地球科学文章解读 | 青年编委窦杰：机器学习在滑坡智能防灾减灾中的应用与发展趋势

学术 2024-12-04 12:00 湖北

点击蓝字关注我们

★

来源：AI Geohazards

✦ 01

摘要：

滑坡灾害易发频发、点多面广、隐蔽性强、危害严重。开展“天−空−地−深”观测一体化的滑坡早期识别、易发性评价及预测预报，对于保障人民生命和财产安全，推进滑坡灾害防治能力现代化具有重要意义。目前，依靠人工解译的滑坡识别耗时耗力，采用启发式模型的滑坡易发性评价不能较好的探明环境因子之间的非线性关系，基于传统监测数据的滑坡预测预报精度较低。机器学习算法凭借其强大的非线性处理能力及鲁棒性等优势，逐渐广泛应用于滑坡智能防灾减灾中。基于此，本研究系统阐述了机器学习在滑坡灾害早期识别、易发性评价及预测预报等方面的具体应用，综述了多种机器学习算法在上述 3 个领域中运用的优劣，最终对机器学习在滑坡灾害中未来的发展趋势进行了展望。

✦

研究背景：

在全球范围内，滑坡灾害因其具有突发性、多发性、群发性等特点，严重威胁人类的生命与财产安全（Guzzetti et al., 2012; Merghadi et al., 2020）（图1）。其中，我国是世界上滑坡灾害最为频发的国家之一（图2），根据中国地质调查局发布的2010-2020年地质灾害通报统计结果，近11年间全国共发生地质灾害12.9万起，其中滑坡灾害9.2万起，占灾害总量的71.3%。

我国滑坡灾害分布广泛，且受到地形地貌、气候条件、场地条件、人类活动等多因素影响（殷跃平, 2001；王治华, 2007；许冲等, 2009；Tang et al., 2019）研究学者通过多种科学手段进行滑坡防灾减灾工作。早期专家学者们对于滑坡灾害的研究主要集中于地质调查、专家经验及统计算法。然而对于频发的滑坡灾害，尤其是强降雨、库水位升降及地震等极端条件下引发的大规模的滑坡灾害，传统的技术手段和方法已经不能满足减灾防灾的需要（李秀珍等, 2003）。随着“3S”技术、大数据、人工智能、数字孪生、物联网及5G通讯技术的创新与发展，能够实现海量多场观测数据的实时传输，从而建立多层次、多层级地质灾害数据库。但由于传统的数据处理技术效率低、精度差，同时滑坡地质灾害应用也充满了不确定性，因而需要借助机器学习算法提高处理海量复杂数据时的鲁棒性、高效性及自主学习能力，实现基于地质灾害数据库的深度信息挖掘及高效处理，消除信息的不确定性，应用于地质灾害防治中（Chang et al., 2019）。

✦

图1 全球滑坡分布图

图2 中国滑坡点分布及近11年地质灾害统计（中国地质调查局提供）

✦

研究现状：

机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一（Horvitz and Mulligan, 2015）。随着大数据时代各行业对数据分析需求的持续增加，利用机器学习高效地获取知识，已逐渐成为当今机器学习技术发展的主要推动力（刘汉龙等, 2021）。

机器学习在滑坡灾害中的应用推动灾害防治往智能化的方向发展。目前对于滑坡智能防灾减灾的研究主要分为三个方向，分别是滑坡早期智能识别、滑坡易发性评价及滑坡预测预报（殷跃平等, 2001; Dou et al., 2020; Wang et al., 2010）。滑坡智能识别提供滑坡编录库，滑坡易发性是基于滑坡编录库进行危险性评价找出潜在的靶区，滑坡预测预报是基于靶区进行实时监测预测预警，三者遵循层层递进的逻辑关系，其应用路线如图3所示。

滑坡灾害的早期识别是滑坡灾害调查的主要技术手段，传统目视解译过程中存在工作量大、成本高及识别效率低等问题，利用滑坡的地质特征结合遥感影像的光谱、纹理特征，借助机器学习算法自动化识别滑坡，可有效避免目视解译的主观性，具有高效率及高精度等特点，是目前研究的热点之一（Sato and Harp, 2009; 窦杰等, 2010; 余晓敏等, 2012）。

滑坡易发性是指根据地形条件预测指定区域内滑坡发生的可能性。滑坡易发性评价根据评估多因素诱发滑坡的概率，将研究区划分为不同稳定性等级的区域（Hong et al., 2019; Zhou et al., 2022; Sun et al., 2022）。滑坡易发性地图在降低风险方面起着重要作用，有助于决策者制定相关对策，以减少滑坡灾害风险（Ayalew et al., 2019; Li et al., 2019）。机器学习方法在滑坡易发性评价中应用的研究位居2020年地球科学领域Top10热点前沿发展态势榜首。

针对滑坡预测预报的研究，由于传统的滑坡预报参数单一、实时观测及预防困难、预报精度低等局限性，增设全面、智能传感器，采用机器学习算法，能对滑坡灾害预报预测进一步的发展提供有力支撑（Yuan and Moayedi, 2020）。对于机器学习模型的精度验证，在滑坡早期识别及易发性评价方面，常采用受试者工作特征曲线（Receiver Operating Characteristic curve-ROC）、Kappa指数、准确率（Accuracy-Acc）等方法来验证模型的精度，对于滑坡预测模型，常用均方根误差（Root Mean Square Error, RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）、相对误差（Relative Error, RE）、相关性系数（Correlation Coefficient）等方法验证模型预测精度。

通过Web of Science数据库，以“滑坡灾害”和“机器学习”为关键词检索已发表的文献，统计前500篇文献，发现常用的机器学习方法包括：逻辑回归（Logistic regression, LR）（Dou et al., 2020）、神经网络（Neural Network, NN）（Pradhan and Lee, 2010）、支持向量机（Support Vector Machine, SVM）（Pradhan, 2010）、决策树（Decision Tree, DT）（Pradhan, 2010）、随机森林（Random Forest, RF）（Chang et al., 2019）、贝叶斯（Bayes）（Hu et al., 2021）等，其中逻辑回归是最为常用的机器学习算法（图4）。基于中国知网与Web of Science数据库，统计2010年之后，以“滑坡灾害”和“机器学习”为关键词检索的文章发现，近11年发表相关文章共749篇，中文153篇，英文596篇。从2015年起，有关机器学习在滑坡灾害中应用的文章开始大量发表，直到现在一直是研究的热点问题（图5）。

图3 机器学习在滑坡灾害中应用的流程

图4 Web of Science数据库统计机器学习算法在滑坡灾害总的应用频率

图5 2010年之后机器学习在滑坡灾害应用的中英文文章发表数量统计

✦

滑坡灾害中的机器学习应用：

本文就机器学习在滑坡灾害中应用的三个主要研究方向进行总结概述，调研相关研究的最新科研进展，促进并推广机器学习在滑坡灾害以及地质灾害防灾减灾中的应用。

1、机器学习在滑坡早期识别中的应用：

智能防灾减灾体系中，滑坡灾害的早期识别是滑坡灾害风险评估和管理的基础（巨袁臻等, 2020）。国内外滑坡早期识别研究进展（见图6）。

图6 机器学习在滑坡早期识别中的应用

目前，遥感图像处理的变化检测以及机器学习方法已可逐渐实现对滑坡灾害隐患的智能化、自动化快速识别。我国西南地区基于已排查出的地质灾害隐患点的影像资料为学习样本，利用神经网络进行学习，分析学习结果并对其他区域滑坡灾害隐患进行自动识别，其识别正确率可达80%左右（Ji et al., 2020）；Zheng et al.（2021）借助时间序列InSAR监测数据和高精度光学遥感数据，结合研究区17个滑坡影响因素（归一化植被指数、坡度、湿度、降雨量等），借助决策树（DT）、随机森林（RF）、贝叶斯（Bayes）、支持向量机（SVM）四种机器学习算法，通过特征筛选及参数优化，准确地找出了潜在的滑坡点，同时也验证了可以不依赖于人-机交流，仅借助不同的机器学习方法结合多源滑坡影响因素，实现早期识别滑坡灾害的可行性。

国内外专家学者已经对滑坡早期智能解译开展了大量研究，综合遥感技术、大数据云平台及工程化处理技术，开展基于机器学习算法识别滑坡灾害隐患，建立高精度智能识别模型，对防灾减灾具有重要实际意义（百晓和张雪妮, 2018）。

2、机器学习在滑坡易发性评价中的应用：

滑坡易发性区划是通过分析影响滑坡的内在因素和外在因素，评价潜在滑坡灾害的空间地理位置分布，区划的核心内容包括滑坡灾害的易发性评价和分级分布等（Guzzetti et al., 2006）（见图7）。

图7 滑坡易发性评价的发展趋势

基于机器学习算法的易发性评价是通过分析数据特征和预测滑坡发生的空间概率来分析过去事件和诱发因素之间的空间关系，其中常用的机器学习算法包括逻辑回归（LR）、支持向量机（SVM）、神经网络（ANN）、决策树（DT）（Guo et al., 2021）。

逻辑回归（LR）是滑坡易发性评价中最常用的方法，许多研究学者也将逻辑回归作为基本机器学习算法，用来对比其改进机器学习算法的性能（Dou et al., 2020）。逻辑回归是一种非线性模型，普遍采用的参数估计方法是最大似然估计法。在随机样本条件下，逻辑回归模型的最大似然估计具有一致性、渐进性和渐进正态性。采用逻辑回归的滑坡易发性评价结果表明该方法具有较高可信度，能够运用于滑坡灾害防治及预测领域。

支持向量机（SVM）是由Vapnik等人发展起来的建立在统计学习理论的VC维理论和结构风险最小原理基础上的一种机器学习方法，能够在样本较少的情况下比较好地解决非线性及高维模式识别问题，被广泛应用于滑坡易发性评价（Horvitz and Mulligan, 2015）。Dou et al.（2015）等提出在滑坡易发性评价中，支持向量机（SVM）比逻辑回归（LR）、线性判别分析以及朴素贝叶斯（NB）具有更好的预测能力（Lantz et al., 2015）。此外，支持向量机（SVM）能够有效减少噪声数据和过度拟合的影响，这有助于产生优良的分类结果。但在处理大量输入数据时，支持向量机的训练过程耗时较长。此外，由于它是一个黑箱模型，因此分类过程无法解释（Bai et al., 2008），如何在实际运用中选取适合的核函数以提高性能也是一个主要问题。

神经网络模型是近年来颇受关注的机器学习模型，其不需要提前对数据的分布做出假设就可以产生良好的预测结果。神经网络模型最常用的有反向传播神经网络（BPNN）、人工神经网络（ANN）、卷积神经网络（CNN）等。在滑坡易发性评价方面，神经网络模型比传统的物理模型和统计模型具有更高的精度（李雪平等, 2005; Sameen et al., 2020）。Chen et al.（2017）将人工神经网络与最大熵增模型以及支持向量机方法进行了比较，指出人工神经网络在性能上超过其他两种方法。周超、殷坤龙等（2020）人以三峡库区龙驹坝为研究对象，选取了10个评价因子，比较基神经网络模型、逻辑回归模型和径向基神经网络和Adaboost集成学习耦合模型三种模型的精度，分析得到径向基神经网络和Adaboost集成学习耦合模型具有更强的预测能力。此外，若模型中输入的数据量较大，将会导致训练过程非常耗时。一些人工神经网络算法容易陷入局部最优也是一个主要存在的局限性。

决策树（DT）模型由根节点、内部节点和叶子节点构成，叶子节点对应分类结果，其它节点对应分类规则。决策树模型的分类规则是逐节点形成的，根节点根据分类标准，将训练数据集分割为2个子集，其他每个内部节点接收来自上一层的数据集并继续划分为2个子集，直到在叶子节点获得分类结果。从根节点到叶子节点的每条路径都可以构成一个分类规则（刘汉龙等, 2021）。决策树可以快速进行高精度的滑坡易发性评价，且具有比较好的鲁棒性和易解释性，但存在过拟合的现象。

从当前的发展趋势来看，使用机器学习模型已经成为滑坡易发性区划的主流。尽管研究者常常在不同研究区对比不同机器学习模型的优劣，对于小样本来说，随机森林（RF）往往有较好的表现（Merghadi et al., 2020），但没有一种模型被证明是最优的（Reichenbach et al., 2018）。因此，研究者通常先确定研究区域，探明滑坡的诱发的基础地质背景，然后根据滑坡的历史数据及数据质量，利用多种机器学习模型得出最优结果。

3、机器学习在滑坡预测预报中的应用

滑坡多场关联观测是实现滑坡预测预报的前提。近年来，随着新技术的不断发展与涌现，观测技术已逐渐摆脱人工观测，逐渐趋于自动化、全面化。目前，多场关联观测技术已经包含天（光学卫星与星载InSAR雷达遥感等）、空（无人机、航空影像），地（激光雷达LiDAR、地基SAR等）与内（孔隙压力、地表及地下深部形变位移监测、钻孔倾斜仪分布式光纤监测技术等）等多维立体“天-空-地-深”观测一体化技术，以此开展滑坡地质灾害多场关联观测，结合高精度、自动化的远程观测及高效数据储存及传输技术将是未来滑坡监测的主要研究方向（许强等, 2019; 许强等, 2022）。

近年来，随着大数据和机器学习的发展，依托历史滑坡灾害基础数据及诱发滑坡灾害的地质环境、水动力等数据资料，对于探索基于机器学习的滑坡灾害预警模型具有重要的理论意义和实际价值，也为滑坡灾害预测预报提供了新的发展契机（周超等, 2019; Sun et al., 2022）。

现有研究者通过单一的机器学习模型进行滑坡预测，如反向传播神经网络（BPNN）（林鲁生等, 2002; 沈强等, 2006）、径向基神经网络（沈强等, 2006）、支持向量机（SVM）（林大超等, 2011）和极限学习机（ELM）（Cao et al., 2016）等，此外，学者们结合单一的机器学习模型与其他不同的优化算法提出混合智能算法。由于混合的智能算法融合了不同算法之间的优点，在实际预测当中相较于单一的机器学习模型具有更高的精度。例如，郑志成等（2012）提出了PSO-LSSVM混合模型，该方法结合了粒子群算法（PSO）与最小二乘支持向量机（LSSVM），在实际岩质高边坡应用对比发现混合算法性能优于单一算法；盛建龙和熊绵国（2012）结合灰色模型GM（1,1）和BPNN对实际边坡稳定性进行预测，发现该混合模型预测精度高于单一GM（1,1）和单一BP模型。近年来，基于不同算法之间的排列组合提出的滑坡变形预测模型层出不穷，如基于Boostrap-ELM-ANN的预测模型、基于时间序列分解PSO-SVM的预测模型（张俊等, 2015）、基于长短时记忆神经网络（杨背背等, 2018）与LSSVM预测模型（Wen et al., 2017）、基于聚类算法与Apriori算法预测模型（Ma et al., 2017）或与决策树的预测模型等（Ma et al., 2017）。

基于此，机器学习在滑坡预测预报研究中已取得巨大进展，且上述的预测模型在各自的实际案例中都具有较好的精度。然而，不同滑坡所处的地质条件不尽相同，同时这些模型与滑坡演化的物理力学机制相脱节，导致这些预测模型充满不确定性（唐辉明, 2015）。为了提高滑坡的预报水平，必须要获取高质量的多场关联监测数据，探究滑坡演化力学机制，结合滑坡地质演化过程，提出多场监测数据的深度融合与统一表达方法，构建基于机器学习的滑坡智能预测预报模型。

✦

讨论：

目前，常用的机器学习方法主要解决回归、聚类和分类三大问题（吕晓玲和宋捷, 2016），而滑坡灾害的早期识别、易发性评价及预测预报符合其主要应用方向。但大量研究表明，机器学习方法也存在着一些局限性，而这也极大影响着基于机器学习的识别、评价及预警精度（Merghadi et al., 2020; 王治华, 2007; 许强, 2020）。

1、基于机器学习的滑坡早期识别发展趋势

针对滑坡灾害的早期识别阶段，光学和SAR等卫星遥感影像可检测和识别出具有显著地形地貌和变形特征的滑坡隐患区（韩健楠和孙增慧, 2018）。但是海量遥感影像目视解译需要花费大量的时间和精力，尤其是地震、暴雨等极端工况诱发的滑坡灾害，对灾害识别的时效性要求较高，这种情况下机器学习算法便体现出智能化、快速化的优势（龙玉洁等, 2018）；其次，对于新发生的滑坡灾害，因滑坡区的光谱特性与周围环境有较大差异，基于机器学习方法便可快速检测和识别出新发生的地质灾害区域；对于正在变形的滑坡区，因其光谱和纹理特性与周围环境具有一定的差异，利用机器学习方法也能对其较好地进行自动识别（许强, 2020）。但是对于历史上发生的古老滑坡体，由于绝大多数近期内未变形，其光谱特性与周围环境并无明显差异，在影像上仅能根据滑坡地貌的纹理特性来判识，因此自动识别难度较大（许强, 2020）；其次，由于滑坡影响因素较多，且不同地区地质环境、地形水文、人类活动等因素差别较大、多源异构海量遥感大数据的特征融合难的问题，导致机器学习模型的适用性较差（张勤等, 2022），因此，如何推进滑坡识别检测工作的智能化、规模化和业务化是一个重要发展趋势。

2、基于机器学习的滑坡易发性评价发展趋势

机器学习算法在滑坡易发性中的应用逐渐提高了易发性评价的精度和准确性。但是，滑坡易发性评价中存在诸多不确定性因素，如数字高程模型的质量、滑坡编录库的表达、致灾影响因子及其空间分辨率的选择、斜坡评价单元的选取、模型训练测试集的比例（Chang et al.，2019；Zhao et al.，2019；Dou et al., 2020 b; 黄发明等，2020，2021），这一系列影响因素都会影响到易发性评价的精度（见图8）。不同的机器学习算法都有各自的优缺点（表1），目前，众多学者针对不同研究区，借助机器学习开展滑坡易发性评价，揭示了机器学习中存在的局限性，如：逻辑回归（LR）在双变量统计分析中精度不高，并且需要事先对变量分布作出假设（Lantz, 2015）；支持向量机（SVM）对于核函数的选取要求较高，合适的核函数将提高数据处理性能，反之当数据量过大时，将会耗费较长时间（Dou et al., 2015）；朴素贝叶斯（NB）虽然对于相关变量具有良好的鲁棒性，但是此方法依赖于一种不正确的独立假设，导致评价精度不高。从不同学者的研究结果可以看出，对待不同的情况也要选取合适的模型才能获取高效、准确的评价结果（Merghadi et al., 2020；Dou et al., 2019）。

此外，滑坡灾害风险评价是滑坡灾害风险管理的基础和核心环节（Fell et al., 2005），基于机器学习的滑坡易发性评价获取了滑坡发生的空间概率，结合滑坡发生的时间概率，综合开展滑坡危险性评价；通过易损性评价及承灾体潜在损失计算，最终开展滑坡风险评价，其成果将为滑坡的防灾减灾提供重要的理论依据（Varnes, 1984; Westen et al., 2006；Reichenbach et al., 2018）。

图8 知识图谱驱动的滑坡易发性指标体系与保持多级一致性

表1 常用机器学习算法的对比

3、基于机器学习的滑坡预测预报发展趋势

机器学习算法以及所有的数据驱动预测模型都是以过去的观测数据为基础，对未来的变形进行预测，因此对于数据的依赖性较强，但由于长期以来预报参数单一、数据分析算法选取较为困难，极大地影响算法建模的准确性和不确定性，从而导致滑坡灾害预报精度低等显著的缺点（Shirzadi et al., 2019）。同时，滑坡灾害预测预报主要针对单体大型灾害预报和区域预报，其中，单体滑坡灾害预报前期需要设置大量观测设备，获取多维多尺度观测数据；区域预测预报是基于气象因素的灾害预警，考虑的因素较为单一主要包括降雨、库水位等水动力因素来建立模型，会造成预警精度过低等问题。其次，基于机器学习算法的预测预报不涉及物理机制，忽略滑坡的内在演化机理，然而滑坡本质上以一个受岩土体条件控制，并受多种诱发因素（如降雨、库水位波动、地震等）影响而发展、演化的非线性耗散动力系统。基于数据驱动的机器学习预测模型难以解释滑坡发生的机理，模型适用性较差，也会影响模型预测精度，因此如何提高机器学习算法的可解释性也是将来重要的研究方向。目前，对于算法可解释性仍然缺乏统一的认识，对其研究处于初级阶段（纪守领等, 2019）。可解释性旨在帮助我们从事前（ante-hoc）和事后（post-hoc）去理解机器学习算法的复杂逻辑及内部的工作机制，主要从滑坡地质灾害的模型和运行结果两个方面开展可解释性研究（图8所示）。

图9 可解释性机器学习在滑坡地质灾害中的研究框架

此外，由于机器学习是基于数据驱动寻找内在的隐藏关系，以此来达到滑坡地质灾害预测与自然世界交互的目的，若预测过程中具有较好的机器学习模型，但无法获取较高质量的数据，则同样无法获取较理想的预测结果，虽然随着多场“天-空-地-深”立体观测技术的不断发展与完善（图9），滑坡监测数据呈现多源异构、跨尺度、多模态等数据特性（彭建兵等, 2020; 翟明国等, 2018）以及监测数据量纲不一致、表现形式多样化等特点，但是借助数据融合与挖掘的手段，建立多源监测数据的统一表达与融合方法（冯夏庭和马平波, 2001; Miranda et al., 2011; 杨骏堂等, 2020），以此提升滑坡预测预报的准确性。因此，基于目前国内外研究成果（Bai et al., 2008; Merghadi et al., 2020），研究更应该关注数据的质量，即高质量的基础数据集>大量数据>算法模型，以期提高机器学习在滑坡地质灾害中的智能防灾减灾中的应用（图10）。

✦

图10 “天-空-地-深”多场一体化滑坡灾害观测技术架构

图11 滑坡地质灾害智能防灾减灾目标

✦

展望：

虽然机器学习已经广泛应用于滑坡防灾的各个阶段，但依然存在一些局限性需要进一步探究。在滑坡早期识别阶段，由于区域内古老滑坡体近期内未变形，其光谱特性与周围环境并无明显差异，在影像上往往根据滑坡地形地貌的纹理特征来判识，其自动识别精度不高；在易发性评价阶段，机器学习擅长预测，其依靠已有的数据驱动找到可概括的预测模式，但对模型结果的可解释性相对较弱；在滑坡预测预警阶段，由于地质环境结构复杂，滑坡多种影响因子间可能存在相关性，或是由于影响因子和控制因子之间往往存在属性差异性与量纲差异性，这种不均衡性会导致重要的评价因子缺失，从而影响灾害预测精度。

人工智能（AI）由第一代的知识驱动，到第二代的数据驱动，随着AI的混合驱动（知识-数据）进一步发展，深度学习、迁移学习、强化学习、对抗学习将会成为滑坡灾害隐患识别向智能化、自动化方向发展的利器。同时，针对地质灾害演化机理与机器学习相互脱节的科学问题，也需要综合地质灾害样本的特征，提出和改进深度学习算法，构建滑坡“数据-机理-模型”三驱动的智能耦合分析方法，通过可解释的机器学习建立数据间的因果逻辑来解释和解决当前滑坡地质灾害的问题，期望突破现有方法准确性低、泛化能力不强和数据依赖高的技术瓶颈，为滑坡灾害风险智能识别及科学管控提供有效解决方案。

✦

结论：

本文从机器学习在滑坡灾害的早期识别、易发性评价及预报预测三个领域开展论述，基于国内外研究现状，介绍了机器学习算法在滑坡灾害中应用的优势及局限性，对于如何进一步推动机器学习算法在滑坡灾害中的应用，本文有以下认识和建议：

（1）由于滑坡灾害具有高位、隐蔽性强等特点，传统的地质调查、排查等手段费时费力，难以进行大区域排查；利用遥感技术目视解译滑坡灾害，结合现场调查具有较高的解译精度，但耗时较长，工作量巨大，且滑坡灾害识别具有较强的主观性，从而导致出现错判和误判；而机器学习具有较强的图像、影像学习和分析能力，对于新发生的滑坡灾害，由于滑坡区的光谱特性与周围环境有较大差异，采用机器学习算法便可快速检测和识别出新发生的滑坡区域；对于正在变形的滑坡区，因其光谱和纹理特性与周围环境具有一定的差异（但没有新发生滑坡显著），利用深度学习算法也能对其进行较好的识别。

（2）基于机器学习的易发性评价显著优于启发式模型和数理统计模型。采用不同机器学习算法的易发性建模过程及其不确定性有所差异，影响易发性评价的因素较多，例如：数字高程模型、影响因子、评价单元、空间分辨率、滑坡样本点、训练及测试集比例等，目前对于上述影响因素的重要程度没有统一的定论，也没有统一的评价准则，且不同机器学习即使在预测精度相差不大的情况下其易发性指数分布特征也会有很大的区别，因此，以上方面还需要进一步的探索。

（3）相比于传统的确定性模型、统计模型等方法，机器学习具有较强的适用性与泛化能力，基于机器学习的滑坡灾害预报预测具有更高的精度，只需要对滑坡的多场监测数据和变形特征影响因子进行建模分析，即可实现较为准确的预测。但是预测模型脱离滑坡演化的物理力学机制，普适性需要进一步提高，且难以从地质结构、岩土体特征、外部荷载和水岩（土）长期物理作用的多场多相多因素角度解释滑坡的演化、破坏。

（4）机器学习可解释性在滑坡地质灾害处于起步阶段，如何平衡算法的准确性和解释性，重点在于保持算法模型运行的逻辑和理解工作机制，将预测精度的误差减少在最低，保持模型结果准确性与可理解性，建立机器学习与实际结果一致的解释也是滑坡灾害一个非常重要的研究方向。

（5）基于多模态、跨尺度、海量监测数据，提出高质量的基础数据集>大量数据>机器学习算法模型，强调监测数据质量的重要性，此外，滑坡地质灾害是一个动态的发展过程，可能从滑坡灾害演化成泥石流，形成堰塞湖溃决洪水，造成更大的破坏，因此应从单一的灾害研究演变成复合灾害链的动态研究。

✦

加入学术交流群

备注“姓名+单位+ES”

欢

迎

扫码添加小编微信，拉你进入《地球科学》编辑部学术交流群，群内不定期开展答疑会、分享学术研究、学术直播等高质量活动。

往期回顾

☞矿物学·岩石学·矿床学

→近70年中国变质岩石学-变质地质学的研究进展

→造山带橄榄岩岩石学与构造过程:以松树沟橄榄岩为例