基于卷積神經網絡的區域滑坡易發性評價：以三峽庫區萬州區為例

楊延晨,周 超,施佳湄

(1. 中國地質大學(武漢) 李四光學院, 湖北 武漢 430074; 2. 中國地質大學(武漢) 地理與信息工程學院, 湖北 武漢 430078)

滑坡災害是地質災害中最重要的一種類型,分布地區廣、發生頻率高、造成的損失嚴重。滑坡災害的頻繁發生會對山區居民的生命財產安全造成巨大的威脅[1-2]。近年來三峽庫區地質災害頻發,2013年,重慶市萬州區孫家鎮荊竹屋基地帶發生大面積滑坡,致使多條道路中斷,給交通和居民安全造成了重大的隱患[3]。2014年,湖北省秭歸縣發生杉樹槽滑坡,規模大、速度快,導致水電站被滑坡沖毀[4]。滑坡災害的精細化風險管控是防災減災的重要手段,而滑坡易發性評價是其風險評價的基礎[5]。

滑坡易發性的研究始于20世紀70年代中期,在過去的幾十年里,國內外學者對區域滑坡易發性評價開展了諸多的研究,經驗模型[6-7]、信息量模型[8-9]、統計預測模型[5,10-11]及機器學習模型[12-13]在滑坡易發性評價中得到了廣泛的應用。文獻[14—15]應用多種統計方法對尼泊爾Mugling-Narayanghat地區進行了滑坡災害易發性評價,并對比分析了各模型方法的評價結果;文獻[16]通過耦合支持向量機和粗糙集模型對三峽庫區秭歸至巴東段進行了滑坡災害易發性評價,取得了較好的效果;文獻[17]將隨機森林和確定系數耦合進行滑坡易發性評價,發現耦合后的模型精度更高。滑坡易發性研究目前處于正在由傳統的統計方法、機器學習模型向更加智能精確化的深度學習模型過渡的階段[18]。

滑坡是否發生除與自身所在位置有關外,還與鄰接的地質環境密切相關。目前的滑坡易發性模型多以像素為基礎評價單元,忽略了與其周邊地質環境的關聯性,影響了制圖精度的提升[19]。深度學習是一種具有更強非線性預測能力的分類模型,以卷積神經網絡為代表的深度學習方法能更有效地提取出圖像數據的深層信息,已經在圖像分類[20-21]、遷移學習[22]等領域廣泛應用。此外,深度學習建模使用的基礎數據為矩陣圖像[23-24],與基于機器學習等模型相比,可有效顧及目標樣本周邊鄰接像素對其的影響。

本文以三峽庫區萬州區為研究對象,選取坡度、坡向、地層巖性等滑坡發育的影響因子構建評價指標體系,應用信息量模型統計分析各指標與滑坡空間發育的量化關系,構建基于卷積神經網絡的易發性評價模型。

1 方法原理

1.1 方法框架

基于卷積神經網絡的區域滑坡易發性評價主要分為以下4個部分:①多源數據準備,制作滑坡編錄數據庫,收集地形、地質和遙感影像等研究所需的基礎數據;②指標體系構建,結合收集的數據對影響因子進行分級,采用信息量法分析影響因子與滑坡發育的關系,構建滑坡易發性影響因子數據集;③智能模型建立,對構建好的數據集進行劃分,隨機選取70%的數據進行訓練,30%的剩余樣本進行測試,分別利用機器學習和深度學習模型進行易發性建模,將模型的預測結果進行易發性制圖;④精度分析評級,采用ROC曲線等對比分析不同易發性模型的精度,探究關鍵參數對建模性能的影響。

1.2 信息量

信息量模型通過計算信息量評價影響因子與滑坡發生與否的相關性。滑坡災害(y)受多種因素的影響,各種因素在滑坡形成過程中所起的作用大小不同。對滑坡分析要綜合研究各種影響因素及具體狀態的組合,可以用信息量衡量滑坡產生的可能性,信息量值越大表面滑坡災害發生的可能性越大[25]。信息量計算公式為

(1)

式中,P為在影響因素共同作用下滑坡發生的概率;P(y)為滑坡發生的概率。受樣本統計數量的相關限制,可以進行如下的簡化操作[26]：以研究區域的柵格單元為基礎,采用單因素信息量模型計算,再綜合疊加分析各種影響因素的共同影響,相應的公式可改寫為

(2)

1.3 卷積神經網絡

卷積神經網絡(convolutional neural networks, CNN)是一類包含卷積計算、具有深度結構的前饋神經網絡[27]。CNN主要由3部分構成:①數據輸入層;②由n個卷積層和池化層的組合組成;③由一個全連結的多層感知機分類器(全連接層)及輸出層構成。

將CNN應用于滑坡易發性評價需要建立適用于網絡結構的數據集,要求數據集在地理空間上增加維度,每個樣本為包含像素鄰接信息的多維矩陣。考慮鄰接場景對目標點的影響,通過將單一的像素擴充成由該位置和其四周的點所構成的二維像素矩陣,提取滑坡在空間上的信息(如圖1所示)。在構建數據集的過程中,需要根據樣本的信息設置特征和標簽,像素矩陣的維度和大小、滑坡影響因子的數量共同構成樣本的特征,而像素矩陣對應的位置是否發生過滑坡為樣本的標簽,發生過為1,未發生過為0。

圖1 模型數據集的構建方式

1.4 ROC曲線

受試者工作特征(receiver operating characteristic, ROC)曲線,是一種常用于評價二分類模型建模效果優劣的圖形方法。ROC是二維曲線,其中縱坐標定義為真陽性率,表示正例得到正確判定的比例;橫坐標定義為假陽性率,表示錯誤判定的比例。通過計算ROC曲線下面積(area under the ROC curve, AUC)可以直觀評價分類器的好壞,較大的AUC代表了較好的性能[28]。

2 研究區概況

重慶市萬州區位于中國四川盆地的東北部。萬州區地質條件復雜,出露地層的地質年代以中生代三疊紀和侏羅紀為主,局部地區為古生代二疊紀和新生代第四紀地層。萬州區山高且陡峭,地形起伏較大,受長江及其支流侵蝕,堆積形成了多級河流階級地貌。萬州區屬亞熱帶季風氣候,四季分明,濕潤多雨,降雨一般集中在5—9月[29]。萬州區是三峽庫區地質災害發育最頻繁、最集中的地區,地質災害分布密度大、范圍廣,主要發育的地質災害有崩塌、滑坡等,其中滑坡最為突出,在極端降雨、庫區水位波動及人工擾動的情況下,會引發新的滑坡,使得原本的滑坡穩定性受到影響,加劇變形[30-31](如圖2所示)。

圖2 研究區高程和滑坡分布

3 易發性制圖

3.1 滑坡編錄數據集

準確的滑坡編錄數據是易發性建模的基礎。在滑坡歷史編錄數據的基礎上,通過野外調查和高分辨率遙感影像解譯,共發現700多處滑坡點,查明研究區滑坡災害以土質滑坡為主,平面形態上多發育為箕形,剖面上多發育為凸形和階梯形,中型滑坡占比達59.7%,小型滑坡和大型滑坡各占22%和17.8%。

3.2 易發性評價指標體系構建

滑坡的產生是由斜坡自身內部基礎地質條件與外界環境因素共同作用所造成的。其中,內部基礎地質條件是對滑坡發生起控制性作用的因素,主要包括地質構造、地層巖性、地形地貌等;外界環境因素對滑坡發生起觸發作用,如水文地質環境、人類工程活動等[32]。通過對三峽庫區野外調查研究及相關文獻的分析,選取高程、高程變異系數、坡度、坡向、平面曲率、坡面曲率、地層巖性、坡體結構、道路距離、歸一化植被指數、地形濕度、水系距離共12個因子構建易發性評價指標體系。應用的指標圖層由1∶5萬地形圖、1∶10萬地質圖、Landsat 8遙感影像等數據提取得到。

評價指標數據類型可分為連續型數據(坡度、坡向等)和離散型數據(地層巖性等)。在進行易發性建模前需要通過設置一定的步長對連續型評價指標進行離散化處理,將得到的連續型指標因素進行分級[33]。為查明各指標與滑坡空間發育的定量關系,根據各評價指標的狀態分級計算出各指標的信息量。

3.3 易發性建模

考慮模型對0～1的數據敏感性較強,因此,在建模前需要對數據進行歸一化處理[34]。利用二維矩陣的方式完成適用于CNN網絡結構的樣本數據集,通過卷積層、池化層和全連接層搭建CNN網絡,將研究區的數據代入網絡模型中進行訓練,計算得到研究區滑坡易發性概率。為驗證CNN模型的性能,同時也采用了隨機森林(random forest,RF)、多層感知器神經網絡(multilayer perceptron,MLP)和支持向量機(support vector machine,SVM)3種常見的機器學習模型進行易發性建模,其模型參數和網絡結構組合通過試算法確定。為了便于區分滑坡的易發程度,利用分位數法將滑坡易發性概率分為極高易發(10%)、高易發(10%)、低易發(10%)和極低易發(70%)共4個等級,最終得到基于以上模型的區域易發性等級圖(如圖3所示)。

圖3 易發性等級圖

4 結果對比與分析

4.1 易發性空間發育規律

由分級后的各影響因子信息量統計結果可知,高程變異系數(>0.08)的信息量為2.535,對應區域內的地表多為松散堆積層,為滑坡發育提供了物質基礎,在一定程度上對滑坡的發生起了較大的促進作用。長江水系緩沖區距離<400 m時,其信息量為2.546,因庫區工作造成的長江水位變化,對滑坡誘發的因素較強,易發性高和極高的區域大部分分布在長江兩岸及城區附近,越靠近水庫帶越易發生滑坡,長江對于滑坡發育具有較大影響。同時,道路<400 m的信息量為2.389,道路的建設對地表造成了一定的影響,進而誘發滑坡的發生,說明人類的工程活動是該研究區內誘發滑坡的主要因素之一。

4.2 關鍵參數對建模性能的影響

將像素單元擴充為二維像素矩陣是考慮CNN模型中鄰域對目標像素的影響。為探究鄰接區域的選擇范圍對滑坡易發性評價精度的影響程度,采用不同大小的二維矩陣構建CNN模型,精度結果如圖4所示,5×5的二維矩陣對應的AUC最小,為0.925,11×11的二維矩陣對應的AUC最大,為0.937,設置二維矩陣的值越大,表明鄰接區域的選擇范圍越廣,CNN模型考慮鄰域對目標像素影響越多。研究發現,二維矩陣大小的改變對精度的影響較小,但隨著二維矩陣的增大,AUC在逐漸增大,在一定范圍內增大二維矩陣可以提高易發性評價的精度。

圖4 不同二維矩陣大小ROC曲線

4.3 與機器學習模型的性能對比

對于機器學習模型,在數據集的構建中只需要考慮滑坡是否發生與單個像素包含的影響因子的關系,進而對滑坡點單個像素進行預測。而對于CNN模型,不同于機器學習模型數據集,CNN易發性模型的數據集在地理空間上增加了維度,考慮了滑坡是否發生與鄰接環境的關系,充分利用了CNN在空間數據處理鄰域的特點和優勢,在數據集的構建中考慮鄰接像素的影響,進而完成滑坡易發性評價。通過分析基于CNN和機器學習模型易發性評價結果(如圖5所示),比較不同模型AUC發現,CNN模型在滑坡易發性評價中的精度優于機器學習模型,能夠更好地提取出研究區滑坡及其影響因子的信息,進而對研究區域的易發性進行更加準確的評價。

圖5 不同易發性模型的ROC曲線

此外,在滑坡易發性評價的研究中,為更好地幫助當地機構根據滑坡的易發性對區域進行監控和防治,期望得到的預測結果能盡量集中在兩極,即極高易發區和極低易發區。滑坡比率由各分級區滑坡占研究區總滑坡比例與各分級區占研究區比例的比值計算而得,通過計算和對比不同模型的滑坡比率,對易發性評價模型的分級結果進行更加全面的分析和評價。由本次易發性評價的滑坡比率結果分析可知(如圖6所示),基于CNN的滑坡易發性評價相比于其他的機器學習模型,預測結果的兩極化效果更顯著,即極高易發區和極低易發區之和占比較大。

圖6 易發性分級滑坡比值

5 結 語

滑坡易發性評價是山區滑坡地質災害防治最重要的基礎工作之一。本文以三峽庫區萬州區為例,通過提取與滑坡發育和發生相關的高程、坡度、道路距離等12個影響因子,構建數據集,建立卷積神經網絡模型,分析滑坡空間發育規律與影響因子的關系,開展滑坡易發性評價。研究表明,卷積神經網絡模型可以更有效地提取出研究區域某個像素及其鄰接區域的信息,擁有較高的預測精度,其總體精度為92.5%。在一定范圍內構建適應卷積神經網絡模型的數據集時,適當提高二維矩陣的大小可以提高易發性評價的精度。綜上所述,基于卷積神經網絡的易發性評價模型在滑坡等災害的易發性評價研究中有巨大的潛力,同時也存在模型中的參數對預測結果影響較大而導致參數設置過程煩瑣、難度大等問題,將優化算法引入學習易發性評價是今后的研究方向和發展目標之一。