基于BP神经网络和决策树的...市东川区滑坡空间易发性评价_张越.pdf

文章编号：1003-7853（2023）02-0067-04基金项目：国家自然科学基金项目（42161067）基于 BP 神经网络和决策树的昆明市东川区滑坡空间易发性评价张 越，宋炜炜*（昆明理工大学 国土资源工程学院，云南 昆明 650031）摘要：滑坡是一种破坏性强、突发性高、诱导条件复杂的地质灾害类型，通过多源数据融合、采用机器学习方法训练有效的滑坡训练模型，对评价滑坡灾害易发性具有重要意义。以云南省昆明市东川区为研究区，选取高程、坡度、坡向、道路、水系等 5个评价影响因子，结合实际的滑坡灾害隐患点的空间特征和属性特征数据，分别采用 BP 神经网络和决策树算法对滑坡易发性构建预测模型，通过 ROC 曲线进行模型精度验证和比较。结果表明，决策树模型对研究区滑坡易发性更敏感，预测结果可靠度高；用决策树模型生成滑坡易发性分区图，滑坡易发性分区结果可更有效地得出易发性评价，对防灾减灾部门准确评估滑坡易发性、有针对性地提高灾害预测及应急响应工作效率提供了一种有效的计算模型。关键词：滑坡；地质灾害；评价影响因子；BP 神经网络；决策树中图分类号：P642.22文献标识码：Adoi:10.16202/ki.tnrs.2023.02.015Spatial Susceptibility Evaluation of Landslidein Dongchuan District of Kunming Based onBP Neural Network and Decision TreeZhang Yue,Song Weiwei*(Kunming University of Science and Technology,Faculty of Landand Resources Engineering,Kunming Yunnan 650031,China)Abstract:Landslide is a type of geological disaster with strongdestruction,high burst and complex induction conditions.Trainingan effective landslide training model through multi-source datafusion and machine learning method is of great significance toevaluate the susceptibility of landslide disaster.Taking DongchuanDistrict,Kunming City,Yunnan Province as the study area,fiveevaluation impact factors such as elevation,slope,slope direction,road and water system are selected.Combined with the actualspatial and attribute characteristic data of landslide hazard hiddenpoints,BP neural network and decision tree algorithm are used toconstruct the prediction model of landslide susceptibility,and themodel accuracy is verified and compared through ROC curve.Theresults show that the decision tree model is more sensitive to thesusceptibility of landslide in the study area and the predictionresults are reliable.The decision tree model is used to generatethe landslide susceptibility zoning map.The landslide susceptibilityzoningresultscanmoreeffectivelyobtainthesusceptibilityevaluation,and provide an effective calculation model for thedisaster prevention and reduction department to accurately evaluate国土与自然资源研究2023No.2TERRITORY&NATURAL RESOURCES STUDY67the landslide susceptibility and improve the efficiency of disasterprediction and emergency response.Key words:landslide;geological hazards;evaluate impact factors;BP neural network;decision tree0引言滑坡是一种危害性高、易发性难以评估的地质灾害。我国滑坡发生十分频繁，每年由于滑坡导致死亡的人数近百人，直接经济损失达到 10 亿，云南省昆明市东川区尤为明显，该区域海拔高，地形起伏大，自然环境复杂多变，滑坡灾害经常发生，对国家和个人都造成了严重损失1。目前国内外学者常用的滑坡易发性评价模型就是机器学习模型（BP 神经网络、决策树）。在滑坡易发性评价中，机器学习算法客观高效，在滑坡灾害易发性评价中具有良好的适用性2。各个国家和地区都开展过或正在开展地质灾害的早期预测工作和减少灾害危害工作，我国在区域滑坡空间易发性分析上取得了很好的成效3。武雪玲等4通过支持向量机的方式对三峡库区长江干流岸滑坡易发性进行精度预测；郭子正等5通过证据权法和 BP 神经网络相结合对三峡库区万州区滑坡进行易发性评价。云南省昆明市东川区是滑坡频发地区，2020 年东川区滑坡隐患点153 处，潜在经济损失达 8 000 万元，精准地对云南省昆明市东川区滑坡进行易发性评价对当地预防灾害发生有重要意义。本文基于地理信息技术，根据 BP 神经网络和决策树算法对云南省昆明市东川区滑坡地区进行研究，进而实现对云南省昆明市东川区滑坡的易发性评价。1研究区概况及数据准备1.1研究区概况自然资源部发布最新自然灾害报告，报告显示在2020 年全国共发生地质灾害 7 840 起，地裂缝 143 起，地面坍塌 183 起，崩塌 1 797 起，山体滑坡 4 810 起，滑坡占全部地质灾害比例最大。云南省昆明市东川区，坐落于云南省东北部和昆明市最北端，距离昆明 150 公里，东川区地处云贵高原北部边缘，境内最高海拔为4 344.1 米，最低海拔为 695 米，最高最低相差 3 649.1米6。由于地形特殊，海拔差异大，地质构造复杂，在降雨和气温的共同作用下，地质灾害频发，滑坡频繁发生。本文以云南省昆明市东川区为研究区域，对其进行滑坡易发性评价。通过两种机器学习方法（BP 神经网络和决策树）对云南省昆明市东川区滑坡进行研究，进行昆明市东川区滑坡易发性评价，辅助决策部门对滑坡灾害隐患点分级分类管理，针对不同易发性的灾害隐患点进行监控及防控。1.2数据准备及评价因子选取1.2.1研究区滑坡易发性评价多源数据。基于地质灾害的调查资料和遥感影像以及 GIS 工具，建立一个研究区滑坡空间数据集。主要数据来源为：（1）研究区空间分辨率为 30 米的数字高程数据，通过 ArcGIS 软件获得高程、坡度、坡向等地形数据。（2）云南省昆明市行政区图，获得研究区行政区数据。（3）第三次全国土地调查数据，获得研究区内道路、水系等数据。（4）东川区滑坡灾害隐患点数据，我国地质灾害管理部门通过多年工作，结合实际灾害发生的历史情况，记录了东川区的滑坡灾害隐患点数据，作为地质灾害监测管理的本底数据，滑坡隐患点为 126 处，分布情况如图 1 所示。图 1东川区滑坡隐患点图68张越等 基于 BP 神经网络和决策树的昆明市东川区滑坡空间易发性评价N0 2 481216miles图 例灾害点行政边界东川区注：该图基于自然资源部标准地图服务网站下载的审图号为 GS(2019)3333 号的标准地图制作，底图无修改。1.2.2滑坡易发性评价影响因子。滑坡是在地形地貌、地质、降水以及人为条件共同作用下形成的现象。因此滑坡评价影响因子的选择是在滑坡预测中的关键一步7。地形因子能对斜坡进行控制，能在很大程度上决定滑坡发育情况和分布情况，高程、坡度、坡向成为不可缺少的因素。人类活动频繁的区域也是滑坡灾害易发地，道路、水系是诱发地质灾害的重要因素。结合研究区的地质灾害报告相关资料，研究区内滑坡受地形地貌控制，由于斜坡高陡、海拔差异以及人类活动为滑坡的发生提供条件。因此本文选择高程、坡向、坡度、道路、水系 5 种影响因子作为东川区滑坡地质灾害发生的评价影响因子。本文结合每个评价因子的特点，采用多种分级标准，对评价因子进行分级。高程和坡度坡向为连续型因子，道路水系为离散型因子。高程和坡度按照自然间断点方法进行分级，按照方向将坡向进行分级。考虑到人类活动的相关因素，道路按照 1 000 米为步长进行分级，水系按照 2 000 米为步长进行分级。2研究方法BP 神经网络和决策树模型被广泛地应用在滑坡预测上，S.Lee 等人8基于 GIS 平台，将统计学和神经网络作为基础对滑坡敏感性进行研究；Rohan Kumar 等9基于地势、曲率、坡度角和排水距离等因素采用神经网络进行训练和预测，实现山区滑坡的易发性评价；黄发明等人10用决策树模型对江西省寻乌县滑坡进行危险性预测；朱清华11基于 RF 模型和 SVM 模型对陕西省灞桥区地质灾害进行易发性评价。BP 网络通过训练样本数据，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。决策树算法是一种比较典型的预测方法，它是逼近离散函数值的一种算法，决策树预测易于理解和实现，数据准备比较简单，在相对短的时间内能对大型数据源做出可行且良好的效果。2.1BP 神经网络BP 神经网络是一种按照误差逆向传播算法训练的传递非线性函数的前馈型神经网络。BP 神经网络模型的拓扑结构由三部分组成，主要包括输入层、隐含层和输出层，是一种多层前馈神经网络。神经网络中的每个神经元都是相互独立的，不会相互影响，层与层之间通过信号传递建立联系。BP 神经网络有工作阶段和学习阶段两个部分，正向传播信号即为工作阶段，误差反向传播信号即为学习阶段。将信号从输入层输入，再经过隐藏层计算，最后在输出层输出信号的过程被称为正向传播。输出层输出的信号与期望不一样，误差的结果会沿着能减小的方向传播，反复训练来减小误差被称为误差反向传播。2.2决策树决策树模型数据集是由带属性的实例组成，分成两个样本，即训练样本和测试样本。决策树模型从原始节点开始进行测试，会把样本数据划分到不同的样本集里，这些子集就是新的子节点。决策树算法处理的样本属性都为离散性的，而且决策树的结果是否足够好，对于测试属性的选择，修剪节点参考的原则和对树本身的参数控制上都有一定的关系。综上，决策树算法的实现主要包括以下过程。首先，选择训练样本，构造决策树，选择标准的测试属性，按照其标准从上向下搭建决策树的模型。其次，选择测试集样本，进行枝叶修剪，对开始的决策树进行优化，先进行修剪再进行测试和先进行测试在进行修剪视情况而定，遵循一定的原则，其原则是最小描述长度或期望错误率最小原则。决策树算法比较经典，算法复杂度较低，分类速度快，可以用于数据量大的快速检索分类。决策树算法分为两种，包括 ID3、C4.5 算法，决策树 C4.5 算法是在 ID3 算法的基础上优化得来，C4.5 算法比 ID3 分类速度和效率上有着明显的提升。2.3滑坡易发性评价模型建立2.3.1基于 BP 神经网络的滑坡空间易发性模型。本文建立了一个 3 层的 BP 神经网络。该模型以 5 个评价影响因子作为输入，所以输入节点数为 5，以发生滑张越等 基于 BP 神经网络和决策树的昆明市东川区滑坡空间易发性评价69坡为输出，输出节点数为 1。研究表明，有一个隐层节点的神经网络，只要隐层节点足够多，就可以任意精度逼近一个非线性函数。因此本文建立含有一个隐藏层的多输入单输出的 BP 神经网络预测模型。该 BP 神经网络由一个输入层、一个隐藏层和一个输出层组成。将筛选出的影响因子作为输入层（x1,x5），将识别的滑坡发生概率（y）作为输出层。构建的 BP 神经网络结构如图 2 所示。图 2BP 神经网络模型图高程水系道路坡向坡度X1YX5X4X3X2发生滑坡情况输入层隐藏层输出层2.3.2基于决策树的滑坡空间易发性模型。决策树模型的建立是将滑坡地质灾害点数据集划分为训练集和测试集，训练集占样本数据的 80%，测试集占样本数据的 20%。训练数据基于决策树模型进行模型计算。训练样本集大约在 2030 个之间，测试样本集在510 个之间，足以包含所有数据分布情况，明显避开了误认为非滑坡区域的问题。最后通过正负样本数据测试集进行模型试验，得到样本最优比例构建的决策树模型如图 3 所示。图 3决策树模型图研究区滑坡隐患点数据训练集测试集易发生滑坡不易发生滑坡易发生滑坡不易发生滑坡3模型比较模型精度的验证和比较是对滑坡易发性分区的可靠验证的重要步骤。本文采用了接受者工作特性曲线（ROC）与其下面积（AUC）对 BP 神经网络模型和决策数模型进行评估。ROC 曲线广泛地应用于机器学习分类模型的评估，它以敏感度为纵坐标，1-特异性为横坐标12。AUC 取值范围为0,1，AUC 值越大代表分类效果越好，通常认为 AUC0.7，表示分类预测能力较强13。本论文使用两种机器学习算法，通过构建 BP神经网络和构建决策树来对模型进行训练。两种模型的精度对比，检验模型训练效果的好坏，将精度较高的模型用来进行滑坡易发性评价。本论文通过对模型进行计算，得出 BP 神经网络模型预测精度为 79%，决策树模型预测精度为 85%。图 4 和图 5 表明决策树模型的正确率（85%）比 BP 神经网络模型（79%)更高。结果表明，采用决策树模型对滑坡分布更敏感，预测结果更可靠，进行滑坡灾害易发性评价更好。图 4BP 神经网络 ROC 图ROCcurve(area=0.79)1.00.80.60.40.20.0敏感度0.00.20.40.60.81.01-特异性图 5决策树 ROC 图1.00.80.60.40.20.0敏感度0.00.20.40.60.81.01-特异性ROCcurve(area=0.85)4滑坡易发性评价本文将滑坡隐患点数据集划分为训练集和测试集，训练集占样本数据的 80%，测试集占样本数据的20%14。训练数据基于决策树模型进行模型计算。训练样本集 24 个，测试样本 6 个，并提取 5 种影响因子的属性值。将整个研究区的属性集带入到决策树模型中，通过 ArcGIS 将研究区预测的易发性分为 5 个等级，分别对应极低易发区、较低易发区、中等易发区、较高易发区、极高易发区，易发性等级越高越容易发生滑坡灾害，得到了东川区滑坡易发性区划图，如图 6 所示，图中共 126 个滑坡隐患点，本文预测模型有效地划分出滑坡极高发生区域（易发性等级 5）、较高和中等发生区域（易发性等级 4、3）、较低和极低发生区域（易发性等级 2、1），可以看出易发性极低和较低地区整体以片状分布，易发性极高和较高地区则以集群状分布，符合滑坡的分布特点。研究区内有极高易发性的区域分布在水系和道路密集地区，高程较低处，说明人类活动和地形对滑坡影响很大。本文所建模型能够很好地反映滑坡易发性现状，表明决策树模型对滑坡空间易发性评价是合理的。5结论通过对云南省昆明市东川区进行基于 BP 神经网络和决策树的滑坡易发性评价，得出以下结论：（1）通过相关资料和野外考察，选取研究区内的高程、坡度、坡向、道路、水系五个评价因子进行评价，各类因子都对滑坡发育有影响，根据分析，研究区内滑坡主要分布在水系和道路密集地区，高程较低处。（2）通过 ROC 曲线，AUC 值进行模型精度验证与比较，结果显示决策树模型更适用于滑坡易发性评价。决策树模型的精度高于 BP 神经网络模型，分区结果更精确，决策树模型对空间易发性评价更合理。（3）将数据代入构建的决策树模型中，结果显示决策树模型预测分布趋势更符合滑坡分布规律，可通过滑坡易发性结果为防灾减灾提供帮助。参考文献：1 张倬元.滑坡防治工程的现状与发展展望J.地质灾害与环境保护，2000，11（2）：89-97.2 王鑫，赵康，蒋叶林，等.基于 BP 神经网络的怒江流域泥石流易发性动态区划模型研究J.化工矿物与加工，2021（7）：1-12.3 Kern A N,Addison P,Oommen T,et al.Machine Learning BasedPredictive Modeling of Debris Flow Probability Following Wildfire inthe Intermountain Western United StatesJ.Mathematical Geosciences,2017,49(6):717-735.4 武雪玲，沈少青，牛瑞卿.GIS 支持下应用 PSO-SVM 模型预测滑坡易发性J.武汉大学学报（信息科学版），2016，41（5）：665-671.5 郭子正，殷坤龙，付圣，等.基于 GIS 与 WOE-BP 模型的滑坡图 6东川区滑坡易发性分布图70张越等 基于 BP 神经网络和决策树的昆明市东川区滑坡空间易发性评价N102500E10300E103100E103200E102500E10300E103100E103200E26300N26200N26100N2600N25500N26300N26200N26100N2600N25500N易发性等级123450481624km注：该图基于自然资源部标准地图服务网站下载的审图号为 GS(2019)3333 号的标准地图制作，底图无修改。易发性评价J.地球科学，2018，44（12）：4299-4312.6 刘俊龙，张文君，邹强，等.基于无人机影像的泥石流流域精细化地形建模方法J.西南科技大学学报，2019，34（2）：19-24.7 冯杭建，周爱国，俞剑君，等.浙西梅雨滑坡易发性评价模型对比J.地球科学，2016，41（3）：403-415.8 Lee S,Ryu J,Min K D,et al.Development and application oflandslidesusceptibilityanalysistechniquesusinggeographicinformation systemC.Geoscience and Remote Sensing Symposium,2000:319-321.9 Kumar R,Anbalagan R.Remote sensing and GIS based artificialneural network systemfor landslide suceptibility mapping C/Geoscience and Remote Sensing Symposium(IGARSS),2015 IEEEInternational.IEEE,2015:189-193.10 黄发明，曹中山，姚池，等.基于决策树和有效降雨强度的滑坡危险性预警J.浙江大学学报（工学版），2021，55（3）：472-482.11 朱清华.基于 RF 和 SVM 模型的灞桥区地质灾害易发性评价D.西安科技大学，2019.12 聂娟，连健，胡卓玮.汶川地震灾区滑坡空间特征变化分析J.地理研究，2014，33（2）：214-224.13 周鑫.金沙江上游茂顶河段滑坡成因机制及敏感性研究D.长春：吉林大学，2019.14 王娜.巴州区降雨型滑坡预警研究D.四川：电子科技大学，2019.作者简介：张越（1997-），女，满族，辽宁人，在读硕士，研究方向为地理信息技术与开发应用。通信作者：宋炜炜。（2022-05-29 收稿 袁海峰编辑）国土与自然资源研究 作者投稿须知1标题简明，题文相符。附英文标题、中英文摘要、35 个中英文关键词。获得基金资助产生的文章要注明基金项目名称（项目编号）。2作者署名最好不超过 3 位，附所在单位、省、市（县）、邮政编码和作者单位的英文译名。文末附第一作者简介。3来稿中的动植物名、数学公式及参考文献中的外文字母注意文种、正斜体、大小写、上下角等写法。4文中插图、表格务必精炼。地图要有线段比例尺、经纬度等地理要素，中国地图必须使用自然资源部标准地图底图，所用底图边界要完全无修改（包括南海诸岛位置），并在图题下注明“注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)号的标准地图制作，底图无修改。”5引用他人已发表文献，须在文中作角注并在参考文献中列出，不得引用非公开出版的文献。6编辑部将对拟用稿件作必要的修正和删节，若需较大改动，则与作者协商。如作者有特殊要求，请在投稿时声明。7 来稿一般不退，请自留底稿。本刊已被中国期刊网、中国学术期刊（光盘版）；中国知网（CNKI）；北京万方数据股份有限公司、万方数据电子出版社；维普网数据中心；超星期刊域出版平台收录。来稿采用后将以多种方式发表，若作者有异议，请勿投稿。8投稿邮箱：。