基于Adaboost算法的滑坡預(yù)測(cè)模型研究

孟 欣

（重慶交通大學(xué)土木工程學(xué)院，重慶 400074）

1 引言

根據(jù)中國(guó)地質(zhì)環(huán)境信息網(wǎng)發(fā)布的《全國(guó)地質(zhì)災(zāi)害通報(bào)》數(shù)據(jù)統(tǒng)計(jì)[1]，中國(guó)2018、2019年度發(fā)生的地質(zhì)災(zāi)害分別為2966起、6181起，滑坡占比分別為55%、68.27%，可見(jiàn)滑坡災(zāi)害是中國(guó)當(dāng)前最嚴(yán)重的地質(zhì)災(zāi)害。

近年來(lái)學(xué)者們提出了多個(gè)滑坡預(yù)測(cè)模型，如：黃發(fā)明（2017）[2]Extreme Learning Machine，ELM滑坡位移組合預(yù)測(cè)模型；李麟瑋等（2018）[3]GWO-MIC-SVR滑坡位移預(yù)測(cè)模型等。隨著軟件技術(shù)以及機(jī)器學(xué)習(xí)算法的發(fā)展，也開(kāi)始有學(xué)者研究基于機(jī)器學(xué)習(xí)的滑坡災(zāi)害空間預(yù)測(cè)技術(shù)。

機(jī)器學(xué)習(xí)算法中，目前主要有：最近鄰分類算法、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)、支持向量機(jī)(Support Vector Machine,SVM)等，但利用Adaboost算法進(jìn)行滑坡預(yù)測(cè)的研究還比較少。本文選取對(duì)滑坡影響較大的降雨、地震因素來(lái)開(kāi)展基于Adaboost算法的滑坡預(yù)測(cè)模型研究。

2 Adaboost算法原理

Adaboost是英文“Adaptive Boosting”的縮寫，算法中不同的訓(xùn)練集是通過(guò)調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)的：開(kāi)始時(shí)，每個(gè)樣本對(duì)應(yīng)的權(quán)重是相同的，在此樣本分布下訓(xùn)練出一弱分類器。對(duì)于分類錯(cuò)誤的樣本，加大其對(duì)應(yīng)的權(quán)重；而對(duì)于分類正確的樣本，降低其權(quán)重。這樣，分錯(cuò)的樣本就被突出出來(lái)，從而得到一個(gè)新的樣本分布。在新的樣本分布下，再次對(duì)弱分類器進(jìn)行訓(xùn)練，得到一個(gè)新的弱分類器。依次類推，經(jīng)過(guò)T次循環(huán)，得到T個(gè)弱分類器，把這T個(gè)弱分類器按一定的權(quán)重疊加起來(lái)，得到最終理想的強(qiáng)分類器。

Adaboost算法的計(jì)算過(guò)程如下：

1）權(quán)值初始化：給訓(xùn)練樣本中的每組數(shù)據(jù)賦予一個(gè)初始權(quán)值。

2）迭代計(jì)算：第 t 輪迭代中，使用權(quán)值分布Dt訓(xùn)練樣本數(shù)據(jù)，得到第t個(gè)弱分類器Gt(x)，計(jì)算Gt(x)在訓(xùn)練樣本數(shù)據(jù)上的誤差率εt、系數(shù)αt，以及函數(shù)f t(x)，從而得到第t個(gè)弱分類器：

3）得到最終強(qiáng)分類器：如此往復(fù)訓(xùn)練，直到第 t=T 輪迭代后將數(shù)據(jù)全部分類正確時(shí)為止，得到最終強(qiáng)分類器：

3 Adaboost算法滑坡預(yù)測(cè)研究

3.1 數(shù)據(jù)獲取及預(yù)處理

圖1 月均滑坡次數(shù)-降雨量-地震次數(shù)（上月）分布曲線

通過(guò)中國(guó)地質(zhì)環(huán)境信息網(wǎng)[1]、中國(guó)氣象數(shù)據(jù)網(wǎng)[4]、國(guó)家地震科學(xué)數(shù)據(jù)中心[5]、中國(guó)統(tǒng)計(jì)年鑒[6]等官方網(wǎng)站獲取到了四川省1949—2001年及2014—2017年的滑坡數(shù)據(jù)、降雨數(shù)據(jù)、地震數(shù)據(jù)，前者作為建模樣本數(shù)據(jù)，后者作為測(cè)試數(shù)據(jù)。

經(jīng)整理繪制了1949—2001年月均滑坡次數(shù)-降雨量-地震次數(shù)（上月）分布曲線（圖1）如下所示。

為了便于計(jì)算，將當(dāng)月平均滑坡數(shù)≥18次的類別值設(shè)為“1”；將當(dāng)月平均滑坡數(shù)＜18次的類別值設(shè)為“-1”。

3.2 Adaboost算法預(yù)測(cè)模型訓(xùn)練

計(jì)算前，繪制數(shù)據(jù)坐標(biāo)分布如圖2所示：

圖2 數(shù)據(jù)坐標(biāo)分布圖

由上圖可找到3個(gè)基本分類器如下：

按照Adaboost算法原理進(jìn)行迭代計(jì)算，得到最終的強(qiáng)分類器即滑坡預(yù)測(cè)模型為：

3.3 預(yù)測(cè)模型驗(yàn)證

用上述模型對(duì)四川省2014—2017年的月滑坡次數(shù)進(jìn)行驗(yàn)證，在48組數(shù)據(jù)中，預(yù)測(cè)成功的次數(shù)為41次，預(yù)測(cè)成功率為85.42%。

4 研究結(jié)論

Adaboost算法可建立包括降雨量、地下水、庫(kù)水位、地應(yīng)力、地震、深部位移、地表沉降等的多維度預(yù)測(cè)模型，且在通過(guò)大量實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行優(yōu)化后能具有較高的預(yù)測(cè)準(zhǔn)確度，可為滑坡災(zāi)害防治提供宏觀決策依據(jù)。