Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

在许多现代城市的街道下方，隐藏着一层天然气，它们被困在紧邻地表、水分饱和的松散土壤中。这并非用于为家庭供能的那种深层高压气体，而是一种浅层的、通常由生物产生的甲烷混合物，它在砂石和泥土中积聚成囊。由于其位置离地表非常近，这种气体可以产生巨大的压力，从而对建筑工程、地铁隧道甚至建筑地基构成无形的威胁。当工人们钻探地面或挖掘新地下室时，他们面临着刺破这些压力囊的风险，这可能导致突然的地层坍塌、气体爆炸或土壤与水的喷出。对于城市规划者和工程师而言，长久以来的挑战在于如何在开始挖掘之前，准确预知这些危险囊的存在。传统上，预测这些危害主要依赖于地质学家的经验以及对当地岩层的解读，这种方法在某些地方行之有效，但在捕捉密集城市环境中复杂且多变的天然气积聚模式方面却显得力不从心。

为了应对这种不确定性，一组研究人员转向了一种不同的方法，利用一种强大的计算机学习工具来绘制中国浙江省沿海城市龙岗的隐藏风险图。研究人员并没有仅仅依赖人类的直觉，而是将海量的地质数据输入到一种被称为 XGBoost 的算法中，这是一种旨在发现复杂数据集中细微模式的机器学习模型。研究人员收集了影响天然气积聚并引发问题的八个特定条件的信息：气体的深度、所施加的压力、含气层的数量、土壤中的有机碳含量、含水量、土壤孔隙度、气体饱和度以及地层的总压力。他们将这座城市视为一个巨大的网格，将其划分为一个个小方格，并根据每个方格是已知的地面坍塌点还是安全区域进行标注。通过训练计算机去识别危险区域与安全区域所具备的因素组合，该模型学会了如何预测其他地方可能存在的类似风险。

这些数字训练的结果令人瞩目。在通过一种精密的优化方法寻找其计算参数的最佳设置后，该计算机模型在区分安全地面与危险区域方面表现出了极高的准确性。在针对真实世界数据进行测试时，该模型的得分很高，表明它能够可靠地将危险区域与安全区域区分开来，其表现远优于随机猜测。分析显示，预测灾害最关键的因素仅仅是土壤中存在的含气层数量；含气土壤层叠得越多，风险就越高。紧随其后的是气体的饱和度和土壤的孔隙度。该模型还阐明了某些因素是如何抑制危险的，即较高的有机碳含量和特定的压力条件实际上有助于降低喷发风险。

利用这些见解，研究人员生成了一张通过颜色编码来表示龙岗风险等级的详细地图。地图显示，虽然城市的大部分区域处于中等风险类别，但特定的社区，尤其是东派和西派社区，位于高易感区。这一发现与历史记录高度吻合，因为该地区几乎所有已发生的地面坍塌都发生在该模型识别出的高风险区域内。这项研究证明，数据驱动型工具可以成功解码浅层天然气的复杂地质信号，提供了一种比传统方法更精确的识别危险区域的方式。虽然目前的模型依赖于静态地质数据，尚未考虑可能触发坍塌的动态人类活动或连锁反应，但它为未来的安全规划奠定了坚实的基础。通过精准定位地面最可能失效的位置，这种方法帮助像龙岗这样的城市更好地应对脚下的隐形力量，确保未来的建设能在对地下风险有更清晰了解的前提下有序进行。