基于XGBoost模型的三峡库区燕山乡滑坡易发性评价与区划

滑坡易发性评价是精细化滑坡灾害风险评价的基础。为了提升滑坡易发性评价模型的精度和稳健性,以三峡库区万州区燕山乡为例,选取工程地质岩组、堆积层厚度等九个影响因子构建滑坡易发性评价指标体系,应用信息量模型定量分析滑坡发育与指标之间的关系。在此基础上,随机选取70%/30%的滑坡样本作为训练/验证数据集,应用极致梯度提升模型(extreme gradient boosting,XGBoost)开展易发性评价。随后从模型预测精度和模型稳定性两方面将其与决策树模型(deci-sion tree,DT)和梯度提升树模型(gradient boosting decision tree,GBDT)进行对比。结果表明:研究区堆积层滑坡主要受长江水系、堆积层厚度和工程地质岩组影响。XGBoost模型具有最高的准确率(94.3%)和预测精度(97.3%)。在模型稳定性验证中,平均预测精度最高(97.3%),优于DT(91.3%)和GBDT(95.7%),模型标准差和变异系数均为0.01,低于其余两种模型。XGBoost在区域滑坡易发性评价与制图中得到了可靠的结果,为滑坡灾害空间预测提供了新的技术支撑。

高陡库岸滑坡初始涌浪波幅预测模型研究

水库滑坡入水点的近场初始涌浪波幅预测难度较大,已有的滑坡初始涌浪波幅预测模型较少考虑近场区域涌浪的三维形态特征。基于滑坡涌浪物理模型试验,分析了滑坡涌浪的形成机理和近场区域初始涌浪波形特征,并结合动量定理,建立了适用于高陡库岸段的三维滑坡初始涌浪波幅预测模型,提出了修正系数K,探讨了修正系数与相对迎水面积和弗劳德数的相关关系。以龚家方滑坡为工程实例,对高陡库岸三维滑坡初始涌浪波幅预测模型的适用性和可靠性进行验证分析,结果表明:修正后的高陡库岸三维滑坡初始涌浪波幅预测模型的计算结果更准确。

考虑非滑坡样本选取和集成机器学习方法的水库滑坡易发性预测

准确的滑坡易发性建模对预警预报和风险管控具有重要意义.针对机器学习技术建模中非滑坡样本随机选取和单个分类器存在的精度不高问题,提出了一种耦合多模型的区域滑坡易发性建模框架.以三峡库区秭归-巴东段为例,选取高程、坡度等12个因子构建评价指标体系,应用信息量法定量分析各指标对滑坡空间发育的影响程度.随机选取70%的滑坡作为训练样本,剩余的30%作为验证样本;应用逻辑回归模型(LR)制作研究区的初始易发性分区图,确定非滑坡随机采样的约束范围.随后,分别采用LR模型约束和无约束条件下随机选取的非滑坡样本,应用单个分类回归树(LR-CART和No-CART)及分类回归树-Bagging组合模型(LR-CART-Bagging和No-CART-Bagging)开展滑坡易发性建模,并应用多个指标进行精度评估.结果发现:高程和水系等是滑坡发育的主控因素;LR-CART-Bagging模型精度为0.973,高于LR-CART模型的0.889;相比于No-CART和No-CART-Bagging模型,LR-CART和LR-CART-Bagging模型精度分别提升了0.057和0.047.LR模型可以有效约束非滑坡样本的选取范围,提升样本的选取质量;CART-Bagging模型综合了机器学习和集成学习的优势,预测性能更强,提出的LR-CART-Bagging模型是一种准确可靠的滑坡易发性建模方法.

基于样本优化策略的滑坡易发性评价

准确的易发性评价结果能够对滑坡带来的危险进行精准防控。样本优化是滑坡易发性评价的重要方法,可有效解决不平衡样本产生的决策边界偏移问题,提升滑坡易发性评价精度。以中国重庆市万州区东南区域为例,选取地层、土地利用、高程等10个影响因子构建滑坡易发性评价指标体系,应用频率比方法定量分析滑坡与指标之间的关系,在此基础上分别利用深度神经网络模型(deep neural networks, DNN)、过采样-深度神经网络模型(synthetic minority oversampling technique-DNN, SMOTE-DNN)、混合采样-深度神经网络耦合模型(one-class support vector machine-SMOTE-DNN, OS-DNN)、混合采样-深度神经网络-K均值聚类耦合模型(OS-DNN-K-means)进行滑坡易发性评价。结果表明,距道路距离、土地利用、地层是研究区滑坡发育的主要控制因子。精度评价结果发现OS-DNN-K-means(95.61%)和OS-DNN(91.16%)相较于模型SMOTE-DNN(87.97%)和DNN(81.40%)更能有效提高滑坡预测精度。通过混合采样和半监督分类进行样本优化能够有效解决研究区样本不平衡问题,为滑坡灾害空间预测提供新技术支撑。

综合非滑坡样本选取指数与异质集成机器学习的区域滑坡易发性建模

为解决基于机器学习的滑坡易发性建模存在的单模型分类能力弱和传统随机抽取非滑坡样本准确性不高的问题,本研究以三峡库区奉节县为例,应用优化的非滑坡样本和Stacking异质集成机器学习模型进行滑坡易发性建模研究。首先,基于地形、地质和遥感影像等数据提取16个评价指标并进行相关性分析,剔除高相关指标,构建易发性评价指标体系;其次,基于信息量模型提出非滑坡样本选取(Non-Landslide Sampling,NLS)指数;最后,应用NLS指数选取更高质量的非滑坡样本,并与滑坡样本组成训练集;采用随机森林(Random Forest,RF),轻量级梯度提升树(Light Gradient Boosting Machine,LGBM),梯度提升决策树(Gradient Boosting Decision Tree,GBDT),以及以三者为基模型的同质(Boosting)和异质(Stacking)集成方法进行易发性建模。结果表明:应用NLS指数能选取得到质量更高的非滑坡样本,提升了易发性建模精度;Stacking异质集成机器学习模型的精度最高,为0.941,优于3个同质集成模型和3个单模型,表明异质集成算法能显著提升机器学习建模的性能,是一种可靠的滑坡易发性评价方法。本研究的结果将有助于提升区域滑坡灾害风险评估的精确度。