● 题目 ●
Titlle
期刊：Geoscience Frontiers
作者：Xin Wei a b c d , Paolo Gardoni d , Lulu Zhang a b c , Lin Tan a b c , Dongsheng Liu e , Chunlan Du f , Hai Li f
单位：a 海洋工程国家重点实验室，上海交通大学土木工程系
b 先进船舶与深海勘探协同创新中心（CISSE），上海
c 上海建筑与基础设施数字化维护重点实验室，
d 美国伊利诺伊大学厄巴纳-香槟分校土木与环境工程系
e 重庆市地质矿产勘查局
f 重庆市地质矿产勘查局水文地质工程208队
年份：2024
亮点
• 提出了用于易发性制图的混合数据驱动和基于物理的模型
• 考虑像素空间邻域显著提高了预测精度 • 纳入边坡安全系数增强了泛化能力 • 分析了土地覆盖类型因子的空间分辨率的影响 • 揭示了改进基于像素的滑坡易发性制图的关键要素
●●● 摘要(Abstract)●●●
区域滑坡易发性绘图（LSM）对于降低风险至关重要。虽然深度学习算法越来越多地用于 LSM，但其广泛的参数和稀缺的标签（有限的滑坡记录）给训练带来了挑战。相比之下，经典统计算法的参数通常较少，不易过拟合，更易于训练，可解释性更高。此外，将基于物理的方法与数据驱动的方法相结合，也有可能改进 LSM。本文在提高区域 LSM 模型的实用性、可解释性和跨区域泛化能力方面做出了几项贡献：（1）提出并比较了由数据驱动模块和物理模块组成的两个新的混合模型。混合模型 I 将无限坡度稳定性分析（ISSA）与经典统计算法 logistic 回归相结合。混合模型 II 将 ISSA 与卷积神经网络（深度学习技术的代表）相结合。基于物理的模块构建了一个新的解释因子，具有更高的非线性，并通过预选非滑坡样本减少了因不完整滑坡清单造成的预测不确定性。数据驱动模块捕捉解释因子与滑坡存量之间的关系。(2) 提出了一个逐步删除过程，以评估解释因子的重要性，并确定保持令人满意的模型性能所需的最小必要因子。(3) 对单像素和局部区域样本进行比较，以了解像素空间邻域的影响。(4) 探讨了数据驱动算法中的非线性对混合模型性能的影响。以中国三峡库区典型的滑坡易发区为研究区域。结果表明，在测试区域，通过使用局部区域样本来考虑像素空间邻域，混合模型 I 的 AUC 大约提高了 4.2%。此外，使用 30 米分辨率土地覆盖数据的模型超过了使用 1000 米分辨率数据的模型，AUC 提高了 5.5%。最佳解释因子集包括海拔高度、土地覆被类型和安全系数。这些发现揭示了增强区域土地退化管理的关键因素，为土地退化管理实践提供了宝贵的见解。
●●● 图表(Figures)●●●
图 1. 基于像素的滑坡易发性地图的图示
图 2. 所选数据驱动算法的图示
图 3. 无限斜坡稳定性分析模型的图示。
图 4. 单像素样本和局部区域样本的图示
图 5. 研究区域的位置。
图 6. 训练和测试区域的地质地层图
图 12. 通过（a）混合模型 I 和（b）混合模型 II 使用大小为 270 米的局部区域样本获得的测试区域的滑坡易发性图
图 18. 在最优解释因素下，使用大小为 270 米的局部区域样本，通过（a）混合模型 I 和（b）混合模型 II 获得的巫山滑坡易发性地图
●●● 结论(Conclusions)●●●
本文通过比较两种新提出的基于像素的混合模型（即混合模型 I（LR + ISSA）和混合模型 II（CNN + ISSA））在中国三峡库区典型滑坡易发区的跨区域性能，总结了改进区域滑坡易发性绘图（LSM）的关键要素：
(1)构建非线性度更高的新滑坡解释因子。基于物理的模型，如 ISSA，是创建新的非线性解释因子（如边坡安全因子）的最佳工具。它们将不同地区不一致的地质和岩性数据转化为固定范围内的连续安全系数，从而提高了概括能力。此外，它们还可通过预选非滑坡样本，解决因滑坡清单不完整而产生的预测不确定性。
(2) 考虑像素空间邻域。与单个像素样本相比，使用局部区域样本时，LSM 性能明显提高。使用局部区域样本后，混合模型 I 在测试区域的 AUC 值明显上升，导致被高估为高易感性和低估为低易感性的区域明显减少。
(3) 增加数据驱动模块的非线性。混合模型 II 在所有训练、测试和新区域（巫山县）的表现都优于混合模型 I。然而，考虑像素空间邻域对模型性能的影响超过了提高数据驱动模块非线性度的影响。混合模型 I 在考虑像素空间邻域的同时，提供了可接受的预测精度，并表现出更好的实用性和可解释性。
(4) 减少模型参数。由于滑坡记录（标签）的可用性有限，最大限度地减少需要训练的参数对提高 LSM 至关重要。在保持模型性能的前提下，参数越少，所需的训练标签就越少。要做到这一点，既可以使用逻辑回归等经典统计算法，也可以使用 CNN 等特定深度学习算法，后者具有独特的参数减少机制，如权重共享和局部连接。随着训练数据量的减少，混合模型 I 的 AUC 值比混合模型 II 更早下降。在解释因子方面，逐步删除的过程显示，海拔高度、土地覆被类型和安全系数是保持模型性能可接受的最小必要因子，其中土地覆被类型数据是最关键的因子。
(5) 提高数据数量和质量。滑坡记录（标签）的数量和输入特征（解释因子）的质量都会对 LSM 模型的性能产生重大影响。与使用 30 米分辨率数据的模型相比，使用 1000 米分辨率土地覆被因子的模型赋予土地覆被因子的权重较小，产生的 AUC 值也较低。
● 参考文献 ●
●●● References ●●●
Wei, X., Gardoni, P., Zhang, L., Tan, L., Liu, D., Du, C. and Li, H., 2024. Improving pixel-based regional landslide susceptibility mapping. Geoscience Frontiers, 15(4), 101782.
End
工程地质灾害与滑坡风险评估
engeomodel@gmail.com
● 扫码关注我们
Welcome
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！
