未上报地点是删失而非负样本
多数天坑易发性研究把任务设定为对已观测天坑和抽样的非天坑地点做二分类。论文认为这会引入标签误差：许多上报的凹陷并非经野外核实的天坑，而许多易发地点因上报偏差、监测有限或记录不完整而未被上报。因此，把未上报地点当作确认的负样本，等于编码了一个数据无法支持的假设。
所提框架改为把每个地点表示为已上报沉降或右删失。以日历年为时间尺度，观测时间取首次上报沉降年份与最终观测年份中的较小值，事件指示变量标记是否确实上报了沉降。删失地点保留在风险集中直到其删失年份，贡献的是“到那时尚未发生事件”这一信息，而不是被当作硬负样本。这正是输出连续且带时间信息、而非静态类别标签的原因。
三类模态经由各自编码器进入模型
控制天坑形成的因素跨越异质数据模态，它们在分辨率、时间节奏和尺度上各不相同。模型将它们分开处理，而不是压平成一个特征向量。多层感知机编码岩性、土壤类型和水力属性等表格属性；卷积网络编码每个地点周围栅格图层的空间斑块；循环网络把年降水摘要编码为截至预测年份的多元序列。
三个嵌入加上一个空间上下文项，由融合模块组合，该模块实现为拼接后接线性投影，最后一个多层感知机把融合表示映射为对数相对风险。完整风险等于基线风险乘以该项的指数。参数通过最小化带Breslow并列处理的负Cox偏似然来估计，因此只有观测到事件的地点才进入事件求和项。
易发性是校准后的10年概率
训练完成后，基线累积风险由训练地点通过Breslow估计器估计。对任意空间单元，从年份t开始、跨K年视野的生存概率由该视野内累积风险之差计算，原始互补发生概率等于1减去该生存概率。
论文指出，由于沉降事件稀少，这一原始概率在绝对意义上校准很差：网络对地点排序良好，但原始数值与观测到的事件频率不匹配。因此，模型输出再复合一个单调等渗校准映射，该映射在验证窗口上用池相邻违例算法拟合。这一步以对区分度可忽略的代价消除了校准误差，使输出可读作绝对的10年概率。
县级划分是更可靠的估计
研究在两种留出机制下评估。随机划分把单个滑动窗口均匀随机分配到训练、验证和测试，衡量的是插值：由于同一地点的窗口在10年输入上高度重叠，一个地点的相邻窗口可能同时出现在训练和测试中。县级（即地质单元）划分把整个地质单元分配到同一折，因此留出地点在空间上与训练集不相交，其结果衡量的是对未见地形的泛化。
预训练多模态模型在随机划分上C-index为0.780，在县级划分上为0.703。论文把0.077的差距归因于同一地点近重复窗口之间的插值，因为相邻窗口共享10个观测年份中的9个，并指出县级数字是对未见地形更可靠的估计。两种划分下ROC-AUC均为0.899，说明差距位于考虑删失的时间一致性，而非二分类区分能力。
与降水的融合带来主要增益
把静态模态与降水融合是性能的主要驱动因素，相对仅用时间序列的基线同时提升了C-index和ROC-AUC。在县级划分下，仅时间序列模型C-index为0.696、ROC-AUC为0.888，多模态模型为0.695和0.904。在随机划分下，仅时间序列模型为0.743和0.879，多模态模型为0.780和0.899。
完全未参与训练的确认天坑所获得的校准风险升至约背景值的7倍。论文报告多模态模型在随机划分下提升倍数为7.1倍，县级划分下为6.9倍，而仅时间序列模型分别为4.4倍和6.4倍。这些未见天坑仍得分很高，且集中在中西部喀斯特带而非被均匀抬高，论文据此认为模型捕捉的是真实易发性而非记忆地点，这与沉降受降水无法单独定位的地下岩性控制相一致。
预训练没有稳定增益
框架包含一个自编码器预训练阶段，在生存阶段之前训练每个模态编码器重建其输入，之后丢弃解码器。消融结果显示这没有稳定增益。在随机划分下，预训练多模态模型在C-index和ROC-AUC上与未预训练模型持平，均为0.780和0.899，而提升倍数略低，为7.0倍对7.1倍。在县级划分下，预训练把C-index从0.695提高到0.703，但ROC-AUC基本不变，提升倍数略低，为6.8倍对6.9倍。
论文的解释是，无论初始化如何，微调都能恢复出等效的编码器。这对比较架构的读者很重要：多模态整合的已报告收益来自模态组合，而非预训练阶段，且县级划分上0.008的C-index差异相对于两种划分之间0.077的差距很小。
全州地图显示与未显示的内容
研究覆盖佛罗里达州，结合三个公开数据集：佛罗里达地质调查局的沉降事件位置、PRISM 1895至2025年的年降水，以及浅层水位与佛罗里达含水层系统之间的水头差。筛选沉降记录后，保留了6302个天坑和非天坑地点。每个地点被转换为年度滑动样本，使用10年降水观测窗口后接10年预测视野，共产生557946个样本，事件率很低。
按每个地点最近十年评分，所得全州地图把高易发性集中在中西部喀斯特带，与确认天坑分布重合，但并未拟合这些标签。论文的主张是该方法能有效对天坑风险排序，并捕捉发生情况的空间变化。该地图是固定10年视野上的易发性曲面，不是对单个塌陷的带日期预测，而县级划分仍是把它读作模型未见地形基准时的相关参照。
应以县级划分数字锚定判断
这篇论文中最具决策相关性的比较，不是孤立地比较多模态与仅时间序列，而是读者该信任哪种划分机制。随机划分的0.780 C-index被同一地点的重叠窗口抬高，论文本身也认定县级划分的0.703是对未见地形更可靠的估计。因此，评估该框架是否可用于新区域，应从空间分块的数字出发，而不是插值数字。
第二个重点是校准步骤。原始Cox概率排序良好但校准不佳，等渗映射才把它们转换为绝对的10年概率；没有它，排序仍可用，但数值不可用。第三是消融结果：既然编码器预训练没有稳定增益，该框架的价值就落在各模态专属编码器加跨模态融合上，而完全未参与训练的确认天坑上约7倍背景值的提升倍数，最能概括这种融合带来了什么。
本文引用的文献
Multimodal Deep Survival Analysis for Sinkhole Susceptibility
一个把未上报地点视为右删失而非负样本的多模态Cox比例风险框架，在空间分块的县级划分上C-index为0.703，在随机划分上为0.780，两种划分下ROC-AUC均为0.899，并给未参与训练的确认天坑分配约7倍背景值的校准风险。