趙 錚, 陳建華, 甘先霞, 謝華偉

(成都理工大學 地球物理學院，成都 610059)

0 引言

滑坡是造成我國經(jīng)濟損失，人員傷亡最嚴重的地質(zhì)災害之一，因此有效開展滑坡危險性評價工作對于防災減災具有重要的意義[1]。

滑坡危險性是指滑坡在特定時間內(nèi)發(fā)生的概率，其危險性表現(xiàn)有特定空間位置和規(guī)模強度信息[2]?；挛ｋU性評價方法通常分為定性評價和定量評價。常見的定量評價方法有信息量法[3]、隨機森林[4]、神經(jīng)網(wǎng)絡[5]等。而定性方法是基于知識驅(qū)動，主要包括專家打分法、層次分析法[4]、加權線性組合法等，但上述方法受人為因素的影響較大。近年來，統(tǒng)計學習方法被認為更適合于大、中、小滑坡危險性評價中，而機器學習方法在滑坡危險性評價上也能有效地預測。如基于粒子群優(yōu)化的支持向量機模型被應用于延長縣滑坡危險性評價[6-7]、基于集成學習和徑向基神經(jīng)網(wǎng)絡耦合模型應用于三峽庫區(qū)滑坡易發(fā)性評價[8]、基于改進的卷積神經(jīng)網(wǎng)絡方法應用于滑坡危險性評價中[9]等。以往研究結(jié)果表明，采用支持向量機和信息量模型進行滑坡易發(fā)性評價效果較理想，應用相對普遍，因此，筆者選擇蘆山縣為研究區(qū)，應用支持向量機與信息量模型進行對比研究，以期得到與實際情況更加接近的滑坡危險性區(qū)劃圖，為未來防災減災工作提供參考。

1 研究方法

1.1 支持向量機模型

支持向量機(Support Vector Machine，SVM)是一種二分類監(jiān)督分類器，是建立在統(tǒng)計學原理基礎上發(fā)展起來的分類預測模型。支持向量機在解決小樣本、高維度、非線性問題是比其他機器學習方法更有效更合理[10]，并且支持向量機通過引入不同核函數(shù)，從而為非線性問題提供良好的解決方案。

線性支持向量機的基本原理是假設給定一個特征空間下的訓練數(shù)據(jù)集：數(shù)據(jù)集線性可分時，存在無窮多個分離超平面可將兩類數(shù)據(jù)正確分開。線性可分支持向量機就是尋求能使間隔最大化的分離超平面，該平面成為最優(yōu)超平面。求解最優(yōu)超平面可以等同為求解一個凸二次規(guī)劃問題(圖1)。

圖1 線性二分類

1.2 信息量模型

信息量法(Information Value Model，IVM)是由信息論創(chuàng)始人Shannon提出的[11]，在20世紀80年代被引入滑坡災害預測中。信息量法認為，滑坡的發(fā)生與諸多因子有關。單因子信息量計算公式為[12]：

(1)

其中:I為評價因子xi對滑坡發(fā)生的信息量；Ni為第i個因子區(qū)域內(nèi)包含的滑坡點數(shù)；Si為第i個因子所占面積；N為總滑坡個數(shù)；S為研究區(qū)總面積。

而不同因子對滑坡發(fā)生有不同“貢獻”，這個“貢獻”用該因子權重衡量，亦即加權信息量模型。為了充分考慮不同因子對滑坡發(fā)生的影響程度，用層次分析法計算每個因子的權重。最終的信息量表達式為式(2)[11]。

(2)

其中:wi為每個因子的權重。

層次分析法是一種解決多目標復雜問題定性與定量相結(jié)合的決策分析方法[13]。通過判斷各目標之間的相對重要程度，合理地給出各個目標的權數(shù)，最終得到每個目標的權重。

1.3 模型性能評價指標

為了驗證模型的性能，實驗采用受試者工作特征曲線(Receiver Operating Characteristic Curve，ROC)和總體精度，對支持向量機模型及信息量模型進行對比分析。ROC曲線是衡量模型可用性的常用方法[14]，通常用線下面積(Area under the Curve，AUC)來定量描述模型的精確度。對評價結(jié)果建立ROC曲線，橫軸是危險性面積累積百分比，縱軸是滑坡分布累積百分比。

2 研究區(qū)概況與數(shù)據(jù)

2.1 研究區(qū)概況

蘆山縣隸屬于雅安市，位于四川盆地西緣，雅安市東北部，位于長江上游，四川盆地西緣，東鄰成都，西連甘孜?？h域地質(zhì)環(huán)境復雜，降雨量充沛，最高海拔5 289 m，最低海拔557 m，相對高差大；縣域內(nèi)溝谷縱橫，地形切割強烈(圖2)。此外，受2013年蘆山地震影響，蘆山區(qū)域內(nèi)滑坡頻發(fā)，給人民群眾生命財產(chǎn)安全造成極大損失。對蘆山區(qū)域進行滑坡危險性評價、分區(qū)，能有效為蘆山區(qū)域防災減災提供輔助決策支持。

圖2 研究區(qū)概況

2.2 評價因子

影響滑坡的影響因子有上百種之多，合理地選擇影響因子對于構(gòu)建滑坡評價模型至關重要。經(jīng)調(diào)查顯示2015年蘆山縣共有346個歷史滑坡點，最大滑坡面積為16 000 m2，最小滑坡面積為200 m2，滑坡多發(fā)生于路網(wǎng)、水系兩側(cè)。為了開展實驗，通過各種途徑獲取了基礎數(shù)據(jù)集(從雅安公共氣象服務中心獲取了蘆山縣2015年降水量數(shù)據(jù)，由雅安市公安局提供了人口數(shù)據(jù)、從地理空間數(shù)據(jù)云獲取了30 m數(shù)字高程模型數(shù)據(jù)等)。

滑坡影響因子隱式或顯式地影響著滑坡發(fā)生的概率，如植被指數(shù)是反映滑坡的植被覆蓋程度，能體現(xiàn)出地質(zhì)體的穩(wěn)定性，而降雨量是與滑坡災害密切相關的影響因素[15]。曲率反映了斜坡的坡型，坡型一定程度上影響滑坡的發(fā)生。距斷層距離使得研究區(qū)內(nèi)的地質(zhì)體破碎，進而降低巖石體的力學強度，同時為滑坡災害的發(fā)生提供了大量的物質(zhì)來源。因此，通過對蘆山區(qū)域環(huán)境條件的分析，選擇了坡度、坡向、巖性、土地利用、植被覆蓋度、降雨量、高程、人口密度、距斷層距離、距路網(wǎng)距離、距水系距離、距震中距離共計12個滑坡影響因子。

2.3 評價因子分級

滑坡評價因子數(shù)據(jù)的類型包括離散型、連續(xù)性、描述性數(shù)據(jù)，其多類型數(shù)據(jù)不利于實驗的開展分析，因此需要對數(shù)據(jù)類型進行統(tǒng)一的分級處理。根據(jù)數(shù)據(jù)分布特征，描述范圍等相關內(nèi)容，將滑坡評價因子數(shù)據(jù)進行分級處理，分級類型如圖3所示。

圖3 滑坡影響因子分級圖

3 實驗結(jié)果

3.1 實驗方案

在實驗中采用SVM和IVM模型開展滑坡危險性評價，選擇12個評價因子作為屬性特征，選取706個滑坡點和非滑坡點作為滑坡樣本，采用分層隨機抽樣的方式將樣本集按照比例分為70%和30%。70%的樣本集用于模型的訓練，30%的樣本集用于模型的驗證。不同研究區(qū)地質(zhì)環(huán)境以及災害發(fā)育特征的差異及其復雜性，因子的相關性導致模型的復雜化和運行速率，不利于模型的構(gòu)建，因此對因子進行相關性檢驗防止避免數(shù)據(jù)導致模型的復雜化。實驗采用最常用的劃分規(guī)則柵格單元的方式按照30 m×30 m的劃分規(guī)則，將全區(qū)劃分為1 323 696個規(guī)則格網(wǎng)單元。對這些規(guī)則格網(wǎng)單元進行預測，采用ArcGIS對滑坡預測結(jié)果進行柵格制圖，運用自然斷點法進行危險性評價，將評價結(jié)果分為高危險、中危險、低危險區(qū)域。通過采用ROC曲線和總體進度對模型進行綜合評價。

3.2 結(jié)果討論

研究采用SVM和IVM模型進行滑坡危險性評價實驗，通過模型來評價全區(qū)1 323 696個格網(wǎng)單元的滑坡危險性概率，并在GIS軟件中繪制滑坡危險性評價圖。從圖4(b)中可知，滑坡點主要分布在高危險區(qū)域，中、低危險區(qū)域滑坡點分布遠小于高危險區(qū)域。統(tǒng)計結(jié)果表明，高危險區(qū)域格網(wǎng)數(shù)為243 857，占全區(qū)18.5%，其內(nèi)分布滑坡點250個，占總滑坡點數(shù)目的70.8%；中危險區(qū)域格網(wǎng)數(shù)423 664，占總研究區(qū)32.2%，其內(nèi)滑坡點數(shù)目為93，占比為26.3%；低危險區(qū)域格網(wǎng)數(shù)目為648 166，占全區(qū)面積的49.3%，其內(nèi)分布的滑坡點數(shù)目為10個，占比為2.8%；其中高危險區(qū)域在路網(wǎng)、水系沿線分布較多。高危險區(qū)域主要分布在蘆山縣域中下部，而北部鮮有分布，這是由于蘆山人類活動主要聚集在中下部，對該范圍內(nèi)巖土結(jié)構(gòu)影響較大。從圖4(a)中可知，滑坡主要集中在路網(wǎng)、斷層、水系附近，呈帶狀和面狀分布，高危險性占整個區(qū)域的24%，中危險性區(qū)域占整個區(qū)域的35%，空間分布成面狀分布，低危險區(qū)域表示滑坡可能性較小，屬于較安全區(qū)域，占整個面積的41%。從圖4可知，IVM模型的滑坡危險性圖呈現(xiàn)大面積高危險性區(qū)域，并且覆蓋范圍廣，不符合人員居住。而SVM模型呈現(xiàn)少量高危險性區(qū)域，高中低危險性區(qū)域符合現(xiàn)實情況，從圖4可知，SVM的評價效果優(yōu)于IVM。

圖4 蘆山地區(qū)滑坡危險性評價分級圖

實驗采用AUC和總體精度綜合評價SVM、IVM的總體性能，其SVM的滑坡危險性區(qū)域評價預測精度和成功率曲線為86%和0.84，而IVM的AUC值為0.822(圖5)。從上述指標上看，SVM的模型性能優(yōu)于IVM。

圖5 ROC曲線

4 結(jié)論

以蘆山區(qū)域為研究區(qū)，選擇12個評價因子指標，對因子進行相關性分析，采用SVM和IVM對研究區(qū)域開展滑坡危險性評價。采用AUC曲線對模型的預測精度進行評價。其結(jié)論如下：

1)采用SVM的滑坡危險性評價結(jié)果高中低占比符合滑坡所在高危險區(qū)域最多，低危險性區(qū)域最少。

2)蘆山區(qū)域滑坡發(fā)生受路網(wǎng)、水系、人類、地震活動影響較大。

3)將蘆山區(qū)域評價結(jié)果劃分為低、中、高三個級別，高危險區(qū)域面積占比最小而其內(nèi)分布滑坡點最多，低危險區(qū)域面積最大而分布滑坡點數(shù)目較少，說明評價結(jié)果與實驗預期一致。

4)支持向量機模型的評價成果與研究區(qū)滑坡實際分布情況更加接近，能為滑坡災害防治和未來城市發(fā)展規(guī)劃提供借鑒。