《Remote Sensing》:Predictive Performance and Resampling-Based Prediction Uncertainty of a Stacking Ensemble for Landslide Susceptibility Assessment in Bayi District, China
编辑推荐:
基于集成学习的滑坡易发性制图(LSM)通常使用确定性指标进行评估,而预测可靠性和基于重采样的预测不确定性仍未得到充分探索。本研究评估了在西藏巴宜区,异质堆叠(Stacking)集成模型是否与更高的预测性能和滑坡易发性预测的空间稳定性相关。研究人员利用12个条件
基于集成学习的滑坡易发性制图(LSM)通常使用确定性指标进行评估,而预测可靠性和基于重采样的预测不确定性仍未得到充分探索。本研究评估了在西藏巴宜区,异质堆叠(Stacking)集成模型是否与更高的预测性能和滑坡易发性预测的空间稳定性相关。研究人员利用12个条件因子训练了6种机器学习模型和一个两层堆叠模型,并通过100次自举(bootstrap)迭代、袋外(OOB)验证和留一乡镇交叉验证(LOTO-CV)进行评估。堆叠模型取得了最高的观测预测性能(OOB AUC = 0.978;LOTO-CV AUC = 0.9216),且与较低的不确定性相关,研究区70.85%的区域被划分为低不确定性(SD < 0.05)。在370个已确认的滑坡中,约60%位于高易发性和低不确定性区域。SHAP分析一致地识别出距道路距离、坡度和高程是各模型中的主导条件因子。结果表明,在基于集成学习的LSM中,应同时考虑预测准确性和稳定性,因为较高的预测性能并不总是与较低的预测不确定性相关。
**论文解读:基于堆叠集成模型与重采样不确定性的滑坡易发性评估框架——以中国巴宜区为例**
**一、研究背景与问题**
滑坡是全球范围内分布最广、破坏性最强的地貌过程之一,每年造成大量人员伤亡和基础设施经济损失。与地震、火山喷发等突发性事件不同,滑坡通常受地质构造、地形条件、水文过程和人类活动等多因素长期耦合控制,其非线性相互作用给滑坡预测带来了巨大复杂性。中国是全球滑坡风险最高的国家之一,而青藏高原及其东南缘尤为突出。巴宜区位于西藏林芝市,地处雅鲁藏布江切穿东喜马拉雅构造结的区域,地形陡峭、断裂活动强烈,加之季风性强降水、冻融作用和快速交通基础设施发展,滑坡易发性极高。该区是川藏公路(G318)与林芝—拉萨高速公路的交汇点,道路建设和边坡开挖广泛分布,与局部边坡失稳密切相关。然而,该区滑坡编目仅含370个确认事件,覆盖面积8541 km2,滑坡密度极低(约0.043个/km2),导致过渡地带的易发性预测对训练样本组成高度敏感,因此基于重采样的预测不确定性成为评估中不可或缺的维度。
在方法层面,传统统计方法如证据权法和频率比法依赖线性或单调关系假设,难以捕捉复杂的非线性机制。机器学习(ML)方法虽能建模非线性关系和特征交互,但单一模型受数据分布和结构制约。集成学习通过组合具有互补特性的基学习器,可在复杂地质环境中缓解单一模型的局限性。堆叠(Stacking)方法利用元学习器重新评估基模型输出,提供结构化的模型融合框架。已有研究多关注预测精度,而对预测可靠性和重采样不确定性关注不足。此外,青藏高原地区地质条件异质、滑坡编目有限,重复训练下预测结果可能显著变化,尤其在过渡性易发区或岩性边界附近。现有基于Stacking的LSM研究大多强调预测精度,而对集成预测的不确定性和可靠性特征探索不足。因此,本研究旨在开发一个面向可靠性的滑坡易发性评估框架,在巴宜区这一复杂自然与人为条件、低编目密度和多条件因子的组合环境中,检验集成模型能否同时实现高预测性能和空间稳定的置信度。
**二、研究方法概述**
研究人员构建了一个包含14个候选滑坡条件因子的多源空间数据集,涵盖地形、水文气象、地质构造和环境条件四类。经严格的多重共线性诊断(Pearson相关系数和方差膨胀因子VIF),剔除了TWI和SID两个因子,保留12个最终条件因子。研究采用100次自举重采样框架,每次迭代以有放回抽样生成训练集,未选中样本作为袋外(OOB)测试集;同时采用留一乡镇交叉验证(LOTO-CV)进行空间泛化评估。构建了6种单一机器学习模型(逻辑回归LR、支持向量机SVM、随机森林RF、XGBoost、LightGBM、CatBoost)和一个两层异质堆叠模型(5个基学习器+LR元分类器)。利用OOF策略生成元特征防止数据泄漏,采用Sigmoid校准进行概率校准。预测性能通过AUC、精确率、召回率、F1分数等多指标评估。基于100次自举训练模型生成像元级预测标准差(SD)作为重采样不确定性度量,构建5×5置信矩阵整合易发性和不确定性。采用SHAP进行全局因子贡献解释。
**三、主要研究结果**
**3.1 条件因子特征**:通过逐步去除程序,Pearson相关矩阵显示TWI与SPI(r=0.71)、SID与坡度(r=0.77)存在强相关。TWI具有最高VIF值(15.07)被首先去除;SID因坡度具有更直接的力学相关性而被去除。最终12个预测因子的VIF值范围为1.02-3.41,均低于阈值10。
**3.2 预测精度比较**:在OOB重采样下,LR和SVM的AUC分别为0.8885和0.9090;树集成模型表现更好,CatBoost达到最佳单一模型AUC(0.9405)。堆叠模型以AUC 0.9780和F1分数0.9315优于所有单一模型,较CatBoost的OOB AUC提升0.0375(95% CI:0.0174-0.0572)。在LOTO-CV下,所有模型性能均下降,堆叠模型仍保持最高观测平均AUC(0.9216),较OOB下降0.056。堆叠模型在七个乡镇的AUC范围为0.901-0.947,其中鲁朗镇最低(样本量最大、地形最复杂)。去除距道路距离后,堆叠模型的OOB AUC为0.9630,LOTO-CV AUC为0.918,性能变化有限。1-km缓冲LOTO-CV敏感性分析显示AUC下降0.008,性能稳定。校准指标中,堆叠模型具有最低ECE(0.042),CatBoost具有最低Brier分数(0.086)和对数损失(0.291)。滑坡密度分析表明,各模型高易发等级中滑坡密度整体增加,堆叠模型中极高易发类包含299个滑坡,密度为45.98个/100 km2。
**3.3 基于重采样的预测不确定性分析**:预测SD的统计分布显示模型间存在明显差异。LightGBM和CatBoost虽然预测性能较高(AUC>0.93),但其SD分布存在明显离散性,LightGBM中仅57.25%的区域为低不确定性。RF的SD分布相对集中;LR虽然预测精度较低但产生较低的预测SD,表明较平滑的模型可能产生空间稳定的预测但缺乏非线性判别能力。SVM表现出窄SD分布但极低的低不确定性区域比例(1.58%)。堆叠模型在OOB下具有最高的平均AUC和F1分数以及最低的重采样不确定性,中位SD为0.015,70.85%的区域被划分为低不确定性。堆叠模型的高不确定性区域集中于岩性过渡带和深切谷缘,而低不确定性区域形成相对连续的空间模式。在置信矩阵中,堆叠模型的370个滑坡中270个(72.97%)位于U1不确定性等级,221个(59.73%)位于L5-U1(高易发性-低不确定性)类别。敏感性分析显示空间一致性范围为76.9%-100.0%,L5-U1中滑坡比例保持在56.22%-61.08%,表明置信模式稳健。
**3.4 因子贡献与模型可解释性**:SHAP分析显示距道路距离、坡度和高程在所有模型中一致地成为最有影响力的条件因子。堆叠模型中,距道路距离的重要性得分最高(0.172),其次为坡度(0.142)和高程(0.136)。距道路距离和高程与SHAP值呈负相关(Pearson相关系数分别为-0.598和-0.916),而坡度呈正相关(0.914)。距道路距离和NDVI也呈负关联(-0.598和-0.783)。依赖图显示距道路越近、坡度越陡、高程越低,通常获得更高的易发性贡献。
**四、讨论与结论**
讨论部分指出,堆叠模型的性能可能源于基学习器的互补特性:LR代表近似线性关系,SVM捕捉非线性决策边界,树模型识别非线性交互和阈值效应。其OOF预测为LR元分类器提供互补信息进行集成加权。预测准确性与预测稳定性并非必然等价,不同模型结构下两者呈现不同关系。SHAP值描述各条件因子在现有数据分布中对模型输出的贡献,不应解释为直接的地球力学因果关系。置信矩阵的四象限划分(高易发性-低不确定性区CHZ、高易发性-高不确定性区UHZ、低易发性-高不确定性区ULZ、低易发性-低不确定性区CLZ)揭示了空间置信结构。鲁朗镇的CHZ比例最大(13.17%),米瑞乡的UHZ比例较高(6.74%),不确定性表现出与地形复杂度、岩性过渡和谷缘环境相关的空间组织。该框架的贡献在于:统一评估了预测性能和重采样不确定性;通过置信矩阵区分了稳定的高易发性区域与高易发性伴随低置信度的区域;在复杂高海拔峡谷环境中提供了可解释的应用。
研究结论部分翻译如下:本研究为藏东南巴宜区开发了一个考虑不确定性的滑坡易发性评估框架。将异质堆叠集成模型与100次自举重采样迭代、空间验证和SHAP解释相结合。结果表明,预测准确性和预测稳定性不可互换,因为具有相似预测性能的模型可能表现出不同的空间置信结构。在七个模型中,堆叠模型取得了最高的OOB AUC(0.978)和OOB F1分数(0.9315),并显示出最高的观测LOTO-CV AUC(0.922)。它还显示出最低的平均和中位重采样预测不确定性,研究区70.85%的区域被划分为低不确定性。SHAP分析一致识别出距道路距离、坡度和高程为主导条件因子。5×5置信矩阵将易发性和不确定性整合为单一空间表示,约60%的已确认滑坡位于堆叠模型的高易发性-低不确定性类别中。该表示区分了稳定的高易发性区域与高易发性伴随较低预测置信度的位置,提供了单独易发性图无法获得的信息。未来该框架可扩展纳入编目、输入数据、超参数和模型结构不确定性,以实现更全面的滑坡易发性和预测可靠性评估。