基于机器学习的滑坡易发性预测建模及其主控因子识别

不同机器学习预测滑坡易发性的建模过程及其不确定性有所差异, 另外如何有效识别滑坡易发性的主控因子意义重大。针对上述问题, 以支持向量机(support vector machine, 简称SVM)和随机森林(random forest, 简称RF)为例探讨了基于机器学习的滑坡易发性预测及其不确定性, 创新地提出了"权重均值法"来综合计算出更准确的滑坡主控因子。首先获取陕西省延长县滑坡编录和10类基础环境因子, 将因子频率比值作为SVM和RF的输入变量; 再将滑坡与随机选择的非滑坡样本划分为训练集和测试集, 用训练好的机器学习预测出滑坡易发性并制图; 最后用受试者工作曲线、均值和标准差等来评估建模不确定性, 并计算滑坡主控因子。结果表明: ①机器学习能有效预测出区域滑坡易发性, RF预测的滑坡易发性精度高于SVM, 而其不确定性低于SVM, 但两者的易发性分布规律整体相似; ②权重均值法计算出延长县滑坡主控因子依次是坡度、高程和岩性。实例分析和文献综述显示RF模型相较于其他机器学习模型属于可靠性较高的易发性模型。      

基于深度学习的滑坡灾害易发性分析

滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。     

考虑线状环境因子适宜性和不同机器学习模型的滑坡易发性预测建模规律

对于滑坡易发性预测中的水系、公路和断层等线状环境因子, 现有研究大多采用缓冲分析提取距离线状因子的距离。但缓冲分析得到的线距离属于离散型变量, 带有大小不等的随机波动性且对点或线要素的误差较为敏感, 导致滑坡易发性建模精度下降。提出了使用水系和公路的空间密度等连续型变量改进线状环境因子的适宜性。以江西省安远县为例, 选取高程、地形起伏度、距水系和公路距离等14个环境因子(原始因子), 再将距水系和公路距离2个线状因子改进为水系密度和公路密度(改进因子); 之后采用逻辑回归、多层感知器、支持向量机和C5.0决策树等机器学习模型, 分别构建了基于原始因子和改进因子的机器学习模型以预测滑坡易发性; 最后利用ROC曲线和易发性指数分布特征等来研究建模规律。结果表明: ①改进因子机器学习预测精度均高于原始因子机器学习模型, 表明空间密度对于易发性预测的适宜性更好; ②在4类机器学习模型中C5.0模型对于滑坡易发性预测性能最好, 其次是SVM、MLP和LR; ③水系和公路两类环境因子的重要性较高且使用改进因子机器学习后这两类环境因子重要性排名依然非常靠前。      

基于贝叶斯优化机器学习超参数的滑坡易发性评价

利用机器学习模型进行滑坡易发性评价时, 不同的超参数设置往往会导致评价结果的不同。采用贝叶斯算法对4种常见机器学习模型(逻辑回归LR、支持向量机SVM、人工神经网络ANN和随机森林RF)的超参数进行了优化, 探索了该算法对滑坡易发性机器学习模型的优化效果。以湘中地区4县(安化县、新华县、桃江县和桃源县)滑坡易发性评价为例说明该算法的可行性与适用性。基于滑坡历史编录, 确定研究区内1 017个滑坡点, 并选定15个滑坡影响因子, 以此构建滑坡易发性模型的训练集和测试集。利用贝叶斯优化算法对4种机器学习模型的主要超参数进行了优化, 依据优化后的超参数建立了4种优化模型, 并使用AUC值等指标来比较其预测能力。结果表明: 经超参数优化后的4种机器学习模型预测性能均有所提高, 且基于贝叶斯优化的随机森林模型表现最好。      

采用多模型融合方法评价滑坡灾害易发性:以湖北省五峰县为例

不同的易发性评价模型可以得到有差异的滑坡空间预测结果，选取最优模型甚至综合各模型的优势是提高易发性评价精度的有效方法。为检验模型融合思路的有效性，以鄂西地区五峰县渔洋关镇为研究区，提取坡度、地层、断层、河流、公路等7个滑坡成因条件，分别采用信息量模型、证据权模型和频率比模型进行滑坡易发性评价；并将3种模型分别进行归一化、主成分分析（PCA，Principal component analysis）和优势融合，得到了6幅易发性分区图。结果表明:优势耦合模型精度最高（90.3%），频率比模型次之（89.7%），归一化融合模型和PCA融合模型分别为89.3%和89.1%，以上4种结果的精度均高于证据权模型（87.7%）和信息量模型（87.6%）；6幅预测图对应的评价结论与历史滑坡空间分布的实际情况相符。空间一致性对比结论表明，主成分融合模型与优势耦合模型的同格率高达68%，其预测结果避免了单个模型预测结论带来的偶然性和片面性，说明多模型融合方法与优势耦合模型在提高滑坡易发性预测精度上是可行性的，该思路对其他地区滑坡灾害易发性评价具有借鉴意义。      

人工神经网络和决策树模型在滑坡易发性分析中的性能对比

机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。     

确定性系数与随机森林模型在云南芒市滑坡易发性评价中的应用

编制科学的滑坡易发性分区图,可以有效降低灾害带来的损失。以云南省芒市为研究区,利用确定性系数模型（certainty factor,简称CF）方法计算各个因子的敏感值,作为随机森林（random forests,简称RF）的分类数据,选取合适的训练数据和最优化的模型参数进行模型预测,从而对研究区进行滑坡易发性评价分区。采用频率比方法将连续性因子离散化,从而通过确定性系数计算因子不同区间的滑坡易发性,同时利用CF先验模型,对研究区负样本进行选取。通过计算袋外误差得到最优化的RF参数,随后利用RF模型对研究区模型进行训练及预测。绘制ROC曲线和三维遥感影像对预测模型结果分别进行定量和定性评价,结果表明,所得到的模型精度为91%,优于随机抽样得到的结果。最后,采用平均基尼不纯度减少和平均准确度下降两种计算方法计算、评价了研究区各个因子的重要性。基于以上对研究区进行的滑坡易发性评价结果,可以为该区灾害风险评估和管理提供依据。      

支持向量机与Newmark模型结合的地震滑坡易发性评估研究

Newmark位移模型是研究地震滑坡易发性的经典模型,机器学习方法支持向量机模型也越来越多的应用到滑坡易发性评估研究。本文将Newmark位移模型与支持向量机模型相结合,建立基于物理机理的地震滑坡易发性评估模型并应用于2008年汶川地震重灾区汶川县。从震后遥感影像目视解译出汶川县1900处地震诱发滑坡,并将其随机划分为70%的训练数据集和30%的验证数据集。选择地形起伏度、坡度、地形曲率、与构造断裂带距离、与水系距离、与道路距离6个因子与Newmark位移值共同作为地震滑坡易发性影响因素。利用ROC曲线和模型不确定性等指标对模型结果进行评估,并与二元统计模型频率比和多元统计模型Logistic回归的结果进行对比。结果表明：与频率比和Logistic回归模型相比,支持向量机模型的正确率最高,训练集和验证集ROC曲线下的面积分别为0.876和0.851。将模型应用于绘制汶川县地震滑坡易发性图,结果显示滑坡易发性图与实际的滑坡点位分布一致性较高,有80.4%的滑坡位于极高和高易发区。这说明支持向量机与Newmark位移方法结合建立的地震滑坡易发性评估模型有较高的预测价值,可以为滑坡风险评估和管理提供依据。     

基于有效降雨阈值的澧源镇滑坡灾害危险性分析

以湖南省澧源镇为例,利用证据权模型和灰色关联度模型分别计算了坡度、地层岩性、斜坡形态、土地利用类型、人类工程活动5个因子二级状态证据权值和一级因子权重;综合2种模型确定全区滑坡易发性指数后,完成基于斜坡单元的全区滑坡易发性区划;根据研究区岩土体类型（碎屑岩类、碳酸盐岩夹碎屑岩类、碳酸盐岩类和松散岩土体类）分组研究不同滑坡发生概率下的有效降雨阈值曲线（I-D曲线）。研究降雨时间为3日、有效强度为22.4 mm/d的降雨工况下各岩土体类型滑坡发生的时间概率。综合时间概率和易发性结果得到澧源镇基于有效降雨阈值的滑坡灾害危险性区划图。研究结果表明:澧源镇滑坡灾害高和极高易发区占研究区总面积的25%,主要沿澧河分布;极高危险区和高危险区占研究区总面积的14%,主要分布在澧河北侧。      

基于逻辑回归模型和3S技术的思南县滑坡易发性评价

区域滑坡易发性评价对滑坡灾害防治具有重要意义，贵州省思南县由于其特殊的自然地理和地质条件，受滑坡地质灾害的影响非常严重，因此，非常有必要对思南县的滑坡易发性进行评价。在滑坡编录的基础上，采用由RS、GIS和GPS组成的3S技术，获取了思南县的数字高程模型、坡度、坡向、剖面曲率、坡长、岩土类型、地表湿度指数、距离水系的距离、植被覆盖度和地表建筑物指数10个滑坡影响因子；再在频率比和相关性分析的基础上，利用逻辑回归模型对思南县的滑坡易发性进行了评价并绘制了易发性分布图。结果表明:利用逻辑回归模型预测思南县滑坡易发性的准确率(AUC值)达到0.797，较为准确地预测出了思南县滑坡分布规律；极高和高滑坡易发区主要分布在高程低于600 m、地表坡度较大且以软质岩类为主的区域；而极低和低滑坡易发区主要分布在高程较高、地表坡度较小且以硬质岩类为主的区域。      

基于证据权法的巴东县城滑坡灾害易发性评价

巴东县城由于其特殊的地理位置和特有的地质条件，使之成为滑坡灾害多发地带，严重威胁着巴东县城的发展，因此，有必要对巴东县城进行滑坡易发性评价研究。首先，基于GIS平台分别提取影响滑坡发生发育的各指标因子（地层岩性、地形地貌、地质构造、水文地质条件等），并划分证据层；其次，采用证据权法分别计算各证据层的权重及后验概率；然后将单元各证据层后验概率进行叠加，生成滑坡易发性分区图；最后，使用自然断点法将研究区按滑坡易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类，极高易发区与高易发区面积之和约占研究区总面积的33%，其中86%的已有滑坡发生在极高易发区和高易发区，利用成功率曲线检验表明区划效果较好。      

基于信息量模型和数据标准化的滑坡易发性评价

本文以北川曲山-擂鼓片区为研究区,将坡度、坡向、高程、地层、距断层的距离、距水系的距离和距道路的距离作为该区域滑坡易发性评价因子。采用信息量模型计算了各项评价因子的信息量值,并运用4种标准化模型对信息量值进行标准化处理。各评价因子的权重由层次分析法（AHP）确定。在GIS中将权重值和各评价因子的标准化信息量值,进行叠加计算得到区域滑坡总信息量值,并基于自然断点法对其进行重分类,将研究区划分为极高易发区、高易发区、中易发区、低易发区和极低易发区5级易发区。将基于4种标准化模型和信息量模型得到的滑坡易发性评价结果进行了对比分析,结果表明：基于最值标准化信息量模型的滑坡易发性评价结果的ROC曲线下面积AUC值为0.807,高于其余模型的AUC值,说明最值标准化信息量模型的滑坡易发性评价效果最好。极高易发区面积占研究区面积的20.03%,离断层和水系较近,主要分布地层为寒武系、志留系和三迭系。研究结果可为区内滑坡风险评价和灾害防治提供参考。     

基于改进两步法采样策略和卷积神经网络的崩塌易发性评价

机器学习在崩塌滑坡泥石流地质灾害易发性分析评价领域已得到广泛的研究性应用,非灾害样本的选取是易发性建模过程中的关键问题,传统随机抽样和手工标注方法可能存在随机性和主观性。将土质崩塌易发性评价视为正例无标记(positive and unlabeled,简称PU)学习,提出了一种结合信息量(information value,简称IV)和间谍技术(Spy)的两步卷积神经网络(convolutional neural networks,简称CNN)框架(ISpy-CNN)。以广州市黄埔区崩塌编录和15类基础环境因子,通过信息量模型筛选出部分低信息量样本;采用间谍技术训练CNN模型,从低信息量样本中识别出具有高置信度的可靠负例划分为非崩塌样本;分别基于该学习框架、传统间谍技术和随机抽样,使用支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)对比验证。结果表明,ISpy-CNN框架在验证集上的准确率、F1值、敏感度和特异度较随机采样分别提升了6.82%,6.82%,6.82%,8.23%,较传统Spy技术分别提升了2.86%...     

基于特征筛选与差分进化算法优化的滑坡危险性评估方法

突发性地质灾害危险性评估对灾害防治与风险管理具有重要意义。由于不同地区影响灾害发生的因子各不相同,实际评估过程中难以全面客观地选取适宜的评估因子。机器学习对处理灾害系统的高维非线性问题独具优势,但因模型难以调优而评估效果有限。本文尝试提出一种双向优化的滑坡危险性评估方法：在构建因子敏感性指数开展定量敏感性分析的基础上,结合重要性分析、相关性分析、共线性分析构建四维(Four-Dimensional, 4D)特征筛选法用于评估因子综合优选;为克服模型难以调优的问题,引入差分进化(Differential Evolution, DE)算法优化支持向量机(Support Vector Machine, SVM)与多层感知机(Multi-Layer Perceptron, MLP) 2种推广能力较强的机器学习模型。最后,以福建省滑坡为例,开展评估方法研究。研究表明：4D特征筛选法能更加客观全面地选取适宜性更高的危险性评估因子,从而降低数据维度、减少信息冗余以提升评估模型性能;DE算法对SVM与MLP具有显著的优化效果,有益于增强模型滑坡危险性的评估准确度,DE-SVM、DE-MLP相较于未优化前模型的AUC值分别提升了4.43%与4.37%;基于双向优化的滑坡危险性评估结果表明,降雨与土地利用类型对福建省滑坡发生具有重要影响作用,福建省滑坡极高危险区普遍年均降雨较高、地形复杂多变,极低危险区主要位于东南沿海一带及闽江流域两侧。本研究为滑坡危险性评估中的影响因子客观选取与机器学习模型调优提供了一定思路。     

基于DEM的福建省土质滑坡敏感性评价

已有滑坡敏感性研究中对评价指标的选取可以归结为气象、水文、地形、地质、植被、人类活动等方面,这些因子指标来源不一,在缺少数据资料地区难以完整收集。针对这个问题,考虑到目前DEM数据的广泛可获得性及其对滑坡评价的重要性,本文仅利用DEM数据及其派生因子,研究土质滑坡敏感性评价的可行性。研究中把评价因子分为2组：第1组数据仅由DEM派生,包括高程、坡度、坡向、地形起伏度、曲率、水流强度指数（Stream Power Index, SPI）、沉积运输指数（Sediment Transport Index, STI）、地形湿度指数（Topographic Wetness Index, TWI）;第2组数据作为对照组,除了包括上述DEM派生的8个因子外,同时加入植被覆盖度、土地利用、土壤类型、年均降雨量因子。本文分别选取逻辑回归模型和证据权法,基于上述2组评价因子,以德化县为例对比2组因子评价结果,利用第1组和第2组数据进行滑坡敏感性评价,结果精度分别为73%和83%。结果表明,仅利用DEM数据进行土质滑坡敏感性评价方法可行,可以为缺乏资料区滑坡敏感性评价提供借鉴。     

基于 C５．０决策树－快速聚类模型的万州区库岸段乡镇滑坡易发性区划

以乡镇为评价单元开展区域滑坡易发性评价对用地规划、防灾减灾等方面具有重要意义.以万州区临江 段的２３个乡镇单元作为研究对象,首先选取地表高程、坡度、坡向、岩性、构造、土地利用类型、地形湿度指数、水 系、道·９个指标因子,通过 C５．０决策树算法计算该区域发生滑坡的概率,再利用快速聚类算法进行易发性结果 分级;基于 ArcGIS平台得到各乡镇单元的滑坡易发性分区,结果表明:C５．０决策树－快速聚类模型的易发性评价 精度最高,AUC值达到０．９５０,优于人工神经网络－快速聚类模型的０．８２６和贝叶斯－快速聚类模型的０．７７２.利 用 C５．０决策树－快速聚类模型的计算结果,综合考虑极高(高)易发区面积大小及其占乡镇面积比大小,完成各 乡镇单元的滑坡易发性区划.在所有２３个乡镇中,滑坡易发性等级高的包括大周镇、万州城区、溪口乡、新田镇 等乡镇.通过对比各乡镇滑坡面积占研究区滑坡总面积的比重,发现两者结论基本一致,预测结果可为全区滑坡 防灾减灾提供科学依据.      

湖北省黄冈市降雨型滑坡气象预警判据

黄冈市是湖北省汛期地质灾害频发区之一, 地质灾害类型以滑坡为主, 其中75%为降雨型滑坡。通过统计分析黄冈市近10年滑坡与降雨的相关关系, 在考虑黄冈市地质灾害易发性分区基础上, 研究黄冈市降雨型滑坡的降雨阈值, 利用逻辑回归模型建立滑坡发生的概率预测模型, 再针对不同等级易发区提出对应的气象预警判据。最后以历史降雨及其滑坡事件检验预警判据的合理性与可信度。结果表明, 所建立的气象预警判据在时间尺度上由以往依托气象部门的中长期预警精细到了24 h的短临预警, 在空间尺度上确定了不同等级易发区的降雨型滑坡气象预警判据。预警准确率大幅提升, 显著提高了黄冈市降雨型滑坡气象预警精度, 可为临灾转移提供精细化的技术指导, 有效降低降雨型滑坡灾害带来的生命财产损失。      

浙江省玄武岩台地稳定性评价:以嵊州市地雅园滑坡为例

玄武岩台地型滑坡是一种特殊的滑坡类型，此前对其稳定性的研究较少。以嵊州市地雅园滑坡为研究对象，采用三维数值模拟的方法进行了稳定性分析评价，首先基于详细的地质资料采用三维模拟软件进行了建模；然后基于P-Ⅲ型分布曲线确定了降雨重现期，分别采用岩土软件MIDAS进行了滑坡稳定性模拟与三维运动模拟平台DAN3D软件进行了滑坡影响范围计算；最后对影响地雅园滑坡稳定性的因子进行了敏感性分析。结果表明:不同降雨强度对地雅园滑坡稳定性的影响不同，最不利工况为百年一遇降雨工况，此时滑坡稳定性系数为0.946，破坏概率为65.25%，影响范围最大增加了36.83%；内摩擦角和降雨是影响地雅园滑坡稳定性的主要因子。分析原因认为玄武岩台地型滑坡稳定性主要与硅藻土滑带、节理裂隙面的发育情况、降雨入渗滞后性有明显的相关性。本研究成果可为同类滑坡稳定性评价提供参考依据。      

基于滑坡灾害预警分级的应急处置措施

滑坡灾害应急处置能力是地质灾害减灾防灾的重要方面。目前,基于滑坡灾害预测和预警分级成果,系统性的应急措施分类研究还鲜有展开,因此,以三峡库区白水河滑坡为例,运用时间序列加法模型将滑坡累计位移分解为趋势项位移与周期项位移,并分别应用多项式拟合及自回归（AR）模型对2个分量进行预测,在此结果上采用聚类分析方法将滑坡变形分为匀速变形与加速变形阶段,综合判断滑坡灾害预警等级,开展了针对滑坡预警分级的应急措施研究。结果表明:白水河滑坡预警等级主要为蓝色和黄色2种类型,对处于不同的预警等级下的滑坡,可根据滑坡变形特征快速决策,基于滑坡灾害预测和预警分级结果能更有效地指导滑坡应急处置。      

基于信息量模型的地质灾害易发性评价:以川东南古蔺县为例

地质灾害威胁着山区人民生命财产安全, 进行地质灾害易发性评价有助于山区城镇进行规划与建设时规避灾害风险。以川东南古蔺县为例, 基于ArcGIS空间分析获取了研究区高程、坡度、岩性、斜坡结构、植被指数、距断层距离和距道路距离7个评价因子, 采用信息量模型分别对滑坡和崩塌灾害进行易发性评价后, 进一步利用ArcGIS单元统计功能对比了滑坡和崩塌易发性的信息量值, 选取相对更大的信息量值作为该栅格的最终信息量值, 绘制了研究区综合地质灾害易发性图, 利用自然断点法将古蔺县按信息量值的大小划分为极低、低、中、高和极高易发区。结果表明: 地质灾害主要分布在断层和道路附近, 断层和人类工程活动是造成研究区地质灾害频发的主要原因; 高易发区与极高易发区面积之和为1 315.62 km2, 占全区总面积的41.32%;预测模型性能经ROC曲线检验, AUC值为0.812 5, 说明栅格最大值法预测的古蔺县综合地灾易发性效果良好。