增量学习在滑坡易发性评价中的应用——以甘肃省天水市为例

为了提升机器学习模型在滑坡易发性评价任务中的泛化能力,以甘肃天水市为例,采用基于LightGBM的增量学习模型,并利用Autogluon自动机器学习框架实现模型的超参数优化和堆叠,以及使用SHAP可解释框架进行特征选择和数据异常分析,构建了适用于滑坡易发性评价的增量学习模型。通过在天水市不同区域采集的滑坡灾害数据进行模型验证,结果表明,基于增量学习的滑坡易发性评价模型能够有效地识别和预测滑坡易发区域,根据新数据集自适应调整模型,并且提高模型的性能。     

机器学习在滑坡智能防灾减灾中的应用与发展趋势

滑坡灾害易发频发、点多面广、隐蔽性强、危害严重.开展“天-空-地-深”观测一体化的滑坡早期识别、易发性评价及预测预报,对于保障人民生命和财产安全,推进滑坡灾害防治能力现代化具有重要意义.目前,依靠人工解译的滑坡识别耗时耗力,采用启发式模型的滑坡易发性评价不能较好地探明环境因子之间的非线性关系,基于传统监测数据的滑坡预测预报精度较低.机器学习算法凭借其强大的非线性处理能力及鲁棒性等优势,逐渐广泛应用于滑坡智能防灾减灾中.基于此,本研究系统阐述了机器学习在滑坡灾害早期识别、易发性评价及预测预报等方面的具体应用,综述了多种机器学习算法在上述3个领域中运用的优劣,最终对机器学习在滑坡灾害中未来的发展趋势进行了展望.     

几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用

笔者以甘肃省平凉市灵台县为目标研究区域,基于地理空间和历史滑坡数据,利用混合高斯聚类(GMM)优化的逻辑回归(LR)、支持向量机(SVM)、BP神经网络(BP Neural Network)、随机森林(RF)4种机器学习模型构建滑坡易发性评价分析模型。选取高程、坡度、坡向、曲率、黄土侵蚀强度、归一化植被指数、地质构造7个环境因子作为滑坡易发性影响因子,以30m栅格建立影响因子地理空间数据库,将研究区域划分为180万栅格单元。利用混合高斯聚类模型对整个研究区域的栅格单元进行聚类,得出初步的滑坡易发分区,选择易发程度最低类别中的栅格单元作为非滑坡区域,每次随机选择500个单元作为非滑坡单元,并根据历史滑坡数据将203个已知滑坡栅格单元作为滑坡单元,建立4种机器学习分类模型。利用训练好的模型对整个研究区域进行预测,绘制各算法的受试者工作曲线(ROC曲线),对各个算法的预测结果进行对比。分析结果表明,在本目标研究区域,各模型的滑坡易发区划图与实际的滑坡分布情况总体相吻合。随机森林模型的ROC曲线下面积(AUC)最大为0.96,测试集准确率最高为0.93;BP神经网络模型的ROC曲线下面积和测试集准确率次之,为0.90和0.87;支持向量机模型和逻辑回归模型的ROC曲线下面积和测试集准确率分别为0.86、0.81和0.85、0.80,均低于随机森林和BP神经网络模型。     

基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价

开展铁路沿线滑坡易发性评价对川藏交通廊道工程建设及运维过程中的风险管理具有重要意义.提出一种层数自适应、通道加权的卷积神经网络(layer adaptive weighted convolutional neural network,LAW-CNN),对川藏交通廊道沿线滑坡易发性进行评价.依据野外调查和影响因素分析筛选出影响滑坡发生的影响因子,绘制滑坡编目,构造用于易发性评价的实验数据集;针对卷积神经网络的权重初值、网络层数等超参数难以优化设置的问题,提出基于影响因子信息熵的通道加权方法和网络层数优选策略,通过多通道加权和层数自适应分类卷积的方式提出滑坡易发性制图的LAW-CNN架构;搜索最优LAW-CNN网络结构并训练网络参数,获取研究区滑坡发生概率并进行易发性分级评价.所提的LAW-CNN模型可以不同权重和不同深度挖掘影响因子的深层特征,实验结果表明,模型曲线下面积(area under curve,AUC)值为0.852 8,极高易发区滑坡点密度为1.251 9,均优于SVM(support vector machine)和CNN模型;川藏交通廊道沿线滑坡极高和高易发区主要集中在大江大河两侧以及横断山区.LAW-CNN模型可较好评价川藏交通廊道滑坡易发性,能够为川藏交通廊道的建设和灾害防治提供科学的依据.      

基于SOM-I-SVM耦合模型的滑坡易发性评价

在使用机器学习模型对滑坡进行易发性评价时,通常会在滑坡影响范围之外随机选取非滑坡样本点,具有一定的误差。为了提高滑坡易发性评价的精度,将自组织映射（self-organizing map,SOM）神经网络、信息量模型（information,I）以及支持向量机模型（support vector machine,SVM）进行耦合,提出一种基于SOM-I-SVM模型的滑坡易发性评价方法,并将SOM神经网络与K均值聚类算法进行对比,验证模型的可靠性。以十堰市茅箭区为例,首先通过对环境因子的相关性及重要性分析,筛选出距水系距离、坡度、降雨量、距构造距离、相对高差、距道路距离、地层岩性等7个因子,建立滑坡易发性评价指标体系,在此基础上计算出各因子的分级信息量值,并作为模型的输入变量进行滑坡易发性评价。分别采用SOM神经网络和K均值聚类算法选取非滑坡样本,然后将样本数据集代入I-SVM模型预测滑坡易发性。将SVM、I-SVM、KMeans-I-SVM、SOM-I-SVM等4种模型预测精度进行对比,其ROC曲线下面积（AUC）分别为0.82,0.88,0.90,0.91,说明SOM-I-SVM模型能...     

基于3种不同机器学习算法的滑坡易发性评价对比研究

准确的滑坡易发性评价结果是山区滑坡灾害防治的关键,可有效规避潜在滑坡带来的风险。为获得准确、可靠的滑坡预防参考,笔者以云南芒市为研究对象,选取高程、地层岩性、年均降雨量等9项评价因子,通过多重共线性分析,构建研究区滑坡易发性评价指标体系。分别基于支持向量机(SVM)、BP神经网络和随机森林(RF)3种典型机器学习算法进行滑坡易发性评价。利用准确性(ACC)、ROC曲线下面积(AUC)、滑坡比(S_ei)及野外实地考察对模型评价结果精度进行对比验证分析。结果显示RF模型的ACC、AUC和极高易发区的S_eV值最高,分别为0.867、0.94、9.21;BP神经网络模型次之,其S_eV值分别为0.829、0.90、9.14;SVM最低,其S_eV值分别为0.794、0.88、6.85。此外,RF算法所得结果还与实地考察情况保持了较高的一致性。实验结果表明与其他两种算法相比,RF算法在芒市区域具有更高的准确性和可靠性,更适合用于该区域的滑坡易发性建模,且利用该模型获得的评价结果,能够为芒市区域的滑坡防治提供理论依...     

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子（坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型）作为滑坡易发性评价指标.基于证据权模型（weights of evidence,WOE）计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型（PSO-BP）得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重（WOE-BP）计算滑坡易发性指数（landslide susceptibility index,LSI）,基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.      

基于随机森林-特征递归消除模型的可解释性缓丘岭谷地貌滑坡易发性评价

研究旨在基于随机森林-特征递归消除模型，通过SHAP算法(SHapley Additive exPlanation, SHAP)与部分依赖图(Partial Dependence Plot, PDP)对缓丘岭谷地貌区域进行滑坡易发性评价与内部机制解释，以期为地质灾害防治研究提供参考。利用优化随机森林算法对典型缓丘岭谷地区滑坡易发性进行研究，建立缓丘岭谷滑坡易发性评价模型；利用特征递归消除算法剔除噪声因子，选取地形地貌、地质构造、环境条件、人类活动5个类型16个因子构建重庆合川区滑坡致灾因子数据库；结合合川区754个历史滑坡点，利用随机森林算法对因子重要性进行排序，并根据专家经验法对研究区的滑坡易发性进行划分，将研究区的滑坡易发性分为极低、低、中、高、极高5个等级；应用部分依赖图对合川区滑坡发生影响大的因子进行解释和SHAP算法对个体滑坡进行局部解释。结果表明：与原模型相比，随机森林-特征递归消除模型测试集AUC值提高了0.019,证明了特征递归消除算法的有效性；训练集以及测试集的AUC值分别为0.769、0.755,具有较高的预测精度；缓丘缓坡地区在起伏较大地区滑坡密度较大，历史滑坡多...     

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...     

基于机器学习的滑坡灾害易发性评价——以三峡库区为例

三峡库区滑坡灾害分布广、数量多、规模大、危害严重,因此开展滑坡灾害易发性评价对该地的地灾防治与处理具有重要参考意义。本文提取了地层岩性、地质构造、坡度、坡向、曲率、斜坡形态、植被指数、水系等17个因子,选用逻辑回归模型、支持向量机模型、集成学习的梯度提升迭代决策树模型和深度学习中的长短期记忆神经网络与卷积神经网络耦合模型四个机器学习模型进行滑坡灾害易发性评价,选取最优评价模型,完成三峡库区的易发性分区评价,总结研究区易发性空间区划特性。对比四种模型的AUC(Area Under Curve)精度可以得出结论：GBDT模型（Gradient Boosting Decision Tree Model）的AUC精度相对较高,优于其他三个模型,更适合三峡库区的滑坡易发性研究。GBDT的易发性评价结果显示：研究区内极高易发性区域和高易发性区域主要集中于渝东、鄂西一带以及长江沿岸和支流沿岸。研究结果是对整个库区的易发性进行评价,可为后续库区的防灾减灾提供参考。