張 沛,李英冰,張鎮(zhèn)平,胡露太

(武漢大學(xué)測(cè)繪學(xué)院,湖北 武漢 430079)

山體滑坡是地震造成的嚴(yán)重次生災(zāi)害之一,地震會(huì)使原本處于極限平衡或?qū)⒔鼧O限平衡的山坡在極短時(shí)間內(nèi)經(jīng)歷裂縫與下滑的整個(gè)過程。地震災(zāi)害具有突發(fā)性,地震滑坡具有形成時(shí)間快、規(guī)模大、破壞性極強(qiáng)的特點(diǎn),容易造成人員傷亡和不可估計(jì)的經(jīng)濟(jì)損失。2008年汶川地震是有記錄以來誘發(fā)地質(zhì)災(zāi)害最多的地震,觸發(fā)了15多萬處滑坡[1-2]。

對(duì)滑坡易發(fā)地區(qū)進(jìn)行滑坡敏感性分析,可以對(duì)滑坡發(fā)生概率高的地區(qū)進(jìn)行針對(duì)性監(jiān)測(cè)預(yù)警,為滑坡風(fēng)險(xiǎn)管理與防災(zāi)減災(zāi)提供支持。目前滑坡敏感性的評(píng)價(jià)方法有4類:確定性物理模型、啟發(fā)模型、統(tǒng)計(jì)模型與機(jī)器學(xué)習(xí)模型[3]。物理模型需要實(shí)地勘察,耗費(fèi)大量人力[4];啟發(fā)模型(如層次分析法)依賴專家主觀先驗(yàn)知識(shí)[5];統(tǒng)計(jì)模型挖掘滑坡與影響因子間的關(guān)聯(lián)模式,常用信息量與頻率比模型等[6];文獻(xiàn)[7]對(duì)礦山附近滑坡敏感性的研究中用信息量方法顧及各種滑坡影響因子,但沒有區(qū)分不同因子的貢獻(xiàn)程度。

隨著機(jī)器學(xué)習(xí)的成熟與發(fā)展,邏輯斯蒂回歸LR、支持向量機(jī)SVM、隨機(jī)森林等在滑坡敏感性評(píng)價(jià)上表現(xiàn)出優(yōu)異性能[8-9]。文獻(xiàn)[10]將隨機(jī)森林與InSAR相結(jié)合,預(yù)測(cè)了滑坡敏感性。新興的深度學(xué)習(xí)也憑借其對(duì)海量多維數(shù)據(jù)特征的挖掘能力,在多個(gè)領(lǐng)域發(fā)展迅猛。文獻(xiàn)[11]將CNN、RNN應(yīng)用于伊朗的滑坡敏感性分析。國(guó)內(nèi)將其應(yīng)用于該領(lǐng)域的研究起步較晚,文獻(xiàn)[12]采用一維CNN評(píng)價(jià)了川藏鐵路沿線的滑坡敏感性。但傳統(tǒng)機(jī)器學(xué)習(xí)與一維CNN忽略了滑坡通常與周圍的空間環(huán)境有緊密聯(lián)系。

因此,本文提出耦合遞歸特征消除與二維卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的RFE-2DCNN模型,對(duì)滑坡影響因子貢獻(xiàn)度排序篩選,用優(yōu)化的二維CNN保證模型質(zhì)量與精度,輸入二維圖像彌補(bǔ)了傳統(tǒng)機(jī)器學(xué)習(xí)與一維CNN方法僅考慮當(dāng)前滑坡點(diǎn)信息的缺陷,預(yù)測(cè)滑坡敏感性。

1 研究方法

本文提出的RFE-2DCNN滑坡敏感性評(píng)價(jià)方法的技術(shù)路線如圖1所示。

圖1 RFE-2DCNN方法技術(shù)路線

1.1 數(shù)據(jù)預(yù)處理

滑坡敏感性的影響因子中,巖性、土地利用、坡向?qū)儆陬悇e變量,采用信息量法對(duì)其進(jìn)行量化[13]?；掠绊懸蜃舆^多時(shí),可能出現(xiàn)多重共線性,干擾建模結(jié)果,使其出現(xiàn)誤差。因此,首先使用方差膨脹因子VIF檢測(cè)滑坡影響因子之間的多重共線性。當(dāng)VIF>10時(shí),認(rèn)為該因子與其他因子高度相關(guān),予以剔除[13]。

1.2 RFE-2DCNN方法

1.2.1 遞歸特征消除(RFE)

遞歸特征消除法旨在消除冗余及不相關(guān)變量,是一種尋找最優(yōu)特征子集的貪心算法。通過循環(huán)迭代,每次消除一個(gè)最不相關(guān)的特征,根據(jù)被消除的順序?qū)μ卣髋判?選出最優(yōu)特征子集[14]。

1.2.2 二維卷積神經(jīng)網(wǎng)絡(luò)(2DCNN)

一維CNN和機(jī)器學(xué)習(xí)方法的數(shù)據(jù)輸入為單個(gè)滑坡點(diǎn)的影響因子特征集,輸入數(shù)據(jù)大小為1×1×n,其中n為影響因子個(gè)數(shù)?；碌陌l(fā)生不僅與自身有關(guān),還與孕災(zāi)環(huán)境相關(guān),因此使用二維CNN且輸入二維柵格圖像考慮滑坡點(diǎn)的空間信息。將采樣點(diǎn)作為圖像中心點(diǎn),裁剪出25×25個(gè)柵格單元構(gòu)成二維柵格圖像,疊加所有滑坡敏感性影響因子圖層,形成25×25×n的多通道圖像,將其作為二維CNN的輸入,再將預(yù)測(cè)精確度作為目標(biāo)函數(shù)且進(jìn)行模型訓(xùn)練。

本文采用的2DCNN結(jié)構(gòu)如圖2所示。其中,卷積層(Conv)用于提取滑坡影響因子特征,卷積核大小為3×3,經(jīng)3次卷積后分別得到深度為32、64和128的特征圖。

圖2 2DCNN結(jié)構(gòu)

通過卷積層后使用ReLU激活函數(shù)與歸一化BN層,ReLU激活函數(shù)將影響因子的特征映射至非線性維度,學(xué)習(xí)高維度特征;BN層用于加快2DCNN的訓(xùn)練和收斂速度,防止過擬合[15]。通過最大池化層(MaxPool)降低分辨率,獲得具有空間不變性的滑坡特征,減少網(wǎng)絡(luò)的數(shù)據(jù)量與計(jì)算復(fù)雜性[16],最后使用1×128維度的全連接層(FC)展平特征。

為了防止過擬合,在全連接層中加入L2正則化與Dropout。Dropout在訓(xùn)練時(shí)隨機(jī)棄用一定比例的神經(jīng)元,L2正則化在原始損失函數(shù)C0后添加正則化項(xiàng)以防止權(quán)重過大,使模型更平滑[17],最后通過Sigmoid函數(shù)對(duì)滑坡特征進(jìn)行分類,輸出預(yù)測(cè)的滑坡發(fā)生概率。

1.3 對(duì)比試驗(yàn)方法

采用機(jī)器學(xué)習(xí)方法:Logistic模型和帶有線性核函數(shù)Linear、徑向基核函數(shù)RBF與Sigmoid核函數(shù)的SVM模型驗(yàn)證結(jié)果,采用與2DCNN相同的特征因子集訓(xùn)練。

Logistic在滑坡敏感性分析中應(yīng)用廣泛,模型將滑坡影響因子線性組合后,以Sigmoid函數(shù)作為后驗(yàn)概率分布函數(shù)進(jìn)行分類[18]。SVM核函數(shù)將影響因子特征映射到高維空間,利用高維空間中的超平面對(duì)滑坡進(jìn)行分類[19]。

在帶有核函數(shù)的SVM中使用粒子群算法尋找最優(yōu)參數(shù),包括SVM-Linear的懲罰參數(shù)C、SVM-RBF和SVM-Sigmoid的懲罰參數(shù)C與核函數(shù)參數(shù)γ。最后使用受試者工作特性曲線ROC及AUC衡量模型性能。

2 研究區(qū)域與試驗(yàn)數(shù)據(jù)

2.1 研究區(qū)概況

2017年8月8日,四川省阿壩州九寨溝縣發(fā)生7.0級(jí)地震,此次地震烈度高、震源淺,震區(qū)地質(zhì)環(huán)境脆弱,給九寨溝景區(qū)的生態(tài)環(huán)境帶來嚴(yán)重破壞[20]。同時(shí),地震觸發(fā)了大量同震滑坡,造成了交通堵塞,對(duì)應(yīng)急救援進(jìn)度產(chǎn)生了嚴(yán)重影響。

震區(qū)主要受岷江斷裂、虎牙斷裂、文縣-瑪沁斷裂影響[21],海拔為2048～4455 m,地形起伏大,位于寒冷的亞濕潤(rùn)和半干旱季風(fēng)性氣候區(qū),年均降雨量約為550 mm[15]。本文選取阿壩州九寨溝縣西南部(涵蓋所有同震滑坡的范圍)為研究區(qū)域,面積約為457.54 km2,如圖3所示。

圖3 研究區(qū)域概況

2.2 研究數(shù)據(jù)

2.2.1 滑坡清單

滑坡清單是敏感性評(píng)價(jià)的數(shù)據(jù)基礎(chǔ),該數(shù)據(jù)來源于國(guó)家冰川凍土沙漠科學(xué)數(shù)據(jù)中心。研究區(qū)域共有滑坡4834個(gè),最大面積約為0.2 km2,最小面積約為7 m2,總面積約為9.6 km2。

2.2.2 影響因子

本文選取海拔高度、地形濕度指數(shù)(TWI)、坡度、坡向、平面曲率、剖面曲率、地形起伏度、植被歸一化指數(shù)(NDVI)、峰值地面加速度(PGA)、距水系距離、距斷層距離、距道路距離、土地利用、巖性共14個(gè)因子作為滑坡敏感性的評(píng)價(jià)因子。

DEM、坡度、坡向、TWI、曲率、地形起伏度用于反映研究區(qū)域地形狀況,通常較為陡峭的區(qū)域更容易發(fā)生滑坡。巖性與距斷層距離表明地質(zhì)情況,與土層動(dòng)力穩(wěn)定性有直接關(guān)聯(lián)。土地利用和NDVI表征不同土壤濕度和地表徑流,間接影響滑坡發(fā)展。土地利用與距道路距離反映人類活動(dòng)情況。PGA則是衡量地震對(duì)滑坡影響的重要因素[22]。

影響因子來源見表1,分布如圖4所示,根據(jù)DEM分辨率,將所有影響因子的分辨率統(tǒng)一至30 m,組成14個(gè)柵格圖層輸入模型,分析九寨溝地區(qū)滑坡敏感性。

表1 數(shù)據(jù)來源

圖4 滑坡敏感性影響因子

3 滑坡敏感性建模結(jié)果

3.1 多重共線性分析

通過方差膨脹因子VIF檢測(cè)滑坡影響因子間的相關(guān)性。當(dāng)VIF>10時(shí),被認(rèn)為與其他因子高度相關(guān),檢測(cè)結(jié)果見表2,坡度與地形起伏度有較高相關(guān)性。將地形起伏度因子去除后,所有因子VIF值均小于10,說明剩余因子間不存在多重共線性。

表2 影響因子多重共線性與重要性排序

3.2 RFE-2DCNN滑坡敏感性評(píng)價(jià)

利用遞歸特征消除法對(duì)剩余因子進(jìn)行排序,每次剔除一個(gè)貢獻(xiàn)最低的特征,組成新的滑坡特征集,重新計(jì)算特征重要性,通過10折交叉驗(yàn)證計(jì)算分類精度,重復(fù)此過程對(duì)所有因子進(jìn)行排序,選擇分類精度最高的滑坡特征集,結(jié)果見表2,剔除貢獻(xiàn)較低的NDVI、距道路距離與距水系距離,其余10個(gè)因子被輸入模型進(jìn)行滑坡敏感性計(jì)算。

以1∶1比例隨機(jī)選2000個(gè)滑坡點(diǎn)與非滑坡點(diǎn)作為訓(xùn)練集,訓(xùn)練時(shí)使用5折交叉驗(yàn)證測(cè)試模型擬合優(yōu)度。按相同比例隨機(jī)選400個(gè)滑坡點(diǎn)與非滑坡點(diǎn)作為測(cè)試集。裁剪周圍的柵格單元組成25×25大小的柵格圖像作為輸入數(shù)據(jù)集。訓(xùn)練時(shí)使用Adam優(yōu)化器,根據(jù)交叉驗(yàn)證中的驗(yàn)證集精度自適應(yīng)改變學(xué)習(xí)率,加入早停法,當(dāng)驗(yàn)證集精度下降時(shí)停止訓(xùn)練,保證訓(xùn)練時(shí)的驗(yàn)證集精度。

將訓(xùn)練好的RFE-2DCNN模型應(yīng)用至整個(gè)研究區(qū)域,如圖5所示,利用自然斷點(diǎn)法將滑坡敏感性分為5類:極高敏感性[0.78,1)、高敏感性[0.53,0.78)、中等敏感性[0.29,0.53)、低敏感性[0.10,0.29)與極低敏感性[0,0.10),各部分所占比例見表3。極高敏感區(qū)在西北部的九寨天堂景區(qū)及東南部的熊貓海至箭竹海景區(qū)分布較多,這與地震滑坡發(fā)生的地區(qū)相吻合。研究區(qū)域大部分為中低風(fēng)險(xiǎn),占比約為80.1%;極高敏感性區(qū)域僅為10.8%,范圍較小。此外,86%的實(shí)測(cè)滑坡發(fā)生在高敏感性與極高敏感性地區(qū)內(nèi),證明模型得到的結(jié)果與實(shí)際情況相吻合。

表3 RFE-2DCNN法滑坡敏感性各部分比例

圖5 RFE-2DCNN方法的滑坡敏感性分布

3.3 對(duì)比試驗(yàn)與精度評(píng)價(jià)

為了評(píng)價(jià)本文提出的RFE-2DCNN模型的有效性與正確性,將其與Logistic、SVM兩種機(jī)器學(xué)習(xí)方法作對(duì)比。機(jī)器學(xué)習(xí)方法得到的預(yù)測(cè)結(jié)果如圖6所示。與圖5對(duì)比發(fā)現(xiàn),考慮周圍一定范圍內(nèi)信息的RFE-2DCNN得到的結(jié)果更平滑連續(xù),僅考慮單點(diǎn)影響因子狀況的機(jī)器學(xué)習(xí)方法得到的結(jié)果更為破碎。

圖6 機(jī)器學(xué)習(xí)方法的滑坡敏感性分布

5種方法的測(cè)試集精度見表4。機(jī)器學(xué)習(xí)中SVM-RBF在測(cè)試集的準(zhǔn)確度最高,但仍比RFE-2DCNN準(zhǔn)確度低1%。圖7 RFE-2DCNN的AUC值最大,相較于SVM-RBF模型提高了0.018。整體而言,在本文對(duì)比的幾個(gè)模型中,RFE-2DCNN模型的泛化能力與預(yù)測(cè)精度是最好的。

表4 試驗(yàn)準(zhǔn)確度與AUC

圖7 ROC曲線

4 結(jié) 語

本文方法改進(jìn)了傳統(tǒng)機(jī)器學(xué)習(xí)與一維CNN僅考慮滑坡點(diǎn)信息的不足,增加了滑坡點(diǎn)周圍空間信息在模型中的作用。首先在14個(gè)滑坡影響因子中,根據(jù)多重共線性檢測(cè)與遞歸特征消除法保留具有最大貢獻(xiàn)的10個(gè)影響因子,隨后將其輸入帶有L2正則化、Dropout與早停優(yōu)化方法的二維CNN進(jìn)行九寨溝地區(qū)的滑坡敏感性評(píng)價(jià),最終將滑坡發(fā)生概率劃分為極高、高、中、低與極低5類。

結(jié)果表明:研究區(qū)大部分是中低風(fēng)險(xiǎn),高風(fēng)險(xiǎn)區(qū)域與極高風(fēng)險(xiǎn)區(qū)域范圍較小;86%的實(shí)測(cè)滑坡發(fā)生在高敏感性與極高敏感性區(qū)域內(nèi),證明了模型的正確性與有效性。經(jīng)過與Logistic模型、帶有Linear、RBF和Sigmoid核函數(shù)的SVM模型對(duì)比發(fā)現(xiàn),本文方法有最高的準(zhǔn)確度90.5%和AUC(0.968)。證明顧及周圍環(huán)境信息可以提高模型泛化能力與預(yù)測(cè)精度。

5種方法的滑坡敏感性圖表明,九寨天堂景區(qū)與九寨溝風(fēng)景區(qū)附近存在敏感性較高的區(qū)域,這對(duì)九寨溝地區(qū)的旅游業(yè)有一定影響,災(zāi)害應(yīng)急管理部門可以增加對(duì)高敏感性區(qū)域?yàn)?zāi)情的監(jiān)測(cè)與預(yù)警,對(duì)滑坡易發(fā)區(qū)域?qū)嵤┲卫砼c防范措施,降低滑坡災(zāi)害損失。