基于CNN图像识别与边坡失稳辨识的降雨诱发滑坡时空预测

《Geomatics, Natural Hazards and Risk》：Spatiotemporal prediction of rainfall-induced landslides using CNN-based image recognition and slope instability identification

　　

摘要：现有大量研究采用边坡稳定性分析探讨降雨诱发滑坡并估算其发生时间，但计算所得安全系数（Factor of Safety，FS）< 1所指示的边坡失稳与实际滑坡发生并不完全吻合，常存在显著时间偏差。为解决此局限，本研究不仅应用机器学习模型，还提出一种新颖的混合工作流，将基于物理的水文与边坡稳定性模拟结果同卷积神经网络（Convolutional Neural Network，CNN）、基于密度的空间聚类（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）及长短期记忆网络（Long Short-Term Memory，LSTM）架构进行结构性集成。具体而言，将物理模型生成的FS栅格图作为CNN输入以提取具岩土工程意义的空间特征；再由DBSCAN将CNN输出组织为离散的失稳等级，超越传统的FS二元阈值划分；最后将这些随时间演化的失稳等级与降雨及水文输入共同送入LSTM，以捕捉降雨触发与实际滑坡发生之间的时间滞后效应。该架构创新弥合了静态易发性制图与动态预报间的鸿沟，兼具可解释性与更高预测精度。结果表明该集成方法显著提升了滑坡预测的准确性与可靠性，并可支持详细的风险分级及揭示流域地貌特征控制的滑坡时空变异性。

论文解读：《Spatiotemporal prediction of rainfall-induced landslides using CNN-based image recognition and slope instability identification》发表于《Geomatics, Natural Hazards and Risk》

研究背景与意义

降雨诱发滑坡是全球频发的重大自然灾害，传统无限边坡稳定性分析通过计算安全系数（Factor of Safety，FS）判断坡体稳定状态（FS < 1为失稳），但单纯FS阈值判据往往与实际滑坡发生存在显著时空错位，难以反映降雨入渗导致的孔隙水压力变化及地下水滞后的时间效应，且静态易发性分区无法捕捉动态演化过程。纯数据驱动机器学习模型虽能挖掘非线性关系，却缺乏物理可解释性。为解决物理模型与时间滞后脱节、纯数据驱动缺乏力学约束的问题，研究人员提出了一种物理信息与深度学习混合框架，将瞬态水文—边坡稳定性模拟输出的FS时空分布场依次经CNN特征提取、DBSCAN密度聚类分层、LSTM时序学习，实现具物理可解释性的降雨诱发滑坡时空预测，并在台湾浊水溪流域验证其效能。

主要关键技术方法

研究人员选取台湾浊水溪流域（Zhuoshui River Basin）为研究区，收集经济部中央地质调查所钻孔与野外实测土工参数（黏聚力C'_c、内摩擦角φ、饱和/湿容重γ_s/γ_m、饱和渗透系数K_s），基于10 m分辨率DEM用D8算法算上坡集水面积A_i并以经验公式d_{s_i}= 0.93·ln(A_i/tanβ)估算土层厚度；采用有限元瞬态渗流分析模拟降雨入渗下非饱和—饱和流场获取时段地下水位及孔隙水压力，代入无限边坡模型逐栅格（10×10 m）计算时变FS；将逐时FS栅格图视为单通道灰度图像输入三层卷积神经网络（CNN，核3×3，ReLU，MaxPooling，Dropout=0.25）提取高维特征向量z_i，再对该特征向量空间做DBSCAN（ε=0.5，MinPts=5）无监督密度聚类，依Silhouette系数确定最优聚类数k=4，将失稳形态划分为4级风险等级（Level 1~4）；以6 h滑动时间窗构建多元时序输入X_t=[R_t（小时雨强）, M_t（前期累积雨量）, D_t（连续降雨历时）, A_t（FS<1不稳定区总面积）, L_t（DBSCAN失稳等级One-hot编码）, F_t（CNN特征向量z_i）]送入双层LSTM（128隐单元，Dropout=0.3）预测未来1 h滑坡发生概率P_t，阈值0.5二值化输出；训练标签取自国家灾害数据库记载滑坡时刻前6 h内标记为1，其余为0；数据集按事件划分为训练70%、验证15%、独立测试15%，另用60场无滑坡强降雨事件测误报率，并做留一子流域交叉验证（Leave-One-Sub-basin-Out Cross-Validation，LOSOCV），水文模型以16场洪水率定、6场独立验证。

研究结果

2. Overview of the study area（研究区概况）

浊水溪流域面积3156 km2，上游中央山脉陡坡变质岩（板岩、千枚岩）抗剪强度低，下游冲积平原，属亚热带季风气候，5—10月受台风与季风影响集中暴雨，历史浅层滑坡频发，选取其中11个具历史浅层滑坡记录的子区域作分析单元。

4. Validation of flow simulations（水流模拟验证）

以Station A、B两站实测流量过程线验证瞬态渗流—运动波地表径流模型，对比16场洪水率定、6场独立验证，Nash–Sutcliffe效率（NSE）为0.79~0.93，相关系数R2 > 0.89，模拟与观测洪峰及退水段吻合良好，证明 subsurface flow 模块能合理再现降雨—地下水迟滞响应，为FS计算提供可靠水文输入。

5. Results of recognition and classification for slope-instability images（边坡失稳图像识别与分类结果）

CNN从FS图中提取反映不稳定网格连通性、聚集形态的高维特征向量，经DBSCAN聚类自然分化为四级：Level 1（全坡稳定，零星FS<1）；Level 2（陡坡出现孤立FS<1斑块）；Level 3（不稳定区显著连通扩展，潜水面上升孔隙水压增大）；Level 4（大范围连续FS<1区，峰值雨后仍维持最大不稳定面积，体现滞后效应）。四级划分较固定FS<1阈值更能刻画失稳时空演化，且与降雨累积量、不稳定面积扩张曲线对应。CNN特征随降雨进程动态演变，最终以DBSCAN等级作LSTM输入具明确岩土含义。

6. Performance evaluation of predicting rainfall-induced landslides（滑坡预测性能评估）

对15场历史滑坡事件测试，所提CNN–DBSCAN–LSTM模型正确预测率（R_C）达77.8%~92.3%（均值约84%，95% CI 78%~90%），平均时间误差（E_T）中位数3.2 h（95% CI 2.4~4.1 h），提前预警时长中位数6.0 h（95% CI 4.0~8.2 h）；ROC曲线下面积AUC=0.91，F1-score=0.88，优于仅物理模型（AUC=0.79）及常规LSTM（AUC=0.73）。空间上临界成功指数（Critical Success Index，CSI）=0.81，Matthews相关系数（MCC）=0.78。60场无滑坡强降雨中55场维持Level 1~2，误报率0.08 事件?1。LOSOCV平均命中率0.82±0.04、F1 0.80±0.05，表明框架在流域内未训练子区具外推稳健性。部分子区（No.7、9、10）滑坡多发于Level 3，反映局部地质地貌高敏感性。去除CNN特征或DBSCAN等级任一输入使F1降至0.61、时间误差增2.3 h，证实二者对时序精度贡献显著。Monte Carlo扰动土体参数（C'±3 kPa，φ±3°，d_s±0.4 m，n=500）致FS标准差0.07，不稳定面积波动5%~8%，为主要不确定源。

7. Conclusions（结论，译自原文结论段）

本研究提出一种融合物理地下水与边坡稳定性模拟和先进机器学习技术的创新性降雨诱发滑坡预测方法。其核心新颖性不在于单独使用CNN、DBSCAN或LSTM，而在于将其与物理模拟的FS图谱进行架构性集成：CNN基于具岩土意义的FS空间场（而非原始影像）提取特征；DBSCAN将高维CNN输出转化为离散且可解释的失稳等级；LSTM利用这些演化的失稳等级结合降雨与水文条件解析计算失稳与实际滑坡间的时间滞后。该设计超越静态FS易发性分析，提供动力学、具物理信息的早期预警工具。通过在浊水溪流域11个子区18场历史降雨与滑坡记录严格验证，模型时间预测精度高，滑坡发生紧密吻合Level 3~4临界窗口，捕获了 subsurface saturation 驱动的高峰雨后滞后启动机制；子区准确率77.8%~92.3%，Level 4与实测强相关，部分敏感子区Level 3即发震揭示局部地貌控制。该方法论提升预测精度，支持风险分级与防灾决策，未来可纳入实时物联网（Internet of Things，IoT）传感进一步增强时效性与适应性。本框架为物理—数据混合建模解决降雨诱发滑坡灾害提供了可扩展方案，有助于滑坡易发区社区安全与韧性提升。