【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）（六）
【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）（六）
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
滑坡空间预测旨在评估目标区域内未来滑坡的可能发生位置，而不考虑其发生时间及频率。基于数据驱动的方法，尤其是机器学习（ML）算法，广泛用于计算滑坡易发性，即某区域发生滑坡的概率（Brabb, 1984）。目前，统计方法和ML方法的应用基于两个关键假设（Varnes, 1984; Reichenbach et al., 2018; Lombardo et al., 2020）：
- (i) 未来滑坡更可能发生在曾导致坡面失稳的环境条件下；
- (ii) 可采集的影响坡面失稳的因子可用于构建滑坡空间分布预测模型。
相较于传统统计分析，ML算法可直接学习滑坡发生与环境因子之间的关联，而无需预设数据结构模型。其核心在于通过迭代优化，自动提取数据中的潜在模式，而非依赖基础统计或人工观察（Korup & Stolle, 2014）。Mergadi等（2020）系统回顾了滑坡易发性研究中常用的ML技术，并指出仅少数研究者采用ML进行滑坡易发性制图。相关研究表明，采用神经网络（NN）、随机森林（RF）、决策树（DT）、支持向量机（SVM）等算法的文献分别占该领域论文的47%、70%、83%和86%。基于此，本文主要探讨这些研究者的最新成果，并比较不同ML技术的表现。
这些发现促使本节综述主要聚焦于上述研究者的最新成果，并对不同 ML 技术的对比分析展开讨论。此外，我们还参考了其他相关研究，包括：
- 变量重要性分析与预测图解读（Goetz et al., 2015）；
- 空间自相关对超参数调整及模型性能的影响（Schratz et al., 2019）；
- 训练/测试数据分辨率的混合影响（Duric et al., 2019）；
- 多模型融合的创新方法（Di Napoli et al., 2020）；
- 基于对象的预测方法，相较于传统栅格法具有更优性能（Wang et al., 2021a）；
- 结合 ML 与主动学习（Active Learning）的方法（Wang & Brenning, 2021）。
本节讨论将综合以上研究成果，以确保全面评估 ML 在滑坡易发性预测中的应用。
表 6 统计了各研究采用的机器学习（ML）算法、研究区域及案例面积。Mergadi 等（2020）基于阿尔及利亚 2760 km² 研究区，对多种 ML 方法进行系统对比分析，并基于多项评估指标总结了算法的精度、优劣势。研究表明，树模型集成算法（如随机森林，RF）在滑坡易发性制图中表现优越，且模型训练所需参数调整较少。
所有列入 表 6 的研究均采用基于像素（pixel-based）的计算方法，即将研究区离散化为 GIS 环境中的规则网格（栅格），利用滑坡清单关联输入因子（如专题地图）与模型输出（滑坡易发性图，见 图 5）。尽管在 ML 语境下，输入变量通常称为“特征”（features），输出变量称为“目标”（target），但数据驱动的滑坡易发性分析原则保持一致。
表 7 进一步汇总了各研究采用的滑坡易发性计算模型的核心信息，包括：
- （i）栅格分辨率，
- （ii）输入因子数量，
- （iii）滑坡数量及类型，
- （iv）ML 训练样本（滑坡/非滑坡单元数），
- （v）训练集与测试集数据比例，
- （vi）最终易发性图的分类数。
这些研究多采用 20 m × 20 m 至 30 m × 30 m 的中等分辨率像元。
地形因子的尺度选择（特别是基于 DEM 的地形变量）直接影响预测精度，但提高 DEM 分辨率并不必然提升模型表现（Guzzetti et al., 1999）。Chang 等（2019）指出，过高分辨率的 DEM 可能反映微地貌变化，而非与滑坡相关的中尺度过程，因此 30 m DEM 可能是较优选择，对应的最小可识别滑坡面积约 0.1 公顷（1 公顷 = 100 m × 100 m）。但另一方面，基于 LiDAR 或无人机（UAV）高分辨率数据下采样生成的 DEM，可在一定程度上提升易发性模型的精度。
在滑坡易发性分析中，研究普遍采用9至18个环境因子（conditioning factors），涵盖五大类：
- (i) DEM派生地形因子（高程、坡度、坡向、曲率等）；
- (ii) 地貌因子（河流距离、排水密度、流能指数、地形湿度指数等）；
- (iii) 地质因子（岩性、基岩深度、断层距离等）；
- (iv) 土地利用与植被因子（NDVI、土地利用类型、太阳辐射等）；
- (v) 其他因素（降雨量、道路距离等）。
因子选择需结合滑坡类型，确保研究对象的同质性，并利用可获取的滑坡编目与诱发机制相关的专题信息进行分析。
大多数研究聚焦于平移型和旋转型滑坡，覆盖从粘土—粉质土到块石等不同地质环境。ML模型训练时，采用滑坡编目数据的70–75%用于训练，剩余数据用于测试。所有研究均采用二元分类（滑坡区L vs. 非滑坡区NL），并在训练与测试阶段确保L与NL样本数量平衡，NL样本从无滑坡区域随机选取。部分研究仅使用滑坡中心点作为L样本，另一些研究使用整个滑坡区域，从而显著增加L样本数量。不同采样策略对滑坡易发性预测的影响可参考Dou等（2020）的讨论。
滑坡易发性图通过将计算出的易发性指数（susceptibility index）划分为3至6个等级，常见的5级分类包括“极低”、“低”、“中等”、“高”、“极高”（Fig. 6）。研究在构建空间数据库、生成滑坡易发性图及评估模型性能时，普遍遵循三个主要阶段：
- （i）因子分析（factor analysis），即选取并计算ML模型的输入输出变量；
- （ii）模型构建（model building），包括ML算法选择、参数校准及滑坡易发性图生成；
- （iii）测试与验证（testing and validation），评估模型表现。
这三个阶段依次进行，但通常包含子步骤与循环迭代，特别是在多个ML算法对比分析以确定最优滑坡易发性图时。
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）（七）