Применение искусственного интеллекта в картировании восприимчивости к оползням

Введение

Искусственный интеллект (ИИ) все чаще признается в качестве преобразующей силы в научных дисциплинах, и геонауки не являются исключением. Среди наиболее эффективных приложений ИИ в этой области является картирование восприимчивости к оползням (LSM), процесс, который определяет области, подверженные сбоям в склонах. Оползни представляют значительные угрозы для жизни человека, инфраструктуры и экосистем - вызывая миллиарды долларов ущерба и тысячи смертей ежегодно. Традиционные методы картирования восприимчивости, часто основанные на экспертной эвристике или простых статистических моделях, борются за захват сложных, нелинейных взаимодействий между предрасполагающими факторами, такими как топография, геология и гидрология. ИИ предлагает мощную альтернативу, изучая непосредственно данные, раскрывая тонкие закономерности и генерируя вероятностные поверхности риска с высоким пространственным разрешением. В этой статье исследуется, как ИИ, особенно машинное обучение и глубокое обучение, революционизирует картирование восприимчивости к оползням, методы и данные, связанные с преимуществами и проблемами, и будущая траектория этой быстро развивающейся области.

Понимание картирования восприимчивости оползней

Картирование восприимчивости к оползням представляет собой процесс оценки того, где оползни могут произойти в будущем, на основе пространственного распределения прошлых оползней и набора факторов кондиционирования. Он отличается от картирования опасности, которое также включает временную вероятность, и от картирования риска, которое включает экспозицию и уязвимость. Основная идея заключается в том, чтобы создать непрерывную оценку восприимчивости или категориальный класс риска для каждого пикселя или единицы местности в исследуемой области.

Традиционные подходы ЛСМ включают эвристические (экспертное мнение), статистические (например, логистическая регрессия, частотное соотношение) и детерминированные (физически обоснованные) модели. Эвристические методы субъективны и не легко воспроизводимы. Статистические модели предполагают линейные отношения и часто требуют тщательного выбора переменных. Детерминистические модели нуждаются в подробных геотехнических параметрах, которые редко доступны в региональных масштабах. Эти ограничения привели исследователей к методам ИИ, основанным на данных, которые могут обрабатывать высокоразмерные, нелинейные отношения без сильных предварительных предположений.

Общие факторы кондиционирования, используемые в LSM, включают:

• Топографические атрибуты: угол наклона, аспект, кривизна, высота, топографический индекс влажности (TWI), индекс мощности потока (SPI).
• Геологические факторы: литология (тип породы), плотность разломов, степень выветривания.
• Земля покрыта: тип растительности, землепользование, Нормализованный индекс разницы в растительности (NDVI).
• Гидрологические факторы: годовое количество осадков, интенсивность осадков, расстояние до дренажа.
• Антропогенные факторы: плотность дорожной сети, вырубленные склоны, горная деятельность.

Каждый фактор вносит свой вклад по-разному в зависимости от местной геологии и климата. Модели ИИ автоматически изучают эти вклады из данных обучения, которые обычно состоят из карт оползней (точки или полигоны) и соответствующих слоев факторов.

Роль искусственного интеллекта

ИИ, особенно машинное обучение (ML) и глубокое обучение (DL), решает основные проблемы LSM: многомерные пространства функций, нелинейные взаимодействия и необходимость масштабируемой, автоматизированной обработки на больших площадях. Вместо ручного определения правил принятия решений модели ИИ обучаются на меченых примерах - оползневых и неоползневых пикселях - для изучения отображения от факторов кондиционирования до вероятности оползня. Этот подход, основанный на данных, имеет несколько преимуществ:

• Открытие шаблона: ИИ может обнаруживать сложные взаимодействия между факторами, которые могут упустить аналитики-люди.
• Масштабируемость: После обучения модели могут применяться для целых регионов или стран без дополнительного участия экспертов.
• Количественная оценка неопределенности: Вероятностные результаты позволяют лицам, принимающим решения, понять уровни доверия.
• Интеграция данных из нескольких источников: ИИ может объединить спутниковые снимки, цифровые модели возвышения (DEM), карты почвы и сетки осадков в единый прогноз.

Ключевое понимание: Успех ИИ в LSM зависит от качества и репрезентативности данных обучения. Мусор в мусоре остается наиболее важной оговоркой.

Ключевые алгоритмы машинного обучения

К LSM были применены многочисленные алгоритмы ML, каждый из которых имеет свои сильные и слабые стороны. Наиболее широко изучены следующие:

• Логистическая регрессия (LR): Простой линейный классификатор, оценивающий вероятность возникновения оползня. Он служит исходным, но часто не работает на сложных наборах данных.
• Дерево решений (DT): Деревоподобная модель, в которой используются функции для разделения данных на однородные группы. Легко интерпретировать, но склонны к переоборудованию без обрезки.
• Random Forest (RF): Ансамбль из многих деревьев решений, обученных загрузочным образцам и случайным наборам функций. RF надежен, хорошо обрабатывает недостающие данные и обеспечивает оценки важности функций. Он неизменно входит в число лучших исполнителей в тестах LSM.
• Поддержка векторных машин (SVM): Дискриминационный классификатор, который находит оптимальный гиперплоскость, разделяющую оползни и классы, не связанные с оползнями. SVM хорошо работает в высокоразмерных пространствах, но требует тщательного выбора ядра (например, радиальная функция основы).
• Gradient Boosting Machines (GBM): Последовательность, которая строит деревья для исправления ошибок предыдущих деревьев. XGBoost и LightGBM являются популярными вариантами, предлагающими высокую точность и скорость, хотя они более чувствительны к гиперпараметрам.
• Искусственные нейронные сети (ANN): Многослойные перцептроны (MLP) с одним или несколькими скрытыми слоями. ANN могут моделировать нелинейные отношения, но требуют больших наборов данных и тщательной настройки, чтобы избежать переобучения.

В сравнительных исследованиях часто достигается самая высокая точность прогнозирования (AUC > 0,85-0,95) по различным ландшафтам. Однако ни один алгоритм не является универсально лучшим; выбор зависит от размера данных, типов функций и потребностей в интерпретируемости.

Подходы к глубокому обучению

Глубокое обучение расширяет нейронные сети со многими скрытыми слоями и специализированными архитектурами для пространственных или последовательных данных. В LSM сверточные нейронные сети (CNN) особенно перспективны, потому что они могут непосредственно обрабатывать растровые изображения (например, DEM, спутниковые полосы) без ручного извлечения признаков. CNN изучает иерархические пространственные особенности - кромки, текстуры и шаблоны формы земли - которые очень важны для прогнозирования оползней. Недавние исследования сообщают, что CNN могут превзойти традиционные методы ML, особенно при использовании данных дистанционного зондирования с высоким разрешением (например, 1-10 м / пиксель).

Рекуррентные нейронные сети (RNN) и сети с длинной кратковременной памятью (LSTM) также применялись к данным временных рядов, таким как последовательности осадков, приводящие к оползневому событию. Объединение CNN и LSTM в гибридной модели позволяет одновременно анализировать пространственные и временные факторы, улучшая прогнозы восприимчивости в сезонных временных масштабах. Другим новым подходом является использование генеративных состязательных сетей (GANs) для увеличения ограниченных запасов оползней путем генерации синтетических образцов, тем самым борясь с дисбалансом классов.

Несмотря на свою мощь, модели глубокого обучения требуют обширных маркированных данных (десятки тысяч образцов) и значительных вычислительных ресурсов. Для многих регионов такие запасы недоступны, что делает обучение передаче - где модель, предварительно обученная в одной области, точно настроена на другой - активной областью исследований.

Источники данных и предварительная обработка

Высококачественные входные данные являются основой любого проекта LSM на основе ИИ. Общие источники включают:

• Цифровые модели подъема (DEM): SRTM (30 м), ALOS World 3D (30 м) или DEM, полученные из LiDAR (1-5 м) обеспечивают производные топографии. Более высокое разрешение улучшает обнаружение локальных отказов наклона.
• Осадочные кадастры: Исторические карты событий из интерпретации аэрофотоснимков, обнаружения изменений спутниковых изображений или полевых исследований.Неполные кадастры приводят к смещенным моделям.
• Геологические карты: Литологические единицы часто являются самым сильным контролирующим фактором. Дискретные единицы обычно кодируются как категориальные переменные.
• Спутниковые изображения: Landsat 8/9, Sentinel-2 или изображения с очень высоким разрешением (VHR) обеспечивают обнаружение повреждений наземного покрытия, NDVI и после события.
• Данные о количестве осадков: Продукты с решетчатыми осадками (например, CHIRPS, TRMM, GPM) предлагают долгосрочные средние значения или предшествующие индексы осадков.

Шаги предварительной обработки включают:

1. Резюмирование: Все растры должны быть выровнены с одинаковым пространственным разрешением (например, 30 м) и системой координат.
2. Нормализация или стандартизация: Непрерывные функции масштабируются до нуля средней и разности единиц, чтобы помочь алгоритмам ML сблизиться.
3. Устранение недостающих значений: К-ближайшие соседи или интерполяция могут заполнять пробелы, но большие недостающие области могут потребовать исключения.
4. Классовый дисбаланс: Оползни - редкие события (обычно <5% площади). Используются методы, такие как случайная недосборка неоползней, пересборка оползней (SMOTE) или корректировка веса класса в функции потери.
5. Выбор характеристик: Многоколлинеарность (например, высокая корреляция между наклоном и TWI) может нанести вред некоторым моделям. Рекомендуется анализ коэффициента разности (VIF) или рекурсивное устранение признаков.

Моделирование и проверка

Создание надежной модели ИИ для LSM требует строгих протоколов обучения и проверки.

1. Выборка: Пиксели оползня помечены как 1; пиксели оползня как 0. Общая практика заключается в случайном выборе равного количества точек оползня из областей с низкой восприимчивостью (например, плоской местности) для создания сбалансированного набора данных.
2. Обучающий тест: Набор данных разделен на наборы обучения (70-80%) и тестирования (20-30%), часто с использованием пространственной перекрестной проверки (например, k-кратной или левой-одной-областью), чтобы избежать пространственной автокорреляции.
3. Настройка гиперпараметра: Поиск по решетке, случайный поиск или байесовская оптимизация находят оптимальные параметры (например, глубина дерева, скорость обучения).
4. Метрики оценки:
   • Зона под операционной кривой приемника (AUC-ROC): Измеряет общую способность к дискриминации. AUC > 0,9 указывает на отличную производительность.
   • Матрица путаницы: Точность, точность, отзыв, F1-балл. Вспомнить (истинная положительная скорость) особенно важно для минимизации пропущенных оползней.
   • Коэффициент Каппы: Соглашение вне случая.
5. Пространственное прогнозирование: Обученная модель применяется ко всей сетке исследуемой области, генерируя карту восприимчивости (вероятность от 0 до 1).Карта часто реклассифицируется в классы восприимчивости (например, очень низкий до очень высокий) с использованием естественных разрывов или квантилей.

Использование слишком большого количества функций или чрезмерно сложных моделей (например, глубоких сетей с недостаточными данными) может обеспечить высокую точность обучения, но плохое обобщение. Регуляризация (L1/L2), отсев (для нейронных сетей) и ранняя остановка помогают смягчить это.

Тематические исследования

1. Гималайский регион (Индия/Непал)

Исследователи применили Random Forest и SVM для картирования восприимчивости в Гималаях Гархваля с использованием склона, аспекта, литологии, землепользования и осадков. RF достигла AUC = 0,92, превзойдя SVM (0,88). Полученная карта подчеркнула, что более 30% региона попадает в высокую или очень высокую восприимчивость, направляя строительство дорог и планирование поселений (Kumar et al., 2020) .

2. Калифорния, США

В районе залива Сан-Франциско на 1 м LiDAR DEM и ортофотосах была обучена глубокая сверточная нейронная сеть для прогнозирования мелководных оползней, вызванных штормами. CNN правильно определил 85% известных сбоев и уменьшил ложные срабатывания на 40% по сравнению с исходным уровнем логистической регрессии [USGS Landslide Hazards Program, 2022].

3. Южная Италия (Кампания)

XGBoost в сочетании со спутниковыми данными о влажности почвы улучшили картирование восприимчивости в районах с быстрым изменением землепользования. Модель зафиксировала сезонные изменения, показывающие, что летние лесные пожары значительно увеличивают восприимчивость следующей осенью. Исследование подчеркнуло важность факторов динамического кондиционирования (Guzzetti et al., 2021) .

Эти тематические исследования показывают, что LSM на основе ИИ не только соответствует, но и часто превосходит традиционные методы по точности, особенно когда доступны входные данные с высоким разрешением.

Преимущества и ограничения

Преимущества

• Точность: Модели ИИ обычно достигают значений AUC выше 0,85, опережая обычные статистические методы.
• Автоматизация: После обучения модели могут применяться на целых континентах, ускоряя оценки, которые ранее занимали месяцы.
• Интеграция с несколькими источниками: ИИ плавно объединяет растровые, векторные и временные данные в единую структуру.
• Вероятностные выходы: Непрерывные карты вероятностей позволяют гибкое пороговое значение на основе толерантности к риску.
• Переносимость: Предобученные модели могут быть адаптированы к новым регионам с ограниченными данными посредством обучения передаче.

Ограничения

• Зависимость от данных: Производительность напрямую связана с полнотой инвентаря и качеством карты факторов. Предвзятые запасы приводят к предвзятым моделям.
• Природа черного ящика: Многие модели ИИ (особенно глубокие сети) предлагают небольшую интерпретируемость. Для понимания того, какие факторы влияют на прогнозы, необходимы методы объяснимого ИИ (XAI), такие как SHAP или LIME.
• Переоборудование риска: Сложные модели могут запоминать шум вместо обобщения, особенно в небольших наборах данных.
• Расчетная стоимость: Глубокое обучение требует ресурсов графического процессора и обширной настройки гиперпараметров.
• Временная стабильность: Карты восприимчивости статичны, но триггеры оползней (например, осадки) динамичны.Связывание ИИ с мониторингом в реальном времени остается проблемой.

Будущие направления

Область быстро движется к более надежному и оперативному LSM, управляемому ИИ.

• Объединяя несколько алгоритмов (например, RF + XGBoost + нейронная сеть) часто дает лучшие и более стабильные прогнозы, чем любая одна модель.
• Передача обучения и адаптация доменов: Использование моделей, обученных в богатых данными регионах (например, в Европе) для загрузочного картирования в районах с дефицитом данных (например, в Центральной Африке).
• Интеграция с датчиками реального времени: Модели ИИ, обновленные данными IoT (например, наклонными счетчиками, датчиками дождя), могут перейти от статической восприимчивости к динамическому прогнозированию опасности.
• Объясняемый ИИ (XAI): Такие инструменты, как важность функции, частичные графики зависимости и карты заметности, увеличат доверие и принятие нормативных актов.
• Облачные платформы: Такие сервисы, как Google Earth Engine, теперь содержат библиотеки ML (например, TensorFlow, XGBoost), которые могут обрабатывать глобальные наборы данных без загрузки терабайтов данных. Это демократизирует LSM для развивающихся стран .
• Многоопасные структуры: Модели ИИ, которые одновременно предсказывают оползни, наводнения и землетрясения, могли бы лучше поддерживать интегрированное снижение риска бедствий.

Заключение

Искусственный интеллект имеет принципиально передовые карты восприимчивости к оползням, позволяющие более точные, масштабируемые и автоматизированные оценки, чем когда-либо прежде. Алгоритмы машинного обучения, от случайного леса до глубоких сверточных сетей, учатся непосредственно из экологических данных для создания вероятностных поверхностей риска, которые могут направлять планирование землепользования, системы раннего предупреждения и развитие инфраструктуры. Однако качество этих карт остается привязанным к основным данным и выбору моделей. Практикующие должны инвестировать в полные запасы оползней, тщательную предварительную обработку и тщательную проверку. Поскольку методы ИИ продолжают развиваться - с улучшенной интерпретацией, переносимостью и интеграцией в режиме реального времени - их роль в защите сообществ от опасностей оползней будет только усиливаться. Для геоученых и гражданских инженеров, охват LSM на основе ИИ - это не просто вариант; это становится необходимым шагом к более безопасной, более устойчивой среде.

Для дальнейшего чтения изучите USGS Landslide Hazards Program и рецензируемые исследования в таких журналах, как Landslides и Engineering Geology.