Прогнозирование оползней и оценка риска на основе дистанционного зондирования с использованием гибридной глубокой модели CNN–LSTM

Почему знание того, где склоны могут обрушиться, спасает жизни

Оползни могут случиться почти без предупреждения, засыпав дома, перекрыв дороги и повредив важную инфраструктуру. В горных районах, особенно при сильных дождях и при уже напряжённом состоянии грунта, люди живут и перемещаются у склонов, устойчивость которых трудно оценить невооружённым глазом. В этом исследовании показано, как спутниковые данные и продвинутый тип модели распознавания образов работают вместе, чтобы точно указать участки большой территории с наибольшей вероятностью обрушения, давая планировщикам и службам экстренного реагирования мощный новый инструмент снижения риска.

Наблюдение за опасными склонами из космоса

Учёные сосредоточились на провинции Керман на юго‑востоке Ирана — ландшафте с высокими горами, глубокими долинами и сухими равнинами, сформированными активными разломами и суровым климатом. В таких труднопроходимых районах традиционные полевые обследования медленны и неполны. Вместо этого команда использует дистанционное зондирование: спутниковые снимки, показывающие покров растительности и землепользование, и цифровые модели рельефа, описывающие высоту и крутизну поверхности. Из этих источников они получают ключевые характеристики, такие как угол и аспект склона, а также индикаторы того, где вода собирается или стекает. Они также картируют расстояние до рек, дорог и разломов и классифицируют тип землепользования — от сельхозугодий до оголённой скалы.

Отслеживание истории воды во времени

Однако оползни вызваны не только формой рельефа. Вода, приходящая в виде дождя или накопленная в водохранилищах, может постепенно ослабить склоны до их разрушения. Чтобы учесть эту меняющуюся составляющую, исследование собирает ежедневные записи осадков и уровней водохранилищ. Для каждой точки региона модель просматривает 30‑дневный период до зафиксированного оползня — или до периода без обрушения — чтобы увидеть, сколько воды поступило и как менялось её количество день ото дня. Это скользящее месячное окно позволяет методу распознавать не только экстремальные ливни, но и кумулятивный эффект многочисленных мокрых дней, постепенно насыщающих грунт.

Обучение гибридной модели «читать» пространство и время

В основе работы лежит гибридная глубокая модель, объединяющая две дополняющие друг друга техники. Одна часть, сверточная нейронная сеть, специализируется на распознавании пространственных паттернов. Она изучает небольшие участки слоями рельефа и землепользования, вырабатывая представление о том, какие комбинации крутизны, типа пород и других факторов обычно сопутствовали прежним оползням. Другая часть, сеть с долгой краткосрочной памятью (LSTM), предназначена для обработки последовательностей. Она анализирует 30‑дневные цепочки осадков и уровней водохранилищ, выявляя, какие временные паттерны наиболее опасны. Модель объединяет эти два потока — где находится опасный склон и насколько он недавно был увлажнён — в единую оценку вероятности оползня для каждой точки.

Проверка на реальных оползнях

Чтобы оценить эффективность системы, авторы составили инвентаризацию из 719 задокументированных оползней из отчётов, полевых проверок и детальных изображений и сопоставили их с равным количеством устойчивых участков. Они разделили эти данные на обучающую и независимую тестовую выборки, гарантируя, что модель не видит тестовые примеры в процессе обучения. Столкнувшись с невидимыми ранее случаями, гибридная модель корректно отличает участки с оползнем от участков без него более чем в 95 % случаев и достигает одного из наивысших возможных значений на стандартной диагностической кривой. Она превосходит широко используемые методы, такие как опорные векторы, деревья решений, случайные леса, а также более простые глубокие модели, использующие только пространство или только время.

Преобразование прогнозов в полезные карты

Используя обученную модель, команда сгенерировала непрерывную вероятность возникновения оползня для каждой ячейки сетки по всей провинции Керман, а затем классифицировала результаты как низкая, средняя, высокая и очень высокая подверженность. Примерно четверть региона попадает в группу высокого риска, главным образом на крутых склонах, где выражены осадки и изменения уровней водохранилищ, тогда как примерно треть считается низкорискованной. При наложении карты авторов на независимую инвентаризацию оползней более 86 % зафиксированных событий лежат в зонах высокой и очень высокой опасности, что показывает тесное соответствие прогнозов реальным случаям. Анализ входных данных подтверждает, что ключевым фактором является крутизна склона, за которой следуют суммарные недавние осадки и изменения уровней водохранилищ.

Что это значит для людей на месте

Проще говоря, исследование демонстрирует, что сочетание «где» — информации со спутников — и «когда» — данных о воде — создаёт значительно более чёткую картину опасности оползней, чем каждая из составляющих по отдельности. Гибридная модель не предсказывает точную дату обрушения склона, но она указывает, какие территории по своей природе уязвимы при типичных влажных условиях. Эти знания могут направлять более безопасное размещение дорог и зданий, выделять деревни и объекты инфраструктуры, нуждающиеся в защите или мониторинге, и помогать планировщикам чрезвычайных ситуаций сосредоточить ограниченные ресурсы там, где они наиболее необходимы. Подход также универсален: при наличии подходящих данных его можно адаптировать к другим горным регионам, сталкивающимся с похожими угрозами со стороны гравитации и воды.

Цитирование: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

Ключевые слова: подверженность оползням, дистанционное зондирование, глубокое обучение, картирование риска, прогнозирование опасностей