基于环境因子优化TSES法选择负样本及其在滑坡易发性评价中的应用

滑坡易发性评价是滑坡灾害防治的重要手段之一,而不合理的滑坡负样本会影响滑坡易发性评价,从而影响到滑坡灾害的防治,因此提供一种合理的负样本选取方法变得尤为关键。以西藏米林市的古滑坡为例,选择高程、坡度、坡向、坡位、距道路距离、距断层距离、距水系距离、地形起伏度、地层岩性、土地利用类型10类环境因子,使用Relief算法计算环境因子的贡献值并依据贡献值优化选择环境因子;基于环境因子优化的目标空间外向化采样法(target space exteriorization sampling,简称TSES)选择负样本,作为性能优异的随机森林模型的输入变量;之后结合优化的环境因子和正或负样本预测米林市的滑坡易发性,并用混淆矩阵和ROC曲线评价构建模型的性能。为检验环境因子优化的TSES法的有效性和先进性,采用耦合信息量法和TSES法选择滑坡负样本并构建随机森林模型,与环境因子优化的TSES法构建的随机森林模型进行对比研究。结果表明,环境因子优化的TSES法构建的随机森林模型的评价效果较好,其ACC为93.7%、AUC为0.987,均高于耦合信息量、TSES法构成的模型。环境因子优化的TSES法能够提高模型的精度,解决多因子作为约束条件取样中因子选取的问题,为滑坡易发性评价采集负样本提供了新的思路。

加权信息量支持下融合InSAR形变特征的滑坡易发性评价

使用SBAS-InSAR处理六盘水市水城区2018-07~2019-08共69景Sentinel-1A卫星影像,获取地表形变作为动态评价因子,用于完善传统滑坡易发性评价研究缺乏动态特征数据应用的问题。结果表明,使用10种静态评价因子融合InSAR形变特征数据作为动态评价因子,在耦合层次分析法与信息量法的加权信息量模型下对比仅使用静态特征数据,ROC曲线下面积分别为0.756 02和0.888 68,模型性能提升约13.3%;再将历史灾害点叠加于2种分区图下检验分区精度,相比于未融入形变特征,融入形变特征可纠正约12.44%的误分类区域,能较好地提升分区的可靠性。

基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究

以重庆市黔江区为例,选取23个评价因子构建滑坡致灾因子数据库,利用地理探测器与皮尔逊-主成分分析2种因子筛选方法选择因子最优组合;基于Bayesian-LightGBM-SHAP混合模型进行滑坡易发性评价,并对模型精度进行验证,分析影响黔江区滑坡发生的主导因子.初始模型的AUC值为0.801,Pearson Correlation Coefficient-BayesianLightGBM模型AUC值为0.824,GeoDetector-Bayesian-LightGBM模型AUC为0.835;由因子重要性可知,多年平均降雨量、高程、POI核密度与距河流距离是滑坡发生的最主要因子,而输沙指数、水流动力指数与坡位对滑坡的发生影响较弱.因子筛选法-Bayesian-LightGBM相结合的混合模型能够提高模型的准确性,为构建合理因子数据库提供参考框架;通过与因子重要性的结合分析,验证了地理探测器能够准确探测各因子对滑坡发生的贡献值,突出各滑坡地理因子组合之间的相关性,从而探究各因子与滑坡之间的关系.

基于数据驱动的降雨型浅层滑坡易发性时空建模方法

传统滑坡易发性方法在计算空间概率时,通常忽视了影响因子的动态变化特征及地形单元之间的空间依赖关系。为了解决该难题,提出一种联合时空关系的广义加性模型,在江西省南部区域开展降雨型浅层滑坡易发性时空建模,预测给定时间范围内特定地形单元发生滑坡灾害的概率。首先,利用皮尔逊相关系数和基于赤池信息准则的序列前向特征选择方法对滑坡易发性影响因子进行评价与筛选;随后,联合时空关系构建伯努利广义加性时空模型开展易发性动态预测;最后,通过时空交叉验证方法评估模型的时空预测性能。结果表明,该模型具备优异的拟合性能和预测能力,在不同训练数据百分比下的预测性能非常稳定,其平均预测精度能够达到0.881。

滑坡易发性预测建模的不确定性:不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律,拟用5种方式,即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量(IV)法、半监督法来选择出与滑坡等比例的非滑坡样本;进一步将各选择方式与随机森林(RF)耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例,获取高程、岩性、公路密度等19种环境因子和233个滑坡编录,将滑坡编录划分为2598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题,在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明:1)低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型,可见准确选择非滑坡样本对易发性建模至关重要;2)半监督RF模型选择非滑坡样本的建模性能最优,且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。

基于不同评价单元的三峡库区滑坡易发性对比——以重庆市云阳县为例

为探究不同评价单元对区域滑坡易发性评估的影响,基于网格单元与斜坡单元对三峡库区典型县域重庆市云阳县开展了滑坡易发性研究。首先选取高程、坡度、曲率等22个评价因子,根据研究区988个历史滑坡数据,通过30 m×30 m的栅格数据提取斜坡单元,并基于网格单元及斜坡单元分别建立22个滑坡影响因子地理空间数据库;然后利用随机森林与贝叶斯优化算法来构建滑坡易发性模型,对研究区滑坡进行易发性评估;最后结合ROC(受试者工作特征)曲线与混淆矩阵结果检验评价单元的易发性模型预测精度。结果表明:易发性评估的结果可划分为低、较低、中、较高、高5个等级;基于网格单元的滑坡易发性模型中,高程、与道路距离、坡度这3个因子对滑坡发生的贡献率大,基于斜坡单元的模型中,I_(NDV)(归一化植被指数)、剖面曲率、平面曲率这3个因子对滑坡发生的贡献率大,并且2个模型的滑坡密度均随着滑坡易发性等级的升高而变大;与网格单元相比,斜坡单元能更好地解释地形间的联系,以斜坡单元(AUC=0.744)为最小评价单元的滑坡易发性模型比网格单元(AUC=0.714)精度更高。

基于多目标优化方法的滑坡易发性评价

[目的]在滑坡易发性评价中,滑坡预测模型的选取和优化对运算过程的高效性和预测结果的准确性至关重要。针对现有单目标遗传优化算法(genetic algorithm,GA)易陷入早熟、局部搜索能力差、全局优化速度慢等问题,拟提出一种新的优化算法框架,将多目标遗传算法中的经典算法—带精英选择策略的非支配排序算法(the nondominated sorting genetic algorithm with an elite strategy,NSGA-Ⅱ)与常用机器学习模型[随机森林(random forest,RF)、支持向量机(support vector machine,SVM)]相结合,进行滑坡易发性预测。与单目标优化不同的是,NSGA-Ⅱ算法可同时进行特征选择和超参数优化,并使预测模型同时实现最优准确度、召回率、精密度和AUC(area under curve,AUC)。[方法]以三峡库区重庆段为研究区,从模型精度评价、滑坡灾害易发性分区图、分区统计3个方面对4种优化模型(RF-GA、SVM-GA、RF-NSGA-II、SVM-NSGA-II)进行对比分析。[结果]NSGA-II较GA优化效果更明显,在模型评价和滑坡易发性分区方面,RF-NSGA-II模型具有更高的预测性能,4项评价值分别为80.91%,81.89%,80.07%,88.60%,证明NSGA-II优化算法的有效性;极低至极高危险区面积占比依次为23.06%,22.46%,22.96%,19.99%,11.53%,验证了RF-NSGA-II模型的可靠性。由RF-NSGA-II模型预测得到的易发性图表明,高和极高易发性区集中在研究区北部,且由东向西呈带状分布。[结论]研究采取的基于多目标选择的RF-NSGA-II模型,为滑坡易发性评价中机器学习模型调优提供新思路。

基于随机森林模型的藏东南地区滑坡易发性评价及主控因素分析

为了获取藏东南地区的滑坡易发性分区、深入探究研究区滑坡发育的主控因素。本文采用随机森林模型对藏东南地区的滑坡易发性进行研究。首先通过现场调查、遥感解译和文献查询等手段,共发现研究区滑坡306处,其次使用频率比模型(FR)对研究区易发性做快速评判,在其低易发区进行非滑坡样本的选取,使得随机森林模型得到较好的原始数据集,并通过计算权重来制作研究区易发性图,分析滑坡发生的主控因素,最后绘制ROC曲线和计算线下曲线的面积(AUC)对模型的准确性进行验证。模型预测结果显示,研究区高易发区主要集中在易贡藏布、帕隆藏布交汇处和雅鲁藏布江大拐弯的地方。在对特征重要性因素排序中,前三分别是断层密度、高程和坡度,模型的AUC=0.940,因此有较好的准确性。根据结果分析,研究区因长期受到构造作用影响,地质构造复杂,东西两侧均是巨型断层,南侧为喜马拉雅前缘断裂带,断裂带发育,尤其在高易发区断层纵横交错,多重挤压造成岩石破碎,节理发育。因此,易贡藏布、帕隆藏布交汇处和雅鲁藏布江大拐弯区域为滑坡灾害高易发区具有合理性。该模型对藏东南地区滑坡的发生和灾害的治理提供了理论依据,对该地区防灾减灾提供了理论支撑。

不同分级方法对区域滑坡易发性区划的影响

易发性分区是开展区域地质灾害风险评价的基础步骤,选取合理的分级方法对有效绘制区域滑坡易发性图意义显著,但鲜有研究对比了各易发性分级方法的优缺点,尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题,以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数,即分类和回归树、随机森林和径向基函数;设计了5种易发性分级方法,划分不同的滑坡易发性等级,包括4种常规的基于地理信息系统的分级方法(自然断点、等间隔、分位数和几何间隔),同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明:3种模型的受试者工作特征(ROC)曲线下面积均大于0.75,但划分的易发性分级图分布模式却存在较大差异,使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡,但这两种方法划分的极高和高易发区的总面积过大;使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大,说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级,能为易发性的准确分区提供思路,为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考,提高地质安全评估及应急管理能力。

量纲统一在滑坡易发性评价中的影响分析

以往的区域性滑坡易发性评价研究多以对比不同评价模型结果和改进模型为主,而忽视了所选致灾因子的信息保留以及因子量纲如何统一的问题。为探究致灾因子的相关性和量纲对易发性评价结果的影响,以甘肃省靖远县北部地区作为研究区,选取高程、坡度、坡向和地形起伏度等12个因子,利用主成分分析提取的新因子参与易发性评价,并采用数据标准化、滑坡密度和信息量值替代法统一致灾因子的量纲,最后基于GIS平台绘制研究区滑坡易发性分区图。通过ROC曲线评估各模型的易发性评价结果精度。结果表明:在信息量模型、逻辑回归模型和感知机模型中,经主成分分析处理的因子得到的模型评价结果精度更高,采用信息量值替代法统一因子的量纲能够进一步提升逻辑回归和感知机模型的评价结果精度;同时,3种评价模型中感知机模型的结果精度最高(AUC=0.9367),优于信息量模型(AUC=0.9173)和逻辑回归模型(AUC=0.9272),是该研究区滑坡易发性评价的理想模型,应优先考虑。研究结果可为类似地区的防灾减灾工作提供基础数据和理论参考。

基于逻辑回归模型的喜德县滑坡易发性评价

【目的】系统分析喜德县地质灾害发育特征及规律,为当地地质灾害防治提供参考。【方法】以喜德县为研究区域,选取11个影响因子,分析滑坡的空间分布规律,并通过建立逻辑回归模型,对喜德县滑坡灾害进行易发性评价。【结果】结果表明:喜德县滑坡分布于高程2000~2600 m;坡度10°~30°;坡向为东北方向;坡位为中坡;距道路距离小于100 m;距水系距离小于200 m;距村落距离小于500 m;距断层距离为小于3500 m;NDVI为0.7~0.8;地层为白垩系;土地利用为耕地。滑坡高易发区位于鲁基断裂、冷都基断裂、米市河断裂、扎都断裂带周边地区。【结论】滑坡易发性分区结果可直接用于滑坡灾害的防治工作中,对工程建设选址也具有一定的参考价值。

基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价

强震诱发的滑坡具有数量多、分布广、规模大等特点,严重威胁人民生命财产安全。滑坡易发性评价能够快速预测灾害空间分布,对于减轻震后灾害的危险性具有重要意义。在同震滑坡易发性评价研究中,如何选取滑坡负样本并通过耦合机器学习模型提高评价精度的对比研究仍需进一步研究。以山区汶川地震诱发的滑坡为研究区,首先选取地形地貌、地质环境、地震参数等10个滑坡评价因子,分析滑坡空间分布规律;其次因子共线性分析检验数据冗余,接下来采用频率比法(FR)选取极低、低易发区滑坡负样本点的采样策略;最后采用基于决策树演化改进的梯度提升决策树(GBDT)、随机森林(RF)和耦合模型(FR-GBD与FR-RF),开展了基于机器学习的同震滑坡易发性区划并进行精度评价。研究结果表明:①滑坡空间分布受到多层级因子控制;②模型预测精度为:FR-RF(AUC=0.943)>FR-GBDT(AUC=0.926)>RF(AUC=0.901)>GBDT(AUC=0.856);③在低易发区选择滑坡负样本可以明显提高易发性精度。研究成果可为滑坡易发性中负样本的选择和评价模型构建提供参考同时也为震后滑坡的防灾减灾提供理论支持。

不同评价单元的滑坡易发性评价精度对比分析

理县杂谷脑河流域是典型的河流深切峡谷地貌,地质构造活动强烈,滑坡灾害频发。本文综合理县实际地质条件,结合杂谷脑河流域滑坡变形发育特征,从地形、地质和自然3大类因子中选取高程、地形切割深度等16个影响因子,通过频率比模型来量化影响因子与滑坡发生的关系,然后应用随机森林(random forest)模型和XGBoost(eXtreme gradient boosting)模型在栅格单元和斜坡单元下分别进行滑坡灾害易发性评价,通过ROC曲线和混淆矩阵对各组合进行精度评估,最后叠加评价单元下的形变速率图,实现杂谷脑流域精确的易发性评价。结果表明:地形、地质和自然因子3大类影响因子中频率最高分别是地形切割深度、地层和土地利用;RF和XGBoost模型中影响因子对滑坡的重要性排序有相似之处,且两种模型在栅格单元下地层是主控因素,在斜坡单元下地形切割深度是主控因素;ROC曲线评估下,RF-栅格单元、RF-斜坡单元、XGBoost-栅格单元和XGBoost-斜坡单元的AUC值分别为0.942、0.928、0.934、0.920,混淆矩阵计算RF和XGBoost预测滑坡易发性的召回率、精确率和准确率的结果中,RF-栅格单元的召回率、精确率和准确率分别为0.935、0.956和0.945,均高于其他3种模型组合。充分说明RF-栅格单元模型对理县杂谷脑河区域滑坡易发性评价的精度比其他组合下的模型高,能够为该区域的防灾减灾提供可靠参考。

滑坡易发性评价中样本不均衡问题处理研究

滑坡易发性评价中,样本不均衡问题的不同处理方案通常会带来评价结果的大量不确定性。针对这一问题,以藏东昌都市部分县(区)为研究区,构建滑坡/非滑坡样本不均衡数据集,采用不处理、下采样和合成少数类过采样(synthetic minority oversampling technique,SMOTE)3种处置方案,运用逻辑回归方法分别构建滑坡易发性评价模型。基于ROC曲线、准确度、精确率、召回率、漏检率等评价指标,采用综合评价指标F_(1)′同数对模型分类的精度进行验证。结果表明:数据处理成均衡数据集(过采样/下采样)建立的模型效果较不处理数据建立的模型效果有了大幅提升,F_(1)′同数的值最大提高了53.17%;在下采样、过采样两种数据处理方案中,过采样方法比下采样方法F_(1)′分数的值提高了16.30%,表明过采样方法对处理样本不均衡数据问题方面具有较好效果。研究成果可为滑坡预测和地质灾害预测前的数据集处理提供参考,为进一步提高区域防灾减灾水平提供理论与技术支持。

基于IV-MLP耦合模型的龙陵县滑坡易发性评价

滑坡易发性评价模型会直接影响到研究结果准确性,为探究不同耦合模型对滑坡易发性分析的影响,以云南省龙陵县为研究区,共选取高程、坡度、工程岩组等8个因子构建滑坡易发性评价体系,引入多层感知器方法(MLP)与信息量模型(IV)耦合以开展滑坡易发性评价,与传统信息量-逻辑回归模型(IV-LR)进行分析比较,并通过AUC值进行精度验证。结果表明:IV-MLP模型、IV-LR模型及IV模型的AUC值分别为0.862、0.813与0.799。IV-MLP耦合模型AUC值高于IV-LR耦合模型,MLP模型在与IV模型进行滑坡易发性耦合分析中表现更优秀;IV-MLP、IV-LR耦合模型的AUC值分别高于单一IV模型0.063、0.014,对滑坡进行易发性分区时耦合模型较单一模型效果更佳。研究结果能够为龙陵县滑坡易发性评价提供科学的理论依据,并为该地区的防灾工作提供参考。

基于多种数理模型及其融合的察雅县城滑坡易发性评价

不同滑坡易发性评价模型的选择将得到差异化的空间预测结果,筛选出最优的模型是提高滑坡空间预测精度的有效方法。以西藏察雅县城滑坡为研究对象,选取了3类8个评价因子,在采用确定性系数(certainty factor,CF)、频率比(frequency ratio,FR)、信息量(information,I)和证据权(weight-of-evidence,WoE)4种单一模型评价研究区滑坡易发性的基础上,同时使用归一化融合和主成分分析(principal component analysis,PCA)融合方法对4种单一模型的评价结果进行融合,得到6组滑坡易发性区划图。研究结果表明,6种模型从低易发区到极高易发区,频率比值均呈现出显著的增长趋势,且高、极高易发性等级区内频率比值之和与总值之比均超过97%,均有效地评价了研究区滑坡的易发性。通过构建受试者工作特征(receiver operating characteristics,ROC)曲线分析评价模型的效果,显示主成分分析融合模型、证据权模型和信息量模型具有较高的曲线下面积(area under curve,AUC),综合高、极高易发区频率比值结果来看,使用PCA融合后的评价模型效果更佳。研究填补了藏东高原山区多模型对比研究的欠缺,为该地区的滑坡预测和预防提供了一定的科学依据。

基于梯度提升的优化集成机器学习算法对滑坡易发性评价:以雅鲁藏布江与尼洋河两岸为例

雅鲁藏布江与尼洋河两岸地质构造活跃,山体滑坡时常发生,滑坡易发性评价能有效的减少因灾害发生所造成的对人类生命和财产的伤害。笔者基于基尼系数的加权随机森林、XGBoost和LightGBM算法在滑坡易发性中的性能。选取188个滑坡样本和7个影响因素,应用五折交叉验证法训练模型,训练过程中同时考虑特征选择算法、运用贝叶斯方法优化超参数后,采用precision、recall、F1、Accuracy指标对各个级别的预测结果进行分析。结果表明:在高程为32~1544 m与2722~3752 m、坡度为30°~40°、距断裂带、河流与道路200 m以内的区域最容易发生滑坡;滑坡极高与高易发性分布为12.14%和12.41%,低和极低易发性占比分别为26.47%与29.55%,区内一半以上的地区不容易发生滑坡灾害;LightGBM模型在所有模型中表现最好,AUC值为0.8432,准确度为0.8531,F1分数为0.8345;墨脱县的达木乡、帮辛乡,林芝县的丹娘、里龙、扎西饶登乡,朗县的陇村,工布江达的江达乡位于极高易发区,发生滑坡概率极大,在这些地区应采取相应的地质灾害防治措施。

顾及空间异质性和特征优选的滑坡易发性评价方法

高效、精准、可靠的滑坡易发性评价方法是灾前科学预警和全面防治的关键手段。然而,传统滑坡易发性评价方法未能有效解决空间异质性和冗余特征造成的预测偏差。针对该问题,本文提出了一种顾及空间异质性和特征优选的滑坡易发性评价方法(spatial feature optimized Stacking,SF-Stacking)。该方法首先使用AGNES聚类(agglomerative nesting)将研究区全局栅格单元分成若干个局部子区,然后采用一种特征优选策略为每个子区选择最优致灾因子组合,最后采用Stacking集成技术耦合多种机器学习算法实现滑坡易发性评价。以宜宾市为研究区,基于滑坡灾害易发性分区图和统计学指标,将SF-Stacking方法与7种传统方法对比表明,SF-Stacking方法的准确性最优,稳健性最强,可解释性最高。

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(Sei)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SeV值最高,分别为0.867、0.94、9.21;BP神经网络模型次之,其SeV值分别为0.829、0.90、9.14;SVM最低,其SeV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据和科学参考。

基于逻辑回归和支持向量机耦合模型的滑坡易发性分析

滑坡灾害的发生具有累进性,进行滑坡易发性评价是防灾减灾的前提。以四川省旺苍县为例,使用频率比法判断12个滑坡影响因子的各分级区间滑坡敏感性,经波段集统计确定11个滑坡影响因子作为滑坡易发性评价因子,通过建立逻辑回归-支持向量机(logistic regression-support vector machine,LR-SVM)耦合模型,搭建滑坡易发性评价体系,完成旺苍县滑坡易发性评价并进行模型精度比较。研究结果表明:逻辑回归-支持向量机耦合模型的评价指标结果均优于逻辑回归模型,易发性分区结果更合理,预测精度更高;在低易发区选取非滑坡点为提高滑坡易发性评价性能作用明显;研究区内道路、高程和NDVI对滑坡发育的敏感性较强;高易发区主要分布于低海拔的水系和道路两侧。