Исследование проблемы пространственной неоднородности в исходных данных и способности к обобщению для оценки склонности к оползням с использованием модели U-Net с физическим ограничением

Почему это важно

Оползни угрожают дорогам, поселениям и инфраструктуре во многих горных районах, особенно по мере усиления осадков из‑за изменения климата. В этом исследовании предлагается новый способ картирования зон высокой вероятности оползней на большой территории юго‑восточного Тибета с помощью модели искусственного интеллекта, руководимой законами физики. Подход направлен на то, чтобы дать планировщикам и службам чрезвычайного реагирования более четкие и надежные карты, учитывающие как пересеченный рельеф, так и изменяющиеся погодные условия.

Опасность в горах: как ее увидеть

Авторы сосредоточились на обширном высокогорном регионе, включающем Лхасу, Ньингчи, Цамдо и прилегающие территории. Здесь крутые склоны, мощные реки, активные разломы и суровый климат делают оползни частыми и разнородными. Традиционные методы опираются в основном на исторические записи и простую статистику, что может упустить важные закономерности, особенно при неполных данных. В то же время распространенные модели машинного обучения, хотя и гибче, склонны сглаживать локальные детали и испытывают трудности при изменении ландшафта с места на место. Для столь сложного региона, как юго‑восточный Тибет, эти ограничения могут сделать карты рисков слишком грубыми для практических решений.

Что делает новая модель иначе

Чтобы преодолеть эти проблемы, авторы построили модель U-Net с физическими ограничениями — тип глубокой нейросети, который способен классифицировать каждый пиксел карты, а не только крупные участки. В качестве входов в модель подается десять ключевых факторов, определяющих оползни: угол наклона, кривизна, экспозиция склона, тип рельефа, тип горной породы, расстояние до рек и разломов, осадки, температура и сейсмическая интенсивность. В отличие от многих сетей, эта модель спроектирована так, чтобы сохранять тонкие пространственные детали, поэтому итоговая карта склонности сохраняет исходное высокое разрешение 30 метров. Такое разрешение позволяет выделять опасные склоны и долины вместо усреднения риска по широким участкам местности.

Встраивание физики в искусственный интеллект

Главная инновация — способ обучения модели с учетом базового физического поведения склонов при сильных дождях. В горах интенсивные осадки в течение нескольких дней могут насытить почву и вызвать обрушения, и многие системы раннего предупреждения используют семидневный интервал осадков. Авторы включили в функцию ошибки модели простой коэффициент безопасности, основанный на семидневных осадках и региональных порогах выпадений. Когда модель прогнозирует низкую вероятность оползня в участке, где условия осадков указывают на высокую опасность, она получает дополнительное штрафное наказание. Одновременно в процессе обучения придается больший вес редким пикселям с оползнями по сравнению с многочисленными стабильными пикселями, что помогает сети учиться на обоих типах примеров несмотря на сильный дисбаланс данных.

Насколько хорошо она работает в разных местах

Далее команда сравнила U-Net с физическими ограничениями с двумя широко используемыми моделями глубокого обучения: нейросетью с обратным распространением и остаточной (ResNet) сетью. Сравнивали не только общую точность, но и то, как каждая модель справляется в пяти отдельных очагах оползней, различающихся геологией, формой речных систем и климатом. В то время как конкурирующие модели показывали хорошие результаты в одних районах и слабые в других, U-Net с физическими ограничениями обеспечивал стабильно высокие показатели во всех пяти регионах. Он также создавал карты склонности, которые близко соответствовали известному распределению прошлых оползней: больше точек бедствий попадало в зоны с очень высоким риском и меньше — в зоны с очень низким. Важно, что это достигается при сохранении пространственного разрешения 30 метров, что выявляет детализированные паттерны вдоль изгибов рек, зон разломов и крутых стен долин.

Что это значит для планирования рисков

Проще говоря, исследование показывает, что модель ИИ, которая «знает» некоторые базовые физические принципы и уделяет особое внимание редким, но важным событиям оползней, может дать более четкие и доверительные карты риска для больших сложных регионов. U-Net с физическими ограничениями не только слегка улучшает стандартные показатели точности, но и лучше справляется с разреженными данными, меняющимися условиями ландшафта и тонкой пространственной детализацией по сравнению с другими протестированными моделями. Авторы отмечают, что полевые обследования и более качественные входные данные могли бы еще улучшить результаты, однако их работа указывает на практический путь к созданию высокоразрешенных карт склонности к оползням, пригодных для переноса между горными районами, что поддерживает более безопасное развитие и более эффективную подготовку к чрезвычайным ситуациям.

Цитирование: 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

Ключевые слова: склонность к оползням, глубокое обучение, модель U-Net, пространственная неоднородность, Тибетское нагорье