《Results in Engineering》：A multivariate investigation of land surface deformation mechanisms using remote sensing, neural networks, and field inspections: A case study of Qom Province, Iran
编辑推荐：
严重的地表形变由极端干旱、强降雨事件及地下水波动引发，已成为全球性挑战，造成显著的环境、水文地质、土木及经济损失。伊朗库姆省被识别为显著地表形变的热点区域。为此，研究人员采用多学科方法，融合遥感、神经网络、统计分析及野外勘察与原位采样，揭示地表形变的潜在机制。
严重的地表形变由极端干旱、强降雨事件及地下水波动引发，已成为全球性挑战，造成显著的环境、水文地质、土木及经济损失。伊朗库姆省被识别为显著地表形变的热点区域。为此，研究人员采用多学科方法，融合遥感、神经网络、统计分析及野外勘察与原位采样，揭示地表形变的潜在机制。基于十年期的小基线子集干涉合成孔径雷达(Small Baseline Subset Interferometric Synthetic Aperture Radar, SBAS-InSAR)分析结果表明，该省超过39%的区域受地面沉降影响，最大速率达-175 mm/yr，其余区域则表现为地表隆起，幅度最高达47 mm/yr。研究人员利用30,000个采样点及十个影响因素训练的全连接神经网络(Fully Connected Neural Network, FCNN)模型，结合置换特征重要性(Permutation Feature Importance)方法，表明含水层条件、降水模式及地下水位共同解释了约70%的观测形变。野外调查与室内试验进一步证实，在Namak湖周边的盐渍环境中，除地下水补给作用外，降雨还可通过降雨驱动的土壤分散(Rainfall-driven soil dispersion)诱发地面沉降。利用蒙特卡洛Dropout(Monte Carlo Dropout)方法进行的模型不确定性评估显示，超过90%的变异系数(Coefficient of Variation, CoV)值落在-1至1区间内，表明模型性能稳定。综上，研究结果强调了必须同时考虑沉降与隆起过程，并为干旱半干旱区的地表形变分析提供了集成方法论。
该研究发表于《Results in Engineering》。研究背景聚焦于全球范围内日益严峻的地表形变问题，特别是地面沉降对基础设施的破坏。尽管前人在伊朗库姆省已开展大量研究，但普遍存在两个局限：一是多将形变单一归因于地下水超采引发的沉降，忽视了广泛存在的地表隆起（向上运动）过程及其机制；二是缺乏对土壤盐渍化、分散性等地质因素的系统性考量。因此，研究人员旨在构建一套集成遥感、深度学习与野外验证的多学科框架，以全面解析库姆省地表形变的驱动机制。
为实现上述目标，研究人员采用了几项关键技术方法。首先，利用Google Earth Engine平台整合多源空间数据，并采用小基线子集干涉测量技术(SBAS-InSAR)处理2014年至2024年的Sentinel-1卫星影像，生成了覆盖全省的长时序地表形变场。其次，选取了包含土地覆被、蒸散发、归一化盐分指数(NDSI)、降水、地下水埋深(GWL)等在内的10个影响因子。随后，研究人员提取了30,000个随机样本点，构建了包含5个隐藏层的全连接神经网络(FCNN)模型，并利用置换特征重要性算法量化各因子的贡献度。最后，结合野外原位采样与室内土工试验（包括Crump试验、双比重计试验及化学分析）对模型推断进行物理验证，并采用蒙特卡洛Dropout方法评估预测不确定性。
研究结果部分的主要发现如下：
3.1 库姆省地表形变制图中，InSAR监测结果显示该省呈现显著的二元形变格局。约4,435 km2（占全省39%）的区域发生沉降，最大速率达-175 mm/yr；而约7,065 km2（占61%）的区域表现为向上运动，最大速率达47 mm/yr。这表明以往仅关注沉降的研究视角是不完整的。
3.2 地表形变与影响因子的空间相关性中，皮尔逊(Pearson)相关分析显示各因子间线性相关性较弱（多数介于-0.5至0.5之间），适合建模。频率比(Frequency Ratio, FR)与新增的地表沉降比(Land Subsidence Ratio, LSR)分析揭示了非线性关系：耕地、高蒸散发区、低盐度（高NDSI负值）区及陡坡区具有较高的沉降易发性（高FR）；然而，大部分沉降像素实际分布于裸地、低蒸散发区及平缓地带（高LSR）。值得注意的是，约70.6%的沉降像素位于官方划定的含水层边界之外，暗示抽水引发的应力场可能向外扩散。
3.3 FCNN模型预测结果中，模型表现出优异的拟合能力与泛化能力。训练集与测试集的决定系数(R2)分别达到0.93和0.92。模型不仅能高精度预测沉降（R2=0.94），对复杂的向上运动也具有较好的捕捉能力（R2=0.72）。
3.4 影响因子的重要性评估中，置换特征重要性排序显示，含水层分布、降水及地下水位(GWL)是主导因子，三者累计贡献率超过70%。其中，降水的双重角色被凸显出来。
3.5 模型预测不确定性估计中，基于100次蒙特卡洛模拟的结果表明，98%的预测值变异系数(CoV)位于-10至10之间，90%位于-1至1之间，验证了模型的稳定性。
3.6 地表形变机制的野外与实验室证据中，针对Namak湖附近的Shahjerd村采样点的试验证实了土壤具有强分散性（双比重计试验分散率达69%-80%）。这表明在该区域，降雨不仅是地下水补给源，更是通过诱发土壤颗粒分散、结构崩解而导致地表沉降的重要力学触发因素。
在讨论部分，研究人员指出库姆省的形变是“地下水超采导致的固结”与“降雨-土壤分散/补给作用”相互博弈的结果。在农业区，强烈的抽水导致有效应力增加引起沉降；而在非开采区或弱开采区，降水入渗引起的土体膨胀或地下水回升则主导了向上的形变。此外，研究人员也坦承了研究的局限性，包括InSAR无法完全区分物理隆起与沉降减缓、野外采样点数量有限以及FCNN模型缺乏显式的物理约束等。
结论部分总结如下：库姆省的地表形变呈现沉降与隆起并存的二元格局，工程防治需兼顾两者。统计分析与FCNN模型均证实含水层条件、降水及地下水位是最关键的驱动因子。野外试验首次在区内发现了降雨诱导的土壤分散性沉降机制，解释了为何非含水层区域也存在显著形变。所构建的FCNN模型精度可靠（R2=0.93），不确定性可控。该研究提出的“InSAR+深度学习+野外验证”框架，为干旱半干旱区的地质灾害评估提供了可迁移的方法论。
