南京信息工程大学研究团队提出基于虚拟训练样本的滑坡易发性评价框架,破解滑坡编目缺失区机器学习建模难题

点击蓝字 关注我们

研究区域与数据

研究区位于中国西南云贵高原乌蒙山区，横跨云南和贵州两省，范围约为北纬 25°至 28°、东经 103°至 106°。区内受小江断裂、乌蒙山断裂等构造活动影响，山高谷深、地形切割强烈，砂岩、泥岩和页岩等软硬相间地层广泛分布，易形成软弱结构面；同时，夏半年降雨集中，冻融作用、农业开垦、煤矿开发和道路建设进一步加剧了坡体失稳条件（图1）。

图1 研究区概览图

研究选取坡度、距道路距离、归一化植被指数（NDVI）、地形湿度指数（TWI）、降水、距河流距离、河流功率指数（SPI）和距断层距离等8项因子构建评价指标体系。坡度数据来自90 m分辨率SRTM DEM；降水和NDVI数据来自中国科学院资源环境科学数据中心；道路数据来自OpenStreetMap；断层资料来自地质调查数据；河流、TWI与SPI则基于DEM在ArcGIS平台派生。各因子的空间格局共同反映了研究区地形起伏、水文汇流、植被覆盖、构造活动和人类工程扰动特征（图2）。

图2 8个驱动因子的空间分布图

研究方法

研究总体流程包括“知识赋权—虚拟样本生成—机器学习训练—空间验证—易发性制图”五个环节。首先，作者基于文献资料、区域地质环境特征及Saaty标度构建AHP层次结构，对8个驱动因子进行两两比较和一致性检验，并通过加权线性组合生成研究区初始滑坡易发性概率面（图3）。该步骤并不依赖已知滑坡点，而是将专家知识转化为连续空间概率信息。

图3 研究的实验设计过程

AHP结果显示，水文气象条件的综合权重最高，为0.4137；地形条件次之，为0.3735。其中，坡度权重为0.3735，降水权重为0.2880，说明陡坡地形和强降雨是乌蒙山区滑坡易发性的主要控制条件；距断层距离和距道路距离也具有较高权重，反映构造破碎与工程扰动的影响（表1）。

表1 滑坡易发性驱动因素权重

在虚拟样本生成阶段，作者将AHP概率值0.1至0.4范围内的单元定义为虚拟负样本，将0.4至0.7范围内的单元定义为虚拟正样本；每个区间进一步划分为3个子区间，并从每个子区间随机抽取50个样本，最终构建150个正样本和150个负样本的平衡数据集。为检验样本标签定义对模型的影响，研究还反转正、负样本来源区间，构建“低值高发生组”开展对照实验（图4）。

图4 基于AHP的虚拟训练样本生成

随后，研究分别采用朴素贝叶斯、逻辑回归、XGBoost和梯度提升决策树训练模型，以70%样本训练、30%样本验证，并利用Accuracy、Recall、Specificity、F1-score、Kappa、MAE、RMSE和ROC-AUC等指标综合评价模型性能。考虑到随机划分可能因空间自相关高估精度，作者进一步根据地理坐标进行K-Means空间分块，开展五折空间交叉验证，以检验模型在不同子区域中的稳定性。

研究结果

在“高值高发生组”中，四种模型在验证样本上的AUC均超过0.99，表明其能够较好地区分由AHP概率面划分出的虚拟正、负样本。逻辑回归模型表现最佳，Accuracy为97.78%，Sensitivity为95.56%，Specificity为100%，F1-score为0.9773，Kappa为0.9556，AUC达到1.0000；XGBoost和梯度提升决策树的AUC分别为0.9970和0.9960，朴素贝叶斯相对较低但仍达到0.9926（表2）。ROC曲线进一步显示，逻辑回归在验证集上具有最优判别能力，而基于树的集成模型同样保持较高稳定性（图5）。

表2 基于验证样本的四种集成模型性能

图5 四种集成模型生成的滑坡易发性预测ROC曲线

在反转标签来源区间的“低值高发生组”中，逻辑回归模型仍取得最优验证结果，Accuracy为98.89%，Recall为100%，F1-score为0.9890，AUC为1.0000（表3）。这一对照试验说明，在当前虚拟样本构造规则下，模型能够稳定学习AHP概率面所编码的环境因子组合特征；但也意味着高精度主要反映模型对知识驱动标签的复现能力，不能直接等同于对真实滑坡发生位置的独立预测能力（图6）。

表3 基于验证样本的四种集成模型性能

图6 四种集成模型生成的滑坡易发性预测ROC曲线

空间交叉验证结果表明，在高值高发生组中，逻辑回归平均AUC为99.80%，标准差仅为0.39%，平均Accuracy为97.46%，优于其余模型（表4）。在低值高发生组中，逻辑回归平均AUC同样为99.80%，平均F1-score为97.50%，显示该框架在不同空间子区间中具有较好的内部稳定性（表5）。

表4 四种模型五折空间交叉验证结果（高值高发生组）

表5 四种模型五折空间交叉验证结果（低值高发生组）

最终易发性制图表明，四种模型均将研究区中部和南部识别为相对低易发区，而东北部和西北部则表现为高至极高易发区（图7）。不同模型的分级面积比例存在明显差异：逻辑回归结果中低易发区占比最高，为32.92%；XGBoost和梯度提升决策树则更倾向于形成“极低—极高”两端集中的分布格局，表明树模型对特征空间极端差异更敏感（图8）。在反转样本定义的实验中，各模型总体空间格局相近，但高易发区更多出现在研究区北部及边缘地带，进一步说明易发性分区结果会受到虚拟标签规则的显著影响（图9）。

图7 乌蒙山区滑坡易发性图(a) logistic regression; (b) Naive bayes; (c) extreme gradient boosting; (d) gradient boosting decision tree

图8 乌蒙山区滑坡易发性等级面积占比

图9 乌蒙山区滑坡易发性图

敏感性分析显示，训练集比例从50%提高至90%时，梯度提升决策树的平均AUC始终高于0.972，表现出较强稳定性；逻辑回归的精度随训练样本增加趋于稳定（图10）。当正负样本严重失衡时，模型Accuracy反而升高，但AUC明显下降，XGBoost在1:200极端比例下AUC降至0.500，揭示仅以Accuracy判断模型优劣可能掩盖少数类识别失效问题（图11）。随着样本数量增加，四种模型的性能波动均逐渐减小，其中逻辑回归在样本量达到500时平均AUC已接近0.998，显示分层虚拟样本可为简单模型提供相对稳定的训练基础（图12）。

图10 不同训练样本划分比例下四种集成模型验证AUC与Accuracy箱线图

图11 不同正负样本比例下四种集成模型验证AUC与Accuracy箱线图

图12 不同正负样本数量下四种集成模型验证AUC与Accuracy箱线图

研究结论