基于多尺度卷积神经网络的深圳市滑坡易发性评价

卷积神经网络(convolutional neural networks,CNN)模型因其强大的特征提取能力被广泛应用于滑坡易发性评估,但传统CNN已难以满足要求。文章提出一种能够顾及深层与浅层特征的多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)模型,通过增加模型深度和样本的感受野,挖掘更深层和更稳定的特征,提高复杂场景下的滑坡易发性评估可靠性。文章以深圳市为研究区,根据系统性原则和代表性原则选取了12个深圳市滑坡影响因子,构建多尺度卷积神经网络滑坡易发性评估模型,并与多层感知器(multilayer perceptron,MLP)、支持向量机(support vector machine,SVM)以及随机森林(random forest,RF)等方法进行对比。结果表明,文章构建的MSCNN模型的AUC值(0.99)较高,优于MLP(0.97)、SVM(0.91)和RF(0.85),证明提出的MSCNN模型具有优异的预测能力;深圳市极高易发性区域面积约为105.3 km^(2),占研究区总面积的4.98%,主要分布在坡体较陡、植被覆盖稀疏和人类工程活动频繁的龙岗区,坡度、地表粗糙度和地表起伏度成为影响深圳市滑坡的主控因子。文章实现的滑坡易发性图反映了深圳市滑坡灾害的分布现状,可为深圳市未来滑坡灾害防治提供数据支持和关键技术支撑。