使用受物理约束的U-Net模型研究滑坡易发性评估中行数据空间异质性问题及泛化能力

为何重要

滑坡威胁着许多山区的道路、城镇与基础设施，随着气候变化带来更强降雨，这一威胁进一步加剧。该研究探索一种新方法，在青藏东南部广阔区域绘制滑坡高发地带图，采用一种由真实物理约束引导的人工智能模型。该方法旨在为规划者与应急管理者提供更清晰、更可靠的地图，既反映崎岖的地形，也考虑不断变化的气候。

在山地中识别危险

研究者聚焦于包含拉萨、林芝、昌都及周边的巨大高海拔区域。这里陡坡、湍急河流、活动断裂与严酷气候交织，使滑坡既频繁又多样。传统方法高度依赖历史记录与简单统计，容易遗漏重要模式，尤其在数据不完整的地方。同时，常见的机器学习模型虽然更灵活，但往往模糊局部细节，在地貌变化多端的区域表现欠佳。对于像青藏东南这样的复杂区，这些限制会使风险图对现实决策而言过于粗糙。

新模型的不同之处

为了解决这些问题，作者构建了一种受物理约束的U-Net模型，这是一类能对地图中每个像素进行分类而非仅处理大块区域的深度学习系统。他们向模型输入十个影响滑坡的关键因子，包括坡度角、曲率、坡向、地形类型、岩性、到河流和断层的距离、降雨、温度与地震强度。与许多神经网络不同，该模型设计上保留了细致的空间信息，使最终的易发性图保持30米的原始高分辨率。更高的细节使模型能突出危险的坡面和河谷，而不是在大范围地形上平均风险。

将物理引入人工智能

一项主要创新是让模型在训练时遵循坡面在强降雨下的基本物理行为。在山区，持续几天的强降雨会使土壤饱和并触发失稳，许多预警系统采用七天降雨窗口。作者在模型的损失函数中嵌入了基于七天降雨和区域降雨阈值的简单安全因子——损失函数是模型学习时试图最小化的量。当模型在降雨条件已表明高危的区域预测低滑坡概率时，会受到额外惩罚。与此同时，训练过程对稀少的滑坡像素赋予更高权重而对大量稳定像素权重较低，帮助网络在数据高度不平衡的情况下同时从这两类样本中学习。

在不同地点的表现如何

团队随后将受物理约束的U-Net与两种广泛使用的深度学习模型进行比较：反向传播神经网络和残差神经网络。他们不仅比较总体准确率，还评估每个模型在五个地质、河道形态与气候各异的滑坡热点区的表现。尽管竞争模型在某些地区表现良好而在其他地区表现欠佳，受物理约束的U-Net在所有五个区域中均给出一致的高分。它还生成与既有滑坡分布高度吻合的易发性图，更多灾点落在标为极高风险的区域，较少落在标为极低风险的区域。关键是，它在保持30米空间分辨率的同时揭示了沿河湾、断裂带和陡峭峡谷壁的详细模式。

对风险规划的意义

简而言之，研究表明；一个“懂得”基本物理且对少见但重要的滑坡事件给予特殊关注的AI模型，能够在广阔、复杂的区域提供更清晰且更可信的风险地图。受物理约束的U-Net不仅在标准准确率指标上有小幅提升，还比其他测试模型更好地处理数据缺失、景观变化与细致空间信息。作者指出，现场调查和更好的输入数据将进一步提升结果，但他们的工作指出了一条可行路径，通向可在不同山地区域间迁移的高分辨率滑坡易发性图，有助于更安全的发展和更有效的灾害防范准备。

引用: 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

关键词: 滑坡易发性, 深度学习, U-Net模型, 空间异质性, 青藏高原