中国地质调查局南京地调中心提出了基于大模型与机器学习的地面变形灾害易损性评价新方法

【研究概述】

针对目前地面变形灾害易损性评价过度依赖知识驱动模型及专家主观判断的问题，中国地质调查局南京地调中心于博凡等研究人员提出了一种结合大语言模型（LLM）与机器学习的先进分析框架 。该研究以杭州市滨江区典型的填土-粉质黏土区为切入点，通过构建随机森林-BP神经网络（RF-BP）耦合模型，实现了对地面塌陷与沉降易损性的高精度预测，其AUC值较单一模型提升了7% 。更具创新性的是，研究首次引入ChatGPT-4替代人类专家进行防灾权重评价，通过与地质专家的层次分析法（AHP）结果对比，发现两者偏差仅为3%，有效证实了大模型在处理复杂地质逻辑判断中的可靠性与高效性 。

【研究背景】

随着城市化进程的加速，地下空间的开发及人类活动对地层结构的扰动日益频繁 。杭州市作为经济发达地区，平原区广泛分布着填土、散砂及第四纪软土层，在工程荷载与地下管网失效的共同作用下，地面沉降与塌陷灾害频发，严重威胁公众生命财产安全 。传统的灾害易损性评估往往依赖专家主观评分来确定各指标权重，这种方法极易受到专家个人情绪、疲劳度及知识局限性的影响 。因此，如何利用客观的数据驱动模型提升预测精度，并引入智能化的辅助决策手段，成为当前地质灾害防治领域亟待解决的核心课题 。

【研究方法】

研究团队首先通过实地调查与专家会商，识别了包括地表填土厚度、排水管网密度、地下水位埋深等在内的9个核心评价因子 。为了克服地面塌陷等小比例灾害数据样本不足的难题，研究建立了一套研究流程，具体步骤如图1所示。

图1 研究流程图 

在模型架构上，研究采用“Stacking”集成学习策略，将随机森林（RF）与BP神经网络（BPNN）进行耦合。随机森林负责处理多维特征并初步识别模式，而BP神经网络则通过迭代优化进一步精细化非线性映射，最终由一个元模型输出预测结果 。

图2 RF-BP神经网络耦合模型结构示意图 

随后，研究团队将整理好的杭州地质背景资料、历史灾害案例及经济数据输入ChatGPT-4。研究者模拟用户向大模型提出请求，要求其作为“地质专家”对地面沉降与塌陷的影响权重进行逻辑推理与评分，其判断原理遵循图3所示的交互逻辑。

图3 大语言模型判断原理图

【研究结果】

实验结果显示，RF-BP耦合模型在地面塌陷预测中的AUC值达到0.89，显著优于单一随机森林模型的0.83 。在地面沉降预测方面，该耦合模型在不同沉降量级下的AUC表现均在0.97至0.99之间，模拟结果与实际监测数据的重叠度高达90.31%，充分证明了其预测的稳健性 。模型预测结果与实际情况的对比分析如图4所示。

图4 模型AUC-ROC曲线及预测结果与实际情况对比图 

在权重判定任务中，ChatGPT-4给出的地面塌陷与沉降权重比为0.4:0.6 。它认为沉降虽然过程缓慢，但影响范围广且具有长期性，对城市基础设施的潜在威胁更大；而塌陷虽剧烈但相对局域化 。这一逻辑通过了地质专家的严格审核，专家利用层次分析法得出的权重比为0.39:0.61，两者高度契合 。

图5 层次分析法（AHP）评价结果表 

【讨论与总结】

本研究通过对比发现，ChatGPT-4在处理地质评价任务时表现出惊人的速度（仅需20秒，而专家团队需约5小时）和极高的客观性，且能调用广博的背景知识进行关联分析 。然而，大模型目前在图像识别深度及对特定区域微观背景的理解上仍存在局限，且决策过程具有一定的“黑盒”特性 。

综合而言，本研究不仅为小规模地质灾害的机器学习预测提供了行之有效的模板，更开创性地展示了大模型在辅助地质决策中的巨大潜力。最终生成的杭州滨江区地面变形易损性综合分区图显示，高易损区主要集中在建筑密集、人类活动频繁且地下管网复杂的区域，这为城市精细化安全管理提供了科学依据 。

资料整理 | 许帼帼

排版编辑 | 许帼帼

投稿邮箱：401784656@qq.com

欢迎各位的关注与来稿！