结合样本优化的滑坡易发性评估:刘家峡水库区案例研究
《Remote Sensing Applications: Society and Environment》:Landslide Susceptibility Assessment Incorporating Sample Optimization: A Case Study of Liujiaxia Reservoir Area
【字体:
大
中
小
】
时间:2026年07月18日
来源:Remote Sensing Applications: Society and Environment 3.8
编辑推荐:
摘要:滑坡易发性评估对于区域灾害的预防与减轻至关重要。训练样本的质量是决定最终评估精度的重要因素。在样本数量有限的地区,由于样本分布不均且数量不足,模型难以充分捕捉关键致灾因子,从而限制了其泛化能力。本研究以刘家峡水库区域作为典型的小样本滑坡高发区,提出了一种训练样本优化框架。通
摘要:滑坡易发性评估对于区域灾害的预防与减轻至关重要。训练样本的质量是决定最终评估精度的重要因素。在样本数量有限的地区,由于样本分布不均且数量不足,模型难以充分捕捉关键致灾因子,从而限制了其泛化能力。本研究以刘家峡水库区域作为典型的小样本滑坡高发区,提出了一种训练样本优化框架。通过将小基线子集InSAR获得的变形率与频率比易发性分区方法相结合,构建了一种动态优化策略:在变形明显的高易发性区域有选择地增加正样本,而从稳定的低易发性区域均匀抽取负样本,有效解决了正负样本不平衡问题。利用极端梯度提升和随机森林分类器进行验证后发现,经过优化的样本模型性能优于原始样本模型,AUC值分别提升了6.5%和5.5%。其中InSAR-FR-XGB模型的性能最佳(AUC=0.942;整体准确率=91.1%),显示出在数据匮乏环境中的优异适用性。SHapley加性解释方法进一步明确了海拔、坡度、距道路距离以及岩性等因素的关键作用。所提出的方法为小样本区域的滑坡易发性评估提供了一种稳健且可迁移的解决方案。
引言:在全球范围内,滑坡属于最具破坏性的地质灾害之一。2004年至2016年间,4,862起非地震性事件共造成55,997人死亡,平均每年约有4,300人遇难(Froude和Petley,2018)。滑坡多发生在山区及地质条件复杂的地区,对人类生命和财产安全构成严重威胁(Abdelkader等人,2025)。中国幅员辽阔,地质结构复杂,地形起伏显著,加之人类工程活动日益频繁,这些因素共同导致了滑坡频发,使得中国成为全球受滑坡灾害影响最严重的国家之一。根据《全国地质灾害公报》(自然资源部,2024年)的数据,2024年中国共记录了5,000多起地质灾害,其中滑坡占比最高。这些数据凸显出滑坡预防与减灾工作的紧迫性。在此背景下,滑坡易发性评估已成为滑坡风险评价和早期预警的重要工具。通过整合各种影响因子、触发机制及环境变量,该评估方法能够量化未来滑坡发生的空间概率,从而推动管理方式从被动应对转向主动的风险识别与预警。由此生成的易发性地图为制定区域灾害预防与减灾策略提供了重要的科学依据。
滑坡易发性模型大致可分为经验模型、统计模型和机器学习模型三类。经验模型过度依赖专家判断,具有主观性较强、难以大规模应用于区域分析的缺陷。随着地理信息系统的大范围应用,统计方法得到了广泛应用。例如,Wang等人将数据驱动的变点检测技术与信息价值模型结合在三峡水库区域使用,实现了87%的预测精度。不过,统计方法仍存在因主观因素导致分类困难以及难以表现非线性关系的局限性。而机器学习算法则能够自动挖掘影响因子与滑坡发生之间的复杂非线性关系,从而在更大范围内实现更高的预测精度和更强的稳定性。因此,包括支持向量机、随机森林和逻辑回归在内的多种机器学习技术已被广泛用于滑坡易发性制图。
近年来,干涉合成孔径雷达为滑坡研究开辟了新途径(Berardino等人,2002)。将小基线子集InSAR和持续散射体InSAR获得的表面变形数据引入机器学习框架,使该学科从静态易发性评估转向动态风险评价。将InSAR获取的时间序列变形数据与机器学习方法相结合,已成为分析地面位移的一种强大且通用的方法。例如,Shami等人运用新小基线子集InSAR技术,对伊朗南部的沙赫-盖布盐穹在2016–2019年和2020–2022年两个时期的表面位移进行了测绘,再通过机器学习技术模拟并预测观测到的运动规律,从而在数据较为连续的情况下获得了高精度的位移模式模型。类似地,Abdalla等人利用InSAR技术估算了路易斯安那州东巴吞鲁日教区的地面位移,将结果与GNSS测量数据相互验证,并比较了InSAR得到的变形率与基于机器学习的预测结果,以提高该地区沉降建模的精度。这些研究表明,在变形数据较为丰富且连续的情况下,InSAR-ML框架具有出色的分析能力。然而,在数据匮乏地区的滑坡易发性评估中,模型性能并非受分析框架本身限制,而是受到训练样本极度缺乏、空间分布不均以及正负样本比例失衡的制约。因此,当前的主要挑战已从模型架构优化转变为训练样本优化这一基础性任务,这也是本研究要直接解决的、在这一成功的方法论交叉领域中尚未得到充分研究的难题。已有研究显示,将InSAR获得的变形数据纳入模型可显著提升性能,Li等人通过动态评估获得了0.9798的AUC值(Li等人,2025),Chen等人则在滑坡早期识别方面达到了70%的准确率(Chen等人,2025)。
在基于机器学习的滑坡易发性评估中,训练样本的质量和代表性对模型性能起着关键作用。那些滑坡记录较少的地区往往存在样本数量不足和空间分布不均的问题,这容易导致模型欠拟合,进而降低其泛化能力。此外,严重的正负样本不平衡还会引发系统性偏差,增加低估滑坡高发区的风险,最终影响模型的可靠性。传统的负样本选取方法也存在明显缺陷:随机抽样容易因无意中包含不稳定的非滑坡点而引入标签噪声,而缓冲区方法则因主观设定的缓冲距离阈值而降低样本的代表性。
为克服这些局限,近年来人们提出了多种样本优化技术,尤其适用于数据匮乏或样本量小的地区。例如,Sun等人针对数据有限的山区公路沿线的滑坡易发性问题进行了研究,这类地区通常存在样本量小且空间分布不均的情况。他们提出了一种混合方法:首先利用地理探测器筛选并优化影响因子,然后以坡度单元作为空间采样的依据,最后调整正负样本的比例以实现更好的平衡。该方法有效提升了样本的空间代表性,减少了类别不平衡现象,使得多种机器学习算法的性能都有显著提升(与传统采样方法相比,AUC、精确度及整体准确率均有所提高)。作者认为,结合因子筛选、基于坡度单元的采样以及样本比例优化,对于减少偏差、提升小样本滑坡易发性建模的可靠性至关重要。同样,Weng和Xiao也针对小样本滑坡易发性评估问题提出了一种新方法,该方法将基于原型的正样本选取与无监督聚类技术结合用于负样本的补充。他们首先利用聚类算法识别具有代表性的非滑坡区域,避免标签噪声,然后再通过原型选取方法在高风险区域扩充正样本,从而无需额外开展野外调查即可缓解类别不平衡和空间分布不均的问题。他们的方法使AUC值相比传统方法提升了10%以上,证明通过精心优化样本,能够在样本数量有限的地区显著提升模型的泛化能力和预测稳定性。作者认为,将无监督聚类与基于原型的选取方法相结合,为提升小样本场景下的样本质量和代表性提供了一种稳健且基于数据的解决方案。
总之,为解决滑坡易发性评估中长期存在的样本量不足、空间分布不均以及非滑坡样本选取随意、无法准确反映真正地质稳定区域等问题,本研究以刘家峡水库区域作为典型小样本地区,提出了一种动态样本优化框架,该框架将小基线子集InSAR变形监测与频率比统计模型相结合。其思路始于明确数据匮乏是主要瓶颈:在样本数量有限的情况下,传统采样方法容易引入标签噪声或空间偏差,从而导致模型欠拟合和预测偏差。所提出的解决方案通过利用InSAR获得的变形率这一客观的物理指标来代表滑坡活动——识别出存在显著沉降的区域以便有针对性地增加正样本——同时结合基于频率比的初步易发性分区方法,确保高风险区域的统计一致性。随后,从变形稳定的区域系统地抽取负样本,这些区域的易发性极低,从而最大限度地减少错误标注的风险,实现1:1的平衡样本比例。这种整合不仅克服了纯统计或随机采样的局限性,还通过以可观测的物理信号和概率分区作为样本选取依据,提升了数据匮乏环境中的模型稳健性。在对十个影响因子进行多重共线性筛选后,本研究采用了随机森林和极端梯度提升模型进行易发性制图。并通过AUC、召回率、精确度、F1分数和准确率这四项指标,将模型性能与传统方法进行了严格对比。最后,运用SHapley加性解释方法分析了各关键致灾因子的贡献机制。所提出的方法代表了从传统静态评估向动态预警能力的重大进步,为数据匮乏地区的滑坡易发性评估提供了一种新颖且可迁移的解决方案。
研究区域:刘家峡水库区域位于东经102°53′至103°39′、北纬35°47′至36°12′之间,处于黄土高原与青藏高原的过渡地带,具有黄河上游典型的黄土丘陵沟壑地貌。该区域沟谷深切,岸坡陡峭,且存在多条活动断层。其岩性以第四纪黄土覆盖在第三纪红层之上为主,两者之间的接触带……
方法论:整个方法流程如图3所示,主要包括四个阶段:(1)数据采集与预处理,即收集滑坡清单及评估因子,随后进行多重共线性分析以确定最终的评估因子组合;(2)优化样本构建,即将过去两年间通过SBAS-InSAR获得的表面变形率与基于频率比方法得到的初步滑坡易发性分区结果相结合……
SBAS-InSAR获得的变形率:研究区域内的表面变形率是通过對Sentinel-1A卫星的上升轨和下降轨数据进行处理而获得的。上升轨(图8a)和下降轨(图8b)的视向变形率分别展示在图6中。在这两张图中,暖色(红色到黄色)表示沉降,其中红色对应大约-62毫米/年到-10毫米/年的快速下沉速度,黄色则表示中等程度的沉降;冷色(蓝色)则表示上升……
讨论:通过与近期研究的对比,可以了解所提出的InSAR-FR框架的性能水平。例如,那些结合InSAR变形数据的动态易发性模型在小样本区域中可实现0.85–0.90的AUC值(Li等人,2025),而对统计模型进行的综合研究表明,在类似数据匮乏的情况(滑坡数量少于200起)下,其AUC值通常在0.80–0.87之间,这主要是由于过拟合和类别不平衡造成的(Reichenbach等人,2018)……
结论:本研究表明,将SBAS-InSAR变形率与频率比易发性分区方法相结合,可以有效解决样本量不足导致的滑坡易发性评估中的不平衡问题,从而提升刘家峡水库区域的预测性能。主要结论如下:(1)通过InSAR-FR优化后的采样方案,随机森林和极端梯度提升模型的AUC值分别相比原始样本模型提升了5.5%和6.5%,同时其他性能指标也有所改善……
伦理声明:本研究未涉及任何人类参与者、人类数据、人类组织或动物实验对象。所有分析均使用公开可用或合法获取的遥感数据(如Sentinel-1 SAR影像、SRTM数字高程模型、GPM降水产品)、中国地质调查局发布的地质调查数据,以及中国科学院资源与环境科学数据中心的历史滑坡清单数据。研究过程中未进行任何涉及受保护物种的野外调查……
作者贡献说明:廖敏东:写作——审阅与编辑、指导、软件应用、项目管理、数据整理。王世杰:写作——审阅与编辑、指导、资源协调、项目管理、资金申请、正式分析、概念构思。刘晓彤:写作——初稿撰写、可视化、验证、软件应用、资源利用、方法论、研究设计、正式分析、数据整理、概念构建。未引用的参考文献:Reichenbach等人,2018a。利益冲突声明:作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。数据获取方式:数据将应要求提供。利益冲突声明:? 作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。致谢:我们衷心感谢匿名审稿人和编辑们的细致审阅以及富有洞察力的建议。本研究得到了中国国家自然科学基金(项目编号41861061)和兰州交通大学天佑创新团队计划(项目编号TY202001)的支持。我们对那些有助于提升本文质量的宝贵意见和指导表示由衷的感激。刘晓彤|王世杰|廖民东,中国甘肃省兰州市730070,兰州交通大学测绘学院。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号