通过 TrAdaBoost 迁移学习预测边坡稳定性：将物理与数据整合进双驱动框架

为何保障山坡安全至关重要

陡峭的坡面俯瞰着我们的道路、城镇和矿区。一旦失稳，滑坡可能掩埋房屋、阻断交通并造成人员伤亡。工程师有方法评估边坡是否会保持稳定或发生滑移，但这些方法要么需要大量现场工作和专家判断，要么依赖往昔数据，而这些数据通常很稀缺。本研究提出了一种新的预测手段，通过在同一学习系统中混合计算机模拟的物理样本与真实观测，来判断哪些边坡安全、哪些存在风险。

引用: Ren, M., Xu, X., Dai, F. et al. Slope stability prediction via TrAdaBoost transfer learning: integrating physics and data into a double-driven framework. Sci Rep 16, 11883 (2026). https://doi.org/10.1038/s41598-026-41919-z

关键词: 滑坡预测, 边坡稳定性, 迁移学习, 岩土工程, 机器学习