郭方民 周小莉

（1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，河南 焦作 454000；2.四川水利職業(yè)技術(shù)學(xué)院，四川 崇州 611231）

1 研究背景

20世紀(jì)80年代以來(lái)，幾乎每年都有大型滑坡災(zāi)害發(fā)生，且呈現(xiàn)出逐年加重態(tài)勢(shì)。以2020年為例，全國(guó)共發(fā)生地質(zhì)災(zāi)害7840起，其中滑坡4810起，主要分布在28個(gè)?。▍^(qū)、市），其中湖南、江西、四川、浙江、廣西、廣東為重災(zāi)區(qū)。頻發(fā)的滑坡災(zāi)害造成了巨大的人員傷亡和財(cái)產(chǎn)損失。

目前，滑坡空間預(yù)測(cè)一般分為確定性預(yù)測(cè)和非確定性預(yù)測(cè)。確定性預(yù)測(cè)通過(guò)力學(xué)計(jì)算模型結(jié)合基礎(chǔ)地理信息預(yù)測(cè)滑坡，但只適用于小范圍預(yù)測(cè)。非確定性預(yù)測(cè)是結(jié)合歷史滑坡數(shù)據(jù)與滑坡誘發(fā)因子來(lái)預(yù)測(cè)不同尺度區(qū)域的滑坡災(zāi)害[1]。其中，許石羅[2]利用數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法，建立了單個(gè)滑坡和區(qū)域范圍的滑坡災(zāi)害空間預(yù)測(cè)模型，實(shí)現(xiàn)了秭歸至巴東段滑坡災(zāi)害動(dòng)態(tài)空間預(yù)測(cè)；姚鑫、譚國(guó)煥[3]以香港自然滑坡空間預(yù)測(cè)為例，采用支持向量機(jī)進(jìn)行滑坡災(zāi)害空間預(yù)測(cè)。

2 研究方法

隨機(jī)森林模型是一種基于分類(lèi)回歸樹(shù)的算法，其主要思想是通過(guò)自助法抽樣從原始訓(xùn)練集中抽取k個(gè)樣本，且每個(gè)樣本的樣本容量均與原始訓(xùn)練集的大小一致，然后對(duì)每個(gè)樣本分別進(jìn)行決策樹(shù)建模，得到k個(gè)建模結(jié)果，最后利用所有決策樹(shù)的建模結(jié)果，通過(guò)投票表決決定最終分類(lèi)結(jié)果[4]。決策樹(shù)學(xué)習(xí)的目的是為了產(chǎn)生一棵泛化能力強(qiáng)，即處理未見(jiàn)示例能力強(qiáng)的決策樹(shù)[5]。森林中樹(shù)的數(shù)量是一種重要的超參數(shù)，通過(guò)增加樹(shù)的數(shù)量提高模型性能，但同時(shí)會(huì)消耗算力。通常決策樹(shù)算法由信息增益或基尼不純度作為衡量方式，通過(guò)選擇在每個(gè)節(jié)點(diǎn)能產(chǎn)出最佳分隔的特征來(lái)組織樹(shù)。實(shí)際應(yīng)用中，為了避免隨機(jī)森林參數(shù)設(shè)置的主觀影響，其主要參數(shù)一般通過(guò)使用scikit-learn中的網(wǎng)格搜索和隨機(jī)搜索方法進(jìn)行確定[6]。與傳統(tǒng)應(yīng)用于滑坡易發(fā)型評(píng)價(jià)的機(jī)器學(xué)習(xí)方法相比，隨機(jī)森林引入了樣本和特征的隨機(jī)抽樣，降低了在分類(lèi)過(guò)程中對(duì)數(shù)據(jù)噪聲和異常值的敏感性，提高了預(yù)測(cè)模型的準(zhǔn)確率。

3 隨機(jī)森林空間預(yù)測(cè)實(shí)例分析

3.1 研究區(qū)概況

萬(wàn)源市位于四川省東北部，達(dá)州市北部，大巴山中段南麓，東鄰重慶市城口縣，南接達(dá)州市宣漢縣，西連巴中市平昌、通江縣，北與陜西省鎮(zhèn)巴縣、紫陽(yáng)縣交界，地處川陜渝鄂四?。ㄊ校┙唤缣?，有“秦川鎖鑰”之稱(chēng)。萬(wàn)源市地理坐標(biāo)為東經(jīng)107°29′3.5″～108°30′34.4″，北緯31°38′56.2″～32°20′18.2″，轄12鎮(zhèn)40個(gè)鄉(xiāng)，373個(gè)行政村，總?cè)丝?98685人，平均人口密度為147.27人/km2，全市區(qū)域面積4065.25km2。

3.2 模型建立及精度評(píng)價(jià)

滑坡空間預(yù)測(cè)是指對(duì)可能發(fā)生滑坡的地點(diǎn)展開(kāi)預(yù)測(cè)，主要內(nèi)容包括區(qū)域性滑坡預(yù)測(cè)，即判斷滑坡的易發(fā)區(qū)域。其預(yù)測(cè)模型需要兩類(lèi)輸入變量，一為滑坡誘發(fā)要素，例如降雨、高程、坡度、植被覆蓋度等。二為滑坡訓(xùn)練樣本所需的標(biāo)簽，即需要對(duì)研究區(qū)目前所有的已探明滑坡進(jìn)行編錄。本次實(shí)驗(yàn)選取植被覆蓋度、降雨、高程、坡度、坡向等滑坡誘發(fā)要素，如表1所示。

表1 滑坡誘發(fā)要素來(lái)源及提取方法

3.2.1遙感影像預(yù)處理

3.2.4預(yù)測(cè)結(jié)果及精度評(píng)價(jià)

根據(jù)經(jīng)驗(yàn)設(shè)定非滑坡塊狀區(qū)域，利用gdal庫(kù)讀取融合后的滑坡誘發(fā)要素影像，制作樣本集。首先遍歷標(biāo)簽影像，分為滑坡隱患區(qū)域和非滑坡隱患區(qū)域，記錄區(qū)域內(nèi)各像素對(duì)應(yīng)行列號(hào)，取對(duì)應(yīng)特征集中的降雨量、植被覆蓋度、高程、坡度、坡向生成樣本集合。實(shí)驗(yàn)共獲得176170個(gè)樣本數(shù)據(jù)，將該樣本集按照8∶2比例，分為訓(xùn)練集和測(cè)試集。模型通過(guò)python實(shí)現(xiàn)。根據(jù)決策樹(shù)的不同，測(cè)試精度有所不同，如表2所示。隨著隨機(jī)森林中決策樹(shù)個(gè)數(shù)的不斷增加，隨機(jī)森林的訓(xùn)練精度不斷提高，當(dāng)決策樹(shù)個(gè)數(shù)為20時(shí)，訓(xùn)練集精度達(dá)到0.998706256，測(cè)試集精度達(dá)到0.931731589。

利用訓(xùn)練好的隨機(jī)森林模型，對(duì)研究區(qū)特征集進(jìn)行測(cè)試，預(yù)測(cè)結(jié)果如圖5所示?？梢园l(fā)現(xiàn)由于多山、地勢(shì)陡峭、降雨量充沛等原因，萬(wàn)源市大面積處于滑坡多發(fā)、易發(fā)區(qū)域，相對(duì)而言東部及中部地區(qū)由于居住人口多，經(jīng)過(guò)多年來(lái)人類(lèi)的開(kāi)發(fā)保護(hù)利用，地勢(shì)相對(duì)平緩，滑坡發(fā)生的可能性小。而西部居住人口少，大量地區(qū)處于無(wú)人居住地帶，滑坡等自然災(zāi)害發(fā)生概率更大。相關(guān)職能部門(mén)應(yīng)及時(shí)掌握道路、村莊附近的坡體變形情況，加大雨季巡察頻率，對(duì)于變形明顯區(qū)域，建立專(zhuān)業(yè)設(shè)備監(jiān)測(cè)點(diǎn)，有效減少滑坡?lián)p失。

圖5 隨機(jī)森林預(yù)測(cè)結(jié)果

4 結(jié)論與展望

滑坡預(yù)測(cè)以滑坡監(jiān)測(cè)點(diǎn)滑坡分布為基礎(chǔ)，考慮滑坡的誘發(fā)因素，采用隨機(jī)森林算法研究滑坡空間分布特征。隨著隨機(jī)森林中決策樹(shù)個(gè)數(shù)的不斷增加，隨機(jī)森林的訓(xùn)練精度不斷提高，當(dāng)決策樹(shù)個(gè)數(shù)為20時(shí)，訓(xùn)練集精度達(dá)到0.998706256，測(cè)試集精度達(dá)到0.931731589，滿足實(shí)際要求。但是由于時(shí)間和能力限制，仍有很多問(wèn)題急需探討研究。

（1）滑坡是一個(gè)動(dòng)態(tài)的復(fù)雜系統(tǒng)，滑坡系統(tǒng)的隨機(jī)性導(dǎo)致預(yù)測(cè)模型存在許多不確定因素。而文中涉及的模型算法的誘發(fā)因素輸入、模型結(jié)構(gòu)及參數(shù)都是確定性的，而忽視了滑坡系統(tǒng)的隨機(jī)性和模糊性特征。

（2）文中采用單時(shí)相遙感影像對(duì)研究區(qū)域滑坡空間分布規(guī)律進(jìn)行探究，而忽視了時(shí)間維度上的演變過(guò)程。未能從時(shí)間角度，探討滑坡地質(zhì)災(zāi)害發(fā)生與相關(guān)影響因素之間的聯(lián)系，建立動(dòng)態(tài)滑坡空間演化模型。