基于機器學習的遵義市滑坡災害易發(fā)性評價研究

馬俊杰

摘 要：滑坡災害是我國經(jīng)常發(fā)生的地質(zhì)災害之一，滑坡災害易發(fā)性評價可以從空間和概率上將研究區(qū)劃分成不同的滑坡風險等級。滑坡易發(fā)性評價結果可為滑坡治理和防治做出重要的決策支持。本研究以貴州省遵義市作為研究區(qū)，選取高程、坡度、NDVI等八個影響因素作為本次滑坡易發(fā)性評價的滑坡影響因子，選用決策樹、隨機森林、GDBT三種機器學習算法作為滑坡易發(fā)性評價的訓練模型。通過自然間斷法將評價結果按照易發(fā)性大小分成極高易發(fā)區(qū)、高易發(fā)區(qū)、中易發(fā)區(qū)、低易發(fā)區(qū)和極低易發(fā)區(qū)五類。使用ROC曲線和滑坡點密度對三種模型的效果進行對比分析。

關鍵詞：機器學習;滑坡易發(fā)性評價;遵義市

中圖分類號：P694 ? 文獻標志碼：A ? ? 文章編號：1003-5168（2022）6-0129-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2022.06.030

Study on Landslide Susceptibility Assessment Based on Machine Iearning in Zunyi City

MA Junjie

（School of Spatial Information and Surveying engineering， Anhui University of Science and Technology，Huainan 232001，China）

Abstract： Landslide disaster is one of the most common geological disasters in China. The evaluation of landslide disaster susceptibility can be divided into different risk levels from spatial and probability. The evaluation results of landslide susceptibility can provide important decision support for landslide control and prevention. In this paper， Zunyi City of Guizhou Province is taken as the research area， eight influencing factors such as elevation， slope and NDVI are selected as the influencing factors of landslide susceptibility evaluation， and three machine learning algorithms including decision tree， random forest and GDBT are selected as the training models of landslide susceptibility evaluation. Natural discontinuity method was used to classify the evaluation results into five types： extremely high， high， medium， low and extremely low. ROC curve and landslide point density were used to compare and analyze the effects of the three models.

Keywords： machine learning; evaluation of landslide susceptibility;Zunyi City

0 引言

隨著我國經(jīng)濟的高速發(fā)展，需要建造更多的空間來滿足人們生活和工作的需求，地質(zhì)災害是必須要事先考慮的問題，建造這些空間要避開容易發(fā)生地質(zhì)災害的地方[1]。滑坡是我國常見的地質(zhì)災害之一，對重要區(qū)域進行滑坡災害易發(fā)性評價，從概率的角度將空間劃分出不同滑坡發(fā)生可能性程度的區(qū)域，這將幫助決策者避開容易發(fā)生滑坡災害的地方，也會間接地減少由于滑坡造成的損失[2-3]。

滑坡災害易發(fā)性評價的發(fā)展經(jīng)歷了定性到半定量再到定量的發(fā)展趨勢[4-6]。定性和半定量的方法主要依靠力學模型和專家知識，這種方法效率有限，容易受主觀因素影響，而且不適用于大范圍的滑坡易發(fā)性評價[7-8]。隨著計算機和人工智能大數(shù)據(jù)的發(fā)展，用機器學習的方法進行滑坡易發(fā)性評價已經(jīng)逐步流行起來[9]。徐勝華等用支持向量機的方法進行了陜西地區(qū)的滑坡災害易發(fā)性評價[10];武雪玲等將神經(jīng)網(wǎng)絡模型用于滑坡易發(fā)性評價模型的訓練[11];Xing等用邏輯回歸完成了滑坡易發(fā)性評價[12]。以上這些方法都取得了不錯的效果。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

遵義市位于貴州省東北部，處于東經(jīng)106°17′—107°26′，北緯27°13′—28°04′，海拔800～1 300 m，大婁山橫穿遵義市全境，遵義市巖溶地貌發(fā)育廣泛，降雨充沛，經(jīng)常發(fā)生各種地質(zhì)災害，選取遵義市作為研究區(qū)是非常有意義的。

1.2 數(shù)據(jù)來源

遵義市的滑坡災害點數(shù)據(jù)、降雨量數(shù)據(jù)來自中國科學院資源環(huán)境科學數(shù)據(jù)中心。災害點原始數(shù)據(jù)格式有shape格式和excel格式，包含崩塌、塌陷、泥石流、地面沉降、地裂縫、滑坡、斜坡七大類主要的地質(zhì)災害類型。30 m分辨率的DEM數(shù)據(jù)和landsat8衛(wèi)星遙感數(shù)據(jù)來自地理空間數(shù)據(jù)云。居民點數(shù)據(jù)、河流數(shù)據(jù)和地表覆蓋數(shù)據(jù)是在全國自然資源服務部網(wǎng)站申請下載的數(shù)據(jù)。本次遵義市滑坡災害易發(fā)性評價以柵格單元為基本評價單元，分辨率為30 m。

2 滑坡影響因子與機器學習模型

2.1 滑坡影響因子

通過對滑坡影響因子綜合評價能夠反映研究區(qū)發(fā)生滑坡災害的容易程度。本研究選取了高程、坡度、坡向、降雨量、距居民點距離、距河流距離、土地利用、NDVI等八種可以反映研究區(qū)地質(zhì)地貌、水文氣候和人類活動的因素作為滑坡影響因子。

2.1.1 地質(zhì)地貌。地質(zhì)地貌是誘發(fā)滑坡的重要因子，在不同地質(zhì)條件下滑坡的啟動條件不同，例如，松軟巖層、地形起伏度等會大大增加滑坡發(fā)生的可能性。高程可以反映研究區(qū)的海拔情況，海拔不同對發(fā)生滑坡的條件也有所不同;坡度和坡向可以反映區(qū)域內(nèi)的地形起伏情況，坡度大小和坡向會不同程度地誘發(fā)滑坡災害;土地利用和NDVI可以反映研究區(qū)地表形態(tài)。

2.1.2 水文氣候。水文氣候情況是影響滑坡災害發(fā)生的重要外界誘發(fā)因素，潮濕的地表會讓巖土更容易移動，這種情況下比較容易發(fā)生滑坡地質(zhì)災害。降雨量和河流可以補充區(qū)域內(nèi)地表巖層的含水量，所以本研究選取年累計降雨量和到河流距離作為反映研究區(qū)的水文氣候的影響因子。

2.1.3 人類活動。滑坡災害也容易受到人類活動的影響，由于人類的生產(chǎn)經(jīng)營活動會在一定程度上改變地表的覆蓋情況和地表巖層的易滑程度，本研究選取距離居民點的距離和地表覆蓋作為能反映人類活動的滑坡影響因子。

2.2 機器學習模型

2.2.1 隨機森林。隨機森林是通過有放回地隨機抽取樣本，并隨機選取不同規(guī)模的特征組建訓練集，用多棵決策樹進行訓練和預測的機器學習算法。在隨機森林模型中，決策樹的訓練數(shù)據(jù)和剪切閾值都是隨機選取的，大大提高了模型的魯棒性和避免模型過擬合。目前，隨機森林被廣泛應用在分類預測領域。

2.2.2 梯度提升樹。GBDT算法是機器學習中一個很重要的算法，和隨機森林一樣都是集成學習的一種，但是GBDT用的是另外一種組合迭代方式。利用前一輪基學習器的誤差更新權重，這樣一直迭代下去，不斷地迭代更新直到找到合適的權重。和隨機森林不同的是GBDT模型每個基學習器之間是相互關聯(lián)的，是一種串聯(lián)的方式。

2.2.3 決策樹。決策樹是一種常用的監(jiān)督分類方法，從根節(jié)點對訓練數(shù)據(jù)的某個特征進行測試，根據(jù)測試結果將該樣本分配到某節(jié)點中，如此重復對每個特征進行分配直到到達葉節(jié)點，最后將樣本分到葉節(jié)點中。決策樹的本質(zhì)是從訓練數(shù)據(jù)中歸納出分類規(guī)則，得到條件概率模型。

3 結果與分析

本研究利用三種機器學習模型進行滑坡災害易發(fā)性評價結果，如圖1所示，從模型精度和滑坡點密度兩方面對三種模型進行比較分析。

3.1 模型精度比較

滑坡災害易發(fā)性評價，從問題本質(zhì)上來說就是二分類問題，只不過要更偏向二值中某個值的程度。對于這種問題，受試者工作曲線（Receiver Operating Characteristic，Curve ROC曲線）和線下面積AUC值是常用的評價指標。曲線通過設定不同的門檻獲得一系列二分類的結果，然后計算歷史滑坡點被標為滑坡點的比例結果作為縱坐標，將非滑坡點標為非滑坡點的比例作為橫坐標，這樣標繪出來的曲線就是ROC曲線，ROC曲線和橫坐標之間空間的面積即AUC值。曲線越凸線下面積越大，說明模型精度越高，曲線越凸AUC值越小，模型精度越差。為了衡量模型的性能，將采用ROC曲線以及AUC值作為指標對比三種機器學習模型的性能。

三種模型得到的ROC曲線和AUC值如圖2所示，根據(jù)對比可知，隨機森林模型效果最好，明顯高于其他兩種模型，決策樹最差，GBDT算法介于兩者之間。

3.2 滑坡點密度比較

對于歷史滑坡點來說，滑坡點應該集中于極高易發(fā)區(qū)，也就是說極高易發(fā)區(qū)的滑坡點密度最高，易發(fā)性越低滑坡點密度越低。

將三種模型得到的評價結果與歷史滑坡災害點進行疊加，得到每個區(qū)域的滑坡點密度。從表2中可以看出滑坡點密度從極低易發(fā)區(qū)到極高易發(fā)區(qū)逐步上升，主要集中在極高易發(fā)區(qū)和高易發(fā)區(qū)。通過三種方法的對比，隨機森林模型得到的結果最好，其次是GBDT，最差的是決策樹。

4 結語

本研究將貴州省遵義市作為研究區(qū)，采用高程、坡度、坡向等八種滑坡影響因子利用GBDT、隨機森林和決策樹三種機器學習算法進行滑坡易發(fā)性模型的訓練，對評價結果從ROC曲線和滑坡點密度兩方面進行對比分析，得到的結果是隨機森林模型效果最好，其次是GBDT，最差的是決策樹模型。

參考文獻：

[1]陳偉.山區(qū)村鎮(zhèn)滑坡災害風險評估研究[D].武漢：武漢大學，2019.

[2]王佳佳.三峽庫區(qū)萬州區(qū)滑坡災害風險評估研究[D].武漢：中國地質(zhì)大學，2015.

[3] WANG D，HAO M，CHEN S，et al.Assessment of landslide susceptibility and risk factors in China[J].Natural Hazards，2021（108）.

[4] HE Y， BEIGHLEY R E. GIS‐based regional landslide susceptibility mapping： a case ?study in southern California[J].Earth Surface Processes & Landforms，2010，33（3）：380-393.

[5]管新邦.云南省滑坡地質(zhì)災害危險性評價研究[D].北京：中國礦業(yè)大學（北京），2018.

[6]孫德亮，馬祥龍，唐小婭，等.基于不同因子分級的滑坡易發(fā)性區(qū)劃對比：以萬州區(qū)為例[J].重慶師范大學學報（自然科學版），2021，38（5）：43-54.

[7]于憲煜.基于多源數(shù)據(jù)和多尺度分析的滑坡易發(fā)性評價方法研究[D].武漢：中國地質(zhì)大學，2016.

[8]孫德亮.基于機器學習的滑坡易發(fā)性區(qū)劃與降雨誘發(fā)滑坡預報預警研究[D].上海：華東師范大學，2019.

[9] WANG X，LI S，LIU H，et al.Landslide susceptibility assessment in Wenchuan County after the 5.12 magnitude earthquake[J]. Bulletin of Engineering Geology and the Environment， 2021（1）：5369-5390.

[10] 徐勝華，劉紀平，等.熵指數(shù)融入支持向量機的滑坡災害易發(fā)性評價方法：以陜西省為例[J]. 武漢大學學報（信息科學版），2020，5（8）：1214-1222

[11] 武雪玲，楊經(jīng)宇，牛瑞卿.一種結合SMOTE和卷積神經(jīng)網(wǎng)絡的滑坡易發(fā)性評價方法[J].武漢大學學報（信息科學版），2020，45（8）：223-1232.

[12] XING X， WU C， LI J，et al.Susceptibility assessment for rainfall-induced landslides using a revised logistic regression method[J]. Natural Hazards， 2021（5）：1-16.