Учёт прочности грунтов повысил точность картирования оползневой опасности: Random Forest достиг AUC 0,99

Индийские исследователи сравнили два метода оценки оползневой опасности на территории площадью 70 км² в Западных Гатах. При объединении геоморфологических данных с физико-механическими характеристиками грунтов алгоритм Random Forest показал значение ROC-AUC 0,99, тогда как метод анализа иерархий AHP — 0,85. Результаты опубликованы 19 октября 2026 года в журнале Discover Geoscience.

Исследование выполнено в районе города Идукки штата Керала, где крутые склоны, глубоко расчленённый рельеф и интенсивные муссонные осадки создают благоприятные условия для развития оползней. Среднегодовое количество осадков составляет 3000–4000 мм, а значительная часть зафиксированных смещений грунта связана с периодами экстремальных дождей.

Авторы использовали 15 факторов, характеризующих оползневую опасность. Наряду с уклонами поверхности, геологическим строением, гидрографической сетью и другими пространственными характеристиками учитывались геотехнические показатели: пределы текучести и пластичности, число пластичности, удельное сцепление и угол внутреннего трения грунтов.

Включение механических характеристик позволяет дополнить традиционное картирование сведениями о сопротивлении грунтового массива сдвигу. Это особенно важно на склонах, где одинаковая геометрия рельефа может сочетаться с различными прочностными свойствами грунтов и условиями увлажнения.

Для построения и проверки моделей сформировали выборку из 1036 точек. Она включала 503 места зарегистрированных оползней и 533 участка без зафиксированных смещений. Основу каталога составили события, связанные с экстремальными осадками августа 2018 года. Авторы также использовали опубликованные сведения Геологической службы Индии.

Метод AHP предполагает экспертное определение относительной значимости факторов с помощью попарного сравнения. Для каждого параметра назначается вес, после чего формируется интегральная карта оползневой опасности. Такой подход позволяет учитывать инженерные представления о механизмах потери устойчивости, но зависит от выбора весовых коэффициентов.

Random Forest использует другой принцип. Алгоритм строит множество деревьев решений и определяет статистические зависимости между характеристиками территории и известными оползневыми событиями. В исследовании применялась модель из 100 деревьев, реализованная на Python с использованием библиотеки Scikit-learn.

Для обучения Random Forest использовали 70% выборки, оставшиеся 30% предназначались для проверки результатов. Качество оценивали по ROC-AUC, точности классификации, полноте обнаружения оползней и F1-мере.

Random Forest продемонстрировал более высокие показатели по всем основным метрикам. Значение полноты составило 0,947 против 0,753 у AHP, а F1-мера достигла 0,945 против 0,765. Показатель ROC-AUC составил соответственно 0,99 и 0,85.

При этом AUC характеризует способность модели различать оползневые и неопользневые участки при изменении порога классификации. Значение 0,99 не следует интерпретировать как гарантию правильного прогноза 99% будущих оползней.

Существенные различия обнаружились и в пространственном распределении опасных зон. По модели Random Forest к высокой и очень высокой категориям отнесено 39,07% территории. Участки очень высокой опасности занимают 11,29 км², высокой — 16,04 км².

Модель AHP выделила значительно меньшую площадь наиболее опасных зон: 15,71% территории получили высокую категорию и 8,1% — очень высокую. При этом на две эти категории приходилось 66,21% зарегистрированных оползней.

Различия объясняются особенностями методов. AHP формирует более сглаженную картину, основанную на заданной экспертной значимости факторов. Random Forest способен выявлять нелинейные сочетания условий и локальные особенности территории, связанные с распределением известных оползней.

В частности, Random Forest выделил повышенную опасность в северо-западной части исследуемой территории, включая район Канджикужи, и на отдельных восточных участках. Метод AHP, напротив, сосредоточил наиболее опасные зоны преимущественно в центральной и западной частях района.

Для инженерных изысканий работа интересна возможностью совместного использования данных ДЗЗ, цифровых моделей рельефа, геологической информации и результатов лабораторных испытаний грунтов. Такой подход позволяет создавать карты, в которых учитываются не только внешние условия развития оползней, но и характеристики сопротивления грунтового массива сдвигу.

Однако результаты получены для конкретного района и проверены преимущественно по историческому каталогу оползней. Высокая точность на выделенной тестовой выборке не гарантирует аналогичного результата при переносе модели на другие территории или при изменении условий увлажнения и землепользования.

Кроме того, карта оползневой восприимчивости не заменяет расчёт устойчивости конкретного склона. Для проектирования подпорных сооружений, противооползневых мероприятий и фундаментов по-прежнему необходимы инженерно-геологические изыскания, определение расчётных характеристик грунтов и анализ возможных поверхностей скольжения.

Исследование показывает, что сочетание геотехнических параметров с машинным обучением может повысить информативность регионального районирования оползневой опасности. На рассматриваемой территории Random Forest обеспечил более точную классификацию известных оползневых участков, чем экспертный метод AHP.