薛永安，鄒友峰，張文志，張明媚，柳廣春，宋明偉

(1.河南理工大學(xué) 測繪與國土信息工程學(xué)院，河南 焦作 454000；2.太原理工大學(xué) 礦業(yè)工程學(xué)院，山西太原 030024；3.河南省采空區(qū)場地生態(tài)修復(fù)與建設(shè)技術(shù)工程研究中心，河南 焦作 454000；4.山西能源學(xué)院地質(zhì)與測繪工程系，山西 晉中 030600；5.中國科學(xué)院地理科學(xué)與資源研究所 中國科學(xué)院陸地表層格局與模擬重點(diǎn)實(shí)驗(yàn)室，北京 100101)

地下礦產(chǎn)采出后，開采區(qū)周圍巖土體的原始應(yīng)力平衡狀態(tài)被破壞，巖土體上出現(xiàn)位移與變形[1]，這是一個(gè)十分復(fù)雜的過程，是采礦、地質(zhì)等許多因素及多場耦合綜合影響的結(jié)果，在地表上表現(xiàn)為塌陷坑與地裂縫[2]，屬于礦山地質(zhì)災(zāi)害的范疇，具有漸進(jìn)性特點(diǎn)，本文稱為沉陷災(zāi)害。沉陷災(zāi)害是地下采煤擾動導(dǎo)致地表快速或緩慢沉降的一種地質(zhì)災(zāi)害，在礦區(qū)分布廣泛，既造成大量土地資源損毀，又嚴(yán)重破壞當(dāng)?shù)氐牡匦蔚孛簿坝^，還會嚴(yán)重影響周邊植物生長[2]，也是誘發(fā)斜坡地質(zhì)災(zāi)害和影響區(qū)域生態(tài)地質(zhì)環(huán)境的重要因素。因此，開展地下采煤區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)研究對國土綜合整治與生態(tài)修復(fù)、下伏老采空區(qū)重大工程項(xiàng)目設(shè)計(jì)與穩(wěn)定性監(jiān)測、地質(zhì)災(zāi)害防治與預(yù)警等至關(guān)重要，同時(shí)對地下采煤區(qū)生態(tài)環(huán)境修復(fù)戰(zhàn)略[3]具有助力作用。

災(zāi)害敏感性是指在特殊地形或某些因素作用下發(fā)生災(zāi)害的可能性[4]，災(zāi)害敏感性評價(jià)則是針對某一地區(qū)現(xiàn)存或潛在災(zāi)害空間分布概率的定性或定量分析。目前，地質(zhì)災(zāi)害敏感性評價(jià)工作已經(jīng)取得眾多研究成果[5]，針對地表沉陷災(zāi)害敏感性評價(jià)，主要集中在開采地下水引起的地表沉降[6-8]和廢棄礦區(qū)地表沉降的災(zāi)害敏感性評價(jià)研究[9-11]，提出了眾多評價(jià)模型并被應(yīng)用和開展對比分析[12-14]，為沉陷災(zāi)害發(fā)育敏感性分區(qū)研究提供了評價(jià)模型選擇參考。敏感性評價(jià)模型一般可分為定性模型和定量模型，隨著研究的不斷深入，更多評價(jià)模型被引入該領(lǐng)域[15-16]，為災(zāi)害風(fēng)險(xiǎn)評估與定量評價(jià)提供了良好的模型基礎(chǔ)。目前，常用的評價(jià)模型主要包括：頻率比(Frequency Ratio,FR)[17]、確定性系數(shù)(Certainty Factor,CF)[18]、支持向量機(jī)(Support Vector Machine,SVM)[19]、隨機(jī)森林(Random Forest,RF)[7-8]和自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive-Network-Based Fuzzy Inference System,ANFIS)[20]等。在模型應(yīng)用中，確定地表沉陷影響因子是沉陷災(zāi)害發(fā)育敏感性分區(qū)評價(jià)的前提，如有研究者認(rèn)為覆巖巖性、地表坡度、采空區(qū)范圍、巖體力學(xué)性質(zhì)、地下水等是誘發(fā)地表沉陷的主要影響因素[21-22]，沉陷災(zāi)害敏感性評價(jià)則是在上述基礎(chǔ)上所做的進(jìn)一步研究工作[23]。評價(jià)因子的可靠性選擇，評價(jià)模型的適用性對比，為開展地下采煤區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)研究提供了豐富的理論與實(shí)踐參考[21-23]。

山西省太原市西山地區(qū)地下采煤強(qiáng)度高，沉陷災(zāi)害及次生地質(zhì)災(zāi)害分布廣泛，給人民生活安全及經(jīng)濟(jì)發(fā)展帶來較大影響。文獻(xiàn)[24]開展了崩塌、滑坡、不穩(wěn)定斜坡和地面塌陷4 種地質(zhì)災(zāi)害與發(fā)育特征因子之間關(guān)聯(lián)性的空間統(tǒng)計(jì)分析，為太原西山地區(qū)沉陷災(zāi)害發(fā)育敏感性評價(jià)提供了特征因子選擇參考。文獻(xiàn)[25]針對斜坡地質(zhì)災(zāi)害敏感性評價(jià)中地勢起伏度提取最佳尺度開展了研究，為太原西山地區(qū)地質(zhì)災(zāi)害敏感性評價(jià)時(shí)地勢起伏度因子可靠提取提供了依據(jù)。

針對地下采煤區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)，筆者選擇在小樣本情況下應(yīng)用廣泛的SVM 模型為敏感性評價(jià)模型，分別以不同年度核查編錄的沉陷災(zāi)害作為模型建立與預(yù)測能力驗(yàn)證數(shù)據(jù)，開展太原市西山前山區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)研究，以期為地下采煤區(qū)沉陷災(zāi)害及次生地質(zhì)災(zāi)害防治提供科學(xué)的方法與數(shù)據(jù)支持。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

太原市西山前山區(qū)位于山西省太原市西部山區(qū)(圖1)，北西以尖草坪區(qū)、萬柏林區(qū)和晉源區(qū)行政界線為邊界，南東以山前坡腳線為界，總面積441.063 km2。區(qū)內(nèi)采煤活動歷史悠久，已近百年，煤礦開采主要為地下開采方式，既有國有大礦，包括西銘礦、杜兒坪礦、官地礦、白家莊礦和西峪煤礦，還有分布廣泛且數(shù)量龐大的鄉(xiāng)辦、村辦、聯(lián)營小型煤礦，逐漸在空間上形成了大礦與小礦既有鄰近、又有重疊的地下采煤區(qū)，地表沉陷情況極其復(fù)雜，沉陷災(zāi)害及次生地質(zhì)災(zāi)害分布廣泛，部分地裂縫發(fā)育于山頂基巖或山體出露巖層(圖2)。

圖1 太原市西山前山區(qū)地理位置Fig.1 Geographical map of Xishan area of Taiyuan City

圖2 太原市西山前山區(qū)沉陷災(zāi)害Fig.2 Subsidence disaster in Xishan area of Taiyuan City

1.2 數(shù)據(jù)源

1) 沉陷災(zāi)害數(shù)據(jù)

收集到研究區(qū)2012 年、2014 年核查編錄的地面塌陷與地裂縫災(zāi)害共113 處，提取地裂縫的中心位置，以點(diǎn)形式與地面塌陷構(gòu)建沉陷災(zāi)害點(diǎn)圖層，其空間分布如圖1 所示。其中，2012 年79 處，2014 年34 處，數(shù)據(jù)來源于山西省太原市規(guī)劃和自然資源局。

2) DEM 數(shù)據(jù)

在地理空間數(shù)據(jù)云網(wǎng)站下載了研究區(qū)的ASTER GDEM V2 數(shù)據(jù)，并重采樣為30 m 分辨率的DEM 數(shù)據(jù)，作為研究區(qū)的數(shù)字地貌因子提取基礎(chǔ)數(shù)據(jù)，高程中誤差為±22.723 m[25]。

3) 地質(zhì)數(shù)據(jù)

研究區(qū)1∶200 000 數(shù)字地質(zhì)圖來源于山西省太原市規(guī)劃和自然資源局。

2 研究方法

沉陷災(zāi)害發(fā)育敏感性分區(qū)步驟如下：

(1) 收集研究區(qū)實(shí)際核查編錄的2012 年和2014年的沉陷災(zāi)害空間分布數(shù)據(jù)，以2012 年發(fā)育的沉陷災(zāi)害為訓(xùn)練樣本建立模型，以2014 年發(fā)育的沉陷災(zāi)害為驗(yàn)證樣本評價(jià)模型預(yù)測精度。

(2) 從地形地貌和地質(zhì)因素兩個(gè)方面出發(fā)建立評價(jià)因子組合。

(3) 以評價(jià)因子提取結(jié)果輸入基于機(jī)器學(xué)習(xí)思想的SVM 模型開展沉陷災(zāi)害發(fā)育敏感性評價(jià)，以受試者特征曲線(Receiver Operating Characteristic,ROC)下面積(Area Under the ROC Curve,AUC)作為定量評價(jià)指標(biāo)對分區(qū)結(jié)果進(jìn)行精度驗(yàn)證。

(4) 以自然間斷點(diǎn)法進(jìn)行等級劃分并制作研究區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)圖。

總體技術(shù)路線如圖3 所示。

圖3 總體技術(shù)路線Fig.3 Technology roadmap for the study

2.1 評價(jià)因子

針對地下采煤活動對礦區(qū)微地貌、土地利用等帶來的擾動影響，文獻(xiàn)[26-27]選擇研究區(qū)中西部的杜兒坪煤礦南三盤區(qū)為對象，其中，文獻(xiàn)[26]采用1∶10 000地形圖所生產(chǎn)的3 期DEM 數(shù)據(jù)分別代表礦區(qū)采前、采中和采后3 個(gè)時(shí)期的地形表面，開展了數(shù)字地貌時(shí)空演變特征分析，結(jié)果表明坡度與地勢起伏度統(tǒng)計(jì)結(jié)果隨時(shí)間推進(jìn)而變化明顯，坡向也有一定的影響。因此，DEM 數(shù)據(jù)的獲取時(shí)間對數(shù)字地貌因子分析結(jié)果是否可靠具有重要約束，災(zāi)害敏感性預(yù)測研究中應(yīng)盡可能采用與沉陷災(zāi)害發(fā)育時(shí)間相匹配的DEM 數(shù)據(jù)進(jìn)行數(shù)字地貌因子提取。文獻(xiàn)[27]則以采前、采中和采后的5 期遙感影像為數(shù)據(jù)源，采用最小距離分類法進(jìn)行了礦區(qū)土地利用信息提取與演變分析，結(jié)果表明，土地利用類型轉(zhuǎn)移過程和方向與煤炭開采擾動過程相吻合。因此，遙感影像時(shí)相不同，所提取的土地利用信息則不同，以特定年份的遙感影像所提取的土地利用數(shù)據(jù)和植被覆蓋數(shù)據(jù)與歷史編錄的沉陷災(zāi)害數(shù)據(jù)進(jìn)行相關(guān)分析，其結(jié)果不確定性極大。

沉陷災(zāi)害影響因子眾多，在開采沉陷預(yù)計(jì)中多采用地形地貌、地質(zhì)因素、采煤方法、煤層厚度、埋深、工作面尺寸等因子[1,28]，專家學(xué)者基于不同目的建立了不同的影響因子序列。受地下采煤相關(guān)數(shù)據(jù)獲取困難、定量表述不足制約，并考慮方法的通用性，本文在現(xiàn)有研究的基礎(chǔ)上[24-25]，綜合考慮地下采煤區(qū)數(shù)字地貌特征和土地利用時(shí)空演變的影響[26-27]，從地形地貌與地質(zhì)因素出發(fā)，選取高程、坡度、坡向、地勢起伏度、地面曲率、地層巖組、地質(zhì)構(gòu)造共7 個(gè)因子作為沉陷災(zāi)害發(fā)育敏感性評價(jià)因子組合(表1)。

表1 研究區(qū)沉陷災(zāi)害敏感性評價(jià)因子Table 1 Assessment factors of subsidence disaster sensitivity in the study area

以ASTER GDEM V2 數(shù)據(jù)在ArcGIS 軟件中提取高程、坡度、坡向、地勢起伏度和地面曲率，基于1∶200 000 地質(zhì)圖提取地層巖組與地質(zhì)構(gòu)造信息，利用ArcGIS 軟件制作研究區(qū)2012 年沉陷災(zāi)害發(fā)育敏感性評價(jià)因子圖(圖4)。

經(jīng)圖4 統(tǒng)計(jì)，沉陷災(zāi)害在各行政區(qū)之間的空間分布規(guī)模差異性較大，2012 年的平均發(fā)育密度為0.179 處/km2，萬柏林區(qū)的發(fā)育密度最高，達(dá)到0.336 處/km2，高于研究區(qū)平均水平。其次是晉源區(qū)，為0.034 處/km2，發(fā)育密度相對較低。

圖4 太原市西山前山區(qū)沉陷災(zāi)害評價(jià)因子Fig.4 Assessment factors of the subsidence disaster in Xishan area of Taiyuan City

2.2 支持向量機(jī)(SVM)

支持向量機(jī)是一種基于最大間隔的線性判別分類方法，其功能強(qiáng)大，可以最大化模型的預(yù)測準(zhǔn)確度，被認(rèn)為是目前針對小樣本統(tǒng)計(jì)估計(jì)和預(yù)測學(xué)習(xí)的最佳理論，最早被用于研究小樣本情況下的機(jī)器學(xué)習(xí)[29]，在地質(zhì)災(zāi)害敏感性評價(jià)研究中應(yīng)用較多[13,30]。

SVM 通過引入核函數(shù)有效地解決了非線性分類問題，使敏感性評價(jià)中的非線性分類計(jì)算復(fù)雜度不再取決于空間維數(shù)，而是取決于用于建模的沉陷災(zāi)害樣本數(shù)量，尤其是其中支持向量的災(zāi)害點(diǎn)數(shù)量。顯然，核函數(shù)是SVM 克服維數(shù)災(zāi)難實(shí)現(xiàn)沉陷災(zāi)害敏感性評價(jià)有效分類的關(guān)鍵。SVM 常用核函數(shù)(表2)主要有線性核函數(shù)(Linear Kernel,LN)、多項(xiàng)式核函數(shù)(Polynomial Kernel,PL)、徑向基核函數(shù)(Radial Basis Function,RBF)和Sigmoid 核函數(shù)(Sigmoid Kernel,SIG)[13]。

表2 SVM常用核函數(shù)[31]Table 2 Common kernel functions of SVM[31]

目前，地質(zhì)災(zāi)害敏感性評價(jià)中徑向基核函數(shù)應(yīng)用較多[30]，但研究區(qū)內(nèi)沉陷災(zāi)害樣本數(shù)量較少，應(yīng)對比4種核函數(shù)SVM 模型的預(yù)測精度，選擇最優(yōu)核函數(shù)建立SVM 預(yù)測模型。

沉陷災(zāi)害敏感性分區(qū)SVM 模型預(yù)測步驟如下：

(1) 建立研究區(qū)沉陷災(zāi)害數(shù)據(jù)集，包括訓(xùn)練樣本集和驗(yàn)證樣本集。

(2) 提取沉陷災(zāi)害點(diǎn)在評價(jià)因子圖中的值，作為屬性值記錄下來，包括：高程、坡度、坡向、地勢起伏度、地面曲率、地層巖組和距地質(zhì)構(gòu)造的距離。

(3) 建立4 種SVM 模型，包括LN-SVM 模型、PL -SVM 模型、RBF-SVM 模型和SIG-SVM 模型。

(4) 采用訓(xùn)練樣本對4 種SVM 模型進(jìn)行訓(xùn)練，統(tǒng)計(jì)評價(jià)因子在每一種模型中的權(quán)重排序，分析模型預(yù)測正確率與錯(cuò)誤率，避免出現(xiàn)過擬合和欠擬合。

(5) 選擇預(yù)測正確率最高的SVM 模型作為沉陷災(zāi)害敏感性分區(qū)預(yù)測模型。

(6) 采用驗(yàn)證樣本評價(jià)最優(yōu)SVM 模型的預(yù)測精度，對比訓(xùn)練樣本的預(yù)測精度，分析預(yù)測結(jié)果的合理性。

2.3 精度評價(jià)

敏感性評價(jià)是一個(gè)二值分類問題，一般將樣本分為正類和負(fù)類，現(xiàn)有研究中通常采用真正類率和真負(fù)類率構(gòu)建受試者特征曲線(ROC)，利用ROC 曲線下的面積(AUC 值)作為敏感性分區(qū)預(yù)測精度的度量[13,31]，AUC 值的范圍為[0,1]，值越大越好，表明模型預(yù)測能力越強(qiáng)，災(zāi)害敏感性分區(qū)預(yù)測結(jié)果精度越高。

根據(jù)AUC 值的大小可以劃分敏感性分區(qū)預(yù)測模型的精度等級(表3)[13]。

表3 敏感性預(yù)測模型精度等級[13]Table 3 Accuracy levels of sensitivity prediction model[13]

對于二值分類問題，假設(shè)C1為正類，C2為負(fù)類，對應(yīng)的2×2 混淆矩陣見表4。其中，TP 表示分類方法準(zhǔn)確預(yù)測為C1的點(diǎn)的數(shù)目；FP 表示分類方法預(yù)測為C1，但實(shí)際屬于C2的點(diǎn)的數(shù)目；FN 表示分類方法預(yù)測為C2，但實(shí)際屬于C1的點(diǎn)的數(shù)目；TN 表示分類方法準(zhǔn)確預(yù)測為C2的點(diǎn)的數(shù)目。

表4 二值分類混淆矩陣Table 4 Confusion matrix of binary classification

敏感性Sp，也稱為真正類率，是C1中所有點(diǎn)被正確預(yù)測的比例，計(jì)算公式[32]如下：

特異性(Xp)，也稱為真負(fù)類率，計(jì)算公式[33]如下：

AUC 值計(jì)算公式[33]如下：

3 沉陷災(zāi)害發(fā)育敏感性分區(qū)結(jié)果與討論

3.1 結(jié)果

本文按照圖3 的技術(shù)流程開展研究區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)預(yù)測。

訓(xùn)練樣本和驗(yàn)證樣本分別隨機(jī)生成同等數(shù)量的非沉陷災(zāi)害樣本，建立由79(沉陷災(zāi)害)+79(非沉陷災(zāi)害)個(gè)樣本點(diǎn)組成的訓(xùn)練樣本數(shù)據(jù)集，共有訓(xùn)練樣本點(diǎn)158 個(gè)。建立由34(沉陷災(zāi)害)+34(非沉陷災(zāi)害)個(gè)樣本點(diǎn)組成的驗(yàn)證樣本數(shù)據(jù)集，共有驗(yàn)證樣本點(diǎn)68 個(gè)。其中，沉陷災(zāi)害樣本點(diǎn)與非沉陷災(zāi)害樣本點(diǎn)之間的距離為500 m。

3.1.1 評價(jià)因子權(quán)重

利用SPSS 軟件統(tǒng)計(jì)4 種常用核函數(shù)SVM 模型評價(jià)因子的重要性排序，結(jié)果對比如圖5 所示。

圖5 顯示，4 種模型中評價(jià)因子的權(quán)重順序并不相同，其權(quán)重從高到低的排列順序分別為：

圖5 研究區(qū)不同核函數(shù)SVM 模型沉陷災(zāi)害敏感性評價(jià)因子權(quán)重對比Fig.5 Comparison of the weight of subsidence disaster sensitivity evaluation factors in different kernel function SVM models in the study area

(1) LN-SVM 模型：地層巖組，地質(zhì)構(gòu)造，高程，坡向，地面曲率，坡度，地勢起伏度。

(2) PL-SVM 模型：地層巖組，坡向，地質(zhì)構(gòu)造，坡度，地面曲率，地勢起伏度，高程。

(3) RBF-SVM 模型：地層巖組，地質(zhì)構(gòu)造，坡向，坡度，地面曲率，高程，地勢起伏度。

(4) SIG-SVM 模型：地層巖組，地面曲率，坡度，地勢起伏度，坡向，高程，地質(zhì)構(gòu)造。

3.1.2 SVM 模型優(yōu)選

4 種核函數(shù)SVM 模型預(yù)測正確率在SPSS 軟件中的統(tǒng)計(jì)結(jié)果見表5。

由表5 可以看出，4 種核函數(shù)SVM 模型的預(yù)測正確率由高到低排列為：PL-SVM 模型、LN-SVM 模型、RBF-SVM 模型、SIG-SVM 模型，其中，PL-SVM 模型表現(xiàn)最優(yōu)。

表5 研究區(qū)不同核函數(shù)SVM 模型預(yù)測正確率Table 5 Prediction accuracy of SVM models with different kernel functions in the study area

3.1.3 評價(jià)結(jié)果

通過因子權(quán)重分析及預(yù)測正確率對比，PL-SVM模型的因子重要性排序更合理，預(yù)測正確率最高，明顯優(yōu)于其他3 種模型。因此，本文采用PL-SVM 模型進(jìn)行研究區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)預(yù)測，并在ArcGIS 中采用自然間斷點(diǎn)法將研究區(qū)劃分為4 個(gè)敏感性等級，分別為：極高敏感區(qū)、高敏感區(qū)、中等敏感區(qū)和低敏感區(qū)，得到研究區(qū)沉陷災(zāi)害敏感性分區(qū)結(jié)果(圖6a)，驗(yàn)證結(jié)果如圖6b 所示，對訓(xùn)練樣本和驗(yàn)證樣本的分區(qū)統(tǒng)計(jì)結(jié)果見表6。

圖6 研究區(qū)沉陷災(zāi)害敏感性分區(qū)與驗(yàn)證Fig.6 Sensitivity zoning and verification of subsidence disaster in the study area

表6 研究區(qū)沉陷災(zāi)害敏感性分區(qū)統(tǒng)計(jì)Table 6 Statistics on sensitivity zoning of subsidence disaster in the study area

由表6 可以看出，PL-SVM 模型通過訓(xùn)練樣本和驗(yàn)證樣本分別統(tǒng)計(jì)得到的頻率比值(頻率比=災(zāi)害點(diǎn)比例/分區(qū)柵格比例)均隨敏感性等級升高而遞增，經(jīng)對比其趨勢均符合線性函數(shù)，擬合方程分別為：

(1) 訓(xùn)練樣本頻率比趨勢：y=-0.791x+3.24，R2=0.999 7。

(2) 驗(yàn)證樣本頻率比趨勢：y=-0.514x+2.47，R2=0.988 7。

其中，y為頻率比值；x為敏感性等級，極高為1，高為2，中為3，低為4。

可以看出，2 個(gè)擬合方程的決定系數(shù)R2的值均接近于1，表明PL-SVM 模型通過訓(xùn)練樣本和驗(yàn)證樣本所計(jì)算的頻率比值與敏感性等級之間呈良好的正相關(guān)，均以更小的極高與高敏感性分區(qū)面積分布了更多的沉陷災(zāi)害。訓(xùn)練樣本頻率比的趨勢較驗(yàn)證樣本頻率比的趨勢相關(guān)性更好，表明2012 年與2014 年發(fā)育的沉陷災(zāi)害在研究區(qū)內(nèi)的空間分布略有不同。

3.1.4 精度評價(jià)

利用式(3) 分別計(jì)算訓(xùn)練樣本與驗(yàn)證樣本在PLSVM 模型敏感性分區(qū)預(yù)測結(jié)果中的AUC 值，其中，以2014 年沉陷災(zāi)害作為驗(yàn)證樣本的PL-SVM 預(yù)測模型的AUC 值為0.755，低于以2012 年沉陷災(zāi)害作為訓(xùn)練樣本的PL-SVM 預(yù)測模型的AUC 值(0.854)，表明PL-SVM 模型在驗(yàn)證樣本集的預(yù)測精度略低于訓(xùn)練樣本集，符合預(yù)測模型在測試數(shù)據(jù)集上的精度一般低于訓(xùn)練數(shù)據(jù)集精度的規(guī)律。但2 種模型預(yù)測精度均較高，訓(xùn)練模型精度等級為非常好，預(yù)測模型精度等級為好。預(yù)測精度表明，模型在訓(xùn)練樣本與驗(yàn)證樣本上既沒有過擬合，也沒有欠擬合，結(jié)果較為合理。

3.2 討論

3.2.1 評價(jià)因子權(quán)重

由圖5 可以看出，地層巖組在4 種模型中均是最重要的評價(jià)因子，表明沉陷災(zāi)害發(fā)育與地層巖組分布關(guān)系密切，是地面塌陷與地裂縫發(fā)育的最重要影響因素。盡管在SIG-SVM 模型中地質(zhì)構(gòu)造表現(xiàn)為影響最弱的因子，但從4 種模型中前3 位因子出現(xiàn)的頻率可以看出，地質(zhì)構(gòu)造對沉陷災(zāi)害發(fā)育的影響僅次于地層巖組，表明在構(gòu)造斷裂附近，巖層破碎，地下采煤擾動再次打破斷裂附近的巖體力學(xué)平衡，誘發(fā)地表塌陷或開裂。

由圖5 可知，地勢起伏度因子在LN-SVM 和RBFSVM 模型中均是沉陷災(zāi)害發(fā)育影響最弱的因子，在PL-SVM 模型中為次最弱因子，表明區(qū)域范圍內(nèi)高程最大值與最小值之間的差值大小對沉陷災(zāi)害發(fā)育影響較小。一般情況下，當(dāng)沉陷災(zāi)害處于溝谷邊緣時(shí)極易誘發(fā)崩塌與滑坡災(zāi)害，而沉陷災(zāi)害僅包括地面塌陷與地裂縫，因此，地勢起伏度因子在敏感性評價(jià)中貢獻(xiàn)較小。

由圖5 同時(shí)可以看出，LN-SVM 和RBF-SVM 模型中地層巖組的權(quán)重遠(yuǎn)超其他因子，SIG -SVM 模型中各因子的權(quán)重相對平衡，地層巖組略高于其他因子，而PL-SVM 模型中地層巖組與坡向因子的權(quán)重明顯高于其他因子，在評價(jià)因子組合分析中，既沒有過分依賴某一個(gè)因子，也沒有分散因子權(quán)重，其合理性高于其他3 種核函數(shù)模型。

3.2.2 預(yù)測模型優(yōu)選

SVM 預(yù)測模型的性能優(yōu)劣主要取決于核函數(shù)的選擇，本文分別對比了LN-SVM 模型、PL-SVM 模型、RBF-SVM 模型和SIG-SVM 模型在研究區(qū)沉陷災(zāi)害敏感性分區(qū)中的預(yù)測精度，預(yù)測正確率分別為75.32%、92.41%、72.15%、62.66%，其中，PL-SVM 模型預(yù)測正確率明顯高于其他3 種核函數(shù)SVM 模型，分別比LNSVM 模型、RBF-SVM 模型和SIG-SVM 模型的預(yù)測正確率高22.69%、28.08%和47.48%。SIG-SVM 模型的預(yù)測正確率是4 種模型中最低的，分別比LN-SVM模型、PL-SVM 模型和RBF -SVM 模型的預(yù)測正確率低16.81%、32.19%和13.15%。

由圖5 可知，PL-SVM 模型的評價(jià)因子權(quán)重排序合理性最好，而SIG-SVM 模型則最差，與預(yù)測正確率完全一致，選擇PL-SVM 模型作為研究區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)預(yù)測模型是可靠的。

3.2.3 沉陷災(zāi)害敏感性分區(qū)預(yù)測結(jié)果

敏感性評價(jià)研究中通常采用總樣本的70%或80%作為訓(xùn)練點(diǎn)建立預(yù)測模型，剩余30% 或20%作為驗(yàn)證點(diǎn)驗(yàn)證預(yù)測模型精度[30-31]。本文以研究區(qū)2012 年和2014 年實(shí)際發(fā)育的沉陷災(zāi)害分別作為訓(xùn)練樣本和驗(yàn)證樣本，基于PL-SVM 模型進(jìn)行沉陷災(zāi)害發(fā)育敏感性分區(qū)預(yù)測。結(jié)果表明，2012 年沉陷災(zāi)害發(fā)育在極高、高、中、低4 個(gè)等級的數(shù)量百分比分別為49.37%、29.11%、17.72%、3.80%，極高和高敏感區(qū)分布了共78.48%的沉陷災(zāi)害。2014 年沉陷災(zāi)害發(fā)育在極高、高、中、低4 個(gè)等級的數(shù)量百分比分別為38.24%、26.47%、20.59%、14.71%，極高和高敏感區(qū)分布了共64.71%的沉陷災(zāi)害。

由圖6 可知，2012 年沉陷災(zāi)害在研究區(qū)內(nèi)有明顯的聚集特征，2014 年則演變?yōu)殡S機(jī)分布，部分沉陷災(zāi)害出現(xiàn)在低敏感區(qū)，導(dǎo)致敏感性分區(qū)預(yù)測結(jié)果對驗(yàn)證樣本(AUC=0.755)的精度略低于訓(xùn)練樣本(AUC=0.854)，但圖6b 可以看出，模型的預(yù)測結(jié)果良好，2014 年新發(fā)育的沉陷災(zāi)害大部分位于極高和高敏感區(qū)，為沉陷災(zāi)害核查提供了重點(diǎn)區(qū)預(yù)測，可極大減少野外調(diào)查的盲目性與野外工作量。

3.2.4 綜合分析

目前，地下采煤區(qū)地質(zhì)災(zāi)害敏感性評價(jià)研究中一般將多年災(zāi)害點(diǎn)混合作為樣本進(jìn)行模型訓(xùn)練，但忽視了受采煤擾動影響的礦區(qū)地貌特征和土地利用時(shí)空演變[26-27]，采用特定年份的災(zāi)害數(shù)據(jù)進(jìn)行建模又需要面對樣本數(shù)量過少對敏感性評價(jià)結(jié)果所帶來的不確定性影響。今后應(yīng)就此問題繼續(xù)展開研究，利用遙感解譯手段增加特定年份災(zāi)害樣本數(shù)量，提升區(qū)域?yàn)?zāi)害點(diǎn)小樣本情況下沉陷災(zāi)害發(fā)育敏感性分區(qū)預(yù)測精度。

研究區(qū)含煤地層出露，極高和高敏感區(qū)主要分布于王封煤業(yè)、西銘煤礦、杜兒坪煤礦、西峪煤礦、白家莊煤礦等多個(gè)大型煤礦區(qū)域，相比較地形地貌與地質(zhì)因素，大、小礦地下采煤擾動是研究區(qū)沉陷災(zāi)害發(fā)育的主控因素。本文基于方法適用性考慮，未將地下采礦擾動影響列為敏感性評價(jià)指標(biāo)，今后應(yīng)繼續(xù)研究如何定量化引入地下采礦相關(guān)指標(biāo)參與沉陷災(zāi)害敏感性評價(jià)。

太原市西山地區(qū)近年所開展的采煤沉陷區(qū)治理效果明顯，玉泉山城郊森林公園、長風(fēng)城郊森林公園、四達(dá)溝生態(tài)恢復(fù)景區(qū)等分布于研究區(qū)東緣，生態(tài)地質(zhì)環(huán)境恢復(fù)較好，但沉陷災(zāi)害極高和高敏感區(qū)與植被覆蓋區(qū)重疊度較高，對區(qū)內(nèi)地下水資源保護(hù)形成潛在威脅，應(yīng)防止水資源破壞導(dǎo)致植被衰退而引起礦區(qū)生態(tài)環(huán)境再次惡化[28]，也是礦山生態(tài)環(huán)境治理需要重點(diǎn)關(guān)注的區(qū)域。同時(shí)，分布于林地內(nèi)的沉陷災(zāi)害點(diǎn)給遙感解譯和野外調(diào)查帶來困難，災(zāi)害數(shù)據(jù)集完備性受限，給敏感性分區(qū)評價(jià)結(jié)果的精準(zhǔn)性與可靠性帶來一定的影響。

4 結(jié)論

a.PL-SVM 模型是研究區(qū)沉陷災(zāi)害敏感性分區(qū)預(yù)測的最優(yōu)模型，分別以2012 年和2014 年實(shí)際發(fā)育沉陷災(zāi)害點(diǎn)為訓(xùn)練模型和驗(yàn)證模型，其訓(xùn)練精度與驗(yàn)證精度均較高，且訓(xùn)練精度較驗(yàn)證精度高，對地下采煤區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)具有良好的適用性和預(yù)測性。

b.PL-SVM 模型劃分了研究區(qū)沉陷災(zāi)害極高、高、中和低敏感區(qū)4 個(gè)等級的面積比例，極高與高敏感區(qū)主要分布于萬柏林區(qū)和晉源區(qū)邊山一帶，與研究區(qū)內(nèi)大礦與小礦的重合帶高度吻合。災(zāi)害點(diǎn)比例隨敏感性等級升高而遞增，與敏感性等級之間呈現(xiàn)良好的線性正相關(guān)。分區(qū)結(jié)果合理，對研究區(qū)沉陷災(zāi)害普查與防治重點(diǎn)區(qū)確定具有指導(dǎo)價(jià)值，對開展同類研究具有參考意義。

c.應(yīng)進(jìn)一步改進(jìn)、完善評價(jià)因子組合，并選擇更多評價(jià)模型開展對比，組建更可靠的沉陷災(zāi)害發(fā)育敏感性預(yù)測體系，同時(shí)收集研究區(qū)最新的沉陷災(zāi)害數(shù)據(jù)進(jìn)行模型驗(yàn)證，為地下采煤區(qū)沉陷災(zāi)害發(fā)育敏感性分區(qū)預(yù)測提供最適用的結(jié)果。