.png){kind=icon}
返回
A multi-objective physics-informed machine learning framework for landslide susceptibility mapping
.png){kind=icon}
PRE
AI
DOI：10.1080/17499518.2026.2653043.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
滑坡易发性制图（LSM）对区域地质灾害评估至关重要。然而，传统数据驱动模型往往无法捕捉坡体失稳机制，并产生科学上不一致的预测，特别是在地质复杂或数据有限的地区。本研究提出了一种新颖的物理信息机器学习（PIML）框架，将LSM表述为多目标优化问题。正-未标记（PU）装袋策略识别可靠的非滑坡样本，模型训练联合最小化三种互补损失：监督损失确保预测精度，物理一致性损失约束与安全系数（FoS）的单调关系，风险一致性损失约束与失效概率（PoF）的单调关系。FoS和PoF分别源自简化瞬态入渗模型（STIM）和一阶可靠性方法（FORM），被纳入模型训练以强制科学一致性。对中国甘肃省降雨诱发滑坡的案例研究表明，所提出的框架在精度和科学一致性之间实现了帕累托最优权衡。与基线相比，最优PIML模型在空间交叉验证下提高了平均AUC（0.882 vs. 0.870），减少了73%的不一致性，并优于基于物理的概率模型。结果表明，将岩土工程知识嵌入机器学习可生成既准确又科学合理的易发性图。
Keyword:
Landslide susceptibility mapping
physically-based model
probability of failure
first order reliability method (FORM)
physics-informed machine learning
期刊
机构
引用论文
Landslide susceptibility mapping using physics-guided machine learning: a case study of a debris flow event in Colorado Front Range.png)
ACTA GEOTECHNICA
ACTA GEOTECHNICAIF5.7
PREAI
分享收藏Identifying Structural Priors in a Hybrid Differentiable Model for Stream Water Temperature Modeling
OAAI
OAAI分享收藏A hybrid data-driven approach for rainfall-induced landslide susceptibility mapping: Physically-based probabilistic model with convolutional neural network降雨诱发的滑坡敏感性映射的混合数据驱动方法: 基于卷积神经网络的物理概率模型OAAI
OAAI分享收藏分享收藏Are real-world shallow landslides reproducible by physically-based models? Four test cases in the Laternser valley, Vorarlberg (Austria)LANDSLIDESOAAI
LANDSLIDESIF7
OAAI分享收藏Efficient reliability method for implicit limit state surface with correlated non-Gaussian variables具有相关非高斯变量的隐式极限状态面的有效可靠性方法
PREAI
分享收藏A GIS-based tool for probabilistic physical modelling and prediction of landslides: GIS-FORM landslide susceptibility analysis in seismic areas基于GIS的滑坡概率物理建模和预测工具: 地震区GIS形式的滑坡敏感性分析LANDSLIDES
LANDSLIDESIF7
PREAI
分享收藏
查看更多内容