点击名片 关注我们
标题
Title
期刊: Bulletin of Engineering Geology and the Environment
作者：Yue Wang, Chao Zhou, Ying Cao, Sansar Raj Meena, Yang Feng & Yang Wang
年份：2024
1
摘要
滑坡易发性评估对于减轻滑坡风险和加强预警系统至关重要。当前在开发滑坡易发性测绘制图（LSM）时，人们往往忽视了滑坡的多种机制，而传统的机器学习（ML）模型缺乏在滑坡环境中自主学习特征的能力。本研究提出了一种先于深度学习算法应用于 LSM 的方法，通过对滑坡进行分类并根据其变形机制选择相关因素。在三峡库区（TGRA）秭归-巴东段，根据地质条件和历史滑坡清单将滑坡分为岩石滑坡（RL）和土质滑坡（SL）。建立了包含十三个因素的综合评价指标体系。为了确定每种类型滑坡最相关的因素，这些因素根据其对滑坡发生的贡献进行排序。对于易感性评估，本研究引入了卷积神经网络 (CNN) 模型，并将其性能与传统 ML 模型（包括分类和回归树 (CART) 和多层感知器 (MLP)）进行比较。使用接收者操作特性 (ROC) 曲线和各种统计分析方法评估这些模型的有效性。研究结果表明，考虑不同类型滑坡的 LSM 可产生更准确、更真实的结果。CNN 模型优于其他同类模型，其中 MLP 效率第二高，而 CART 效率最低。总体而言，本研究证明了考虑滑坡多样性的 LSM 方法优于传统的单一方法。
2
图表
图：研究区位置图：（a）中国地图（b）TGRA（c）研究区高程及滑坡分布图
图：研究区域内典型的土质岩质滑坡
图：本研究中滑坡敏感性流程图
图：滑坡成因因素：a. 坡度，b. 坡向，c. 平面曲率，d. FVC，e. 到断层的距离，f. 高程，g. TR，h. 到河流的距离，i. 到道路的距离，j. 坡度结构 k. 土地利用，l. 岩性，m. TRI
图：a. SL-CNN；b. RL-CNN；c. CL-CNN；d. UL-CNN；e. UL-MLP；f. UL-CART 的敏感性区划结果
图：所用方法的 ROC 曲线：a. UL 的验证精度，b. UL 的预测精度，c. 考虑滑坡类型的预测精度
图：预测敏感度值的分布直方图 a. UL-CART，b. UL-MLP，c. UL-CNN
3
结论
本研究以三峡库区秭归—巴东段为研究区，分析了土质滑坡和岩石滑坡两种主要类型滑坡的敏感性。通过建立基于重要性分析和信息值法的不同指标体系，本研究同时采用了 CNN 模型和传统 ML 方法进行 LSM。分析得出几个关键发现：
a）条件因素：对于滑坡，海拔、岩性、坡向和坡度结构是主要控制因素。在研究区，滑坡主要发生在倾坡，特别是在 B2 区域，IV 为 0.7。相反，SL 敏感性受海拔、坡度、与道路的距离和与河流的距离的影响，滑坡最容易发生在海拔 240 m 以下，此时 IV 达到 1.56。UL 的重要性分析不能准确地指出因素的重要性，无法准确表征它们的贡献。
b) 模型性能：CNN 模型解决了传统 ML 模型在捕捉触发因素与滑坡发生之间的非线性动态方面的局限性。与传统 ML 模型相比，其准确度分别提高了 0.48 和 0.28，提供了更具代表性的敏感性概率分布。对不同模型的平均值和标准差的比较分析表明，CNN 模型具有稳定性，并且能够避免过度拟合。这些发现强调了 CNN 模型在模拟环境因素与滑坡之间的复杂关系方面的有效性，以及其在管理数据不确定性方面的稳健性。
c) 预测准确性：SL 和 RL 的敏感性预测非常准确，分别为 0.903 和 0.947，而组合图的预测准确度达到 0.901。该地区的滑坡主要发生在长江右岸和支流沿岸，极高和高敏感区反映了滑坡和滑坡的敏感性。UL 的制图精度为 0.890，略低于通过分类评估方法获得的结果。
总之，本研究突出了秭归-巴东段滑坡和滑坡的明显特征和控制因素，强调了 CNN 模型在滑坡易发性制图方面的卓越性能。通过准确捕捉滑坡与其环境触发因素之间的非线性关系，CNN 模型不仅提高了预测精度，而且还确保了不同数据集之间的稳定性，与 LSM 中的传统 ML 方法相比具有显著的进步。
4
参考文献
Wang, Y., Zhou, C., Cao, Y., Meena, S.R., Feng, Y. and Wang, Y., 2024. Utilizing deep learning approach to develop landslide susceptibility mapping considering landslide types. Bulletin of Engineering Geology and the Environment, 83(11): 430.
扫码关注，欢迎来稿
邮箱丨engeomodel@gmail.com
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
