Фреймворк отбора факторов обусловленности с учётом неоднородности образцов при картировании опасности селевых потоков

Почему это важно для людей, живущих у гор

В крутых горных долинах внезапный поток грязи, камней и воды может обрушиться без предупреждения, сметая дома, дороги и жизни. Эти бедствия, известные как селевые потоки, с большой вероятностью станут чаще и разрушительнее по мере расширения застроенных территорий в рискованные зоны и усиления экстремальных ливней. Исследование, кратко изложенное здесь, задаёт на первый взгляд простой, но важный для безопасности вопрос: как составлять карты, которые точнее показывают, какие долины окажутся следующими, особенно когда соседние склоны ведут себя по-разному?

Понимание: одна карта не подходит для всех

Картирование опасности селевых потоков — это практика затемнения ландшафта в зависимости от вероятности возникновения селевого потока в разных точках. Традиционно учёные рассматривали целый район как единообразный: предполагалось, что один и тот же набор «ингредиентов» — например крутизна склона, осадки, порода, растительность и расстояние до дорог или разломов — имеет одинаковое значение повсеместно. Авторы утверждают, что такое допущение нереалистично для большого, сильно расчленённого уезда, как Бэйчуань на юго-западе Китая, где последствия землетрясений, типы пород и формы долин сильно различаются. В таких условиях опора на одну «глобальную» рецептуру может скрывать важные локальные различия и ослаблять прогнозы там, где они наиболее нужны.

Разбиение ландшафта на более однородные участки

Чтобы уловить эти различия, команда сначала разделила территорию Бэйчуаня на группы бассейнов селевых потоков с похожими экологическими условиями. Они использовали методику, называемую нечёткой кластеризацией по центрам (fuzzy C-means), которая не заставляет каждую долину принадлежать только к одному жёсткому классу, а позволяет частичное членство в нескольких группах. Такая гибкость лучше отражает реальность: две соседние долины могут быть в основном похожи, но различаться по нескольким ключевым параметрам. После проверки разных вариантов исследователи пришли к выводу, что разбиение области на четыре кластера даёт наилучший баланс между учётом разнообразия и наличием достаточного числа примеров в каждой группе для обучения надёжных моделей.

Выявление местных ключевых факторов

Внутри каждого из четырёх кластеров авторы затем выясняли, какие экологические факторы действительно наиболее полезны для прогнозирования возникновения селевых потоков. Они опирались на информационный показатель, который измеряет, насколько знание данного фактора — например крутизны, осадков или растительности — уменьшает неопределённость относительно появления селевого потока. Это показало, что в разных кластерах доминируют разные факторы. В одной группе главную роль играла крутизна склонов; в другой — экспозиция (направление склона); в третьей — влажность и концентрация воды; а в четвёртой — интенсивные осадки выступали основным триггером. Убрав два наименее информативных фактора в каждой группе, команда упростила модели, сохранив при этом наиболее важные сигналы.

Построение более точных моделей прогнозирования для каждой зоны

Вооружившись этими адаптированными наборами факторов, исследователи отдельно обучили популярный метод машинного обучения — случайный лес (random forests) — для всего уезда и для каждого из четырёх кластеров. Они сравнили версии, использующие все факторы, с версиями, применяющими только локально отобранные. Оценка проводилась по нескольким стандартным метрикам качества классификации, включая способность моделей различать бассейны с задокументированными селевыми потоками и без них. Модели, обученные на локально однородных кластерах, последовательно превосходили единую глобальную модель, а удаление слабых факторов дополнительно повышало точность. Получившиеся карты от персонализированных, упрощённых моделей показали более цельные зоны высокого риска вдоль следов разломов и глубоких долин, а также более уверенные зоны «очень низкого» риска там, где условия для запуска явно отсутствуют.

Что означают результаты для более безопасного планирования

Для неспециалиста главный вывод таков: рассматривать целый горный район как однородный может скрывать важные закономерности, имеющие значение для безопасности. Это исследование демонстрирует, что предварительное группирование похожих долин и последующий выбор наиболее релевантных факторов для каждой группы приводят к более чистым и реалистичным картам риска. Такие уточнённые карты опасности селевых потоков лучше размещают известные события в зонах со средним или высоким риском и выделяют более широкие области истинно низкого риска. Это делает их более полезными для решения, где строить, какие дороги или населённые пункты требуют дополнительной защиты и как расставить приоритеты в инвестициях в системы раннего предупреждения и планирование чрезвычайных ситуаций в районах, подверженных оползням.

Цитирование: Gao, R., Wang, A. & Wu, D. A conditioning factor selection framework considering sample heterogeneity in debris flow susceptibility mapping. Sci Rep 16, 11933 (2026). https://doi.org/10.1038/s41598-026-42978-y

Ключевые слова: опасность селевых потоков, картирование оползневых рисков, машинное обучение в геоопасностях, пространственная неоднородность, управление рисками в горах