【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（七）
【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（七）
文章目录
欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “
学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342
论文地址：https://doi.org/10.1007/s11069-022-05423-7
4 滑坡空间预测研究综述
4.1 因子分析
本阶段主要对研究区的专题信息（滑坡控制因子与滑坡清单）进行分析，并构建可用于机器学习（ML）模型的数据集。通常，为优化输入变量（特征）集，使其与输出变量（目标）相关联，本阶段采用经典统计方法。例如，Mergadi等（2020）将因子分析划分为两个步骤：从滑坡清单图与控制因子构建空间数据库；利用方差膨胀因子（VIF）与信息增益（IG）优化滑坡控制因子。类似方法亦见于其他研究，如Huang等（2020）采用频率比双变量统计分析定义输入-输出变量，Chen等（2020）则结合归一化频率比、方差膨胀因子与卡方检验进行因子分析。
在滑坡事件图构建方面，该图作为分析中的因变量，通常以二值栅格表示，其中L类单元由研究区内滑坡发生点定义，NL类单元通过随机选取无滑坡区域获得。滑坡控制因子（输入变量）可来自多源数据，如专题图、野外调查、报告及遥感影像，均需通过GIS工具处理，并转换为栅格单元值，以匹配分析分辨率。数据类型可为离散或连续，在用于ML分析前，可能需要进一步预处理，例如类别变量的数值编码，或将连续变量划分为有限数量的类别。Huang等（2020）指出，若划分类别过少，控制因子的分割过于粗略；若类别过多，则建模复杂度增加。目前尚无统一标准确定最优类别数，通常参考滑坡易发性评估领域的经验法则（如Guzzetti等，1999）。在本综述涉及的七项研究中，连续变量的类别数介于3–9之间，重分类方法包括自然断点、几何间隔、频率分析及启发式评估。类别划分的主观性可能对模型结果产生重要影响。
在建模前，一些研究利用统计分析方法优化训练与验证数据集的输入变量。常见的双变量统计方法，如频率比或信息增益比，可用于评估各控制因子的预测能力，并为每个类别分配权重系数，以量化变量与滑坡发生概率之间的关系。然而，这些控制因子可能存在多重共线性，因此，需进行预检，如使用容差或方差膨胀因子评估变量间的线性相关性（Dormann等，2013）。最终，输入变量通常归一化至[0,1]范围，以提高模型稳定性。
4.2 模型构建
本阶段的首要任务是划分训练集和测试集，以用于机器学习（ML）模型的训练及其精度验证。为了评估模型的预测能力，在训练完成后，应使用独立的数据集进行测试。滑坡预测模型的验证方法主要包括：
- （i）随机抽样建立模型，并利用剩余样本进行验证；
- （ii）采用不同规模的随机样本训练模型，分析函数系数的显著性变化；
- （iii）基于特定事件发生的滑坡数据构建模型，并使用后续事件触发的滑坡数据进行验证；
- （iv）在一个训练区构建模型，并在具有相似特征的目标区域测试其适用性。
其中，第一种方法被广泛应用于滑坡易发性评估研究，通常将超过 70% 的滑坡样本用于训练，其余用于测试，以保证测试数据独立性（Gholamy et al. 2018）。在数据量充足时，可适当提高测试集比例。此外，为避免滑坡（L）与非滑坡（NL）样本比例失衡，训练和测试过程中通常随机抽取等量的 NL 样本，但此方法可能引入其他偏差。交叉验证（CV）作为一种平衡速度、精度和计算成本的方法，近年来被广泛应用于滑坡易发性 ML 研究（Mergadi et al. 2020）。
- 目前，在区域尺度上尚无公认的最佳 ML 算法用于滑坡易发性预测，因为模型性能受算法本身、超参数调整、滑坡数据质量及环境因子的影响。
因此，大多数研究会在相同数据集上比较多个 ML 算法的表现。近年来，该领域研究数量快速增长。例如，在 Scopus 数据库（截至 2020 年 11 月 16 日）中，包含“landslide”和“machine learning”关键词的期刊论文共有 286 篇，其中 64% 研究 ML 在滑坡易发性建模中的应用。ML 研究的多样性较高，自 2010 年以来，支持向量机（SVM）、决策树（DT）和随机森林（RF）分别发表 342、247 和 179 篇相关论文（Mergadi et al. 2020）。尽管 ML 术语近年才被广泛使用，滑坡易发性预测的研究可追溯至 20 世纪 70 年代，如逻辑回归（LR）和人工神经网络（ANN）等方法在 2000 年以来分别发表 1587 和 746 篇论文（Mergadi et al. 2020）。
表 6 中的七项研究共采用了 23 种 ML 模型进行滑坡易发性绘制，每个研究区域对比 3 至 10 种算法（Chen et al. 2019; Mergadi et al. 2020），部分研究还对比了启发式和统计模型（Huang et al. 2020）。最常用的 ML 方法包括 SVM（5 次）、RF（4 次）、DT 和朴素贝叶斯（NB）（3 次），以及 ANN、BRT、CART、GLM 和 MLP-NN（2 次）。一些研究对多种 ML 算法进行了系统比较（Youssef et al. 2016; Pourghasemi and Rahmati 2018），另一些研究探索了混合集成方法（Pham and Prakash 2019）或较少被研究的模型（Chen et al. 2019）。深度学习神经网络（DLNN）也被引入并与 RF、SVM、DT 和 MLP-NN 进行对比（Bui et al. 2020a, b）。此外，Mergadi et al. (2020) 强调了统一的超参数优化策略对 ML 研究的重要性。
- 模型构建的最终目标是生成滑坡易发性分布图。
计算每个像素的滑坡易发性指数后，通常采用 3 到 6 级分类（Pham and Prakash 2019; Bui et al. 2020a, b）。最常见的是 4 级（Youssef et al. 2016）或 5 级分类（Chen et al. 2019; Huang et al. 2020; Mergadi et al. 2020），如“极低”“低”“中等”“高”“极高”易发性（Fell et al. 2008）。此外，部分研究（Bui et al. 2020a, b）增加了“无易发性”类别，以涵盖易发性指数极低的区域。
4.3 测试与验证
滑坡易发性计算模型的性能评估可分为两个层面（表 8）：
- （1）基于二分类模型的滑坡存在/不存在结果，评估分类质量；
- （2）验证最终生成的滑坡易发性分布图，即通过对比滑坡密度分布与已建立的滑坡编目，评估各易发性等级区域的准确性。
分类精度评估
在第一层面的测试中，常用的性能评估指标包括：
- 混淆矩阵（CM） 相关指标，如总体准确率（Acc）、特异性（Sp）、敏感性（Se）、F1 分数（F）等；
- 受试者工作特征曲线（ROC）下面积（AUC），通过计算不同阈值下的假阳性率和真阳性率，获得其积分值；
- 误差评估，基于均值绝对误差（MAE）和均方根误差（RMSE）等目标函数（OF）量化分析误差；
- Cohen’s kappa 系数（Kappa），衡量预测结果与随机一致性之间的超额一致性；
- 可靠性图（RD）及滑坡易发性指数（LSI）分布，用于进一步评估预测模型的可靠性。
此外，在同一研究区域内对多个机器学习（ML）算法进行比较时，可采用 零假设检验（NH），如 Wilcoxon 符号秩检验（WT） 或 卡方检验（χ²），评估模型结果差异的统计显著性（表 6）。
易发性分布验证
- 第二层面的评估基于以下假设：当滑坡易发性等级从低到高变化时，滑坡密度比应逐步增加，同时高易发性区域的空间占比应较小（Pradhan & Lee, 2010）。
为实现这一目标，需要对机器学习算法计算的滑坡发生概率进行分类，划分为不同的易发性等级，并在滑坡易发性分布图中表示。随后，可通过 充分性分析（SA） 将各易发性等级的面积分布与滑坡编目的滑坡密度进行比对，以验证预测结果。此外，还可绘制 成功率曲线（SPR） 和 预测率曲线，并计算对应的 AUC 值，以进一步量化模型性能。
下节请参考：【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（八）