SEISAMUSE

Paper Reading (66)

· 3 min read · paper seismology landslide machine-learning

Paper Information

  • Title: Decoupling Seasonal Seismic Velocity Changes on Slow-Moving Slopes in Southwest China Using Tree Ensemble Machine Learning
  • First Author: Dekang Li
  • Corresponding Author: Fan Xie (xiefan@cea-igp.ac.cn)
  • Affiliation: Computer Network Information Center, Chinese Academy of Sciences; Institute of Geophysics, China Earthquake Administration; Institut Terre et Environnement de Strasbourg, CNRS/Université de Strasbourg; Department of Geoscience, University of Padova; State Key Laboratory of Hydroscience and Engineering, Tsinghua University
  • Journal: Geophysical Research Letters
  • DOI: 10.1029/2025GL121238

Abstract (Translated)

地震波速变化（δv/v）能用来评估滑坡损伤演化，但它受气温、湿度、降雨、气压和地震活动等多种外部因素共同影响。本文在四川西南部的普布沟（PBG）岩质滑坡和金坪子（JPZ）碎屑土滑坡开展了约两年的原地连续观测，用环境噪声互相关提取日尺度 δv/v，然后用 XGBoost 回归和 SHAP（SHapley Additive exPlanation）可解释性方法，定量分析每个因素对 δv/v 的边际贡献。

结果是：XGBoost 在 PBG 和 JPZ 的测试集上分别达到 R²=0.850 和 0.677，优于 RF 和 LightGBM。SHAP 分析显示气温是两个斜坡的主导因素，但关系形态不同：PBG 上接近线性，JPZ 上则呈非线性，存在明显的拐点。作者认为这种差异主要归因于两类斜坡的本构物质性质不同，而不是水文过程主导。

Research Context

Importance

慢速滑坡对水电站、道路和居民区构成长期风险，但它们的破坏演化往往不是突然的，而是被温度循环、降雨、湿度变化和微震反复揉搓出来的。δv/v 是环境噪声地震学里一个对介质弹性变化非常敏感的指标，已经被广泛用于冰川、火山和滑坡监测。

问题是：δv/v 变了，到底是谁变的？传统做法用多元线性回归（MLR）估计每个因素的响应系数，但这个方法有两个明显短板：第一，它给不出每个因素的边际贡献；第二，它很难描述主导因素到底怎么调制 δv/v，尤其是在非线性关系里。这篇文章想用 XGBoost + SHAP 把这几个因素拆开看。

Tectonic setting and terrain of PBG and JPZ slopes

图 1. 普布沟（PBG）岩质滑坡与金坪子（JPZ）碎屑土滑坡的区域构造背景与三维地形，蓝点为地震台站位置。

Previous Studies

  • Sens-Schönfedler & Wegler (2006)、Snieder (2006)：环境噪声互相关与尾波干涉是测量 δv/v 的基础方法。
  • Larose et al. (2015)、Bièvre et al. (2018)、Mainsant et al. (2012)：δv/v 变化与介质损伤或刚度下降相关，已在滑坡中应用。
  • Wang et al. (2017)、Xie et al. (2023)：在中国西南滑坡用环境噪声干涉和 MLR 研究季节性波速变化，是本文直接的前期基础。
  • Lundberg & Lee (2017)：SHAP 方法为树模型提供后验可解释性。

Limitations of Previous Research

前人把 δv/v 和环境因素联系起来，但多半是线性回归。线性回归告诉我们“气温每升一度 δv/v 怎么变”，却没告诉我们“在所有因素里，气温到底占多少”。另外，岩质滑坡和土质滑坡对同一外力的响应可能完全不同，但系统对比两类斜坡的研究很少。

Methodology

Data

作者在四川西南部选了两个典型斜坡：

  • PBG（普布沟）：岩质斜坡，海拔 780–1180 m，平均坡度 45°，由凝灰岩和辉绿岩组成，上部以 21 mm/yr 的速率发生倾倒变形，被归类为慢速岩质滑坡。
  • JPZ（金坪子）：碎屑土斜坡，海拔 790–1550 m，平均坡度 23°，上部为松散白云岩块石，下部为含千枚岩碎屑的粉质粘土，日位移速率 69–318 mm/yr，属于平移式碎屑土滑坡。

每个斜坡布设两台短周期地震仪，采样率 100 Hz，记录连续环境噪声：

  • PBG：2020-10-01 至 2023-02-26，共 879 天；
  • JPZ：2022-07-13 至 2024-06-22，共 711 天。

同时布设气象站记录气温、相对湿度、降雨和气压，并基于四川/云南地震目录计算每日地震事件数和峰值地面速度（PGV）。

Methods

处理流程大致分三块：

  1. 环境噪声 δv/v：2–20 Hz 带通滤波、谱白化、one-bit 归一化、去除三倍标准差以上的瞬态干扰；计算垂直分量互相关函数，因果/非因果平均后日叠加得到 daily CCF；以参考 CCF 为基准，用 stretching 方法测量尾波窗口（1–10 s）内的 dt/t，即 δv/v。

  2. XGBoost 预测：输入特征为气温、相对湿度、气压、降雨、PGV 和地震频次；输出为日尺度 δv/v。用随机搜索 + 五折交叉验证调参 1000 组组合，训练/测试按 75/25 划分，并与 RF、LightGBM 比较 R²、RMSE、MAE。

  3. SHAP 可解释性：基于 TreeSHAP 计算每个特征对每个样本的 SHAP 值，取平均绝对值作为全局重要性；通过散点图揭示局部依赖关系，重点看气温与 δv/v 的关系形态。

Results

模型表现

XGBoost 在两个斜坡都优于 RF 和 LightGBM。测试集上 PBG 的 R²=0.850，JPZ 的 R²=0.677。PBG 预测明显更稳，可能是因为岩质斜坡的物理过程更一致；JPZ 作为土质斜坡，非线性和噪声更强。

主导因素：气温

SHAP feature importance for PBG and JPZ slopes

图 3. PBG 与 JPZ 斜坡六个输入特征的平均 |SHAP| 排名（左）与 SHAP 值分布（右）。气温在两处都占主导地位。

SHAP 全局重要性显示：

  • PBG：气温贡献 62.1%，湿度 15.8%，气压 9.6%，PGV 6.7%，地震频次 3.5%，降雨 2.3%；
  • JPZ：气温贡献 44.9%，湿度 18.1%，气压 11.9%，降雨 9.8%，PGV 9.2%，地震频次 6.2%。

气温在两处都是绝对主导。相对湿度和气压位居二三，但降雨在 JPZ 比在 PBG 重要得多，符合土质斜坡对水更敏感的直觉。

气温-δv/v 关系：线性 vs 非线性

SHAP dependence of air temperature

图 4. 气温对 δv/v 贡献的 SHAP 依赖图。PBG 接近线性，JPZ 在约 7.4–17.5°C 区间呈现明显的非线性平台。

这是文章最抓人的结果：

  • PBG：气温 SHAP 值随温度升高近似线性增长，拐点约 15.3°C；
  • JPZ：整体也呈正相关，但在 7.4–17.5°C 区间出现一段“平台”，拐点约 23.6°C。

作者解释，PBG 岩体热导率和热膨胀系数较高，温度变化引起的热弹性应变更显著、响应更直接；JPZ 由砾石土、粉质粘土和千枚岩碎屑组成，孔隙结构非均质，热物理性质差异大，导致同一温度区间内响应被“稀释”或延迟。

与多元线性回归的对比

文章也用仅含气温、湿度和气压的 MLR 做了拟合。MLR 同样显示气温正相关，且 PBG 的气温系数更大，与 SHAP 一致。但 MLR 无法捕捉 JPZ 上湿度的非线性贡献，导致其低估湿度的重要性。SHAP 的价值就在这里：既能给全局排名，也能暴露局部分段行为。

Discussion

Innovations

  1. 预测 + 解释一体化：不是简单用 XGBoost 拟合 δv/v，而是用 SHAP 把黑箱打开，回答“谁重要、怎么重要”。
  2. 跨斜坡对比：把岩质和土质两个慢速滑坡放在一起比较，发现同一主导因素可以表现出完全不同的关系形态。
  3. 定量化边际贡献：用 SHAP 百分比把各因素的相对重要性算出来，比单纯看响应系数更直观。

Contributions

  • 提供了一个可推广的框架：用可解释机器学习把滑坡 δv/v 的季节性驱动因素拆开。
  • 指出在两类不同物质组成的斜坡上，温度控制机制可能不同：岩质斜坡更直接地热弹性响应，土质斜坡受非均质孔隙结构和热物性调制。
  • 说明传统 MLR 在非线性关系上会低估某些因素的作用， interpretable ML 在滑坡监测里有实际价值。

Limitations

  • 只有两个斜坡，代表性有限。中国西南滑坡类型很多，不能简单外推到所有岩质或土质斜坡。
  • 2–20 Hz 尾波主要敏感于地表下数米到约 200 米，深部结构信息不足。
  • SHAP 解释需要领域知识 caution；它给出的是模型内的贡献，不是物理因果。
  • PGV 和地震频次来自区域目录，震源距离和路径影响没有单独校正。
  • XGBoost 刻画的是“关系”，不是严格的时间序列预测；训练和测试是随机划分，没有按时间外推验证。

Personal Thoughts

这篇工作和我最近在复现的方向很接近：都是看 δv/v 的季节性变化，但作者用 XGBoost + SHAP 把驱动因素拆开，比我之前想的多元线性回归前进了一步。SHAP 的妙处不是让模型更准，而是让模型的“理由”变得可读。

我觉得最有价值的是图 4 里那个非线性平台。如果只是跑 MLR，这条曲线就会被压成一条直线，湿度和温度的交互也可能被掩盖。SHAP 依赖图把 JPZ 土坡的复杂热-水-力学响应暴露出来了。这对工程监测有实际意义：同样的温度阈值预警，在岩坡和土坡上可能完全不通用。

不过我也同意作者的谨慎：SHAP 只是“模型里的解释”，不是物理定律。它告诉我们气温重要，但为什么在非线性区间出现平台，还需要更多独立观测（比如含水量、孔隙压力、位移）来验证。否则解释就变成了另一种黑箱叙事。

另外，文中 PBG 和 JPZ 的数据都来自自己布设的台站，这种长期、同址、配气象站的数据集本身就是竞争力。做滑坡 δv/v 的人很多，但能同时提供高质量噪声、气象和可解释性分析的， still 不多。这个数据要是公开，后续研究会受益不少。

Comments

← 关于游戏 Blog 凡事发生皆有利于我 →