеся обломки. При этом моделирование того, какие склоны наиболее уязвимы по всей стране, обычно настолько вычислительно трудоемко, что обновлять такие карты оперативно невозможно. В этой статье представлен более быстрый, основанный на данных способ прогнозирования того, где скорее всего произойдут сейсмические обвалы склонов, что позволяет планировщикам создавать карты национального масштаба, сохраняя при этом большую часть точности традиционных, тяжелых симуляций.

От реальных оползней к практическому критерию разрушения

Авторы исходят из простого вопроса: при каком уровне сотрясения склон начинает двигаться настолько, что это можно считать опасным? Используя полевые наблюдения прошлых землетрясений, они тестируют разные пороги смещения и сравнивают полученные кривые отказа с тем, что действительно наблюдалось на местности. Они обнаруживают, что при постоянном смещении вдоль склона порядка 14 сантиметров вероятность разрушительного сдвига резко возрастает. Этот сдвиг в 14 сантиметров принят в качестве эталонного уровня «отказа», что позволяет оценивать самые разные состояния склонов по единой шкале и устанавливает ясную связь между измеренным сотрясением и вероятностью повреждений.

Сведение сложного поведения грунта к одному числу безопасности

Ущерб склонам от землетрясений зависит от множества неопределенных факторов: прочности грунта, угла склона, глубины почвы, влажности и того, насколько сильно и как долго земля дрожит. Чтобы учесть эту неопределенность, исследование использует классическую модель скользящего блока для моделирования того, насколько склон будет двигаться при многих случайных сочетаниях этих факторов. Для каждого синтетического склона проводят тысячи симуляций, чтобы проследить полную кривую вероятности отказа в зависимости от уровня сотрясения. Из каждой такой кривой команда извлекает одно сводное значение, называемое HCLPF, которое можно понимать как интенсивность сотрясения, которую склон может выдержать при крайне низкой вероятности отказа. Это упаковывает сложное вероятностное описание в одно интуитивное число, которое можно хранить, сравнивать и отображать на карте.

Обучение машин имитировать тяжелые симуляции

Запуск таких высокоточных симуляций для каждого склона в стране занял бы непрактично много времени. Чтобы преодолеть это, исследователи генерируют большую обучающую выборку из 10 000 искусственных склонов, охватывающих реалистичные диапазоны свойств грунта и геометрии. Для каждого рассчитывают значение HCLPF с помощью полной вероятностной оценки. Затем они обучают ряд моделей машинного обучения предсказывать HCLPF непосредственно по базовым входным данным о склоне и грунте. Лучшей оказывается гибридная ансамблевая схема: она сочетает метод бустинга (построение серии моделей на основе решающих деревьев, которые исправляют ошибки друг друга) и метод бэггинга (усреднение множества слегка отличающихся моделей для стабилизации предсказаний). Продуманная стратегия подбора гиперпараметров повторно использует информацию из предыдущих раундов настройки и эффективно отбирает вероятные настройки, снижая привычную нагрузку проб и ошибок при калибровке модели.

Построение национальной карты уязвимых склонов

С обученной гибридной моделью авторы тестируют подход на Республике Корея. Используя национальные данные цифровой модели рельефа и информацию о грунтах, они подготавливают более 100 000 точек, каждая из которых представляет отдельный склон с собственными углом, глубиной грунта, прочностью и диапазоном влажности. Вместо того чтобы заново запускать тысячи симуляций в каждой точке, они просят модель машинного обучения предсказать HCLPF напрямую. Эти точечные предсказания затем интерполируются, формируя гладкую высокоразрешающую карту, показывающую, где склоны более или менее склонны к отказу при сильном сотрясении. В сравнении со справочной картой, построенной на основе полных симуляций, карта машинного обучения совпадает примерно на 95%, при этом требует лишь около 4% вычислительного времени.

Быстрый взгляд на риск оползней, вызванных землетрясениями

Проще говоря, это исследование показывает, что тщательно спроектированная система машинного обучения может заменить чрезвычайно затратные симуляции при оценке сейсмических отказов склонов в региональном масштабе. Сводя сложное поведение каждого склона к одному числу безопасности и обучив гибридную ансамблевую модель предсказывать это число, авторы создают инструмент, который производит детализированные национальные карты хрупкости за часы вместо дней. Хотя для проектных инженерных решений по-прежнему потребуются детальные исследования на местах, этот подход дает планировщикам по чрезвычайным ситуациям и менеджерам инфраструктуры быстрый и достаточно точный способ выявлять уязвимые склоны, расставлять приоритеты в мониторинге и усилениях, а также пересматривать оценки риска по мере появления новых данных о рельефе или грунтах.

Цитирование: 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

Ключевые слова: оползни, вызванные землетрясениями, устойчивость склонов, картирование сейсмического риска, ансамбль машинного обучения, геопространственный анализ опасностей