繆 亞 敏，朱 阿 興，2，3，楊 琳 ，白 世 彪，曾 燦 英

(1.虛擬地理環(huán)境教育部重點實驗室(南京師范大學);江蘇省地理環(huán)境演化國家重點實驗室培育建設點;江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，江蘇 南京 210023;2.中國科學院地理科學與資源研究所資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京 100101;3.Department of Geography,University of Wisconsin-Madison,Madison,WI 53706,USA)

滑坡危險度制圖中一種新型的負樣本采樣方法

繆 亞 敏1，朱 阿 興1，2，3，楊 琳2*，白 世 彪1，曾 燦 英1

(1.虛擬地理環(huán)境教育部重點實驗室(南京師范大學);江蘇省地理環(huán)境演化國家重點實驗室培育建設點;江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，江蘇 南京 210023;2.中國科學院地理科學與資源研究所資源與環(huán)境信息系統(tǒng)國家重點實驗室，北京 100101;3.Department of Geography,University of Wisconsin-Madison,Madison,WI 53706,USA)

滑坡負樣本在基于統(tǒng)計模型的滑坡危險度制圖中具有重要作用，能夠抑制模型的高估，以合理區(qū)劃滑坡危險區(qū)與非危險區(qū)。目標空間外向化采樣法(Target Space Exteriorization Sampling，TSES)是一種代表性的基于環(huán)境特征空間的負樣本采樣方法，以往研究表明，TSES在基于廣義加性模型的滑坡危險度制圖中的應用效果較好，但是其采集的負樣本是“虛擬”的樣本，只存在于環(huán)境特征空間中，無法映射到地理空間，因而無法通過野外檢核驗證所采集負樣本的可靠性。針對這一問題，該文提出一種改進TSES方法，不僅可以在環(huán)境特征空間中進行負樣本采樣，而且使得采集的負樣本可以映射到地理空間中。以甘肅省油房溝流域為研究區(qū)，在TSES與改進TSES兩種負樣本采樣方法下分別對油房溝流域構建基于支持向量機(Support Vector Machine，SVM)的滑坡危險度推測模型，對比并分析兩種負樣本采樣方法下的滑坡危險度制圖精度。結果發(fā)現(xiàn)，改進TSES方法采集的負樣本在基于SVM的滑坡危險度制圖中應用效果比TSES好，表明改進的TSES是一種有效的負樣本采樣方法。

負樣本采樣方法；環(huán)境特征空間；滑坡危險度制圖

0 引言

滑坡災害的頻繁發(fā)生對人類的生命財產(chǎn)與環(huán)境資源等構成極大威脅，鑒別未來可能發(fā)生滑坡的區(qū)域，有針對性地實施相關措施，可有效減少滑坡帶來的損失?；挛ｋU度是指在當?shù)氐匦蔚葪l件下區(qū)域發(fā)生滑坡的可能性，即回答“什么地方容易發(fā)生滑坡”[1-3]。對研究區(qū)滑坡危險度進行評價，生成滑坡危險度空間分布圖，可有效識別滑坡高危險區(qū)，對地區(qū)規(guī)劃和建設有重要參考意義[3-5]。統(tǒng)計模型是滑坡危險度制圖中最常使用的模型[6-9],其基本思想是:與過去發(fā)生過滑坡的區(qū)域具有相似地理環(huán)境的地區(qū)也極易發(fā)生滑坡[10,11]。統(tǒng)計模型通常是從滑坡點(正樣本)和非滑坡點(負樣本)以及這些點所在的影響因素中獲取滑坡發(fā)生可能性與影響因素之間的關系，然后將這種關系應用到整個研究區(qū)，實現(xiàn)區(qū)域滑坡危險度的推測與制圖。

滑坡負樣本在基于統(tǒng)計模型的區(qū)域滑坡危險度制圖中具有重要作用，能夠抑制統(tǒng)計模型對滑坡危險度的高估，以合理區(qū)劃滑坡高危險區(qū)與低危險區(qū)，因此滑坡負樣本的研究越來越引起研究者的關注[12]。真實的負樣本數(shù)據(jù)無法直接獲取，一般是在未發(fā)生滑坡的地區(qū)采集“偽”負樣本(pseudo-absence data)作為滑坡負樣本[13,14]。目前滑坡負樣本的采樣方法可分為兩大類：第一類是在地理空間中采集負樣本[15],其原理是認為滑坡災害點附近一定范圍內(nèi)的地理環(huán)境與滑坡點所在地的地理環(huán)境相似，因而其孕育滑坡災害的可能性非常大。因此，在采集滑坡負樣本時，需要避開滑坡點，在滑坡點一定距離(緩沖區(qū))之外的區(qū)域隨機采樣?；诘乩砜臻g的負樣本采樣方法包括緩沖區(qū)控制采樣法(Buffer Controlled Sampling，BCS)、迭代精確采樣法(Iteratively Refined Sampling，IRS)等[15,16]。然而，由于現(xiàn)有的滑坡點不能包含地理空間中的所有潛在滑坡點，在地理空間中采集負樣本時，極有可能將那些本該是滑坡高危險點錯選為負樣本，這些高危險點與滑坡點的地理環(huán)境相似，只是因為以往缺少誘發(fā)條件而未發(fā)生滑坡。這些假的負樣本(潛在滑坡點)的存在會降低訓練樣本集的質(zhì)量，進而影響統(tǒng)計型滑坡危險度制圖的精度。第二類是在環(huán)境特征空間中采集負樣本[16]?；挛ｋU度制圖的基本原理認為，與滑坡發(fā)生區(qū)地理環(huán)境相似的地區(qū)也極易發(fā)生滑坡，反之，與滑坡發(fā)生地區(qū)地理環(huán)境不相似的區(qū)域應不易發(fā)生滑坡。在這樣的認知下，滑坡正負樣本在環(huán)境特征空間中是分離的，可以在環(huán)境特征空間中區(qū)分開。目標空間外向化采樣法(Target Space Exteriorization Sampling，TSES)是一種代表性的基于環(huán)境特征空間的負樣本采樣方法,其在基于廣義加性模型的滑坡危險度制圖中應用效果好于BCS與IRS[16]。但是TSES采集的負樣本是“虛擬的”負樣本，只能存在于環(huán)境特征空間中，無法映射到地理空間，因而無法通過野外核驗所采集負樣本的可靠性。

本文通過對TSES方法存在的問題進行研究，提出一種改進TSES方法，不僅可以在環(huán)境特征空間中進行負樣本采樣，而且使得采集的負樣本可以映射到地理空間。

1 負樣本采樣方法

1.1 TSES方法

TSES方法的基本假設是：現(xiàn)有的滑坡災害點可以代表滑坡發(fā)生的典型地理環(huán)境條件，但不能包含地理空間中的所有潛在滑坡點[16]。本方法通過在由影響因素構成的環(huán)境特征空間中將滑坡災害點外向化，以獲得負樣本數(shù)據(jù)。其基本思想為：在研究區(qū)中選擇n個影響滑坡發(fā)生的環(huán)境因素，構成一個描述研究區(qū)地理環(huán)境的n維環(huán)境特征空間，整個研究區(qū)會在該環(huán)境特征空間中占據(jù)一定的范圍(研究區(qū)環(huán)境特征閉包圈)。將研究區(qū)中的滑坡點映射到該n維環(huán)境特征空間中，滑坡點會在該空間中占據(jù)一定的范圍(正樣本環(huán)境特征閉包圈)。根據(jù)滑坡危險度制圖原理，正負樣本應具有不相似的地理環(huán)境，即正負樣本在環(huán)境特征空間中形成的閉包圈是分離的，則負樣本應該在正樣本環(huán)境特征閉包圈以外進行采樣。其具體實現(xiàn)為：隨機選擇研究區(qū)中的一個滑坡點，在環(huán)境特征空間中對滑坡點進行外向化負樣本采樣，即將該滑坡點上的某一個影響因素值修改為正樣本環(huán)境特征閉包圈以外、研究區(qū)環(huán)境特征閉包圈以內(nèi)的任意一個值，保持該滑坡點上的其他n-1個影響因素值不變，此時這個滑坡點就可生成一個負樣本。依此方法類推，即可生成一套負樣本集。TSES基本思想的示意圖如圖1所示。

圖1 TSES的基本思想

TSES的偽碼如下所示：

輸入：滑坡點集S

輸出：生成的滑坡負樣本集N

1)初始化：

e= 滑坡點個數(shù)

d= 環(huán)境特征空間的維數(shù)(即影響因素的個數(shù))

N=φ

2)遍歷每一個影響因素A：

b)計算影響因素A中唯一值的個數(shù)c，令:

c)由1到m遍歷：

i)在滑坡點集S中隨機選擇一個滑坡點s;

iii)N=N∪{s}，將修改后的滑坡點s加入到擬生成的負樣本集N中。

3)返回生成的滑坡負樣本集N。

1.2 改進TSES方法

改進TSES方法的基本假設與基本思想和TSES方法類似，在具體實現(xiàn)上與TSES有所不同。首先將整個研究區(qū)映射到環(huán)境特征空間中，形成研究區(qū)環(huán)境特征閉包圈；將研究區(qū)中的滑坡點都映射到環(huán)境特征空間中，形成正樣本環(huán)境特征閉包圈。然后遍歷研究區(qū)中所有柵格點，如果該柵格點至少有一個影響因素的值在正樣本環(huán)境特征閉包圈以外，則該柵格點可進入到負樣本集中。改進TSES基本思想的示意圖如圖2所示。本方法下生成的負樣本都是研究區(qū)中實際的有地理位置的點，可以映射到地理空間中驗證所采集負樣本的可靠性。

改進的TSES的偽碼如下所示：

輸入：滑坡點集S

輸出：生成的滑坡負樣本集N

1)初始化：

N=φ

2)對于每一個影響因素A：

3)遍歷研究區(qū)中的每一個柵格點i：

遍歷每一個影響因素A：

ii)N=N∪{i}，將i加入到擬生成的負樣本集N中。

4)返回生成的滑坡負樣本集N。

圖2 改進TSES的基本思想

2 應用案例

2.1 研究區(qū)與數(shù)據(jù)

油房溝流域位于甘肅省武都縣安化鎮(zhèn)(圖3,彩圖見封3)，流域面積49.74 km2。油房溝處于衰敗期，其上游分水嶺為石灰?guī)r溶蝕夷平面，是天然草場，下游堆積著來自溝口的河流沖積物。區(qū)域內(nèi)地勢北高南低，平均海拔高程2 000 m以上，地勢起伏較大，河谷深切，平均坡度在20°以上。油房溝內(nèi)泥盆系、志留系分布廣泛，巖性多為千枚巖、板巖、粉砂巖、泥巖等。該研究區(qū)亞熱帶季風氣候顯著，氣候溫暖濕潤，受山地地形效應的影響，全年降水量達400～900 mm[17]，降水集中在5-9月，且多以暴雨的形式出現(xiàn)。受特殊地質(zhì)環(huán)境和氣候環(huán)境的影響，流域內(nèi)滑坡災害頻繁發(fā)生，造成極大的經(jīng)濟損失和人員傷亡，嚴重制約著該區(qū)工農(nóng)業(yè)生產(chǎn)和社會經(jīng)濟的發(fā)展。

圖3 油房溝流域地理位置和滑坡災害點分布

根據(jù)室內(nèi)遙感解譯與野外檢核，構建油房溝流域歷史滑坡編目數(shù)據(jù)庫。經(jīng)調(diào)查，共識別65個滑坡體，分別為12個基巖滑坡、17個崩塌和36個黃土滑坡[18,19]。本文用滑坡發(fā)生初始面的頂部中心點代表滑坡災害點，構成滑坡正樣本，不僅可以避免由于面狀滑坡的邊界難以確定而帶來的誤差，也可以兼顧不同大小的滑坡[20]?；谶@一正樣本采樣方法，油房溝流域共采集79個滑坡正樣本(圖3)。

根據(jù)研究區(qū)的地質(zhì)環(huán)境特征和前人已有研究成果[21]，選取高程、坡度、坡向、平面曲率、剖面曲率、距河流的距離、距道路的距離、巖性、距斷層線的距離、土地利用類型10個影響因素(表1)，用以對研究區(qū)內(nèi)的滑坡孕災環(huán)境進行定量描述。

表1 影響因素與數(shù)據(jù)源

對研究區(qū)1∶50 000地形圖數(shù)字化，生成30 m分辨率的數(shù)字高程模型(DEM)，在ArcGIS10.1軟件下基于DEM派生出一系列地形因子，包括：高程、坡度、坡向、平面曲率、剖面曲率，以描述研究區(qū)的地形地貌條件;同時獲得矢量格式的河流和道路數(shù)據(jù)。對研究區(qū)1∶25 000地質(zhì)圖數(shù)字化，獲得地層分布和斷層構造數(shù)據(jù)。同時代的地層可由不同成因的巖石類型組成，根據(jù)相似的物質(zhì)組成和物理力學特征，可以把研究區(qū)的地質(zhì)層組合并劃分為粉砂巖、泥巖、薄砂礫巖巖組，厚石灰?guī)r、板巖巖組，以及千枚巖、板巖、薄石灰?guī)r巖組3類巖性單元。斷層構造對滑坡的影響是根據(jù)距斷層線的距離表達。對研究區(qū)的TM影像進行遙感解譯，獲得本研究區(qū)的土地利用類型，并將其分為4類：農(nóng)田、林地、居民地與工業(yè)用地、未利用地。

本研究中，為避免因離散型影響因素(如：坡向、巖性和土地利用類型)而導致啞變量過多的問題，使用滑坡發(fā)生頻率表達離散型影響因素[22]，例如巖性數(shù)據(jù)包括3類巖性單元，每一類巖性單元可以表達為該單元中出現(xiàn)滑坡數(shù)量與所有巖性單元中出現(xiàn)滑坡數(shù)量的比值。此外，為方便空間分析與計算，需要保證影響因素數(shù)據(jù)尺度的一致性，本文根據(jù)研究區(qū)的尺度和數(shù)據(jù)源的尺度，選擇30 m作為所有影響因素數(shù)據(jù)的分辨率。

2.2 基于SVM的滑坡危險度制圖

SVM是Vapnik等提出的一種新的機器學習方法[23,24]。其基本思想是：將訓練樣本通過某一核函數(shù)映射到一高維特征空間，在高維特征空間中建立線性回歸函數(shù)，尋找最優(yōu)分類超平面，使得該超平面能盡可能多地將兩類訓練樣本正確分開，同時使得分開的樣本距離分類超平面最遠(圖4)[25,26]。

圖4 SVM的基本思想

給定訓練樣本集{xi,yi},i=1,2,…,n;xi∈Rm,yi∈{-1,+1}；n為訓練樣本數(shù)，m為輸入向量的維數(shù)(本研究中是指影響因素的個數(shù))，假設有一個線性分類超平面可以將這兩類訓練樣本完全分開，定義該超平面為:w·x+b=0。

SVM要求構建分類面將所有樣本正確分類，同時使得分開的兩類訓練樣本距離分類超平面最遠，這是一個最優(yōu)化問題，構造如下目標函數(shù)：

s.t.yi((w·xi)+b)≥1 i=1,2,…,n

此外，考慮到有些訓練樣本會被錯誤分類，Vpanik和Cortes等引入非負的松弛變量ξi，則上述帶約束的最優(yōu)化問題修改成如下目標函數(shù)：

s.t.yi((w·xi)+b)≥1-ξiξi≥0,i=1,2,…,n

當樣本分類錯誤的時候ξi就會大于0。C是對誤判樣本的懲罰程度，C>0，是一可調(diào)常數(shù)，C越大代表對分類錯誤樣本懲罰越重。因此，在求分類超平面時，C∑iξi的值越小越好[23]。

通常訓練樣本集是線性不可分的，SVM通過引入核函數(shù)將線性不可分的訓練樣本集映射到高維空間中，使其線性可分。SVM中常使用的核函數(shù)包括：線性核函數(shù)、多項式核函數(shù)和高斯核函數(shù)。

基于訓練樣本集構建SVM時，需要選擇適宜的核函數(shù)并設置相應的參數(shù)。高斯核函數(shù)由于其具有較強的非線性映射能力，在滑坡危險度制圖中廣泛使用[27-29]。本文選擇高斯核函數(shù)作為SVM的核函數(shù)。γ參數(shù)是高斯核函數(shù)中的重要參數(shù)，其大小關系著高斯核函數(shù)的形狀。懲罰因子 C 是對分類錯誤樣本的懲罰程度。這兩個參數(shù)的組合直接影響支持向量機的泛化能力。本文采用交叉驗證尋求最小MSE的方法，基于臺灣大學林智仁教授開發(fā)的LIBSVM工具[30]，通過網(wǎng)格搜索方法對訓練樣本進行分組交叉驗證，找到SVM的最優(yōu)參數(shù) C 和γ。

根據(jù)訓練樣本和最優(yōu)參數(shù)，構建基于SVM的滑坡危險度推測模型。將整個研究區(qū)的影響因素數(shù)據(jù)輸入到構建好的基于SVM的滑坡危險度預測模型中，即可推測整個研究區(qū)的滑坡危險度空間分布。根據(jù)上述負樣本采樣方法中獲得的不同訓練樣本集分別構建SVM滑坡危險度預測模型，推測不同訓練樣本集下的滑坡危險度空間分布。

2.3 滑坡危險度制圖的精度和有效性評價

本文通過以下3個指標對滑坡危險度制圖的精度和有效性進行評價，評價指標一、二是對統(tǒng)計方法的精度進行評價，評價指標三是對滑坡危險度制圖的有效性進行評價：評價指標一為建模精度,是統(tǒng)計模型將訓練樣本正確分類的比率，用以衡量模型對訓練樣本的擬合程度。評價指標二為驗證精度,是驗證樣本的分類正確率，用以衡量統(tǒng)計模型的預測能力。本文旨在探討不同采樣方法下的負樣本對制圖精度的影響，由于負樣本數(shù)據(jù)的質(zhì)量無法直接判斷，因此只使用正檢驗樣本來衡量模型的驗證精度。通過對正檢驗樣本設置一個滑坡危險度閾值(本文設置閾值為0.5)，認為大于該閾值的樣本分類正確，否則分類錯誤，如此即可度量檢驗樣本分類正確的比率。評價指標三為滑坡危險區(qū)面積所占比重與落在該危險區(qū)域內(nèi)的滑坡點比重之間的關系(下文簡稱“危險面積-滑坡點關系”)。一個有效的推測模型不僅應該具有高驗證精度，還應該使得推測出的滑坡高危險區(qū)面積盡可能小，即應具有“使更多的滑坡災害點落在有限面積的高危險區(qū)域內(nèi)”這一特點[16]，這樣的模型可以高效地識別出真正的滑坡危險區(qū)域，有利于土地資源的充分利用和價值實現(xiàn)。本文使用滑坡發(fā)生初始面1 491個柵格點作為滑坡災害點，將研究區(qū)內(nèi)的所有柵格點按滑坡危險度由大到小排序，統(tǒng)計不同滑坡危險度值域下的累積面積比重，并統(tǒng)計落在該滑坡危險度值域范圍內(nèi)的滑坡災害點比重，以獲得危險面積-滑坡點關系，基于這一關系評價模型的有效性。

3 結果分析

本研究基于油房溝流域歷史滑坡編目獲得79個滑坡點(滑坡正樣本)，將滑坡點分為滑坡正訓練樣本63個(80%)和正檢驗樣本16個(20%)。以所有滑坡點(79個滑坡點)為數(shù)據(jù)源，使用TSES和改進TSES方法分別采集63個負樣本作為負訓練樣本，組合63個正訓練樣本，以構成訓練樣本集。每種負樣本采樣方法下，重復采樣20次，得到同一負樣本采樣方法下20套不同的訓練樣本集，并分別應用于滑坡危險度制圖，以避免偶然現(xiàn)象，真實反映同一負樣本采樣方法下基于SVM的滑坡危險度制圖的一般規(guī)律。根據(jù)不同的訓練樣本集，分別構建基于SVM的滑坡危險度推測模型，以分析不同負樣本采樣方法下20次重復負樣本采樣的滑坡危險度制圖精度和有效性。圖5(彩圖見封3)為不同負樣本采樣方法下基于SVM推測的滑坡危險度空間分布圖。

圖5 不同負樣本采樣方法下的滑坡危險度空間分布

3.1 不同負樣本采樣方法下的建模精度和驗證精度

建模精度是指模型對參與建模的126個訓練樣本的分類正確率。統(tǒng)計不同負樣本采樣方法下20次重復負樣本采樣的建模精度(圖6)可以發(fā)現(xiàn)，TSES下的SVM建模精度較低(多分布在65%～75%之間)，改進的TSES下的SVM建模精度較高(多分布在80%～90%之間)。這說明改進的TSES方法下的SVM對訓練樣本集的分類準確率要高于TSES方法。

圖6 建模精度盒

驗證精度是指模型對未參與建模的16個正樣本的分類正確率。統(tǒng)計不同負樣本采樣方法下20次重復負樣本采樣的驗證精度(圖7)可以發(fā)現(xiàn)，TSES下的SVM驗證精度較低，且變異較大；改進的TSES下的SVM驗證精度較高，且變異較小。這說明TSES方法下的SVM預測能力較低，模型的預測能力對訓練樣本的敏感性較高，預測能力的穩(wěn)定性較差；而改進的TSES方法下的SVM預測能力較高，其預測能力的穩(wěn)定性也較好。

圖7 驗證精度盒

3.2 不同負樣本采樣方法下的模型有效性

不同負樣本采樣方法下重復20次采樣的危險面積-滑坡點關系如圖8所示，圖8a為TSES方法下的危險面積-滑坡點關系曲線，關系曲線大都呈線性，甚至有下凹趨勢，某些實驗中甚至要在100%的研究區(qū)面積內(nèi)才能識別出所有的滑坡點，說明滑坡危險度空間分布圖對滑坡點的預測有效性較差。此外，關系曲線分布沒有統(tǒng)一的規(guī)律，說明統(tǒng)計模型對該方法采集的負樣本敏感性較大。

圖8b為改進TSES方法下的危險面積-滑坡點關系曲線，關系曲線大都呈現(xiàn)明顯的上凸趨勢，說明SVM滑坡危險度推測模型可以在較小的滑坡高危險面積內(nèi)高效地識別出部分滑坡點，模型可以在較小的面積內(nèi)(60%)識別出所有滑坡點，滑坡點多落在推測滑坡危險度高的區(qū)域，表明該采樣方法下SVM推測模型的有效性較高，也印證了在該采樣方法下模型較高的建模精度與驗證精度。此外，關系曲線分布具有較強的規(guī)律性和一致性，說明統(tǒng)計模型對該方法采集的負樣本敏感性較小。

4 結論

本文通過對TSES方法存在的問題進行研究，提出一種改進的TSES方法，不僅可以在環(huán)境特征空間中進行負樣本采樣，而且使得采集的負樣本可以映射到地理空間中。本研究以SVM為推測模型，選擇隴南市油房溝流域為研究區(qū)，在TSES與改進的TSES兩種負樣本采樣方法下分別對油房溝流域構建基于SVM的滑坡危險度推測模型，推測油房溝的滑坡危險度空間分布；對比分析兩種采樣方法下滑坡危險度制圖精度，以驗證改進的TSES方法的有效性。研究發(fā)現(xiàn)，改進的TSES方法在基于SVM的滑坡危險度制圖中的應用效果好于TSES方法，其采集的負樣本可以極大提高SVM的建模精度和驗證精度，也極大提高基于SVM的滑坡危險度推測模型的有效性，表明改進的TSES是一種有效的負樣本采樣方法。

圖8 不同負樣本采樣方法下的危險面積-滑坡點關系曲線

[1] GUZZETTI F，CARRARA A，CARDINALI M，et al.Landslide hazard evaluation:A review of current techniques and their application in a multi-scale study,Central Italy[J].Geomorphology，1999，31：181-216.

[2] GUZZETTI F，REICHENBACH P，CARDINALI M，et al.Probabilistic landslide hazard assessment at the basin scale[J].Gepmorphology，2005，72(1-4)：272-299.

[3] GUZZETTI F，REICHENBACH P，ARDIZZONE F，et al.Estimating the quality of landslide susceptibility models[J].Gepmorphology，2006，20(1-2)：166-184.

[4] DAI F C，LEE C F，ZHANG X H.GIS-based geo-environmental evaluation for urban land-use planning:A case study[J].Engineering Geology，2001，61(4)：257-271.

[5] 尹志華.基于RS和GIS技術對區(qū)域滑坡進行高效快速敏感性評價的模型研究——以北川縣為例[D].成都:成都理工大學，2011.

[6] CARRARA A，CARDINALI M，DETTI R，et al.GIS techniques and statistical models in evaluating landslide hazard[J].Earth Surface Processes and Landforms，1991，16：427-445.

[7] SUZEN M L，DOYURAN V.Data driven bivariate landslide susceptibility assessment using geographical information systems:A method and application to Asarsuyu catchment,Turkey[J].Engineering Geology，2004，71(3-4)：303-321.

[8] DAS I，SAHOO S，CEES V W，et al.Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system,along a road section in the northern Himalayas (India)[J].Geomorphology，2010，114：627-637.

[9] YILMAZ I.The effect of the sampling strategies on the landslide susceptibility mapping by conditional probability and artificial neural networks[J].Environmental Earth Sciences，2010，60：505-519.

[10] CARRARA A，CARDINALI M，GUZZETTI F，et al.GIS-based techniques for mapping landslide hazard[A].CARRARA A,GUZZETTI F.Geographical Information Systems in Assessing Natural Hazards[C].Kluwer Academic Publishers,Dordrecht,The Netherlands，1995.135-175.

[11] 祁元，劉勇，楊正華，等.基于GIS的蘭州滑坡與泥石流災害危險性分析[J].冰川凍土，2012，34(1)：96-104.

[12] GUO Q H，MAGGI K，CATHERINE H G.Support vector machines for predicting distribution of Sudden Oak Death in California[J].Ecological Modelling，2005，182：75-90.

[13] HIRZEL A H，HELFER V，METRAL F.Assessing habitat-suitability models with a virtual species[J].Ecological Modelling，2001，145：111-121.

[14] HIRZEL A H，HAUSSER J，CHESSEL D，et al.Ecological-niche factor analysis:How to compute habitat-suitability maps without absence data [J].Ecology，2002，83：2027-2036.

[15] 方苗,張金龍,徐瑱.基于GIS和Logistic回歸模型的蘭州市滑坡災害敏感性區(qū)劃研究[J].遙感技術與應用，2011，24(6)：845-852.

[16] XIAO C C，TIAN Y，SHI W Z，et al.A new method of pseudo absence data generation in landslide susceptibility mapping with a case study of Shenzhen[J].Science China Technological Sciences，2010，53(1)：75-84.

[17] 諶文武，趙志福，劉高，等.蘭州-?？诟咚俟犯拭C段工程地質(zhì)問題研究[M].蘭州：蘭州大學出版社，2006.19-22.

[18] 陳耀乾.甘肅省武都縣地質(zhì)災害調(diào)查與區(qū)劃報告[R].甘肅省地質(zhì)環(huán)境監(jiān)測總站，2001.

[19] 董抗甲.甘肅省舟曲縣地質(zhì)災害調(diào)查與區(qū)劃報告[R].甘肅省地質(zhì)環(huán)境監(jiān)測總站，2003.

[20] ATKINSON P M，MASSARI R.Autologistic modelling of susceptibility to landsliding in the Central Apennines,Italy[J].Geomorphology，2011，130(1-2)：55-64.

[21] BAI S B，LU P，WANG J.Landslide susceptibility assessment of the Youfang catchment using logistic regression[J].Journal of Mountain Science，2015，12(4)：816-827.

[22] BAI S B，WANG J，LU G N，et al.GIS-based and data-driven bivariate landslide-susceptibility mapping in the Three Gorges Area,China[J].Pedosphere，2009，19：14-20.

[23] 傅文杰.GIS支持下基于支持向量機的滑坡危險性評價[J].地理科學，2008，28(6)：838-841.

[24] 李秀珍，孔紀名，王成華.多分類支持向量機在滑坡穩(wěn)定性判識中的應用[J].吉林大學學報(地球科學版)，2010，40(3)：631-637.

[25] XU C，XU X W，DAI F C.Comparison of different models for susceptibility mapping of earthquake triggered landslides related with the 2008 Wenchuan earthquake in China[J].Computers & Geosciences，2012，46：317-329.

[26] XU C，DAI F C，XU X W，et al.GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed,China[J].Geomorphology，2012，145：70-80.

[27] PRADHAN B.A comparative study on the predictive ability of the decision tree,support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS[J].Computers & Geosciences，2013，51：350-365.

[28] 姜琪文，許強，何政偉.基于SVM多類分類的滑坡區(qū)域危險性評價方法研究[J].地質(zhì)災害與環(huán)境保護，2005，16(3)：328-330.

[29] 胡德勇，李京，陳云浩，等.GIS支持下滑坡災害空間預測方法研究[J].遙感學報，2007，11(6)：852-859.

[30] CHANG C C，LIN C J.LIBSVM:A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology (TIST)，2011，2(3)：27.

A New Method of Pseudo Absence Data Generation in Landslide Susceptibility Mapping

MIAO Ya-min1,ZHU A-xing1,2,3,YANG Lin2,BAI Shi-biao1,ZENG Can-ying1

(1.KeyLaboratoryofVirtualGeographicEnvironment(NanjingNormalUniversity),MinistryofEducation;StateKeyLaboratoryCultivationBaseofGeographicalEnvironmentEvolution(JiangsuProvince);JiangsuCenterforCollaborativeInnovationinGeographicalInformationResourceDevelopmentandApplication,Nanjing210023,China;2.StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicSciencesandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China;3.DepartmentofGeography,UniversityofWisconsin-Madison,Madison,WI53706,USA)

Landslide absence data plays an important role in statistical methods for landslide susceptibility mapping.It can constrain the overestimation of predicted landslide susceptibility value and distinguish landslide susceptible areas from safe areas reasonably.Target Space Exteriorization Sampling (TSES) is the representative one of the methods of pseudo absence data generation in environment feature space.It has been demonstrated to have good performance in landslide susceptibility mapping.However,the pseudo absence data it generated is virtual,which can only exist in the environment feature space and cannot be mapped into the geographic space,making it impossible to validate in the field work.In this paper,an improved method based on TSES is proposed to generate pseudo absence data.The improved method generates pseudo absence data in the environment feature space and the generated data can be mapped into the geographic space.To verify the validity of the improved TSES,Youfang catchment,in the south of Gansu Province,is used as the study area and Support Vector Machine (SVM) is used to predict landslide susceptibility value across the study area.Moreover,TSES is also applied in the study area to be compared with the improved TSES in the aspects of the predictive accuracy and validity for landslide susceptibility mapping.Results show that pseudo absence data generated from the improved TSES has better performance than that from TSES in landslide susceptibility mapping based on SVM.This indicates that the improved TSES is an effective method in generating pseudo absence data.

method of pseudo absence data generation;environment feature space;landslide susceptibility mapping

2015-12-05；

2016-01-27

國家自然科學基金項目(41431177、41471178)；江蘇省高校自然科學研究重大項目(14KJA170001)；國家重點基礎研究發(fā)展計劃973項目(2015CB954102)；中國科技部與歐洲空間局對地觀測領域重大國際科技合作項目“龍計劃”三期項目(10606)；2015江蘇省重點研發(fā)計劃(社會發(fā)展)項目(BE2015704)

繆亞敏(1991-)，女，碩士研究生，從事滑坡危險度評價研究。*通訊作者E-mail：yanglin@lreis.ac.cn

10.3969/j.issn.1672-0504.2016.04.011

P208;P642.22

A

1672-0504(2016)04-0061-07