基于耦合信息量法选择负样本的区域滑坡易发性预测

机器学习(Machine Learning, ML)模型预测滑坡易发性时选择合理的负样本对预测结果具有重要影响,现有研究大多从整个研究区或从低坡度等特定属性区内随机选择负样本,这些负样本往往不够准确或以偏概全,降低了易发性制图的可靠性。为解决这一问题,拟提出耦合信息量法(Information Value, IV)的ML模型开展易发性建模。以江西省瑞金市为例,采用IV法将环境因子的属性值转化为对滑坡贡献的信息量值,划定极低和低易发区并从中随机选择出ML模型训练验证用的负样本数据,构建全新的信息量-支持向量机(IV-SVM)、信息量-随机森林(IV-RF)耦合模型并预测瑞金滑坡易发性;进一步与从全区随机选择负样本的单独SVM和RF模型,以及从坡度小于2°的特定属性区内随机选负样本的低坡度SVM和RF模型做对比研究;最后采用Kappa系数和ROC曲线等指标验证和比较建模结果。IV-SVM和IV-RF模型的Kappa系数为0.828和0.9146且对应ROC曲线的AUC值为0.876和0.939,分别高于单独SVM、RF和低坡度SVM、RF模型;同时,IV-SVM和IV-RF模型的易发性概率分布的平均值较小而标准差较大。结果表明：1) IV-SVM和IV-RF模型具有比单独SVM和RF模型,以及低坡度SVM和RF模型更高的滑坡易发性预测精度且更有效的反映了瑞金滑坡易发性分布规律;2) RF模型相较于SVM模型具有更高的预测精度;3) IV-RF等耦合模型能够弥补单独模型存在的负样本采样不准确和低坡度模型对坡度因子区间选择的缺点而提高预测精度更加合适机器学习的滑坡易发性预测建模。总之,本文研究为机器学习预测滑坡易发性的负样本采样方法提供新思路。     

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP), 在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度. 结果表明：半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.     

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。     

基于GIS和信息量法的伊犁黄土滑坡易发性评价

伊犁州位于新疆西北部,黄土分布范围较广,境内降雨丰沛.近年来,随着人类工程活动的增强,黄土滑坡灾害进一步加剧.以新疆伊犁州伊宁县某滑坡密集区域为研究区,在Google Earth平台上采用人工目视方法解译出3424处滑坡.选取高程、坡度、坡向、地形位置指数(TPI)、距道路距离、距河流距离、距断层距离、多年平均降雨量、归一化植被指数(NDVI)共九个滑坡影响因子,运用信息量法进行滑坡易发性评价.将研究区的滑坡易发性分为极低易发区、低易发区、中易发区、高易发区和极高易发区,采用感受性曲线(ROC)对评价结果进行检验.结果 表明:信息量模型训练集和验证集的成功率均在80％以上,信息量模型的评价结果较为理想;高易发区和极高易发区内滑坡数量有2660个,占滑坡总数的77.69％,滑坡面积为2.2 km2,占滑坡总面积的60.27％.基于GI S和信息量法的滑坡易发性评价结果可以为该区域地质灾害防灾减灾工作提供科学依据和可靠参考.     

基于不同机器学习算法的地震滑坡易发性评价——以鲁甸地震为例

地震发生后,及时准确地评价灾区的滑坡易发性对应急救援,灾后重建具有重要意义.然而目前在地震滑坡易发性评价中对不同机器学习模型性能对比的研究较为缺乏.本文从地震动参数、植被、断层岩性、水文和地形方面构建了地震滑坡易发性评价指标体系.然后选取了逻辑回归、K近邻、朴素贝叶斯和随机森林算法,以鲁甸地震为研究案例分别构建了4种滑坡易发性评价模型,并对模型的预测精度进行了对比.结果显示：随机森林模型在测试数据集上的灵敏度(0.94)、精确度(0.94)和准确度(0.94)均高于另外3种机器学习模型,且该模型生成的滑坡易发性的空间分布与实际的地震滑坡分布较为一致,朴素贝叶斯模型的预测精度相对较差.此外,因子的重要性分析结果表明距河流距离、修正的麦加利地震烈度、距断层距离和坡度是影响滑坡易发性相对重要的评价指标.     

基于多尺度分割方法的斜坡单元划分及滑坡易发性预测

滑坡易发性预测可以有效预测潜在滑坡的空间位置,是滑坡危险性和风险性评价的基础。由于斜坡单元依据真实地形地貌划分和具有明确的地质特征意义,更多的学者尝试利用斜坡单元进行区域滑坡易发性预测。但是,如何高效准确地划分斜坡单元并考虑其内部环境因子的非均质性是制约斜坡单元应用的关键因素,也是目前研究中的难点。本文以江西省崇义县为例,首先,提取研究区域坡向和山体阴影图作为基础数据,采用多尺度分割（MSS）方法划分斜坡单元,并结合试错法和研究区域历史滑坡形态特征确定MSS方法的最优参数组合。然后,基于斜坡单元提取高程、坡度、剖面曲率等环境因子,分别导入支持向量机（SVM）和逻辑回归（LR）模型,构建Slope-SVM/LR易发性预测模型。通过变化值和标准差表征斜坡单元内部环境因子的非均质性,进而构建Variant Slope-SVM/LR易发性预测模型。最后,采用ROC曲线和频率比精度分析上述模型的预测精度。结果表明：1）当尺度、形状特征权重和紧致度权重参数分别取20、0.8和0.8时,研究区域斜坡单元的划分效果最好;2）Slope-SVM、Variant slope-SVM、Slope-LR和Variant slope-LR模型的ROC精度分别为0.812、0.876、0.818和0.839,相应的频率比精度分别为0.780、0.866、0.792和0.865, 说明Variant slope-SVM/LR模型的预测精度高于Slope-SVM/LR模型。因此,MSS方法可以实现高效准确地自动划分斜坡单元,考虑斜坡单元内部环境因子的非均质性可以提高易发性预测结果的准确性。     

基于证据权和卡方自动交互检测决策树的滑坡易发性预测

滑坡与其环境因子间的非线性关联计算影响滑坡易发性预测建模的不确定性。为研究不确定性因素下易发性建模规律,以中国延长县为例,获取82处滑坡和14种环境因子,通过频率比(Frequency Ratio, FR)和证据权(Weight of Evidence, WOE)等关联法与卡方自动交互检测(Chi-squared Automatic Interaction Detector, CHAID)决策树相耦合进行建模,并用原始环境因子(称为“原始因子数据”)作为输入变量的单独CHAID决策树进行对比。使用精度、易发性指数均值、标准差和平均秩等评价易发性建模的不确定性。结果表明：WOE-CHAID模型预测的滑坡易发性不确定性低于FR-CHAID模型,可见WOE具有较优秀的非线性关联性能;单独CHAID决策树预测的易发性精度整体略低于WOE-CHAID和FR-CHAID模型,但其建模效率较高;在体现滑坡与其环境因子空间关联性方面,考虑FR和WOE关联法的CHAID决策树模型优势显著。WOE是更优秀的关联分析法,CHAID决策树预测性能好且预测效率高,WOE-CHAID决策树模型的易发性预测不确定性...     

基于信息量及层次分析关联法和BP神经网络耦合的滑坡易发性评价

滑坡与其评价因子之间的关联计算将直接影响滑坡易发性评价结果的精度,因此需要研究不同关联模型对滑坡易发性评价的影响。以白鹤滩库区象鼻岭-江边村段库岸段为研究区,选取以层次分析法(AHP)为代表的经验模型和以信息量法(IV)为代表的统计模型分别与BP神经网络(BPNN)模型耦合进行滑坡易发性评价,同时将仅采用BPNN模型的评价结果作对比。采用ROC曲线、频率比、易发性指数分布(均值、标准差)等方式对滑坡易发性结果进行对比评价。结果显示,IV-BPNN耦合模型滑坡易发性评价结果精度高于AHP-BPNN耦合模型,统计分析模型在滑坡评价因子关联分析上表现更为优秀;单一BPNN模型易发性评价结果整体精度低于耦合模型。在进行滑坡易发性评价时采用评价因子关联法的耦合模型优势较为明显,并且以信息量法为代表的统计分析模型作评价因子关联法进行耦合计算,获得的易发性评价结果精度最高、可靠性最强,评价结果与研究区实际的滑坡分布更为相符。