基于隨機(jī)森林的滑坡災(zāi)害空間預(yù)測

郭方民 周小莉

（1.河南理工大學(xué)測繪與國土信息工程學(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，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。以2020年為例，全國共發(fā)生地質(zhì)災(zāi)害7840起，其中滑坡4810起，主要分布在28個省（區(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產(chǎn)損失。

目前，滑坡空間預(yù)測一般分為確定性預(yù)測和非確定性預(yù)測。確定性預(yù)測通過力學(xué)計算模型結(jié)合基礎(chǔ)地理信息預(yù)測滑坡，但只適用于小范圍預(yù)測。非確定性預(yù)測是結(jié)合歷史滑坡數(shù)據(jù)與滑坡誘發(fā)因子來預(yù)測不同尺度區(qū)域的滑坡災(zāi)害[1]。其中，許石羅[2]利用數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法，建立了單個滑坡和區(qū)域范圍的滑坡災(zāi)害空間預(yù)測模型，實現(xiàn)了秭歸至巴東段滑坡災(zāi)害動態(tài)空間預(yù)測；姚鑫、譚國煥[3]以香港自然滑坡空間預(yù)測為例，采用支持向量機(jī)進(jìn)行滑坡災(zāi)害空間預(yù)測。

2 研究方法

隨機(jī)森林模型是一種基于分類回歸樹的算法，其主要思想是通過自助法抽樣從原始訓(xùn)練集中抽取k個樣本，且每個樣本的樣本容量均與原始訓(xùn)練集的大小一致，然后對每個樣本分別進(jìn)行決策樹建模，得到k個建模結(jié)果，最后利用所有決策樹的建模結(jié)果，通過投票表決決定最終分類結(jié)果[4]。決策樹學(xué)習(xí)的目的是為了產(chǎn)生一棵泛化能力強(qiáng)，即處理未見示例能力強(qiáng)的決策樹[5]。森林中樹的數(shù)量是一種重要的超參數(shù)，通過增加樹的數(shù)量提高模型性能，但同時會消耗算力。通常決策樹算法由信息增益或基尼不純度作為衡量方式，通過選擇在每個節(jié)點(diǎn)能產(chǎn)出最佳分隔的特征來組織樹。實際應(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)型評價的機(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，降低了在分類過程中對數(shù)據(jù)噪聲和異常值的敏感性，提高了預(yù)測模型的準(zhǔn)確率。

3 隨機(jī)森林空間預(yù)測實例分析

3.1 研究區(qū)概況

萬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、紫陽縣交界，地處川陜渝鄂四省（市）交界處，有“秦川鎖鑰”之稱。萬源市地理坐標(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個鄉(xiāng)，373個行政村，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 模型建立及精度評價

滑坡空間預(yù)測是指對可能發(fā)生滑坡的地點(diǎn)展開預(yù)測，主要內(nèi)容包括區(qū)域性滑坡預(yù)測，即判斷滑坡的易發(fā)區(qū)域。其預(yù)測模型需要兩類輸入變量，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，即需要對研究區(qū)目前所有的已探明滑坡進(jìn)行編錄。本次實驗選取植被覆蓋度、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)要素來源及提取方法

3.2.1遙感影像預(yù)處理

3.2.4預(yù)測結(jié)果及精度評價

根據(jù)經(jīng)驗設(shè)定非滑坡塊狀區(qū)域，利用gdal庫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)各像素對應(yīng)行列號，取對應(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。實驗共獲得176170個樣本數(shù)據(jù)，將該樣本集按照8∶2比例，分為訓(xùn)練集和測試集。模型通過python實現(xiàn)。根據(jù)決策樹的不同，測試精度有所不同，如表2所示。隨著隨機(jī)森林中決策樹個數(shù)的不斷增加，隨機(jī)森林的訓(xùn)練精度不斷提高，當(dāng)決策樹個數(shù)為20時，訓(xùn)練集精度達(dá)到0.998706256，測試集精度達(dá)到0.931731589。

利用訓(xùn)練好的隨機(jī)森林模型，對研究區(qū)特征集進(jìn)行測試，預(yù)測結(jié)果如圖5所示。可以發(fā)現(xiàn)由于多山、地勢陡峭、降雨量充沛等原因，萬源市大面積處于滑坡多發(fā)、易發(fā)區(qū)域，相對而言東部及中部地區(qū)由于居住人口多，經(jīng)過多年來人類的開發(fā)保護(hù)利用，地勢相對平緩，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)職能部門應(yīng)及時掌握道路、村莊附近的坡體變形情況，加大雨季巡察頻率，對于變形明顯區(qū)域，建立專業(yè)設(shè)備監(jiān)測點(diǎn)，有效減少滑坡?lián)p失。

圖5 隨機(jī)森林預(yù)測結(jié)果

4 結(jié)論與展望

滑坡預(yù)測以滑坡監(jiān)測點(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)森林中決策樹個數(shù)的不斷增加，隨機(jī)森林的訓(xùn)練精度不斷提高，當(dāng)決策樹個數(shù)為20時，訓(xùn)練集精度達(dá)到0.998706256，測試集精度達(dá)到0.931731589，滿足實際要求。但是由于時間和能力限制，仍有很多問題急需探討研究。

（1）滑坡是一個動態(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）文中采用單時相遙感影像對研究區(qū)域滑坡空間分布規(guī)律進(jìn)行探究，而忽視了時間維度上的演變過程。未能從時間角度，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，建立動態(tài)滑坡空間演化模型。