《Sustainability》:Landslide Susceptibility Mapping Assessment Method Based on the IVM-BiTCN–Transformer Model
编辑推荐:
滑坡敏感性(Landslide Susceptibility)评估作为地质灾害治理、生态保护及长期风险减缓策略的核心技术工具,该建模方法对坡体失事事件的发生可能性进行量化,并为区域地质环境监管提供客观决策支持。为克服传统评估框架计算效率低下、多层次空间网格规则
滑坡敏感性(Landslide Susceptibility)评估作为地质灾害治理、生态保护及长期风险减缓策略的核心技术工具,该建模方法对坡体失事事件的发生可能性进行量化,并为区域地质环境监管提供客观决策支持。为克服传统评估框架计算效率低下、多层次空间网格规则提取能力弱的缺陷,本研究以广西壮族自治区南部首府及最大城市南宁市为研究对象,采用十种地形地质控制因子结合历史滑坡编录记录,构建融合信息值法(Information Value Method, IVM)、双向时序卷积网络(Bidirectional Temporal Convolutional Network, BiTCN)及Transformer的两阶段耦合评估框架,命名为IVM-BiTCN–Transformer。该层次化框架首先采用IVM完成初步灾害分级并计算因子贡献权重,随后将分级后的网格样本输入BiTCN-Transformer模块以实现局部地形特征与全局因子的融合,从而显著提升整体识别精度。研究选取十种广泛应用的滑坡评估算法进行对比模拟,采用多个定量指标评判模型可靠性。实验结果证明,所提出的IVM-BiTCN–Transformer框架具备优越的灾害判别能力,能够提高滑坡分区的精度与稳定性,并为目标化区域地质灾害防治提供可靠的技术支撑。
滑坡敏感性制图评估是地质灾害风险管理和区域可持续发展领域的重要研究方向。中国地处环太平洋与欧亚两大构造带交汇处,地形复杂、气候多样,滑坡灾害频发。官方统计数据显示,2009年至2023年间共发生地质灾害155,988起,其中滑坡事件106,383起,占总地质灾害数的68.2%。然而,现有区域滑坡敏感性评估模型存在三个突出缺陷:非滑坡样本采样不合理、跨尺度特征传递受阻、针对性因子权重分配缺失,这些问题降低了模型精度与泛化能力,限制了其对多元地质背景的适应性。此外,现有模型难以充分挖掘多维滑坡指标间的深层耦合关系,导致分级偏差,无法满足实际滑坡灾害防治中对精度和泛化性的双重需求。为解决上述局限,研究人员构建了IVM-BiTCN–Transformer综合敏感性制图模型,采用两阶段评估工作流:首先利用信息值法(IVM)替代随机非滑坡采样进行初步敏感性分级,优化样本合理性与评估可信度;其次,改进的BiTCN结构消除特征传输障碍,提取多维因子数据的空间连续性与多尺度邻域相关性;最后,嵌入的Transformer自注意力机制将模型注意力集中于主导灾害因子和高风险区域,提升特征融合效率与关键信息提取能力,以全面提高模型精度与泛化能力。
研究人员为开展此项研究所用到的主要关键技术方法包括以下方面。数据来源上,采用广西南宁市1175个实际滑坡点数据,以及由广西壮族自治区地质环境监测站提供的基础评估因子数据,包括地貌类型、土壤类型、距水系距离、距断层距离、土壤质地、植被类型、地层岩性、山体类型、水体类型和坡度共10种环境因子。样本构建上,采用30m×30m标准化网格划分研究区,基于IVM初步评估结果构建五类典型网格样本集。模型架构上,构建IVM-BiTCN–Transformer两阶段耦合模型:IVM模块用于因子权重计算与样本分级;BiTCN模块采用双向并行因果扩张卷积提取局部空间非线性耦合特征;Transformer模块通过多头自注意力机制捕获全局长距离空间依赖关系。模型训练采用AdamW优化器,隐藏层维度256,学习率0.0003,dropout率0.2。对比验证上,选取RF、SVM、LR、FR、DT五种外部基准模型及五种消融子模型进行横向性能比较,采用ROC-AUC、PR-AUC、F1-Score、Kappa系数等多指标综合评估模型性能。
IVM计算结果:研究人员采用IVM对南宁市滑坡敏感性等级进行初步评估,选取10种滑坡影响因子和历史滑坡记录作为输入数据。由于各因子量纲不一致,计算结果经标准化处理后导入ArcGIS Pro进行叠加分析,采用自然断点法分级,获得基于信息值法的滑坡敏感性评估结果,划分为极低、低、中、高、极高5个等级。统计显示,极高敏感区虽仅占网格总数的19.38%,却集中了28.85%的滑坡点,面积密度比达1.4888,为各等级中最高,表明该区间滑坡发育强度显著高于区域平均水平,是滑坡灾害防控的核心区域。但中高敏感区的面积密度比相对较低,反映出IVM存在一定局限性,其评估精度和适用性仍有提升空间。
IVM-BiTCN–Transformer模型模拟结果:在统一超参数设置下(hidden_dim=256、learning_rate=0.0003、AdamW优化器、dropout=0.2),采用典型网格样本集作为输入,对南宁全市进行二次滑坡敏感性分级评估。结果显示,该模型在空间分布和敏感性分类方面表现更为合理:极高和高敏感区识别更为集中,能够更精确地圈定滑坡高风险区域,有效提升了关键防治区的可区分性;同时,中、低、极低敏感区分类更加均衡,减少了面积比例的不合理偏差,实现了不同敏感等级与实际滑坡发育密度的高度匹配。具体而言,各等级网格比例依次为14.26%、19.80%、23.06%、27.56%、15.32%,呈稳步递增趋势;面积密度比分别为0.5074、0.7564、0.9706、1.2567、1.3553,符合敏感等级与风险强度间的逻辑关系。
与传统模型及消融模型的对比验证:与RF、SVM、LR、FR、DT五种传统/机器学习模型对比,IVM-BiTCN–Transformer模型综合识别性能最优。该模型高敏感等级的网格比例(27.56%)和滑坡比例(34.64%)均为所有模型最高,极高等级的面积密度比(1.3553)亦处于高水平,表明其对高-极高敏感区的集中度和准确性远优于其他模型。RF模型虽极高等级网格比例较高,但低等级比例失衡;SVM模型中等敏感区识别能力弱;LR模型高风险区识别不足;FR模型高精度略低;DT模型极高区过度划定。消融实验表明,IVM模块具备强基础信息挖掘能力(极高区面积密度比1.4888);BiTCN模块擅长捕获空间多尺度邻域相关性(极高等级滑坡比例38.89%);Transformer模块增强特征提取与拟合能力,使模型获得更均衡的等级分布。各模块有机结合使IVM-BiTCN–Transformer实现识别精度与空间合理性的同步提升。
多指标定量评估:ROC曲线分析显示,六模型AUC值均大于0.7,其中IVM-BiTCN–Transformer模型AUC达0.92,位列最高。进一步在分层独立测试集上计算多分类指标:该模型ROC-AUC=0.9464、PR-AUC=0.9371、F1-Score=0.9398、Kappa=0.8796,全面优于传统统计模型、单一深度学习架构及其他混合耦合框架。IVM预处理使精度和召回率平均提升0.02-0.06;BiTCN较单向TCN的F1-Score平均提升0.0087;嵌入Transformer后Kappa平均增幅超0.04,证明全局特征融合有效降低随机分类误差。传统统计模型中DT表现最差(PR-AUC=0.7523、Kappa=0.5196),独立BiTCN因缺乏全局信息建模能力,PR-AUC较IVM-BiTCN–Transformer低0.1045。
研究结论部分表明,本研究以广西南宁市为研究区域开展滑坡敏感性评估,旨在获取更精确的评价模型,为区域滑坡灾害防灾减灾规划提供科学依据。研究选取地貌、土壤类型、距水系距离、距断层距离、土壤质地、植被类型、地层岩性、山体类型、水体类型和坡度共10种滑坡影响因子,结合研究区1175个实际滑坡点作为基础数据,构建了名为IVM-BiTCN–Transformer的综合评估模型。该模型通过IVM量化各影响因子的致灾贡献,利用BiTCN模块捕获因子间的多尺度邻域相关性和空间特征,并依托Transformer模型与BiTCN模块的协同作用增强全局特征学习和多因子融合能力,从而全面提升敏感性评估的准确性和稳定性。研究采用ROC曲线和AUC值作为模型性能评价指标,将所提模型与RF、SVM、LR、FR、DT、IVM-BiTCN、IVM-TCN-T、IVM、BiTCN-T、BiTCN共10种常见滑坡敏感性评估模型进行对比验证。结果表明,IVM-BiTCN–Transformer模型的多指标数值显著高于其他对比模型,其ROC曲线与实际滑坡分布拟合最佳。该模型不仅具备较强的高风险区识别和等级匹配能力,同时保持评估结果的均衡分布,避免了其他模型中存在的分类不均和识别精度低等缺陷。模拟实验表明,IVM-BiTCN–Transformer模型能够有效提升滑坡敏感性评估精度,准确识别滑坡高风险区域,为南宁市滑坡灾害风险预警、工程治理和土地利用规划提供可靠技术支撑,也为类似地区滑坡敏感性评估提供思路和方法参考,有利于推动区域防灾减灾工作的可持续发展和地质灾害风险的科学管理。研究人员指出,当前研究尚未将降雨因子数据和输入数据精度的定量分析纳入建模系统,后续研究可予以补充以进一步完善评估体系;未来研究方向可引入多时相降雨、地下水及人类工程活动因子以丰富输入数据集。