基于混合集成机器学习的高效地震边坡脆弱性评估与地理信息系统制图的一体化方法

为何震动中的边坡关系到日常生活

当地震袭击丘陵或山区时，地面本身可能会失稳。住宅、公路和电厂上方的边坡可能发生滑动，将坚实的地面变为快速移动的碎屑。然而，在全国范围内绘制哪些边坡风险最高通常计算量巨大，难以快速更新。本文提出了一种更快、以数据为驱动的方法来预测地震诱发边坡失稳的高风险区域，使规划者能够生成国家级风险地图，同时在很大程度上保留传统复杂模拟的精度。

从真实滑坡到实用的失效尺度

作者从一个简单的问题出发：在多大程度的震动下，边坡开始产生足以被视为危险的位移？他们利用过去地震的现场观测，检验不同的位移阈值，并将由此得到的失效曲线与地面实际观测进行比较。结果表明，一旦边坡发生约14厘米的永久位移，造成破坏性滑动的概率会显著上升。这个14厘米的移动因此被采纳为基准的“失效”水平，使得各种边坡条件可以在共同尺度上评估，并为测得的震动强度与损害概率之间建立清晰关联。

把复杂的地面行为简化为单一安全数值

地震对边坡的破坏取决于一系列不确定因素的纠结：土体强度、坡度、土层深度、含水量，以及地面震动的强度与持续时间。为捕捉这些不确定性，研究采用经典的滑动块模型来模拟在许多随机组合下边坡可能的位移。对每个合成边坡运行数千次模拟，以绘制失效概率随震动水平变化的完整曲线。从每条曲线中，团队提取了一个称为HCLPF的单一汇总值，可以将其理解为边坡在保持极低失效概率时能够承受的震动强度。该值将复杂的概率描述压缩为一个直观数值，便于存储、比较和绘制在地图上。

教会机器模拟繁重的数值模拟

对全国每个边坡运行此类高保真模拟所需时间不切实际。为克服这一点，研究者生成了一个包含1万条合成边坡的大型训练数据集，覆盖了土壤与几何属性的现实范围。对每个样本，使用完整的概率分析计算出HCLPF值。随后他们训练了一系列机器学习模型，从基本的边坡和土壤输入直接预测HCLPF。最终表现最佳的是一种混合集成方法：它将提升法（通过构建一系列相互改进错误的决策树模型）与装袋法（对许多略有不同的模型取平均以稳定预测）结合起来。一种巧妙的超参数策略复用早期调优轮次的信息并从可能的设置中高效抽样，从而减少了模型校准中常见的试错负担。

绘制国家级脆弱边坡地图

借助训练好的混合模型，作者以韩国为案例进行测试。利用国家级数字高程数据和土壤信息，他们准备了10万多个位置，每个位置代表具有自身坡度、土层深度、强度和含水范围的独立边坡。研究者不再在每个点重复数千次模拟，而是让机器学习模型直接预测HCLPF。这些点预测值随后被插值以形成一幅平滑、高分辨率的地图，显示在强烈震动下哪些边坡更可能失稳。与基于完整模拟的参考地图相比，机器学习地图约有95%的吻合率，但所需计算时间仅约为其4%。

更快地洞察地震触发滑坡风险

简而言之，这项研究表明，精心设计的机器学习系统在区域尺度评估地震诱发边坡失稳时，可以替代极其昂贵的数值模拟。通过将每个边坡的复杂行为归结为单一安全数值，并训练混合集成模型来预测该数值，作者创建了一个能够在数小时而非数天内生成详细国家脆弱性地图的工具。尽管具体场点的工程决策仍需详细研究，这种方法为应急规划者和基础设施管理者提供了一种快速且相对准确的手段，以识别脆弱山坡、优先安排监测与加固，并在新的地形或土壤数据可用时重新评估风险。

引用: 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

关键词: 地震诱发滑坡, 边坡稳定性, 地震风险制图, 机器学习集成, 地理空间危险性分析