《Computers & Geosciences》：Integrating TRIGRS-based physical labels with stacking deep learning for landslide susceptibility prediction
編輯推薦：
滑坡脆弱性評估：提出基于物理先驗的Stacking深度學習框架，整合GRU、Transformer和SVM模型，利用TRIGRS計算的FOS作為物理標簽，構建五組交互特征并經互信息篩選，通過貝葉斯優化調參，驗證了融合物理機制與數據驅動的模型在復雜地質環境中具有0.866的AUC-ROC和顯著負相關（ρ=-0.3887），SHAP分析揭示FOS相關特征的重要性，對比實驗證實方法有效性及可解釋性。
張倩|曹書杰|趙偉剛|趙雅坤
中國河北省石家莊市石家莊鐵道大學安全工程與應急管理學院，郵編050043
摘要
滑坡災害對中國西南地區的基礎設施安全構成了嚴重威脅。傳統的基于物理的模型計算成本高昂，而純粹的深度學習方法往往忽略了潛在的物理機制。為了解決這些局限性，本研究提出了一個堆疊深度學習框架，該框架整合了門控循環單元（GRU）、Transformer和支持向量機（SVM），并通過貝葉斯優化調整超參數，用于漢源縣的區域滑坡易發性預測。該框架結合了來自瞬態降雨入滲和基于網格的區域邊坡穩定性（TRIGRS）模型的安全系數（FOS）作為物理信息驅動的先驗標簽。為了加強物理機制與數據驅動模型的整合，通過組合現有因素構建了五組交互特征。特征選擇保留了基于互信息排名的前15個特征。模型使用加權損失和偽標記技術進行訓練，而堆疊元特征通過5折交叉驗證生成。結果顯示，所提出的堆疊模型在獨立測試集上的接收者操作特征曲線下面積（AUC-ROC）達到了0.866。Spearman相關性分析證實了FOS與預測滑坡概率之間存在顯著的負相關（ρ = ?0.3887，p < 0.001）。SHapley加性解釋（SHAP）分析進一步突出了與FOS相關特征的重要性。在復雜地質環境中的比較實驗驗證了所提出方法的有效性和可解釋性，為滑坡風險評估提供了新的支持。
引言
漢源縣位于四川盆地的東緣和青藏高原的北緣，地形復雜多樣，地質條件惡劣，斷裂結構發育良好，高陡坡和斷裂巖土體分布廣泛。在這種地質環境中，尤其是在雨季，滑坡和其他地質災害頻繁發生，對鐵路、公路和住房等基礎設施的安全構成嚴重威脅（Mondini等人，2023年）。這些災害大多在降雨期間突然發生，具有區域性、群發性、同時性、突然性和嚴重性的特點（Ma等人，2024年）。為了確保區域建設的穩定性和運營維護，迫切需要進行區域滑坡易發性評估研究，并深入分析降雨入滲對邊坡穩定性的影響。
近年來，由于深度學習在特征提取和模式識別方面的強大能力，其在滑坡預測領域展現了巨大潛力（Youssef等人，2023年）。機器學習方法能夠更好地處理多維數據和非線性關系，提高模型的泛化能力和預測性能（Choi等人，2012年）。各種機器學習算法，如支持向量機（Kumar等人，2017年；Marjanovi?等人，2011年）、邏輯回歸（Althuwaynee等人，2014年；Pradhan等人，2024年）、貝葉斯網絡（Chen等人，2021年）也被廣泛使用。單一的機器學習模型在滑坡易發性評估中存在一定的局限性，例如，某些模型可能過于依賴某些特征而忽略了其他重要因素。許多模型在處理非線性關系方面能力有限，而滑坡易發性評估中的許多因素之間的關系是非線性的，這可能導致預測效果不佳（Zhan等人，2025年）�；诖耍陙砑啥喾N機器學習算法的集成方法在滑坡易發性制圖中得到了廣泛應用，并取得了良好的效果（Sharma等人，2024年；Pham等人，2020年）。他們將徑向基函數神經網絡（RBFN）與隨機子空間（RSS）、屬性選擇分類器、級聯泛化（CG）等集成學習方法結合，用于越南Vinh Anh地區的滑坡易感性空間預測，并證明集成學習方法可以有效提高滑坡預測模型的泛化能力（Di Napoli等人，2020年）。還提出了一種基于人工神經網絡、廣義提升模型和最大熵算法的新集成機器學習方法，選擇了13個環境因素，并結合260個滑坡樣本數據，應用于意大利Cinque Terre國家公園Monterosso al Mare地區的滑坡易感性評估（Lu等人，2024年）。以白龍江流域為研究區域，通過曲率流域方法獲取評估單元，構建了由12個影響因素組成的孕育環境相似性空間，使用多層感知機、卷積神經網絡和門控循環單元作為基礎模型，構建了堆疊和融合集成學習模型，堆疊集成模型的測試集AUC達到了0.88，比傳統方法高出12%，特別是在樣本稀疏區域，預測可靠性顯著提高（J. Yang等人，2024年）。系統評估了樣本量變化對啟發式（AHP）、統計（FR，LR）、機器學習（KBDL）和集成學習（XGBoost，LightGBM）模型的影響，通過SHAP分析揭示了研究區域內海拔、NDVI、坡度和道路距離是滑坡的主要控制因素（Althuwaynee等人，2014年）。構建了一個結合CHAID決策樹和邏輯回歸的滑坡易感性評估模型，基于韓國浦項-慶州流域的滑坡數據，其中通過CHAID識別了海拔和土壤排水等關鍵因素的最佳分類節點，然后通過LR建立擬合函數。然而，現有模型主要依賴海拔和坡度等傳統數據作為核心輸入，未能充分利用物理機制的輔助作用，這種單一的數據驅動限制使得模型難以適應復雜地質環境的多樣性。
為了克服純統計/機器學習模型的局限性，如缺乏物理機制、計算成本高和參數確定困難，近期研究越來越多地關注基于物理的機器學習（PIML）框架，這些框架將物理原理與數據驅動方法無縫結合（Liu等人，2024年）。使用Scoops3D結合CNN預測基巖埋藏深度，并使用隨機森林進行易感性制圖。通過物理約束負樣本和因素權重，AUC提高了29.25%，顯著增強了可解釋性（Abraham等人，2023年）。提出了一種新穎的數據驅動滑坡預警模型，在印度西高止山脈地區的案例研究中，其性能優于基于物理的模型，特別是使用12.5米高分辨率DEM數據時取得了最佳結果（Nocentini等人，2024年）。提出了一種基于隨機森林算法的動態滑坡災害評估模型，從靜態空間預測擴展到時空概率預測。以挪威為例，通過整合累積降雨和融雪等動態環境因素與巖性和地形等靜態參數，構建了時空數據集。通過特征重要性分析驗證了模型決策與滑坡觸發物理機制之間的一致性（L. Yang等人，2024年）。使用TRIGRS計算FOS并篩選高質量的非滑坡樣本，將其輸入隨機森林構建易感性模型。與傳統緩沖采樣方法相比，準確率（ACC）提高了8.22%，AUC提高了9.20%（Han等人，2025年）。將TRIGRS和SHALSTAB的輸出分別作為物理信息特征（PIML）和后處理矩陣融合，顯著提高了樣本有限條件下的外推能力。盡管這些策略顯著提高了預測準確性和外推能力，但物理約束僅適用于數據預處理或后處理階段，訓練過程仍缺乏明確的物理監督信號。本研究實現了從“物理作為輸入”到“物理作為標簽”的根本范式轉變，直接使用從瞬態TRIGRS模型計算出的分布式FOS作為物理標簽，對包含GRU、Transformer和SVM的深度堆疊集成進行端到端的物理監督。同時，本研究系統地構建了五組物理引導的交互特征�；バ畔⒑Y選和隨后的SHAP分析均表明，這些交互特征顯著優于傳統的條件因子集。此外，首次引入了基于無限坡度理論和物理加權焦點損失的偽標簽，進一步增強了模型對高風險滑坡區的敏感性。通過比較FOS依賴和FOS獨立條件下的性能，證明了該框架在復雜地質環境中的優越適用性和可解釋性，為區域滑坡風險評估提供了新的科學視角。
方法論
本研究采用了一種集成方法來開發和評估用于滑坡易感性預測的堆疊模型，整合了GRU、Transformer和SVM組件，旨在通過使用TRIGRS計算的FOS作為物理標簽并結合機器學習技術來構建一個可解釋的預測模型。工作流程設計如圖1所示。
模型準確性分析
為了驗證所構建模型在滑坡識別任務中的綜合性能，本文從四個方面進行了系統評估：分類準確性、物理一致性、超參數敏感性和融合策略有效性。所有實驗均基于嚴格定義的數據集進行，同時保持類別分布的一致性，以確保模型訓練的代表性及模型的魯棒性。
結論
本研究提出了一種結合物理監督的深度學習框架用于滑坡識別，構建了一個基于GRU和Transformer的多結構耦合模型，并引入了安全系數（FOS）作為物理一致的監督信號，指導模型增強識別地質邊界的能力，同時保持分類準確性。主要結論如下：
(1)耦合模型結構顯著提高了
CRediT作者貢獻聲明
張倩：撰寫——原始草稿，軟件開發，項目管理，資金獲取，概念構思。曹書杰：撰寫——審稿與編輯，軟件開發，項目管理，方法論研究，數據分析，數據管理，概念構思。趙偉剛：撰寫——審稿與編輯，可視化處理，驗證工作，資源管理，方法論研究，資金獲取，概念構思。趙雅坤：撰寫——審稿與編輯，可視化處理，項目監督，軟件開發，
代碼可用性
代碼/庫名稱：Landslide-Susceptibility-Prediction-with-Physical-Guided-Stacking。
編程語言：Python。
所需軟件：Python 3.8。
代碼大小：25 KB。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文報告的工作。
致謝
本工作得到了技術開發基金項目（236Z5404G）、河北省自然科學基金（E2025210083）和國家自然科學基金（52578482）的支持。
