Comparison of Landslide Susceptibility Evaluation by Deep Random Forest and Random Forest Model: A Case Study of Lueyang County, Hanzhong City
-
摘要:
针对浅层的机器学习模型泛化能力低而导致其滑坡易发性评价模型预测精度不高的问题，笔者围绕陕西省汉中市略阳县城中心为研究区，采用深度随机森林构建区域地灾易发性评价模型来提升预测精度。依据略阳县滑坡成灾机理研究成果，选取坡度、相对高差、坡向、坡型、工程地质岩组、断裂距离、水系距离、公路铁路距离、植被覆盖等9个因子作为易发性评价指标；将研究区栅格单元按5 m × 5 m进行划分并提取评价因子值，输入深度随机森林评价模型，从而获得研究区易发性评价图。依据评价结果略阳县地质灾害可划分为极高易发区、高易发区、中易发区、低易发区4个等级，面积所占比例分别为5.31%、22.97%、42.11%、29.61%，其划分结果与研究区内地质灾害实际发育情况吻合，合理反映研究区地灾分布的总体特征。深度随机森林的地质灾害易发性预测模型在ROC曲线下面积值（AUC）为91.2%，高于随机森林预测模型的86.3%，表明该模型具有一定的合理性与可行性，可为区域滑坡易发性评价进一步提供新方法。
Abstract:To address the problem of low prediction accuracy of landslide susceptibility evaluation model due to the difficulty of knowledge reuse and generalization of shallow machine learning model, this paper takes Lueyang County, Hanzhong City, Shaanxi Province as the study area and uses deep random forest to build a regional geological disaster susceptibility evaluation model to improve the prediction accuracy. Firstly, based on the research results of landslide mechanism in Lueyang County, nine factors such as slope, relative height difference, slope direction, slope type, engineering geological rock group, fault distance, river system distance, road and railroad distance, and vegetation cover are selected as susceptibility evaluation indexes; secondly, the study area is divided into 5 m × 5 m raster cells and the values of evaluation factors are extracted and input into the depth random forest evaluation model; finally, the susceptibility evaluation map of the study area is obtained. Based on the evaluation results, geological hazards in Lueyang County can be classified into four levels: very high susceptibility, high susceptibility, medium susceptibility, and low susceptibility, with the proportion of area being 5.31%, 22.97%, 42.11%, and 29.61%. The classification results are consistent with the actual development of geological hazards and reasonably reflect the overall characteristics of geological hazard distribution in the study area. In addition, the area under the ROC curve of the geological hazard susceptibility prediction model of deep random forest is 91.2%, which is higher than 86.3% of the random forest prediction model, indicating that the model is reasonable and feasible, and can provide new ideas for the evaluation of regional landslide susceptibility.
-
Keywords:
- landslide /
- Lueyang County /
- susceptibility evaluation /
- Deep Random Forest Model
-
陕南秦岭山区由于呈高山峡谷特征的地形地貌，岩体因强烈的构造活动及风化作用而十分破碎，且区内软弱变质岩系广泛分布，加上降雨强度大、频率高，导致滑坡、崩塌、泥石流等地质灾害极为发育，严重威胁区内生命、财产安全。因此，针对秦岭山区地质灾害进行大比例尺调查及易发性评价具有重要的实际意义。
滑坡易发性评价是基于统筹考虑多种诱发滑坡灾害发生的各项影响因素之间可能的相互组合关系（向喜琼等，2005），进一步对滑坡灾害发生的概率进行的量化等级划分。因此，进行预测精确度较高的易发性评价对区内避免生命、财产的损失具有决策指导意义。目前，许多定性和定量方法用于滑坡易发性评价，前些年常用的定性方法主要有自然历史分析法、工程地质类比法等（王杰等，2011）。定性法对滑坡易发性评价起到一定的推动作用，但仍存在局限性。定量的方法主要基于机器学习，如决策树（赵建华等，2004）、支持向量机（黄发明等，2018）、贝叶斯（Snoek et al.，2012）、神经网络（邱海军等，2012；邱维蓉等，2020）等。另外，近年来所流行的随机森林法以决策树为基本模型，通过构建不同特征的数据集，经过训练形成一系列具有差异性的决策树模型，由投票得分最多决定结果，具有极强的数据挖掘能力、不易过拟、且对异常值和噪声具有较好容忍度、可获取变量重要性等优点（李亭等，2014；吴孝情等，2017；张向营等，2018；刘坚等，2018；吴润泽等，2021）。
但是，这些传统的机器学习评价方法无法在完成当前训练任务的同时保留对上一个任务的记忆，难以形成知识的复用与泛化，造成易发性评价精度无法极大提升。深度学习是多任务学习，一方面可增强中间层的泛化能力，在不断的学习过程中积累、提高有效的知识表示；另一方面具有知识推理能力，突破了上述传统机器学习评价方法的局限性。有学者采用深度神经网络算法（Saro Leeet al.，2004；Dou et al.，2020）及卷积神经网络算法（Maher et al.，2020；Fang et al.，2020）与传统机器学习算法构建滑坡易发性评价模型并比较其预测结果，结果验证基于深度学习的模型精确度相较于传统机器学习算法有着极大的提升。上述算法需要获得大量的训练样本来构建评价模型，对人力、物力需求较高，限制其广泛的应用。针对此问题，有学者进一步提出深度随机森林算法（Zhou et al.，2017），该算法作为决策树的集成模型，具有较少的参数、深度特征提取和不同数据规模适用性的优势，已被广泛应用于图像分类、图像识别、语音识别等领域。因此，笔者采用深度随机森林算法构建易发性评价模型。
选取合理的评价单元是滑坡易发性评价的基础，目前相关评价常用的单元划分有栅格和斜坡单元。由于研究区位于秦岭深处，冲沟及河道密集分布，若斜坡单元想实现精准划分，难度相当大。另外由于不同斜坡滑坡数据分布不均，特别是存在多个滑坡点分布于同一个斜坡上的现象，当采用深度随机森林进行分析时样本数量偏少且同一斜坡上出现重复计算的现象，会导致评价结果不太合理。故采取栅格作为评价单元。
综上所述，充分考虑与发育滑坡的地方具有相似的环境也同时具有相似的趋势原理，笔者设计能够融合深度随机森林算法优点与栅格评价单元为一体的区域滑坡易发性评价方法，并于随机森林算法相对比，比较滑坡易发性评价预测的精度，为区域滑坡易发性评价提供一个新的方法和视角。
1. 研究区概况与研究方法
1.1 研究区地质概况
研究区位于陕西省汉中市略阳县城的主城区，地理坐标为N 106°3′45″～106°15′00″，E 33°20′00″～33°25′00″（图1），面积约为165.68 km2。地形地貌总体以高山狭谷为主，可进一步分为剥蚀山地和侵蚀与堆积河谷地貌。周边多条强烈活动断裂和不同期次的褶皱发育，以勉县断裂和勉县–洋县断裂带为主。新构造运动继承第三纪末喜马拉雅运动，以上升运动为主，河流不断下切，形成高山狭谷。研究区出露的地层主要有元古界碧口群、震旦系、古生界志留系、泥盆系、石炭系及各期火成岩和新生界第四系。近年来，随着山区城镇化和新农村建设的加快，山区城镇建设规模的扩张，山区城镇建设受到发展空间狭小、城镇建设用地紧缺的限制。因此，削山造地，开挖坡脚等现象势必诱发大量的地质灾害（张茂省等，2019a，2019b）（图2）。
![]()
图 2 研究区灾害示意图a. 略阳县谢家坪村阴坡里滑坡；b. 略阳县碾子湾村何硖路旁崩塌Figure 2. Hazard photographs of researching area西安地质调查中心于2021年完成略阳县1∶50 000地质灾害调查评价及重点区域1∶10000调查评价等工作，研究区内完成滑坡点调查137处（图1），主要分布于剥蚀中山和剥蚀低山区，其中剥蚀低山区有91处滑坡，占总数的66.5%；剥蚀中山区有46处滑坡，占总数的33.5%。滑坡以中小型为主，其中大型滑坡14处，占比为10.22%；中型滑坡69处，占比为50.36%；小型滑坡54处，占比为39.42%，滑坡灾害具有线性分布特点，主要沿嘉陵江、宝成铁路和309省道康勉公路略阳段两侧分布。
1.2 研究方法
1.2.1 深度随机森林算法
深度随机森林算法采用Bagging集成学习方法，对树构成的森林进行集成串联，通过分类器进行特征学习，从而充分利用深度特征提取来提高分类效果。其网络模型结构主要包括多粒度扫描模块（图3a）和级联森林模块（图3b）。
![]()
图 3 深度随机森林模型流程结构（据Zhou， 2017）Figure 3. Process structure illustration of Deep Random Forest Model（1）多粒度扫描模块
设滑坡影响因子数目为n（称为n维），滑动窗口数目为m（称为m维），把滑坡影响因子的n维数据划分为（n−m+1）个数据实例，将它们输入到2个随机森林进行训练，生成k个（k为滑坡易发性等级数目，文中设置4个易发性等级）概率向量，合并结果，获得（n−m+1）×k维概率向量。
（2）级联森林模块
首先将通过粒度扫描模块得到的概率向量输入，在2个随机森林（图3b中的黑色部分）和2个完全随机森林（图3b中的蓝色部分）进行训练。随机森林和完全随机森林使用基尼指数（Gini index，简称Gini）进行树的节点分裂，其公式为：
$$ {G}{i}{n}{i}\left({D}\right)=1-\sum _{{i}}^{{k}}{{p}}_{{i}}^{2} $$ (1) 式中：D是空间数据库的样本数据集，pi是该样本集中记录属于ki（表示极高易发、高易发、中易发、低易发和极低易发）种类的概率，并用
$|k_{i, D}| /|D|$ 进行计算。$$ {{G}{i}{n}{i}}_{{A}}\left({D}\right)=\frac{{︱}{{D}}_{1}{︱}}{{︱}{D}{︱}}{G}{i}{n}{i}\left({{D}}_{1}\right)+\frac{{︱}{{D}}_{2}{︱}}{{︱}{D}{︱}}{G}{i}{n}{i}\left({{D}}_{2}\right) $$ (2) 式中：A是空间数据库中滑坡影响因子属性，按照滑坡影响因子属性A将样本集进一步分为D1、D2。对于离散属性A，选择该属性最小基尼指数的子集作为它的分裂指数。
每个森林生成一个k维的概率向量与原始的概率向量［2×（n−m+1）×k］合并作为下一级联层的输入并采用K折交叉验证方法进行训练，避免出现过拟合。其计算公式如下：
$$ {\beta }=\frac{\displaystyle \sum _{{i}=1}^{{n}}{{Q}}_{{i}}}{{p}} $$ (3) 式中：p为数据集划分子集的个数，Qi为第i次划分的结果。在训练过程中级联层依次迭代，直到分类精度相较于未扩展前（称最大级联层数）没有显著提高，训练过程终止，从而构建基于深度森林的滑坡易发性评价模型。
1.2.2 数据来源
笔者所采用的滑坡详细调查数据来源于秦岭南部地区灾害地质调查项目2020年开展的略阳县幅1∶50 000及1∶10 000地质灾害调查成果。针对该区域进行易发性评价所采用的基础数据来源于陕西省测绘局（包括1∶50 000和1∶10 000地形图及DEM数据），用于提取高程、坡度、相对高差、坡向、坡型、水系、公路铁路等信息；地层岩性及断裂分布等图件来源于中国地质调查局西安地质调查中心，植被归一化指数的数据来源于中国科学院资源环境科学数据中心。
2. 评价因子选取及分级
2.1 评价因子选取
滑坡受多种因素影响，在野外调查及滑坡灾害信息编录的基础上，依据地质灾害形成的控制因素、影响因素、诱发因素、变形迹象、已有地质灾害等5大类多源数据，主要利用已有地质灾害发生前和发生后对比数据，设计建立训练数据集（张茂省等，2019a，2019b），结合研究区地质环境条件，调研前人对与研究区类似的地质条件进行滑坡发生机理及影响因素的相关文献（张春山等，2008；张永双等，2011；孟庆华，2011；邱海军，2012；王涛等，2013；周样样，2013；周静静等，2019；吴常润等，2020），选取9类评价因子，分别为坡度、相对高差、坡向、坡型、工程地质岩组、断裂距离、河流水系距离、公路铁路距离、植被归一化指数等。各因子的等级划分见图4。
![]()
图 4 滑坡与单评价因子分类图Figure 4. The landslides division and evaluation factors classification2.2 评价因子分级
基于选择的9类评价因子及分区进行信息量计算，结合研究区总面积（S）为165.68km2，滑坡点总数（N）为137个，得到各评价因子分区面积（Si）、各评价因子灾害点数（Ni）及各评价因子（Ii）等（表1）。
表 1 各评价因子信息量表Table 1. Weighted information values of individual evaluation factors因子 分级 Si（km2） Ni（个） Ii 坡度 ＜10° 10.535625 8 −0.085244 10°～20° 13.3961 21 0.639636 20°～30° 35.77955 46 0.441342 30°～40° 54.226925 38 −0.165514 40°～50° 38.6219 12 −0.978836 ＞50° 13.119575 12 0.100879 相对高差 16～175 m 24.930925 53 0.944260 175～238 m 55.38815 46 0.004353 238～300 m 49.224425 29 −0.339017 300～379 m 26.43665 8 −1.005232 379～605 m 9.6986 1 −2.081904 坡向 0～45° 23.746850 21 0.067150 45°～90° 21.137625 23 0.274517 90°～135° 17.924900 10 −0.393528 135°～180° 18.869250 14 −0.108399 180°～225° 20.641625 26 0.420864 225°～275° 22.018400 18 −0.011429 275°～315° 20.152475 13 −0.248300 315°～360° 21.185550 12 −0.378335 曲率 ＜−0.5（凹形坡） 11.1099 12 0.267147 −0.5～0.5
（直线形坡）143.597 119 0.002190 ＞0.5（凸形坡） 10.969775 6 −0.413307 工程地质岩组 坚硬岩组 65.882425 40 −0.308915 半坚硬岩组 29.980725 13 −0.645528 软硬相间岩组 58.766425 46 −0.054852 松散岩组 11.050425 39 1.451170 距断裂距离 ＜100 m 31.79 26 −0.010915 100～200 m 25.87 26 0.195167 200～500 m 49.79 53 0.252595 500～1000 m 34.60 23 −0.218224 ＞1000 m 23.64 9 −0.775554 距河流水系
距离＜200 m 69.69 86 0.400425 200～400 m 52.38 31 −0.334384 400～600 m 27.98 17 −0.308056 600～800 m 11.37 1 −2.240549 ＞800 m 4.28 2 −0.569794 距公路、铁路
距离＜100 m 18.99 58 1.306584 100～500 m 46.12 41 0.072488 500～1000 m 38.06 14 −0.809915 1000～1500 m 26.29 11 −0.681226 ＞1500 m 36.23 13 −0.834794 NDVI −0.41～0.07 1.88 0 0.07～0.32 7.64 26 1.415100 0.32～0.52 26.25 56 0.947905 0.52～0.68 91.74 50 −0.416840 0.68～0.84 38.18 5 −1.842838 统计结果显示（表1），在坡度评价因子中，10°～40°区间为滑坡多发区，滑坡数量为105处，占全部滑坡的76.64%；在相对高差评价因子中，高差300 m以内为滑坡多发区，滑坡数量为128处，占全部滑坡的93.43%；在坡向评价因子中，滑坡分布较为平均；在曲率评价因子中，直线型坡滑坡为119处，占全部滑坡的86.86%；在工程地质岩组评价因子中，坚硬岩组、软硬相间岩组、松散岩组发生的滑坡为125处，占全部滑坡的91.24%，这里值得一提的是，坚硬岩组发生40处滑坡，主要是由于表层堆积层滑坡沿节理或基覆界面所发生；在断裂距离评价因子中，距离1000 m以内发生滑坡共128处，占全部滑坡的93.43%；在水系距离评价因子中，距离400 m以内发生滑坡共117处，占全部滑坡的85.40%；在公路铁路距离评价因子中，距离1000 m以内发生滑坡共113处，占全部滑坡的82.48%；在NDVI植被归一化指数中，＜0.68为发生滑坡的主要区域，共发生滑坡132处，占全部滑坡的96.35%。
3. 滑坡易发性评价
笔者将研究区栅格文件按照5m × 5m进行划分，共分割成6627144个栅格。每个栅格看作一个点，分别从研究区的9个评价因子中提取数据。样本数据中滑坡与非滑坡的比例将影响模型的特征学习，一个平衡的比例使模型精确度达到最优值。笔者获取137处滑坡点为滑坡样本数据集，依据研究人员的经验，选取142处非滑坡点作为非滑坡样本数据集，随后随机从137处滑坡点和142处非滑坡点构成的样本集中抽取70%作为训练样本集，30%作为测试样本集。为避免非滑坡区样本选取时易将潜在滑坡视为非滑坡而造成的误差（刘坚等，2018），通过对各因子分级的信息量数据进行分析，人工从低易发区选取非易发点。在这过程当中，提取所有栅格单元的评价因子值并进行归一化处理。
通过Arcpy接口，传输ArcGIS各单因子评价数据于Python语言环境内并使其实现核完成随机森林算法和深度随机森林算法预测，再将算法结果数据从Python语言环境中传输回ArcGis10.5软件进行易发性评价。在地质灾害相关评价中，针对栅格赋值并归一化后的离散数据常用的分区方法有自然断点法（邱维蓉等，2020）、基于数理统计的自然拐点法（王佳运等，2020）、百分位数法（吴孝情等，2017）、相等间隔法（田春山等，2016）等。在空间统计分析中，自然断点法以自然（或非人为设定）的转折点和断点为分区界线，实现将研究对象分成性质相似的群组，实现每一组内部数据的相似性最大。基于数理统计的自然拐点法其思想和自然断点法类似，都是寻找数值中间的自然转折点，但该方法在针对归一化的海量数据求导后，存在拐点阈值难以界定的问题，虽然可以通过Matlab或Pyhton的帮助而找到拐点，但这个过程是将求导后的数据结果进行曲线拟合而完成，在拟合过程中存在一定的数据偏离。百分位数法和相等间隔法是通过人为确定数值的间隔来完成分区，掺杂一定的主观性，难以客观体现出不同区域边坡的易发性。因此，笔者选择自然断点法来完成易发性分区（图5、图6），通过栅格统计工具，完成易发性评价等级的相关统计分析。
![]()
图 5 略阳县随机森林滑坡易发性评价图Figure 5. Landslide susceptibility assessment map of Lueyang County base on Random Forest Model![]()
图 6 略阳县深度随机森林滑坡易发性评价图Figure 6. Landslide susceptibility assessment map of Lueyang County base on Deep Random Forest Model通过上述步骤分别得到随机森林易发性评价图（图5）和深度随机森林易发性评价图（图6），按自然资源部中国地质调查局地质调查技术标准（DD 2019–08）——地质灾害调查技术要求（1∶50 000），将研究区分为极高易发区、高易发区、中易发区及低易发区。
据ArcGIS分区统计显示，随机森林易发性评价图内，极高易发区的面积为5.32 km2，占比为3.21%，发生滑坡数量为22个；高易发区面积为18.63 km2，占比为11.24%，发生滑坡数量为40个；中易发区面积为114.65 km2，占比为69.20%，发生滑坡数量为74个；低易发区面积为27.08 km2，占比为16.34%，发生滑坡数量为1个。
深度随机森林易发性评价图内，极高易发区面积为8.8 km2，占比为5.31%，发生滑坡数量为27个；高易发区面积为38.05 km2，占比为22.97%，发生滑坡数量为62个；中易发区面积为69.77 km2，占比为42.11%，发生滑坡数量为41个；低易发区面积为49.06 km2，占比为29.61%，发生滑坡数量为7个。
将随机森林和深度随机森林法所得到的易发性分区结果与滑坡分布的实际情况做对比（表2），是一种常用的对评价结果初步检验（薛强，2015）。随易发性等级的提高，各等级中所包含的滑坡数量同步递增，同时滑坡实际发生的比率（c/a）也在增大，说明这2种方法所得出的易发等级与滑坡发生的实际情况基本吻合，划分结果较为理想。
表 2 易发性等级划分与滑坡实际发生比率对比表Table 2. Comparison of susceptibility classification and actual landslide occurrence rate评价
方法易发性
等级a
易发分区面积占比（%）b
分区滑坡数量c
滑坡百分比（%）c/a
滑坡发生比率随机森林 低 16.34 1 0.73 0.04 中 69.21 74 54.01 0.78 高 11.24 40 29.20 2.60 极高 3.21 22 16.06 5.00 深度
随机森林低 29.61 7 5.11 0.17 中 42.11 41 29.93 0.71 高 22.97 62 45.26 1.97 极高 5.31 27 19.71 3.71 极高易发区和高易发区主要分布于中低山区与河谷接壤地带，地层由松散岩组的坡积层碎石土和软硬相间岩组如片岩、千枚岩、板岩等构成，工程地质条件属于强度较低，稳定性较差。其中坡积层较为松散，利于地表水入渗，下伏基岩又起到阻水作用。因此，在该层中储存的孔隙水易导致坡体失稳、破坏而形成滑动或滑塌。软硬相间的岩组更多受强烈活动的断裂和多期褶皱的影响，造成地表破碎，节理裂隙发育，为孕灾提供了物质基础。加上人类工程活动在河谷两岸，削坡修建四通八达的公路网、铁路及房屋，特别是嘉陵江两岸、宝成铁路与省道公路沿线均容易由于边坡失稳而导致滑坡形成。
4. 评价结果验证分析
不论是随机森林法还是深度随机森林法，所得到的易发性分区结果都基本与研究区的地貌、构造、工程地质岩组、人类活动等有着强烈的联系，它们的滑坡分布趋势是相一致的。在此引进一个衡量易发性分区评价的检验指标，来对这2种方法的优劣性进行分析。
在地质灾害易发性评价中，前人常使用ROC（Receiver Operating Characteristic Curve）曲线对分区结果进行验证，通过计算AUC（Area Under Curve）值来评价区划结果的准确性（Chung et al.，2003；孟晓捷等，2022）。笔者在采用ROC曲线进行对比时，y轴表示把实际为真值（滑坡）的预测为真值（滑坡）的概率；x轴表示把实际为假值（非滑坡）的预测为真值（滑坡）的概率，采用构图法描绘危险性和特异性的相互关系。随后得到ROC曲线内的面积，即AUC值。当AUC≤0.5，表明评价模型的预测能力无效；当0.5＜AUC≤0.7，表明评价模型的预测能力具有一定的准确性；当0.7＜AUC≤0.9，表明评价模型的预测能力具有较好的准确性；当AUC≥0.9，表明评价模型的预测能力较高。
在模型验证过程中，按照上节的训练集与测试集的比例，从样本集中随机抽5组训练集与测试集；接着依据5组测试集中真实值与预测值，计算每组RF与DRF的AUC值，求这5组的平均值，即获得RF和DRF的AUC值分别为86.3%和91.2%，从而绘制ROC曲线（图7）。
![]()
图 7 深度随机森林与随机森林易发性评价ROC曲线对比图Figure 7. DRF and RF Mode ROC Curve Comparison on Landslide susceptibility assessment基于随机森林和深度随机森林的滑坡预测模型的AUC值都高于0.7，说明这2个模型的预测能力具有一定的准确性。深度随机森林评价模型的AUC值比随机森林高出4.9%，因此深度随机森林的模型预测精确度略高于随机森林模型。其产生的原因是：虽然随机森林和深度随机森林都采用集成学习方法，但是随机森林只是同时训练多个决策树，使用类似投票方式获取最终结果来提高预测精确度；而深度随机森林通过多粒度扫描技术，其特征学习能力得到进一步的提升。另外深度随机森林采用K折交叉验证方法避免过拟合，从而提高了滑坡危险性评价易发性评价模型的精确度。
5. 结论
（1）笔者以秦岭山区腹地汉中市略阳县城主区域为研究对象，在1∶5万及1∶1万调查基础上，选取坡度、相对高差、坡向、坡型、工程地质岩组、断裂距离、河流水系距离、公路铁路距离及NDVI植被归一化指数等9个要素作为易发性评价指标。基于ArcGIS平台和随机森林及深度随机森林的融合，将评价结果进一步分为极高易发区、高易发区、中易发区和低易发区。经ROC曲线验证，深度随机森林评价模型预测精度达到91.2%。其评价结果具有一定的可行性及科学合理性。
（2）研究区内滑坡点共有137处，主要分布于剥蚀中山、低山区。剥蚀低山区有91处滑坡，占总数的66.5%；剥蚀中山区有46处滑坡，占总数的33.5%。滑坡以中小型为主，其中大型滑坡14处，占比为10.22 %；中型滑坡69处，占比为50.36%；小型滑坡54处，占比为39.42%。极高易发区、高易发区主要分布于嘉陵江两岸、宝成铁路与省道公路沿线，地貌类型为秦岭中低山区，工程地质岩组主要为松散岩组及软硬相间岩组，距断裂500 m以内，距河流水系400 m以内，距公路铁路等工程活动500 m以内的地区。
-
![]()
图 2 研究区灾害示意图
a. 略阳县谢家坪村阴坡里滑坡；b. 略阳县碾子湾村何硖路旁崩塌
Figure 2. Hazard photographs of researching area
![]()
图 3 深度随机森林模型流程结构（据Zhou， 2017）
Figure 3. Process structure illustration of Deep Random Forest Model
![]()
图 4 滑坡与单评价因子分类图
Figure 4. The landslides division and evaluation factors classification
![]()
图 5 略阳县随机森林滑坡易发性评价图
Figure 5. Landslide susceptibility assessment map of Lueyang County base on Random Forest Model
![]()
图 6 略阳县深度随机森林滑坡易发性评价图
Figure 6. Landslide susceptibility assessment map of Lueyang County base on Deep Random Forest Model
![]()
图 7 深度随机森林与随机森林易发性评价ROC曲线对比图
Figure 7. DRF and RF Mode ROC Curve Comparison on Landslide susceptibility assessment
表 1 各评价因子信息量表
Table 1 Weighted information values of individual evaluation factors
因子 分级 Si（km2） Ni（个） Ii 坡度 ＜10° 10.535625 8 −0.085244 10°～20° 13.3961 21 0.639636 20°～30° 35.77955 46 0.441342 30°～40° 54.226925 38 −0.165514 40°～50° 38.6219 12 −0.978836 ＞50° 13.119575 12 0.100879 相对高差 16～175 m 24.930925 53 0.944260 175～238 m 55.38815 46 0.004353 238～300 m 49.224425 29 −0.339017 300～379 m 26.43665 8 −1.005232 379～605 m 9.6986 1 −2.081904 坡向 0～45° 23.746850 21 0.067150 45°～90° 21.137625 23 0.274517 90°～135° 17.924900 10 −0.393528 135°～180° 18.869250 14 −0.108399 180°～225° 20.641625 26 0.420864 225°～275° 22.018400 18 −0.011429 275°～315° 20.152475 13 −0.248300 315°～360° 21.185550 12 −0.378335 曲率 ＜−0.5（凹形坡） 11.1099 12 0.267147 −0.5～0.5
（直线形坡）143.597 119 0.002190 ＞0.5（凸形坡） 10.969775 6 −0.413307 工程地质岩组 坚硬岩组 65.882425 40 −0.308915 半坚硬岩组 29.980725 13 −0.645528 软硬相间岩组 58.766425 46 −0.054852 松散岩组 11.050425 39 1.451170 距断裂距离 ＜100 m 31.79 26 −0.010915 100～200 m 25.87 26 0.195167 200～500 m 49.79 53 0.252595 500～1000 m 34.60 23 −0.218224 ＞1000 m 23.64 9 −0.775554 距河流水系
距离＜200 m 69.69 86 0.400425 200～400 m 52.38 31 −0.334384 400～600 m 27.98 17 −0.308056 600～800 m 11.37 1 −2.240549 ＞800 m 4.28 2 −0.569794 距公路、铁路
距离＜100 m 18.99 58 1.306584 100～500 m 46.12 41 0.072488 500～1000 m 38.06 14 −0.809915 1000～1500 m 26.29 11 −0.681226 ＞1500 m 36.23 13 −0.834794 NDVI −0.41～0.07 1.88 0 0.07～0.32 7.64 26 1.415100 0.32～0.52 26.25 56 0.947905 0.52～0.68 91.74 50 −0.416840 0.68～0.84 38.18 5 −1.842838 
下载: 导出CSV
表 2 易发性等级划分与滑坡实际发生比率对比表
Table 2 Comparison of susceptibility classification and actual landslide occurrence rate
评价
方法易发性
等级a
易发分区面积占比（%）b
分区滑坡数量c
滑坡百分比（%）c/a
滑坡发生比率随机森林 低 16.34 1 0.73 0.04 中 69.21 74 54.01 0.78 高 11.24 40 29.20 2.60 极高 3.21 22 16.06 5.00 深度
随机森林低 29.61 7 5.11 0.17 中 42.11 41 29.93 0.71 高 22.97 62 45.26 1.97 极高 5.31 27 19.71 3.71
下载: 导出CSV
-
黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程地质学报, 2018, 37(1): 156-167 HUANG Faming, YIN Kunlong, JIANG Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(1): 156-167.
李亭, 田原, 邬伦, 等. 基于随机森林方法的滑坡灾害危险性区划[J]. 地理与地理信息科学, 2014, 30(6): 25-30 doi: 10.3969/j.issn.1672-0504.2014.06.006 LI Ting, TIAN Yuan, WU Lun, et al. Landslide susceptibility Mapping Using Random Forest[J]. Geography and Geo-Information Science, 2014, 30(6): 25-30. doi: 10.3969/j.issn.1672-0504.2014.06.006
刘坚, 李树林, 陈涛, 等. 基于优化随机森林模型的滑坡易发性评价[J]. 武汉大学学报·信息科学版, 2018, 43(7): 1085-1091 LIU Jian, LI Shulin, CHEN Tao, et al. Landslide Susceptibility Assesment Based on Optimized Random Forest Model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1085-1091.
孟庆华. 秦岭山区地质灾害风险评估方法研究—以陕西凤县为例[D]. 北京: 中国地质科学院, 2011 MENG Qinghua. Study on the Methods of Geo-hazards Risk Assessment in Qinling Mountain: A case studyof Feng County, Baoji City, Shaanxi Province[D]. Beijing: Chinese Academy of Geological Sciences, 2011.
孟晓捷, 张新社, 曾庆铭, 等. 基于加权信息量法的黄土滑坡易发性评价——以1: 5万天水市麦积幅为例[J]. 西北地质, 2022, 55(2): 249-259 MENG Xiaojie, ZHANG Xinshe, ZENG Qingming, et al. The Susceptibility Evaluation of Loess Landslide Based on Weighted Information Value Method—Taking 1: 50000 Map of Maiji District of Tianshui City As an Example[J]. Northwestern Geology, 2022, 55(2): 249-259.
邱海军. 区域滑坡崩塌地质灾害特征分析及其易发性和危险性评价研究——以宁强县为例[D]. 西安: 西北大学, 2012: 83 QIU Haijun. Study on the Regional Landslide Characteristic Analysis and Hazard Assessment: A case study of Ningqiang County[D]. Xi’an: Northwest University, 2012: 83.
邱维蓉, 吴帮玉, 潘学树, 等. 几种聚类优化的机器学习方法在灵台县滑坡易发性评价中的应用[J]. 西北地质, 2020, 53(1): 222-233 QIU Weirong, WU Bangyu, PAN Xueshu, et al. Application of Several Cluster-optimization-based Machine Learning Methods in Evaluation of Landslide Susceptibility in Lingtai County[J]. Northwestern Geology, 2020, 53(1): 222-233.
田春山, 刘希林, 汪佳, 等. 基于CF和Logistic回归模型的广东省地质灾害易发性评价[J]. 水文地质工程地质, 2016, 43(6): 154-170 TIAN Chunshan, LIU Xilin, WANG Jia. et al. Geohazard susceptibility assessmentbased on CF model and Logistic Regression models in Guangdong[J]. Hydrogeology & Engineering Geology, 2016, 43(6): 154-170.
王佳运, 毕俊擘, 杨旭东, 等. 山西吕梁山区城镇边坡风险分级与优化[J]. 地质通报, 2020, 39(12): 2004-2012 doi: 10.12097/j.issn.1671-2552.2020.12.014 WANG Jiayun, BI Junbo, YANG Xudong, et al. Risk classification and optimization of to-wn side slope in Lüliang Mountain[J]. Geological Bulletin of China, 2020, 39(12): 2004-2012. doi: 10.12097/j.issn.1671-2552.2020.12.014
王杰, 马凤山, 郭捷, 等. 一种改进的区域滑坡危险性评价模型及其应用[J]. 中国地质灾害与防治学报, 2011, 22(2): 14-19 doi: 10.3969/j.issn.1003-8035.2011.02.003 WANG Jie, MA Fengshan, GUO Jie, et al. An improved regional landslide hazard assessment, model and its application[J]. The Chinese Journal of Geological Hazard and Control, 2011, 22(2): 14-19. doi: 10.3969/j.issn.1003-8035.2011.02.003
王涛, 吴树仁, 石菊松, 等. 秦岭中部太白县地质灾害发育特征及危险性评估[J]. 地质通报, 2013, 32(12): 1976-1983 WANG Tao, WU Shuren, SHI Jusong, et al. Case Study Of Landslide Characteristics And Hazard Assessment In Taibai County, Central Qinling Mountains[J]. Geological Bulletinof China, 2013, 32(12): 1976-1983.
吴常润, 赵冬梅, 刘澄静, 等. 基于GIS和信息量模型的陇川县滑坡易发性评价[J]. 西北地质, 2020, 53(2): 308-320 WU Changrun, ZHAO Dongmei, LIU Chengjing, et al. Landslide Susceptibility Assessment of Longchuan County Based on GIS and Information Value Model[J]. NorthwesternGeology, 2020, 53(2): 308-320.
吴润泽, 胡旭东, 梅红波, 等. 基于随机森林的滑坡空间易发性评价: 以三峡库区湖北段为例[J]. 地球科学, 2021, 46(1): 321-330 WU Runze, HU Xudong, MEI Hongbo, et. al. Spatial Susceptibility Assessment of Landslides Based on Random Forest: A Case Study from Hubei Section in the Three Gorges Reservoir Area[J]. Earth Science, 2021, 46(1): 321-330.
吴孝情, 赖成光, 陈晓宏, 等. 基于随机森林权重的滑坡危险性评价: 以东江流域为例[J]. 自然灾害学报, 2017, 26(5): 119-129 WU Xiaoqing, LAI Chengguang, CHEN Xiaohong, et al. A landslide hazard assessment based on random forestweight: a case study in the Dongjiang River Basin[J]. Journal of Natural Disarsters, 2017, 26(5): 119-129.
向喜琼. 区域滑坡地质灾害危险性评价与风险管理[D]. 成都: 成都理工大学, 2005: 22 XIANG Xiqiong. Regional Landslide Hazard Assessment and Risk Management[D]. Chengdu: Chengdu University of Technology, 2005: 22.
薛强, 张茂省, 李林等. 基于斜坡单元与信息量法结合的宝塔区黄土滑坡易发性评价[J]. 地质通报, 2015, 34(11): 2108-2115 XUE Qiang, ZHANG Maosheng, LI Lin. Loess landslide susceptibility evaluation based on slope unit and information value method in Baota District, Yan’an. Geological Bulletin of China, 2015, 34(11): 2108-2115.
张春山, 韩金良, 孙炜锋, 等. 陕西陇县地质灾害危险性分区评价[J]. 地质通报, 2008, 27(11): 1795-1801 doi: 10.3969/j.issn.1671-2552.2008.11.006 ZHANG Chunshan, HAN Jinliang, SUN Weifeng, et al. Assessments of geohazard danger zoning in Longxian County, Shaanxi, China[J]. Geological Bulletin of China, 2008, 27(11): 1795-1801. doi: 10.3969/j.issn.1671-2552.2008.11.006
张茂省, 贾俊, 王毅, 等. 基于人工智能(AI)的地质灾害防控体系建设[J]. 西北地质, 2019a, 52(2): 103-116 ZHANG Maosheng, JIA Jun, WANG Yi, et. al. Construction of Geological Disarster Prevention and Control System Based on AI[J]. Northwestern Geology, 2019a, 52(2): 103-116.
张茂省, 薛强, 贾俊, 等. 山区城镇地质灾害调查与风险评价方法及实践[J]. 西北地质, 2019b, 52(2): 125-135 doi: 10.19751/j.cnki.61-1149/p.2019.02.013 ZHANG Maosheng, XUE Qiang, JIA Jun, et. al. Methods and Practice for the Investigationand Risk Assessment of Geo-hazards in Mountains Towns[J]. Northwestern Geology, 2019b, 52(2): 125-135. doi: 10.19751/j.cnki.61-1149/p.2019.02.013
张向营, 张春山, 孟华君, 等. 基于Random Forest和AHP的贵德县北部山区滑坡危险性评价[J]. 水文地质工程地质, 2018, 45(4): 142-149 ZHANG Xiangying, ZHANG Chunshan, MENG Huajun, et al. Landslide hazard evaluation in the northern mountainous area of Guide County based on Random Forest and AHP[J]. Hydrogeology & Engineering Geology, 2018, 45(4): 142-149.
张永双, 苏生瑞, 吴树仁, 等. 强震区断裂活动与大型滑坡关系研究[J]. 岩石力学与工程学报, 2011, 30(增刊2): 3503-3513 ZHANG Yongshuang, SU Shengrui, WU Shuren, et al. Research On Relationship Between Fault Movement And Large-Scale Landslide In Intensive Earthquake Region[J]. Chinese Journalof Rock Mechanics and Engineering, 2011, 30(Sup. 2): 3503-3513.
赵建华, 陈汉林, 杨树峰, 等. 基于决策树算法的滑坡危险性区划评价[J]. 浙江大学学报(理学版), 2004, 31(4): 465-470 ZHAO Jianhua, CHEN Hanlin, YANG Shufeng, et al. Landslide risk assessment based on decision tree arithmetic[J]. Journal of Zhejiang University (Science Edition), 2004, 31(4): 465-470.
周静静, 赵法锁, 李辉, 等. 陕西省地质灾害与影响因素相关性研究[J]. 灾害学, 2019, 34(2): 228-234 doi: 10.3969/j.issn.1000-811X.2019.02.041 ZHOU Jingjing, ZHAO Fasuo, LI Hui, et al. Correlational Research Between Geological Hazards and impact Factors in Shaanxi Province[J]. Journal of Catastrophology, 2019, 34(2): 228-234. doi: 10.3969/j.issn.1000-811X.2019.02.041
周样样. 陕南地区强降雨条件下突发型地质灾害成因机制研究[D]. 西安: 长安大学, 2013 ZHOU Yangyang. Study on Formation Mechanism of Abrupt Geological Hazards of Southern Shaanxi Region in Condition of Strong Rainstorm[D]. Xi’an: Chang’an University, 2013.
Chung C J F, Fabbri A G. Validation of spatial prediction modelsfor landslidehazard mapping[J]. Natural Hazards, 2003, 30(3): 451-472. doi: 10.1023/B:NHAZ.0000007172.62651.2b
Dou J , Yunus A P , Merghadi A , et al. Different sampling strategies for predicting landslide susceptibilities are deemed less consequential with deep learning[J]. Science of the Total Environment, 2020, 720: 137320. https://doi.org/10.1016/j.scitotenv.2020.137320
Maher Ibrahim Samee, Biswajeet Pradhana, Saro Lee, et al. Application of convolutional neural networks featuring Bayesian optimization for landslide susceptibility assessment[J]. Catena, 2020, 186: 10424. https://doi.org/10.1016/j.catena.2019.104249
Saro, Lee, Joo Hyung Ryu, Joong Sun Won, et al. Determination and application of the weights for landslide susceptibility mapping using an artificial neural network[J]. Engineering Geology, 2004, 71(3-4): 289-302. doi: 10.1016/S0013-7952(03)00142-X
Snoek J, Larochelle H, Adams R P. et al. Practical Bayesian Optimization of Machine Learning Algorithms[J]. Advances in Neural Information Processing Systems, 2012, 4: 1–12.
Fang Zhice, Wang Yi , Ling Peng, et al. Integration of convolutional neural network and conventional machine learning classifiers for landslide susceptibility mapping[J]. Computer & Geosciencees, 2020, 139: 104470. https://doi.org/10.1016/j.cageo.2020.104470
Zhou Zhihua, Ji Feng. Deep Forest: Towards An Alternative to Deep Neural Networks[J]. Statistics, 2017, 71(3–4): 289–302.
-
期刊类型引用(13)
1. 赵婕. 基于多源遥感的土壤有机碳预测方法研究. 中国资源综合利用. 2025(02): 46-49 . 
百度学术
2. 李光明，杨玉飞，唐亚明，王小浩，尹春旺，冯凡，周永恒. 数据驱动模型评价滑坡易发性的对比研究：以黄河中游流域为例. 西北地质. 2025(02): 51-65 . 本站查看
3. 胡祥祥，石亚亚，胡良柏，吴涛，庞栋栋，刘帅令，宋宝. 融合InSAR与信息量–机器学习耦合模型的黄土滑坡易发性评价. 西北地质. 2025(02): 159-171 . 本站查看
4. 林琴，郭永刚，吴升杰，臧烨祺，王国闻. 基于梯度提升的优化集成机器学习算法对滑坡易发性评价：以雅鲁藏布江与尼洋河两岸为例. 西北地质. 2024(01): 12-22 . 本站查看
5. 贾丽娜，陈世昌. 基于AHP和GIS的舟曲地质灾害易发性评价. 西北地质. 2024(01): 23-33 . 本站查看
6. 王本栋，李四全，许万忠，杨勇，李永云. 基于3种不同机器学习算法的滑坡易发性评价对比研究. 西北地质. 2024(01): 34-43 . 本站查看
7. 蔡文权，李建颖. 开挖和降雨耦合诱发工程边坡地质隐患易发性分析. 云南地质. 2024(01): 98-104 . 百度学术
8. 王郭艳 ，林建平 ，王阳 . 基于可解释随机森林的场地放大系数估算方法研究. 河南城建学院学报. 2024(03): 29-36 . 百度学术
9. 王宇栋，刘娟，解晋航，李章杰，张小亮，张杰，梁形形. 半山区滑坡灾害易发性评价——GIS支持下基于CF与Logistic耦合模型. 华北地质. 2024(02): 45-53 . 百度学术
10. 党政西. 基于随机森林算法的淠河总干渠河湖生态系统健康评价方法. 水利技术监督. 2024(07): 155-158 . 百度学术
11. 周浩，朱平华，蒋宏伟，俞宏艳，沈心怡. 逻辑回归优化的静—动态耦合模型在滑坡位移预测中的应用. 资源环境与工程. 2024(04): 446-456 . 百度学术
12. 杨冰颖，缪海波，马闯，崔玉龙. 基于多模型耦合的永嘉县滑坡易发性评价. 河南城建学院学报. 2024(04): 91-99+127 . 百度学术
13. 刘金沧，王欢欢，李云，杨婷. 基于支持向量机的华南斜坡类地质灾害易发性评价：以肇庆市怀集县为例. 时空信息学报. 2024(06): 785-794 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 113
- HTML全文浏览量: 23
- PDF下载量: 33
- 被引次数: 21
